CN114839536B - 一种基于多健康因子的锂离子电池健康状态估计方法 - Google Patents
一种基于多健康因子的锂离子电池健康状态估计方法 Download PDFInfo
- Publication number
- CN114839536B CN114839536B CN202210352554.2A CN202210352554A CN114839536B CN 114839536 B CN114839536 B CN 114839536B CN 202210352554 A CN202210352554 A CN 202210352554A CN 114839536 B CN114839536 B CN 114839536B
- Authority
- CN
- China
- Prior art keywords
- battery
- health
- charging
- voltage
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 10
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 10
- 238000007600 charging Methods 0.000 claims abstract description 64
- 238000012549 training Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims abstract description 6
- 230000000630 rising effect Effects 0.000 claims description 8
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 5
- 238000010277 constant-current charging Methods 0.000 abstract description 3
- 238000011156 evaluation Methods 0.000 abstract 1
- 238000002474 experimental method Methods 0.000 abstract 1
- 230000007547 defect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 2
- 208000032953 Device battery issue Diseases 0.000 description 1
- 238000010280 constant potential charging Methods 0.000 description 1
- 238000010281 constant-current constant-voltage charging Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000007086 side 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
-
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种基于多健康因子的锂离子电池健康状态估计方法,属于电池管理技术领域,主要解决在快速充电条件下电池健康状态估计精度不高的问题。基于电池快速充放电循环实验中的电压和电流测试数据,从恒流充电过程中提取健康因子组成特征向量,特征向量包含充电过程中局部电压区间内的充电时间、充电能量和信息熵。以特征向量为输入,电池SOH为输出建立高斯过程回归预测模型,并用实验数据对高斯过程回归模型进行训练。在线状态下,获取输入特征向量,输入到已训练的高斯过程回归模型中,可以对电池SOH进行预测。本发明不需要建立复杂的电池物理模型,通过数据驱动的方法,可实现电池SOH在线评估,具有非常高的精确度和较好的通用性。
Description
技术领域
本发明涉及一种基于多健康因子的锂离子电池健康状态估计方法,属于动力电池管理技术领域,用于车载动力锂离子电池快速充电条件下的健康状态估计。
背景技术
在电动汽车领域,锂离子电池组是主要的储能装置。随着使用时间的延长,电池的性能会发生衰退,影响其可用容量和输出功率等,某些条件下还可能引发安全问题。电池行业通用电池健康状态(SOH)来表征电池的性能衰退程度,规定新动力电池的SOH为1或100%;当电池性能不能满足使用要求时认为电池失效,使用寿命结束。不同应用场合定义的电池失效的SOH值不同,对于以能量需求为主的纯电动汽车而言,认为动力电池SOH=70%时,电池不能满足正常的要求,即电池的寿命结束,而以功率需求为主的混合动力汽车而言,常将动力电池SOH=80%作为动力电池的终止使用条件。因此,对锂离子电池进行合适的管理与监测,准确评估电池健康状态可以保障电动汽车的性能,有效防止电池的滥用,从而避免安全事故的发生。
快速充电技术是电动汽车得到更多认可的切入点,与普通充电方式相比,大电流快速充电能节省充电时间,可与传统汽车加油时间相比较。然而快速充电更容易导致电池内部副反应及过热现象发生,对电池电极结构具有潜在的损伤,有可能导致电池健康状态快速变化。
