CN115586452A - 基于新型健康特征的锂离子电池健康状态估计方法 - Google Patents

基于新型健康特征的锂离子电池健康状态估计方法 Download PDF

Info

Publication number
CN115586452A
CN115586452A CN202211374561.9A CN202211374561A CN115586452A CN 115586452 A CN115586452 A CN 115586452A CN 202211374561 A CN202211374561 A CN 202211374561A CN 115586452 A CN115586452 A CN 115586452A
Authority
CN
China
Prior art keywords
health
voltage
novel
time interval
optimized
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.)
Pending
Application number
CN202211374561.9A
Other languages
English (en)
Inventor
董晓红
董进波
丁飞
张家安
岳大为
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.)
Hebei University of Technology
Original Assignee
Hebei University of Technology
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 Hebei University of Technology filed Critical Hebei University of Technology
Priority to CN202211374561.9A priority Critical patent/CN115586452A/zh
Publication of CN115586452A publication Critical patent/CN115586452A/zh
Pending legal-status Critical Current

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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明为基于新型健康特征的锂离子电池健康状态估计方法，首先获取恒流恒压充电条件下的充电电压曲线，将等起始电压等时间间隔的电压差作为新型健康特征；然后，起始电压和时间间隔是影响新型健康特征的两个参数，故对起始电压和时间间隔进行优化，从同一条充电电压曲线上得到一个优化起始电压和多个优化时间间隔；将优化起始电压与各个优化时间间隔组合，得到从同一充电电压曲线上提取的多个新型健康特征；最后，基于多元线性回归模型构建锂电池健康状态估计模型，利用提取的新型健康特征和对应的健康状态值对模型进行训练，将训练后的模型用于锂电池健康状态估计。该方法计算量小，在保证估计精度的前提下，估计速度有很大提升，可以在当前电池管理***算力不足的情况下应用。

