CN115639479A - 一种退役动力电池健康状态检测方法 - Google Patents

一种退役动力电池健康状态检测方法 Download PDF

Info

Publication number
CN115639479A
CN115639479A CN202211301750.3A CN202211301750A CN115639479A CN 115639479 A CN115639479 A CN 115639479A CN 202211301750 A CN202211301750 A CN 202211301750A CN 115639479 A CN115639479 A CN 115639479A
Authority
CN
China
Prior art keywords
battery
tested
voltage
time curve
open
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
CN202211301750.3A
Other languages
English (en)
Inventor
周奕杉
赖茹诗
李金惠
董庆银
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202211301750.3A priority Critical patent/CN115639479A/zh
Publication of CN115639479A publication Critical patent/CN115639479A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Secondary Cells (AREA)

Abstract

本发明公开了一种退役动力电池健康状态检测方法。该方法包括：采集待测电池由放电状态转换为放电停止状态后的两端电压，形成电压‑时间曲线；基于等效电路法建立待测电池的等效电路模型，根据电压‑时间曲线，计算等效电路模型的初始参数；根据初始参数计算开路电压估算值，得到开路电压估算值‑时间曲线；将开路电压估算值‑时间曲线与SOC‑OCV数据库中不同种类电池的开路电压‑时间曲线进行匹配，获取SOC‑OCV数据库中与待测电池最贴合的开路电压‑时间曲线与待测电池的荷电状态‑时间曲线；根据待测电池的荷电状态‑时间曲线确定待测电池的电池健康度。本发明实施例的技术方案可快速检测退役动力电池健康度，成本低且适用范围广。

