CN113391213B - 一种基于电池组一致性演变的电池微故障诊断方法 - Google Patents
一种基于电池组一致性演变的电池微故障诊断方法 Download PDFInfo
- Publication number
- CN113391213B CN113391213B CN202110872621.9A CN202110872621A CN113391213B CN 113391213 B CN113391213 B CN 113391213B CN 202110872621 A CN202110872621 A CN 202110872621A CN 113391213 B CN113391213 B CN 113391213B
- Authority
- CN
- China
- Prior art keywords
- battery
- consistency
- charging
- relative position
- parameters
- 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]
- G01R31/367—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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于电池组一致性演变的电池微故障诊断方法,属于电池技术领域。本发明提出使用多个历史充电段电压数据,利用电池充电电压曲线(Cell Charge Voltage Curve,CCVC)变换原理,使用自适应惯性权重粒子群算法进行电池组一致性定量寻优计算,以电池充电电压曲线的相似匹配度(平均欧氏距离)作为适应度值,获得表征电池组一致性情况的量化参数。然后对一致性参数进行标准化处理,获得表征电池一致性情况在电池组中相对位置的相对位置Z‑Score,并计算相对位置的标准差,计算电池一致性变化分数。使用基于3σ准则的异常值检测方法进行电池微故障识别,寻找出一致性演变异常的故障电池。使用故障实车电池数据集的部分充电段数据进行实验证明了故障诊断方法的有效性。
Description
技术领域
本发明属于电池技术领域,具体涉及电池故障诊断的方法。
背景技术
锂离子电池具有能量密度高、比能量高、循环寿命长、自放电低、环保等优点。由于这些特性,它们已经成为一种流行的可充电化学电池,广泛的应用于便携式电子产品、电动汽车、电网储能和可再生能源等领域。为了满足车辆行驶的动态要求,需要将数百块锂离子动力电池进行串并联组装。由于老化过程(SEI增长、析锂、活性物质损失等)或实际操作中的滥用(挤压、碰撞、穿刺等机械滥用和过充、过放、短路等电气滥用),每个组成单元或相关附件可能发生各种故障。未经检查的故障将对电池安全产生不利影响,甚至在某些极端条件下导致电池***热失控起火等灾难性事故。因此,在实际运行中,对电池组进行及时、准确地故障诊断是十分必要的。
当前,电池故障诊断方法有很多,可分为基于模型、基于信号处理、基于知识以及数据驱动等。基于模型的故障诊断方法依赖于模型的精准性以及故障阈值设置合适性,基于信号的故障诊断方法使用短期的数据,容易受到电池***不一致性的影响,基于知识的故障诊断方法依赖于数据的获取和故障知识库的建立,工作量巨大。数据驱动的方法不需要对电池***中的每个电池进行复杂的建模过程。从理论上讲,电池***中的电池应具有良好的一致性,在相同条件下电池***中的电池电压应遵循一定的分布。因此,基于信息熵、局部离群因子和相关系数的方法可以准确地检测电压信号中的异常数据,从而检测故障是否发生。相比与其他使用短时间尺度数据驱动的方法,使用长时间尺度数据的一致性演变故障诊断方法考虑了电池一致性演变的长时间尺度特性,可以有效的避免使用短期数据对微故障断层定量估计的困难。然而有些故障发生在一些一致性故障情况不明显的电池组中,直接通过一致性的好坏易造成误报和漏报。
发明内容
本发明的目的是为了解决现有存在的技术问题,针对电池一致性演变的长时间尺度特性和的一致性故障情况不明显的问题,进而提出一种基于电池一致性演变的电池微故障诊断方法,其特征在于,具体包括:
S1,采集多个电池充电数据,并筛选出可用的充电段电池电流、电压数据,基于CCVC变换原理,使用自适应惯性权重粒子群算法计算表征电池内阻、容量、初始SOC一致性情况的定量参数P=[ΔU,k,ΔAh],其中电池一致性参数P=[ΔU,k,ΔAh]的具体计算方法是:
设定平均电池为参考电池,即:
其中Ui为单体电池i各采样点的电压,n为电池组的电池数量。
以充入电量为横坐标,电池端电压为纵坐标,得到各电池充电电压曲线,基于CCVC变换原理,即:
其中[r0,C0,SOC0]和[ri,Ci,SOCi]分别为参考电池和单体电池i的内阻、容量和初始SOC,I为充电电流,α为同一充电段内不同充电阶梯的一致性参数ΔU的修正系数,I1和Im分别为同一充电段内第1个充电阶梯和第m个充电阶梯的电流;
S2,对得到的各单体电池i在各可用充电段的一致性参数P=[ΔU,k,ΔAh]进行标准差标准化处理,即计算电池一致性在电池组中的相对位置分数,标准差标准化处理是使用Z-Score计算公式计算本数据与全部数据均值之间距离多少个标准差,得到各充电段电池一致性情况在电池组中的相对位置分数[ΔUZ,kz,ΔAhZ],采用的Z-Score计算公式为:
其中,Z为电池的一致性参数的相对位置分数,X为单体电池i的一致性参数,μ为电池组内全体电池一致性参数的平均值,σ为电池组内全体电池一致性参数的标准差,标准差的计算公式为:
S3,计算一致性相对位置的标准差,构造量化单体电池i的一致性波动情况的一致性相对位置变化分数,其中,一致性相对位置变化分数的具体获取方法是:
计算一致性参数的三个相对位置分数[ΔUZ,kZ,ΔAhZ]在全部可用充电段内的标准差,并将其求和,即:
CRPi=ΔUi,Z,σ+ki,Z,σ+ΔAhi,Z,σ (5)
其中C RiP为单体电池i的一致性相对位置变化分数,[ΔUi,Z,σ,ki,Z,σ,ΔAhi,Z,σ]为一致性参数的三个相对位置分数[ΔUZ,kZ,ΔAhZ]在全部可用充电段内的标准差;
S4,使用基于3σ拉依达准则的异常值检测算法寻找一致性相对位置变化分数异常的故障电池,3σ准则异常值检测,即将某个不在(μ-3σ,μ+3σ)之内的数据判断为异常值,即:
若电池i的一致性相对位置变化分数满足:
CRPi,μ-3×CRPi,σ≤CRPi≤CRPi,μ+3×CRPi,σ (6)
则将其判断为正常值,否则将其判断为异常值;其中,CRPi,μ为一致性相对位置变化分数的平均值,CRPi,σ为一致性相对位置变化分数的标准差;
在上述的一种基于电池一致性演变的电池微故障诊断方法,筛选出可用充电段的方法是将充入电量为额定容量的50%及以上的充电段作为可用充电段,即充电开始和充电结束时电池管理***记录的SOC相差50%及以上,如公式(7)所示:
ΔSOC=(SOCcharge,end-SOCcharge,start)≥50 (7)
其中,SOCcharge,start和SOCcharge,end分别是BMS所记录的本次充电开始和结束时的电池组SOC。
在上述的一种基于电池一致性演变的电池微故障诊断方法,对筛选的可用充电段全部电池的充电电压曲线进行基于CCVC原理的曲线变换,以平均电池作为参考电池,平均电池的定义式如下:
其中Ui为单体电池i各采样点的电压,n为电池组的电池数量。
在上述的一种基于电池一致性演变的电池微故障诊断方法,各充电段各电池的一致性量化参数的具体获得方法是以参考电池的充电电压-电量曲线为基准曲线,对其余各电池的充电电压-电量曲线进行平移、伸缩变换,使用自适应惯性权重粒子群算法计算曲线变换参数,得到一致性量化参数,将经过变换后的各电池曲线与参考电池曲线进行相似度计算,将平均欧氏距离作为自适应惯性权重粒子群算法的适应度值,适应度值定义式如下:
其中N表示将CCVC进行等分得到N个横坐标值,f0(Ahj)和fi′(Ahj)分别为参考电池和经过CCVC变换后的单体电池i的充电电压曲线在横坐标为Ahj时的端电压值;
确定了粒子的适应度值后,在种群内部开始搜索、迭代、更新速度和位置操作;
第i个粒子的速度和位置根据以下公式更新:
其中,c1、c2为个体学习因子、种群学习因子,通常c1=c2=2,r1、r2属于[0,1]的随机数,为在k次迭代中,第i个粒子的历史最优位置,/>为在k次迭代中,种群历史最优位置,ω为惯性权重,惯性权重的更新式如下:/>
通过对速度、位置和惯性权重的更新迭代,提升寻优的精度和效率,搜索的参数达到最优使得粒子适应度值达到最小,即变换后的曲线和参考曲线相似度达到最高,求得表征各充电段内各电池一致性情况的量化参数。
