CN113419188B - 一种电池内部关键电化学老化参数的在线辨识方法及*** - Google Patents
一种电池内部关键电化学老化参数的在线辨识方法及*** Download PDFInfo
- Publication number
- CN113419188B CN113419188B CN202110654874.9A CN202110654874A CN113419188B CN 113419188 B CN113419188 B CN 113419188B CN 202110654874 A CN202110654874 A CN 202110654874A CN 113419188 B CN113419188 B CN 113419188B
- Authority
- CN
- China
- Prior art keywords
- battery
- electrochemical
- negative electrode
- cathode
- aging 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
- 230000032683 aging Effects 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 17
- 239000007790 solid phase Substances 0.000 claims abstract description 33
- 230000007246 mechanism Effects 0.000 claims abstract description 12
- 239000007791 liquid phase Substances 0.000 claims abstract description 7
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims description 19
- 229910001416 lithium ion Inorganic materials 0.000 claims description 19
- 239000003792 electrolyte Substances 0.000 claims description 18
- 239000011149 active material Substances 0.000 claims description 13
- 238000001914 filtration Methods 0.000 claims description 8
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 6
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 229910002804 graphite Inorganic materials 0.000 claims description 6
- 239000010439 graphite Substances 0.000 claims description 6
- 229910052744 lithium Inorganic materials 0.000 claims description 6
- 239000007773 negative electrode material Substances 0.000 claims description 6
- 230000036470 plasma concentration Effects 0.000 claims description 6
- 230000017105 transposition Effects 0.000 claims description 6
- 229910052731 fluorine Inorganic materials 0.000 claims description 3
- 125000001153 fluoro group Chemical group F* 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 4
- 230000036541 health Effects 0.000 description 11
- 238000001453 impedance spectrum Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000000157 electrochemical-induced impedance spectroscopy Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001566 impedance spectroscopy Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种电池内部关键电化学老化参数的在线辨识方法及***,包括:步骤S1:基于电池电化学机理以及多孔电极理论,通过对电池内部固液两相之间的电荷守恒、质量守恒偏微分方程求解,建立电池电化学模型;步骤S2:基于电池电化学模型,建立以电池老化参数为状态变量的状态观测器;步骤S3:通过状态观测器,基于电池电流以及电压对预设可观测的电池关键电化学老化参数进行在线辨识。本发明可以在线基于电池的电流,电压等测量信号,对电池内部的电化学关键老化参数进行估计。
Description
技术领域
本发明涉及电动汽车的电池参数在线辨识领域,具体地,涉及一种电池内部关键电化学老化参数的在线辨识方法及***,更为具体地,涉及一种单体电池电化学参数在线辨识方法。
背景技术
