CN116224127A - 基于大数据分析的电池健康状态估算方法 - Google Patents
基于大数据分析的电池健康状态估算方法 Download PDFInfo
- Publication number
- CN116224127A CN116224127A CN202310358046.XA CN202310358046A CN116224127A CN 116224127 A CN116224127 A CN 116224127A CN 202310358046 A CN202310358046 A CN 202310358046A CN 116224127 A CN116224127 A CN 116224127A
- Authority
- CN
- China
- Prior art keywords
- cycle
- data
- battery
- time
- energy storage
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000036541 health Effects 0.000 title claims abstract description 28
- 238000007405 data analysis Methods 0.000 title claims abstract description 14
- 238000004146 energy storage Methods 0.000 claims abstract description 49
- 230000008569 process Effects 0.000 claims abstract description 36
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 230000032683 aging Effects 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000007600 charging Methods 0.000 claims description 21
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 101000802640 Homo sapiens Lactosylceramide 4-alpha-galactosyltransferase Proteins 0.000 claims description 6
- 102100035838 Lactosylceramide 4-alpha-galactosyltransferase Human genes 0.000 claims description 6
- 238000010277 constant-current charging Methods 0.000 claims description 6
- 239000012634 fragment Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims description 3
- 238000010280 constant potential charging Methods 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 3
- 229910001416 lithium ion Inorganic materials 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 208000001491 myopia Diseases 0.000 claims description 3
- 230000004379 myopia Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000012983 electrochemical energy storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static 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]
- G01R31/392—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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- 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
本文公开了基于大数据分析的电池健康状态估算方法，属于电池领域，所述的电池健康状态估算方法包括步骤1、数据获取；步骤2、大数据集预处理；步骤3、电池健康状态估算，本发明在对电池的健康状态进行估算时引入电池老化系数，将电池老化系数与电池的SOH结合进行估算，利用融合高斯过程回归的扩展卡尔曼滤波SOH算法对储能电池SOH进行估算，并且验证了其有效性。减少了电池SOH估算的误差，比起以往的同类计算方法，具有更高的准确性。
