CN116609686A - 一种基于云平台大数据的电芯一致性评估方法 - Google Patents
一种基于云平台大数据的电芯一致性评估方法 Download PDFInfo
- Publication number
- CN116609686A CN116609686A CN202310417467.5A CN202310417467A CN116609686A CN 116609686 A CN116609686 A CN 116609686A CN 202310417467 A CN202310417467 A CN 202310417467A CN 116609686 A CN116609686 A CN 116609686A
- Authority
- CN
- China
- Prior art keywords
- charge
- battery
- equivalent circuit
- circuit model
- power equivalent
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000036541 health Effects 0.000 claims abstract description 52
- 238000011217 control strategy Methods 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 238000004891 communication Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 5
- 238000004088 simulation Methods 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 239000000470 constituent Substances 0.000 claims description 3
- 238000013079 data visualisation Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 4
- 238000007599 discharging Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 4
- 229910001416 lithium ion Inorganic materials 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 239000003792 electrolyte Substances 0.000 description 3
- 239000000203 mixture Substances 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012885 constant function Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006479 redox reaction Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 239000002699 waste material Substances 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- 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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于云平台大数据的电芯一致性评估方法,该电芯一致性评估方法包括以下步骤:S1、建立云平台接入BMS电池管理***,建立电池动力等效电路模型;S2、将参数数据导入电池动力等效电路模型,并使用电池动力等效电路模型模拟每个电芯的充放电过程,生成相应的充放电曲线;S3、将生成的充放电曲线与BMS电池管理***获得的实际充放电曲线进行比对,评估每个电芯的电荷状态和健康状态;S4、通过每个电芯的电荷状态和健康状态的评估结果,基于预测模型制定优化充放电控制策略。本发明电池动力模型可以输出每个电芯的电荷状态和健康状态的时间序列,了解电池的状态变化,并制定相应的决策。
Description
技术领域
本发明涉及电池电芯评估领域,具体来说,涉及一种基于云平台大数据的电芯一致性评估方法。
背景技术
随着锂离子电池技术发展,锂离子电池应用范围涉及面也越来越广,除便携式电子产品,还广泛应用到电动交通工具,大型动力电源以及储能领域。除小型便携电子产品,其他应用都要求电池电压高于现有单体电池电压,如纯电动汽车要求电池电压达到100V以上,电动自行车电池电压要求36或48V,高功率输出、高容量需求就需要将制备所得的单体电池进行组合使用。但因原材料、生产工艺、生产批次和制造技术的差别,同一型号规格的单体电池会出现电压、容量及其衰减率、内阻及其充放电过程中随时间变化率、寿命、自放电率等性能参数上的差别。这些差别不但对组合后的电池组SOC状态的判断有所影响,更重要的是影响电池组性能发挥和循环寿命,甚至还有可能会引发安全问题。
电池组一致性问题是指组内各单体电池之间性能参数的不一致,主要包括电池电压、SOC、欧姆内阻、容量、温度等方面。虽然电池成组之前会根据各单体电池性能参数的不同进行筛选。但仍无法保证所有电池单体完全一致,初始的不一致会随着充放电循环次数的增加而累计增大。导致各单体电池状态(soc、电压、内阻等)产生更大差异。研究显示.在没有均衡设备保护的情况下。即便电池单体可以循环到1000次以上。电池组的循环次数可能不足200次。可见单体电池间的一致性问题是电池组性能衰退的主要原因。一致性表征参数的有效评估。对电池***管理、运维和经济性分析具有重要意义。
电池包内由多个电芯组成,当一个电芯的容量/内阻/电压等参数与其他串并联的电芯之间存在较大差异,就会出现容量损失、寿命损失、内阻增大等问题。故电芯的一致性要求很重要,在组装之前需要对电芯进行一致性筛选。目前锂电池已有的一致性筛选基本在成品电池方面,此时电池的制造成本已经完成,筛选出的一致性差的电池,不能使用而造成了浪费。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题,本发明提出一种基于云平台大数据的电芯一致性评估方法,以克服现有相关技术所存在的上述技术问题。
为此,本发明采用的具体技术方案如下:
一种基于云平台大数据的电芯一致性评估方法,该电芯一致性评估方法包括以下步骤:
S1、建立云平台接入BMS电池管理***,接收电池组上传的参数数据,并建立电池动力等效电路模型;
S2、将参数数据导入电池动力等效电路模型,并使用电池动力等效电路模型模拟每个电芯的充放电过程,生成相应的充放电曲线;
S3、将生成的充放电曲线与BMS电池管理***获得的实际充放电曲线进行比对,并基于平均绝对误差分析偏差,评估每个电芯的电荷状态和健康状态;
S4、通过每个电芯的电荷状态和健康状态的评估结果,将评估结果可视化,并基于预测模型制定优化充放电控制策略。
进一步的,所述参数数据包括电池组的总电压、电流、荷电状态、健康状态及单体电芯的实时电压数据和实时温度数据。
进一步的,所述建立云平台接入BMS电池管理***,接收电池组上传的参数数据,并建立电池动力等效电路模型包括以下步骤:
S11、选择云计算服务商并搭建云平台环境;
S12、使用Modbus通信协议接入BMS电池管理***;
S13、通过云平台环境与BMS电池管理***的数据通信,接收电池组上传的参数数据,并存储到云数据库中;
S14、根据电池组的具体构成和参数数据,建立电池动力等效电路模型,并分析电池组的电压、电流、功率、电荷状态、健康状态的特性;
S15、建立MARS模型,根据电池组的实时电压数据和实时温度数据,利用MARS模型优化电池动力等效电路模型的参数数据。
进一步的,所述根据电池组的具体构成和参数数据,建立电池动力等效电路模型,并分析电池组的电压、电流、功率、电荷状态、健康状态的特性包括以下步骤:
S141、根据电芯的数量、连接方式及型号信息确定电池组的构成组件,并读取云数据中电池组上传的参数数据;
S142、根据电池组的实际情况,选择P2D模型建立电路模型;
S143、将获取的每个电芯的参数数据导入电路模型中,构建电池组的电池动力等效电路模型;
S144、通过对电荷状态特性的分析,判断电池组的使用寿命、健康状态;
S145、通过对健康状态特性的分析,判断电池组的使用寿命、容量衰减速率、电芯的损伤情况。
进一步的,所述为:
式中,为电池动力等效电路模型参数数据的电压预测变量;
为电池动力等效电路模型参数数据的电流预测变量;
为电池动力等效电路模型参数数据的功率预测变量;
为电池动力等效电路模型参数数据的电荷状态预测变量;
为电池动力等效电路模型参数数据的健康状态预测变量;
ao为电池动力等效电路模型中的开路电压;
bo为电池动力等效电路模型中的开路电流;
co为电池动力等效电路模型中的开路功率;
do为电池动力等效电路模型中的开路电荷状态;
eo为电池动力等效电路模型中的开路健康状态;
am、bm、cm、dm及em分别为电池动力等效电路模型中第m参数数据的权重;
Sm(x)为电池动力等效电路模型中第m参数数据的函数;
M为参数数据的数量;
m为每个输入变量中基函数的数量。
进一步的,所述建立MARS模型,根据电池组的实时电压数据和实时温度数据,利用MARS模型优化电池动力等效电路模型的参数数据包括以下步骤:
S151、收集电池组的实时电压数据和实时温度数据;
S152、建立初始的电池动力等效电路模型;
S153、将电压数据和温度数据作为输入,将实际的电流作为输出,使用MARS模型进行训练和优化,得到新的电池动力等效电路模型参数数据;
S154、将优化后的电池动力等效电路模型参数数据输入到原始的电池动力等效电路模型中,完成电池动力等效电路模型的参数数据优化。
进一步的,所述将参数数据导入电池动力等效电路模型,并使用电池动力等效电路模型模拟每个电芯的充放电过程,生成相应的充放电曲线包括以下步骤:
S21、确定电池动力等效电路模型的参数数据,并将电池组的参数数据导入电池动力等效电路模型中;
S22、使用电池动力等效电路模型模拟每个电芯的充放电过程;
S23、在模拟过程中,记录每个电芯的充放电曲线中电压、电流、电荷状态的参数数据;
S24、根据每个电芯的充放电曲线中电压、电流、电荷状态的参数数据,生成相应的充放电曲线。
进一步的,所述将生成的充放电曲线与BMS电池管理***获得的实际充放电曲线进行比对,并基于平均绝对误差分析偏差,评估每个电芯的电荷状态和健康状态包括以下步骤:
S31、获取BMS电池管理***获得的实际充放电曲线,并将其与生成的充放电曲线进行比对;
S32、确定需要比对的时间范围,根据时间范围,在充放电曲线中选择相同时间点,记录两个曲线在相同时间点的电压值或电流值;
S33、将两条曲线对应时间点的数值差的绝对值进行平均;
S34、对于每个时间点,计算两个曲线在该时间点上的差的绝对值;
S35、对于所有时间点上的差值进行求和,并除以时间点数,得到平均绝对误差的值。
进一步的,所述对于每个时间点,计算两个曲线在该时间点上的差的绝对值包括以下步骤:
S341、确定需要比对曲线的时间范围,选定相同时间点;
S342、记录实际充放电曲线在该时间点的电压值或电流值,并记录生成的充放电曲线在该时间点的电压值或电流值;
S343、通过实际充放电曲线电压值减去生成的充放电曲线电压值,算两个曲线在该时间点上的差的绝对值;
S344、重复步骤S341-步骤S343,直到比对所有选定的时间点。
进一步的,所述通过每个电芯的电荷状态和健康状态的评估结果,将评估结果可视化,并基于预测模型制定优化充放电控制策略包括以下步骤:
S41、根据评估结果,收集每个电芯的电荷状态和健康状态的评估结果数据;
S42、利用数据可视化工具将电芯的电荷状态和健康状态数据进行可视化展示;
S43、基于预测模型对电池组未来的充放电行为进行预测;
S44、根据预测结果和电池组的充放电性能特点,制定优化的充放电控制策略;
S45、将制定好的充放电控制策略应用于电池组,实施相应的控制策略。
本发明的有益效果为:
1、本发明采用电池动力等效电路模型考虑了电池内部多种物理过程的影响,例如电解液浓度、极板厚度、温度、压力等因素,因此可以更准确地描述电池的行为,电池动力模型中的分布参数可以根据电池内部的物理状态进行调整,因此可以更灵活地应对不同的电池设计和工作条件,电池动力模型可以通过增加电池内部物理过程的描述来扩展其适用范围,例如考虑氧化还原反应、电极变形等因素,电池动力模型可以输出每个电芯的电荷状态和健康状态的时间序列,因此可以直观地了解电池的状态变化,并制定相应的决策。
2、本发明通过比对生成的充放电曲线与实际充放电曲线,可以分析两者之间的差异,并基于平均绝对误差分析偏差,评估每个电芯的电荷状态和健康状态,从而评估模型预测结果的准确性;通过记录两个曲线在相同时间点的电压值或电流值,并计算两个曲线在该时间点上的差的绝对值,可以追踪分析每个电芯的充放电状态,为后续的优化充放电控制策略提供支持;基于平均绝对误差分析偏差可以评估每个电芯的电荷状态和健康状态,避免了频繁的物理检测和测试成本,降低了成本和时间的开销;通过实时获取BMS电池管理***获得的实际充放电曲线,并与生成的充放电曲线进行比对,可以实时分析每个电芯的充放电状态,对电池的实时监测和管理提供支持。
3、本发明将电池电荷状态和健康状态的评估结果可视化可以使得数据更加直观和易于理解,方便用户对电池组的状态进行监测和管理。此外,通过预测模型制定优化的充放电控制策略可以帮助用户更好地管理电池组的充放电过程,延长电池组的寿命,提高电池组的性能和安全性。同时,基于预测模型制定的优化充放电控制策略可以根据电池组的实时状态进行调整,使得电池组始终处于最佳状态,提高电池组的效率和稳定性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种基于云平台大数据的电芯一致性评估方法的流程图。
具体实施方式
为进一步说明各实施例,本发明提供有附图,这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理,配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点,图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例,提供了一种基于云平台大数据的电芯一致性评估方法。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明实施例的基于云平台大数据的电芯一致性评估方法,该电芯一致性评估方法包括以下步骤:
S1、建立云平台接入BMS电池管理***,接收电池组上传的参数数据,并建立电池动力等效电路模型;
在一个实施例中,所述参数数据包括电池组的总电压、电流、荷电状态、健康状态及单体电芯的实时电压数据和实时温度数据。
在一个实施例中,所述建立云平台接入BMS电池管理***,接收电池组上传的参数数据,并建立电池动力等效电路模型包括以下步骤:
S11、选择云计算服务商并搭建云平台环境;
S12、使用Modbus通信协议接入BMS电池管理***;
S13、通过云平台环境与BMS电池管理***的数据通信,接收电池组上传的参数数据,并存储到云数据库中;
S14、根据电池组的具体构成和参数数据,建立电池动力等效电路模型,并分析电池组的电压、电流、功率、电荷状态、健康状态的特性;
S15、建立MARS模型,根据电池组的实时电压数据和实时温度数据,利用MARS模型优化电池动力等效电路模型的参数数据。
具体的,构建电池动力等效电路模型包括以下步骤:使用专业的测试设备采集电池在不同工况下的电压、电流、温度等数据,获取大量的电池测试数据;对采集到的电池测试数据进行预处理,包括去除噪声、插值、滤波等处理,以便后续建模使用;根据实验数据和所选择的等效电路模型类型,确定等效电路模型中的参数,包括电阻、电容、电感等等;利用回归分析或者机器学习方法,将电池测试数据与电池动力等效电路模型参数进行拟合,得到最终的等效电路模型;使用新的测试数据对模型进行验证和调整,确保模型的精度和可靠性;将构建好的电池动力等效电路模型应用到电池管理***中,用于电池的状态估计和预测、充放电控制等方面。
在一个实施例中,所述根据电池组的具体构成和参数数据,建立电池动力等效电路模型,并分析电池组的电压、电流、功率、电荷状态、健康状态的特性包括以下步骤:
S141、根据电芯的数量、连接方式及型号信息确定电池组的构成组件,并读取云数据中电池组上传的参数数据;
S142、根据电池组的实际情况,选择P2D模型建立电路模型;
S143、将获取的每个电芯的参数数据导入电路模型中,构建电池组的电池动力等效电路模型;
S144、通过对电荷状态特性的分析,判断电池组的使用寿命、健康状态;
S145、通过对健康状态特性的分析,判断电池组的使用寿命、容量衰减速率、电芯的损伤情况。
在一个实施例中,所述建立MARS模型的构建公式为:
式中,为电池动力等效电路模型参数数据的电压预测变量;
为电池动力等效电路模型参数数据的电流预测变量;
为电池动力等效电路模型参数数据的功率预测变量;
为电池动力等效电路模型参数数据的电荷状态预测变量;
为电池动力等效电路模型参数数据的健康状态预测变量;
ao为电池动力等效电路模型中的开路电压;
bo为电池动力等效电路模型中的开路电流;
co为电池动力等效电路模型中的开路功率;
do为电池动力等效电路模型中的开路电荷状态;
eo为电池动力等效电路模型中的开路健康状态;
am、bm、cm、dm及em分别为电池动力等效电路模型中第m参数数据的权重;
Sm(x)为电池动力等效电路模型中第m参数数据的函数;
M为参数数据的数量;
m为每个输入变量中基函数的数量。
在一个实施例中,所述建立MARS模型,根据电池组的实时电压数据和实时温度数据,利用MARS模型优化电池动力等效电路模型的参数数据包括以下步骤:
S151、收集电池组的实时电压数据和实时温度数据;
S152、建立初始的电池动力等效电路模型;
S153、将电压数据和温度数据作为输入,将实际的电流作为输出,使用MARS模型进行训练和优化,得到新的电池动力等效电路模型参数数据;
S154、将优化后的电池动力等效电路模型参数数据输入到原始的电池动力等效电路模型中,完成电池动力等效电路模型的参数数据优化。
具体的,P2D模型是指“穿孔二维”模型,因为它将电池单元建模为具有空气穿孔和2D几何形状的层状结构。P2D模型基于电化学热力学和质量守恒定律,考虑了电池正负极之间的相互作用和电极和电解质之间的扩散和迁移过程。P2D模型可用于预测锂离子电池的电压、电流、温度和状态等参数,并被广泛用于电池设计、性能优化和控制策略制定中。
MARS(Multivariate Adaptive Regression Splines,多元自适应回归样条)是一种非参数回归方法,用于建立变量间非线性关系的模型。它可以适应不同类型和形式的数据,并在保持模型可解释性的同时提高模型的拟合度和预测能力。MARS模型的基本思想是将数据划分为多个局部区域,每个局部区域用一个基本函数来拟合。基本函数包括常数函数和分段多项式函数(PWL)两种类型。分段多项式函数是由多个多项式函数拼接而成,每个多项式函数的系数可以由算法自动学习。MARS模型的构建分为两个阶段:前向阶段和后向阶段。前向阶段从一个简单的常数函数开始,每次增加一个基本函数,直到达到预定的基函数数量或满足一定的停止准则。后向阶段通过逐步删除不必要的基函数,来精简模型并提高泛化能力。MARS模型能够自适应地处理非线性和高维数据、具有较好的可解释性、可用于分类和回归问题等。在电池管理***中,MARS模型可以用于建立电池等效电路模型,并根据实时的电池数据进行动态优化。
S2、将参数数据导入电池动力等效电路模型,并使用电池动力等效电路模型模拟每个电芯的充放电过程,生成相应的充放电曲线;
在一个实施例中,所述将参数数据导入电池动力等效电路模型,并使用电池动力等效电路模型模拟每个电芯的充放电过程,生成相应的充放电曲线包括以下步骤:
S21、确定电池动力等效电路模型的参数数据,并将电池组的参数数据导入电池动力等效电路模型中;
S22、使用电池动力等效电路模型模拟每个电芯的充放电过程;
S23、在模拟过程中,记录每个电芯的充放电曲线中电压、电流、电荷状态的参数数据;
S24、根据每个电芯的充放电曲线中电压、电流、电荷状态的参数数据,生成相应的充放电曲线。
具体的,本发明的电池动力等效电路模型的具体参数数据和输入输出参数,以及所使用的MARS模型的具体形式和参数数据,可以根据具体情况进行调整和优化。同时,在使用电池动力等效电路模型模拟电池充放电过程时,需要考虑各种因素对电池性能的影响,如温度、放电速率等,以提高模型的准确性和可靠性。
S3、将生成的充放电曲线与BMS电池管理***获得的实际充放电曲线进行比对,并基于平均绝对误差分析偏差,评估每个电芯的电荷状态和健康状态;
在一个实施例中,所述将生成的充放电曲线与BMS电池管理***获得的实际充放电曲线进行比对,并基于平均绝对误差分析偏差,评估每个电芯的电荷状态和健康状态包括以下步骤:
S31、获取BMS电池管理***获得的实际充放电曲线,并将其与生成的充放电曲线进行比对;
S32、确定需要比对的时间范围,根据时间范围,在充放电曲线中选择相同时间点,记录两个曲线在相同时间点的电压值或电流值;
S33、将两条曲线对应时间点的数值差的绝对值进行平均;
S34、对于每个时间点,计算两个曲线在该时间点上的差的绝对值;
S35、对于所有时间点上的差值进行求和,并除以时间点数,得到平均绝对误差的值。
在一个实施例中,所述对于每个时间点,计算两个曲线在该时间点上的差的绝对值包括以下步骤:
S341、确定需要比对曲线的时间范围,选定相同时间点;
S342、记录实际充放电曲线在该时间点的电压值或电流值,并记录生成的充放电曲线在该时间点的电压值或电流值;
S343、通过实际充放电曲线电压值减去生成的充放电曲线电压值,算两个曲线在该时间点上的差的绝对值;
S344、重复步骤S341-步骤S343,直到比对所有选定的时间点。
具体的,平均绝对误差(MAE)是一种用于衡量两个连续变量之间误差的指标。它计算预测值与实际值之间的绝对误差的平均值。在比对生成的充放电曲线和实际充放电曲线时,可以使用平均绝对误差来分析两条曲线之间的偏差。具体步骤如下:获取实际充放电曲线和生成的充放电曲线确定需要比对的时间范围,根据时间范围,在充放电曲线中选择相同时间点,记录两个曲线在相同时间点的电压值或电流值。对于每个时间点,计算两个曲线在该时间点上的差的绝对值。对于所有时间点上的差值进行求和,并除以时间点数,得到平均绝对误差的值。分析平均绝对误差的值,判断两条曲线之间的偏差大小。根据分析结果,评估每个电芯的电荷状态和健康状态,进而制定优化的充放电控制策略。
S4、通过每个电芯的电荷状态和健康状态的评估结果,将评估结果可视化,并基于预测模型制定优化充放电控制策略;
在一个实施例中,所述通过每个电芯的电荷状态和健康状态的评估结果,将评估结果可视化,并基于预测模型制定优化充放电控制策略包括以下步骤:
S41、根据评估结果,收集每个电芯的电荷状态和健康状态的评估结果数据;
S42、利用数据可视化工具将电芯的电荷状态和健康状态数据进行可视化展示;
S43、基于预测模型对电池组未来的充放电行为进行预测;
S44、根据预测结果和电池组的充放电性能特点,制定优化的充放电控制策略;
S45、将制定好的充放电控制策略应用于电池组,实施相应的控制策略。
具体的,基于预测模型得到每个电芯的电荷状态和健康状态预测结果。分析每个电芯的预测结果,确定哪些电芯需要优先充电或放电,以及需要控制的充放电速率。根据电池组的充放电性能特点,制定充放电控制策略,包括充放电速率、充放电时机、充放电量等。针对不同的充放电控制策略,进行模拟计算,并评估其在实际应用中的效果。根据模拟计算结果,调整充放电控制策略,并进行验证和优化,直到获得最优的充放电控制策略。
综上所述,借助于本发明的上述技术方案,本发明采用电池动力等效电路模型考虑了电池内部多种物理过程的影响,例如电解液浓度、极板厚度、温度、压力等因素,因此可以更准确地描述电池的行为,电池动力模型中的分布参数可以根据电池内部的物理状态进行调整,因此可以更灵活地应对不同的电池设计和工作条件,电池动力模型可以通过增加电池内部物理过程的描述来扩展其适用范围,例如考虑氧化还原反应、电极变形等因素,电池动力模型可以输出每个电芯的电荷状态和健康状态的时间序列,因此可以直观地了解电池的状态变化,并制定相应的决策;本发明通过比对生成的充放电曲线与实际充放电曲线,可以分析两者之间的差异,并基于平均绝对误差分析偏差,评估每个电芯的电荷状态和健康状态,从而评估模型预测结果的准确性;通过记录两个曲线在相同时间点的电压值或电流值,并计算两个曲线在该时间点上的差的绝对值,可以追踪分析每个电芯的充放电状态,为后续的优化充放电控制策略提供支持;基于平均绝对误差分析偏差可以评估每个电芯的电荷状态和健康状态,避免了频繁的物理检测和测试成本,降低了成本和时间的开销;通过实时获取BMS电池管理***获得的实际充放电曲线,并与生成的充放电曲线进行比对,可以实时分析每个电芯的充放电状态,对电池的实时监测和管理提供支持;本发明将电池电荷状态和健康状态的评估结果可视化可以使得数据更加直观和易于理解,方便用户对电池组的状态进行监测和管理。此外,通过预测模型制定优化的充放电控制策略可以帮助用户更好地管理电池组的充放电过程,延长电池组的寿命,提高电池组的性能和安全性。同时,基于预测模型制定的优化充放电控制策略可以根据电池组的实时状态进行调整,使得电池组始终处于最佳状态,提高电池组的效率和稳定性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于云平台大数据的电芯一致性评估方法,其特征在于,该电芯一致性评估方法包括以下步骤:
S1、建立云平台接入BMS电池管理***,接收电池组上传的参数数据,并建立电池动力等效电路模型;
S2、将参数数据导入电池动力等效电路模型,并使用电池动力等效电路模型模拟每个电芯的充放电过程,生成相应的充放电曲线;
S3、将生成的充放电曲线与BMS电池管理***获得的实际充放电曲线进行比对,并基于平均绝对误差分析偏差,评估每个电芯的电荷状态和健康状态;
S4、通过每个电芯的电荷状态和健康状态的评估结果,将评估结果可视化,并基于预测模型制定优化充放电控制策略;
其中,所述建立云平台接入BMS电池管理***,接收电池组上传的参数数据,并建立电池动力等效电路模型包括以下步骤:
S11、选择云计算服务商并搭建云平台环境;
S12、使用Modbus通信协议接入BMS电池管理***;
S13、通过云平台环境与BMS电池管理***的数据通信,接收电池组上传的参数数据,并存储到云数据库中;
S14、根据电池组的具体构成和参数数据,建立电池动力等效电路模型,并分析电池组的电压、电流、功率、电荷状态、健康状态的特性;
S15、建立MARS模型,根据电池组的实时电压数据和实时温度数据,利用MARS模型优化电池动力等效电路模型的参数数据;
其中,所述根据电池组的具体构成和参数数据,建立电池动力等效电路模型,并分析电池组的电压、电流、功率、电荷状态、健康状态的特性包括以下步骤:
S141、根据电芯的数量、连接方式及型号信息确定电池组的构成组件,并读取云数据中电池组上传的参数数据;
S142、根据电池组的实际情况,选择P2D模型建立电路模型;
S143、将获取的每个电芯的参数数据导入电路模型中,构建电池组的电池动力等效电路模型;
S144、通过对电荷状态特性的分析,判断电池组的使用寿命、健康状态;
S145、通过对健康状态特性的分析,判断电池组的使用寿命、容量衰减速率、电芯的损伤情况;
其中,所述将参数数据导入电池动力等效电路模型,并使用电池动力等效电路模型模拟每个电芯的充放电过程,生成相应的充放电曲线包括以下步骤:
S21、确定电池动力等效电路模型的参数数据,并将电池组的参数数据导入电池动力等效电路模型中;
S22、使用电池动力等效电路模型模拟每个电芯的充放电过程;
S23、在模拟过程中,记录每个电芯的充放电曲线中电压、电流、电荷状态的参数数据;
S24、根据每个电芯的充放电曲线中电压、电流、电荷状态的参数数据,生成相应的充放电曲线。
2.根据权利要求1所述的一种基于云平台大数据的电芯一致性评估方法,其特征在于,所述参数数据包括电池组的总电压、电流、荷电状态、健康状态及单体电芯的实时电压数据和实时温度数据。
3.根据权利要求1所述的一种基于云平台大数据的电芯一致性评估方法,其特征在于,所述建立MARS模型的构建公式为:
式中,为电池动力等效电路模型参数数据的电压预测变量;
为电池动力等效电路模型参数数据的电流预测变量;
为电池动力等效电路模型参数数据的功率预测变量;
为电池动力等效电路模型参数数据的电荷状态预测变量;
为电池动力等效电路模型参数数据的健康状态预测变量;
ao为电池动力等效电路模型中的开路电压;
bo为电池动力等效电路模型中的开路电流;
co为电池动力等效电路模型中的开路功率;
do为电池动力等效电路模型中的开路电荷状态;
eo为电池动力等效电路模型中的开路健康状态;
am、bm、cm、dm及em分别为电池动力等效电路模型中第m参数数据的权重;
Sm(x)为电池动力等效电路模型中第m参数数据的函数;
M为参数数据的数量;
m为每个输入变量中基函数的数量。
4.根据权利要求1所述的一种基于云平台大数据的电芯一致性评估方法,其特征在于,所述建立MARS模型,根据电池组的实时电压数据和实时温度数据,利用MARS模型优化电池动力等效电路模型的参数数据包括以下步骤:
S151、收集电池组的实时电压数据和实时温度数据;
S152、建立初始的电池动力等效电路模型;
S153、将电压数据和温度数据作为输入,将实际的电流作为输出,使用MARS模型进行训练和优化,得到新的电池动力等效电路模型参数数据;
S154、将优化后的电池动力等效电路模型参数数据输入到原始的电池动力等效电路模型中,完成电池动力等效电路模型的参数数据优化。
5.根据权利要求1所述的一种基于云平台大数据的电芯一致性评估方法,其特征在于,所述将生成的充放电曲线与BMS电池管理***获得的实际充放电曲线进行比对,并基于平均绝对误差分析偏差,评估每个电芯的电荷状态和健康状态包括以下步骤:
S31、获取BMS电池管理***获得的实际充放电曲线,并将其与生成的充放电曲线进行比对;
S32、确定需要比对的时间范围,根据时间范围,在充放电曲线中选择相同时间点,记录两个曲线在相同时间点的电压值或电流值;
S33、将两条曲线对应时间点的数值差的绝对值进行平均;
S34、对于每个时间点,计算两个曲线在该时间点上的差的绝对值;
S35、对于所有时间点上的差值进行求和,并除以时间点数,得到平均绝对误差的值。
6.根据权利要求5所述的一种基于云平台大数据的电芯一致性评估方法,其特征在于,所述对于每个时间点,计算两个曲线在该时间点上的差的绝对值包括以下步骤:
S341、确定需要比对曲线的时间范围,选定相同时间点;
S342、记录实际充放电曲线在该时间点的电压值或电流值,并记录生成的充放电曲线在该时间点的电压值或电流值;
S343、通过实际充放电曲线电压值减去生成的充放电曲线电压值,算两个曲线在该时间点上的差的绝对值;
S344、重复步骤S341-步骤S343,直到比对所有选定的时间点。
7.根据权利要求1所述的一种基于云平台大数据的电芯一致性评估方法,其特征在于,所述通过每个电芯的电荷状态和健康状态的评估结果,将评估结果可视化,并基于预测模型制定优化充放电控制策略包括以下步骤:
S41、根据评估结果,收集每个电芯的电荷状态和健康状态的评估结果数据;
S42、利用数据可视化工具将电芯的电荷状态和健康状态数据进行可视化展示;
S43、基于预测模型对电池组未来的充放电行为进行预测;
S44、根据预测结果和电池组的充放电性能特点,制定优化的充放电控制策略;
S45、将制定好的充放电控制策略应用于电池组,实施相应的控制策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310417467.5A CN116609686B (zh) | 2023-04-18 | 2023-04-18 | 一种基于云平台大数据的电芯一致性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310417467.5A CN116609686B (zh) | 2023-04-18 | 2023-04-18 | 一种基于云平台大数据的电芯一致性评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116609686A true CN116609686A (zh) | 2023-08-18 |
CN116609686B CN116609686B (zh) | 2024-01-05 |
Family
ID=87680804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310417467.5A Active CN116609686B (zh) | 2023-04-18 | 2023-04-18 | 一种基于云平台大数据的电芯一致性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116609686B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117129899A (zh) * | 2023-08-31 | 2023-11-28 | 重庆跃达新能源有限公司 | 一种电池健康状态预测管理***及方法 |
Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077291A (zh) * | 2013-01-25 | 2013-05-01 | 华北电力大学 | 可设置初始荷电状态的电池充放电过程数字仿真方法 |
CN108544925A (zh) * | 2018-04-02 | 2018-09-18 | 北京理工大学 | 电池管理*** |
CN110456279A (zh) * | 2019-08-15 | 2019-11-15 | 长安大学 | 一种基于数据驱动模型的动力电池云管理*** |
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*** |
CN111027165A (zh) * | 2019-07-19 | 2020-04-17 | 北京航空航天大学 | 一种基于数字孪生的动力电池组管理***及方法 |
WO2020115761A1 (en) * | 2018-12-06 | 2020-06-11 | Sosaley Technologies Pvt. Ltd. | Cloud-based battery management system to predict battery life and battery health |
CN112331941A (zh) * | 2020-11-20 | 2021-02-05 | 中国科学技术大学 | 云端辅助电池管理***及方法 |
CN112433169A (zh) * | 2020-11-25 | 2021-03-02 | 北京理工新源信息科技有限公司 | 一种云端动力电池健康度评估***及方法 |
CN112711892A (zh) * | 2020-12-07 | 2021-04-27 | 深圳先进技术研究院 | 一种基于数字孪生和区块链技术的云电池管理***及方法 |
CN112732443A (zh) * | 2021-01-12 | 2021-04-30 | 徐州普罗顿氢能储能产业研究院有限公司 | 一种基于边缘计算的储能电站状态评估与运行优化*** |
CN112838631A (zh) * | 2020-12-31 | 2021-05-25 | 上海玫克生储能科技有限公司 | 动力电池的充电动态管控装置和动力电池的充电诊断方法 |
CN112881930A (zh) * | 2021-01-19 | 2021-06-01 | 北京昆兰新能源技术有限公司 | 一种基于物联网的储能电池健康管理预测方法及*** |
CN112883531A (zh) * | 2019-11-29 | 2021-06-01 | 比亚迪股份有限公司 | 锂离子电池数据处理方法、计算机设备和存储介质 |
CN112946499A (zh) * | 2021-02-04 | 2021-06-11 | 芜湖楚睿智能科技有限公司 | 基于机器学习的锂电池健康状态及荷电状态联合估算方法 |
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 |
CN113176505A (zh) * | 2021-04-30 | 2021-07-27 | 重庆长安新能源汽车科技有限公司 | 车载动力电池荷电状态与健康状态在线估算方法、装置及存储介质 |
CN113419187A (zh) * | 2021-06-08 | 2021-09-21 | 上海交通大学 | 一种锂离子电池健康估计方法 |
CN113671382A (zh) * | 2021-09-06 | 2021-11-19 | 中国科学院电工研究所 | 一种基于云-端数字孪生的电池储能***状态估计方法 |
CN113835032A (zh) * | 2021-09-15 | 2021-12-24 | 北京理工新源信息科技有限公司 | 一种纯电动汽车远程故障诊断及预警*** |
CN114035072A (zh) * | 2021-11-11 | 2022-02-11 | 重庆大学 | 一种基于云边协同的电池组多状态联合估计方法 |
CN114152884A (zh) * | 2021-12-29 | 2022-03-08 | 联方云天科技(北京)有限公司 | 基于锂电池组bms大数据的智能评估及动态调整方法 |
US20220149645A1 (en) * | 2020-11-10 | 2022-05-12 | Tata Consultancy Services Limited | Method and system for optimizing operation of battery pack of an electric vehicle |
KR20220099415A (ko) * | 2021-01-06 | 2022-07-13 | 연세대학교 산학협력단 | 인공 신경망 기반 배터리 고속 충전 효율 향상 장치 및 방법 |
KR20220125445A (ko) * | 2021-03-05 | 2022-09-14 | 연세대학교 산학협력단 | Bms, 이를 위한 적응형 모델 제공 장치 및 방법 |
WO2022253038A1 (zh) * | 2021-06-02 | 2022-12-08 | 上海玫克生储能科技有限公司 | 基于弹性网的锂电池健康状态预测方法、***、设备及介质 |
-
2023
- 2023-04-18 CN CN202310417467.5A patent/CN116609686B/zh active Active
Patent Citations (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077291A (zh) * | 2013-01-25 | 2013-05-01 | 华北电力大学 | 可设置初始荷电状态的电池充放电过程数字仿真方法 |
CN108544925A (zh) * | 2018-04-02 | 2018-09-18 | 北京理工大学 | 电池管理*** |
WO2020115761A1 (en) * | 2018-12-06 | 2020-06-11 | Sosaley Technologies Pvt. Ltd. | Cloud-based battery management system to predict battery life and battery health |
CN111027165A (zh) * | 2019-07-19 | 2020-04-17 | 北京航空航天大学 | 一种基于数字孪生的动力电池组管理***及方法 |
CN110456279A (zh) * | 2019-08-15 | 2019-11-15 | 长安大学 | 一种基于数据驱动模型的动力电池云管理*** |
CN112883531A (zh) * | 2019-11-29 | 2021-06-01 | 比亚迪股份有限公司 | 锂离子电池数据处理方法、计算机设备和存储介质 |
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*** |
US20220149645A1 (en) * | 2020-11-10 | 2022-05-12 | Tata Consultancy Services Limited | Method and system for optimizing operation of battery pack of an electric vehicle |
CN112331941A (zh) * | 2020-11-20 | 2021-02-05 | 中国科学技术大学 | 云端辅助电池管理***及方法 |
CN112433169A (zh) * | 2020-11-25 | 2021-03-02 | 北京理工新源信息科技有限公司 | 一种云端动力电池健康度评估***及方法 |
CN112711892A (zh) * | 2020-12-07 | 2021-04-27 | 深圳先进技术研究院 | 一种基于数字孪生和区块链技术的云电池管理***及方法 |
CN112838631A (zh) * | 2020-12-31 | 2021-05-25 | 上海玫克生储能科技有限公司 | 动力电池的充电动态管控装置和动力电池的充电诊断方法 |
KR20220099415A (ko) * | 2021-01-06 | 2022-07-13 | 연세대학교 산학협력단 | 인공 신경망 기반 배터리 고속 충전 효율 향상 장치 및 방법 |
CN112732443A (zh) * | 2021-01-12 | 2021-04-30 | 徐州普罗顿氢能储能产业研究院有限公司 | 一种基于边缘计算的储能电站状态评估与运行优化*** |
CN112881930A (zh) * | 2021-01-19 | 2021-06-01 | 北京昆兰新能源技术有限公司 | 一种基于物联网的储能电池健康管理预测方法及*** |
CN112946499A (zh) * | 2021-02-04 | 2021-06-11 | 芜湖楚睿智能科技有限公司 | 基于机器学习的锂电池健康状态及荷电状态联合估算方法 |
KR20220125445A (ko) * | 2021-03-05 | 2022-09-14 | 연세대학교 산학협력단 | Bms, 이를 위한 적응형 모델 제공 장치 및 방법 |
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 |
CN113176505A (zh) * | 2021-04-30 | 2021-07-27 | 重庆长安新能源汽车科技有限公司 | 车载动力电池荷电状态与健康状态在线估算方法、装置及存储介质 |
WO2022253038A1 (zh) * | 2021-06-02 | 2022-12-08 | 上海玫克生储能科技有限公司 | 基于弹性网的锂电池健康状态预测方法、***、设备及介质 |
CN113419187A (zh) * | 2021-06-08 | 2021-09-21 | 上海交通大学 | 一种锂离子电池健康估计方法 |
CN113671382A (zh) * | 2021-09-06 | 2021-11-19 | 中国科学院电工研究所 | 一种基于云-端数字孪生的电池储能***状态估计方法 |
CN113835032A (zh) * | 2021-09-15 | 2021-12-24 | 北京理工新源信息科技有限公司 | 一种纯电动汽车远程故障诊断及预警*** |
CN114035072A (zh) * | 2021-11-11 | 2022-02-11 | 重庆大学 | 一种基于云边协同的电池组多状态联合估计方法 |
CN114152884A (zh) * | 2021-12-29 | 2022-03-08 | 联方云天科技(北京)有限公司 | 基于锂电池组bms大数据的智能评估及动态调整方法 |
Non-Patent Citations (4)
Title |
---|
MICHAEL SCHMID: "Data-Driven Fault Diagnosis in Battery Systems Through Cross-Cell Monitoring", <IEEE SENSORS JOURNAL> * |
PENG LIU,ET.: "Cloud Platform-Oriented Electrical Vehicle Abnormal Battery Cell Detection and Pack Consistency Evaluation With Big Data: Devising an Early-Warning System for Latent Risks", < IEEE INDUSTRY APPLICATIONS MAGAZINE> * |
李一帆: "基于数据挖掘的动力电池一致性与健康状态研究", 《中国优秀硕士学位论文全文数据库》 * |
赵熙等: "基于云平台的电池管理***设计与实现", 《机械与电子》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117129899A (zh) * | 2023-08-31 | 2023-11-28 | 重庆跃达新能源有限公司 | 一种电池健康状态预测管理***及方法 |
CN117129899B (zh) * | 2023-08-31 | 2024-05-10 | 重庆跃达新能源有限公司 | 一种电池健康状态预测管理***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116609686B (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guo et al. | Online estimation of SOH for lithium-ion battery based on SSA-Elman neural network | |
Wang et al. | An improved feedforward-long short-term memory modeling method for the whole-life-cycle state of charge prediction of lithium-ion batteries considering current-voltage-temperature variation | |
CN107238800B (zh) | 基于相关向量机和粒子滤波的电池剩余可用寿命预测方法 | |
CN109001640B (zh) | 一种动力电池的数据处理方法和装置 | |
CN110941929A (zh) | 一种基于ARMA和Elman神经网络联合建模的电池健康状态评估方法 | |
CN110082682B (zh) | 一种锂电池荷电状态估计方法 | |
CN112904219B (zh) | 一种基于大数据的动力电池健康状态的预测方法 | |
CN116609686B (zh) | 一种基于云平台大数据的电芯一致性评估方法 | |
US20230305073A1 (en) | Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern | |
CN113866659A (zh) | 一种基于机器学习和安时积分法的锂电池soh预测方法 | |
CN114114038A (zh) | 一种全寿命全温度下锂电池soc及可用容量联合估计方法 | |
CN109299552A (zh) | 一种电池能量状态的评估方法及其评估*** | |
CN115586444A (zh) | 一种基于vmd与bp神经网络的锂电池剩余寿命预测方法 | |
Chen et al. | State of health estimation of lithium-ion batteries based on equivalent circuit model and data-driven method | |
Long et al. | Multi-parameter optimization method for remaining useful life prediction of lithium-ion batteries | |
Xue et al. | Battery degradation modelling and prediction with combination of machine learning and semi-empirical methods | |
CN115684936A (zh) | 一种基于机器学习的动力电池健康失效概率计算与健康失效图谱建立方法 | |
CN114280490B (zh) | 一种锂离子电池荷电状态估计方法及*** | |
Cao et al. | A flexible battery capacity estimation method based on partial voltage curves and polynomial fitting | |
CN117825970A (zh) | 电池退化分析方法、装置、设备及存储介质 | |
CN117420442A (zh) | 一种基于mnq-lstm的电池剩余寿命预测方法 | |
Singh et al. | State of charge estimation techniques of Li-ion battery of electric vehicles | |
CN117445755A (zh) | 基于云计算的电动汽车电池远程监控*** | |
Reza et al. | Recent advancement of remaining useful life prediction of lithium-ion battery in electric vehicle applications: A review of modelling mechanisms, network configurations, factors, and outstanding issues | |
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 |
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 |