动力电池作为新能源汽车中的核心动力元件,电池健康状态(SOH)的精准估计是电动汽车电池管理***最重要的功能之一。通过对电池健康状态的精准估计可以防止对电池过充,过放,使得电池状态始终维持在健康合理的运行区间,从而延长电池使用寿命。传统的动力电池健康状态估计是通过算法估计或者测试电池容量或内阻。然而,随着车载动力电池的老化,电池内部某些关键电化学参数会随之变化,比如电池负极活性物质百分比等参数,仅有的容量和内阻信息不能全面反映电池健康状态,此外直接测试实车电池的容量可操作性较差。因此,在线估计关键电池电化学老化参数对于评估电池健康状态具有重要意义。
当前关于锂离子电池内部关键电化学老化参数在线辨识尚无很好的方案。大部分在线电池健康状态估计算法都是基于等效电路模型或者大数据等人工智能算法,这些算法要么忽略了电池的电化学老化机理(基于等效电路电气模型),要么运算量大,不能在车载环境下在线进行(大数据算法)。如何快速在线估计电池内部关键电化学参数从而得到电池健康状态信息仍未得到妥善解决。
专利文献CN107607880A(申请号:201710852303.X)公开了一种基于阻抗谱的锂离子电池内部健康特征提取方法,涉及新能源研究领域。该发明现有通过EIS分析估算SOH的方法,EIS测量时间较长,无法实现在线测量的问题。建立锂离子电池电化学阻抗谱数学模型;通过对锂离子电池的电化学阻抗谱的快速测量,得到锂离子电池的电化学阻抗谱;分别在高、中、低频段下,用锂离子电池电化学阻抗谱数学模型,对锂离子电池的电化学阻抗谱进行参数辨识,获取锂离子电池的模型参数;周期性测量老化的锂离子电池的电化学阻抗谱,用锂离子电池电化学阻抗谱数学模型对老化的锂离子电池的电化学阻抗谱进行参数辨识,获取锂离子电池老化过程中的模型参数变化规律,作为评价电池健康状态的特征。用于评价电池健康状态。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种电池内部关键电化学老化参数的在线辨识方法及***。
根据本发明提供的一种电池内部关键电化学老化参数的在线辨识方法,包括:
步骤S1:基于电池电化学机理以及多孔电极理论,通过对电池内部固液两相之间的电荷守恒、质量守恒偏微分方程求解,建立电池电化学模型;
步骤S2:基于电池电化学模型,建立以电池老化参数为状态变量的状态观测器;
步骤S3:通过状态观测器,基于电池电流以及电压对预设可观测的电池关键电化学老化参数进行在线辨识;
所述电池电化学模型是用于仿真电池充放电性能。
优选地,所述步骤S1中电池电化学模型包括:
其中,分别表示电池正负极固相表面锂离子浓度;Up,Un分别表示电池正负极开路电压;ηp、ηn分别表示电池正负极过电势;i0,p表示电池交换电流密度;ce,p表示电池正极处的电解液浓度;ce,n表示电池负极处的电解液浓度;φe(ce,L),φe(ce,0)分别表示电池正负极集流体处电解液电势;Rf表示电池内阻;I表示电池输入电流。
优选地,所述步骤S2包括:将电池电化学模型进行状态空间转换,得到状态空间表达式,基于状态空间表达式建立状态观测器;
所述状态空间表达式包括:
其中,表示xn的导数;xn=[x1 x2 x3]T,x1表示电池石墨负极锂离子体浓度;x2和x3分别表示电池负极活性物质百分比和电池内阻;T表示转置;F表示电池内阻;A表示电池截面积;δ-表示电池负极板厚度;εs,n表示电池负极活性物质百分比;g(xn,u)表示电池反馈信号;表示负极固相电势;Un表示电池负极开路电势;Rf表示电池接触内阻;I表示电池电流;ηn表示负极过电势。
优选地,所述步骤S3包括:在状态观测器中,针对负极固相电势进行闭环估计,实现电池电化学老化参数在线估计。
优选地,所述在状态观测器中,针对负极固相电势进行闭环估计包括:在状态观测器中,基于电池电化学模型采用扩展卡尔曼滤波算法对电池电化学老化参数进行在线估计。
根据本发明提供的一种电池内部关键电化学老化参数的在线辨识***,包括:
模块M1:基于电池电化学机理以及多孔电极理论,通过对电池内部固液两相之间的电荷守恒、质量守恒偏微分方程求解,建立电池电化学模型;
模块M2:基于电池电化学模型,建立以电池老化参数为状态变量的状态观测器;
模块M3:通过状态观测器,基于电池电流以及电压对预设可观测的电池关键电化学老化参数进行在线辨识;
所述电池电化学模型是用于仿真电池充放电性能。
优选地,所述模块M1中电池电化学模型包括:
其中,分别表示电池正负极固相表面锂离子浓度;Up,Un分别表示电池正负极开路电压;ηp、ηn分别表示电池正负极过电势;i0,p表示电池交换电流密度;ce,p表示电池正极处的电解液浓度;ce,n表示电池负极处的电解液浓度;φe(ce,L),φe(ce,0)分别表示电池正负极集流体处电解液电势;Rf表示电池内阻;I表示电池输入电流。
优选地,所述模块M2包括:将电池电化学模型进行状态空间转换,得到状态空间表达式,基于状态空间表达式建立状态观测器;
所述状态空间表达式包括:
其中,表示xn的导数;xn=[x1 x2 x3]T,x1表示电池石墨负极锂离子体浓度;x2和x3分别表示电池负极活性物质百分比和电池内阻;T表示转置;F表示电池内阻;A表示电池截面积;δ-表示电池负极板厚度;εs,n表示电池负极活性物质百分比;g(xn,u)表示电池反馈信号;表示负极固相电势;Un表示电池负极开路电势;Rf表示电池接触内阻;I表示电池电流;ηn表示负极过电势。
所述模块M3包括:在状态观测器中,针对负极固相电势进行闭环估计,实现电池电化学老化参数在线估计;
所述在状态观测器中,针对负极固相电势进行闭环估计包括:在状态观测器中,基于电池电化学模型采用扩展卡尔曼滤波算法对电池电化学老化参数进行在线估计。
与现有技术相比,本发明具有如下的有益效果:
1、本发明可以在线基于电池的电流,电压等测量信号,对电池内部的电化学关键老化参数进行估计;
