CN107037375A - 电池直流内阻测量方法及装置 - Google Patents
电池直流内阻测量方法及装置 Download PDFInfo
- Publication number
- CN107037375A CN107037375A CN201710372291.0A CN201710372291A CN107037375A CN 107037375 A CN107037375 A CN 107037375A CN 201710372291 A CN201710372291 A CN 201710372291A CN 107037375 A CN107037375 A CN 107037375A
- Authority
- CN
- China
- Prior art keywords
- battery
- target
- data
- internal resistance
- discharge
- 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
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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明提出一种电池直流内阻获取方法及装置,其中,方法包括:采集样本电池的第一电池数据和样本电池的第二电池数据,利用样本电池的第一电池数据和第二电池数据对构建的神经网络进行训练,选择训练误差小于阈值且训练误差最小的神经网络作为目标神经网络,采集测试电池的第一电池数据,将测试电池的第一电池数据输入到目标神经网络中进行学习,预测测试电池的第二电池数据。本发明中,通过训练好的神经网络来获取电池的直流内阻,不需要经过大电流放电的过程,就能实现对电池的直流内阻的较为精准的预测,减少了对大批量电池的损害,缩短了分选时间,同时减少能耗。
Description
技术领域
本发明涉及电池测试领域,尤其涉及一种电池直流内阻测量方法及装置。
背景技术
电池直流内阻是动力电池的重要参数,电池的材料、制造工艺以及电池结构等因素均会对电池直流内阻产生一定的影响。
目前可以直流放电方法检测电池的直流内阻,即通过采用2个不同的大电流对电池进行大电流放电,测量电池的压降,通过欧姆定律计算电池直流内阻。大电流的放电对电池会造成损害,如果为了检测电池而频繁测试,对电池的损害将会积累,反而影响电池的容量及寿命。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的第一个目的在于提出一种电池直流内阻测量方法,以实现对电池组的电池直流内阻的安全准确测量,用于解决现有通过直流放电法中采用大电流的放电时会对电池会造成损害的问题。
本发明的第二个目的在于提出一种电池直流内阻测量装置。
为达上述目的,本发明第一方面实施例提出了一种电池直流内阻测量方法,包括:
采集样本电池的第一电池数据和样本电池的第二电池数据;其中,所述第一电池数据包括:电池开路电压、电池交流内阻、电池容量以及电池放电末端温升;所述第二电池数据包括:电池直流内阻;
利用所述样本电池的第一电池数据和第二电池数据对构建的神经网络进行训练,选择训练误差小于阈值且所述训练误差最小的神经网络作为目标神经网络;
采集测试电池的第一电池数据;
将所述测试电池的第一电池数据输入到所述目标神经网络中进行学习,预测所述测试电池的第二电池数据。
本发明实施例的电池直流内阻测量方法,通过训练好的神经网络来预测电池的直流内阻,不需要经过大电流放电的过程,就能实现对电池的直流内阻的较为精准的预测,减少了对大批量电池的损害,缩短了分选时间,同时减少能耗。
为达上述目的,本发明第二方面实施例提出了一种电池直流内阻测量装置,包括:
采集模块,用于采集样本电池的第一电池数据和样本电池的第二电池数据,以及测试电池的第一电池数据;其中,所述第一电池数据包括:电池开路电压、电池交流内阻、电池容量以及电池放电末端温升;所述第二电池数据包括:电池直流内阻;
训练模块,用于利用所述样本电池的第一电池数据和第二电池数据对构建的神经网络进行训练,选择训练误差小于阈值且所述训练误差最小的神经网络作为目标神经网络;
预测模块,用于将所述测试电池的第一电池数据输入到所述目标神经网络中进行学习,预测所述测试电池的第二电池数据。
本发明实施例的电池直流内阻测量装置,通过训练好的神经网络来预测电池的直流内阻,不需要经过大电流放电的过程,就能实现对电池的直流内阻的较为精准的预测,减少了对大批量电池的损害,缩短了分选时间,同时减少能耗。
为了实现上述目的,本发明第三方面实施例提出了另一种电池直流内阻测量装置,包括:处理器和存储器;存储器用于存储可执行程序代码;处理器通过读取存储器中存储的可执行程序代码来运行与可执行程序代码对应的程序,用于以下步骤:
