CN113255215A - 一种基于电压片段的锂电池健康状态估计方法 - Google Patents

一种基于电压片段的锂电池健康状态估计方法 Download PDF

Info

Publication number
CN113255215A
CN113255215A CN202110546304.8A CN202110546304A CN113255215A CN 113255215 A CN113255215 A CN 113255215A CN 202110546304 A CN202110546304 A CN 202110546304A CN 113255215 A CN113255215 A CN 113255215A
Authority
CN
China
Prior art keywords
lithium battery
health state
voltage
value
kernel function
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
Application number
CN202110546304.8A
Other languages
English (en)
Other versions
CN113255215B (zh
Inventor
孟锦豪
黄焕炀
蔡磊
刘平
刘天琪
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.)
Sichuan University
Original Assignee
Sichuan University
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 Sichuan University filed Critical Sichuan University
Priority to CN202110546304.8A priority Critical patent/CN113255215B/zh
Publication of CN113255215A publication Critical patent/CN113255215A/zh
Application granted granted Critical
Publication of CN113255215B publication Critical patent/CN113255215B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Theoretical Computer Science (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种基于电压片段的锂电池健康状态估计方法，可以准确的预测退役动力锂电池的健康状态。本发明结合了经验模型和数据驱动模型的方法，依托于锂电充放电循环次数实现估计的经验模型转化为数据驱动模型核函数的方式，将经验模型具备的电池电化学特性融入数据驱动模型之中，提升了锂电池健康状态估计的精准度。