Description

一种退役动力电池健康状态检测方法
技术领域
本发明实施例涉及动力电池检测技术领域，尤其涉及一种退役动力电池健康状态检测方法。
背景技术
退役动力电池梯次利用技术是指对废旧动力蓄电池进行必要的检测、分类、拆分、电池修复或重组为梯次产品，使其可应用至其他领域。由于退役动力电池能量及功率特性衰减且电池单体之间性能参数差异较大，直接将电池重组利用会带来一定程度的安全问题，因此，需要先对电池单体进行筛选重组与电性能检测。
在检测退役动力电池单体电性能时，反映电池余能的一个关键参数即电池健康度(State of Health，SOH)，一般根据退役电池单体健康度进行梯次利用筛选与重组。然而现有技术对于退役动力电池健康度的检测耗时长，并且电池种类不同会影响检测的精确度。
发明内容
本发明提供一种退役动力电池健康状态检测方法，以实现退役动力电池健康度的快速检测，且适用于不同种类的电池，检测精确度较高。
根据本发明的一方面，提供了一种退役动力电池健康状态检测方法，该方法包括：
采集待测电池由放电状态转换为放电停止状态后的两端电压，形成电压-时间曲线；
基于等效电路法建立待测电池的等效电路模型，根据所述电压-时间曲线，计算所述等效电路模型的初始参数；
根据所述初始参数计算开路电压估算值，得到开路电压估算值-时间曲线；
将所述开路电压估算值-时间曲线与SOC-OCV数据库中不同种类电池的开路电压-时间曲线进行匹配，获取SOC-OCV数据库中与待测电池最贴合的开路电压-时间曲线，并将与所述最贴合的开路电压-时间曲线具有映射关系的电池荷电状态-时间曲线作为所述待测电池的荷电状态-时间曲线；
根据所述待测电池的荷电状态-时间曲线确定待测电池的电池健康度。
可选的，所述待测电池的等效电路模型包括：理想电池、欧姆内阻、极化电阻和极化电容；所述理想电池的正极与所述欧姆内阻的第一端电连接，所述极化电阻和所述极化电容并联后，与所述欧姆内阻的第二端电连接；
所述初始参数包括：所述待测电池的欧姆内阻值、极化电阻值和极化电容值。
可选的，所述电压-时间曲线包括：恒流放电阶段和静置阶段；所述基于等效电路法建立待测电池的等效电路模型，根据所述电压-时间曲线，计算所述等效电路模型的初始参数，包括：
根据公式1计算待测电池的欧姆内阻值，公式1表示为：
Figure BDA0003904357770000021
其中，R0为待测电池的欧姆内阻值，I为恒流放电阶段的电流值，U1为待测电池两端的电压-时间曲线的起始电压值，U2为待测电池恒流放电开始两端电压瞬时降低后的电压值；
对所述电压-时间曲线中静置阶段的曲线进行拟合，由公式2计算时间常数，公式2表示为：
Figure BDA0003904357770000022
其中，U为待测电池在静置阶段的两端电压，t为时间，U3为待测电池恒流放电结束后两端电压瞬时回升前的电压，τ为时间常数；
对所述电压-时间曲线中的恒流放电阶段进行拟合，根据公式2和公式3建立等式，求解得到所述待测电池的极化电阻值；公式3表示为：
Figure BDA0003904357770000031
其中，R1为待测电池的极化电阻值；
根据所述待测电池的极化电阻值和时间常数，计算得到所述待测电池的极化电容值。
可选的，所述根据所述初始参数计算开路电压估算值，包括：
将所述初始参数代入迭代参数方程组得到开路电压估算值的迭代过程的迭代参数；所述迭代参数包括：状态参数向量、输入向量和系统输出；其中，所述迭代参数方程组表示为：
Ut,k+U1,k+IkR0,k＝OCVk
yk＝Ut,k+U1,k+IkR0,k
Figure BDA0003904357770000032
θk＝OCVk
Figure BDA0003904357770000033
其中，Ut,k为第k次测量得到的等效电路模型的端电压，U1,k为第k-1次计算得到的等效电路模型中极化电阻R1和极化电容C1并联部分的电压值，作为第k次计算中极化电阻R1和极化电容C1并联部分的电压值，Ik为第k次测量得到的恒流放电阶段的电流，R0,k为第k次的欧姆内阻值，OCVk为第k次得到的开路电压估算值，yk为第k次计算得到的系统输出，
Figure BDA0003904357770000034
为第k次的输入向量，θk为第k次的状态参数向量，U1,k+1为第k+1次计算中极化电阻R1和极化电容C1并联部分的电压值，ΔT为测量两次端电压之间的时间间隔，τ1,k为第k次的时间常数；
根据所述迭代参数，进行多次迭代至所述状态参数向量收敛，得到开路电压估算值。
可选的，所述根据所述迭代参数，进行多次迭代至所述状态参数向量收敛，得到开路电压估算值，包括：
基于遗忘因子递推最小二乘法，所述迭代参数作为计算开路电压估算值的初始迭代参数，将所述初始迭代参数代入迭代公式，多次迭代至所述状态参数向量趋于收敛，趋于收敛的所述状态参数向量作为开路电压估算值；
所述迭代公式表示为：
Figure BDA0003904357770000041
Figure BDA0003904357770000042
Figure BDA0003904357770000043
Figure BDA0003904357770000044
其中，带有下角标n的参数表示第n次迭代过程的参数；
Figure BDA0003904357770000045
为第n次迭代过程更新的系统输出估算值，
Figure BDA0003904357770000046
为第n次迭代过程采用的状态参数向量估算值，
Figure BDA0003904357770000047
为第n次迭代过程更新的状态参数向量估算值，
Figure BDA0003904357770000048
为第n次迭代过程采用的输入向量的转置，en+1为第n次迭代过程更新的系统输出预测值与第n次迭代过程系统的实测输入值的差值，Pn为第n次迭代过程采用的协方差矩阵，Pn+1为第n次迭代过程更新的协方差矩阵，Kn+1为第n次迭代过程更新的增益矩阵，λ为遗忘因子。
可选的，所述将所述开路电压估算值-时间曲线与SOC-OCV数据库中不同种类电池的开路电压-时间曲线进行匹配，获取SOC-OCV数据库中与待测电池最贴合的开路电压-时间曲线，包括：
基于聚类算法，采用并行计算的方式将所述开路电压估算值-时间曲线与SOC-OCV数据库中不同种类电池的开路电压-时间曲线进行匹配，获取SOC-OCV数据库中与待测电池最贴合的开路电压-时间曲线。
可选的，所述根据所述待测电池荷电状态-时间曲线估算待测电池的电池健康度，包括：
所述待测电池荷电状态-时间曲线包括：恒流放电阶段和静置阶段；在所述待测电池荷电状态-时间曲线上的恒流放电阶段选取多组点，根据选取的所述多组点，基于经典最小二乘法，计算待测电池在所述恒流放电阶段的实际标称容量和随机误差；
基于迭代重加权最小二乘法，对所述随机误差进行优化，得到待测电池优化后的实际标称容量；
根据待测电池优化后的实际标称容量和待测电池的标称容量，计算待测电池的电池健康度。
可选的，在所述待测电池荷电状态-时间曲线上的恒流放电阶段选取多组点，根据选取的所述多组点，基于经典最小二乘法，计算待测电池的实际标称容量，包括：
对于待测电池恒流放电过程中的电池荷电状态的变化量，由公式4表示为：
yi＝β1+β2xi+vi
其中，yi为所述恒流放电阶段中电池荷电状态的变化量，xi为待测电池的剩余容量，β2为待测电池的实际标称容量的倒数，vi为随机误差向量，β1为常数截距；
根据选取的所述多组点，yi和xi的关系由公式5表示为矩阵形式，公式5表示为：
Y＝X·H+V
