CN108064391A - 一种电池循环寿命的快速预测方法及其快速预测装置 - Google Patents
一种电池循环寿命的快速预测方法及其快速预测装置 Download PDFInfo
- Publication number
- CN108064391A CN108064391A CN201680025104.5A CN201680025104A CN108064391A CN 108064391 A CN108064391 A CN 108064391A CN 201680025104 A CN201680025104 A CN 201680025104A CN 108064391 A CN108064391 A CN 108064391A
- Authority
- CN
- China
- Prior art keywords
- depth
- dod
- condition line
- discharge
- fitting coefficient
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000006870 function Effects 0.000 claims abstract description 18
- 238000010801 machine learning Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims description 23
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 8
- 229910001416 lithium ion Inorganic materials 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 238000010998 test method Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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]
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N99/00—Subject matter not provided for in other groups of this subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Secondary Cells (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
一种电池循环寿命的快速预测方法及装置,该方法包括:获取n条不同放电深度下电池容量与循环次数的状态线(S11);采集状态线上的若干采集点(S12);将采集点的采集坐标转换成实际坐标(x,y)(S13),其中,y为电池容量x为循环次数:在最小二乘法准则下选用指数函数y=100‑(a*eb*x+c*ed*x)进行状态线的拟合,将每条放电深度下状态线上的至少4个采集点的实际坐标代入至函数中,得到该放电深度下状态线对应的拟合系数a、b、c、d的值(S14);获取拟合系数与放电深度的之间的关系式(S15);利用机器学习中的半监督方法预测未知状态,获取新拟合的状态线(S16)。该方法预测的状态线能很好地拟合在不同放电深度下的容量和循环次数关系,预测值与实际值的误差很小,满足实际需要。
Description
技术领域
本发明涉及电池循环寿命测试技术领域,尤其涉及一种电池循环寿命的快速预测方法及其快速预测装置。
背景技术
电池循环寿命是电池性能一项重要指标,目前的铅酸电池循环寿命测试主要通过设置极端测试条件(常温循环、低温循环、高温循环测试等)对电池进行加速寿命测试,然而加速测试寿命结果和常规寿命测试结果没有明确的定量对应关系。如果不使用加速寿命测试方法,按照国家标准推荐测试方法,则测试时间过长,不利于企业发展。
公开号CN102135603A的中国专利申请介绍了一种电池循环寿命估测装置,包含一量测单元、一观测器单元、一适应性参数单元、一内电压估测单元、一开路电压估测单元、一电池循环寿命计算单元以及一电池残留电量估测器,该量测单元用以量测电池的工作电流、工作电压及工作温度,该观测器单元可观测电池输出端及电池RC并联电路电压,该适应性参数单元可对电池进行参数值更新,该内电压估测单元可对该电池的RC并联电路的内电压进行估测,该开路电压估测单元可计算该电池的静态开路电压,该电池循环寿命计算单元可计算电池循环寿命值,该电池残留电量估测器可估测电池残留电量值。此种方法需要搭建复杂的硬件,而且测试点过多,容易受到外界的影响,对测试结果有一定的影响。
公开号CN103399281A的中国专利申请介绍了一种基于循环寿命退化阶段参数的ND-AR模型和EKF方法的锂离子电池循环寿命预测方法,涉及一种锂离子电池循环寿命预测方法,本发明在线测量待测锂电池的容量数据,保存数据并对所述数据进行预处理;基于EKF方法确定在线锂离子电池经验退化模型的参数;利用预处理后的数据采用融合自回归系数求取方法确定在线电池的AR模型;与待测锂离子电池同型号的电池进行离线状态模拟在线条件充放电测试,对待预测的锂离子电池与待测锂离子电池同型号的电池的容量退化模型进行关联性分析,将每一个充放电循环的电池容量数据与待测锂离子电池的失效阈值比较获取RUL,完成锂离子电池循环寿命预测。此种方法数学模型复杂,需要在线学习,才能离线测试。
因此,如何利用简单的测试方法取得良好的测试效果是本领域追求的目标。
发明内容
