CN115792627A - 锂电池soh分析预测方法、装置、电子设备及存储介质 - Google Patents
锂电池soh分析预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115792627A CN115792627A CN202211431372.0A CN202211431372A CN115792627A CN 115792627 A CN115792627 A CN 115792627A CN 202211431372 A CN202211431372 A CN 202211431372A CN 115792627 A CN115792627 A CN 115792627A
- Authority
- CN
- China
- Prior art keywords
- battery
- capacity
- target area
- state
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 87
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 52
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 52
- 238000004458 analytical method Methods 0.000 title claims abstract description 37
- 230000036541 health Effects 0.000 claims abstract description 60
- 238000007600 charging Methods 0.000 claims description 38
- 230000008859 change Effects 0.000 claims description 32
- 230000001186 cumulative effect Effects 0.000 claims description 31
- 238000007599 discharging Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 20
- 238000002474 experimental method Methods 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000013519 translation Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 10
- 238000012360 testing method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 238000004146 energy storage Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000035939 shock Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010281 constant-current constant-voltage charging Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 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]
- G01R31/392—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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current 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)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请提供一种锂电池SOH分析预测方法、装置、电子设备及存储介质,所述锂电池SOH分析预测方法包括:按照预设时间间隔采集电池数据;所述电池数据至少包括电池工作时间、电流和电压;根据所述电池数据确定目标区域;建立所述目标区域的累积容量与电池健康状态的关系;利用所述目标区域的累积容量,将电池当前状态下的循环次数与所述电池健康状态进行关联,确定所述循环次数与所述电池健康状态的关系;基于所述循环次数与所述电池健康状态的关系,预测电池未来状态下的健康状态。本申请提供了一种基于目标区域累积容量计算和预测SOH的方法,该方法简单易操作且实用性强。
Description
技术领域
本申请属于锂电池分析的技术领域,涉及一种分析预测方法,特别是涉及一种锂电池SOH分析预测方法、装置、电子设备及存储介质。
背景技术
近些年来,随着新能源领域受到越来越多的关注,锂电池以能量密度高、循环寿命长等特点,目前成为新能源汽车和储能电站的首选能量来源。但随着锂电池长时间使用,锂电池的寿命及容量衰减等问题严重制约着锂电池的性能。若能准确计算出锂电池的SOH(State of Health,健康状态或可用寿命),或者能预测电池未来的SOH变化趋势,对延长电池使用寿命和发挥电池的性能起到重要作用。
目前,针对锂电池可用寿命的分析方法,大都需要专用设备进行测试,对锂电池进行完整的满充或满放活动才能准确分析电池的SOH,而且仅能分析当前循环下电池的可用寿命,无法实现对电池可用寿命的预测。而在电池的SOH较低(比如接近80%)时,若还对锂电池进行满充或满放来测试SOH,反而会加剧电池的容量衰减,降低电池使用寿命,导致电池在实际应用时可用寿命会明显降低。
发明内容
本申请的目的在于提供一种锂电池SOH分析预测方法、装置、电子设备及存储介质,用于解决如何简单、可靠的实现对电池可用寿命预测的问题。
