CN111965559B - 一种锂离子电池soh在线估计方法 - Google Patents
一种锂离子电池soh在线估计方法 Download PDFInfo
- Publication number
- CN111965559B CN111965559B CN202010825270.1A CN202010825270A CN111965559B CN 111965559 B CN111965559 B CN 111965559B CN 202010825270 A CN202010825270 A CN 202010825270A CN 111965559 B CN111965559 B CN 111965559B
- Authority
- CN
- China
- Prior art keywords
- health index
- capacity
- current
- time
- 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.)
- Active
Links
Images
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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
-
- 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
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种锂离子电池SOH在线估计方法,具体为:步骤1,离线采集电动汽车电池恒压充电过程中的过程中电压、电流、时间以及恒流放电过程中电流、时间及容量;步骤2,提取步骤1采取的恒压充电时间作为健康指标;步骤3,采用拉依达准则对健康指标数据预处理;步骤4,采用BP神经网络算法建立健康指标和容量之间的映射关系;步骤5,在线信号采集,提取健康指标,采用BP神经网络算法进行容量估计,并计算出电池SOH值。本发明解决了现有电动汽车电池SOH估计方法以容量或者内阻为健康指标,不能实现在线估计应用,且滤波方法参数获取需要固定的充放电模式,不能充分考虑电动汽车实际工作过程中的动态变化特性的问题。
Description
技术领域
本发明属于锂电池技术领域,涉及一种锂离子电池SOH在线估计方法。
背景技术
锂离子电池因其比能量高、工作电压高、温度范围宽、自放电率低、循环寿命长和安全性好等诸多优点,被广泛电动汽车及各个领域,逐渐成为未来诸多重要领域的关键和支撑。然而,锂电池在使用过程中性能的退化会影响仪器设备的正常使用,甚至会造成严重的故障事故,通常锂离子电池健康状态(SOH)是指测量的容量与额定容量之比,锂离子电池SOH估计可以优化电池的使用策略,延长电池性能衰减周期;另外可以及时对坏的电池进行更换处理,降低电池使用成本,提高电动汽车整车寿命。因此锂离子电池SOH估计尤为重要。
内阻、容量及充放电行为和循环次数是锂离子电池SOH估计研究的对象,然而这些研究通常用于线下的SOH估计方法验证。有学者提出从充放电行为和循环次数中提取出健康指示器(HI),建立HI和SOH之间的映射关系,用于实时在线SOH估计。然而电动汽车充放电行为和循环次数在实际运行中各不相同,不适用于电动汽车锂离子电池在线SOH估计。
电动汽车的放电过程是随机的,但是电动汽车充电过程是有规律的,电动汽车充电一般分为恒流充电、恒压充电及浮充电三个阶段,恒流充电时间较短特征不够明显,且其电动汽车充电起点各异,监测信息误差较大。浮充电特征几乎没有变化,所以只有恒压充电阶段信息是完全保留的,初始状态与终止状态是相同的,不受之前不完全放电过程的影响。
现有电动汽车电池SOH估计方法中以容量或者内阻为健康指标的方法大多不能实现在线估计应用,且滤波方法参数获取需要固定的充放电模式,不能充分考虑电动汽车实际工作过程中的动态变化特性的问题。
发明内容
本发明的目的是提供一种锂离子电池SOH在线估计方法,解决了现有电动汽车电池SOH估计方法以容量或者内阻为健康指标,不能实现在线估计应用,且滤波方法参数获取需要固定的充放电模式,不能充分考虑电动汽车实际工作过程中的动态变化特性的问题。
本发明所采用的技术方案是,一种锂离子电池SOH在线估计方法,具体按照如下步骤实施:
步骤1,离线采集电动汽车电池恒压充电过程中的过程中电压、电流、时间以及恒流放电过程中电流、时间及容量;
步骤2,提取步骤1采取的恒压充电时间作为健康指标;
步骤3,采用拉依达准则对健康指标数据预处理;
步骤4,采用BP神经网络算法建立健康指标和容量之间的映射关系;
步骤5,在线信号采集,提取健康指标,采用BP神经网络算法进行容量估计,并计算出电池SOH值。
本发明的特征还在于,
步骤1具体为:
采用电压电流传感器以及时间计时器采集电动汽车锂离子电池恒压充电过程中电压、电流和时间;
电动汽车充满电后,采用电流传感器以及时间计时器采集电动汽车锂离子电池恒流放电过程中电流和时间,将恒流放电过程中电流和时间相乘后得到电池容量。
步骤2具体为:
计算恒压充电时间健康指标时间序列,其中,第i个周期内对应的恒压放电时间序列,即第i个周期健康指标HIi为:
HIi=tCVCend(i)-tCVCstart(i),i=1,2,3,... (1)
式中,tCVCstart和tCVCend分别为第i个周期恒压充电起始和终止时间。
步骤3具体为:
步骤3.1,首先计算健康指标数据标准差σ,其计算式为
步骤3.2,根据拉依达准则判别修正健康指标数据,拉依达准则判别依据如下:
若残差大于3σ,则健康指标数据为粗大误差,应予舍弃或补偿,若残差小于或等于3σ,则健康指标数据为正常数据,予以保留。
步骤4具体为:
步骤4.1,采用皮尔逊皮尔森相关系数进行健康指标数据和容量之间相关性分析,计算健康指标数据和容量的相关系数,若相关系数大于0.6,则强相关,则健康指标时间序列的有效;
步骤4.2,以步骤4.1证明有效的健康指标时间序列作为BP神经网络算法的输入,锂离子电池容量数据为BP神经网络算法的输出,建立健康指标和锂离子电池容量的关系,训练得出网络参数ωij、ωjk、aj和bk,具体为:
式中,Ck为电池容量序列,i为输入层节点个数,j为隐含层节点个数,k为输出层节点个数,其中输入层和输出层节点个数相等,故i=k,ωij为输入层和隐含层间连接权值,aj为输入层和隐含层连接阈值,ωjk为输入层和隐含层间连接权值,bk为输入层和隐含层连接阈值。
步骤4.1中的采用皮尔逊皮尔森相关系数进行健康指标数据和容量之间相关性分析,计算健康指标数据和容量的相关系数,相关系数r的计算公式为:
式中,N为充放电总次数,Ci为第i个周期电池容量,HIi为第i个周期健康指标。
步骤5的具体过程为:
步骤5.1,线上采用电压电流传感器以及时间计时器采集电动汽车恒压充电过程中的充电电压、电流和时间;
步骤5.2,按照步骤2的方法提取步骤5.1中恒压充电时间作为健康指标,得到当前健康指标的时间序列HI′i;
步骤5.3,将步骤5.2得到的当前健康指标的时间序列HI′i输入到步骤4.2建立的健康指标和锂离子电池容量的关系中,进行容量估计得到当前电池容量序列C′k:
步骤5.4,通过SOH定义式,计算得到当前电池的SOH:
CN是电池标称容量,C′k是当前电池容量序列。
本发明的有益效果是
本发明可以有效避免滤波方法受电池循环次数及固定充放电模式的影响,解决现有电动汽车电池SOH估计方法中以容量或者内阻为健康指标的方法大多不能实现在线估计应用,且滤波方法参数获取需要固定的充放电模式,不能充分考虑电动汽车实际工作过程中的动态变化特性的问题。本发明提出一种适用于电动汽车实际工况的在线锂离子电池SOH估计方法,首先利用电动汽车实际充电过程的可测量参数,提出恒压充电时间作为健康指标,并采用拉依达准则法进行健康指标预处理;其次采用皮尔森相关系数健康指标与电池容量分析,并用BP神经网络算法建立所提健康指标与电池实际容量之间的映射关系;最后采用BP神经网络算法进行SOH估计。
附图说明
图1是本发明一种锂离子电池SOH在线估计方法的总流程图;
图2是本发明一种锂离子电池SOH在线估计方法中线下锂离子电池数据采集图;
图3是本发明一种锂离子电池SOH在线估计方法中在线锂离子电池健康指标HI提取方法图;
图4是本发明一种锂离子电池SOH在线估计方法中健康指标HI异常点处理流程图;
图5是本发明一种锂离子电池SOH在线估计方法中健康指标HI和锂离子电池容量映射模型图;
图6是本发明一种锂离子电池SOH在线估计方法中在线锂离子电池SOH估计模型图;
图7是本发明一种锂离子电池SOH在线估计方法中异常点未处理健康指标HI和锂离子电池对比图;
图8是本发明一种锂离子电池SOH在线估计方法中异常点处理后健康指标HI和锂离子电池对比图;
图9是本发明一种锂离子电池SOH在线估计方法中在线锂离子电池SOH估计仿真图。
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。
本发明一种锂离子电池SOH在线估计方法,其流程如图1所示,具体按照如下步骤实施:
步骤1,离线采集电动汽车电池恒压充电过程中的过程中电压、电流、时间以及恒流放电过程中电流、时间及容量;如图2所示,具体为:
采用电压电流传感器以及时间计时器采集电动汽车锂离子电池恒压充电过程中电压、电流和时间;
电动汽车充满电后,采用电流传感器以及时间计时器采集电动汽车锂离子电池恒流放电过程中电流和时间,将恒流放电过程中电流和时间相乘后得到电池容量。
步骤2,提取步骤1采取的恒压充电时间作为健康指标;如图3所示,具体为:
计算恒压充电时间健康指标时间序列,其中,第i个周期内对应的恒压放电时间序列,即第i个周期健康指标HIi为:
HIi=tCVCend(i)-tCVCstart(i),i=1,2,3,... (1)
式中,tCVCstart和tCVCend分别为第i个周期恒压充电起始和终止时间。
步骤3,采用拉依达准则对健康指标数据预处理;如图4所示,具体为:
步骤3.1,首先计算健康指标数据标准差σ,其计算式为
步骤3.2,根据拉依达准则判别修正健康指标数据,拉依达准则判别依据如下:
若残差大于3σ,则健康指标数据为粗大误差,应予舍弃或补偿,若残差小于或等于3σ,则健康指标数据为正常数据,予以保留。
步骤4,采用BP神经网络算法建立健康指标和容量之间的映射关系;如图5所示,具体为:
步骤4.1,采用皮尔逊皮尔森相关系数进行健康指标数据和容量之间相关性分析,计算健康指标数据和容量的相关系数,若相关系数大于0.6,则强相关,则健康指标时间序列的有效;其中,采用皮尔逊皮尔森相关系数进行健康指标数据和容量之间相关性分析,计算健康指标数据和容量的相关系数,相关系数r的计算公式为:
式中,N为充放电总次数,Ci为第i个周期电池容量,HIi为第i个周期健康指标;
步骤4.2,以步骤4.1证明有效的健康指标时间序列作为BP神经网络算法的输入,锂离子电池容量数据为BP神经网络算法的输出,建立健康指标和锂离子电池容量的关系,训练得出网络参数ωij、ωjk、aj和bk,具体为:
式中,Ck为电池容量序列,i为输入层节点个数,j为隐含层节点个数,k为输出层节点个数,其中输入层和输出层节点个数相等,故i=k,ωij为输入层和隐含层间连接权值,aj为输入层和隐含层连接阈值,ωjk为输入层和隐含层间连接权值,bk为输入层和隐含层连接阈值。
步骤5,在线信号采集,提取健康指标,采用BP神经网络算法进行容量估计,并计算出电池SOH值,如图6所示,具体过程为:
步骤5.1,线上采用电压电流传感器以及时间计时器采集电动汽车恒压充电过程中的充电电压、电流和时间;
步骤5.2,按照步骤2的方法提取步骤5.1中恒压充电时间作为健康指标,得到当前健康指标的时间序列HI′i;
步骤5.3,将步骤5.2得到的当前健康指标的时间序列HI′i输入到步骤4.2建立的健康指标和锂离子电池容量的关系中,进行容量估计得到当前电池容量序列C′k:
步骤5.4,通过SOH定义式,计算得到当前电池的SOH:
CN是电池标称容量,C′k是当前电池容量序列。
实施例
本发明采用的数据集来源于NASA PCoE研究中心搭建的锂离子电池测试床,电池采用的是市售的18650Li-ion battery,额定容量为2Ah。以锂离子电池(B0005、B0006和B0007)在室温下通过3种不同的操作特性(充电、放电和阻抗)。在1.5A恒流(CC)模式下充电,直到电池电压达到4.2V,然后在恒压(CV)模式下充电,直到充电电流下降到20mA。
从数据中提取出恒压充电电压、电流和时间,以及锂离子电池容量。如图7所示为健康指标HI和容量对比图。可以看出在实际提取过程及测量会出现误差,需要对误差点进行修正,因此本文采用拉依达准则法进行数据的修正,修正后如图8所示,误差点已经进行修正,恒压充电时间健康指标和电池容量有很强的负相关性,相关性如表1所示。
表1健康指标HI和电池容量相关性
锂离子电池 | 异常点修正前 | 异常点修正后 |
B0005 | -0.8551 | -0.9803 |
B0006 | -0.8634 | -0.9474 |
B0007 | -0.8380 | -0.9632 |
采用BP神经网络算法建立三个电池健康指标HI和电池容量之间的映射,以B0005为例进行在线锂离子电池SOH估计验证,结果如图9所示。最大绝对误差0.0749,最小绝对误差3.2730e-07,平均绝对误差0.0180,均方根误差0.0252。本发明整体SOH估计误差小于2%,且适用于电动汽车实际工况。
Claims (1)
1.一种锂离子电池SOH在线估计方法,其特征在于,具体按照如下步骤实施:
步骤1,离线采集电动汽车电池恒压充电过程中的过程中电压、电流、时间以及恒流放电过程中电流、时间及容量;
所述步骤1具体为:
采用电压电流传感器以及时间计时器采集电动汽车锂离子电池恒压充电过程中电压、电流和时间;
电动汽车充满电后,采用电流传感器以及时间计时器采集电动汽车锂离子电池恒流放电过程中电流和时间,将恒流放电过程中电流和时间相乘后得到电池容量;
步骤2,提取步骤1采取的恒压充电时间作为健康指标;
所述步骤2具体为:
计算恒压充电时间健康指标时间序列,其中,第i个周期内对应的恒压放电时间序列,即第i个周期健康指标HIi为:
HIi=tCVCend(i)-tCVCstart(i),i=1,2,3,...(1)
式中,tCVCstart和tCVCend分别为第i个周期恒压充电起始和终止时间;
步骤3,采用拉依达准则对健康指标数据预处理;
所述步骤3具体为:
步骤3.1,首先计算健康指标数据标准差σ,其计算式为
步骤3.2,根据拉依达准则判别修正健康指标数据,拉依达准则判别依据如下:
若残差大于3σ,则健康指标数据为粗大误差,应予舍弃或补偿,若残差小于或等于3σ,则健康指标数据为正常数据,予以保留;
步骤4,采用BP神经网络算法建立健康指标和容量之间的映射关系;
所述步骤4具体为:
步骤4.1,采用皮尔逊皮尔森相关系数进行健康指标数据和容量之间相关性分析,计算健康指标数据和容量的相关系数,若相关系数大于0.6,则强相关,则健康指标时间序列的有效;
步骤4.2,以步骤4.1证明有效的健康指标时间序列作为BP神经网络算法的输入,锂离子电池容量数据为BP神经网络算法的输出,建立健康指标和锂离子电池容量的关系,训练得出网络参数ωij、ωjk、aj和bk,具体为:
式中,Ck为电池容量序列,i为输入层节点个数,j为隐含层节点个数,k为输出层节点个数,其中输入层和输出层节点个数相等,故i=k,ωij为输入层和隐含层间连接权值,aj为输入层和隐含层连接阈值,ωjk为输入层和隐含层间连接权值,bk为输入层和隐含层连接阈值;
所述步骤4.1中的采用皮尔逊皮尔森相关系数进行健康指标数据和容量之间相关性分析,计算健康指标数据和容量的相关系数,相关系数r的计算公式为:
式中,N为充放电总次数,Ci为第i个周期电池容量,HIi为第i个周期健康指标;
步骤5,在线信号采集,提取健康指标,采用BP神经网络算法进行容量估计,并计算出电池SOH值;
所述步骤5的具体过程为:
步骤5.1,线上采用电压电流传感器以及时间计时器采集电动汽车恒压充电过程中的充电电压、电流和时间;
步骤5.2,按照步骤2的方法提取步骤5.1中恒压充电时间作为健康指标,得到当前健康指标的时间序列HI′i;
步骤5.3,将步骤5.2得到的当前健康指标的时间序列HI′i输入到步骤4.2建立的健康指标和锂离子电池容量的关系中,进行容量估计得到当前电池容量序列C′k:
步骤5.4,通过SOH定义式,计算得到当前电池的SOH:
CN是电池标称容量,C′k是当前电池容量序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010825270.1A CN111965559B (zh) | 2020-08-17 | 2020-08-17 | 一种锂离子电池soh在线估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010825270.1A CN111965559B (zh) | 2020-08-17 | 2020-08-17 | 一种锂离子电池soh在线估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111965559A CN111965559A (zh) | 2020-11-20 |
CN111965559B true CN111965559B (zh) | 2023-06-16 |
Family
ID=73389059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010825270.1A Active CN111965559B (zh) | 2020-08-17 | 2020-08-17 | 一种锂离子电池soh在线估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111965559B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112595987A (zh) * | 2020-11-28 | 2021-04-02 | 国网河南省电力公司电力科学研究院 | 一种基于混合脉冲电压变化的锂电池寿命估算方法 |
CN114693043A (zh) * | 2020-12-31 | 2022-07-01 | 奥动新能源汽车科技有限公司 | 车用电池的健康状况评估方法、***、电子设备和介质 |
US12044737B2 (en) * | 2021-02-08 | 2024-07-23 | Hong Kong Applied Science and Technology Research Institute Company Limited | Fast screening of rechargeable batteries using sectional constant-current impulse ratio (SCCIR) calibration with constant-current followed by constant-voltage charging |
CN113109715B (zh) * | 2021-03-29 | 2022-07-05 | 东华大学 | 基于特征选择和支持向量回归的电池健康状况预测方法 |
CN113391214A (zh) * | 2021-07-30 | 2021-09-14 | 湖北工业大学 | 一种基于电池充电电压排名变化的电池微故障诊断方法 |
CN113740736B (zh) * | 2021-08-31 | 2024-04-02 | 哈尔滨工业大学 | 一种基于深度网络自适应的电动汽车锂电池soh估算方法 |
CN113721151B (zh) * | 2021-11-03 | 2022-02-08 | 杭州宇谷科技有限公司 | 基于双塔深度学习网络的电池容量预估模型及方法 |
CN114167301A (zh) * | 2021-11-30 | 2022-03-11 | 同济大学 | 一种基于电动汽车实车数据的动力电池评估方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103091642A (zh) * | 2013-01-22 | 2013-05-08 | 北京交通大学 | 一种锂电池容量快速估计方法 |
CN108226805A (zh) * | 2018-01-18 | 2018-06-29 | 武汉理工大学 | 一种基于充电阶段的电池健康状态在线估计方法 |
CN108398652A (zh) * | 2017-05-26 | 2018-08-14 | 北京航空航天大学 | 一种基于多层特征融合深度学习的锂电池健康状态评估方法 |
CN108445406A (zh) * | 2018-03-13 | 2018-08-24 | 桂林电子科技大学 | 一种动力电池健康状态估计方法 |
CN109828220A (zh) * | 2019-03-21 | 2019-05-31 | 北京理工大学 | 一种锂离子电池健康状态线性评估方法 |
CN110133525A (zh) * | 2019-05-13 | 2019-08-16 | 哈尔滨工业大学 | 一种应用于电池管理***的锂离子电池健康状态估计方法 |
CN110632528A (zh) * | 2019-11-04 | 2019-12-31 | 桂林电子科技大学 | 一种基于内阻检测的锂电池soh估算方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101067644B (zh) * | 2007-04-20 | 2010-05-26 | 杭州高特电子设备有限公司 | 蓄电池性能分析专家诊断方法 |
FR3011393B1 (fr) * | 2013-10-01 | 2017-02-10 | Centre Nat Rech Scient | Procede et appareil d'evaluation de l'etat de sante d'une batterie lithium |
US11637331B2 (en) * | 2017-11-20 | 2023-04-25 | The Trustees Of Columbia University In The City Of New York | Neural-network state-of-charge and state of health estimation |
-
2020
