CN115389940A - 预测动力电池内阻的方法、功率的方法、系统及存储介质 - Google Patents
预测动力电池内阻的方法、功率的方法、系统及存储介质 Download PDFInfo
- Publication number
- CN115389940A CN115389940A CN202210943964.4A CN202210943964A CN115389940A CN 115389940 A CN115389940 A CN 115389940A CN 202210943964 A CN202210943964 A CN 202210943964A CN 115389940 A CN115389940 A CN 115389940A
- Authority
- CN
- China
- Prior art keywords
- battery
- power
- internal resistance
- soc
- charged
- 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]
- G01R31/378—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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种预测动力电池内阻的方法、功率的方法、系统及存储介质,包括:通过三元动力电池内阻(或功率)表,结合电池本身的电化学特征,先将电池内阻(或功率)表的参数做归一化处理,然后将电池内阻(或功率)作为因变量,将电池温度、电池荷电状态、脉冲放电(或充电)时间三项作为自变量,进行非线性回归拟合,建立多变量因子耦合内阻(或功率)模型,多模型进行修正和验证,通过模型对动力电池的内阻(或功率)进行预测。利用本发明对电池内阻(功率)进行预测,预测误差均小于10%。
Description
技术领域
本发明属于动力电池技术领域,具体涉及一种预测动力电池内阻的方法、功率的方法、系统及存储介质。
背景技术
目前新能源汽车市场主流的锂离子动力电池,其最大输出功率和回馈功率的能力受到环境温度和电池自身荷电态的影响非常大。这由电池本身的电化学特性决定。因此,新能源整车在设计功率性能时,需要结合电池的实际特性能力。同时,电池功率能力和电池的容量和内阻强相关。
传统方法中,需要通过HPPC等方法实测电池的直流内阻和峰值功率。对电池在不同温度、不同荷电状态、不同充放电时间下,以最大电流能力进行充放电脉冲测试。测试周期长,可操作性较差。且因电池在不同状态下能够承受的最大电流不容易确定,而测试电流等因素对测试结果的影响非常大,导致测定电池内阻和峰值功率的差异较大,少量测试难以测试出真实脉冲能力。采用此电性能参数,易导致整车出现控制策略不准、功率不足、动力中断等问题。
因此,有必要开发一种新的预测动力电池内阻的方法、功率的方法、系统及存储介质。
发明内容
本发明的目的在于提供一种预测动力电池内阻的方法、功率的方法、系统及存储介质,能对动力电池的内阻或功率进行预测,且预测误差小于10%。
第一方面,本发明所述的一种预测动力电池内阻的方法,包括以下步骤:
步骤1、将电池内阻表的参数做归一化处理;
步骤2、将电池内阻作为因变量,将电池温度、电池荷电状态、脉冲充/放电时间三项作为自变量,进行多元非线性回归拟合,得到多变量因子耦合内阻模型;
步骤3、判断所建立的多变量因子耦合内阻模型是否符合电化学和热力学规律,同时通过统计学分析,对多变量因子耦合内阻模型的可信度进行检验;
步骤4、针对新型号或新材料体系的动力电池,实测多个特征条件下的电池内阻,并基于测试所得的多个特征条件下的电池内阻去修正多变量因子耦合内阻模型;
步骤5、对步骤4所得的多变量因子耦合内阻模型进行验证,若预测精度满足预设精度值,则表示多变量因子耦合内阻模型搭建完成,若预测精度不满足预设精度值,则返回步骤2;
步骤6、利用步骤5搭建好的多变量因子耦合内阻模型对新型号或新材料体系的动力电池的内阻进行预测。
可选地,所述步骤2中,若将脉冲充电时间作为自变量时,所述步骤4中的实测多个特征条件下的电池内阻,具体为:
(1)电池在50%SOC,-10℃,充电10s的内阻值;
(2)电池在50%SOC,10℃,充电10s的内阻值;
(3)电池在50%SOC,25℃,充电10s的内阻值;
(4)电池在50%SOC,40℃,充电10s的内阻值;
(5)电池在50%SOC,25℃,充电30s的内阻值;
