CN114200308B - 一种基于特征融合的电池组参数不一致性在线评估方法 - Google Patents
一种基于特征融合的电池组参数不一致性在线评估方法 Download PDFInfo
- Publication number
- CN114200308B CN114200308B CN202111466236.0A CN202111466236A CN114200308B CN 114200308 B CN114200308 B CN 114200308B CN 202111466236 A CN202111466236 A CN 202111466236A CN 114200308 B CN114200308 B CN 114200308B
- Authority
- CN
- China
- Prior art keywords
- inconsistency
- parameters
- battery
- parameter
- battery pack
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 title claims description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 12
- 238000007600 charging Methods 0.000 claims abstract description 10
- 230000004044 response Effects 0.000 claims abstract description 9
- 238000007500 overflow downdraw method Methods 0.000 claims abstract description 8
- 230000003068 static effect Effects 0.000 claims abstract description 7
- 230000010287 polarization Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 abstract description 3
- 229910001416 lithium ion Inorganic materials 0.000 abstract description 3
- 238000009826 distribution Methods 0.000 description 4
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 229910052744 lithium Inorganic materials 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000010277 constant-current charging Methods 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000007784 solid electrolyte Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Battery Mounting, Suspending (AREA)
Abstract
本发明公开了一种基于特征融合的电池组参数不一致性在线评估方法,筛选了适合表征锂离子电池组动态和静态特性的特征参数,基于放电曲线在线计算特征参数,并利用特征融合进而在线评估电池组不一致性。评估方法主要包括以下步骤:首先,基于电池工作原理,建立n阶RC等效电池模型;依据电路原理,建立等效电池模型端电压方程,并离散化;基于充电结束后的电压响应曲线,结合模型输出方程和全局优化算法,进行模型参数在线辨识,得到辨识后的模型参数;最后引入参数标准差系数,并考虑不同参数的影响因子,利用特征融合方法进行电池组参数不一致性评估。
Description
技术领域
本发明涉及新能源汽车动力电池技术领域,具体为一种基于特征融合的电池组参数不一致性在线评估方法。
背景技术
为了实现碳中和和碳峰值的目标,传统的燃料汽车逐步向以电动汽车(EVs)为代表的新能源汽车转型。作为电动汽车的核心,动力电池组的安全以及性能优化推动者电动汽车的发展。锂离子电池因其具有能量密度高、自放电率低、使用寿命长等优点,被广泛用于电动汽车中。为了满足汽车续航要求,大量电池组装在一起,为负载提供足够的电压和功率,同时也带来了一致性问题。电池组的不一致性可能导致以下危害:(a)容量的损失。电池组的容量遵循“木桶效应”的规则,容量最小的电池决定了电池组的容量。(b)寿命衰减加速。电池组的不一致性过大会导致寿命衰减更加迅速。(c)欧姆电阻的增加。并且具有相当大的欧姆电阻的电池在运行中会产生更多的热量,这将加速电池的老化。