Description

一种基于电压片段的锂电池健康状态估计方法
技术领域
本发明属于锂电池技术领域，具体涉及一种基于电压片段的锂电池健康状态估计方法。
背景技术
动力锂电池因具备长寿命、高能量密度、无污染和低自放电率等优势，在当前电动交通和储能领域得到了大规模的使用。然而，各领域在动力电池的使用中对其健康状态都有严格的要求。如何准确评估动力电池的健康状态，及时退役处理老化的动力电池，对于维持设备的正常工作以及梯次回收动力电池都有着重要的意义。
经过大量的离线测试，建立动力锂电池的经验模型，是一类被广泛提出的动力锂电池健康状态估计方法。然而，该类方法的测试过程依赖于大量离线测试，不同类型电池的电化学特性有一定差异，即使同一类型的电池，也可能因电池***的具体设计方不同，而出现性能偏差。再综合考虑因制作工艺导致的锂电池出厂不一致性以及老化测试过程的偏差，经验模型的准确性将受限于所测定的电池类型，面对不同电池的有效性仍有待于进一步探讨。
经由离线测试总结而成的锂电池经验模型是一类被广泛研究的动力锂电池的健康状态估计方法，经验模型包含了锂电池的电化学特性信息，能够反应锂电池的老化轨迹。经验模型对电池健康状态的估计主要是依托于电池充放电循环次数。然而，即便是对于同类型的锂电池，其老化情况也会随着使用场景的不同而不同；再者，对于需要退役的锂电池，其充放电次数往往难以量化。因此，实际场景下经验模型对于锂电池健康状态的估计精度比较低。
依托于数据本身的数据驱动模型适用于电池的各类使用场景，通过现场测试锂电池本身的特征信息，数据驱动模型便可以对锂电池的健康状态进行较为准确的预测。然而，正因为数据驱动模型只依赖于数据信息的特点，模型的建立并没有考虑电池本身具备的特性，数据模型的预测能力也因此受限。
数据驱动模型中，核函数对于模型精度有着决定性的作用。为了进一步提升估计的准确性，本发明提出了一种集合经验模型和数据驱动模型的方法，借由将依托于锂电充放电循环次数实现估计的经验模型转化为数据驱动模型核函数的方式，将经验模型具备的电池电化学特性融入数据驱动模型之中，综合两类模型的特点以此实现了两者的结合，有利于锂电池健康状态的精确估计。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于电压片段的锂电池健康状态估计方法解决了现有技术中对锂电池健康状态的估计精度比较低的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于电压片段的锂电池健康状态估计方法，包括以下步骤：
S1、从锂电池的充电电压曲线中截取电压片段，并根据电压片段获取锂电池老化特征；
S2、基于锂电池充放电循环次数，将经验模型转换为核函数；
S3、采集锂电池老化特征的健康状态数据作为训练数据；
S4、将核函数引入高斯过程回归模型中，并采用锂电池老化特征及其对应的健康状态数据对高斯过程回归模型进行训练；
S5、将待估计寿命的锂电池老化特征输入训练后的高斯过程回归模型，得到锂电池健康状态估计结果。
进一步地，所述步骤S1具体为：
S1.1、给定电压起始点Ustart和片段时间长度l，在恒流充电过程的电压曲线上截取起点为Ustart且长度为l的电压片段u；
其中，u＝[u1,u2,...,ul]，u1,u2,...,ul均表示电压片段中的电压点，u1＝Ustart；
S1.2、给定主成分数目，对电压片段u进行主成分分析，得到锂电池老化特征；
S1.3、根据步骤S1.1-S1.2所述方法，采集若干锂电池的老化特征；
S1.4、采集每个老化特征对应的锂电池健康状态值，并取出一组数据作为测试样本，其他为训练样本；
S1.5、根据训练样本，采用梯度下降法训练高斯过程回归模型；
S1.6、将测试样本的老化特征输入高斯过程回归模型中，得到锂电池健康状态估计值；
S1.7、将锂电池健康状态估计值与测试样本的锂电池健康状态值进行对比，获取预测精度；
S1.8、根据步骤S1.4-S1.7所述方法，使每组数据均作为一次测试样本，获取若干预测精度，并取平均值作为最终预测精度；
S1.9、重新给定电压起始点Ustart和片段时间长度l，并按步骤S1.1-S1.8所述方法获取最终预测精度；
S1.10、判断后一次得到的最终预测精度是否大于前一次，若是，则将此刻高斯过程回归模型的参数作为初始参数，保存此次的电池老化特征及其对应的锂电池健康状态值，否则，返回步骤S1.9。
进一步地，所述步骤S1.2具体为：
S1.21、给定主成分数目N，对电压片段u进行N维的线性变换，具体为：
Figure BDA0003073628940000031
Figure BDA0003073628940000041
Figure BDA0003073628940000042
其中，xi表示第i个降维后的主成分，即第i个老化特征，
Figure BDA0003073628940000043
表示单位向量，T表示转置，i和j表示不同的老化特征，i＝1,2,...,N，j＝1,2,...,N，
Figure BDA0003073628940000044
表示将电压片段u＝[u1,u2,...,ul]降维成第i个主成分xi对应的权重向量。
S1.22、根据步骤S1.21所述方法，获取N个电池老化特征，得到老化特征为x＝[x1,x2,...,xN]。
进一步地，所述步骤S2具体为：
S2.1、基于锂电池充放电循环次数，构建锂电池健康状态与充放电循环次数的关系式为：
Figure BDA0003073628940000045
其中，f(·)是带有两个独立变量的非线性方程，S表示锂电池的容量，C表示锂电池的充放电循环次数，d表示微分；
S2.2、对步骤S2.1中关系式中两个独立变量进行泰勒展开，具体为：
Figure BDA0003073628940000046
其中，a1和a2分别表示衰减因子和疲劳损伤累计因子；
S2.3、根据锂电池未使用时C＝0且S＝100％，对步骤S2.2求解得到经验模型为：
S＝k1C+k2eαC+1-k2
其中，k1表示第一未知变量，k2表示第二未知变量，α表示第三未知变量；
S2.4、采用低维空间中欧几里得距离的平方||·||2代替充放电循环次数C，将经验模型转换为核函数，具体为：
Figure BDA0003073628940000051
其中，k(·)表示核函数，即高维空间中两组特征的距离；||·||表示两个观测点之间的欧几里得距离，x和x'分别表示两组不同的特征，θ1表示第一超参数，θ2表示第二超参数，θ3表示第三超参数；
S2.5、采集锂电池的循环次数与健康状态值，并导入经验模型中，采用最小二乘拟合方法获取经验模型的参数值，具体为：
Figure BDA0003073628940000052
其中，δ(·)表示在对应参数下预测值与真实值的平方误差之和，Si'表示第i'次循环中锂电池健康状态的真实值，
Figure BDA0003073628940000053
表示对应参数下第i'次循环中锂电池健康状态的预测值；
S2.6、根据经验模型的参数值以及经验模型与核函数之间的关系，获取核函数中超参数的初始值。
进一步地，所述步骤S4具体为：
S4.1、将核函数引入高斯过程回归模型中；
S4.2、根据锂电池老化特征及其对应的健康状态数据，并采用负对数最大似然估计函数对核函数的超参数进行优化，获取优化后的高斯过程回归模型。
进一步地，所述步骤S4.2中负对数最大似然估计函数L(θ)具体为：
Figure BDA0003073628940000054
Figure BDA0003073628940000055
其中，θ表示核函数中待优化的一组超参数，
Figure BDA0003073628940000056
表示噪声项，In表示对角阵；tr(·)表示矩阵的迹，y表示高斯过程回归模型输出值，K表示中间参数。
本发明的有益效果为：
(1)本发明提供了一种基于电压片段的锂电池健康状态估计方法，可以准确的预测退役动力锂电池的健康状态。
(2)本发明结合了经验模型和数据驱动模型的方法，依托于锂电充放电循环次数实现估计的经验模型转化为数据驱动模型核函数的方式，将经验模型具备的电池电化学特性融入数据驱动模型之中，提升了锂电池健康状态估计的精准度。
(3)本发明复杂程度低，提高了工作效率，有着广阔的应用前景。
附图说明
图1为本发明提出的一种基于电压片段的锂电池健康状态估计方法流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
下面结合附图详细说明本发明的实施例。
如图1所示，一种基于电压片段的锂电池健康状态估计方法，包括以下步骤：
S1、从锂电池的充电电压曲线中截取电压片段，并根据电压片段获取锂电池老化特征；
S2、基于锂电池充放电循环次数，将经验模型转换为核函数；
S3、采集锂电池老化特征的健康状态数据作为训练数据；
S4、将核函数引入高斯过程回归模型中，并采用锂电池老化特征及其对应的健康状态数据对高斯过程回归模型进行训练；
S5、将待估计寿命的锂电池老化特征输入训练后的高斯过程回归模型，得到锂电池健康状态估计结果。
所述步骤S1具体为：
S1.1、给定电压起始点Ustart和片段时间长度l，在恒流充电过程的电压曲线上截取起点为Ustart且长度为l的电压片段u；
