CN116609692B - 一种基于充电机检测的电池健康状态诊断方法及系统 - Google Patents
一种基于充电机检测的电池健康状态诊断方法及系统 Download PDFInfo
- Publication number
- CN116609692B CN116609692B CN202310498190.3A CN202310498190A CN116609692B CN 116609692 B CN116609692 B CN 116609692B CN 202310498190 A CN202310498190 A CN 202310498190A CN 116609692 B CN116609692 B CN 116609692B
- Authority
- CN
- China
- Prior art keywords
- battery
- target battery
- voltage signal
- wavelet
- coefficient
- 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
Links
- 230000036541 health Effects 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003745 diagnosis Methods 0.000 title claims abstract description 29
- 238000001514 detection method Methods 0.000 title claims abstract description 20
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 53
- 230000009466 transformation Effects 0.000 claims abstract description 38
- 238000007781 pre-processing Methods 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 37
- 230000032683 aging Effects 0.000 claims description 25
- 230000000737 periodic effect Effects 0.000 claims description 20
- 238000006731 degradation reaction Methods 0.000 claims description 10
- 230000007613 environmental effect Effects 0.000 claims description 10
- 230000005284 excitation Effects 0.000 claims description 10
- 238000013016 damping Methods 0.000 claims description 9
- 230000015556 catabolic process Effects 0.000 claims description 8
- 230000003068 static effect Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 abstract description 14
- 230000008901 benefit Effects 0.000 abstract description 8
- 230000008859 change Effects 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 description 14
- 238000007599 discharging Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000004146 energy storage Methods 0.000 description 4
- 230000003862 health status Effects 0.000 description 4
- 229910001416 lithium ion Inorganic materials 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 230000005713 exacerbation Effects 0.000 description 2
- 239000002803 fossil fuel Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000003321 amplification Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000007772 electrode material Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于充电机检测的电池健康状态诊断方法及系统，其方法包括：通过充电机获取目标电池的输出特征电压信号并对其进行预处理，根据预处理结果获取含噪电压信号；对含噪电压信号进行小波变换多尺度分解并对各尺度小波系数进行除噪，获取除噪后的小波系数；对除噪后的小波系数进行逆变换处理以生成重构电压信号；根据重构电压信号计算出目标电池的当前电池内阻，根据当前电池内阻对目标电池进行健康状态诊断。充分利用小波变换对于捕捉不平稳信号的突变特征的极大优势，能够轻松辨析出谐波干扰，并通过门限阈值法对小波系数进行处理，达到过滤干扰的有益效果，从而使得最终计算出来的电池内阻值不仅精度更高，而且更具有抗强干扰性。
