CN114935725A - 一种电池soh预测方法、存储介质及系统 - Google Patents
一种电池soh预测方法、存储介质及系统 Download PDFInfo
- Publication number
- CN114935725A CN114935725A CN202210615827.8A CN202210615827A CN114935725A CN 114935725 A CN114935725 A CN 114935725A CN 202210615827 A CN202210615827 A CN 202210615827A CN 114935725 A CN114935725 A CN 114935725A
- Authority
- CN
- China
- Prior art keywords
- battery
- soh
- charging
- capacity
- acquiring
- 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
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
-
- 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
本发明提供一种电池SOH预测方法、存储介质及系统,至少包括:设定第一温度及第一倍率,对参考电池进行循环衰减操作,使参考电池衰减至参考容量,获取参考电池在每一次衰减操作中的充电数据;基于电压变化率从充电数据得到参考电池的充电曲线,并获取充电曲线的拐点位置;计算参考电池在每一次衰减操作中从拐点位置到充电截止位置的当前容量,通过当前容量获取电池平衡参数;基于电池平衡参数获取对应的SOH值,并建立电池平衡参数与SOH值的特征关系图;获取所述测试电池的SOH值,完成SOH预测。在电池充电过程中,有效地消除电池的迟滞效应,获取到的拐点位置准确,建立的特征关系图精度高。具有特征明显,计算量小,应用场景广泛。
Description
技术领域
本发明涉及电池管理技术领域,特别是涉及一种电池SOH预测方法、存储介质及系统。
背景技术
在全世界大力提倡能源节约和低碳减排等各项提议的背景下,电动汽车呈现了良好的发展趋势。为了保证电动汽车的可靠运行,电池的健康状态估计已经成为行业的重点和难点,成为了行业当前的研究热点。SOH(state of health,为电池健康度),表示为电池当前的容量与出厂容量的百分比,目前主要通过内阻的增加或容量的交底来衡量电池的老化程度。通常情况下,SOH会影响电池的内阻;同时环境温度亦会影响内阻,尤其是低频下的电化学动力学过程受到扩散控制;大容量的电池通常内阻很小,其变化幅度较小,需要高精度的测试手段测量SOH。对于磷酸铁锂电池来说,其内阻的变化随着电池的老化并没有发生明显的改变,因此,通过内阻无法衡量磷酸铁锂电池的老化程度。
目前研究SOH的方法众多,主要分为直接测量法、基于电池模型的滤波估计法、基于数据驱动的方法。随着车联网和大数据时代的到来,数据驱动的方法逐渐成为电池SOH估计的主流。如何提取电池中的有效特征来估计电池的SOH成为行业内的主要研究方向。
发明内容
鉴于以上所述现有技术的缺点,本发明的目的在于提供一种电池SOH预测方法、存储介质及系统,用于解决现有技术中电池无法通过满容量放电进行SOH计算、电池的迟滞效应影响SOH的获取、SOH获取过程中计算量大以及应用场景相对狭窄的问题。
为实现上述目的及其他相关目的,本发明提供一种电池SOH预测方法,所述电池SOH预测方法至少包括:
1)设定第一温度及第一倍率,对参考电池进行循环衰减操作,使所述参考电池衰减至参考容量,获取所述参考电池在每一次衰减操作中的充电数据;
2)基于电压变化率从所述充电数据得到所述参考电池的充电曲线,并获取所述充电曲线的拐点位置;
3)计算所述参考电池在每一次衰减操作中从拐点位置到充电截止位置的当前容量,通过当前容量获取电池平衡参数,其中,所述电池平衡参数等于负极容量与正极容量的比值;
4)基于电池平衡参数获取对应的SOH值,并建立电池平衡参数与SOH值的特征关系图,其中,所述特征关系图为基于电池平衡参数与SOH值建立的横纵坐标图;
5)设定第二温度及第二倍率,对测试电池进行循环衰减操作,计算所述测试电池从拐点位置到充电截止位置的当前容量,基于当前容量查询步骤4)中的所述特征关系图,获取所述测试电池的SOH值,完成SOH预测,其中,所述第二倍率与所述第一倍率相等。
可选地,所述第一温度的范围为[30摄氏度,50摄氏度]。
可选地,所述第二温度与所述第一温度的差值的绝对值为k,其中,k为大于等于0且小于等于5的自然数。
可选地,所述第一倍率与所述第二倍率均为0.1C或0.15C或0.2C或0.25C或0.3C或0.33C,其中,1C表示电池一小时完全放电时的电流强度。