其中，u＝[u1,u2,...,ul]，u1,u2,...,ul均表示电压片段中的电压点，u1＝Ustart；
S1.2、给定主成分数目，对电压片段u进行主成分分析，得到锂电池老化特征；
S1.3、根据步骤S1.1-S1.2所述方法，采集若干锂电池的老化特征；
S1.4、采集每个老化特征对应的锂电池健康状态值，并取出一组数据作为测试样本，其他为训练样本；
S1.5、根据训练样本，采用梯度下降法训练高斯过程回归模型；
S1.6、将测试样本的老化特征输入高斯过程回归模型中，得到锂电池健康状态估计值；
S1.7、将锂电池健康状态估计值与测试样本的锂电池健康状态值进行对比，获取预测精度；
S1.8、根据步骤S1.4-S1.7所述方法，使每组数据均作为一次测试样本，获取若干预测精度，并取平均值作为最终预测精度；
S1.9、重新给定电压起始点Ustart和片段时间长度l，并按步骤S1.1-S1.8所述方法获取最终预测精度；
S1.10、判断后一次得到的最终预测精度是否大于前一次，若是，则将此刻高斯过程回归模型的参数作为初始参数，保存此次的电池老化特征及其对应的锂电池健康状态值，否则，返回步骤S1.9。
所述步骤S1.2具体为：
S1.21、给定主成分数目N，对电压片段u进行N维的线性变换，具体为：
Figure BDA0003073628940000081
Figure BDA0003073628940000082
Figure BDA0003073628940000083
其中，xi表示第i个降维后的主成分，即第i个老化特征，
Figure BDA0003073628940000084
表示单位向量，T表示转置，i和j表示不同的老化特征，i＝1,2,...,N，j＝1,2,...,N，
Figure BDA0003073628940000085
表示将电压片段u＝[u1,u2,...,ul]降维成第i个主成分xi对应的权重向量。
S1.22、根据步骤S1.21所述方法，获取N个电池老化特征，得到老化特征为x＝[x1,x2,...,xN]。
所述步骤S2具体为：
S2.1、基于锂电池充放电循环次数，构建锂电池健康状态与充放电循环次数的关系式为：
Figure BDA0003073628940000086
其中，f(·)是带有两个独立变量的非线性方程，S表示锂电池的容量，C表示锂电池的充放电循环次数，d表示微分；
S2.2、对步骤S2.1中关系式中两个独立变量进行泰勒展开，具体为：
Figure BDA0003073628940000087
其中，a1和a2分别表示衰减因子和疲劳损伤累计因子；
S2.3、根据锂电池未使用时C＝0且S＝100％，对步骤S2.2求解得到经验模型为：
S＝k1C+k2eαC+1-k2
其中，k1表示第一未知变量，k2表示第二未知变量，α表示第三未知变量；
S2.4、采用低维空间中欧几里得距离的平方||·||2代替充放电循环次数C，将经验模型转换为核函数，具体为：
Figure BDA0003073628940000091
其中，k(·)表示核函数，即高维空间中两组特征的距离；||·||表示两个观测点之间的欧几里得距离，x和x'分别表示两组不同的特征，θ1表示第一超参数，θ2表示第二超参数，θ3表示第三超参数；
S2.5、采集锂电池的循环次数与健康状态值，并导入经验模型中，采用最小二乘拟合方法获取经验模型的参数值，具体为：
Figure BDA0003073628940000092
其中，δ(·)表示在对应参数下预测值与真实值的平方误差之和，Si'表示第i'次循环中锂电池健康状态的真实值，
Figure BDA0003073628940000093
表示对应参数下第i'次循环中锂电池健康状态的预测值；
S2.6、根据经验模型的参数值以及经验模型与核函数之间的关系，获取核函数中超参数的初始值。
所述步骤S4具体为：
S4.1、将核函数引入高斯过程回归模型中；
S4.2、根据锂电池老化特征及其对应的健康状态数据，并采用负对数最大似然估计函数对核函数的超参数进行优化，获取优化后的高斯过程回归模型。
所述步骤S4.2中负对数最大似然估计函数L(θ)具体为：
Figure BDA0003073628940000094
Figure BDA0003073628940000101
其中，θ表示核函数中待优化的一组超参数，
Figure BDA0003073628940000102
表示噪声项，In表示对角阵；tr(·)表示矩阵的迹，y表示高斯过程回归模型输出值，K表示中间参数。