Description
技术领域
本发明涉及电池健康诊断技术领域，尤其涉及一种基于充电机检测的电池健康状态诊断方法及系统。
背景技术
目前，能源短缺和环境危机的加剧，寻找替代化石燃料的可再生能源成为全世界关注的焦点，由于光伏、风能等可再生能源存在波动性和间歇性，为提升可再生能源利用效率，锂离子电池等用于储能的化学电池在消费电子、新能源汽车、大规模储能电站等领域获得了广泛的应用。锂离子电池等电化学电源，市面上大量的电池随着使用年限的增加，健康状态SOH开始恶化，导致无法继续充放电，表现为容量衰减、功率损失等，直至丧失电池出厂时所规定的功能要求。为了保证电池系统的稳定可靠运行，需要对电池的健康状态和衰减程度进行准确评估，其估计和判断结果直接关系到能量管理、循环寿命、运行成本和系统安全，现有的电池健康状态评估方法是通过检测电池的放电电压进而确定其电池内阻，通过电池内阻进行电池健康评估，其存在以下问题：由于电池内阻阻值是毫欧甚至微欧级，轻微的干扰会导致计算结果偏差较大，同时在电池放电过程中的电压信号中存在多种谐波干扰信号从而导致最终的电池健康状态评估结果与实际不符，降低了评估精度。
发明内容
针对上述所显示出来的问题，本发明提供了一种基于充电机检测的电池健康状态诊断方法及系统用以解决背景技术中提到的由于电池内阻阻值是毫欧甚至微欧级，轻微的干扰会导致计算结果偏差较大，同时在电池放电过程中的电压信号中存在多种谐波干扰信号从而导致最终的电池健康状态评估结果与实际不符，降低了评估精度的问题。
一种基于充电机检测的电池健康状态诊断方法，包括以下步骤：
通过充电机获取目标电池的输出特征电压信号并对其进行预处理，根据预处理结果获取含噪电压信号；
对含噪电压信号进行小波变换多尺度分解并对各尺度小波系数进行除噪，获取除噪后的小波系数；
对除噪后的小波系数进行逆变换处理以生成重构电压信号；
根据重构电压信号计算出目标电池的当前电池内阻，根据当前电池内阻对目标电池进行健康状态诊断。
优选的，所述通过充电机获取目标电池的输出特征电压信号并对其进行预处理，根据预处理结果获取含噪电压信号，包括：
设置放电参数，根据放电参数控制目标电池向充电机负载进行放电，采集放电电流并生成正弦脉冲交流激励信号；
获取目标电池的电池阻抗，根据电池阻抗和正弦脉冲交流激励信号采集目标电池产生的特征电压信号；
对特征电压信号依次进行放大和滤波预处理，获取预处理结果；
根据预处理结果获取信号类型为模拟信号的含噪电压信号，将含噪电压信号进行模数转换以获取目标电池的数据电压值。
优选的，所述对含噪电压信号进行小波变换多尺度分解并对各尺度小波系数进行除噪，获取除噪后的小波系数，包括：
利用高通滤波器和低通滤波器基于db4小波格式利用Mallat分解算法对含噪电压信号进行小波变换多尺度分解；
根据分解结果获取三级尺度的小波分解低频系数和小波分解高频系数；
根据对含噪电压信号的信号长度计算出每一级尺度的小波变换系数参考阈值；
根据每一级尺度的小波变换系数参考阈值对该级尺度的小波分解高频系数进行软阈值处理，获取处理结果，根据处理结果获取除噪后的小波系数。
优选的，所述根据对含噪电压信号的信号长度计算出每一级尺度的小波变换系数参考阈值，包括：
通过如下公式计算出每一级尺度的小波变换系数参考阈值：
其中，λj表示为第j级尺度的小波变换系数参考阈值，Mj表示为第j级尺度的所有小波分解系数的绝对值的平均值，ln表示为自然对数，N表示为含噪电压信号的信号长度，j表示为第j级尺度；
所述根据每一级尺度的小波变换系数参考阈值对该级尺度的小波分解高频系数进行软阈值处理，获取处理结果，根据处理结果获取除噪后的小波系数，包括：
通过如下公式对每一级尺度的小波分解高频系数进行软阈值处理：
其中，表示为对第j级尺度的第k个小波分解高频系数的软阈值处理结果，Wj，k表示为第j级尺度的第k个小波分解高频系数。
优选的，对除噪后的小波系数进行逆变换处理以生成重构电压信号，包括：
将每一级尺度的小波分解低频系数和除噪后的小波分解高频系数进行二插值处理，获取小波系数数据序列；
采用Mallat重构算法根据每一级尺度的小波系数数据序列进行小波重构逆变换处理，获取处理结果；
根据处理结果生成目标电池无干扰的重构电压信号。
优选的，所述根据重构电压信号计算出目标电池的当前电池内阻，根据当前电池内阻对目标电池进行健康状态诊断，包括：
对重构电压信号进行模数转换获取目标放电电压值；
基于欧姆定律公式根据目标放电电压值计算出目标电池的当前电池内阻；
确定当前电池内阻在预设内阻值区间的区间位置，获取预设内阻值区间内每个阶段健康状态的警戒上限内阻阈值和警戒下限内阻阈值；
根据当前电池内阻在预设内阻值区间的区间位置和每个阶段健康状态的警戒上限内阻阈值和警戒下限内阻阈值诊断出目标电池的健康状态。
优选的，设置放电参数的步骤包括：
获取目标电池的出厂电池容量和历史放电数据，根据历史放电数据确定目标电池的使用强度，同时，绘制每次历史放电时的放电曲线；
获取每次历史放电时的放电曲线中的峰值点分布和谷值点分布，根据峰值点分布和谷值点分布利用预设曲线数值模型确定目标电池在每次历史放电时的时间常数；
根据目标电池在每次历史放电时的时间常数和目标电池的使用强度确定目标电池的电池衰减特性；
基于目标电池的电池衰减特性和目标电池的出厂电池容量预测出目标电池的当前电池容量；
根据当前电池容量和出厂电池容量的比值确定目标电池的老化状态，根据老化状态设置目标电池的放电参数。
优选的，所述根据目标电池在每次历史放电时的时间常数和目标电池的使用强度确定目标电池的电池衰减特性，包括：
根据目标电池在每次历史放电时的时间常数和放电曲线中的峰值点分布和谷值点分布确定目标电池的周期放电的信号相位分布；
根据目标电池的周期放电的信号相位分布确定周期放电特征量分布；
基于周期放电特征量分布和目标电池的使用强度确定目标电池的周期衰减系数；
根据周期衰减系数确定目标电池的衰减指标项，基于衰减指标项的衰减描述参数确定目标电池的静载衰减特性因子和动载衰减特性因子；
