CN112327170A - 基于神经网络的动力电池全周期剩余寿命估算方法 - Google Patents
基于神经网络的动力电池全周期剩余寿命估算方法 Download PDFInfo
- Publication number
- CN112327170A CN112327170A CN202011271609.4A CN202011271609A CN112327170A CN 112327170 A CN112327170 A CN 112327170A CN 202011271609 A CN202011271609 A CN 202011271609A CN 112327170 A CN112327170 A CN 112327170A
- Authority
- CN
- China
- Prior art keywords
- power battery
- working condition
- battery
- under
- neural network
- 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
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]
- G01R31/367—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
-
- 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
- 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)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明提供了一种基于神经网络的动力电池全周期剩余寿命估算方法,结合人工神经网络模型一,建立实验工况下动力电池剩余寿命函数关系:结合人工神经网络模型二,建立实车工况下动力电池剩余寿命函数关系:通过人工神经网络模型三建立动力电池全周期剩余寿命函数关系。本发明所述的基于神经网络的动力电池全周期剩余寿命估算方法采用人工神经网络对实验工况下和实车工况下动力电池的函数关系进行修正,从而建立动力电池全周期剩余寿命函数关系。
Description
技术领域
本发明属于动力电池寿命估算技术领域,尤其是涉及一种基于神经网络的动力电池全周期剩余寿命估算方法。
背景技术
截止到2020年7月,我国新能源汽车保有量417万辆,与去年年底相比增加36万辆,增长9.45%。从新能源汽车的成本构成看,电池驱动***占据了新能源汽车成本的30-45%,而动力电池又占据电池驱动***约75-85%的成本构成。电动汽车电池性能随着循环使用而衰减,当动力电池功率或者容量性能达不到电动汽车使用标准时,电动汽车需要退役当前动力电池,更换新的动力电池。新能源汽车动力蓄电池将进入规模化退役,动力电池从电动汽车上退役后仍有高达80%的剩余容量,可应用于对电池性能要求较低的场合,即进入电池储能梯级利用阶段,目前缺少专门针对动力电池剩余寿命进行准确估算的方法,不能准确判断动力电池是否具有再利用的价值。
发明内容
有鉴于此,本发明旨在提出一种基于神经网络的动力电池全周期剩余寿命估算方法,以解决目前缺少专门针对动力电池剩余寿命进行准确估算的方法的问题。
为达到上述目的,本发明的技术方案是这样实现的:
一种基于神经网络的动力电池全周期剩余寿命估算方法,包括:
搭建实验工况下动力电池测试***,进行不同条件下的充放电试验,获取实验工况下表征动力电池剩余寿命的特征参数数据,结合人工神经网络模型一,建立实验工况下动力电池剩余寿命函数关系:
搭建实车工况下动力电池测试***,通过模拟实车在条件下的驾驶,获取实车工况下表征动力电池剩余寿命的特征参数数据,结合人工神经网络模型二,建立实车工况下动力电池剩余寿命函数关系:
通过人工神经网络模型三对实验工况下动力电池剩余寿命函数关系和实车工况下电池的剩余寿命函数关系进行训练和修正,并确定实验工况下动力电池剩余寿命函数关系和实车工况下电池的剩余寿命函数关系之间的权值,建立动力电池全周期剩余寿命函数关系。
进一步的,所述实验工况下动力电池测试***包括:
用于调节动力电池环境温度的高低温箱;
用于实现动力电池充放电的充放电仪;
用于采集动力电池、高低温箱、充放电仪相关数据的数据采集仪,数据采集仪连接上位机。
进一步的,利用实验工况下动力电池测试***实现动力电池在不同温度区间、不同充放电倍率、不同SOC区间和不同动态工况下进行充放电试验,获取实验工况下表征动力电池剩余寿命的特征参数数据。