基于常规充电过程中的锂离子电池健康状态估计通常是基于电池充电实验数据中提取的健康因子来估计电池健康状态,例如恒电流充电时间,恒电压充电时间等。这些因子的提取依赖于常规的恒流恒压充电模式。在大电流充电条件下,充电电流经常是阶梯性分布的,先是极大电流,在达到限制电压后,电流降低,继续充电至限制电压,并重复这个过程。因此,充电是分段的,充电时间的长短与所采用的电流大小密切相关。在这种条件下,仅仅选取恒流充电时间就不再能有效估计电池的健康状态。
在进行电池健康状态估计的实践中,由于电池内部存在着不一致性,即使是相同批量的电池,其性能退化程度并不统一,甚至存在较大的差异。采取多个健康因子进行电池健康状态的估计可以有效解决单一健康因子的局限性,更精确地估计电池的健康状态。
本专利提出一种基于多健康因子的估计方法,针对当前快速充电条件下的电池进行健康状态估计,设计了基于部分电压区间健康因子提取方法,对不使用常规充电方法的电池也可以实现电池健康状态的精确估计。
发明内容
本发明的目的是提供一种基于快速充电条件下的锂离子电池健康状态估计方法:提取电池快速充电过程中的局部电压区间内的充电时间、充电能量和信息熵这三个健康因子,利用高斯过程回归(GPR)模型来估计电池SOH。这种方法能够实现电池在大电流快速充电策略下的电池健康状态估计,且估计精度相比于单一健康因子大幅提高。
具体实施步骤如下:
S1、提取大电流充电过程中局部电压区间[Va,Vb]内充电时间为第一健康因子,利用公式(1)可得
t=tb-ta (1)
其中,ta为充电电压上升至Va时对应的充电时刻,tb为充电电压上升至Vb时对应的充电时刻,t为在[Va,Vb]电压区间内对应的充电时间。可根据电池类型选择电压区间,其中磷酸铁锂电池对应的电压为Va=3.15V,Vb=3.55V。
S2提取大电流充电过程中局部电压区间[Va,Vb]内充电能量为第二健康因子,利用公式(2)可得
其中,ta为充电电压上升至Va时对应的充电时刻,tb为充电电压上升至Vb时对应的充电时刻,I为充电电流,V(t)为时变电压。
S3提取大电流充电过程中以部分电压区间[Va,Vb]内信息熵为第三健康因子,利用公式(3)可得
其中,熵指数Ek用一定电压范围内充电电压分布来表示,电压范围由最小电压值Va和最大电压值Vb确定。将电压范围划分为固定数量的区间,即将电压范围[Va,Vb]每隔0.1V划分为一个小区间,M为小区间的个数,p(i)表示电压测量值在每个小的电压区间出现的频率。
S4利用上述提取的三个健康因子作为输入,电池的健康状态作为输出,建立训练数据集和预测数据集
S5使用高斯过程回归算法建立模型,即以HFi和yi分别作为输入和输出建立高斯过程回归模型yi=f(HFi)+εi,其中,为步骤(1)、 (2)、(3)中所提取的健康因子,εi为服从高斯分布的均值为0,方差为σn的高斯噪声,表示为公式(4),yi为i时刻电池的健康状态。f(HFi)为关于健康因子的函数,属于高斯过程,表示为该过程由均值函数和协方差函数决定,分别表示为公式(5)和(6)
εi~N(0,σn 2) (4)
mHF=E(f(HF)) (5)
选择的均值函数和协方差函数分别为0和Matern5/2,其中Matern5/2表示为公式(7)
其中,σf和σl为协方差函数的超参数。
S6、将训练数据集导入高斯过程回归模型中进行训练,获取并优化模型的超参数。在步骤5中建立的模型中,有超参数Θ=[σn,σl,σf],利用训练数据对模型的超参数进行优化,以获取最优的结果。采用最大化对数边际似然函数来优化超参数,如公式(8)所示:
该函数包含三部分内容,第一部分为数据拟合项,表示超参数的拟合程度;第二部分为复杂度惩罚项,作用是防止过拟合;第三部分为常数项。采用梯度上升法优化超参数,对公式(8)求偏导数得到:
其中,β=(KHF,HF+σn 2In)-1y。
通过公式(8)、(9)获得优化后的超参数后,给予模型新的输入HF',输出电池健康状态的预测值y'。
S7将预测数据集导入训练好的模型中进行验证,以均方根误差和平均绝对误差评判模型准确度。
S8在线情况下,利用提取到的三种健康因子作为高斯过程回归模型的输入向量,模型输出电池的健康状态。
附图说明
图1为1号电池基于单健康因子的GPR模型预测的SOH。
图2为1号电池基于多健康因子的GPR模型预测的SOH。
图3为2号电池基于单健康因子的GPR模型预测的SOH。
图4为2号电池基于多健康因子的GPR模型预测的SOH。
图5为3号电池基于单健康因子的GPR模型预测的SOH。
图6为3号电池基于多健康因子的GPR模型预测的SOH。
图7为4号电池基于单健康因子的GPR模型预测的SOH。
图8为4号电池基于多健康因子的GPR模型预测的SOH。
图9为5号电池基于单健康因子的GPR模型预测的SOH。
图10为5号电池基于多健康因子的GPR模型预测的SOH。
图11为6号电池基于单健康因子的GPR模型预测的SOH。
图12为6号电池基于多健康因子的GPR模型预测的SOH。
图13为本发明方法实施的流程示意图。
具体实施方式
以下结合附图和实施案例对本发明的技术方案进行详细描述。
根据上述方法,使用实验室磷酸铁锂电池的循环充放电数据,对6块电池在 3种不同的充电策略下进行SOH的估计和计算,电池及充放电工况说明如表1 所示。
表1试验电池的充电策略和放电测试工况说明
实施案例:
1-6号电池分别在表1所示的工况下进行充放电循环,基于充放电循环得到的电压电流容量数据信息,将数据集划分为训练数据和测试数据。在训练数据中,提取t、E、1/Ek作为多变量GPR模型的输入,SOH作为输出,对GPR模型进行训练。在测试数据集中,利用建立的模型得到6块电池的多健康因子SOH估计结果。此外,为了比较多健康因子估计方法的优越性,将相同电压范围内电池的充电时间t作为健康因子对电池健康状态进行估计,并与多健康因子作为输入的估计方法进行了对比。由于平均绝对误差(MAE)能更好地反映预测值误差的实际情况,均方根误差(RMSE)对一组测量中的特大或特小误差反映非常敏感,因此,能够很好地反映出预测的精确度。因此用平均绝对误差(MAE)和均方根误差(RMSE)来衡量两种方法的估计精度,如表2所示。
表2单健康因子与多健康因子的SOH估计误差
从表2来看,多健康因子的估计精度非常高,MAE在[0.0039,0.0058]范围内, RMSE在[0.00480.0076]范围内。对于2号电池,MAE误差从0.0193降至0.0039, RMSE从0.0244降至0.0048。对于6号电池,MAE误差从0.0149降至0.0053, RMSE从0.0187降至0.0061。6块电池的多健康因子的SOH估计精度相对于单健康因子的估计精度至少提升了37%,且除了1号和5号电池外,其余电池的估计精度提升了50%以上,误差分析表明,与单健康因子相比,多健康因子的估计精度得到了显著提高。
由以上应用来看,采取单特征的估计方法可以实现电池的SOH估计,但是由于单一健康特征在反映电池的健康状态方面存在的局限性,因此导致电池的SOH估计精度较低,与单一特征估计方法不同的是,多健康特征的估计方法可以很好的弥补单一特征局限性的缺陷,大大提高估计的精度。此外由于健康特征是基于部分电压区间提取的,因此可以实现在不完全充电情况下电池健康状态的估计。
以上实例能够有效的证明本发明方法的优越性:采用快速充电实验数据提取健康因子实现了在快速充电情况下的电池SOH估计,且能够实现在电池不完全充电情况下精确地估计电池健康状态,且相比于单因子的估计方法,本方法能够弥补单一特征估计方法的不足,大大提高估计的精度。此外,本发明方法在6 块不同的电池及3种不同的大电流充电工况下进行了验证,具有很好的通用性。
Claims (1)
1.一种基于多健康因子的锂离子电池健康状态估计方法,其特征在于:该方法以快速充电过程局部电压区间内的充电时间t、充电能量E和信息熵Ek为健康因子,利用高斯过程回归算法建立电池容量退化模型,最终确定电池的健康状态SOH;
具体实施步骤如下:
步骤(1):提取大电流充电过程中局部电压区间[Va,Vb]内充电时间为第一健康因子,利用公式(1)得:
t=tb-ta (1)
其中,ta为充电电压上升至Va时对应的充电时刻,tb为充电电压上升至Vb时对应的充电时刻,t为在[Va,Vb]电压区间内对应的充电时间;
步骤(2):提取大电流充电过程中局部电压区间[Va,Vb]内充电能量为第二健康因子,利用公式(2)得:
其中,ta为充电电压上升至Va时对应的充电时刻,tb为充电电压上升至Vb时对应的充电时刻,I为充电电流,V(t)为时变电压;
步骤(3):提取大电流充电过程中以部分电压区间[Va,Vb]内信息熵为第三健康因子,利用公式(3)得:
其中,熵指数Ek用一定电压范围内充电电压分布来表示,电压范围由最小电压值Va和最大电压值Vb确定;将电压范围划分为固定数量的区间,即将电压范围[Va,Vb]每隔0.1V划分为一个小的电压区间,M为小的电压区间的个数,p(ii)表示电压测量值在每个小的电压区间出现的频率,ii为电压区间的序号数;
步骤(4):利用提取的三个健康因子作为输入,电池的健康状态作为输出,建立训练数据集和预测数据集;
步骤(5):使用高斯过程回归算法建立模型,即以HFi和yi分别作为输入和输出建立高斯过程回归模型yi=f(HFi)+εi,其中,为步骤(1)、(2)、(3)中所提取的健康因子,εi为服从高斯分布的均值为0,方差为σn的高斯噪声,表示为公式(4),yi为i时刻电池的健康状态;f(HFi)为关于健康因子的函数,属于高斯过程,表示为该高斯过程由均值函数和协方差函数决定,分别表示为公式(5)和(6)
εi~N(0,σn 2) (4)
mHF=E(f(HF)) (5)
选择的均值函数和协方差函数分别为0和Matem5/2,其中Matern5/2表示为公式(7)
其中,σf和σl为协方差函数的超参数;
步骤(6):将训练数据集导入高斯过程回归模型中进行训练,获取并优化模型的超参数;在步骤(5)中建立的高斯过程回归模型中,有超参数Θ=[σn,σl,σf],利用训练数据对高斯过程回归模型的超参数进行优化,以获取最优的结果;采用最大化对数边际似然函数来优化超参数,如公式(8)所示:
该最大化对数边际似然函数包含三部分内容,第一部分为数据拟合项,表示超参数的拟合程度;第二部分为复杂度惩罚项,作用是防止过拟合;第三部分为常数项;采用梯度上升法优化超参数,对公式(8)求偏导数得到:
其中,β=(KHF,HF+σn 2In)-1y;
通过公式(8)、(9)获得优化后的超参数后,给予模型新的输入HF′,输出电池健康状态的预测值y′;
步骤(7):将预测数据集导入训练好的模型中进行验证,以均方根误差和平均绝对误差评判模型准确度;
