CN114814631B - 一种基于云计算与特征选择的锂电池在线寿命预测方法 - Google Patents
一种基于云计算与特征选择的锂电池在线寿命预测方法 Download PDFInfo
- Publication number
- CN114814631B CN114814631B CN202210441999.8A CN202210441999A CN114814631B CN 114814631 B CN114814631 B CN 114814631B CN 202210441999 A CN202210441999 A CN 202210441999A CN 114814631 B CN114814631 B CN 114814631B
- Authority
- CN
- China
- Prior art keywords
- current
- lithium battery
- voltage
- constant
- feature
- 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
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]
- G01R31/392—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
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Abstract
本发明公开了一种基于云计算与特征选择的车用锂电池在线寿命预测方法。本发明包括以下步骤：1采集全新锂电池的寿命和预设充放电循环区间相同恒流与恒压充电阶段的数据并存储至云端；2利用云计算分别获得当前锂电池的恒流、恒压充电模式阶段的数目分布特征集；3重复步骤1‑2，获得各个锂电池的寿命以及数目分布特征集；4将数目分布特征集进行融合后再特征选择，获得特征优化训练集；5训练并获得训练后的锂电池寿命预测回归模型；6在线预测时，采集并获得待预测锂电池的特征优化选择集，利用训练后的锂电池寿命预测回归模型预测当前待预测锂电池的循环寿命。本发明实现了锂电池寿命的精确预测，提升了可靠性。
Description
技术领域
本发明属于锂电池应用领域的一种锂电池在线寿命预测方法，具体涉及了一种基于云计算与特征选择的锂电池在线寿命预测方法。
背景技术
锂电池具有成本低、能量密度高、循环寿命长等优点，被广泛应用于固定式、便携式和交通等领域。寿命预测技术在加速锂电池新材料、新结构和新管理系统等技术的研发以及实际应用中锂电池的安全运行、预测维护和二次使用等方面都起着重要作用。然而，由于锂电池具有复杂的老化机理，且老化路径受设计、生产和应用过程中诸多因素的影响，使得在复杂的老化路径、广泛的设备可变性和多变的动态运行条件下实现简单、快速和精确的锂电池寿命预测成为了一项巨大挑战。此外，对于由数千个电池组成的大型锂电池组，由于电池之间不可避免的存在各种内在和外在差异，因此需要对每个电池进行单独的寿命预测，这将带来巨大的数据存储负担、计算负担和成本负担。同时，由于实际应用中锂电池的放电模式都是随机的，因此不能基于特定的放电测试来提取特征进行锂电池的在线寿命预测。一般情形下，锂电池的充电模式相比于放电模式更加固定，因此从充电数据中提取特征来预测锂电池寿命是更加理想的选择。此外，目前大量锂电池寿命预测方法都依赖精确的容量测量，而精确的容量测量需要锂电池荷电状态从零开始的完整充电过程数据，这不符合实际锂电池的使用方式。因此，设计和开发更好的基于充电数据且不依赖容量测量的锂电池寿命预测方法具有着重要意义。
云计算结合机器学习模型在进行大数据分析方面具有显著优势，被广泛应用于健康运维等领域，将云计算与机器学习模型应用于锂电池等复杂系统的智能运维，对于提升锂电池等复杂系统的可靠性、安全性和耐久性具有重大意义。
发明内容
为了解决现有技术的不足，本发明提出了一种基于云计算与特征选择的锂电池在线寿命预测方法。
本发明采用的方案是：
本发明包括以下步骤：
1)采集全新锂电池的循环寿命，同时采集当前锂电池在预设充放电循环区间中相同恒流、恒压充电模式阶段的电压、电流与时间数据并存储至云端；
2)基于云计算分别统计当前锂电池在预设充放电循环区间中相同恒流、恒压充电模式阶段的电压、电流与时间数据在对应电压-电流-时间三维空间中的数目累积分布，分别获得当前锂电池的恒流、恒压充电模式阶段的数目分布特征集；
3)重复步骤1)-2)对剩余锂电池均进行处理，获得所有锂电池的循环寿命以及在恒流、恒压充电模式阶段的数目分布特征集F1、F2；
4)将所有锂电池恒流、恒压充电模式阶段的数目分布特征集F1与F2进行融合，获得综合特征集；再利用特征选择方法对综合特征集进行特征选择，获得特征优化选择集，由特征优化选择集和对应的循环寿命构成特征优化训练集S；
5)基于特征优化训练集S对锂电池寿命预测回归模型进行训练，获得训练后的锂电池寿命预测回归模型；
