CN116774075A - 一种锂离子电池健康状态评估方法及系统 - Google Patents
一种锂离子电池健康状态评估方法及系统 Download PDFInfo
- Publication number
- CN116774075A CN116774075A CN202311085903.XA CN202311085903A CN116774075A CN 116774075 A CN116774075 A CN 116774075A CN 202311085903 A CN202311085903 A CN 202311085903A CN 116774075 A CN116774075 A CN 116774075A
- Authority
- CN
- China
- Prior art keywords
- lithium ion
- ion battery
- data
- characteristic
- voltage 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
Links
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 65
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 65
- 230000036541 health Effects 0.000 title claims abstract description 53
- 238000011156 evaluation Methods 0.000 title claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 82
- 230000008569 process Effects 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 230000008859 change Effects 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 7
- 230000006698 induction Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 238000004422 calculation algorithm Methods 0.000 abstract description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 4
- 229910052744 lithium Inorganic materials 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000007246 mechanism Effects 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
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 239000005486 organic electrolyte Substances 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000007086 side reaction 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明提供了一种锂离子电池健康状态评估方法及系统，其方法包括以下步骤：采集待测锂离子电池的温度数据和电压数据，提取电量变化量方差特征；提取不一致性特征；对电量变化量方差特征和不一致性特征进行特征预处理；构建并训练高斯过程回归模型，将预处理后的电量变化量方差特征和不一致性特征输入至训练后的高斯过程回归模型，进行锂离子电池健康状态评估。该锂离子电池健康状态评估方法通过提取适用于工程数据的表征电池健康状态的多维特征并将其进行预处理，再基于变分推理的序列化高斯过程回归算法，实现电池健康状态的在线更新。本发明针对非恒流的不稳定工况也可完成电池的健康状态评估，适用范围广泛。
Description
技术领域
本发明涉及电池评估技术领域，具体而言，涉及一种锂离子电池健康状态评估方法及系统。
背景技术
近年来，随着我国提出“碳达峰、碳中和”的双碳目标，不同类型不同规模的储能得到了快速发展。锂电池由于其无污染、自放电小及能量密度高等优异性能，成为了储能最主要技术选择。然而，锂电池本身存在不可忽视的安全问题：锂电池采用的是低沸点、易燃且材料热值高的有机电解液，若电池本体或电气设备等突发故障，材料极易发生副反应而放出大量的热，从而导致电池热失控，进而引发储能系统燃烧爆炸等严重安全事故。因此电池的故障预测和健康管理对电池系统的运行维护至关重要。而通过实现对电池健康状态SOH的评估，能够反映出电池的性能退化程度，以便于开展电池异常衰竭识别的研究。因此，电池SOH的准确评估对保障锂电池的安全和稳定运行具有重要实际意义。