2、本发明通过电池电化学模型建模技术,结合电池状态观测器设计等数学工具,可以实现对动力锂离子电池内部电化学老化状态的精准检测。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为电池电化学参数在线辨识流程图;
图2为电池电化学参数在线辨识观测器示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1
根据本发明提供的一种电池内部关键电化学老化参数的在线辨识方法,如图1至2所示,包括:
步骤S1:基于电池电化学机理以及多孔电极理论,通过对电池内部固液两相之间的电荷守恒、质量守恒偏微分方程求解,建立电池电化学模型;电池电化学模型是仿真电池充放电性能所用;
步骤S2:基于电池电化学模型,建立以电池老化参数为状态变量的状态观测器;
步骤S3:通过状态观测器,基于电池电流以及电压对预设可观测的电池关键电化学老化参数进行在线辨识;
具体地,所述步骤S1中电池电化学模型包括:
其中,分别表示电池正负极固相表面锂离子浓度;Up,Un分别表示电池正负极开路电压;ηp、ηn分别表示电池正负极过电势;i0,p表示电池交换电流密度;ce,p表示电池正极处的电解液浓度;ce,n表示电池负极处的电解液浓度;φe(ce,L),φe(ce,0)分别表示电池正负极集流体处电解液电势;Rf表示电池内阻;I表示电池输入电流。
具体地,所述步骤S2包括:将电池电化学模型进行状态空间转换,得到状态空间表达式,基于状态空间表达式建立状态观测器;
所述状态空间表达式包括:
其中,表示xn的导数;xn=[x1 x2 x3]T,x1表示电池石墨负极锂离子体浓度;x2和x3分别表示电池负极活性物质百分比和电池内阻;T表示转置;F表示电池内阻;A表示电池截面积;δ-表示电池负极板厚度;εs,n表示电池负极活性物质百分比;g(xn,u)表示电池反馈信号;表示负极固相电势;Un表示电池负极开路电势;Rf表示电池接触内阻;I表示电池电流;ηn表示负极过电势。
状态观测器是基于电池电化学模型的框架进行建立的,只有基于电池电化学模型才能对电池电化学老化参数进行观测;
将电池老化参数设置为状态观测器中的状态目标变量,将电池电化学模型中的电池老化参数以外的部分作为状态观测器的反馈,结合测量到的电池电压与电池虚拟电压差之间的反馈,对电池状态实施在线辨识;
具体地,所述步骤S3包括:在状态观测器中,针对负极固相电势进行闭环估计,即将测量到的电池电压减去电锤正极反馈电压得到电池负极固相电势,实现电池电化学老化参数在线估计。
具体地,所述在状态观测器中,针对负极固相电势进行闭环估计包括:在状态观测器中,基于电池电化学模型采用扩展卡尔曼滤波算法对电池电化学老化参数进行在线估计。
本发明的技术方案的顺利实现,得益于对电池电化学机理模型的精准掌控,和对电池老化机理的理解。针对具体的在线估计算法,选用常用的扩展卡尔曼滤波算法。除本技术方案外,还可以采取粒子滤波算法等进行电池电化学参数在线辨识。
根据本发明提供的一种电池内部关键电化学老化参数的在线辨识***,包括:
模块M1:基于电池电化学机理以及多孔电极理论,通过对电池内部固液两相之间的电荷守恒、质量守恒偏微分方程求解,建立电池电化学模型;电池电化学模型是仿真电池充放电性能所用;
模块M2:基于电池电化学模型,建立以电池老化参数为状态变量的状态观测器;
模块M3:通过状态观测器,基于电池电流以及电压对预设可观测的电池关键电化学老化参数进行在线辨识;
具体地,所述模块M1中电池电化学模型包括:
其中,分别表示电池正负极固相表面锂离子浓度;Up,Un分别表示电池正负极开路电压;ηp、ηn分别表示电池正负极过电势;i0,p表示电池交换电流密度;ce,p表示电池正极处的电解液浓度;ce,n表示电池负极处的电解液浓度;φe(ce,L),φe(ce,0)分别表示电池正负极集流体处电解液电势;Rf表示电池内阻;I表示电池输入电流。
具体地,所述模块M2包括:将电池电化学模型进行状态空间转换,得到状态空间表达式,基于状态空间表达式建立状态观测器;
所述状态空间表达式包括:
其中,表示xn的导数;xn=[x1 x2 x3]T,x1表示电池石墨负极锂离子体浓度;x2和x3分别表示电池负极活性物质百分比和电池内阻;T表示转置;F表示电池内阻;A表示电池截面积;δ-表示电池负极板厚度;εs,n表示电池负极活性物质百分比;g(xn,u)表示电池反馈信号;表示负极固相电势;Un表示电池负极开路电势;Rf表示电池接触内阻;I表示电池电流;ηn表示负极过电势。
状态观测器是基于电池电化学模型的框架进行建立的,只有基于电池电化学模型才能对电池电化学老化参数进行观测;
将电池老化参数设置为状态观测器中的状态目标变量,将电池电化学模型中的电池老化参数以外的部分作为状态观测器的反馈,结合测量到的电池电压与电池虚拟电压差之间的反馈,对电池状态实施在线辨识;
具体地,所述模块M3包括:在状态观测器中,针对负极固相电势进行闭环估计,即将测量到的电池电压减去电锤正极反馈电压得到电池负极固相电势,实现电池电化学老化参数在线估计。
具体地,所述在状态观测器中,针对负极固相电势进行闭环估计包括:在状态观测器中,基于电池电化学模型采用扩展卡尔曼滤波算法对电池电化学老化参数进行在线估计。
本发明的技术方案的顺利实现,得益于对电池电化学机理模型的精准掌控,和对电池老化机理的理解。针对具体的在线估计算法,选用常用的扩展卡尔曼滤波算法。除本技术方案外,还可以采取粒子滤波算法等进行电池电化学参数在线辨识。
本领域技术人员知道,除了以纯计算机可读程序代码方式实现本发明提供的***、装置及其各个模块以外,完全可以通过将方法步骤进行逻辑编程来使得本发明提供的***、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以,本发明提供的***、装置及其各个模块可以被认为是一种硬件部件,而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构;也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (4)
