CN115097317A - 一种锂离子电池容量估计方法及系统 - Google Patents
一种锂离子电池容量估计方法及系统 Download PDFInfo
- Publication number
- CN115097317A CN115097317A CN202210847833.6A CN202210847833A CN115097317A CN 115097317 A CN115097317 A CN 115097317A CN 202210847833 A CN202210847833 A CN 202210847833A CN 115097317 A CN115097317 A CN 115097317A
- Authority
- CN
- China
- Prior art keywords
- battery
- battery capacity
- capacity estimation
- lithium ion
- voltage interval
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 32
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 32
- 230000032683 aging Effects 0.000 claims abstract description 38
- 238000007599 discharging Methods 0.000 claims abstract description 31
- 238000007600 charging Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000010801 machine learning Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000010277 constant-current charging Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000007796 conventional method Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000010281 constant-current constant-voltage charging Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005562 fading Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000011160 research 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]
- G01R31/367—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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明属于锂离子电池技术领域,为了解决现有的锂离子电池容量估计方法存在适用性差,计算复杂且耗时时间长,而且电池容量估计精确度差的问题,提供了一种锂离子电池容量估计方法及系统。其中,该方法包括获取待估计容量的电池的初始电压,将相应电池充/放电至各个相邻的等电压间隔子区间并提取相应老化特征;基于预先训练的电池容量估计模型及提取的老化特征,确定出电池容量,其通过电池在任意初始电压下短时间的等电压间隔充/放电数据,能够实现电池容量的精准估计,节约时间成本,降低计算复杂度,适用性强。
Description
技术领域
本发明属于锂离子电池技术领域,尤其涉及一种锂离子电池容量估计方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
锂离子电池广泛应用于电动汽车和储能电站等新能源领域。容量是锂离子电池的重要性能参数之一,其不仅可以反映电池当前最大能够提供的能量,还可以表征电池的健康状态。然而,锂离子电池容量衰退机理复杂,如何实现可靠的电池容量快速估计成为了当下研究的一大难点。
目前的锂离子电池容量估计方法大致可分为离线标定法、半经验模型法和数据驱动法三类。离线标定法是用按照一定标准对电池进行完整的充放电测试,这类方法操作简单,但耗时长。半经验模型法依赖于模型参数的精确辨识,但模型参数会受到温度、老化等多因素耦合影响,难以适用于复杂的实际工况。数据驱动法不依赖电池老化机理,通过建立老化特征与电池容存在以下两个问题:一是从整个或固定局部电压区间中提取老化特征,若该电压区间量之间的映射关系,则可实现高精度的电池容量估计,然而,现有电压区间量之间不存在映射关系,使得数据驱动方法失效,试验耗时长、适用性差;二是针对不同的电压区间需要建立多个电池容量估计模型,计算复杂度高。
综上所述,发明人发现,现有的锂离子电池容量估计方法存在适用性差,计算复杂且耗时时间长,而且电池容量估计精确度差的问题。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供一种锂离子电池容量估计方法及系统,其通过电池在任意初始电压下短时间的等电压间隔充/放电数据,能够实现电池容量的精准估计,节约时间成本,降低计算复杂度,适用性强。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种锂离子电池容量估计方法,其包括:
获取待估计容量的电池的初始电压,将相应电池充/放电至各个相邻的等电压间隔子区间并提取相应老化特征;
基于预先训练的电池容量估计模型及提取的老化特征,确定出电池容量;
其中,在预先训练电池容量估计模型的过程中,电池容量估计模型的输入量为从已知电池的各个等电压间隔子区间提取的老化特征,输出量为标定的容量;所述等电压间隔子区间由已知电池的整个恒流充/放电电压区间划分而成。
作为一种实施方式,按照预设充放电方法将相应电池充/放电至各个相邻的等电压间隔子区间。
其中,在估计电池容量以及预先训练电池容量估计模型的过程中,将相应电池充/放电的方法相同。
作为一种实施方式,所述老化特征的提取包括容量变化、能量变化、充/放电电压小波包能量熵以及充/放电电压样本熵。
作为一种实施方式,提取相应老化特征之后,还包括归一化处理的操作。
这样通过归一化处理操作提高了电池容量估计的精确性。
作为一种实施方式,所述电池容量估计模型采用机器学习算法构建而成。
其中,机器学习算法可为极限学习机、支持向量机等机器学习算法。
本发明的第二个方面提供一种锂离子电池容量估计系统,其包括:
特征提取模块,其用于获取待估计容量的电池的初始电压,将相应电池充/放电至各个相邻的等电压间隔子区间并提取相应老化特征;
容量确定模块,其用于基于预先训练的电池容量估计模型及提取的老化特征,确定出电池容量;
其中,在预先训练电池容量估计模型的过程中,电池容量估计模型的输入量为从已知电池的各个等电压间隔子区间提取的老化特征,输出量为标定的容量;所述等电压间隔子区间由已知电池的整个恒流充/放电电压区间划分而成。
作为一种实施方式,在所述特征提取模块中,按照预设充放电方法将相应电池充/放电至各个相邻的等电压间隔子区间。
作为一种实施方式,所述老化特征的提取包括容量变化、能量变化、充/放电电压小波包能量熵以及充/放电电压样本熵。
与现有技术相比,本发明的有益效果是:
(1)本发明的锂离子电池容量估计方法能够高效快速地估计出电池容量,而且能够根据电池任意初始状态下等电压间隔长度的充/放电数据,实现电池容量的快速精准估计,试验时长从三小时最多可缩短至十分钟,具有耗时短、适用性强的优点;
(2)相比于传统方法在不同的电压区间下需要构建多个电池容量估计模型,本发明提出的方法在任意等电压间隔下仅需要建立一个容量估计模型,这极大地提高了电池容量估计的效率,降低计算成本,极具应用前景;
(3)本发明将相应电池充/放电至各个相邻的等电压间隔子区间并提取相应老化特征,通过挖掘电池充放电动态数据中与老化相关性较高的新特征,从而提高了容量估计精度。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例的锂离子电池容量估计方法流程图;
图2是本发明实施例的不同电池的电压-电量关系图;
图3是本发明实施例的电池容量估计结果和误差图;
图4是本发明实施例的锂离子电池容量估计系统结构示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
参照图1,本实施例提供了一种锂离子电池容量估计方法,其具体包括如下步骤:
步骤1:获取待估计容量的电池的初始电压,将相应电池充/放电至各个相邻的等电压间隔子区间并提取相应老化特征。
在本实施例中,按照预设充放电方法将相应电池充/放电至各个相邻的等电压间隔子区间。
需要说明的是,预设充放电方法可采用恒流充放电方法,也可采用其他充放电方法,比如:按照先恒流-恒压充电、静置后再恒流放电的模式等。
其中,在估计电池容量以及预先训练电池容量估计模型的过程中,将相应电池充/放电的方法相同。
具体地,按照设定规则将整个恒流充/放电电压区间划分为若干等电压间隔子区间ΔUi(i=1,2……n);
本实施例中的区间划分规则为,假设完整的电池充电电压区间为V=[Vini,Vfin],根据安时积分法可得电池的充电容量C:
令电压窗口长度为ΔV,则整个充电区间被划分为M个等电压间隔子区间ΔUi:
对每个等电压间隔子区间ΔUi的电压和电量序列进行四类老化特征的提取,分别为容量变化F1、能量变化F2、充/放电电压小波包能量熵F3以及充/放电电压样本熵F4;本实施例中,不同老化电池的电压-电量关系如图2所示;
容量变化F1表示为如下格式:
其中,I为每个采样时刻对应的电流,t1为等电压间隔子区间的起始充/放电时刻,tk为等电压间隔子区间的终止充/放电时刻。
能量变化F2表示为如下格式:
其中,U表示每个采样时刻对应的电压。