6)在线预测时，采集待预测锂电池在预设充放电循环区间中相同恒流、恒压充电模式阶段的电压、电流与时间数据并存储至云端，计算获得对应的特征优化选择集，将特征优化选择集输入到训练后的锂电池寿命预测回归模型中进行预测，输出当前待预测锂电池的循环寿命。
所述步骤1)中，当前锂电池在预设充放电循环区间中相同恒流充电模式阶段的电压、电流与时间数据主要由预设充放电循环区间中各次充放电循环的相同恒流充电模式阶段的电压、电流与时间数据构成；每次充放电循环中，将达到恒流充电模式阶段的预设容量的时刻记为0，采集当前锂电池在当前次充放电循环的恒流充电模式阶段中各个采样点的电压与电流和记录各个采样点的时间，并作为当前锂电池在当前次充放电循环的恒流充电模式阶段中的电压、电流与时间数据；
所述步骤1)中，当前锂电池在预设充放电循环区间中相同恒压充电模式阶段的电压、电流与时间数据主要由预设充放电循环区间中各次充放电循环的相同恒压充电模式阶段的电压、电流与时间数据构成；每次充放电循环中，将达到恒压充电模式阶段的预设电流的时刻记为0，采集当前锂电池在当前次充放电循环的恒压充电模式阶段中各个采样点的电压与电流和记录各个采样点的时间，并作为当前锂电池在当前次充放电循环的恒压充电模式阶段中的电压、电流与时间数据。
所述步骤2)中，恒流、恒压充电模式阶段的数目分布特征集的获得方式相同，所述恒流充电模式阶段的数目分布特征集的获得方式具体为：
以电压为X轴，以电流为Y轴，以时间为Z轴，根据当前锂电池在预设充放电循环区间中相同恒流充电模式阶段下的电压、电流和时间的范围分别将X轴、Y轴和Z轴划分为m个等距离电压子区间、n个等距离电流子区间和p个等距离时间子区间后获得m×n×p个电压-电流-时间三维空间，将当前锂电池在预设充放电循环区间中相同恒流充电模式阶段下的电压、电流和时间数据绘制于电压-电流-时间三维空间；统计当前锂电池在预设充放电循环区间中累积的所有电压、电流和时间数据在各个三维子空间中分布的点数并作为当前锂电池的数目分布特征，并构成恒流充电模式阶段的数目分布特征集。
所述特征选择方法包括但不限于过滤法、包装法和嵌入法。
所述步骤6)中预设充放电循环区间与步骤1)中预设充放电循环区间相同，所述步骤6)中相同恒流、恒压充电模式阶段与步骤1)中相同恒流、恒压充电模式阶段相同。
所述锂电池寿命预测回归模型选择机器学习回归模型。
本发明的有益效果是：
本发明解决了实际应用中锂电池在线寿命预测依赖特定放电模式与精确容量测量的问题。将充电电压、电流与时间数据的空间分布特征应用到锂电池的在线寿命预测上，仅通过采集锂电池在特定次充放电循环区间相同恒流与恒压充电模式阶段的充电电压、电流与时间数据并统计获得在各个三维子空间的数目分布特征，进而进行特征选择并精确预测锂电池循环寿命，无需依赖实际锂电池应用中特定放电模式和精确容量测量，可用于不同实际应用场景中锂电池的在线寿命预测，有助于实际应用中锂电池更好的安全运行、预测维护和二次使用。
附图说明
图1是本发明的整体流程图。
图2是本发明实施例中选取的锂电池相同恒流与恒压充电模式阶段的示意图。
图3是本发明实施例中锂电池在第10次至100次充放电循环区间中相同恒流与恒压充电模式阶段的充电电压、电流与时间数据的分布示意图。
图4是本发明实施例中预测的锂电池的寿命与实际锂电池的寿命的差异图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
如图1所示，本发明包括以下步骤：
1)采集全新锂电池的循环寿命，同时采集当前锂电池在预设充放电循环区间中相同恒流、恒压充电模式阶段的电压、电流与时间数据并存储至云端；本实施例中采用磷酸铁锂电池，型号为A123 APR18650M1A。其恒流、恒压充电模式阶段的示意图如图2的(a)和(b)所示。预设充放电循环区间具体为：低次为第1-20次充放电循环中的一次，高次为第50次及以上充放电循环中的一次。具体实施时，低次为第10次充放电循环，高次为第200次充放电循环。锂电池的循环寿命为实验获得，对锂电池不断地进行充放电循环，当锂电池的实际总容量衰减为锂电池的初始总容量的80％时，则当前已进行的充放电循环次数为锂电池的循环寿命。
步骤1)中，当前锂电池在预设充放电循环区间中相同恒流充电模式阶段的电压、电流与时间数据主要由预设充放电循环区间中各次充放电循环的相同恒流充电模式阶段的电压、电流与时间数据构成；每次充放电循环中，将达到恒流充电模式阶段的预设容量的时刻记为0，本实施例中为0.88Ah，采集当前锂电池在当前次充放电循环的恒流充电模式阶段中各个采样点的电压与电流和记录各个采样点的时间，并作为当前锂电池在当前次充放电循环的恒流充电模式阶段中的电压、电流与时间数据；
