CN107735691B - 一种电池充电性能的快速预测方法及其系统 - Google Patents

一种电池充电性能的快速预测方法及其系统 Download PDF

Info

Publication number
CN107735691B
CN107735691B CN201680025095.XA CN201680025095A CN107735691B CN 107735691 B CN107735691 B CN 107735691B CN 201680025095 A CN201680025095 A CN 201680025095A CN 107735691 B CN107735691 B CN 107735691B
Authority
CN
China
Prior art keywords
charging
point coordinate
depth
actual point
characteristic curve
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.)
Active
Application number
CN201680025095.XA
Other languages
English (en)
Other versions
CN107735691A (zh
Inventor
马艳辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen ZTE Netview Technology Co Ltd
Original Assignee
Shenzhen ZTE Netview Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen ZTE Netview Technology Co Ltd filed Critical Shenzhen ZTE Netview Technology Co Ltd
Publication of CN107735691A publication Critical patent/CN107735691A/zh
Application granted granted Critical
Publication of CN107735691B publication Critical patent/CN107735691B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G01R31/3644—Constructional arrangements
    • G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
    • 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
    • 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

Abstract

一种电池充电性能的快速预测方法及其系统，该方法包括步骤:获取至少两条在不同放电深度的充电时间与特性值之间的充电特性曲线(S11,S2I)，所述特性值包括电池容量、电流、电压中的至少一项；采取所述充电特性曲线中的若干点，并将其转换为实际点坐标(S12，S22)采用预设函数对所述充电特性曲线进行拟合，并根据所述实际点坐标获取所述预设函数的拟合系数(S13，S23)；计算所述放电深度与所述拟合系数之间的关系式(S14，恒的；利用机器学习中的半监督方法预测未知状态，拟合各种放电深度下的充电特性曲线(S2S)。该方法及系统拟合的各种放电深度下的充电特性曲线，能很好的满足容量、电压、电流与放电深度的关系，预测值与实际值的误差基本保持在2％以内，误差很小，满足实际需要。