电池组的不一致性,主要来源于两个方面。一个是内部参数的不一致,而另一个是外部参数的不一致。生产工艺、材料和技术的差异是造成内部参数不一致的主要因素。生产过程中锂的挥发会影响可用容量和库仑效率,欧姆电阻受电极厚度、接触面积和电解质的影响,而电极和固体电解质之间的接触不良将形成高欧姆阻抗。由于电极厚度和接触面积的微小差异,也将导致欧姆阻抗的显著不一致。不一致的欧姆阻抗和库仑效率,最终会使得电池的荷电状态(SOC)可用范围不同。而外部参数的不一致性来源于,动态的电压、电流、温度等。虽然串联的电池组在初始时有较好的一致性,但在放电结束时将产生不平衡的电流。在这种情况下,由于电池之间的性能不同,电压一致性随着放电深度的增加而降低。此外,不同的电池形状和散热结构对电池组的热量分布有不同的影响。合理的散热结构可以一定程度的改善电池组的温度一致性。
目前,对于电池组不一致性的评估方法啊可大致分为三类,分别为基于信号处理、基于模型、基于信息融合。基于信号处理的方法,依据电压、电流、温度可测信号标准差、极值等数值评价指标评估电池组不一致性。而基于模型的方法则是通过***识别或者状态估计算法间接获得电池组的参数,依据参数标准差等数值评价指标进行电池组不一致性评价。基于信息融合的方法,从信息学的角度研究参数的分布。
这几种方法的都具有明显的缺陷。首先,基于信号处理的方法易受到***噪声影响,难以可靠表征电池组不一致。对于基于模型的方法,如何确定合适的特征参数是决定评价结果可靠性的关键所在,同时特征参数的在线获取是决定该方法能否在线应用的重要因素。基于信息融合的方法涉及大量的计算,不利于在线应用。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于特征融合的电池组参数不一致性在线评估方法,解决了传统基于单一参数评估方法导致的不一致性评估结果不可靠的问题,特征参数的在线辨识也保证了所提出的电池组不一致性在线评价的可行性。本发明分别采用电池的静态和动态参数作为特征,提高电池组不一致性评价的可靠性;采用充电结束后的电压响应曲线结合电池模型,运用全局优化算法对模型参数进行在线辨识。
(二)技术方案
为实现上述目的,本发明提供如下技术方案:一种基于特征融合的电池组参数不一致性在线评估方法,包括以下步骤:
步骤1:基于电池工作原理,建立n阶RC等效电池模型;
步骤2:依据电路原理,建立n阶RC等效电池模型端电压方程,并离散化;
步骤3:基于充电结束后的电压响应曲线,结合模型输出方程和全局优化算法,进行模型参数在线辨识;
步骤4:基于辨识的模型参数,利用特征融合方法进行电池组参数不一致性评估。
优选的,所述的n阶RC等效电路模型的输出电压公式为Ut=Uoc+R0I+Up1+Up2+…+Upn并离散化为:
Ut(k)=Uoc(k)+R0·I(k)+Up1(k)+…+Upn(k) (1);
公式(1)中,Ut表示电池输出电压,Uoc为开路电压,R0表示欧姆电阻,I为电路所流过的电流,Upi(i=1,2,…,n)表示第i阶RC网络的端电压,可表示为
在充电结束后,电池电压方程为
Ut=Uoc+Up1+Up2+…+Upn (2);
其中,
优选的,所述步骤3中利用全局优化算法和如下方程组:
公式(3)中,Ut表示电池输出电压,Uoc为开路电压,R0表示欧姆电阻,ΔI为充电电流,Upi(i=1,2,…,n)表示第i阶RC网络的端电压,τi为第i阶RC网络的时间常数,Rpi(i=1,2,…,n)和Cpi(i=1,2,…,n)分别表示第i阶极化网络的电阻和电容;
建立全局优化目标函数如下式所示进行参数辨识;
其中x=[Uoc,τi,Upi(0)](i=1,2,…,n),Upi(0)为第i个RC网络的初始电压,f(k,x)为k时刻的电压值计算值。Uoc反映电池静态特性,R0和τi反映电池动态特性。
优选的,在进行不同模型参数确定权重之前,将各参数进行标准化处理,引用标准差系数,作为一个无量纲单位为1的评价系数,标准差系数的定义公式如下:
(5)式中,δi表示第i个参数的标准差,σi表示点i个参数的标准差,γi表示点i个参数的平均值,xi、N表示点i个参数的数值和电池数量;将标准差系数的平方定义为第i个参数的不一致性θi;即
并考虑到各参数对不一致性的贡献不同,在特征融合后对各参数权重分配。基于特征融合方法对电池组参数进行不一致性评估,定义不一致性公式为:
ζ=ωrθr+ωocθoc+ωp1θp2+…+ωpnθpn (7);