充/放电电压小波包能量熵F3表示为如下格式:
Step a1:对长度为N的等电压间隔子区间ΔUi,进行j层小波包分解,得到2j个不同频带的子信号;
Step a2:对每一频带进行小波包重构,重构系数表示为Sj,k(k=0,1,…2j-1);
Step a3:计算每个频带的小波包能量值Ej,k(k=0,1,…2j-1):
Step a4:对每个频带做归一化处理,即
Step a5:根据Shannon信息熵理论,电压分解后第j层第k个小波包能量熵定义如下:
Step a6:第i个等电压间隔子区间ΔUi的小波包能量熵定义为:
充/放电电压样本熵F4表示为如下格式:
Step b1:对长度为N的等电压间隔子区间ΔUi,可以将电压序列表示为m维的矢量V(i):
V(i)=[v(i),v(i+1),…v(i+m-1)],i=1,2,…,N-m+1 (7)
Step b2:定义两个m维矢量Vm(i)和Vm(j)之间的最大距离为:
d[Vm(i),Vm(j)]=max[|Vm(i+k)-Vm(j+k)|],k∈(0,m-1) (8)
Step b3:给定相似容限阈值r,统计d[Vm(i),Vm(j)]≤r的数目,定义以下函数:
Step b4:进一步可得匹配点概率为:
Step b6:对于有限的N而言,样本熵可以表示为:
在具体实施过程中,提取相应老化特征之后,还包括归一化处理的操作。
本实施例中,由于提取的各类特征量纲不统一,因此对所有特征进行归一化处理,其公式为:
其中Xi为归一化后的数据,xmax为所输入数据中的最大值,xmin为所输入数据中的最小值。
这样通过归一化处理操作提高了电池容量估计的精确性。
步骤2:基于预先训练的电池容量估计模型及提取的老化特征,确定出电池容量。
其中,在预先训练电池容量估计模型的过程中,电池容量估计模型的输入量为从已知电池的各个等电压间隔子区间提取的老化特征,输出量为标定的容量;所述等电压间隔子区间由已知电池的整个恒流充/放电电压区间划分而成。
在预先训练电池容量估计模型的过程中,首先获取电池恒流充放电数据集,具体地,将若干电池置于温控箱内,在一定倍率下的对电池进行容量标定实验,并将标定的容量作为估计模型的输出。如:将若干电池置于温控箱内,在1/3C倍率下的对电池进行容量标定实验,采样频率设置为1Hz,实时记录电压、电流等数据。
本实施例中,以磷酸铁锂电池为测试对象,测试过程按照先恒流-恒压充电、静置后再恒流放电的模式进行,充放电截止电压分别为3.65V和2.0V。
作为一种实施方式,所述电池容量估计模型采用机器学习算法构建而成。
其中,机器学习算法可为极限学习机、支持向量机等机器学习算法。
本实施例中,通过极限学习机算法ELM建立电池容量估计模型。相比于传统的单隐层前馈神经网络,ELM具有训练参数少、学习速度快、泛化能力强等优点。ELM训练过程如下:首先获取全部电池的测试数据,然后从任意初始状态的等电压间隔充电片段中提取四类老化特征;最后对特征进行归一化处理,并以此为输入,电池容量为输出,完成对ELM模型的训练。
本实施例中,以等电压间隔区间的长度=0.1V为例进行具体说明。假设某锂离子电池初始电压为3.01V,则以1/3C倍率将该电池恒流充电至3.11V即可,同样另一节电池的初始电压为3.25V,则充电至3.35V即可,之后便可根据此充电片段提取四类老化特征。
本实施例中,将测试的电池按照6:4的比例分为训练组和测试组两组,其中训练组数据用于构建电池容量估计模型,测试组数据用于验证电池容量估计模型的精度,图3为基于ELM的电池容量估计结果和误差图,结果表明估计精度高。
实施例二
参照图4,本实施例提供了一种锂离子电池容量估计系统,其包括如下模块:
(1)特征提取模块,其用于获取待估计容量的电池的初始电压,将相应电池充/放电至各个相邻的等电压间隔子区间并提取相应老化特征。
在具体实施过程中,在所述特征提取模块中,按照预设充放电方法将相应电池充/放电至各个相邻的等电压间隔子区间。
其中,所述老化特征的提取包括容量变化、能量变化、充/放电电压小波包能量熵以及充/放电电压样本熵。
在所述特征提取模块中,提取相应老化特征之后,还包括归一化处理的操作。
(2)容量确定模块,其用于基于预先训练的电池容量估计模型及提取的老化特征,确定出电池容量;
其中,在预先训练电池容量估计模型的过程中,电池容量估计模型的输入量为从已知电池的各个等电压间隔子区间提取的老化特征,输出量为标定的容量;所述等电压间隔子区间由已知电池的整个恒流充/放电电压区间划分而成。
其中,所述电池容量估计模型采用机器学习算法构建而成。例如:极限学习机、支持向量机等机器学习算法。
此处需要说明的是,本实施例中的各个模块与实施例一中的各个步骤一一对应,其具体实施过程相同,此处不再累述。
本发明提供的锂离子电池容量估计方法可为存储有计算机程序。本发明是参照本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,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 (10)