其中，H为β1和β2的列矩阵，Y为
Figure BDA0003904357770000051
X为
Figure BDA0003904357770000052
V为随机误差矩阵，表示为
Figure BDA0003904357770000053
将公式5转化为公式6，通过对残差平方和求极值，计算得到
Figure BDA0003904357770000054
通过
Figure BDA0003904357770000055
计算待测电池的所述实际标称容量和所述随机误差；其中，公式6表示为：
Figure BDA0003904357770000061
其中，S0为矩阵Y与X的残差平方和，
Figure BDA0003904357770000062
为H的估算矩阵。
可选的，所述基于迭代重加权最小二乘法，对所述随机误差进行优化，得到待测电池优化后的实际标称容量，包括：
对所述随机误差进行优化的优化函数由公式7表示为：
Figure BDA0003904357770000063
其中，yi为所述恒流放电阶段中电池荷电状态的变化量，xi为待测电池的剩余容量，β2为待测电池的实际标称容量的倒数，vi为随机误差向量，β1为常数截距；
采用影响函数，对随机误差进行标准化，将公式7转化为公式8，公式8表示为：
Figure BDA0003904357770000064
其中，
Figure BDA0003904357770000065
为影响函数的导数，
Figure BDA0003904357770000066
ui为标准化残余函数，表示为
Figure BDA0003904357770000067
S为鲁棒性估算参数；
在所述待测电池荷电状态-时间曲线上的恒流放电阶段选取多组点，根据选取的所述多组点，将公式8以矩阵的形式转化为求解极值，得到公式9；所述公式9表示为：
X′WY＝X′WXH
Figure BDA0003904357770000068
其中，W为
Figure BDA0003904357770000069
根据所述公式9计算得到
Figure BDA00039043577700000610
根据
Figure BDA00039043577700000611
计算得到优化后的待测电池的实际标称容量。
可选的，所述根据待测电池优化后的实际标称容量和待测电池的标称容量，计算待测电池的电池健康度，包括：
将待测电池优化后的实际标称容量与待测电池的标称容量作商，得到待测电池的电池健康度。
本发明实施例的技术方案通过采集待测电池由放电状态转换为放电停止状态并静置一段时间的过程正负极之间的电压-时间曲线，根据电压-时间曲线，基于等效电路法计算等效电路模型的初始参数。根据初始参数计算得到开路电压估算值-时间曲线，将开路电压估算值-时间曲线与SOC-OCV数据库中预存的开路电压-时间曲线进行匹配，得到最贴合的开路电压-时间曲线，并将对应的电池荷电状态-时间曲线作为待测电池的荷电状态-时间曲线，从而确定待测电池健康度。采用本发明实施例提供的检测方法可快速检测待测电池的电池健康度，且可适用于不同种类的电池，具有较高的检测精确度。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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是根据本发明实施例提供的一种退役动力电池健康状态检测方法的流程示意图；
图2是根据本发明实施例提供的一种等效电路模型的结构示意图；
图3是根据本发明实施例提供的一种待测电池两端的电压-时间曲线；
图4是根据本发明实施例提供的一种退役动力电池健康状态检测方法中步骤S120的具体流程示意图；
图5是根据本发明实施例提供的一种退役动力电池健康状态检测方法中步骤S130的具体流程示意图；
图6是根据本发明实施例提供的一种退役动力电池健康状态检测方法中步骤S150的具体流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
正如背景技术中所述，一般会根据退役动力电池单体健康度进行梯次利用筛选与重组。测量退役动力电池的剩余电能时，通常进行五次恒流充放电测试。当连续三次测验结果的极差小于额定容量的3％时，可提前结束试验。取最后三次放电容量的平均值作为退役动力电池剩余实际使用容量。然而一次恒流充放电测试耗时约10个小时，即使前三次测量即满足要求，检测退役动力电池的健康度也需要耗时约30个小时，耗时极长。
因此，目前多采用单次恒流充放电循环的方法检测退役动力电池的剩余容量。在室温下将已完全充满的电池以恒定电流倍率放电至终止电压，放电过程中所释放的容量作为退役电池剩余实际使用容量。该方法大大缩短了检测用时，但检测过程仍需约8个小时，无法满足大规模退役动力电池快速检测的需求。
目前现有的剩余容量估测算法可分为两种，分别为间接利用测量信号和直接利用测量信号。其中，间接利用测量信号即利用测量信号建立电池容量估算数学模型，再通过模型实现电池参数的实时估算。例如：间接利用测量信号可以包括建立电化学模型。电化学模型依据典型的容量损失机制进行数学建模，最常见的用于建模的损失机制是固体电解质界面膜(solid electrolyte interface，SEI)的生长消耗锂离子而导致电池容量损失。然而电化学模型形式较为复杂，涉及众多电池内部电化学性能参数，参数提取与辨识难度大，应用于实际测量中存在较大困难。直接利用测量信号是指直接将电池在充、放电过程中的测量信号(即电压、电流及电池表面的温度信号等)作为输入量，将容量作为输出量。根据对测量信号的不同的处理方式，直接利用测量信号又可分为不需对测试数据进行数学变化和需要对测试数据进行数学变化两种。对于不需对测试数据进行数学变化的方法，由于建模中未考虑容量损失机理，电池种类不同时模型精度会下降。
采用容量增量分析法和微分电压分析法表示电池开路电压的变化与电池容量损失机制间的对应关系，测试精度较高，但仍需对电池进行一次充放电过程，耗时较长。
基于上述技术问题，本发明实施例提出以下技术方案。
本发明实施例提供一种退役动力电池健康状态检测方法。图1为本发明实施例提供的一种退役动力电池健康状态检测方法的流程示意图，本实施例可适用于快速检测退役动力电池健康度的情况，该方法可以由软件和/或硬件来执行，具体包括如下步骤：
S110、采集待测电池由放电状态转换为放电停止状态后的两端电压，形成电压-时间曲线。
具体地，本发明实施例提供的检测方法检测的过程由退役动力电池连接负载时的正常放电状态开始，由正常放电状态转换至退役动力电池断开负载时的瞬时断电状态，并静置一段时间，该检测过程结束。利用电压表测量在上述检测过程中待测电池正负极之间的电压，得到电压-时间曲线。
S120、基于等效电路法建立待测电池的等效电路模型，根据电压-时间曲线，计算等效电路模型的初始参数。
具体地，等效电路法属于间接利用测量信号估算待测电池剩余电能的方法。等效电路模型通过待测电池的荷电状态计算剩余容量，由待测电池剩余容量计算待测电池健康度。建立模型时需利用适当的滤波器、观测器算法，通过将等效电路模型模拟输出电压与测试电压差最小化来实现对模型参数的辨识以及待测电池荷电状态与容量的联合估算。根据电压-时间曲线，计算等效电路模型中的关于待测电池的初始参数。
S130、根据初始参数计算开路电压估算值，得到开路电压估算值-时间曲线。
具体地，利用计算得到的待测电池的初始参数，计算等效电路模型中的理想电池正负极之间的开路电压估算值。根据初始参数，在各个不同时间点计算多个开路电压估算值，从而得到开路电压估算值-时间曲线。