进一步的,所述实验工况下表征动力电池剩余寿命的特征参数数据包括剩余容量一、电池内阻一、电池电压限一和电池的自放电率一数据,利用人工神经网络模型一对动力电池在不同温度区间、不同充放电倍率、不同SOC区间、不同动态工况下电池剩余容量一、电池内阻一、电池电压限一、电池的自放电率一的部分随机数据进行训练、校验和预测,得到动力电池在实验工况下剩余寿命与温度、充放电倍率、电池SOC区间、工况之间的函数关系,并且得到温度、充放电倍率、电池SOC区间、工况对动力电池剩余寿命影响的权值,从而建立实验工况动力电池剩余寿命函数关系。
进一步的,在实车工况下动力电池测试***下,通过电池BMS管理***获取电动汽车在不同的汽车车速、天气情况、汽车行驶工况、汽车行驶里程下表征动力电池剩余寿命的参数,参数包括剩余容量二、电池电压限二、电池自放电率二、电池内阻二,经过人工神经网络模型二对动力电池在不同汽车车速、天气情况、汽车行驶工况、汽车行驶里程下剩余容量二、电池电压限二、电池自放电率二、电池内阻二的部分随机数据进行训练、校验和预测,得到动力电池在实车工况下剩余寿命与汽车车速、天气情况、汽车加速度汽车行驶里程之间的函数关系,并且得到汽车车速、天气情况、汽车加速度、汽车行驶里程对动力电池剩余寿命影响的权值,从而建立实车工况动力电池剩余寿命函数关系。
相对于现有技术,本发明所述的基于神经网络的动力电池全周期剩余寿命估算方法具有以下优势:
本发明所述的基于神经网络的动力电池全周期剩余寿命估算方法采用人工神经网络在不同温度、充放电倍率、电池SOC、动态工况下建立实验工况下动力电池剩余寿命的函数关系,为实验工况下动力电池寿命估计提供了支持;采用人工神经网络在不同的汽车车速、天气情况、汽车加速度和汽车行驶里程下建立了实车工况下动力电池剩余寿命的函数关系,为实车工况下动力电池寿命估计提供了支持;采用人工神经网络对实验工况下和实车工况下动力电池的函数关系进行修正,从而建立动力电池全周期剩余寿命函数关系。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明实施例所述的基于神经网络的动力电池全周期剩余寿命估算方法原理架构图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明中的具体含义。
下面将参考附图并结合实施例来详细说明本发明。
如图1所示,一种基于神经网络的动力电池全周期剩余寿命估算方法,包括:
搭建实验工况下动力电池测试***,进行不同条件下的充放电试验,获取实验工况下表征动力电池剩余寿命的特征参数数据,结合人工神经网络模型一,建立实验工况下动力电池剩余寿命函数关系:
搭建实车工况下动力电池测试***,通过模拟实车在条件下的驾驶,获取实车工况下表征动力电池剩余寿命的特征参数数据,结合人工神经网络模型二,建立实车工况下动力电池剩余寿命函数关系:
通过人工神经网络模型三对实验工况下动力电池剩余寿命函数关系和实车工况下电池的剩余寿命函数关系进行训练和修正,并确定实验工况下动力电池剩余寿命函数关系和实车工况下电池的剩余寿命函数关系之间的权值,建立动力电池全周期剩余寿命函数关系。
所述实验工况下动力电池测试***包括:
用于调节动力电池环境温度的高低温箱;
用于实现动力电池充放电的充放电仪;
用于采集动力电池、高低温箱、充放电仪相关数据的数据采集仪,数据采集仪连接上位机。
利用实验工况下动力电池测试***实现动力电池在不同温度区间、不同充放电倍率、不同SOC区间和不同动态工况下进行充放电试验,获取实验工况下表征动力电池剩余寿命的特征参数数据。
所述实验工况下表征动力电池剩余寿命的特征参数数据包括剩余容量一、电池内阻一、电池电压限一和电池的自放电率一数据,利用人工神经网络模型一对动力电池在不同温度区间、不同充放电倍率、不同SOC区间、不同动态工况下电池剩余容量一、电池内阻一、电池电压限一、电池的自放电率一的部分随机数据进行训练、校验和预测,得到动力电池在实验工况下剩余寿命与温度、充放电倍率、电池SOC区间、工况之间的函数关系,并且得到温度、充放电倍率、电池SOC区间、工况对动力电池剩余寿命影响的权值,从而建立实验工况动力电池剩余寿命函数关系。
在实车工况下动力电池测试***下,通过电池BMS管理***获取电动汽车在不同的汽车车速、天气情况、汽车行驶工况、汽车行驶里程下表征动力电池剩余寿命的参数,参数包括剩余容量二、电池电压限二、电池自放电率二、电池内阻二,经过人工神经网络模型二对动力电池在不同汽车车速、天气情况、汽车行驶工况、汽车行驶里程下剩余容量二、电池电压限二、电池自放电率二、电池内阻二的部分随机数据进行训练、校验和预测,得到动力电池在实车工况下剩余寿命与汽车车速、天气情况、汽车加速度汽车行驶里程之间的函数关系,并且得到汽车车速、天气情况、汽车加速度、汽车行驶里程对动力电池剩余寿命影响的权值,从而建立实车工况动力电池剩余寿命函数关系。
所述一种基于神经网络的动力电池剩余寿命估算方法的工作原理为:
如图1所示,通过动力电池与高低温箱、充放电仪和数据采集仪之间的配合安装,测试动力电池在不同温度区间、不同充放电倍率、不同SOC区间和不同动态工况下的充放电试验,经过若干个循环后,获得动力电池表征动力电池剩余寿命的特征参数:剩余容量一、电池内阻一、电池电压限一和电池的自放电率一;并经过人工神经网络模型一对动力电池在不同温度区间、不同充放电倍率、不同SOC区间、不同动态工况下电池剩余容量一、电池内阻一、电池电压限一、电池的自放电率一的部分随机数据进行训练、校验和预测,从而得到动力电池在实验工况下剩余寿命与温度、充放电倍率、电池SOC区间、工况之间的函数关系,并且得到温度、充放电倍率、电池SOC区间、工况对动力电池剩余寿命影响的权值分别为γ1、γ2、γ3、γ4,从而建立实验工况动力电池剩余寿命函数关系。
人工神经网络模型一对动力电池在不同温度区间、不同充放电倍率、不同SOC区间、不同动态工况下电池剩余容量一、电池内阻一、电池电压限一、电池的自放电率一的部分随机数据进行训练后形成新的数据,再与动力电池相同实验条件下动力电池的数据进行校验,直到两者之间的误差小于1%;若两者之间的误差大于1%,继续用人工神经网络模型一对动力电池的随机数据进行训练,直到两者之间的误差小于1%;然后通过人工神经网络模型一选择与训练数据的不同工况下动力电池寿命进行预测,所得的结果与预测数据相同的实验工况下动力电池的实验结果进行误差分析,直到两者的误差小于1%;从而得到动力电池在实验工况下剩余寿命与温度、充放电倍率、电池SOC区间、工况之间的函数关系,从而建立实验工况动力电池剩余寿命函数关系。
电动汽车通过电池BMS管理***获得电动汽车在不同的汽车车速、天气情况、汽车行驶工况、汽车行驶里程下表征动力电池剩余寿命的参数:并且经过人工神经网络模型二对动力电池在不同汽车车速、天气情况、汽车行驶工况、汽车行驶里程下剩余容量二、电池电压限二、电池自放电率二、电池内阻二的部分随机数据进行训练、校验和预测;从而得到动力电池在实车工况下剩余寿命与汽车车速、天气情况、汽车加速度、汽车行驶里程之间的函数关系,并且得到汽车车速、天气情况、汽车加速度、汽车行驶里程对动力电池剩余寿命影响的权值分别为ω1、ω2、ω3、ω4,从而建立实车工况动力电池剩余寿命函数关系;并且通过人工神经网络模型三对实验工况下动力电池剩余寿命函数关系和实车工况下电池的剩余寿命函数关系进行训练和修正,并确定实验工况下动力电池剩余寿命函数关系和实车工况下电池的剩余寿命函数关系之间的权值分别为α和β,从而建立动力电池全周期剩余寿命函数关系。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.基于神经网络的动力电池全周期剩余寿命估算方法,其特征在于,包括:
搭建实验工况下动力电池测试***,进行不同条件下的充放电试验,获取实验工况下表征动力电池剩余寿命的特征参数数据,结合人工神经网络模型一,建立实验工况下动力电池剩余寿命函数关系:
搭建实车工况下动力电池测试***,通过模拟实车在条件下的驾驶,获取实车工况下表征动力电池剩余寿命的特征参数数据,结合人工神经网络模型二,建立实车工况下动力电池剩余寿命函数关系:
通过人工神经网络模型三对实验工况下动力电池剩余寿命函数关系和实车工况下电池的剩余寿命函数关系进行训练和修正,并确定实验工况下动力电池剩余寿命函数关系和实车工况下电池的剩余寿命函数关系之间的权值,建立动力电池全周期剩余寿命函数关系。
2.根据权利要求1所述的基于神经网络的动力电池全周期剩余寿命估算方法,其特征在于,所述实验工况下动力电池测试***包括:
用于调节动力电池环境温度的高低温箱;
用于实现动力电池充放电的充放电仪;
用于采集动力电池、高低温箱、充放电仪相关数据的数据采集仪,数据采集仪连接上位机。
3.根据权利要求2所述的基于神经网络的动力电池全周期剩余寿命估算方法,其特征在于:利用实验工况下动力电池测试***实现动力电池在不同温度区间、不同充放电倍率、不同SOC区间和不同动态工况下进行充放电试验,获取实验工况下表征动力电池剩余寿命的特征参数数据。
4.根据权利要求1或3所述的基于神经网络的动力电池全周期剩余寿命估算方法,其特征在于:所述实验工况下表征动力电池剩余寿命的特征参数数据包括剩余容量一、电池内阻一、电池电压限一和电池的自放电率一数据,利用人工神经网络模型一对动力电池在不同温度区间、不同充放电倍率、不同SOC区间、不同动态工况下电池剩余容量一、电池内阻一、电池电压限一、电池的自放电率一的部分随机数据进行训练、校验和预测,得到动力电池在实验工况下剩余寿命与温度、充放电倍率、电池SOC区间、工况之间的函数关系,并且得到温度、充放电倍率、电池SOC区间、工况对动力电池剩余寿命影响的权值,从而建立实验工况动力电池剩余寿命函数关系。
5.根据权利要求1所述的基于神经网络的动力电池全周期剩余寿命估算方法,其特征在于:在实车工况下动力电池测试***下,通过电池BMS管理***获取电动汽车在不同的汽车车速、天气情况、汽车行驶工况、汽车行驶里程下表征动力电池剩余寿命的参数,参数包括剩余容量二、电池电压限二、电池自放电率二、电池内阻二,经过人工神经网络模型二对动力电池在不同汽车车速、天气情况、汽车行驶工况、汽车行驶里程下剩余容量二、电池电压限二、电池自放电率二、电池内阻二的部分随机数据进行训练、校验和预测,得到动力电池在实车工况下剩余寿命与汽车车速、天气情况、汽车加速度汽车行驶里程之间的函数关系,并且得到汽车车速、天气情况、汽车加速度、汽车行驶里程对动力电池剩余寿命影响的权值,从而建立实车工况动力电池剩余寿命函数关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011271609.4A CN112327170B (zh) | 2020-11-13 | 2020-11-13 | 基于神经网络的动力电池全周期剩余寿命估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011271609.4A CN112327170B (zh) | 2020-11-13 | 2020-11-13 | 基于神经网络的动力电池全周期剩余寿命估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112327170A true CN112327170A (zh) | 2021-02-05 |
CN112327170B CN112327170B (zh) | 2023-04-28 |
Family
ID=74319171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011271609.4A Active CN112327170B (zh) | 2020-11-13 | 2020-11-13 | 基于神经网络的动力电池全周期剩余寿命估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112327170B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159435A (zh) * | 2021-04-29 | 2021-07-23 | 浙江吉利控股集团有限公司 | 一种新能源车辆剩余驾驶里程预测方法及*** |
CN114019380A (zh) * | 2021-10-29 | 2022-02-08 | 天津市捷威动力工业有限公司 | 一种电芯的日历寿命扩展预测方法 |
CN115099020A (zh) * | 2022-06-17 | 2022-09-23 | 湖北亿纬动力有限公司 | 动力电池参数全生命周期预测方法和装置 |
CN118131057A (zh) * | 2024-05-08 | 2024-06-04 | 山东理工职业学院 | 一种基于物联网的新能源汽车运维管理*** |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205787041U (zh) * | 2016-05-27 | 2016-12-07 | 郑州精益达汽车零部件有限公司 | 新能源汽车动力电池soc估算策略的测试验证*** |
CN107069122A (zh) * | 2017-04-01 | 2017-08-18 | 山东省科学院自动化研究所 | 一种动力电池剩余使用寿命的预测方法 |
CN108333528A (zh) * | 2018-02-07 | 2018-07-27 | 重庆大学 | 基于动力电池电-热耦合模型的soc和sot联合状态估计方法 |
CN108919129A (zh) * | 2018-06-08 | 2018-11-30 | 北京长城华冠汽车科技股份有限公司 | 一种时变工况下动力电池的寿命预测方法 |
CN109738810A (zh) * | 2019-01-21 | 2019-05-10 | 温州大学 | 一种电池剩余使用寿命的综合估算方法 |
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 |
CN109934408A (zh) * | 2019-03-18 | 2019-06-25 | 常伟 | 一种基于大数据机器学习进行汽车电池rul预测的应用分析方法 |
CN110750874A (zh) * | 2019-09-26 | 2020-02-04 | 长沙理工大学 | 一种退役动力电池寿命预测的方法 |
CN110775043A (zh) * | 2019-11-11 | 2020-02-11 | 吉林大学 | 一种基于电池寿命衰减模式识别的混动汽车能量优化方法 |
CN110888059A (zh) * | 2019-12-03 | 2020-03-17 | 西安科技大学 | 一种基于改进随机森林联合容积卡尔曼动力电池荷电状态估计的算法 |
CN111649954A (zh) * | 2020-04-26 | 2020-09-11 | 奇瑞汽车股份有限公司 | 一种实验室汽车动态平衡测试方法及装置 |
CN111898325A (zh) * | 2020-08-14 | 2020-11-06 | 天津大学 | 一种电动汽车动力电池剩余使用寿命预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10371753B1 (en) * | 2013-12-20 | 2019-08-06 | Hrl Laboratories, Llc | Methods for online estimation of battery capacity and state of health |
-
2020
- 2020-11-13 CN CN202011271609.4A patent/CN112327170B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN205787041U (zh) * | 2016-05-27 | 2016-12-07 | 郑州精益达汽车零部件有限公司 | 新能源汽车动力电池soc估算策略的测试验证*** |
CN107069122A (zh) * | 2017-04-01 | 2017-08-18 | 山东省科学院自动化研究所 | 一种动力电池剩余使用寿命的预测方法 |
CN108333528A (zh) * | 2018-02-07 | 2018-07-27 | 重庆大学 | 基于动力电池电-热耦合模型的soc和sot联合状态估计方法 |
CN108919129A (zh) * | 2018-06-08 | 2018-11-30 | 北京长城华冠汽车科技股份有限公司 | 一种时变工况下动力电池的寿命预测方法 |
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 |
CN109738810A (zh) * | 2019-01-21 | 2019-05-10 | 温州大学 | 一种电池剩余使用寿命的综合估算方法 |
CN109934408A (zh) * | 2019-03-18 | 2019-06-25 | 常伟 | 一种基于大数据机器学习进行汽车电池rul预测的应用分析方法 |
CN110750874A (zh) * | 2019-09-26 | 2020-02-04 | 长沙理工大学 | 一种退役动力电池寿命预测的方法 |
CN110775043A (zh) * | 2019-11-11 | 2020-02-11 | 吉林大学 | 一种基于电池寿命衰减模式识别的混动汽车能量优化方法 |
CN110888059A (zh) * | 2019-12-03 | 2020-03-17 | 西安科技大学 | 一种基于改进随机森林联合容积卡尔曼动力电池荷电状态估计的算法 |
CN111649954A (zh) * | 2020-04-26 | 2020-09-11 | 奇瑞汽车股份有限公司 | 一种实验室汽车动态平衡测试方法及装置 |
CN111898325A (zh) * | 2020-08-14 | 2020-11-06 | 天津大学 | 一种电动汽车动力电池剩余使用寿命预测方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159435A (zh) * | 2021-04-29 | 2021-07-23 | 浙江吉利控股集团有限公司 | 一种新能源车辆剩余驾驶里程预测方法及*** |