(6)电池在20%SOC,0℃,充电10s的内阻值;
(7)电池在20%SOC,25℃,充电10s的内阻值;
(8)电池在80%SOC,25℃,充电10s的内阻值;
(9)电池在5%SOC,-25℃,充电30s的内阻值。
本发明通过实测的九个特征条件下的电池内阻参数,并进行恒功率充电测试验证,能够得出真实准确的特征内阻参数。
可选地,所述步骤2中,若将脉冲放电时间作为自变量时,所述步骤4中的实测多个特征条件下的电池内阻,具体为:
(1)电池在50%SOC,-10℃,放电10s的内阻值;
(2)电池在50%SOC,10℃,放电10s的内阻值;
(3)电池在50%SOC,25℃,放电10s的内阻值;
(4)电池在50%SOC,40℃,放电10s的内阻值;
(5)电池在50%SOC,25℃,放电30s的内阻值;
(6)电池在20%SOC,0℃,放电10s的内阻值;
(7)电池在20%SOC,25℃,放电10s的内阻值;
(8)电池在80%SOC,25℃,放电10s的内阻值;
(9)电池在5%SOC,-25℃,放电30s的内阻值。
本发明通过实测的九个特征条件下的电池内阻参数,并进行恒功率放电测试验证,能够得出真实准确的特征内阻参数。
第二方面,本发明所述的一种预测动力电池功率的方法,包括以下步骤:
步骤1、将电池功率表的参数做归一化处理;
步骤2、将电池功率作为因变量,将电池温度、电池荷电状态、脉冲充/放电时间三项作为自变量,进行多元非线性回归拟合,得到多变量因子耦合功率模型;
步骤3、判断所建立的多变量因子耦合功率模型是否符合电化学和热力学规律,同时通过统计学分析,对多变量因子耦合功率模型的可信度进行检验;
步骤4、针对新型号或新材料体系的动力电池,实测多个特征条件下的电池功率,并基于测试所得的多个特征条件下的电池功率去修正多变量因子耦合功率模型;
步骤5、对步骤4所得的多变量因子耦合功率模型进行验证,若预测精度满足预设精度值,则表示多变量因子耦合功率模型搭建完成,若预测精度不满足预设精度值,则返回步骤2;
步骤6、利用步骤5搭建好的多变量因子耦合功率模型对新型号或新材料体系的动力电池的功率进行预测。
可选地,所述步骤2中,若将脉冲充电时间作为自变量时,所述步骤4中的实测多个特征条件下的电池功率值,具体为:
(1)电池在50%SOC,-10℃,充电10s的功率值;
(2)电池在50%SOC,10℃,充电10s的功率值;
(3)电池在50%SOC,25℃,充电10s的功率值;
(4)电池在50%SOC,40℃,充电10s的功率值;
(5)电池在50%SOC,25℃,充电30s的功率值;
(6)电池在20%SOC,0℃,充电10s的功率值;
(7)电池在20%SOC,25℃,充电10s的功率值;
(8)电池在80%SOC,25℃,充电10s的功率值;
(9)电池在5%SOC,-25℃,充电30s的功率值。
本发明通过实测的九个特征条件下的电池功率参数,并进行恒功率充电测试验证,能够得出真实准确的特征功率参数。
可选地,所述步骤2中,若将脉冲放电时间作为自变量时,所述步骤4中的实测多个特征条件下的电池功率值,具体为:
(1)电池在50%SOC,-10℃,放电10s的功率值;
(2)电池在50%SOC,10℃,放电10s的功率值;
(3)电池在50%SOC,25℃,放电10s的功率值;
(4)电池在50%SOC,40℃,放电10s的功率值;
(5)电池在50%SOC,25℃,放电30s的功率值;
(6)电池在20%SOC,0℃,放电10s的功率值;
(7)电池在20%SOC,25℃,放电10s的功率值;
(8)电池在80%SOC,25℃,放电10s的功率值;
(9)电池在5%SOC,-25℃,放电30s的功率值。
本发明通过实测的九个特征条件下的电池功率参数,并进行恒功率放电测试验证,能够得出真实准确的特征功率参数。
第三方面,本发明所述的一种预测动力电池内阻的系统,包括存储器和控制器,所述存储器内存储有计算机可读程序,所述计算机可读程序被控制器调用时,能执行如本发明所述的预测动力电池内阻的方法的步骤。
第四方面,本发明所述的一种预测动力电池功率的系统,包括存储器和控制器,所述存储器内存储有计算机可读程序,所述计算机可读程序被控制器调用时,能执行如本发明所述的预测动力电池功率的方法的步骤。
第五方面,本发明所述的一种存储介质,其内存储有计算机可读程序,所述计算机可读程序被调用时,能执行如本发明所述的预测动力电池内阻的方法的步骤。
第六方面,本发明所述的一种存储介质,其内存储有计算机可读程序,所述计算机可读程序被调用时,能执行如本发明所述的预测动力电池功率的方法的步骤。
