CN115267588A - 一种基于局部容量增量特征的锂电池健康状态估计方法 - Google Patents

一种基于局部容量增量特征的锂电池健康状态估计方法 Download PDF

Info

Publication number
CN115267588A
CN115267588A CN202210930707.7A CN202210930707A CN115267588A CN 115267588 A CN115267588 A CN 115267588A CN 202210930707 A CN202210930707 A CN 202210930707A CN 115267588 A CN115267588 A CN 115267588A
Authority
CN
China
Prior art keywords
voltage
lithium battery
charging
health state
state estimation
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
Application number
CN202210930707.7A
Other languages
English (en)
Inventor
彭纪昌
陈凯
孟锦豪
刘海涛
郝思鹏
黄焕炀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Institute of Technology
Original Assignee
Nanjing Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Institute of Technology filed Critical Nanjing Institute of Technology
Priority to CN202210930707.7A priority Critical patent/CN115267588A/zh
Publication of CN115267588A publication Critical patent/CN115267588A/zh
Pending legal-status Critical Current

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
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种基于局部容量增量特征的锂电池健康状态估计方法，包括：获取锂电池的充电数据，评估20％至80％荷电状态对应的电压范围；将每一轮电压范围划分电压区间，并对电压区间进行电压修复；将电压修复的每个电压区间划分电压子区间，计算每个子区间对应的局部电压容量增量；将局部电压容量增量输入支持向量回归模型中训练，直至均方根误差损失函数收敛，得到优化后的电压区间；实时采集当前充放电循环次数下的锂电池充电片段，根据充电片段选择对应经优化的电压区间，得到多电压区间的联合估计值，并通过卡尔曼滤波算法得出当前锂电池健康状态估计的最优估计。本发明解决了无人搬运车数据驱动模型健康状态估计困难的问题。

