CN118033433A - 一种动力电池健康状态线下检测方法 - Google Patents
一种动力电池健康状态线下检测方法 Download PDFInfo
- Publication number
- CN118033433A CN118033433A CN202410444906.6A CN202410444906A CN118033433A CN 118033433 A CN118033433 A CN 118033433A CN 202410444906 A CN202410444906 A CN 202410444906A CN 118033433 A CN118033433 A CN 118033433A
- Authority
- CN
- China
- Prior art keywords
- battery
- data
- model
- charging
- soh
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- 230000036541 health Effects 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 40
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 29
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000007689 inspection Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000295 fuel oil Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G01R31/005—Testing of electric installations on transport means
- G01R31/006—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks
- G01R31/007—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks using microprocessors or computers
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computational Linguistics (AREA)
- Combustion & Propulsion (AREA)
- Biophysics (AREA)
- Probability & Statistics with Applications (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开了一种动力电池健康状态线下检测方法，属于电动汽车检测技术领域，包括：获取实验车辆的原始电池数据，构建Transformer模型，基于所述原始电池数据对所述Transformer模型进行训练，获得电池检测模型，其中，对待测电池充电，记录预设时间的电池充电数据；对所述预设时间的电池充电数据进行预处理，获得预处理数据集；将所述预处理数据集输入至所述电池检测模型中进行计算，获得待测电池SOH。本方法基于电池充电电流突变后电池两端电压变化数据进行SOH检测，无需令电池事先静置一段时间，也无需长时间的充电过程采集数据，从而极大缩短了检测流程所花费的时间。
Description
技术领域
本发明属于电动汽车检测技术领域，尤其涉及一种动力电池健康状态线下检测方法。
背景技术
近十年来，我国新能源汽车飞速发展，电动汽车保有量呈爆炸式增长。据统计，至2023年6月底，我国新能源汽车保有量已突破1620万辆。随着新能源汽车保有量的不断增长和投入市场使用，同时新能源汽车与燃油车相比新增电动化的特点，在检测评估、维护保养、保险、二手车交易等层面给传统汽车后市场带来了挑战。
动力电池作为电动汽车的心脏，其健康状态（SOH）对电动汽车整体性能和寿命有着至关重要的影响，也是在二手车交易过程中消费者最为关心的性能指标。然而，目前仍然缺乏对电池SOH的有效检测手段，主要原因如下：首先，电池SOH无法通过传感器直接测量，只能通过电池充放电时物理量（如电压、电流等）变化间接估算，为电池检测带来挑战；其次，车辆在使用过程中，其动力性能随着时间发生不同程度的衰减，面对复杂的衰减路径，现有的SOH检测方法往往不能准确检测电池的健康状态；此外，个别商家通过入侵篡改二手车的BMS系统，刷新汽车行驶里程和电池SOH，达到以次充好的目的，使得消费者对汽车内置的SOH指标结果不信任。因此，目前亟待开发一种线下的动力电池健康度检测方法，对EV动力电池的健康程度进行准确检测。
发明内容
为解决上述技术问题，本发明提出了一种动力电池健康状态线下检测方法，以解决上述现有技术存在的问题。
为实现上述目的，本发明提供了一种动力电池健康状态线下检测方法，包括：
获取实验车辆的原始电池数据，
构建Transformer模型，基于所述原始电池数据对所述Transformer模型进行训练，获得电池检测模型，其中，所述电池检测模型的输入为电池数据，输出为电池SOH；
对待测电池充电，记录预设时间的电池充电数据；
对所述预设时间的电池充电数据进行预处理，获得预处理数据集；
将所述预处理数据集输入至所述电池检测模型中进行计算，获得待测电池SOH。
优选的，所述原始电池数据和所述电池充电数据包括充电电压数据、充电电流数据、充电温度、SOH数据。
