CN107290679B - 用于电动汽车共享充电桩的智能化电池健康状态检测方法 - Google Patents

用于电动汽车共享充电桩的智能化电池健康状态检测方法 Download PDF

Info

Publication number
CN107290679B
CN107290679B CN201710534273.8A CN201710534273A CN107290679B CN 107290679 B CN107290679 B CN 107290679B CN 201710534273 A CN201710534273 A CN 201710534273A CN 107290679 B CN107290679 B CN 107290679B
Authority
CN
China
Prior art keywords
battery
data
model
health status
parameter
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
Application number
CN201710534273.8A
Other languages
English (en)
Other versions
CN107290679A (zh
Inventor
孙金良
刘国鹏
盛翰民
顾进飞
孙雷
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.)
Nanjing Nengrui Electric Power Technology Co Ltd
Original Assignee
Nanjing Nengrui Electric Power 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 Nanjing Nengrui Electric Power Technology Co Ltd filed Critical Nanjing Nengrui Electric Power Technology Co Ltd
Priority to CN201710534273.8A priority Critical patent/CN107290679B/zh
Publication of CN107290679A publication Critical patent/CN107290679A/zh
Application granted granted Critical
Publication of CN107290679B publication Critical patent/CN107290679B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • 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
    • 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
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02T90/10—Technologies relating to charging of electric vehicles
    • Y02T90/16—Information or communication technologies improving the operation of electric vehicles
    • Y02T90/167—Systems integrating technologies related to power network operation and communication or information technologies for supporting the interoperability of electric or hybrid vehicles, i.e. smartgrids as interface for battery charging of electric vehicles [EV] or hybrid vehicles [HEV]
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S30/00—Systems supporting specific end-user applications in the sector of transportation
    • Y04S30/10—Systems supporting the interoperability of electric or hybrid vehicles
    • Y04S30/12—Remote or cooperative charging

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明提出了一种用于电动汽车共享充电桩的智能化电池健康状态检测方法，包括：跟踪用户应用的动力电池数据，并对该动力电池数据进行分类存储；以动力电池数据中的实测电流、端电压和表面温度作为输入样本，构建动力电池数据的训练数据集，得到LSSVM回归模型；根据参数构建动力电池健康状态训练模型，对当前充电电池单元进行健康评估；以电池当前最大容量作为健康状态评价指标，构建动力电池健康状态模型，并进行优化；将数据库中的电压、电流、温度以及时间信息通过通信协议传输到监测平台上，由监测平台计算电池的SOH。本发明利用大数据分析方法完成电池数据模型的构建，并可在充电过程中对所有用户的储能***健康状态进行评估。

