CN110609233A - 一种基于大数据进行储能电池soh预测的方法 - Google Patents
一种基于大数据进行储能电池soh预测的方法 Download PDFInfo
- Publication number
- CN110609233A CN110609233A CN201911028787.1A CN201911028787A CN110609233A CN 110609233 A CN110609233 A CN 110609233A CN 201911028787 A CN201911028787 A CN 201911028787A CN 110609233 A CN110609233 A CN 110609233A
- Authority
- CN
- China
- Prior art keywords
- data
- battery
- soh
- capacity
- soc
- 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
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及储能电池的管理技术领域，尤其是一种基于大数据进行储能电池SOH预测的方法；步骤一，采集数据；步骤二，根据采集的数据计算SOC；步骤三，数据清洗；步骤四，数据特征化；步骤五，建立SOH模型；步骤六，训练模型；依赖于电池数据采集的长周期情况下，从电池的额定信息和状态监测数据(电压、电流、温度、SOC等)挖掘其中隐含的电池健康状态信息及其演变规律，实现电池SOH预测。
Description
技术领域
本发明涉及储能电池的管理技术领域，尤其是一种基于大数据进行储能电池SOH预测的方法。
背景技术
电池的健康度(SOH，State of Health)，是指在一定条件下，电池使用一段时间后某些直接可测或间接计算得到的性能参数的实际值与标称值的比值，用来判断电池健康状况，一般以百分比的形式表现。SOH不仅仅与电池本身的电化学体系和电池制造工艺相关，还与车辆行驶工况和电池组内部的工作环境相关。
现有技术通常采用查表法或者根据过往经验来判断SOH，例如图1所示。该方法的明显弊端是不能实时监测SOH，更加不可能提前预知未来一定时间内的SOH。
发明内容
针对现有技术的不足，本发明提供一种从电池的额定信息和状态监测数据(电压、电流、温度、SOC等)挖掘其中隐含的电池健康状态信息及其演变规律，实现电池SOH预测的方法。
本发明的技术方案为：
一种基于大数据进行储能电池SOH预测的方法，其特征在于：他包括以下步骤：
步骤一，采集数据；
步骤二，根据采集的数据计算SOC；
步骤三，数据清洗；
步骤四，数据特征化；
步骤五，建立SOH模型；
步骤六，训练模型。
步骤一中，所述数据包括采集时间、电池充放电电流、最高电压、最低电压、最高温度、最低温度、电池故障信息。
步骤二中，SOC＝C/Cr*δ
其中C为电池存储容量，Cr为电池额定容量，δ为电池容量损耗因子；
电池容量为：C＝∫Idt，其中I为电流、t为时间。
步骤三中，数据清洗规则为：空余赋值：电池数据在传输过程中，很容易发生掉包导致变量缺失，在本发明中，主要采用取一段行程该变量的平均值或中间值或相邻插值进行空余变量的赋值；错值去除：通过设定电动汽车电池使用相关数据的每个变量的合理取值范围，即阈值，检查数据是否合乎要求，将超出正常范围的数据予以删除或纠正；交叉检验：通过设定电动汽车电池使用相关数据的相互约束和依赖关系，将逻辑上不合理或者相互矛盾的数据予以删除或纠正。
步骤四中，所述数据特征化是将通过数据整理步骤得到的数据进行总结和抽取，获取特征化后的数据，对于数据的总结和抽取包括滚动聚合。所述滚动聚合是指设定一个时间窗口，计算在预定的变量在该时间窗口内的聚合值，所述聚合值可以是数据的总和、平均值或者是标准差。
步骤五中，所述建立SOH模型包括4步：
第一步：得到电池基本数据，用于计算第二步和第三步中的SOH
所述基本数据，也可以称为出厂数据，包括：电池容量(Cap_BOL)、电池容量与温度的对应关系表以及电池理想工况下循环次数与容量衰减的对应关系表。
所述电池容量可以由电池厂提供，因为一般的电池都会标注容量；电池容量与温度的对应关系表，也可以由电池厂提供，若无法提供，通过数据去学习温度T与电池容量Cap关系表(充电时SOC从20％以下到100％)；电池理想工况下循环次数与容量衰减的对应关系表中的理想情况是指电池1C放电，0.5C充电(其中所述C是指是电池放电速率)，在25℃的环境下，放电到0％SOC，一次充放电算循环一次。