本申请实施例第一方面提供一种锂电池SOH分析预测方法,所述方法包括:按照预设时间间隔采集电池数据;所述电池数据至少包括电池工作时间、电流和电压;根据所述电池数据确定目标区域;建立所述目标区域的累积容量与电池健康状态的关系;利用所述目标区域的累积容量,将电池当前状态下的循环次数与所述电池健康状态进行关联,确定所述循环次数与所述电池健康状态的关系;基于所述循环次数与所述电池健康状态的关系,预测电池未来状态下的健康状态。
在本申请中,可以分析实际应用场景下电池的衰减及可用剩余寿命,以简单、可靠的方式实现了对电池可用寿命的预测。
在第一方面的一种可能的实施方式中,所述根据所述电池数据确定目标区域的步骤,包括:根据所述电压与容量的对应关系计算容量差分,并拟合所述电压与所述容量差分的关系;基于所述电压与所述容量差分的关系,确定所述目标区域以及所述目标区域的累积容量。
本实施方式中,提出了一种基于目标区域累积容量计算和预测SOH的方法,并实现了电池循环次数、目标区域累积容量与SOH间的关系对应。
在第一方面的一种可能的实施方式中,所述电池数据还包括荷电状态;所述容量根据采集的荷电状态确定;或所述容量由采集的所述电流和所述电池工作时间,计算充放电过程中的容量变化后得到。
在第一方面的一种可能的实施方式中,所述确定所述目标区域的步骤,包括:基于电池在某一次充电或放电循环下的活动确定所述目标区域;所述目标区域是一段包含容量差分明显变化的区域,所述目标区域的起点是容量差分曲线的差分骤变点或差分极大点,所述目标区域的终点是容量差分曲线的极大点。
在第一方面的一种可能的实施方式中,所述确定所述目标区域的累积容量的步骤,包括:针对所述目标区域,计算其从起点到终点的容量差分之和,作为所述目标区域的累积容量。
在第一方面的一种可能的实施方式中,所述循环次数的确定方式包括:以当前循环次数记为基准次数,进行逐次累加,所确定的循环次数为当前循环次数的整体平移;响应于电池实际应用时并未完全满充满放,利用上一次校正实验得到的容量作为后续一段时间内电池的实际满充容量以及电池在实际应用时每次循环应用的容量,对所述循环次数进行修正。
在第一方面的一种可能的实施方式中,所述电池数据还包括充电数据和/或放电数据;所述方法还至少包括以下步骤之一:基于特定的循环次数与所述电池健康状态的关系,预测所述电池健康状态达到预设百分比时电池可以进行的循环次数;基于预设循环次数的充电数据,拟合所述目标区域的累积容量与电池健康状态的关系,再基于所述循环次数与所述电池健康状态的关系,预测电池未来状态下的健康状态;根据预设时段后获取的新的电池数据,再一次预测电池未来状态下的健康状态对原来的预测结果进行更新;根据容量差分曲线的差分骤变点和差分极大点在特定的循环次数下更换所确定的目标区域;结合所述充电数据和所述放电数据预测电池未来状态下的健康状态,将所述充电数据和所述放电数据对应的预测结果进行互相修正。
本实施方式中,利用电池中常规执行的每隔一段时间会对电池进行一次满充满放校正实验作为本申请方法实现的需求,省去了额外的测试工作,即可实现SOH的分析目标。
本申请实施例第二方面提供一种锂电池SOH分析预测装置,所述装置包括:数据采集模块,被配置为按照预设时间间隔采集电池数据;所述电池数据至少包括电池工作时间、电流和电压;目标区域确定模块,被配置为根据所述电池数据确定目标区域;第一关系确定模块,被配置为建立所述目标区域的累积容量与电池健康状态的关系;第二关系确定模块,被配置为利用所述目标区域的累积容量,将电池当前状态下的循环次数与所述电池健康状态进行关联,确定所述循环次数与所述电池健康状态的关系;健康状态预测模块,被配置为基于所述循环次数与所述电池健康状态的关系,预测电池未来状态下的健康状态。
本申请实施例第三方面提供一种电子设备,包括:处理器及存储器;所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述电子设备执行所述的方法。
本申请实施例第四方面提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现所述的方法。
如上所述,本申请所述的锂电池SOH分析预测方法、装置、电子设备及存储介质,具有以下有益效果:
(1)首次提出了一种基于目标区域累积容量计算和预测SOH的方法及装置,并实现电池循环次数、目标区域累积容量与SOH间的关系对应。
(2)本申请相比目前其他方法简单易操作,基本不需要额外的测试条件及设备,主要依赖电池通常获取的采样数据就可实现,而目前市场上的BMS(Battery ManagementSystem,电池管理系统)采集的数据正好可以提供本申请分析所需的电池数据,无需额外费力采集。目前市场上的BMS为校正锂电池SOC(State Of Charge,荷电状态),都会每隔一段时间会对电池进行一次满充满放校正实验,这也满足了本本申请方案的实现需求,所以本申请基本无需做额外测试工作,即可实现SOH的分析目标。
(3)本申请应用性强,相比于其他提出的方法,本申请无需进行会对电池产生破坏的实验即可实现对SOH的预测,当电池长期使用后,如SOH降低至80%附近,本方法无需此时对电池进行满放/满放测试,只需要利用电池前期循环的数据拟合的结果,即可实现准确预测。
(4)本申请实际应用性强,所需的目标区域是电池正常充放电活动必然经历的区域,即远离满放段和满充段,即便电池不满充或者不满放,本申请提供的方法也能准确应用,由此增大了本申请的应用场景及范围。
(5)本申请提出的方法可靠性高、稳定性好,实施例应用不同的目标区域或不同历史数据,拟合后预测的SOH及循环圈数之间误差很小,不会因为选取的目标区域变化而导致预测结果出现大幅偏差。
附图说明
图1显示为本申请实施例所述的锂电池SOH分析预测方法的应用场景图。
图2显示为本申请实施例所述的锂电池SOH分析预测方法的原理流程图。
图3显示为本申请实施例所述的锂电池SOH分析预测方法的容量差分曲线及目标区域图。
图4显示为本申请实施例所述的锂电池SOH分析预测方法的目标区域累积容量与SOH的关系图。
图5显示为本申请实施例所述的锂电池SOH分析预测方法的循环次数与目标区域累积容量的关系图。
图6显示为本申请实施例所述的锂电池SOH分析预测方法的循环次数与SOH的关系图。
图7显示为本申请实施例所述的锂电池SOH分析预测方法的目标区域累积容量与SOH的关系图。
图8显示为本申请另一实施例所述的锂电池SOH分析预测方法的容量差分曲线及目标区域图。
图9显示为本申请实施例所述的锂电池SOH分析预测方法的与图7对应的目标区域累积容量与SOH的关系图。