可选地,所述循环衰减操作的次数为100次或200次或300次或500次。
可选地,所述参考容量为n%,其中,n为大于0且小于等于m的自然数,其中,m等于80或85或90。
可选地,所述拐点位置的获取过程包括:所述参考电池的充电曲线从第一状态到第二状态的过程中,充电曲线的斜率由变大到变小的转折点,所述转折点为所述拐点位置。
本发明提供一种存储介质,所述存储介质包括一个或多个程序,所述一个或多个程序包括用于执行所述电池SOH预测方法的指令。
本发明提供一种电池SOH预测系统,用于实现所述电池SOH预测方法,所述电池SOH预测系统包括:
模块一:设定第一温度及第一倍率,对参考电池进行循环衰减操作,使所述参考电池衰减至参考容量,获取所述参考电池在每一次衰减操作中的充电数据;
模块二:基于电压变化率从所述充电数据得到所述参考电池的充电曲线,并获取所述充电曲线的拐点位置;
模块三:计算所述参考电池在每一次衰减操作中从拐点位置到充电截止位置的当前容量,通过当前容量获取电池平衡参数;
模块四:基于电池平衡参数获取对应的SOH值,并建立电池平衡参数与SOH值的特征关系图;
模块五:设定第二温度及第二倍率,对测试电池进行循环衰减操作,计算所述测试电池从拐点位置到充电截止位置的当前容量,基于当前容量查询所述模块四中的所述特征关系图,获取所述测试电池的SOH值,完成SOH预测。
可选地,所述模块一包括数据存储单元及数据处理单元,其中:所述数据存储单元用于存储所述充电数据,其中,所述充电数据包括:电压、电流及采样时间;所述数据处理单元用于对所述充电数据进行提取、数据清洗及数据拟合操作。
如上所述,本发明的一种电池SOH预测方法、存储介质及系统,具有以下有益效果:
1)本发明的电池SOH预测方法、存储介质及系统,在电池充电过程中,电流和温度受电池管理系统以及环境的控制,有效地消除电池的迟滞效应,获取到的拐点位置准确,建立的特征关系图精度高。
2)本发明的电池SOH预测方法、存储介质及系统具有特征明显,计算量小,应用场景广泛。
附图说明
图1显示为本发明的电池SOH预测方法的功能流程示意图。
图2显示为本发明的电池SOH预测方法获取拐点位置的特征示意图。
图3显示为本发明的电池SOH预测系统的功能模块示意图。
元件标号说明
S1~S5 步骤
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。
请参阅图1至图2。需要说明的是,本实施例中所提供的图示仅以示意方式说明本发明的基本构想,图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
实施例一
如图1及图2所示,本实施例提供一种电池SOH预测方法,所述电池SOH预测方法包括:
S1:如图1所示,设定第一温度及第一倍率,对参考电池进行循环衰减操作,使所述参考电池到达参考容量,获取所述参考电池在每一次衰减操作中的充电数据。
具体地,作为示例,如图1所示,所述第一温度的范围为[30摄氏度,50摄氏度]。需要说明的是,参考电池尤其对于磷酸铁锂电池来说,进行循环衰减操作,让参考电池中的电解液充分浸润,正负极活物质中的某些活跃成分通过一定的反应失活,使得参考电池整体性能表现更稳定,通常需要将温度设置恰当,对活物质产生更多的劣化作用,控制得好,活跃成分完全反应,参考电池特性表现稳定,控制不好,反应过度,电学性能降低,IR增高(包括DCIR即直流电阻,在特定的载荷量和放电电流下的直流电阻;ACIR即交流电阻,使用1KHz的交流电源,采用四线制方法量测,包含电阻和反向电容值,一般来说,参考电池的交流电阻要小于直流电阻),甚至发生漏液等状况。
高温循环衰减后的参考电池性能更稳定,在循环衰减操作后,参考电池潜在的不良现象都会暴露出来:比如电压变化,厚度变化,内阻变化等,这些都是直接考验参考电池的安全和电化性能的综合指标。高温环境下缩短了电池的整个生命周期,参考电池在高温下指示加速了内部的化学反应,让正负极、隔膜、电解液等充分进行化学反应达到平衡,此时的参考电池性能才较为真实。由于参考电池在实际的工作过程中不可能满充满放,同时为了尽可能消除迟滞效应的不良影响,因此,将所述第一温度的范围设置成[30摄氏度,50摄氏度]是考虑了地球环境气候条件以及人类的生产活动中的能够接触到的高温温度范围,同时也考虑了参考电池工作过程中(包括充电过程和放电过程)由于内部的电化学反应从而释放热量造成周围环境的温度变化。需要进一步说明的是,所述第一温度的范围包括但不限于[30摄氏度,50摄氏度],通常情况下,电池的工作温度范围宽度为[-50摄氏度,85摄氏度],而军事级别、航天级别的电池等极限环境中应用的电池的工作温度范围宽度更大,上限温度能够达到100摄氏度以上,因此,所述第一温度的范围设置应考虑电池的属性,电池的应用领域,不以本实施例为限。