Description
技术领域
本发明属于电池领域，更具体的说涉及基于大数据分析的电池健康状态估算方法。
背景技术
在电化学储能电站运行中，为了保证电池系统的安全顺利运行，需要对电池的健康状态SOH进行实时的估算。
随着大规模电池储能技术不断进步，CAN总线通讯技术因可实现数据共享、降低制造成本等优势在电化学储能电站上得到广泛应用。CAN总线系统简单来说就是在电池储能系统内部搭建的一个局域网，以实现每个控制单元之间的信息共享，CAN总线采集电池数据也是现今的主流方式，目前储能BMS(电池管理系统)已具有实时预估SOH功能，但其大多基于实验室单体电池仿真模拟的SOH曲线，通过监测储能电池的实时部分指标如内阻等而计算得出SOH这种方式一般在储能电站刚投入使用时估测比较准确，随着充放电次数的增加，误差也越来越大。
发明内容
本发明在对电池的健康状态进行估算时引入电池老化系数，将电池老化系数与电池的SOH结合进行估算，利用融合高斯过程回归的扩展卡尔曼滤波SOH算法对储能电池SOH进行估算，并且验证了其有效性。减少了电池SOH估算的误差，比起以往的同类计算方法，具有更高的准确性。
为了实现上述目的，本发明是采用以下技术方案实现的：
所述的电池健康状态估算方法包括：
步骤1、数据获取；
步骤2、大数据集预处理；
步骤3、电池健康状态估算，详细步骤如下：
S301储能电池SOH模型建立；S302数据初始化：S303高斯过程回归；S304扩展卡尔曼滤波；S305扩展卡尔曼滤波循环递推；S306估算全充时间，S307循环更新，估算实际SOH值。
进一步地，所述的步骤1、数据获取包括电池的电压数据、总电流、荷电状态SOC。
进一步地，所述的步骤2、大数据集预处理具体为：当数据在时间维度上存在大量缺失，对该时间段上某数据项或者全数据项进行删除处理；
采取插值的方法进行数据填补，保证数据完整性与数据质量；
将所有数据按照时间排序，选择重复数据中的首项进行保存，删除其余重复数据；
数据切片与重构截取不同的数据项进行不同维度上的分类，并根据筛选条件对数据集进行时间跨度上的划分。
进一步地，所述的S301采用充电数据进行SOH预测估算，假设储能电池从0初始容量开始充电，则：
其中，C0为储能电池出厂时的标称容量；t1为储能电池从初始时刻0时刻充电到截至电压所需的时间；I为储能电池的恒流充电电流，At为电池老化系数；
在一段时间内，从ta时刻到tb时刻电池电量的变化，见式(2)
式中：I(t)为t时刻电池系统的电流，放电时电流为正，电量减少，充电时电流为负，电池电量增加；Qa和Qb为ta和tb时刻时锂离子电池内部的电量；在这段时间内，SOC从SOCa变化为SOCb，对式(2)进行计算，得到电池的当前总容量Cmax；
将上述计算得到的最大Cmax作为基准，将每次充电片段得到的Cmax与储能电池出厂时的标称容量C0比值即得到电池老化系数At；：
进一步地，所述S302数据初始化：已知储能电池组恒流充电电流I；储能电池组恒压充电截至电压U截止，循环cyclei对应的充电数据
是具体的数据采样时间，其间隔/>
为固定值，/>
为储能电池组的实时电压值；
数据初始化，即i＝0，初次循环为cycle0：I、V截止、
ΔT、初次循环恒流充电的全充数据/>
n0为初次循环储能电池组达到V截止时的总采样时间点个数。
进一步地，所述S303高斯过程回归；选用线性函数m(x)＝ax+b为高斯过程回归的均值函数，选择自动相关性确定理性平方协函数作为核函数；对初次循环cycle0的全充数据
进行高斯过程回归，计算初始超参数θ。
进一步地，所述的S304扩展卡尔曼滤波；对于下一循环cycle＝cycle0+1；首先将cycle0次的储能电池全充时间作为cycle循环的初值，即xcycle(1)
然后，导入cycle次的片段充电数据，并开展扩展卡尔曼滤波，具体公式如下：/>
xcycle(k)＝A(k)[xcycle(k-1)]-ΔT+w(k-1) (5)
式中：A(k)为状态矩阵，将A(k)设为单位矩阵；
表示利用
数据进行的高斯过程回归并预测xcycle(k)的电压值。
进一步地，所述S305扩展卡尔曼滤波循环递推
预测过程：
Pcycle(k)′＝A(k-1)Pcycle(k-1)A(k-1)T+Q(k) (8)
利用差商近视雅可比矩阵对模型进行更新
更新过程：
P(k)＝[I-K(k)H(k)]P(k) (12)
式(7)至(12)中，R，Q分别为状态噪声w和测量噪声v对应的协方差。
进一步地，所述S306估算全充时间；由上述过程可知，第cycle＝cycle0+1次的全充时间分成两部分；
第cycle次片段充电所用时间也就是从t1(1)到t1(n1)的时间为ΔT×(n1-1)；利用cycle0次全充时间，通过高斯过程回归和扩展卡尔曼滤波得到的最优估计时间
也就是从储能电池组最低容量充至t1(1)时刻的估算时间；
所以，第cycle＝cycle0+1次的估算全充时间
进一步地，所述S307更新循环，估算实际SOH值：令上一循环cycle＝cycle0，将cycle循环的数据作为初始数据，即
且全充时间为xcycle(1)从而得到所有循环的估算全充时间