Claims (6)

1.一种基于电压片段的锂电池健康状态估计方法，其特征在于，包括以下步骤：
S1、从锂电池的充电电压曲线中截取电压片段，并根据电压片段获取锂电池老化特征；
S2、基于锂电池充放电循环次数，将经验模型转换为核函数；
S3、采集锂电池老化特征的健康状态数据作为训练数据；
S4、将核函数引入高斯过程回归模型中，并采用锂电池老化特征及其对应的健康状态数据对高斯过程回归模型进行训练；
S5、将待估计寿命的锂电池老化特征输入训练后的高斯过程回归模型，得到锂电池健康状态估计结果。
2.根据权利要求1所述的基于电压片段的锂电池健康状态估计方法，其特征在于，所述步骤S1具体为：
S1.1、给定电压起始点Ustart和片段时间长度l，在恒流充电过程的电压曲线上截取起点为Ustart且长度为l的电压片段u；
其中，u＝[u1,u2,...,ul]，u1,u2,...,ul均表示电压片段中的电压点，u1＝Ustart；
S1.2、给定主成分数目，对电压片段u进行主成分分析，得到锂电池老化特征；
S1.3、根据步骤S1.1-S1.2所述方法，采集若干锂电池的老化特征；
S1.4、采集每个老化特征对应的锂电池健康状态值，并取出一组数据作为测试样本，其他为训练样本；
S1.5、根据训练样本，采用梯度下降法训练高斯过程回归模型；
S1.6、将测试样本的老化特征输入高斯过程回归模型中，得到锂电池健康状态估计值；
S1.7、将锂电池健康状态估计值与测试样本的锂电池健康状态值进行对比，获取预测精度；
S1.8、根据步骤S1.4-S1.7所述方法，使每组数据均作为一次测试样本，获取若干预测精度，并取平均值作为最终预测精度；
S1.9、重新给定电压起始点Ustart和片段时间长度l，并按步骤S1.1-S1.8所述方法获取最终预测精度；
S1.10、判断后一次得到的最终预测精度是否大于前一次，若是，则将此刻高斯过程回归模型的参数作为初始参数，保存此次的电池老化特征及其对应的锂电池健康状态值，否则，返回步骤S1.9。
3.根据权利要求2所述的基于电压片段的锂电池健康状态估计方法，其特征在于，所述步骤S1.2具体为：
S1.21、给定主成分数目N，对电压片段u进行N维的线性变换，具体为：
Figure FDA0003073628930000021
Figure FDA0003073628930000022
Figure FDA0003073628930000023
其中，xi表示第i个降维后的主成分，即第i个老化特征，
Figure FDA0003073628930000024
表示单位向量，T表示转置，i和j表示不同的老化特征，i＝1,2,...,N，j＝1,2,...,N，
Figure FDA0003073628930000025
表示将电压片段u＝[u1,u2,...,ul]降维成第i个主成分xi对应的权重向量。.
S1.22、根据步骤S1.21所述方法，获取N个电池老化特征，得到老化特征为x＝[x1,x2,...,xN]。
4.根据权利要求1所述的基于电压片段的锂电池健康状态估计方法，其特征在于，所述步骤S2具体为：
S2.1、基于锂电池充放电循环次数，构建锂电池健康状态与充放电循环次数的关系式为：
Figure FDA0003073628930000031
其中，f(·)是带有两个独立变量的非线性方程，S表示锂电池的容量，C表示锂电池的充放电循环次数，d表示微分；
S2.2、对步骤S2.1中关系式中两个独立变量进行泰勒展开，具体为：
Figure FDA0003073628930000032
其中，a1和a2分别表示衰减因子和疲劳损伤累计因子；
S2.3、根据锂电池未使用时C＝0且S＝100％，对步骤S2.2求解得到经验模型为：
S＝k1C+k2eαC+1-k2
其中，k1表示第一未知变量，k2表示第二未知变量，α表示第三未知变量；
S2.4、采用低维空间中欧几里得距离的平方||·||2代替充放电循环次数C，将经验模型转换为核函数，具体为：
Figure FDA0003073628930000033
其中，k(·)表示核函数，即高维空间中两组特征的距离；||·||表示两个观测点之间的欧几里得距离，x和x'分别表示两组不同的特征，θ1表示第一超参数，θ2表示第二超参数，θ3表示第三超参数；
S2.5、采集锂电池的循环次数与健康状态值，并导入经验模型中，采用最小二乘拟合方法获取经验模型的参数值，具体为：
Figure FDA0003073628930000034
其中，δ(·)表示在对应参数下预测值与真实值的平方误差之和，Si'表示第i'次循环中锂电池健康状态的真实值，
Figure FDA0003073628930000041
表示对应参数下第i'次循环中锂电池健康状态的预测值；
S2.6、根据经验模型的参数值以及经验模型与核函数之间的关系，获取核函数中超参数的初始值。
5.根据权利要求4所述的基于电压片段的锂电池健康状态估计方法，其特征在于，所述步骤S4具体为：
S4.1、将核函数引入高斯过程回归模型中；
S4.2、根据锂电池老化特征及其对应的健康状态数据，并采用负对数最大似然估计函数对核函数的超参数进行优化，获取优化后的高斯过程回归模型。
6.根据权利要求5所述的基于电压片段的锂电池健康状态估计方法，其特征在于，所述步骤S4.2中负对数最大似然估计函数L(θ)具体为：
Figure FDA0003073628930000042
Figure FDA0003073628930000043
其中，θ表示核函数中待优化的一组超参数，
Figure FDA0003073628930000044
表示噪声项，In表示对角阵；tr(·)表示矩阵的迹，y表示高斯过程回归模型输出值，K表示中间参数。
CN202110546304.8A 2021-05-19 2021-05-19 一种基于电压片段的锂电池健康状态估计方法 Active CN113255215B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110546304.8A CN113255215B (zh) 2021-05-19 2021-05-19 一种基于电压片段的锂电池健康状态估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110546304.8A CN113255215B (zh) 2021-05-19 2021-05-19 一种基于电压片段的锂电池健康状态估计方法

