CN114720901A - 一种锂离子电池健康状态估计的方法 - Google Patents
一种锂离子电池健康状态估计的方法 Download PDFInfo
- Publication number
- CN114720901A CN114720901A CN202210538701.5A CN202210538701A CN114720901A CN 114720901 A CN114720901 A CN 114720901A CN 202210538701 A CN202210538701 A CN 202210538701A CN 114720901 A CN114720901 A CN 114720901A
- Authority
- CN
- China
- Prior art keywords
- lithium ion
- ion battery
- rvm
- health
- discharge voltage
- 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.)
- Pending
Links
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 73
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 73
- 230000036541 health Effects 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000011156 evaluation Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 abstract description 15
- 229910052744 lithium Inorganic materials 0.000 abstract description 15
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 6
- 230000015556 catabolic process Effects 0.000 description 5
- 238000006731 degradation reaction Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000007599 discharging Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- QHGJSLXSVXVKHZ-UHFFFAOYSA-N dilithium;dioxido(dioxo)manganese Chemical compound [Li+].[Li+].[O-][Mn]([O-])(=O)=O QHGJSLXSVXVKHZ-UHFFFAOYSA-N 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明属于电池性能评估预测技术领域,具体涉及一种锂离子电池健康状态估计的方法;该方法包括:获取锂离子电池多次放电循环中不同时刻的放电电压数据;对放电电压数据进行预处理,得到健康因子数据集;将健康因子数据集输入到构建好的基于RVM的锂离子电池SOH估计模型中,得到锂离子电池SOH估计结果;本发明电池健康状态结果估计准确,源数据易获取,实现简单,其可用于锂电池容量估计、健康状态估计或剩余使用寿命预测,实用性高。
Description
技术领域
本发明属于电池性能评估预测技术领域,具体涉及一种锂离子电池健康状态估计的方法。
背景技术
随着全球能源危机愈演愈烈,清洁能源的发展变得越来越重要。近年来,我国电动汽车行业快速发展,电动汽车保有量持续增长,其中纯电动车占据主导地位。动力电池的使用越来越广泛,对于电池的管理与保护也显得更加重要。电池管理系统作为动力电池的心脏,其主要功能包括实时监测基本参数、热管理、剩余使用寿命(Remaining Useful Life,RUL)预测、在线诊断与预警、健康状态估计和人机交互等。其中,电池健康状态(State ofHealth,SOH)表征当前电池相对于新电池存储电能的能力,以百分比的形式表示电池从寿命开始到寿命结束期间所处的状态,用来定量描述当前电池的性能状态。SOH研究对电池的使用、维护和评估有很高价值,可为电池的规划、政策和产业发展提供依据和参考。因此,如果能够较为准确估计锂离子电池的健康状态,那么对于锂离子电池的管理与保护都有重要的意义。