本发明具有以下优点:
(1)通过本发明搭建的多变量因子耦合电阻(或功率)模型,预测新体系电池型号的内阻(或功率)值,预测误差小于10%。
(2)本方法所建立的电池内阻(或功率)的多变量因子耦合功率模型,能够反映动力电池内阻和功率背后的通用性和普适性规律,并实现电池内阻和功率的定量化和高精度预测。
综上所述,本发明能够有效节省电池测试和匹配应用开发周期,避免了电池内阻和功率测定不准带来的使用过程中的质量问题,能够用于指导并支撑电池设计和应用开发。
附图说明
图1是本实施例的流程图;
图2是本实施例中模型构建过程与关键因子分析图;
图3是本实施例中模型残差图。
具体实施方式
以下将结合附图对本发明进行详细的说明。
实施例一
如图1所示,本实施例中,一种预测动力电池内阻的方法,包括以下步骤:
步骤1、将电池内阻表的参数做归一化处理。
步骤2、将电池内阻作为因变量,将电池温度、电池荷电状态、脉冲充/放电时间三项作为自变量,通过最小二乘法对归一化后的内阻数据进行多元非线性回归拟合,得到多变量因子耦合内阻模型。
步骤3、判断所建立的多变量因子耦合内阻模型是否符合电化学和热力学规律,同时通过统计学分析,对多变量因子耦合内阻模型的可信度进行检验。
步骤4、针对新型号或新材料体系的动力电池,实测多个特征条件下的电池内阻,并基于测试所得的多个特征条件下的电池内阻去修正多变量因子耦合内阻模型。
步骤5、对步骤4所得的多变量因子耦合内阻模型进行验证,具体为:将内阻预测值和内阻真实值进行比较,如预测误差均小于10%,则表示多变量因子耦合内阻模型搭建完成,否则返回步骤2。
步骤6、利用步骤5搭建好的多变量因子耦合内阻模型对新型号或新材料体系的动力电池的内阻进行预测。
本实施例中,所述预测动力电池内阻的方法充分考虑电池本身特性,建立电池功率对电池温度、荷电状态、脉冲充/放电时间的多变量因子耦合功率模型,以达到提高电池内阻参数估算精度的效果,并节省电池测试和匹配应用开发周期。
本实施例中,多变量因子耦合电阻模型为:
ln(yDCR)=c0+c1×xSOC+c2×xT+c3×xt+c11×(xSOC)2+c22×(xT)2+c33×(xt)2+c12×xSOC×xT+c13×xSOC×xt
式中:yDCR为计算得到的动力电池直流内阻,单位mΩ;
xSOC为动力电池荷电态,单位1;其边界范围为0%~100%。
xT为动力电池温度,单位℃;其边界范围为30℃~55℃。
xt为动力电池脉冲放电(或充电)时间,单位s;其边界范围为0s~60S。
c0,c1,c2,c3,c11,c22,c33,c12,c13为常数项,其中c1,c2,c33,c13为负数。
某一型号的动力电池的多变量因子耦合电阻模型,具体为:
ln(yDCR)=38.41-12.000×xSOC-0.21109×xT+0.05188×xt+3.353×(xSOC)2+0.000287×(xT)2-0.000712×(xt)2+0.02705×xSOC×xT-0.02283×xSOC×xt
其中,模型拟合度R-sq=97.26%;模型显著性P<0.001。
该多变量因子耦合内阻模型(以下简称模型)形式上为对数函数和幂函数的复合函数。随着模型中因变量多项式的增加,模型拟合度R-sq逐步增加。最终模型拟合度达97.26%,显著性P<0.001,满足可信度检验要求,见图2中(a)。通过针对模型的关键影响因子分析,得出对电池内阻影响程度排序如下:环境温度(xT)>电池荷电态(xSOC)>脉冲充电/放电时间(xt),见图2(b)。图2(c)表示未见模型未见涵盖的变量。图3表明,残差值随机落在零的两侧,模型中不存在异常自变量因子值、不存在不等变差,模型假设合理。模型中,就单因子的影响而言,电池内阻随温度的变化符合阿伦尼乌斯规律(内阻的自然对数与温度的倒数成正比);电池内阻随荷电态的变化符合电池充/放电曲线中电势的变化规律(类比能斯特方程);电池内阻随脉冲充/放电时间的变化前期近似呈线性关系,后期趋于一个上限值。
图2中的Discharge表示放电;
Increase in R-Squared%表示拟合度增量;
R-Squared%表示拟合度;
R-Squared(adjusted)%表示拟合度(调整);
本实施例中,为了保证模型的通用性和准确度,针对特定的电池型号和不同的材料体系,引入电池内阻的特征值校准模型。通过实测9个特征条件下的电池内阻参数,并进行恒功率充/放电测试验证,得出真实准确的特征内阻参数。再将内阻参数的特征值导入模型,修正模型的常数,得到最终优化的多变量因子耦合内阻模型。
本实施例中,所述步骤2中,若将脉冲充电时间作为自变量时,所述步骤4中的实测多个(比如:9个)特征条件下的电池内阻,具体为:
(1)电池在50%SOC,-10℃,充电10s的内阻值;
(2)电池在50%SOC,10℃,充电10s的内阻值;
(3)电池在50%SOC,25℃,充电10s的内阻值;
(4)电池在50%SOC,40℃,充电10s的内阻值;
(5)电池在50%SOC,25℃,充电30s的内阻值;
(6)电池在20%SOC,0℃,充电10s的内阻值;
(7)电池在20%SOC,25℃,充电10s的内阻值;
(8)电池在80%SOC,25℃,充电10s的内阻值;
(9)电池在5%SOC,-25℃,充电30s的内阻值。
本实施例中,所述步骤2中,若将脉冲放电时间作为自变量时,所述步骤4中的实测多个特征条件下的电池内阻,具体为:
(1)电池在50%SOC,-10℃,放电10s的内阻值;
(2)电池在50%SOC,10℃,放电10s的内阻值;
(3)电池在50%SOC,25℃,放电10s的内阻值;
(4)电池在50%SOC,40℃,放电10s的内阻值;
(5)电池在50%SOC,25℃,放电30s的内阻值;
(6)电池在20%SOC,0℃,放电10s的内阻值;
(7)电池在20%SOC,25℃,放电10s的内阻值;
(8)电池在80%SOC,25℃,放电10s的内阻值;
(9)电池在5%SOC,-25℃,放电30s的内阻值。
本实施例中,通过实测的九个特征条件下的电池内阻参数,并进行恒功率放电测试验证,能够得出真实准确的特征内阻参数。
本实施例中,一种预测动力电池内阻的系统,包括存储器和控制器,所述存储器内存储有计算机可读程序,所述计算机可读程序被控制器调用时,能执行如本实施例中所述的预测动力电池内阻的方法的步骤。
本实施例中,一种存储介质,其内存储有计算机可读程序,所述计算机可读程序被调用时,能执行如本实施例中所述的预测动力电池内阻的方法的步骤。
实施例二
本实施例中,一种预测动力电池功率的方法,包括以下步骤:
步骤1、将电池功率表的参数做归一化处理;
步骤2、将电池功率作为因变量,将电池温度、电池荷电状态、脉冲充/放电时间三项作为自变量,进行多元非线性回归拟合,得到多变量因子耦合功率模型;
步骤3、判断所建立的多变量因子耦合功率模型是否符合电化学和热力学规律,同时通过统计学分析,对多变量因子耦合功率模型的可信度进行检验;
步骤4、针对新型号或新材料体系的动力电池,实测多个特征条件下的电池功率,并基于测试所得的多个特征条件下的电池功率去修正多变量因子耦合功率模型;
步骤5、对步骤4所得的多变量因子耦合功率模型进行验证,若预测精度满足预设精度值,则表示多变量因子耦合功率模型搭建完成,若预测精度不满足预设精度值,则返回步骤2;
步骤6、利用步骤5搭建好的多变量因子耦合功率模型对新型号或新材料体系的动力电池的功率进行预测。
本实施例中,所述预测动力电池功率的方法充分考虑电池本身特性,建立电池功率对电池温度、荷电状态、脉冲充/放电时间的多变量因子耦合功率模型,以达到提高电池功率参数估算精度的效果,并节省电池测试和匹配应用开发周期。
本实施例中,多变量因子耦合功率模型为:
ln(yDCR)=c0+c1×xSOC+c2×xT+c3×xt+c11×(xSOC)2+c22×(xT)2+c33×(xt)2+c12×xSOC×xT+c13×xSOC×xt
式中:yDCR为计算得到的动力电池的功率,单位W;
xSOC为动力电池荷电态,单位1;其边界范围为0%~100%。
xT为动力电池温度,单位K;其边界范围为243.15K~328.15K(-30℃~55℃)。
xt为动力电池脉冲放电(或充电)时间,单位s;其边界范围为0s~60s。
c0,c1,c2,c3,c11,c22,c33,c12,c13为常数项,其中:c1,c2,c33,c13为负数。
为保证模型的通用性和准确度,针对特定的电池型号和不同的材料体系,引入电池功率的特征值校准模型。通过实测九个特征条件下的电池功率参数,并进行恒功率充/放电测试验证,得出真实准确的特征功率参数。再将功率参数的特征值导入模型,修正模型的常数,得到最终优化的多变量因子耦合功率模型。
本实施例中,所述步骤2中,若将脉冲充电时间作为自变量时,所述步骤4中的实测多个特征条件下的电池功率值,具体为:
(1)电池在50%SOC,-10℃,充电10s的功率值;
(2)电池在50%SOC,10℃,充电10s的功率值;
(3)电池在50%SOC,25℃,充电10s的功率值;
(4)电池在50%SOC,40℃,充电10s的功率值;
(5)电池在50%SOC,25℃,充电30s的功率值;
(6)电池在20%SOC,0℃,充电10s的功率值;
(7)电池在20%SOC,25℃,充电10s的功率值;
(8)电池在80%SOC,25℃,充电10s的功率值;
(9)电池在5%SOC,-25℃,充电30s的功率值。
本实施例中,所述步骤2中,若将脉冲放电时间作为自变量时,所述步骤4中的实测多个特征条件下的电池功率值,具体为:
(1)电池在50%SOC,-10℃,放电10s的功率值;
(2)电池在50%SOC,10℃,放电10s的功率值;
(3)电池在50%SOC,25℃,放电10s的功率值;
(4)电池在50%SOC,40℃,放电10s的功率值;
(5)电池在50%SOC,25℃,放电30s的功率值;
(6)电池在20%SOC,0℃,放电10s的功率值;
(7)电池在20%SOC,25℃,放电10s的功率值;
(8)电池在80%SOC,25℃,放电10s的功率值;
(9)电池在5%SOC,-25℃,放电30s的功率值。
本实施例中,通过实测的九个特征条件下的电池功率参数,并进行恒功率放电测试验证,能够得出真实准确的特征功率参数。
其余部分与实施例相同。
本实施例中,一种预测动力电池功率的系统,包括存储器和控制器,所述存储器内存储有计算机可读程序,所述计算机可读程序被控制器调用时,能执行如本实施例中所述的预测动力电池功率的方法的步骤。
本实施例中,一种存储介质,其内存储有计算机可读程序,所述计算机可读程序被调用时,能执行如本实施例中所述的预测动力电池功率的方法的步骤。
上述实施例为本发明方法较佳的实施方式,但本发明方法的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.一种预测动力电池内阻的方法,其特征在于: 包括以下步骤:
步骤1、将电池内阻表的参数做归一化处理;
步骤2、将电池内阻作为因变量,将电池温度、电池荷电状态、脉冲充/放电时间三项作为自变量,进行多元非线性回归拟合,得到多变量因子耦合内阻模型;
步骤3、判断所建立的多变量因子耦合内阻模型是否符合电化学和热力学规律,同时通过统计学分析,对多变量因子耦合内阻模型的可信度进行检验;
步骤4、针对新型号或新材料体系的动力电池,实测多个特征条件下的电池内阻,并基于测试所得的多个特征条件下的电池内阻去修正多变量因子耦合内阻模型;
步骤5、对步骤4所得的多变量因子耦合内阻模型进行验证,若预测精度满足预设精度值,则表示多变量因子耦合内阻模型搭建完成,若预测精度不满足预设精度值,则返回步骤2;
步骤6、利用步骤5搭建好的多变量因子耦合内阻模型对新型号或新材料体系的动力电池的内阻进行预测。
2.根据权利要求1所述的预测动力电池内阻的方法,其特征在于:所述步骤2中,若将脉冲充电时间作为自变量时,所述步骤4中的实测多个特征条件下的电池内阻,具体为:
(1)电池在50%SOC,-10℃,充电10s的内阻值;
(2)电池在50%SOC,10℃,充电10s的内阻值;
(3)电池在50%SOC,25℃,充电10s的内阻值;
(4)电池在50%SOC,40℃,充电10s的内阻值;
(5)电池在50%SOC,25℃,充电30s的内阻值;
(6)电池在20%SOC,0℃,充电10s的内阻值;
(7)电池在20%SOC,25℃,充电10s的内阻值;
(8)电池在80%SOC,25℃,充电10s的内阻值;
(9)电池在5%SOC, -25℃,充电30s的内阻值。
3.根据权利要求1所述的预测动力电池内阻的方法,其特征在于:所述步骤2中,若将脉冲放电时间作为自变量时,所述步骤4中的实测多个特征条件下的电池内阻,具体为:
(1)电池在50%SOC,-10℃,放电10s的内阻值;
(2)电池在50%SOC,10℃,放电10s的内阻值;
(3)电池在50%SOC,25℃,放电10s的内阻值;
(4)电池在50%SOC,40℃,放电10s的内阻值;
(5)电池在50%SOC,25℃,放电30s的内阻值;
(6)电池在20%SOC,0℃,放电10s的内阻值;
(7)电池在20%SOC,25℃,放电10s的内阻值;
(8)电池在80%SOC,25℃,放电10s的内阻值;
(9)电池在5%SOC, -25℃,放电30s的内阻值。
4.一种预测动力电池功率的方法,其特征在于: 包括以下步骤:
步骤1、将电池功率表的参数做归一化处理;
步骤2、将电池功率作为因变量,将电池温度、电池荷电状态、脉冲充/放电时间三项作为自变量,进行多元非线性回归拟合,得到多变量因子耦合功率模型;
步骤3、判断所建立的多变量因子耦合功率模型是否符合电化学和热力学规律,同时通过统计学分析,对多变量因子耦合功率模型的可信度进行检验;
步骤4、针对新型号或新材料体系的动力电池,实测多个特征条件下的电池功率,并基于测试所得的多个特征条件下的电池功率去修正多变量因子耦合功率模型;
步骤5、对步骤4所得的多变量因子耦合功率模型进行验证,若预测精度满足预设精度值,则表示多变量因子耦合功率模型搭建完成,若预测精度不满足预设精度值,则返回步骤2;
步骤6、利用步骤5搭建好的多变量因子耦合功率模型对新型号或新材料体系的动力电池的功率进行预测。
5.根据权利要求4所述的预测动力电池功率的方法,其特征在于:所述步骤2中,若将脉冲充电时间作为自变量时,所述步骤4中的实测多个特征条件下的电池功率值,具体为:
(1)电池在50%SOC,-10℃,充电10s的功率值;
(2)电池在50%SOC,10℃,充电10s的功率值;
(3)电池在50%SOC,25℃,充电10s的功率值;
(4)电池在50%SOC,40℃,充电10s的功率值;
(5)电池在50%SOC,25℃,充电30s的功率值;
(6)电池在20%SOC,0℃,充电10s的功率值;
(7)电池在20%SOC,25℃,充电10s的功率值;
(8)电池在80%SOC,25℃,充电10s的功率值;
(9)电池在5%SOC,-25℃,充电30s的功率值。
6.根据权利要求4所述的预测动力电池功率的方法,其特征在于:所述步骤2中,若将脉冲放电时间作为自变量时,所述步骤4中的实测多个特征条件下的电池功率值,具体为:
(1)电池在50%SOC,-10℃,放电10s的功率值;
(2)电池在50%SOC,10℃,放电10s的功率值;
(3)电池在50%SOC,25℃,放电10s的功率值;
(4)电池在50%SOC,40℃,放电10s的功率值;
(5)电池在50%SOC,25℃,放电30s的功率值;
(6)电池在20%SOC,0℃,放电10s的功率值;
(7)电池在20%SOC,25℃,放电10s的功率值;
(8)电池在80%SOC,25℃,放电10s的功率值;
(9)电池在5%SOC,-25℃,放电30s的功率值。
7.一种预测动力电池内阻的系统,其特征在于:包括存储器和控制器,所述存储器内存储有计算机可读程序,所述计算机可读程序被控制器调用时,能执行如权利要求1至3任一所述的预测动力电池内阻的方法的步骤。
8.一种预测动力电池功率的系统,其特征在于:包括存储器和控制器,所述存储器内存储有计算机可读程序,所述计算机可读程序被控制器调用时,能执行如权利要求4至6任一所述的预测动力电池功率的方法的步骤。
9.一种存储介质,其特征在于:其内存储有计算机可读程序,所述计算机可读程序被调用时,能执行如权利要求1至3任一所述的预测动力电池内阻的方法的步骤。
10.一种存储介质,其特征在于:其内存储有计算机可读程序,所述计算机可读程序被调用时,能执行如权利要求4至6任一所述的预测动力电池功率的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210943964.4A CN115389940A (zh) | 2022-08-05 | 2022-08-05 | 预测动力电池内阻的方法、功率的方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210943964.4A CN115389940A (zh) | 2022-08-05 | 2022-08-05 | 预测动力电池内阻的方法、功率的方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115389940A true CN115389940A (zh) | 2022-11-25 |
Family
ID=84119073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210943964.4A Pending CN115389940A (zh) | 2022-08-05 | 2022-08-05 | 预测动力电池内阻的方法、功率的方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115389940A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115544813A (zh) * | 2022-11-29 | 2022-12-30 | 苏州易来科得科技有限公司 | 电池电性能的计算方法 |
-
2022
- 2022-08-05 CN CN202210943964.4A patent/CN115389940A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115544813A (zh) * | 2022-11-29 | 2022-12-30 | 苏州易来科得科技有限公司 | 电池电性能的计算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Takyi‐Aninakwa et al. | A strong tracking adaptive fading‐extended Kalman filter for the state of charge estimation of lithium‐ion batteries | |
Bruch et al. | Novel method for the parameterization of a reliable equivalent circuit model for the precise simulation of a battery cell's electric behavior | |
CN109581064B (zh) | 测量电池低温直流电阻的方法、装置、介质 | |
CN112578298B (zh) | 电池温度估算方法、装置、电子设备及存储介质 | |
CN110426639B (zh) | 一种基于动态阻抗谱的锂离子电池寿命预测方法及系统 | |
CN111913109B (zh) | 一种电池峰值功率的预测方法及装置 | |
CN110210147B (zh) | 估算电池健康状态的仿真装置及仿真方法 | |
US20230028368A1 (en) | Method For Determining A Loss Of Capacity Of A Battery Storage Device, Apparatus, And Computer Program Product | |
CN111044924B (zh) | 一种全工况电池剩余容量确定方法及系统 | |
CN115389940A (zh) | 预测动力电池内阻的方法、功率的方法、系统及存储介质 | |
JP2023016707A5 (zh) | ||
JP2024511082A (ja) | 蓄電装置の容量損失を算定する方法、装置およびコンピュータプログラム製品 | |
CN112748348B (zh) | 电池低温性能分布水平检测方法、系统及存储介质 | |
CN116819346B (zh) | 电池soc估算方法、装置、设备及存储介质 | |
CN112034369A (zh) | 一种电池容量的确定方法及装置 | |
CN112213659A (zh) | 电池容量修正方法及测试系统 | |
CN111157906A (zh) | Soc精度测试方法、装置及系统 | |
CN116338464A (zh) | 动力电池组合寿命模型的构建方法及电池寿命评估方法 | |
CN113933718B (zh) | 一种退役电池容量分选方法、装置、设备及存储介质 | |
CN116047339A (zh) | 基于热电耦合模型的锂离子电池组soc估计方法及装置 | |
CN115980583A (zh) | 基于微分代数方程的锂电池等效电路模型参数辨识四步法 | |
CN114047450A (zh) | 电池系统的可用容量一致性评估方法和装置 | |
Radaš et al. | A Method for Estimating the State of Charge and Identifying the Type of a Lithium-Ion Cell Based on the Transfer Function of the Cell | |
CN116184236B (zh) | 一种电池标定方法、电池标定装置、电子设备及存储介质 | |
CN116577686B (zh) | 一种基于局部阶段充电数据的多工况soh估计方法和系统 |
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 |