CN113030758B - 基于锂离子电池容量跳水点的老化预警方法、***、汽车及计算机存储介质 - Google Patents

基于锂离子电池容量跳水点的老化预警方法、***、汽车及计算机存储介质 Download PDF

Info

Publication number
CN113030758B
CN113030758B CN202110284105.4A CN202110284105A CN113030758B CN 113030758 B CN113030758 B CN 113030758B CN 202110284105 A CN202110284105 A CN 202110284105A CN 113030758 B CN113030758 B CN 113030758B
Authority
CN
China
Prior art keywords
data
value
lithium ion
segments
battery capacity
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
Application number
CN202110284105.4A
Other languages
English (en)
Other versions
CN113030758A (zh
Inventor
王贤军
陈勇
刁冠通
贺小栩
李宗华
翟钧
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Deep Blue Automotive Technology Co ltd
Original Assignee
Chongqing Changan New Energy Automobile Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing Changan New Energy Automobile Technology Co Ltd filed Critical Chongqing Changan New Energy Automobile Technology Co Ltd
Priority to CN202110284105.4A priority Critical patent/CN113030758B/zh
Publication of CN113030758A publication Critical patent/CN113030758A/zh
Application granted granted Critical
Publication of CN113030758B publication Critical patent/CN113030758B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current 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]
    • G01R31/385—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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明提供一种基于锂离子电池容量跳水点的老化预警方法、***、汽车及计算机存储介质，包括S1：实时获取锂离子电池单体运行数据，进行数据处理，获取充/放电片段；S2：提取充/放电时的相似片段，并计算运行片段相似度特征F；S3：建立灰色模型，利用所述片段相似度特征F输入模型，预测特征曲线走势；S4：计算预测数据与真实数据的残差e，根据残差方差、均值、最值计算残差检验得分；S5：根据S4步骤计算的数据值确定基线，通过运行片段相似度特征实际趋势和所述基线判断电池容量是否出现跳水。本发明可以提前发出电池严重老化预警，有效避免锂离子电池安全事故发生。