第二步：统计t时刻的SOH
从电池出厂开始运行时开始统计吞吐量其中Δt为采样时间间隔，包含了所有的充电和放电过程，It为充放电时电流，充电时It为负，放电时It为正。由于在电池的实际运作过程中并不处于25℃，1C放电，0.5C充电，满充满放的理想情况下，所以需要根据当前实际的SOC(剩余电量)，T(温度)，C(电池放电速率)，通过查第一步的容量和温度对应关系表得到衰减系数P，故实际吞吐量为此时电池的理想状态下充放电循环次数为然后依据循环次数与容量衰减Cap Fade Curve查出Nt对应的Capt，t时刻的SOH可表示为
第三步：捕捉SOC从20％以下充电到100％
此过程主要用于校验用，对第二步的SOH进行校验。
以一次有效捕捉为例：记充电开始的信息：时间t0，SOC0，记充电结束的信息：时间t1，SOC1＝100，温度T1，电压V1计算步骤如下：
首先计算电池容量：Cap0＝∑tIt*Δt，其中Δt为采集时间间隔，充电过程中对电流It按时间t积分，因为电池SOC是从SOC0(非放空状态)充电到100％，故需要跟理想情况下SOC从0充电到100％作对比，故需要做一次折算得到电池容量Cap1，公式如下：
因为SOC充电到100％时温度是T1，而需要跟理想情况下25℃作对比，故需要做第二次运算，系数q根据电池容量与温度的对应关系表，得到最终修正的电池容量Cap2为：
评估充电充满时的电压一致性，单体电压极差和电压标准差，对容量衰减的原因进行一致性方面的分析，若Cap2低可能是一致性差，故需先评估一致性，若一致性好，Cap2低是因为本身电池性能变差；得到本次充电充满时的SOH为：
通过上述三个步骤，对每个电池数据都进行了SOH的计算，其中第三步中获得的SOH主要用于对第二步中获得的SOHt进行校验，然后将第二步中获得的SOHt作为学习的目标。
第四步，基于特征化后的数据建立电池SOH预测的模型。
具体来说，采用生存模型来建立所述电池预测SOH模型：
生存模型算法中其中t为电池的使用时间，x为基于时间序列采集的数据，f(x)为研究对象生存时间分布的概率密度函数，S(t)为研究对象生存时间长于t的概率。SOH的算法模型为Y＝f(S(t)，x)，其中f()为
，由于电池的SOH从初始的100％到退役时的80％，相当于一个从出生到死亡生存的过程，因此在大数据建模过程中，根据建模得到的概率密度分布函数，则可以很好地预测基于SOH参数的电池寿命。
步骤六中，首先把原始的数据随机分成K个部分。在这K个部分中，选择其中一个部分作为测试数据，剩下的K-1个部分作为训练数据得到相应的实验结果。然后，挑选另外一个部分作为测试数据，剩下的K-1个部分作为训练数据，以此类推，重复进行K次交叉检验的。每次实验都从K个部分中选择一个不同的部分作为测试数据，保证K个部分的数据都分别做过测试数据，剩下的K-1个当作训练数据进行实验。最后把得到的K个实验结果平均，所述实验结果可以为预测值和校验值的差值，使得差值越小越好，从而确定最佳的分类，实现模型的训练。在本应用中，可以将获得电动汽车的数据随即分成K个部分，首先将其中K-1个部分的数据用于建立SOH预测模型，然后利用新建模型去验证剩下最后一部分的数据是否满足该模型。
本发明的有益效果为：依赖于电池数据采集的长周期情况下，从电池的额定信息和状态监测数据(电压、电流、温度、SOC等)挖掘其中隐含的电池健康状态信息及其演变规律，实现电池SOH预测。
附图说明
图1为本发明的原理示意图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明：
如图1所示，一种基于大数据进行储能电池SOH预测的方法，其特征在于：他包括以下步骤：
步骤一，采集数据；所述数据包括采集时间、电池充放电电流、最高电压、最低电压、最高温度、最低温度、电池故障信息。
步骤二，根据采集的数据计算SOC；SOC＝C/Cr*δ
其中C为电池存储容量，Cr为电池额定容量，δ为电池容量损耗因子；电池容量为：C＝∫Idt，其中I为电流、t为时间。