- 2020-08-17 CN CN202010825270.1A patent/CN111965559B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103091642A (zh) * | 2013-01-22 | 2013-05-08 | 北京交通大学 | 一种锂电池容量快速估计方法 |
CN108398652A (zh) * | 2017-05-26 | 2018-08-14 | 北京航空航天大学 | 一种基于多层特征融合深度学习的锂电池健康状态评估方法 |
CN108226805A (zh) * | 2018-01-18 | 2018-06-29 | 武汉理工大学 | 一种基于充电阶段的电池健康状态在线估计方法 |
CN108445406A (zh) * | 2018-03-13 | 2018-08-24 | 桂林电子科技大学 | 一种动力电池健康状态估计方法 |
CN109828220A (zh) * | 2019-03-21 | 2019-05-31 | 北京理工大学 | 一种锂离子电池健康状态线性评估方法 |
CN110133525A (zh) * | 2019-05-13 | 2019-08-16 | 哈尔滨工业大学 | 一种应用于电池管理***的锂离子电池健康状态估计方法 |
CN110632528A (zh) * | 2019-11-04 | 2019-12-31 | 桂林电子科技大学 | 一种基于内阻检测的锂电池soh估算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111965559A (zh) | 2020-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111965559B (zh) | 一种锂离子电池soh在线估计方法 | |
CN111610456B (zh) | 一种区分电池微短路和小容量故障的诊断方法 | |
CN109143108B (zh) | 一种基于电化学阻抗谱的锂离子电池soh的估计方法 | |
CN106716158B (zh) | 电池荷电状态估算方法和装置 | |
CN106324523B (zh) | 基于离散变结构观测器的锂电池soc估计方法 | |
CN109828220B (zh) | 一种锂离子电池健康状态线性评估方法 | |
CN115902647B (zh) | 一种电池状态智能监测方法 | |
CN111352032A (zh) | 一种锂电池动态峰值功率预测方法 | |
CN112986831A (zh) | 一种基于相关系数粒子滤波的锂离子电池寿命预测方法 | |
CN112989690B (zh) | 一种混合动力汽车锂电池多时间尺度荷电状态估计方法 | |
CN111929602A (zh) | 一种基于容量估计的单体电池漏电或微短路定量诊断方法 | |
CN109901072B (zh) | 基于历史数据与实验室测试数据的退役电池参数检测方法 | |
CN107102268A (zh) | 一种电池管理***的电池充电倍率估算方法 | |
CN111123136A (zh) | 一种锂离子电池健康状态在线测量装置及在线测量方法 | |
CN112305426B (zh) | 一种多约束条件下的锂离子电池功率状态估计*** | |
CN115494400B (zh) | 一种基于集成学习的锂电池析锂状态在线监控方法 | |
CN115792638A (zh) | 基于电池模型参数辨识的soc-内短路联合估计方法 | |
CN105974320A (zh) | 一种液态或半液态金属电池荷电状态估计方法 | |
CN115656848A (zh) | 一种基于容量修正的锂电池soc估算方法 | |
CN112485695A (zh) | 动力电池的检测方法及装置 | |
CN111965548B (zh) | 一种基于状态估计法的电池***传感器故障诊断方法 | |
CN114397578A (zh) | 一种锂离子电池剩余电量估计方法 | |
CN113759258A (zh) | 一种动力电池soc估计方法、装置及纯电动汽车 | |
CN107402356B (zh) | 一种基于动态参数辨识的ekf估算铅酸电池soc方法 | |
CN114280490A (zh) | 一种锂离子电池荷电状态估计方法及*** |
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 |