CN113945852B - 一种蓄电池组不一致性评价方法 - Google Patents

一种蓄电池组不一致性评价方法 Download PDF

Info

Publication number
CN113945852B
CN113945852B CN202111220040.3A CN202111220040A CN113945852B CN 113945852 B CN113945852 B CN 113945852B CN 202111220040 A CN202111220040 A CN 202111220040A CN 113945852 B CN113945852 B CN 113945852B
Authority
CN
China
Prior art keywords
matrix
battery pack
evaluation
inconsistency
deviation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111220040.3A
Other languages
English (en)
Other versions
CN113945852A (zh
Inventor
王亚雄
杨庆伟
欧凯
鄂林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN202111220040.3A priority Critical patent/CN113945852B/zh
Publication of CN113945852A publication Critical patent/CN113945852A/zh
Application granted granted Critical
Publication of CN113945852B publication Critical patent/CN113945852B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/389—Measuring internal impedance, internal conductance or related variables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Battery Mounting, Suspending (AREA)
  • Secondary Cells (AREA)

Abstract

本发明提出一种蓄电池组不一致性评价方法，包括以下步骤；步骤S1：获取单体电池的不一致性特征参数作为评价指标，构建电池组的一致性原始比较矩阵和一致性参考矩阵；步骤S2：将原始比较矩阵与参考矩阵标准化处理得到标准化矩阵；计算标准化后评价指标的信息熵，利用信息熵确定各评价指标在电池组不一致性评价过程中所占的熵权；计算标准化后的比较矩阵与参考矩阵的偏离系数矩阵，构建灰色关联模型；步骤S3：通过灰色关联模型得到比较矩阵与参考矩阵的一致性偏离度矩阵与不同寿命状态下电池组不一致性参数的耦合关系；步骤S4：计算偏离度矩阵的标准差得到多尺度不一致性的定量评价数据；本发明能实现电池组多尺度不一致性的主特征识别与定量评价。

