CN116540097A - 电池劣化度在线评估方法及装置 - Google Patents

电池劣化度在线评估方法及装置 Download PDF

Info

Publication number
CN116540097A
CN116540097A CN202310388149.0A CN202310388149A CN116540097A CN 116540097 A CN116540097 A CN 116540097A CN 202310388149 A CN202310388149 A CN 202310388149A CN 116540097 A CN116540097 A CN 116540097A
Authority
CN
China
Prior art keywords
battery
degradation
current
evaluation
data
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
CN202310388149.0A
Other languages
English (en)
Inventor
王长华
唐朝阳
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.)
Guangdong Botong New Energy Technology Co ltd
Original Assignee
Guangdong Botong New Energy Technology 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 Guangdong Botong New Energy Technology Co ltd filed Critical Guangdong Botong New Energy Technology Co ltd
Priority to CN202310388149.0A priority Critical patent/CN116540097A/zh
Publication of CN116540097A publication Critical patent/CN116540097A/zh
Pending legal-status Critical Current

Links

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
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及一种电池劣化度在线评估方法，基于所述电池由多个电芯串联而成，该方法包括以下步骤：1)实时获取电池实际运行状态的原始数据；2)对原始数据进行分析，得到劣化表征参数；3)利用劣化表征参数输入电池劣化预测模型中进行仿真，得到劣化评估结果。本发明还提供一种电池劣化度在线评估装置包括数据采集模块、数据分析模块以及劣化评估模块；数据采集模块用于实时获取电池实际运行状态的原始数据；所述数据分析模块用于对原始数据进行分析以得到劣化表征参数；劣化评估模块用于将所述劣化表征参数输入电池劣化预测模型中仿真以得到劣化评估结果。本发明能实现在线评估电池劣化度，达到提前预警的效果。

Description

电池劣化度在线评估方法及装置
技术领域
本发明涉及储能电池安全预测及电池软故障检测技术领域，特别是涉及一种电池劣化度在线评估方法及装置。
背景技术
随着大规模储能系统的应用，储能电池在生产和使用过程中，不可避免会存在容量衰减、内阻增大、发热量增加等电芯劣化问题。电池容量一旦衰减，将无法满足储能系统的容量需求，必须对容量衰减严重的电池进行及时更换。
目前借助电池管理系统(Battery Management System，以下简称BMS)检测电池电压、电流、温度等硬故障技术已取得较大进步。但储能电池容量降低、内阻增大等软故障却无法直接测量，对储能系统安全隐患较大。电池容量衰减集中在电池建模及衰减原因分析方面，但这方面的分析是根据离线数据在实验室内完成的，分析结果滞后，缺乏实时性。
针对电池容量衰减特性，实验室通过提取电池SOC(State of Charge)变化率来衡量电池容量衰减程度。由于SOC是通过检测储能系统电芯电压、电流等电特性参数计算出来的，与实际运行工况可能存在较大区别。
另外，储能电池的外部参数与容量之间的关系十分复杂，且呈非线性。目前大多数学模型均以电化学为基础，求解过程繁琐，无法完全表征外部参数与电池内部化学反应的关系，导致电池数学模型与储能电池实际运行相差大。
目前储能系统为增大电池储能容量，降低成本，多采用电芯并联后再串联成组方案，故BMS采集的数据并不能完全体现单个电芯特征，而是多个电芯并联的综合特征。用多电芯的综合特征参数来评估单电芯的劣化程度，可信度不高。
发明内容
基于此，有必要对根据实验室离线数据完成电池劣化度评估方法，和基于电池电化学特性建模复杂及电池非线性特性影响，而导致评估方法的精度受到质疑的问题，提出一种电池劣化度在线评估方法及装置。
一种电池劣化度在线评估方法，基于所述电池由多个电芯串联而成，该方法包括以下步骤：
1)实时获取电池实际运行状态的原始数据；
2)对原始数据进行分析，得到劣化表征参数；
3)利用劣化表征参数输入电池劣化预测模型中进行仿真，得到劣化评估结果。
作为一种优选方案，所述对原始数据进行分析，得到劣化表征参数的步骤，包括：
A)对原始数据进行清洗，去粗取精，对丢失的关键数据进行智能补充，得到第一特征参数；
B)根据第一特征参数计算出第二特征参数；
C)对第二特征参数进行降维和去噪；
D)在保留原始信息的情况下，去除第二特征参数之间的重叠部分，获得线性无关数据，以所述线性无关数据作为劣化表征参数。
作为一种优选方案，步骤3)中所述劣化表征参数经归一化处理后输入所述电池劣化预测模型中仿真。
作为一种优选方案，所述电池劣化训练模型训练的方法，包括以下步骤：
a)所述劣化表征参数经归一化处理后输入所述电池劣化训练模型中进行仿真，得到当前评估值、当前权值及当前阈值；
b)利用所述原始数据计算出实时真实值；
c)利用当前评估值与所述实时真实值计算出当前误差值；
d)利用当前误差值和当前权值计算出权值修正量，同时，利用当前误差值和当前阈值计算出阈值修正量；
e)使当前权值加上权值修正量，得到新权值，同时，使当前阈值加上阈值修正量，得到新阈值；
f)利用新权值及新阈值对所述电池劣化训练模型进行修正，直至所述电池劣化训练模型达到收敛状态。
作为一种优选方案，所述当前误差值不大于预设误差阈值时，确定所述电池劣化训练模型达到收敛状态，得到所述电池劣化预测模型。
作为一种优选方案，所述当前误差值的计算公式：
其中，p为电芯的总数量，O当为单个电芯的当前评估值，O真为相应电芯的实时真实值。
一种电池劣化度在线评估装置，其中，电池为由多个电芯串联而成，该装置包括：
数据采集模块，用于实时获取电池实际运行状态的原始数据；
数据分析模块，用于对原始数据进行分析以得到劣化表征参数；以及
劣化评估模块，所述劣化评估模块用于将所述劣化表征参数输入电池劣化预测模型中仿真以得到劣化评估结果。
作为一种优选方案，所述电池劣化预测模型为由电池劣化训练模型修正至收敛状态所得到的。
作为一种优选方案，所述电池劣化度在线评估装置还包括判断模块，所述判断模块用于判断电池劣化训练模型是否达到收敛状态。
作为一种优选方案，所述电池劣化度在线评估装置还包括修正模块，所述修正模块用于对电池劣化训练模型进行修正。
本发明的有益效果为：
1、电芯采用“只串不并”成组方案，保证实时采集的数据均为单电芯真实数据，从原理上保证所获取原始数据的精准度；同时还能不受电池电压变化及电池种类限制，应用范围更广泛；
2、实时采集海量数据，从中获取几个线性无关指标作为电池劣化的表征参数，避免了分析问题的难度与复杂性；
3、采用神经网络模型，突破储能电芯复杂非线性系统难以建模的束缚，能有效避免因建模失准而导致评估结果不精准的情况发生，从而有效提高电池劣化评估结果的准确性；
4、能实现电池劣化在线评估，能精准预测电池状态的演化趋势，达到对电池安全提前预警目的。
附图说明
图1为本发明之一种实施方式中电池的连接示意图；
图2为本发明之电池劣化度在线评估装置的结构示意图；
图3为本发明之电池劣化度在线评估方法的流程图；
图4为本发明之劣化表征参数获取方法的流程图；
图5为本发明之测量得到的(OCV，SOC)数据点的拟合图；
图6为本发明之SOC和OCV的关系曲线图；
图7为本发明之电池劣化训练模型训练方法的流程图；
图8为本发明之电池劣化训练模型内的神经网络结构示意图。
附图中标号的含义为：
100-电池劣化度在线评估装置；
10-数据采集模块；
20-数据分析模块；
30-劣化评估模块，31-电池劣化训练模型，32-电池劣化预测模型；
40-修正模块；
50-判断模块；
60-数据转换模块。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施例的限制。
在本发明的描述中，需要理解的是，术语“在线”是指储能系统运行中或者不需要断电状态、“劣化度”是指为评估储能系统各电芯的健康状态，根据先进监测技术和诊断技术提供的电池状态信息，从而判断电池异常和预知电芯故障，在故障发生前完成电芯更换而引入的评估指标、“特征参数”是指用于表征电芯的主要性能参数如电压、容量、内阻等。“表征参数”指用于表征电芯劣化度的参数如SOC等，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。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在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
需要说明的是，当元件被称为“固定于”或“设置于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件，并不表示是唯一的实施方式。
本发明提供一种电池劣化度在线评估装置100，该装置用于评估电池的劣化度程度，如图1所示，该电池为由多个电芯串联而成，这样不仅消除多电芯并联的“木桶效应”，而且能避免电池簇内并联环流的情况发生，因此每个电池簇的电压、电芯数量甚至电池种类可不尽相同，但仍能保证采集得到的各电芯特征参数，是实际工况下单电芯准确运行数据。
如图2所示，所述电池劣化度在线评估装置100，包括数据采集模块10、数据分析模块20以及劣化评估模块30。
所述数据采集模块10用于实时获取电池实际运行状态的原始数据。其中，数据采集模块10包括电池管理系统(BMS)、能量转换系统(PCS)和热管理系统，所述原始数据为由电池管理系统(BMS)、能量转换系统(PCS)和热管理系统实时采集，
所述数据分析模块20用于对原始数据进行分析以得到劣化表征参数。所述数据分析模块20包括能量管理系统(EMS)，能量管理系统对由电池管理系统(BMS)、能量转换系统(PCS)和热管理系统采集得到的原始数据进行分析，分析的目的在于挖掘出能够反映电池劣化状态信息的劣化表征参数。
所述劣化评估模块30用于将所述劣化表征参数输入所述电池劣化预测模型32中仿真以得到劣化评估结果。其中，所述劣化评估模块30内部存储有电池劣化训练模型31，所述电池劣化预测模型32为由所述电池劣化训练模型31修正至收敛状态所得到的。
所述电池劣化度在线评估装置100还包括修正模块40，所述修正模块40用于根据将劣化表征参数输入电池劣化训练模型31中仿真得到的当前评估值、当前权值和当前阈值，及原始数据计算出权值修正量和阈值修正量；用于所述权值修正量和所述阈值修正量计算出新权值和新阈值；以及用于利用所述新权值和所述新阈值对所述电池劣化训练模型31进行修正。
所述电池劣化度在线评估装置100还包括判断模块50，所述判断模块50内存储有预设误差阈值，所述判断模块50用于根据当前评估值和原始数据计算出当前误差值；及用于根据当前误差值与所述预设误差阈值对比的结果来判断电池劣化训练模型31是否达到收敛状态。
所述电池劣化度在线评估装置100还包括数据转换模块60，所述数据模块用于对所述劣化表征参数进行归一化处理以及对所述电池劣化预测模型32仿真得到的劣化评估结果进行反归一化处理。由于劣化表征参数的量纲不同，表示的含义不一样，若直接使用会对电池劣化预测模型32造成一定的影响，通过数据转换模块60对劣化表征参数进行归一化处理，这样便能避免劣化表征参数对电池劣化预测模型32造成影响，从而有效提高评估结果的准确性。
如图3所示，本发明还提供一种电池劣化度在线评估方法，基于所述电池由多个电芯串联而成，其特征在于，该方法包括以下步骤：
1)实时获取电池实际运行状态的原始数据；
2)对原始数据进行分析，得到劣化表征参数；
3)利用劣化表征参数输入电池劣化预测模型32中进行仿真，得到劣化评估结果。
其中步骤1)中原始数据可以包括但不限于：充电和放电过程中的电芯温度、环境温度、充放电次数、电芯终止单体电压差、自放电率、放电深度、充电起始电压、最大充电电流、充电平均电流等参数。
步骤2)中对原始数据分析的目的在于挖掘出能够反映电池劣化状态信息的劣化表征参数。
如图4所示，步骤2)中所述劣化表征参数获取方法，包括以下步骤：
A)对原始数据进行清洗，去粗取精，对丢失的关键数据进行智能补充，得到第一特征参数；
B)根据第一特征参数计算出第二特征参数；
C)对第二特征参数进行降维和去噪；
D)在保留原始信息的情况下，去除第二特征参数之间的重叠部分，获得线性无关数据，以所述线性无关数据作为劣化表征参数。
其中，第一特征参数是指数据采集模块直接获得的电芯性能参数，第一特征参数为可以包括但不限于：电流、电压、温度、电池类型、循环充电次数、额定容量、单体电压以及单体温度等参数。第二特征参数是指数据分析模块根据第一特征参数计算出来的用于表征电芯性能的参数。第二特征参数为可以为SOH(State of Health电池健康度)值、SOE(Stateof Energy，电池剩余电量)值、SOC(State of Charge电池电荷变化率)值以及电池内阻值等参数中的其中一种或几种。
在实验室内分别测量在不同的SOC值下的电池开路电压大小，得到如图5所示的数据点。
假定SOC和OCV的关系是符合三次函数关系曲线的，那么就可以假设其关系为：
OCV＝a*SOC3+b*SOC2+C*SOC+d
根据测量得到的(OCV，SOC)数据点进行拟合，求出参数a,b,c和d的最优解即可。上述计算过程在MATLAB中实现，通过拟合，最后得到各参数的值为a＝-0.0623b＝0.2162c＝0.5603d＝3.4584；然后再将这些参数带入函数后，得到如图6所示SOC和OCV的关系曲线。通过控制断路器(QF1、QF2……QFn)，可获取电芯的开路电压(open circuit voltage,OCV)，然后将测得的开路电压置于SOC和OCV的关系曲线中，即可得到相应的SOC值。
SOH可以理解为限定确定电池当前容量与出厂容量的百分比的指标。SOE可以理解为限定确定电池剩余电量的指标。SOE值可以根据SOC值以及对应的SOH值估算得到，其中，估算SOE指标对应的值的过程，可以参见相关技术中估算SOE的过程，在此不再赘述。
电池内阻式中I为电池放电电流，EB为电池的平衡电压势，UL为电池带载工作时正负极两端工作电压。
步骤3)中劣化表征参数经归一化处理后输入所述电池劣化预测模型32中仿真。所述电池劣化预测模型32为所述电池劣化训练模型31修正至收敛状态所得到的。
如图7所示，所述电池劣化训练模型31训练方法，包括以下步骤：
a)所述劣化表征参数经归一化处理后输入所述电池劣化训练模型31中进行仿真，得到当前评估值、当前权值及当前阈值；
b)利用所述原始数据计算出实时真实值；
c)利用当前评估值与所述实时真实值计算出当前误差值；
d)利用当前误差值和当前权值计算出权值修正量，同时，利用当前误差值和当前阈值计算出阈值修正量；
e)使当前权值加上权值修正量，得到新权值，同时，使当前阈值加上阈值修正量，得到新阈值；
f)利用新权值及新阈值对所述电池劣化训练模型31进行修正，直至所述电池劣化训练模型31达到收敛状态。
所述电池劣化训练模型31的核心在于如图8所示的神经网络，以经归一化处理后的劣化表征参数作为输入变量；以劣化评估结果作为输出变量；wij表示隐含层第i个节点到输入层第j个节点之间的权值；θi表示隐含层第i个节点的阈值；表示隐含层的激励函数/>wki表示输出层第k个节点到隐含层第i个节点之间的权值，i＝1,……,q；ak表示输出层第k个节点的阈值，k＝1,……,L；ψ(x)表示输出层的激励函数，ψ(x)＝x；Ok表示输出层第k个节点的输出，k＝1。
对电池劣化训练模型31进行修正的关键在于权值的修正及阈值的修正。因此需要计算出输出层权值的修正量、输出层阈值的修正量、隐含层权值的修正量以及隐含层阈值的修正量。
输出层权值的修正量的计算公式为
输出层阈值的修正量的计算公式为
隐含层权值的修正量的计算公式为
隐含层阈值的修正量的计算公式为
其中，η为一常数，而E为当前误差值。
所述当前误差值的计算公式：
其中，p为电芯的总数量，O当为单个电芯的当前评估值，O真为相应电芯的实时真实值。
利用输出层权值的修正量、输出层阈值的修正量、隐含层权值的修正量以及隐含层阈值的修正量计算出新输出层权值、新输出层阈值、新隐含层权值以及新隐含层阈值，然后将新输出层权值、新输出层阈值、新隐含层权值以及新隐含层阈值对电池劣化训练模型31进行修正。
当当前误差值不大于预设误差阈值时，判断模块50则判定所述电池劣化训练模型31达到收敛状态，得到所述电池劣化预测模型32。在电池劣化预测模型32中仿真得出的评估结果经反归一化处理后得到劣化评估结果。
劣化评估结果可以为SOH值、SOE值、SOC值以及电池内阻值等参数中的其中一种。所述劣化评估结果也可以为SOH值、SOE值、SOC值以及电池内阻值等参数中几种综合之后所得到的评价结果。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种电池劣化度在线评估方法，基于所述电池由多个电芯串联而成，其特征在于，该方法包括以下步骤：
1)实时获取电池实际运行状态的原始数据；
2)对原始数据进行分析，得到劣化表征参数；
3)利用劣化表征参数输入电池劣化预测模型中进行仿真，得到劣化评估结果。
2.根据权利要求1所述的电池劣化度在线评估方法，其特征在于，所述对原始数据进行分析，得到劣化表征参数的步骤，包括：
A)对原始数据进行清洗，去粗取精，对丢失的关键数据进行智能补充，得到第一特征参数；
B)根据第一特征参数计算出第二特征参数；
C)对第二特征参数进行降维和去噪；
D)在保留原始信息的情况下，去除第二特征参数之间的重叠部分，获得线性无关数据，以所述线性无关数据作为劣化表征参数。
3.根据权利要求1所述的电池劣化度在线评估方法，其特征在于，步骤3)中所述劣化表征参数经归一化处理后输入所述电池劣化预测模型中仿真。
4.根据权利要求3所述的电池劣化度在线评估方法，其特征在于，所述电池劣化训练模型训练的方法，包括以下步骤：
a)所述劣化表征参数经归一化处理后输入所述电池劣化训练模型中进行仿真，得到当前评估值、当前权值及当前阈值；
b)利用所述原始数据计算出实时真实值；
c)利用当前评估值与所述实时真实值计算出当前误差值；
d)利用当前误差值和当前权值计算出权值修正量，同时，利用当前误差值和当前阈值计算出阈值修正量；
e)使当前权值加上权值修正量，得到新权值，同时，使当前阈值加上阈值修正量，得到新阈值；
f)利用新权值及新阈值对所述电池劣化训练模型进行修正，直至所述电池劣化训练模型达到收敛状态。
5.根据权利要求4所述的电池劣化度在线评估方法，其特征在于，所述当前误差值不大于预设误差阈值时，确定所述电池劣化训练模型达到收敛状态，得到所述电池劣化预测模型。
6.根据权利要求4所述的电池劣化度在线评估方法，其特征在于，所述当前误差值的计算公式：
其中，p为电芯的总数量，O当为单个电芯的当前评估值，O真为相应电芯的实时真实值。
7.一种用于实现如权利要求1-6中任一项所述电池劣化度在线评估方法的电池劣化度在线评估装置，其特征在于，包括：
数据采集模块，用于实时获取电池实际运行状态的原始数据；
数据分析模块，用于对原始数据进行分析以得到劣化表征参数；以及
劣化评估模块，用于将劣化表征参数输入电池劣化预测模型中仿真以得到劣化评估结果。
8.根据权利要求7所述的电池劣化度在线评估装置，其特征在于，所述电池劣化预测模型为由电池劣化训练模型修正至收敛状态所得到的。
9.根据权利要求8所述的电池劣化度在线评估装置，其特征在于，还包括判断模块，所述判断模块用于判断电池劣化训练模型是否达到收敛状态。
10.根据权利要求9所述的电池劣化度在线评估装置，其特征在于，还包括修正模块，所述修正模块用于对电池劣化训练模型进行修正。
CN202310388149.0A 2023-04-12 2023-04-12 电池劣化度在线评估方法及装置 Pending CN116540097A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310388149.0A CN116540097A (zh) 2023-04-12 2023-04-12 电池劣化度在线评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310388149.0A CN116540097A (zh) 2023-04-12 2023-04-12 电池劣化度在线评估方法及装置

Publications (1)

Publication Number Publication Date
CN116540097A true CN116540097A (zh) 2023-08-04

Family

ID=87442650

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310388149.0A Pending CN116540097A (zh) 2023-04-12 2023-04-12 电池劣化度在线评估方法及装置

Country Status (1)

Country Link
CN (1) CN116540097A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108872869A (zh) * 2018-06-14 2018-11-23 中山大学 一种基于bp神经网络的锂离子电池劣化分类方法
CN111007417A (zh) * 2019-12-06 2020-04-14 重庆大学 基于不一致性评估的电池组soh和rul预测方法及系统
CN113219341A (zh) * 2021-03-23 2021-08-06 陈九廷 一种模型生成及电池劣化推测装置、方法、介质及设备
CN114624596A (zh) * 2020-12-11 2022-06-14 北京昇科能源科技有限责任公司 一种电池性能的评估方法及装置
CN115684947A (zh) * 2021-07-27 2023-02-03 本田技研工业株式会社 电池模型构建方法及电池劣化预测装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108872869A (zh) * 2018-06-14 2018-11-23 中山大学 一种基于bp神经网络的锂离子电池劣化分类方法
CN111007417A (zh) * 2019-12-06 2020-04-14 重庆大学 基于不一致性评估的电池组soh和rul预测方法及系统
CN114624596A (zh) * 2020-12-11 2022-06-14 北京昇科能源科技有限责任公司 一种电池性能的评估方法及装置
CN113219341A (zh) * 2021-03-23 2021-08-06 陈九廷 一种模型生成及电池劣化推测装置、方法、介质及设备
CN115684947A (zh) * 2021-07-27 2023-02-03 本田技研工业株式会社 电池模型构建方法及电池劣化预测装置

Similar Documents

Publication Publication Date Title
CN108254696B (zh) 电池的健康状态评估方法及系统
CN109828220B (zh) 一种锂离子电池健康状态线性评估方法
CN111948560A (zh) 基于多因子评估模型的锂电池健康状态估算方法
CN108037463A (zh) 一种锂离子电池寿命预测方法
CN112986831A (zh) 一种基于相关系数粒子滤波的锂离子电池寿命预测方法
CN113030763A (zh) 一种车用动力电池一致性差异的潜在风险诊断系统
CN116401585B (zh) 一种基于大数据的储能电池失效风险评估方法
CN113447828A (zh) 一种基于贝叶斯神经网络的锂电池温度估计方法及系统
Chang et al. Electric vehicle battery pack micro-short circuit fault diagnosis based on charging voltage ranking evolution
CN112765794A (zh) 基于加速寿命试验的磷酸铁锂电池的可靠性分析方法
CN116754984A (zh) 一种电池一致性的检测方法及相关装置
CN113791351B (zh) 基于迁移学习和差值概率分布的锂电池寿命预测方法
CN114325433A (zh) 基于电化学阻抗谱测试的锂离子电池故障检测方法和系统
CN116609686B (zh) 一种基于云平台大数据的电芯一致性评估方法
CN117169761A (zh) 电池状态评估方法、装置、设备、存储介质和程序产品
CN117007975A (zh) 一种通过采集储能电池电芯多点温度对电池容量衰减评估进行强化学习的方法
Diao et al. Research on Electric Vehicle Charging Safety Warning based on A-LSTM Algorithm
CN116540097A (zh) 电池劣化度在线评估方法及装置
CN115799673A (zh) 一种多维感知的储能电池管理系统
CN115331745A (zh) 基于历史数据校验的改进单粒子电化学模型建模方法
CN113466712A (zh) 一种电池剩余容量的获取方法
CN112733479A (zh) 一种单体电池的模型参数计算方法、装置和介质
CN114062943B (zh) 一种锂离子电池系统极化异常预警方法及系统
CN117538775A (zh) 一种bms电池单片一致性测试系统及其测试方法
Huang et al. Evaluation index of battery pack of energy storage station based on RB recession mechanism

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