CN110208717A - 基于大数据的动力电池寿命预测方法 - Google Patents
基于大数据的动力电池寿命预测方法 Download PDFInfo
- Publication number
- CN110208717A CN110208717A CN201910380569.8A CN201910380569A CN110208717A CN 110208717 A CN110208717 A CN 110208717A CN 201910380569 A CN201910380569 A CN 201910380569A CN 110208717 A CN110208717 A CN 110208717A
- Authority
- CN
- China
- Prior art keywords
- big data
- discharge
- charge
- depth
- power battery
- 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
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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- 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)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了基于大数据的动力电池寿命预测方法,在不同放电深度、不同温度、不同放电速率条件下随机测定同一类动力电池的参数大数据;将参数大数据进行大数据分析,得到大数据分析关系式;由电压电流传感器测量电流大数据,同时采用改进安时积分法得到荷电状态SOC,由放电深度和荷电状态之和为1的关系求得放电深度;在不同放电深度下,将电池一次充放电的吞吐量等效视为等效吞吐量;根据等效吞吐量、额定吞吐量可计算得到电池剩余寿命;本发明预测方法,从动力电池的特性出发,针对放电深度、环境温度、放电电流大小对有效充放电吞吐量进行了修正;同时根据动力电池的特性对初始荷电状态的测试做了优化,使得预测结果更为精确。
Description
技术领域
本发明属于电池寿命预测技术领域,具体涉及基于大数据的动力电池寿命预测方法。
背景技术
目前市场上的预测电池寿命的方法一般是通过复杂的算法来预测。有一种比较简便的预测电池寿命的方法为基于大数据的吞吐量法,然而目前还没有针对动力电池特性的吞吐量法,再者,目前的吞吐量法一般只考虑了放电深度对有效充放电吞吐量的影响,计算结果不精确。针对动力电池的特性可以知道,放电深度会影响循环次数,环境温度会影响SOC测定时开路电压的大小,初始荷电状态会影响额定温度下开路电压的大小和开路电压测量时的静置时间,且动力电池的这些特性与其他电池的特性有所不同,导致用已有的吞吐量法预测动力电池寿命时不够精确。
发明内容
本发明的目的是提供基于大数据的动力电池寿命预测方法,从动力电池的特性出发,对初始荷电状态的测试做了优化,使预测结果更准确。
本发明所采用的技术方案是,基于大数据的动力电池寿命预测方法,具体按照以下步骤实施:
步骤1、在不同放电深度、不同温度、不同放电速率条件下随机测定同一类动力电池的参数大数据;
步骤2、将参数大数据进行大数据分析,得到大数据分析关系式;
步骤3、由电压电流传感器测量电流大数据,同时采用改进安时积分法得到荷电状态SOC,由放电深度和荷电状态之和为1的关系求得放电深度;
步骤4、在不同放电深度下,将电池一次充放电的吞吐量等效视为等效吞吐量;
步骤5、根据等效吞吐量、额定吞吐量可计算得到电池剩余寿命。
本发明的特点还在于:
步骤1参数大数据包括:额定放电深度、额定温度、额定放电速率情况下动力电池的平均容量CR和额定吞吐量ΓR,在不同放电深度DA下的循环次数大数据LA,不同温度T下的开路电压大数据UOC,不同荷电状态SOC下的开路电压大数据UOC25,不同温度下的容量大数据CA,不同温度下的充放电效率大数据η。
步骤2的具体过程为:
通过不同温度T下的开路电压大数据UOC,进行大数据分析得到温度对开路电压的影响,以式(1)表示;
UOC=UOC25*g(T) (1);
通过不同温度下的电池容量大数据CA,进行大数据分析得到温度对电池容量的影响,以式(2)表示;
CA=CR[1-α(25-T)] (2)
其中α为温度系数,不同温度下有不同的温度系数;
通过不同温度下的充放电效率大数据η,进行大数据分析得到温度对充放电效率的影响,以式(3)表示;
ηE=KTη (3)
其中KT为温度的影响系数,ηE为考虑温度后的等效充放电效率;
通过不同放电深度DA下的循环次数大数据LA,进行大数据分析得到放电深度对循环次数的影响,以式(4)表示;
其中LR表示动力电池的额定循环次数,DR表示动力电池的额定放电深度;
通过不同荷电状态SOC下的开路电压大数据UOC25,进行大数据分析得到荷电状态SOC对开路电压的影响,以式(5)表示;