步骤(8):在线情况下,利用提取到的三个健康因子作为高斯过程回归模型的输入向量,模型即可输出电池的健康状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210352554.2A CN114839536B (zh) | 2022-04-05 | 2022-04-05 | 一种基于多健康因子的锂离子电池健康状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210352554.2A CN114839536B (zh) | 2022-04-05 | 2022-04-05 | 一种基于多健康因子的锂离子电池健康状态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114839536A CN114839536A (zh) | 2022-08-02 |
CN114839536B true CN114839536B (zh) | 2024-06-04 |
Family
ID=82564193
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210352554.2A Active CN114839536B (zh) | 2022-04-05 | 2022-04-05 | 一种基于多健康因子的锂离子电池健康状态估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114839536B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116256648A (zh) * | 2023-05-16 | 2023-06-13 | 合肥力高动力科技有限公司 | 一种基于充电数据的锂电池soh估计方法 |
CN116381540B (zh) * | 2023-06-05 | 2023-08-22 | 石家庄学院 | 一种计算机运行状态下电池健康监控*** |
CN116953554B (zh) * | 2023-07-25 | 2024-07-19 | 国网江苏省电力有限公司镇江供电分公司 | 一种基于多片段数据的储能电站锂电池soh估计方法及装置 |
CN116736141A (zh) * | 2023-08-10 | 2023-09-12 | 锦浪科技股份有限公司 | 一种锂电池储能安全管理***及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019162749A1 (en) * | 2017-12-07 | 2019-08-29 | Yazami Ip Pte. Ltd. | Method and system for online assessing state of health of a battery |
CN110398697A (zh) * | 2019-07-23 | 2019-11-01 | 北京工业大学 | 一种基于充电过程的锂离子健康状态估计方法 |
CN111398837A (zh) * | 2020-04-01 | 2020-07-10 | 重庆大学 | 一种基于数据驱动的车用电池健康状态估计方法 |
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
CN113030744A (zh) * | 2021-02-24 | 2021-06-25 | 上海交通大学 | 基于健康因子提取的电池健康状况预测方法、***及介质 |
CN113189490A (zh) * | 2021-05-17 | 2021-07-30 | 武汉理工大学 | 基于特征筛选和高斯过程回归的锂电池健康状态估计方法 |
WO2021185308A1 (zh) * | 2020-03-18 | 2021-09-23 | 北京理工大学 | 一种电动汽车动力电池组健康状态在线确定方法和*** |
-
2022
- 2022-04-05 CN CN202210352554.2A patent/CN114839536B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019162749A1 (en) * | 2017-12-07 | 2019-08-29 | Yazami Ip Pte. Ltd. | Method and system for online assessing state of health of a battery |
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
CN110398697A (zh) * | 2019-07-23 | 2019-11-01 | 北京工业大学 | 一种基于充电过程的锂离子健康状态估计方法 |
WO2021185308A1 (zh) * | 2020-03-18 | 2021-09-23 | 北京理工大学 | 一种电动汽车动力电池组健康状态在线确定方法和*** |
CN111398837A (zh) * | 2020-04-01 | 2020-07-10 | 重庆大学 | 一种基于数据驱动的车用电池健康状态估计方法 |
CN113030744A (zh) * | 2021-02-24 | 2021-06-25 | 上海交通大学 | 基于健康因子提取的电池健康状况预测方法、***及介质 |