图10显示为本申请实施例所述的锂电池SOH分析预测装置的结构原理图。
图11显示为本申请实施例所述的电子设备的结构连接示意图。
元件标号说明
1 电子设备
11 处理器
12 存储器
13 通信接口
14 系统总线
10 锂电池SOH分析预测装置
101 数据采集模块
102 目标区域确定模块
103 第一关系确定模块
104 第二关系确定模块
105 健康状态预测模块
S21~S25 步骤
具体实施方式
以下通过特定的具体实例说明本申请的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本申请的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本申请的基本构想,遂图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
本申请以下实施例提供了锂电池SOH分析预测方法、装置、电子设备及存储介质,包括但不限于应用于一包括处理器和存储器的电子设备中,以下将以锂电池SOH分析预测方法的硬件执行主体为例进行描述。
如图1所示,本实施例提供一种锂电池SOH分析预测方法的硬件执行主体的实现过程,具体包括:新能源汽车或储能电站中的BMS将采集的电池数据传送至一电子设备1中,由电子设备1执行所述锂电池SOH分析预测方法,输出预测结果。其中,电子设备1可以是新能源汽车或储能电站内部的控制执行设备,也可以是新能源汽车或储能电站外部的执行设备,通过有线或无线通信将电池数据传输至该电子设备中。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行详细描述。
如图2所示,本实施例提供一种锂电池SOH分析预测方法,具体包括以下步骤:
S21,按照预设时间间隔采集电池数据;所述电池数据至少包括电池工作时间、电流和电压。
具体地,每隔一定时间采集电动车或者电站的电池数据,采集的数据主要包括电池工作时间、电流、电压,于不同的实施例中,还可以根据所需数据需求采集SOC和温度等。
S22,根据所述电池数据确定目标区域。
于一实施例中,步骤S22,具体包括:
(1)根据所述电压与容量的对应关系计算容量差分,并拟合所述电压与所述容量差分的关系。
于一实施例中,所述电池数据还包括荷电状态;所述容量根据采集的荷电状态确定;或
所述容量由采集的所述电流和所述电池工作时间,计算充放电过程中的容量变化后得到。
具体地,于一实施例中容量(值)Qk是采集获取的,于另一实施例中容量可以是根据采集的电流和电池工作时间,用安时积分法(或卡尔曼滤波法)计算充放电过程中的容量变化得到Qk,以第p次采样时的电池电压Vp和累积容量Qp,若以安时积分法确定U-Q的对应关系,公式如下:
其中,Qp为本次充放电过程开始时,截止第p次采样时累积充入或放出的容量,ik为k次采样的电流值,Δtk为k次与k-1次采样的时间间隔,其中k≤p。
在确定电压与容量的关系后,针对采样的数据,选择最小电压变化单元u,于不同的实施例中,最小电压变化单元u并不固定,可以根据采样的时间间隔或数据条数确定,某一实施例中可以是1mV,另一实施例中还可以是5mV或者3mV、6mV等任何符合设计需求的数值。若采集的数据电压值每变化u时,计算一次容量差分容量差分计算公式为:
(2)基于所述电压与所述容量差分的关系,确定所述目标区域以及所述目标区域的累积容量。
于一实施例中,所述确定所述目标区域的步骤,包括:
基于电池在某一次充电或放电循环下的活动确定所述目标区域;所述目标区域是一段包含容量差分明显变化的区域,所述目标区域的起点是容量差分曲线的差分骤变点或差分极大点,所述目标区域的终点是容量差分曲线的极大点。
需要说明的是,在电压与容量差分的关系中,若某一点的容量差分Qdiff相较该点前某一段的平均容量差分值无明显差别,同时在该点之后的某一段的平均容量差分值明显大于该点的容量差分,则该点称为容量差分骤变点。
在电压与容量差分的关系中,若某一点的容量差分Qdiff相较该点前某一段的平均容量差分值明显变大,同时在该点之后的某一段的平均容量差分值明显小于该点的容量差分,则该点称为容量差分极大点。
具体地,计算容量差分后,确定容量差分骤变点Pi′(若有多个骤变点,按顺序则分别记为P1′,P2′,...,Pn′)和容量差分极大点Mi′(若有多个极大点,按顺序则分别记为M1′,M2′,...,Mn′),则目标区域可以按照下述任意一个标准进行确定:1)可以是每个相邻Pi′点和Mi′点之间的容量差分段(比如P1′~M1′);2)可以是不相邻Pi′点和Mi′点之间的容量差分段(比如P1′~M2′);3)可以是每两个相邻Mi′点之间的容量差分段(比如M1′~M2′);4)也可以是每两个不相邻Mi′点之间的容量差分段(比如M1′~M3′)。于一实施例中,目标区域确定后,后续进行SOH分析预测时不再改变。
于一实施例中,所述确定所述目标区域的累积容量的步骤,包括:
针对所述目标区域,计算其从起点到终点的容量差分之和,记为∑Qdiff,作为所述目标区域的累积容量,即从起点到终点的容量增量值。
S23,建立所述目标区域的累积容量与电池健康状态SOH的关系。
具体地,建立目标区域累积容量∑Qdiff与SOH的关系:电池每隔一段使用时间后,比如每隔100圈或200圈,或者每隔15天,在某次循环时对电池进行一次校正实验(实际场景下为了校正BMS的SOC,每隔一段时间会对电池进行一次完整的满充满放校正实验,所以本申请基本上不用做额外测试工作),即对当前状态的电池采取恒流恒压放电至满放后,再恒流恒压充电至满充(或先恒流恒压至满充,再恒流恒压放电至满放,不同次循环的校正实验条件是相同的),将电池充电截止或者放电截止时的累积容量作为当前循环下的实际可用容量Qreal,而该容量与电池额定容量Qrated的比值则为SOH,即建立目标区域累积容量与SOH的关系,利用该关系式可以基于目标区域累积容量值预测电池SOH。拟合公式为:
其中,n为多项式的阶数,mn为多项式第n阶的系数,m0为拟合的截距,nmax为多项式的最高阶。
S24,利用所述目标区域的累积容量,将电池当前状态下的循环次数与所述电池健康状态进行关联,确定所述循环次数与所述电池健康状态的关系。