电池SOH是反应电池健康状态的数据，主要包括容量、内阻、功率和自放电等，通过计算当前状态与初始状态的比值，得到对应的电池SOH。目前主要的SOH评估方式是基于等效电路模型或电化学机理模型的参数辨识，或根据测量值和模型估计值的差异进行故障辨识；另一种方法是基于数据驱动的SOH评估模型，通过对运行数据进行各类特征提取，进一步分析特征量的关联和变化来实现SOH评估。
在以往评估断齿SOH的方法中，存在以下几个问题：（1）采用基于等效电路模型或电化学机理模型的方法通常需要较为稳定的工况，对数据的采集精度要求较高，并且模型的建立与计算难度较大，难以工程应用。（2）基于数据驱动的SOH评估方法难以获得训练模型所需的大量实际工程中的运行数据，即使获得也与实验室数据域不同，难以提取模型所需特征。因此此类方法对电池SOH评估精度不高。
发明内容
本发明的目的在于提供一种锂离子电池健康状态评估方法及系统，其适用于实际工程下的电池健康状态评估。
本发明的实施例通过以下技术方案实现：
一种锂离子电池健康状态评估方法包括以下步骤：
采集待测锂离子电池的温度数据和电压数据，并根据电压数据提取电量变化量方差特征；
根据待测锂离子电池的温度数据和电压数据，提取不一致性特征；
对电量变化量方差特征和不一致性特征进行特征预处理；
构建并训练高斯过程回归模型，将预处理后的电量变化量方差特征和不一致性特征输入至训练后的高斯过程回归模型，进行锂离子电池健康状态评估。
本发明实施例的技术方案至少具有如下优点和有益效果：
（1）该锂离子电池健康状态评估方法通过提取适用于工程数据的表征电池健康状态的多维特征并将其进行预处理，再基于变分推理的序列化高斯过程回归算法，实现电池健康状态的在线更新。本发明针对非恒流的不稳定工况也可完成电池的健康状态评估，适用范围广泛；
（2）该锂离子电池健康状态评估方法另外特别适用于实际工程中数据收集较困难和数据质量较低的情况，从而提高工程中电池健康状态评估的准确性。通过本发明的研究成果，可以结合电池的实际运行工况准确估计电池健康状态，为更好地评估电池老化情况提供重要的参考价值，更大程度上保障电池安全和稳定运行，为电池行业持续快速发展起积极推动作用。
进一步地，采集待测锂离子电池的温度数据和电压数据，并根据电压数据提取电量变化量方差特征，包括以下步骤：
采集待测锂离子电池的温度数据和电压数据，并根据电压数据计算间隔起止点序列；
根据电压数据的间隔起止点序列，确定若干个电压间隔；
获取待测锂离子电池在任意两次电池循环后各电压间隔对应的片段电压数据；
对各个片段电压数据进行安时积分，得到两次电池循环分别对应的电量变化序列；
计算两次电池循环对应的电量变化序列之间的差值，得到差值序列；
计算差值序列的方差，作为电量变化量方差特征。
进一步地，根据待测锂离子电池的温度数据和电压数据，提取不一致性特征，包括以下步骤：
获取待测锂离子电池在第一次电池循环后的温差序列和压差序列；
计算温度序列对应的温度熵序列和压差序列对应的电压熵序列；
计算温差序列、压差序列、温度熵序列和电压熵序列各自对应的极值、极差和方差，作为不一致性特征。
进一步地，对电量变化量方差特征和不一致性特征进行特征预处理的具体方法为：对电量变化量方差特征和不一致性特征依次进行对数处理、归一化处理和降维处理。
进一步地，构建并训练高斯过程回归模型，将预处理后的电量变化量方差特征和不一致性特征输入至训练后的高斯过程回归模型，进行锂离子电池健康状态评估，包括以下步骤：
构建高斯过程回归模型；
利用温度数据和电压数据训练高斯过程回归模型；
将预处理后的电量变化量方差特征和不一致性特征输入至训练后的高斯过程回归模型，进行锂离子电池健康状态评估。
进一步地，高斯过程回归模型的协方差函数k SE-ARD(x,x')的表达式为：
式中，x表示实际值，x'表示预测值，σ f表示用于控制所有协方差幅度的超参数，exp(·)表示指数函数，d表示输入特征数量，x i表示目标观测值，表示预测输出值，l i表示第i个输入特征的超参数。
进一步地，利用温度数据和电压数据训练高斯过程回归模型的具体方法为：在温度数据和电压数据中引入若干个诱导点，利用温度数据和电压数据对高斯过程回归模型进行训练。
本发明还提供了一种锂离子电池健康状态评估系统，包括数据采集单元、特征提取单元、特征处理单元和状态评估单元；
数据采集单元用于采集待测锂离子电池的温度数据和电压数据；
特征提取单元用于根据电压数据提取电量变化量方差特征，并根据温度数据和电压数据，提取不一致性特征；