Description

用于电动汽车共享充电桩的智能化电池健康状态检测方法
技术领域
本发明涉及电池健康状态估计技术领域，特别涉及一种用于电动汽车共享充电桩的智能化电池健康状态检测方法。
背景技术
随着电动汽车产业的发展，锂离子电池在电动汽车储能领域被大规模应用。由于电池充放电寿命有限，并且不当的电池管理会加速电池老化，增加电池故障概率，导致电动汽车性能下降、甚至可能造成火灾和***。一般电池寿命估计方法在实际应用中存在诸多难点：其一，不同电动汽车厂商根据其自身企业优势以及不同的定位，所采用的电池种类以及技术路线不同；其二，由于锂离子电池单体功率以及容量相对有限，为了给电动汽车提供足够的续航里程，并且保持驱动功率，往往采用多电池单元串并联组合的方式，增加了***建模的难度。
锂电池的健康状态是锂电池参数估计中的最核心问题之一。目前对于锂离子电池寿命的估计方法以主要有以下几种：基于电化学的分析方法如电化学阻抗谱(Electrochemical impedance spectroscopy,EIS)等需借助特定设备。阻抗法在传统的铅酸电池、镍氢电池中应用较为广泛，锂离子电池由于自身阻抗较小，且欧姆内阻随电池充放电循环变化很小，对设备的测量精度依赖程度较高。安时法设计简单，便于实现，但只能离线应用。以上几种方法均需要较长的测试分析时间。目前电池健康状态的快速检测是产业空白。
发明内容
本发明的目的旨在至少解决所述技术缺陷之一。
为此，本发明的目的在于提出一种用于电动汽车共享充电桩的智能化电池健康状态检测方法。
为了实现上述目的，本发明的实施例提供一种用于电动汽车共享充电桩的智能化电池健康状态检测方法，包括如下步骤：
步骤S1，跟踪用户应用的动力电池数据，并对该动力电池数据进行分类存储；
步骤S2，以所述动力电池数据中的实测电流、端电压和表面温度作为输入样本，构建所述动力电池数据的训练数据集，得到最小二乘支持向量机LSSVM回归模型；
步骤S3，对步骤S2中得到的LSSVM回归模型中的参数进行提取，根据参数构建动力电池健康状态训练模型，对当前充电电池单元进行健康评估；
步骤S4，根据模型优化结果，以电池当前最大容量作为健康状态评价指标，基于最小二乘支持向量机构建动力电池健康状态模型，并对模型参数进行优化；
步骤S5，将数据库中的电压、电流、温度以及时间信息通过通信协议传输到监测平台上，由监测平台通过LSSVM算法计算电池的健康状态SOH，并显示在检测界面上，同时发送到用户手机端，以及对于电池的不正常工作状态发送提示信息。
进一步，在所述步骤S1中，所述对该动力电池数据进行分类存储，包括如下步骤：
建立用户档案，对不同电动汽车赋予唯一的识别码；
根据电动汽车制造厂商以及所采用的储能技术方案分类为C1,C2,...,Cn，
通过数据库存储上述分类数据，并对同类电池充放电数据进行归档保存，并在用户使用过程中实时更新。
进一步，在所述步骤S2中，构建所述动力电池数据的训练数据集，包括如下步骤：
步骤b1，对于数类型Ci，从数据库提取完整充电数据样本si，
步骤b2，分别对电压U、电流I、以及温度T特征量线性归一化处理，
步骤b3，通过安时积分法计算样本动力电池组当前最大容量，并作为数据标签，表征电池当前健康状态，
步骤b4，以si数据样本中充电接近完成阶段多维外特性参数di作为训练集输入，
步骤b5，以输入数据以及数据标签构建训练样本
T＝{t1,t2,...,tn}＝{(s1,q1),(s2,q2),...,(sn,qn)}，
步骤b6，初始化训练模型
步骤b7将模型转化为优化问题
步骤b8,构建拉格朗日方程
步骤b9，求解拉格朗日方程极值点
步骤b10，求解拉格朗日方程，得到参数表达式
步骤b11，得到最小二乘支持向量机LSSVM回归模型；
步骤b12，对得到的LSSVM回归模型的参数进行优化。
