CN115219913A - 一种基于容量增量法的动力电池全生命周期管理系统 - Google Patents
一种基于容量增量法的动力电池全生命周期管理系统 Download PDFInfo
- Publication number
- CN115219913A CN115219913A CN202211138423.0A CN202211138423A CN115219913A CN 115219913 A CN115219913 A CN 115219913A CN 202211138423 A CN202211138423 A CN 202211138423A CN 115219913 A CN115219913 A CN 115219913A
- Authority
- CN
- China
- Prior art keywords
- data
- battery
- curve
- module
- power battery
- 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]
- G01R31/367—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]
- G01R31/374—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with means for correcting the measurement for temperature or ageing
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种基于容量增量法的动力电池全生命周期管理系统,涉及汽车动力电池技术领域,其中,数据筛选模块用于对采集的动力电池数据进行数据清洗,从持续的电压电流曲线中,截取出慢充片段作为后续容量增量法的基础数据;数据整理模块用于获取清洗后的动力电池数据并转化成容量增量曲线;本发明采用容量增量法对电池健康值实现在线监控;基于机器学习建模,获得电池健康度衰减的趋势信息;基于大数据分析的方法,引入电池静态信息与用户驾驶习惯等因素,最后分离出决定动力电池健康度与衰减趋势的决定性因素,对动力电池的真实健康度及估值进行修正,并相应提出维护保养的建议与价值评估;进一步提高电池生命周期管理效率。
Description
技术领域
本发明涉及汽车动力电池技术领域,具体是一种基于容量增量法的动力电池全生命周期管理系统。
背景技术
随着电动汽车的快速发展,人们对动力电池提出了更高的要求,动力电池的使用寿命将直接影响电动汽车的性能,因此人们对动力电池寿命预测的研究愈加重视,精确的电池寿命预测不仅可以提升用户驾驶体验,而且可以构建动力电池全生命周期动态智能健康管理系统,具有巨大的社会效益及经济效益;
相关技术中,在进行动力电池寿命预测时,通常基于历史轨迹数据对动力电池寿命进行预测,或者,基于机理模型对动力电池寿命进行预测。但是,这些常用的动力电池寿命预测方法难以建立较为精确且实用的预测模型,电池寿命预测精度较差;为此,本发明提出一种基于容量增量法的动力电池全生命周期管理系统。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种基于容量增量法的动力电池全生命周期管理系统,准确实时地计算出电池健康值,通过对健康值的长期监测,基于机器学习建模,获得电池健康度衰减的趋势信息。基于大数据分析的方法,引入电池静态信息与用户驾驶习惯等因素,最后分离出决定动力电池健康度与衰减趋势地决定性因素,并相应提出维护保养的建议与价值评估。
为实现上述目的,根据本发明的第一方面的实施例提出一种基于容量增量法的动力电池全生命周期管理系统,包括数据采集模块、数据整理模块、特征提取模块、模型构建模块、数据判定模块、评估建议模块以及价值修正模块;
所述数据采集模块用于实时采集动力电池数据并将采集的动力电池数据传输至数据筛选模块;所述数据筛选模块用于对采集的动力电池数据进行数据清洗,从持续的电压电流曲线中,截取出慢充片段作为后续容量增量法的基础数据;
所述数据整理模块用于获取清洗后的动力电池数据并转化成容量增量曲线,即IC曲线;并通过系列滤波算法对初始提取的IC曲线进行平滑处理;IC曲线上的峰值和谷值等特征参数可反映电池内部的老化状态和老化机理;
所述特征提取模块用于对平滑后的IC曲线提取特征值;所述模型构建模块用于获取IC曲线特征值中经由相关性分析后筛选出的特征值。对每颗电芯数据重复上述过程,提取出来的特征值,进一步可反映电芯一致性的变化特性。前述参数结合工作温度以及充电时间构建机器学习模型,可用于循环里程的预测;所述数据判定模块基于机器学习模型的预测结果,可获得电池的衰减趋势曲线;所述评估建议模块与数据判定模块相连接,可用于通过衰减速率与剩余容量两个维度来评估电池的价值方向;
所述价值修正模块与数据判定模块相连接,用于结合车辆信息、电池品牌信息与驾驶行为特征对电池的衰减趋势曲线进行进一步修正。
进一步地,所述数据筛选模块的具体工作步骤为:
将采集的动力电池数据中电芯级别的电流、电压标记为原始数据,根据原始数据建立电压电流曲线;从持续的电压电流曲线中,截取出慢充片段并标记为目标数据,作为后续容量增量法的基础数据。
进一步地,所述数据整理模块的具体整理步骤为:
获取慢充片段的电流-电压曲线并转化成容量增量曲线,即IC曲线;
其中,IC提取方式如下述两个公式所示:
式中, Q是在时间t内对电流进行时间积分充入的累积电量,Qk为第 k时刻的充入电量,Qk−1为第k−1时刻的充入电量;Vk为第k时刻的电压值,Vk−1 为第k−1时刻的电压值;I(t)为第t时刻的电流;IC为容量增量。
进一步地,所述动力电池数据包括车载电池BMS数据与电动车的动力系统信息;其中车载电池BMS数据包括电池包与电芯的充放电的功率,电压,电流以及温度;动力系统信息则是车机的状态信息,包括启停信息,加减速信息,运行时间以及运行环境温度等。
进一步地,IC曲线提取的特征值包括峰值或谷值位置所对应的横纵坐标值、某一电压区间内IC 曲线下的面积以及IC曲线两峰之间的距离。
进一步地,所述评估建议模块的具体评估步骤为:
获取电池的剩余容量为Rt、衰减速率为Vt,其中Rt与Vt一一对应;
将Rt与预设容量阈值相比较,将Vt与预设速率阈值相比较;
若Rt>预设容量阈值且Vt<预设速率阈值,则判定电池的综合性能处于一个较优的状态,则将该电池用于低速车的动力电池场景;
若Rt>预设容量阈值且Vt≥预设速率阈值,则判定电池循环寿命较低,则将该电池用于需要储能且充放电循环需求频次较低的场景,如备用电源的场景;
若Rt≤预设容量阈值且Vt<预设速率阈值,则将该电池用于稳定充放电的场景,如工商业储能场景;
若Rt≤预设容量阈值且Vt≥预设速率阈值,则判定电池缺少利用价值,建议拆解回收。
进一步地,所述价值修正模块的具体修正步骤为:
获取大数据模型中对衰减趋势影响较大的因素,从中剔除与滥用相关的因素,得到修正后的衰减趋势曲线。
与现有技术相比,本发明的有益效果是:
1、本发明中数据筛选模块用于对采集的动力电池数据进行数据清洗,从持续的电压电流曲线中,截取出慢充片段作为后续容量增量法的基础数据;数据整理模块用于获取清洗后的动力电池数据并转化成容量增量曲线;本发明采用容量增量法对电池健康值实现在线监控;基于机器学习建模,获得电池健康度衰减的趋势信息;并经由衰减速率与剩余容量两个维度来评估电池的价值方向,扩大电池的应用范围,提高资源利用率;
2、本发明中价值修正模块对影响电池健康度的主要因素进行分离,区分滥用行为与电池一致性因素,对动力电池的真实健康度及估值进行修正,进一步提高电池生命周期管理效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种基于容量增量法的动力电池全生命周期管理系统的系统框图。
图2为本发明的方法流程图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示,一种基于容量增量法的动力电池全生命周期管理系统,包括数据采集模块、数据筛选模块、数据整理模块、云平台、特征提取模块、模型构建模块、数据判定模块、评估建议模块以及价值修正模块;
数据采集模块用于实时采集动力电池数据;动力电池数据主要分为两大类数据:车载电池BMS数据与电动车的动力系统信息;其中车载电池BMS数据主要包括电池充放电的功率,电压,电流,温度等,时间尺度在秒级,空间尺度到每一颗电芯;动力系统信息则是车机的状态信息,比如启停信息,加减速信息,运行时间,运行环境温度等信息;
其中动力电池数据的采集方法,主要有两种:一种通过车端数据采集设备,如车载T-Box,直接采集电池的信息,并传送到云平台;另一种则是通过与运营车辆平台进行数据对接,实现数据的获取;
数据筛选模块用于对采集的动力电池数据进行数据清洗,具体为:将采集的动力电池数据中电芯级别的电流、电压标记为原始数据,根据原始数据建立电压电流曲线;从持续的电压电流曲线中,截取出慢充片段并标记为目标数据,作为后续容量增量法的基础数据;
其中动力电池数据实际分为三大类数据:行驶过程中的充放电数据、快充数据以及慢充数据;
行驶过程中的充放电数据:放电属于动力输出,而充电则是动力回收。这个过程中的数据因为电池的极化效应,有高度的随机性,复现性很差,因此作为脏数据被过滤掉;
快充数据,同样因为短时间的容量快速变化,同时受极化效应影响和采样频率的限制,不适宜作为容量增量法的基础数据,因此也被舍弃掉。
慢充数据,该过程的电流维持恒定,且持续时间相对较长,比较适合作为容量增量法的基础数据。此类型数据,需要剔除短暂充电过程,即SOC变化过小的情形。
数据整理模块用于获取清洗后的动力电池数据并转化成容量增量曲线,具体整理步骤为:
获取慢充片段的电流-电压曲线并转化成容量增量曲线(IC曲线);其中容量增量分析法把传统恒流充电的电压曲线转化为IC曲线上的易于观察的峰值和谷值以对应电池内部的老化状态和老化机理;
IC提取方式如下述两个式子所示:
式中, Q是在时间t内对电流进行时间积分充入的累积电量,Qk为第 k时刻的充入电量,Qk−1为第k−1时刻的充入电量。Vk为第k时刻的电压值,Vk−1 为第k−1时刻的电压值;I(t)为第t时刻的电流;IC为容量增量。
对初始提取的IC曲线。由于测量数据受噪声影响,将存在大量毛刺,需通过系列滤波算法来进行平滑处理;
特征提取模块用于对平滑后的IC曲线提取特征值,其中IC曲线提取的特征值包括峰值或谷值位置所对应的横纵坐标值、某一电压区间内IC 曲线下的面积以及 IC 曲线两峰之间的距离等;IC 曲线的变化能有效表征电池内部电化学反应,Peak1 对应着电化学反应中负极活性材料的消耗,Peak2 表征电池内部连续的相变转换过程。IC 曲线各峰值、谷值高度和位置的变化与电池内部的容量衰减有关;同样的提取方式同时应用于电芯数据,则可从IC特征值的维度,描述电芯的不一致性;
模型构建模块与特征提取模块相连接,用于获取IC曲线特征值进行相关性分析后过滤,并结合电芯一致性,工作温度,充电时间等因素构建机器学习模型,用于循环里程的预测;结果表明机器学习模型对循环里程预测的平均误差均小于3%,其中个别模型的平均误差小于1%。
数据判定模块基于机器学习模型的预测结果,获得电池的衰减趋势曲线,评估建议模块经由衰减速率与剩余容量两个维度来评估电池的价值方向,具体评估步骤为:
获取电池的剩余容量为Rt、衰减速率为Vt,其中Rt与Vt一一对应;
将Rt与预设容量阈值相比较,将Vt与预设速率阈值相比较;
若Rt>预设容量阈值且Vt<预设速率阈值,则判定电池的综合性能还处于一个较优的状态,可以用于低速车的动力电池场景;
若Rt>预设容量阈值且Vt≥预设速率阈值,则判定电池循环寿命较低,适用于需要储能且充放电循环需求频次较低的情况下,例如备用电源场景;
若Rt≤预设容量阈值且Vt<预设速率阈值,则判定电池适用于稳定充放电的场景,例如工商业储能场景;
若Rt≤预设容量阈值且Vt≥预设速率阈值,则电池基本缺少利用价值,建议拆解回收;
价值修正模块与数据判定模块相连接,用于结合车辆信息、电池品牌信息与驾驶行为特征对电池的衰减趋势曲线进行进一步修正;具体为:
获取大数据模型中对衰减趋势影响较大的因素,从中剔除与滥用相关的因素,则预测出未来的衰减曲线将更加平缓。
这体现了电池的实际性能参数。而不同电池包之间的实际性能曲线的差异,则代表了电池、电芯实际性能的差异。这种差异通常源自先天性的差异或因滥用已经造成了电池本体理化性质不可逆的劣化。平台系统将基于机器学习模型与大数据分析的修正结果,给到进一步的保养建议与退役回收的建议。
本发明采用容量增量法对电池健康值实现在线监控,并利用机器学习算法,同时计算其衰减趋势;针对不同的健康度参数,与衰减趋势,对动力电池的维护保养与退役利用提供建议;对影响电池健康度的主要因素进行分离,区分滥用行为与电池一致性因素,对动力电池的真实健康度及估值进行修正,进一步提高电池生命周期管理与分选的精准度。
上述公式均是去除量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式,公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
本发明的工作原理:
一种基于容量增量法的动力电池全生命周期管理系统,在工作时,数据采集模块用于实时采集动力电池数据;数据筛选模块用于对采集的动力电池数据进行数据清洗,从持续的电压电流曲线中,截取出慢充片段作为后续容量增量法的基础数据;数据整理模块用于获取慢充片段的电流-电压曲线并转化成容量增量曲线(IC曲线)并通过系列滤波算法来进行平滑处理;其中IC曲线上的易于观察的峰值和谷值以对应电池内部的老化状态和老化机理;模型构建模块用于获取IC曲线特征值进行相关性分析后过滤,并结合电芯一致性,工作温度,充电时间等因素构建机器学习模型,用于循环里程的预测;数据判定模块基于机器学习模型的预测结果,获得电池的衰减趋势曲线,评估建议模块经由衰减速率与剩余容量两个维度来评估电池的价值方向;本发明采用容量增量法对电池健康值实现在线监控,并利用机器学习算法,同时计算其衰减趋势;针对不同的健康度参数,与衰减趋势,对动力电池的维护保养与退役利用提供建议;对影响电池健康度的主要因素进行分离,区分滥用行为与电池一致性因素,对动力电池的真实健康度及估值进行修正,并相应提出维护保养的建议与价值评估;进一步提高电池生命周期管理效率。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (5)
1.一种基于容量增量法的动力电池全生命周期管理系统,其特征在于,包括数据采集模块、数据整理模块、特征提取模块、模型构建模块、数据判定模块、评估建议模块以及价值修正模块;
所述数据采集模块用于实时采集动力电池数据并将采集的动力电池数据传输至数据筛选模块;所述数据筛选模块用于对采集的动力电池数据进行数据清洗,从持续的电压电流曲线中,截取出慢充片段作为后续容量增量法的基础数据;
所述数据整理模块用于获取清洗后的动力电池数据并转化成容量增量曲线,即IC曲线;并通过系列滤波算法对初始提取的IC曲线进行平滑处理;IC曲线上的峰值和谷值用于对应电池内部的老化状态和老化机理;
其中,所述数据整理模块的具体整理步骤为:
获取慢充片段的电流-电压曲线并转化成容量增量曲线,即IC曲线;
其中,IC提取方式如下述两个公式所示:
式中, Q是在时间t内对电流进行时间积分充入的累积电量,Qk为第 k时刻的充入电量,Qk −1为第k−1时刻的充入电量;I(t)为第t时刻的电流;Vk为第k时刻的电压值,Vk −1 为第k−1时刻的电压值;IC为容量增量;
所述特征提取模块用于对平滑后的IC曲线提取特征值;所述模型构建模块用于获取IC曲线特征值中经由相关性分析后的特征值,并结合电芯一致性、工作温度以及充电时间构建机器学习模型,用于循环里程的预测;
所述数据判定模块基于机器学习模型的预测结果,获得电池的衰减趋势曲线;所述评估建议模块与数据判定模块相连接,用于通过衰减速率与剩余容量两个维度来评估电池的价值方向;具体评估步骤为:
获取电池的剩余容量为Rt、衰减速率为Vt,其中Rt与Vt一一对应;
将Rt与预设容量阈值相比较,将Vt与预设速率阈值相比较;
若Rt>预设容量阈值且Vt<预设速率阈值,则判定电池的综合性能处于一个较优的状态,则将该电池用于低速车的动力电池场景;
若Rt>预设容量阈值且Vt≥预设速率阈值,则判定电池循环寿命较低,则将该电池用于需要储能且充放电循环需求频次较低的场景;
若Rt≤预设容量阈值且Vt<预设速率阈值,则将该电池用于稳定充放电的场景;
若Rt≤预设容量阈值且Vt≥预设速率阈值,则判定电池缺少利用价值,建议拆解回收;
所述价值修正模块与数据判定模块相连接,用于结合车辆信息、电池品牌信息与驾驶行为特征对电池的衰减趋势曲线进行进一步修正。
2.根据权利要求1所述的一种基于容量增量法的动力电池全生命周期管理系统,其特征在于,所述数据筛选模块的具体工作步骤为:
将采集的动力电池数据中电芯级别的电流、电压标记为原始数据,根据原始数据建立电压电流曲线;从持续的电压电流曲线中,截取出慢充片段并标记为目标数据,作为后续容量增量法的基础数据。
3.根据权利要求1所述的一种基于容量增量法的动力电池全生命周期管理系统,其特征在于,所述动力电池数据包括车载电池BMS数据与电动车的动力系统信息;其中车载电池BMS数据包括电池包与电芯的充放电的功率,电压,电流以及温度;动力系统信息则是车机的状态信息,包括启停信息,加减速信息,运行时间以及运行环境温度。
4.根据权利要求1所述的一种基于容量增量法的动力电池全生命周期管理系统,其特征在于,IC曲线提取的特征值包括峰值或谷值位置所对应的横纵坐标值、某一电压区间内IC 曲线下的面积以及IC曲线两峰之间的距离。
5.根据权利要求1所述的一种基于容量增量法的动力电池全生命周期管理系统,其特征在于,所述价值修正模块的具体修正步骤为:
获取大数据模型中对衰减趋势影响较大的因素,从中剔除与滥用相关的因素,得到修正后由电池特性所决定的衰减趋势曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211138423.0A CN115219913A (zh) | 2022-09-19 | 2022-09-19 | 一种基于容量增量法的动力电池全生命周期管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211138423.0A CN115219913A (zh) | 2022-09-19 | 2022-09-19 | 一种基于容量增量法的动力电池全生命周期管理系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115219913A true CN115219913A (zh) | 2022-10-21 |
Family
ID=83617877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211138423.0A Pending CN115219913A (zh) | 2022-09-19 | 2022-09-19 | 一种基于容量增量法的动力电池全生命周期管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115219913A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116593903A (zh) * | 2023-07-17 | 2023-08-15 | 中国华能集团清洁能源技术研究院有限公司 | 电池剩余寿命预测方法及装置 |
CN116742166A (zh) * | 2023-06-08 | 2023-09-12 | 深圳市朗大科技有限公司 | 一种动力电池修复方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107599844A (zh) * | 2017-09-07 | 2018-01-19 | 深圳埃瑞斯瓦特新能源有限公司 | 一种电动汽车剩余里程检测方法 |
CN111106645A (zh) * | 2019-12-25 | 2020-05-05 | 深圳供电局有限公司 | 配网自动化电源的管理系统及方法 |
CN111948546A (zh) * | 2020-08-07 | 2020-11-17 | 国网陕西省电力公司汉中供电公司 | 一种锂电池健康度评估方法及系统 |
CN112158105A (zh) * | 2020-10-12 | 2021-01-01 | 东风汽车集团有限公司 | 新能源汽车动力电池soh评估装置、方法及系统 |
US20210311129A1 (en) * | 2020-04-03 | 2021-10-07 | Cummins Inc. | Methods and systems for accelerated determining of state of health using incremental capacity analysis |
CN113627671A (zh) * | 2021-08-11 | 2021-11-09 | 万克能源科技有限公司 | 一种储能场景单体电池soh预测计算方法 |
CN114487887A (zh) * | 2020-10-27 | 2022-05-13 | 彩虹无线(北京)新技术有限公司 | 电池健康度测量方法、装置、设备和存储介质 |
-
2022
- 2022-09-19 CN CN202211138423.0A patent/CN115219913A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107599844A (zh) * | 2017-09-07 | 2018-01-19 | 深圳埃瑞斯瓦特新能源有限公司 | 一种电动汽车剩余里程检测方法 |
CN111106645A (zh) * | 2019-12-25 | 2020-05-05 | 深圳供电局有限公司 | 配网自动化电源的管理系统及方法 |
US20210311129A1 (en) * | 2020-04-03 | 2021-10-07 | Cummins Inc. | Methods and systems for accelerated determining of state of health using incremental capacity analysis |
CN111948546A (zh) * | 2020-08-07 | 2020-11-17 | 国网陕西省电力公司汉中供电公司 | 一种锂电池健康度评估方法及系统 |
CN112158105A (zh) * | 2020-10-12 | 2021-01-01 | 东风汽车集团有限公司 | 新能源汽车动力电池soh评估装置、方法及系统 |
CN114487887A (zh) * | 2020-10-27 | 2022-05-13 | 彩虹无线(北京)新技术有限公司 | 电池健康度测量方法、装置、设备和存储介质 |
CN113627671A (zh) * | 2021-08-11 | 2021-11-09 | 万克能源科技有限公司 | 一种储能场景单体电池soh预测计算方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116742166A (zh) * | 2023-06-08 | 2023-09-12 | 深圳市朗大科技有限公司 | 一种动力电池修复方法及系统 |
CN116593903A (zh) * | 2023-07-17 | 2023-08-15 | 中国华能集团清洁能源技术研究院有限公司 | 电池剩余寿命预测方法及装置 |
CN116593903B (zh) * | 2023-07-17 | 2023-10-20 | 中国华能集团清洁能源技术研究院有限公司 | 电池剩余寿命预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111999657B (zh) | 一种电动汽车的锂离子电池剩余寿命的行驶里程评估方法 | |
CN110161425B (zh) | 一种基于锂电池退化阶段划分的剩余使用寿命的预测方法 | |
CN115219913A (zh) | 一种基于容量增量法的动力电池全生命周期管理系统 | |
CN112904219B (zh) | 一种基于大数据的动力电池健康状态的预测方法 | |
CN108089133A (zh) | 储能系统电池组一致性检测方法及检测装置 | |
CN112213643B (zh) | 电池初始容量、电池健康状态的预测方法、系统及设备 | |
CN112557907A (zh) | 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法 | |
CN115327422A (zh) | 基于充放电行为的电动公交动力电池健康度评价方法 | |
CN113064939A (zh) | 一种新能源车辆三电系统安全特征数据库构建方法 | |
CN113064089A (zh) | 动力电池的内阻检测方法、装置、介质以及系统 | |
CN113159435B (zh) | 一种新能源车辆剩余驾驶里程预测方法及系统 | |
CN112305441B (zh) | 一种集成式聚类下的动力电池健康状态评估方法 | |
CN116643178B (zh) | 一种电池管理系统的soc估算方法及相关装置 | |
WO2021052540A1 (de) | Zustandswert für wiederaufladbare batterien | |
CN114167301A (zh) | 一种基于电动汽车实车数据的动力电池评估方法 | |
CN116572799A (zh) | 基于深度学习的动力电池荷电续航预测方法、系统及终端 | |
CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
CN102095953B (zh) | 一种蓄电池充电机性能在线检测方法 | |
CN114545275A (zh) | 一种锂离子电池剩余使用寿命间接预测方法 | |
CN117828408A (zh) | 一种储能容量数据处理方法及系统 | |
CN114330091A (zh) | 基于多个电池的数据参数化电池的电化学电池模型的方法和装置 | |
US20230305073A1 (en) | Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern | |
CN105225065A (zh) | 基于电子健康档案系统的二次锂电池监控系统及其管理方法 | |
CN117087495A (zh) | 一种基于电池老化水平的电动汽车的续驶里程估计方法 | |
CN117665620A (zh) | 基于新能源汽车数据的电池健康度评估方法 |
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 |