具体地,作为示例,如图1所示,所述第一倍率与所述第二倍率均为0.1C或0.15C或0.2C或0.25C或0.3C或0.33C,其中,1C表示电池一小时完全放电时的电流强度。需要说明的是,倍率是指电池在规定时间内放出其额定容量时所需要的电流值,在数值上,等于电池额定容量的倍数,通常以字母C表示,对于磷酸铁锂电池来说,其电池能量密度大,均匀输出电压高,自放电小,且没有记忆效应。如图2所示,当所述第一温度的范围为[30摄氏度,50摄氏度]时,将所述第一倍率设定为比如0.33C,得到的充电曲线的拐点位置更容易识别和分离,因此,所述第一倍率的设置应考虑第一温度、电池的电化学属性以及充电曲线的拐点位置的属性,不以本实施例为限。
具体地,作为示例,如图1所示,所述循环衰减操作的次数为100次或200次或300次或500次。需要说明的是,当所述第一温度的范围为[30摄氏度,50摄氏度]、所述第一倍率设定为比如0.33C,通常情况下需要进行300次循环衰减操作,参考电池衰减至参考容量,以进行充电曲线的拐点的分离操作。需要进一步说明的是,所述循环衰减操作的次数包括但不限于100次或200次或300次或500次,也可以为1000次或1500次或2000次,任意能够进行充电曲线的拐点的分离操作的循环衰减操作的次数均适用,在此不一一赘述。
具体地,作为示例,如图1所示,所述参考容量为n%,其中,n为大于0且小于等于m的自然数,其中,m等于80或85或90。需要说明的是,电池的容量,本实施例中指的是参考电池的容量,用以衡量存储电量的大小,表示在一定条件下(放电率、温度、截止电压等)参考电池放出的电量,通常以安培*小时为单位,分为实际容量、理论容量及额定容量。随着参考电池进行循环衰减操作,参考电池如磷酸铁锂电池的容量下降,一般情况下,当参考电池的容量衰减至额定容量的80%时,参考电池的使用寿命也将达到,所述充电曲线的拐点位置的获取就相对容易,需要进一步说明的是,所述参考容量的设置包括但不限于80%或85%或90%,任意能够使充电曲线的拐点位置容易获取的方式均适用,在此不一一赘述。
具体地,作为示例,如图1所示,获取所述参考电池在每一次衰减操作中的充电数据的过程包括:对所述充电数据进行提取、数据清洗及数据拟合。更具体地,所述充电数据包括:电压、电流以及采样时间。需要说明的是,在对参考电池进行每一次衰减操作中获取到的充电数据具有数据量庞大,并存在有无效数据,因此需要对充电数据进行提取、清洗及拟合操作,其中,清洗包括对充电数据重新审查和校验,将重复信息删除,纠正存在的错误,处理无效数据和缺失数据,最终使充电数据保持一致性,便于进行特征关系图的建立,提高处理速度,以及充电数据的价值。
S2:如图1所示,基于电压变化率从所述充电数据得到所述参考电池的充电曲线,并获取所述充电曲线的拐点位置。
具体地,作为示例,如图1所示,所述拐点位置的获取过程包括:所述参考电池的充电曲线从第一状态到第二状态的过程中,充电曲线的斜率由变大到变小的转折点,所述转折点为所述拐点位置。更具体地,所述第一状态表示为参考电池的SOC等于50%,所述第二状态表示为参考电池的SOC等于70%,其中,SOC等于1表示为电池完全充满电,需要说明的是,SOC(State of charge),即电池(本实施例中指参考电池和测试电池)荷电状态,用来反映电池的剩余容量,其数值上定义为剩余容量占电池容量的比值,常用百分数表示。其取值范围为0~1,当SOC=0时表示电池放电完全,当SOC=1时表示电池完全充满,SOC同样会影响电池的内阻。电池(包括本实施例中的参考电池与测试电池)在充电/放电的初期和末期,都有一段迅速上升期和迅速下降期,当电池充电时,离子从正极脱嵌,迁移到负极并嵌入。当正极离子脱嵌到一定数量后,受约翰-泰勒效应的影响,离子脱嵌将变得越来越困难,需要更多的能量才能从正极脱嵌。外部表现为极化电阻升高,电压急剧升高。放电时,离子从负极脱嵌,迁移到正极,并嵌入到正极的晶格中。当负极的离子数量下降到一定程度时,电极表面反应速率降低,内阻急剧增大,造成电池电压急速下降。通常情况下,出现拐点后,电池剩余容量不到电池总容量的10%(如果是充电,为到达充电截至位置的剩余容量;如果是放电,为到达放电截至位置的剩余容量)。因此,电池的“拐点现象”是不可避免的,当到达拐点后,继续充电/放电很容易产生因“电池电压过充或过放”及“过电流”等灾难性后果,对电池来说尤其可怕,也就是说,拐点是电池的薄弱点,通过分析充电曲线的拐点位置,能够反映出相对真实的电池平衡参数。
对于本实施例来说,末期的拐点现象说明电池(参考电池或测试电池)已经到了容量即将充满的末端,如图2所示,通过用电压的变化率来得到拐点的具体位置,其中,电压的变化率为电压的变化率与完成变化所用的时间的比值。需要补充说明的是,所述第一状态的设置包括但不限于本实施例提到的参考电池的SOC等于50%,所述第二状态的设置包括但不限于本实施例提到的参考电池的SOC等于70%,只要能够分析出充电曲线准确的拐点位置,能够反映出相对真实的电池平衡参数,进而完成准确的电池SOH预测,任意第一状态、第二状态以及任意拐点位置的获取方式均适用,不以本实施例为限。