步骤三，数据清洗；数据清洗规则为：空余赋值：电池数据在传输过程中，很容易发生掉包导致变量缺失，在本发明中，主要采用取一段行程该变量的平均值或中间值或相邻插值进行空余变量的赋值；错值去除：通过设定电动汽车电池使用相关数据的每个变量的合理取值范围，即阈值，检查数据是否合乎要求，将超出正常范围的数据予以删除或纠正；交叉检验：通过设定电动汽车电池使用相关数据的相互约束和依赖关系，将逻辑上不合理或者相互矛盾的数据予以删除或纠正。
步骤四，数据特征化；所述数据特征化是将通过数据整理步骤得到的数据进行总结和抽取，获取特征化后的数据，对于数据的总结和抽取包括滚动聚合。所述滚动聚合是指设定一个时间窗口，计算在预定的变量在该时间窗口内的聚合值，所述聚合值可以是数据的总和、平均值或者是标准差。
步骤五，建立SOH模型；所述建立SOH模型包括4步：
第一步：得到电池基本数据，用于计算第二步和第三步中的SOH
所述基本数据，也可以称为出厂数据，包括：电池容量(Cap_BOL)、电池容量与温度的对应关系表以及电池理想工况下循环次数与容量衰减的对应关系表。
所述电池容量可以由电池厂提供，因为一般的电池都会标注容量；电池容量与温度的对应关系表，也可以由电池厂提供，若无法提供，通过数据去学习温度T与电池容量Cap关系表(充电时SOC从20％以下到100％)；电池理想工况下循环次数与容量衰减的对应关系表中的理想情况是指电池1C放电，0.5C充电(其中所述C是指是电池放电速率)，在25℃的环境下，放电到0％SOC，一次充放电算循环一次。
第二步：统计t时刻的SOH
从电池出厂开始运行时开始统计吞吐量其中Δt为采样时间间隔，包含了所有的充电和放电过程，It为充放电时电流，充电时It为负，放电时It为正。由于在电池的实际运作过程中并不处于25℃，1C放电，0.5C充电，满充满放的理想情况下，所以需要根据当前实际的SOC(剩余电量)，T(温度)，C(电池放电速率)，通过查第一步的容量和温度对应关系表得到衰减系数P，故实际吞吐量为此时电池的理想状态下充放电循环次数为然后依据循环次数与容量衰减Cap Fade Curve查出Nt对应的Capt，t时刻的SOH可表示为
第三步：捕捉SOC从20％以下充电到100％
此过程主要用于校验用，对第二步的SOH进行校验。
以一次有效捕捉为例：记充电开始的信息：时间t0，SOC0，记充电结束的信息：时间t1，SOC1＝100，温度T1，电压V1计算步骤如下：
首先计算电池容量：Cap0＝∑tIt*Δt，其中Δt为采集时间间隔，充电过程中对电流It按时间t积分，因为电池SOC是从SOC0(非放空状态)充电到100％，故需要跟理想情况下SOC从0充电到100％作对比，故需要做一次折算得到电池容量Cap1，公式如下：
因为SOC充电到100％时温度是T1，而需要跟理想情况下25℃作对比，故需要做第二次运算，系数q根据电池容量与温度的对应关系表，得到最终修正的电池容量Cap2为：
评估充电充满时的电压一致性，单体电压极差和电压标准差，对容量衰减的原因进行一致性方面的分析，若Cap2低可能是一致性差，故需先评估一致性，若一致性好，Cap2低是因为本身电池性能变差；得到本次充电充满时的SOH为：
通过上述三个步骤，对每个电池数据都进行了SOH的计算，其中第三步中获得的SOH主要用于对第二步中获得的SOHt进行校验，然后将第二步中获得的SOHt作为学习的目标。
第四步，基于特征化后的数据建立电池SOH预测的模型。
具体来说，采用生存模型来建立所述电池预测SOH模型：
生存模型算法中其中t为电池的使用时间，x为基于时间序列采集的数据，f(x)为研究对象生存时间分布的概率密度函数，S(t)为研究对象生存时间长于t的概率。SOH的算法模型为Y＝f(S(t)，x)，其中f()为
，由于电池的SOH从初始的100％到退役时的80％，相当于一个从出生到死亡生存的过程，因此在大数据建模过程中，根据建模得到的概率密度分布函数，则可以很好地预测基于SOH参数的电池寿命。
步骤六，训练模型，首先把原始的数据随机分成K个部分。在这K个部分中，选择其中一个部分作为测试数据，剩下的K-1个部分作为训练数据得到相应的实验结果。然后，挑选另外一个部分作为测试数据，剩下的K-1个部分作为训练数据，以此类推，重复进行K次交叉检验的。每次实验都从K个部分中选择一个不同的部分作为测试数据，保证K个部分的数据都分别做过测试数据，剩下的K-1个当作训练数据进行实验。最后把得到的K个实验结果平均，所述实验结果可以为预测值和校验值的差值，使得差值越小越好，从而确定最佳的分类，实现模型的训练。在本应用中，可以将获得电动汽车的数据随即分成K个部分，首先将其中K-1个部分的数据用于建立SOH预测模型，然后利用新建模型去验证剩下最后一部分的数据是否满足该模型。