采集样本电池的第一电池数据和样本电池的第二电池数据;其中,所述第一电池数据包括:电池开路电压、电池交流内阻、电池容量以及电池放电末端温升;所述第二电池数据包括:电池直流内阻;
利用所述样本电池的第一电池数据和第二电池数据对构建的神经网络进行训练,选择训练误差小于阈值且所述训练误差最小的神经网络作为目标神经网络;
采集测试电池的第一电池数据;
将所述测试电池的第一电池数据输入到所述目标神经网络中进行学习,预测所述测试电池的第二电池数据。
为了实现上述目的,本发明第四方面实施例提出了一种非临时性计算机可读存储介质,当所述存储介质中的指令由服务器端的处理器被执行时,使得服务器端能够执行一种电池直流内阻测量方法,所述方法包括:
采集样本电池的第一电池数据和样本电池的第二电池数据;其中,所述第一电池数据包括:电池开路电压、电池交流内阻、电池容量以及电池放电末端温升;所述第二电池数据包括:电池直流内阻;
利用所述样本电池的第一电池数据和第二电池数据对构建的神经网络进行训练,选择训练误差小于阈值且所述训练误差最小的神经网络作为目标神经网络;
采集测试电池的第一电池数据;
将所述测试电池的第一电池数据输入到所述目标神经网络中进行学习,预测所述测试电池的第二电池数据。
为了实现上述目的,本发明第五方面实施例提出了一种计算机程序产品,当所述计算机程序产品中的指令处理器执行时,执行一种电池直流内阻测量方法,包括:
采集样本电池的第一电池数据和样本电池的第二电池数据;其中,所述第一电池数据包括:电池开路电压、电池交流内阻、电池容量以及电池放电末端温升;所述第二电池数据包括:电池直流内阻;
利用所述样本电池的第一电池数据和第二电池数据对构建的神经网络进行训练,选择训练误差小于阈值且所述训练误差最小的神经网络作为目标神经网络;
采集测试电池的第一电池数据;
将所述测试电池的第一电池数据输入到所述目标神经网络中进行学习,预测所述测试电池的第二电池数据。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例提供的一种电池直流内阻测量方法的流程示意图;
图2为本发明实施例提供的一种采集第一电池数据的流程示意图;
图3为本发明实施例提供的一种采集第二电池数据的流程示意图;
图4为本发明实施例提供的对目标电池进行放电的应用示意图;
图5为本发明实施例提供的线性拟合的应用示意图;
图6为本发明实施例提供的基于目标神经网络对测试电池测试的示意图;
图7为本发明实施例提供的另一种电池直流内阻测量方法的流程示意图;
图8为本发明实施例提供的目标神经网络预测误差的示意图;
图9为本发明实施例提供的一种电池直流内阻测量装置的结构示意图;
图10为本发明实施例提供的另一种电池直流内阻测量装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的电池直流内阻测量方法及装置。
图1为本发明实施例所提供的一种电池直流内阻测量方法的流程示意图。如图1所示,该电池直流内阻测量方法包括以下步骤:
S101、采集样本电池的第一电池数据和样本电池的第二电池数据。
其中,所述第一电池数据包括:电池开路电压、电池交流内阻、电池容量以及电池放电末端温升,所述第二电池数据包括:电池直流内阻。
本实施例中,可以从一批电池中随机抽取M支电池作为样本电池,为了对构建的神经网络进行训练,需要获取每个样本电池的第一电池数据和第二电池数据作为训练数据。具体地,按照预设的充电标准和放电标注进行充放电测试,基于充放电测试来采集样本电池的第一电池数据和第二电池数据。
本实施例中提供了一种采集第一电池数据的流程,该采集第一电池数据的流程,可以适用于样本电池的第一电池数据的采集,也可以适用于测试电池的第一数据的采集。
如图2所示,该采集第一电池数据的过程具体包括如下步骤:
S201、按照预设充电标准对待采集的目标电池进行充电至满电状态。
其中,待采集的目标电池为样本电池或者测试电池。
在室温下,按照预设充电标准对待采集的目标电池进行充电,使目标电池到达满电状态。不同生产厂商生产的电池可以具有不同的充电标准。
S202、测量满电状态下目标电池的电池开路电压和电池交流内阻。
在充电到满电状态后,可以在开路状态下测量目标电池的端电压,此时测量的端电压为目标电池的开路电压。例如可以通过电压表在开路状态下测量目标电池的开路电压。进一步地,在目标电池处于满电状态下,可以通过内阻仪对目标电池的交流电阻进行测量。
实际应用中,当电池充电完成时的电压会存在一个虚高的情况,为了避免测量出的电池开路电压真实,本实施例中,在目标电池充电到满电状态后,将目标电池静置预设时长,该预设时长可以为30分钟。在静置的预设时长内,目标电池的虚高电压会回落真实电压。
S203、按照预设放电标准对目标电池进行放电至预设的截止电压。
在测量到电池开路电压和电池交流内阻后,可以按照预设放电标准,对目标电池进行放电,使目标电池放电到预设的截止电压。不同生产厂商生产的电池可以具有不同的放电标准。预设的截止电压可以为2.5V,也可以为3.0V。
S204、采集目标电池在放电截止电压时的放电末端温度。
作为一种可选地实现方式,可以在目标电池上设置有温度传感器和指示灯,当目标电池放电到截止电压时,指示灯亮,测试人员就可以通过该温度传感器采集到目标电池的当前温度,该当前温度为目标电池的放电末端温度。
作为一种可选地实现方式,在目标电池上设置有指示灯,当目标电池放电到截止电压时指示灯亮,在指示灯亮起的瞬间,测试人员手动通过测量温度的仪器来测量当前温度,测量的当前温度为目标电池的放电末端温度。
作为一种可选地实现方式,可以对整个过程进行红外成像来确定目标电池的放电末端温度,或者经热场分析后确定目标电池的放电末端温度。
S205、根据放电末端温度和当前室温,计算目标电池的电池放电末端温升。
进一步地,结合放电末端温度和当前室温,可以计算出目标电池的电池放电末端温升,具体公式为:电池放电末端温升=放电末端温度-当前室温。
S206、测量目标电池的电池容量。
电池性能的重要性能指标之一是电池容量,表示在一定条件下(放电率、温度、终止电压)电池所放出的电量,可以通过对放电时间内的电流进行积分,得到目标电池的电池容量。
在待采集的目标电池为新电池时,为了能够更好地激活目标电池,本实施例中,还需要对新的目标电池进行预处理过程。具体地,按照预设充电标准和预设放电标准,对目标电池进行预设次数的充放电。例如,以1C电流放电至放电截止电压,将目标电池静置30分钟,然后按照预设充电标准进行充电至满电状态,再将目标电池静置30分钟,可以连续执行预设次数的充放电,以激活该目标电池。
进一步地,本实施例中还提供了一种采集第二电池数据的流程,该采集第二电池数据的流程,可以适用于样本电池的第一电池数据的采集,也可以适用于测试电池的第二电池数据的采集。
如图3所示,该采集第二电池数据的过程具体包括如下步骤:
S301、在预设的荷电状态下,分别采用不同的放电电流对目标电池放电到相同的时间间隔。
其中,不同的放电电流之间存在倍数关系。
本实施例中,首先需要按照预设充电标准对目标电池进行充电到预设的荷电状态。例如,可以以1C的充电电流对目标电池充电,以使目标电池达到50%的荷电状态。然后在此荷电状态下,可以采用不用的放电电流对目标电池放电到相同的时间间隔。
S302、测量放电前和放电到时间间隔时目标电池的电压值,以及目标电池的电流值。
举例说明,可以采用如图4所示的过程对目标电池进行放电,具体地,先采用2C放电电流对目标电池放电10s,记录此次放电前和放电到10s时目标电池的电压值,即t1时刻和t2时刻的电压值,以及目标电池此次放电的电流值。然后采用0.1C充电200s,以使目标电池恢复到预设的荷电状态。为了避免充电后电压虚高造成测量不准确,可以将目标电池静置60s。进一步地,以1C的放电电流对目标电池放电10s,记录此次放电前和放电到10s时目标电池的电压值,即t3时刻和t4时刻的电压值,以及目标电池此次放电的电流值。然后采用0.1C充电100s,以使目标电池恢复到预设的荷电状态。充电完成后将目标电池同样静置60s。进一步地,以0.5C的放电电流对目标电池放电10s,记录此次放电前和放电到10s时目标电池的电压值,即t5时刻和t6时刻的电压值,以及目标电池此次放电的电流值。然后采用0.1C充电50s,以使目标电池恢复到预设的荷电状态。充电完成后将目标电池同样静置60s。
需要说明的是,每次对目标电池进行放电到预设时间间隔后,需要对目标电池进行回充以使其返回预设的荷电状态,以保证每次放电时目标电池都处于预设的荷电状态下。
S303、根据测量到的电压值和电流值进行线性拟合,得到目标电池的电池直流电阻。
具体地,获取到每次放电前后目标电池的放电压差,放电压差为放电前的电压值与放电到时间间隔时电压值的差值,然后基于每次的放电压差和每次放电的电流,进行线性拟合,得到一个拟合的直线,该直线的斜率为目标电池的电池直流电阻。以上述例子中,通过2C放电电流对目标电池放电10s,1C放电电流对目标电池放电10s,0.5C放电电流对目标电池放电10s,可以获取到三个点,对这三个点进行线性拟合形成一条直线,如图5所示,该直线的斜率为目标电池的电池直流电阻。
S102、利用样本电池的第一电池数据和第二电池数据对构建的神经网络进行训练,选择训练误差小于阈值且训练误差最小的神经网络作为目标神经网络。
在获取到样本电池的第一电池数据和第二电池数据后,可以将该第一电池数据和该第二电池数据,输入到构建的神经网络中,对神经网络进行训练,以使神经网络的训练误差小于预设阈值,将最小且小于阈值的训练误差对应的神经网络作为目标神经网络。
本实施例中,预先构建一个神经网络,可以预先设置神经网络的输入层神经元个数、输出层神经元个数,隐含层的层数和每层隐含层包含的神经元个数。将样本电池的第一电池数据和第二电池数据,输入到构建的神经网络中,然后对神经网络进行训练,在训练过程中通过学习训练函数不断地调整神经网络的隐含层的层数和每层隐含层包含的神经元个数,以及各层之间的传递函数,在训练多次后可以使训练误差收敛到预设的阈值之下,将最小训练误差对应的神经网络作为目标神经网络。