优选的，所述构建Transformer模型的过程包括：
构建以多头注意力机制、第一残差网络、前馈神经网络和第二残差网络依次连接的初始Transformer模型；
对所述Transformer模型的输出序列进行处理，获得处理模型；
将全连接层作为所述处理模型的输出层，生成所述Transformer模型。
优选的，对所述Transformer模型的输出序列进行处理的过程包括：基于全局平均化方法对所述Transformer模型的输出序列中的高维序列特征压缩为固定长度向量，生成所述处理模型。
优选的，所述全连接层的节点数为1，所述Transformer模型的损失函数为均方误差函数，所述Transformer模型进行反向传播时的优化器为Adam优化器。
优选的，基于所述原始电池数据对所述Transformer模型进行训练，获得电池检测模型的过程包括：基于所述原始电池数据中的SOH值和反向传播方法对所述Transformer模型的参数进行调整，直至最小化模型输出与原始电池数据中的SOH值的差异后输出，获得所述电池检测模型。
优选的，对待测电池充电，记录预设时间的电池充电数据的过程包括：
通过高倍率电流对所述待测电池进行充电，直至电池稳定后切换至低倍率电流，记录切换电流时时刻为t1；
保持所述低倍率电流对所述待测电池进行充电，直至时刻t2终止；
获取t1至t2时间段内的电池数据，获得预设时间的电池充电数据。
优选的，所述获得预处理数据集的过程包括：
基于均值滤波方法对所述预设时间的电池充电数据进行噪声处理，获得噪声处理数据集；
对所述噪声处理数据集进行归一化处理，获得所述预处理数据集。
与现有技术相比，本发明具有如下优点和技术效果：
第一，本方法基于电池充电电流突变后电池两端电压变化数据进行SOH检测，无需令电池事先静置一段时间，也无需长时间的充电过程采集数据，从而极大缩短了检测流程所花费的时间。第二，通过采集不同条件下的电池数据，并对模型进行联合训练，有效扩大了模型的检测范围。第三，基于人工智能大模型构建电池SOH检测模型，提取电池数据与电池SOH之间的转换关系，相比于传统模型获得了更高的准确率。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例的动力电池健康状态线下检测方法流程图；
图2为本发明实施例的模型检测流程图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图1所示，本实施例中提供一种动力电池健康状态线下检测方法，包括：
获取实验车辆的原始电池数据，
构建Transformer模型，基于所述原始电池数据对所述Transformer模型进行训练，获得电池检测模型，其中，所述电池检测模型的输入为电池数据，输出为电池SOH；
对待测电池充电，记录预设时间的电池充电数据；
对所述预设时间的电池充电数据进行预处理，获得预处理数据集；
将所述预处理数据集输入至所述电池检测模型中进行计算，获得待测电池SOH。
进一步优化方案，所述原始电池数据和所述电池充电数据包括充电电压数据、充电电流数据、充电温度、SOH数据。
进一步优化方案，所述构建Transformer模型的过程包括：
构建以多头注意力机制、第一残差网络、前馈神经网络和第二残差网络依次连接的初始Transformer模型；
对所述Transformer模型的输出序列进行处理，获得处理模型；
将全连接层作为所述处理模型的输出层，生成所述Transformer模型。
进一步优化方案，对所述Transformer模型的输出序列进行处理的过程包括：基于全局平均化方法对所述Transformer模型的输出序列中的高维序列特征压缩为固定长度向量，生成所述处理模型。
进一步优化方案，所述全连接层的节点数为1，所述Transformer模型的损失函数为均方误差函数，所述Transformer模型进行反向传播时的优化器为Adam优化器。
优选的，基于所述原始电池数据对所述Transformer模型进行训练，获得电池检测模型的过程包括：基于所述原始电池数据中的SOH值和反向传播方法对所述Transformer模型的参数进行调整，直至最小化模型输出与原始电池数据中的SOH值的差异后输出，获得所述电池检测模型。
进一步优化方案，对待测电池充电，记录预设时间的电池充电数据的过程包括：
通过高倍率电流对所述待测电池进行充电，直至电池稳定后切换至低倍率电流，记录切换电流时时刻为t1；
保持所述低倍率电流对所述待测电池进行充电，直至时刻t2终止；
获取t1至t2时间段内的电池数据，获得预设时间的电池充电数据。
进一步优化方案，所述获得预处理数据集的过程包括：
基于均值滤波方法对所述预设时间的电池充电数据进行噪声处理，获得噪声处理数据集；
对所述噪声处理数据集进行归一化处理，获得所述预处理数据集。
具体为：
首先基于人工智能大模型中最适合处理时序数据的Transformer模型搭建电池检测模型，输入为电池数据，输出为电池SOH。
然后基于事先准备的实验电池，确定模型内具体参数。
最后基于确定参数后的模型，检测待测电池SOH。
本方法以电池数据为输入，当充电电流停止或发生突变时，电池内部发生的一定时间的恢复过程。具体到该方法中，
先以高倍率电流C1对电池进行充电，至电池稳定，然后将充电电流切换到较低倍率电流C2，记录此时时刻为t1，
维持C2（C2可以为零）充电一段时间，至时刻t2终止。
提取t1至t2时间段内的电池数据，并作为模型的输入。
模型接收到电池数据之后，输出电池的SOH。
此外，在模型刚搭建完毕之后，需要对模型参数进行确定，具体方法为事先准备好和待测电池同种类型的实验电池，提取实验电池数据并输入到模型中，根据模型的输出以及电池真实SOH对模型进行参数更新。
实施例二