基于静载衰减特性因子和动载衰减特性因子各自的变化特性确定目标电池的电池衰减特性。
优选的，目标电池的健康状态还可通过目标电池的当前电池内阻和预设标准电池内阻的比值确定，具体为：
确定目标电池的历史使用时长，将历史使用时长代入到预设老化函数中计算出目标电池的当前老化系数和使用强度系数；
根据目标电池的当前老化系数和使用强度系数以及当前服务率计算出目标电池的健康状态指数：
其中，Q表示为目标电池的健康状态指数，Z1表示为目标电池的当前电池内阻，Z2表示为预设标准电池内阻，A表示为目标电池的老化系数，D表示为目标电池的使用强度系数，θ1表示为目标电池的期望服务率，θ2表示为目标电池的当前服务率，B表示为目标电池的放电性能退化因子，取值为0.2,s表示为超参数，取值为0.8，ln表示为自然对数，α表示为目标电池的充电时的环境温度影响因子；
若健康状态指数大于等于第一预设阈值，确定目标电池为健康状态，若健康状态指数小于第一预设阈值同时大于等于第二预设阈值，确定目标电池为亚健康状态，若健康状态指数小于第二预设阈值，确定目标电池为非健康状态。
一种基于充电机检测的电池健康状态诊断系统，该系统包括：
获取模块，用于通过充电机获取目标电池的输出特征电压信号并对其进行预处理，根据预处理结果获取含噪电压信号；
除噪模块，用于对含噪电压信号进行小波变换多尺度分解并对各尺度小波系数进行除噪，获取除噪后的小波系数；
生成模块，用于对除噪后的小波系数进行逆变换处理以生成重构电压信号；
诊断模块，用于根据重构电压信号计算出目标电池的当前电池内阻，根据当前电池内阻对目标电池进行健康状态诊断。
通过上述技术手段，本发明可取得如下有益效果：
1)通过对目标电池的含噪电压信号进行小波变换的内阻测量方式来去除掉电压信号中的谐波干扰信号可以保证电压信号样本的高精度性，为后续进行电池健康评估奠定了条件，同时保证了诊断结果的误差最小化，提高了评估精度，充分利用小波变换对于捕捉不平稳信号的突变特征的极大优势，能够轻松辨析出谐波干扰，并通过门限阈值法对小波系数进行处理，达到过滤干扰的有益效果，从而使得最终计算出来的电池内阻值不仅精度更高，而且更具有抗强干扰性。
2)通过设置放电参数可以保证目标电池的放电稳定性，同时，通过生成正弦脉冲交流激励信号结合目标电池的电池阻抗来获取特征电压信号可以根据电池阻抗特性来精准地生成特征电压信号，进一步地，通过对电压信号进行放大和滤波预处理既可以保证对于信号的捕捉稳定性同时还可以初步地提出干扰信号，为后续进行去噪奠定了条件，进一步地提高了实用性。
3)可以根据噪声的高频特性在小波系数中快速地查找出噪声信号小波系数进而根据阈值对其进行去噪处理，提高了去噪效率的同时也避免了对于目标电池的电压输出信号的损坏，进一步地提高了实用性和稳定性。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明所提供的一种基于充电机检测的电池健康状态诊断方法的工作流程图；
图2为本发明所提供的一种基于充电机检测的电池健康状态诊断方法的另一工作流程图；
图3为本发明所提供的一种基于充电机检测的电池健康状态诊断方法的又一工作流程图；
图4为本发明所提供的一种基于充电机检测的电池健康状态诊断系统的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
目前，能源短缺和环境危机的加剧，寻找替代化石燃料的可再生能源成为全世界关注的焦点，由于光伏、风能等可再生能源存在波动性和间歇性，为提升可再生能源利用效率，锂离子电池等用于储能的化学电池在消费电子、新能源汽车、大规模储能电站等领域获得了广泛的应用。锂离子电池等电化学电源，市面上大量的电池随着使用年限的增加，健康状态SOH开始恶化，导致无法继续充放电，表现为容量衰减、功率损失等，直至丧失电池出厂时所规定的功能要求。为了保证电池系统的稳定可靠运行，需要对电池的健康状态和衰减程度进行准确评估，其估计和判断结果直接关系到能量管理、循环寿命、运行成本和系统安全，现有的电池健康状态评估方法是通过检测电池的放电电压进而确定其电池内阻，通过电池内阻进行电池健康评估，其存在以下问题：由于电池内阻阻值是毫欧甚至微欧级，轻微的干扰会导致计算结果偏差较大，同时在电池放电过程中的电压信号中存在多种谐波干扰信号从而导致最终的电池健康状态评估结果与实际不符，降低了评估精度。为了解决上述问题，本实施例公开了一种基于充电机检测的电池健康状态诊断方法。
一种基于充电机检测的电池健康状态诊断方法，如图1所示，包括以下步骤：
步骤S101、通过充电机获取目标电池的输出特征电压信号并对其进行预处理，根据预处理结果获取含噪电压信号；
步骤S102、对含噪电压信号进行小波变换多尺度分解并对各尺度小波系数进行除噪，获取除噪后的小波系数；
步骤S103、对除噪后的小波系数进行逆变换处理以生成重构电压信号；
步骤S104、根据重构电压信号计算出目标电池的当前电池内阻，根据当前电池内阻对目标电池进行健康状态诊断。
在本实施例中，预处理包括：信号放大和信号滤波预处理；
在本实施例中，含噪电压信号表示为目标电池输出的包含噪声信号的放电电压信号；
在本实施例中，小波变换多尺度分解表示为对含噪电压信号进行多级尺度的小波变换；
在本实施例中，除噪后的小波系数表示为去除了噪声干扰信号后的电压信号对应的小波系数；
在本实施例中，重构电压信号表示为根据除噪后的小波系数重新构建的目标电池的无干扰的放电电压信号；
在本实施例中，健康状态诊断是对对目标电池的耐久度和剩余使用寿命进行诊断。
上述技术方案的工作原理为：通过充电机获取目标电池的输出特征电压信号并对其进行预处理，根据预处理结果获取含噪电压信号；对含噪电压信号进行小波变换多尺度分解并对各尺度小波系数进行除噪，获取除噪后的小波系数；对除噪后的小波系数进行逆变换处理以生成重构电压信号；根据重构电压信号计算出目标电池的当前电池内阻，根据当前电池内阻对目标电池进行健康状态诊断。