上述实施例和说明书中描述的只是说明本发明的原理和最佳实施例，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。
Claims (7)
1.一种基于大数据进行储能电池SOH预测的方法，其特征在于：他包括以下步骤：
步骤一，采集数据；
步骤二，根据采集的数据计算SOC；
步骤三，数据清洗；
步骤四，数据特征化；
步骤五，建立SOH模型；
步骤六，训练模型。
2.根据权利要求1所述的一种基于大数据进行储能电池SOH预测的方法，其特征在于：步骤一中，所述数据包括采集时间、电池充放电电流、最高电压、最低电压、最高温度、最低温度、电池故障信息。
3.根据权利要求2所述的一种基于大数据进行储能电池SOH预测的方法，其特征在于：步骤二中，SOC＝C/Cr*δ
其中C为电池存储容量，Cr为电池额定容量，δ为电池容量损耗因子；
电池容量为：C＝∫Idt，其中I为电流、t为时间。
4.根据权利要求3所述的一种基于大数据进行储能电池SOH预测的方法，其特征在于：步骤三中，数据清洗规则为：空余赋值：电池数据在传输过程中，很容易发生掉包导致变量缺失，在本发明中，主要采用取一段行程该变量的平均值或中间值或相邻插值进行空余变量的赋值；错值去除：通过设定电动汽车电池使用相关数据的每个变量的合理取值范围，即阈值，检查数据是否合乎要求，将超出正常范围的数据予以删除或纠正；交叉检验：通过设定电动汽车电池使用相关数据的相互约束和依赖关系，将逻辑上不合理或者相互矛盾的数据予以删除或纠正。
5.根据权利要求4所述的一种基于大数据进行储能电池SOH预测的方法，其特征在于：步骤四中，所述数据特征化是将通过数据整理步骤得到的数据进行总结和抽取，获取特征化后的数据，对于数据的总结和抽取包括滚动聚合。所述滚动聚合是指设定一个时间窗口，计算在预定的变量在该时间窗口内的聚合值，所述聚合值可以是数据的总和、平均值或者是标准差。
6.根据权利要求5所述的一种基于大数据进行储能电池SOH预测的方法，其特征在于：步骤五中，所述建立SOH模型包括4步：
第一步：得到电池基本数据，用于计算第二步和第三步中的SOH
所述基本数据，也可以称为出厂数据，包括：电池容量(Cap_BOL)、电池容量与温度的对应关系表以及电池理想工况下循环次数与容量衰减的对应关系表；
第二步：统计t时刻的SOH
根据当前实际的SOC(剩余电量)，T(温度)，C(电池放电速率)，通过查第一步的容量和温度对应关系表得到衰减系数P，故实际吞吐量为此时电池的理想状态下充放电循环次数为然后依据循环次数与容量衰减Cap Fade Curve查出Nt对应的Capt，t时刻的SOH可表示为
第三步：捕捉SOC从20％以下充电到100％
此过程主要用于校验用，对第二步的SOH进行校验；
首先计算电池容量：Cap0＝∑tIt*Δt，其中Δt为采集时间间隔，充电过程中对电流It按时间t积分，因为电池SOC是从SOC0(非放空状态)充电到100％，故需要跟理想情况下SOC从0充电到100％作对比，故需要做一次折算得到电池容量Cap1，公式如下：
因为SOC充电到100％时温度是T1，而需要跟理想情况下25℃作对比，故需要做第二次运算，系数q根据电池容量与温度的对应关系表，得到最终修正的电池容量Cap2为：
评估充电充满时的电压一致性，单体电压极差和电压标准差，对容量衰减的原因进行一致性方面的分析，若Cap2低可能是一致性差，故需先评估一致性，若一致性好，Cap2低是因为本身电池性能变差；得到本次充电充满时的SOH为：
通过上述三个步骤，对每个电池数据都进行了SOH的计算，其中第三步中获得的SOH主要用于对第二步中获得的SOHt进行校验，然后将第二步中获得的SOHt作为学习的目标；
第四步，基于特征化后的数据建立电池SOH预测的模型；
具体来说，采用生存模型来建立所述电池预测SOH模型：
生存模型算法中其中t为电池的使用时间，x为基于时间序列采集的数据，f(x)为研究对象生存时间分布的概率密度函数，S(t)为研究对象生存时间长于t的概率。SOH的算法模型为Y＝f(S(t)，x)，其中f()为