具体地,确定循环次数cycle与目标区域累积容量∑Qdiff和SOH的关系:若已知电池当前状态下的循环次数(或者当前状态下的循环次数未知,但需要确定循环次数与SOH的关系,则以目前状态的循环次数即为基准循环次数(比如第1次),后续循环次数逐次累加),针对电池在不同次充放电循环下的数据,进行目标区域的确定,计算出不同循环时电池在目标区域的累积容量,将电池循环次数cycle与∑Qdiff进行拟合,建立循环次数与目标区域累积容量的关系,利用该关系式可以预测电池在未来某一特定循环时,在目标区域的累积容量值;拟合公式为:
其中,n为多项式的阶数,mn为多项式第n阶的系数,m0为拟合的截距,nmax为多项式的最高阶。进一步地,利用以及可以建立电池循环次数cycle与SOH的关系,以此利用该关系式可以预测电池在未来某一特定循环时的SOH,还可以预测出电池SOH达到80%时还可以进行多少次充放电循环。
S25,基于所述循环次数与所述电池健康状态的关系,预测电池未来状态下的健康状态。
具体地,利用所建立的电池循环次数cycle与SOH的关系式可以预测电池在未来某一特定循环时的SOH,还可以预测出电池SOH达到80%时还可以进行多少次充放电循环。
于一实施例中,所述循环次数的确定方式包括:
以当前循环次数记为基准次数,进行逐次累加,所确定的循环次数为当前循环次数的整体平移;
响应于电池实际应用时并未完全满充满放,利用上一次校正实验得到的容量作为后续一段时间内电池的实际满充容量以及电池在实际应用时每次循环应用的容量,对所述循环次数进行修正。
具体地,在电池实际应用时并不会完全满充满放,则通过以下方式对循环次数进行修正:以上一次校正实验得到的容量Qreal作为未来一段时间内电池的实际满充容量,电池在实际应用时本次循环实际应用的容量为Qused,则本次应用时电池进行的实际循环次数为:
其中,cycleused≤1,对本次应用的放电过程也进行相应的操作,这样就可以将循环次数进行修正,获得准确的循环次数与目标区域累积容量的关系。
于一实施例中,所述电池数据还包括充电数据和/或放电数据;所述方法还至少包括以下步骤之一:
(1)基于特定的循环次数与所述电池健康状态的关系,预测所述电池健康状态达到预设百分比时电池可以进行的循环次数。
(2)基于预设循环次数的充电数据,拟合所述目标区域的累积容量与电池健康状态的关系,再基于所述循环次数与所述电池健康状态的关系,预测电池未来状态下的健康状态。
(3)根据预设时段后获取的新的电池数据,再一次预测电池未来状态下的健康状态对原来的预测结果进行更新。
(4)根据容量差分曲线的差分骤变点和差分极大点在特定的循环次数下更换所确定的目标区域。
具体地,根据目标区域的定义,更换目标区域进行计算,例如,选定第100圈的容量差分曲线相邻的差分骤变点和差分极大点段作为目标区域。
(5)结合所述充电数据和所述放电数据预测电池未来状态下的健康状态,将所述充电数据和所述放电数据对应的预测结果进行互相修正。
进一步地,结合步骤(4)和步骤(5),随着电池后续的充放电过程持续进行,可以选择根据目标区域的确定方法更新目标区域,并基于新更新的目标区域,在所述充电数据或所述放电数据和先前循环的充电数据或放电数据的基础上,对电池的健康状态进行预测更新。
结合图3至图9,本申请一具体实施例中,以某一三元动力电池为例,采用本申请所述方法,根据锂电池的充电数据,分析和预测锂电池的SOH。
(1)数据采集:按照预设时间间隔采集动力电池数据并上传,采集的数据主要包括时间、电流、电压、SOC和温度等;本次实施验证过程中温度变化很小,接近恒温,所以温度的影响可以忽略。
(2)建立电压与容量、容量差分的对应关系
(2.1)建立电压与容量的对应关系:根据采集的容量数据,确定电压与容量U-Q的对应关系。在另一实施例中,并未直接采集容量值,利用安时积分法(或卡尔曼滤波法)计算充电过程中的累积容量变化Qk。以第p次采样时的电池电压Vp和累积容量Qp,确定U-Q的对应关系。
(2.2)建立电压与容量差分的关系曲线:在确定电压与容量的关系后,针对采样的数据,确定最小电压变化单元u,本实施例采用u=1mV,即电压值每变化1mV时,根据公式计算容量差分计算容量差分后,建立电压-差分关系关系曲线,并寻找容量差分骤变点Pi′(若有多个骤变点,则分别记为P1′,P2′,...,Pn′)和容量差分极大点Mi′(若有多个极大点,则分别记为M1′,M2′,...,Mn′)。
(3)确定目标区域:本实施例以第100次循环充电时的部分数据确定目标区域,以第100圈的容量差分曲线相邻的M1′~M2′段作为目标区域,如图3所示。可以看出,目标区域内的电压范围是在3.567~3.813V,进一步计算目标区域的累积容量。于另一实施例中,还可以以第100圈的容量差分曲线相邻的M1′~M2′段作为目标区域,随着电池后续的充放电过程持续进行,可以再根据第800圈的容量差分曲线更换目标区域。于其他实施例中,也可以以800圈或者其他设定的合理圈数为基准,随着电池后续的充放电过程持续进行,变换或者不变换目标区域。
(4)建立目标区域累积容量与SOH的关系:电池在每隔100圈充放电循环时,进行一次校准实验,即恒流恒压充电至满充,将电池充电截止时的容量与电池额定容量的比值作为当前循环下电池的实际SOH。同时求出当前循环下电池在目标区域的累积容量,建立目标区域的累积容量∑Qdiff与SOH的关系,以前2000次的充电循环结果为例,SOH拟合结果见表1,拟合的关系曲线如图4所示。
表1目标区域SOH的拟合结果
进一步地,目标区域的累积容量∑Qdiff与SOH的拟合关系为SOH=0.345*∑Qdiff+24.613,拟合优度/相关系数R2为0.992,这表明拟合结果很好。其中误差的计算公式为可以看出误差很小,基本在0.5%以内。
(5)将不同循环下电池在目标区域的累积容量进行拟合,建立循环次数与目标区域累积容量的关系,循环次数cycle与目标区域累积容量关系式为∑Qdiff=-0.0129×cycle+208.859,拟合优度/相关系数R2为0.983,这表明拟合结果很好。拟合的关系曲线如图5所示。
于另一实施例中,在不知道当前电池循环了多少次的情况下:以当前循环次数记为基准次数,比如第1次,之后逐次累加,求出的结果是从现在起未来还能循环多少次,因为拟合结果是线性的,所以循环次数(即x轴)的整体平移并不影响最终结论。
