公开(公告)号：CN115327420A

公开(公告)日：2022-11-11

申请号：CN202210967541.6

申请日：2022-08-12

Applicant: 哈尔滨工业大学

Inventor： 徐佳宁 ,  倪裕隆 ,  张贺 ,  朱春波 ,  宋凯 ,  姜金海

IPC: G01R31/392 ,  G01R31/367

Abstract: 本发明公开了一种基于部分充电电压的退役电池余能快速准确估计方法及系统，属于新能源电动汽车等领域的电池健康状态管理等技术领域，其中，该方法包括：通过分析磷酸铁锂电池电极中的相变特性选择磷酸铁锂电池电极的单相区域(0～20％SOC)所对应的部分充电电压；利用Levenberg‑Marquardt方法对该部分充电电压进行参数辨识，获取表征电池容量损失机制的容量损失特征参数；构建余能快速准确估计模型；将容量损失特征参数对余能快速准确估计模型进行训练，得到QPSO‑SVR模型，以快速准确估计电池余能。该方法解决了退役电池余能检测时间长及余能估计不准确的问题，即缩短了退役电池余能检测时间又提高了余能估计精度。

公开(公告)号：CN116840685A

公开(公告)日：2023-10-03

申请号：CN202310655781.7

申请日：2023-06-05

Applicant: 哈尔滨工业大学

Inventor： 徐佳宁 ,  张贺 ,  徐英 ,  仪忠凯 ,  倪裕隆 ,  姜金海

IPC: G01R31/367 ,  G01R31/392

Abstract: 本发明提出一种基于等效电路模型和伪二维电化学模型联合预测SOP的方法，本发明首先建立储能电池的功率状态预测数学模型，该模型结合了等效电路模型和伪二维电化学模型。其次，考虑到电池运行安全约束边界条件直接影响功率预测的准确度，本发明基于P2D电化学模型建立以固相浓度和液相浓度为主的内部微观约束条件；建立基于等效电路模型建立以电压、电流为主的电池运行电信号安全约束条件。最后，将所构建的约束条件与电池功率预测模型相结合，实现储能电池功率的高精度预测。

公开(公告)号：CN116840685B

公开(公告)日：2024-05-10

申请号：CN202310655781.7

申请日：2023-06-05

Applicant: 哈尔滨工业大学

Inventor： 徐佳宁 ,  张贺 ,  徐英 ,  仪忠凯 ,  倪裕隆 ,  姜金海

IPC: G01R31/367 ,  G01R31/392

Abstract: 本发明提出一种基于等效电路模型和伪二维电化学模型联合预测SOP的方法，本发明首先建立储能电池的功率状态预测数学模型，该模型结合了等效电路模型和伪二维电化学模型。其次，考虑到电池运行安全约束边界条件直接影响功率预测的准确度，本发明基于P2D电化学模型建立以固相浓度和液相浓度为主的内部微观约束条件；建立基于等效电路模型建立以电压、电流为主的电池运行电信号安全约束条件。最后，将所构建的约束条件与电池功率预测模型相结合，实现储能电池功率的高精度预测。

公开(公告)号：CN114264967B

公开(公告)日：2024-05-24

申请号：CN202111525399.1

申请日：2021-12-14

Applicant: 哈尔滨工业大学

Inventor： 徐佳宁 ,  倪裕隆 ,  姜金海 ,  朱春波 ,  董帅 ,  那拓扑 ,  张剑韬

IPC: G01R31/392

Abstract: 本发明公开了一种基于容量损失机理的退役电池余能快速估计方法及系统，涉及电池管理技术领域，其中，该方法包括：建立容量损失机理诊断模型；获取退役电池恒流充电测试曲线，基于容量损失机理诊断模型，并利用模式搜索非线性优化算法对曲线进行拟合，提取容量损失特征；建立SVR模型，利用改进的飞蛾扑火优化算法对其核函数与惩罚因子进行寻优，得到ALMFO‑SVR余能估计模型；将预设容量损失特征以其对应的余能真值作为估计模型的训练样本进行训练；利用实际电压、电流提取实际容量损失特征，并将实际容量损失特征输入至训练完成后的估计模型中，对退役电池余能的快速估计。该方法有效解决了退役电池余能估计精度低且测试时间长的问题。

公开(公告)号：CN114264967A

公开(公告)日：2022-04-01

申请号：CN202111525399.1

申请日：2021-12-14

Applicant: 哈尔滨工业大学

Inventor： 徐佳宁 ,  倪裕隆 ,  姜金海 ,  朱春波 ,  董帅 ,  那拓扑 ,  张剑韬

IPC: G01R31/392

Abstract: 本发明公开了一种基于容量损失机理的退役电池余能快速估计方法及系统，涉及电池管理技术领域，其中，该方法包括：建立容量损失机理诊断模型；获取退役电池恒流充电测试曲线，基于容量损失机理诊断模型，并利用模式搜索非线性优化算法对曲线进行拟合，提取容量损失特征；建立SVR模型，利用改进的飞蛾扑火优化算法对其核函数与惩罚因子进行寻优，得到ALMFO‑SVR余能估计模型；将预设容量损失特征以其对应的余能真值作为估计模型的训练样本进行训练；利用实际电压、电流提取实际容量损失特征，并将实际容量损失特征输入至训练完成后的估计模型中，对退役电池余能的快速估计。该方法有效解决了退役电池余能估计精度低且测试时间长的问题。