Description

基于锂离子电池容量跳水点的老化预警方法、***、汽车及计 算机存储介质
技术领域
本发明涉及锂离子电池技术，尤其是电动汽车锂离子电池容量老化技术。
背景技术
随着新能源技术的发展和科技变革的推动，锂离子电池因其能量密度高，使用寿命长等特点使用越来越广泛，却也造成了大量的安全事故，这也使得锂离子电池的安全性保障变得至关重要。
锂离子电池在使用过程中主要面对两类安全隐患：1)物理碰撞；2)电池老化失效。由于物理碰撞对锂离子电池造成的损害相对易于观测，生产设计厂家一般会设计相应的箱体来保护锂离子电池，这使得近些年来因物理碰撞导致的安全事故相对较少，而因电池老化失效导致的安全事故相对较多。电池管理***(BMS)在锂离子电池老化失效之前进行及时的预警并采取处理措施，提高电池***的稳定性和可靠性，也就成为了锂离子电池技术发展的当务之急。
在实际使用中，锂离子电池在使用过程中其容量的衰退不是线性的，而是在经过某一时刻之后快速恶化，电池容量快速衰减，这也称为容量跳水现象。因此，如果可以在电池的使用过程中识别到容量衰退的转折点，则可以提前发出预警，降低发生安全事故的风险。
理论上，虽然可以使用安时积分计算电池容量，从而判断“跳水点”。但是锂离子电池在实际的工程应用中，由于工作环境复杂多变，由于传感器精度受限等问题的存在，会导致电流采集误差较大，因此没法直接使用安时积分计算电池容量，从而判断“跳水点”。
专利文献CN201811375257.X公开了公开了一种电池老化过程中容量跳水的预测方法，首先获取新电池的OCV-放电容量曲线及斜率转折点，并获取新电池的内阻；然后获取与新电池同型号电池老化过程中内阻与循环次数之间的关系，以及电池老化过程中OCV-放电容量曲线及斜率转折点，同时获取电池老化过程中给定放电规程的放电曲线及斜率转折点；若放电曲线的斜率转折点到达放电下限截止电压，则该电池在给定放电规程下的容量在后续老化过程中将发生跳水。该方法存在的问题是需要获取新电池内阻。由于新电池内阻较小，需要专业检测设备，而且耗时耗力。另外该方法做需要大量的(做200次)给定工况下的老化实验，建立内阻与放电循环次数关系曲线，以及OCV-放电容量关系曲线，并且利用这些曲线外推。由于其设计的实验为定工况下的电池老化实验，与电动汽车实际运行工况难以很好匹配，因此不好直接用于实车电池容量跳水点预测。
专利文献CN202011131864.9公开了一种基于曲线形态的电池容量跳水识别方法，包括：依据经过数据平滑预处理后的电池容量退化数据，获取电池容量退化曲线数据；从所述电池容量退化曲线数据中提取电池容量退化曲线的斜率特征；根据所提取的斜率特征对电池容量退化曲线进行形态识别；根据电池容量退化曲线形态识别结果，对电池容量跳水进行识别。斜率特征包括：对每次电充充放电循环的电池容量退化曲线数据进行一次斜率的特征提取所获得的一次斜率；以及对所述一次斜率特征再次进行斜率提取所获得的二次斜率。该方法需要获取容量退化曲线数据，但电动汽车实际使用过程中由于传感器采集精度及充放电SOC区间的不确定性，容量退化曲线不易准确建立；另外，该方法需要根据容量退化曲线斜率正特识别曲线形态，该容量退化曲线是全周期运行的，可以基于曲线形态的识别判断电池是否发生了容量跳水现象，但无法判断是什么时候发生的，难以进行实时预警。
发明内容
鉴于此，本发明的目的在于提供一种基于锂离子电池容量跳水点的老化预警方法、***、汽车及计算机存储介质，基于锂离子电池充电循环提取运行片段相似度特征，通过灰色模型预测运行片段相似度特征的曲线走势，判断实际曲线与预测曲线的偏离程度，计算出锂离子电池容量跳水点，以进行老化预警。
为达到上述目的，本发明提供如下技术方案：
一种基于锂离子电池容量跳水点的老化预警方法，该方法包含如下步骤：
S1：实时获取锂离子电池单体运行数据，进行数据处理，获取充/放电片段；
S2：提取充/放电时的相似片段，并计算运行片段相似度特征F；
S3：建立灰色模型，利用S2获取到的特征数据输入模型，预测特征曲线走势；
S4：计算预测数据与真实数据的残差，根据残差方差、均值、最值计算残差检验得分；
S5：重复S1～S4，根据S4步骤计算的数据值确定基线，通过运行片段相似度特征实际趋势和基线判断电池容量是否出现跳水。
进一步地，步骤S2包括：
S21：以初始充/放电循环C0为参考，从最小电压至最大电压按等电压间隔分为n段，获取每个电压片段对应电流、温度、时间等数据；其中n根据电池***电压量级合理选取。
S22：对于后续充/放电循环Ci，遍历与S21相同的电压间隔；计算各电压间隔的最大电流与最小电流之差，若大于电流阈值Id,max，则舍弃该片段数据；保留剩余电压间隔片段，获取各片段对应的电流、温度、时间等数据。