步骤1)中，当前锂电池在预设充放电循环区间中相同恒压充电模式阶段的电压、电流与时间数据主要由预设充放电循环区间中各次充放电循环的相同恒压充电模式阶段的电压、电流与时间数据构成；每次充放电循环中，将达到恒压充电模式阶段的预设电流的时刻记为0，本实施例中为1A，采集当前锂电池在当前次充放电循环的恒压充电模式阶段中各个采样点的电压与电流和记录各个采样点的时间，并作为当前锂电池在当前次充放电循环的恒压充电模式阶段中的电压、电流与时间数据。
2)基于云计算分别统计当前锂电池在预设充放电循环区间中相同恒流、恒压充电模式阶段的电压、电流与时间数据在对应电压-电流-时间三维空间中的数目累积分布，分别获得当前锂电池的恒流、恒压充电模式阶段的数目分布特征集；
步骤2)中，恒流、恒压充电模式阶段的数目分布特征集的获得方式相同，恒流充电模式阶段的数目分布特征集的获得方式具体为：
以电压为X轴，以电流为Y轴，以时间为Z轴，根据当前锂电池在预设充放电循环区间中相同恒流充电模式阶段下的电压、电流和时间的范围分别将X轴、Y轴和Z轴划分为m个等距离电压子区间、n个等距离电流子区间和p个等距离时间子区间后获得m×n×p个电压-电流-时间三维空间，将当前锂电池在预设充放电循环区间中相同恒流充电模式阶段下的电压、电流和时间数据绘制于电压-电流-时间三维空间；统计当前锂电池在预设充放电循环区间中累积的所有电压、电流和时间数据在各个三维子空间中分布的点数并作为当前锂电池的数目分布特征，并构成恒流充电模式阶段的数目分布特征集。其中，落在下边界上的点属于当前三维子空间，落在上边界上的点不属于当前子空间。
具体实施时，如表1-3所示，恒流充电模式阶段下将X轴划分为19个等距离电压子区间，将Y轴划分为12个等距离电流子区间，将Z轴划分为11个等距时间子区间，并获得2508个二维子空间，如图3的(a)所示。
具体实施时，如表4-6所示，恒压充电模式阶段下将X轴划分为10个等距离电压子区间，将Y轴划分为20个等距离电流子区间，将Z轴划分为11个等距时间子区间，并获得2200个二维子空间，如图3的(b)所示。
表1恒流充电阶段的电压子区间划分(V)
| 3.40-3.41 | 3.41-3.42 | 3.42-3.43 | 3.43-3.44 | 3.44-3.45 | 3.45-3.46 | 3.46-3.47 | 3.47-3.48 | 3.48-3.49 | 3.49-3.50 |
| 3.50-3.51 | 3.51-3.52 | 3.52-3.53 | 3.53-3.54 | 3.54-3.55 | 3.55-3.56 | 3.56-3.57 | 3.57-3.58 | 3.58-3.59 |
表2恒流充电阶段的电流子区间划分(A)
| 0.9970-0.9975 | 0.9975-0.9980 | 0.9980-0.9985 | 0.9985-0.9990 | 0.9990-0.9995 | 0.9995-1.0000 |
| 1.0000-1.0005 | 1.0005-1.0010 | 1.0010-1.0015 | 1.0015-1.0020 | 1.0020-1.0025 | 1.0025-1.0030 |
表3恒流充电阶段的时间子区间划分(s)
| 0-1 | 1-2 | 2-3 | 3-4 | 4-5 | 5-6 | 6-7 | 7-8 | 8-9 | 9-10 |
| 10-11 |
表4恒压充电阶段的电压子区间划分(V)
| 3.5995-3.5996 | 3.5996-3.5997 | 3.5997-3.5998 | 3.5998-3.5999 | 3.5999-3.6000 | 3.6000-3.6001 |
| 3.6001-3.6002 | 3.6002-3.6003 | 3.6004-3.6004 | 3.6004-3.6005 |
表5恒压充电阶段的电流子区间划分(A)
| 0.00-0.05 | 0.05-0.10 | 0.10-0.15 | 0.15-0.20 | 0.20-0.25 | 0.25-0.30 | 0.30-0.35 | 0.35-0.40 | 0.40-0.45 | 0.45-0.50 |
| 0.50-0.55 | 0.55-0.60 | 0.60-0.65 | 0.65-0.70 | 0.70-0.75 | 0.75-0.80 | 0.80-0.85 | 0.85-0.90 | 0.90-0.95 | 0.95-1.00 |
表6恒压充电阶段的时间子区间划分(s)
| 0-1 | 1-2 | 2-3 | 3-4 | 4-5 | 5-6 | 6-7 | 7-8 | 8-9 | 9-10 |
| 10-11 |
3)重复步骤1)-2)对剩余锂电池均进行处理，获得所有锂电池的循环寿命以及在恒流、恒压充电模式阶段的数目分布特征集F1、F2；
4)将所有锂电池恒流、恒压充电模式阶段的数目分布特征集F1与F2进行融合，获得综合特征集；具体实施中，所有锂电池恒流、恒压充电模式阶段的数目分布特征集F1与F2的数量分别为2508与2200，综合特征集的特征数量为4708。再利用特征选择方法对综合特征集进行特征选择，获得特征优化选择集，由特征优化选择集和对应的循环寿命构成特征优化训练集S；特征选择方法包括但不限于过滤法、包装法和嵌入法。具体实施中，采用嵌入法进行特征选择。