特征处理单元用于对电量变化量方差特征和不一致性特征进行特征预处理；
状态评估单元用于构建并训练高斯过程回归模型，将预处理后的电量变化量方差特征和不一致性特征输入至训练后的高斯过程回归模型，进行锂离子电池健康状态评估。
本发明实施例的技术方案至少具有如下优点和有益效果：该锂离子电池健康状态评估系统通过从收集的数据中提取信息，进行模型参数的在线更新，可得到较为准确的电池健康状态，引入高斯过程回归模型，降低了模型计算的复杂度，适用于实际工程中非恒流的不稳定工况，在锂电池的实际工程应用中具有很强的推广性。
附图说明
图1为本发明实施例提供的锂离子电池健康状态评估方法的流程图；
图2为本发明实施例提供的锂离子电池健康状态评估系统的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
一种锂离子电池健康状态评估方法，如图1所示，包括以下步骤：
采集待测锂离子电池的温度数据和电压数据，并根据电压数据提取电量变化量方差特征；
根据待测锂离子电池的温度数据和电压数据，提取不一致性特征；
对电量变化量方差特征和不一致性特征进行特征预处理；
构建并训练高斯过程回归模型，将预处理后的电量变化量方差特征和不一致性特征输入至训练后的高斯过程回归模型，进行锂离子电池健康状态评估。
在本发明实施例中，采集待测锂离子电池的温度数据和电压数据，并根据电压数据提取电量变化量方差特征，包括以下步骤：
采集待测锂离子电池的温度数据和电压数据，并根据电压数据计算间隔起止点序列；
根据电压数据的间隔起止点序列，确定若干个电压间隔；
获取待测锂离子电池在任意两次电池循环后各电压间隔对应的片段电压数据；
对各个片段电压数据进行安时积分，得到两次电池循环分别对应的电量变化序列；
计算两次电池循环对应的电量变化序列之间的差值，得到差值序列；
计算差值序列的方差，作为电量变化量方差特征。
提取循环数c 1和c 2, 计算间隔起止点序列：[V max,V max-V interval,V max-2V interval,...,V max－(k－1)V interval]，其中，k=(V max－V min)/V interval，根据该序列可获得k-1个电压间隔，一次循环相当于一次电池充放电。
在本发明实施例中，根据待测锂离子电池的温度数据和电压数据，提取不一致性特征，包括以下步骤：
获取待测锂离子电池在第一次电池循环后的温差序列和压差序列；
计算温度序列对应的温度熵序列和压差序列对应的电压熵序列；
计算温差序列、压差序列、温度熵序列和电压熵序列各自对应的极值、极差和方差，作为不一致性特征。
假设循环c 1共得到p个运行数据点，温差和压差序列为，/>，式中，为第p个数据点的最高温度和最低温度之差，/>为该点最高电压和最低电压之差；对各个时间点所有温度或单体电压数据求取样本熵，可描述其不一致性特征，温度熵和电压熵序列为/>，/>，为第p个数据点的所有温度数据的样本熵，/>为该点所有电压数据的样本熵。
在本发明实施例中，对电量变化量方差特征和不一致性特征进行特征预处理的具体方法为：对电量变化量方差特征和不一致性特征依次进行对数处理、归一化处理和降维处理。
对于数量级极小的特征量和数量级极大的特征量进行数量级近似化，以保留有效数据位，减少计算误差，可参照10-3以下为极小值，103以上为极大值。对数处理的计算公式为式中，/>表示某个特征，/>表示经过对数操作后的特征。对特征值与电池健康状态成正比的特征进行求倒操作，使得所有的特征均与电池健康状态成反比。将各特征进行[0,1]归一化；采用主成分分析法进行降维，选取信息度贡献最大的前几个特征，获得到新的特征矩阵。
在本发明实施例中，构建并训练高斯过程回归模型，将预处理后的电量变化量方差特征和不一致性特征输入至训练后的高斯过程回归模型，进行锂离子电池健康状态评估，包括以下步骤：
构建高斯过程回归模型；
利用温度数据和电压数据训练高斯过程回归模型；
将预处理后的电量变化量方差特征和不一致性特征输入至训练后的高斯过程回归模型，进行锂离子电池健康状态评估。
在本发明实施例中，训练模型之前使用各向异性(ARD)结构修改基本的各向同性SE内核作为高斯过程回归模型的协方差函数，并初始化超参数。高斯过程回归模型的协方差函数k SE-ARD(x,x')的表达式为：
式中，x表示实际值，x'表示预测值，σ f表示用于控制所有协方差幅度的超参数，exp(·)表示指数函数，d表示输入特征数量，x i表示目标观测值，表示预测输出值，l i表示第i个输入特征的超参数。
在本发明实施例中，利用温度数据和电压数据训练高斯过程回归模型的具体方法为：在温度数据和电压数据中引入若干个诱导点，利用温度数据和电压数据对高斯过程回归模型进行训练。从初始训练数据中引入若干诱导点，即D U={X U,f U}，其中X U=[x U,1,..., x U,n]T ， f U= f(X U)，采用变分稀疏近似方法，即引入一个变分概率密度来逼近真实的后验概率密度。