如图2所示，本实施例中提供一种动力电池健康状态线下检测方法，包括：本专利假设可以在实验室中获取实验车辆，并有设备可以对实验车辆电池状态进行信号采集。先采集实验车辆的原始电池数据，包括充电电压、电流、温度、SOH等。然后以实验车辆电压、电流、温度等采集信息为模型输入，输出对实验车辆的预测SOH，计算采集SOH（即真实SOH）与模型预测SOH的均方误差，并更新模型参数，使得模型最终输出SOH与真实SOH一致。在测试环境中，如果待测车辆与实验车辆所用电池类型相同，即可直接使用模型对待测车辆SOH进行检测。具体方法为采集待测车辆电压、电流数据作为模型输入，输出预测SOH。需要特别说明的是，对待测车辆进行检测时，无需进行参数更新。流程具体步骤如下：
S1、数据采集：用高压充电装置以高倍率电流（80A）对汽车充电一分钟，以确保电池能够快速达到充电稳定状态。在电池充电稳定状态下，切换至低倍率电流（20mA）充电，记录此时刻为t1，然后维持C2充电一段时间，至时刻t2终止。采集t1到t2的时间段内的电池数据，包括电流、电压、温度信息，并保存为输入模型的原始数据。
S2、模型搭建：使用Transformer架构构建电动汽车动力电池健康状态检测模型。
首先对采集数据进行预处理，确保数据的范围在模型处理的合理范围内，具体步骤包括均值滤波以及最大最小值标准化。
然后将预处理之后的数据投入到Transformer编码器中，该编码器由多头注意力机制、前馈神经网络和残差网络组成。
再然后将编码器的输出序列进行全局平均化，将高纬度的序列特征压缩成一个固定长度向量。
最后连接一个全连接层作为输出层，输出层的节点数为1，用于输出电池的健康状态估计值。此外，该模型的损失函数为均方误差（MSE）函数，反向传播时的优化器为Adam优化器。
S3、参数确定：通过事先准备的具有相同类型动力电池的实验汽车，在相同的充电条件下获取充电电流变化后的电压降数据。将这些数据输入到模型中，根据实验电池的真实SOH值，基于反向传播算法调整模型参数，以最小化模型输出与实际SOH的差异。参数确定之后的模型在检测设备出厂前部署在设备存储器内。
S4、电池SOH检测：使用电池健康度检测设备对待测车辆施加相同的高倍率充电电流C1，切换至低倍率电流C2，记录电池包数据。将这些数据输入到经过参数确定的模型中，获得待测车辆的健康状态（SOH）估计。
应用：在EV汽车二手交易市场，通过该方法，二手车买家可以了解电池的健康状况，卖家也能提供更准确的车辆状态信息，促进交易的公平和透明。
实施例三
本实施例中提供一种动力电池健康状态线下检测方法，包括：
环境：汽车年检站
设备：固定式汽车检测设备，内部搭载高压充电枪、电流传感器、电压传感器、存储器、处理器。
步骤：
数据采集：在汽车年检站，将电池健康度检测设备连接到待检车辆的电池系统。使用高压充电枪以高倍率电流（80A）对汽车充电一分钟，确保电池迅速达到充电稳定状态。在充电稳定状态下，断开充电桩连接（C2=0），记录此时刻为t1，维持断开一段时间，至时刻t2终止。采集t1开始到t2到电池包的数据，包括电流、电压、温度信息，并保存为输入模型的原始数据。
模型搭建：使用Transformer架构搭建电动汽车动力电池健康状态检测模型。对原始数据进行均值滤波和最大最小值标准化等预处理操作，确保数据适用于模型输入。然后，将预处理后的数据输入到Transformer编码器中，包括多头注意力机制、前馈神经网络和残差网络。对编码器的输出序列进行全局平均化，将高维度的序列特征压缩成一个固定长度向量。连接一个全连接层作为输出层，输出层的节点数为1，用于输出电池的健康状态估计值。损失函数为均方误差（MSE），使用Adam优化器进行反向传播训练。
参数确定：通过事先准备的具有相同类型动力电池的实验汽车，在相同的充电条件下获取电池包的数据。将这些数据输入到模型中，根据实验电池的真实SOH值，基于反向传播算法调整模型参数，以最小化模型输出与实际SOH的差异。参数确定之后的模型在检测设备出厂前部署在设备存储器内。
电池SOH检测：使用电池健康度检测设备对待检车辆施加相同的高倍率充电电流C1，断开充电桩连接一段时间，获取此时电池包数据。将这些数据输入到经过参数确定的模型中，获得待测车辆的健康状态（SOH）估计。
应用：在汽车年检站，通过该技术，可实现对电池健康状态的快速、准确评估，确保电动汽车的电池系统符合年检标准。这有助于提高年检站的效率，保障道路交通的安全性。同时，为车主提供了一种方便的方式，及时了解车辆电池的健康状况，以便采取必要的维护措施。
以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种动力电池健康状态线下检测方法，其特征在于，包括以下步骤：
获取实验车辆的原始电池数据，
构建Transformer模型，基于所述原始电池数据对所述Transformer模型进行训练，获得电池检测模型，其中，所述电池检测模型的输入为电池数据，输出为电池SOH；
对待测电池充电，记录预设时间的电池充电数据；
对所述预设时间的电池充电数据进行预处理，获得预处理数据集；
将所述预处理数据集输入至所述电池检测模型中进行计算，获得待测电池SOH。
2.根据权利要求1所述的动力电池健康状态线下检测方法，其特征在于，所述原始电池数据和所述电池充电数据包括充电电压数据、充电电流数据、充电温度、SOH数据。
3.根据权利要求1所述的动力电池健康状态线下检测方法，其特征在于，所述构建Transformer模型的过程包括：
构建以多头注意力机制、第一残差网络、前馈神经网络和第二残差网络依次连接的初始Transformer模型；
对所述Transformer模型的输出序列进行处理，获得处理模型；
将全连接层作为所述处理模型的输出层，生成所述Transformer模型。
4.根据权利要求3所述的动力电池健康状态线下检测方法，其特征在于，对所述Transformer模型的输出序列进行处理的过程包括：基于全局平均化方法对所述Transformer模型的输出序列中的高维序列特征压缩为固定长度向量，生成所述处理模型。
5.根据权利要求3所述的动力电池健康状态线下检测方法，其特征在于，所述全连接层的节点数为1，所述Transformer模型的损失函数为均方误差函数，所述Transformer模型进行反向传播时的优化器为Adam优化器。
6.根据权利要求1所述的动力电池健康状态线下检测方法，其特征在于，基于所述原始电池数据对所述Transformer模型进行训练，获得电池检测模型的过程包括：基于所述原始电池数据中的SOH值和反向传播方法对所述Transformer模型的参数进行调整，直至最小化模型输出与原始电池数据中的SOH值的差异后输出，获得所述电池检测模型。
7.根据权利要求1所述的动力电池健康状态线下检测方法，其特征在于，对待测电池充电，记录预设时间的电池充电数据的过程包括：
通过高倍率电流对所述待测电池进行充电，直至电池稳定后切换至低倍率电流，记录切换电流时时刻为t1；
保持所述低倍率电流对所述待测电池进行充电，直至时刻t2终止；
获取t1至t2时间段内的电池数据，获得预设时间的电池充电数据。
8.根据权利要求1所述的动力电池健康状态线下检测方法，其特征在于，所述获得预处理数据集的过程包括：
基于均值滤波方法对所述预设时间的电池充电数据进行噪声处理，获得噪声处理数据集；
对所述噪声处理数据集进行归一化处理，获得所述预处理数据集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410444906.6A CN118033433B (zh) | 2024-04-15 | 2024-04-15 | 一种动力电池健康状态线下检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410444906.6A CN118033433B (zh) | 2024-04-15 | 2024-04-15 | 一种动力电池健康状态线下检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118033433A true CN118033433A (zh) | 2024-05-14 |
| CN118033433B CN118033433B (zh) | 2024-08-02 |
Family
ID=90993713
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410444906.6A Active CN118033433B (zh) | 2024-04-15 | 2024-04-15 | 一种动力电池健康状态线下检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118033433B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118731717A (zh) * | 2024-09-02 | 2024-10-01 | 南京工业大学 | 一种基于趋势感知注意力和Transformer编码器的锂离子电池健康状态估计方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100708854B1 (ko) * | 2005-11-30 | 2007-04-17 | 삼성에스디아이 주식회사 | 배터리의 ｓｏｃ 추정 방법 및 이를 이용한 배터리 관리시스템 |
| KR20200021368A (ko) * | 2018-08-20 | 2020-02-28 | 주식회사 뷰커뮤니케이션 | 셀 충전 전류 기반의 배터리 관리 시스템 |
| CN116593917A (zh) * | 2023-05-16 | 2023-08-15 | 西安交通大学 | 一种基于时频双流特征表征的锂电池健康状态估计方法 |
| CN116679211A (zh) * | 2023-05-18 | 2023-09-01 | 淮阴工学院 | 一种锂电池健康状态的预测方法 |
| CN116699410A (zh) * | 2023-05-08 | 2023-09-05 | 福建星云电子股份有限公司 | 一种融合无监督和监督学习的锂电池健康状态估计方法 |
-
2024
- 2024-04-15 CN CN202410444906.6A patent/CN118033433B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100708854B1 (ko) * | 2005-11-30 | 2007-04-17 | 삼성에스디아이 주식회사 | 배터리의 ｓｏｃ 추정 방법 및 이를 이용한 배터리 관리시스템 |
| KR20200021368A (ko) * | 2018-08-20 | 2020-02-28 | 주식회사 뷰커뮤니케이션 | 셀 충전 전류 기반의 배터리 관리 시스템 |
| CN116699410A (zh) * | 2023-05-08 | 2023-09-05 | 福建星云电子股份有限公司 | 一种融合无监督和监督学习的锂电池健康状态估计方法 |
| CN116593917A (zh) * | 2023-05-16 | 2023-08-15 | 西安交通大学 | 一种基于时频双流特征表征的锂电池健康状态估计方法 |
| CN116679211A (zh) * | 2023-05-18 | 2023-09-01 | 淮阴工学院 | 一种锂电池健康状态的预测方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118731717A (zh) * | 2024-09-02 | 2024-10-01 | 南京工业大学 | 一种基于趋势感知注意力和Transformer编码器的锂离子电池健康状态估计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118033433B (zh) | 2024-08-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gan et al. | Data-driven fault diagnosis of lithium-ion battery overdischarge in electric vehicles | |
| WO2021185308A1 (zh) | 一种电动汽车动力电池组健康状态在线确定方法和系统 | |
| Xiao et al. | A novel estimation of state of charge for the lithium-ion battery in electric vehicle without open circuit voltage experiment | |
| CN112433169B (zh) | 一种云端动力电池健康度评估系统及方法 | |
| Wang et al. | A battery capacity estimation framework combining hybrid deep neural network and regional capacity calculation based on real-world operating data | |
| CN103344921B (zh) | 锂离子动力电池健康状态评估系统及方法 | |
| CN106802396A (zh) | 一种电池内短路的诊断方法 | |
| CN112838631A (zh) | 动力电池的充电动态管控装置和动力电池的充电诊断方法 | |
| CN112557907A (zh) | 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法 | |
| CN111965559A (zh) | 一种锂离子电池soh在线估计方法 | |
| CN111426957A (zh) | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 | |
| CN113687251B (zh) | 一种基于双模型的锂离子电池组电压异常故障诊断方法 | |
| CN115616428A (zh) | 一种“充—检”一体电动汽车电池状态检测与评价方法 | |
| Ding et al. | Diagnosis of connection fault for parallel-connected lithium-ion batteries based on long short-term memory networks | |
| Wu et al. | State of health estimation of the lithium-ion power battery based on the principal component analysis-particle swarm optimization-back propagation neural network | |
| Yao et al. | Fault identification of lithium-ion battery pack for electric vehicle based on ga optimized ELM neural network | |
| CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
| Hu et al. | State-of-charge estimation for lithium-ion batteries of electric vehicle based on sensor random error compensation | |
| CN118033433B (zh) | 一种动力电池健康状态线下检测方法 | |
| CN113420444A (zh) | 一种基于参数在线辨识的锂离子电池soc估计方法 | |
| Tang et al. | An aging-and load-insensitive method for quantitatively detecting the battery internal-short-circuit resistance | |
| CN117087495A (zh) | 一种基于电池老化水平的电动汽车的续驶里程估计方法 | |
| CN115656831B (zh) | 一种电池单体电压多步超前预测和故障诊断方法 | |
| CN115656837A (zh) | 一种串联型电池故障预测方法 | |
| CN116482539A (zh) | 基于多维数据驱动的电池荷电状态估计方法、系统、设备及介质 |
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 |