其中ζ为电池组不一致性程度;ωi(i=r,oc,p1,…,pn)表示各参数权重;θi(i=r,oc,p1,…,pn)表示各特征不一致性;所提出的特征融合,不局限于各参数在电池组不一致性中影响权重;根据用户需求自行指定。
(三)有益效果
本发明提供了一种基于特征融合的电池组参数不一致性在线评估方法,具备以下有益效果:是在非实验室环境中可在线确定电池的各项参数,并利用电池组的动态和静态参数结合多特征融合方法提高了电池组不一致性评估的可靠性。具有可靠性高、计算复杂度低、可在线应用的优点。
筛选了适合表征锂离子电池组动态和静态特性的特征参数,基于放电曲线在线计算特征参数,并利用特征融合进而在线评估电池组不一致性。
附图说明
图1是本发明提供的基于特征融合的电池组参数不一致性在线评估方法流程图;
图2是本发明实施案例1所提供的锂电池n阶RC等效电路模型示意图;
图3是本发明实施案例2所提供的锂电池二阶RC等效电路模型示意图;
图4是本发明的恒流充电结束后的电压响应曲线示意图;
图5是本发明的恒流充电结束后的电压响应曲线示意图的局部放大图;
图6是本发明的实际电动汽车巴士采集的充电结束后的电压响应曲线图;
图7是本发明实例1中的各阶次等效电路模型的拟合曲线图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供一种技术方案:一种基于特征融合的电池组参数不一致性在线评估方法,首先,基于电池工作原理,建立n阶RC等效电池模型;依据电路原理,建立等效电池模型端电压方程,并离散化;基于充电结束后的电压响应曲线,结合模型输出方程和全局优化算法,进行模型参数在线辨识,得到辨识后的模型参数;最后引入参数标准差系数,并考虑不同参数的影响因子,利用特征融合方法进行电池组参数不一致性评估;
具体包括以下步骤,
步骤1:基于电池工作原理,建立n阶RC等效电池模型;
步骤2:可参阅图2,依据电路原理,建立n阶RC等效电池模型端电压方程:Ut=Uoc+R0I+Up1+Up2+…+Upn,并离散化为:
Ut(k)=Uoc(k)+R0·I(k)+Up1(k)+…+Upn(k) (1);
公式(1)中,Ut表示电池输出电压,Uoc为开路电压,R0表示欧姆电阻,I为电路所流过的电流,Upi(i=1,2,…,n)表示第i阶RC网络的端电压,可表示为
在充电结束后,电池电压方程可以表示为:
Ut=Uoc+Up1+Up2+…+Upn (2);
其中,
步骤3:基于充电结束后的电压响应曲线,结合模型输出方程和全局优化算法,进行模型参数在线辨识;
请参阅图4、5,t2到t3时刻的电压差是仅由欧姆电阻引起的,这里用U23表示这段电压差值,即:U23=R0·ΔI;其中ΔI为充电电流。
t3到t4时刻的电压差则是由RC网络引起的,这里用U34表示这段电压差值,即:U34(k)=Uoc(k)+R0·I(k)+Up1(k)+…+Upn(k),其中
又因为此时电路中电流为0,建立如下方程组:
其中,Ut表示电池输出电压,Uoc为开路电压,Upi(i=1,2,…,n)表示第i阶RC网络的端电压,τi为第i阶RC网络的时间常数,Rpi(i=1,2,…,n)和Cpi(i=1,2,…,n)分别表示第i阶极化网络的电阻和电容;
其中,Uoc为反映电池静态特性,R0和τi反映电池动态特性。
结合上述方程组,经全局优化算法进行参数辨识,构建目标函数为:
其中x=[Uoc,τi,Upi(0)](i=1,2,…,n),Upi(0)为第i个RC网络的初始电压,f(k,x)为k时刻的电压值计算值;
根据实际误差,可选择相对误差最小的阶次作为本方案的最优模型;参阅图6中电动汽车数据实例,本专利采用最小二乘算法,对比了不同阶次的等效电路模型参数辨识效果;各阶次等效电路模型的拟合曲线,请参照图7;其具体参数如下表所示:
参数 | 一阶 | 二阶 | 三阶 | 四阶 |
R-square | 0.9547 | 0.9992 | 0.9992 | 0.9972 |
RMSE/V | 0.003743 | 0.0004999 | 0.0004908 | 0.0009317 |
Uoc/V | 3.498 | 3.489 | 3.489 | 3.494 |
τ1/s | 571.9 | 1678 | 147.4 | 108.2 |
τ2/s | 146.4 | 0.4153 | 0.05148 | |
τ3/s | 1687 | 0.0244 | ||
τ4/s | 1081 |
鉴于上表,可看出本发明可将各参数的相对误差缩小至0.1%以下,本实例我们选取误差相对较小的三阶等效电路模型作为***模型,模型结构请参阅图3;因背景不同,在不同情况下最优阶次不同,本发明中本实例仅是为了更明了的陈述结果并不限于特定的等效电路阶次和误差识别对比方式。
步骤4:最后,引入参数的不一致性影响的标准差系数,作为一个无量纲单位为1的评价系数,标准差系数的定义公式如下:
其中,δi表示第i个影响参数的标准差,σi表示点i个参数的标准差,γi表示点i个参数的平均值,xi、N表示点i个参数的数值和电池数量;本发明将标准差系数的平方定义为第i个参数的不一致性θi,即;
并考虑到各参数对不一致性的贡献不同,在特征融合后对各参数权重分配。基于特征融合方法对电池组参数进行不一致性评估,定义不一致性公式为:
ζ=ωrθr+ωocθoc+ωp1θp2+…+ωpnθpn (7);
其中ζ为电池组不一致性程度;ωi(i=r,oc,p1,…,pn)表示各参数权重;θi(i=r,oc,p1,…,pn)表示各特征不一致性;所提出的特征融合,不局限于各参数在电池组不一致性中影响权重;根据用户需求自行指定。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (2)
1.一种基于特征融合的电池组参数不一致性在线评估方法,其特征在于,包括以下步骤:
步骤1:基于电池工作原理,建立n阶RC等效电池模型;
步骤2:依据电路原理,建立n阶RC等效电池模型端电压方程,并离散化;
步骤3:基于充电结束后的电压响应曲线,结合模型输出方程和全局优化算法,进行模型参数在线辨识;
步骤4:基于辨识的模型参数,利用特征融合方法进行电池组参数不一致性评估;
所述步骤3中利用全局优化算法和如下方程组:
公式(3)中,Ut表示电池输出电压,Uoc为开路电压,R0表示欧姆电阻,ΔI为充电电流,Upi(i=1,2,…,n)表示第i阶RC网络的端电压,τi为第i阶RC网络的时间常数,Rpi(i=1,2,…,n)和Cpi(i=1,2,…,n)分别表示第i阶极化网络的电阻和电容;
建立全局优化目标函数如下式所示进行参数辨识;
其中x=[Uoc,τi,Upi(0)](i=1,2,…,n),Upi(0)为第i个RC网络的初始电压,f(k,x)为k时刻的电压值计算值;Uoc反映电池静态特性,R0和τi反映电池动态特性;
步骤4中,在进行不同模型参数确定权重之前,将各参数进行标准化处理,引用标准差系数,作为一个无量纲单位为1的评价系数,标准差系数的定义公式如下:
(5)式中,δi表示第i个参数的标准差,σi表示点i个参数的标准差,γi表示点i个参数的平均值,xi、N表示点i个参数的数值和电池数量;将标准差系数的平方定义为第i个参数的不一致性θi;
并考虑到各参数对不一致性的贡献不同,在特征融合后对各参数权重分配;
在步骤4中,定义不一致性公式为:
ζ=ωrθr+ωocθoc+ωp1θp2+…+ωpnθpn (7);
其中ζ为电池组不一致性程度;ωi(i=r,oc,p1,…,pn)表示各参数权重;θi(i=r,oc,p1,…,pn)表示各特征不一致性;所提出的特征融合,不局限于各参数在电池组不一致性中影响权重;根据用户需求自行指定。
2.根据权利要求1所述的一种基于特征融合的电池组参数不一致性在线评估方法,其特征在于,所述的n阶RC等效电路模型的输出电压公式为:Ut=Uoc+R0I+Up1+Up2+…+Upn;并离散化为:
Ut(k)=Uoc(k)+R0·I(k)+Up1(k)+…+Upn(k) (1);
公式(1)中,Ut表示电池输出电压,Uoc为开路电压,R0表示欧姆电阻,I为电路所流过的电流,Upi(i=1,2,…,n)表示第i阶RC网络的端电压,可表示为
在充电结束后,电池电压方程为:
Ut=Uoc+Up1+Up2+…+Upn (2);
其中,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111466236.0A CN114200308B (zh) | 2021-12-03 | 2021-12-03 | 一种基于特征融合的电池组参数不一致性在线评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111466236.0A CN114200308B (zh) | 2021-12-03 | 2021-12-03 | 一种基于特征融合的电池组参数不一致性在线评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114200308A CN114200308A (zh) | 2022-03-18 |
CN114200308B true CN114200308B (zh) | 2024-03-15 |
Family