SOC0=f(UOC25) (5)。
步骤3采用改进安时积分法得到荷电状态SOC过程为:
其中t为一次充电或一次放电时间。
步骤4具体过程为:控制电池每次充电均充至满电状态,则电池一次放电至某一放电深度并充电至满电状态的实际吞吐量,计算式为:
dact=2×DACA (8)
式(8)中,dact表示实际吞吐量;
在不同放电深度下,一次充放电消耗的有效电池寿命为等效原则,将电池一次充放电的吞吐量等效视为等效吞吐量:
则等效一次充放电吞吐量为:
步骤5电池剩余寿命为:
式(10)中deffi表示每一次充放电循环的等效吞吐量,n表示当前电池的循环次数。
本发明的有益效果是,
本发明提供的基于大数据的动力电池寿命预测方法,从动力电池的特性出发,针对放电深度、环境温度、放电电流大小对有效充放电吞吐量进行了修正;同时本发明根据动力电池的特性对初始荷电状态的测试做了优化,使得预测结果更为精确。
附图说明
图1为本发明基于大数据的动力电池寿命预测方法流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明采用基于大数据的动力电池寿命预测方法,如图1所示,具体按照以下步骤实施:
步骤1、在不同放电深度、不同温度、不同放电速率条件下随机测定同一类动力电池的参数大数据;参数大数据包括:额定放电深度、额定温度、额定放电速率情况下动力电池的平均容量CR和额定吞吐量ΓR,在不同放电深度DA下的循环次数大数据LA,不同温度T下的开路电压大数据UOC,不同荷电状态SOC下的开路电压大数据UOC25,不同温度下的容量大数据CA,不同温度下的充放电效率大数据η。
步骤2、将参数大数据进行大数据分析,得到大数据分析关系式;
具体过程为:
通过不同温度T下的开路电压大数据UOC,进行大数据分析得到温度对开路电压的影响,以式(1)表示;
UOC=UOC25*g(T) (1);
通过不同温度下的电池容量大数据CA,进行大数据分析得到温度对电池容量的影响,以式(2)表示;
CA=CR[1-α(25-T)] (2)
其中α为温度系数,不同温度下有不同的温度系数;
通过不同温度下的充放电效率大数据η,进行大数据分析得到温度对充放电效率的影响,以式(3)表示;
ηE=KTη (3)
其中KT为温度的影响系数,ηE为考虑温度后的等效充放电效率;
通过不同放电深度DA下的循环次数大数据LA,进行大数据分析得到放电深度对循环次数的影响,以式(4)表示;
其中LR表示动力电池的额定循环次数,DR表示动力电池的额定放电深度;
通过不同荷电状态SOC下的开路电压大数据UOC25,进行大数据分析得到荷电状态SOC对开路电压的影响,以式(5)表示;
SOC0=f(UOC25) (5)。
步骤3、由电压电流传感器测量电流大数据,同时采用改进安时积分法得到荷电状态SOC,由放电深度和荷电状态之和为1的关系求得放电深度;
采用改进安时积分法得到荷电状态SOC过程为:
其中t为一次充电或一次放电时间。
步骤4、在不同放电深度下,将电池一次充放电的吞吐量等效视为等效吞吐量;
具体过程为:控制电池每次充电均充至满电状态,则电池一次放电至某一放电深度并充电至满电状态的实际吞吐量,计算式为:
dact=2×DACA (8)
式(8)中,dact表示实际吞吐量;
在不同放电深度下,一次充放电消耗的有效电池寿命为等效原则,将电池一次充放电的吞吐量等效视为等效吞吐量:
ΓA=LA*DA*CA,ΓR=LR*DR*CR
则等效一次充放电吞吐量为:
步骤5电池剩余寿命为:
式(10)中deffi表示每一次充放电循环的等效吞吐量,n表示当前电池的循环次数。
步骤5、根据等效吞吐量、额定吞吐量可计算得到电池剩余寿命。
实施例
对某型号动力电池进行试验。
测量在额定情况下同一类电池的平均容量CR。为了使结果更精确,动力电池采用恒流-恒压充电方法。1/3C恒流充电至3.65V转恒压充电,充电电流下降到0.1A后10min即停止充电,静置1h,再用仪器测量从满电状态在额定电流下恒流一次性放电至截止电压时共放出的容量。
测量额定吞吐量ΓR。在额定放电深度下对同一类电池循环充放电直至报废,再由计算得额定吞吐量ΓR,ΓR=LRDRCR。
测量在不同放电深度DA下的循环次数LA大数据。选取在[0.1,0.9]内均匀分布的10个放电深度,在不同放电深度DA下对同一类电池循环充放电直至报废,测得循环次数LA。
测量在不同温度T下的开路电压UOC大数据。在额定放电深度下,测量多组不同温度T下(规定25摄氏度为额定温度)开路电压UOC的大小。
测量不同荷电状态SOC下的开路电压UOC25大数据。在额定温度、额定放电速率下,测量不同荷电状态SOC下,开路电压UOC25的大小。此步骤由于数据相较之前实验容易获得,因此要求测量尽量多的数据。
测量不同温度下的容量大数据CA,在不同温度下,用专用的测试仪测试容量,得到容量大数据。
不同温度下的充放电效率大数据η。在不同温度下,对动力电池进行充放电,由输出电能与接收电能得到放电效率大数据η。
将参数大数据进行大数据分析,得到大数据分析关系式。