于另一实施例中,在电池实际应用时并不会完全满充满放,则通过以下方式对循环次数进行修正:以上一次校正实验得到的容量Qreal作为未来一段时间内电池的实际满充容量,电池在实际应用时每次循环应用的容量为Qused,则本次应用时电池进行的实际循环次数为:
其中,cycleused≤1,对本次应用的放电过程也进行相应的操作,以此将循环次数进行修正,获得准确的循环次数与目标区域累积容量的关系。
(6)建立循环次数与SOH的关系:根据目标区域累积容量与SOH的关系,循环次数与目标区域累积容量的关系,可以获取循环次数与SOH的关系,循环次数cycle与SOH的关系式为SOH=-0.0045×cycle+96.735,拟合曲线如图6所示。
(7)SOH预测:计算和拟合SOH后,结合循环次数和目标区域累积容量,对SOH进行预测,并预测SOH到80%时电池可以进行到的循环次数。预测结果见表2。可以看出SOH的预测误差在0.6%以内,预测结果精确度高。预测发现若未来电池的SOH降低为80%时,此时电池已循环至3718圈,且目标区域的累积容量为160.54mAh。
表2锂电池未来循环的SOH预测结果
(8)于另一实施例中,基于前1000次循环的部分充电数据,拟合目标区域累积容量与SOH的关系,拟合关系为:SOH=0.2998*∑Qdiff+33.823,拟合优度为0.985,说明拟合结果较好,具体的拟合曲线如图7所示。并拟合循环次数与SOH的关系。基于上述结果,预测锂电池未来循环的SOH,预测结果的误差最大为2.17%,具体预测结果见表3。
表3锂电池未来循环的SOH预测结果
(9)于另一实施例中,在预测SOH时,是基于当前现有数据预测未来的SOH,并且每隔一段时间后,在获取到新数据的基础上再一次预测未来的SOH,相当于将原来的预测结果进行更新,由此随着电池的使用,可用的数据越来越多,最终SOH的预测结果也越来越准。
(10)于另一实施例中,根据目标区域的定义,更换目标区域进行计算,选定第100圈的容量差分曲线相邻的差分骤变点和差分极大点P2′~M2′段作为目标区域,如图8所示。可以看出,目标区域内的电压范围是在3.699~3.813V,进一步计算目标区域的累积容量。
基于前2000次循环的部分充电数据,拟合目标区域累积容量与SOH的关系,拟合关系为:SOH=0.526*∑Qdiff+26.684,拟合优度为0.927,说明拟合结果较好,SOH的拟合结果见表4,具体的拟合曲线如图9所示。
表4目标区域SOH的拟合结果
继续拟合循环次数与SOH的关系,基于上述结果,预测锂电池未来循环的SOH,预测结果显示,当循环至3881圈时,此时电池的SOH为80%。
(11)于另一实施例中,在预测SOH时,不仅基于充电数据,还结合放电数据进行预测,将放电和充电预测的结果互相修正,以使预测的结果比纯依赖充电数据的结果更准确。
本申请实施例所述的锂电池SOH分析预测方法的保护范围不限于本实施例列举的步骤执行顺序,凡是根据本申请的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本申请的保护范围内。
本申请实施例还提供一种锂电池SOH分析预测装置,所述锂电池SOH分析预测装置可以实现本申请所述的锂电池SOH分析预测方法,但本申请所述的锂电池SOH分析预测方法的实现装置包括但不限于本实施例列举的锂电池SOH分析预测装置的结构,凡是根据本申请的原理所做的现有技术的结构变形和替换,都包括在本申请的保护范围内。
如图10所示,本实施例提供一种锂电池SOH分析预测装置10包括:数据采集模块101、目标区域确定模块102、第一关系确定模块103、第二关系确定模块104和健康状态预测模块105。
所述数据采集模块101被配置为按照预设时间间隔采集电池数据;所述电池数据至少包括电池工作时间、电流和电压。
具体地,所述数据采集模块101每隔一定时间采集电动车或者电站的电池数据,采集的数据主要包括时间、电流、电压,还可以根据所需数据需求采集SOC和温度等。
所述目标区域确定模块102被配置为根据所述电池数据确定目标区域。
具体地,所述目标区域确定模块102执行如下过程:
(1)根据电压与容量的对应关系,计算容量差分,并拟合电压与容量差分的关系,绘制电压与容量差分的关系曲线,对曲线进行平滑处理,并寻找容量差分骤变点(容量差分突然急剧变化的起点)和容量差分极大点(某一区域内容量差分最大的点)。
(2)确定目标区域:目标区域是基于电池在某一次充电/或放电循环下的活动确定的,目标区域是一段包含容量差分明显变化的区域,即目标区域的起点可以是容量差分骤变点或者容量差分极大点,目标区域的终点是容量差分极大点;目标区域以某一次充电/或放电循环的数据确定后,之后就不再改变。
(3)计算目标区域的累积容量值∑Qdiff,即计算从目标区域的起点到终点,电池充电时充入的容量或者放电时放出的容量。
所述第一关系确定模块103被配置为建立所述目标区域的累积容量与电池健康状态的关系。
具体地,所述第一关系确定模块103为建立目标区域累积容量∑Qdiff与SOH的关系:电池每隔一段使用时间后,比如每隔100圈或200圈,或者每隔15天,在某次循环时对电池进行一次校正实验(实际场景下为了校正BMS的SOC,每隔一段时间会对电池进行一次完整的满充满放校正实验,所以本申请基本上不用做额外测试工作),即对当前状态的电池采取恒流恒压放电至满放后,再恒流恒压充电至满充(或先恒流恒压至满充,再恒流恒压放电至满放,不同次循环的校正实验条件是相同的),将电池充电截止或者放电截止时的累积容量作为当前循环下的实际可用容量Qreal,而该容量与电池额定容量Qrated的比值则为SOH,即建立目标区域累积容量与SOH的关系,利用该关系式可以基于目标区域累积容量值预测电池SOH。拟合公式为:
其中,n为多项式的阶数,mn为多项式第n阶的系数,m0为拟合的截距,nmax为多项式的最高阶。
所述第二关系确定模块104被配置为利用所述目标区域的累积容量,将电池当前状态下的循环次数与所述电池健康状态进行关联,确定所述循环次数与所述电池健康状态的关系。