上述技术方案的有益效果为：通过对目标电池的含噪电压信号进行小波变换的内阻测量方式来去除掉电压信号中的谐波干扰信号可以保证电压信号样本的高精度性，为后续进行电池健康评估奠定了条件，同时保证了诊断结果的误差最小化，提高了评估精度，充分利用小波变换对于捕捉不平稳信号的突变特征的极大优势，能够轻松辨析出谐波干扰，并通过门限阈值法对小波系数进行处理，达到过滤干扰的有益效果，从而使得最终计算出来的电池内阻值不仅精度更高，而且更具有抗强干扰性，解决了现有技术中由于电池内阻阻值是毫欧甚至微欧级，轻微的干扰会导致计算结果偏差较大，同时在电池放电过程中的电压信号中存在多种谐波干扰信号从而导致最终的电池健康状态评估结果与实际不符，降低了评估精度的问题。
在一个实施例中，如图2所示，所述通过充电机获取目标电池的输出特征电压信号并对其进行预处理，根据预处理结果获取含噪电压信号，包括：
步骤S201、设置放电参数，根据放电参数控制目标电池向充电机负载进行放电，采集放电电流并生成正弦脉冲交流激励信号；
步骤S202、获取目标电池的电池阻抗，根据电池阻抗和正弦脉冲交流激励信号采集目标电池产生的特征电压信号；
步骤S203、对特征电压信号依次进行放大和滤波预处理，获取预处理结果；
步骤S204、根据预处理结果获取信号类型为模拟信号的含噪电压信号，将含噪电压信号进行模数转换以获取目标电池的数据电压值。
在本实施例中，放电参数表示为目标电池的放电条件参数，例如：环境温度、放电限值电流等；
在本实施例中，正弦脉冲交流激励信号表示为占空比可变的脉冲波形信号，其脉冲宽度按正弦规律变化，正弦特征表现为频率64Hz、峰值1A；
在本实施例中，数据电压值表示为目标电池输出的含噪电压信号对应的数字信号值。
上述技术方案的有益效果为：通过设置放电参数可以保证目标电池的放电稳定性，同时，通过生成正弦脉冲交流激励信号结合目标电池的电池阻抗来获取特征电压信号可以根据电池阻抗特性来精准地生成特征电压信号，进一步地，通过对电压信号进行放大和滤波预处理既可以保证对于信号的捕捉稳定性同时还可以初步地提出干扰信号，为后续进行去噪奠定了条件，进一步地提高了实用性。
在一个实施例中，如图3所示，所述对含噪电压信号进行小波变换多尺度分解并对各尺度小波系数进行除噪，获取除噪后的小波系数，包括：
步骤S301、利用高通滤波器和低通滤波器基于db4小波格式利用Mallat分解算法对含噪电压信号进行小波变换多尺度分解；
步骤S302、根据分解结果获取三级尺度的小波分解低频系数和小波分解高频系数；
步骤S303、根据对含噪电压信号的信号长度计算出每一级尺度的小波变换系数参考阈值；
步骤S304、根据每一级尺度的小波变换系数参考阈值对该级尺度的小波分解高频系数进行软阈值处理，获取处理结果，根据处理结果获取除噪后的小波系数。
在本实施例中，采用db4小波，这是折中计算量和滤波效果的选择结果。高频噪声一般包含在小波分解的第一至三层高频细节中，所以在消噪步骤中只需要分解三层即可。利用Mallat分解算法，对信号(即含有脉冲干扰的电压信号)进行小波分解。
Mallat塔式算法如下所示：
其中h0和h1分别表示低通和高通分解滤波器。由上述公式可以看出，Mallat算法不需要知道尺度函数和小波函数的具体结构，只由滤波器系数就可以实现信号的快速分解。设
c'j+1,k＝c'j+1(k)＝Σcj(m)h0(k-m)＝cj(k)*h0(k)
d'j+1,k＝d'j+1(k)＝Σcj(m)h1(k-m)＝cj(k)*h1(k)
则cj+1,k，dj+1,k可以看作分别对c'j+1,k，d'j+1,k进行二抽取而得到的，即
Cj+1,k＝C'j+1,2k
dj+1,k＝d'j+1,2k
K＝0,1,2,……,N-1(本发明中N取64)
上述技术方案的有益效果为：可以根据噪声的高频特性在小波系数中快速地查找出噪声信号小波系数进而根据阈值对其进行去噪处理，提高了去噪效率的同时也避免了对于目标电池的电压输出信号的损坏，进一步地提高了实用性和稳定性。
在一个实施例中，所述根据对含噪电压信号的信号长度计算出每一级尺度的小波变换系数参考阈值，包括：
通过如下公式计算出每一级尺度的小波变换系数参考阈值：
其中，λj表示为第j级尺度的小波变换系数参考阈值，Mj表示为第j级尺度的所有小波分解系数的绝对值的平均值，ln表示为自然对数，N表示为含噪电压信号的信号长度，j表示为第j级尺度；
所述根据每一级尺度的小波变换系数参考阈值对该级尺度的小波分解高频系数进行软阈值处理，获取处理结果，根据处理结果获取除噪后的小波系数，包括：
通过如下公式对每一级尺度的小波分解高频系数进行软阈值处理：
其中，表示为对第j级尺度的第k个小波分解高频系数的软阈值处理结果，Wj，k表示为第j级尺度的第k个小波分解高频系数。
上述技术方案的有益效果为：通过计算出每一级尺度的小波变换系数参考阈值可以根据实际小波系数分布情况来客观的计算出参考阈值从而快速地对噪声信号的小波系数进行自适应处理，提高了工作效率，进一步地，通过对每一级尺度选取一适当的阈值，把低于阈值的小波系数都设为零，高于阈值的小波系数保留起来，如此处理过后的小波系数基本上可以认为是不含噪声的，进一步地保证了去噪效率。
在一个实施例中，对除噪后的小波系数进行逆变换处理以生成重构电压信号，包括：
将每一级尺度的小波分解低频系数和除噪后的小波分解高频系数进行二插值处理，获取小波系数数据序列；
采用Mallat重构算法根据每一级尺度的小波系数数据序列进行小波重构逆变换处理，获取处理结果；
根据处理结果生成目标电池无干扰的重构电压信号。
在本实施例中，采用Mallat重构算法根据小波分解得到的第三层低频系数和经过量化处理后的第一层到第三层的高频系数即进行小波重构，恢复为无干扰的电压信号。
小波变换系数的重构公式为：
其中，h'0，h1'分别表示低通和高通重构滤波器，它们分别是h0和h1的对偶算子。而c'j,n和d'j,n分别为分解系数cj,k和dj,k二插值后得到的序列。