Description

基于新型健康特征的锂离子电池健康状态估计方法
技术领域
本发明属于电池管理***的健康状态估计技术领域，具体涉及一种基于新型健康特征的锂离子电池健康状态估计方法。
背景技术
随着锂离子电池技术的发展，使得电动汽车行业得到了快速发展。锂离子电池在长期循环使用过程中，性能和容量都会发生衰退，操作不当可能会导致火灾或***。为了保证锂电池的可靠安全运行，电池管理***(Battery Management System,BMS)需要对电池的健康状态(State of Health,SOH)进行监测，健康状态反映了电池相对于其寿命开始时的当前存储和供应能量/功率的能力，通常将电池的可用容量用于表征健康状态。当SOH衰减到一定程度以下时，判定电池已达到最大使用寿命，需要进行更换。因此，评估电池的健康状态对于***安全运行具有重要意义。
一方面，在现有的锂离子电池SOH估计研究中，智能算法的发展与应用使得估计精度得到了很大提升。但这些算法复杂度高，尤其是基于深度学习的算法，需要较多的计算资源，由于当前的电池管理***以微控制器为主，用于计算的内存空间有限，因此这些智能算法难以在电池管理***中部署。另一方面，大部分算法将完整的充电数据(SOH从0％～100％的充电数据)直接作为输入或者进行特征提取，然而在电池的实际使用过程中，受到工况影响，充电的起始荷电状态和结束荷电状态很难固定，所获得的充电数据往往是一个片段，因此估计精度难以保证。基于前述两种原因，在不损失精度的情况下，简化模型和减少计算量是估计算法能够在电池管理***中部署的重要因素。
发明内容
针对现有技术的不足，本发明拟解决的技术问题是，提出了一种基于新型健康特征的锂离子电池健康状态估计方法。
本发明解决所述技术问题采用的技术方案是：本发明提供一种基于新型健康特征的锂离子电池健康状态估计方法，具体包括以下步骤：
步骤一、获取恒流恒压充电条件下的充电电压曲线，选取等起始电压等时间间隔的电压差作为新型健康特征，表示式为：
ΔV＝V(t+N)-V0(t) (1)
其中，V0(t)表示起始电压，V(t+N)表示t+N时刻的充电电压，N表示时间间隔；
步骤二、通过分析可知新型健康特征与锂电池健康状态之间呈线性关系，并利用相关系数法进行验证；
步骤三、由于不同锂电池的充放电平台不同，故充电电压曲线上新型健康特征与锂电池健康状态呈线性关系的区间不同，为了确定呈线性关系的区间，对起始电压和时间间隔进行优化，从同一条充电电压曲线上得到一个优化起始电压和多个优化时间间隔；将优化起始电压与各个优化时间间隔组合，得到从同一充电电压曲线上提取的多个新型健康特征；
步骤3-1、起始电压的优化：设定起始电压的选择区间，对区间内的电压值以一定间隔进行遍历，此时的时间间隔粗略选定，计算不同起始电压和时间间隔得到的新型健康特征与锂电池健康状态之间的皮尔逊相关系数，将皮尔逊相关系数最大绝对值所对应的电压作为优化起始电压；
步骤3-2、时间间隔的优化：设定时间间隔区间，时间间隔区间内包含多个时间间隔，将各个时间间隔与优化起始电压组合得到新型健康特征集合；将新型健康特征集合作为输入，锂电池健康状态作为输出进行OLS回归分析，得到各个新型健康特征与锂电池健康状态呈线性关系的显著性；将显著性最小的新型健康特征剔除，然后将剩余的特征再与健康状态进行OLS回归分析，重复此过程，逐步剔除显著性较小的新型健康特征，直到剩余各个新型健康特征的检验值均小于设置阈值，剩余的各个新型健康特征对应的时间间隔即为优化时间间隔；
步骤四、选取多元线性回归模型构建锂电池健康状态估计模型，表达式为：
y≈wTx+b (2)
其中，y＝{y1,y2,…,yi,…,ym}为m条充电电压曲线对应的锂电池健康状态矩阵，x＝{(x11,x12,…,x1n),(x21,x22,…,x2n),…,(xm1,xm2,…,xmn)}为y对应的新型健康特征矩阵，(xi1,xi2,…,xin)为第i条充电电压曲线在最优时间间隔为N1,N2,…,Nn时的新型健康特征矩阵，i∈m，b为常系数矩阵，T为矩阵转置，w为特征系数矩阵，根据式(3)利用最小二乘法确定；
Figure BDA0003923731330000021
其中，||·||2表示2-范数；
将步骤三中从充电电压曲线上提取的新型健康特征和对应的健康状态值输入到锂电池健康状态估计模型中，对模型进行训练，将训练后的模型用于锂电池健康状态估计。