本发明的主要目的在于提出一种电池循环寿命的快速预测方法及其快速预测装置,旨在为电池循环寿命的预测提供快速的方法并取得良好的效果。
为实现上述目的,本发明提出一种电池循环寿命的快速预测方法,其特征在于,包括步骤:
获取n条不同放电深度下电池容量与循环次数的状态线;
采集所述状态线上的若干采集点;
将所述采集点的采集坐标转换成实际坐标(x,y),其中,y为电池容量,x为循环次数;
在最小二乘法准则下选用指数函数y=100-(a*eb*x+c*ed*x)进行所述状态线的拟合,将每条放电深度下状态线上的至少4个所述采集点的实际坐标代入至所述函数中,得到所述该放电深度下状态线对应的拟合系数a、b、c、d的值;
获取所述拟合系数与所述放电深度的之间的关系式;
利用机器学习中的半监督方法预测未知状态,获取新拟合的状态线。
可选地,所述利用机器学习中的半监督方法预测未知状态预测得到其他的状态线之后,所述方法还包括:
在最小二乘法准则下用采样点对每条所述新拟合的状态线进行测试;若误差超过预设阈值,则重新调整所述新拟合的状态线对应的拟合系数。
可选地,所述获取n条不同放电深度下电池容量与循环次数的状态线包括:
分别获取放电深度为30%、50%、80%、100%的电池容量与循环次数的状态线。
可选地,所述将所述采集点的采集坐标转换成实际坐标包括:
若某一状态线上采集点坐标为采集点的坐标为x'n y'n;且对应实际点坐标为 对应实际点坐标为则对应的实际点坐标为:
xi=(xi'-x1')/(x'n-x1')*(xn-x1);yi=(yi'-y1')/(y'n-y1')*(yn-y1)。
可选地,所述获取所述拟合系数与所述放电深度的之间的关系式包括:
将(a1,DOD1)以及(a2,DOD2)代入关系式中,得出ma和na;其中,a1是放电深度为DOD1的状态线对应的拟合系数a;a2是放电深度为DOD2的状态线对应的拟合系数a;
将(b1,DOD1)以及(b2,DOD2)代入关系式中,得出mb和nb;其中,b1是放电深度为DOD1的状态线对应的拟合系数b;b2是放电深度为DOD2的状态线对应的拟合系数b;
将(c1,DOD1)以及(c2,DOD2)代入关系式中,得出mc和nc;其中,c1是放电深度为DOD1的状态线对应的拟合系数c;c2是放电深度为DOD2的状态线对应的拟合系数c;
将(d1,DOD1)以及(d2,DOD2)代入关系式中,得出md和nd;其中,d1是放电深度为DOD1的状态线对应的拟合系数d;d2是放电深度为DOD2的状态线对应的拟合系数d。
优选地,根据所述不同放电深度下的ai、bi、ci、di预测得到在DOD1和DOD2放电深度之间其他放电深度DODi下的状态线
此外,为实现上述目的,本发明还提供一种电池循环寿命的快速预测装置,其特征在于,包括:
状态线获取单元,用于获取n条不同放电深度下电池容量与循环次数的状态线;
采集单元,用于采集所述状态线上的若干采集点;
转换单元,用于根据所述采集点的实际坐标(x,y),其中,y为电池容量,x为循环次数;
第一计算单元,用于在最小二乘法准则下选用指数函数y=100-(a*eb*x+c*ed*x)进行所述状态线的拟合,将每条放电深度下状态线上的至少4个所述采集点的实际坐标代入至所述函数中,得到所述该放电深度下状态线对应的拟合系数a、b、c、d的值;
第二计算单元,用于获取所述拟合系数与所述放电深度的之间的关系式;
预测单元,用于利用机器学习中的半监督方法预测未知状态,获取新拟合的状态线。
可选地,还包括测试单元,用于在最小二乘法准则下用采样点对每条所述新拟合的状态线进行测试;若误差超过预设阈值,则重新调整所述新拟合的状态线对应的拟合系数。
可选地,所述状态线获取单元用于分别获取放电深度为30%、50%、80%、100%的电池容量与循环次数的状态线。
可选地,所述转换单元用于:
若某一状态线上采集点坐标为采集点的坐标为x'n y'n;且对应实际点坐标为 对应实际点坐标为则对应的实际点坐标为:
xi=(xi'-x1')/(x'n-x1')*(xn-x1);yi=(yi'-y1')/(y'n-y1')*(yn-y1)。
可选地,所述第二计算单元用于:
将(a1,DOD1)以及(a2,DOD2)代入关系式中,得出ma和na;其中,a1是放电深度为DOD1的状态线对应的拟合系数a;a2是放电深度为DOD2的状态线对应的拟合系数a;
将(b1,DOD1)以及(b2,DOD2)代入关系式中,得出mb和nb;其中,b1是放电深度为DOD1的状态线对应的拟合系数b;b2是放电深度为DOD2的状态线对应的拟合系数b;
将(c1,DOD1)以及(c2,DOD2)代入关系式中,得出mc和nc;其中,c1是放电深度为DOD1的状态线对应的拟合系数c;c2是放电深度为DOD2的状态线对应的拟合系数c;
将(d1,DOD1)以及(d2,DOD2)代入关系式中,得出md和nd;其中,d1是放电深度为DOD1的状态线对应的拟合系数d;d2是放电深度为DOD2的状态线对应的拟合系数d。
可选地,所述第二计算单元还用于:根据所述不同放电深度下的ai、bi、ci、di预测得到在DOD1和DOD2放电深度之间其他放电深度DODi下的状态线
本发明提出的电池循环寿命的快速预测方法及其快速预测装置通过指数函数对n条不同放电深度下的状态线进行拟合,并获取拟合常数与放电深度的指数关系式,利用机器学习中的半监督方法预测未知状态,预测得到其他的状态线,经过实验验证:预测的状态线能很好地拟合在不同放电深度下,容量和循环次数关系,预测值与实际值的误差基本保持在1%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循环寿命的快速预测方法的流程示意图;
图2为本发明另一实施例的电池循环寿命的快速预测方法的流程示意图;
图3为本发明实施例的4条不同放电深度下电池容量与循环次数的状态线;