基于以上方法，本发明还提供了一种锂离子电池健康状态评估系统，如图2所示，包括数据采集单元、特征提取单元、特征处理单元和状态评估单元；
数据采集单元用于采集待测锂离子电池的温度数据和电压数据；
特征提取单元用于根据电压数据提取电量变化量方差特征，并根据温度数据和电压数据，提取不一致性特征；
特征处理单元用于对电量变化量方差特征和不一致性特征进行特征预处理；
状态评估单元用于构建并训练高斯过程回归模型，将预处理后的电量变化量方差特征和不一致性特征输入至训练后的高斯过程回归模型，进行锂离子电池健康状态评估。
以上仅为本发明的优选实施例而已，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 (8)
1.一种锂离子电池健康状态评估方法，其特征在于，包括以下步骤：
采集待测锂离子电池的温度数据和电压数据，并根据电压数据提取电量变化量方差特征；
根据待测锂离子电池的温度数据和电压数据，提取不一致性特征；
对电量变化量方差特征和不一致性特征进行特征预处理；
构建并训练高斯过程回归模型，将预处理后的电量变化量方差特征和不一致性特征输入至训练后的高斯过程回归模型，进行锂离子电池健康状态评估。
2.根据权利要求1所述的锂离子电池健康状态评估方法，其特征在于：所述采集待测锂离子电池的温度数据和电压数据，并根据电压数据提取电量变化量方差特征，包括以下步骤：
采集待测锂离子电池的温度数据和电压数据，并根据电压数据计算间隔起止点序列；
根据电压数据的间隔起止点序列，确定若干个电压间隔；
获取待测锂离子电池在任意两次电池循环后各电压间隔对应的片段电压数据；
对各个片段电压数据进行安时积分，得到两次电池循环分别对应的电量变化序列；
计算两次电池循环对应的电量变化序列之间的差值，得到差值序列；
计算差值序列的方差，作为电量变化量方差特征。
3.根据权利要求1所述的锂离子电池健康状态评估方法，其特征在于：所述根据待测锂离子电池的温度数据和电压数据，提取不一致性特征，包括以下步骤：
获取待测锂离子电池在第一次电池循环后的温差序列和压差序列；
计算温度序列对应的温度熵序列和压差序列对应的电压熵序列；
计算温差序列、压差序列、温度熵序列和电压熵序列各自对应的极值、极差和方差，作为不一致性特征。
4.根据权利要求1所述的锂离子电池健康状态评估方法，其特征在于：所述对电量变化量方差特征和不一致性特征进行特征预处理的具体方法为：对电量变化量方差特征和不一致性特征依次进行对数处理、归一化处理和降维处理。
5.根据权利要求1所述的锂离子电池健康状态评估方法，其特征在于：所述构建并训练高斯过程回归模型，将预处理后的电量变化量方差特征和不一致性特征输入至训练后的高斯过程回归模型，进行锂离子电池健康状态评估，包括以下步骤：
构建高斯过程回归模型；
利用温度数据和电压数据训练高斯过程回归模型；
将预处理后的电量变化量方差特征和不一致性特征输入至训练后的高斯过程回归模型，进行锂离子电池健康状态评估。
6.根据权利要求5所述的锂离子电池健康状态评估方法，其特征在于：所述高斯过程回归模型的协方差函数k SE-ARD(x,x')的表达式为：
式中，x表示实际值，x'表示预测值，σ f表示用于控制所有协方差幅度的超参数，exp(·)表示指数函数，d表示输入特征数量，x i表示目标观测值，表示预测输出值，l i表示第i个输入特征的超参数。
7.根据权利要求5所述的锂离子电池健康状态评估方法，其特征在于：所述利用温度数据和电压数据训练高斯过程回归模型的具体方法为：在温度数据和电压数据中引入若干个诱导点，利用温度数据和电压数据对高斯过程回归模型进行训练。
8.一种锂离子电池健康状态评估系统，其特征在于，包括数据采集单元、特征提取单元、特征处理单元和状态评估单元；
所述数据采集单元用于采集待测锂离子电池的温度数据和电压数据；
所述特征提取单元用于根据电压数据提取电量变化量方差特征，并根据温度数据和电压数据，提取不一致性特征；
所述特征处理单元用于对电量变化量方差特征和不一致性特征进行特征预处理；
所述状态评估单元用于构建并训练高斯过程回归模型，将预处理后的电量变化量方差特征和不一致性特征输入至训练后的高斯过程回归模型，进行锂离子电池健康状态评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311085903.XA CN116774075A (zh) | 2023-08-28 | 2023-08-28 | 一种锂离子电池健康状态评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311085903.XA CN116774075A (zh) | 2023-08-28 | 2023-08-28 | 一种锂离子电池健康状态评估方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116774075A true CN116774075A (zh) | 2023-09-19 |