1.一种锂离子电池容量估计方法,其特征在于,包括:
获取待估计容量的电池的初始电压,将相应电池充/放电至各个相邻的等电压间隔子区间并提取相应老化特征;
基于预先训练的电池容量估计模型及提取的老化特征,确定出电池容量;
其中,在预先训练电池容量估计模型的过程中,电池容量估计模型的输入量为从已知电池的各个等电压间隔子区间提取的老化特征,输出量为标定的容量;所述等电压间隔子区间由已知电池的整个恒流充/放电电压区间划分而成。
2.如权利要求1所述的锂离子电池容量估计方法,其特征在于,按照预设充放电方法将相应电池充/放电至各个相邻的等电压间隔子区间。
3.如权利要求1所述的锂离子电池容量估计方法,其特征在于,所述老化特征的提取包括容量变化、能量变化、充/放电电压小波包能量熵以及充/放电电压样本熵。
4.如权利要求1所述的锂离子电池容量估计方法,其特征在于,提取相应老化特征之后,还包括归一化处理的操作。
5.如权利要求1所述的锂离子电池容量估计方法,其特征在于,所述电池容量估计模型采用机器学习算法构建而成。
6.一种锂离子电池容量估计系统,其特征在于,包括:
特征提取模块,其用于获取待估计容量的电池的初始电压,将相应电池充/放电至各个相邻的等电压间隔子区间并提取相应老化特征;
容量确定模块,其用于基于预先训练的电池容量估计模型及提取的老化特征,确定出电池容量;
其中,在预先训练电池容量估计模型的过程中,电池容量估计模型的输入量为从已知电池的各个等电压间隔子区间提取的老化特征,输出量为标定的容量;所述等电压间隔子区间由已知电池的整个恒流充/放电电压区间划分而成。
7.如权利要求6所述的锂离子电池容量估计系统,其特征在于,在所述特征提取模块中,按照预设充放电方法将相应电池充/放电至各个相邻的等电压间隔子区间。
8.如权利要求6所述的锂离子电池容量估计系统,其特征在于,所述老化特征的提取包括容量变化、能量变化、充/放电电压小波包能量熵以及充/放电电压样本熵。
9.如权利要求6所述的锂离子电池容量估计系统,其特征在于,在所述特征提取模块中,提取相应老化特征之后,还包括归一化处理的操作。
10.如权利要求6所述的锂离子电池容量估计系统,其特征在于,所述电池容量估计模型采用机器学习算法构建而成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210847833.6A CN115097317A (zh) | 2022-07-19 | 2022-07-19 | 一种锂离子电池容量估计方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210847833.6A CN115097317A (zh) | 2022-07-19 | 2022-07-19 | 一种锂离子电池容量估计方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115097317A true CN115097317A (zh) | 2022-09-23 |
Family
ID=83299603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210847833.6A Pending CN115097317A (zh) | 2022-07-19 | 2022-07-19 | 一种锂离子电池容量估计方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115097317A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116930788A (zh) * | 2023-07-25 | 2023-10-24 | 国网江苏省电力有限公司镇江供电分公司 | 一种基于堆叠模型的储能电站锂电池容量估计方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111965560A (zh) * | 2020-08-24 | 2020-11-20 | 重庆大学 | 一种面向通用放电工况的电池健康状态估计方法 |
CN113640674A (zh) * | 2021-06-30 | 2021-11-12 | 昆明理工大学 | 基于优化高斯过程回归的锂离子电池可用容量估计方法 |
CN114578237A (zh) * | 2022-02-28 | 2022-06-03 | 西安交通大学 | 一种基于恒流充电时间的快速锂离子电池健康状态估计方法、系统及设备 |
CN114611597A (zh) * | 2022-03-07 | 2022-06-10 | 山东大学 | 基于rgan的锂离子电池健康状态估计方法及系统 |
-
2022
- 2022-07-19 CN CN202210847833.6A patent/CN115097317A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111965560A (zh) * | 2020-08-24 | 2020-11-20 | 重庆大学 | 一种面向通用放电工况的电池健康状态估计方法 |