S103、采集测试电池的第一电池数据。
按照上述采集目标电池的第一电池数据的过程,采集测试电池的第一电池数据。具体过程此处不再赘述。
本实施例中,测试电测与样本电池为同一批次的电池,可以从该批次电池中选择N支电池,N支电池为该批次电池中除M支样本电池之外的其他电池。
S104、将测试电池的第一电池数据输入到目标神经网络中进行学习,预测测试电池的第二电池数据。
目标神经网络就可以作为一个训练的神经网络,可以用于对测试电池进行学习,得到测试电池的第二电池数据。如图6所示,将测试电池的第一电池数据输入到目标神经网络中,第一电池数据包括:电池开路电压、电池交流内阻、电池容量以及电池放电末端温升,经过目标神经网络学习后,输出测试电池的第二电池数据即测试电池的电池直流内阻。其中,测试电池与样本电池为设计参数一致的电池,例如,设计参数可以包括电池性能、电池材料以及电池型号等。
进一步地,还可以按照上述采集目标电池的第二电池数据的过程,采集测试电池的第二电池数据,然后将测量拟合出的测试电池的第二电池数据与目标通过神经网络得到的测试电池第二电池数据进行比较,可以得到两者之间的误差,通过这个误差进一步验证神经网络的准确性。预先设置一个误差数值,当两者之间的误差要小于等于预设的误差数值时,说明目标神经网络学习出的电池的直流内阻与实际测量的直流内阻相差很小,目标神经网络的学习效果好,能够运用同种类型的电池直流内阻预测上。如果两者之间的误差要大于预设的误差数值时,说明目标神经网络学习出的电池的直流内阻与实际测量的直流内阻相差较大,目标神经网络的学习效果不理想,无法运用在同种类型的电池直流内阻预测上,可能需要重新构建神经网络进行训练。
本实施例提供的电池直流内阻测量方法,通过训练好的神经网络来获取电池的直流内阻,不需要经过大电流放电的过程,就能实现对电池的直流内阻的较为精准的预测,减少了对大批量电池的损害,缩短了分选时间,同时减少能耗。
图7为本发明实施例提供的另一种电池直流内阻测量方法的流程示意图。图7所示,该电池直流内阻测量方法包括以下步骤:
S601、采集样本电池的第一电池数据和样本电池的第二电池数据。
其中,第一电池数据包括电池开路电压、电池交流内阻、电池容量以及电池放电末端温升;第二电池数据包括:电池直流内阻。
关于采集样本电池的第一电池数据和第二电池数据的过程可参见上述实施例中相关内容的记载,此处不再赘述。
S602、对样本电池的第一电池数据进行归一化处理。
为了保证训练的准确性,消除其他因素的影响,需要将以上得到的第一电池数据做归一化处理。具体地,将第一电池数据中的电池开路电压、电池交流内阻、电池容量以及电池放电末端温升分别进行归一化处理。以电池容量Q例,设Qmax和Qmin分别为电池容量Q的最大值和最小值,将电池容量Q的一个原始值Q(i)(1≤i≤m)通过Max-Min算法归一化映射成在区间[0,1]中,得到归一化后的电池容量Q’(i),经归一化处理后的电池容量Q’(i)=(Q(i)-Qmin)/(Qmax-Qmin)。电池开路电压、电池交流内阻以及电池放电末端温升可以做同样处理,得出归一化后的第一电池数据。
S603、利用样本电池归一化后的第一电池数据和样本电池的第二电池数据训练构建的神经网络,得到训练好的目标神经网络。
利用归一化后的第一电池数据和样本电池的第二电池数据作为训练数据,对构建的神经网络进行训练,以得到训练好的目标神经网络。目标神经网络选择条件为训练误差最小且小于预设的阈值。
S604、采集测试电池的第一电池数据。
其中,第一电池数据包括电池开路电压、电池交流内阻、电池容量以及电池放电末端温升。关于采集测试电池的第一电池数据过程可参见上述实施例中相关内容的记载,此处不再赘述。
S605、对测试电池的第一电池数据进行归一化处理。
关于对测试电池的第一电池数据进行归一化处理的过程可参见上述实施例中相关内容的记载,此处不再赘述。
S606、将测试电池归一化后的第一电池数据输入到目标神经网络中进行学习,预测测试电池的第二电池数据。
其中,第二电池数据包括:电池直流内阻。
举例说明,电池开路电压(Open Circuit Voltage,简称OCV),电池交流内阻(ACR),电池容量(Capacity),可以标记为Q,电池放电末端温升标记为△T。
随机抽取64支三元锂离子电池,额定容量为5.2Ah。对此64只电池进行完整的充放电,整个过程红外成像或经热场分析后确定的温度最高点处粘贴感温探头,经预处理即三次标注充放电后,测试制式如下:
1)以1C恒流充电至4.2V,恒压充电至电流减小至0.05C;
2)静置30min,记录OCV和ACR;
3)待恢复室温后,以1C恒流放电至3.0V,记录此时电池容量Q和温升△T。
4)1C充电至容量为Q/2,静置30min,按照图4所示的过程进行充放电测试,记录三次放电后的电压值和电流值,根据三次的数据拟合出直线,得到样本电池的DCR。
将以上50组数据经归一化处理后作为神经网络的输入参量,DCR作为神经网络的输出参量,训练构建的神经网络,得到目标神经网络的模型为:
隐含层神经元传递函数tansig;
输出层神经元传递函数logsig;
训练函数trainlm;
隐含层神经元数15;
训练步数net.trainParam.epochs=100;
训练目标net.trainParam.goal=0.0001。
将另外的14组电池作为测试电池,即将测试电池的第一电池数据输入目标神经网络中,得到测试电池的DCR即第二电池数据,得出的最大训练误差百分率为2.4%,如图8所示。
本实施例提供的电池直流内阻测量方法,通过训练好的神经网络来获取电池的直流内阻,不需要经过大电流放电的过程,就能实现对电池的直流内阻的较为精准的预测,减少了对大批量电池的损害,缩短了分选时间,同时减少能耗。
图9为本发明实施例提供的一种电池直流内阻测量装置的结构示意图。如图9所示,该电池直流内阻测量装置包括:采集模块11、训练模块12和预测模块13。
采集模块11,用于采集样本电池的第一电池数据和样本电池的第二电池数据,以及测试电池的第一电池数据;其中,所述第一电池数据包括:电池开路电压、电池交流内阻、电池容量以及电池放电末端温升;所述第二电池数据包括:电池直流内阻。
训练模块12,用于利用所述样本电池的第一电池数据和第二电池数据对构建的神经网络进行训练,选择训练误差小于阈值且所述训练误差最小的神经网络作为目标神经网络。
预测模块13,用于将所述测试电池的第一电池数据输入到所述目标神经网络中进行学习,预测所述测试电池的第二电池数据。
进一步地,采集模块11,具体用于:
按照预设充电标准对待采集的目标电池进行充电至满电状态;其中,所述目标电池为所述样本电池或者所述测试电池;
测量所述满电状态下所述目标电池的电池开路电压和电池交流内阻;
按照预设放电标准对所述目标电池进行放电至预设的截止电压;
采集所述目标电池在放电截止电压时的放电末端温度;
根据所述放电末端温度和当前室温,计算所述目标电池的电池放电末端温升;
测量所述目标电池的电池容量。
进一步地,采集模块11,具体用于:
在预设的荷电状态下,分别采用不同的放电电流对所述目标电池放电到相同的时间间隔;其中,不同的放电电流之间存在倍数关系;
测量放电到所述时间间隔时所述目标电池的电压值和电流值;
对测量到的所述电压值和所述电流值进行线性拟合,得到所述目标电池的电池直流电阻。
进一步地,在采集模块11测量所述满电状态下的所述目标电池的电池开路电压之前,将所述目标电池静置预设时长。
在图9的基础之上,图10为本发明实施例提供的另一种电池直流内阻测量装置的结构示意图。如图10所示,该电池直流内阻测量装置包括:归一化模块14、预处理模块15和验证模块16。
归一化模块14,用于在将所述第一电池数据输入到神经网络中之前,对所述第一电池数据进行归一化处理。
预处理模块15,用于按照预设充电标准对待采集的目标电池进行充电至满电状态之前,按照预设充电标准和预设放电标准,对所述目标电池进行预设次数的充放电。
验证模块16,用于将预测的所述测试电池的第二电池数据与通过测量拟合出的所述测试电池的第二电池数据进行比较,得到两者之间的误差,通过所述误差验证所述目标神经网络的准确性。
本实施例提供的电池直流内阻测量装置,通过训练好的神经网络来获取电池的直流内阻,不需要经过大电流放电的过程,就能实现对电池的直流内阻的较为精准的预测,减少了对大批量电池的损害,缩短了分选时间,同时减少能耗。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (11)
1.一种电池直流内阻测量方法,其特征在于,包括:
采集样本电池的第一电池数据和样本电池的第二电池数据;其中,所述第一电池数据包括:电池开路电压、电池交流内阻、电池容量以及电池放电末端温升;所述第二电池数据包括:电池直流内阻;
利用所述样本电池的第一电池数据和第二电池数据对构建的神经网络进行训练,选择训练误差小于阈值且所述训练误差最小的神经网络作为目标神经网络;
采集测试电池的第一电池数据;
将所述测试电池的第一电池数据输入到所述目标神经网络中进行学习,预测所述测试电池的第二电池数据。
2.根据权利要求1所述的电池直流内阻测量方法,其特征在于,采集所述第一电池数据的过程,包括:
按照预设充电标准对待采集的目标电池进行充电至满电状态;其中,所述目标电池为所述样本电池或者所述测试电池;
测量所述满电状态下所述目标电池的电池开路电压和电池交流内阻;
按照预设放电标准对所述目标电池进行放电至预设的截止电压;
采集所述目标电池在放电截止电压时的放电末端温度;
根据所述放电末端温度和当前室温,计算所述目标电池的电池放电末端温升;
测量所述目标电池的电池容量。
3.根据权利要求1所述的电池直流内阻测量方法,其特征在于,采集所述第二电池数据的过程,包括:
在预设的荷电状态下,分别采用不同的放电电流对所述目标电池放电到相同的时间间隔;其中,不同的放电电流之间存在倍数关系;在每次对所述目标电池进行放电到所述时间间隔后,对所述目标电池进行回充以使其返回所述荷电状态;
测量放电前和放电到所述时间间隔时所述目标电池的电压值,以及所述目标电池每次放电时的电流值;
根据测量到的所述电压值和所述电流值进行线性拟合,得到所述目标电池的电池直流电阻。
4.根据权利要求2所述的电池直流内阻测量方法,其特征在于,所述测量所述满电状态下的所述目标电池的电池开路电压之前,还包括:
将所述目标电池静置预设时长。
5.根据权利要求1所述的电池直流内阻测量方法,其特征在于,还包括:
将所述第一电池数据输入到神经网络中之前,对所述第一电池数据进行归一化处理。
6.根据权利要求2所述的电池直流内阻测量方法,其特征在于,所述按照预设充电标准对待采集的目标电池进行充电至满电状态之前,还包括:
按照预设充电标准和预设放电标准,对所述目标电池进行预设次数的充放电。
7.根据权利要求1所述的电池直流内阻测量方法,其特征在于,所述预测所述测试电池的第二电池数据之后,还包括:
将预测的所述测试电池的第二电池数据与通过测量拟合出的所述测试电池的第二电池数据进行比较,得到两者之间的误差;
通过所述误差验证所述目标神经网络的准确性。
8.一种电池直流内阻测量装置,其特征在于,包括:
采集模块,用于采集样本电池的第一电池数据和样本电池的第二电池数据,以及测试电池的第一电池数据;其中,所述第一电池数据包括:电池开路电压、电池交流内阻、电池容量以及电池放电末端温升;所述第二电池数据包括:电池直流内阻;
训练模块,用于利用所述样本电池的第一电池数据和第二电池数据对构建的神经网络进行训练,选择训练误差小于阈值且所述训练误差最小的神经网络作为目标神经网络;
预测模块,用于将所述测试电池的第一电池数据输入到所述目标神经网络中进行学习,预测所述测试电池的第二电池数据。
9.根据权利要求8所述的电池直流内阻测量装置,其特征在于,所述采集模块,具体用于:
按照预设充电标准对待采集的目标电池进行充电至满电状态;其中,所述目标电池为所述样本电池或者所述测试电池;
测量所述满电状态下所述目标电池的电池开路电压和电池交流内阻;
按照预设放电标准对所述目标电池进行放电至预设的截止电压;
采集所述目标电池在放电截止电压时的放电末端温度;
根据所述放电末端温度和当前室温,计算所述目标电池的电池放电末端温升;
测量所述目标电池的电池容量。
10.根据权利要求8所述的电池直流内阻测量装置,其特征在于,所述采集模块,具体用于:
在预设的荷电状态下,分别采用不同的放电电流对所述目标电池放电到相同的时间间隔;其中,不同的放电电流之间存在倍数关系;
测量放电前和放电到所述时间间隔时所述目标电池的电压值,以及所述目标电池每次放电时的电流值;
根据测量到的所述电压值和所述电流值进行线性拟合,得到所述目标电池的电池直流电阻。
11.根据权利要求8所述的电池直流内阻测量装置,其特征在于,还包括:归一化模块,用于在将所述第一电池数据输入到神经网络中之前,对所述第一电池数据进行归一化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710372291.0A CN107037375B (zh) | 2017-05-23 | 2017-05-23 | 电池直流内阻测量方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710372291.0A CN107037375B (zh) | 2017-05-23 | 2017-05-23 | 电池直流内阻测量方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107037375A true CN107037375A (zh) | 2017-08-11 |
CN107037375B CN107037375B (zh) | 2020-07-24 |
Family
ID=59540642
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710372291.0A Active CN107037375B (zh) | 2017-05-23 | 2017-05-23 | 电池直流内阻测量方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107037375B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108919127A (zh) * | 2018-05-17 | 2018-11-30 | 合肥国轩高科动力能源有限公司 | 一种快速统计二次电池不同温度和soc下直流内阻的方法 |