S23：若Ci和C0的电压间隔有相同的起始电压和终止电压，且两个片段的电流均值小于平均电流阈值
Figure BDA0002979713260000031
则称两个片段为相似片段对；遍历Ci中的所有电压间隔，得到与C0的所有相似片段对，假设有m对，记为[(P0,1,Pi,1),(P0,2,Pi,2),……,(P0,m,Pi,m)]。
S24：采用安时积分法分别计算两个对应片段的电量，并求取电量差Qd,m；则m个片段得到电量差列表：[Qd,1,Qd,2,……,Qd,m]，计算该列表的方差作为两次运行片段的相似度特征Fi。
S25：随着电池***运行，依次对i＝1,2,3,……求取F1,F2,…Fi,…，得到相似度特征序列F。
进一步地，步骤S3包括：
S31：记录锂离子电池充电循环数，当循环数到达2L+k(k＝0,10,...,n)之后，开始利用前L+k(k＝0,10,...,n)组的F数据生成灰色序列，后L个充电循环特征数据作为真值序列，其中L依据运行频率合理选择。
S32：生成灰色序列，灰色模型中灰色序列的生成方式为紧邻均值生成。
S33：利用生成的灰色序列建立灰色模型，预测后面L个充电循环的运行片段相似度特征值。
进一步地，步骤S4中残差e为真实值与预测值之差。
进一步地，步骤S5包括：
S51：若灰色模型相对残差绝对值均小于设定值，或残差均值为负值，或50％的残差为负值，直接退出步骤S5。
S52：确定基线：若残差e的最大值小于阈值ε，即可认定预测的方差曲线为基线。
S53：确定安全区域：偏离基线正负残差均值emean的距离，都可定义为安全区域。
S54：确定跳水点：在L个真值数据中，依次确定是否位于安全区域，第一次脱离安全区域的循环，可记录为电池容量跳水点。
采用本发明的以上技术方案，通过对锂离子电池运行数据的运行片段相似度特征提取，利用灰色模型预测后续L个循环运行片段相似度特征，确定基线与安全区域，判断电池容量跳水点，可以提前发出电池严重老化预警，有效避免锂离子电池安全事故发生。
以上方法可以被编程在一个***中，应用在电动汽车上，判断电池容量跳水，以及时发出预警。
本发明方法具体有如下优点：
1、由于车载或储能用电池常工作在狭窄SOC区间，无法计算全SOC区间电池容量。且小区间运行难以察觉电池已经严重老化。采用本发明可采用狭窄SOC区间的运行数据进行特征提取，适用于工程场景。
2、克服了因电池使用环境复杂多变，传感器采集精度不足，导致安时积分失效，无法判断电池容量跳水点的问题。
3、本发明中需求数据均来自于车载传感器采集，为车辆实际运行时电池数据，符合实际；能够建立实时数据在线分析流程，及时发现电池容量跳水，快速发出预警。
4、本发明采用的算法简单高效，仅需要一种运行片段相似度特征，有效的降低了计算负荷需求。
5、本发明采用基于容量方差曲线的预测，以k次(可根据算力调整)充电循环为间隔，进行容量方差特征曲线的绘制，通过灰色模型进行预测，进行电池容量跳水点判断，判断更为合理准确，且无需进行前置实验。另外，采用符合电动汽车实际运行工况的容量方差特征提取方法，实时提取特征值，规避了电动汽车实际使用过程中充放电SOC区间的不确定性对特征提取的影响。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1是本发明整体的方法流程图；
图2是电池充/放电工况示意图；
图3是3颗电池容量/相似度特征图；
图4是1号电池真实/预测相似度特征图；
图5是2号电池真实/预测相似度特征图；
图6是3号电池真实/预测相似度特征图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下实施例结合附图对本发明作具体阐述。应当理解，此处所描述的具体实施例仅用于解释本发明，并不用于限定本发明。
参见图1，本实施例是一种基于锂离子电池容量跳水点的老化预警方法，包含如下步骤：
S1：实时获取锂离子电池单体运行数据，进行数据处理，获取充/放电片段。
S2：提取充/放电时的相似片段，并计算运行片段相似度特征F。
S3：建立灰色模型(GM1,1)，利用S2获取到的特征数据输入模型，预测特征曲线走势。
S4：计算预测数据与真实数据的残差，根据残差方差、均值、最值计算残差检验得分。
S5：重复S1～S4，根据S4步骤计算的数据值确定基线，通过运行片段相似度特征实际趋势和基线判断电池容量是否出现跳水。
在进一步的具体实施例中，步骤S1中所述数据处理包括异常值剔除、漏值填补、平滑滤波等。通常使用阈值设定法、重复冗余数据删除方法来进行异常值剔除；使用固定值填补、曲线拟合的方式进行漏值填补；使用三次样条插值、最小二乘滤波方法进行数据平滑滤波。
作为本发明进一步的实施例，步骤S2包括：