CN113189490A (zh) * | 2021-05-17 | 2021-07-30 | 武汉理工大学 | 基于特征筛选和高斯过程回归的锂电池健康状态估计方法 |
Non-Patent Citations (5)
Title |
---|
Yanqin Zhang ; Huafeng Zhang ; Zhiwei Tian.The Application Of Gaussian Process Regression In State Of Health Prediction Of Lithium Ion Batteries.PROCEEDINGS OF 2018 IEEE 3RD ADVANCED INFORMATION TECHNOLOGY, ELECTRONIC AND AUTOMATION CONTROL CONFERENCE (IAEAC 2018).2019,全文. * |
动力电池动态模型参数辨识的研究;张彦琴;郭凯;刘汉雨;吴斌;李怡霞;;电池工业;20130425(第Z1期);全文 * |
基于能量加权高斯过程回归的锂离子电池健康状态预测;郑雪莹;邓晓刚;曹玉苹;;电子测量与仪器学报;20200615(第06期);全文 * |
基于高斯过程回归的锂离子电池SOC估计;李嘉波;魏孟;叶敏;焦生杰;徐信芯;;储能科学与技术(第01期);全文 * |
锂离子电池健康评估和寿命预测综述;刘大同;周建宝;郭力萌;彭宇;;仪器仪表学报;20150115(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114839536A (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114839536B (zh) | 一种基于多健康因子的锂离子电池健康状态估计方法 | |
CN112034356B (zh) | 基于gp-ukf的电动汽车动力电池在线soh估算方法 | |
Tian et al. | Consistency evaluation and cluster analysis for lithium-ion battery pack in electric vehicles | |
CN112526348B (zh) | 一种基于多新息递推贝叶斯算法的电池模型参数辨识方法 | |
Zhou et al. | A low-complexity state of charge estimation method for series-connected lithium-ion battery pack used in electric vehicles | |
Sun et al. | Overview of the types of battery models | |
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 | |
CN110632528B (zh) | 一种基于内阻检测的锂电池soh估算方法 | |
CN110346734A (zh) | 一种基于机器学习的锂离子动力电池健康状态估算方法 | |
CN111352032A (zh) | 一种锂电池动态峰值功率预测方法 | |
Huang et al. | Soc estimation of li-ion battery based on improved ekf algorithm | |
CN111965560B (zh) | 一种面向通用放电工况的电池健康状态估计方法 | |
CN113064089B (zh) | 动力电池的内阻检测方法、装置、介质以及*** | |
Lee et al. | Enhanced coulomb counting method for SoC and SoH estimation based on coulombic efficiency | |
Xu et al. | A vehicle-cloud collaborative method for multi-type fault diagnosis of lithium-ion batteries | |
CN112163372B (zh) | 一种动力电池的soc估算方法 | |
CN103529397A (zh) | 一种估算电池电量的方法及电池电量管理*** | |
CN114781176B (zh) | 一种锂离子电池储能***集总参数的等效电路参数辨识方法 | |
CN117719345B (zh) | 一种基于ic曲线考虑老化的电池微短路量化方法 | |
CN114646888A (zh) | 一种动力电池容量衰减的评估方法及*** | |
CN114545275A (zh) | 一种锂离子电池剩余使用寿命间接预测方法 | |
CN110297185A (zh) | 一种新能源汽车电池参数动态监测*** | |
CN117709396A (zh) | 一种锂离子电池能量状态预测方法 | |
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 | |
CN116699407A (zh) | 一种基于安全熵的动力电池安全风险预警方法 |
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 |