采用的改进安时积分法通过电压电流传感器测量荷电状态SOC,由放电深度和荷电状态之间的关系求得放电深度。根据不同温度下的开路电压与荷电状态之间的函数表达式,测得电池静置稳定后的开路电压以及温度,即可得到初始荷电状态SOC0。并且由动力电池的特性,得当SOC>10%时,开路电压的测量静置时间只需2h即可稳定,在本发明中,保证电池放电后SOC>10%,既缩短了传统的静置时间,又延长了电池的寿命。
在不同放电深度下,将电池一次充放电的吞吐量等效为等效吞吐量。控制电池每次充电均充至一满电状态,则电池一次放电至某一放电深度并充电至满电状态的实际吞吐量计算式为式(7);以在不同放电深度下,一次充放电消耗的有效电池寿命为等效原则,按式(8)进行等效。按式(9)由计算机计算得到等效一次充放电吞吐量。
根据额定吞吐量与一次充放电的等效吞吐量之间的关系,按式(10)由计算机处理得到电池剩余寿命。
综上所述,本发明提供的基于大数据的动力电池寿命预测方法,从动力电池的特性出发,应用大数据分析,针对放电深度、环境温度、放电电流大小对有效充放电吞吐量进行了修正,使得预测结果更为精确。SOC估算方法一般为安时积分法,而SOC0的测试是关键。本发明针对动力电池的特性对初始荷电状态的测试做了优化。
Claims (6)
1.基于大数据的动力电池寿命预测方法,其特征在于,具体按照以下步骤实施:
步骤1、在不同放电深度、不同温度、不同放电速率条件下随机测定同一类动力电池的参数大数据;
步骤2、将参数大数据进行大数据分析,得到大数据分析关系式;
步骤3、由电压电流传感器测量电流大数据,同时采用改进安时积分法得到荷电状态SOC,由放电深度和荷电状态之和为1的关系求得放电深度;
步骤4、在不同放电深度下,将电池一次充放电的吞吐量等效视为等效吞吐量;
步骤5、根据等效吞吐量、额定吞吐量可计算得到电池剩余寿命。
2.根据权利要求1所述基于大数据的动力电池寿命预测方法,其特征在于,步骤1所述参数大数据包括:额定放电深度、额定温度、额定放电速率情况下动力电池的平均容量CR和额定吞吐量ΓR,在不同放电深度DA下的循环次数大数据LA,不同温度T下的开路电压大数据UOC,不同荷电状态SOC下的开路电压大数据UOC25,不同温度下的容量大数据CA,不同温度下的充放电效率大数据η。
3.根据权利要求1所述基于大数据的动力电池寿命预测方法,其特征在于,步骤2的具体过程为:
通过不同温度T下的开路电压大数据UOC,进行大数据分析得到温度对开路电压的影响,以式(1)表示;
UOC=UOC25*g(T) (1);
通过不同温度下的电池容量大数据CA,进行大数据分析得到温度对电池容量的影响,以式(2)表示;
CA=CR[1-α(25-T)] (2)
其中α为温度系数,不同温度下有不同的温度系数;
通过不同温度下的充放电效率大数据η,进行大数据分析得到温度对充放电效率的影响,以式(3)表示;
ηE=KTη (3)
其中KT为温度的影响系数,ηE为考虑温度后的等效充放电效率;
通过不同放电深度DA下的循环次数大数据LA,进行大数据分析得到放电深度对循环次数的影响,以式(4)表示;
其中LR表示动力电池的额定循环次数,DR表示动力电池的额定放电深度;
通过不同荷电状态SOC下的开路电压大数据UOC25,进行大数据分析得到荷电状态SOC对开路电压的影响,以式(5)表示;
SOC0=f(UOC25) (5)。
4.根据权利要求3所述基于大数据的动力电池寿命预测方法,其特征在于,步骤3采用改进安时积分法得到荷电状态SOC过程为:
其中t为一次充电或一次放电时间。
5.根据权利要求1所述基于大数据的动力电池寿命预测方法,其特征在于,步骤4具体过程为:控制电池每次充电均充至满电状态,则电池一次放电至某一放电深度并充电至满电状态的实际吞吐量,计算式为:
dact=2×DACA (8)
式(8)中,dact表示实际吞吐量;
在不同放电深度下,一次充放电消耗的有效电池寿命为等效原则,将电池一次充放电的吞吐量等效视为等效吞吐量:
则等效一次充放电吞吐量为:
6.根据权利要求1所述基于大数据的动力电池寿命预测方法,其特征在于,步骤5所述电池剩余寿命为:
式(10)中deffi表示每一次充放电循环的等效吞吐量,n表示当前电池的循环次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910380569.8A CN110208717B (zh) | 2019-05-08 | 2019-05-08 | 基于大数据的动力电池寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910380569.8A CN110208717B (zh) | 2019-05-08 | 2019-05-08 | 基于大数据的动力电池寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110208717A true CN110208717A (zh) | 2019-09-06 |
