CN115166564A - 一种在线量化评估磷酸铁锂电池微短路程度的方法 - Google Patents
一种在线量化评估磷酸铁锂电池微短路程度的方法 Download PDFInfo
- Publication number
- CN115166564A CN115166564A CN202211023843.4A CN202211023843A CN115166564A CN 115166564 A CN115166564 A CN 115166564A CN 202211023843 A CN202211023843 A CN 202211023843A CN 115166564 A CN115166564 A CN 115166564A
- Authority
- CN
- China
- Prior art keywords
- battery
- iron phosphate
- lithium iron
- value
- micro
- 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
-
- 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
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供一种在线量化评估磷酸铁锂电池微短路程度的方法,通过收集某一日期车辆行驶工况过程中的电流及某两个单体电压数据,通过所搭建电池模型开展两个单体的开路电压辨识,通过拟合或平滑处理后,以某个固定位点a为截止点对两个单体开路电压差值实行积分,通过控制b和c等参数换算得到可稳定反应微短路特征的S值,通过计算S随日期的变化率,即可得到磷酸铁锂电池的自放电率值。由于S值不受充电倍率、温度、模型误差、放电深度等干扰,故本发明可敏感的反应出微小内短路的发生,实现了短路程度的量化和高精度估算,解决现有技术方案对磷酸铁锂电池自放电率在线估算精度低的问题,为问题电池维修预留更多时间,保障车辆财产安全。
Description
技术领域
本发明涉及新能源电池应用技术领域,更为具体地说是指一种在线量化评估磷酸铁锂电池微短路程度的方法。
背景技术
新能源车辆安全问题一直是消费者焦虑的主要问题之一。起火、冒烟等事故的发生经常是由电池的内短路引发。虽然车载的电池管理系统或者灭火系统对于车辆发生起火事故可提前5-30分钟实现报警,可为乘客逃生预留一定时间,但无法避免车辆的损坏导致的财产损失。微短路的识别,即在电池发生非常微小程度短路情况下的识别,是避免车辆财产损失的有效手段。
目前,已经存在较多在线电池微短路检测方法,但对电池开路电压平台变化斜率较大的电池体系效果良好,而对于电压平台较为平坦的电池体系如磷酸铁锂来说,随着放电荷电状态的变化,因电压并不会出现显著的变化,导致算法效果欠佳,甚至无法有效识别出轻微的内短路。
申请公开号为CN 113848495A公开了一种基于充电曲线的内部微短路故障诊断方法,包括:容量增量法ICA分析,电池容量变化率监控,电压释放曲线追踪;根据电池充电曲线得到的IC曲线,提取老化特征,掌握电池当前老化状态;根据长期监控得到的相邻两次充电容量衰减速率的比较,获得电池内短路故障的特征;最后,根据充电结束后短时间内的电压曲线,与全新电池状态下的情况进行比较,判断是否发生了微短路。该专利主要是利用电池充电曲线,但在新能源汽车实际使用中,较多车辆的充电难以实现恒流充电,导致其通用性降低。
而申请公开号为CN 11929602A的中国发明专利公开了一种基于容量估计的单体电池漏电或微短路定量诊断方法,该方法包括如下步骤:S1获取电池单体的充放电数据;S2采用传统的容量估计方法分别估计电池充电容量CC和放电容量CD;S3计算放电容量与充电容量的比值,当其小于阈值时,判断发生漏电故障;S4根据放电容量与充电容量的比值计算漏电流估计值。然而,实车上充电容量受温度、电流倍率影响较大;实车放电容量受环境温度和车辆使用工况影响也较大。因此,该方法无法在实车上应用。
发明内容
本发明提供一种在线量化评估磷酸铁锂电池微短路程度的方法,以克服现有在线电池微短路检测方法,其充、放电过程中受温度、电流倍率等影响,导致其对磷酸铁锂电池自放电率在线估算精度低等缺点。
本发明采用如下技术方案:
一种在线量化评估磷酸铁锂电池微短路程度的方法,包括以下步骤:
步骤一、收集某一日期D(i)车辆运行过程中电池相关参数,包括最高单体电压Vmax、最低单体电压Vmin、电流I、时间t。
步骤二、对步骤一收集到的电流I和时间t数组进行计算处理,得到每时每刻的容量值Q(k),再通过搭建电池模型、参数辨识,得到D(i)当天的每个电压数据对应的开路电压数据,由Vmax处理得到的记作Uoc1(k),由Vmin处理得到的记作Uoc2(k)。
步骤三、求解L:利用高斯函数对Uoc1(k)拟合或开展平滑处理,并利用公式dUoc1(k)=Uoc1(k)-Uoc1(k-1)求解dUoc1;从k=1开始对dUoc1(k)做阈值判断,当其小于等于a时,进入k+1继续执行判断;当其大于a值时,指定L=k,并结束判断;a为差值计算结束控制参数,根据电池开路电压曲线特征而设定。
步骤四、求解S(i):将步骤二和步骤三所求解对应值代入以下公式计算得到S(i);其中,b为步骤二中分别求解Uoc1(k)、Uoc2(k)时存在的两者误差的差值,依据电池模型特点而设定,也可以简化为0;c为依据电池开路电压特点对应的转化系数。
步骤五、求解SDR:利用步骤四得到的S(i)与D(i)进行线性拟合,所得斜率即为SDR。
一较佳实施方案中,上述步骤一收集电池相关参数数据开始的时刻要求电池系统为满电状态,即SOC≥99%,收集数据结束的时刻为车辆运行结束,开始去充电前的时刻。
一较佳实施方案中,上述步骤一中的最高单体电压Vmax,可以为电池系统中所有单体在每时每刻的最高单体电压值,也可以为荷电状态最高或健康状态SOH最佳单体的电压值、具体某个单体电芯的电压值,还可以为所有电芯的平均电压值或所判断正常电芯群体的平均电压值等;最低单体电压Vmin,可以为电池系统中所有单体在每时每刻的最低单体电压值,也可以为荷电状态最低或健康状态SOH最差单体的电压值,还可以为具体某个单体电芯的电压值。
一较佳实施方案中,上述步骤二中每时每刻的容量值Q(k)是按以下两个公式进行处理获得的:Q(1)=Q0-(1),Q(k)=Q(k-1)-current(k)*[t(k)-t(k-1)]/3600-(2);其中,k为从1到N的序列号,N为时间t数组所拥有的总个数,Q0为电池系统额定容量。
一较佳实施方案中,上述步骤二中的电池模型可为电池等效电路模型或电化学模型;所述参数辨识为所有能辨识得到OCV的算法,可为最小二乘辨识算法、卡尔曼滤波算法、H无穷大算法、智能机器学习优化算法中的任意一种。
一较佳实施方案中,上述步骤三中用于拟合Uoc1(k)的函数可以为高斯函数;也可以为多项式、双曲正切函数;还可以为无函数拟合,仅对原数组进行平滑处理。
一较佳实施方案中,上述步骤三中的求解L,目的为定位Uoc1(k)第一平台结束或第二平台开始的位置,还可以采用设计dU(k)=Uoc1(k)-Uoc2(k),再通过寻找dU出现波峰之后的波谷或峰脚位置来得到。
一较佳实施方案中,上述步骤三和步骤四中的a、b和c,可以通过实验测试方法得到合适的值;也可以通过参数寻优求解方法,搭建步骤一至步骤四的SDR模型,获取已知SDR值并建立相应误差目标函数利用智能算法进行求解;还可以采用深度学习方法搭建神经网络,通过数据训练求解得到。其中,智能算法为遍历算法、遗传算法、粒子群算法、智能机器学习优化算法中的任意一种,其中a、b和c均为以mV为量纲的参数,取值皆大于0,对于磷酸铁锂电池体系依据电池模型的特点c取值在0.3~0.4之间。
由上述对本发明的描述可知,和现有技术相比,本发明具有如下优点:
一、本发明通过收集某一日期车辆行驶工况过程中的电流及某两个单体电压数据,搭建电池模型开展两个单体的开路电压辨识,再通过拟合或平滑处理后,以某个固定位点a为截止点对两个单体开路电压差值实行积分,通过控制b和c等参数换算得到可稳定反应微短路特征的S值,通过计算S随日期的变化率,即可得到磷酸铁锂电池的自放电率值。由于S值不受充电倍率、温度、模型误差、放电深度等干扰,故本发明可敏感的反应出微小内短路的发生,实现了短路程度的量化和高精度估算,可实现对微小短路的准确识别,解决现有技术方案对磷酸铁锂电池自放电率在线估算精度低的问题,为问题电池维修预留更多时间,保障车辆财产安全。
二、本发明不受工况限制,无需等待电池放电至一定深度、亦或是满足一定静置条件的要求,不依赖充电数据,无需拆解电池箱体、无需长期静置,适用于充放电电压平台较平坦的电池体系,如正或负极含有磷酸铁锂、钛酸锂等材料的电池体系,而且计算过程耗时少,适用于在线估算。
三、本发明通过提取当天运行数据中最高、最低单体电压(或SOC最低单体的电压)即可实现微短路的监测,无需收集每个单体电压值,减轻数据传输负荷,简化运算。
附图说明
图1为本发明的流程图。
具体实施方式
下面参照图1说明本发明的具体实施方式。为了全面理解本发明,下面描述到许多细节,但对于本领域技术人员来说,无需这些细节也可实现本发明。对于公知的组件、方法及过程,以下不再详细描述。
本实施例提供一种在线量化评估磷酸铁锂电池微短路程度的方法,通过收集某一日期车辆行驶工况过程中的电流及某两个单体电压数据,通过所搭建电池模型开展两个单体的开路电压辨识,通过拟合或平滑处理后,以某个固定位点a为截止点对两个单体开路电压差值实行积分,通过控制b和c等参数换算得到可稳定反应微短路特征的S值,通过计算S随日期的变化率,即可得到磷酸铁锂电池的自放电率值。
本发明的在线量化评估磷酸铁锂电池微短路程度方法,具体步骤如下:
步骤一、选定某个日期D(i),收集D(i)当天车辆运行过程中电池相关参数,包含最高单体电压Vmax、最低单体电压Vmin、电流I、时间t等;其中,收集数据开始的时刻要求电池系统为满电状态,即SOC>=99%,收集数据结束的时刻为车辆运行结束,开始去充电前的时刻。
步骤二、对步骤一收集到的数据中的电流I和时间t数组按公式(1)-(2)进行处理,得到每时每刻的容量值Q(k),其中:k为从1到N的序列号,N为时间t数组所拥有的总个数,Q0为电池系统额定容量。
Q(1)=Q0 (1)
Q(k)=Q(k-1)-current(k)*[t(k)-t(k-1)]/3600 (2)
步骤三、将步骤一、二获取的数据,通过搭建电池模型、参数辨识算法,得到D(i)的每个电压数据对应的开路电压数据,由Vmax处理得到的记作Uoc1(k),由Vmin处理得到的记作Uoc2(k)。
步骤四、求解L:利用高斯函数对Uoc1(k)拟合或开展平滑处理,并利用公式(3)求解dUoc1。
dUoc1(k)=Uoc1(k)-Uoc1(k-1) (3)
从k=1开始对dUoc1(k)做阈值判断,当其小于等于a时,进入k+1继续执行判断;当其大于a值时,指定L=k,并结束判断。a为差值计算结束控制参数,根据电池开路电压曲线特征而设定。
步骤五、求解S(i):将步骤二至步骤四中所求解对应值带入公式(4),计算得到S(i);
其中,b为步骤三中分别求解Uoc1(k)、Uoc2(k)时存在的两者误差的差值,依据电池模型特点而设定,也可简化为0;c为依据电池开路电压特点对应的转化系数。
步骤六、求解SDR:利用步骤五得到的S(i)与D(i)进行线性拟合,所得斜率即为SDR。
步骤七、根据SDR大小设置相应的短路预警等级,实现短路预警。
以上所涉及的电池系统,可为新能源车电池系统,也可以为储能系统。
上述步骤一中的最高单体电压Vmax,可以为电池系统中所有单体在每时每刻的最高单体电压值,也可以为荷电状态最高或健康状态SOH最佳单体的电压值、具体某个单体电芯的电压值,也可以为所有电芯的平均电压值或所判断正常电芯群体的平均电压值等;最低单体电压Vmin,可以为电池系统中所有单体在每时每刻的最低单体电压值,也可以或荷电状态最低或健康状态SOH最差单体的电压值,也可以为具体某个单体电芯的电压值。
上述步骤一中的电流值I规定充电为负值,放电为正值;也可以将电流值I规定充电为正值,放电为负值,则公式(1)对应调整为Q(1)=-Q0。
上述步骤二中的Q初始值设置为额定容量值,也可以设置为0或者其他值,并与之关联的公式做相应的改变。如当Q初始值为0时,以上公式中所有的Q皆采用(Q0-Q)替代。
上述步骤三中的电池模型可为电池等效电路模型或电化学模型;所述参数辨识为所有能辨识得到OCV的算法,可为最小二乘辨识算法、卡尔曼滤波算法、H无穷大算法、智能机器学习优化算法中的任意一种。
上述步骤四中的用于拟合Uoc1(k)的函数可以为高斯函数,也可以为多项式、双曲正切等其他函数;也可以为无函数拟合,仅对原数组进行平滑处理。
步骤四中的求解L,目的为定位Uoc1(k)第一平台结束或第二平台开始的位置,也可以通过设计dU(k)=Uoc1(k)-Uoc2(k),在采用寻找dU出现波峰之后的波谷或峰脚位置来得到。
上述步骤四和步骤五中的a、b和c,可以通过实验测试方法,得到合适的值;也可以通过参数寻优求解方法,通过搭建步骤一至步骤五的SDR模型,通过获取一定量已知SDR值并建立相应误差目标函数利用智能算法进行求解,或采用深度学习等方法搭建神经网络,通过数据训练求解得到。其中,智能算法可以为遍历算法、遗传算法、粒子群算法、智能机器学习优化算法等所有能求解的方法,其中a、b和c均为以mV为量纲的参数,取值皆大于0,对于磷酸铁锂电池体系依据电池模型的特点c取值在0.3~0.4之间。
上述仅为本发明的具体实施方式,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均应属于侵犯本发明保护范围的行为。
Claims (10)
1.一种在线量化评估磷酸铁锂电池微短路程度的方法,其特征在于,包括以下步骤:
步骤一、收集某一日期D(i)车辆运行过程中电池相关参数,包括最高单体电压Vmax、最低单体电压Vmin、电流I、时间t;
步骤二、对步骤一收集到的电流I和时间t数组进行计算处理,得到每时每刻的容量值Q(k),再通过搭建电池模型、参数辨识,得到D(i)当天的每个电压数据对应的开路电压数据,由Vmax处理得到的记作Uoc1(k),由Vmin处理得到的记作Uoc2(k);
步骤三、求解L:利用高斯函数对Uoc1(k)拟合或开展平滑处理,并利用公式dUoc1(k)=Uoc1(k)-Uoc1(k-1)求解dUoc1;从k=1开始对dUoc1(k)做阈值判断,当其小于等于a时,进入k+1继续执行判断;当其大于a值时,指定L=k,并结束判断;a为差值计算结束控制参数,根据电池开路电压曲线特征而设定;
步骤四、求解S(i):将步骤二和步骤三所求解对应值代入以下公式计算得到S(i);其中,b为步骤二中分别求解Uoc1(k)、Uoc2(k)时存在的两者误差的差值,依据电池模型特点而设定;c为依据电池开路电压特点对应的转化系数;
步骤五、求解SDR:利用步骤四得到的S(i)与D(i)进行线性拟合,所得斜率即为SDR。
2.如权利要求1所述的一种在线量化评估磷酸铁锂电池微短路程度的方法,其特征在于:所述步骤一收集电池相关参数数据开始的时刻要求电池系统为满电状态,即SOC≥99%,收集数据结束的时刻为车辆运行结束,开始去充电前的时刻。
3.如权利要求1所述的一种在线量化评估磷酸铁锂电池微短路程度的方法,其特征在于:所述步骤一中的最高单体电压Vmax,为电池系统中所有单体在每时每刻的最高单体电压值,或者为荷电状态最高或健康状态SOH最佳单体的电压值、具体某个单体电芯的电压值,或者为所有电芯的平均电压值或所判断正常电芯群体的平均电压值等;最低单体电压Vmin,为电池系统中所有单体在每时每刻的最低单体电压值,或者为荷电状态最低或健康状态SOH最差单体的电压值,或者为具体某个单体电芯的电压值。
4.如权利要求1所述的一种在线量化评估磷酸铁锂电池微短路程度的方法,其特征在于,所述步骤二中每时每刻的容量值Q(k)是按以下两个公式进行处理获得的:Q(1)=Q0-(1),Q(k)=Q(k-1)-current(k)*[t(k)-t(k-1)]/3600-(2);其中,k为从1到N的序列号,N为时间t数组所拥有的总个数,Q0为电池系统额定容量。
5.如权利要求1所述的一种在线量化评估磷酸铁锂电池微短路程度的方法,其特征在于:所述步骤二中的电池模型为电池等效电路模型或电化学模型,所述参数辨识为所有能辨识得到OCV的算法,为最小二乘辨识算法、卡尔曼滤波算法、H无穷大算法、智能机器学习优化算法中的任意一种。
6.如权利要求1所述的一种在线量化评估磷酸铁锂电池微短路程度的方法,其特征在于:所述步骤三中用于拟合Uoc1(k)的函数为高斯函数;或者为多项式、双曲正切函数;或者为无函数拟合,仅对原数组进行平滑处理。
7.如权利要求1所述的一种在线量化评估磷酸铁锂电池微短路程度的方法,其特征在于:所述步骤三中的求解L,目的为定位Uoc1(k)第一平台结束或第二平台开始的位置,采用设计dU(k)=Uoc1(k)-Uoc2(k),再通过寻找dU出现波峰之后的波谷或峰脚位置来得到。
8.如权利要求1所述的一种在线量化评估磷酸铁锂电池微短路程度的方法,其特征在于:所述步骤三和步骤四中的a、b和c,通过实验测试方法得到合适的值;或者通过参数寻优求解方法,搭建步骤一至步骤四的SDR模型,获取已知SDR值并建立相应误差目标函数利用智能算法进行求解;或者采用深度学习方法搭建神经网络,通过数据训练求解得到。
9.如权利要求8所述的一种在线量化评估磷酸铁锂电池微短路程度的方法,其特征在于:所述智能算法为遍历算法、遗传算法、粒子群算法、智能机器学习优化算法中的任意一种,其中a、b和c均为以mV为量纲的参数,取值皆大于0,对于磷酸铁锂电池体系依据电池模型的特点c取值在0.3~0.4之间。
10.如权利要求1所述的一种在线量化评估磷酸铁锂电池微短路程度的方法,其特征在于:所述步骤四中的b简化为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211023843.4A CN115166564A (zh) | 2022-08-24 | 2022-08-24 | 一种在线量化评估磷酸铁锂电池微短路程度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211023843.4A CN115166564A (zh) | 2022-08-24 | 2022-08-24 | 一种在线量化评估磷酸铁锂电池微短路程度的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115166564A true CN115166564A (zh) | 2022-10-11 |
Family
ID=83480692
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211023843.4A Pending CN115166564A (zh) | 2022-08-24 | 2022-08-24 | 一种在线量化评估磷酸铁锂电池微短路程度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115166564A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116184235A (zh) * | 2023-04-26 | 2023-05-30 | 国民技术股份有限公司 | 电池自放电性能的检测方法和装置 |
-
2022
- 2022-08-24 CN CN202211023843.4A patent/CN115166564A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116184235A (zh) * | 2023-04-26 | 2023-05-30 | 国民技术股份有限公司 | 电池自放电性能的检测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111398833B (zh) | 一种电池健康状态评估方法 | |
CN112838631B (zh) | 动力电池的充电动态管控装置和动力电池的充电诊断方法 | |
CN106814329A (zh) | 一种基于双卡尔曼滤波算法的电池soc在线估计方法 | |
CN104502859A (zh) | 电池荷电量及电池健康状态的检测、诊断方法 | |
CN109358293B (zh) | 基于ipf的锂离子电池soc估计方法 | |
CN112180274B (zh) | 一种动力电池组快速检测测评方法 | |
CN113109729B (zh) | 基于加速老化试验与实车工况的车用动力电池soh评估方法 | |
CN111366864B (zh) | 一种基于固定压升区间的电池soh在线估计方法 | |
CN111929602A (zh) | 一种基于容量估计的单体电池漏电或微短路定量诊断方法 | |
CN111064253A (zh) | 一种基于平均离散Fréchet距离的电池健康度快速评估方法 | |
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 | |
CN115792638A (zh) | 基于电池模型参数辨识的soc-内短路联合估计方法 | |
CN112485695A (zh) | 动力电池的检测方法及装置 | |
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 | |
CN108363016A (zh) | 基于人工神经网络的电池微短路定量诊断方法 | |
CN115166564A (zh) | 一种在线量化评估磷酸铁锂电池微短路程度的方法 | |
CN111537887A (zh) | 考虑迟滞特性的混合动力系统电池开路电压模型优化方法 | |
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 | |
CN113759258A (zh) | 一种动力电池soc估计方法、装置及纯电动汽车 | |
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 | |
CN116256642A (zh) | 一种适用于稀疏数据的磷酸铁锂电池故障诊断方法 | |
CN116466250A (zh) | 基于动态工况模型误差特征的动力电池健康状态估计方法 | |
CN106646260A (zh) | 一种基于遗传神经网络的bms系统的soc的估算方法 | |
CN115327416A (zh) | 基于群体智能优化和粒子滤波的锂离子电池soc估算方法 |
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 |