进一步的，对于相同型号的锂电池，得到相同充电条件下的充电电压数据即可利用式(2)进行健康状态估计；对于不同型号的锂电池或者改变充电条件得到的充电电压数据，则需要重新优化起始电压和时间间隔，再重新训练锂电池健康状态估计模型。
与现有技术相比，本发明的有益效果是：
1、将等初始电压等时间间隔的电压差作为健康特征，根据特征与健康状态呈线性关系只需要从充电电压曲线上找出呈线性关系的区间，而不是选用整个曲线上的电压数据，计算量小，估计模型选用多元线性回归模型，不需要神经网络复杂的计算与训练，实验结果表明，本发明方法在保证估计精度的前提下，与KRR方法相比，在估计速度上提升了2倍有余，可以在电池管理***中部署，可以在当前电池管理***算力不足的情况下应用。
2、为了提取到与健康状态呈显著线性关系的特征，对健康特征的起始电压和时间间隔两个影响参数进行优化，参数优化位于模型训练之前，因此对于同一型号电池和相同充电条件的锂电池健康状态估计，优化得到的参数可以直接使用，不需要再次优化，进一步提升了估计速度。对于不同型号电池或者改变充电条件，则需要重新优化参数，对模型进行重新训练才能用于健康状态估计。
附图说明
图1是本发明的整体流程图；
图2(a)是牛津大学老化数据集中锂电池在不同SOH下充电电压随时间的变化曲线图；
图2(b)是NASA随机使用数据集中锂电池在不同SOH下充电电压随时间的变化曲线图；
图3(a)是牛津大学老化数据集中各个锂电池在不同循环次数下的实际容量衰减曲线；
图3(b)是NASA随机使用数据集中各个锂电池在不同循环次数下的实际容量衰减曲线；
图4是牛津大学老化数据集中各个锂电池的新型健康特征与健康状态的拟合曲线；
图5(a)是牛津大学电池老化数据集中各个锂电池的皮尔逊相关系数随起始电压的变化曲线；
图5(b)是NASA随机使用数据集中各个锂电池的皮尔逊相关系数随起始电压的变化曲线；
图6(a)是牛津大学老化数据集中4号电池的健康状态估计结果；
图6(b)是牛津大学老化数据集中8号电池的健康状态估计结果。
具体实施方式
下面结合附图和具体实施方式对本发明的技术方法作进一步详细说明，但并不以此限定本申请的保护范围。
本发明所提供的一种基于新型健康特征的锂离子电池健康状态估计方法(简称方法)，具体步骤如下：
步骤一、锂电池电池老化数据处理及分析：获取恒流恒压充电条件下的充电电压曲线，选取等起始电压等时间间隔的电压差(Voltage Difference at Equal Intervalsof the Same initial Voltage，VDEISV)作为新型健康特征；恒流恒压充电条件是指恒流充电至截止电压，再恒压充电至电流降至0.01A；
本实施例以牛津大学老化数据集和NASA随机使用数据集为例进行分析，这两个数据集除了记录锂电池使用过程中的充电电压数据，并且每隔一段循环后通过放电阶段安时积分的方法对电池容量进行测定以获取实际SOH，可进行后续分析和验证；图2(a)、(b)分别为两个数据集中锂电池在不同SOH下充电电压随时间的变化曲线图，SOH随着电池使用寿命衰减由浅到深的渐变色表示，从图中可以发现，锂电池充电电压曲线的变化因充电方式固定而相对稳定，随着锂电池的老化存在规律性变化，具体表现为：当锂电池使用时间较短，即电池SOH较大时(浅色曲线部分)，充电电压上升至截止电压(4.2V)的过程较为缓慢，恒流充电时间较长，这也符合电池越新则内部化学反应时间越长、容量越大的实质；而当锂电池使用一段时间，SOH减小(深色曲线部分)，充电电压上升至截止电压的过程加快，恒流充电时长明显缩短，此时锂电池容量也随之减小；通过对充电电压曲线的分析可知，直接以充电电压曲线进行分析处理进行SOH估计的方法是可行的。
牛津大学老化数据集采集了8块Kokam的钴酸锂离子袋装电池，电池额定容量为740mA·h，所有数据均在40℃恒定环境温度下，通过使用ARTEMIS市区行驶工况对锂离子电池重复进行2C(1.48A)恒定电流放电并重新充电获得，容量最小衰减到0.43A·h；充电过程中，电压采集频率为1Hz，共获得519条完整的充电电压曲线，图3(a)为该数据集中各个锂电池在不同循环次数下的实际容量衰减曲线。由图，对Cell2和Cell5容量突变的后一部分进行剔除，即得到可用于SOH估计的充电电压曲线490条。NASA随机使用数据集所使用的电池为LG Chem 18650圆柱形电池，额定容量为2.1A·h，常规工作电压范围为3.2～4.2V。该数据集虽然每组实验在放电时采用不同的随机工况，但是其充电时均为相同的恒流恒压工况。本实施例选取在室温下进行测试的八个电池进行分析，分别为偏小电流随机放电的RW13、RW14、RW15、RW16和偏大电流随机放电的RW17、RW18、RW19、RW20，每50次循环后进行的一次标准充放电，放电条件为1A恒流放至3.2V，用以计算实际容量，充电条件为2A恒流充电至4.2V，转恒压充至电流降到0.01A，一共获得203条恒定充电条件下的充电电压曲线；NASA随机使用数据集考虑到每50次随机放电循环后进行一次标准充放电测试，在第450次循环之后，首个采样电压值就达到了4.0V，将之后的循环曲线舍去。即得到8个电池共80条可用曲线数据，图3(b)为该数据集中不同锂电池在不同循环次数下的实际容量衰减曲线。
将充电电压曲线随时间增长的电压差值作为曲线自身的度量特征，与等充电电压差的时间间隔相结合，构建新型健康特征，即从充电电压曲线中选取等起始电压等时间间隔的电压差ΔV作为新型健康特征，其表示式为：
ΔV＝V(t+N)-V0(t) (1)
其中，V0(t)表示起始电压，即t时刻的充电电压；V(t+N)表示t+N时刻的充电电压，N表示时间间隔；
步骤二、通过曲线拟合分析新型健康特征与锂电池健康状态之间的关系，并利用相关系数法进行验证；
由特征的自身特性可知，提取锂电池健康状态需要确定初始电压和时间间隔这两个参数，因此粗略选取起始电压为3.8V，时间间隔600Hz，对新型健康特征与对应的锂电池健康状态进行曲线拟合；图4为牛津大学老化数据集中各个锂电池的新型健康特征与健康状态的拟合曲线，从图中可以明显看出两者之间具有显著的线性关系；
通过皮尔逊相关系数对新型健康特征与健康状态之间的关系进行验证，得到皮尔逊相关系数的绝对值均在0.99以上，故经过验证，新型健康特征与锂电池健康状态之间呈线性关系。
步骤三、由于不同锂电池的充放电平台不同，因此充电电压曲线上新型健康特征与锂电池健康状态呈显著线性关系的区间不同，故为了准确确定呈线性关系的区间，需要对起始电压和时间间隔进行优化，得到优化起始电压和时间间隔；将同一充电电压曲线的优化起始电压与不同的优化时间间隔进行组合，得到从同一充电电压曲线上提取的多个新型健康特征，用于锂电池健康状态估计模型的训练；
步骤3-1、起始电压V0的优化：设定起始电压V0的选择区间，对区间内的电压值以一定间隔进行遍历，此时的时间间隔N粗略选定，计算不同起始电压V0和对应时间间隔N得到的新型健康特征与锂电池健康状态之间的皮尔逊相关系数，以皮尔逊相关系数最大(呈现负相关即负值最小)为优化结果，将皮尔逊相关系数最大值对应的电压作为影响线性关系最显著的起始电压V0；
步骤3-1-1、牛津大学老化数据集的电压选择区间为3.75～3.81V，取每隔0.01个单位的电压作为起始电压，选取时间间隔N为600Hz，皮尔逊相关系数随起始电压的变化曲线如图5(a)，可以看出，优化起始电压为3.8V；
步骤3-1-2、NASA随机使用数据集的电压选择区间为3.87～4.02V，选取的时间间隔N为4，充电电压采样间隔为60s，实际为240s；皮尔逊相关系数随起始电压的变化曲线如图5(b)，可以看出，优化起始电压为3.89V。
步骤3-2、时间间隔N的优化：设定时间间隔区间，时间间隔区间内一共包含多个时间间隔，每个时间间隔与优化起始电压V0组合都可得到一个新型健康特征，故得到新型健康特征集合；将新型健康特征集合作为输入，锂电池健康状态作为输出，使用OLS(普通最小二乘法)进行回归分析，得到新型健康特征集合中各个特征与锂电池健康状态线性关系的显著性；将显著性最小的新型健康特征剔除，然后将剩余的特征再与健康状态进行OLS回归分析，重复此过程，逐步剔除显著性较小的新型健康特征，直到剩余各个新型健康特征的检验值均小于设置阈值，剩余的各个新型健康特征对应的时间间隔即为优化时间间隔；
步骤3-2-1、牛津大学老化数据集的时间间隔区间为100～1000，间隔为100，故一共包括10个时间间隔，第一次OLS回归分析结果如表1；设定阈值为0.05，按照逐步剔除的原则，将时间间隔300和500剔除，最终得到优化时间间隔为100、200、400、600、700、800、900、1000。
表1牛津大学老化数据集的OLS分析结果
N 100 200 300 400 500
