CN115097344A - 一种基于恒压充电片段的电池健康状态端云协同估计方法 - Google Patents
一种基于恒压充电片段的电池健康状态端云协同估计方法 Download PDFInfo
- Publication number
- CN115097344A CN115097344A CN202210690502.6A CN202210690502A CN115097344A CN 115097344 A CN115097344 A CN 115097344A CN 202210690502 A CN202210690502 A CN 202210690502A CN 115097344 A CN115097344 A CN 115097344A
- Authority
- CN
- China
- Prior art keywords
- charging
- constant
- battery
- data
- segment
- 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
- 238000010280 constant potential charging Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000036541 health Effects 0.000 title claims abstract description 15
- 238000007600 charging Methods 0.000 claims abstract description 102
- 238000005070 sampling Methods 0.000 claims abstract description 26
- 238000010277 constant-current charging Methods 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 238000003860 storage Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 16
- 238000013506 data mapping Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000010287 polarization Effects 0.000 claims description 6
- 238000010281 constant-current constant-voltage charging Methods 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000032683 aging Effects 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 5
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000012706 support-vector machine 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
-
- 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
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02T90/10—Technologies relating to charging of electric vehicles
- Y02T90/16—Information or communication technologies improving the operation of electric vehicles
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
一种基于恒压充电片段的电池健康状态端云协同估计方法，属于电池技术领域。本发明包括以下步骤：步骤1，获取电池恒流恒压充电测试数据，并截取恒压充电曲线的局部片段；基于该片段的不同采样密度数据进行选择性的HI、CV充电时间和CV充电容量特征提取；步骤2，采用皮尔逊相关系数来分析HI、CV充电时间和CV充电容量特征与电池容量的线性相关性，并构建特征映射库；步骤3，获取车辆充电数据，基于特征映射库进行电池SOH的端云协同估计。本发明提出了一种基于云端的SOH估计方法，在云端稀疏数据情况下也能获得满意的估计结果，这使得在“采样数据部分丢失、低成本的BMS算力和存储不足”等场景下，实现高精度且可靠的SOH估计成为可能。