进一步，采用粒子群、差分进化算法或梯度下降法对得到的LSSVM回归模型的参数进行优化。
进一步，在所述步骤S3中，所述根据参数构建动力电池健康状态训练模型，包括如下步骤：
步骤c1，将数据集T输入最小二乘支持向量机模型；
步骤c2，以高斯核函数作为模型核函数，k(x,y)＝exp(-||x-y||2/2σ2)；
步骤c3，对数据样本进行交叉验证以防止过拟合；
步骤c4，优化模型参数，得到模型
进一步，在所述步骤c4中，采用梯度下降、粒子群、差分进化方法优化模型参数。
进一步，在所述步骤S4中，所述构建动力电池健康状态模型，包括如下步骤：
步骤d1，对于未知健康状态的电池动态特性曲线，同样以充电完成前固定时间特性曲线作为模型输入；
步骤d2，将输入数据带入模型；
步骤d3，计算并传输给控制中心，同时将电池健康状态反馈给用户。
根据本发明实施例的用于电动汽车共享充电桩的智能化电池健康状态检测方法，针对电池组寿命状态在实际环境中无法准确估计问题，通过共享充电桩完成数据的采集，采用LSSVM方法对电池健康程度SOH进行估计，同时，设计了基于VC环境下的测试平台，以及软件平台与用户交互***。在充电的过程中进行完善数据库，利用大数据分析方法完成电池数据模型的构建，并可在充电过程中对所有用户的储能***健康状态进行评估。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明实施例的用于电动汽车共享充电桩的智能化电池健康状态检测方法的流程图；
图2为根据本发明实施例的用于电动汽车共享充电桩的智能化电池健康状态检测方法的架构图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
本发明提出一种用于电动汽车共享充电的智能化大数据电池健康状态检测方法，可以实现在电动汽车充电状态下评估电池的健康状态
如图1和图2所示，本发明实施例的用于电动汽车共享充电桩的智能化电池健康状态检测方法，包括如下步骤：
步骤S1，跟踪用户应用的动力电池数据，并对该动力电池数据进行分类存储。
具体的，跟踪并获取共享充电桩的在电动汽车充电过程中获取动力电池的外部特性变化曲线，如充电电流、端电压以及电池表面温度，然后将上述数据进行分类存储。在本发明的一个实施例中，本发明可以通过获取用户使用的动力电池的信息，分别根据不同电动车储能单元在数据库MySQL分类存储。
其中，对该动力电池数据进行分类存储，包括如下步骤：
建立用户档案，对不同电动汽车赋予唯一的识别码；
根据电动汽车制造厂商以及所采用的储能技术方案分类为C1,C2,...,Cn，
通过数据库存储上述分类数据，并对同类电池充放电数据进行归档保存，并在用户使用过程中实时更新。
步骤S2，以动力电池数据中的实测电流、端电压和表面温度作为输入样本，构建动力电池数据的训练数据集，得到最小二乘支持向量机LSSVM(Least square supportvector machine,LSSVM)回归模型。
即，将充电过程中动力电池外特性：实测电流、端电压以及表面温度作为研究标准，为接下来的算法提供研究对象。
根据上述实测电流、端电压以及表面温度，构建动力电池数据的训练数据集，包括如下步骤：
步骤b1，对于数类型Ci，从数据库提取完整充电数据样本si，
步骤b2，分别对电压U、电流I、以及温度T特征量线性归一化处理，
步骤b3，通过安时积分法计算样本动力电池组当前最大容量，并作为数据标签，表征电池当前健康状态，
步骤b4，以si数据样本中充电接近完成阶段多维外特性参数di作为训练集输入，
步骤b5，以输入数据以及数据标签构建训练样本
T＝{t1,t2,...,tn}＝{(s1,q1),(s2,q2),...,(sn,qn)}，
步骤b6，初始化训练模型