ID=80650320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111466236.0A Active CN114200308B (zh) | 2021-12-03 | 2021-12-03 | 一种基于特征融合的电池组参数不一致性在线评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114200308B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106842060A (zh) * | 2017-03-08 | 2017-06-13 | 深圳市海云图新能源有限公司 | 一种基于动态参数的动力电池soc估算方法及*** |
WO2019033391A1 (zh) * | 2017-08-18 | 2019-02-21 | 罗伯特·博世有限公司 | 用于检测电池组一致性的方法、装置及*** |
CN110045298A (zh) * | 2019-05-06 | 2019-07-23 | 重庆大学 | 一种动力电池组参数不一致性的诊断方法 |
CN110146823A (zh) * | 2019-06-06 | 2019-08-20 | 重庆大学 | 一种基于信息融合的串联电池组soc估计方法 |
CN110208707A (zh) * | 2019-06-14 | 2019-09-06 | 湖北锂诺新能源科技有限公司 | 一种基于等效电路模型的锂离子电池参数估算方法 |
CN111007417A (zh) * | 2019-12-06 | 2020-04-14 | 重庆大学 | 基于不一致性评估的电池组soh和rul预测方法及*** |
CN111707951A (zh) * | 2020-06-22 | 2020-09-25 | 北京理工大学 | 一种电池组一致性评估方法及*** |
CN112784432A (zh) * | 2021-01-29 | 2021-05-11 | 南昌师范学院 | 锂离子电池一阶rc等效电路动力学模型的动力学特性分析方法 |
CN112924870A (zh) * | 2021-04-12 | 2021-06-08 | 上海电享信息科技有限公司 | 电池不一致性的评估方法 |
CN113075554A (zh) * | 2021-03-26 | 2021-07-06 | 国网浙江省电力有限公司电力科学研究院 | 一种基于运行数据的锂离子电池组不一致性辨识方法 |
CN113688534A (zh) * | 2021-09-02 | 2021-11-23 | 江苏师范大学 | 一种基于多特征融合模型寻找最优铣削参数的研究方法 |
-
2021
- 2021-12-03 CN CN202111466236.0A patent/CN114200308B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106842060A (zh) * | 2017-03-08 | 2017-06-13 | 深圳市海云图新能源有限公司 | 一种基于动态参数的动力电池soc估算方法及*** |
WO2019033391A1 (zh) * | 2017-08-18 | 2019-02-21 | 罗伯特·博世有限公司 | 用于检测电池组一致性的方法、装置及*** |
CN111448468A (zh) * | 2017-08-18 | 2020-07-24 | 罗伯特·博世有限公司 | 用于检测电池组一致性的方法、装置及*** |
CN110045298A (zh) * | 2019-05-06 | 2019-07-23 | 重庆大学 | 一种动力电池组参数不一致性的诊断方法 |
CN110146823A (zh) * | 2019-06-06 | 2019-08-20 | 重庆大学 | 一种基于信息融合的串联电池组soc估计方法 |
CN110208707A (zh) * | 2019-06-14 | 2019-09-06 | 湖北锂诺新能源科技有限公司 | 一种基于等效电路模型的锂离子电池参数估算方法 |
CN111007417A (zh) * | 2019-12-06 | 2020-04-14 | 重庆大学 | 基于不一致性评估的电池组soh和rul预测方法及*** |
CN111707951A (zh) * | 2020-06-22 | 2020-09-25 | 北京理工大学 | 一种电池组一致性评估方法及*** |
CN112784432A (zh) * | 2021-01-29 | 2021-05-11 | 南昌师范学院 | 锂离子电池一阶rc等效电路动力学模型的动力学特性分析方法 |
CN113075554A (zh) * | 2021-03-26 | 2021-07-06 | 国网浙江省电力有限公司电力科学研究院 | 一种基于运行数据的锂离子电池组不一致性辨识方法 |