Description

一种基于局部容量增量特征的锂电池健康状态估计方法
技术领域
本发明属于锂电池技术领域，具体地，涉及一种基于局部容量增量特征的锂电池健康状态估计方法。
背景技术
随着工厂、仓库等需要大量劳力的搬运场所自动化程度的提高，无人搬运车正逐渐被广泛普及。动力锂离子电池由于具备高能量密度、长寿命和低放电率等优点，逐步替代了无人搬运车所使用的铅蓄电池，但其使用风险相对于铅蓄电池而言更高。因此如何及时估计电池的健康状态，评估与处理寿命不合格的单元，对保证作业安全、避免损失有着重要意义。
以电动汽车的锂离子电池使用为背景，基于数据驱动模型的健康状态估计算法得到了广泛研究。然而与电动汽车使用特点不同，无人搬运车的充放电次数更加频繁，放电深度也更低，而以往的健康状态估计算法往往需要较长信息跨度的数据，因此难以在无人搬运车的场景中被使用。
针对无人搬运车的使用场景，本发明提出了一种基于局部容量增量特征的锂电池健康状态估计方法，该方法旨应用低放电深度特征的同时充分而准确地完成对无人搬运车的健康状态估计。
发明内容
针对现有技术中的上述不足，本发明提供了一种基于局部容量增量特征的锂电池健康状态估计方法，解决了无人搬运车数据驱动模型健康状态估计困难的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于局部容量增量特征的锂电池健康状态估计方法，具体包括以下步骤：
S1、获取锂电池从出厂到退役过程中每轮充放电循环的充电数据，以充放电循环中第一次充电为准，评估20％至80％荷电状态对应的电压范围，保留充电数据中所有在所述电压范围的充电数据；
S2、将每一轮保留的充电数据中的电压范围以间隔ΔU1划分为N1个电压区间，并对N1个电压区间进行电压修复；
S3、将电压修复的每个电压区间按照间隔ΔU2划分为N2个电压子区间，计算每个子区间对应的局部电压容量增量；
S4、将每个子区间对应的局部电压容量增量输入支持向量回归模型中训练，直至均方根误差损失函数收敛，得到N1个锂离子电池健康状态估计模型；
S5、实时采集当前充放电循环次数下的锂电池充电片段，根据充电片段选择对应的锂离子电池健康状态估计模型，得到多模型联合估计值，并通过卡尔曼滤波算法得出当前锂电池健康状态估计的最优估计。
进一步地，所述间隔ΔU1为50mV-200mV。
进一步地，所述间隔ΔU2为3mV-10mV。
进一步地，对N1个电压区间进行电压修复的过程为：充电电压曲线随荷电状态单调递增，若充电时任意时刻的电压值应低于前面所有时刻，则该时刻的电压值异常，寻找该时刻的电压值左右相邻两个时刻的正常电压，采用线性插值的方式对异常的电压值进行替换：
Figure BDA0003781233320000021
其中，tabnormal为异常电压出现的时刻，
Figure BDA0003781233320000022
为异常电压左相邻时刻，
Figure BDA0003781233320000023
为异常电压右相邻时刻，
Figure BDA0003781233320000024
为
Figure BDA0003781233320000025
对应的正常电压值，
Figure BDA0003781233320000026
为
Figure BDA0003781233320000027
对应的正常电压值，Vrenew为对异常电压的修复值。
进一步地，所述子区间对应的局部容量增量Δq为：
Figure BDA0003781233320000028
其中，i(t)为锂电池在充电过程中t时刻所对应的电流，tst为子区间的起始时刻，ted为子区间的终止时刻。
进一步地，所述均方根误差损失函数δa为：
Figure BDA0003781233320000029
其中，Mval为第a个电压区间的充电数据样本数，u为Mval的索引，yval(u)表示第u个充电数据样本的电池健康状态的真实值，
Figure BDA00037812333200000210
表示第a个电压区间关于第u个充电数据样本的电池健康状态的估计值。
进一步地，步骤S5包括如下子步骤：
S5.1、实时采集当前充放电循环次数下的锂电池充电片段，根据充电片段选择对应的锂离子电池健康状态估计模型，计算每个锂离子电池健康状态估计模型的均方根误差，根据均方根误差设置每个锂离子电池健康状态估计模型的权重wj：
Figure BDA0003781233320000031
其中，J为充电片段对应的锂离子电池健康状态估计模型的数量，j表示J的索引，δj为第j个锂离子电池健康状态估计模型与实时锂电池的充电片段之间的均方根误差；