1.一种电池内部关键电化学老化参数的在线辨识方法,其特征在于,包括:
步骤S1:基于电池电化学机理以及多孔电极理论,通过对电池内部固液两相之间的电荷守恒、质量守恒偏微分方程求解,建立电池电化学模型;
步骤S2:基于电池电化学模型,建立以电池老化参数为状态变量的状态观测器;
步骤S3:通过状态观测器,基于电池电流以及电压对预设可观测的电池关键电化学老化参数进行在线辨识;
所述电池电化学模型是用于仿真电池充放电性能;
所述步骤S1中电池电化学模型包括:
其中,分别表示电池正负极固相表面锂离子浓度;Up,Un分别表示电池正负极开路电压;ηp、ηn分别表示电池正负极过电势;i0,p表示电池交换电流密度;ce,p表示电池正极处的电解液浓度;ce,n表示电池负极处的电解液浓度;φe(ce,L),φe(ce,0)分别表示电池正负极集流体处电解液电势;Rf表示电池内阻;I表示电池输入电流;
所述步骤S2包括:将电池电化学模型进行状态空间转换,得到状态空间表达式,基于状态空间表达式建立状态观测器;
所述状态空间表达式包括:
2.根据权利要求1所述的电池内部关键电化学老化参数的在线辨识方法,其特征在于,所述步骤S3包括:在状态观测器中,针对负极固相电势进行闭环估计,实现电池电化学老化参数在线估计。
3.根据权利要求1所述的电池内部关键电化学老化参数的在线辨识方法,其特征在于,所述在状态观测器中,针对负极固相电势进行闭环估计包括:在状态观测器中,基于电池电化学模型采用扩展卡尔曼滤波算法对电池电化学老化参数进行在线估计。
4.一种电池内部关键电化学老化参数的在线辨识***,其特征在于,包括:
模块M1:基于电池电化学机理以及多孔电极理论,通过对电池内部固液两相之间的电荷守恒、质量守恒偏微分方程求解,建立电池电化学模型;
模块M2:基于电池电化学模型,建立以电池老化参数为状态变量的状态观测器;
模块M3:通过状态观测器,基于电池电流以及电压对预设可观测的电池关键电化学老化参数进行在线辨识;
所述电池电化学模型是用于仿真电池充放电性能;
所述模块M1中电池电化学模型包括:
其中,分别表示电池正负极固相表面锂离子浓度;Up,Un分别表示电池正负极开路电压;ηp、ηn分别表示电池正负极过电势;i0,p表示电池交换电流密度;ce,p表示电池正极处的电解液浓度;ce,n表示电池负极处的电解液浓度;φe(ce,L),φe(ce,0)分别表示电池正负极集流体处电解液电势;Rf表示电池内阻;I表示电池输入电流;
所述模块M3包括:在状态观测器中,针对负极固相电势进行闭环估计,实现电池电化学老化参数在线估计;
所述在状态观测器中,针对负极固相电势进行闭环估计包括:在状态观测器中,基于电池电化学模型采用扩展卡尔曼滤波算法对电池电化学老化参数进行在线估计;
所述模块M2包括:将电池电化学模型进行状态空间转换,得到状态空间表达式,基于状态空间表达式建立状态观测器;
所述状态空间表达式包括:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110654874.9A CN113419188B (zh) | 2021-06-11 | 2021-06-11 | 一种电池内部关键电化学老化参数的在线辨识方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110654874.9A CN113419188B (zh) | 2021-06-11 | 2021-06-11 | 一种电池内部关键电化学老化参数的在线辨识方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113419188A CN113419188A (zh) | 2021-09-21 |
CN113419188B true CN113419188B (zh) | 2022-11-11 |
Family
ID=77788462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110654874.9A Active CN113419188B (zh) | 2021-06-11 | 2021-06-11 | 一种电池内部关键电化学老化参数的在线辨识方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113419188B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115064227B (zh) * | 2022-06-24 | 2023-08-08 | 上海玫克生储能科技有限公司 | 用于建立离子电池的电化学模型的方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111198326B (zh) * | 2020-02-19 | 2021-05-04 | 北京理工大学 | 一种具有抗扰动特性的电池单体短路电阻在线检测方法 |
CN112098851B (zh) * | 2020-11-06 | 2021-03-12 | 北京理工大学 | 智能电池与其荷电状态在线估计方法及应用 |
-
2021
- 2021-06-11 CN CN202110654874.9A patent/CN113419188B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113419188A (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kindermann et al. | Long-term equalization effects in Li-ion batteries due to local state of charge inhomogeneities and their impact on impedance measurements | |