通过分析锂离子电池结构及其工作原理,可以剖析锂电池SOH退化影响因素,电池运行的温度、充放电倍率、放电深度、循环区间和充放电截止电压等都会对电池的健康状态产生影响。SOH估计是电动汽车锂离子电池健康管理的重要组成部分,由于电池的SOH受循环区间、历史数据和故障机制等多种因素的影响,很难直接计算SOH,所以可以考虑用其他特征参数间接得到SOH。电池的容量和内阻通常被称为直接健康因子,其常用于电池的SOH估计和RUL预测中,但测量电池的容量和内阻需要昂贵的仪器并且测量过程十分耗时,这就使得在线测量这些数据极为困难。因此,如果能在电压、电流和温度等容易在线监测的参数中提取出一些新的健康因子替代容量或内阻,那么将使锂离子电池的SOH预测工作变得更简单以及SOH预测结果更准确。
发明内容
针对现有技术存在的不足,本发明提出了一种锂离子电池健康状态估计的方法,该方法包括:获取锂离子电池多次放电循环中不同时刻的放电电压数据;对放电电压数据进行预处理,得到健康因子数据集;将健康因子数据集输入到构建好的基于RVM的锂离子电池SOH估计模型中,得到锂离子电池SOH估计结果;其中,基于RVM的锂离子电池SOH估计模型为采用RVM算法的锂离子电池SOH估计模型。
优选的,对放电电压数据进行预处理的过程包括:对放电电压数据作剔除异常值处理,将剔除异常值后的放电电压数据统一数据长度处理,得到数据长度统一的放电电压数据;对数据长度统一的放电电压数据进行进一步处理,得到平均电压降,将平均电压降作为健康因子。
进一步的,数据长度统一的放电电压数据为:
Ui=[Ui1,Ui2,…,Uij]
其中,Ui表示第i次放电循环的放电电压集合,Uij表示第i次放电循环中第j个放电电压值。
进一步的,得到平均电压降的公式为:
其中,AVDi表示第i次放电循环的平均电压降,Uik表示第i次放电循环中第k个放电电压值,j表示放电电压数据长度的最大值。
优选的,构建基于RVM的锂离子电池SOH估计模型的过程包括:
S1:更新RVM算法中的相对最优高斯核函数参数λopt,得到优化的基于RVM的锂离子电池SOH估计模型;
S2:设置模型评价阈值;采用十折交叉验证法对优化的基于RVM的锂离子电池SOH估计模型进行验证,得到基于RVM的锂离子电池SOH估计模型的评价值;
S3:判断模型的评价值是否达到模型评价阈值,若是,则输出当前基于RVM的锂离子电池SOH估计模型,否则,返回步骤S1。
进一步的,优化RVM算法中的相对最优高斯核函数参数λopt的过程包括:设置相对最优核函数参数区域;根据相对最优高斯核函数参数λopt的位置调整相对最优核函数参数区域,找到相对最优高斯核函数参数λopt;根据找到的相对最优高斯核函数参数λopt更新模型中的RVM核函数参数,得到优化的基于RVM的锂离子电池SOH估计模型。
进一步的,高斯核函数为:
k(x,y)=exp(-λ||x-y||2)
其中,k(x,y)表示核函数矩阵,λ表示核函数参数,x表示健康因子,y表示电池健康状态SOH。
进一步的,基于RVM的锂离子电池SOH估计模型的评价值为:
本发明的有益效果为:本发明设计的锂离子电池健康状态估计的方法将平均电压降作为健康因子输入到基于RVM的锂离子电池SOH估计模型中评估锂电池的健康状态;平均电压降数据来源容易,与电池容量极强相关,本发明电池健康状态结果估计准确,源数据易获取,实现简单,其可用于锂电池容量估计、健康状态估计或剩余使用寿命预测,实用性高。
附图说明
图1为本发明中锂离子电池健康状态估计的流程图;
图2为本发明中7种锂电池部分循环的放电电压曲线图;
图3为本发明中基于RVM的锂离子电池SOH估计模型的构建成功流程图;
图4为本发明中7种锂电池健康状态估计结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提出了一种锂离子电池健康状态估计的方法,如图1所示,所述方法包括:获取锂离子电池多次放电循环中不同时刻的放电电压数据;对放电电压数据进行预处理,得到健康因子数据集;将健康因子数据集输入到构建好的基于RVM的锂离子电池SOH估计模型中,得到锂离子电池SOH估计结果。
相关向量机(Relevance Vector Machine,RVM)是一种稀疏概率模型,是一种核函数作为基函数且参数具有独立先验精度(方差)的特殊线性回归模型。本发明的基于RVM的锂离子电池SOH估计模型为采用RVM算法的锂离子电池SOH估计模型。
开展锂离子电池循环寿命测试实验,监测锂离子电池的运行过程,从中提取出锂离子电池放电过程的电压变化数据的过程包括:
为了选择具有代表性的实验对象,根据目前电动汽车动力电池常用的锂离子单体电池种类,本实验依次选用18650三元锂电池、18650钴酸锂电池、18650锰酸锂电池、21700三元锂电池、18650磷酸铁锂电池、32700磷酸铁锂电池和磷酸铁锂软包电池作为实验对象。其中,18650中18表示直径为18mm,65表示长度为65mm,0表示圆柱形电池,21700和32700参数含义同18650。磷酸铁锂软包电池的长度为170mm(不包含极耳),宽度为145mm,厚度为8mm。7种锂离子电池部分循环放电电压如图2所示。由图2可知,随着不断的充放电,放电电压曲线会逐渐左移即放电时间逐渐缩短,与SOH退化趋势保持正相关。因此,本发明选择放电电压作为锂电池性能退化特征参数,其主要原因为:一是虽然放电能量和放电功率随着SOH退化而下降,但其本质也是由放电电压变化而引起;二是放电电压数据容易获得;三是在放电电压数据基础上构建一种新的用于SOH估计的HI不仅容易获得,而且具有良好的通用性。
锂电池进行多次循环放,对放电过程中的放电电压进行测量,获取不同时刻的放电电压数据,对放电电压数据进行预处理,包括以下内容:
对放电电压数据作剔除异常值处理,主要操作为:一是去除实验过程中由外部因素引起的不完全充放电所导致的放电电压异常值;二是剔除由电池内置保护板引起的放电电压异常值。
将剔除异常值后的放电电压数据统一数据长度处理,得到数据长度统一的放电电压数据:随着反复的充放电,放电循环的电压数据长度不一致,考虑到为尽量减少信息损失,统一数据长度为最大值。当统一数据为最大时,会引起放电电压值缺失,缺省值用0填补;数据长度统一的放电电压数据为:
Ui=[Ui1,Ui2,…,Uij]
其中,Ui表示第i次放电循环的放电电压集合;Uij表示第i次放电循环中第j个放电电压值,其可能为第j个时刻放电电压测量值,也可能为用0填补的缺省值。
对数据长度统一的放电电压数据进行进一步处理,得到平均电压降(AverageVoltage Drop,AVD),将平均电压降作为健康因子,即:
其中,AVDi表示第i次放电循环的平均电压降,Uik表示第i次放电循环中第k个放电电压值,j表示放电电压数据长度的最大值。
对于某种电池,可得到该电池的健康因子数据集:
AVD=[AVD1,AVD2,…,AVDi]
采用平均电压降作为健康因子评估电池健康状态,操作简单,准确度高;引入皮尔逊相关系数和斯皮尔曼等级秩相关系数对选择平均电压降作为评估重要参数进行双重验证,其包括以下内容:
为了证明AVD是否能追踪锂离子电池容量退化趋势和其与容量的相关性,引入皮尔逊相关系数(Pearson Correlation Coefficient,PCC)和斯皮尔曼等级秩相关系数(Spearman Rank Correlation Coefficient,SRCC)进行双重验证。PCC的计算表达式为:
C=[C1,C2,…,Ci]
SRCC的计算步骤如下:
(1)将AVDi和Ci转化为在列向量AVD和C中的排名,记为R(AVDi)和R(Ci);
(2)计算R(AVDi)和R(Ci)之间的差异d,计算的表达式为:
(3)计算AVD和C之间的相关性SRCC,其表达式为:
综上,7种锂电池的PCC和SRCC如表1所示,其中PCC和SRCC的最小值分别为0.9880和0.9783。PCC和SRCC等级划分为:极强相关范围是0.8-1.0,强相关范围是0.6-0.8,中等程度相关范围是0.4-0.6,弱相关范围是0.2-0.4,极弱相关范围是0.0-0.2。结果表明7种锂电池的AVD与容量极强相关,能用于锂电池RUL预测。
表1AVD与放电容量的相关性系数
如图3所示,构建基于RVM的锂离子电池SOH估计模型的过程包括:
S1:更新RVM算法中的相对最优高斯核函数参数λopt,得到优化的基于RVM的锂离子电池SOH估计模型。
更新模型中RVM的λ为相对最优的λ,在建立相对优化的模型的同时,也解决了模型中RVM的核函数参数的初始值难确定的问题;寻找λopt的思路为根据经验先设置核函数参数区域,再根据λopt在区域中的位置不断调整。如果相对最优的核函数参数落在区域两端,则扩大与其位置相对应一端的范围,为加快计算速度,同时缩小另一端的取值,直到λopt落在整个区域中。接下来将寻优的区域缩小为靠近λopt参数的范围,同时减小间隔,间隔最小为0.1,直到找到λopt,之后更新模型中的RVM核函数参数为λopt,得到优化的基于RVM的锂离子电池SOH估计模型即优化型RVM。
高斯核函数为:
k(x,y)=exp(-λ||x-y||2)
其中,k(x,y)表示核函数矩阵,λ表示核函数参数,x表示健康因子,y表示电池健康状态SOH。
S2:设置模型评价阈值;采用十折交叉验证法对优化的基于RVM的锂离子电池SOH估计模型进行验证,得到基于RVM的锂离子电池SOH估计模型的评价值。
模型评价阈值根据经验设置,优选的,RMSE设置0.9,表示模型效果良好。
通过留出法将健康因子数据集划分为70%的训练集和30%的测试集;十折交叉验证法的原理是将数据集分割成10个数据子集,依次取9个数据子集训练模型,剩下的1个数据子集验证模型,遍历十次,取10次验证误差的平均值评价模型的性能。在训练和验证模型的过程中,使用均方根误差(Root Mean Square Error,RMSE)来评价每一次交叉验证的结果;基于RVM的锂离子电池SOH估计模型的评价值为:
S3:判断模型的评价值是否达到模型评价阈值,若是,则输出当前基于RVM的锂离子电池SOH估计模型,否则,返回步骤S1。
构建好基于RVM的锂离子电池SOH估计模型后,将健康因子数据集输入到构建好的基于RVM的锂离子电池SOH估计模型中,设置SOH的预测起点(Starting Point,SP)为50,得到锂离子电池SOH估计结果。
对基于RVM的锂离子电池SOH估计模型进行评价,包括以下内容:
如图4所示,从整体上来看,AVD在7种锂电池上均有不错的表现,无论预测起点为多少,还是预测的长期性,健康状态估计曲线基本与真实曲线保持一致,AVD总能跟随健康状态衰退趋势。为综合评价RVM健康状态估计模型的性能,引入平均绝对误差(MeanAbsolute Error,MAE)和决定系数R2进行多重验证:
RVM健康状态估计模型验证结果见表2,当预测起点设置为50时,MAE、RMSE的最大值分别为0.0016、0.0020,R2的最小值为0.9791,R2的取值范围为0~1,越接近1,表明模型对数据拟合的能力越强。实验表明AVD不仅具有有效性和高通用性,还具有高泛化性。此外,侧面反映使用AVD结合RVM不仅能够准确估计锂离子电池的健康状态,并且能应用在不同锂电池上。
表2RVM健康状态估计模型验证结果
本发明设计的锂离子电池健康状态估计的方法将平均电压降作为健康因子输入到基于RVM的锂离子电池SOH估计模型中评估锂电池的健康状态;平均电压降数据来源容易,与电池容量极强相关,本发明电池健康状态结果估计准确,源数据易获取,实现简单,其可用于锂电池容量估计、健康状态估计或剩余使用寿命预测,实用性高。
以上所举实施例,对本发明的目的、技术方案和优点进行了进一步的详细说明,所应理解的是,以上所举实施例仅为本发明的优选实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种锂离子电池健康状态估计的方法,其特征在于,包括:获取锂离子电池多次放电循环中不同时刻的放电电压数据;对放电电压数据进行预处理,得到健康因子数据集;将健康因子数据集输入到构建好的基于RVM的锂离子电池SOH估计模型中,得到锂离子电池SOH估计结果;其中,基于RVM的锂离子电池SOH估计模型为采用RVM算法的锂离子电池SOH估计模型。
2.根据权利要求1所述的一种锂离子电池健康状态估计的方法,其特征在于,对放电电压数据进行预处理的过程包括:对放电电压数据作剔除异常值处理,将剔除异常值后的放电电压数据统一数据长度处理,得到数据长度统一的放电电压数据;对数据长度统一的放电电压数据进行进一步处理,得到平均电压降,将平均电压降作为健康因子。
3.根据权利要求2所述的一种锂离子电池健康状态估计的方法,其特征在于,数据长度统一的放电电压数据为:
Ui=[Ui1,Ui2,…,Uij]
其中,Ui表示第i次放电循环的放电电压集合,Uij表示第i次放电循环中第j个放电电压值。
5.根据权利要求1所述的一种锂离子电池健康状态估计的方法,其特征在于,构建基于RVM的锂离子电池SOH估计模型的过程包括:
S1:更新RVM算法中的相对最优高斯核函数参数λopt,得到优化的基于RVM的锂离子电池SOH估计模型;
S2:设置模型评价阈值;采用十折交叉验证法对优化的基于RVM的锂离子电池SOH估计模型进行验证,得到基于RVM的锂离子电池SOH估计模型的评价值;
S3:判断模型的评价值是否达到模型评价阈值,若是,则输出当前基于RVM的锂离子电池SOH估计模型,否则,返回步骤S1。
6.根据权利要求5所述的一种锂离子电池健康状态估计的方法,其特征在于,优化RVM算法中的相对最优高斯核函数参数λopt的过程包括:设置相对最优核函数参数区域;根据相对最优高斯核函数参数λopt的位置调整相对最优核函数参数区域,找到相对最优高斯核函数参数λopt;根据找到的相对最优高斯核函数参数λopt更新模型中的RVM核函数参数,得到优化的基于RVM的锂离子电池SOH估计模型。
7.根据权利要求5所述的一种锂离子电池健康状态估计的方法,其特征在于,高斯核函数为:
k(x,y)=exp(-λ||x-y||2)
其中,k(x,y)表示核函数矩阵,λ表示核函数参数,x表示健康因子,y表示电池健康状态SOH。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210538701.5A CN114720901A (zh) | 2022-05-18 | 2022-05-18 | 一种锂离子电池健康状态估计的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210538701.5A CN114720901A (zh) | 2022-05-18 | 2022-05-18 | 一种锂离子电池健康状态估计的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114720901A true CN114720901A (zh) | 2022-07-08 |