7.根据权利要求6所述的一种基于大数据进行储能电池SOH预测的方法，其特征在于：步骤六中，首先把原始的数据随机分成K个部分，在这K个部分中，选择其中一个部分作为测试数据，剩下的K-1个部分作为训练数据得到相应的实验结果。然后，挑选另外一个部分作为测试数据，剩下的K-1个部分作为训练数据，以此类推，重复进行K次交叉检验的，每次实验都从K个部分中选择一个不同的部分作为测试数据，保证K个部分的数据都分别做过测试数据，剩下的K-1个当作训练数据进行实验，最后把得到的K个实验结果平均，所述实验结果可以为预测值和校验值的差值，使得差值越小越好，从而确定最佳的分类，实现模型的训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911028787.1A CN110609233A (zh) | 2019-10-25 | 2019-10-25 | 一种基于大数据进行储能电池soh预测的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911028787.1A CN110609233A (zh) | 2019-10-25 | 2019-10-25 | 一种基于大数据进行储能电池soh预测的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110609233A true CN110609233A (zh) | 2019-12-24 |
Family
ID=68895314
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911028787.1A Pending CN110609233A (zh) | 2019-10-25 | 2019-10-25 | 一种基于大数据进行储能电池soh预测的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110609233A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111584952A (zh) * | 2020-04-17 | 2020-08-25 | 许继集团有限公司 | 用于储能电站电化学电池在线评估的方法和*** |
| CN113625175A (zh) * | 2021-10-11 | 2021-11-09 | 北京理工大学深圳汽车研究院(电动车辆国家工程实验室深圳研究院) | 一种基于云端大数据平台的soc估算方法和*** |
| CN113655397A (zh) * | 2020-05-12 | 2021-11-16 | 北京京东乾石科技有限公司 | 一种确定电池满充满放次数的方法、装置和存储介质 |
| CN116224127A (zh) * | 2023-04-03 | 2023-06-06 | 杭州科工电子科技有限公司 | 基于大数据分析的电池健康状态估算方法 |
| CN116593896A (zh) * | 2023-01-30 | 2023-08-15 | 华北电力大学 | 一种电池储能***的状态检测方法、***及电子设备 |
| CN116736142A (zh) * | 2023-08-14 | 2023-09-12 | 新誉集团有限公司 | 一种电池组健康状况预警的方法、***及装置 |
| CN116960487A (zh) * | 2023-09-20 | 2023-10-27 | 南方电网调峰调频发电有限公司储能科研院 | 考虑单体不一致性的钠离子电池***容量估计方法及装置 |
| CN117863969A (zh) * | 2024-03-13 | 2024-04-12 | 国网北京市电力公司 | 一种考虑电池损耗的电动汽车充放电控制方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106485036A (zh) * | 2016-12-21 | 2017-03-08 | 杜伯仁 | 基于生存模型对资产证券化资产池进行评级的方法 |
| CN108876028A (zh) * | 2018-06-08 | 2018-11-23 | 山东交通学院 | 一种基于生存分析的公共交通周转时间预测方法及装置 |
| CN109299828A (zh) * | 2018-09-30 | 2019-02-01 | 南京地铁集团有限公司 | 一种基于生存分析的城轨设备无故障运行时间预测方法 |