S5.2、通过对应的锂离子电池健康状态估计模型估计出锂电池健康状态结合每个锂离子电池健康状态估计模型的权重，得到多模型联合估计值
Figure BDA0003781233320000032
Figure BDA0003781233320000033
其中，
Figure BDA0003781233320000034
为由每个锂离子电池健康状态估计模型估计出的锂电池健康状态组成的矩阵集合，W为锂离子电池健康状态估计模型的权重集合；
S5.3、将多模型联合估计值
Figure BDA0003781233320000035
进一步采用卡尔曼滤波进行修正，得出当前锂电池健康状态估计的最优估计
Figure BDA0003781233320000036
其中，
Figure BDA0003781233320000037
为当前充放电循环次数k的先验估计，K(k)为当前充放电循环次数k的卡尔曼增益，
Figure BDA0003781233320000038
P-(k)为当前充放电循环次数k的先验估计方差，P-(k)＝P(k-1)+Q，P(k-1)为k-1充放电循环次数下的最优估计方差，Q为过程方差，R(k)为当前充放电循环次数k的估计方差。
与现有技术相比，本发明具有如下有益效果：本发明基于局部容量增量特征的锂电池健康状态估计方法通过对划分电压区间和训练，得到多个优化的电压区间，减小了各电压区间对长跨度信息的寻求，大大提高了电池管理系统实现电池健康状态估计的几率。本发明锂电池健康状态估计方法通过多个电压区间的联合估计，实现了对电池健康状态较为准确的估计，且进一步通过卡尔曼滤波引入历史估计结果，并动态调整其估计方差对联合估计结果作出修正，再一次提高了锂电池健康状态估计的精确度。
附图说明
图1为本发明基于局部容量增量特征的锂电池健康状态估计方法的流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1为本发明基于局部容量增量特征的锂电池健康状态估计方法的流程图，该锂电池健康状态估计方法具体包括如下步骤：
S1、获取锂电池从出厂到退役过程中每轮充放电循环的充电数据，以充放电循环中第一次充电为准，评估20％至80％荷电状态对应的电压范围，保留充电数据中所有在该电压范围的充电数据；
S2、将每一轮保留的充电数据中的电压范围以间隔ΔU1划分为N1个电压区间，并对N1个电压区间进行电压修复，从而保证充电电压的单调性。本发明中间隔ΔU1设置为50mV-200mV，使得N1个电压区间中每一段电压区间对应的时间不会太长，从而降低了实际使用中特征的采集难度。
本发明中对N1个电压区间进行电压修复的过程为：充电电压曲线随荷电状态单调递增，若充电时任意时刻的电压值应低于前面所有时刻，则该时刻的电压值异常，寻找该时刻的电压值左右相邻两个时刻的正常电压，采用线性插值的方式对异常的电压值进行替换：
Figure BDA0003781233320000041
其中，tabnormal为异常电压出现的时刻，
Figure BDA0003781233320000042
为异常电压左相邻时刻，
Figure BDA0003781233320000043
为异常电压右相邻时刻，
Figure BDA0003781233320000044
为
Figure BDA0003781233320000045
对应的正常电压值，
Figure BDA0003781233320000046
为
Figure BDA0003781233320000047
对应的正常电压值，Vrenew为对异常电压的修复值。
S3、将电压修复的每个电压区间按照间隔ΔU2划分为N2个电压子区间，计算每个子区间对应的局部电压容量增量；本发明中间隔ΔU2设置为3mV-10mV，以此间隔获得的局部电压容量增量可以很好地反映锂电池的老化过程。
本发明中子区间对应的局部容量增量Δq为：
Figure BDA0003781233320000048
其中，i(t)为锂电池在充电过程中t时刻所对应的电流，tst为子区间的起始时刻，ted为子区间的终止时刻。
S4、将每个子区间对应的局部电压容量增量输入支持向量回归模型中训练，直至均方根误差损失函数收敛，得到N1个锂离子电池健康状态估计模型。以局部电压容量增量作为锂离子电池健康状态估计模型的特征具有便于计算且无需进行复杂滤波算法处理的优点，此外，每个锂离子电池健康状态估计模型对应着各自的电压区间，这使得锂离子电池健康状态估计模型在应用中，可以根据实际电压采样数据来确定哪几个锂离子电池健康状态估计模型可以被投入使用，并进行联合估计，大大提高了锂离子电池健康状态估计的灵活度。
本发明中均方根误差损失函数δa为：
Figure BDA0003781233320000051
其中，Mval为第a个电压区间的充电数据样本数，u为Mval的索引，yval(u)表示第u个充电数据样本的电池健康状态的真实值，
Figure BDA0003781233320000052
表示第a个电压区间关于第u个充电数据样本的电池健康状态的估计值。
S5、实时采集当前充放电循环次数下的锂电池充电片段，根据充电片段选择对应的锂离子电池健康状态估计模型，得到多模型联合估计值，并通过卡尔曼滤波算法得出当前锂电池健康状态估计的最优估计。考虑到在多模型联合估计在实际应用时，在极端情况下当某次循环中充电电压范围过小只能调用个别锂离子电池健康状态估计模型进行估计，且该锂离子电池健康状态估计模型精度欠佳时，会导致此轮估计结果偏差很大。通过引入卡尔曼滤波算法可结合上一轮的估计值与此轮模型的联合估计结果，并通过调整此轮估计误差以给出二者的权衡值，降低了极端情况下带来的偏差，从而提高锂离子电池健康状态估计的估计精度。具体包括如下子步骤：
S5.1、实际应用中往往只能采集到较小范围的电压数据，因此仅有少数电压范围便能获取到所需特征并给出估计结果。因此，通过实时采集当前充放电循环次数下的锂电池充电片段，根据充电片段选择对应的锂离子电池健康状态估计模型，计算每个锂离子电池健康状态估计模型的均方根误差，根据均方根误差设置每个锂离子电池健康状态估计模型的权重wj：
Figure BDA0003781233320000053
其中，J为充电片段对应的锂离子电池健康状态估计模型的数量，j表示J的索引，δj为第j个锂离子电池健康状态估计模型与实时锂电池的充电片段之间的均方根误差；
S5.2、通过对应的锂离子电池健康状态估计模型估计出锂电池健康状态结合每个锂离子电池健康状态估计模型的权重，得到多模型联合估计值
Figure BDA0003781233320000054
Figure BDA0003781233320000055
其中，
Figure BDA0003781233320000061
为由每个锂离子电池健康状态估计模型估计出的锂电池健康状态组成的矩阵集合，W为锂离子电池健康状态估计模型的权重集合；
S5.3、将多模型联合估计值
Figure BDA0003781233320000062
进一步采用卡尔曼滤波进行修正，得出当前锂电池健康状态估计的最优估计
Figure BDA0003781233320000063
其中，
Figure BDA0003781233320000064
为当前充放电循环次数k的先验估计，
Figure BDA0003781233320000065
其初值为
Figure BDA0003781233320000066
K(k)为当前充放电循环次数k的卡尔曼增益，
Figure BDA0003781233320000067
P-(k)为当前充放电循环次数k的先验估计方差，P-(k)＝P(k-1)+Q；P(k-1)为k-1充放电循环次数下的最优估计方差，其初值为P(1)＝R(1)；Q为过程方差，
Figure BDA0003781233320000068
R(k)为当前充放电循环次数k的估计方差，
Figure BDA0003781233320000069
n(k)为当前充放电循环次数k下使用锂离子电池健康状态估计模型的数量，J(k)为当前充放电循环次数k下使用的锂离子电池健康状态估计模型。
本发明基于局部容量增量特征的锂电池健康状态估计方法以支持向量回归模型为基础，将局部电压容量间隔作为其输入，创建了多个锂离子电池健康状态估计模型进行联合估计，大大提高了锂离子电池健康状态估计模型应用的灵活性。此外，在本发明中引入了卡尔曼滤波算法，通过合理设定其过程方差并动态调整其估计误差，提高了多模型联合估计的精度。将本发明锂电池健康状态估计方法用于牛津大学电池老化公开数据集的测试，将第1块锂电池作为训练集，其余7块锂电池作为测试集，以电池容量作为估计结果时的均方根误差分别为：1.17％、1.16％、1.02％、1.44％、1.21％、1.44％、1.44％，而通常锂离子电池健康状态估计的误差为3％-5％以内，表明本发明基于局部容量增量特征的锂电池健康状态估计方法具有较高的精度。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施方式，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (7)

1.一种基于局部容量增量特征的锂电池健康状态估计方法，其特征在于，具体包括以下步骤：
S1、获取锂电池从出厂到退役过程中每轮充放电循环的充电数据，以充放电循环中第一次充电为准，评估20％至80％荷电状态对应的电压范围，保留充电数据中所有在所述电压范围的充电数据；
S2、将每一轮保留的充电数据中的电压范围以间隔ΔU1划分为N1个电压区间，并对N1个电压区间进行电压修复；
S3、将电压修复的每个电压区间按照间隔ΔU2划分为N2个电压子区间，计算每个子区间对应的局部电压容量增量；
S4、将每个子区间对应的局部电压容量增量输入支持向量回归模型中训练，直至均方根误差损失函数收敛，得到N1个锂离子电池健康状态估计模型；
S5、实时采集当前充放电循环次数下的锂电池充电片段，根据充电片段选择对应的锂离子电池健康状态估计模型，得到多模型联合估计值，并通过卡尔曼滤波算法得出当前锂电池健康状态估计的最优估计。
2.根据权利要求1所述的一种基于局部容量增量特征的锂电池健康状态估计方法，其特征在于，所述间隔ΔU1为50mV-200mV。
3.根据权利要求1所述的一种基于局部容量增量特征的锂电池健康状态估计方法，其特征在于，所述间隔ΔU2为3mV-10mV。
4.根据权利要求1所述的一种基于局部容量增量特征的锂电池健康状态估计方法，其特征在于，对N1个电压区间进行电压修复的过程为：充电电压曲线随荷电状态单调递增，若充电时任意时刻的电压值应低于前面所有时刻，则该时刻的电压值异常，寻找该时刻的电压值左右相邻两个时刻的正常电压，采用线性插值的方式对异常的电压值进行替换：
Figure FDA0003781233310000011
其中，tabnormal为异常电压出现的时刻，
Figure FDA0003781233310000012
为异常电压左相邻时刻，
Figure FDA0003781233310000013
为异常电压右相邻时刻，
Figure FDA0003781233310000014
为
Figure FDA0003781233310000015
对应的正常电压值，
Figure FDA0003781233310000016
为
Figure FDA0003781233310000017
对应的正常电压值，Vrenew为对异常电压的修复值。
5.根据权利要求1所述的一种基于局部容量增量特征的锂电池健康状态估计方法，其特征在于，所述子区间对应的局部容量增量Δq为：
Figure FDA0003781233310000021
其中，i(t)为锂电池在充电过程中t时刻所对应的电流，tst为子区间的起始时刻，ted为子区间的终止时刻。
6.根据权利要求1所述的一种基于局部容量增量特征的锂电池健康状态估计方法，其特征在于，所述均方根误差损失函数δa为：
Figure FDA0003781233310000022
其中，Mval为第a个电压区间的充电数据样本数，u为Mval的索引，yval(u)表示第u个充电数据样本的电池健康状态的真实值，
Figure FDA0003781233310000023
表示第a个电压区间关于第u个充电数据样本的电池健康状态的估计值。
7.根据权利要求1所述的一种基于局部容量增量特征的锂电池健康状态估计方法，其特征在于，步骤S5包括如下子步骤：
S5.1、实时采集当前充放电循环次数下的锂电池充电片段，根据充电片段选择对应的锂离子电池健康状态估计模型，计算每个锂离子电池健康状态估计模型的均方根误差，根据均方根误差设置每个锂离子电池健康状态估计模型的权重wj：
Figure FDA0003781233310000024
其中，J为充电片段对应的锂离子电池健康状态估计模型的数量，j表示J的索引，δj为第j个锂离子电池健康状态估计模型与实时锂电池的充电片段之间的均方根误差；
S5.2、通过对应的锂离子电池健康状态估计模型估计出锂电池健康状态结合每个锂离子电池健康状态估计模型的权重，得到多模型联合估计值
Figure FDA0003781233310000025
Figure FDA0003781233310000026
其中，
Figure FDA0003781233310000027
为由每个锂离子电池健康状态估计模型估计出的锂电池健康状态组成的矩阵集合，W为锂离子电池健康状态估计模型的权重集合；
S5.3、将多模型联合估计值
Figure FDA0003781233310000028
进一步采用卡尔曼滤波进行修正，得出当前锂电池健康状态估计的最优估计
Figure FDA0003781233310000029
其中，
Figure FDA0003781233310000031
为当前充放电循环次数k的先验估计，K(k)为当前充放电循环次数k的卡尔曼增益，
Figure FDA0003781233310000032
P-(k)为当前充放电循环次数k的先验估计方差，P-(k)＝P(k-1)+Q，P(k-1)为k-1充放电循环次数下的最优估计方差，Q为过程方差，R(k)为当前充放电循环次数k的估计方差。
CN202210930707.7A 2022-08-04 2022-08-04 一种基于局部容量增量特征的锂电池健康状态估计方法 Pending CN115267588A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210930707.7A CN115267588A (zh) 2022-08-04 2022-08-04 一种基于局部容量增量特征的锂电池健康状态估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210930707.7A CN115267588A (zh) 2022-08-04 2022-08-04 一种基于局部容量增量特征的锂电池健康状态估计方法

Publications (1)

Publication Number Publication Date
CN115267588A true CN115267588A (zh) 2022-11-01

Family

ID=83749225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210930707.7A Pending CN115267588A (zh) 2022-08-04 2022-08-04 一种基于局部容量增量特征的锂电池健康状态估计方法

Country Status (1)

Country Link
CN (1) CN115267588A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115993538A (zh) * 2023-02-01 2023-04-21 上海玫克生储能科技有限公司 一种电池容量增量综合曲线的拟合方法、装置和电子设备
CN116256648A (zh) * 2023-05-16 2023-06-13 合肥力高动力科技有限公司 一种基于充电数据的锂电池soh估计方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115993538A (zh) * 2023-02-01 2023-04-21 上海玫克生储能科技有限公司 一种电池容量增量综合曲线的拟合方法、装置和电子设备
CN115993538B (zh) * 2023-02-01 2023-10-20 上海玫克生储能科技有限公司 一种电池容量增量综合曲线的拟合方法、装置和电子设备
CN116256648A (zh) * 2023-05-16 2023-06-13 合肥力高动力科技有限公司 一种基于充电数据的锂电池soh估计方法

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
CN115267588A (zh) 一种基于局部容量增量特征的锂电池健康状态估计方法
CN108490365B (zh) 一种估计电动汽车的动力电池的剩余寿命的方法
CN109543317B (zh) 一种pemfc剩余使用寿命预测的方法及装置
US11316212B2 (en) Method, system and device for active balance control of battery pack
CN108445422B (zh) 基于极化电压恢复特性的电池荷电状态估算方法
CN113917334B (zh) 基于进化lstm自编码器的电池健康状态估计方法
CN112327174B (zh) 电池的soc修正方法及装置、电池管理系统
CN112433170B (zh) 一种串联电池组单体参数差异辨识方法
CN112462282B (zh) 基于机理模型的用于确定电池组实时荷电状态的方法
CN114035098A (zh) 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法
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
CN107895175A (zh) 一种基于非齐次马尔科夫链模型预测锂离子电池容量退化的方法
CN114200333A (zh) 一种铅酸蓄电池容量预测方法
CN114781262A (zh) 基于退化序列时序关联建模的长寿命锂离子电池早期寿命预测方法及系统
CN116953547A (zh) 一种储能电池健康度评估方法、系统、设备及存储介质
CN116298914A (zh) 基于深度学习的锂电池荷电状态与健康状态联合估计方法
CN112114254B (zh) 一种动力电池开路电压模型融合方法
CN113791351A (zh) 基于迁移学习和差值概率分布的锂电池寿命预测方法
CN113125969B (zh) 基于aukf的电池数据处理方法、设备和介质
CN116819364A (zh) 电池健康度的确定方法、应用方法、电子设备及存储介质
CN115598546A (zh) 锂离子电池soh、soc和rul的联合估计方法
CN115327389A (zh) 基于遗传算法改进的双卡尔曼滤波的锂电池soc估计方法
CN113466696A (zh) 一种基于电压曲线变换的电池组单体状态估计方法
CN113900028A (zh) 一种考虑充放电路径的电池健康状态估计方法

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