Description
技术领域
本发明属于电池技术领域，具体是涉及一种基于恒压充电片段的电池健康状态端云协同估计方法。
背景技术
随着环境污染和能源安全的问题日益突出，大力发展清洁能源几乎成为世界各国的重大战略，尤其是以电动汽车为代表的新能源交通工具。作为在电动汽车上应用最为广泛的储能系统，锂离子电池具有能量密度高、使用寿命长和环保的优点。然而，作为电化学系统，锂离子电池在使用过程中会发生退化，导致安全性和动力性下降，甚至会出现不可控制的故障及更为严重的事故。因此，需要监视电池的健康状态(State of health,SOH)。
现有的先进SOH估计方法，如人工神经网络、支持向量机、高斯过程回归等能够实现较好的SOH估计精度，但这些方法一方面要求高质量的采样数据(如恒流/恒压充电或放电数据足够完整、采样频率足够高等)，这在实际应用中是不太容易满足的；另一方面要求足够的在线计算和存储能力，这在一些低成本BMS上难以实现。对于数据质量问题，由于充电数据稳定，近年来越来越多的研究开始关注基于充电数据提取特征进而估计SOH，但其特征提取的条件通常要求完整的恒压恒流(constant current-constant voltage,CCCV)或恒压(constant-voltage,CV)充电过程；对于算力和存储问题，基于云数据的监视和管理是一种有效方法，但汽车或电池企业在云端的数据记录周期通常为10～30秒，当前鲜有针对云端稀疏数据进行电池SOH估计的研究；
因此，提供一种方便获取、准确可靠且适用于云端稀疏数据的电池健康状态端估计方法，是该领域技术人员亟待解决的问题之一。
发明内容
本发明主要是解决上述现有技术所存在的技术问题，提供一种基于恒压充电片段的电池健康状态端云协同估计方法；针对CV充电过程不完整的典型场景，根据CV充电片段电流数据，从一阶等效电路模型中提取适用于恒压充电过程的健康因子(Healthindictor， HI)，并进一步提取CV充电时间特征和CV充电容量特征；在公共电池数据集下，分析发现，当采样数据密集时，上述三个特征与电池容量均存在强相关性；当采样数据稀疏时， HI仍与容量存在较高的相关性；利用上述多特征或单特征作为输入，可分别建立简单的线性回归模型来预测密集数据或稀疏数据下的电池SOH。
本发明的上述技术问题主要是通过下述技术方案得以解决的：一种基于恒压充电片段的电池健康状态端云协同估计方法，包括以下步骤：
步骤1，获取电池恒流恒压充电测试数据，并截取恒压充电曲线的局部片段；基于该片段的不同采样密度数据进行选择性的HI、CV充电时间和CV充电容量特征提取；
步骤2，采用皮尔逊相关系数来分析HI、CV充电时间和CV充电容量特征与电池容量的线性相关性，并构建特征映射库；
步骤3，获取车辆充电数据，基于特征映射库进行电池SOH的端云协同估计。
作为优选，步骤1包括如下步骤：
步骤1.1，获取电池恒流恒压充电测试数据，并截取恒压充电片段；其中，恒压充电片段包括采样时刻和电流；
步骤1.2，基于步骤1.1中的恒压充电片段依次提取HI、CV充电时间和CV充电容量特征；
步骤1.2.1，HI的提取是基于等效电路模型在CV阶段的外部电行为，使用戴维南模型作为描述电池外特性的模型：
其中，Rint是串联内阻，Cp是极化电容，Rp是极化内阻，Vp是一阶RC网络的电压， VOC是电池的开路电压，Il为负载电流；
对式(1)进行拉普拉斯变换和Z变换，得到：
其中，Ts是采样周期，k和k-1是当前采样时刻和上一周期采样时刻；
假设CV段Voc是关于SOC的线性函数，系数为m，不同电池老化程度下的m值有所差异，得到：
由于CV段电压不变，式(2)可以被简化为
Ik+1＝θs·Ik (4)
其中，
定义一个新参数h来描述新电池和旧电池，新电池的该值为1，老化越严重该值越接近于0，表达式如下：
令步骤1.1中的恒压充电片段电流数据为I＝(I1，I2，…，In)，将(I1，I2，…，In-1)和(I2，I3，…，In)分别作为最小二乘法的输入和输出，即可辨识得到每个循环下的HI；
步骤1.2.2：CV充电时间和CV充电容量特征即为步骤1.1中的恒压充电片段的采样消耗时间值和容量增长量：
Tstart和Tend分别是初始和截止采样时刻，timadd和capadd即为CV充电时间和CV充电容量；
步骤1.2.3：将步骤1.1中的恒压充电片段下采样得到稀疏数据片段，基于该片段采用步骤1.2.1提取HI。
作为优选，步骤2包括如下步骤：
步骤2.1：采用皮尔逊相关系数分别分析HI、CV充电时间和CV充电容量特征与电池容量的线性相关性，其计算公式如下：