S140、将开路电压估算值-时间曲线与SOC-OCV数据库中不同种类电池的开路电压-时间曲线进行匹配，获取SOC-OCV数据库中与待测电池最贴合的开路电压-时间曲线，并将与最贴合的开路电压-时间曲线具有映射关系的电池荷电状态-时间曲线作为待测电池的荷电状态-时间曲线。
具体地，SOC-OCV数据库中预先存储有多条不同种类动力电池的开路电压-时间曲线，并且各条开路电压-时间曲线均对应有电池荷电状态-时间曲线。将计算得到的开路电压估算值-时间曲线与SOC-OCV数据库中各条开路电压-时间曲线进行匹配，匹配到最贴合的一条开路电压-时间曲线。将该开路电压-时间曲线对应的电池荷电状态-时间曲线作为待测电池的电池荷电状态-时间曲线。采用SOC-OCV数据库进行匹配，无需预先确定待测电池的种类，且适用的电池范围较广。
S150、根据待测电池的荷电状态-时间曲线确定待测电池的电池健康度。
其中，由待测电池的荷电状态以及电池的标准容量，即可计算待测电池的电池健康度。
本实施例的技术方案通过采集待测电池由放电状态转换为放电停止状态并静置一段时间的过程正负极之间的电压-时间曲线，根据电压-时间曲线，基于等效电路法计算等效电路模型的初始参数。根据初始参数计算得到开路电压估算值-时间曲线，将开路电压估算值-时间曲线与SOC-OCV数据库中预存的开路电压-时间曲线进行匹配，得到最贴合的开路电压-时间曲线，并将对应的电池荷电状态-时间曲线作为待测电池的荷电状态-时间曲线，从而确定待测电池健康度。采用本实施例提供的检测方法可快速检测待测电池的电池健康度，且可适用于不同种类的电池，具有较高的检测精确度。
可选的，图2是本发明实施例提供的一种等效电路模型的结构示意图。在上述实施例的基础上，如图2所示，待测电池的等效电路模型包括：理想电池10、欧姆内阻R0、极化电阻R1和极化电容C1；理想电池10的正极与欧姆内阻R0的第一端电连接，极化电阻R1和极化电容C1并联后，与欧姆内阻R0的第二端电连接。
初始参数包括：待测电池的欧姆内阻值、极化电阻值和极化电容值。
具体地，由于等效电路法使用传统的电阻、电容和电压源等电路元件组成的电路网络，描述退役动力电池的外特性，并且对退役动力电池的各种工作状态有较好的适用性，可推导出等效电路模型的状态方程，便于分析与应用。因此，本实施例选用等效电路法计算检测待测电池健康度所需的初始参数。
典型的动力电池等效电路模型由多个电阻-电容网络结构组成，简称n-RC模型。通过综合考量模型精度与辨识难度，本实施例选用戴维南(Thevenin)模型作为待测电池的等效电路模型。利用电压表对待测电池正负极之间的电压进行测量，得到等效电路模型中并联的极化电阻R1和极化电容C1与理想电池10的负极之间的端电压Ut。
可选的，图3是本发明实施例提供的一种待测电池两端的电压-时间曲线，图4是本发明实施例提供的一种退役动力电池健康状态检测方法中步骤S120的具体流程示意图。在上述各实施例的基础上，参见图3和图4，电压-时间曲线包括：恒流放电阶段和静置阶段。其中，t1-t2阶段为待测电池恒流放电阶段，t2-t3阶段为待测电池静置阶段。t1和t2时间点的电压发生瞬时变化是由于待测电池在欧姆内阻上产生压降而造成的，t1-t2阶段和t2-t3阶段出现的电压缓慢变化的现象是由于待测电池的极化效应造成的。
基于等效电路法建立待测电池的等效电路模型，根据电压-时间曲线，计算等效电路模型的初始参数，包括：
S1201、根据公式1计算待测电池的欧姆内阻值，公式1表示为：
Figure BDA0003904357770000121
其中，R0为待测电池的欧姆内阻值，I为恒流放电阶段的电流值，U1为待测电池两端的电压-时间曲线的起始电压值，U2为待测电池恒流放电开始两端电压瞬时降低后的电压值。
具体地，根据电压-时间曲线，可获得待测电池开始恒流放电前的初始电压值U1以及刚开始恒流放电时的电压值U2，根据公式1即可计算得到待测电池的欧姆内阻值。
S1202、对电压-时间曲线中静置阶段的曲线进行拟合，由公式2计算时间常数，公式2表示为：
Figure BDA0003904357770000131
其中，U为待测电池在静置阶段的两端电压，t为时间，U3为待测电池恒流放电结束两端电压瞬时回升前的电压，τ为时间常数。
具体地，对电压-时间曲线中t2-t3时间段的静置阶段的曲线进行拟合，根据公式2，选取电压-时间曲线中t2-t3时间段上的点(U，t)，将选取的点的横坐标t和纵坐标U代入公式2中，且U3可由电压-时间曲线上获取，从而可计算得到时间常数τ。
S1203、对电压-时间曲线中的恒流放电阶段进行拟合，根据公式2和公
式3建立等式，求解得到待测电池的极化电阻值；公式3表示为：
Figure BDA0003904357770000132
其中，E为待测电池的电动势，R1为待测电池的极化电阻值。
具体地，由于公式2和公式3均为表示待测电池两端电压的等式，因此，将公式2与公式3建立等式。等式中仅有R1为未知参数，从而可计算得到极化电阻值R1。
S1204、根据待测电池的极化电阻值和时间常数，计算得到待测电池的极化电容值。
具体地，利用公式τ＝RC，将计算得到的极化电阻值R1和时间常数τ代入公式，即可计算得到极化电容值C1。
可选的，图5是本发明实施例提供的一种退役动力电池健康状态检测方法中步骤S130的具体流程示意图。在上述各实施例的基础上，如图5所示，根据初始参数计算开路电压估算值，包括：
S1301、将初始参数代入迭代参数方程组得到开路电压估算值的迭代过程的迭代参数；迭代参数包括：状态参数向量、输入向量和系统输出；其中，迭代参数方程组表示为：
Ut,k+U1,k+IkR0,k＝OCVk
yk＝Ut,k+U1,k+IkR0,k
Figure BDA0003904357770000141
θk＝OCVk
Figure BDA0003904357770000142
其中，Ut,k为第k次测量得到的等效电路模型的端电压，U1,k为第k-1次计算得到的等效电路模型中极化电阻R1和极化电容C1并联部分的电压值，作为第k次计算中极化电阻R1和极化电容C1并联部分的电压值，Ik为第k次测量得到的恒流放电阶段的电流，R0,k为第k次的欧姆内阻值，OCVk为第k次得到的开路电压估算值，yk为第k次计算得到的系统输出，
Figure BDA0003904357770000143
为第k次的输入向量，θk为第k次的状态参数向量，U1,k+1为第k+1次计算中极化电阻R1和极化电容C1并联部分的电压值，ΔT为测量两次端电压之间的时间间隔，τ1,k为第k次的时间常数。
具体地，在计算开路电压估算值时，需具有迭代初始参数，将迭代初始参数多次迭代，以得到开路电压估算值。在计算迭代初始参数时，可利用迭代参数方程组计算迭代初始参数。示例性地，在计算第一个开路电压估算值时，即k＝0，电压-时间曲线中的电压U4可以作为计算第一个开路电压估算值时，等效电路模型中极化电阻R1和极化电容C1并联部分的电压值U1,0。根据初始参数R0和R1，可计算得到OCV0和y0，从而可得到状态参数向量θ0，输入向量
Figure BDA0003904357770000144
恒定为1。综上，根据迭代参数方程组可计算迭代初始参数，迭代初始参数包括状态参数向量θ0、输入向量
Figure BDA0003904357770000145
和系统输出y0。其中，在计算迭代初始参数时，欧姆内阻值R0,k恒定为根据等效电路模型计算得到的待测电池的欧姆内阻值R0。