具体地,所述第二关系确定模块104为确定循环次数cycle与目标区域累积容量∑Qdiff和SOH的关系:若知道电池当前状态下的循环次数(或者不知道当前状态下的循环次数,但想确定循环次数与SOH的关系,则以目前状态的循环次数即为基准循环次数(比如第1次),后续循环次数逐次累加),针对电池在不同次充放电循环下的数据,进行步骤2),计算出不同循环时电池在目标区域的累积容量,将电池循环次数cycle与∑Qdiff进行拟合,建立循环次数与目标区域累积容量的关系,利用该关系式可以预测电池在未来某一特定循环时,在目标区域的累积容量值;拟合公式为:
其中,n为多项式的阶数,mn为多项式第n阶的系数,m0为拟合的截距,nmax为多项式的最高阶。
所述健康状态预测模块105被配置为基于所述循环次数与所述电池健康状态的关系,预测电池未来状态下的健康状态。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置或方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅是示意性的,例如,模块/单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或单元可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块/单元可以是或者也可以不是物理上分开的,作为模块/单元显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块/单元来实现本申请实施例的目的。例如,在本申请各个实施例中的各功能模块/单元可以集成在一个处理模块中,也可以是各个模块/单元单独物理存在,也可以两个或两个以上模块/单元集成在一个模块/单元中。
本领域普通技术人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
如图11所示,本发明的电子设备1包括:处理器11、存储器12、通信接口13或/和系统总线14。存储器12和通信接口13通过系统总线14与处理器11连接并完成相互间的通信,存储器12用于存储计算机程序,通信接口13用于和其他设备进行通信,处理器11用于运行计算机程序,使所述电子设备1执行上述方法的各个步骤。
上述的处理器11可以是通用处理器,包括中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(扫描应用程序licationSpecific Integrated Circuit,简称ASIC)、现场可编程门阵列(Field ProgrammableGate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
上述的存储器12可能包含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
上述提到的系统总线14可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该系统总线14可以分为地址总线、数据总线、控制总线等。通信接口用于实现数据库访问装置与其他设备(如客户端、读写库和只读库)之间的通信。
所述电子设备包括但不限于如台式电脑、笔记本电脑、平板电脑、智能手机、个人数字助理(Personal Digital Assistant,简称PDA)等个人电脑。在另一些实施方式中,所述硬件设备还可以是服务器,所述服务器可以根据功能、负载等多种因素布置在一个或多个实体服务器上,也可以是由分布的或集中的服务器集群构成的云服务器,本实施例不作限定。
本申请实施例还提供了一种计算机可读存储介质。本领域普通技术人员可以理解实现上述实施例的方法中的全部或部分步骤是可以通过程序来指令处理器完成,所述的程序可以存储于计算机可读存储介质中,所述存储介质是非短暂性(non-transitory)介质,例如随机存取存储器,只读存储器,快闪存储器,硬盘,固态硬盘,磁带(magnetic tape),软盘(floppy disk),光盘(optical disc)及其任意组合。上述存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc,DVD))、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
上述各个附图对应的流程或结构的描述各有侧重,某个流程或结构中没有详述的部分,可以参见其他流程或结构的相关描述。
上述实施例仅例示性说明本申请的原理及其功效,而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本申请的权利要求所涵盖。
Claims (10)
1.一种锂电池SOH分析预测方法,其特征在于,所述方法包括:
按照预设时间间隔采集电池数据;所述电池数据至少包括电池工作时间、电流和电压;
根据所述电池数据确定目标区域;
建立所述目标区域的累积容量与电池健康状态的关系;
利用所述目标区域的累积容量,将电池当前状态下的循环次数与所述电池健康状态进行关联,确定所述循环次数与所述电池健康状态的关系;
基于所述循环次数与所述电池健康状态的关系,预测电池未来状态下的健康状态。
2.根据权利要求1所述的方法,其特征在于,所述根据所述电池数据确定目标区域的步骤,包括:
根据所述电压与容量的对应关系计算容量差分,并拟合所述电压与所述容量差分的关系;
基于所述电压与所述容量差分的关系,确定所述目标区域以及所述目标区域的累积容量。
3.根据权利要求2所述的方法,其特征在于,所述电池数据还包括荷电状态;
所述容量根据采集的荷电状态确定;或
所述容量由采集的所述电流和所述电池工作时间,计算充放电过程中的容量变化后得到。
4.根据权利要求2所述的方法,其特征在于,所述确定所述目标区域的步骤,包括:
基于电池在某一次充电或放电循环下的活动确定所述目标区域;所述目标区域是一段包含容量差分明显变化的区域,所述目标区域的起点是容量差分曲线的差分骤变点或差分极大点,所述目标区域的终点是容量差分曲线的极大点。
5.根据权利要求2所述的方法,其特征在于,所述确定所述目标区域的累积容量的步骤,包括:
针对所述目标区域,计算其从起点到终点的容量差分之和,作为所述目标区域的累积容量。
6.根据权利要求1所述的方法,其特征在于,所述循环次数的确定方式包括:
以当前循环次数记为基准次数,进行逐次累加,所确定的循环次数为当前循环次数的整体平移;