Family
ID=88013833
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311085903.XA Pending CN116774075A (zh) | 2023-08-28 | 2023-08-28 | 一种锂离子电池健康状态评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116774075A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116977339A (zh) * | 2023-09-25 | 2023-10-31 | 济宁市无界科技有限公司 | 一种锂电池健康状态预测评估方法 |
| CN118244127A (zh) * | 2024-05-28 | 2024-06-25 | 河南科技学院 | 一种基于图卷积的锂离子电池健康状态评估方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113030764A (zh) * | 2021-03-04 | 2021-06-25 | 武汉大学 | 一种电池组健康状态估计方法及系统 |
| CN113721159A (zh) * | 2021-09-27 | 2021-11-30 | 重庆大学 | 一种面向随机局部充电的数据驱动电池健康估计方法 |
| CN114839556A (zh) * | 2022-05-10 | 2022-08-02 | 中国第一汽车股份有限公司 | 动力电池异常检测方法、装置、存储介质及电子装置 |
| CN115201686A (zh) * | 2022-07-12 | 2022-10-18 | 中国科学技术大学 | 一种不完备充放电数据下的锂离子电池健康状态评估方法 |
| CN115308628A (zh) * | 2022-08-16 | 2022-11-08 | 上海工程技术大学 | 一种电池健康状态监测方法 |
| CN115542165A (zh) * | 2022-09-15 | 2022-12-30 | 国网江苏省电力有限公司经济技术研究院 | 一种锂离子电池健康状态的预测方法 |
| CN115684971A (zh) * | 2022-10-18 | 2023-02-03 | 国网福建省电力有限公司 | 基于片段多充电特征融合的锂离子电池健康状态估计方法 |
| US20230187710A1 (en) * | 2021-12-13 | 2023-06-15 | Enevate Corporation | State-of-health models for lithium-silicon batteries |
| WO2023130776A1 (zh) * | 2022-01-07 | 2023-07-13 | 国网浙江省电力有限公司电力科学研究院 | 储能电站电池工况健康状态预测方法及系统 |
-
2023
- 2023-08-28 CN CN202311085903.XA patent/CN116774075A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113030764A (zh) * | 2021-03-04 | 2021-06-25 | 武汉大学 | 一种电池组健康状态估计方法及系统 |
| CN113721159A (zh) * | 2021-09-27 | 2021-11-30 | 重庆大学 | 一种面向随机局部充电的数据驱动电池健康估计方法 |
| US20230187710A1 (en) * | 2021-12-13 | 2023-06-15 | Enevate Corporation | State-of-health models for lithium-silicon batteries |
| WO2023130776A1 (zh) * | 2022-01-07 | 2023-07-13 | 国网浙江省电力有限公司电力科学研究院 | 储能电站电池工况健康状态预测方法及系统 |
| CN114839556A (zh) * | 2022-05-10 | 2022-08-02 | 中国第一汽车股份有限公司 | 动力电池异常检测方法、装置、存储介质及电子装置 |
| CN115201686A (zh) * | 2022-07-12 | 2022-10-18 | 中国科学技术大学 | 一种不完备充放电数据下的锂离子电池健康状态评估方法 |