CN113159435B (zh) * | 2021-04-29 | 2022-11-22 | 浙江吉利控股集团有限公司 | 一种新能源车辆剩余驾驶里程预测方法及*** |
CN114019380A (zh) * | 2021-10-29 | 2022-02-08 | 天津市捷威动力工业有限公司 | 一种电芯的日历寿命扩展预测方法 |
CN114019380B (zh) * | 2021-10-29 | 2024-05-17 | 天津市捷威动力工业有限公司 | 一种电芯的日历寿命扩展预测方法 |
CN115099020A (zh) * | 2022-06-17 | 2022-09-23 | 湖北亿纬动力有限公司 | 动力电池参数全生命周期预测方法和装置 |
CN118131057A (zh) * | 2024-05-08 | 2024-06-04 | 山东理工职业学院 | 一种基于物联网的新能源汽车运维管理*** |
Also Published As
Publication number | Publication date |
---|---|
CN112327170B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112327170B (zh) | 基于神经网络的动力电池全周期剩余寿命估算方法 | |
US7888911B2 (en) | Method and system for determining the SOC of a rechargeable battery | |
CN112433169A (zh) | 一种云端动力电池健康度评估***及方法 | |
CN106802394B (zh) | 汽车电池荷电状态的修正方法及装置 | |
EP3594705B1 (en) | Method and device for estimating service capacity and state of health of minimum battery cell and battery system | |
CN101860056A (zh) | 一种基于Map模型的动力锂电池组均衡管理*** | |
CN104391252A (zh) | 一种汽车铅酸蓄电池健康状态检测方法 | |
CN102124360A (zh) | 蓄电池装置、蓄电池的电池状态评价装置及方法 | |
CN113109729B (zh) | 基于加速老化试验与实车工况的车用动力电池soh评估方法 | |
CN109975715B (zh) | 一种电动汽车锂离子电池模组剩余电量的获得方法 | |
CN105223515A (zh) | 一种锂离子动力电池荷电状态估算方法 | |
CN106772104A (zh) | 一种动力电池soc值估算方法 | |
CN106249158A (zh) | 磷酸铁锂电池实际可用容量检测方法、***及电动汽车 | |
CN104335057A (zh) | 用于确定电池的实际容量的方法和设备 | |
US20240003981A1 (en) | Method for estimating a power or current limit for an electrical energy storage system | |
CN110780140A (zh) | 一种用于储能电站的电池管理***测试方法 | |
CN103176137A (zh) | 基于电池soc不均匀性的电池组健康状态评价方法 | |
CN106338642A (zh) | 单体电池一致性测试方法 | |
CN109753697B (zh) | 一种用于可外接充电式混合动力燃料电池汽车的能耗计算方法 | |
CN106004481A (zh) | 一种混合动力汽车电池组soh值估算方法 | |
CN109092717A (zh) | 一种动力电池组故障模块的判定方法 | |
CN106324520A (zh) | 一种基于监控平台数据的动力电池***中电芯容量计算方法及*** | |
CN111319510B (zh) | 一种预估电动车辆续驶里程的方法和装置 | |
CN104678303B (zh) | 电池组健康状态估测的方法与*** | |
CN116804715A (zh) | 一种判断导致电池***出现不一致原因的方法 |
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 |