P>|t| 0.000 0.006 0.143 0.001 0.007
N 600 700 800 900 1000
P>|t| 0.034 0.002 0.019 0.008 0.000
步骤3-2-2、NASA随机使用数据集考虑到每50次随机放电循环后进行一次标准充放电测试，在第450次循环之后，首个采样电压值就达到了4.0V，将之后的循环曲线舍去。使用8个电池共80条曲线数据进行OLS分析，电压采样记录间隔为60s，N为1个采样间隔，时间间隔区间为1～10，第一次OLS回归分析结果如表2。考虑到数据采样间隔过大会导致OLS分析结果偏大，因此阈值选择0.2，最终得到优化时间间隔为1、2、3、5、6、7、9。
表2 NASA随机使用数据集的OLS分析结果
N 1 2 3 4 5
P>|t| 0.093 0.077 0.223 0.887 0.301
N 6 7 8 9 10
P>|t| 0.062 0.284 0.349 0.310 0.366
步骤四、考虑到当前电池管理***面临的计算资源不足的问题，同时根据步骤二分析得到的新型健康特征与锂电池健康状态之间的关系，选取多元线性回归(MLR)模型作为锂电池健康状态估计模型，表达式为：
y≈wTx+b (2)
其中，y＝{y1,y2,…,yi,…,ym}为m条充电电压曲线对应的锂电池健康状态矩阵，x＝{(x11,x12,…,x1n),(x21,x22,…,x2n),…,(xm1,xm2,…,xmm)}为y对应的新型健康特征矩阵，(xi1,xi2,…,xin)为第i条充电电压曲线在优化时间间隔为N1,N2,…,Nn时的新型健康特征矩阵，i∈m，b为常系数矩阵，T为矩阵转置，w为特征系数矩阵，根据式(3)利用最小二乘法确定；
Figure BDA0003923731330000061
其中，||·||2表示二阶范数；
将步骤三中从充电电压曲线上提取的新型健康特征和对应的健康状态值输入到锂电池健康状态估计模型中，对模型进行训练，将训练后的模型用于锂电池健康状态估计。
对于相同型号的锂电池，得到相同充电条件下的充电电压数据即可利用式(2)进行健康状态估计；对于不同型号的锂电池或者改变充电条件得到的充电电压数据，则需要根据步骤三重新确定优化起始电压和时间间隔，根据步骤四重新训练锂电池健康状态估计模型。
为了验证本发明方法的有效性，选取平均绝对值误差(Mean Absolute Error，MAE)和最大误差(max error，MAX)作为评价指标对该方法进行定量评估，并与现有的核岭回归(KRR)方法进行估计准确性对比，同时通过模型训练和估计的时间进行算力对比。两个评价指标的表达式分别为：
Figure BDA0003923731330000062
MAX＝max|yj-y′j| (5)
式中：m为待测样本数量，yj、y′j分别表示SOH估计结果与实际值。
为了与核岭回归(KRR)方法得到的结果进行对比，将牛津大学老化数据集中的4号和8号电池数据作为测试样本，其余6块电池作为训练样本。NASA随机使用数据集中将RW16(低倍率放电)、RW20(高倍率放电)电池数据作为测试样本，其余6块电池作为训练样本，NASA随机使用数据集由于使用的电池数据不同，仅比较全局量的评估结果。两个数据集的估计结果对比参见表3、4，MLR表示本发明方法。
表3牛津大学老化数据集的SOH估计结果
Figure BDA0003923731330000063
表4 NASA随机使用数据SOH估计结果评估
Figure BDA0003923731330000064
牛津大学老化数据集中4号电池和8号电池的健康状态估计结果如图6(a)、(b)所示，由图6可以看出，两种方法的估计结果基本一致，验证了本发明方法的可靠性。由表3可知，与KRR方法相比，本发明方法不仅将降低了计算复杂度，计算速度提升了两倍多，且精度上并没有损失太多，MAX误差仅相差0.01％，全局量的MAE甚至有所减少，可以在目前电池管理***算力不足的情况下进行应用。表4可以看出，对于NASA随机使用数据集来说，在电池充电电压采样间隔较大，数据计算不太精确的情况下，本发明提出的方法依然取得了不错的估计结果。全局量平均绝对值误差(MAE)为1.65％，最大误差(MAX)为3.80％，速度得到了提高的同时精度也得到了部分提升。显示了本方法强大的泛化能力。
本发明未述及之处适用于现有技术。