其中p为特征序列，Q为容量序列，σp和σQ分别是特征序列和容量序列的平均值，ρ为相关系数；
步骤2.2：建立电池容量关于HI、CV充电时间和CV充电容量特征的预测模型，将步骤1.2.1中的HI序列、步骤1.2.2中的CV充电时间特征序列与CV充电容量特征序列及电池容量序列作为训练集，得到训练好的模型参数组后作为密集数据映射库；同理，建立电池容量关于HI的预测模型，将步骤1.2.3中的HI序列及电池容量序列作为训练集，得到训练好的模型参数组后作为稀疏数据映射库。
作为优选，步骤3包括如下步骤：
步骤3.1：获取车辆充电数据，根据数据质量、算力和存储情况以及企业云端监控管理需求来选择是否需要端云协同；若不需要端云协同，则进入步骤3.2，否则进入步骤3.3；
步骤3.2：根据BMS端采集并存储的该次充电数据判断是否满足特征提取条件，若满足，则按步骤2.1中的HI提取方法和步骤2.2中的CV充电时间和CV充电容量特征提取方法获得该次充电过程的特征，并基于步骤2的密集数据映射库来估计SOH；否则不做处理，等待下一次充电；
步骤3.3：根据云平台接收并存储的车端Tbox上传的该次充电稀疏数据，判断是否满足特征提取条件，若满足，则按步骤2.3中的HI提取方法获得该次充电过程的特征，并基于步骤2的密集数据映射库来估计SOH；否则不做处理，等待下一次充电。
作为优选，步骤1.1中的恒压充电片段是以恒流充电时的电流为基准，截取0.2C～0.7C 窗口获得曲线片段，基准为1C。
作为优选，步骤1.2中的稀疏数据片段是对步骤1中的恒压充电片段按10s～30s之间的任意值进行采样后获得电流数据序列。
作为优选，步骤2.2中的预测模型为线性回归模型。
作为优选，步骤3.1中的车辆充电数据为电池恒流恒压充电阶段电流随时间变化的序列数据。
作为优选，特征提取条件是以恒流充电时的电流为基准，车辆充电数据经历恒压充电电流从0.7C降低至0.2C的过程，基准为1C。
本发明具有的有益效果：
1、本发明提出了一种基于恒压充电片段的特征提取方法，只需少量局部恒压充电数据即可进行SOH估计，不要求电池完全满充且适用于任意放电工况。
2、本发明提出了三个与电池容量相关性强的特征，并在多个电池上进行了验证，可实现高精度高鲁棒性的SOH估计。
3、本发明提出了一种基于云端的SOH估计方法，在云端稀疏数据情况下也能获得满意的估计结果，这使得在“采样数据部分丢失、低成本的BMS算力和存储不足”等场景下，实现高精度且可靠的SOH估计成为可能。
4、本发明提供了一套完整清晰，性能优越，易于实现的SOH端云协同估计方法，有助于企业更好地对车辆电池进行全寿命周期的监控和管理。
附图说明
图1是本发明的一种流程示意图；
图2是本发明实施例中恒压充电片段的一种截取示意图；
图3是本发明实施例中基于HI的CV充电电流预测误差的一种示意图；
图4是本发明实施例中HI特征、时间特征、容量特征与电池容量相关性结果的一种示意图；
图5是本发明实施例中不同稀疏度下HI与电容容量相关性结果的一种示意图；
图6是本发明实施例中SOH端云协同估计结果的一种示意图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：一种基于恒压充电片段的电池健康状态端云协同估计方法，包括离线构建充电特征映射库和SOH端云协同估计两个阶段，具体包括以下步骤：
步骤1，获取电池恒流恒压充电测试数据，并截取恒压充电曲线的局部片段；基于该片段的不同采样密度数据进行选择性的HI、CV充电时间和CV充电容量特征提取；
步骤2，采用皮尔逊相关系数来分析HI、CV充电时间和CV充电容量特征与电池容量的线性相关性，并构建特征映射库；
步骤3，获取车辆充电数据，基于特征映射库进行电池SOH的端云协同估计。
其中，步骤1和步骤2为离线构建充电特征映射库阶段，步骤3为SOH端云协同估计阶段。
具体的，步骤1包括如下步骤：
步骤1.1，获取电池恒流恒压充电测试数据，以恒流充电时的电流为基准(记为“1C”)，提取0.2C～0.7C窗口内的曲线片段，即截取的恒压充电片段，如图2所示；其中，恒压充电片段包括采样时刻和电流；
步骤1.2：基于步骤1.1中的恒压充电片段依次提取HI、CV的充电时间和CV充电容量特征；
步骤1.2.1，HI的提取是基于等效电路模型在CV阶段的外部电行为，使用戴维南模型作为描述电池外特性的模型：
其中，Rint是串联内阻，Cp是极化电容，Rp是极化内阻，Vp是一阶RC网络的电压， VOC是电池的开路电压，Il为负载电流；
对式(1)进行拉普拉斯变换和Z变换，得到：
其中，Ts是采样周期，k和k-1是当前采样时刻和上一周期采样时刻；
假设CV段Voc是关于SOC的线性函数，系数为m，不同电池老化程度下的m值有所差异，得到：