在计算每个新的开路电压估算值之前，均采用上述迭代参数方程组得到计算开路电压估算值所用的迭代初始参数。
S1302、根据迭代参数，进行多次迭代至状态参数向量收敛，得到开路电压估算值。
具体地，根据迭代参数方程组计算得到的迭代初始参数，将迭代初始参数代入计算开路电压估算值的迭代公式中。经过多次迭代，当状态参数向量θ迭代至收敛于一个数值时，即将收敛的数值作为计算得到的一个开路电压估算值。在计算另一个开路电压估算值时，利用迭代参数方程组重新计算一组迭代初始参数。将重新得到的迭代初始参数代入计算开路电压估算值的迭代公式中，再次多次迭代至状态参数向量收敛，则该收敛值作为又一个开路电压估算值。基于上述计算过程，可得到开路电压估算值-时间曲线。
可选的，在上述实施例的基础上，根据迭代参数，进行多次迭代至状态参数向量收敛，得到开路电压估算值，包括：
基于遗忘因子递推最小二乘法，迭代参数作为计算开路电压估算值的初始迭代参数，将初始迭代参数代入迭代公式，多次迭代至状态参数向量趋于收敛，趋于收敛的状态参数向量作为开路电压估算值；
迭代公式表示为：
Figure BDA0003904357770000151
Figure BDA0003904357770000152
Figure BDA0003904357770000153
Figure BDA0003904357770000154
其中，带有下角标n的参数表示第n次迭代过程的参数；
Figure BDA0003904357770000155
为第n次迭代过程更新的系统输出估算值，
Figure BDA0003904357770000156
为第n次迭代过程采用的状态参数向量估算值，
Figure BDA0003904357770000157
为第n次迭代过程更新的状态参数向量估算值，
Figure BDA0003904357770000158
为第n次迭代过程采用的输入向量的转置，en+1为第n次迭代过程更新的系统输出预测值与第n次迭代过程系统的实测输入值的差值，Pn为第n次迭代过程采用的协方差矩阵，Pn+1为第n次迭代过程更新的协方差矩阵，Kn+1为第n次迭代过程更新的增益矩阵，λ为遗忘因子。
具体地，含有遗忘因子的递推最小二乘法(Forgetting Factor Recursive LeastSquare，FFRLS)可有效克服经典最小二乘法存在的“数据饱和”问题。根据含有遗忘因子的递推最小二乘法的迭代公式，将迭代初始参数中的状态参数向量θn、输入向量
Figure BDA0003904357770000161
和系统输出yn代入迭代公式中，经过多次迭代计算，可得到趋于收敛的状态参数向量θn+1，则将θn+1作为计算得到的开路电压估算值。具体迭代计算过程如下：
根据第n-1次迭代过程更新的状态参数向量θn以及输入向量
Figure BDA0003904357770000162
估算第n次迭代过程更新的系统输出的预测值
Figure BDA0003904357770000163
其中，n≧1且n为整数；
根据第n次迭代过程更新的系统输出的预测值
Figure BDA0003904357770000164
和第n次迭代过程系统的实测输入值yn作差，得到第n次迭代过程更新的系统输出差值en+1；
根据遗忘因子λ以及第n-1次迭代过程更新的协方差矩阵Pn，得到第n次迭代过程更新的增益矩阵Kn+1；其中，初始协方差矩阵K1为对称非正定矩阵；
根据遗忘因子λ、输入向量
Figure BDA0003904357770000165
第n次迭代过程更新的增益矩阵Kn+1和第n-1次迭代过程更新的协方差矩阵Pn，得到第n次迭代过程更新的协方差矩阵Pn+1；
根据第n次迭代过程更新的增益矩阵Kn+1和第n次迭代过程更新的系统输出差值en+1，得到第n次迭代过程更新的状态参数向量估算值
Figure BDA0003904357770000166
根据第n次迭代过程更新的状态参数向量估算值
Figure BDA0003904357770000167
和输入向量
Figure BDA0003904357770000168
估算第n+1次迭代过程更新的系统输出的预测值
Figure BDA0003904357770000169
经多次迭代过程至状态参数向量
Figure BDA00039043577700001610
收敛，得到开路电压估算值，即将趋于收敛的状态参数向量
Figure BDA00039043577700001611
的值作为开路电压估算值。
需要说明的是，计算得到的开路电压估算值结果与遗忘因子的取值大小有关。若遗忘因子的取值过小，则迭代的结果会出现波动或发散的情况，即
Figure BDA00039043577700001612
不趋于收敛，因此，无法得到开路电压估算值。若遗忘因子的取值过大，则迭代结果将无法及时跟踪变化的参数，且收敛速度会减慢。优选的，遗忘因子选取0.98时，迭代结果具有较良好的稳定性和较快的收敛速度。
可选的，在上述各实施例的基础上，将开路电压估算值-时间曲线与SOC-OCV数据库中不同种类电池的开路电压-时间曲线进行匹配，获取SOC-OCV数据库中与待测电池最贴合的开路电压-时间曲线，包括：
基于聚类算法，采用并行计算的方式将开路电压估算值-时间曲线与SOC-OCV数据库中不同种类电池的开路电压-时间曲线进行匹配，获取SOC-OCV数据库中与待测电池最贴合的开路电压-时间曲线。
具体地，聚类是按照某个特定标准把一个数据集分割成不同的类或簇，使同一个簇内的数据对象的相似性尽可能大，同时在不同簇中的数据对象的差异性也尽可能大。并行计算(Parallel Computing)是指同时使用多种计算资源解决计算问题的过程，是提高计算机系统计算速度和处理能力的一种有效手段。SOC-OCV数据库中预先存储有多种不同种类的动力电池的开路电压-时间曲线，且每种动力电池的开路电压-时间曲线均对应电池荷电状态-时间曲线，即SOC-OCV数据库中的开路电压-时间曲线与电池荷电状态-时间曲线具有映射关系。在本实施例中，选取开路电压估算值-时间曲线上的多组点，采用并行计算的方式，基于聚类算法的思想，与SOC-OCV数据库中的不同种类电池的开路电压-时间曲线上的多组点进行匹配，从而可快速匹配到最贴合的一种动力电池的开路电压-时间曲线。
可选的，图6是本发明实施例提供的一种退役动力电池健康状态检测方法中步骤S150的具体流程示意图。在上述实施例的基础上，如图6所示，根据待测电池荷电状态-时间曲线估算待测电池的电池健康度，包括：
S1501、待测电池荷电状态-时间曲线包括：恒流放电阶段和静置阶段；在待测电池荷电状态-时间曲线上的恒流放电阶段选取多组点，根据选取的多组点，基于经典最小二乘法，计算待测电池在恒流放电阶段的实际标称容量和随机误差。
具体地，电池荷电状态可由公式
Figure BDA0003904357770000171
计算得到，因此，由电池荷电状态-时间曲线，可获得实际标称容量Cnorm。最小二乘法又称最小平方法，是一种数学优化技术。最小二乘法通过最小化误差的平方和寻找数据的最佳函数匹配。
基于经典最小二乘法，根据在待测电池荷电状态-时间曲线上的恒流放电阶段选取的多组点，可得到待测电池恒流放电过程中的电池荷电状态的变化量，由公式4表示为：
yi＝β1+β2xi+vi
其中，yi为所述恒流放电阶段中电池荷电状态的变化量，xi为待测电池的剩余容量，β2为待测电池的实际标称容量的倒数，νi为随机误差向量，β1为常数截距。yi＝SOC(t2)-SOC(t1)，β2＝1/Cnorm，xi表示为