Description

一种蓄电池组不一致性评价方法
技术领域
本发明涉及电池技术领域，尤其是一种蓄电池组不一致性评价方法。
背景技术
随着电动汽车和电化学储能的飞速发展，动力电池与储能电池在使用过程中的一致性评估备受重视。受使用功率、电压、容量等因素限制，电动汽车或储能用电池组在使用时通常由成千上百节电池单体串联或并联而成。由于单体电池的生产制造过程存在着细微的不一致和长期充放电运行过程中复杂因素的影响，电池组在工作时单体电池的电压、内阻、SOC(state ofcharge，荷电状态)的不一致性会进一步加剧。这种不一致性会加剧电池组性能的“短板效应”，导致整个电池组的最大可用容量大幅降低，缩短电池组的使用寿命。
现阶段对电池组不一致性的评价大多在电压、容量、内阻等单一参数的水平上进行评价，而电池组性能的不一致性是电压、容量、内阻、SOC、温度等多种因素长期相互耦合的结果，单参数评价无法对电池组多尺度不一致性进行定量评价。现有的多参数评价又仅将参数进行简单的运算进行评价，忽略了电池组不一致性参考值的动态累积作用。
发明内容
本发明提出一种蓄电池组不一致性评价方法，能够在一定程度上描述电池组不一致性特征参数中电压、容量、内阻、SOC、温度等多种因素的耦合关系，实现电池组多尺度不一致性的主特征识别与定量评价。
本发明采用以下技术方案。
一种蓄电池组不一致性评价方法，包括以下步骤；
步骤S1：获取蓄电池组循环充放电过程中各寿命阶段单体电池的不一致性特征参数作为评价指标，构建电池组一致性原始比较矩阵，通过计算各评价指标的均值来构造电池组一致性参考矩阵；
步骤S2：为消除量纲的影响，将原始比较矩阵与参考矩阵标准化处理得到标准化矩阵；计算标准化后评价指标的信息熵，利用信息熵确定各评价指标在电池组不一致性评价过程中所占的熵权；同时计算标准化后的比较矩阵与参考矩阵的偏离系数矩阵，构建灰色关联模型；
步骤S3：通过灰色关联模型得到比较矩阵与参考矩阵的一致性偏离度矩阵与不同寿命状态下电池组不一致性参数的耦合关系；
步骤S4：计算不同寿命状态下电池组偏离度矩阵的标准差得到电池组多尺度不一致性的定量评价数据。
步骤S1中所述的电池组不一致性特征参数包括容量、内阻、电压，电池组一致性原始比较矩阵与电池组一致性参考矩阵可表示为：
X0j＝[x01 … x0k]i＝1，2…，n；j＝1，2…，k 公式二；
其中n表示电池单体的个数，k表示评价指标的个数，xij表示第i个单体电池对应的第j个评价指标的原始数据值，其中x0j表示第j个评价指标的平均值。
所述步骤S2中的原始比较矩阵与参考矩阵的标准化方式表述为：
正类评价指标标准化：
负类评价指标标准化：
其中，xij *为标准化后的电池一致性特征参数，取值范围为[0,1]。
步骤S2中所述的评价指标的信息熵，其值越小表明被评价电池组越固定有序，ej为0时表示电池组内所有单体电池该指标只能取同一个态，无法向决策者提供任何有用信息，该指标在多尺度不一致性评价过程中作用即被弱化，具体计算方式表示为：
其中，n为被评价电池组中单体电池的个数，ej为第j个评价指标的信息熵的大小，规定当pij＝0时，pijlnpij＝0时，pijlnpij＝0。
所述的评价指标的信息熵的取值范围为[0,1]。
所述的评价指标的信息熵越大，表明指标值得混乱度与不确定性程度越大，其熵权越大，相反熵权越小；具体计算方式与熵权矩阵以公式表示为：
W=[w1 … wk] 公式七；
其中，k为被评价电池组中评价指标的个数；ej为第j个评价指标的信息熵的大小；wj为第j个评价指标所占的熵权，信息熵和权重大小可以作为多尺度不一致性评价过程中主特征识别判据，所有评价指标的熵权之和为1。
所述步骤S2中偏离矩阵的偏离系数，其物理意义为被评价电池一致性参数与参考矩阵一致性参数之间的偏离指数，其值越高说明该电池不一致性程度越差，偏离系数矩阵与灰色关联模型的构建具体可表示为：