由于CV段电压不变，式(2)可以被简化为
Ik+1＝θs·Ik (4)
其中，
令步骤1.1中的恒压充电片段电流数据为I＝(I1，I2，…，In)，将(I1，I2，…，In-1)和(I2，I3，…，In)分别作为最小二乘法的输入和输出，即可辨识得到式(4)中每个循环的θs；
定义一个新参数h(参数h即为HI)来描述新电池和旧电池，新电池的该值为1，老化越严重该值越接近于0，表达式如下：
计算得到的参数h即为本实施例中待提取的HI；
如图3所示，在本实施方案中，以首循环和末循环为例，基于HI的预测电流与原电流数据的相关系数R2均大于0.99，预测相对误差分别在0.3％和3％以内。
其中，n为数据长度，yk和yestimation,k分别为实验数据和预测数据；
步骤1.2.2：CV充电时间和CV充电容量特征即为步骤1.1中的恒压充电片段的采样消耗时间值和容量增长量，提取方法可由式(7)计算：
其中，Tstart和Tend分别是初始和截止采样时刻，timadd和capadd即为CV充电时间和CV充电容量；
步骤1.2.3：对步骤1.1中的恒压充电片段进行下采样，采样间隔取10s，即可得到稀疏数据片段，在本实施方案中，电流数据长度由原来的2339降低到234；基于该片段采用步骤1.2.1提取HI；
具体的，步骤2包括如下步骤：
步骤2.1：采用皮尔逊相关系数分别分析HI、CV充电时间和CV充电容量特征与电池容量的线性相关性，其计算公式如下：
其中p为特征序列，Q为容量序列，σp和σQ分别是特征序列和容量序列的平均值，ρ为相关系数；如图4所示，在本实施方案中，各特征与容量之间均有很高的相关性 (ρ>0.97)；同时，如图5所示，稀疏数据下HI特征与容量之间的相关性也未有明显降低(ρ>0.96)；
步骤2.2：建立电池容量关于HI、CV充电时间和CV充电容量特征的预测模型，将步骤1.2.1中的HI序列、步骤1.2.2中的CV充电时间特征序列与CV充电容量特征序列及电池容量序列作为训练集，得到训练好的模型参数组后作为密集数据映射库；同理，建立电池容量关于HI的预测模型，将步骤1.2.3中的HI序列及电池容量序列作为训练集，得到训练好的模型参数组后作为稀疏数据映射库；作为优选，预测模型采用线性回归模型。
具体的，步骤3包括如下步骤：
步骤3.1：获取车辆充电数据，根据数据质量、算力和存储情况以及企业云端监控管理需求来选择是否需要端云协同；若不需要端云协同，则进入步骤3.2，否则进入步骤3.3；
步骤3.2：根据BMS端采集并存储的该次充电数据判断是否满足特征提取条件，若满足，则按步骤2.1中的HI提取方法和步骤2.2中的CV充电时间和CV充电容量特征提取方法获得该次充电过程的特征，并基于步骤2的密集数据映射库来估计SOH，得到图6 所示的车端估计结果；否则不做处理，等待下一次充电；
步骤3.3：根据云平台接收并存储的车端Tbox上传的该次充电稀疏数据，判断是否满足特征提取条件，若满足，则按步骤2.3中的HI提取方法获得该次充电过程的特征，并基于步骤2的密集数据映射库来估计SOH，得到图6所示的云端估计结果；否则不做处理，等待下一次充电。
其中，步骤3.1中的车辆充电数据为电池恒流恒压充电阶段电流随时间变化的序列数据；特征提取条件是以恒流充电时的电流为基准(记为“1C”)，车辆充电数据是经历恒压充电电流从0.7C降低至0.2C的过程。
最后，应当指出，以上实施例仅是本发明较有代表性的例子。显然，本发明不限于上述实施例，还可以有许多变形。凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均应认为属于本发明的保护范围。
Claims (9)
1.一种基于恒压充电片段的电池健康状态端云协同估计方法，其特征在于，包括以下步骤：
步骤1，获取电池恒流恒压充电测试数据，并截取恒压充电曲线的局部片段；基于该片段的不同采样密度数据进行选择性的HI、CV充电时间和CV充电容量特征提取；
步骤2，采用皮尔逊相关系数来分析HI、CV充电时间和CV充电容量特征与电池容量的线性相关性，并构建特征映射库；
步骤3，获取车辆充电数据，基于特征映射库进行电池SOH的端云协同估计。
2.根据权利要求1所述一种基于恒压充电片段的电池健康状态端云协同估计方法，其特征在于，步骤1包括如下步骤：
步骤1.1，获取电池恒流恒压充电测试数据，并截取恒压充电片段；其中，恒压充电片段包括采样时刻和电流；
步骤1.2，基于步骤1.1中的恒压充电片段依次提取HI、CV充电时间和CV充电容量特征；
步骤1.2.1，HI的提取是基于等效电路模型在CV阶段的外部电行为，使用戴维南模型作为描述电池外特性的模型：
其中，Rint是串联内阻，Cp是极化电容，Rp是极化内阻，Vp是一阶RC网络的电压，VOC是电池的开路电压，Il为负载电流；