5)基于特征优化训练集S对锂电池寿命预测回归模型进行训练，获得训练后的锂电池寿命预测回归模型；锂电池寿命预测回归模型选择机器学习回归模型。具体实施时，采用XGBoost模型。
6)在线预测时，采集待预测锂电池在预设充放电循环区间中相同恒流、恒压充电模式阶段的电压、电流与时间数据并存储至云端，计算获得对应的特征优化选择集，将特征优化选择集输入到训练后的锂电池寿命预测回归模型中进行预测，输出当前待预测锂电池的循环寿命。具体实施时，预测的锂电池的寿命与实际锂电池的寿命的偏差如图4所示。
步骤6)中预设充放电循环区间与步骤1)中预设充放电循环区间相同，步骤6)中相同恒流、恒压充电模式阶段与步骤1)中相同恒流、恒压充电模式阶段相同。
具体实施中，本发明与现有方法的精度对比表如表7所示，由表7可知，相比于已有的基于电压与电流二维空间分布特征的寿命预测方法，本发明提出的基于电压、电流与时间三维空间分布特征的寿命预测方法能够获得更高的寿命预测精度。
表7本发明与现有方法的精度对比表
Claims (5)
1.一种基于云计算与特征选择的锂电池在线寿命预测方法，其特征在于，包括以下步骤：
1) 采集全新锂电池的循环寿命，同时采集当前锂电池在预设充放电循环区间中相同恒流、恒压充电模式阶段的电压、电流与时间数据并存储至云端；
2) 基于云计算分别统计当前锂电池在预设充放电循环区间中相同恒流、恒压充电模式阶段的电压、电流与时间数据在对应电压-电流-时间三维空间中的数目累积分布，分别获得当前锂电池的恒流、恒压充电模式阶段的数目分布特征集；
3) 重复步骤1)-2)对剩余锂电池均进行处理，获得所有锂电池的循环寿命以及在恒流、恒压充电模式阶段的数目分布特征集F1、F2；
4) 将所有锂电池恒流、恒压充电模式阶段的数目分布特征集F1与F2进行融合，获得综合特征集；再利用特征选择方法对综合特征集进行特征选择，获得特征优化选择集，由特征优化选择集和对应的循环寿命构成特征优化训练集S；
5) 基于特征优化训练集S对锂电池寿命预测回归模型进行训练，获得训练后的锂电池寿命预测回归模型；
6) 在线预测时，采集待预测锂电池在预设充放电循环区间中相同恒流、恒压充电模式阶段的电压、电流与时间数据并存储至云端，计算获得对应的特征优化选择集，将特征优化选择集输入到训练后的锂电池寿命预测回归模型中进行预测，输出当前待预测锂电池的循环寿命；
所述步骤2)中，恒流、恒压充电模式阶段的数目分布特征集的获得方式相同，所述恒流充电模式阶段的数目分布特征集的获得方式具体为：
以电压为X轴，以电流为Y轴，以时间为Z轴，根据当前锂电池在预设充放电循环区间中相同恒流充电模式阶段下的电压、电流和时间的范围分别将X轴、Y轴和Z轴划分为m个等距离电压子区间、n个等距离电流子区间和p个等距离时间子区间后获得m×n×p个电压-电流-时间三维空间，将当前锂电池在预设充放电循环区间中相同恒流充电模式阶段下的电压、电流和时间数据绘制于电压-电流-时间三维空间；统计当前锂电池在预设充放电循环区间中累积的所有电压、电流和时间数据在各个三维子空间中分布的点数并作为当前锂电池的数目分布特征，并构成恒流充电模式阶段的数目分布特征集。
2.根据权利要求1所述的一种基于云计算与特征选择的锂电池在线寿命预测方法，其特征在于，所述步骤1)中，当前锂电池在预设充放电循环区间中相同恒流充电模式阶段的电压、电流与时间数据主要由预设充放电循环区间中各次充放电循环的相同恒流充电模式阶段的电压、电流与时间数据构成；每次充放电循环中，将达到恒流充电模式阶段的预设容量的时刻记为0，采集当前锂电池在当前次充放电循环的恒流充电模式阶段中各个采样点的电压与电流和记录各个采样点的时间，并作为当前锂电池在当前次充放电循环的恒流充电模式阶段中的电压、电流与时间数据；
所述步骤1)中，当前锂电池在预设充放电循环区间中相同恒压充电模式阶段的电压、电流与时间数据主要由预设充放电循环区间中各次充放电循环的相同恒压充电模式阶段的电压、电流与时间数据构成；每次充放电循环中，将达到恒压充电模式阶段的预设电流的时刻记为0，采集当前锂电池在当前次充放电循环的恒压充电模式阶段中各个采样点的电压与电流和记录各个采样点的时间，并作为当前锂电池在当前次充放电循环的恒压充电模式阶段中的电压、电流与时间数据。
3.根据权利要求1所述的一种基于云计算与特征选择的锂电池在线寿命预测方法，其特征在于，所述特征选择方法包括但不限于过滤法、包装法和嵌入法。
4.根据权利要求1所述的一种基于云计算与特征选择的锂电池在线寿命预测方法，其特征在于，所述步骤6)中预设充放电循环区间与步骤1)中预设充放电循环区间相同，所述步骤6)中相同恒流、恒压充电模式阶段与步骤1)中相同恒流、恒压充电模式阶段相同。