| CN115308628A (zh) * | 2022-08-16 | 2022-11-08 | 上海工程技术大学 | 一种电池健康状态监测方法 |
| CN115542165A (zh) * | 2022-09-15 | 2022-12-30 | 国网江苏省电力有限公司经济技术研究院 | 一种锂离子电池健康状态的预测方法 |
| CN115684971A (zh) * | 2022-10-18 | 2023-02-03 | 国网福建省电力有限公司 | 基于片段多充电特征融合的锂离子电池健康状态估计方法 |
Non-Patent Citations (1)
| Title |
|---|
| 贾俊: "数据驱动的锂离子电池健康管理研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 04, pages 035 - 559 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116977339A (zh) * | 2023-09-25 | 2023-10-31 | 济宁市无界科技有限公司 | 一种锂电池健康状态预测评估方法 |
| CN116977339B (zh) * | 2023-09-25 | 2023-12-19 | 济宁市无界科技有限公司 | 一种锂电池健康状态预测评估方法 |
| CN118244127A (zh) * | 2024-05-28 | 2024-06-25 | 河南科技学院 | 一种基于图卷积的锂离子电池健康状态评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
| CN116774075A (zh) | 一种锂离子电池健康状态评估方法及系统 | |
| US11422194B2 (en) | Battery diagnosis apparatus and battery diagnosis method based on current pulse method | |
| CN110058178A (zh) | 一种锂电池健康状态检测方法和系统 | |
| CN111175666B (zh) | 一种soh检测方法及装置 | |
| CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
| CN112834945A (zh) | 评估模型建立方法、电池健康状态评估方法及相关产品 | |
| CN114430080A (zh) | 一种基于运行数据的动力电池电芯异常自放电的识别方法 | |
| CN113447828B (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 | |
| CN113933732A (zh) | 新能源汽车动力电池健康状态分析方法、系统及存储介质 | |
| CN113866642A (zh) | 一种基于梯度提升树的锂离子电池故障诊断方法 | |
| CN115267555A (zh) | 基于电池多点温度测量的储能系统电池soh评估系统 | |
| CN114312322B (zh) | 车辆检测方法及装置 | |
| CN114580496A (zh) | 一种锂离子电池单体故障自检测方法 | |
| CN113533995A (zh) | 一种动力电池一致性检测方法 | |
| 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 | |
| CN114720901A (zh) | 一种锂离子电池健康状态估计的方法 | |
| CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
| CN114184972A (zh) | 数据驱动与电化学机理结合的电池soh自动估计方法及设备 | |
| CN117347078A (zh) | 一种新能源车辆健康状态年检平台及方法 | |
| CN115469226B (zh) | 一种基于运行大数据的电动汽车动力电池实时安全预警方法 | |
| CN116736171A (zh) | 一种基于数据驱动的锂离子电池健康状态估算方法 | |
| CN116908727A (zh) | 一种基于多特征组合的储能电站锂电池容量估计方法 | |
| CN116643190A (zh) | 一种锂电池健康状态实时监测方法及系统 | |
| CN114418465B (zh) | 一种数据驱动的动力电池使用行为量化评估方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230919 |