CN110208717B CN110208717B (zh) | 2021-08-10 |
Family
ID=67786975
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910380569.8A Active CN110208717B (zh) | 2019-05-08 | 2019-05-08 | 基于大数据的动力电池寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110208717B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112213649A (zh) * | 2019-10-31 | 2021-01-12 | 蜂巢能源科技有限公司 | 构建开路电压曲线的方法及*** |
CN112798974A (zh) * | 2020-12-22 | 2021-05-14 | 中国船舶重工集团公司第七0九研究所 | 孤立基站混合供电***蓄电池soh在线监测方法及*** |
CN117572243A (zh) * | 2023-11-08 | 2024-02-20 | 北京天易数聚科技有限公司 | 一种储能电池的循环寿命预测方法及*** |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050001625A1 (en) * | 2003-02-24 | 2005-01-06 | Cyrus Ashtiani | Method for determining the deterioration of a battery |
US20070285097A1 (en) * | 2006-06-07 | 2007-12-13 | Zettel Andrew M | Method and apparatus for predicting change in an operating state of an electric energy storage device |
US20070285060A1 (en) * | 2006-06-07 | 2007-12-13 | Zettel Andrew M | Method and apparatus for determining the effect of temperature upon life expectancy of an electric energy storage device in a hybrid electric vehicle |
DE102011075522A1 (de) * | 2011-05-09 | 2012-11-15 | Sb Limotive Company Ltd. | Verfahren zur Ermittlung einer Solltemperatur einer Batterie |
CN105207259A (zh) * | 2015-09-18 | 2015-12-30 | 北京北变微电网技术有限公司 | 基于能量管理的并网状态下的微电网***调度方法 |
CN106026152A (zh) * | 2016-05-19 | 2016-10-12 | 合肥工业大学 | 一种电动汽车接入微电网的充放电调度方法 |
CN106291372A (zh) * | 2016-07-22 | 2017-01-04 | 南京工业大学 | 一种新的锂离子动力电池剩余寿命预测方法 |
US20170153292A1 (en) * | 2015-12-01 | 2017-06-01 | Southwest Research Institute | Monitoring And Control Of Electrochemical Cell Degradation Via Strain Based Battery Testing |
CN107122603A (zh) * | 2017-04-24 | 2017-09-01 | 国网山东省电力公司潍坊供电公司 | 一种微电网中蓄电池储能***寿命测算方法 |
CN107437135A (zh) * | 2016-05-26 | 2017-12-05 | 中国电力科学研究院 | 一种新型储能选型方法 |
US20190113577A1 (en) * | 2017-10-17 | 2019-04-18 | The Board Of Trustees Of The Leland Stanford Junior University | Data-driven Model for Lithium-ion Battery Capacity Fade and Lifetime Prediction |
CN109713696A (zh) * | 2018-11-09 | 2019-05-03 | 杭州电子科技大学 | 考虑用户行为的电动汽车光伏充电站优化调度方法 |