5.根据权利要求1所述的一种基于云计算与特征选择的锂电池在线寿命预测方法，其特征在于，所述锂电池寿命预测回归模型选择机器学习回归模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210441999.8A CN114814631B (zh) | 2022-04-25 | 2022-04-25 | 一种基于云计算与特征选择的锂电池在线寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210441999.8A CN114814631B (zh) | 2022-04-25 | 2022-04-25 | 一种基于云计算与特征选择的锂电池在线寿命预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114814631A CN114814631A (zh) | 2022-07-29 |
| CN114814631B true CN114814631B (zh) | 2023-07-18 |
Family
ID=82507039
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210441999.8A Active CN114814631B (zh) | 2022-04-25 | 2022-04-25 | 一种基于云计算与特征选择的锂电池在线寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114814631B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117074965B (zh) * | 2023-10-17 | 2023-12-12 | 深圳市神通天下科技有限公司 | 一种锂离子电池剩余寿命预测方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002162451A (ja) * | 2000-11-28 | 2002-06-07 | Nippon Telegr & Teleph Corp <Ntt> | リチウムイオン電池の容量推定方法、劣化判定方法および劣化判定装置ならびに劣化判定機能を具備したリチウムイオン電池パック |
| 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 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101097586B1 (ko) * | 2007-12-13 | 2011-12-22 | 파나소닉 주식회사 | 리튬 2차 전지의 수명 추정 방법과 열화 억제 방법, 수명 추정기와 열화 억제기, 그것을 이용한 전지 팩, 충전기 |
| CN106885994B (zh) * | 2017-04-01 | 2019-05-24 | 湖南银杏数据科技有限公司 | 基于恒压充电片段的锂电池剩余寿命快速检测法 |
| CN107015157B (zh) * | 2017-04-01 | 2019-04-16 | 湖南银杏数据科技有限公司 | 基于恒流等压升片段的锂电池剩余循环寿命在线快速测试法 |
| WO2020115761A1 (en) * | 2018-12-06 | 2020-06-11 | Sosaley Technologies Pvt. Ltd. | Cloud-based battery management system to predict battery life and battery health |
| CN109991542B (zh) * | 2019-03-27 | 2021-05-18 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
| JP7216870B2 (ja) * | 2020-10-15 | 2023-02-01 | 昭和電工株式会社 | リチウムイオンバッテリーの寿命予測方法、放電容量維持率予測方法、寿命予測プログラム、放電容量維持率予測プログラム及び情報処理装置 |
| CN112834927A (zh) * | 2021-01-06 | 2021-05-25 | 合肥工业大学 | 锂电池剩余寿命预测方法、系统、设备及介质 |
| CN113900033B (zh) * | 2021-09-23 | 2022-07-08 | 浙江大学 | 基于充电数据空间分布特征的锂电池在线寿命预测方法 |
-
2022