S21：以初始充/放电循环C0为参考，从最小电压至最大电压按等电压间隔分为n段，获取每个电压片段对应电流、温度、时间等数据；其中n根据电池***电压量级合理选取。
S22：对于后续充/放电循环Ci，遍历与S21相同的电压间隔；计算各电压间隔的最大电流与最小电流之差，若大于电流阈值Id,max，则舍弃该片段数据；保留剩余电压间隔片段，获取各片段对应的电流、温度、时间等数据。
S23：若Ci和C0的电压间隔有相同的起始电压和终止电压，且两个片段的电流均值小于
Figure BDA0002979713260000051
则称两个片段为相似片段对；遍历Ci中的所有电压间隔，得到与C0的所有相似片段对，假设有m对，记为[(P0,1,Pi,1),(P0,2,Pi,2),……,(P0,m,Pi,m)]。
S24：采用安时积分法分别计算两个对应片段的电量，并求取电量差Qd,m；则m个片段得到电量差列表：[Qd,1,Qd,2,……,Qd,m]，计算该列表的方差作为两次运行片段的相似度特征Fi。
S25：随着电池***运行，依次对i＝1,2,3,……求取F1,F2,…Fi,…，得到相似度特征序列F。
作为本发明进一步的实施例，步骤S3包括：
S31：记录锂离子电池充电循环数，当循环数到达2L+k(k＝0,10,...,n)之后，开始利用前L+k(k＝0,10,...,n)组的F数据生成灰色序列，后L个充电循环特征数据作为真值序列，其中L依据运行频率合理选择。
S32：生成灰色序列，灰色模型中灰色序列的生成方式为紧邻均值生成。
S33：利用生成的灰色序列建立灰色模型，预测后面L个充电循环的运行片段相似度特征值。
作为本发明进一步的实施例，步骤S4中残差e为真实值与预测值之差，灰色模型残差检验得分越高说明预测曲线和真实曲线一致性越好，也就表明这段曲线不存在剧烈变化，电池容量跳水现象未出现。
作为本发明进一步的实施例，步骤S5包括：
S51：若灰色模型残差检验得分过高如灰色模型相对残差绝对值均小于设定值0.1，或残差均值为负值，或50％的残差为负值，直接退出步骤S5。
S52：确定基线：若残差e的最大值小于阈值ε，即可认定预测的方差曲线为基线。
S53：确定安全区域：偏离基线正负残差均值emean的距离，都可定义为安全区域。
S54：确定“跳水点”：在L个真值数据中，依次确定是否位于安全区域，第一次脱离安全区域的循环，可记录为电池容量跳水点。
以下进一步采用实验数据对电池容量“跳水点”判断过程进行说明，该实验采用采用额定容量为1.1Ah的18650磷酸铁锂单体进行充放电实验。如图所示的案例，该实验在电池单体SOC小于80％时采用两种不同倍率的充电电流进行充电(3.6C～6.0C),SOC高于80％时采用1C电流充电至上截止电压后，进行恒压充电至截止电流。当电池容量小于额定容量的80％时停止实验。该电池的充电片段属于非稳定恒流充电工况，本案例只采用其充电工况进行“跳水点”判断。
本案例选取3颗电池进行分析，选取Id,max为0.05A，
Figure BDA0002979713260000072
为0.05As，L为200，提得到3颗电池的运行片段相似度特征。
如图2，可直接观测到容量曲线“跳水点”和运行片段相似度特征曲线跳水点存在着一定的对应关系。按照步骤S1～S5进行操作，随着循环次的增加，数据量的增加，程序在预测到电池容量“跳水点”后退出。如图3～5，可观察到预测的相似度特征曲线和真实的相似度特征曲线出现明显的不一致，且其残差的最大值超过了阈值ε。本案例预测的容量跳水点和真实的容量跳水点如下表1。这表明适用于工程数据特征提取方式提取的特征，能够进行电池容量跳水点判断，从而进行电池老化预警，避免因电池老化而引起的安全事故发生。
表1真实容量跳水点与预测容量跳水点
Figure BDA0002979713260000071
在本发明进一步的实施例中，还提供基于锂离子电池容量跳水点的老化预警***，其包含：
数据处理模块，实时获取锂离子电池单体运行数据，进行数据处理，获取充/放电片段；
提取计算模块：提取充/放电时的相似片段，并计算运行片段相似度特征F；
预测模块，建立灰色模型，利用所述片段相似度特征F输入模型，预测特征曲线走势；
计算模块，计算预测数据与真实数据的残差e，根据残差方差、均值、最值计算残差检验得分；
判断模块，根据计算模块的数据值确定基线，通过运行片段相似度特征实际趋势和所述基线判断电池容量是否出现跳水。
进一步还公开一种汽车，其包括以上基于锂离子电池容量跳水点的老化预警***。
本发明实施例还提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以上所述的基于锂离子电池容量跳水点的老化预警方法。

Claims (9)

1.一种基于锂离子电池容量跳水点的老化预警方法，其特征在于：包含如下步骤：
S1：实时获取锂离子电池单体运行数据，进行数据处理，获取充/放电片段；
S2：提取充/放电时的相似片段，并计算运行片段相似度特征F；包括：
S21：以初始充/放电循环C0为参考，从最小电压至最大电压按等电压间隔分为n段，获取每个电压片段对应电流、温度、时间数据；其中n根据电池***电压量级合理选取；
S22：对于后续充/放电循环Ci，遍历与S21相同的电压间隔；计算各电压间隔的最大电流与最小电流之差，若大于电流阈值Id，max，则舍弃该片段数据；保留剩余电压间隔片段，获取各片段对应的电流、温度、时间等数据；
S23：若Ci和C0的电压间隔有相同的起始电压和终止电压，且两个片段的电流均值之差小于片段平均电流阈值
Figure FDA0003576957560000011
则称两个片段为相似片段对；遍历Ci中的所有电压间隔，得到与C0的所有相似片段对，假设有m对，记为[(P0,1,Pi,1),(P0,2,Pi,2),……,(P0,m,Pi,m)]；
S24：采用安时积分法分别计算两个对应片段的电量，并求取电量差Qd，m；则m个片段得到电量差列表：[Qd，1，Qd，2，......，Qd，m]，计算该列表的方差作为两次运行片段的相似度特征Fi；
S25：随着电池***运行，依次对i＝1,2,3,……求取F1,F2,…Fi,…，得到片段相似度特征F；
S3：建立灰色模型，利用所述片段相似度特征F输入模型，预测特征曲线走势；
S4：计算预测数据与真实数据的残差e，根据残差方差、均值、最值计算残差检验得分；
S5：重复S1～S4，根据S4步骤计算的数据值确定基线，通过运行片段相似度特征实际趋势和所述基线判断电池容量是否出现跳水。
2.根据权利要求1所述的基于锂离子电池容量跳水点的老化预警方法，其特征在于：
步骤S1中所述数据处理包括异常值剔除、漏值填补、平滑滤波。
3.根据权利要求2所述的基于锂离子电池容量跳水点的老化预警方法，其特征在于：所述异常值剔除使用阈值设定法或重复冗余数据删除方法；所述漏值填补使用固定值填补或曲线拟合的方式；所述平滑滤波使用三次样条插值或最小二乘滤波方法。
4.根据权利要求1、2或3所述的基于锂离子电池容量跳水点的老化预警方法，其特征在于：步骤S3包括：
S31：记录锂离子电池充电循环数，当循环数到达2L+k之后，其中k＝0,10,...,n，开始利用前L+k组的F数据生成灰色序列，后L个充电循环特征数据作为真值序列，其中L依据运行频率合理选择；
S32：生成灰色序列，灰色模型中灰色序列的生成方式为紧邻均值生成；
S33：利用生成的灰色序列建立灰色模型，预测后面L个充电循环的运行片段相似度特征值。
5.根据权利要求1、2或3所述的基于锂离子电池容量跳水点的老化预警方法，其特征在于：
步骤S4中残差e为真实值与预测值之差，灰色模型残差检验得分越高说明预测曲线和真实曲线一致性越好，也就表明这段曲线不存在剧烈变化，电池容量跳水现象未出现。
6.根据权利要求1、2或3所述的基于锂离子电池容量跳水点的老化预警方法，其特征在于：步骤S5包括：
S51：若灰色模型相对残差绝对值小于设定值，或残差均值为负值，或50％的残差为负值，直接退出步骤S5；
S52：确定基线：若残差e的最大值小于阈值ε，即可认定预测的方差曲线为基线；
S53：确定安全区域：偏离基线正负残差均值emean的距离，都可定义为安全区域；
S54：确定跳水点：在L个真值数据中，依次确定是否位于安全区域，第一次脱离安全区域的循环，可记录为电池容量跳水点。
7.实现权利要求1-6任一项所述方法的基于锂离子电池容量跳水点的老化预警***，其特征在于，包含：
数据处理模块，实时获取锂离子电池单体运行数据，进行数据处理，获取充/放电片段；
提取计算模块：提取充/放电时的相似片段，并计算运行片段相似度特征F；
预测模块，建立灰色模型，利用所述片段相似度特征F输入模型，预测特征曲线走势；
计算模块，计算预测数据与真实数据的残差e，根据残差方差、均值、最值计算残差检验得分；
判断模块，根据计算模块的数据值确定基线，通过运行片段相似度特征实际趋势和所述基线判断电池容量是否出现跳水。
8.一种汽车，其特征在于，包括权利要求7所述的基于锂离子电池容量跳水点的老化预警***。
9.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～6中任意一项所述的基于锂离子电池容量跳水点的老化预警方法。
CN202110284105.4A 2021-03-17 2021-03-17 基于锂离子电池容量跳水点的老化预警方法、***、汽车及计算机存储介质 Active CN113030758B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110284105.4A CN113030758B (zh) 2021-03-17 2021-03-17 基于锂离子电池容量跳水点的老化预警方法、***、汽车及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110284105.4A CN113030758B (zh) 2021-03-17 2021-03-17 基于锂离子电池容量跳水点的老化预警方法、***、汽车及计算机存储介质