Description

一种电池充电性能的快速预测方法及其系统
技术领域
本发明涉及电池充电性能预测的技术领域，尤其涉及一种电池充电性能的快速预测方法及其系统。
背景技术
蓄电池充电特性曲线是电池性能的一项重要指标，目标的铅酸电池充电特性曲线预测主要通过连接复杂的控制模块进行测试，这种测试方法复杂且容易受外界因素的影响，不利于掌握蓄电池的充电特性。
公开号CN101639521的中国专利申请介绍了一种电池充电性能测试方法，包括：将测试充电器与测试电池相连，利用第一数字万用表来读取测试电池的电压值，并将读取到的电压值导入测试电脑进行显示，其中，该方法还包括：在所述测试充电器和所述测试电池之间串入一个电阻，利用第二数字万用表来测试所述电阻上的电压值，并将读取到的电压值导入测试电脑进行数据转换，获得相应的性能参数。此种方法需要串连一些元器件，容易受到外界的影响，对测试结果有一定的影响。
公开号CN100392942的中国专利申请介绍了一种对电池充电过程进行控制的装置，包括：微处理器模块、稳压稳流模块、电源管理模块、涓流充电模块，微处理器模块根据电池种类，选取相应的充电特性曲线，定期对充电参数进行采样，微处理器模块将返回的采样信号与相应的充电特性曲线进行比较，判断是否需要改变充电参数，如果需要改变充电参数，则根据充电特性曲线重新设定当前充电参数，调节稳压稳流模块的输出。此种方法需要较多的模块，而且计算复杂。
发明内容
本发明的主要目的在于提出一种电池充电性能的快速预测方法及其系统，旨在一种计算简单、能快速得出结果且误差小的电池充电性能的预测方法。
为实现上述目的，本发明提出一种电池充电性能的快速预测方法，所述方法包括步骤：
获取至少两条在不同放电深度的充电时间与特性值之间的充电特性曲线，所述特性值包括电池容量、电流、电压中的至少一项；
采取所述充电特性曲线中的若干点，并将其转换为实际点坐标；
采用预设函数对所述充电特性曲线进行拟合，并根据所述实际点坐标获取所述预设函数的拟合系数；
计算所述放电深度与所述拟合系数之间的关系式；
利用机器学习中的半监督方法预测未知状态，拟合各种放电深度下的充电特性曲线。
可选地，所述采取所述充电特性曲线中的若干点，并将其转换为实际点坐标包括：
若某一充电特性曲线上的若干点的坐标为
(x′1、y′1)、......、(x′i、y′i)、......、(x′n、y′n)；且(x′1、y′1)对应实际点坐标为(x1、y1):(x′n、y′n)对应实际点坐标为(xn、yn)；则(x′i、y′i)对应的实际点坐标 (xi、yi)为：
xi＝(x′i-x′1)/(x′n-x′1)*(xn-x1)；yi＝(y′i-y′1)/(y′n-y′1)*(yn-y1)。
可选地，所述采用预设函数对所述充电特性曲线进行拟合，并根据所述实际点坐标获取所述预设函数的拟合系数包括以下至少一项：
采用多项式函数y＝p1*x2+p2*x+p3拟合电压曲线，并根据所述实际点坐标获取所述多项式函数的拟合系数；其中，x表示充电时间，y表示电压，p1、 p2、p3为拟合系数；
采用指数函数y＝a*eb*x+c*ed*x拟合电流曲线，并根据所述实际点坐标获取所述指数函数的拟合系数；其中，x表示充电时间，y表示电流，a、b、c、d 为拟合系数。
可选地，所述计算所述放电深度与所述拟合系数之间的关系式包括：
在相同的充电时间下，获取放电深度为DOD1下的特性值对应的实际点坐标y1与放电深度为DOD2下的特性值对应的实际点坐标y2；
计算在所述相同的充电时间下放电深度为i的特性值对应的实际点坐标 yi；其中，DOD1＜i＜DOD2：
yi＝y1-(y1-y2)*(i-DOD1)/DOD1。
可选地，所述利用机器学习中的半监督方法预测未知状态，拟合各种放电深度下的充电特性曲线之后，所述方法还包括：
在最小二乘法准则下用采样点对每条新拟合的充电特性曲线；若误差超过预设阈值，则重新调整所述拟合系数。
此外，为实现上述目的，本发明还提供一种电池充电性能的快速预测系统，包括：
获取单元，设置为获取至少两条在不同放电深度的充电时间与特性值之间的充电特性曲线，所述特性值包括电池容量、电流、电压中的至少一项；
坐标转换单元，设置为采取所述充电特性曲线中的若干点，并将其转换为实际点坐标；