S3:如图1所示,计算所述参考电池在每一次衰减操作中从拐点位置到充电截止位置的当前容量,通过当前容量获取电池平衡参数。
具体地,作为示例,如图1所示,所述电池平衡参数等于负极容量与正极容量的比值,需要说明的是,负极容量与正极容量的比值,即Negative/Positive的比值,参考电池如磷酸铁锂电池,容量的衰减主要表现为负极容量的衰减,因此,当所述参考电池进行循环衰减操作到达参考容量时,电池平衡参数也会随着循环衰减操作变化,呈正相关性。
S4:如图1所示,基于电池平衡参数获取对应的SOH值,并建立电池平衡参数与SOH值的特征关系图,其中,所述特征关系图为基于电池平衡参数与SOH值建立的横纵坐标图。
需要说明的是,特征关系图为电池平衡参数与SOH值的分布图,基于参考电池的电池平衡参数与SOH值对应关系建立特征关系图,方便进行大数据分析,当进行与参考电池同类型的电池进行循环衰减操作时,通过获取电池平衡参数,进一步得到SOH值,具有直接的预测效果,方便对电池进行分类聚类操作,对于电池标定尤其是出货具有广泛的指导意义。
S5:如图1所示,设定第二温度及第二倍率,对测试电池进行循环衰减操作,计算所述测试电池从拐点位置到充电截止位置的当前容量,基于当前容量查询步骤S4中的所述特征关系图,获取所述测试电池的SOH值,完成SOH预测,其中,所述第二倍率与所述第一倍率相等。
具体地,作为示例,如图1所示,所述第二温度与所述第一温度的差值的绝对值为k,其中,k为大于等于0且小于等于5的自然数。所述第二倍率与所述第一倍率相等。需要说明的是,所述测试电池与所述参考电池是同类型的电池,对所述测试电池进行SOH预测时,为了保持预测的精准度,所述第二温度与所述第一温度的差值控制在±5摄氏度以内,而第二倍率要和第一倍率保持一致,这是因为,电池在充电过程中,由于内部的电化学反应从而释放热量造成周围环境的温度变化,让第一温度和第二温度完全相等,操作起来较为困难,但让第二倍率与第一倍率保持一致,当测试电池的当前容量后,再从特征关系图中获取SOH值,能够保证SOH预测的准确性。需要进一步说明的是,如图2所示,两条曲线分别代表了SOH为n%与SOH为100%时的充电曲线,两条充电曲线基于电压变化率从充电数据获取得到,通过分析得到两条充电曲线的拐点位置,其中,拐点位置所在的电压值范围根据第一温度、第一倍率及参考电池的属性得到,通过本实施例,完成SOH的预测。
上述方法如果以软件功能单元的形式实现并作为独立的产品销售或者应用时,可以存储在一个计算机可读取存储介质中,也可以是多个计算机、服务器或网络设备等,只要能读取所述存储介质,任意设备均适用,不以本实施例为限。所述存储介质包括一个或多个程序,所述一个或者多个程序用于执行本实施例提供的所述的电池SOH预测方法的指令,该指令包括执行所述的电池SOH预测方法的全部或部分步骤。而所述存储介质包括:U盘、移动硬盘、私有云、公有云、只读存储器(ROM,Read Only Memory)、随机存储器(RAM,RandomAccess Memory)等各种可以存储程序代码的介质。
实施例二
本实施例提供一种电池SOH预测系统,用于实现实施例一中的所述电池SOH预测方法,所述电池SOH预测系统包括:
模块一:设定第一温度及第一倍率,对参考电池进行循环衰减操作,使所述参考电池衰减至参考容量,获取所述参考电池在每一次衰减操作中的充电数据。
具体地,作为示例,所述模块一包括数据存储单元及数据处理单元,其中:所述数据存储单元用于存储所述充电数据,其中,所述充电数据包括:电压、电流及采样时间;所述数据处理单元用于对所述充电数据进行提取、数据清洗及数据拟合操作。需要说明的是,所述数据存储单元提供数据库的功能,对所述充电数据进行分类存储,具备数据库基本的增、删、改、查的功能。所述数据处理单元对充电数据进行提取、清洗及拟合操作,其中,清洗包括对充电数据重新审查和校验,将重复信息删除,纠正存在的错误,处理无效数据和缺失数据,最终使充电数据保持一致性,便于进行特征关系图的建立,提高处理速度,以及充电数据的价值。
模块二:基于电压变化率从所述充电数据得到所述参考电池的充电曲线,并获取所述充电曲线的拐点位置。
模块三:计算所述参考电池在每一次衰减操作中从拐点位置到充电截止位置的当前容量,通过当前容量获取电池平衡参数。
模块四:基于电池平衡参数获取对应的SOH值,并建立电池平衡参数与SOH值的特征关系图。