其中，为标准化后比较矩阵与参考矩阵中差值绝对值的最小值；为标准化后比较矩阵与参考矩阵中差值绝对值的最大值；ρ值大小可削弱异常值的影响；ζij为第i个被评价电池的第j个评价指标的一致性偏离系数；其中/>时，ζij为正，反之ζij为负；R为被评价电池组的评价结果矩阵，W为评价指标的熵权矩阵；E为各评价指标值的一致性偏离系数矩阵。
步骤S3中所述的多尺度不一致性评价结果中不一致性特征参数的耦合关系可由下式表达：
Ri＝w1×ζ1+w2×ζi2+…+wk×ζik 公式十；
其中，wj为第j个评价指标所占的熵权；ζik为第i个被评价电池的第k个评价指标的一致性偏离系数；Ri为第i个被评价电池的一致性偏离度。
步骤S4中所述的标准差作为电池组多尺度不一致性程度分档的标准，将定量评价数据与使用需求预设的不一致性程度门限值进行比较，得到最终的电池组不一致性程度描述，具体由下式计算：
其中，Ri为第i个电池的一致性偏离度，为电池组偏离度的均值，n为电池个数。
综上，本发明利用表征蓄电池组一致性的特征参数作为评价指标构造电池组一致性原始比较矩阵，同时选取被评价电池组的一致性特征参数的均值构造电池组一致性参考矩阵；对比较矩阵和参考矩阵进行标准化处理，建立电池组一致性比较矩阵与电池组一致性参考矩阵的灰色关联模型，得到标准化后比较矩阵与参考矩阵的一致性偏离系数矩阵；利用评价指标的信息熵获取各评价指标在蓄电池组多尺度不一致性评价过程中所占的熵权，得到被评价电池的一致性偏离度。最终计算偏离度矩阵中所有电池一致性偏离度的标准差，实现电池组多尺度不一致性的主特征识别与定量评价。
与现有技术相比，本发明有以下有益效果：
1、本发明对电池组不一致性评价过程中的评价指标包括但不限于容量、内阻、SOC、电压等电性能因素，对评价指标和蓄电池组内单体电池的数量以及种类没有限制，具有广泛的普适性；
2、本发明提出以信息熵赋权与灰色关联模型分析相结合的方式表征各不一致性特征参数在电池组多尺度不一致性评价过程中的客观耦合关系，避免了主观因素对评价结果的影响，能够全面评价电池组性能在多因素长期相互关联，相互影响下的电池组不一致性。
3、本发明提出的各评价指标的信息熵的大小可以表示电池组内该指标值的混乱度与不确定性程度，其值越小表明被评价对象越固定有序，当ej为0时表示电池组内所有单体电池的该指标只能取同一个态，无法向决策者提供任何有用信息，该指标在多尺度不一致性评价过程中的作用即被弱化，本发明提出的信息熵和权重大小可以作为多尺度不一致性评价过程中主特征识别判据，指标的信息熵与权重越大即可认为该指标为电池组当前状态下多尺度不一致性的主特征。
4、本发明引入的偏离系数概念其物理意义为被评价电池一致性参数与参考矩阵中一致性参数之间的偏离指数，其值越高说明该电池不一致性程度越差，相对于关联系数，偏离系数可以更合理直观表达被评价电池一致性的偏离程度，实现了动态循环过程中蓄电池组在不同寿命状态下不一致性特征分布及异常电池的识别，为BMS对蓄电池组均衡或其他管理方式的决策提供有效依据。
5、本发明提出以标准差作为电池组多尺度不一致性定量评价标准，可消除因均值不同对两组或多组数据离散程度比较的影响，提高了不一致性程度划分的科学性与准确性。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明：
附图1是本发明实施例的工作流程示意图；
附图2是本发明实施例中电池组在不同寿命状态下时1至8号单体电池的一致性偏离度分布特征示意图；
附图3是本发明实施例在CC-CV充放电循环过程中电池组不同寿命状态下的多尺度不一致性评价结果演变趋势示意图。
具体实施方式
如图1所示，一种蓄电池组不一致性评价方法，包括以下步骤；
步骤S1：获取蓄电池组循环充放电过程中各寿命阶段单体电池的不一致性特征参数作为评价指标，构建电池组一致性原始比较矩阵，通过计算各评价指标的均值来构造电池组一致性参考矩阵；