Chen et al. | A new state-of-health estimation method for lithium-ion batteries through the intrinsic relationship between ohmic internal resistance and capacity | |
Lyu et al. | A lead-acid battery's remaining useful life prediction by using electrochemical model in the Particle Filtering framework | |
CN107607880B (zh) | 一种基于阻抗谱的锂离子电池内部健康特征提取方法 | |
Lyu et al. | In situ monitoring of lithium-ion battery degradation using an electrochemical model | |
Xiong et al. | A systematic model-based degradation behavior recognition and health monitoring method for lithium-ion batteries | |
Galeotti et al. | Performance analysis and SOH (state of health) evaluation of lithium polymer batteries through electrochemical impedance spectroscopy | |
Li et al. | Aging modes analysis and physical parameter identification based on a simplified electrochemical model for lithium-ion batteries | |
Eddahech et al. | Determination of lithium-ion battery state-of-health based on constant-voltage charge phase | |
Eddahech et al. | Behavior and state-of-health monitoring of Li-ion batteries using impedance spectroscopy and recurrent neural networks | |
CN109143083B (zh) | 一种数据驱动的电动车辆锂离子电池析锂诊断方法 | |
Liu et al. | The remaining useful life prediction by using electrochemical model in the particle filter framework for lithium-ion batteries | |
Lyu et al. | A new method for lithium-ion battery uniformity sorting based on internal criteria | |
Shi et al. | State-of-health estimation for lithium battery in electric vehicles based on improved unscented particle filter | |
WO2015031437A1 (en) | On-board state of health monitoring of batteries using incremental capacity analysis | |
CN113176503B (zh) | 基于电化学过程的全soc范围锂离子电池等效模型 | |
CN110888057A (zh) | 一种动力锂离子电池电化学参数辨识方法及*** | |
CN110954832A (zh) | 一种识别老化模式的锂离子电池健康状态在线诊断方法 | |
Chang et al. | Electric vehicle battery pack micro-short circuit fault diagnosis based on charging voltage ranking evolution | |
CN112182890A (zh) | 面向低温应用的锂离子电池电化学模型 | |
CN111999665B (zh) | 一种基于微观机理汽车驾驶工况锂离子电池老化试验方法 | |
CN113933714A (zh) | 基于简化电化学模型和灰色预测联合的电池容量预测方法 | |
Guo et al. | Parameter identification of fractional‐order model with transfer learning for aging lithium‐ion batteries | |
Yin et al. | Implementing intermittent current interruption into Li-ion cell modelling for improved battery diagnostics | |
CN114200321B (zh) | 一种锂离子电池变阶数等效电路模型建模方法 |
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 |