图4为本发明实施例的使用指数函数y=100-(a*exp(b*x)+c*exp(d*x))拟合状态线的采样点;
图5为图3所示的四条状态线在不同放电深度下拟合的系数;
图6为本发明实施例的电池循环寿命的快速预测装置的结构示意图;
图7为本发明另一实施例的电池循环寿命的快速预测装置的结构示意图;
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。
现在将参考附图描述实现本发明各个实施例的电池循环寿命的快速预测装置。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"单元"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循环寿命的快速预测方法,包括步骤:
S11、获取n条不同放电深度下电池容量与循环次数的状态线;
在具体实施时,如图3所示,可以通过实验获得例如四条在不停放电深度下电池的容量和循环次数的状态;
S12、采集所述状态线上的若干采集点;
S13、将所述采集点的采集坐标转换成实际坐标(x,y),其中,y为电池容量,x为循环次数;
S14、在最小二乘法准则下选用指数函数y=100-(a*eb*x+c*ed*x)进行所述状态线的拟合,将每条放电深度下状态线上的至少4个所述采集点的实际坐标代入至所述函数中,得到所述该放电深度下状态线对应的拟合系数a、b、c、d的值;
例如,在放电深度为100%的状态线上,任意采集至少4个点,代入到y=100-(a*exp(b*x)+c*exp(d*x))中,可以得到放电深度为100%的状态线对应的a、b、c、d的值;拟合后的放电深度为100%的状态线如图4所示;
S15、获取所述拟合系数与所述放电深度的之间的关系式;
S16、利用机器学习中的半监督方法预测未知状态,获取新拟合的状态线。
也就是联合上述步骤S14公式与S15中的关系式可把容量(capacity)、循环次数(cycle time)、放电深度(DOD)联系起来,进而预测得到其他状态线。
本发明第二实施例提供一种电池循环寿命的快速预测方法,包括的步骤S21至S26与第一实施例中提及的S11至S16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S26还包括步骤:
S27、在最小二乘法准则下用采样点对每条所述新拟合的状态线进行测试;若误差超过预设阈值,则重新调整所述新拟合的状态线对应的拟合系数;
该预设阈值例如是1%,在重新调整所述新拟合的状态线对应的拟合系数时,可以从步骤S22重新开始,直至误差小于预设阈值。
本发明第三实施例提供一种电池循环寿命的快速预测方法,包括的步骤与第一实施例中提及的S11至S16相同,或与第二实施例中提及的S21至S27相同,具体如上所述,此处不再赘述。
不同的是,本实施例中,同时参照图3,步骤S11或步骤S21具体包括:分别获取放电深度为30%、50%、80%、100%的电池容量与循环次数的状态线。
本发明第四实施例提供一种电池循环寿命的快速预测方法,包括的步骤与第一实施例中提及的S11至S16相同,或与第二实施例中提及的S21至S27相同,具体如上所述,此处不再赘述。
不同的是,在步骤S13或步骤S23中,若某一状态线上采集点坐标为采集点的坐标为x'n y'n;且对应实际点坐标为 对应实际点坐标为则对应的实际点坐标为:
xi=(xi'-x1')/(x'n-x1')*(xn-x1);yi=(yi'-y1')/(y'n-y1')*(yn-y1);xi其中表示循环次数,yi表示容量。
本发明第五实施例提供一种电池循环寿命的快速预测方法,包括的步骤与第一实施例中提及的S11至S16相同,或与第二实施例中提及的S21至S27相同,具体如上所述,此处不再赘述。
不同的是,在步骤S15或步骤S25中,获取所述拟合系数与所述放电深度的之间的关系式包括:
将(a1,DOD1)以及(a2,DOD2)代入关系式中,得出ma和na;其中,a1是放电深度为DOD1的状态线对应的拟合系数a;a2是放电深度为DOD2的状态线对应的拟合系数a;
将(b1,DOD1)以及(b2,DOD2)代入关系式中,得出mb和nb;其中,b1是放电深度为DOD1的状态线对应的拟合系数b;b2是放电深度为DOD2的状态线对应的拟合系数b;
将(c1,DOD1)以及(c2,DOD2)代入关系式中,得出mc和nc;其中,c1是放电深度为DOD1的状态线对应的拟合系数c;c2是放电深度为DOD2的状态线对应的拟合系数c;
将(d1,DOD1)以及(d2,DOD2)代入关系式中,得出md和nd;其中,d1是放电深度为DOD1的状态线对应的拟合系数d;d2是放电深度为DOD2的状态线对应的拟合系数d。
最后,根据所述不同放电深度下的ai、bi、ci、di预测得到在DOD1和DOD2放电深度之间其他放电深度DODi下的状态线
更具体地,若在步骤S11或S12中,获取的是放电深度为30%、50%、80%、100%的电池容量与循环次数的状态线,也就是说DOD的值为30%、50%、80%、100%。在步骤S14或S24中,如图5所示,放电深度为30%的状态线的拟合系数为a30、b30、c30、d30,放电深度为50%的状态线的拟合系数为a50、b50、c50、d50,放电深度为80%的状态线的拟合系数为a80、b80、c80、d80,放电深度为100%的状态线的拟合系数为a100、b100、c100、d100。
则此时,在步骤S15或步骤S25中:
将(a30,30%)、(a50,50%)代入公式中,可得到的ma30、na30值;
将(b30,30%)、(b50,50%)代入公式中,可得到的mb30、nb30值;
