本发明涉及锂离子电池检测技术领域,公开一种储能电池状态评价方法、装置、电子设备及存储系统,所述方法包括：获取储能电池历史数据；根据储能电池历史数据,获得储能电池工作累计损耗△Q；以及获得储能电池搁置累计损耗Q-(loss)(t)；计算出每一时刻温度对电池状态影响的温度加权系数β；将温度加权系数β与工作累计损耗△Q和搁置累计损耗Q-(loss)(t)耦合,获得储能电池的健康状态SOH。本发明结合工作和搁置两种应用情境下的不同评估方法,并加权耦合了温度参量,综合建立储能系统中锂离子电池状态评价方法,可评估到电芯单体级别,解决了常规电池状态评价方法准确性低、耗时长、成本高的难题。

本发明公开了一种电动车锂电池系统寿命预测评估方法,根据系统参数和工况参数,结合设定的工况分布概率模型,随机模拟整车的具体工况,并统计各工况的特征分布。电芯寿命数据和统计的工况分布输入至电芯寿命模型内,通过加权算法可得系统在此工况下的日历寿命曲线和循环寿命曲线。整车参数和统计的工况分布输入至续航里程修正模型,在能量效率、配件能耗和载重影响三个方面对续航里程进行修正。最终,系统寿命迭代模型整合所有参数和数据,对系统的寿命进行预测并得到置信区间本发明在整车寿命预测中结合单体电芯寿命数据,考虑整车运行工况对系统寿命的影响,对续航里程进行修正,实现了锂电池系统使用寿命的预测评估。

本发明公开了一种基于特征分析的锂电池健康状态在线估计方法,包括：利用主成分分析策略挑选合适的充放电特征；基于自适应噪声的完备经验模态分解策略将充放电特征分解为主要趋势部分和次要波动部分；基于滑动时间窗口的逻辑回归策略对主要趋势部分运用进行预测,采用卡尔曼滤波策略对次要波动部分进行预测；将预测的主要趋势部分和次要波动部分相结合,得到预测的特征数据,将预测的特征数据代入径向基函数神经网络,实现锂电池健康状态的在线预测。本发明通过对多维变量系统进行降维处理,减少计算复杂度,提高模型的实用新性能,采用新的数据迭代更新RBF网络的内部参数,用新的数据来提高SOH的实时预测精度,从而可以很好地描述锂电池退化过程。

本发明提供了一种针对现实新能源汽车的电池健康状态估计方法,通过将现有的、容易得到的单体层面SOH预测方程,和海量实车大数据计算得到的包级别容量增量IC值有机结合,有效地解决了现有动力电池SOH估计中对电池包健康状态无法测量,估计结果无法满足精度要求的技术问题,避免了对电池包进行大量循环老化试验、标定与数据处理所带来的人力、物力消耗。

本发明公开了一种铅蓄电池寿命的预测方法,属于铅蓄电池技术领域。包括以下步骤：(1)取若干只型号相同的待检测铅蓄电池,经过若干次充放电循环,并在充放电循环过程中取样检测铅蓄电池正极板中β-PbO-2的晶体尺寸,对取样的铅蓄电池的充放电循环数和正极板中β-PbO-2的晶体尺寸进行线性拟合获得充放电循环数-β-PbO-2晶体尺寸关系；(2)根据步骤(1)获得的充放电循环数-β-PbO-2晶体尺寸关系,计算获得β-PbO-2的晶体尺寸为时对应的充放电循环数,以此作为该种型号铅蓄电池的寿命。本发明中的方法普适性强,缩短电池循环寿命的测试周期,为研发和生产控制提供良好的技术手段。

本发明公开了一种燃料电池的剩余寿命预测方法及装置,其中,燃料电池由多个单体组成,燃料电池的剩余寿命预测方法包括：获取燃料电池在运行工况期间的参数数据；参数数据至少包括电压、电流、单体电压、空气进气流量、空气进气压力和冷却水入口温度；根据参数数据获取融合健康指标；并根据融合健康指标获取燃料电池的健康状态值；获取燃料电池在运行工况期间内的行为；行为至少包括启动、停止、变载和故障急停；根据时间、健康状态值和行为训练长短期记忆神经网络模型；并根据长短期记忆神经网络模型预测燃料电池的剩余寿命。本发明提供的技术方案,可实现在行车工况下对燃料电池的剩余寿命的精准预测。

本发明公开基于深度神经网络的锂电池SOH在线估算方法,步骤为：1)建立基于深度神经网络的锂电池SOH估算模型；2)对所述基于深度神经网络的锂电池SOH估算模型进行训练,得到锂电池SOH估算优化模型；3)获取待评估锂电池的近全充电过程的锂电池充电片段数据,并输入到锂电池SOH估算优化模型中,完成锂电池SOH估算。本发明提出了基于深度神经网络的SOH在线估算方法,通过随机抽样、标准化等数据预处理方式对输入输出数据进行处理,并通过训练得到最终的SOH估算模型,代入验证集输入,即可得到所对应的SOH值,实现锂电池SOH在线估算,且其估算精度较基于模型的方法提高约10％,满足车企实际应用所需达到的估算精度。