上述技术方案的有益效果为：通过采用Mallat重构算法进行信号重构既可以保证重构信号的稳定性和可靠性，同时还可以全面地对所有小波系数进行重构，避免遗漏，保证了重构后的电压信号的完整性和无误差性。
在一个实施例中，所述根据重构电压信号计算出目标电池的当前电池内阻，根据当前电池内阻对目标电池进行健康状态诊断，包括：
对重构电压信号进行模数转换获取目标放电电压值；
基于欧姆定律公式根据目标放电电压值计算出目标电池的当前电池内阻；
确定当前电池内阻在预设内阻值区间的区间位置，获取预设内阻值区间内每个阶段健康状态的警戒上限内阻阈值和警戒下限内阻阈值；
根据当前电池内阻在预设内阻值区间的区间位置和每个阶段健康状态的警戒上限内阻阈值和警戒下限内阻阈值诊断出目标电池的健康状态。
在本实施例中，目标放电电压值表示为目标电池在进行放电时的无噪声信号的电压值；
在本实施例中，区间位置表示为当前电池内阻在预设内阻值区间的所处位置，例如：上区间、中行区间、中区间、中下区间和下区间等；
在本实施例中，每个阶段健康状态的警戒上限内阻阈值表示为该阶段健康状态的判定内阻上限值，即超过上限值即为上一个阶段健康状态；
在本实施例中，每个阶段健康状态的警戒下限内阻阈值表示为该阶段健康状态的判定内阻下限值，即低于下限值即为下一个阶段健康状态；
上述技术方案的有益效果为：通过根据区间位置判断的方式可以快速直观地通过对比分析方式来确定目标电池的健康状态，提高了诊断效率和诊断结果可靠性，进一步地提高了实用性。
在一个实施例中，设置放电参数的步骤包括：
获取目标电池的出厂电池容量和历史放电数据，根据历史放电数据确定目标电池的使用强度，同时，绘制每次历史放电时的放电曲线；
获取每次历史放电时的放电曲线中的峰值点分布和谷值点分布，根据峰值点分布和谷值点分布利用预设曲线数值模型确定目标电池在每次历史放电时的时间常数；
根据目标电池在每次历史放电时的时间常数和目标电池的使用强度确定目标电池的电池衰减特性；
基于目标电池的电池衰减特性和目标电池的出厂电池容量预测出目标电池的当前电池容量；
根据当前电池容量和出厂电池容量的比值确定目标电池的老化状态，根据老化状态设置目标电池的放电参数。
在本实施例中，出厂电池容量表示为目标电池在出厂时的设置电池容量；
在本实施例中，历史放电数据表示为目标电池的历史放电次数以及每次放电时的时长参数等；
在本实施例中，目标电池的使用强度通过目标电池的使用频率和充放电次数来评估；
在本实施例中，预设曲线数值模型用于对相似曲线数值进行相关性评估的模型；
在本实施例中，目标电池的电池衰减特性表示为目标电池在使用过程中根据使用数据的不同而呈现出不同的衰减特性；
在本实施例中，根据老化状态设置目标电池的放电参数具体为：若老化状态为轻微，则可对目标电池设置高强度的放电参数，例如高环境温度和高放电电流等。若老化状态为中等或严重，则可对目标电池设置低强度的放电参数，例如低环境温度和低放电电流等。
上述技术方案的有益效果为：通过确定目标电池的电池衰减特性进而来设置放电参数可以结合目标电池的实际使用情况来精准地设置最佳的放电参数以保证对于目标电池输出的电压信号的采集客观性，进一步地为后续进行电池健康状态评估奠定了条件。
在一个实施例中，所述根据目标电池在每次历史放电时的时间常数和目标电池的使用强度确定目标电池的电池衰减特性，包括：
根据目标电池在每次历史放电时的时间常数和放电曲线中的峰值点分布和谷值点分布确定目标电池的周期放电的信号相位分布；
根据目标电池的周期放电的信号相位分布确定周期放电特征量分布；
基于周期放电特征量分布和目标电池的使用强度确定目标电池的周期衰减系数；
根据周期衰减系数确定目标电池的衰减指标项，基于衰减指标项的衰减描述参数确定目标电池的静载衰减特性因子和动载衰减特性因子；
基于静载衰减特性因子和动载衰减特性因子各自的变化特性确定目标电池的电池衰减特性。
在本实施例中，目标电池的周期放电的信号相位分布表示为目标电池在一个预设周期内的放电信号的时间-相位分布；
在本实施例中，周期放电特征量分布表示为目标电池在一个预设周期内的放电信号的不同时间点的放电特征量分布；
在本实施例中，周期衰减系数表示为目标电池在一个预设周期内的电池衰减系数；
在本实施例中，衰减指标项表示为目标电池随着电池衰减的自身指标变化项；
在本实施例中，衰减描述参数表示为目标电池在不同衰减情况下每个衰减指标项的指标值衰减描述情况；
在本实施例中，静载衰减特性因子表示为目标电池在处于不工作状态下的自然衰减特性因子；
在本实施例中，动载衰减特性因子表示为目标电池在处于工作状态下的动态衰减特性因子；
在本实施例中，变化特性表示为静载衰减特性因子在目标电池在处于不工作状态下的衰减规律特性、动载衰减特性因子在目标电池在处于不同功率工作状态下的衰减规律特性。
上述技术方案的有益效果为：通过确定目标电池的静载衰减特性因子和动载衰减特性因子可以精准地确定目标电池分别在不工作时和工作时各自的指标衰减规律进而确定其衰减特性，提高了客观性。
在一个实施例中，目标电池的健康状态还可通过目标电池的当前电池内阻和预设标准电池内阻的比值确定，具体为：
确定目标电池的历史使用时长，将历史使用时长代入到预设老化函数中计算出目标电池的当前老化系数和使用强度系数；
根据目标电池的当前老化系数和使用强度系数以及当前服务率计算出目标电池的健康状态指数：
其中，Q表示为目标电池的健康状态指数，Z1表示为目标电池的当前电池内阻，Z2表示为预设标准电池内阻，A表示为目标电池的老化系数，D表示为目标电池的使用强度系数，θ1表示为目标电池的期望服务率，θ2表示为目标电池的当前服务率，B表示为目标电池的放电性能退化因子，取值为0.2,s表示为超参数，取值为0.8，ln表示为自然对数，α表示为目标电池的充电时的环境温度影响因子；
若健康状态指数大于等于第一预设阈值，确定目标电池为健康状态，若健康状态指数小于第一预设阈值同时大于等于第二预设阈值，确定目标电池为亚健康状态，若健康状态指数小于第二预设阈值，确定目标电池为非健康状态。
在本实施例中，当前服务率表示为目标电池的当前放电服务率，可以根据放电频率确定；
在本实施例中，放电性能退化因子表示为目标电池的随着使用时长的放电性能退化因子，可以根据目标电池的电极材料确定；
在本实施例中，目标电池的充电时的环境温度影响因子在温度高时的取值范围为[0.2,0.4]，环境温度越高，影响因子越大，在温度低时的取值范围为[0.1,0.3]，环境温度越低，影响因子越大。
上述技术方案的有益效果为：通过根据目标电池的当前电池内阻和其在使用过程中的各项参数来综合地计算出健康状态可以全面地进行状态评估，使得评估结果更加客观和符合实际情况，提高了数据精度。
本实施例还公开了一种基于充电机检测的电池健康状态诊断系统，如图4所示，该系统包括：
获取模块401，用于通过充电机获取目标电池的输出特征电压信号并对其进行预处理，根据预处理结果获取含噪电压信号；
除噪模块402，用于对含噪电压信号进行小波变换多尺度分解并对各尺度小波系数进行除噪，获取除噪后的小波系数；
生成模块403，用于对除噪后的小波系数进行逆变换处理以生成重构电压信号；
诊断模块404，用于根据重构电压信号计算出目标电池的当前电池内阻，根据当前电池内阻对目标电池进行健康状态诊断。
上述技术方案的工作原理及有益效果在方法权利要求中已经说明，此处不再赘述。
本领域技术用户员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (9)
1.一种基于充电机检测的电池健康状态诊断方法，其特征在于，包括以下步骤：
通过充电机获取目标电池的输出特征电压信号并对其进行预处理，根据预处理结果获取含噪电压信号；
对含噪电压信号进行小波变换多尺度分解并对各尺度小波系数进行除噪，获取除噪后的小波系数；
对除噪后的小波系数进行逆变换处理以生成重构电压信号；
根据重构电压信号计算出目标电池的当前电池内阻，根据当前电池内阻对目标电池进行健康状态诊断；其中，确定目标电池的历史使用时长，将历史使用时长代入到预设老化函数中计算出目标电池的当前老化系数和使用强度系数；
根据目标电池的当前老化系数和使用强度系数以及当前服务率计算出目标电池的健康状态指数：
其中，Q表示为目标电池的健康状态指数，Z1表示为目标电池的当前电池内阻，Z2表示为预设标准电池内阻，A表示为目标电池的老化系数，D表示为目标电池的使用强度系数，θ1表示为目标电池的期望服务率，θ2表示为目标电池的当前服务率，B表示为目标电池的放电性能退化因子，取值为0.2,s表示为超参数，取值为0.8，ln表示为自然对数，α表示为目标电池的充电时的环境温度影响因子；
若健康状态指数大于等于第一预设阈值，确定目标电池为健康状态，若健康状态指数小于第一预设阈值同时大于等于第二预设阈值，确定目标电池为亚健康状态，若健康状态指数小于第二预设阈值，确定目标电池为非健康状态。
2.根据权利要求1所述基于充电机检测的电池健康状态诊断方法，其特征在于，所述通过充电机获取目标电池的输出特征电压信号并对其进行预处理，根据预处理结果获取含噪电压信号，包括：
设置放电参数，根据放电参数控制目标电池向充电机负载进行放电，采集放电电流并生成正弦脉冲交流激励信号；
获取目标电池的电池阻抗，根据电池阻抗和正弦脉冲交流激励信号采集目标电池产生的特征电压信号；
对特征电压信号依次进行放大和滤波预处理，获取预处理结果；
根据预处理结果获取信号类型为模拟信号的含噪电压信号，将含噪电压信号进行模数转换以获取目标电池的数据电压值。
3.根据权利要求1所述基于充电机检测的电池健康状态诊断方法，其特征在于，所述对含噪电压信号进行小波变换多尺度分解并对各尺度小波系数进行除噪，获取除噪后的小波系数，包括：
利用高通滤波器和低通滤波器基于db4小波格式利用Mallat分解算法对含噪电压信号进行小波变换多尺度分解；
根据分解结果获取三级尺度的小波分解低频系数和小波分解高频系数；
根据对含噪电压信号的信号长度计算出每一级尺度的小波变换系数参考阈值；
根据每一级尺度的小波变换系数参考阈值对该级尺度的小波分解高频系数进行软阈值处理，获取处理结果，根据处理结果获取除噪后的小波系数。
4.根据权利要求3所述基于充电机检测的电池健康状态诊断方法，其特征在于，所述根据对含噪电压信号的信号长度计算出每一级尺度的小波变换系数参考阈值，包括：
通过如下公式计算出每一级尺度的小波变换系数参考阈值：
其中，λj表示为第j级尺度的小波变换系数参考阈值，Mj表示为第j级尺度的所有小波分解系数的绝对值的平均值，ln表示为自然对数，N表示为含噪电压信号的信号长度，j表示为第j级尺度；
所述根据每一级尺度的小波变换系数参考阈值对该级尺度的小波分解高频系数进行软阈值处理，获取处理结果，根据处理结果获取除噪后的小波系数，包括：
通过如下公式对每一级尺度的小波分解高频系数进行软阈值处理：
其中，表示为对第j级尺度的第k个小波分解高频系数的软阈值处理结果，Wj，k表示为第j级尺度的第k个小波分解高频系数。
5.根据权利要求3所述基于充电机检测的电池健康状态诊断方法，其特征在于，对除噪后的小波系数进行逆变换处理以生成重构电压信号，包括：
将每一级尺度的小波分解低频系数和除噪后的小波分解高频系数进行二插值处理，获取小波系数数据序列；
采用Mallat重构算法根据每一级尺度的小波系数数据序列进行小波重构逆变换处理，获取处理结果；
根据处理结果生成目标电池无干扰的重构电压信号。
6.根据权利要求1所述基于充电机检测的电池健康状态诊断方法，其特征在于，所述根据重构电压信号计算出目标电池的当前电池内阻，根据当前电池内阻对目标电池进行健康状态诊断，包括：
对重构电压信号进行模数转换获取目标放电电压值；
基于欧姆定律公式根据目标放电电压值计算出目标电池的当前电池内阻；
确定当前电池内阻在预设内阻值区间的区间位置，获取预设内阻值区间内每个阶段健康状态的警戒上限内阻阈值和警戒下限内阻阈值；
根据当前电池内阻在预设内阻值区间的区间位置和每个阶段健康状态的警戒上限内阻阈值和警戒下限内阻阈值诊断出目标电池的健康状态。
7.根据权利要求2所述基于充电机检测的电池健康状态诊断方法，其特征在于，设置放电参数的步骤包括：
获取目标电池的出厂电池容量和历史放电数据，根据历史放电数据确定目标电池的使用强度，同时，绘制每次历史放电时的放电曲线；
获取每次历史放电时的放电曲线中的峰值点分布和谷值点分布，根据峰值点分布和谷值点分布利用预设曲线数值模型确定目标电池在每次历史放电时的时间常数；
根据目标电池在每次历史放电时的时间常数和目标电池的使用强度确定目标电池的电池衰减特性；
基于目标电池的电池衰减特性和目标电池的出厂电池容量预测出目标电池的当前电池容量；
根据当前电池容量和出厂电池容量的比值确定目标电池的老化状态，根据老化状态设置目标电池的放电参数。
8.根据权利要求7所述基于充电机检测的电池健康状态诊断方法，其特征在于，所述根据目标电池在每次历史放电时的时间常数和目标电池的使用强度确定目标电池的电池衰减特性，包括：
根据目标电池在每次历史放电时的时间常数和放电曲线中的峰值点分布和谷值点分布确定目标电池的周期放电的信号相位分布；
根据目标电池的周期放电的信号相位分布确定周期放电特征量分布；
基于周期放电特征量分布和目标电池的使用强度确定目标电池的周期衰减系数；
根据周期衰减系数确定目标电池的衰减指标项，基于衰减指标项的衰减描述参数确定目标电池的静载衰减特性因子和动载衰减特性因子；
基于静载衰减特性因子和动载衰减特性因子各自的变化特性确定目标电池的电池衰减特性。
9.一种基于充电机检测的电池健康状态诊断系统，其特征在于，该系统包括：
获取模块，用于通过充电机获取目标电池的输出特征电压信号并对其进行预处理，根据预处理结果获取含噪电压信号；
除噪模块，用于对含噪电压信号进行小波变换多尺度分解并对各尺度小波系数进行除噪，获取除噪后的小波系数；
生成模块，用于对除噪后的小波系数进行逆变换处理以生成重构电压信号；
诊断模块，用于根据重构电压信号计算出目标电池的当前电池内阻，根据当前电池内阻对目标电池进行健康状态诊断；其中，确定目标电池的历史使用时长，将历史使用时长代入到预设老化函数中计算出目标电池的当前老化系数和使用强度系数；
根据目标电池的当前老化系数和使用强度系数以及当前服务率计算出目标电池的健康状态指数：
其中，Q表示为目标电池的健康状态指数，Z1表示为目标电池的当前电池内阻，Z2表示为预设标准电池内阻，A表示为目标电池的老化系数，D表示为目标电池的使用强度系数，θ1表示为目标电池的期望服务率，θ2表示为目标电池的当前服务率，B表示为目标电池的放电性能退化因子，取值为0.2,s表示为超参数，取值为0.8，ln表示为自然对数，α表示为目标电池的充电时的环境温度影响因子；
若健康状态指数大于等于第一预设阈值，确定目标电池为健康状态，若健康状态指数小于第一预设阈值同时大于等于第二预设阈值，确定目标电池为亚健康状态，若健康状态指数小于第二预设阈值，确定目标电池为非健康状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310498190.3A CN116609692B (zh) | 2023-05-05 | 2023-05-05 | 一种基于充电机检测的电池健康状态诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310498190.3A CN116609692B (zh) | 2023-05-05 | 2023-05-05 | 一种基于充电机检测的电池健康状态诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116609692A CN116609692A (zh) | 2023-08-18 |
| CN116609692B true CN116609692B (zh) | 2024-02-13 |
Family
ID=87677332
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310498190.3A Active CN116609692B (zh) | 2023-05-05 | 2023-05-05 | 一种基于充电机检测的电池健康状态诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116609692B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117388741A (zh) * | 2023-10-13 | 2024-01-12 | 广东云下汇金科技有限公司 | 一种智算中心备用发电机组监测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106291369A (zh) * | 2016-07-15 | 2017-01-04 | 珠海横琴派诺技术有限公司 | 基于小波变换的蓄电池内阻测量方法、装置及系统 |
| CN110850322A (zh) * | 2019-11-26 | 2020-02-28 | 西安交通大学 | 一种基于小波信号分解的电池相对健康状态估计方法 |
| CN113391229A (zh) * | 2021-05-14 | 2021-09-14 | 国网河北省电力有限公司经济技术研究院 | 退役动力电池的性能评价方法、设备及系统 |
| CN113743008A (zh) * | 2021-08-31 | 2021-12-03 | 安徽理安极科技有限公司 | 一种燃料电池健康预测方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104459560B (zh) * | 2014-12-29 | 2017-04-05 | 合肥工业大学 | 基于小波降噪和相关向量机的锂电池剩余寿命预测方法 |
-
2023
- 2023-05-05 CN CN202310498190.3A patent/CN116609692B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106291369A (zh) * | 2016-07-15 | 2017-01-04 | 珠海横琴派诺技术有限公司 | 基于小波变换的蓄电池内阻测量方法、装置及系统 |
| CN110850322A (zh) * | 2019-11-26 | 2020-02-28 | 西安交通大学 | 一种基于小波信号分解的电池相对健康状态估计方法 |
| CN113391229A (zh) * | 2021-05-14 | 2021-09-14 | 国网河北省电力有限公司经济技术研究院 | 退役动力电池的性能评价方法、设备及系统 |
| CN113743008A (zh) * | 2021-08-31 | 2021-12-03 | 安徽理安极科技有限公司 | 一种燃料电池健康预测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| Design of High-Power Traction Battery Formation Testing System for Electric Vehicles;Li Zhengguo et al.;Journal of Shenzhen Polytechnic;第第10卷卷(第第5期期);8-12 * |
| 锂电池状态监控与报警系统设计;张凯 等;实验技术与管理;第第35卷卷(第第3期期);91-94 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116609692A (zh) | 2023-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Estimation of state of health of lithium-ion batteries based on charge transfer resistance considering different temperature and state of charge | |
| CN111398833B (zh) | 一种电池健康状态评估方法 | |
| Guo et al. | A state-of-health estimation method of lithium-ion batteries based on multi-feature extracted from constant current charging curve | |
| CN109061514B (zh) | 一种基于大数据的动力电池衰退情况分析方法及系统 | |
| JP5944291B2 (ja) | バッテリのパラメータ等推定装置およびその推定方法 | |
| WO2020090143A1 (ja) | 電流パルス法による電池診断装置及び電池診断方法 | |
| CN110488204B (zh) | 一种储能元件soh-soc联合在线估计方法 | |
| Wang et al. | Remaining useful life prediction of lithium-ion battery based on discrete wavelet transform | |
| CN116609692B (zh) | 一种基于充电机检测的电池健康状态诊断方法及系统 | |
| CN111679199B (zh) | 一种锂离子电池soc估计方法及装置 | |
| CN112327188A (zh) | 一种模型-数据混合驱动的锂离子电池剩余寿命预测方法 | |
| CN112540317A (zh) | 基于实车数据的电池健康状态估计与剩余寿命预测方法 | |
| Lyu et al. | SOH estimation of lithium-ion batteries based on fast time domain impedance spectroscopy | |
| CN106291369A (zh) | 基于小波变换的蓄电池内阻测量方法、装置及系统 | |
| CN114818831B (zh) | 基于多源感知的双向锂离子电池故障检测方法及系统 | |
| CN105223512A (zh) | 基于电池特性的动态矫正剩余电量的方法 | |
| CN110275114A (zh) | 基于组合滤波算法的蓄电池内阻在线监测方法 | |
| CN110850322B (zh) | 一种基于小波信号分解的电池相对健康状态估计方法 | |
| Bohlen | Impedance-based battery monitoring | |
| CN115015789A (zh) | 基于增量电容曲线的锂离子电池健康状态估计方法及装置 | |
| Tran et al. | Realtime internal-impedance measurement of lithium-ion battery using discrete-interval-binary-sequence injection | |
| Duong et al. | Novel estimation technique for the state-of-charge of the lead-acid battery by using EKF considering diffusion and hysteresis phenomenon | |
| CN116754960A (zh) | 钠离子电池云端soh估计和剩余寿命预测方法、装置及程序 | |
| CN116243176A (zh) | 一种基于电化学阻抗谱的锂电池建模与参数辨识方法 | |
| CN103235266A (zh) | 动力电池的荷电状态估算方法及装置 |
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 |