将(c30,30%)、(c50,50%)代入公式中,可得到的mc30、nc30值;
将(d30,30%)、(d50,50%)代入公式中,可得到的md30、nd30值。
最后,根据计算出的ma30和na30的值,mb30和nb30的值,mc30和nc30的值,md30和nd30的值,从而得到得出30%和50%放电深度之间DODi的状态线系数ai、bi、ci、di,进一步可以预测得到在30%和50%放电深度之间其他放电深度DODi下的状态线
同理,可以得到50%和80%放电深度之间其他放电深度DODi下的状态线,以及80%和100%放电深度之间其他放电深度DODi下的状态线。
上面对本发明实施例中的电池循环寿命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循环寿命的快速预测装置进行描述。
如图6所示,本发明第六实施例提出一种电池循环寿命的快速预测装置,包括状态线获取单元10、采集单元20、转换单元30、第一计算单元40、第二计算单元50、预测单元60。
状态线获取单元10用于获取n条不同放电深度下电池容量与循环次数的状态线;在具体实施时,如图3所示,可以通过实验获得例如四条在不停放电深度下电池的容量和循环次数的状态。采集单元20用于采集所述状态线上的若干采集点。转换单元30用于将所述采集点的采集坐标转换成实际坐标(x,y),其中,y为电池容量,x为循环次数。第一计算单元40用于在最小二乘法准则下选用指数函数y=100-(a*eb*x+c*ed*x)进行所述状态线的拟合,将每条放电深度下状态线上的至少4个所述采集点的实际坐标代入至所述函数中,得到所述该放电深度下状态线对应的拟合系数a、b、c、d的值;例如,在放电深度为100%的状态线上,任意采集4个点,代入到y=100-(a*eb*x+c*ed*x)中,可以得到放电深度为100%的状态线对应的a、b、c、d的值;拟合后的放电深度为100%的状态线如图4所示。第二计算单元50用于获取所述拟合系数与所述放电深度的之间的关系式。预测单元60用于利用机器学习中的半监督方法预测未知状态,获取新拟合的状态线。
如图7所示,本发明第七实施例提出一种电池循环寿命的快速预测装置,包括启状态线获取单元10、采集单元20、转换单元30、第一计算单元40、第二计算单元50、预测单元60。
本实施例中的状态线获取单元10、采集单元20、转换单元30、第一计算单元40、第二计算单元50、预测单元60与上述第六实施例中的状态线获取单元10、采集单元20、转换单元30、第一计算单元40、第二计算单元50、预测单元60相同,具体如上所述,此处不再赘述。
需要说明的是,本实施例中,还包括测试单元70,用于在最小二乘法准则下用采样点对每条所述新拟合的状态线进行测试;若误差超过预设阈值,则重新调整所述新拟合的状态线对应的拟合系数。该预设阈值例如是1%,在重新调整所述新拟合的状态线对应的拟合系数时,可以重新开始采点,直至误差小于预设阈值。
本发明第八实施例提出一种电池循环寿命的快速预测装置,包括启状态线获取单元10、采集单元20、转换单元30、第一计算单元40、第二计算单元50、预测单元60。
本实施例中的状态线获取单元10、采集单元20、转换单元30、第一计算单元40、第二计算单元50、预测单元60与上述第六实施例中的状态线获取单元10、采集单元20、转换单元30、第一计算单元40、第二计算单元50、预测单元60相同,具体如上所述,此处不再赘述。
不同的是,本实施例中,状态线获取单元10具体可以用于分别获取放电深度为30%、50%、80%、100%的电池容量与循环次数的状态线。
在本发明的另一实施例中,还可以包括测试单元70,具体如第七实施例所述,在此不再赘述。
本发明第九实施例提出一种电池循环寿命的快速预测装置,包括启状态线获取单元10、采集单元20、转换单元30、第一计算单元40、第二计算单元50、预测单元60。
本实施例中的状态线获取单元10、采集单元20、转换单元30、第一计算单元40、第二计算单元50、预测单元60与上述第六实施例中的状态线获取单元10、采集单元20、转换单元30、第一计算单元40、第二计算单元50、预测单元60相同,具体如上所述,此处不再赘述。
不同的是,本实施例中,转换单元30具体用于:若某一状态线上采集点坐标为采集点的坐标为x'n y'n;且对应实际点坐标为 对应实际点坐标为则对应的实际点坐标为:
xi=(xi'-x1')/(x'n-x1')*(xn-x1);yi=(yi'-y1')/(y'n-y1')*(yn-y1);xi其中表示循环次数,yi表示容量。
在本发明的另一实施例中,还可以包括测试单元70,具体如第七实施例所述,在此不再赘述。
本发明第十实施例提出一种电池循环寿命的快速预测装置,包括启状态线获取单元10、采集单元20、转换单元30、第一计算单元40、第二计算单元50、预测单元60。
本实施例中的状态线获取单元10、采集单元20、转换单元30、第一计算单元40、第二计算单元50、预测单元60与上述第六实施例中的状态线获取单元10、采集单元20、转换单元30、第一计算单元40、第二计算单元50、预测单元60相同,具体如上所述,此处不再赘述。
不同的是,本实施例中,第二计算单元50具体用于:
将(a1,DOD1)以及(a2,DOD2)代入关系式中,得出ma和na;其中,a1是放电深度为DOD1的状态线对应的拟合系数a;a2是放电深度为DOD2的状态线对应的拟合系数a;
将(b1,DOD1)以及(b2,DOD2)代入关系式中,得出mb和nb;其中,b1是放电深度为DOD1的状态线对应的拟合系数b;b2是放电深度为DOD2的状态线对应的拟合系数b;
将(c1,DOD1)以及(c2,DOD2)代入关系式中,得出mc和nc;其中,c1是放电深度为DOD1的状态线对应的拟合系数c;c2是放电深度为DOD2的状态线对应的拟合系数c;
