CN111639442A - 一种动力锂电池剩余使用寿命的影响因素筛选方法及*** - Google Patents
一种动力锂电池剩余使用寿命的影响因素筛选方法及*** Download PDFInfo
- Publication number
- CN111639442A CN111639442A CN202010519157.0A CN202010519157A CN111639442A CN 111639442 A CN111639442 A CN 111639442A CN 202010519157 A CN202010519157 A CN 202010519157A CN 111639442 A CN111639442 A CN 111639442A
- Authority
- CN
- China
- Prior art keywords
- service life
- lithium battery
- power lithium
- influence
- screening
- 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
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 74
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012216 screening Methods 0.000 title claims abstract description 32
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 7
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims 1
- 229910001416 lithium ion Inorganic materials 0.000 claims 1
- 238000004590 computer program Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 230000001186 cumulative effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000007599 discharging Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 239000000178 monomer Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/05—Accumulators with non-aqueous electrolyte
- H01M10/052—Li-accumulators
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- General Chemical & Material Sciences (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本公开提供了一种动力锂电池剩余使用寿命的影响因素筛选方法及***,属于动力锂电池技术领域,获取动力锂电池的至少两种参数,采用主成分分析方法,分析得出每个参数对动力锂电池剩余使用寿命影响程度,根据各个参数的影响程度以及预设的阈值,得到至少一种动力锂电池剩余使用寿命的影响参数;本公开应用主成分分析方法,分析每个参数对动力锂电池剩余使用寿命影响程度,实现了动力锂电池剩余使用寿命影响因素的定量化的准确分析。
Description
技术领域
本公开涉及动力锂电池技术领域,特别涉及一种动力锂电池剩余使用寿命的影响因素筛选方法及***。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术,并不必然构成现有技术。
动力锂电池作为电动汽车的动力来源,其安全性和可靠性一直备受关注。作为表征锂电池当前使用寿命和健康状态的参数—剩余使用寿命,一直是最近几年研究者关注的对象。史建平建立了锂电池退化程度预测模型,基于自适应神经网络进行预测,验证了其可靠性和适用性。李丽敏提出一种基于改进的无迹粒子滤波(IUPF)的锂电池剩余使用寿命预测方法。文献都对锂电池的剩余使用寿命进行建模预测,取得了不少成果。
但是本公开发明人发现,现有技术中常常直接使用多个参数的组合来进行评价,缺乏对剩余使用寿命影响因素的研究,如锂电池的实时电压、充放电电流、电池温度等参数对剩余使用寿命的影响力和贡献率;针对所有的动力电池,常常采用固定的影响因素进行评价,并不针对具体的动力电池进行评价因素的变更,这种方式往往无法准确的得到特定的动力电池的剩余使用寿命。
发明内容
为了解决现有技术的不足,本公开提供了一种动力锂电池剩余使用寿命的影响因素筛选方法及***,应用主成分分析方法,分析每个参数对动力锂电池剩余使用寿命影响程度,实现了动力锂电池剩余使用寿命影响因素的定量化的准确分析。
为了实现上述目的,本公开采用如下技术方案:
本公开第一方面提供了一种动力锂电池剩余使用寿命的影响因素筛选方法。
一种动力锂电池剩余使用寿命的影响因素筛选方法,包括以下步骤:
获取动力锂电池的至少两种参数;
采用主成分分析方法,分析得出每个参数对动力锂电池剩余使用寿命影响程度;
根据各个参数的影响程度以及预设的阈值,得到至少一种动力锂电池剩余使用寿命的影响参数。
作为可能的一些实现方式,采集每个动力电池的参数,根据每个动力锂电池的参数得到各个动力电池的剩余使用寿命的影响因素。
本公开第二方面提供了一种动力锂电池剩余使用寿命的影响因素筛选***。
一种动力锂电池剩余使用寿命的影响因素筛选***,包括:
数据获取模块,被配置为:获取动力锂电池的至少两种参数;
影响程度分析模块,被配置为:采用主成分分析方法,分析得出每个参数对动力锂电池剩余使用寿命影响程度;
筛选模块,被配置为:根据各个参数的影响程度以及预设的阈值,得到至少一种动力锂电池剩余使用寿命的影响参数。
本公开第三方面提供了一种介质,其上存储有程序,该程序被处理器执行时实现如本公开第一方面所述的动力锂电池剩余使用寿命的影响因素筛选方法中的步骤。
本公开第四方面提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开第一方面所述的动力锂电池剩余使用寿命的影响因素筛选方法中的步骤。
与现有技术相比,本公开的有益效果是:
1、本公开所述的方法、***、介质及电子设备,以动力锂电池的充放电电流、电池温度、实时电压等锂电池管理***采集并计算的参数,作为影响动力锂电池剩余使用寿命的因素,通过多次充放电循环,采集、记录、存储这些参数的数据,应用主成分分析方法,分析得出每个参数对动力锂电池剩余使用寿命影响程度,实现了影响因素的定量化的准确分析。
2、本公开所述的方法、***、介质及电子设备,对每一个动力电池,根据采集到此电池的历史参数,得到其此电池的特定的动力锂电池的剩余使用寿命的影响因素,每个电池可能采用不同的影响因素,但是采用的影响因素都是对每个电池的寿命的影响程度最大的,通过这种方式实现了对每个电池的定制化寿命评估,极大的提升了其寿命评估的准确性。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例1提供的动力锂电池剩余使用寿命的影响因素筛选方法的流程示意图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本实施例使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例1:
如图1所示,本公开实施例1提供了一种动力锂电池剩余使用寿命的影响因素筛选方法,具体为:
S11:获取动力锂电池的至少两种参数;
S12:采用主成分分析方法,分析得出每个参数对动力锂电池剩余使用寿命影响程度;
S13:根据各个参数的影响程度以及预设的阈值,得到至少一种动力锂电池剩余使用寿命的影响参数。
本实施例中选取磷酸铁锂的动力电池包为研究对象,该电池包为2并110串的磷酸铁锂电池,额定容量为144Ah。
本实施例中定义动力锂电池剩余使用寿命为YC,选取中航锂电的锂电池作为研究对象,循环使用寿命理论为1000次循环,每次完整的充放电循环减少一次,YC=(1000-循环次数)/1000,动力锂电池剩余使用寿命为YC为百分比。
本实施例中定义动力锂电池剩余使用寿命的影响因素为总电压、电池温度、充放电电流、SOC、单体电压、实际容量。
具体如下:
S111:总电压,定义为X1:代表着电池的充放电深度(DOD),电压范围在275V到401.5V;
S112:温度,定义为X2:温度范围在-40℃到70℃,本实施例选用电池包有16个温度测量点,选取电池包中最中间的温度点T10;
S113:充放电电流,定义为X3:电流范围-5A到280A,充电电流为负值,放电电流为正值;
S114:电池包的SOC,定义为X4:本实施例可以采集到所有串数的SOC,所以选取其中一串能够代表大多数单节电芯的SOC(State of Charge,荷电状态),即第20串SOC;
S115:单体电压,定义为X5:本实施例可以采集到所有串数的电压,选取与SOC一致的单体电压,即第20串单体电压;
S116:电池的实际容量,定义为X6:本实施例可以采集到所有串数的实际容量,选取与SOC一致的实际容量,即第20串实际容量,额定容量为144Ah。
影响因素的数据,具体为:
本实施例采集的数据为新能源汽车的路跑数据,按照以上原则,通过后期筛选形成,部分数据见表1。
表1:动力锂电池剩余使用寿命影响因素数据表。
基于主成分分析法影响因素分析方法,具体包括以下步骤:
S21:影响因素数据的标准化处理
定义进行主成份分析的指标因素为m个(本实施例中m=6):x1,x2,…,xm,共有n个评价对象(本实施例中n=774),第i个评价对象的第j个指标的取值为aij。
S22:相关矩阵R
第i个影响因素与第j个影响因素的相关系数矩阵R=(rij)m×m,
式中,rii=1,rij=rji。
S23:特征值
相关系数矩阵R的特征值:
λ1≥λ2≥…≥λm≥0 (3)
S24:特征向量
相关系数矩阵R的特征值对应的特征向量:μ1,μ2,…,μm。
S25:贡献率
贡献率包含信息贡献率和累计贡献率。
主成分yj的信息贡献率定义为:
主成分y1,y2,…,yp的累计贡献率定义为:
S26:综合评价值
综合评价定义为:
其中,bj为第j个主成分的信息贡献率,根据综合评价值进行分析。
S27:分析结果
根据公式(4)、公式(5),计算得出表2,可知信息贡献率和累计贡献率。
表2:影响因素信息贡献率和累计贡献率。
由表2知,前4个影响因素的累计贡献率就超过90%以上,前5个因素的累计贡献率超过99%,都可以表征6个影响因素。
实施例2:
本公开实施例2提供了一种动力锂电池剩余使用寿命的影响因素筛选方法,具体为:
获取每个动力电池的多个参数;
对每个动力电池进行寿命评估前,采用实施例1所述的方式根据每个电池的历史数据,得到影响每个动力电池的影响因素;
采用每个动力电池独有的影响程度最大的影响因素来对相应的动力电池的剩余寿命进行评估。
通过对每个动力电池进行分析,极大的提升了寿命评估的准确性,有效的避免了特定的评价参数对不同的电池带来的差异化影响。
实施例3:
本公开实施例3提供了一种动力锂电池剩余使用寿命的影响因素筛选***,包括:
数据获取模块,被配置为:获取动力锂电池的至少两种参数;
影响程度分析模块,被配置为:采用主成分分析方法,分析得出每个参数对动力锂电池剩余使用寿命影响程度;
筛选模块,被配置为:根据各个参数的影响程度以及预设的阈值,得到至少一种动力锂电池剩余使用寿命的影响参数。
所述***的工作方法与实施例1或实施例2中的筛选方法相同,这里不再赘述。
实施例4:
本公开实施例4提供了一种介质,其上存储有程序,该程序被处理器执行时实现如本公开实施例1或实施例2所述的动力锂电池剩余使用寿命的影响因素筛选方法中的步骤。
实施例5:
本公开实施例5提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开实施例1或实施例2所述的动力锂电池剩余使用寿命的影响因素筛选方法中的步骤。
本领域内的技术人员应明白,本公开的实施例可提供为方法、***、或计算机程序产品。因此,本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种动力锂电池剩余使用寿命的影响因素筛选方法,其特征在于,包括以下步骤:
获取动力锂电池的至少两种参数;
采用主成分分析方法,分析得出每个参数对动力锂电池剩余使用寿命影响程度;
根据各个参数的影响程度以及预设的阈值,得到至少一种动力锂电池剩余使用寿命的影响参数。
2.如权利要求1所述的动力锂电池剩余使用寿命的影响因素筛选方法,其特征在于,动力锂电池的参数至少包括总电压、电池温度、充放电电流、荷电状态、单体电压和实际容量;
或者,
采集每个动力电池的参数,根据每个动力锂电池的参数得到各个动力电池的剩余使用寿命的影响因素。
3.如权利要求1所述的动力锂电池剩余使用寿命的影响因素筛选方法,其特征在于,主成分分析方法,具体为:
将获取到的各个参数进行标准化;
获取任意两个影响因素之间的相关系数矩阵;
获取各个相关系数矩阵的特征值;
根据得到的特征值计算每个参数的信息贡献率;
根据各个参数的信息贡献率累加得到累计贡献率。
8.一种动力锂电池剩余使用寿命的影响因素筛选***,其特征在于,包括:
数据获取模块,被配置为:获取动力锂电池的至少两种参数;
影响程度分析模块,被配置为:采用主成分分析方法,分析得出每个参数对动力锂电池剩余使用寿命影响程度;
筛选模块,被配置为:根据各个参数的影响程度以及预设的阈值,得到至少一种动力锂电池剩余使用寿命的影响参数。
9.一种介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的动力锂电池剩余使用寿命的影响因素筛选方法中的步骤。
10.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的动力锂电池剩余使用寿命的影响因素筛选方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010519157.0A CN111639442A (zh) | 2020-06-09 | 2020-06-09 | 一种动力锂电池剩余使用寿命的影响因素筛选方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010519157.0A CN111639442A (zh) | 2020-06-09 | 2020-06-09 | 一种动力锂电池剩余使用寿命的影响因素筛选方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111639442A true CN111639442A (zh) | 2020-09-08 |
Family
ID=72328904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010519157.0A Pending CN111639442A (zh) | 2020-06-09 | 2020-06-09 | 一种动力锂电池剩余使用寿命的影响因素筛选方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111639442A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112285568A (zh) * | 2020-10-21 | 2021-01-29 | 合肥工业大学 | 一种基于动力锂电池能量状态的剩余放电时间的估计方法 |
CN112699459A (zh) * | 2020-12-28 | 2021-04-23 | 华霆(合肥)动力技术有限公司 | 一种电池包热管理***分析方法和装置、电子设备 |
CN116738932A (zh) * | 2023-08-16 | 2023-09-12 | 杭州程单能源科技有限公司 | 锂电池梯次利用的电芯压差优化方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778337A (zh) * | 2015-04-30 | 2015-07-15 | 北京航空航天大学 | 一种基于函数型主成分分析与贝叶斯更新的锂电池剩余寿命预测方法 |