| CN109799463A (zh) * | 2019-01-18 | 2019-05-24 | 上海卡鲁自动化科技有限公司 | 基于大数据方法的实际运行工况下动力电池soc/soh/sop的估计与预测方法 |
| CN109934294A (zh) * | 2019-03-18 | 2019-06-25 | 常伟 | 一种基于大数据机器学习进行电动汽车电池soh预测的方法 |
-
2019
- 2019-10-25 CN CN201911028787.1A patent/CN110609233A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106485036A (zh) * | 2016-12-21 | 2017-03-08 | 杜伯仁 | 基于生存模型对资产证券化资产池进行评级的方法 |
| CN108876028A (zh) * | 2018-06-08 | 2018-11-23 | 山东交通学院 | 一种基于生存分析的公共交通周转时间预测方法及装置 |
| CN109299828A (zh) * | 2018-09-30 | 2019-02-01 | 南京地铁集团有限公司 | 一种基于生存分析的城轨设备无故障运行时间预测方法 |
| CN109799463A (zh) * | 2019-01-18 | 2019-05-24 | 上海卡鲁自动化科技有限公司 | 基于大数据方法的实际运行工况下动力电池soc/soh/sop的估计与预测方法 |
| CN109934294A (zh) * | 2019-03-18 | 2019-06-25 | 常伟 | 一种基于大数据机器学习进行电动汽车电池soh预测的方法 |
Non-Patent Citations (3)
| Title |
|---|
| 余松林: "《临床随访资料的统计分析方法》", 28 February 1991, 人民卫生出版社, pages: 7 - 9 * |
| 宋欠欠等: "随机生存森林在高维基因组数据生存分析中的应用", 《中国卫生统计》, vol. 30, no. 6, 31 December 2013 (2013-12-31), pages 786 - 789 * |
| 王鹏飞: "电池储能***建模及其应用", 《自动化博览增刊》, no. 2, 31 December 2011 (2011-12-31), pages 188 - 190 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111584952A (zh) * | 2020-04-17 | 2020-08-25 | 许继集团有限公司 | 用于储能电站电化学电池在线评估的方法和*** |
| CN111584952B (zh) * | 2020-04-17 | 2022-04-08 | 许继集团有限公司 | 用于储能电站电化学电池在线评估的方法和*** |
| CN113655397A (zh) * | 2020-05-12 | 2021-11-16 | 北京京东乾石科技有限公司 | 一种确定电池满充满放次数的方法、装置和存储介质 |
| CN113625175A (zh) * | 2021-10-11 | 2021-11-09 | 北京理工大学深圳汽车研究院(电动车辆国家工程实验室深圳研究院) | 一种基于云端大数据平台的soc估算方法和*** |
| CN116593896B (zh) * | 2023-01-30 | 2023-12-01 | 华北电力大学 | 一种电池储能***的状态检测方法、***及电子设备 |
| CN116593896A (zh) * | 2023-01-30 | 2023-08-15 | 华北电力大学 | 一种电池储能***的状态检测方法、***及电子设备 |
| CN116224127A (zh) * | 2023-04-03 | 2023-06-06 | 杭州科工电子科技有限公司 | 基于大数据分析的电池健康状态估算方法 |
| CN116736142A (zh) * | 2023-08-14 | 2023-09-12 | 新誉集团有限公司 | 一种电池组健康状况预警的方法、***及装置 |
| CN116736142B (zh) * | 2023-08-14 | 2023-10-24 | 新誉集团有限公司 | 一种电池组健康状况预警的方法、***及装置 |