对式(1)进行拉普拉斯变换和Z变换，得到：
其中，Ts是采样周期，k和k-1是当前采样时刻和上一周期采样时刻；
假设CV段Voc是关于SOC的线性函数，系数为m，不同电池老化程度下的m值有所差异，得到：
由于CV段电压不变，式(2)可以被简化为
Ik+1＝θs·Ik (4)
其中，
定义一个新参数h来描述新电池和旧电池，新电池的该值为1，老化越严重该值越接近于0，表达式如下：
令步骤1.1中的恒压充电片段电流数据为I＝(I1，I2，…，In)，将(I1，I2，…，In-1)和(I2，I3，…，In)分别作为最小二乘法的输入和输出，即可辨识得到每个循环下的HI；
步骤1.2.2：CV充电时间和CV充电容量特征即为步骤1.1中的恒压充电片段的采样消耗时间值和容量增长量：
Tstart和Tend分别是初始和截止采样时刻，timadd和capadd即为CV充电时间和CV充电容量；
步骤1.2.3：将步骤1.1中的恒压充电片段下采样得到稀疏数据片段，基于该片段采用步骤1.2.1提取HI。
3.根据权利要求1所述一种基于恒压充电片段的电池健康状态端云协同估计方法，其特征在于，步骤2包括如下步骤：
步骤2.1：采用皮尔逊相关系数分别分析HI、CV充电时间和CV充电容量特征与电池容量的线性相关性，其计算公式如下：
其中p为特征序列，Q为容量序列，σp和σQ分别是特征序列和容量序列的平均值，ρ为相关系数；
步骤2.2：建立电池容量关于HI、CV充电时间和CV充电容量特征的预测模型，将步骤1.2.1中的HI序列、步骤1.2.2中的CV充电时间特征序列与CV充电容量特征序列及电池容量序列作为训练集，得到训练好的模型参数组后作为密集数据映射库；同理，建立电池容量关于HI的预测模型，将步骤1.2.3中的HI序列及电池容量序列作为训练集，得到训练好的模型参数组后作为稀疏数据映射库。
4.根据权利要求1所述一种基于恒压充电片段的电池健康状态端云协同估计方法，其特征在于，步骤3包括如下步骤：
步骤3.1：获取车辆充电数据，根据数据质量、算力和存储情况以及企业云端监控管理需求来选择是否需要端云协同；若不需要端云协同，则进入步骤3.2，否则进入步骤3.3；
步骤3.2：根据BMS端采集并存储的该次充电数据判断是否满足特征提取条件，若满足，则按步骤2.1中的HI提取方法和步骤2.2中的CV充电时间和CV充电容量特征提取方法获得该次充电过程的特征，并基于步骤2的密集数据映射库来估计SOH；否则不做处理，等待下一次充电；
步骤3.3：根据云平台接收并存储的车端Tbox上传的该次充电稀疏数据，判断是否满足特征提取条件，若满足，则按步骤2.3中的HI提取方法获得该次充电过程的特征，并基于步骤2的密集数据映射库来估计SOH；否则不做处理，等待下一次充电。
5.根据权利要求2所述一种基于恒压充电片段的电池健康状态端云协同估计方法，其特征在于，步骤1.1中的恒压充电片段是以恒流充电时的电流为基准，截取0.2C～0.7C窗口获得曲线片段，基准为1C。
6.根据权利要求2所述一种基于恒压充电片段的电池健康状态端云协同估计方法，其特征在于，步骤1.2中的稀疏数据片段是对步骤1中的恒压充电片段按10s～30s之间的任意值进行采样后获得电流数据序列。
7.根据权利要求3所述一种基于恒压充电片段的电池健康状态端云协同估计方法，其特征在于，步骤2.2中的预测模型为线性回归模型。
8.根据权利要求4所述一种基于恒压充电片段的电池健康状态端云协同估计方法，其特征在于，步骤3.1中的车辆充电数据为电池恒流恒压充电阶段电流随时间变化的序列数据。
9.根据权利要求4所述一种基于恒压充电片段的电池健康状态端云协同估计方法，其特征在于，特征提取条件是以恒流充电时的电流为基准，车辆充电数据经历恒压充电电流从0.7C降低至0.2C的过程，基准为1C。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210690502.6A CN115097344A (zh) | 2022-06-17 | 2022-06-17 | 一种基于恒压充电片段的电池健康状态端云协同估计方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210690502.6A CN115097344A (zh) | 2022-06-17 | 2022-06-17 | 一种基于恒压充电片段的电池健康状态端云协同估计方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115097344A true CN115097344A (zh) | 2022-09-23 |
Family
ID=83290827