因此,本发明具有如下优点:首先筛选符合条件可用充电段数据,避免由于CCVC较短,进行伸缩平移变换后效果并不明显导致一致性定量计算错误。将筛选后的充电段电压数据使用自适应惯性权重粒子群算法计算一致性参数,并将表征内阻一致性情况的参数乘上一个修正系数,避免因为不同充电阶梯的充电电流不同,导致的内阻压降的差异也不一致,进而导致的内阻一致性情况计算不准确的问题。将各充电段各电池的一致性参数做标准化处理,计算其Z-Score,获得表征其一致性情况在电池组中的相对位置,能够避免一致性情况良好而发生故障的情况。通过计算各电池一致性相对位置在不同充电段内的标准差,获得电池一致性相对位置的波动情况,可以避免使用短期数据对微故障断层定量估计的困难。最后使用基于3σ准则的异常值检测算法寻找一致性相对位置变化分数异常的故障电池,相比于现有技术,无需设置一个固定的阈值,减小了由于阈值设置不恰当而造成误报漏报的概率,提高了故障诊断的精确度。
附图说明
图1a为电池充电电压曲线。
图1b为电池充电电流曲线。
图2a为内阻一致性ΔU计算结果。
图2b为容量一致性k计算结果。
图2c为初始SOC一致性ΔAh计算结果。
图3a为内阻一致性相对位置ΔUZ计算结果。
图3b为容量一致性相对位置kZ计算结果。
图3c为初始SOC一致性相对位置ΔAhZ计算结果。
图4为一致性相对位置变化分数CRP计算结果。。
图5为异常电池识别结果
具体实施方式
下面以故障标签电池为12号电池的故障实车电池数据为样本,对本发明用于作进一步的详细说明。
一种基于电池组一致性演变的电池微故障诊断方法,步骤如下:
步骤1:筛选可用充电段电池数据
将充入电量为额定容量的50%及以上的充电段作为可用充电段,即充电开始和充电结束时电池管理***记录的SOC相差50%及以上的充电段数据,筛选条件表示为:
ΔSOC=(SOCcharge,end-SOCcharge,start)≥50 (13)
其中,SOCcharge,start和SOCcharge,end分别是BMS所记录的本次充电开始和结束时的电池组SOC,最终从实车数据的9个充电段中剔除不可用的第1、6、8号充电段数据,筛选后的可用充电段电压、电流数据如图1所示。
步骤2:使用自适应惯性权重粒子群算法进行一致性参数计算
步骤2.1:确定算法目标函数即粒子适应度值
其中N表示将CCVC进行等分得到N个横坐标值,f0(Ajh)和fi′(Ahj)分别为参考电池和经过CCVC变换后的单体电池i的充电电压曲线在横坐标为Ahj时的端电压值。
步骤2.2:设定平均电池为参考电池
步骤2.3:基于CCVC变换原理,计算表征电池一致性情况的定量参数
基于CCVC变换原理,计算表征电池内阻、容量、初始SOC一致性情况的定量参数P=[ΔU,k,ΔAh],计算公式为:
其中[r0,C0,SOC0]和[ri,Ci,SOCi]分别为参考电池和单体电池i的内阻、容量和初始SOC,I为充电电流,α为同一充电段内不同充电阶梯的一致性参数ΔU的修正系数,I1和Im分别为同一充电段内第1个充电阶梯和第m个充电阶梯的电流;
步骤2.4:使用自适应惯性权重粒子群算法进行一致性参数计算
初始化种群,在种群内部开始搜索、迭代、更新速度和位置操作;
第i个粒子的速度和位置根据以下公式更新:
其中,c1、c2为个体学习因子、种群学习因子,通常c1=c2=2,r1、r2属于[0,1]的随机数,为在k次迭代中,第i个粒子的历史最优位置,/>为在k次迭代中,种群历史最优位置,ω为惯性权重,惯性权重的更新式如下:
通过对速度、位置和惯性权重的更新迭代,提升寻优的精度和效率,搜索的参数达到最优使得粒子适应度值达到最小,即变换后的曲线和参考曲线相似度达到最高,求得表征各充电段内各电池一致性情况的量化参数,结果如图2所示。
步骤3:计算电池一致性在电池组中的相对位置分数
对得到的各单体电池i在各可用充电段的一致性参数P=[ΔU,k,ΔAh]进行标准差标准化处理,计算一致性参数P=[ΔU,k,ΔAh]的Z-Score,得到各充电段电池一致性情况在电池组中的相对位置分数[ΔUZ,kz,ΔAhZ],Z-Score计算公式为:
其中,Z为电池的一致性参数的相对位置分数,X为单体电池i的一致性参数,μ为电池组内全体电池一致性参数的平均值,σ为电池组内全体电池一致性参数的标准差,标准差的计算公式为:
步骤4:计算各电池一致性相对位置变化分数
计算各电池一致性相对位置分数在全部可用充电段内的标准差,得到各电池的一致性相对位置变化分数结果如图4所示
步骤5:基于3σ准则进行故障诊断
基于3σ准则,对各电池的一致性相对位置变化分数进行异常值检测,定位故障电池。