| CN116960487A (zh) * | 2023-09-20 | 2023-10-27 | 南方电网调峰调频发电有限公司储能科研院 | 考虑单体不一致性的钠离子电池***容量估计方法及装置 |
| CN116960487B (zh) * | 2023-09-20 | 2024-01-09 | 南方电网调峰调频发电有限公司储能科研院 | 考虑单体不一致性的钠离子电池***容量估计方法及装置 |
| CN117863969A (zh) * | 2024-03-13 | 2024-04-12 | 国网北京市电力公司 | 一种考虑电池损耗的电动汽车充放电控制方法及*** |
| CN117863969B (zh) * | 2024-03-13 | 2024-05-17 | 国网北京市电力公司 | 一种考虑电池损耗的电动汽车充放电控制方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110609233A (zh) | 一种基于大数据进行储能电池soh预测的方法 | |
| CN108254696B (zh) | 电池的健康状态评估方法及*** | |
| CN109731808B (zh) | 一种对锂电池梯次利用的检测分选方法 | |
| CN111584952A (zh) | 用于储能电站电化学电池在线评估的方法和*** | |
| CN111537899A (zh) | 一种梯次利用动力电池安全性评估方法 | |
| WO2023024851A1 (zh) | 电池均衡方法及*** | |
| CN110850297A (zh) | 一种通过大数据预测轨交锂电池soh的方法 | |
| CN110703120A (zh) | 基于粒子滤波和长短时记忆网络的锂离子电池寿命预测方法 | |
| CN110045291B (zh) | 一种锂电池容量估计方法 | |
| CN116609676B (zh) | 一种基于大数据处理的混合储能电池状态监控方法及*** | |
| CN114462259B (zh) | 基于soc的电池剩余寿命预测方法、***、汽车及介质 | |
| CN112611976A (zh) | 一种基于双差分曲线的动力电池健康状态估计方法 | |
| CN114839536A (zh) | 一种基于多健康因子的锂离子电池健康状态估计方法 | |
| CN113406525A (zh) | 一种基于优化变分模态分解的锂电池组剩余寿命预测方法 | |
| CN114646888A (zh) | 一种动力电池容量衰减的评估方法及*** | |
| CN113435688A (zh) | 动力电池***的风险排查方法 | |
| CN112051509B (zh) | 锂离子二次电池的电池状态判定方法 | |
| CN113420494B (zh) | 一种超级电容贝叶斯概率融合建模方法 | |
| CN116699407A (zh) | 一种基于安全熵的动力电池安全风险预警方法 | |
| CN110596595A (zh) | 一种通过大数据预测轨交锂电池rul的方法 | |
| CN116256642A (zh) | 一种适用于稀疏数据的磷酸铁锂电池故障诊断方法 | |
| CN112763917B (zh) | 一种储能电站电池组soc实时修正方法及*** | |
| CN113075560B (zh) | 一种动力锂离子电池健康状态在线预估方法 | |
| CN115469226A (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 | |
| Lin et al. | Research on Inconsistency Identification of Lithium-ion Battery Pack Based on Operational Data |
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 |
Application publication date: 20191224 |
|
| RJ01 | Rejection of invention patent application after publication |