实际估算SOH如公式(15)
本发明有益效果：
本发明在对电池的健康状态进行估算时引入电池老化系数，将电池老化系数与电池的SOH结合进行估算，利用融合高斯过程回归的扩展卡尔曼滤波SOH算法对储能电池SOH进行估算，并且验证了其有效性。减少了电池SOH估算的误差，比起以往的同类计算方法，具有更高的准确性。
附图说明
图1为本发明方法流程图；
图2为本发明方法电池健康状态估算具体流程图。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的典型实施例。但是，本发明可以以许多不同的形式来实现，并不限于本发明所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义，本发明所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本发明中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
实施例一：
如图1-2所示，构建一种基于大数据的所述的电池健康状态估算方法包括
步骤1、数据获取；选取电池组充电过程中的数据，在充电过程中电池组始终处于静止状态，受外界因素干扰小，充电电流基本稳定，总电压和SOC平稳上升；包括电池的电压数据、总电流、荷电状态SOC。
电池组使用运行过程中，大数据平台会采集到海量的电池组数据，但是在运行过程中，电池充放电受不同应用工况的影响，统计的数据没有规律性，变化较大，用于分析研究SOH比较困难。
步骤2、大数据集预处理；对获取到的数据进行缺失值补全、剔除异常值、数据去重以及数据切片和重构；
数据缺失常常出现在电池系统运行过程中，通信网络信号受到干扰时不稳定会造成数据无法正常上传。如果数据在时间维度上存在大量缺失，一般会对该时间段上某数据项或者全数据项进行删除处理；如果在时间维度上仅有少量数据缺失，考虑到实际情况中各参数数据的连续性，可采取插值的方法进行数据填补，原则是尽可能保证数据完整性与数据质量。数值错误主要是电池组零部件故障、传感器接触不良和传输问题导致的数值异常。这部分的数值处理方式与数据缺失时类似。数据重复问题往往根据时间数据进行定位，需要将所有数据按照时间排序，一般选择重复数据中的首项进行保存，删除其余重复数据，减少无用数据带来的存储压力。数据切片与重构是根据研究需要，截取不同的数据项进行不同维度上的分类，并根据筛选条件对数据集进行时间跨度上的划分。
步骤3、电池健康状态估算；采用融合高斯过程回归的扩展卡尔曼滤波的方法对SOH估算。
所述的步骤3、电池健康状态估算包括以下步骤；
S301储能电池SOH模型建立；
采用充电数据进行SOH预测估算，假设储能电池从0初始容量开始充电，则：
其中，C0为储能电池出厂时的标称容量；t1为储能电池从初始时刻0时刻充电到截至电压所需的时间；I为储能电池的恒流充电电流，At为电池老化系数；
该方法计算简便，C0标称容量很容易可以获得；仅仅是储能电池每次从容量初始值0恒流充电截止电压的时间无法直接获得.目前在大数据平台有电池组下线后的全部数据，而电池组投运初始阶段一般可将储能电池SOH视为100％，故可以计算出初始阶段储能电池全充时间.显然，只要从后续的每次充电片段数据估算出当次的全充时间，即可实现对所有充电时刻SOH的估算。
随着电池不断充电/放电行为的进行，在一段时间内，从ta时刻到tb时刻电池电量的变化，见式(2)
式中：I(t)为t时刻电池系统的电流，放电时电流为正，电量减少，充电时电流为负，电池电量增加；Qa和Qb为ta和tb时刻时锂离子电池内部的电量；在这段时间内，SOC从SOCa变化为SOCb，对式(2)进行计算，得到电池的当前总容量Cmax；
将上述计算得到的最大Cmax作为基准，将每次充电片段得到的Cmax与储能电池出厂时的标称容量C0比值，即得到电池老化系数At；
S302数据初始化：已知储能电池组恒流充电电流I；储能电池组恒压充电截至电压U截止，循环cycleicyclei对应的充电数据
是具体的数据采样时间，其间隔/>
为固定值，/>
为储能电池组的实时电压值；
数据初始化，即i＝0，初次循环为cycle0：I、V截止、
ΔT、初次循环恒流充电的全充数据/>
n0为初次循环储能电池组达到V截止时的总采样时间点个数；
S303高斯过程回归；选用线性函数m(x)＝ax+b为高斯过程回归的均值函数，选择自动相关性确定理性平方协函数作为核函数；
对初次循环cycle0的全充数据
进行高斯过程回归，计算初始超参数θ；
S304扩展卡尔曼滤波；对于下一循环cycle＝cycle0+1；首先将cycle0次的储能电池全充时间作为cycle循环的初值，即xcycle(1)
然后，导入cycle次的片段充电数据，并开展扩展卡尔曼滤波，具体公式如下：
式中：A(k)为状态矩阵，将A(k)设为单位矩阵；GPh[D0,xcycle(k)]表示利用
数据进行的高斯过程回归并预测xcycle(k)的电压值；、S305扩展卡尔曼滤波循环递推；
预测过程：
利用差商近视雅可比矩阵对模型进行更新
更新过程：
P(k)＝[I-K(k)H(k)]P(k) (12)