Figure BDA0003904357770000181
η为待测电池的充放电效率。由于充放电效率的取值存在波动，因此，存在随机误差向量νi。
在待测电池荷电状态-时间曲线上选取多组点，根据选取的多组点，yi和xi的关系由公式5表示为矩阵形式，公式5表示为：
Y＝X·H+V
其中，H为β1和β2的列矩阵，Y为
Figure BDA0003904357770000182
X为
Figure BDA0003904357770000183
V为随机误差矩阵，表示为
Figure BDA0003904357770000184
通过对残差平方和求极值，可将公式5转化为公式6，公式6表示为：
Figure BDA0003904357770000185
其中，S0为矩阵Y与X的残差平方和，
Figure BDA0003904357770000186
为H的估算矩阵。
求解公式6的极值问题可得到以下公式：
H0＝(X′X)-1X′Y
通过上述公式可计算得到H0矩阵，由于
Figure BDA0003904357770000191
从而可相应计算得到β2，而Cnorm＝1/β2，因此，得到实际标称容量Cnorm。将计算得到的H0矩阵代入公式5中，即可推导出随机误差矩阵V。
S1502、基于迭代重加权最小二乘法，对随机误差进行优化，得到待测电池优化后的实际标称容量。
具体地，由于采用经典最小二乘法相当于给每个yi值赋以相同的权重，准确度较低，因此，需考虑随机误差vi的影响。采用迭代重加权最小二乘法(Iteratively ReweighedLeast Squares，IRLS)对每个yi值赋以不同的权重，对随机误差进行优化，从而提高计算的准确度。
对随机误差进行优化的优化函数由公式7表示为：
Figure BDA0003904357770000192
其中，yi为恒流放电阶段中电池荷电状态的变化量，xi为待测电池的剩余容量，β2为待测电池的实际标称容量的倒数，vi为随机误差向量，β1为常数截距。yi、xi和β2的表达式在上述内容中已作说明，此处不作赘述。
采用影响函数，对随机误差进行标准化，将公式7看作β2的函数并做极值分析，求导得公式7有极值时，满足公式8：
Figure BDA0003904357770000193
其中，
Figure BDA0003904357770000194
为影响函数的导数，
Figure BDA0003904357770000195
ui为标准化残余函数，表示为
Figure BDA0003904357770000196
S为鲁棒性估算参数。
具体地，使用鲁棒损失函数(Huber error function)作为影响函数，代替残差平方和。示例性地，鲁棒损失函数可表示为：
Figure BDA0003904357770000201
其中，ρ(x)为影响函数，影响函数ρ(x)的导数以
Figure BDA0003904357770000202
表示，k常取1.345，x作为该表达式中的自变量，x为残差。因此，
Figure BDA0003904357770000203
Figure BDA0003904357770000204
此外，鲁棒性估算参数可由下列公式表示：
Figure BDA0003904357770000205
根据鲁棒性估算参数的表达式，利用下列公式可计算出标准化残余函数。标准化残余函数的计算公式可表示为：
Figure BDA0003904357770000206
对公式7中的β2进行求导，可得到公式8中的
Figure BDA0003904357770000207
在待测电池荷电状态-时间曲线上的恒流放电阶段选取多组点，根据选取的多组点，可将公式8转化为矩阵形式，即得到公式：X′WY＝X′WXH。
对上述矩阵形式的公式求解极值，可得到公式：
Figure BDA0003904357770000208
其中，W为
Figure BDA0003904357770000209
通过求解
Figure BDA00039043577700002010
矩阵，即可得到β2，从而可根据公式β2＝1/Cnorm，计算优化后的实际标称容量Cnorm的值。
S1503、根据待测电池优化后的实际标称容量和待测电池的标称容量，计算待测电池的电池健康度。
具体地，将待测电池优化后的实际标称容量与待测电池的标称容量作商，得到待测电池的电池健康度。
电池健康度的计算公式可表示为：
Figure BDA0003904357770000211
其中，SOH为电池健康度，Cnorm为电池的实际标称容量，Cstandard为电池的标称容量。
对于计算待测电池的电池健康度，待测电池的实际标称容量由上述计算过程计算得到，待测电池的标称容量可由待测电池的标签中获取。因此，可根据电池健康度公式，简便地计算出待测电池的电池健康度。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种退役动力电池健康状态检测方法，其特征在于，包括：
采集待测电池由放电状态转换为放电停止状态后的两端电压，形成电压-时间曲线；
基于等效电路法建立待测电池的等效电路模型，根据所述电压-时间曲线，计算所述等效电路模型的初始参数；
根据所述初始参数计算开路电压估算值，得到开路电压估算值-时间曲线；
将所述开路电压估算值-时间曲线与SOC-OCV数据库中不同种类电池的开路电压-时间曲线进行匹配，获取SOC-OCV数据库中与待测电池最贴合的开路电压-时间曲线，并将与所述最贴合的开路电压-时间曲线具有映射关系的电池荷电状态-时间曲线作为所述待测电池的荷电状态-时间曲线；
根据所述待测电池的荷电状态-时间曲线确定待测电池的电池健康度。
2.根据权利要求1所述的检测方法，其特征在于，所述待测电池的等效电路模型包括：理想电池、欧姆内阻、极化电阻和极化电容；所述理想电池的正极与所述欧姆内阻的第一端电连接，所述极化电阻和所述极化电容并联后，与所述欧姆内阻的第二端电连接；
所述初始参数包括：所述待测电池的欧姆内阻值、极化电阻值和极化电容值。
3.根据权利要求2所述的检测方法，其特征在于，所述电压-时间曲线包括：恒流放电阶段和静置阶段；所述基于等效电路法建立待测电池的等效电路模型，根据所述电压-时间曲线，计算所述等效电路模型的初始参数，包括：
根据公式1计算待测电池的欧姆内阻值，公式1表示为：
Figure FDA0003904357760000011
其中，R0为待测电池的欧姆内阻值，I为恒流放电阶段的电流值，U1为待测电池两端的电压-时间曲线的起始电压值，U2为待测电池恒流放电开始两端电压瞬时降低后的电压值；
对所述电压-时间曲线中静置阶段的曲线进行拟合，由公式2计算时间常数，公式2表示为：
Figure FDA0003904357760000021
其中，U为待测电池在静置阶段的两端电压，t为时间，U3为待测电池恒流放电结束两端电压瞬时回升前的电压，τ为时间常数；
对所述电压-时间曲线中的恒流放电阶段进行拟合，根据公式2和公式3建立等式，求解得到所述待测电池的极化电阻值；公式3表示为：
Figure FDA0003904357760000022
其中，R1为待测电池的极化电阻值；
根据所述待测电池的极化电阻值和时间常数，计算得到所述待测电池的极化电容值。
4.根据权利要求2所述的检测方法，其特征在于，所述根据所述初始参数计算开路电压估算值，包括：
将所述初始参数代入迭代参数方程组得到开路电压估算值的迭代过程的迭代参数；所述迭代参数包括：状态参数向量、输入向量和系统输出；其中，所述迭代参数方程组表示为：