将(d1,DOD1)以及(d2,DOD2)代入关系式中,得出md和nd;其中,d1是放电深度为DOD1的状态线对应的拟合系数d;d2是放电深度为DOD2的状态线对应的拟合系数d。
更具体地,若获取的是放电深度为30%、50%、80%、100%的电池容量与循环次数的状态线,也就是说DOD的值为30%、50%、80%、100%;且如图5所示,放电深度为30%的状态线的拟合系数为a30、b30、c30、d30,放电深度为50%的状态线的拟合系数为a50、b50、c50、d50,放电深度为80%的状态线的拟合系数为a80、b80、c80、d80,放电深度为100%的状态线的拟合系数为a100、b100、c100、d100。
则此时,第二计算单元50用于:
将(a30,30%)、(a50,50%)代入公式中,可得到的ma30、na30值;
将(b30,30%)、(b50,50%)代入公式中,可得到的mb30、nb30值;
将(c30,30%)、(c50,50%)代入公式中,可得到的mc30、nc30值;
将(d30,30%)、(d50,50%)代入公式中,可得到的md30、nd30值。
此外,第二计算单元50根据计算出的ma30和na30的值,mb30和nb30的值,mc30和nc30的值,md30和nd30的值,从而得到得出30%和50%放电深度之间DODi的状态线系数ai、bi、ci、di,进一步可以预测得到在30%和50%放电深度之间其他放电深度DODi下的状态线
同理,可以得到50%和80%放电深度之间其他放电深度DODi下的状态线,以及80%和100%放电深度之间其他放电深度DODi下的状态线。
在本发明的另一实施例中,还可以包括测试单元70,具体如第七实施例所述,在此不再赘述。
本发明提供的电池循环寿命的快速预测方法及其快速预测装置,测试方法简单快速,且预测值与实际值的误差很小,满足实际需要。
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
本发明提出的电池循环寿命的快速预测方法及其快速预测装置通过指数函数对n条不同放电深度下的状态线进行拟合,并获取拟合常数与放电深度的指数关系式,利用机器学习中的半监督方法预测未知状态,预测得到其他的状态线,经过实验验证:预测的状态线能很好地拟合在不同放电深度下,容量和循环次数关系,预测值与实际值的误差基本保持在1%内,误差很小,满足实际需要。因此,具有工业实用性。
Claims (12)
1.一种电池循环寿命的快速预测方法,包括步骤:
获取n条不同放电深度下电池容量与循环次数的状态线;
采集所述状态线上的若干采集点;
将所述采集点的采集坐标转换成实际坐标(x,y),其中,y为电池容量,x为循环次数;
在最小二乘法准则下选用指数函数y=100-(a*eb*x+c*ed*x)进行所述状态线的拟合,将每条放电深度下状态线上的至少4个所述采集点的实际坐标代入至所述函数中,得到所述该放电深度下状态线对应的拟合系数a、b、c、d的值;
获取所述拟合系数与所述放电深度的之间的关系式;
利用机器学习中的半监督方法预测未知状态,获取新拟合的状态线。
2.根据权利要求1所述电池循环寿命的快速预测方法,其中,所述利用机器学习中的半监督方法预测未知状态预测得到其他的状态线之后,所述方法还包括:
在最小二乘法准则下用采样点对每条所述新拟合的状态线进行测试;若误差超过预设阈值,则重新调整所述新拟合的状态线对应的拟合系数。
3.根据权利要求1所述电池循环寿命的快速预测方法,其中,所述获取n条不同放电深度下电池容量与循环次数的状态线包括:
分别获取放电深度为30%、50%、80%、100%的电池容量与循环次数的状态线。
4.根据权利要求1所述电池循环寿命的快速预测方法,其中,所述将所述采集点的采集坐标转换成实际坐标包括:
若某一状态线上采集点坐标为采集点的坐标为且对应实际点坐标为对应实际点坐标为则对应的实际点坐标为:
xi=(x′i-x′1)/(x′n-x′1)*(xn-x1);yi=(y′i-y′1)/(y′n-y′1)*(yn-y1)。
5.根据权利要求1所述电池循环寿命的快速预测方法,其中,所述获取所述拟合系数与所述放电深度的之间的关系式包括:
将(a1,DOD1)以及(a2,DOD2)代入关系式中,得出ma和na;其中,a1是放电深度为DOD1的状态线对应的拟合系数a;a2是放电深度为DOD2的状态线对应的拟合系数a;
将(b1,DOD1)以及(b2,DOD2)代入关系式中,得出mb和nb;其中,b1是放电深度为DOD1的状态线对应的拟合系数b;b2是放电深度为DOD2的状态线对应的拟合系数b;
将(c1,DOD1)以及(c2,DOD2)代入关系式中,得出mc和nc;其中,c1是放电深度为DOD1的状态线对应的拟合系数c;c2是放电深度为DOD2的状态线对应的拟合系数c;
将(d1,DOD1)以及(d2,DOD2)代入关系式中,得出md和nd;其中,d1是放电深度为DOD1的状态线对应的拟合系数d;d2是放电深度为DOD2的状态线对应的拟合系数d。
6.根据权利要求5所述电池循环寿命的快速预测方法,其特征在于,根据所述不同放电深度下的ai、bi、ci、di预测得到在DOD1和DOD2放电深度之间其他放电深度DODi下的状态线
7.一种电池循环寿命的快速预测装置,包括:
状态线获取单元,用于获取n条不同放电深度下电池容量与循环次数的状态线;
采集单元,用于采集所述状态线上的若干采集点;
转换单元,用于将所述采集点的采集坐标转换成实际坐标(x,y),其中,y为电池容量,x为循环次数;