CN112924870A (zh) * | 2021-04-12 | 2021-06-08 | 上海电享信息科技有限公司 | 电池不一致性的评估方法 |
CN113688534A (zh) * | 2021-09-02 | 2021-11-23 | 江苏师范大学 | 一种基于多特征融合模型寻找最优铣削参数的研究方法 |
Non-Patent Citations (1)
Title |
---|
电动汽车退役锂电池一致性快速分选方法研究;刘俊华 等;《上海节能》;20200507(第07期);753-758 * |
Also Published As
Publication number | Publication date |
---|---|
CN114200308A (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | A state of charge estimation method for lithium-ion batteries based on fractional order adaptive extended kalman filter | |
CN107066722B (zh) | 一种基于电化学模型的动力电池***荷电状态和健康状态的联合估计方法 | |
CN107145628B (zh) | 基于电化学-热耦合模型的预测锂电池循环寿命的方法 | |
Takyi‐Aninakwa et al. | A strong tracking adaptive fading‐extended Kalman filter for the state of charge estimation of lithium‐ion batteries | |
CN113111579B (zh) | 一种自适应天牛须优化神经网络的锂电池等效电路模型参数辨识方法 | |
CN112710955B (zh) | 一种用于提高电池容量估计精度的算法 | |
CN112858929B (zh) | 一种基于模糊逻辑与扩展卡尔曼滤波的电池soc估计方法 | |
CN111983457A (zh) | 一种基于lstm神经网络的电池组soh估算方法 | |
CN113093016B (zh) | 基于不确定噪声滤波的动力电池管理***故障诊断方法 | |
CN112580284A (zh) | 一种混合电容器等效电路模型及在线参数辨识方法 | |
CN115494400B (zh) | 一种基于集成学习的锂电池析锂状态在线监控方法 | |
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 | |
CN112462282A (zh) | 基于机理模型的用于确定电池组实时荷电状态的方法 | |
CN114523878B (zh) | 一种锂离子电池析锂安全预警方法及装置 | |
Yang et al. | Modified extended Kalman filtering algorithm for precise voltage and state-of-charge estimations of rechargeable batteries | |
CN115219918A (zh) | 一种基于容量衰退组合模型的锂离子电池寿命预测方法 | |
CN114720881A (zh) | 一种基于改进初值带遗忘因子递推最小二乘法的锂电池参数辨识方法 | |
CN114200308B (zh) | 一种基于特征融合的电池组参数不一致性在线评估方法 | |
CN112946480A (zh) | 一种提高soc估计实时性的锂电池电路模型简化方法 | |
CN116466250A (zh) | 基于动态工况模型误差特征的动力电池健康状态估计方法 | |
CN113702836B (zh) | 一种基于emd-gru锂离子电池荷电状态估计方法 | |
Zhu | A state of charge estimation approach based on fractional order adaptive extended Kalman filter for lithium-ion batteries | |
CN114839539A (zh) | 基于多层次序列信息自适应融合的锂电池soh估计方法 | |
CN111033930B (zh) | 电池和电池包的荷电状态的估计方法及利用此荷电状态估计方法的电池管理*** | |
CN113109722A (zh) | 一种融合充电倍率的多因素电池充电内阻建模方法 |
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 |