US10700541B2 (en) * | 2015-10-08 | 2020-06-30 | Con Edison Battery Storage, Llc | Power control system with battery power setpoint optimization using one-step-ahead prediction |
-
2019
- 2019-05-08 CN CN201910380569.8A patent/CN110208717B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050001625A1 (en) * | 2003-02-24 | 2005-01-06 | Cyrus Ashtiani | Method for determining the deterioration of a battery |
US20070285097A1 (en) * | 2006-06-07 | 2007-12-13 | Zettel Andrew M | Method and apparatus for predicting change in an operating state of an electric energy storage device |
US20070285060A1 (en) * | 2006-06-07 | 2007-12-13 | Zettel Andrew M | Method and apparatus for determining the effect of temperature upon life expectancy of an electric energy storage device in a hybrid electric vehicle |
DE102011075522A1 (de) * | 2011-05-09 | 2012-11-15 | Sb Limotive Company Ltd. | Verfahren zur Ermittlung einer Solltemperatur einer Batterie |
CN105207259A (zh) * | 2015-09-18 | 2015-12-30 | 北京北变微电网技术有限公司 | 基于能量管理的并网状态下的微电网***调度方法 |
US10700541B2 (en) * | 2015-10-08 | 2020-06-30 | Con Edison Battery Storage, Llc | Power control system with battery power setpoint optimization using one-step-ahead prediction |
US20170153292A1 (en) * | 2015-12-01 | 2017-06-01 | Southwest Research Institute | Monitoring And Control Of Electrochemical Cell Degradation Via Strain Based Battery Testing |
CN106026152A (zh) * | 2016-05-19 | 2016-10-12 | 合肥工业大学 | 一种电动汽车接入微电网的充放电调度方法 |
CN107437135A (zh) * | 2016-05-26 | 2017-12-05 | 中国电力科学研究院 | 一种新型储能选型方法 |
CN106291372A (zh) * | 2016-07-22 | 2017-01-04 | 南京工业大学 | 一种新的锂离子动力电池剩余寿命预测方法 |
CN107122603A (zh) * | 2017-04-24 | 2017-09-01 | 国网山东省电力公司潍坊供电公司 | 一种微电网中蓄电池储能***寿命测算方法 |
US20190113577A1 (en) * | 2017-10-17 | 2019-04-18 | The Board Of Trustees Of The Leland Stanford Junior University | Data-driven Model for Lithium-ion Battery Capacity Fade and Lifetime Prediction |
CN109713696A (zh) * | 2018-11-09 | 2019-05-03 | 杭州电子科技大学 | 考虑用户行为的电动汽车光伏充电站优化调度方法 |
Non-Patent Citations (6)
Title |
---|
JOHN WANG 等: "Cycle-life model for graphite-LiFePO4 cells", 《JOURNAL OF POWER SOURCES》 * |