函数拟合单元，设置为采用预设函数对所述充电特性曲线进行拟合，并根据所述实际点坐标获取所述预设函数的拟合系数；
计算单元，设置为计算所述放电深度与所述拟合系数之间的关系式；
预测单元，设置为利用机器学习中的半监督方法预测未知状态，拟合各种放电深度下的充电特性曲线。
可选地，所述坐标转换单元设置为若某一充电特性曲线上的若干点的坐标为 且(x′1、y′1)对应实际点坐标为 (x1、y1)；(x′n、y′n)对应实际点坐标为(xn、yn)；则(x′i、y′i)对应的实际点坐标 (xi、yi)为：
xi＝(x′i-x′1)/(x′n-x′1)*(xn-x1)；yi＝(y′i-y′1)/(y′n-y′1)*(yn-y1)。
可选地，所述函数拟合单元设置为以下至少一项：
采用多项式函数y＝p1*x2+p2*x+p3拟合电压曲线，并根据所述实际点坐标获取所述多项式函数的拟合系数；其中，x表示充电时间，y表示电压，p1、 p2、p3为拟合系数；
采用指数函数y＝a*eb*x+c*ed*x拟合电流曲线，并根据所述实际点坐标获取所述指数函数的拟合系数；其中，x表示充电时间，y表示电流，a、b、c、d 为拟合系数。
可选地，所述计算单元设置为：
在相同的充电时间下，获取放电深度为DOD1下的特性值对应的实际点坐标y1与放电深度为DOD2下的特性值对应的实际点坐标y2；
计算在所述相同的充电时间下放电深度为i的特性值对应的实际点坐标 yi；其中，DOD1＜i＜DOD2：
yi＝y1-(y1-y2)*(i-DOD1)/DOD1。
可选地，还包括测试调整单元，设置为在最小二乘法准则下用采样点对每条新拟合的充电特性曲线；若误差超过预设阈值，则重新调整所述拟合系数。
本发明提出的电池充电性能的快速预测方法及其系统，尤其适设置为铅酸蓄电池的充电性能预测，得到的新拟合的充电特性曲线能很好的满足容量、电压、电流与DOD的关系，预测值与实际值的误差基本保持在2％以内，误差很小，满足实际需要。
附图说明
图1为本发明实施例的电池充电性能的快速预测方法的流程示意图；
图2为通过实验获取的蓄电池的充电特性曲线的示意图；
图3为图2充电特性曲线中电池容量曲线在四种不同放电深度下的部分实际值；
图4为本发明另一实施例的电池充电性能的快速预测方法的流程示意图；
图5为本发明实施例的使用多项式函数在放电深度为100％状态下的电压的拟合曲线的示意图；
图6为本发明实施例的使用指数函数在放电深度为100％状态下的电流的拟合曲线的示意图；
图7为本发明实施例的蓄电池在不同放电深度下的充电特性曲线中容量曲线的示意图；
图8为本发明实施例的蓄电池在不同放电深度下的充电特性曲线中电压曲线的示意图；
图9为本发明实施例的蓄电池在不同放电深度下的充电特性曲线中电流曲线的示意图；
图10为本发明实施例的电池充电性能的快速预测系统的结构示意图；
图11为本发明另一实施例的电池充电性能的快速预测系统的结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身并没有特定的意义。因此，"模块"与" 部件"可以混合地使用。
如图1所示，本发明第一实施例提供一种电池充电性能的快速预测方法，包括步骤：
S11、获取至少两条在不同放电深度的充电时间与特性值之间的充电特性曲线，所述特性值包括电池容量、电流、电压中的至少一项；
上述充电特性曲线可以通过实验获得，如图2所示，可见，该图中电池容量曲线不平滑，采用函数拟合方法不能很好的拟合及预测出电池容量的所有曲线；本实施例中，采用加权法采集图中给出的充电特性曲线的点，然后利用平均法预测出其他充电特性曲线的点，即可得到不同放电深度下的充电特性曲线；
在具体实施时，可以分别获取放电深度为25％、50％、75％及100％的充电特性曲线；
S12、采取所述充电特性曲线中的若干点，并将其转换为实际点坐标；
请同时参照图3，图3为图2充电特性曲线中电池容量曲线在放电深度为 25％、50％、75％及100％下的部分实际值；
S13、采用预设函数对所述充电特性曲线进行拟合，并根据所述实际点坐标获取所述预设函数的拟合系数；
需要说明的是，根据不同的特性值，可以采取不同的预设函数，例如可以采用多项式函数拟合充电特性曲线中的电压曲线，采用指数函数拟合充电特性曲线中的电流曲线；