式(7)至(12)中，R，Q分别为状态噪声w和测量噪声v对应的协方差；
S306估算全充时间；由上述过程可知，第cycle＝cycle0+1次的全充时间分成两部分；
第cycle次片段充电所用时间也就是从t1(1)到t1(n1)的时间为ΔT×(n1-1)；利用cycle0次全充时间，通过高斯过程回归和扩展卡尔曼滤波得到的最优估计时间
也就是从储能电池组最低容量充至t1(1)时刻的估算时间；
所以，第cycle＝cycle0+1次的估算全充时间
S307更新循环：令上一循环cycle＝cycle0，将cycle循环的数据作为初始数据，即
且全充时间为xcycle(1)从而得到所有循环的估算全充时间
tcycle＝xcycle (14)
实际估算SOH
为了评价建立的基于大数据的电池SOH估算方法，验证融合高斯过程回归的扩展卡尔曼滤波的SOH模型的性能，通过在2022年1月，2022年8月，2022年12月对所选取的电池组分别进行了电池系统充放电实验测试，通过建立的基于大数据的电池SOH估算方法得出的SOH值分别是99.12％、98.56％、97.89％。所得到的充放电实验数据及相关计算结果与使用充电容量预估的SOH值对比如表1和表2所示。
表1电池系统放电测试结果
表2电池系统充电测试结果
通过上述实验验证可以看出，通过本发明算法对电池的SOH进行估计的方法与实际SOH的误差均在0.5％以内，可以看出本发明方法在引入了老化系数At以后，进一步的降低了算的误差，提高了电池健康状态评估的准确性。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read Only Memory，ROM)或随机存储记忆体(RandomABBessMemory，RAM)等。
应当理解，以上借助优选实施例对本发明的技术方案进行的详细说明是示意性的而非限制性的。本领域的普通技术人员在阅读本发明说明书的基础上可以对各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.基于大数据分析的电池健康状态估算方法，其特征在于：所述的电池健康状态估算方法包括：
步骤1、数据获取；
步骤2、大数据集预处理；
步骤3、电池健康状态估算，详细步骤如下：
S301储能电池SOH模型建立；S302数据初始化：S303高斯过程回归；S304扩展卡尔曼滤波；S305扩展卡尔曼滤波循环递推；S306估算全充时间；S307循环更新，估算实际SOH值。
2.根据权利要求1所述的基于大数据分析的电池健康状态估算方法，其特征在于：所述的步骤1、数据获取包括电池的电压数据、总电流、荷电状态SOC。
3.根据权利要求1所述的基于大数据分析的电池健康状态估算方法，其特征在于：所述的步骤2、大数据集预处理具体为：当数据在时间维度上存在大量缺失，对该时间段上某数据项或者全数据项进行删除处理；
采取插值的方法进行数据填补，保证数据完整性与数据质量；
将所有数据按照时间排序，选择重复数据中的首项进行保存，删除其余重复数据；
数据切片与重构截取不同的数据项进行不同维度上的分类，并根据筛选条件对数据集进行时间跨度上的划分。
4.根据权利要求1所述的基于大数据分析的电池健康状态估算方法，其特征在于：所述的S301采用充电数据进行SOH预测估算，假设储能电池从0初始容量开始充电，则：
其中，C0为储能电池出厂时的标称容量；t1为储能电池从初始时刻0时刻充电到截至电压所需的时间；I为储能电池的恒流充电电流，At为电池老化系数；
在一段时间内，从ta时刻到tb时刻电池电量的变化，见式(2)
式中：I(t)为t时刻电池系统的电流，放电时电流为正，电量减少，充电时电流为负，电池电量增加；Qa和Qb为ta和tb时刻时锂离子电池内部的电量；在这段时间内，SOC从SOCa变化为SOCb，对式(2)进行计算，得到电池的当前总容量Cmax；
将上述计算得到的最大Cmax作为基准，将每次充电片段得到的Cmax与储能电池出厂时的标称容量C0比值即得到电池老化系数At；：
5.根据权利要求1所述的基于大数据分析的电池健康状态估算方法，其特征在于：所述S302数据初始化：已知储能电池组恒流充电电流I；储能电池组恒压充电截至电压U截止，循环cyclei对应的充电数据
是具体的数据采样时间，其间隔/>
为固定值，/>
为储能电池组的实时电压值；
数据初始化，即i＝0，初次循环为cycle0：I、V截止、
ΔT、初次循环恒流充电的全充数据/>
n0为初次循环储能电池组达到V截止时的总采样时间点个数。
6.根据权利要求1所述的基于大数据分析的电池健康状态估算方法，其特征在于：所述S303高斯过程回归；选用线性函数m(x)＝ax+b为高斯过程回归的均值函数，选择自动相关性确定理性平方协函数作为核函数；对初次循环cycle0的全充数据
进行高斯过程回归，计算初始超参数θ。
7.根据权利要求1所述的基于大数据分析的电池健康状态估算方法，其特征在于：所述的S304扩展卡尔曼滤波；对于下一循环cycle＝cycle0+1；首先将cycle0次的储能电池全充时间作为cycle循环的初值，即xcycle(1)
然后，导入cycle次的片段充电数据，并开展扩展卡尔曼滤波，具体公式如下：