响应于电池实际应用时并未完全满充满放,利用上一次校正实验得到的容量作为后续一段时间内电池的实际满充容量以及电池在实际应用时每次循环应用的容量,对所述循环次数进行修正。
7.根据权利要求1所述的方法,其特征在于,所述电池数据还包括充电数据和/或放电数据;
所述方法还至少包括以下步骤之一:
基于特定的循环次数与所述电池健康状态的关系,预测所述电池健康状态达到预设百分比时电池可以进行的循环次数;
基于预设循环次数的充电数据,拟合所述目标区域的累积容量与电池健康状态的关系,再基于所述循环次数与所述电池健康状态的关系,预测电池未来状态下的健康状态;
根据预设时段后获取的新的电池数据,再一次预测电池未来状态下的健康状态对原来的预测结果进行更新;
根据容量差分曲线的差分骤变点和差分极大点在特定的循环次数下更换所确定的目标区域;
结合所述充电数据和所述放电数据预测电池未来状态下的健康状态,将所述充电数据和所述放电数据对应的预测结果进行互相修正。
8.一种锂电池SOH分析预测装置,其特征在于,所述装置包括:
数据采集模块,被配置为按照预设时间间隔采集电池数据;所述电池数据至少包括电池工作时间、电流和电压;
目标区域确定模块,被配置为根据所述电池数据确定目标区域;
第一关系确定模块,被配置为建立所述目标区域的累积容量与电池健康状态的关系;
第二关系确定模块,被配置为利用所述目标区域的累积容量,将电池当前状态下的循环次数与所述电池健康状态进行关联,确定所述循环次数与所述电池健康状态的关系;
健康状态预测模块,被配置为基于所述循环次数与所述电池健康状态的关系,预测电池未来状态下的健康状态。
9.一种电子设备,其特征在于,包括:处理器及存储器;
所述存储器用于存储计算机程序,所述处理器用于执行所述存储器存储的计算机程序,以使所述电子设备执行如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211431372.0A CN115792627B (zh) | 2022-11-14 | 2022-11-14 | 锂电池soh分析预测方法、装置、电子设备及存储介质 |
US18/508,187 US20240159838A1 (en) | 2022-11-14 | 2023-11-13 | Method for analyzing and predicting state of health of lithium battery, apparatus, electronic device, and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211431372.0A CN115792627B (zh) | 2022-11-14 | 2022-11-14 | 锂电池soh分析预测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115792627A true CN115792627A (zh) | 2023-03-14 |
CN115792627B CN115792627B (zh) | 2023-06-06 |
Family
ID=85438028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211431372.0A Active CN115792627B (zh) | 2022-11-14 | 2022-11-14 | 锂电池soh分析预测方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20240159838A1 (zh) |
CN (1) | CN115792627B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116315207A (zh) * | 2023-05-18 | 2023-06-23 | 宁德时代新能源科技股份有限公司 | 过压预警方法、装置和可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508164A (zh) * | 2011-10-10 | 2012-06-20 | 杭州高特电子设备有限公司 | 蓄电池健康状态预警方法 |
CN112034350A (zh) * | 2020-08-28 | 2020-12-04 | 厦门科灿信息技术有限公司 | 电池组健康状态预测方法及终端设备 |
CN112666464A (zh) * | 2021-01-27 | 2021-04-16 | 北京嘀嘀无限科技发展有限公司 | 电池健康状态预测方法、装置、电子设备和可读存储介质 |
CN112881930A (zh) * | 2021-01-19 | 2021-06-01 | 北京昆兰新能源技术有限公司 | 一种基于物联网的储能电池健康管理预测方法及系统 |
CN113219343A (zh) * | 2021-06-02 | 2021-08-06 | 上海玫克生储能科技有限公司 | 基于弹性网的锂电池健康状态预测方法、系统、设备及介质 |
CN114252788A (zh) * | 2021-12-31 | 2022-03-29 | 度普(苏州)新能源科技有限公司 | 电池健康状态soh的估算方法和装置 |
-
2022
- 2022-11-14 CN CN202211431372.0A patent/CN115792627B/zh active Active
-
2023
- 2023-11-13 US US18/508,187 patent/US20240159838A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102508164A (zh) * | 2011-10-10 | 2012-06-20 | 杭州高特电子设备有限公司 | 蓄电池健康状态预警方法 |
CN112034350A (zh) * | 2020-08-28 | 2020-12-04 | 厦门科灿信息技术有限公司 | 电池组健康状态预测方法及终端设备 |