Ut,k+U1,k+IkR0,k＝OCVk
yk＝Ut，k+U1，k+IkR0，k
Figure FDA0003904357760000023
θk＝OCVk
Figure FDA0003904357760000031
其中，Ut,k为第k次测量得到的等效电路模型的端电压，U1,k为第k-1次计算得到的等效电路模型中极化电阻R1和极化电容C1并联部分的电压值，作为第k次计算中极化电阻R1和极化电容C1并联部分的电压值，Ik为第k次测量得到的恒流放电阶段的电流，R0,k为第k次的欧姆内阻值，OCVk为第k次得到的开路电压估算值，yk为第k次计算得到的系统输出，
Figure FDA0003904357760000035
为第k次的输入向量，θk为第k次的状态参数向量，U1,k+1为第k+1次计算中极化电阻R1和极化电容C1并联部分的电压值，ΔT为测量两次端电压之间的时间间隔，τ1,k为第k次的时间常数；
根据所述迭代参数，进行多次迭代至所述状态参数向量收敛，得到开路电压估算值。
5.根据权利要求4所述的检测方法，其特征在于，所述根据所述迭代参数，进行多次迭代至所述状态参数向量收敛，得到开路电压估算值，包括：
基于遗忘因子递推最小二乘法，所述迭代参数作为计算开路电压估算值的初始迭代参数，将所述初始迭代参数代入迭代公式，多次迭代至所述状态参数向量趋于收敛，趋于收敛的所述状态参数向量作为开路电压估算值；
所述迭代公式表示为：
Figure FDA0003904357760000032
Figure FDA0003904357760000033
Figure FDA0003904357760000034
Figure FDA0003904357760000041
其中，带有下角标n的参数表示第n次迭代过程的参数；
Figure FDA0003904357760000042
为第n次迭代过程更新的系统输出估算值，
Figure FDA0003904357760000043
为第n次迭代过程采用的状态参数向量估算值，
Figure FDA0003904357760000044
为第n次迭代过程更新的状态参数向量估算值，
Figure FDA0003904357760000045
为第n次迭代过程采用的输入向量的转置，en+1为第n次迭代过程更新的系统输出预测值与第n次迭代过程系统的实测输入值的差值，Pn为第n次迭代过程采用的协方差矩阵，Pn+1为第n次迭代过程更新的协方差矩阵，Kn+1为第n次迭代过程更新的增益矩阵，λ为遗忘因子。
6.根据权利要求1所述的检测方法，其特征在于，所述将所述开路电压估算值-时间曲线与SOC-OCV数据库中不同种类电池的开路电压-时间曲线进行匹配，获取SOC-OCV数据库中与待测电池最贴合的开路电压-时间曲线，包括：
基于聚类算法，采用并行计算的方式将所述开路电压估算值-时间曲线与SOC-OCV数据库中不同种类电池的开路电压-时间曲线进行匹配，获取SOC-OCV数据库中与待测电池最贴合的开路电压-时间曲线。
7.根据权利要求1所述的检测方法，其特征在于，所述根据所述待测电池荷电状态-时间曲线估算待测电池的电池健康度，包括：
所述待测电池荷电状态-时间曲线包括：恒流放电阶段和静置阶段；在所述待测电池荷电状态-时间曲线上的恒流放电阶段选取多组点，根据选取的所述多组点，基于经典最小二乘法，计算待测电池在所述恒流放电阶段的实际标称容量和随机误差；
基于迭代重加权最小二乘法，对所述随机误差进行优化，得到待测电池优化后的实际标称容量；
根据待测电池优化后的实际标称容量和待测电池的标称容量，计算待测电池的电池健康度。
8.根据权利要求7所述的检测方法，其特征在于，在所述待测电池荷电状态-时间曲线上的恒流放电阶段选取多组点，根据选取的所述多组点，基于经典最小二乘法，计算待测电池的实际标称容量，包括：
对于待测电池恒流放电过程中的电池荷电状态的变化量，由公式4表示为：
yi＝β1+β2xi+vi
其中，yi为所述恒流放电阶段中电池荷电状态的变化量，xi为待测电池的剩余容量，β2为待测电池的实际标称容量的倒数，vi为随机误差向量，β1为常数截距；
根据选取的所述多组点，yi和xi的关系由公式5表示为矩阵形式，公式5表示为：
Y＝X·H+V
其中，H为β1和β2的列矩阵，Y为
Figure FDA0003904357760000051
X为
Figure FDA0003904357760000052
V为随机误差矩阵，表示为
Figure FDA0003904357760000053
将公式5转化为公式6，通过对残差平方和求极值，计算得到
Figure FDA0003904357760000054
通过
Figure FDA0003904357760000055
计算待测电池的所述实际标称容量和所述随机误差；其中，公式6表示为：
Figure FDA0003904357760000056
其中，S0为矩阵Y与X的残差平方和，
Figure FDA0003904357760000057
为H的估算矩阵。
9.根据权利要求8所述的检测方法，其特征在于，所述基于迭代重加权最小二乘法，对所述随机误差进行优化，得到待测电池优化后的实际标称容量，包括：
对所述随机误差进行优化的优化函数由公式7表示为：
Figure FDA0003904357760000061
其中，yi为所述恒流放电阶段中电池荷电状态的变化量，xi为待测电池的剩余容量，β2为待测电池的实际标称容量的倒数，vi为随机误差向量，β1为常数截距；
采用影响函数，对随机误差进行标准化，将公式7转化为公式8，公式8表示为：
Figure FDA0003904357760000062
其中，
Figure FDA0003904357760000063
为影响函数的导数，
Figure FDA0003904357760000064
ui为标准化残余函数，表示为
Figure FDA0003904357760000065
S为鲁棒性估算参数；
在所述待测电池荷电状态-时间曲线上的恒流放电阶段选取多组点，根据选取的所述多组点，将公式8以矩阵的形式转化为求解极值，得到公式9；所述公式9表示为：
X′WY＝X′WXH
Figure FDA0003904357760000066
其中，W为
Figure FDA0003904357760000067
根据所述公式9计算得到
Figure FDA0003904357760000068
根据
Figure FDA0003904357760000069
计算得到优化后的待测电池的实际标称容量。
10.根据权利要求7所述的检测方法，其特征在于，所述根据待测电池优化后的实际标称容量和待测电池的标称容量，计算待测电池的电池健康度，包括：
将待测电池优化后的实际标称容量与待测电池的标称容量作商，得到待测电池的电池健康度。
CN202211301750.3A 2022-10-24 2022-10-24 一种退役动力电池健康状态检测方法 Pending CN115639479A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211301750.3A CN115639479A (zh) 2022-10-24 2022-10-24 一种退役动力电池健康状态检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211301750.3A CN115639479A (zh) 2022-10-24 2022-10-24 一种退役动力电池健康状态检测方法