xcycle(k)＝A(k)[xcycle(k-1)]-ΔT+w(k-1) (5)
式中：A(k)为状态矩阵，将A(k)设为单位矩阵；GPh[D0,xcycle(k)]表示利用
数据进行的高斯过程回归并预测xcycle(k)的电压值。
8.根据权利要求1所述的基于大数据分析的电池健康状态估算方法，其特征在于：所述S305扩展卡尔曼滤波循环递推
预测过程：
Pcycle(k)′＝A(k-1)Pcycle(k-1)A(k-1)T+Q(k) (8)
利用差商近视雅可比矩阵对模型进行更新
更新过程：
P(k)＝[I-K(k)H(k)]P(k) (12)
式(7)至(12)中，R，Q分别为状态噪声w和测量噪声v对应的协方差。
9.根据权利要求1所述的基于大数据分析的电池健康状态估算方法，其特征在于：所述S306估算全充时间；由上述过程可知，第cycle＝cycle0+1次的全充时间分成两部分；
第cycle次片段充电所用时间也就是从t1(1)到t1(n1)的时间为ΔT×(n1-1)；利用cycle0次全充时间，通过高斯过程回归和扩展卡尔曼滤波得到的最优估计时间
也就是从储能电池组最低容量充至t1(1)时刻的估算时间；
所以，第cycle＝cycle0+1次的估算全充时间
10.根据权利要求1所述的基于大数据分析的电池健康状态估算方法，其特征在于：所述S307更新循，估算实际SOH值：令上一循环cycle＝cycle0，将cycle循环的数据作为初始数据，即
且全充时间为xcycle(1)从而得到所有循环的估算全充时间
tcycle＝xcycle (14)
实际估算SOH如公式(15)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310358046.XA CN116224127A (zh) | 2023-04-03 | 2023-04-03 | 基于大数据分析的电池健康状态估算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310358046.XA CN116224127A (zh) | 2023-04-03 | 2023-04-03 | 基于大数据分析的电池健康状态估算方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116224127A true CN116224127A (zh) | 2023-06-06 |
Family
ID=86573308
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310358046.XA Pending CN116224127A (zh) | 2023-04-03 | 2023-04-03 | 基于大数据分析的电池健康状态估算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116224127A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117375248A (zh) * | 2023-12-08 | 2024-01-09 | 杭州科工电子科技股份有限公司 | 储能电池阵列集群监控方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150377974A1 (en) * | 2014-06-30 | 2015-12-31 | Foundation of Soongsil University-lndustry Cooperation | Battery state estimation method and system using dual extended kalman filter, and recording medium for performing the method |
| CN108279382A (zh) * | 2017-01-05 | 2018-07-13 | 中兴通讯股份有限公司 | 电池健康状态检测方法及装置 |
| CN109633477A (zh) * | 2019-01-04 | 2019-04-16 | 深圳市计量质量检测研究院 | 基于ekf-gpr和日常片段数据的电池组健康状态的实时监控方法 |
| CN110609233A (zh) * | 2019-10-25 | 2019-12-24 | 沃特威（广州）电子科技有限公司 | 一种基于大数据进行储能电池soh预测的方法 |
| CN113253140A (zh) * | 2021-07-16 | 2021-08-13 | 杭州科工电子科技有限公司 | 电池健康状态在线估算方法 |
-
2023
- 2023-04-03 CN CN202310358046.XA patent/CN116224127A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150377974A1 (en) * | 2014-06-30 | 2015-12-31 | Foundation of Soongsil University-lndustry Cooperation | Battery state estimation method and system using dual extended kalman filter, and recording medium for performing the method |
| CN108279382A (zh) * | 2017-01-05 | 2018-07-13 | 中兴通讯股份有限公司 | 电池健康状态检测方法及装置 |
| CN109633477A (zh) * | 2019-01-04 | 2019-04-16 | 深圳市计量质量检测研究院 | 基于ekf-gpr和日常片段数据的电池组健康状态的实时监控方法 |
| CN110609233A (zh) * | 2019-10-25 | 2019-12-24 | 沃特威（广州）电子科技有限公司 | 一种基于大数据进行储能电池soh预测的方法 |
| CN113253140A (zh) * | 2021-07-16 | 2021-08-13 | 杭州科工电子科技有限公司 | 电池健康状态在线估算方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117375248A (zh) * | 2023-12-08 | 2024-01-09 | 杭州科工电子科技股份有限公司 | 储能电池阵列集群监控方法及系统 |
| CN117375248B (zh) * | 2023-12-08 | 2024-03-08 | 杭州科工电子科技股份有限公司 | 储能电池阵列集群监控方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108037460B (zh) | 一种批产锂离子电池容量实时评估方法 | |
| CN110146822B (zh) | 一种基于恒流充电过程的车用动力电池容量在线估计方法 | |
| US20220283240A1 (en) | Method and system for estimating state of health of battery pack | |
| CN108846227B (zh) | 一种基于随机森林及容量自恢复效应分析的锂离子电池容量退化预测评估方法 | |
| CN110554324B (zh) | 一种soc和soh联合估计方法 | |
| CN114371409B (zh) | 电池状态预测模型的训练方法、电池状态预测方法及装置 | |
| CN110673037B (zh) | 基于改进模拟退火算法的电池soc估算方法及系统 | |
| KR101996943B1 (ko) | 배터리 용량 상태 추정 장치 및 이의 방법 | |
| CN114290960B (zh) | 获取动力电池的电池健康度的方法、装置和车辆 | |
| CN111142025A (zh) | 一种电池soc估算方法、装置、存储介质及电动汽车 | |
| CN112083346B (zh) | 基于lstm的并联电池组内部电流分布估计方法及系统 | |
| CN116224127A (zh) | 基于大数据分析的电池健康状态估算方法 | |
| CN113484771A (zh) | 一种锂离子电池宽温度全寿命soc及容量估计的方法 | |
| CN115932634A (zh) | 一种对电池健康状态评估的方法、装置、设备及存储介质 | |
| CN115097312A (zh) | 一种结合数据驱动模型和经验模型的锂离子电池融合寿命预测模型 | |
| CN115219918A (zh) | 一种基于容量衰退组合模型的锂离子电池寿命预测方法 | |
| Han et al. | A new SOH prediction model for lithium-ion battery for electric vehicles | |
| Chen et al. | Parameter identification and state-of-charge estimation for li-ion batteries using an improved tree seed algorithm | |
| CN115407217A (zh) | 一种电动汽车锂电池荷电状态在线估计方法及系统 | |
| CN115951225A (zh) | 一种电池均衡优化容量估计方法和装置 | |
| CN115616434A (zh) | 一种基于退化模型校准的锂电池soc和soh实时估算方法 | |
| CN115825746A (zh) | 一种锂电池的电池状态的估计方法及装置 | |
| CN115598546A (zh) | 锂离子电池soh、soc和rul的联合估计方法 | |
| CN113820615A (zh) | 一种电池健康度检测方法与装置 | |
| TWI509521B (zh) | 鋰電池之電路模型建構方法 |
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 |