模块五:设定第二温度及第二倍率,对测试电池进行循环衰减操作,计算所述测试电池从拐点位置到充电截止位置的当前容量,基于当前容量查询所述模块四中的所述特征关系图,获取所述测试电池的SOH值,完成SOH预测。综上所述,本发明的一种电池SOH预测方法、存储介质及系统,至少包括:设定第一温度及第一倍率,对参考电池进行循环衰减操作,使所述参考电池衰减至参考容量,获取所述参考电池在每一次衰减操作中的充电数据;基于电压变化率从所述充电数据得到所述参考电池的充电曲线,并获取所述充电曲线的拐点位置;计算所述参考电池在每一次衰减操作中从拐点位置到充电截止位置的当前容量,通过当前容量获取电池平衡参数;基于电池平衡参数获取对应的SOH值,并建立电池平衡参数与SOH值的特征关系图,其中,所述特征关系图为基于电池平衡参数与SOH值建立的横纵坐标图;设定第二温度及第二倍率,对测试电池进行循环衰减操作,计算所述测试电池从拐点位置到充电截止位置的当前容量,基于当前容量查询的所述特征关系图,获取所述测试电池的SOH值,完成SOH预测,其中,所述第二倍率与所述第一倍率相等。本发明的电池SOH预测方法、存储介质及系统,在电池充电过程中,电流和温度受电池管理系统以及环境的控制,有效地消除电池的迟滞效应,获取到的拐点位置准确,建立的特征关系图精度高。本发明的电池SOH预测方法、存储介质及系统具有特征明显,计算量小,应用场景广泛。所以,本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效,而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (10)
1.一种电池SOH预测方法,其特征在于,所述电池SOH预测方法至少包括:
1)设定第一温度及第一倍率,对参考电池进行循环衰减操作,使所述参考电池衰减至参考容量,获取所述参考电池在每一次衰减操作中的充电数据;
2)基于电压变化率从所述充电数据得到所述参考电池的充电曲线,并获取所述充电曲线的拐点位置;
3)计算所述参考电池在每一次衰减操作中从拐点位置到充电截止位置的当前容量,通过当前容量获取电池平衡参数,其中,所述电池平衡参数等于负极容量与正极容量的比值;
4)基于电池平衡参数获取对应的SOH值,并建立电池平衡参数与SOH值的特征关系图,其中,所述特征关系图为基于电池平衡参数与SOH值建立的横纵坐标图;
5)设定第二温度及第二倍率,对测试电池进行循环衰减操作,计算所述测试电池从拐点位置到充电截止位置的当前容量,基于当前容量查询步骤4)中的所述特征关系图,获取所述测试电池的SOH值,完成SOH预测,其中,所述第二倍率与所述第一倍率相等。
2.根据权利要求1所述的电池SOH预测方法,其特征在于:所述第一温度的范围为[30摄氏度,50摄氏度]。
3.根据权利要求2所述的电池SOH预测方法,其特征在于:所述第二温度与所述第一温度的差值的绝对值为k,其中,k为大于等于0且小于等于5的自然数。
4.根据权利要求1所述的电池SOH预测方法,其特征在于:所述第一倍率与所述第二倍率均为0.1C或0.15C或0.2C或0.25C或0.3C或0.33C,其中,1C表示电池一小时完全放电时的电流强度。
5.根据权利要求1所述的电池SOH预测方法,其特征在于:所述循环衰减操作的次数为100次或200次或300次或500次。
6.根据权利要求1所述的电池SOH预测方法,其特征在于:所述参考容量为n%,其中,n为大于0且小于等于m的自然数,其中,m等于80或85或90。
7.根据权利要求1所述的电池SOH预测方法,其特征在于:所述拐点位置的获取过程包括:所述参考电池的充电曲线从第一状态到第二状态的过程中,充电曲线的斜率由变大到变小的转折点,所述转折点为所述拐点位置。
8.一种存储介质,其特征在于:所述存储介质包括一个或多个程序,所述一个或多个程序包括用于执行如权利要求1-7任意一项所述的电池SOH预测方法的指令。
9.一种电池SOH预测系统,用于实现如权利1-7任意一项所述的电池SOH预测方法,其特征在于:所述电池SOH预测系统包括:
模块一:设定第一温度及第一倍率,对参考电池进行循环衰减操作,使所述参考电池衰减至参考容量,获取所述参考电池在每一次衰减操作中的充电数据;
模块二:基于电压变化率从所述充电数据得到所述参考电池的充电曲线,并获取所述充电曲线的拐点位置;
模块三:计算所述参考电池在每一次衰减操作中从拐点位置到充电截止位置的当前容量,通过当前容量获取电池平衡参数;
模块四:基于电池平衡参数获取对应的SOH值,并建立电池平衡参数与SOH值的特征关系图;
模块五:设定第二温度及第二倍率,对测试电池进行循环衰减操作,计算所述测试电池从拐点位置到充电截止位置的当前容量,基于当前容量查询所述模块四中的所述特征关系图,获取所述测试电池的SOH值,完成SOH预测。
10.根据权利要求9所述的电池SOH预测系统,其特征在于:所述模块一包括数据存储单元及数据处理单元,其中:所述数据存储单元用于存储所述充电数据,其中,所述充电数据包括:电压、电流及采样时间;所述数据处理单元用于对所述充电数据进行提取、数据清洗及数据拟合操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210615827.8A CN114935725A (zh) | 2022-05-31 | 2022-05-31 | 一种电池soh预测方法、存储介质及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210615827.8A CN114935725A (zh) | 2022-05-31 | 2022-05-31 | 一种电池soh预测方法、存储介质及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114935725A true CN114935725A (zh) | 2022-08-23 |
Family
ID=82866523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210615827.8A Pending CN114935725A (zh) | 2022-05-31 | 2022-05-31 | 一种电池soh预测方法、存储介质及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114935725A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112034356A (zh) * | 2020-09-09 | 2020-12-04 | 哈尔滨工业大学 | 基于gp-ukf的电动汽车动力电池在线soh估算方法 |
CN116626526A (zh) * | 2023-07-24 | 2023-08-22 | 宁德时代新能源科技股份有限公司 | 电池健康状态的检测方法、装置、终端及存储介质 |
-
2022
- 2022-05-31 CN CN202210615827.8A patent/CN114935725A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112034356A (zh) * | 2020-09-09 | 2020-12-04 | 哈尔滨工业大学 | 基于gp-ukf的电动汽车动力电池在线soh估算方法 |
CN112034356B (zh) * | 2020-09-09 | 2023-03-28 | 哈尔滨工业大学 | 基于gp-ukf的电动汽车动力电池在线soh估算方法 |
CN116626526A (zh) * | 2023-07-24 | 2023-08-22 | 宁德时代新能源科技股份有限公司 | 电池健康状态的检测方法、装置、终端及存储介质 |
CN116626526B (zh) * | 2023-07-24 | 2023-12-22 | 宁德时代新能源科技股份有限公司 | 电池健康状态的检测方法、装置、终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lyu et al. | A lead-acid battery's remaining useful life prediction by using electrochemical model in the Particle Filtering framework | |
Xiong et al. | Lithium-ion battery health prognosis based on a real battery management system used in electric vehicles | |
Xiong et al. | An electrochemical model based degradation state identification method of Lithium-ion battery for all-climate electric vehicles application | |
Stroe et al. | Accelerated lifetime testing methodology for lifetime estimation of lithium-ion batteries used in augmented wind power plants | |
Dong et al. | Dynamic Bayesian network-based lithium-ion battery health prognosis for electric vehicles | |
Duan et al. | Evaluation of battery inconsistency based on information entropy | |