SHAOBO XIE 等: "Model predictive energy management for plug-in hybrid electric vehicles considering optimal battery depth of discharge", 《ENERGY》 * |
SIMONA ONORI 等: "A new life estimation method for lithium-ion batteries in plug-in hybrid electric vehicles applications", 《POWER ELECTRONICS》 * |
刘春阳 等: "计及蓄电池使用寿命的微电网经济调度模型", 《电力自动化设备》 * |
唐晓新 等: "电动汽车估算策略综述", 《信息通信》 * |
孙黎霞 等: "计及蓄电池使用寿命的热电联供型微电网经济优化", 《电动汽车估算策略综述》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112213649A (zh) * | 2019-10-31 | 2021-01-12 | 蜂巢能源科技有限公司 | 构建开路电压曲线的方法及*** |
CN112213649B (zh) * | 2019-10-31 | 2023-05-23 | 蜂巢能源科技有限公司 | 构建开路电压曲线的方法及*** |
CN112798974A (zh) * | 2020-12-22 | 2021-05-14 | 中国船舶重工集团公司第七0九研究所 | 孤立基站混合供电***蓄电池soh在线监测方法及*** |
CN117572243A (zh) * | 2023-11-08 | 2024-02-20 | 北京天易数聚科技有限公司 | 一种储能电池的循环寿命预测方法及*** |
CN117572243B (zh) * | 2023-11-08 | 2024-06-04 | 北京天易数聚科技有限公司 | 一种储能电池的循环寿命预测方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN110208717B (zh) | 2021-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108574317B (zh) | 充放电控制装置以及蓄电*** | |
CN106291378B (zh) | 一种电动汽车动力电池soh的测算方法 | |
CN107991623B (zh) | 一种考虑温度和老化程度的电池安时积分soc估计方法 | |
EP2490034B1 (en) | Storage battery device, storage battery state of charge evaluation device and method | |
CN104111377B (zh) | 二次电池不同荷电状态下直流内阻的测试方法 | |
CN109586373A (zh) | 一种电池充电方法和装置 | |
CN109870659A (zh) | 应用滑窗寻优策略的锂离子电池健康状态估算方法 | |
CN109444762B (zh) | 一种基于数据融合的锂离子电池健康状态估计方法 | |
CN105634063B (zh) | 一种基于电池历史数据的主动均衡方法 | |
CN105589040A (zh) | 基于老化调适电池运作区间的电池调控方法 | |
CN110098439A (zh) | 一种动力电池充电时间估计的方法 | |
CN110208717A (zh) | 基于大数据的动力电池寿命预测方法 | |
CN105353316B (zh) | 动力电池充电时soc变化量及充电电量折算系数测量方法 | |
CN108732499B (zh) | 一种检测锂离子电池循环寿命的方法和*** | |
CN105116350B (zh) | 动力电池放电时soc变化量及放电电量折算系数测量方法 | |
CN105703022B (zh) | 一种基于温度控制电池衰减的锂离子动力电池充电方法 | |
CN111123120B (zh) | 一种锂离子电池自放电电流的测定方法 | |
CN103698716A (zh) | 一种基于衰减系数的串联电池组可放出电量衰减评价方法 | |
CN107422265A (zh) | 一种单体电池一致性的检测方法 | |
CN110308399A (zh) | 一种适用于变电站用通信电源铅酸蓄电池的加速寿命检测方法 | |
CN109061478A (zh) | 一种利用eis测试进行锂离子电池寿命定性预测的方法 | |
CN110133503A (zh) | 一种电芯检测方法及装置 | |
CN103956513A (zh) | 一种大容量锂动力电池的配组方法 | |
CN104237792B (zh) | 电池容量预测方法 | |
CN111965557A (zh) | 一种后备电源可靠性的评估方法和装置 |
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 |