CN111103544A (zh) * | 2019-12-26 | 2020-05-05 | 江苏大学 | 基于长短时记忆lstm和粒子滤波pf的锂离子电池剩余使用寿命预测方法 |
-
2020
- 2020-06-09 CN CN202010519157.0A patent/CN111639442A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778337A (zh) * | 2015-04-30 | 2015-07-15 | 北京航空航天大学 | 一种基于函数型主成分分析与贝叶斯更新的锂电池剩余寿命预测方法 |
CN111103544A (zh) * | 2019-12-26 | 2020-05-05 | 江苏大学 | 基于长短时记忆lstm和粒子滤波pf的锂离子电池剩余使用寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
李学哲;李孝平;冯海美;刘军明;: "动力锂电池剩余寿命评价方法及***的研究" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112285568A (zh) * | 2020-10-21 | 2021-01-29 | 合肥工业大学 | 一种基于动力锂电池能量状态的剩余放电时间的估计方法 |
CN112285568B (zh) * | 2020-10-21 | 2023-11-14 | 合肥工业大学 | 一种基于动力锂电池能量状态的剩余放电时间的估计方法 |
CN112699459A (zh) * | 2020-12-28 | 2021-04-23 | 华霆(合肥)动力技术有限公司 | 一种电池包热管理***分析方法和装置、电子设备 |
CN116738932A (zh) * | 2023-08-16 | 2023-09-12 | 杭州程单能源科技有限公司 | 锂电池梯次利用的电芯压差优化方法及装置 |
CN116738932B (zh) * | 2023-08-16 | 2024-01-05 | 杭州程单能源科技有限公司 | 锂电池梯次利用的电芯压差优化方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111639442A (zh) | 一种动力锂电池剩余使用寿命的影响因素筛选方法及*** | |
CN106556802A (zh) | 一种蓄电池组异常单体电池识别方法及装置 | |
CN110568361A (zh) | 一种动力电池健康状态的预测方法 | |
WO2021143482A1 (zh) | 一种soh检测方法及装置 | |
CN110850298B (zh) | 基于数据驱动的锂电池soh估计方法及*** | |
CN109100655B (zh) | 一种动力电池的数据处理方法和装置 | |
CN109307845B (zh) | 一种用于对梯次利用电池储能***进行健康状态评估的方法及*** | |
CN108872866A (zh) | 一种锂离子电池荷电状态动态评估与长效预测融合方法 | |
CN111337832A (zh) | 一种动力电池多维度融合soc和soh在线联合估算的方法 | |
CN111448467A (zh) | 用于对电池容量进行建模和估计的方法及*** | |
CN112083346B (zh) | 基于lstm的并联电池组内部电流分布估计方法及*** | |
US20230059529A1 (en) | Characterization of Rechargeable Batteries Using Machine-Learned Algorithms | |
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*** | |
CN110045291B (zh) | 一种锂电池容量估计方法 | |
CN116643178B (zh) | 一种电池管理***的soc估算方法及相关装置 | |
CN113777510A (zh) | 一种锂电池荷电状态估计方法及装置 | |
CN113657360A (zh) | 锂电池健康状态估计方法、装置、设备及可读存储介质 | |
CN116660759B (zh) | 基于bms电池管理***的电池寿命预测方法及装置 | |
CN115061058A (zh) | 退役动力电池梯次利用剩余寿命测算方法及*** | |
CN116953547A (zh) | 一种储能电池健康度评估方法、***、设备及存储介质 | |
CN115015789A (zh) | 基于增量电容曲线的锂离子电池健康状态估计方法及装置 | |
CN112698217B (zh) | 基于粒子群优化算法的电池单体容量估计方法 | |
CN107402356A (zh) | 一种基于动态参数辨识的ekf估算铅酸电池soc方法 | |
CN114325393B (zh) | 基于pf和gpr的锂离子电池组soh自适应估算方法 | |
CN116068402A (zh) | 新能源汽车锂电池状态预测方法、装置、设备及存储介质 |
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 |