Family
ID=82232114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210538701.5A Pending CN114720901A (zh) | 2022-05-18 | 2022-05-18 | 一种锂离子电池健康状态估计的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114720901A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117825975A (zh) * | 2024-03-05 | 2024-04-05 | 烟台海博电气设备有限公司 | 基于数据驱动的锂离子电池soh评估方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549030A (zh) * | 2018-03-14 | 2018-09-18 | 重庆邮电大学 | 基于电压关键特性的锂电池在线健康状态快速预测方法 |
CN110187281A (zh) * | 2019-05-22 | 2019-08-30 | 天津大学 | 基于充电阶段健康特征的锂电池健康状态估算的方法 |
CN113281671A (zh) * | 2021-06-28 | 2021-08-20 | 长安大学 | 一种基于igs-svm的锂离子电池剩余使用寿命预测方法及系统 |
CN114295994A (zh) * | 2021-12-23 | 2022-04-08 | 重庆邮电大学 | 一种基于pca-rvm的锂离子电池剩余使用寿命预测方法 |
-
2022
- 2022-05-18 CN CN202210538701.5A patent/CN114720901A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549030A (zh) * | 2018-03-14 | 2018-09-18 | 重庆邮电大学 | 基于电压关键特性的锂电池在线健康状态快速预测方法 |
CN110187281A (zh) * | 2019-05-22 | 2019-08-30 | 天津大学 | 基于充电阶段健康特征的锂电池健康状态估算的方法 |
CN113281671A (zh) * | 2021-06-28 | 2021-08-20 | 长安大学 | 一种基于igs-svm的锂离子电池剩余使用寿命预测方法及系统 |
CN114295994A (zh) * | 2021-12-23 | 2022-04-08 | 重庆邮电大学 | 一种基于pca-rvm的锂离子电池剩余使用寿命预测方法 |
Non-Patent Citations (3)
Title |
---|
YANRU YANG 等: "State of Health Prediction of Lithium-Ion Batteries Based on the Discharge Voltage and Temperature", 《ELECTRONICS》, vol. 10, 21 June 2021 (2021-06-21), pages 3 * |
YAPENG ZHOU 等: "A novel health indicator for on-line lithium-ion batteries remaining useful life prediction", 《JOURNAL OF POWER SOURCES》, vol. 321, 3 May 2016 (2016-05-03), pages 1 - 10, XP029541746, DOI: 10.1016/j.jpowsour.2016.04.119 * |
YONG ZHOU 等: "Remaining useful life prediction with probability distribution for lithium-ion batteries based on edge and cloud collaborative computation", 《JOURNAL OF ENERGY STORAGE》, vol. 44, 1 December 2021 (2021-12-01), pages 1 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117825975A (zh) * | 2024-03-05 | 2024-04-05 | 烟台海博电气设备有限公司 | 基于数据驱动的锂离子电池soh评估方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | A fractional-order model-based battery external short circuit fault diagnosis approach for all-climate electric vehicles application | |
Xiong et al. | Towards a smarter battery management system: A critical review on battery state of health monitoring methods | |
Wei et al. | Internal resistance identification in vehicle power lithium-ion battery and application in lifetime evaluation | |
CN112834945B (zh) | 评估模型建立方法、电池健康状态评估方法及相关产品 | |
CN113447828B (zh) | 一种基于贝叶斯神经网络的锂电池温度估计方法及系统 | |
CN113281671A (zh) | 一种基于igs-svm的锂离子电池剩余使用寿命预测方法及系统 | |
Kang et al. | A comparative study of fault diagnostic methods for lithium-ion batteries based on a standardized fault feature comparison method | |
CN110045291B (zh) | 一种锂电池容量估计方法 | |
CN111983474A (zh) | 一种基于容量衰退模型的锂离子电池寿命预测方法和系统 | |
CN117805649A (zh) | 基于soh量化电池容量衰减对异常电芯进行识别的方法 | |
Kamali et al. | Novel SOH estimation of lithium-ion batteries for real-time embedded applications | |
CN114720901A (zh) | 一种锂离子电池健康状态估计的方法 | |
CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
CN113687251A (zh) | 一种基于双模型的锂离子电池组电压异常故障诊断方法 | |
CN114184972A (zh) | 数据驱动与电化学机理结合的电池soh自动估计方法及设备 | |
CN113884884A (zh) | 一种基于相关性的动力电池组故障诊断方法及系统 | |
Selvabharathi et al. | Estimating the state of health of lead-acid battery using feed-forward neural network | |
CN115792634A (zh) | 一种基于云端在线数据的电池单体电压采样故障识别方法 | |
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 | |
CN115128468A (zh) | 一种化学储能电池phm欠压故障预测方法 | |
Ang et al. | Linear model for online state of health estimation of lithium-ion batteries using segmented discharge profiles | |
CN111190112B (zh) | 一种基于大数据分析的电池充放电预测方法及系统 | |
CN113466712A (zh) | 一种电池剩余容量的获取方法 | |
CN114740356A (zh) | 一种相似电压序列的动力电池剩余寿命间接预测方法 | |
Yang et al. | Remaining Useful Life Prediction of Lithium-ion Batteries with Limited Degradation History Using Random Forest |
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 |