CN113640674A (zh) * | 2021-06-30 | 2021-11-12 | 昆明理工大学 | 基于优化高斯过程回归的锂离子电池可用容量估计方法 |
CN114578237A (zh) * | 2022-02-28 | 2022-06-03 | 西安交通大学 | 一种基于恒流充电时间的快速锂离子电池健康状态估计方法、系统及设备 |
CN114611597A (zh) * | 2022-03-07 | 2022-06-10 | 山东大学 | 基于rgan的锂离子电池健康状态估计方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116930788A (zh) * | 2023-07-25 | 2023-10-24 | 国网江苏省电力有限公司镇江供电分公司 | 一种基于堆叠模型的储能电站锂电池容量估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110568361B (zh) | 一种动力电池健康状态的预测方法 | |
CN110146822B (zh) | 一种基于恒流充电过程的车用动力电池容量在线估计方法 | |
CN110398697B (zh) | 一种基于充电过程的锂离子健康状态估计方法 | |
US20220283240A1 (en) | Method and system for estimating state of health of battery pack | |
CN111308379B (zh) | 一种基于局部恒压充电数据的电池健康状态估计方法 | |
Song et al. | Model-based health diagnosis for lithium-ion battery pack in space applications | |
CN112067998A (zh) | 一种基于深度神经网络的锂离子电池荷电状态估计方法 | |
Zhang et al. | Remaining useful life estimation of lithium-ion batteries based on thermal dynamics | |
CN113391213B (zh) | 一种基于电池组一致性演变的电池微故障诊断方法 | |
CN109358293B (zh) | 基于ipf的锂离子电池soc估计方法 | |
CN112415414A (zh) | 一种锂离子电池剩余使用寿命预测方法 | |
Shi et al. | Estimation of battery state-of-charge using ν-support vector regression algorithm | |
CN111812515A (zh) | 基于XGboost模型的锂离子电池荷电状态估算 | |
CN112433170B (zh) | 一种串联电池组单体参数差异辨识方法 | |
CN115201686A (zh) | 一种不完备充放电数据下的锂离子电池健康状态评估方法 | |
CN114609523A (zh) | 一种电池容量的在线检测方法、电子设备及存储介质 | |
CN115097317A (zh) | 一种锂离子电池容量估计方法及系统 | |
CN114280494A (zh) | 一种基于云端协同的锂电池健康状态监测方法及装置 | |
CN111274539B (zh) | 一种基于交替最小二乘法的锂电池soh估计方法 | |
Dong et al. | State of health estimation and remaining useful life estimation for Li-ion batteries based on a hybrid kernel function relevance vector machine | |
Gruosso et al. | State of charge estimation of LiFePO4 battery used in electric vehicles using support vector regression, PCA and DP battery model | |
CN109001632B (zh) | 一种用于对补锂电池阶段寿命进行预测的方法及系统 | |
CN116381505A (zh) | 一种基于变分模态分解的动态工况条件的锂电池健康状态估计方法 | |
CN113255215B (zh) | 一种基于电压片段的锂电池健康状态估计方法 | |
CN116482539A (zh) | 基于多维数据驱动的电池荷电状态估计方法、系统、设备及介质 |
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 |