第一计算单元,用于在最小二乘法准则下选用指数函数y=100-(a*eb*x+c*ed*x)进行所述状态线的拟合,将每条放电深度下状态线上的至少4个所述采集点的实际坐标代入至所述函数中,得到所述该放电深度下状态线对应的拟合系数a、b、c、d的值;
第二计算单元,用于获取所述拟合系数与所述放电深度的之间的关系式;
预测单元,用于利用机器学习中的半监督方法预测未知状态,获取新拟合的状态线。
8.根据权利要求7所述电池循环寿命的快速预测装置,其中,还包括测试单元,用于在最小二乘法准则下用采样点对每条所述新拟合的状态线进行测试;若误差超过预设阈值,则重新调整所述新拟合的状态线对应的拟合系数。
9.根据权利要求7所述电池循环寿命的快速预测装置,其中,所述状态线获取单元用于分别获取放电深度为30%、50%、80%、100%的电池容量与循环次数的状态线。
10.根据权利要求7所述电池循环寿命的快速预测装置,其中,所述转换单元用于:
若某一状态线上采集点坐标为采集点的坐标为且对应实际点坐标为对应实际点坐标为则对应的实际点坐标为:
xi=(x′i-x′1)/(x′n-x′1)*(xn-x1);yi=(y′i-y′1)/(y′n-y′1)*(yn-y1)。
11.根据权利要求7所述电池循环寿命的快速预测装置,其中,所述第二计算单元用于:
将(a1,DOD1)以及(a2,DOD2)代入关系式中,得出ma和na;其中,a1是放电深度为DOD1的状态线对应的拟合系数a;a2是放电深度为DOD2的状态线对应的拟合系数a;
将(b1,DOD1)以及(b2,DOD2)代入关系式中,得出mb和nb;其中,b1是放电深度为DOD1的状态线对应的拟合系数b;b2是放电深度为DOD2的状态线对应的拟合系数b;
将(c1,DOD1)以及(c2,DOD2)代入关系式中,得出mc和nc;其中,c1是放电深度为DOD1的状态线对应的拟合系数c;c2是放电深度为DOD2的状态线对应的拟合系数c;
将(d1,DOD1)以及(d2,DOD2)代入关系式中,得出md和nd;其中,d1是放电深度为DOD1的状态线对应的拟合系数d;d2是放电深度为DOD2的状态线对应的拟合系数d。
12.根据权利要求11所述电池循环寿命的快速预测方法,其中,所述第二计算单元还用于:根据所述不同放电深度下的ai、bi、ci、di预测得到在DOD1和DOD2放电深度之间其他放电深度DODi下的状态线
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2016/111431 WO2018112818A1 (zh) | 2016-12-22 | 2016-12-22 | 一种电池循环寿命的快速预测方法及其快速预测装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108064391A true CN108064391A (zh) | 2018-05-22 |
CN108064391B CN108064391B (zh) | 2019-04-05 |
Family
ID=62137076
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201680025104.5A Active CN108064391B (zh) | 2016-12-22 | 2016-12-22 | 一种电池循环寿命的快速预测方法及其快速预测装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN108064391B (zh) |
WO (1) | WO2018112818A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109541473A (zh) * | 2018-10-18 | 2019-03-29 | 东北电力大学 | 基于放电量加权累加的铅炭电池健康状态估算方法 |
CN112798974A (zh) * | 2020-12-22 | 2021-05-14 | 中国船舶重工集团公司第七0九研究所 | 孤立基站混合供电系统蓄电池soh在线监测方法及系统 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11340306B2 (en) * | 2017-11-16 | 2022-05-24 | Semiconductor Energy Laboratory Co., Ltd. | Lifetime estimation device, lifetime estimation method, and abnormality detection method of secondary battery |
CN112462275B (zh) * | 2019-09-09 | 2024-05-31 | 河南森源重工有限公司 | 一种电池包循环寿命测试方法 |
US11740290B2 (en) | 2020-01-14 | 2023-08-29 | Battelle Energy Alliance, Llc | Energy storage cell qualification and related systems, methods, and devices |
CN113761716B (zh) * | 2021-08-12 | 2024-02-02 | 惠州市豪鹏科技有限公司 | 一种锂离子电池循环寿命预测方法及其应用 |
CN116047311B (zh) * | 2023-03-06 | 2023-06-13 | 中国华能集团清洁能源技术研究院有限公司 | 储能电池剩余寿命的在线预测方法及其装置 |