CN112881930A (zh) * | 2021-01-19 | 2021-06-01 | 北京昆兰新能源技术有限公司 | 一种基于物联网的储能电池健康管理预测方法及系统 |
CN112666464A (zh) * | 2021-01-27 | 2021-04-16 | 北京嘀嘀无限科技发展有限公司 | 电池健康状态预测方法、装置、电子设备和可读存储介质 |
CN113219343A (zh) * | 2021-06-02 | 2021-08-06 | 上海玫克生储能科技有限公司 | 基于弹性网的锂电池健康状态预测方法、系统、设备及介质 |
CN114252788A (zh) * | 2021-12-31 | 2022-03-29 | 度普(苏州)新能源科技有限公司 | 电池健康状态soh的估算方法和装置 |
Non-Patent Citations (4)
Title |
---|
C. P. LIN等: "SOH Estimation and SOC Recalibration of Lithium-Ion Battery with Incremental Capacity Analysis & Cubic Smoothing Spline", 《JOURNAL OF THE ELECTROCHEMICAL SOCIETY》 * |
XING SHU等: "State of health prediction of lithium-ion batteries based on machine learning: Advances and perspectives", 《ISCIENCE》 * |
杨胜杰等: "基于容量增量曲线峰值区间特征参数的锂离子电池健康状态估算", 《电工技术学报》 * |
杨胜杰等: "基于差分热伏安法的锂离子电池SOH诊断", 《电源技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116315207A (zh) * | 2023-05-18 | 2023-06-23 | 宁德时代新能源科技股份有限公司 | 过压预警方法、装置和可读存储介质 |
CN116315207B (zh) * | 2023-05-18 | 2023-11-03 | 宁德时代新能源科技股份有限公司 | 过压预警方法、装置和可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115792627B (zh) | 2023-06-06 |
US20240159838A1 (en) | 2024-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10921383B2 (en) | Battery diagnostic system for estimating capacity degradation of batteries | |
CN112415402B (zh) | 锂电池容量估计、电芯异常预测的方法和系统 | |
WO2018054166A1 (zh) | 基于环境温度的电池循环寿命测试方法 | |
CN111201445B (zh) | 电池诊断设备和方法 | |
CN111781424B (zh) | 电动车绝缘电阻测量方法、装置、车辆及存储介质 | |
CN111679199B (zh) | 一种锂离子电池soc估计方法及装置 | |
CN112180258B (zh) | 电池平均库伦效率的测定方法、装置、介质、终端、及系统 | |
JP2020180820A (ja) | 電池評価システム、電池評価方法及びプログラム | |
US20240159838A1 (en) | Method for analyzing and predicting state of health of lithium battery, apparatus, electronic device, and storage medium | |
CN110806540B (zh) | 电芯测试数据处理方法、装置、系统和存储介质 | |
CN114371408A (zh) | 电池荷电状态的估算方法、充电曲线的提取方法及装置 | |
CN116796623A (zh) | 锂电池soc的预测方法、系统、设备和介质 | |
CN109986997B (zh) | 一种动力电池soc预测装置、汽车及方法 | |
CN112084459A (zh) | 电池充放电循环寿命的预测方法、装置、电子终端、及存储介质 | |
KR101835377B1 (ko) | 다변량 웨이블릿 변환 기반의 배터리팩 충전상태 추정 방법 및 그 장치 | |
CN116593921A (zh) | 计算电池soh的方法、装置、设备及存储介质 | |
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 | |
KR20230028017A (ko) | 시변 부하전류 상황에 강인한 리튬 이온 배터리의 모델 기반 충전 상태 추정 장치 및 방법 | |
CN113733980B (zh) | 确定动力电池容量的方法、装置、介质及电子设备 | |
CN113359050A (zh) | 充电电池老化校准方法、设备及计算机可读介质 | |
JP2021180158A (ja) | 解析装置、解析システムおよび解析方法 | |
CN116540126A (zh) | 电池可用寿命的预测方法、预测设备及可读存储介质 | |
Mun et al. | 1D convolutional neural network combined with long-short term memory-based cell-to-cell inconsistency estimation considering recursive least squares and Euclidean distance | |
CN116184208A (zh) | 电池健康状态预测模型训练方法、装置和计算机设备 | |
CN109143092B (zh) | 电芯模型生成与电芯电压获取方法、装置及电池管理系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |