CN115701851B - 一种软包锂离子电池厚度预测方法 - Google Patents

一种软包锂离子电池厚度预测方法 Download PDF

Info

Publication number
CN115701851B
CN115701851B CN202211139838.XA CN202211139838A CN115701851B CN 115701851 B CN115701851 B CN 115701851B CN 202211139838 A CN202211139838 A CN 202211139838A CN 115701851 B CN115701851 B CN 115701851B
Authority
CN
China
Prior art keywords
lithium ion
ion battery
soft
thickness
charge
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.)
Active
Application number
CN202211139838.XA
Other languages
English (en)
Other versions
CN115701851A (zh
Inventor
何孟军
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.)
Chuneng New Energy Co Ltd
Original Assignee
Chuneng New Energy Co Ltd
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 Chuneng New Energy Co Ltd filed Critical Chuneng New Energy Co Ltd
Priority to CN202211139838.XA priority Critical patent/CN115701851B/zh
Publication of CN115701851A publication Critical patent/CN115701851A/zh
Application granted granted Critical
Publication of CN115701851B publication Critical patent/CN115701851B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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

Abstract

本发明提供一种软包锂离子电池厚度预测方法，涉及锂电池设备领域，包括以下步骤：创建粒子滤波器并建立软包锂离子电池的厚度模型；设置软包锂离子电池的预测起点的充放电循环次数，计算出厚度模型的模型参数，从而确认软包锂离子电池的充放电循环次数与包锂离子电池的满电厚度之间的关系；通过厚度模型预测软包锂离子电池的满电厚度，记录软包锂离子电池的充放电循环次数并将其作为软包锂离子电池的使用寿命，本发明可以对软包锂离子电池的满电厚度进行预测，通过对满电厚度的预测实现对软包锂离子电池剩余容量的预测，显著的降低节约时间成本。且本方法快捷高效，对于单一电池和电池组均可使用。

Description

一种软包锂离子电池厚度预测方法
技术领域
本发明涉及锂电池设备领域，特别涉及一种软包锂离子电池厚度预测方法。
背景技术
随着3C类便携式电子类消费产品、动力汽车以及终端储能设备的飞速发展，市场对锂离子电池的需求越来愈大，锂离子电池具有能量密度高、寿命长、可回收等优点。一般而言，在电池的循环过程中，当其容量达到额定容量的80％时，即认为该电池已经失效，需要被淘汰更换，当然除了对其容量进行定标以外，软包电池的厚度也是电池失效评判标准之一，当电池的满电厚度增加到初始满电厚度的10％时，则认为电池失效。
一般认为，电池的厚度和电池的容量具有很强的关联性，但是两者之间也有一定的差异，当电池的容量衰减到80％时，此时电池的厚度还未增加到10％，反之亦然。现阶段对电池的失效标准主要是集中在容量的这一指标上，而对电池的厚度关注度比较低。当然，电池的厚度与容量是随循环周期同步变化的，但是对于电池来讲，长时间的循环测试直至达到失效阈值，即是测试成本的消耗又是生产制造的推迟，因此在有限的循环周期下，对电池的厚度进行预测，以求达到缩小成本，提高生产效率具有重要的价值。
对电池的厚度进行监控的方法主要是采用在线检测和离线检测，其中的离线检测主要是电池循环50周或者100周后，下柜，采用红外线测厚仪对电池的厚度进行测量；另外一种在线检测的方法是主要是以电池膨胀所产生的膨胀应力与电芯的厚度之间的对应关系进行数学关系计算得出每一个循环下的电池厚度。其中，离线检测固然可以节约成本，但是不能进行实时监控，且电池反复上下柜，会造成电芯测试的人为误差以及测试一致性等问题；而在线检测固然可以做到实时监控电池的厚度，但是在应用领域作用性不大，主要一是由于成本较高，针对单一电性能的测试就需要耗费极高的设备费用，实现对大量电池测试有很高难度，并且连续性测试的应用实际价值也不明显。
发明内容
本发明的目的在于提供一种基于粒子滤波的软包锂离子电池厚度预测方法，实现对软包锂离子电池厚度的实时预测，降低了电池厚度的检测成本，提高了电池厚度检测的准确性。
为了实现上述目的，本发明提供如下技术方案：一种基于粒子滤波的软包锂离子电池厚度预测方法，包括以下步骤：S1：创建粒子滤波器并建立所述软包锂离子电池的厚度模型，所述厚度模型为所述软包锂离子电池的充放电循环次数与所述软包锂离子电池的满电厚度之间的关系；S2：设置所述软包锂离子电池的预测起点的充放电循环次数，基于粒子滤波算法和所述软包锂离子电池在所述预测起点之前的满电厚度数据计算出所述厚度模型的模型参数，从而确认所述软包锂离子电池的充放电循环次数与所述包锂离子电池的满电厚度之间的关系；S3：设定所述软包锂离子电池的满电厚度阈值；S4：当所述软包锂离子电池的充放电循环次数大于所述预测起点的充放电循环次数时，所述软包锂离子电池每经过n1次充放电循环，通过所述厚度模型预测所述软包锂离子电池的满电厚度，当预测的所述软包锂离子电池的满电厚度大于所述软包锂离子电池的满电厚度阈值时，记录当前所述软包锂离子电池的充放电循环次数并将其作为所述软包锂离子电池的使用寿命。
进一步地，在上述的一种基于粒子滤波的软包锂离子电池厚度预测方法中，步骤S2包括：S21：从所述软包锂离子电池的初始状态至所述预测起点，以n2次充放电循环为间隔采集所述软包锂离子电池的满电厚度；
S22：通过所有采集到的所述软包锂离子电池的满电厚度数据确认所述模型参数；S23：设置所述模型参数的过程噪声；S24：设置所述模型参数的观测噪声。
进一步地，在上述的一种基于粒子滤波的软包锂离子电池厚度预测方法中，所述软包锂离子电池的预测起点为500次充放电循环-700次充放电循环。
进一步地，在上述的一种基于粒子滤波的软包锂离子电池厚度预测方法中，所述厚度模型为：
h＝a*cycle3+b*cycle2+c*cycle+d
其中h为所述软包锂离子电池的满电厚度，cycle为所述软包锂离子电池的充放电循环次数，a、b、c、d均为所述模型参数。
进一步地，在上述的一种基于粒子滤波的软包锂离子电池厚度预测方法中，步骤S23还包括：S231：将所有采集到的所述软包锂离子电池的满电厚度数据进行拟合获取所述模型参数的均方差σa、σb、σc、σd，σa、σb、σc、σd分别为a、b、c、d的均方差；S232：所述模型参数的过程噪声的分布[Wa Wb Wc Wd]＝N～(0,[σa σb σc σd])。
进一步地，在上述的一种基于粒子滤波的软包锂离子电池厚度预测方法中，所述观测噪声的分布为N～(0，0.1)。
进一步地，在上述的一种基于粒子滤波的软包锂离子电池厚度预测方法中，在软包锂离子电池的满电厚度预测过程中，循环次数n1和循环次数n2均为10-30。
进一步地，在上述的一种基于粒子滤波的软包锂离子电池厚度预测方法中，所述软包锂离子电池的满电厚度阈值为所述软包锂离子电池的初始满电厚度的110％。
进一步地，在上述的一种基于粒子滤波的软包锂离子电池厚度预测方法中，所述粒子滤波器的粒子数为800-1200。
进一步地，在上述的一种软包锂离子电池厚度预测方法中，所述软包锂离子电池的充放电循环为恒压充放电循环或恒流充放电循环。
分析可知，本发明公开一种基于粒子滤波的软包锂离子电池厚度预测方法，本发明可以对软包锂离子电池的满电厚度进行预测，通过对满电厚度的预测实现对软包锂离子电池剩余容量的预测，显著的降低节约时间成本。且本方法快捷高效，对于单一电池和电池组均可使用。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。其中：
图1本发明的流程图。
图2本发明的厚度模型的拟合图。
图3本发明的电池寿命预测图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。各个示例通过本发明的解释的方式提供而非限制本发明。实际上，本领域的技术人员将清楚，在不脱离本发明的范围或精神的情况下，可在本发明中进行修改和变型。例如，示为或描述为一个实施例的一部分的特征可用于另一个实施例，以产生又一个实施例。因此，所期望的是，本发明包含归入所附权利要求及其等同物的范围内的此类修改和变型。
在本发明的描述中，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明而不是要求本发明必须以特定的方位构造和操作，因此不能理解为对本发明的限制。本发明中使用的术语“相连”、“连接”、“设置”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接；可以是直接相连，也可以通过中间部件间接相连；可以是有线电连接、无线电连接，也可以是无线通信信号连接，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
所附附图中示出了本发明的一个或多个示例。详细描述使用了数字和字母标记来指代附图中的特征。附图和描述中的相似或类似标记的已经用于指代本发明的相似或类似的部分。如本文所用的那样，用语“第一”、“第二”、“第三”以及“第四”等可互换地使用，以将一个构件与另一个区分开，且不旨在表示单独构件的位置或重要性。
如图1所示，根据本发明的实施例，提供了一种基于粒子滤波的软包锂离子电池厚度预测方法，包括以下步骤：
S1：创建粒子滤波器并建立软包锂离子电池的厚度模型，厚度模型为软包锂离子电池的充放电循环次数与软包锂离子电池的满电厚度之间的关系，软包锂离子电池的厚度模型是基于粒子滤波的电池厚度三次函数增加的模型状态空间方程，对软包锂离子电池的厚度进行预测，实现以有限的电池满电厚度数据点来延伸至整个电池生命周期，实现对电池整个生命周期的预测；
S2：设置软包锂离子电池的预测起点的充放电循环次数，基于粒子滤波算法和软包锂离子电池在预测起点之前的满电厚度数据计算出厚度模型的模型参数，从而确认软包锂离子电池的充放电循环次数与包锂离子电池的满电厚度之间的关系，根据软包锂离子电池在预测起点前的满电厚度数据通过粒子滤波的基本算法计算出厚度模型的模型参数，计算出的厚度模型的模型参数能够实现对软包锂离子电池后续状态的预测，通过软包锂离子电池在预测起点前的满电厚度数据能够保证厚度模型的准确性，能够使厚度模型适用于不同的电池，粒子滤波的基本算法一般包括以下步骤：1、初始化粒子，给粒子一个初始值，例如a0、b0、c0、d0，2、状态预测，利用经验模型对软包锂离子电池的下一个状态进行预测，3、更新权重和权重归一化，对软包锂离子电池下一个状态的每一个粒子的预测值的权重进行重新分配，4、重采样，重采样一般包括随机重采样、系统重采样、残差重采样，其主要目的就是优选预测值与实际值较为接近的粒子，5、获取系统的后验估计，可以理解为经过重采样之后保留的粒子所对应的待估模型参数即为后验估计，图1中k代表当前对软包锂离子电池的满电厚度的采集次数，k0为到达预测起点时需要采集软包锂离子电池的满电厚度的次数。
S3：设定软包锂离子电池的满电厚度阈值，软包锂离子电池膨胀到一定程度时会失去大部分电能储存能力，此时一般认为是电池的寿命终点，因此对锂离子电池的厚度预测一般不需要考虑电池失效后的部分；
S4：当软包锂离子电池的充放电循环次数大于预测起点的充放电循环次数时，软包锂离子电池每经过n1次充放电循环，通过厚度模型预测软包锂离子电池的满电厚度，当预测的软包锂离子电池的满电厚度大于软包锂离子电池的满电厚度阈值时，记录当前软包锂离子电池的充放电循环次数并将其作为软包锂离子电池的使用寿命，通过厚度模型能够判断出软包锂离子电池的使用寿命，从而实时判断锂离子电池的状态，如图3所示，图3为某软包锂离子电池通过本方法实现的使用寿命预测，其中y轴的swelling(％)代表软包锂离子电池的满电厚度膨胀率，x轴的Cycle No.代表软包锂离子电池的充放电循环次数，从而推断出该软包锂离子电池的电池寿命为940次充放电循环。
优选地，步骤S2包括：S21：从软包锂离子电池的初始状态至预测起点，以n2次充放电循环为间隔采集软包锂离子电池的满电厚度，对软包锂离子电池的满电厚度的采集足够的点值即可，通过软件拟合即能完成厚度模型的构建；
S22：通过所有采集到的软包锂离子电池的满电厚度数据确认模型参数，软包锂离子电池的满电厚度数据与软包锂离子电池的充放电循环次数相绑定，从而作为厚度模型的构建数据；
S23：设置模型参数的过程噪声，过程噪声是指在粒子寻优过程中从上一个状态到下一个状态中间会呈现一个概率密度分布。
S24：设置模型参数的观测噪声，观测噪声是指为测试仪器与实际值之间的误差。
优选地，软包锂离子电池的预测起点为500次充放电循环-700次充放电循环，可选为500次、560次、600次、660次、700次，优选为600次，预测起点的充放电循环次数不能够太少，太少会导致取样次数不足，从而影响厚度模型的建立，在500次与700次之间能够取得足够的软包锂离子电池的满电厚度数据，同时尽可能的降低满电厚度数据的采集成本。
优选地，厚度模型为：
h＝a*cycle3+b*cycle2+c*cycle+d其中h为软包锂离子电池的满电厚度，cycle为软包锂离子电池的充放电循环次数，a、b、c、d均为模型参数，软包锂离子电池的满电厚度可以建立为一个三次函数模型，通过三次函数模型能够反映出软包锂离子电池的真实运作状态，如图2所示，图2为某锂电池厚度模型的拟合曲线，其中y轴的swelling(％)代表软包锂离子电池的满电厚度膨胀率，x轴的Cycle No.代表软包锂离子电池的充放电循环次数。
优选地，步骤S23还包括：S231：将所有采集到的软包锂离子电池的满电厚度数据进行拟合获取模型参数的初值[a0 b0 c0 d0]和模型参数的均方差[σa σb σc σd]；S232：模型参数的过程噪声的分布[Wa Wb Wc Wd]＝N～(0,[σa σb σc σd])，a0、b0、c0、d0分别为a、b、c、d的初值，σa、σb、σc、σd分别为a、b、c、d的均方差，过程噪声的设定需要符合正态分布N～(0,[σaσb σc σd])。
优选地，观测噪声的分布为N～(0，0.1)，观测噪声的分布需要符合正态分布N～(0，0.1)，在实际应用中观测噪声的分布也可以为均匀分布。
优选地，在软包锂离子电池的满电厚度预测过程中，循环次数n1和循环次数n2均为10-30，可选为10、15、20、20、30，优选为30，一般情况下可以每隔20次充放电循环采集一次软包锂离子电池的满电厚度或者预测一次软包锂离子电池的满电厚度，能够在不影响预测结果准确性的同时，最大程度的降低采集和预测成本。
优选地，软包锂离子电池的满电厚度阈值为软包锂离子电池的初始满电厚度的110％，常温下循环至电池的厚度膨胀率(Swelling)达到10％(膨胀率＝当前节点厚度/初始节点厚度-1)*100％，即代表电池已到达使用寿命，此时软包锂离子电池的满电厚度为软包锂离子电池的初始满电厚度的110％。
优选地，粒子滤波器的粒子数为800-1200，可选为800、900、1000、1100、1200，优选为1000，本方法中，粒子滤波器的粒子数在800-1200这一范围内均可满足使用需求。
优选地，软包锂离子电池的充放电循环可以为恒压充放电循环或恒流充放电循环。
本发明利用粒子滤波算法对每一个时间节点上的厚度模型的模型参数进行评估，根据厚度模型对每一个时间节点上的软包电池的厚度膨胀率进行预测，判断时间节点是否大于预测起点，如果是，根据后验分布对软包电池的厚度膨胀率进行后续预测，直至达到软包锂离子电池的满电厚度阈值。
与现有技术相比，本发明可以对软包锂离子电池的满电厚度进行预测，通过对满电厚度的预测实现对软包锂离子电池剩余容量的预测，显著的降低节约时间成本。且本方法快捷高效，对于单一电池和电池组均可使用。
以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种软包锂离子电池厚度预测方法，其特征在于，包括以下步骤：
S1：创建粒子滤波器并建立所述软包锂离子电池的厚度模型，所述厚度模型为所述软包锂离子电池的充放电循环次数与所述软包锂离子电池的满电厚度之间的关系；
S2：设置所述软包锂离子电池的预测起点的充放电循环次数，基于粒子滤波算法和所述软包锂离子电池在所述预测起点之前的满电厚度数据计算出所述厚度模型的模型参数，从而确认所述软包锂离子电池的充放电循环次数与所述包锂离子电池的满电厚度之间的关系；
S3：设定所述软包锂离子电池的满电厚度阈值；
S4：当所述软包锂离子电池的充放电循环次数大于所述预测起点的充放电循环次数时，所述软包锂离子电池每经过n1次充放电循环，通过所述厚度模型预测所述软包锂离子电池的满电厚度，当预测的所述软包锂离子电池的满电厚度大于所述软包锂离子电池的满电厚度阈值时，记录当前所述软包锂离子电池的充放电循环次数并将其作为所述软包锂离子电池的使用寿命。
2.根据权利要求1所述的一种软包锂离子电池厚度预测方法，其特征在于，步骤S2包括：
S21：从所述软包锂离子电池的初始状态至所述预测起点，以n2次充放电循环为间隔采集所述软包锂离子电池的满电厚度；
S22：通过所有采集到的所述软包锂离子电池的满电厚度数据确认所述模型参数；
S23：设置所述模型参数的过程噪声；
S24：设置所述模型参数的观测噪声。
3.根据权利要求1所述的一种软包锂离子电池厚度预测方法，其特征在于，所述软包锂离子电池的预测起点为500次充放电循环-700次充放电循环。
4.根据权利要求2所述的一种软包锂离子电池厚度预测方法，其特征在于，所述厚度模型为：
h＝a*cycle3+b*cycle2+c*cycle+d
其中h为所述软包锂离子电池的满电厚度，cycle为所述软包锂离子电池的充放电循环次数，a、b、c、d均为所述模型参数。
5.根据权利要求4所述的一种软包锂离子电池厚度预测方法，其特征在于，步骤S23还包括：
S231：将所有采集到的所述软包锂离子电池的满电厚度数据进行拟合获取所述模型参数的均方差σa、σb、σc、σd，σa、σb、σc、σd分别为a、b、c、d的均方差；
S232：所述模型参数的过程噪声的分布[WaWbWcWd]＝N～(0,[σaσbσcσd])。
6.根据权利要求2所述的一种软包锂离子电池厚度预测方法，其特征在于，所述观测噪声的分布为N～(0，0.1)。
7.根据权利要求2所述的一种软包锂离子电池厚度预测方法，其特征在于，n1和n2均为10-30。
8.根据权利要求2所述的一种软包锂离子电池厚度预测方法，其特征在于，所述软包锂离子电池的满电厚度阈值为所述软包锂离子电池的初始满电厚度的110％。
9.根据权利要求2所述的一种软包锂离子电池厚度预测方法，其特征在于，所述粒子滤波器的粒子数为800-1200。
10.根据权利要求1所述的一种软包锂离子电池厚度预测方法，其特征在于，所述软包锂离子电池的充放电循环为恒压充放电循环或恒流充放电循环。
CN202211139838.XA 2022-09-19 2022-09-19 一种软包锂离子电池厚度预测方法 Active CN115701851B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211139838.XA CN115701851B (zh) 2022-09-19 2022-09-19 一种软包锂离子电池厚度预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211139838.XA CN115701851B (zh) 2022-09-19 2022-09-19 一种软包锂离子电池厚度预测方法

Publications (2)

Publication Number Publication Date
CN115701851A CN115701851A (zh) 2023-02-14
CN115701851B true CN115701851B (zh) 2023-09-29

Family

ID=85162764

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211139838.XA Active CN115701851B (zh) 2022-09-19 2022-09-19 一种软包锂离子电池厚度预测方法

Country Status (1)

Country Link
CN (1) CN115701851B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112305428A (zh) * 2019-07-29 2021-02-02 万向一二三股份公司 一种锂离子电池机械响应与电化学行为同时测量方法
CN112433158A (zh) * 2020-11-11 2021-03-02 蜂巢能源科技有限公司 一种锂离子电池膨胀率的测试方法
CN112986831A (zh) * 2021-04-30 2021-06-18 上海海事大学 一种基于相关系数粒子滤波的锂离子电池寿命预测方法
CN113839107A (zh) * 2021-09-22 2021-12-24 北京航空航天大学 软包锂离子电池跳水退化模式早期预警方法
CN113985293A (zh) * 2021-10-26 2022-01-28 远景动力技术(江苏)有限公司 锂离子电池膨胀率预测方法和装置、电子设备及存储介质
CN114062955A (zh) * 2021-11-30 2022-02-18 浙江南都电源动力股份有限公司 一种锂离子电池循环寿命的快速预测方法
CN115047364A (zh) * 2022-03-01 2022-09-13 东方电气集团科学技术研究院有限公司 一种基于电化学模型锂离子电池使用寿命预测的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8513919B2 (en) * 2010-07-28 2013-08-20 Apple Inc. Swelling management in batteries for portable electronic devices

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112305428A (zh) * 2019-07-29 2021-02-02 万向一二三股份公司 一种锂离子电池机械响应与电化学行为同时测量方法
CN112433158A (zh) * 2020-11-11 2021-03-02 蜂巢能源科技有限公司 一种锂离子电池膨胀率的测试方法
CN112986831A (zh) * 2021-04-30 2021-06-18 上海海事大学 一种基于相关系数粒子滤波的锂离子电池寿命预测方法
CN113839107A (zh) * 2021-09-22 2021-12-24 北京航空航天大学 软包锂离子电池跳水退化模式早期预警方法
CN113985293A (zh) * 2021-10-26 2022-01-28 远景动力技术(江苏)有限公司 锂离子电池膨胀率预测方法和装置、电子设备及存储介质
CN114062955A (zh) * 2021-11-30 2022-02-18 浙江南都电源动力股份有限公司 一种锂离子电池循环寿命的快速预测方法
CN115047364A (zh) * 2022-03-01 2022-09-13 东方电气集团科学技术研究院有限公司 一种基于电化学模型锂离子电池使用寿命预测的方法

Also Published As

Publication number Publication date
CN115701851A (zh) 2023-02-14

Similar Documents

Publication Publication Date Title
CN110568361B (zh) 一种动力电池健康状态的预测方法
CN107145628B (zh) 基于电化学-热耦合模型的预测锂电池循环寿命的方法
CN103728563B (zh) 一种电池健康状态的测算方法
Wu et al. A new fault diagnosis and prognosis technology for high-power lithium-ion battery
KR101419130B1 (ko) 배터리 관리 시스템 및 배터리 관리 방법
CN111239630A (zh) 一种储能电池寿命预测方法及管理系统
CN102565710A (zh) 用于估计蓄电池健康状态的方法和装置
CN104242393A (zh) 基于动态soc估算系统的电池管理系统
CN110324383B (zh) 云服务器、电动汽车及其中动力电池的管理系统、方法
CN113030763A (zh) 一种车用动力电池一致性差异的潜在风险诊断系统
CN112186275A (zh) 一种基于云端的bms体系
CN115494400B (zh) 一种基于集成学习的锂电池析锂状态在线监控方法
CN113392507A (zh) 一种锂离子动力电池剩余寿命预测方法
CN114114038A (zh) 一种全寿命全温度下锂电池soc及可用容量联合估计方法
CN204030697U (zh) 基于动态soc估算系统的电池管理系统
CN111509319A (zh) 一种储能电源phm管理系统
CN114240260A (zh) 一种基于数字孪生的新能源群体车辆热失控风险评估方法
CN114646888A (zh) 一种动力电池容量衰减的评估方法及系统
CN112526353B (zh) 一种退役锂离子动力电池soc快速检测方法及装置
CN115701851B (zh) 一种软包锂离子电池厚度预测方法
CN116488219A (zh) 一种基于多层级架构的分布式储能采集策略控制方法
CN114879053B (zh) 一种储能磷酸铁锂电池寿命预测方法
CN115951225A (zh) 一种电池均衡优化容量估计方法和装置
CN114523878B (zh) 一种锂离子电池析锂安全预警方法及装置
CN114284586B (zh) 一种电池快充方法和装置

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
GR01 Patent grant
GR01 Patent grant