CN116381540B (zh) * | 2023-06-05 | 2023-08-22 | 石家庄学院 | 一种计算机运行状态下电池健康监控系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102353905A (zh) * | 2011-07-01 | 2012-02-15 | 曙鹏科技(深圳)有限公司 | 电池寿命的预测方法及检测电池寿命的装置 |
CN102520367A (zh) * | 2011-12-26 | 2012-06-27 | 中国电子科技集团公司第十八研究所 | 一种空间用氢镍蓄电池寿命评估方法 |
JP2013142630A (ja) * | 2012-01-11 | 2013-07-22 | Toshiba Corp | 電池寿命事前検知方法、電池システム、及び電池コントローラ |
CN104316879A (zh) * | 2014-10-13 | 2015-01-28 | 珠海许继电气有限公司 | 一种铅酸蓄电池组寿命的预测方法 |
CN104793144A (zh) * | 2015-03-31 | 2015-07-22 | 中国人民解放军92537部队 | 一种电池寿命快速检测方法 |
-
2016
- 2016-12-22 CN CN201680025104.5A patent/CN108064391B/zh active Active
- 2016-12-22 WO PCT/CN2016/111431 patent/WO2018112818A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102353905A (zh) * | 2011-07-01 | 2012-02-15 | 曙鹏科技(深圳)有限公司 | 电池寿命的预测方法及检测电池寿命的装置 |
CN102520367A (zh) * | 2011-12-26 | 2012-06-27 | 中国电子科技集团公司第十八研究所 | 一种空间用氢镍蓄电池寿命评估方法 |
JP2013142630A (ja) * | 2012-01-11 | 2013-07-22 | Toshiba Corp | 電池寿命事前検知方法、電池システム、及び電池コントローラ |
JP2016128824A (ja) * | 2012-01-11 | 2016-07-14 | 株式会社東芝 | 電池寿命事前検知方法、電池システム、及び電池コントローラ |
CN104316879A (zh) * | 2014-10-13 | 2015-01-28 | 珠海许继电气有限公司 | 一种铅酸蓄电池组寿命的预测方法 |
CN104793144A (zh) * | 2015-03-31 | 2015-07-22 | 中国人民解放军92537部队 | 一种电池寿命快速检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109541473A (zh) * | 2018-10-18 | 2019-03-29 | 东北电力大学 | 基于放电量加权累加的铅炭电池健康状态估算方法 |
CN112798974A (zh) * | 2020-12-22 | 2021-05-14 | 中国船舶重工集团公司第七0九研究所 | 孤立基站混合供电系统蓄电池soh在线监测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108064391B (zh) | 2019-04-05 |
WO2018112818A1 (zh) | 2018-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108064391B (zh) | 一种电池循环寿命的快速预测方法及其快速预测装置 | |
Li et al. | A practical lithium-ion battery model for state of energy and voltage responses prediction incorporating temperature and ageing effects | |
Wu et al. | An online method for lithium-ion battery remaining useful life estimation using importance sampling and neural networks | |
Dong et al. | Battery health prognosis using Brownian motion modeling and particle filtering | |
Dong et al. | Dynamic Bayesian network-based lithium-ion battery health prognosis for electric vehicles | |
Sahinoglu et al. | Battery state-of-charge estimation based on regular/recurrent Gaussian process regression | |
Kim et al. | Data-efficient parameter identification of electrochemical lithium-ion battery model using deep Bayesian harmony search | |
Zhang et al. | A novel method for lithium-ion battery state of energy and state of power estimation based on multi-time-scale filter | |