CN109127473A (zh) * | 2018-07-19 | 2019-01-04 | 中航锂电技术研究院有限公司 | 基于等时静置开路电压快速分选梯级利用锂电池的方法 |
CN111814297A (zh) * | 2020-04-30 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 电动汽车电芯单体直流内阻测定方法、电子设备及存储介质 |
WO2020240324A1 (ja) * | 2019-05-24 | 2020-12-03 | 株式会社半導体エネルギー研究所 | 二次電池の内部抵抗の推定方法及び二次電池の異常検知システム |
CN113191081A (zh) * | 2021-04-29 | 2021-07-30 | 浙江吉利控股集团有限公司 | 一种新能源车辆动力电池内阻预测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040207367A1 (en) * | 2003-04-15 | 2004-10-21 | Denso Corporation | Internal condition detection system for a charge accumulating device |
CN101067644A (zh) * | 2007-04-20 | 2007-11-07 | 杭州高特电子设备有限公司 | 蓄电池性能分析专家诊断方法 |
CN103091642A (zh) * | 2013-01-22 | 2013-05-08 | 北京交通大学 | 一种锂电池容量快速估计方法 |
CN104111377A (zh) * | 2014-08-06 | 2014-10-22 | 先进储能材料国家工程研究中心有限责任公司 | 二次电池不同荷电状态下直流内阻的测试方法 |
CN105203969A (zh) * | 2015-10-23 | 2015-12-30 | 南昌航空大学 | 基于修正的rc电池模型的荷电状态估计方法 |
CN105445558A (zh) * | 2015-12-08 | 2016-03-30 | 蔡卓丽 | 检测电池直流内阻的方法 |
CN106033113A (zh) * | 2015-03-19 | 2016-10-19 | 国家电网公司 | 一种储能电池组健康状态评估方法 |
CN106646253A (zh) * | 2016-12-07 | 2017-05-10 | 华南农业大学 | 一种在线辨识电池内部参数的方法 |
-
2017
- 2017-05-23 CN CN201710372291.0A patent/CN107037375B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040207367A1 (en) * | 2003-04-15 | 2004-10-21 | Denso Corporation | Internal condition detection system for a charge accumulating device |
CN101067644A (zh) * | 2007-04-20 | 2007-11-07 | 杭州高特电子设备有限公司 | 蓄电池性能分析专家诊断方法 |
CN103091642A (zh) * | 2013-01-22 | 2013-05-08 | 北京交通大学 | 一种锂电池容量快速估计方法 |
CN104111377A (zh) * | 2014-08-06 | 2014-10-22 | 先进储能材料国家工程研究中心有限责任公司 | 二次电池不同荷电状态下直流内阻的测试方法 |
CN106033113A (zh) * | 2015-03-19 | 2016-10-19 | 国家电网公司 | 一种储能电池组健康状态评估方法 |
CN105203969A (zh) * | 2015-10-23 | 2015-12-30 | 南昌航空大学 | 基于修正的rc电池模型的荷电状态估计方法 |
CN105445558A (zh) * | 2015-12-08 | 2016-03-30 | 蔡卓丽 | 检测电池直流内阻的方法 |
CN106646253A (zh) * | 2016-12-07 | 2017-05-10 | 华南农业大学 | 一种在线辨识电池内部参数的方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108919127A (zh) * | 2018-05-17 | 2018-11-30 | 合肥国轩高科动力能源有限公司 | 一种快速统计二次电池不同温度和soc下直流内阻的方法 |
CN108919127B (zh) * | 2018-05-17 | 2020-12-04 | 合肥国轩高科动力能源有限公司 | 一种快速统计二次电池不同温度和soc下直流内阻的方法 |
CN109127473A (zh) * | 2018-07-19 | 2019-01-04 | 中航锂电技术研究院有限公司 | 基于等时静置开路电压快速分选梯级利用锂电池的方法 |
WO2020240324A1 (ja) * | 2019-05-24 | 2020-12-03 | 株式会社半導体エネルギー研究所 | 二次電池の内部抵抗の推定方法及び二次電池の異常検知システム |
US11906594B2 (en) | 2019-05-24 | 2024-02-20 | Semiconductor Energy Laboratory Co., Ltd. | Method for estimating internal resistance of secondary battery and anomaly detection system of secondary battery |
CN111814297A (zh) * | 2020-04-30 | 2020-10-23 | 北京嘀嘀无限科技发展有限公司 | 电动汽车电芯单体直流内阻测定方法、电子设备及存储介质 |
CN113191081A (zh) * | 2021-04-29 | 2021-07-30 | 浙江吉利控股集团有限公司 | 一种新能源车辆动力电池内阻预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107037375B (zh) | 2020-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107037375A (zh) | 电池直流内阻测量方法及装置 | |
CN107658511B (zh) | 动力锂电池组合方法及动力锂电池配组方法 | |
CN104607395B (zh) | 锂离子电池分选方法 | |
CN104502859B (zh) | 电池荷电量及电池健康状态的检测、诊断方法 | |
US20170115355A1 (en) | Maximum capacity estimator for battery state of health and state of charge determinations | |
CN102183730B (zh) | 电池诊断装置和方法 | |
CN108254696A (zh) | 电池的健康状态评估方法及系统 | |
CN109655754B (zh) | 一种基于充电过程多维分阶的电池性能评估方法 | |
CN108306065A (zh) | 锂离子电池配组方法及锂离子电池配组系统 | |
KR20190136072A (ko) | 이완 전압들에 기반하여 모바일 장치에 대한 배터리 수명을 추정하는 방법 | |
CN107179505A (zh) | 电池健康状态检测装置及方法 | |
CN104391159B (zh) | 电池的单电极电位的检测方法及系统 | |
CN109100655B (zh) | 一种动力电池的数据处理方法和装置 | |
CN109991545B (zh) | 一种电池包电量检测方法、装置及终端设备 | |
US20150369875A1 (en) | Battery state estimating device | |
CN102638071B (zh) | 用于二次电池的充放电装置的系统 | |
CN105548895B (zh) | 一种电池组性能测试方法和装置 | |
CN102879743B (zh) | 锂离子电池剩余电量值实时分析计算法 | |
CN115542186B (zh) | 一种储能电池状态及一致性评价方法、装置、设备及介质 | |
CN109061477A (zh) | 一种电池soc估算算法的验证评价方法与装置 | |
CN106324510B (zh) | 一种电池检测方法和装置 | |
CN109507600A (zh) | 一种退役磷酸铁锂电池梯次利用评估方法 | |
CN105938161A (zh) | 一种电池内阻的测试方法及系统 | |
Jiang et al. | Sorting and grouping optimization method for second-use batteries considering aging mechanism | |
CN114609523A (zh) | 一种电池容量的在线检测方法、电子设备及存储介质 |
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 |