S14、计算所述放电深度与所述拟合系数之间的关系式；
S15、利用机器学习中的半监督方法预测未知状态，拟合各种放电深度下的充电特性曲线；
更具体地，利用机器学习中的半监督方法预测未知状态，即可得到蓄电池其他放电深度下的容量特性曲线，如图7所示；利用上述步骤拟合系数以及拟合系数与放电深度之间的关系，可以预测得到其他放电深度下的充电特性曲线中的电压曲线与电流曲线，分别如图8、图9所示。经过试验验证：预测的充电特性曲线能很好的满足蓄电池的充电性能，预测值与实际值的误差基本保持在2％以内，误差很小，满足实际需要。
如图4所示，本发明第二实施例提供一种电池充电性能的快速预测方法，包括的步骤S21至S25与第一实施例中提及的S11至S15相同，具体如上所述，此处不再赘述。
不同的是，本实施例中，在步骤S25之后，所述方法还包括：
S26、在最小二乘法准则下用采样点对每条新拟合的充电特性曲线；若误差超过预设阈值，则重新调整所述拟合系数。
该预设阈值例如是2％。
本发明第三实施例提供一种电池充电性能的快速预测方法，包括的步骤与第一实施例中提及的S11至S15或与第二实施例中提及的步骤S21至S26 相同，具体如上所述，此处不再赘述。
不同的是，本实施例中，步骤S12或S22，即所述采取所述充电特性曲线中的若干点，并将其转换为实际点坐标具体包括：
若某一放电深度下的充电特性曲线上的若干点的坐标为 (x′1、y′1)、......、(x′i、y′i)、......、(x′n、y′n)；且(x′1、y′1)对应实际点坐标为(x1、y1)； (x′n、y′n)对应实际点坐标为(xn、yn)；则(x′i、y′i)对应的实际点坐标(xi、yi) 为：
xi＝(x′i-x′1)/(x′n-x′1)*(xn-x1)；yi＝(y′i-y′1)/(y′n-y′1)*(yn-y1)；
xi表示充电时间，yi表示电压或电流。
其中，在确定上述若干点的坐标时，可以将充电时间对应的轴线上的0-9 按数量级0.1均分，9之后取值9.1、9.4、9.8、10.1、11.6、12.1、14.4、17.4，将这些实际值转换成坐标点的值(x1′)、……、(xi′)、……、(xn′)，采集对应的纵坐标值，并组成坐标点(x1′、y1′)、……、(xi′、yi′)、……、 (xn′、xn′)。上述对应的纵坐标值可以是电流值也可以是电压值。
本发明第四实施例提供一种电池充电性能的快速预测方法，包括的步骤与第一实施例中提及的S11至S15或与第二实施例中提及的步骤S21至S26 相同，具体如上所述，此处不再赘述。
不同的是，本实施例中，步骤S13或S23，所述采用预设函数对所述充电特性曲线进行拟合，并根据所述实际点坐标获取所述预设函数的拟合系数包括以下至少一项：
采用多项式函数y＝p1*x2+p2*x+p3拟合电压曲线，并根据所述实际点坐标获取所述多项式函数的拟合系数；其中，x表示充电时间，y表示电压，p1、 p2、p3为拟合系数；请参照图5，图5为电压在放电深度为100％状态下的拟合曲线；
采用指数函数y＝a*eb*x+c*ed*x拟合电流曲线，并根据所述实际点坐标获取所述指数函数的拟合系数；其中，x表示充电时间，y表示电流，a、b、c、d 为拟合系数；请参照图6，图6为电流在放电深度为100％状态下的拟合曲线。
由于不同放电深度下的拟合系数是不同的，因此，每一放电深度下的拟合系数需要分别进行计算。
此外，还可以更加电池容量实际值与放电深度(DOD)的对应关系，分别求出其他放电深度下(不包含25％、50％、75％、100％)时间点所对应的实际值。
本发明第五实施例提供一种电池充电性能的快速预测方法，包括的步骤与第一实施例中提及的S11至S15或与第二实施例中提及的步骤S21至S26 相同，具体如上所述，此处不再赘述。
不同的是，本实施例中，步骤S14或S24，所述计算所述放电深度与所述拟合系数之间的关系式包括：
在相同的充电时间下，获取放电深度为DOD1下的特性值对应的实际点坐标y1与放电深度为DOD2下的特性值对应的实际点坐标y2；
计算在所述相同的充电时间下放电深度为i的特性值对应的实际点坐标 yi；其中，DOD1＜i＜DOD2：
yi＝y1-(y1-y2)*(i-DOD1)/DOD1。