Publications (2)

Publication Number Publication Date
CN113255215A true CN113255215A (zh) 2021-08-13
CN113255215B CN113255215B (zh) 2022-02-01

Family

ID=77182786

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110546304.8A Active CN113255215B (zh) 2021-05-19 2021-05-19 一种基于电压片段的锂电池健康状态估计方法

Country Status (1)

Country Link
CN (1) CN113255215B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113504473A (zh) * 2021-09-10 2021-10-15 四川大学 一种适用动力锂电池非线性衰退过程的rul预测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109031153A (zh) * 2018-10-16 2018-12-18 北京交通大学 一种锂离子电池的健康状态在线估计方法
CN110873841A (zh) * 2019-11-05 2020-03-10 北京匠芯电池科技有限公司 一种基于数据驱动与电池特性相结合的电池寿命预测方法
CN111044928A (zh) * 2019-12-31 2020-04-21 福州大学 一种锂电池健康状态估计方法
CN111443293A (zh) * 2020-03-30 2020-07-24 青岛大学 一种基于数据驱动的锂电池健康状态soh估算方法
EP3748380A1 (en) * 2019-06-05 2020-12-09 Samsung SDI Co., Ltd. Battery capacity prediction system using charge and discharge cycles of a battery to predict capacity variations, and associated method
CN112526354A (zh) * 2020-12-22 2021-03-19 南京工程学院 一种锂电池健康状态估计方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109031153A (zh) * 2018-10-16 2018-12-18 北京交通大学 一种锂离子电池的健康状态在线估计方法
EP3748380A1 (en) * 2019-06-05 2020-12-09 Samsung SDI Co., Ltd. Battery capacity prediction system using charge and discharge cycles of a battery to predict capacity variations, and associated method
CN110873841A (zh) * 2019-11-05 2020-03-10 北京匠芯电池科技有限公司 一种基于数据驱动与电池特性相结合的电池寿命预测方法
CN111044928A (zh) * 2019-12-31 2020-04-21 福州大学 一种锂电池健康状态估计方法
CN111443293A (zh) * 2020-03-30 2020-07-24 青岛大学 一种基于数据驱动的锂电池健康状态soh估算方法
CN112526354A (zh) * 2020-12-22 2021-03-19 南京工程学院 一种锂电池健康状态估计方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
CHAOCHAO CHEN等: "Prognostics of Lithium-Ion Batteries Using Model-Based and Data-Driven Methods", 《PROGNOSTICS & SYSTEM HEALTH MANAGEMENT CONFERENCE》 *
CHARLIE HUBBARD等: "Data-Driven Prognostics of Lithium-Ion Rechargeable Battery using Bilinear Kernel Regression", 《ANNUAL CONFERENCE OF THE PROGNOSTICS AND HEALTH MANAGEMENT SOCIETY》 *
刘健等: "基于等压差充电时间的锂离子电池寿命预测", 《上海交通大学学报》 *
周雅夫等: "面向全生命周期的锂电池健康状态估计", 《哈尔滨工业大学学报》 *
周頔等: "基于日常片段充电数据的锂电池健康状态实时评估方法研究", 《中国电机工程学报》 *
姜媛媛等: "基于凸优化-寿命参数退化机理模型的锂离子电池剩余使用寿命预测", 《电力***及其自动化学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113504473A (zh) * 2021-09-10 2021-10-15 四川大学 一种适用动力锂电池非线性衰退过程的rul预测方法

Also Published As

Publication number Publication date
CN113255215B (zh) 2022-02-01

Similar Documents

Publication Publication Date Title
CN112034356B (zh) 基于gp-ukf的电动汽车动力电池在线soh估算方法
CN107741568B (zh) 一种基于状态转移优化rbf神经网络的锂电池soc估算方法
CN112415414A (zh) 一种锂离子电池剩余使用寿命预测方法
CN111983457A (zh) 一种基于lstm神经网络的电池组soh估算方法
CN110187281B (zh) 基于充电阶段健康特征的锂电池健康状态估算的方法
CN112881914B (zh) 一种锂电池健康状态预测方法
CN112163372B (zh) 一种动力电池的soc估算方法
CN108009585B (zh) 基于局部信息融合的铅酸电池健康状态预测方法
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
CN113311337A (zh) 基于相关向量回归的锂离子电池剩余寿命检测方法
Li et al. The open-circuit voltage characteristic and state of charge estimation for lithium-ion batteries based on an improved estimation algorithm
CN114200333A (zh) 一种铅酸蓄电池容量预测方法
CN113255215B (zh) 一种基于电压片段的锂电池健康状态估计方法
CN115586452A (zh) 基于新型健康特征的锂离子电池健康状态估计方法
CN113791351B (zh) 基于迁移学习和差值概率分布的锂电池寿命预测方法
CN114646888A (zh) 一种动力电池容量衰减的评估方法及***
CN111274539B (zh) 一种基于交替最小二乘法的锂电池soh估计方法
Xiao et al. State of health estimation framework of li-on battery based on improved Gaussian process regression for real car data
CN116930788A (zh) 一种基于堆叠模型的储能电站锂电池容量估计方法
CN116449244A (zh) 基于单次放电曲线的锂电池老化轨迹早期预测方法及***
CN116754960A (zh) 钠离子电池云端soh估计和剩余寿命预测方法、装置及程序
CN116224085A (zh) 一种基于数据驱动的锂电池健康状态评估方法
CN116381505A (zh) 一种基于变分模态分解的动态工况条件的锂电池健康状态估计方法
CN115236521A (zh) 基于半监督协同训练框架的锂离子电池健康状态估计方法
CN115097317A (zh) 一种锂离子电池容量估计方法及***

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