基于区间频率电化学阻抗谱的退役动力电池快速分选方法

    公开(公告)号:CN118305097A

    公开(公告)日:2024-07-09

    申请号:CN202410241858.0

    申请日:2024-03-04

    发明人: 武骥 罗磊 罗刚 王丽

    摘要: 本发明公开了一种基于区间频率电化学阻抗谱的退役动力电池快速分选方法,包括:1对拆解成单体的退役电池进行外观初选;2将所有电池充放电至一相同的电压后,测量静置相同时间后的开路电压作为一个分选指标;3在固定的频率范围内,通过阻抗测量装置测量每个电池的阻抗谱;4提取基于阻抗谱的时域和频域混合特征,采用基于临界权值的互信息方法去除冗余特征后得到分选指标;5利用结合贝叶斯高斯混合模型的两步法对包含分选指标的电池进行聚类分选,得到符合一致性条件的电池,不符合条件的电池进入报废金属回收环节。本发明能避免大批量退役电池的容量测试并提高成组电池的一致性,从而能提高退役电池分选的效率和成组电池的安全性。

    基于自适应模型预测控制的BMS均衡联动制冷方法

    公开(公告)号:CN117928127A

    公开(公告)日:2024-04-26

    申请号:CN202410136899.3

    申请日:2024-01-31

    IPC分类号: F25B21/02 F25B49/00 B60L58/26

    摘要: 本发明公开了一种基于自适应模型预测控制的BMS均衡联动制冷方法,通过基于无迹卡尔曼滤波的在线自适应模型预测控制可以处理温度控制和MOS管产热的强非线性和时变特性,从而取得更好的控制效果,通过将综合能量损失、散热时常、实时温度、最大均衡电压纳入成本函数,通过被动均衡电路的耗电与半导体制冷芯片相结合,实现大功率MOS管的精准控温,温度强度显著减小,延长系统整体寿命、保障系统安全,减少热失控风险并提高系统效率,进而降低新能源车辆管理系统的成本并大幅度提高系统安全性能,通过将成本函数转化为凸优化问题,通过模型预测控制算法可以快速地求解得到最优控制量及最优参考均衡电流Icell和覆盖于MOS管上的第二半导体制冷芯片的参考输入电流Imos,进而可以通过PI控制应用于在线的实时控制。

    液流电池-锂电池混合储能系统的能量管理方法

    公开(公告)号:CN117895613A

    公开(公告)日:2024-04-16

    申请号:CN202410069263.1

    申请日:2024-01-18

    摘要: 本发明公开了一种液流电池‑锂电池混合储能系统的能量管理方法,通过构建涵盖多特征参数组合的储能系统负荷数据库,基于循环神经网络与马尔可夫链建立负荷预测模型进行负荷预测,基于负荷预测和模型预测控制算法得到最优功率分配策略,抛弃传统单一状态估计方法,结合负荷预测方法中的多尺度、多状态联合估计方法,将多尺度、多状态估计结果用于能量管理策略,再采用自适应模型预测控制算法自动跟随系统自身参数的变化,不断优化功率分配策略,本发明通过结合负荷预测方法为系统自适应能量管理策略奠定关键理论基础,并有望建成具备融合全寿命周期自适应能量管理策略的理论与方法,为液冷电池‑锂电池混合储能系统实验装置提供原理支撑。

    基于泛化模型的锂离子电池健康状态估计方法及系统

    公开(公告)号:CN114594397B

    公开(公告)日:2024-08-06

    申请号:CN202210148873.1

    申请日:2022-02-18

    IPC分类号: G01R31/392 G01R31/367

    摘要: 本发明实施例提供一种基于泛化模型的锂离子电池健康状态估计方法及系统,属于锂离子电池的SOH估计技术领域。所述估计方法包括:获取多个同型号的电池的数据特征;基于所述数据特征中的每个特征的相关性,从所述数据特征中选取第一特征集合;基于所述第一特征集合的重要性,从所述第一特征集合中选取第二特征集合;根据所述第二特征集合确定每个所述电池的回归模型;根据所述回归模型构建泛化SOH模型,并采用所述泛化SOH模型估计所述电池的SOH。该估计方法及系统在面对不同类型的锂离子电池时,具有更好的泛化特性。

    对称光桥式自稳激光测径系统及其标定方法、测量方法

    公开(公告)号:CN106524932A

    公开(公告)日:2017-03-22

    申请号:CN201611245890.8

    申请日:2016-12-29

    IPC分类号: G01B11/08

    CPC分类号: G01B11/08

    摘要: 本发明涉及一种对称光桥式自稳激光测径系统及其标定方法、测量方法,该对称光桥式自稳激光测径系统包括平行激光源、对称角反射镜、两个聚光镜及两个光电探测器,平行激光源产生的平行激光被对称角反射镜分为两部分,分别反射至一个聚光镜,每个光电探测器检测聚光镜所会聚的激光的强度。本发明所述系统及方法,测量精度不受扫描速度影响,因此测量精度更高,而且测径系统的结构也更简单,成本更低。

    一种氢燃料电池、电池寿命预测系统及方法

    公开(公告)号:CN118398860B

    公开(公告)日:2024-09-03

    申请号:CN202410830937.5

    申请日:2024-06-26

    摘要: 本发明属于氢燃料电池应用技术领域,具体涉及一种氢燃料电池、电池寿命预测系统及方法;氢燃料电池包括设于封装壳内的电堆本体、设于侧直板且与电堆本体连通的排气口、设于侧直板上的控制器模块,排气口内壁设有湿度传感器;封装壳内部与其顶部的冷却液箱形成液冷通道,环形腔内活动设有圆环件,圆环件内侧通过井字架固定电堆本体、外侧通过定位件与环形腔间形成周向运动旷量;本发明针对上述封装结构下的氢燃料电池,通过将电堆本体在寿命测试中获取若干组倾斜角度和复位次数,引入第二失效时间来更加精确的确定上述封装结构下的氢燃料电池的剩余使用寿命,预测针对性更好,预测结果更加精确。

    一种低测试成本的退役动力电池分选方法

    公开(公告)号:CN115121507B

    公开(公告)日:2023-06-27

    申请号:CN202210749016.7

    申请日:2022-06-28

    IPC分类号: B07C5/344 H01M10/54

    摘要: 本发明公开了一种低测试成本的退役动力电池分选方法,其步骤包括:1电压测量仪测量退役电池当前电压值作为各自的标记电压值;2将标记电压值划分为等长度的电压区间,按各电压区间将退役电池分组入库储存;3根据现有订单需求,取出退役电池进行相同电压起点的片段充放电测试;4采集测试数据,提取测试数据的特征;5利用聚类算法处理分析特征值,得出分选结果;6测试聚类中心电池具体,判断分类结果是否满足订单需求,若不满足则重复步骤3‑5。本发明能避免大批量退役电池的全充放电测试和减少冗余测试工作,从而能降低退役电池分选工作的时间成本和能耗成本。

    一种“充—检”一体电动汽车电池状态检测与评价方法

    公开(公告)号:CN115616428A

    公开(公告)日:2023-01-17

    申请号:CN202211235441.0

    申请日:2022-10-10

    摘要: 本发明公开了一种“充—检”一体电动汽车电池状态检测与评价方法,其步骤包括:1对电动汽车电池包进行常规充电补能,采集模组在恒流充电阶段一定电压区间范围内的电流、电压、温度,计算充电容量和容量增量;2在充电至电池包荷电状态值为S0时,对模组施加1‑20Hz频率的正弦波激励电流,采集不同频率下的模组响应电压,计算交流阻抗;3对电池包施加脉冲充电电流,根采集的模组端电压信息,计算每个模组的欧姆内阻;4将上述采集的电流、电压、增量容量、温度、交流阻抗、欧姆内阻等参数输入至对应的电池模型,对数据进行分析后,在充电阶段完成对电池整体及模组的性能评估,从而实现对电池在线状态估计及一致性评价的功能。

    对称光桥式自稳激光测径系统的标定方法、测量方法

    公开(公告)号:CN106969717B

    公开(公告)日:2022-12-20

    申请号:CN201710166449.9

    申请日:2017-03-20

    IPC分类号: G01B11/08

    摘要: 本发明涉及一种对称光桥式自稳激光测径系统及其标定方法、测量方法,该对称光桥式自稳激光测径系统包括平行激光源、对称角反射镜、两个聚光镜及两个光电探测器,平行激光源产生的平行激光被对称角反射镜分为两部分,分别反射至一个聚光镜,每个光电探测器检测聚光镜所会聚的激光的强度。本发明所述系统及方法,测量精度不受扫描速度影响,因此测量精度更高,而且测径系统的结构也更简单,成本更低。

    基于基因表达与高斯过程回归的电池健康状态估计方法

    公开(公告)号:CN118731714A

    公开(公告)日:2024-10-01

    申请号:CN202411040698.X

    申请日:2024-07-31

    摘要: 本发明公开了基于基因表达与高斯过程回归的电池健康状态估计方法,包括如下步骤:步骤一、采集电芯充放电过程的电芯过程参量以及电芯辅助参量,所述电芯过程参量包括等电压充电时间、等时间充电电压差和等效循环次数以及增量容量曲线峰值的位置和峰值,所述电芯辅助参量包括温度和平均放电倍率;步骤二、将电芯过程参量输入到已训练完成的基因表达编程模型中,输出SOH初值;步骤三、将电芯辅助参量输入到已训练完成的高斯过程回归模型中,输出误差补偿值;步骤四、将SOH初值与误差补偿值相加得到SOH估计值;该电池健康状态估计方法提升了在不同工况下以及不同温度下的电池SOH估计精度。