例如，在相同的充电时间下，放电深度为25％的这条充电特性曲线中电压曲线的纵坐标实际值为y25，放电深度为50％这条充电特性曲线中电压曲线的纵坐标实际值为y50，则放电深度为26％至49％之间的电压曲线的纵坐标实际值可以采用以下公式进行计算。
yi＝y25-(y25-y50)*(i-25)/25(i＝26、27、28……49)
利用上述公式即可得到放电深度为26％至49％对应的实际值，同理可得其他放电深度下的实际值。电压和放电深度之间有一次函数关系，可得25％、 50％、75％及100％曲线拟合系数值与放电深度之间的关系式。同理可得电流拟合曲线值与放电深度之间的关系式。
上面对本发明实施例中的电池充电性能的快速预测方法进行了描述，下面对本发明实施例中的电池充电性能的快速预测系统进行描述。
如图10所示，本发明第六实施例提出一种电池充电性能的快速预测系统，包括获取单元10、坐标转换单元20、函数拟合单元30、计算单元40、预测单元50。
其中，获取单元10设置为获取至少两条在不同放电深度的充电时间与特性值之间的充电特性曲线，所述特性值包括电池容量、电流、电压中的至少一项；上述充电特性曲线可以通过实验获得，如图2所示，可见，该图中电池容量曲线不平滑，采用函数拟合方法不能很好的拟合及预测出电池容量的所有曲线；本实施例中，采用加权法采集图中给出的充电特性曲线的点，然后利用平均法预测出其他充电特性曲线的点，即可得到不同放电深度下的充电特性曲线；在具体实施时，可以分别获取放电深度为25％、50％、75％及 100％的充电特性曲线。
坐标转换单元20设置为采取所述充电特性曲线中的若干点，并将其转换为实际点坐标；请同时参照图3，图3为图2充电特性曲线中电池容量曲线在放电深度为25％、50％、75％及100％下的部分实际值。
函数拟合单元30设置为采用预设函数对所述充电特性曲线进行拟合，并根据所述实际点坐标获取所述预设函数的拟合系数；需要说明的是，根据不同的特性值，可以采取不同的预设函数，例如可以采用多项式函数拟合充电特性曲线中的电压曲线，采用指数函数拟合充电特性曲线中的电流曲线。
计算单元40设置为计算所述放电深度与所述拟合系数之间的关系式；
预测单元50设置为利用机器学习中的半监督方法预测未知状态，拟合各种放电深度下的充电特性曲线。更具体地，利用机器学习中的半监督方法预测未知状态，即可得到蓄电池其他放电深度下的容量特性曲线，如图7所示；利用上述步骤拟合系数以及拟合系数与放电深度之间的关系，可以预测得到其他放电深度下的充电特性曲线中的电压曲线与电流曲线，分别如图8、图9 所示。经过试验验证：预测的充电特性曲线能很好的满足蓄电池的充电性能，预测值与实际值的误差基本保持在2％以内，误差很小，满足实际需要。
如图11所示，本发明第七实施例提出一种电池充电性能的快速预测系统，包括获取单元10、坐标转换单元20、函数拟合单元30、计算单元40、预测单元50。
本实施例中的获取单元10、坐标转换单元20、函数拟合单元30、计算单元40、预测单元50与上述第六实施例中的获取单元10、坐标转换单元20、函数拟合单元30、计算单元40、预测单元50相同，具体如上所述，此处不再赘述。
不同的是，本实施例中，还包括测试调整单元60，设置为在最小二乘法准则下用采样点对每条新拟合的充电特性曲线；若误差超过预设阈值，则重新调整所述拟合系数；该预设阈值例如是2％。
本发明第八实施例提出一种电池充电性能的快速预测系统，包括获取单元10、坐标转换单元20、函数拟合单元30、计算单元40、预测单元50。
本实施例中的获取单元10、坐标转换单元20、函数拟合单元30、计算单元40、预测单元50与上述第六实施例中的获取单元10、坐标转换单元20、函数拟合单元30、计算单元40、预测单元50相同，具体如上所述，此处不再赘述。
不同的是，本实施例中，所述坐标转换单元20设置为若某一充电特性曲线上的若干点的坐标为(x′1、y′1)、......、(x′i、y′i)、......、(x′n、y′n)；且(x′1、y′1)对应实际点坐标为(x1、y1)；(x′n、y′n)对应实际点坐标为(xn、yn)；则(x′i、y′i)对应的实际点坐标(xi、yi)为：
xi＝(x′i-x′1)/(x′n-x′1)*(xn-x1)；yi＝(y′i-y′1)/(y′n-y′1)*(yn-y1)。