以故障标签电池为12号电池的故障实车电池数据为测试数据,经过上述步骤后,得到的故障电池定位结果如图5所示。由结果可知,基于电池组一致性演变的电池微故障诊断方法可以有效的识别出电压和电池一致性未出现异常情况下的微故障电池。
另外,对于本技术领域人员,在不脱离本发明的前提下,还可以做出若干改进和补充,这些依据本发明所做出的补充应该包含在本发明所要求保护的范围内。
Claims (3)
1.一种基于电池一致性演变的电池微故障诊断方法,其特征在于,具体包括:
S1,采集多个电池充电数据,并筛选出可用的充电段电池电流、电压数据,基于CCVC变换原理,使用自适应惯性权重粒子群算法计算表征电池内阻、容量、初始SOC一致性情况的定量参数P=[ΔU,k,ΔAh],其中电池一致性参数P=[ΔU,k,ΔAh]的具体计算方法是:
设定平均电池为参考电池,即:
其中Ui为单体电池i各采样点的电压,n为电池组的电池数量;
以充入电量为横坐标,电池端电压为纵坐标,得到各电池充电电压曲线,基于CCVC变换原理,即:
其中[r0,C0,SOC0]和[ri,Ci,SOCi]分别为参考电池和单体电池i的内阻、容量和初始SOC,I为充电电流,α为同一充电段内不同充电阶梯的一致性参数ΔU的修正系数,I1和Im分别为同一充电段内第1个充电阶梯和第m个充电阶梯的电流;
S2,对得到的各单体电池i在各可用充电段的一致性参数P=[ΔU,k,ΔAh]进行标准差标准化处理,即计算电池一致性在电池组中的相对位置分数,标准差标准化处理是使用Z-Score计算公式计算本数据与全部数据均值之间距离多少个标准差,得到各充电段电池一致性情况在电池组中的相对位置分数[ΔUZ,kz,ΔAhZ],采用的Z-Score计算公式为:
其中,Z为电池的一致性参数的相对位置分数,X为单体电池i的一致性参数,μ为电池组内全体电池一致性参数的平均值,σ为电池组内全体电池一致性参数的标准差,标准差的计算公式为:
S3,计算一致性相对位置的标准差,构造量化单体电池i的一致性波动情况的一致性相对位置变化分数,其中,一致性相对位置变化分数的具体获取方法是:
计算一致性参数的三个相对位置分数[ΔUZ,kZ,ΔAhZ]在全部可用充电段内的标准差,并将其求和,即:
CRPi=ΔUi,Z,σ+ki,Z,σ+ΔAhi,Z,σ (5)
S4,使用基于3σ拉依达准则的异常值检测算法寻找一致性相对位置变化分数异常的故障电池,3σ准则异常值检测,即将某个不在(μ-3σ,μ+3σ)之内的数据判断为异常值,即:
若电池i的一致性相对位置变化分数满足:
CRPi,μ-3×CRPi,σ≤CRPi≤CRPi,μ+3×CRPi,σ (6)
则将其判断为正常值,否则将其判断为异常值;其中,CRPi,μ为一致性相对位置变化分数的平均值,CRPi,σ为一致性相对位置变化分数的标准差。
2.根据权利要求1所述的一种基于电池一致性演变的电池微故障诊断方法,其特征在于,筛选出可用充电段的方法是将充入电量为额定容量的50%及以上的充电段作为可用充电段,即充电开始和充电结束时电池管理***记录的SOC相差50%及以上,如公式(7)所示:
ΔSOC=(SOCcharge,end-SOCcharge,start)≥50 (7)
其中,SOCcharge,start和SOCcharge,end分别是BMS所记录的本次充电开始和结束时的电池组SOC。
3.根据权利要求1所述的一种基于电池一致性演变的电池微故障诊断方法,其特征在于,各充电段各电池的一致性量化参数的具体获得方法是以参考电池的充电电压-电量曲线为基准曲线,对其余各电池的充电电压-电量曲线进行平移、伸缩变换,使用自适应惯性权重粒子群算法计算曲线变换参数,得到一致性量化参数,将经过变换后的各电池曲线与参考电池曲线进行相似度计算,将平均欧氏距离作为自适应惯性权重粒子群算法的适应度值,适应度值定义式如下:
其中N表示将CCVC进行等分得到N个横坐标值,f0(Ahj)和fi′(Ahj)分别为参考电池和经过CCVC变换后的单体电池i的充电电压曲线在横坐标为Ahj时的端电压值;
确定了粒子的适应度值后,在种群内部开始搜索、迭代、更新速度和位置操作;
第i个粒子的速度和位置根据以下公式更新:
其中,c1、c2为个体学习因子、种群学习因子,c1=c2=2,r1、r2属于[0,1]的随机数,为在k次迭代中,第i个粒子的历史最优位置,为在k次迭代中,种群历史最优位置,ω为惯性权重,惯性权重的更新式如下:
通过对速度、位置和惯性权重的更新迭代,提升寻优的精度和效率,搜索的参数达到最优使得粒子适应度值达到最小,即变换后的曲线和参考曲线相似度达到最高,求得表征各充电段内各电池一致性情况的量化参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110872621.9A CN113391213B (zh) | 2021-07-30 | 2021-07-30 | 一种基于电池组一致性演变的电池微故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110872621.9A CN113391213B (zh) | 2021-07-30 | 2021-07-30 | 一种基于电池组一致性演变的电池微故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113391213A CN113391213A (zh) | 2021-09-14 |
CN113391213B true CN113391213B (zh) | 2023-03-24 |
Family
ID=77622404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110872621.9A Active CN113391213B (zh) | 2021-07-30 | 2021-07-30 | 一种基于电池组一致性演变的电池微故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113391213B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111487553A (zh) * | 2020-04-20 | 2020-08-04 | 国电南瑞科技股份有限公司 | 一种电池单体一致性评价的方法及其装置 |
CN114137417B (zh) * | 2021-11-19 | 2023-01-17 | 北京理工大学 | 一种基于充电数据特征的电池内短路检测方法 |
CN114200320A (zh) * | 2021-12-09 | 2022-03-18 | 西安理工大学 | 一种基于soc一致性匹配的退役动力电池重组方法 |
CN117203541A (zh) * | 2022-01-29 | 2023-12-08 | 宁德时代新能源科技股份有限公司 | 电池状态评估方法、装置、电子设备及存储介质 |
CN114942387B (zh) * | 2022-07-20 | 2022-10-25 | 湖北工业大学 | 一种基于真实数据的动力电池故障在线检测方法及*** |
CN115308631B (zh) * | 2022-10-09 | 2023-02-03 | 湖北工业大学 | 一种新能源汽车动力电池组故障诊断方法及*** |
CN116482560B (zh) * | 2023-06-21 | 2023-09-12 | 中国华能集团清洁能源技术研究院有限公司 | 电池故障检测方法、装置、电子设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6668914B2 (ja) * | 2016-04-22 | 2020-03-18 | トヨタ自動車株式会社 | バッテリ制御装置 |
CN108872870A (zh) * | 2018-06-21 | 2018-11-23 | 浙江工业大学 | 一种基于粒子群优化扩展卡尔曼滤波算法的锂电池soc估算方法 |
CN109738825B (zh) * | 2018-12-27 | 2021-01-01 | 上海毅信环保科技有限公司 | 基于历史数据的退役电池可用容量与内阻检测方法及装置 |
CN112415391A (zh) * | 2020-10-27 | 2021-02-26 | 中船动力有限公司 | 基于改进粒子群优化的船用锂离子电池参数辨识方法 |
CN113176511B (zh) * | 2021-02-10 | 2022-07-12 | 合肥工业大学 | 考虑健康状态的储能充放电优化方法及*** |
-
2021
- 2021-07-30 CN CN202110872621.9A patent/CN113391213B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113391213A (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113391213B (zh) | 一种基于电池组一致性演变的电池微故障诊断方法 | |