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210690502.6A Pending CN115097344A (zh) | 2022-06-17 | 2022-06-17 | 一种基于恒压充电片段的电池健康状态端云协同估计方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115097344A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116577686A (zh) * | 2023-07-13 | 2023-08-11 | 北京和瑞储能科技有限公司 | 一种基于局部阶段充电数据的多工况soh估计方法和系统 |
-
2022
- 2022-06-17 CN CN202210690502.6A patent/CN115097344A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116577686A (zh) * | 2023-07-13 | 2023-08-11 | 北京和瑞储能科技有限公司 | 一种基于局部阶段充电数据的多工况soh估计方法和系统 |
| CN116577686B (zh) * | 2023-07-13 | 2023-09-26 | 北京和瑞储能科技有限公司 | 一种基于局部阶段充电数据的多工况soh估计方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
| CN113075554B (zh) | 一种基于运行数据的锂离子电池组不一致性辨识方法 | |
| CN109543317B (zh) | 一种pemfc剩余使用寿命预测的方法及装置 | |
| CN112415414A (zh) | 一种锂离子电池剩余使用寿命预测方法 | |
| 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 | |
| CN109061514B (zh) | 一种基于大数据的动力电池衰退情况分析方法及系统 | |
| KR101189150B1 (ko) | 배터리 관리 시스템에서 배터리의 ｓｏｃ 측정 방법 및 장치 | |
| CN111381170A (zh) | 基于大数据的电动汽车电池包健康状态预测方法及系统 | |
| CN111948560A (zh) | 基于多因子评估模型的锂电池健康状态估算方法 | |
| CN105425154B (zh) | 一种估计电动汽车的动力电池组的荷电状态的方法 | |
| CN111208438B (zh) | 基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法 | |
| CN110221221A (zh) | 锂离子电池荷电状态和健康状态联合估计方法 | |
| CN108445422B (zh) | 基于极化电压恢复特性的电池荷电状态估算方法 | |
| CN112526353B (zh) | 一种退役锂离子动力电池soc快速检测方法及装置 | |
| CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
| CN113484771A (zh) | 一种锂离子电池宽温度全寿命soc及容量估计的方法 | |
| 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 | |
| CN114839536A (zh) | 一种基于多健康因子的锂离子电池健康状态估计方法 | |
| CN115480166A (zh) | 基于自适应无迹卡尔曼滤波的锂电池荷电状态估计方法 | |
| CN115754724A (zh) | 一种适用于未来不确定性动态工况放电的动力电池健康状态估计方法 | |
| CN113935222B (zh) | 基于有序加权平均算子的动力电池多模型融合估计方法 | |
| CN115097344A (zh) | 一种基于恒压充电片段的电池健康状态端云协同估计方法 | |
| CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
| CN114545275A (zh) | 一种锂离子电池剩余使用寿命间接预测方法 | |
| CN113733980B (zh) | 确定动力电池容量的方法、装置、介质及电子设备 |
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 |