xi表示充电时间，yi表示电压或电流。
其中，在确定上述若干点的坐标时，可以将充电时间对应的轴线上的0-9 按数量级0.1均分，9之后取值9.1、9.4、9.8、10.1、11.6、12.1、14.4、17.4，将这些实际值转换成坐标点的值(x1′)、……、(xi′)、……、(xn′)，采集对应的纵坐标值，并组成坐标点(x1′、y1′)、……、(xi′、yi′)、……、 (xn′、xn′)。上述对应的纵坐标值可以是电流值也可以是电压值。
在本发明的另一实施例中，还可以包括如第七实施例中所述的测试调整单元，具体如上所示，不再赘述。
本发明第九实施例提出一种电池充电性能的快速预测系统，包括获取单元10、坐标转换单元20、函数拟合单元30、计算单元40、预测单元50。
本实施例中的获取单元10、坐标转换单元20、函数拟合单元30、计算单元40、预测单元50与上述第六实施例中的获取单元10、坐标转换单元20、函数拟合单元30、计算单元40、预测单元50相同，具体如上所述，此处不再赘述。
不同的是，本实施例中，所述函数拟合单元30设置为以下至少一项：
采用多项式函数y＝p1*x2+p2*x+p3拟合电压曲线，并根据所述实际点坐标获取所述多项式函数的拟合系数；其中，x表示充电时间，y表示电压，p1、 p2、p3为拟合系数；请参照图5，图5为电压在放电深度为100％状态下的拟合曲线；
采用指数函数y＝a*eb*x+c*ed*x拟合电流曲线，并根据所述实际点坐标获取所述指数函数的拟合系数；其中，x表示充电时间，y表示电流，a、b、c、d 为拟合系数；请参照图6，图6为电流在放电深度为100％状态下的拟合曲线。
由于不同放电深度下的拟合系数是不同的，因此，每一放电深度下的拟合系数需要分别进行计算。
此外，还可以更加电池容量实际值与放电深度(DOD)的对应关系，分别求出其他放电深度下(不包含25％、50％、75％、100％)时间点所对应的实际值。
在本发明的另一实施例中，还可以包括如第七实施例中所述的测试调整单元，具体如上所示，不再赘述。
本发明第十实施例提出一种电池充电性能的快速预测系统，包括获取单元10、坐标转换单元20、函数拟合单元30、计算单元40、预测单元50。
本实施例中的获取单元10、坐标转换单元20、函数拟合单元30、计算单元40、预测单元50与上述第六实施例中的获取单元10、坐标转换单元20、函数拟合单元30、计算单元40、预测单元50相同，具体如上所述，此处不再赘述。
不同的是，本实施例中，所述计算单元设置为：
在相同的充电时间下，获取放电深度为DOD1下的特性值对应的实际点坐标y1与放电深度为DOD2下的特性值对应的实际点坐标y2；
计算在所述相同的充电时间下放电深度为i的特性值对应的实际点坐标 yi；其中，DOD1＜i＜DOD2：
yi＝y1-(y1-y2)*(i-DOD1)/DOD1。
例如，在相同的充电时间下，放电深度为25％的这条充电特性曲线中电压曲线的纵坐标实际值为y25，放电深度为50％这条充电特性曲线中电压曲线的纵坐标实际值为y50，则放电深度为26％至49％之间的电压曲线的纵坐标实际值可以采用以下公式进行计算。
yi＝y25-(y25-y50)*(i-25)/25(i＝26、27、28……49)
利用上述公式即可得到放电深度为26％至49％对应的实际值，同理可得其他放电深度下的实际值。电压和放电深度之间有一次函数关系，可得25％、 50％、75％及100％曲线拟合系数值与放电深度之间的关系式。同理可得电流拟合曲线值与放电深度之间的关系式。
在本发明的另一实施例中，还可以包括如第七实施例中所述的测试调整单元，具体如上所示，不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
工业实用性
本发明提供的电池充电性能的快速预测方法及其系统，通过坐标的转换，针对不同特性值采取不同预设函数，并计算拟合系数以及拟合系数与放电深度之间的关系，结合机器学习中的半监督方法预测未知状态，进而拟合各种放电深度下的充电特性曲线，不仅测试简单，且误差小，能很好的满足容量、电压、电流与放电深度的关系，预测值与实际值的误差基本保持在2％以内，误差很小，满足实际需要。