WO2021259196A1 (zh) | 一种电池组一致性评估方法及*** | |
Gan et al. | Data-driven fault diagnosis of lithium-ion battery overdischarge in electric vehicles | |
Song et al. | Model-based health diagnosis for lithium-ion battery pack in space applications | |
CN111198328A (zh) | 一种电池析锂检测方法及电池析锂检测*** | |
CN109782190B (zh) | 用于估计单颗电池或单批电池的剩余使用寿命的方法 | |
CN109358293B (zh) | 基于ipf的锂离子电池soc估计方法 | |
CN113447828B (zh) | 一种基于贝叶斯神经网络的锂电池温度估计方法及*** | |
CN111257753B (zh) | 一种电池***故障诊断方法 | |
Chang et al. | Micro-fault diagnosis of electric vehicle batteries based on the evolution of battery consistency relative position | |
Zhao et al. | State-of-health estimation with anomalous aging indicator detection of lithium-ion batteries using regression generative adversarial network | |
CN113391214A (zh) | 一种基于电池充电电压排名变化的电池微故障诊断方法 | |
CN115061058A (zh) | 退役动力电池梯次利用剩余寿命测算方法及*** | |
CN114839537A (zh) | 电池荷电状态预测方法和装置 | |
CN112937369B (zh) | 一种基于马氏过程的动力电池组主动均衡控制方法 | |
Song et al. | Series-connected lithium-ion battery pack health modeling with cell inconsistency evaluation | |
CN117805649A (zh) | 基于soh量化电池容量衰减对异常电芯进行识别的方法 | |
Liu et al. | SOH diagnostic and prognostic based on external health indicator of lithium-ion batteries | |
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 | |
CN113300016B (zh) | 一种电池充放电控制方法和装置 | |
Upashrutti et al. | Estimation of State of Charge of EV Batteries-A Machine Learning Approach | |
Reddy et al. | Gaussian process regression based state of health estimation of lithium-ion batteries using indirect battery health indicators | |
Wang et al. | Online capacity estimation of lithium-ion batteries by partial incremental capacity curve | |
CN115097344A (zh) | 一种基于恒压充电片段的电池健康状态端云协同估计方法 | |
Shen et al. | A state of charge estimation method based on APSO-PF for lithium-ion battery |
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 |