Li et al. | State of charge estimation based on a simplified electrochemical model for a single LiCoO2 battery and battery pack | |
JP5683175B2 (ja) | 電気化学システムの計測不能な特性を推定する改良された方法 | |
Rezvanizaniani et al. | Review and recent advances in battery health monitoring and prognostics technologies for electric vehicle (EV) safety and mobility | |
Hua et al. | Finding a better fit for lithium ion batteries: A simple, novel, load dependent, modified equivalent circuit model and parameterization method | |
Zheng et al. | A novel capacity estimation method based on charging curve sections for lithium-ion batteries in electric vehicles | |
Bundy et al. | An electrochemical impedance spectroscopy method for prediction of the state of charge of a nickel-metal hydride battery at open circuit and during discharge | |
Takyi‐Aninakwa et al. | A strong tracking adaptive fading‐extended Kalman filter for the state of charge estimation of lithium‐ion batteries | |
Lyu et al. | A new method for lithium-ion battery uniformity sorting based on internal criteria | |
CN111458648B (zh) | 锂离子电池健康状态的在线检测方法 | |
CN114935725A (zh) | 一种电池soh预测方法、存储介质及系统 | |
Jiang et al. | Butler-Volmer equation-based model and its implementation on state of power prediction of high-power lithium titanate batteries considering temperature effects | |
CN104965179A (zh) | 一种锂离子蓄电池的温度组合电路模型及其参数识别方法 | |
CN112858941B (zh) | 一种磷酸铁锂动力电池加速试验与寿命评估方法 | |
Liu et al. | Battery degradation model and multiple-indicators based lifetime estimator for energy storage system design and operation: Experimental analyses of cycling-induced aging | |
Shin et al. | A statistical model of cell-to-cell variation in Li-ion batteries for system-level design | |
CN112083336A (zh) | 一种锂离子电池组电化学模型参数获取方法 | |
CN113391216A (zh) | 基于响应曲面设计的铅酸电池可用容量估算方法和装置 | |
Hamar et al. | Anode potential estimation in lithium-ion batteries using data-driven models for online applications | |
Shu et al. | Research on capacity characteristics and prediction method of electric vehicle lithium-ion batteries under time-varying operating conditions |
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 |