Claims (10)

1.一种电池充电性能的快速预测方法，所述方法包括步骤：
获取至少两条在不同放电深度的充电时间与特性值之间的充电特性曲线，所述特性值包括电池容量、电流、电压中的至少一项；
采取所述充电特性曲线中的若干点，并将其转换为实际点坐标；
采用预设函数对所述充电特性曲线进行拟合，并根据所述实际点坐标获取所述预设函数的拟合系数；
计算所述放电深度与所述拟合系数之间的关系式；
利用机器学习中的半监督方法预测未知状态，拟合各种放电深度下的充电特性曲线。
2.根据权利要求1所述电池充电性能的快速预测方法，其中，所述采取所述充电特性曲线中的若干点，并将其转换为实际点坐标包括：
若某一充电特性曲线上的若干点的坐标为(x′1、y′1)、......、(x′i、y′i)、......、(x′n、y′n)；且(x′1、y′1)对应实际点坐标为(x1、y1)；(x′n、y′n)对应实际点坐标为(xn、yn)；则(x′i、y′i)对应的实际点坐标(xi、yi)为：
xi＝(x′i-x′1)/(x′n-x′1)*(xn-x1)；yi＝(y′i-y′1)/(y′n-y′1)*(yn-y1)。
3.根据权利要求1所述电池充电性能的快速预测方法，其中，所述采用预设函数对所述充电特性曲线进行拟合，并根据所述实际点坐标获取所述预设函数的拟合系数包括以下至少一项：
采用多项式函数y＝p1*x2+p2*x+p3拟合电压曲线，并根据所述实际点坐标获取所述多项式函数的拟合系数；其中，x表示充电时间，y表示电压，p1、p2、p3为拟合系数；
采用指数函数y＝a*eb*x+c*ed*x拟合电流曲线，并根据所述实际点坐标获取所述指数函数的拟合系数；其中，x表示充电时间，y表示电流，a、b、c、d为拟合系数。
4.根据权利要求1所述电池充电性能的快速预测方法，其中，所述计算所述放电深度与所述拟合系数之间的关系式包括：
在相同的充电时间下，获取放电深度为DOD1下的特性值对应的实际点坐标y1与放电深度为DOD2下的特性值对应的实际点坐标y2；
计算在所述相同的充电时间下放电深度为i的特性值对应的实际点坐标yi；其中，DOD1＜i＜DOD2：
yi＝y1-(y1-y2)*(i-DOD1)/DOD1。
5.根据权利要求1所述电池充电性能的快速预测方法，其中，所述利用机器学习中的半监督方法预测未知状态，拟合各种放电深度下的充电特性曲线之后，所述方法还包括：
在最小二乘法准则下用采样点对每条新拟合的充电特性曲线；若误差超过预设阈值，则重新调整所述拟合系数。
6.一种电池充电性能的快速预测系统，包括：
获取单元，设置为获取至少两条在不同放电深度的充电时间与特性值之间的充电特性曲线，所述特性值包括电池容量、电流、电压中的至少一项；
坐标转换单元，设置为采取所述充电特性曲线中的若干点，并将其转换为实际点坐标；
函数拟合单元，设置为采用预设函数对所述充电特性曲线进行拟合，并根据所述实际点坐标获取所述预设函数的拟合系数；
计算单元，设置为计算所述放电深度与所述拟合系数之间的关系式；
预测单元，设置为利用机器学习中的半监督方法预测未知状态，拟合各种放电深度下的充电特性曲线。
7.根据权利要求6所述电池充电性能的快速预测系统，其中，所述坐标转换单元设置为若某一充电特性曲线上的若干点的坐标为(x′1、y′1)、......、(x′i、y′i)、......、(x′n、y′n)；且(x′1、y′1)对应实际点坐标为(x1、y1)；(x′n、y′n)对应实际点坐标为(xn、yn)；则(x′i、y′i)对应的实际点坐标(xi、yi)为：
xi＝(x′i-x′1)/(x′n-x′1)*(xn-x1)；yi＝(y′i-y′1)/(y′n-y′1)*(yn-y1)。
8.根据权利要求6所述电池充电性能的快速预测系统，其中，所述函数拟合单元设置为以下至少一项：
采用多项式函数y＝p1*x2+p2*x+p3拟合电压曲线，并根据所述实际点坐标获取所述多项式函数的拟合系数；其中，x表示充电时间，y表示电压，p1、p2、p3为拟合系数；
采用指数函数y＝a*eb*x+c*ed*x拟合电流曲线，并根据所述实际点坐标获取所述指数函数的拟合系数；其中，x表示充电时间，y表示电流，a、b、c、d为拟合系数。
9.根据权利要求6所述电池充电性能的快速预测系统，其中，所述计算单元设置为：
在相同的充电时间下，获取放电深度为DOD1下的特性值对应的实际点坐标y1与放电深度为DOD2下的特性值对应的实际点坐标y2；
计算在所述相同的充电时间下放电深度为i的特性值对应的实际点坐标yi；其中，DOD1＜i＜DOD2：
yi＝y1-(y1-y2)*(i-DOD1)/DOD1。
10.根据权利要求6所述电池充电性能的快速预测系统，其中，还包括测试调整单元，设置为在最小二乘法准则下用采样点对每条新拟合的充电特性曲线；若误差超过预设阈值，则重新调整所述拟合系数。
CN201680025095.XA 2016-12-23 2016-12-23 一种电池充电性能的快速预测方法及其系统 Active CN107735691B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/CN2016/111703 WO2018112881A1 (zh) 2016-12-23 2016-12-23 一种电池充电性能的快速预测方法及其系统

Publications (2)

Publication Number Publication Date
CN107735691A CN107735691A (zh) 2018-02-23
CN107735691B true CN107735691B (zh) 2018-12-18

Family

ID=61201301

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680025095.XA Active CN107735691B (zh) 2016-12-23 2016-12-23 一种电池充电性能的快速预测方法及其系统

Country Status (2)

Country Link
CN (1) CN107735691B (zh)
WO (1) WO2018112881A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112528211B (zh) * 2020-12-17 2022-12-20 中电科思仪科技(安徽)有限公司 一种太阳能电池iv曲线的拟合方法
CN112946498B (zh) * 2021-01-29 2023-05-23 蜂巢能源科技有限公司 电动势曲线的获得方法和装置、及处理器
CN114253135B (zh) * 2021-12-13 2024-03-26 深圳智现未来工业软件有限公司 基于机器学习的芯片性能参数测试方法和装置
CN115060320B (zh) * 2022-06-20 2023-09-29 武汉涛初科技有限公司 一种基于机器视觉的动力锂电池生产质量在线监测分析系统
CN115544813A (zh) * 2022-11-29 2022-12-30 苏州易来科得科技有限公司 电池电性能的计算方法
CN115792653B (zh) * 2023-02-02 2023-05-05 斯润天朗（北京）科技有限公司 锂电池电压曲线的回归拟合方法、装置及计算机设备

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN100392942C (zh) * 2005-10-31 2008-06-04 中兴通讯股份有限公司 一种对电池充电过程进行控制的装置及方法
CN101122631A (zh) * 2007-08-17 2008-02-13 中兴通讯股份有限公司 测试电池充电效果及电子产品功耗的方法及装置
JP4884404B2 (ja) * 2007-09-07 2012-02-29 日立ビークルエナジー株式会社 二次電池の内部情報検知方法及び装置
EP2053414B1 (en) * 2007-09-07 2013-07-03 Hitachi Vehicle Energy, Ltd. Method and apparatus for detecting internal information of secondary battery
CN101639521A (zh) * 2008-08-01 2010-02-03 比亚迪股份有限公司 一种电池充电性能的测试方法和系统
CN101819259B (zh) * 2010-05-06 2012-08-22 惠州市亿能电子有限公司 电池组充电曲线修正方法
US9236748B2 (en) * 2012-08-30 2016-01-12 Texas Instruments Incorporated Method and apparatus of charging the battery with globally minimized integral degradation possible for predefined charging duration
CN105891716A (zh) * 2014-12-15 2016-08-24 广西大学 一种电池特性参数测试装置

Also Published As

Publication number Publication date
WO2018112881A1 (zh) 2018-06-28
CN107735691A (zh) 2018-02-23

Similar Documents

Publication Publication Date Title
CN107735691B (zh) 一种电池充电性能的快速预测方法及其系统
Zhang et al. A comparative study of equivalent circuit models of ultracapacitors for electric vehicles
EP2963434B1 (en) Battery state estimation method and system using dual extended kalman filter, and recording medium for performing the method
CN109073710B (zh) 用于电热电池模型的生成与使用的系统及方法
CN103399276B (zh) 一种锂离子电池容量估计及剩余循环寿命预测方法
US7996167B2 (en) Apparatus and method for estimating resistance characteristics of battery based on open circuit voltage estimated by battery voltage variation pattern
Ting et al. Tuning of Kalman filter parameters via genetic algorithm for state-of-charge estimation in battery management system
CN110573892B (zh) 用于估计电池等效电路模型的参数的方法、装置和记录介质
CN108603918B (zh) 测试电池单体的性能的装置和方法
CN104049213A (zh) 使用离散小波变换预测电池包的状态的方法和设备
Li et al. A new parameter estimation algorithm for an electrical analogue battery model
CN103733081B (zh) 一种用于确定蓄电池的最大可用的恒定电流的方法
JP6171897B2 (ja) 近似関数作成プログラム、近似関数作成方法、近似関数作成装置および充電率推定プログラム
Mian Qaisar A proficient Li-ion battery state of charge estimation based on event-driven processing
Saxena et al. A novel approach for electrical circuit modeling of Li-ion battery for predicting the steady-state and dynamic I–V characteristics
CN105277894A (zh) 估计电池的荷电状态的方法与系统
Lavety et al. A dynamic battery model and parameter extraction for discharge behavior of a valve regulated lead-acid battery
CN104237792B (zh) 电池容量预测方法
KR101835377B1 (ko) 다변량 웨이블릿 변환 기반의 배터리팩 충전상태 추정 방법 및 그 장치
CN106680722B (zh) 一种实时在线预测ocv-soc曲线的方法和装置
JP6287125B2 (ja) 関数作成プログラム、関数作成方法、関数作成装置および充電率推定プログラム
Luzi et al. A PSO algorithm for transient dynamic modeling of lithium cells through a nonlinear RC filter
Lukic et al. Novel parameter identification method for lithium-ion batteries based on curve fitting
KR20230028017A (ko) 시변 부하전류 상황에 강인한 리튬 이온 배터리의 모델 기반 충전 상태 추정 장치 및 방법
KR20150034593A (ko) 전지 충전 상태 추정 방법 및 장치

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