Publications (2)

Publication Number Publication Date
CN113030758A CN113030758A (zh) 2021-06-25
CN113030758B true CN113030758B (zh) 2022-05-06

Family

ID=76470925

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110284105.4A Active CN113030758B (zh) 2021-03-17 2021-03-17 基于锂离子电池容量跳水点的老化预警方法、***、汽车及计算机存储介质

Country Status (1)

Country Link
CN (1) CN113030758B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113839107B (zh) * 2021-09-22 2023-03-21 北京航空航天大学 软包锂离子电池跳水退化模式早期预警方法
CN114089204B (zh) * 2021-11-30 2023-11-21 蜂巢能源科技(无锡)有限公司 一种电池容量跳水拐点预测方法及装置
CN115308603A (zh) * 2022-07-13 2022-11-08 中国长江三峡集团有限公司 基于多维度特征和机器学习的电池寿命预测方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105989420A (zh) * 2015-02-12 2016-10-05 西门子公司 确定用户用电行为特征的方法、用户用电负荷的预测方法和装置
KR101835373B1 (ko) * 2016-08-30 2018-03-08 조선대학교산학협력단 배터리팩 불균형 측정 장치 및 그 방법
CN109143078A (zh) * 2018-08-28 2019-01-04 中航锂电技术研究院有限公司 一种磷酸铁锂动力电池“跳水”故障的辨识预判方法
CN109670652A (zh) * 2018-12-29 2019-04-23 石家庄科林电气股份有限公司 一种光伏组件的故障预测方法
CN110208706A (zh) * 2019-06-13 2019-09-06 重庆长安新能源汽车科技有限公司 一种基于车联网的动力电池健康状态在线评估***及方法
WO2019197592A1 (de) * 2018-04-12 2019-10-17 Volkswagen Aktiengesellschaft Verfahren zur ermittlung eines alterungszustandes einer batterie, computerprogramm, speichermittel, steuergerät und fahrzeug
CN111426955A (zh) * 2020-04-23 2020-07-17 华南理工大学 一种锂离子电池故障诊断方法
CN112327167A (zh) * 2020-10-21 2021-02-05 北京航空航天大学 一种电池容量跳水风险评估方法及***
CN112327193A (zh) * 2020-10-21 2021-02-05 北京航空航天大学 一种锂电池容量跳水预警方法
CN112363059A (zh) * 2020-11-02 2021-02-12 山东大学 基于gm（1，1）灰色模型的电池故障诊断方法及***
CN112415402A (zh) * 2021-01-25 2021-02-26 浙江纽联科技有限公司 锂电池容量估计、电芯异常预测的方法和***