步骤b7将模型转化为优化问题
步骤b8,构建拉格朗日方程
步骤b9，求解拉格朗日方程极值点
步骤b10，求解拉格朗日方程，得到参数表达式
步骤b11，得到最小二乘支持向量机LSSVM回归模型；
步骤b12，对得到的LSSVM回归模型的参数进行优化。
在本发明的一个实施例中，采用粒子群、差分进化算法或梯度下降法对得到的LSSVM回归模型的参数进行优化。
步骤S3，对步骤S2中得到的LSSVM回归模型中的参数进行提取，根据参数构建动力电池健康状态训练模型，对当前充电电池单元进行健康评估。
根据参数构建动力电池健康状态训练模型，包括如下步骤：
步骤c1，将数据集T输入最小二乘支持向量机模型；
步骤c2，以高斯核函数作为模型核函数，k(x,y)＝exp(-||x-y||2/2σ2)；
步骤c3，对数据样本进行交叉验证以防止过拟合；
步骤c4，优化模型参数，得到模型
在本发明的一个实施例中，采用梯度下降、粒子群、差分进化方法优化模型参数。
具体地，在电池数据模型的基础上，应用粒子群、差分进化、梯度下降等参数优化方法提高计算效率，并利用交叉验证方法避免过拟合问题。
步骤S4，根据模型优化结果，以电池当前最大容量作为健康状态评价指标，基于最小二乘支持向量机构建动力电池健康状态模型，并对模型参数进行优化。
具体地，在对动力电池充电的过程中完成参数提取，完善数据库并对当前充电电池单元进行健康评估。以电池当前最大容量作为健康状态评价指标，基于最小二乘支持向量机建立数据模型，并对模型参数进行寻优。
其中，构建动力电池健康状态模型，包括如下步骤：
步骤d1，对于未知健康状态的电池动态特性曲线，同样以充电完成前固定时间特性曲线作为模型输入；
步骤d2，将输入数据带入模型；
步骤d3，计算并传输给控制中心，同时将电池健康状态反馈给用户。
步骤S5，将数据库中的电压、电流、温度以及时间信息通过通信协议传输到监测平台上，由监测平台通过LSSVM算法计算电池的健康状态SOH，并显示在检测界面上，同时发送到用户手机端，以及对于电池的不正常工作状态发送提示信息。
具体地，建立电池数据模型，在windows环境下，设计以VC++为开发内核的测试软件，以VC++为开发内核的图形化语言界面MFC，作为电池的软件测是平台，将数据库中的电压、电流、温度以及时间信息通过通信协议传输到检测平台的软件上，将PSO-LSSVM算法打包进软件测试平台完成对电动车储能***健康状态的估算，同时设计电池主要参数的显示界面，以及通信接口，完成对电池状态的显示，对于非正常状态，在显示界面以及用户手机端发出警告。例如，对于电池的不正常工作状态，向用户手机端发送提示信息。
综上，本发明提出了一种用于电动汽车共享充电的智能化大数据电池健康状态监测方法，通过共享充电桩的在电动汽车充电过程中获取动力电池的外部特性变化曲线，如充电电流、端电压以及电池表面温度，对不同种类电动汽车分别构建数据库分类管理，通过机器学习的方法构建电池充电特性曲线与电池健康状态的非线性相关性关系。检测过程中，通过所测量的末段放电曲线，评估电池健康状态，对于健康状态异常的情况，及时反馈给用户并上传数据中心，提前预警以消除安全隐患。
根据本发明实施例的用于电动汽车共享充电桩的智能化电池健康状态检测方法，针对电池组寿命状态在实际环境中无法准确估计问题，通过共享充电桩完成数据的采集，采用LSSVM方法对电池健康程度SOH进行估计，同时，设计了基于VC环境下的测试平台，以及软件平台与用户交互***。在充电的过程中进行完善数据库，利用大数据分析方法完成电池数据模型的构建，并可在充电过程中对所有用户的储能***健康状态进行评估。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。本发明的范围由所附权利要求及其等同限定。

Claims (6)

1.一种用于电动汽车共享充电桩的智能化电池健康状态检测方法，其特征在于，包括如下步骤：
步骤S1，跟踪用户的电动汽车上动力电池数据，并对该动力电池数据进行分类存储；所述对该动力电池数据进行分类存储，包括如下步骤：
建立用户档案，对不同电动汽车赋予唯一的识别码；
根据电动汽车制造厂商以及所采用的储能技术方案分类为C1,C2,...,Cn，
通过数据库存储上述分类数据，并对同类电池充放电数据进行归档保存，并在用户使用过程中实时更新；
步骤S2，以所述动力电池数据中的实测电流、端电压和表面温度作为输入样本，构建所述动力电池数据的训练数据集，得到最小二乘支持向量机LSSVM回归模型；
步骤S3，对步骤S2中得到的LSSVM回归模型中的参数进行提取，根据参数构建动力电池健康状态训练模型，对当前充电电池单元进行健康评估；
步骤S4，根据模型优化结果，以电池当前最大容量作为健康状态评价指标，基于最小二乘支持向量机构建动力电池健康状态模型，并对模型参数进行优化；
步骤S5，将数据库中的电压、电流、温度以及时间信息通过通信协议传输到监测平台上，由监测平台通过LSSVM算法计算电池的健康状态SOH，并显示在检测界面上，同时发送到用户手机端，以及对于电池的不正常工作状态发送提示信息。
2.如权利要求1所述的用于电动汽车共享充电桩的智能化电池健康状态检测方法，其特征在于，在所述步骤S2中，构建所述动力电池数据的训练数据集，包括如下步骤：
步骤b1，对于数类型Ci，从数据库提取完整充电数据样本si，
步骤b2，分别对电压U、电流I、以及温度T特征量线性归一化处理，
步骤b3，通过安时积分法计算样本动力电池组当前最大容量，并作为数据标签，表征电池当前健康状态，
步骤b4，以si数据样本中充电接近完成阶段多维外特性参数di作为训练集输入，
步骤b5，以输入数据以及数据标签构建训练样本
T＝{t1,t2,...,tn}＝{(s1,q1),(s2,q2),...,(sn,qn)}，
步骤b6，初始化训练模型
步骤b7将模型转化为优化问题
步骤b8,构建拉格朗日方程
步骤b9，求解拉格朗日方程极值点
步骤b10，求解拉格朗日方程，得到参数表达式
步骤b11，得到最小二乘支持向量机LSSVM回归模型；
步骤b12，对得到的LSSVM回归模型的参数进行优化。
3.如权利要求2所述的用于电动汽车共享充电桩的智能化电池健康状态检测方法，其特征在于，采用粒子群、差分进化算法或梯度下降法对得到的LSSVM回归模型的参数进行优化。
4.如权利要求1所述的用于电动汽车共享充电桩的智能化电池健康状态检测方法，其特征在于，在所述步骤S3中，所述根据参数构建动力电池健康状态训练模型，包括如下步骤：
步骤c1，将数据集T输入最小二乘支持向量机模型；
步骤c2，以高斯核函数作为模型核函数，k(x,y)＝exp(-||x-y||2/2σ2)；
步骤c3，对数据样本进行交叉验证以防止过拟合；
步骤c4，优化模型参数，得到模型
5.如权利要求4所述的用于电动汽车共享充电桩的智能化电池健康状态检测方法，其特征在于，在所述步骤c4中，采用梯度下降、粒子群、差分进化方法优化模型参数。
6.如权利要求1所述的用于电动汽车共享充电桩的智能化电池健康状态检测方法，其特征在于，在所述步骤S4中，所述构建动力电池健康状态模型，包括如下步骤：
步骤d1，对于未知健康状态的电池动态特性曲线，同样以充电完成前固定时间特性曲线作为模型输入；
步骤d2，将输入数据带入模型；
步骤d3，计算并传输给控制中心，同时将电池健康状态反馈给用户。
CN201710534273.8A 2017-07-03 2017-07-03 用于电动汽车共享充电桩的智能化电池健康状态检测方法 Active CN107290679B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710534273.8A CN107290679B (zh) 2017-07-03 2017-07-03 用于电动汽车共享充电桩的智能化电池健康状态检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710534273.8A CN107290679B (zh) 2017-07-03 2017-07-03 用于电动汽车共享充电桩的智能化电池健康状态检测方法

Publications (2)

Publication Number Publication Date
CN107290679A CN107290679A (zh) 2017-10-24
CN107290679B true CN107290679B (zh) 2019-11-12

Family

ID=60099648

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710534273.8A Active CN107290679B (zh) 2017-07-03 2017-07-03 用于电动汽车共享充电桩的智能化电池健康状态检测方法

Country Status (1)

Country Link
CN (1) CN107290679B (zh)

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107895212A (zh) * 2017-12-01 2018-04-10 国网山东省电力公司信息通信公司 基于滑动窗口和多视角特征融合的铅酸电池寿命预测方法
CN108363024B (zh) * 2018-03-01 2021-05-18 万帮星星充电科技有限公司 一种充电桩故障点定位的方法和装置
CN108872863B (zh) * 2018-05-02 2020-09-08 广东工业大学 一种优化分类的电动汽车充电状态监测方法
CN108805217B (zh) * 2018-06-20 2020-10-23 山东大学 一种基于支持向量机的锂离子电池健康状态估计方法及***
CN108983103B (zh) * 2018-06-29 2020-10-23 上海科列新能源技术有限公司 一种动力电池的数据处理方法和装置
CN108845267B (zh) * 2018-06-29 2021-06-25 上海科列新能源技术有限公司 一种动力电池的数据处理方法和装置
CN109325631A (zh) * 2018-10-15 2019-02-12 华中科技大学 基于数据挖掘的电动汽车充电负荷预测方法和***
CN109934955B (zh) * 2019-02-28 2021-05-14 深圳智链物联科技有限公司 充电模式识别方法、装置、终端设备及存储介质
CN109948664B (zh) * 2019-02-28 2021-05-14 深圳智链物联科技有限公司 充电模式识别方法、装置、终端设备及存储介质
CN110412470B (zh) * 2019-04-22 2021-09-21 上海博强微电子有限公司 电动汽车动力电池soc估计方法
CN110208004A (zh) * 2019-05-31 2019-09-06 北京长城华冠汽车技术开发有限公司 用于汽车耐久性测试的车门开关次数统计***及统计方法
KR20210011236A (ko) * 2019-07-22 2021-02-01 주식회사 엘지화학 배터리 저항 진단 장치 및 방법
CN110568374B (zh) * 2019-09-02 2021-04-27 东北电力大学 基于考虑内外特性的锂离子电池剩余使用寿命预测方法
CN111025043B (zh) * 2019-11-13 2021-08-13 深圳猛犸电动科技有限公司 一种识别充电行为的方法及终端设备
CN111044813B (zh) * 2019-11-27 2021-04-27 深圳猛犸电动科技有限公司 充电模式的识别方法、装置及终端设备
CN110927600A (zh) * 2019-11-29 2020-03-27 西安锐驰电器有限公司 一种蓄电池内阻测试***
CN111724080A (zh) * 2020-06-29 2020-09-29 南京工程学院 一种考虑电池组健康状态平衡的移动充电桩群体调度方法
CN112462288B (zh) * 2020-10-22 2024-05-10 江苏大学 一种基于电池表面温度变化值的锂离子电池健康状态估算方法
CN112622676A (zh) * 2020-11-09 2021-04-09 特瓦特能源科技有限公司 一种动力电池安全充电的监测方法及***
US11609273B2 (en) * 2020-12-14 2023-03-21 Guangzhou Automobile Group Co., Ltd. Method and system for optimizing BMS model, storage medium and electric vehicle
CN113030739A (zh) * 2021-02-22 2021-06-25 福建星云电子股份有限公司 一种在充电过程估算电池性能指标的方法
CN113093040A (zh) * 2021-03-22 2021-07-09 领翌技术(横琴)有限公司 电动汽车电池健康度评估方法、装置和***
CN113306412A (zh) * 2021-06-17 2021-08-27 江苏云快充新能源科技有限公司 车辆充电安全防护方法、装置、充电平台及存储介质
CN113406500B (zh) * 2021-06-29 2022-06-14 同济大学 一种动力锂电池的剩余电量估计方法
CN114047452B (zh) * 2022-01-13 2022-05-13 浙江玥视科技有限公司 一种确定电池循环寿命的方法及装置
CN114626278B (zh) * 2022-05-16 2022-08-05 湖南大学 一种用于动力电池托架结构性能评估和健康监测的方法
US11845357B1 (en) * 2023-01-31 2023-12-19 Eatron Technologies Limited System and method for using artificial intelligence to detect lithium plating
CN115864607B (zh) * 2023-02-16 2023-04-25 河北冠益荣信科技有限公司 一种基于物联网技术的农排可视化充电***及方法
CN116639010B (zh) * 2023-07-24 2023-10-20 江西驴宝宝通卡科技有限公司 充电桩的智能控制***及其方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102749585A (zh) * 2011-04-21 2012-10-24 李昌 一种基于多层支持向量机的蓄电池在线监测方法
CN103487759A (zh) * 2013-09-18 2014-01-01 江苏大学 一种混合动力汽车电池soc预测方法
CN106021923A (zh) * 2016-05-19 2016-10-12 江苏理工学院 纯电动汽车动力电池荷电状态预测方法及预测***
CN106093783A (zh) * 2016-06-03 2016-11-09 哈尔滨工业大学 卡尔曼滤波与数据驱动融合的电池soc估计方法
CN106772065A (zh) * 2016-11-25 2017-05-31 国电南瑞科技股份有限公司 基于最小二乘支持向量机的微电网储能soc估算方法和***

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102468895B1 (ko) * 2015-07-21 2022-11-21 삼성전자주식회사 배터리의 상태를 추정하는 방법 및 장치

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102749585A (zh) * 2011-04-21 2012-10-24 李昌 一种基于多层支持向量机的蓄电池在线监测方法
CN103487759A (zh) * 2013-09-18 2014-01-01 江苏大学 一种混合动力汽车电池soc预测方法
CN106021923A (zh) * 2016-05-19 2016-10-12 江苏理工学院 纯电动汽车动力电池荷电状态预测方法及预测***
CN106093783A (zh) * 2016-06-03 2016-11-09 哈尔滨工业大学 卡尔曼滤波与数据驱动融合的电池soc估计方法
CN106772065A (zh) * 2016-11-25 2017-05-31 国电南瑞科技股份有限公司 基于最小二乘支持向量机的微电网储能soc估算方法和***

Also Published As

Publication number Publication date
CN107290679A (zh) 2017-10-24

Similar Documents

Publication Publication Date Title
CN107290679B (zh) 用于电动汽车共享充电桩的智能化电池健康状态检测方法
Kaur et al. Deep learning networks for capacity estimation for monitoring SOH of Li‐ion batteries for electric vehicles
Hannan et al. Neural network approach for estimating state of charge of lithium-ion battery using backtracking search algorithm
CN110224192B (zh) 一种梯次利用动力电池寿命预测方法
Lin et al. Estimation of battery state of health using probabilistic neural network
Cui et al. A dynamic spatial-temporal attention-based GRU model with healthy features for state-of-health estimation of lithium-ion batteries
US20220373601A1 (en) Battery Performance Prediction
Lipu et al. Real-time state of charge estimation of lithium-ion batteries using optimized random forest regression algorithm
Kim et al. Impedance-based capacity estimation for lithium-ion batteries using generative adversarial network
CN108872869B (zh) 一种基于bp神经网络的锂离子电池劣化分类方法
Chen et al. Analysis and prediction of the discharge characteristics of the lithium–ion battery based on the Grey system theory
Peng et al. State of health estimation of lithium-ion batteries based on multi-health features extraction and improved long short-term memory neural network
US20230349977A1 (en) Method and apparatus for estimating state of health of battery
CN115994441A (zh) 基于机理信息的大数据云平台在线电池寿命预测方法
Telmoudi et al. Modeling and state of health estimation of nickel–metal hydride battery using an EPSO-based fuzzy c-regression model
Shen et al. A sensitivity-based group-wise parameter identification algorithm for the electric model of li-ion battery
CN115061058A (zh) 退役动力电池梯次利用剩余寿命测算方法及***
CN114578234A (zh) 一种考虑因果性特征的锂离子电池退化与容量预测模型
Swarnkar et al. Electric vehicle lithium-ion battery ageing analysis under dynamic condition: A machine learning approach
Hasilová et al. Non-parametric estimates of the first hitting time of Li-ion battery
Lipu et al. Differential search optimized random forest regression algorithm for state of charge estimation in electric vehicle batteries
Eleftheriadis et al. Bayesian hyperparameter optimization of stacked long short-term memory neural network for the state of charge estimation
CN116243194A (zh) 一种混合工况条件下的电池健康状态在线预测方法
Wang et al. Neural Network-Based State of Charge Estimation Method for Lithium-ion Batteries Based on Temperature.
Huang et al. Long-Term Health State Estimation of Energy Storage Lithium-Ion Battery Packs

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