Publications (1)

Publication Number Publication Date
CN115639479A true CN115639479A (zh) 2023-01-24

Family

ID=84944587

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211301750.3A Pending CN115639479A (zh) 2022-10-24 2022-10-24 一种退役动力电池健康状态检测方法

Country Status (1)

Country Link
CN (1) CN115639479A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116068449A (zh) * 2023-03-23 2023-05-05 中国科学技术大学 一种物理模型约束深度神经网络的锂电池评估系统及方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116068449A (zh) * 2023-03-23 2023-05-05 中国科学技术大学 一种物理模型约束深度神经网络的锂电池评估系统及方法

Similar Documents

Publication Publication Date Title
Chen et al. Online state of charge estimation of Li-ion battery based on an improved unscented Kalman filter approach
CN107957562B (zh) 一种锂离子电池剩余寿命在线预测方法
Wang et al. An online method to simultaneously identify the parameters and estimate states for lithium ion batteries
CN110133525B (zh) 一种应用于电池管理系统的锂离子电池健康状态估计方法
US10677848B2 (en) Apparatus, circuit model, and method for battery modelling
Wehbe et al. Battery equivalent circuits and brief summary of components value determination of lithium ion: A review
Kim et al. Pattern recognition for temperature-dependent state-of-charge/capacity estimation of a Li-ion cell
Takyi-Aninakwa et al. Enhanced multi-state estimation methods for lithium-ion batteries considering temperature uncertainties
CN113238157A (zh) 一种通过对电动汽车退役电池进行ai检测来筛选的方法
Huang et al. Accurate Thevenin's circuit-based battery model parameter identification
CN112684363A (zh) 一种基于放电过程的锂离子电池健康状态估计方法
Liu et al. Fractional variable-order calculus based state of charge estimation of Li-ion battery using dual fractional order Kalman filter
CN113484771A (zh) 一种锂离子电池宽温度全寿命soc及容量估计的方法
CN112528472A (zh) 一种多新息混合Kalman滤波和H无穷滤波算法
Lavety et al. A dynamic battery model and parameter extraction for discharge behavior of a valve regulated lead-acid battery
CN115639479A (zh) 一种退役动力电池健康状态检测方法
CN110361657B (zh) 估算电池荷电状态的方法
Hu et al. A parameter identification and state of charge estimation method of lithium-ion battery considering temperature bias
CN112946480B (zh) 一种提高soc估计实时性的锂电池电路模型简化方法
Buchman et al. State of charge and state of health estimation of lithium-ion batteries
CN111856286A (zh) 基于dp-rc模型的电池功率估计方法及装置
CN111965548A (zh) 一种基于状态估计法的电池系统传感器故障诊断方法
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
CN114609525A (zh) 基于分数阶容积卡尔曼滤波的动力电池soc估计方法
Aung et al. Modeling and state of charge estimation of a lithium ion battery using unscented Kalman filter in a nanosatellite

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