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170115355A1 (en) * 2015-10-23 2017-04-27 Oxfordian, Llc Maximum capacity estimator for battery state of health and state of charge determinations
CN109946612B (zh) * 2019-04-01 2020-10-20 北京交通大学 一种三元锂离子电池容量加速衰退转折点识别方法
CN110058159A (zh) * 2019-04-29 2019-07-26 杭州电子科技大学 一种基于灰色神经网络的锂电池健康状态估计方法
CN112327194B (zh) * 2020-10-21 2021-09-24 北京航空航天大学 一种锂电池容量跳水识别方法及装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105989420A (zh) * 2015-02-12 2016-10-05 西门子公司 确定用户用电行为特征的方法、用户用电负荷的预测方法和装置
KR101835373B1 (ko) * 2016-08-30 2018-03-08 조선대학교산학협력단 배터리팩 불균형 측정 장치 및 그 방법
WO2019197592A1 (de) * 2018-04-12 2019-10-17 Volkswagen Aktiengesellschaft Verfahren zur ermittlung eines alterungszustandes einer batterie, computerprogramm, speichermittel, steuergerät und fahrzeug
CN109143078A (zh) * 2018-08-28 2019-01-04 中航锂电技术研究院有限公司 一种磷酸铁锂动力电池“跳水”故障的辨识预判方法
CN109670652A (zh) * 2018-12-29 2019-04-23 石家庄科林电气股份有限公司 一种光伏组件的故障预测方法
CN110208706A (zh) * 2019-06-13 2019-09-06 重庆长安新能源汽车科技有限公司 一种基于车联网的动力电池健康状态在线评估***及方法
CN111426955A (zh) * 2020-04-23 2020-07-17 华南理工大学 一种锂离子电池故障诊断方法
CN112327167A (zh) * 2020-10-21 2021-02-05 北京航空航天大学 一种电池容量跳水风险评估方法及***
CN112327193A (zh) * 2020-10-21 2021-02-05 北京航空航天大学 一种锂电池容量跳水预警方法
CN112363059A (zh) * 2020-11-02 2021-02-12 山东大学 基于gm（1，1）灰色模型的电池故障诊断方法及***
CN112415402A (zh) * 2021-01-25 2021-02-26 浙江纽联科技有限公司 锂电池容量估计、电芯异常预测的方法和***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
三元锂离子电池的容量跳水机理研究;李浩强;《电源技术》;20210228;第45卷(第2期);第153-157页 *
基于RVM的锂离子电池剩余寿命预测方法研究;周建宝;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20151231;C042-30 *

Also Published As

Publication number Publication date
CN113030758A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
CN113030758B (zh) 基于锂离子电池容量跳水点的老化预警方法、***、汽车及计算机存储介质
CN108089133B (zh) 储能***电池组一致性检测方法及检测装置
CN103424710B (zh) 用于监测电池组中的老化单体的性能变化的方法和***
CN103487760B (zh) 一种电池健康度的判定方法
CN108521155B (zh) 一种电动汽车充电预警方法及***
CN112904219B (zh) 一种基于大数据的动力电池健康状态的预测方法
CN110609233A (zh) 一种基于大数据进行储能电池soh预测的方法
CN106154175B (zh) 基于动态压差的充电电池荷电状态估算***及工作流程
CN112578296B (zh) 电池容量估算方法和装置及计算机存储介质
CN111077465A (zh) 电池特征参数提取方法、装置、计算机设备及存储介质
CN110626210A (zh) 锂电池微短路的识别方法及电池管理***
CN111064253A (zh) 一种基于平均离散Fréchet距离的电池健康度快速评估方法
CN117341476B (zh) 一种电池压差故障预警方法及***
CN116540108B (zh) 一种电芯容量衰减预警方法、装置、存储介质及设备
CN106597287A (zh) 电池soc和soh测算方法
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
CN114910793B (zh) 一种储能电站串联电池组的soh估计方法
CN114994541A (zh) 一种基于多策略融合的锂离子电池soh估计方法
CN115421050A (zh) 一种电池健康状态的估计方法、***、设备及存储介质
CN114646888A (zh) 一种动力电池容量衰减的评估方法及***
Lin et al. State of health estimation of lithium-ion batteries based on remaining area capacity
CN114290954A (zh) 基于压差分析的电池一致性监控方法、***及车辆
CN109716151B (zh) 用于估计电池电压的方法和设备
CN112051509A (zh) 锂离子二次电池的电池状态判定方法
CN112630658A (zh) 一种蓄电池寿命损耗评估方法和***

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
CP01 Change in the name or title of a patent holder

Address after: 401133 room 208, 2 house, 39 Yonghe Road, Yu Zui Town, Jiangbei District, Chongqing

Patentee after: Deep Blue Automotive Technology Co.,Ltd.

Address before: 401133 room 208, 2 house, 39 Yonghe Road, Yu Zui Town, Jiangbei District, Chongqing

Patentee before: CHONGQING CHANGAN NEW ENERGY AUTOMOBILE TECHNOLOGY Co.,Ltd.

CP01 Change in the name or title of a patent holder