- 2022-04-25 CN CN202210441999.8A patent/CN114814631B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002162451A (ja) * | 2000-11-28 | 2002-06-07 | Nippon Telegr & Teleph Corp <Ntt> | リチウムイオン電池の容量推定方法、劣化判定方法および劣化判定装置ならびに劣化判定機能を具備したリチウムイオン電池パック |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114814631A (zh) | 2022-07-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106291372B (zh) | 一种新的锂离子动力电池剩余寿命预测方法 | |
| Xu et al. | A novel clustering algorithm for grouping and cascade utilization of retired Li-ion batteries | |
| CN112034356B (zh) | 基于gp-ukf的电动汽车动力电池在线soh估算方法 | |
| CN108805217A (zh) | 一种基于支持向量机的锂离子电池健康状态估计方法及系统 | |
| CN101504443B (zh) | 一种锂离子电池放电容量的预测方法 | |
| CN104714189A (zh) | 一种电动汽车用电池组循环寿命的预测方法 | |
| CN105866700B (zh) | 一种锂离子电池快速筛选的方法 | |
| CN103412264B (zh) | 蓄电池组内单体电池一致性的评价方法 | |
| CN113900033B (zh) | 基于充电数据空间分布特征的锂电池在线寿命预测方法 | |
| CN110850323A (zh) | 一种退役三元锂电池加速衰减的评价方法及装置 | |
| Che et al. | Semi-supervised self-learning-based lifetime prediction for batteries | |
| CN114814631B (zh) | 一种基于云计算与特征选择的锂电池在线寿命预测方法 | |
| CN112350400A (zh) | 一种锂电池组无层级主被动均衡电路及方法 | |
| Yang et al. | Scientometric research and critical analysis of battery state-of-charge estimation | |
| WO2022237661A1 (zh) | 一种基于两点寿命特征的锂电池在线寿命预测方法 | |
| WO2022242058A1 (zh) | 针对现实新能源汽车的电池健康状态估计方法 | |
| CN113918889A (zh) | 基于充电数据空间分布特征的锂电池在线老化诊断方法 | |
| Zhu et al. | A novel fast estimation and regroup method of retired lithium‐ion battery cells | |
| Li et al. | Evaluation and analysis of circuit model for lithium batteries | |
| CN115800433A (zh) | 电池组一致性评估与等级评价方法及装置 | |
| Li et al. | Screening of retired lithium-Ion batteries using incremental capacity charging curve-based residual capacity estimation method for facilitating sustainable circular lithium-ion battery system | |
| Xiao et al. | Lithium-ion batteries fault diagnosis based on multi-dimensional indicator | |
| Sun et al. | Quick Evaluation of the State-of-Health of Spent Lithium-Ion Battery Modules | |
| Liu et al. | Fast screening of capacity and internal resistance for cascade utilization of the retired power lithium-ion batteries | |
| Yao et al. | Cycle life prediction of lithium ion battery based on DE-BP neural network |
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 |