US20220239122A1 (en) | Server-side characterisation of rechargeable batteries | |
Kim et al. | State-of-charge estimation and state-of-health prediction of a Li-ion degraded battery based on an EKF combined with a per-unit system | |
Dong et al. | A method for state of energy estimation of lithium-ion batteries based on neural network model | |
Li et al. | A new prognostics method for state of health estimation of lithium-ion batteries based on a mixture of Gaussian process models and particle filter | |
Hussein | Capacity fade estimation in electric vehicle li-ion batteries using artificial neural networks | |
Saxena et al. | Designing data-driven battery prognostic approaches for variable loading profiles: Some lessons learned | |
Rezvanizaniani et al. | Review and recent advances in battery health monitoring and prognostics technologies for electric vehicle (EV) safety and mobility | |
Gholizadeh et al. | Estimation of state of charge, unknown nonlinearities, and state of health of a lithium-ion battery based on a comprehensive unobservable model | |
US20170115355A1 (en) | Maximum capacity estimator for battery state of health and state of charge determinations | |
Barcellona et al. | Analysis of ageing effect on Li‐polymer batteries | |
CN109061504A (zh) | 同类型不同锂离子电池剩余使用寿命预测方法和系统 | |
Sun et al. | Adaptive evolution enhanced physics-informed neural networks for time-variant health prognosis of lithium-ion batteries | |
CN108205114B (zh) | 电池寿命的预测方法及系统 | |
CN113189495B (zh) | 一种电池健康状态的预测方法、装置及电子设备 | |
Ozcan et al. | Online state of charge estimation for Lithium-ion batteries using Gaussian process regression | |
Chen et al. | Sliding mode observer for state of charge estimation based on battery equivalent circuit in electric vehicles | |
Liu et al. | Battery degradation model and multiple-indicators based lifetime estimator for energy storage system design and operation: Experimental analyses of cycling-induced aging |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 518000 W1A 4, Guangdong high tech Industrial Village, 034 New South Road, Shenzhen, Nanshan District, Nanshan District. Applicant after: Shenzhen Liwei Zhilian Technology Co., Ltd. Address before: 518000 W1A 4, Guangdong high tech Industrial Village, 034 New South Road, Shenzhen, Nanshan District, Nanshan District. Applicant before: Shenzhen ZTE NetView Technology Co., Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |