CN115421050A - 一种电池健康状态的估计方法、系统、设备及存储介质 - Google Patents
一种电池健康状态的估计方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN115421050A CN115421050A CN202211247992.9A CN202211247992A CN115421050A CN 115421050 A CN115421050 A CN 115421050A CN 202211247992 A CN202211247992 A CN 202211247992A CN 115421050 A CN115421050 A CN 115421050A
- Authority
- CN
- China
- Prior art keywords
- voltage
- battery
- energy storage
- discharge
- health
- 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
- 230000036541 health Effects 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000004146 energy storage Methods 0.000 claims abstract description 66
- 230000008859 change Effects 0.000 claims abstract description 33
- 238000003062 neural network model Methods 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 238000007599 discharging Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 abstract description 7
- 229910001416 lithium ion Inorganic materials 0.000 description 12
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000012983 electrochemical energy storage Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000000352 storage cell Anatomy 0.000 description 2
- NCZYUKGXRHBAHE-UHFFFAOYSA-K [Li+].P(=O)([O-])([O-])[O-].[Fe+2].[Li+] Chemical compound [Li+].P(=O)([O-])([O-])[O-].[Fe+2].[Li+] NCZYUKGXRHBAHE-UHFFFAOYSA-K 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012795 verification 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]
- G01R31/367—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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种电池健康状态的估计方法、系统、设备及存储介质，获取储能电池放电数据；根据储能电池放电数据提取放电功率和对于电压起始点的电压变化值；将放电功率和对于电压起始点的电压变化值输入电池健康状态评估的神经网络模型，获取储能电池当前的健康状态。本发明依据不同放电功率下储能电池电压变化特征值和电池每次放电的放电容量，构建了储能电池健康状态评估模型，可对不同放电条件下的储能电池健康状态进行快速评估，评估误差小于3％。评估所需数据可直接从工程应用中获取，不需要增加额外的数据采集装置，该方法在工程容易实现，具有较高的应用价值。
Description
技术领域
本发明属于电动汽车和储能技术领域，具体涉及一种电池健康状态的估计方法、系统、设备及存储介质。
背景技术
近年来，随着电化学储能行业快速发展，截止到2021年底，新型储能累积装机5.73GW，同比增长75％，其中锂离子电池储能占比89.7％；未来几年以锂离子电池为代表的新型储能仍将保持高速增长态势，预计到2025年累积装机量超过30GW，2030年达到100GW。
锂离子电池的健康状态通常是指电池当前的在规定充放电电压范围内的放电容量与额定容量的比值，在实际使用过程中，由于电池容量是不断衰减的，因此其健康状态也逐渐降低，为了能够准确掌握电池储能系统的出力情况，确保运行过程中的安全性，需要对锂离子的健康状态进行定期评估。
目前，针对锂离子电池健康状态评估方法主要包括定义法、阻抗法和模型法。
定义法是指对锂离子电池按照测试标准进行完整的充放电，获取电池当前的放电容量，并以此来计算健康状态；该方法虽然能够准确的得到电池的健康状态，但一是需要对电池进行几个小时的充放电，时间较长，二是需要高精度的充放电设备，无法在储能电池的应用现场实施。
阻抗法是指对不同健康状态电池的交流阻抗进行测试，建立电池健康状态和交流阻抗的关联关系，再根据电池的交流阻抗来估算锂离子电池的健康状态；相比定义法，交流阻抗的测试时间较短(十分钟左右)，但交流阻抗的测试设备通常比较昂贵(几十万一台)，且由于测试时需要连接到锂离子电池的正负极上，在储能电站现场应用的便利性差，无法进行大规模的推广应用。
发明内容
为克服现有技术中的问题，本发明的目的是提供一种电池健康状态的估计方法、系统、设备及存储介质，针对不同使用工况下的储能电池，提取表征健康状态的电池参数作为模型输入，建立健康状态评估模型，实现储能电池健康状态的实时评估，为电池储能系统的安全可靠运行提供保障，该方法在电动汽车、电池储能等领域具有广泛的应用前景。
为实现上述目的，本发明采用的技术方案为：
一种储能电池健康状态的评估方法，包括：
获取储能电池放电数据；
根据储能电池放电数据提取放电功率和对于电压起始点的电压变化值；
将放电功率和对于电压起始点的电压变化值输入电池健康状态评估的神经网络模型，获取储能电池当前的健康状态。
进一步的，电池健康状态评估的神经网络模型通过以下过程建立：
以电池的放电功率和自不同电压起始点的电压变化值为输入向量，以电池健康状态作为输出值，构建神经网络模型，对电池健康状态评估的神经网络模型参数进行训练，获取电池健康状态评估的神经网络模型。
进一步的，自不同电压起始点的电压变化值通过以下过程获得：
对电池分别以不同功率对电池进行充放电循环，在每次放电时，分别记录每次放电过程中电压达到充放电电压截止范围的第一电压、第二电压、第三电压、第四电压和第五电压时，在设定时间段内的电压的变化值，分别记为第一电压变化值Δ1jn、第二电压变化值Δ2jn、第三电压变化值Δ3jn、第四电压变化值Δ4jn和第五电压变化值Δ5jn，j对应不同的放电功率，n对应不同的放电次数。
进一步的，对电池分别以不同功率对电池进行充放电循环具体采用的功率为0.2P、0.5P和1P。
进一步的，充放电电压截止范围为2.5-3.65V。
进一步的，第一电压为3.26V，第二电压为3.24V，第三电压为3.22V，第四电压为3.20V，第五电压为3.18V。
进一步的，设定时间段为2-20分钟。
进一步的，健康状态通过下式计算：
SOHjn＝Cjn/Crate，
式中，SOHjn为健康状态，Cjn为不同放电功率下每次的放电容量，Crate为电池的额定容量，j对应不同的放电功率，n对应不同的放电次数。
进一步的，对电池的放电功率、第一电压变化值Δ1jn、第二电压变化值Δ2jn、第三电压变化值Δ3jn、第四电压变化值Δ4jn和第五电压变化值Δ5jn，j对应不同的放电功率，n对应不同的放电次数，和健康状态SOHjn进行归一化处理。
一种储能电池健康状态的评估系统，包括：
放电数据获取模块，用于获取储能电池放电数据；
提取模块，用于根据储能电池放电数据提取放电功率和对于电压起始点的电压变化值；
评估模块，用于将放电功率和对于电压起始点的电压变化值输入电池健康状态评估的神经网络模型，获取储能电池当前的健康状态。
一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器上存储有能在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述储能电池健康状态的评估方法。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行如上所述的储能电池健康状态的评估方法。
与现有技术相比，本发明具有的有益效果：
本发明根据储能电池的部分放电数据来进行健康状态估计，不需要进行完整的充放电数据，因此可以克服现有技术中测试时间长的问题。本发明依据不同放电功率下储能电池电压变化特征值和电池每次放电的放电容量，构建了储能电池健康状态评估模型，能够对不同放电条件下的储能电池健康状态进行快速评估，并且评估误差小于3％。评估所需数据可直接从工程应用中获取，不需要增加额外的数据采集装置，该方法在工程容易实现，具有较高的应用价值。
附图说明
图1为储能电池健康状态评估流程图。
图2为储能电池SOH评估误差图。
图3为本发明的电池健康状态的估计系统示意图。
具体实施方式
下面结合附图对本发明进行详细。
本发明中术语解释：
SOH：state of health，电池健康状态。
由于模型法是指根据锂离子电池运行过程中采集的参数，来建立健康状态评估模型，常用的采集参数包括电池的电压、电流、温度等；由于这些电池参数在实际应用中也都能够采集到，因此模型法无需在增加额外的电池数据采集装置，只需将训练好的电池状态估算模型植入到储能电站数据采集平台，就能够快速实现储能电池的状态评估，工程现场应用实用性强，所以本发明利用模型法进行电池健康状态的评估。
本发明提供一种储能电池健康状态的评估方法，主要针对电动汽车和电化学储能应用的锂离子电池，依据电池在不同放电功率下的电压变化特征值和电池每次放电的放电容量，建立电池健康状态的评估模型，再从电池实际运行数据中提取特征值，来实现在运锂离子电池健康状态的快速评估。
参见图1，本发明的一种储能电池健康状态的评估方法，具体包括以下步骤：
(1)提取特征值
在室温环境下(25±5℃)，对储能用磷酸铁锂锂离子电池分别以0.2P、0.5P和1P功率对电池进行充放电循环，充放电电压截止范围为2.5-3.65V。在每次放电过程中，分别记录电压达到第一电压3.26V、第二电压3.24V、第三电压3.22V、第四电压3.20V和第五电压3.18V时，未来设定时间段(2-20分钟)后电压的变化值，分别记为第一电压变化值Δ1jn、第二电压变化值Δ2jn、第三电压变化值Δ3jn、第四电压变化值Δ4jn和第五电压变化值Δ5jn，单位为mV，j对应不同的放电功率，n对应不同的放电次数。
记录不同放电功率下每次的放电容量Cjn，然后根据电池的额定容量Crate，将放电容量Cjn转换为电池的健康状态SOHjn，转换方法为：SOHjn＝Cjn/Crate，j对应不同的放电功率，n对应不同的放电次数。
(2)根据特征值，构建健康状态评估模型
对电池的放电功率、不同功率下的电压的变化值第一电压变化值Δ1jn、第二电压变化值Δ2jn、第三电压变化值Δ3jn、第四电压变化值Δ4jn和第五电压变化值Δ5jn和健康状态SOHjn进行归一化处理，以放电功率和不同电压起始点后的变化值构成输入向量，以电池健康状态作为输出值，构建神经网络模型，对模型参数进行训练，获取模型参数值，从而得到电池健康状态评估的神经网络模型。
(3)通过健康状态评估模型，评估储能电池健康状态
从实际运行储能系统中获取电池放电数据，提取放电功率和对于电压起始点的电压变化值，输入电池健康状态评估的神经网络模型，获取储能电池当前的健康状态。
参见图3，一种储能电池健康状态的评估系统，包括：
放电数据获取模块，用于获取储能电池放电数据；
提取模块，用于根据储能电池放电数据提取放电功率和对于电压起始点的电压变化值；
评估模块，用于将放电功率和对于电压起始点的电压变化值输入电池健康状态评估的神经网络模型，获取储能电池当前的健康状态。
一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器上存储有能在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述的储能电池健康状态的评估方法。其中，所述存储器可能包含内存，例如高速随机存储器，也可能还包括非易失性存储器，例如，至少一个磁盘存储器等；处理器、网络接口、存储器通过内部总线互相连接，该内部总线可以是工业标准体系结构总线、外设部件互连标准总线、扩展工业标准结构总线等，总线可以分为地址总线、数据总线、控制总线等。存储器用于存放程序，具体地，程序可以包括程序代码、所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行上述的储能电池健康状态的评估方法。具体地，所述计算机可读存储介质包括但不限于例如易失性存储器和/或非易失性存储器。所述易失性存储器可以包括随机存储存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器可以包括只读存储器(ROM)、硬盘、闪存、光盘、磁盘等。
实施例
选取2支额定容量为65Ah的磷酸铁锂电池，在室温环境下(25±5℃)以0.5P功率进行充放电，电压范围为2.5-3.65V，记录电压达到3.26V、3.24V、3.22V、3.20V和3.18V时，未来5分钟后电压的变化值，分别记为第一电压变化值Δ1jn、第二人电压变化值Δ2jn、第三电压变化值Δ3jn、第四电压变化值Δ4jn和第五电压变化值Δ5jn，单位为mV；记录每次循环电池的放电容量，计算储能电池的SOH。
表1储能电池电压变化值和SOH
表1为2支电池400次循环过程中电池电压变化值和SOH数据，共有800组数据，以此数据来进行储能电池健康状态评估的构建和验证。
对电压数据进行归一化处理，然后作为神经网络模型的输入，对于的SOH作为模型输出，800组数据按照8:2比例划分为训练集和验证集，图2为验证集上160个样本SOH的估算误差，均在3％以内。
通过完整的充放电虽然能够准确获得储能电池的健康状态，但对在运的储能电池进行一次完整的充放电需要3-4个小时，时间较长，而本方法是根据储能电池的部分放电数据来进行健康状态估计，不需要进行完整的充放电数据，因此可以克服时间长的问题。高精度充放电设备一是需要较大功率电源为其供电，二是通过体积较大，而储能系统内通常空间较狭窄，且无法提供大功率电源，同时在现场将电池与充放电设备连接也较难实现。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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他实施例，都属于本发明保护的范围。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、元件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
在本发明中，“模块”、“装置”、“系统”等指应用于计算机的相关实体，如硬件、硬件和软件的组合、软件或执行中的软件等。详细地说，例如，元件可以、但不限于是运行于处理器的过程、处理器、对象、可执行元件、执行线程、程序和/或计算机。还有，运行于服务器上的应用程序或脚本程序、服务器都可以是元件。一个或多个元件可在执行的过程和/或线程中，并且元件可以在一台计算机上本地化和/或分布在两台或多台计算机之间，并可以由各种计算机可读介质运行。元件还可以根据具有一个或多个数据包的信号，例如，来自一个与本地系统、分布式系统中另一元件交互的，和/或在因特网的网络通过信号与其它系统交互的数据的信号通过本地和/或远程过程来进行通信。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”，不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (12)
1.一种储能电池健康状态的评估方法，其特征在于，包括：
获取储能电池放电数据；
根据储能电池放电数据提取放电功率和对于电压起始点的电压变化值；
将放电功率和对于电压起始点的电压变化值输入电池健康状态评估的神经网络模型，获取储能电池当前的健康状态。
2.根据权利要求1所述的储能电池健康状态的评估方法，其特征在于，电池健康状态评估的神经网络模型通过以下过程建立：
以电池的放电功率和自不同电压起始点的电压变化值为输入向量，以电池健康状态作为输出值，构建神经网络模型，对电池健康状态评估的神经网络模型参数进行训练，获取电池健康状态评估的神经网络模型。
3.根据权利要求2所述的储能电池健康状态的评估方法，其特征在于，自不同电压起始点的电压变化值通过以下过程获得：
对电池分别以不同功率对电池进行充放电循环，在每次放电时，分别记录每次放电过程中电压达到充放电电压截止范围的第一电压、第二电压、第三电压、第四电压和第五电压时，在设定时间段内的电压的变化值，分别记为第一电压变化值Δ1jn、第二电压变化值Δ2jn、第三电压变化值Δ3jn、第四电压变化值Δ4jn和第五电压变化值Δ5jn，j对应不同的放电功率，n对应不同的放电次数。
4.根据权利要求3所述的储能电池健康状态的评估方法，其特征在于，对电池分别以不同功率对电池进行充放电循环具体采用的功率为0.2P、0.5P和1P。
5.根据权利要求3所述的储能电池健康状态的评估方法，其特征在于，充放电电压截止范围为2.5-3.65V。
6.根据权利要求3所述的储能电池健康状态的评估方法，其特征在于，第一电压为3.26V，第二电压为3.24V，第三电压为3.22V，第四电压为3.20V，第五电压为3.18V。
7.根据权利要求3所述的储能电池健康状态的评估方法，其特征在于，设定时间段为2-20分钟。
8.根据权利要求2所述的储能电池健康状态的评估方法，其特征在于，健康状态SOHjn通过下式计算：
SOHjn＝Cjn/Crate，
式中，SOHjn为健康状态，Cjn为不同放电功率下每次的放电容量，Crate为电池的额定容量，j对应不同的放电功率，n对应不同的放电次数。
9.根据权利要求2所述的储能电池健康状态的评估方法，其特征在于，对电池的放电功率、第一电压变化值Δ1jn、第二电压变化值Δ2jn、第三电压变化值Δ3jn、第四电压变化值Δ4jn和第五电压变化值Δ5jn，j对应不同的放电功率，n对应不同的放电次数，和健康状态SOHjn进行归一化处理。
10.一种储能电池健康状态的评估系统，其特征在于，包括：
放电数据获取模块，用于获取储能电池放电数据；
提取模块，用于根据储能电池放电数据提取放电功率和对于电压起始点的电压变化值；
评估模块，用于将放电功率和对于电压起始点的电压变化值输入电池健康状态评估的神经网络模型，获取储能电池当前的健康状态。
11.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器上存储有能在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现权利要求1-9中任意一项所述储能电池健康状态的评估方法。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序当被处理器执行时使所述处理器执行权利要求1-9中任意一项所述的储能电池健康状态的评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211247992.9A CN115421050A (zh) | 2022-10-12 | 2022-10-12 | 一种电池健康状态的估计方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211247992.9A CN115421050A (zh) | 2022-10-12 | 2022-10-12 | 一种电池健康状态的估计方法、系统、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115421050A true CN115421050A (zh) | 2022-12-02 |
Family
ID=84205540
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211247992.9A Pending CN115421050A (zh) | 2022-10-12 | 2022-10-12 | 一种电池健康状态的估计方法、系统、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115421050A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116111677A (zh) * | 2023-01-03 | 2023-05-12 | 法罗电力(浙江)有限公司 | 一种应用于储能领域的后台监控数据处理方法与系统 |
| CN117368743A (zh) * | 2023-12-05 | 2024-01-09 | 深圳市易检车服科技有限公司 | 电池健康状态评估方法、装置、计算机设备及存储介质 |
| CN118376930A (zh) * | 2024-06-26 | 2024-07-23 | 西南科技大学 | 一种储能锂电池电压功能状态评估方法及其系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101071160A (zh) * | 2006-05-10 | 2007-11-14 | 盈正豫顺电子股份有限公司 | 电池健康状态的诊断方法 |
| CN104502859A (zh) * | 2014-12-31 | 2015-04-08 | 清华大学深圳研究生院 | 电池荷电量及电池健康状态的检测、诊断方法 |
| CN105929336A (zh) * | 2016-05-04 | 2016-09-07 | 合肥国轩高科动力能源有限公司 | 一种动力锂离子电池健康状态估算方法 |
| CN106353687A (zh) * | 2016-08-26 | 2017-01-25 | 中国电力科学研究院 | 一种锂电池健康状态的评估方法 |
| CN108710087A (zh) * | 2018-07-23 | 2018-10-26 | 北京华奥汽车服务股份有限公司 | 一种纯电动汽车电池组健康状态测取装置及其测取方法 |
| CN110632528A (zh) * | 2019-11-04 | 2019-12-31 | 桂林电子科技大学 | 一种基于内阻检测的锂电池soh估算方法 |
| CN111157897A (zh) * | 2019-12-31 | 2020-05-15 | 国网北京市电力公司 | 评估动力电池的方法、装置、存储介质及处理器 |
| CN112611973A (zh) * | 2020-11-27 | 2021-04-06 | 中国电力科学研究院有限公司 | 一种电池健康状态估算方法、系统、设备和存储介质 |
| CN114355219A (zh) * | 2021-12-08 | 2022-04-15 | 李云飞 | 电池健康状态估算方法和储能系统健康提高方法 |
| CN114611597A (zh) * | 2022-03-07 | 2022-06-10 | 山东大学 | 基于rgan的锂离子电池健康状态估计方法及系统 |
| CN114720901A (zh) * | 2022-05-18 | 2022-07-08 | 重庆邮电大学 | 一种锂离子电池健康状态估计的方法 |
-
2022
- 2022-10-12 CN CN202211247992.9A patent/CN115421050A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101071160A (zh) * | 2006-05-10 | 2007-11-14 | 盈正豫顺电子股份有限公司 | 电池健康状态的诊断方法 |
| CN104502859A (zh) * | 2014-12-31 | 2015-04-08 | 清华大学深圳研究生院 | 电池荷电量及电池健康状态的检测、诊断方法 |
| CN105929336A (zh) * | 2016-05-04 | 2016-09-07 | 合肥国轩高科动力能源有限公司 | 一种动力锂离子电池健康状态估算方法 |
| CN106353687A (zh) * | 2016-08-26 | 2017-01-25 | 中国电力科学研究院 | 一种锂电池健康状态的评估方法 |
| CN108710087A (zh) * | 2018-07-23 | 2018-10-26 | 北京华奥汽车服务股份有限公司 | 一种纯电动汽车电池组健康状态测取装置及其测取方法 |
| CN110632528A (zh) * | 2019-11-04 | 2019-12-31 | 桂林电子科技大学 | 一种基于内阻检测的锂电池soh估算方法 |
| CN111157897A (zh) * | 2019-12-31 | 2020-05-15 | 国网北京市电力公司 | 评估动力电池的方法、装置、存储介质及处理器 |
| CN112611973A (zh) * | 2020-11-27 | 2021-04-06 | 中国电力科学研究院有限公司 | 一种电池健康状态估算方法、系统、设备和存储介质 |
| CN114355219A (zh) * | 2021-12-08 | 2022-04-15 | 李云飞 | 电池健康状态估算方法和储能系统健康提高方法 |
| CN114611597A (zh) * | 2022-03-07 | 2022-06-10 | 山东大学 | 基于rgan的锂离子电池健康状态估计方法及系统 |
| CN114720901A (zh) * | 2022-05-18 | 2022-07-08 | 重庆邮电大学 | 一种锂离子电池健康状态估计的方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116111677A (zh) * | 2023-01-03 | 2023-05-12 | 法罗电力(浙江)有限公司 | 一种应用于储能领域的后台监控数据处理方法与系统 |
| CN116111677B (zh) * | 2023-01-03 | 2023-08-29 | 法罗电力(浙江)有限公司 | 一种应用于储能领域的后台监控数据处理方法与系统 |
| CN117368743A (zh) * | 2023-12-05 | 2024-01-09 | 深圳市易检车服科技有限公司 | 电池健康状态评估方法、装置、计算机设备及存储介质 |
| CN117368743B (zh) * | 2023-12-05 | 2024-03-19 | 深圳市易检车服科技有限公司 | 电池健康状态评估方法、装置、计算机设备及存储介质 |
| CN118376930A (zh) * | 2024-06-26 | 2024-07-23 | 西南科技大学 | 一种储能锂电池电压功能状态评估方法及其系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111398833B (zh) | 一种电池健康状态评估方法 | |
| CN115421050A (zh) | 一种电池健康状态的估计方法、系统、设备及存储介质 | |
| CN111856282B (zh) | 基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法 | |
| CN105974320B (zh) | 一种液态或半液态金属电池荷电状态估计方法 | |
| CN112415400B (zh) | 电池容量估计方法及系统 | |
| CN110888077A (zh) | 一种基于arima时间序列的锂离子电池寿命加速评估方法 | |
| CN112415391A (zh) | 基于改进粒子群优化的船用锂离子电池参数辨识方法 | |
| 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 | |
| CN113777510A (zh) | 一种锂电池荷电状态估计方法及装置 | |
| CN113392507A (zh) | 一种锂离子动力电池剩余寿命预测方法 | |
| CN114609523A (zh) | 一种电池容量的在线检测方法、电子设备及存储介质 | |
| CN115902653A (zh) | 确定电池老化程度的方法、装置、存储介质与电子设备 | |
| CN115980588A (zh) | 基于自编码器提取特征的锂离子电池健康状态估计方法 | |
| CN117471320A (zh) | 基于充电片段的电池健康状态估计方法及系统 | |
| CN115146723A (zh) | 基于深度学习和启发式算法的电化学模型参数辨识方法 | |
| CN112946480B (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
| CN114720881A (zh) | 一种基于改进初值带遗忘因子递推最小二乘法的锂电池参数辨识方法 | |
| CN113189500B (zh) | 电池电量计算方法、装置、计算机设备和存储介质 | |
| 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 | |
| CN117554846A (zh) | 计及约束条件的锂电池寿命预测方法及系统 | |
| CN116774045A (zh) | 一种基于hho-svr的锂电池健康状态预测方法 | |
| CN116482539A (zh) | 基于多维数据驱动的电池荷电状态估计方法、系统、设备及介质 | |
| CN116224125A (zh) | 一种评估补锂电芯循环寿命的方法、装置及可读存储介质 | |
| CN113900028B (zh) | 一种考虑初始荷电状态和充放电路径的电池健康状态估计方法及系统 | |
| CN111025154A (zh) | 一种智能锂离子电池模型参数辨识方法及参数辨识装置 |
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 |