Claims (2)

1.一种基于新型健康特征的锂离子电池健康状态估计方法，其特征在于，该方法包括以下步骤：
步骤一、获取恒流恒压充电条件下的充电电压曲线，选取等起始电压等时间间隔的电压差作为新型健康特征，表示式为：
ΔV＝V(t+N)-V0(t) (1)
其中，V0(t)表示起始电压，V(t+N)表示t+N时刻的充电电压，N表示时间间隔；
步骤二、通过分析可知新型健康特征与锂电池健康状态之间呈线性关系，并利用相关系数法进行验证；
步骤三、由于不同锂电池的充放电平台不同，故充电电压曲线上新型健康特征与锂电池健康状态呈线性关系的区间不同，为了确定呈线性关系的区间，对起始电压和时间间隔进行优化，从同一条充电电压曲线上得到一个优化起始电压和多个优化时间间隔；将优化起始电压与各个优化时间间隔组合，得到从同一充电电压曲线上提取的多个新型健康特征；
步骤3-1、起始电压的优化：设定起始电压的选择区间，对区间内的电压值以一定间隔进行遍历，此时的时间间隔粗略选定，计算不同起始电压和时间间隔得到的新型健康特征与锂电池健康状态之间的皮尔逊相关系数，将皮尔逊相关系数最大绝对值所对应的电压作为优化起始电压；
步骤3-2、时间间隔的优化：设定时间间隔区间，时间间隔区间内包含多个时间间隔，将各个时间间隔与优化起始电压组合得到新型健康特征集合；将新型健康特征集合作为输入，锂电池健康状态作为输出进行OLS回归分析，得到各个新型健康特征与锂电池健康状态呈线性关系的显著性；将显著性最小的新型健康特征剔除，然后将剩余的特征再与健康状态进行OLS回归分析，重复此过程，逐步剔除显著性较小的新型健康特征，直到剩余各个新型健康特征的检验值均小于设置阈值，剩余的各个新型健康特征对应的时间间隔即为优化时间间隔；
步骤四、选取多元线性回归模型构建锂电池健康状态估计模型，表达式为：
y≈wTx+b (2)
其中，y＝{y1，y2，…，yi，…，ym}为m条充电电压曲线对应的锂电池健康状态矩阵，x＝{(x11，x12，…，x1n)，(x21，x22，…，x2n)，…，(xm1，xm2，…，xmn)}为y对应的新型健康特征矩阵，(xi1，xi2，…，xin)为第i条充电电压曲线在最优时间间隔为N1，N2，…，Nn时的新型健康特征矩阵，i∈m，b为常系数矩阵，T为矩阵转置，w为特征系数矩阵，根据式(3)利用最小二乘法确定；
Figure FDA0003923731320000011
其中，||·||2表示2-范数；
将步骤三中从充电电压曲线上提取的新型健康特征和对应的健康状态值输入到锂电池健康状态估计模型中，对模型进行训练，将训练后的模型用于锂电池健康状态估计。
2.根据权利要求1所述的基于新型健康特征的锂离子电池健康状态估计方法，其特征在于，对于相同型号的锂电池，得到相同充电条件下的充电电压数据即可利用式(2)进行健康状态估计；对于不同型号的锂电池或者改变充电条件得到的充电电压数据，则需要重新优化起始电压和时间间隔，再重新训练锂电池健康状态估计模型。
CN202211374561.9A 2022-11-03 2022-11-03 基于新型健康特征的锂离子电池健康状态估计方法 Pending CN115586452A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211374561.9A CN115586452A (zh) 2022-11-03 2022-11-03 基于新型健康特征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
CN202211374561.9A CN115586452A (zh) 2022-11-03 2022-11-03 基于新型健康特征的锂离子电池健康状态估计方法

Publications (1)

Publication Number Publication Date
CN115586452A true CN115586452A (zh) 2023-01-10

Family

ID=84781373

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211374561.9A Pending CN115586452A (zh) 2022-11-03 2022-11-03 基于新型健康特征的锂离子电池健康状态估计方法

Country Status (1)

Country Link
CN (1) CN115586452A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116908723A (zh) * 2023-06-08 2023-10-20 武汉亿纬储能有限公司 一种电池循环次数的计算方法及装置
CN116973794A (zh) * 2023-09-06 2023-10-31 广东工业大学 一种基于不完整充电电压曲线重构的锂电池soh估计方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116908723A (zh) * 2023-06-08 2023-10-20 武汉亿纬储能有限公司 一种电池循环次数的计算方法及装置
CN116973794A (zh) * 2023-09-06 2023-10-31 广东工业大学 一种基于不完整充电电压曲线重构的锂电池soh估计方法
CN116973794B (zh) * 2023-09-06 2024-04-19 广东工业大学 一种基于不完整充电电压曲线重构的锂电池soh估计方法

Similar Documents

Publication Publication Date Title
CN108896914B (zh) 一种锂电池健康状况的梯度提升树建模与预测方法
CN110146822B (zh) 一种基于恒流充电过程的车用动力电池容量在线估计方法
CN115586452A (zh) 基于新型健康特征的锂离子电池健康状态估计方法
CN103954913B (zh) 电动汽车动力电池寿命预测方法
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
CN112986830A (zh) 一种基于卷积时间记忆神经网络的锂电池容量估计方法
CN112557907A (zh) 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法
CN113189490B (zh) 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
Takyi-Aninakwa et al. An optimized long short-term memory-weighted fading extended Kalman filtering model with wide temperature adaptation for the state of charge estimation of lithium-ion batteries
CN112684363A (zh) 一种基于放电过程的锂离子电池健康状态估计方法
CN116381541B (zh) 一种储能锂电池***的健康评估方法及***
CN112611976A (zh) 一种基于双差分曲线的动力电池健康状态估计方法
CN111832221A (zh) 基于特征筛选的锂电池寿命预测方法
CN115308606B (zh) 一种基于邻近特征的锂离子电池健康状态估计方法
CN115994441A (zh) 基于机理信息的大数据云平台在线电池寿命预测方法
CN114545275A (zh) 一种锂离子电池剩余使用寿命间接预测方法
CN117054892B (zh) 一种储能电站电池健康状态的评估方法、装置及管理方法
Lyu et al. State-of-charge estimation of lithium-ion batteries based on deep neural network
US20230349977A1 (en) Method and apparatus for estimating state of health of battery
CN116224085A (zh) 一种基于数据驱动的锂电池健康状态评估方法
CN116908727A (zh) 一种基于多特征组合的储能电站锂电池容量估计方法
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
CN116736171A (zh) 一种基于数据驱动的锂离子电池健康状态估算方法
CN113255215B (zh) 一种基于电压片段的锂电池健康状态估计方法
CN114895209A (zh) 面向锂电池少循环的二维支持域直推式健康状态预测方法

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