步骤S2：为消除量纲的影响，将原始比较矩阵与参考矩阵标准化处理得到标准化矩阵；计算标准化后评价指标的信息熵，利用信息熵确定各评价指标在电池组不一致性评价过程中所占的熵权；同时计算标准化后的比较矩阵与参考矩阵的偏离系数矩阵，构建灰色关联模型；
步骤S3：通过灰色关联模型得到比较矩阵与参考矩阵的一致性偏离度矩阵与不同寿命状态下电池组不一致性参数的耦合关系；
步骤S4：计算不同寿命状态下电池组偏离度矩阵的标准差得到电池组多尺度不一致性的定量评价数据。
本实施例中，步骤S1中所述的评价对象为以8节18650三元锂电池串联的电池组，评价指标为不同充放电循环阶段单体电池的放电容量、电池组放电截止时单体电池的端电压、单体电池内阻。
本实施例中，步骤S2中所述的充放电测试的环境温度为25℃，选取初始一致性较好的8节18650三元锂电池进行3C倍率下CC-CV(Constant current-Constant voltage)充放电循环测试，分别在初始状态、60个循环结束、120个循环结束、180个循环结束进行单体电池的容量测试，此过程中记录单体电池的可用放电容量、电池组放电截止时单体电池的端电压、单体电池内阻数据构造电池组一致性原始比较矩阵与电池组一致性参考矩阵。
步骤S1中所述的电池组不一致性特征参数包括容量、内阻、电压，电池组一致性原始比较矩阵与电池组一致性参考矩阵可表示为：
X0j＝[x01 … x0k]i＝1，2…，n；j＝1，2…，k 公式二；
其中n表示电池单体的个数，k表示评价指标的个数，xij表示第i个单体电池对应的第j个评价指标的原始数据值，其中x0j表示第j个评价指标的平均值。
本实施例中，计算过程以电池组初始充放电循环状态下的一致性参数数据为例，其他循环阶段数据均以相同方式计算。为消除量纲影响将测试数据进行标准化处理，采用的标准化处理方式如下：
所述步骤S2中的原始比较矩阵与参考矩阵的标准化方式表述为：
正类评价指标标准化：
负类评价指标标准化：
其中，xij *为标准化后的电池一致性特征参数，取值范围为[0,1]。
步骤S2中所述的评价指标的信息熵，其值越小表明被评价电池组越固定有序，ej为0时表示电池组内所有单体电池该指标只能取同一个态，无法向决策者提供任何有用信息，该指标在多尺度不一致性评价过程中作用即被弱化，具体计算方式表示为：
本实施例中，步骤S2中所述的熵权，通过灰色关联分析得到标准化后的比较矩阵与参考矩阵的一致性偏离系数矩阵与灰色关联模型，具体可表示为：
所述的评价指标的信息熵的取值范围为[0,1]。
所述的评价指标的信息熵越大，表明指标值得混乱度与不确定性程度越大，其熵权越大，相反熵权越小；具体计算方式与熵权矩阵以公式表示为：
W＝[w1 … wk] 公式七；
其中，k为被评价电池组中评价指标的个数；ej为第j个评价指标的信息熵的大小；wj为第j个评价指标所占的熵权，信息熵和权重大小可以作为多尺度不一致性评价过程中主特征识别判据，所有评价指标的熵权之和为1。
所述步骤S2中偏离矩阵的偏离系数，其物理意义为被评价电池一致性参数与参考矩阵一致性参数之间的偏离指数，其值越高说明该电池不一致性程度越差，偏离系数矩阵与灰色关联模型的构建具体可表示为：
其中，k为被评价电池组中评价指标的个数；ej为第j个评价指标的信息熵的大小，其取值范围为[0,1]，规定当pij＝0时，pijlnpij＝0；wj为第j个评价指标所占的熵权，所有评价指标的熵权之和为1；
其中，为标准化后比较矩阵与参考矩阵中差值绝对值的最小值；为标准化后比较矩阵与参考矩阵中差值绝对值的最大值；
ρ为分辨系数，通常情况下ρ取0.5；ρ值大小可削弱异常值的影响；ζij为第i个被评价电池的第j个评价指标的一致性偏离系数；其中时，ζij为正，反之ζij为负；
R为被评价电池组的评价结果矩阵，W为评价指标的熵权矩阵；E为各评价指标值的一致性偏离系数矩阵。
步骤S3中所述的多尺度不一致性评价结果中不一致性特征参数的耦合关系可由下式表达：
Ri＝w1×ζi1+w2×ζi2+…+wk×ζik 公式十；
其中，wj为第j个评价指标所占的熵权；ζik为第i个被评价电池的第k个评价指标的一致性偏离系数；Ri为第i个被评价电池的一致性偏离度。
步骤S4中所述的标准差作为电池组多尺度不一致性程度分档的标准，将定量评价数据与使用需求预设的不一致性程度门限值进行比较，得到最终的电池组不一致性程度描述，具体由下式计算：
εz为不同寿命状态下一致性偏离度的标准差，
其中，Ri为第i个电池的一致性偏离度，为电池组偏离度的均值，n为电池个数。
本实施例中，使用电池初始状态一致性参数数据为例，计算得到的步骤S2所述的信息熵、熵权矩阵、一致性偏离系数矩阵、电池组多尺度不一致性参数的耦合关系，具体结果表示如下：
e＝[0.9201 0.8643 0.7503]
W＝[0.3630 0.3410 0.2959]
本实施例中，使用电池初始状态一致性参数数据为例计算得到的步骤S3所述的电池组在初始状态下多尺度不一致性参数的耦合关系，具体结果表示如下：
R1＝0.3630×ζC+0.3410×ζR+0.2959×ζV
其中，R1为被评价电池在初始状态下的一致性偏离度矩阵，ζC为单体电池的可用放电容量指标值的偏离系数，ζR为单体电池内阻指标值的偏离系数，ζV为电池组放电截止时单体电池的端电压指标值的偏离系数。
本实施例中，60个循环结束、120个循环结束、180个循环结束状态下电池组一致性比较矩阵与电池组一致性参考矩阵的一致性偏离度与初始状态下一致性偏离度计算方式相同，具体结果如表1所示：
表1不同寿命状态下电池组一致性偏离度评价结果
本实施例中，在步骤S2得到的初始状态下电池组多尺度不一致性各指标的信息熵与权重，此状态下单体电池的可用放电容量、电池组放电截止时单体电池的端电压、单体电池内阻中放电容量、内阻的信息熵与权重较大，属于当前状态下多尺度不一致性的主特征。在步骤S4得出的不同寿命状态下的电池组一致性偏离度矩阵可以看出，随着循环充放电的持续进行，电池组内各单体的一致性参数与电池参考矩阵的一致性参数偏离度是逐渐增加的，表明电池组内单体电池的性能在逐渐偏离参考电池，由不同寿命状态下的电池组偏离度标准差与极差的大小可知电池组的一致性偏离度的离散程度随着充放电的持续进行逐步扩大，即电池组的不一致性持续恶化。
本实施例提出了一种蓄电池组多尺度不一致性评价方法，评价过程中的评价指标包括但不限于容量、内阻、电压等因素，对评价指标和蓄电池组内单体电池的数量以及种类没有限制，具有广泛的普适性。
本实施例中评价指标信息熵的大小表示电池组内该指标值的混乱度与不确定性程度，其值越小表明被评价对象越固定有序，当ej为0时表示电池组内所有单体电池该指标只能取同一个态，无法向决策者提供任何有用信息，该指标在多尺度不一致性评价过程中的作用即被弱化，本实施例的信息熵和权重大小可以作为多尺度不一致性评价过程中主特征识别判据，指标的信息熵与权重越大即可认为该指标为电池组当前状态下多尺度不一致性主特征。
本实施例提出以信息熵赋权与灰色关联模型分析相结合的方式表征蓄电池组多尺度不一致性特征参数在不一致性评价过程中的客观耦合关系，避免了主观因素对评价结果的影响，能够全面评价蓄电池组性能在多因素长期相互关联，相互影响下的多尺度不一致性。本发明引入的偏离系数概念，相对于关联系数，偏离系数可以更合理直观表达被评价电池一致性的偏离程度，实现了动态循环过程中蓄电池组不同寿命状态下不一致性特征分布及异常电池的识别，为BMS对蓄电池组均衡或其他管理方式的决策提供有效依据。
本实施例以标准差作为蓄电池组多尺度不一致性定量评价标准，可根据需求以标准差取值为门限值，将电池组不一致性程度划分为一致性良好、轻度不一致、中度不一致、重度不一致等档次并进行相应管理，提高了不一致性程度划分的科学性与准确性。
显然，本领域的研究人员可以在不脱离本发明范围的情况下对此发明进行各种改动。因此，若本发明的改动属于本发明权利要求及其等同技术的范围之内，本发明也包含这些改动在内。

Claims (5)

1.一种蓄电池组不一致性评价方法，其特征在于：包括以下步骤；
步骤S1：获取蓄电池组循环充放电过程中各寿命阶段单体电池的不一致性特征参数作为评价指标，构建电池组一致性原始比较矩阵，通过计算各评价指标的均值来构造电池组一致性参考矩阵；
步骤S2：为消除量纲的影响，将原始比较矩阵与参考矩阵标准化处理得到标准化矩阵；计算标准化后评价指标的信息熵，利用信息熵确定各评价指标在电池组不一致性评价过程中所占的熵权；同时计算标准化后的比较矩阵与参考矩阵的偏离系数矩阵，构建灰色关联模型；
步骤S3：通过灰色关联模型得到比较矩阵与参考矩阵的一致性偏离度矩阵与不同寿命状态下电池组不一致性特征参数的耦合关系；
步骤S4：计算不同寿命状态下电池组偏离度矩阵的标准差得到电池组多尺度不一致性的定量评价数据；
步骤S1中所述的不一致性特征参数包括容量、内阻、电压，电池组一致性原始比较矩阵X与电池组一致性参考矩阵X0j可表示为：
X0j＝[x01 … x0k]；i＝1，2…，n；j＝1，2…，k 公式二；
其中n表示电池单体的个数，k表示评价指标的个数，xij表示第i个单体电池对应的第j个评价指标的原始数据值，其中x0j表示第j个评价指标的平均值；
所述步骤S2中偏离系数矩阵的偏离系数，其物理意义为被评价电池一致性参数与参考矩阵一致性参数之间的偏离指数，其值越高说明该电池不一致性程度越差，偏离系数矩阵与灰色关联模型的构建具体可表示为：
其中，为标准化后比较矩阵与参考矩阵中差值绝对值的最小值；为标准化后比较矩阵与参考矩阵中差值绝对值的最大值；ρ值为分辨系数，其大小可削弱异常值的影响；ζij为第i个被评价电池的第j个评价指标的一致性偏离系数；其中/>时，ζij为正，反之ζij为负；R为被评价电池组的评价结果矩阵，W为评价指标的熵权矩阵；E为各评价指标值的偏离系数矩阵；
步骤S3中所述的耦合关系可由下式表达：
Ri＝w1×ζi1+w2×ζi2+…+wk×ζik 公式十；
其中，wj为第j个评价指标所占的熵权；ζik为第i个被评价电池的第k个评价指标的一致性偏离系数；Ri为第i个被评价电池的一致性偏离度；
步骤S4中所述的标准差作为电池组多尺度不一致性程度分档的标准，将定量评价数据与使用需求预设的不一致性程度门限值进行比较，得到最终的电池组不一致性程度描述，具体由下式计算：
εz为不同寿命状态下一致性偏离度的标准差；
其中，为电池组偏离度的均值。
2.根据权利要求1所述的一种蓄电池组不一致性评价方法，其特征在于：所述步骤S2中的原始比较矩阵与参考矩阵的标准化方式表述为：
正类评价指标标准化：
负类评价指标标准化：
其中，xij *为标准化后的电池一致性特征参数，取值范围为[0，1]。
3.根据权利要求1所述的一种蓄电池组不一致性评价方法，其特征在于：步骤S2中所述的评价指标的信息熵，其值越小表明被评价电池组越固定有序，ej为0时表示电池组内所有单体电池该指标只能取同一个态，无法向决策者提供任何有用信息，该指标在多尺度不一致性评价过程中作用即被弱化，具体计算方式表示为：
其中，n为被评价电池组中单体电池的个数，ej为第j个评价指标的信息熵的大小，规定当pij＝0时，pijln pij＝0。
4.根据权利要求3所述的一种蓄电池组不一致性评价方法，其特征在于：所述的评价指标的信息熵的取值范围为[0，1]。
5.根据权利要求4所述的一种蓄电池组不一致性评价方法，其特征在于：所述的评价指标的信息熵越大，表明指标值得混乱度与不确定性程度越大，其熵权越大，相反熵权越小；具体计算方式与熵权矩阵W以公式表示为：
W＝[w1 … wk] 公式七；
其中，ej为第j个评价指标的信息熵的大小；wj为第j个评价指标所占的熵权，信息熵和熵权权重大小可以作为多尺度不一致性评价过程中主特征识别判据，所有评价指标的熵权之和为1。
CN202111220040.3A 2021-10-20 2021-10-20 一种蓄电池组不一致性评价方法 Active CN113945852B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111220040.3A CN113945852B (zh) 2021-10-20 2021-10-20 一种蓄电池组不一致性评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111220040.3A CN113945852B (zh) 2021-10-20 2021-10-20 一种蓄电池组不一致性评价方法

Publications (2)

Publication Number Publication Date
CN113945852A CN113945852A (zh) 2022-01-18
CN113945852B true CN113945852B (zh) 2024-03-12

Family

ID=79331717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111220040.3A Active CN113945852B (zh) 2021-10-20 2021-10-20 一种蓄电池组不一致性评价方法

Country Status (1)

Country Link
CN (1) CN113945852B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114839556A (zh) * 2022-05-10 2022-08-02 中国第一汽车股份有限公司 动力电池异常检测方法、装置、存储介质及电子装置
CN116298977B (zh) * 2023-05-12 2023-10-20 苏州时代华景新能源有限公司 一种锂电池循环性能测试方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105469185A (zh) * 2015-11-12 2016-04-06 海南电网有限责任公司 一种基于灰色理论的电池更换站安全评价方法
CN107192954A (zh) * 2017-05-02 2017-09-22 杭州科工电子科技有限公司 一种锂离子电池性能在线诊断方法
CN108445410A (zh) * 2018-04-02 2018-08-24 国家计算机网络与信息安全管理中心 一种监测蓄电池组运行状态的方法及装置
CN111537899A (zh) * 2020-04-01 2020-08-14 国网江西省电力有限公司电力科学研究院 一种梯次利用动力电池安全性评估方法
CN112101813A (zh) * 2020-09-24 2020-12-18 贵州电网有限责任公司 一种配电自动化设备测试综合评价排序方法
CN112734274A (zh) * 2021-01-20 2021-04-30 国家电网公司华中分部 一种低碳电网运营主导影响因素挖掘及综合评估方法
CN112937369A (zh) * 2021-02-01 2021-06-11 合肥国轩高科动力能源有限公司 一种基于马氏过程的动力电池组主动均衡控制方法
CN113408146A (zh) * 2021-07-15 2021-09-17 华南理工大学 一种基于gra-熵权法的动力电池安全模糊定级方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105469185A (zh) * 2015-11-12 2016-04-06 海南电网有限责任公司 一种基于灰色理论的电池更换站安全评价方法
CN107192954A (zh) * 2017-05-02 2017-09-22 杭州科工电子科技有限公司 一种锂离子电池性能在线诊断方法
CN108445410A (zh) * 2018-04-02 2018-08-24 国家计算机网络与信息安全管理中心 一种监测蓄电池组运行状态的方法及装置
CN111537899A (zh) * 2020-04-01 2020-08-14 国网江西省电力有限公司电力科学研究院 一种梯次利用动力电池安全性评估方法
CN112101813A (zh) * 2020-09-24 2020-12-18 贵州电网有限责任公司 一种配电自动化设备测试综合评价排序方法
CN112734274A (zh) * 2021-01-20 2021-04-30 国家电网公司华中分部 一种低碳电网运营主导影响因素挖掘及综合评估方法
CN112937369A (zh) * 2021-02-01 2021-06-11 合肥国轩高科动力能源有限公司 一种基于马氏过程的动力电池组主动均衡控制方法
CN113408146A (zh) * 2021-07-15 2021-09-17 华南理工大学 一种基于gra-熵权法的动力电池安全模糊定级方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Comprehensive evaluation of cells inconsistency in Lithium-ion battery module;Qingwei Yang 等;Energy Proceedings;20211231;第23卷;第1-4页 *
Research on fuzzy security evaluation of power battery system with thermal runaway test by GRA and entropy method;Yuanmao Li 等;Proceedings of SPIE;20211014;第11930卷;第1-8页 *
基于灰色理论的电动汽车电池更换站安全评价;赵明宇 等;电网与清洁能源;20170131;第33卷(第01期);第103-106、114页 *
蓄电池回收的翻转上线机构设计与研究;周泽 等;机械设计与制造;20200229(第02期);第229-232页 *

Also Published As

Publication number Publication date
CN113945852A (zh) 2022-01-18

Similar Documents

Publication Publication Date Title
CN110568361B (zh) 一种动力电池健康状态的预测方法
CN110045298B (zh) 一种动力电池组参数不一致性的诊断方法
Motapon et al. A generic cycle life model for lithium-ion batteries based on fatigue theory and equivalent cycle counting
CN109165687B (zh) 基于多分类支持向量机算法的车用锂电池故障诊断方法
CN107983667B (zh) 一种锂离子电池配组方法
CN113945852B (zh) 一种蓄电池组不一致性评价方法
CN108732510B (zh) 基于内部特征的锂离子电池一致性筛选分组方法
CN107741568B (zh) 一种基于状态转移优化rbf神经网络的锂电池soc估算方法
Feng et al. A practical and comprehensive evaluation method for series-connected battery pack models
CN109358293B (zh) 基于ipf的锂离子电池soc估计方法
CN112051511A (zh) 基于多通道技术的动力电池健康状态的估计方法及系统
CN112433170B (zh) 一种串联电池组单体参数差异辨识方法
CN109633456B (zh) 一种基于分段电压识别法的动力锂电池组soc估算方法
CN113504482B (zh) 考虑机械应变的锂离子电池健康状态估计与寿命预测方法
CN116609676B (zh) 一种基于大数据处理的混合储能电池状态监控方法及系统
Deng et al. Battery health evaluation using a short random segment of constant current charging
CN113109715A (zh) 基于特征选择和支持向量回归的电池健康状况预测方法
JP7423697B2 (ja) 蓄電池の残量値を算定する方法、装置、およびコンピュータプログラム製品
CN115481363A (zh) 基于组合赋权-模糊综合评价的电池组不一致性评估方法
CN110085898B (zh) 一种软包动力电池配组方法
CN116047339A (zh) 基于热电耦合模型的锂离子电池组soc估计方法及装置
CN115166566A (zh) 一种在线识别电池自放电率异常的方法
CN111537906B (zh) 一种评估磷酸铁锂电池系统多项健康参数的方法
CN115980607A (zh) 基于增量容量曲线特征点的电池健康状态soh估算方法
CN112706655A (zh) 基于智能物联网的新能源汽车能源均衡控制方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant