CN108957331B - 电池性能检测方法及电池性能检测系统 - Google Patents
电池性能检测方法及电池性能检测系统 Download PDFInfo
- Publication number
- CN108957331B CN108957331B CN201810466867.4A CN201810466867A CN108957331B CN 108957331 B CN108957331 B CN 108957331B CN 201810466867 A CN201810466867 A CN 201810466867A CN 108957331 B CN108957331 B CN 108957331B
- Authority
- CN
- China
- Prior art keywords
- battery
- relation
- parameter
- matching
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000000034 method Methods 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Images
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种电池性能检测方法及系统，方法包括：建立电池性能的衰减模型；获取待检测电池在充电时的至少两项不同参数之间的对应关系；以及，将对应关系与衰减模型进行匹配以确定待检测电池的性能参数。该方法对电动汽车端实际使用的电池进行实时监测，从而在这些电池性能良好时延缓退役，而在电池性能不佳时予以提前退役。
Description
技术领域
本发明涉及电动汽车技术领域，更具体地说，涉及一种电池性能检测方法及电池性能检测系统。
背景技术
随着电动汽车产业的快速发展，电动汽车保有量持续走高。通常电动汽车所用的电池寿命为5-8年，而退役下来的部分电池的容量可能尚有70～80％，依然拥有很高的利用价值，对退役电池的再利用对于降低电池成本和节约资源具有重要意义。
然而，从车端退役下来的电池的性能、状态参差不齐，因而需要进行严格的筛选和分类才能保障电池再利用过程中电池的可用性和可靠性。
当前对退役电池性能和健康状态的检测主要还是通过专业电池测试设备对退役电池一一进行充放电，进而收集电池的容量，内阻，压降等关键参数以便进行分析评估，这种方法步骤繁琐、工作量大，时间和人工成本高，降低了电池再利用的经济性。
因此，发展高效、低成本的电池性能检测管理方法是本领域技术人员关注的技术方向。
发明内容
本发明的目的在于提供一种电池性能检测方法，其能够高效、低成本地在线检测电动汽车所用电池的性能。
为实现上述目的，本发明提供一种技术方案如下。
一种电池性能检测方法，包括：建立电池性能的衰减模型；获取待检测电池在充电时的至少两项不同参数之间的对应关系；以及，将对应关系与衰减模型进行匹配以确定待检测电池的性能参数。
优选地，参数包括：充电电压；电池SOC；充电时间；以及，充电电流。
优选地，衰减模型包括由多个第一关系曲线构成的曲线集合，第一关系曲线表示为不同衰减程度的电池在充电时的第一参数与第二参数之间的对应关系，待检测电池在充电时的第一参数与第二参数之间的对应关系表示为第二关系曲线，其中，匹配包括：将第二关系曲线分别与曲线集合中的每个第一关系曲线进行匹配，基于与第二关系曲线最接近的第一关系曲线来确定待检测电池的性能参数。
优选地，匹配包括：将第二关系曲线划分为多个分段；针对多个分段中的各分段，分别确定与该分段最接近的第一关系曲线，计算该分段与相应的最接近的第一关系曲线之间的匹配参数；以及为各分段分配不同的权重，以基于相应的匹配参数计算待检测电池的性能参数。
优选地，匹配包括：对第二关系曲线和曲线集合中的各第一关系曲线分别进行像素化；将像素化的第二关系曲线分别与各像素化的第一关系曲线进行图像级匹配，以确定待检测电池的性能参数。
优选地，该方法还包括：利用卷积神经网络，以曲线集合的第一子集和第二子集分别作为训练集和测试集，来对曲线集合中的至少一个第一关系曲线进行训练和/或校正。
可选地，确定电池性能的衰减模型包括：拟合出电池的性能参数与该电池的第一关系之间的函数方程式，其中第一关系表示为电池在充电时的第一参数与第二参数之间的对应关系，其中，匹配包括：以待检测电池在充电时的第一参数与第二参数之间的对应关系输入至函数方程式，基于函数方程式的输出确定待检测电池的性能参数。
本发明还公开一种电池性能检测系统，包括：衰减模型建立单元，配置成获取多个样本电池在充电时的至少两项不同参数之间的多个相应第一关系，以建立电池性能的衰减模型；电池参数获取单元，配置成获取待检测电池在充电时的至少两项不同参数之间的第二关系；以及匹配单元，配置成将第二关系分别与各第一关系进行匹配，以确定待检测电池的性能参数。
优选地，电池参数获取单元设置于电动汽车本地端，衰减模型建立单元和匹配单元设置于远程端。
本发明所提供的电池性能检测方法，不是针对退役电池进行检测评估，而是对电动汽车端实际使用的电池进行实时监测，甚至，可以进行全生命周期的监测，从而在这些电池性能良好时延缓退役，而在电池性能不佳时予以提前退役。此外，上述方法以电池充电过程中的充电电压与电池SOC之间的对应关系作为性能评估的依据，这种对应关系可以在监测过程中实时地在线获得，简化了传统的电池参数获取步骤，相对于现有技术中的评估手段更加准确、可靠。所提供的电池性能检测系统能够设置于电池端，也可以按分布式系统或基于云计算部署，能够高效地、准确地检测电池的性能参数。
附图说明
图1示出本发明第一实施例提供的电池性能检测方法的流程示意图。
图2示出本发明第二实施例提供的电池性能检测系统的模块结构示意图。
图3示出根据本发明一实施例的第一关系曲线与第二关系曲线。
具体实施方式
在以下描述中提出具体细节，以便提供对本发明的透彻理解。然而，本领域的技术人员将清楚地知道，即使没有这些具体细节也可实施本发明的实施例。在本发明中，可进行具体的数字引用，例如“第一元件”、“第二装置”等。但是，具体数字引用不应当被理解为必须服从于其字面顺序，而是应被理解为“第一元件”与“第二元件”不同。
本发明所提出的具体细节只是示范性的，具体细节可以变化，但仍然落入本发明的精神和范围之内。术语“耦合”定义为表示直接连接到组件或者经由另一个组件而间接连接到组件。
以下通过参照附图来描述适于实现本发明的方法、系统和装置的优选实施例。虽然各实施例是针对元件的单个组合来描述，但是应理解，本发明包括所公开元件的所有可能组合。因此，如果一个实施例包括元件A、B和C，而第二实施例包括元件B和D，则本发明也应被认为包括A、B、C或D的其他剩余组合，即使没有明确公开。
需要说明的是，虽然本发明以下实施例主要针对充电电压与电池SOC之间的对应关系来描述，但是，可理解，还可以针对电池的任何其他两项或多项不同参数之间的对应关系来描述，只要这些参数是可测得的。具体来说，这些参数包括：充电电压，电池SOC，充电时间，充电电流，以及，充电内阻等。
如图1所示，本发明第一实施例提供一种电池性能检测方法，该方法包括如下多个步骤。
步骤S10：建立电池性能的衰减模型。
在该步骤中，对多个样本电池进行检测评估，确定电池容量衰减达0％，5％，10％，15％，20％等阶段的同型号动力电池在充电过程中的两项不同参数之间的对应关系，进而生成该型电池关于不同衰减阶段的衰减模型。作为示例，这里具体选用充电电压参数与电池SOC
(State ofCharge)参数。
该步骤能够以多种方式来实现。作为第一示例，电池性能的衰减模型包括由多个第一关系曲线构成的一个曲线集合，其中第一关系曲线表示为不同衰减程度的电池在充电时的充电电压与电池SOC之间的对应关系。
作为第二示例，电池性能的衰减模型可以具体化为一种函数方程式，函数方程式可以通过对电池(样本电池)的性能参数与该电池(样本电池)的第一关系进行拟合而生成，其中，第一关系表示为该电池在充电时的充电电压与电池SOC之间的对应关系。作为一种非限制性示例，拟合出的函数方程式可以表示为P＝f(Relation(V,SOC))。其中，P为电池性能参数，V为电池在充电时的充电电压，Relation(V,SOC)表示第一关系。但是，可以理解，电池性能参数P可能不仅仅以Relation(V,SOC)作为参数，而是可以引入其他参数，例如充电时间，充电电流、电池内阻等。
步骤S12：获取待检测电池在充电时的充电电压与电池SOC之间的对应关系。
在该步骤中，优选情况下，实时地在线监测电动汽车上所使用的待检测电池的两项参数，作为示例，这里选用充电电压参数以及电池SOC参数，进而能够获取充电电压与电池SOC之间的对应关系。该待检测电池并非退役电池，而是实际使用的电池。
上述对应关系也能够以多种方式来实现，例如，与上述步骤S10的第一示例相对应，待检测电池在充电时的充电电压与电池SOC之间的对应关系可以表示为第二关系曲线。此外，与上述步骤S10的第二示例相对应，待检测电池在充电时的充电电压与电池SOC之间的对应关系Relation(V',SOC')也能够作为输入直接提供至函数方程式形式的衰减模型，其中，V'为待检测电池在充电时的充电电压，SOC'为与其对应的待检测电池SOC。
步骤S14：将对应关系与衰减模型进行匹配以确定待检测电池的性能参数。
根据本发明一个具体实施例，匹配包括：将第二关系曲线分别与曲线集合中的每个第一关系曲线进行匹配，基于与第二关系曲线最接近的第一关系曲线来确定待检测电池的性能参数。
在本发明中，“最接近”并非表示位置上的接近程度，而是表示两个关系曲线在形状上、相对位置(相对坐标原点的位置)和/或变化趋势上最相似。
图3示出两条第一关系曲线(分别对应于衰减程度为5％、15％的样本电池)与第二关系曲线(对应于待检测电池)之间的对比，纵轴表示充电电压，单位为伏特，横轴表示电池SOC，以百分比来度量。第二关系曲线“最接近”衰减程度为15％的第一关系曲线，因而判定待检测电池的衰减程度接近于15％。
为了实现匹配过程，对第二关系曲线和曲线集合中的各第一关系曲线分别进行像素化；进而，将像素化的第二关系曲线分别与各像素化的第一关系曲线进行图像级匹配，以确定待检测电池的性能参数。其中，图像级匹配可以包括：形状匹配；相对位置匹配以及变化趋势匹配。
在图像级匹配过程中，可以采用多种机器学习算法。利用机器学习算法，将第二关系曲线与相同充电条件下得到的第一关系曲线进行图像化对比分析，可以实现对电池性能的更准确评估和寿命预测。所采用的机器学习算法包括但不限于，支持向量机、决策树、人工神经网络。这种机器学习算法可以相互组合，例如，在第一层学习单元采用人工神经网络，在第二层学习单元采用决策树，而在第三层采用支持向量机，第三层学习单元的输出作为最终的匹配结果。
为了实现匹配过程，另一种实现方式是采用曲线拟合，曲线集合中的各第一关系曲线以及关于待检测电池的第二关系曲线均可用多项式表示如下：y＝a1x4+a2x3+a3x2+a4x+b1,其中y为电池的充电电压，x为电池SOC，a1,a2,a3,a4,b1为参数，可取为常数，通过分别对比不同参数的相近程度能够实现第二关系曲线与各第一关系曲线之间的匹配。
优选情况下，利用卷积神经网络，以曲线集合的不同子集(例如，第一子集和第二子集)分别作为训练集和测试集，来对曲线集合中的至少一个第一关系曲线进行训练和/或校正。
作为对该第一实施例的进一步改进，在匹配过程中，可以将第二关系曲线划分为多个分段。随后执行下列步骤：A、针对多个分段中的各分段，分别确定与该分段最接近的第一关系曲线，计算该分段与相应的最接近的第一关系曲线之间的匹配参数；B、为各分段分配不同的权重，进而基于相应的匹配参数以及相应权重计算待检测电池的性能参数。
对第二关系曲线执行分段匹配是出于以下考虑：由于充电过程中涉及电化学反应的特殊性以及不同电池的差异性，在不同充电阶段(SOC区间)第二关系曲线和第一关系曲线的吻合程度会存在一定的差异，因此可以对第二关系曲线进行分段式匹配，并结合考虑了不同阶段吻合程度的经验模型，来为各SOC区间给予不同的权重，以使得最终决策更贴近电池的实际状态。
此外，卷积神经网络算法也可以结合新样本电池对应的第一关系曲线来调整优化第二关系曲线的分段区间以及相应权重，进而提升电池性能检测的效率和结果的准确性。
根据本发明另一具体实施例，根据拟合得到的函数方程式P＝f(Relation(V,SOC))和待检测电池在充电时的充电电压与电池SOC之间的对应关系，来确定待检测电池的性能参数。例如，可以将待检测电池在充电时的充电电压与电池SOC之间的对应关系Relation(V',SOC')作为输入提供至函数方程式P＝f(Relation(V,SOC))，该函数方程式的结果能够直接体现待检测电池的性能参数。
上述第一实施例提供的电池性能检测方法，能够对电动汽车端实际使用的电池进行实时监测，进而，以电池充电过程中的充电电压与电池SOC之间的对应关系作为电池性能评估的依据，这简化了传统的电池参数获取步骤。实验结果的统计表明，这种方法相对于现有技术中的评估手段更加准确、可靠。
本发明第二实施例提供一种电池性能检测系统，其包括衰减模型建立单元201、电池参数获取单元202以及匹配单元203。作为一个具体示例，电池参数获取单元202设置于电动汽车本地端，衰减模型建立单元201以及匹配单元203能够设置于远程端，例如云端。作为另一具体示例，衰减模型建立单元201、电池参数获取单元202以及匹配单元203均设置于电池本地端，与待检测电池相耦合或集成。
衰减模型建立单元201作为实验数据获取单元，配置成获取多个样本电池在充电时的充电电压与电池SOC之间的多个相应第一关系，以便建立电池性能的衰减模型。
电池参数获取单元202配置成通过实时地在线监测电动汽车，来获取待检测电池在充电时的充电电压与电池SOC之间的第二关系。
应理解，实时地在线监测电动汽车并非必需的步骤。在实际应用中，可定时地、或根据云端的指示信号，由电池参数获取单元202将待检测电池在充电时的充电电压以及电池SOC等数据发送至云端的匹配单元203。
匹配单元203分别与衰减模型建立单元201、电池参数获取单元202通信耦合，其配置成将第二关系分别与各第一关系进行匹配，以确定待检测电池的性能参数。作为示例，匹配单元203可以配置成将第二关系曲线分别与曲线集合中每个第一关系曲线进行匹配，基于与第二关系曲线最接近的第一关系曲线来确定待检测电池的性能参数。
作为一种改进实施方式，匹配单元203可将第二关系曲线划分为多个分段；针对多个分段中的各分段，分别确定与该分段最接近的第一关系曲线，进而计算该分段与相应的最接近的第一关系曲线之间的匹配参数。匹配单元203还能够为各分段分配不同的权重，并且基于相应的匹配参数计算待检测电池的性能参数。
匹配单元203也可以对第二关系曲线和曲线集合中的各第一关系曲线分别进行像素化；再将像素化的第二关系曲线分别与各像素化的第一关系曲线进行图像级匹配，以便确定待检测电池的性能参数。
作为另一改进实施方式，衰减模型建立单元201可以配置成拟合出电池的性能参数与该电池的第一关系之间的函数方程式。相应地，匹配单元203配置成以待检测电池在充电时的第一参数与第二参数之间的对应关系以输入至函数方程式，进而基于函数方程式的输出直接确定待检测电池的性能参数。
在本发明的一些实施例中，上述系统的至少一部分可采用通信网络所连接的一组分布式计算装置来实现，或，基于“云”来实现。在这种系统中，多个计算装置共同操作，以通过使用其共享资源来提供服务。
基于“云”的实现可提供一个或多个优点，包括：开放性、灵活性和可扩展性、可中心管理、可靠性、可缩放性、对计算资源所优化、具有聚合和分析跨多个用户的信息的能力、跨多个地理区域进行连接、以及将多个移动或数据网络运营商用于网络连通性的能力。
利用上述电池性能检测系统，能够对电动汽车所使用的动力电池进行全生命周期的监测，进而评估其性能参数、预测其使用寿命。其能够带来的一个有益效果是：在这些电池性能良好时延缓退役，而在电池性能不佳时予以提前退役，这显著提高了电池再利用的经济性。
根据本发明又一实施例，提供一种电池性能检测装置(系统)，其与待检测电池耦合用于检测其性能参数。电池性能检测装置(系统)包括模型参数获取单元、电池参数获取单元以及匹配单元。模型参数获取单元配置成获取(从外部系统获取，例如从云端服务器)电池性能的衰减模型，衰减模型至少包括多个样本电池在充电时的至少两项不同参数之间的多个相应第一关系。电池参数获取单元获取待检测电池在充电时的至少两项不同参数之间的第二关系。匹配单元则将第二关系分别与衰减模型各第一关系进行匹配，以确定待检测电池的性能参数。从外部系统所获取的衰减模型可以复用多次，并在适当时更新，从而，该电池性能检测装置可以通过与待检测电池的电耦合来高效地确定多块待检测电池的性能参数。
根据本发明又一实施例，提供一种非暂时性机器可读存储介质，其上存储有一批计算机可执行指令，其中，这批计算机可执行指令在由处理器执行时，将会实现上述第一实施例提供的电池性能检测方法的各步骤。
根据本发明又一实施例，提供一种计算机设备，其包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，在执行计算机程序时，处理器将会实现上述第一实施例提供的电池性能检测方法的步骤。
上述说明仅针对于本发明的优选实施例，并不在于限制本发明的保护范围。本领域技术人员可能作出各种变形设计，而不脱离本发明的思想及附随的权利要求。
Claims (15)
1.一种电池性能检测方法，包括：
a)、建立电池性能的衰减模型；
b)、基于待检测电池在充电时的至少两项不同参数之间的对应关系来获得第二关系曲线；以及
c)、将所述对应关系与所述衰减模型进行匹配以确定所述待检测电池的性能参数；
其中，所述衰减模型包括由多个第一关系曲线构成的曲线集合，所述第一关系曲线表示不同衰减程度的电池在充电时的第一参数与第二参数之间的对应关系，所述第二关系曲线表示所述待检测电池在充电时的所述第一参数与所述第二参数之间的对应关系，
其中，所述匹配包括：
将所述第二关系曲线划分为多个分段；
针对所述多个分段中的各分段，分别确定与该分段在形状、相对位置和/或变化趋势上最接近的所述第一关系曲线。
2.如权利要求1所述的方法，其特征在于，所述参数包括：
充电电压；电池SOC；充电时间；以及，充电电流。
3.如权利要求1所述的方法，其特征在于，所述匹配还包括：
针对所述多个分段中的各分段，计算该分段与相应的所述最接近的第一关系曲线之间的匹配参数；以及
为各所述分段分配不同的权重，以基于相应的所述匹配参数计算所述待检测电池的性能参数。
4.如权利要求1所述的方法，其特征在于，所述匹配包括：
对所述第二关系曲线和所述曲线集合中的各所述第一关系曲线分别进行像素化；
将像素化的所述第二关系曲线分别与各像素化的所述第一关系曲线进行图像级匹配，以确定所述待检测电池的性能参数。
5.如权利要求4所述的方法，其特征在于，所述图像级匹配包括如下项中的至少一项：
形状匹配；相对位置匹配；以及，变化趋势匹配。
6.如权利要求1所述的方法，其特征在于，所述方法还包括：
利用卷积神经网络，以所述曲线集合的第一子集和第二子集分别作为训练集和测试集，来对所述曲线集合中的至少一个所述第一关系曲线进行训练和/或校正。
7.如权利要求2所述的方法，其特征在于，其中确定电池性能的衰减模型包括：
拟合出电池的性能参数与该电池的第一关系之间的函数方程式，其中所述第一关系表示为电池在充电时的第一参数与第二参数之间的对应关系，
其中，所述匹配包括：
以所述待检测电池在充电时的所述第一参数与所述第二参数之间的对应关系输入至所述函数方程式，基于所述函数方程式的输出确定所述待检测电池的性能参数。
8.如权利要求1至7中任一项所述的方法，其特征在于，所述待检测电池为电动汽车上使用的动力电池。
9.一种电池性能检测系统，包括：
衰减模型建立单元，配置成获取多个样本电池在充电时的至少两项不同参数之间的多个相应第一关系，以获得第一关系曲线并且建立电池性能的衰减模型；
电池参数获取单元，配置成获取待检测电池在充电时的所述至少两项不同参数之间的第二关系，以获得第二关系曲线；以及
匹配单元，配置成将所述第二关系分别与各所述第一关系进行匹配，以确定所述待检测电池的性能参数；
其中，所述第一关系曲线表示不同衰减程度的样本电池在充电时的第一参数与第二参数之间的对应关系，所述第二关系曲线表示所述待检测电池在充电时的所述第一参数与第二参数之间的对应关系；
所述匹配单元进一步配置成：
将所述第二关系曲线划分为多个分段；
针对所述多个分段中的各分段，分别确定与该分段在形状、相对位置和/或变化趋势上最接近的所述第一关系曲线。
10.如权利要求9所述的系统，其特征在于，所述电池参数获取单元设置于电动汽车本地端，所述衰减模型建立单元和所述匹配单元设置于远程端。
11.如权利要求9所述的系统，其特征在于，所述匹配单元进一步配置成：
针对所述多个分段中的各分段，计算该分段与相应的所述最接近的第一关系曲线之间的匹配参数；以及
为各所述分段分配不同的权重，以基于相应的所述匹配参数计算所述待检测电池的性能参数。
12.如权利要求9所述的系统，其特征在于，所述匹配单元进一步配置成：
对所述第二关系曲线和所述曲线集合中的各所述第一关系曲线分别进行像素化；
将像素化的所述第二关系曲线分别与各像素化的所述第一关系曲线进行图像级匹配，以确定所述待检测电池的性能参数。
13.如权利要求9所述的系统，其特征在于，
所述衰减模型建立单元配置成：
拟合出电池的性能参数与该电池的第一关系之间的函数方程式，其中所述第一关系表示为电池在充电时的第一参数与第二参数之间的对应关系；
所述匹配单元配置成：
以所述待检测电池在充电时的所述第一参数与所述第二参数之间的对应关系输入至所述函数方程式，基于所述函数方程式的输出确定所述待检测电池的性能参数。
14.一种机器可读存储介质，其上存储有计算机可执行指令，其中所述计算机可执行指令在由处理器执行时，实现如权利要求1-8中任一项所述的方法的步骤。
15.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-8中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810466867.4A CN108957331B (zh) | 2018-05-16 | 2018-05-16 | 电池性能检测方法及电池性能检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810466867.4A CN108957331B (zh) | 2018-05-16 | 2018-05-16 | 电池性能检测方法及电池性能检测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108957331A CN108957331A (zh) | 2018-12-07 |
| CN108957331B true CN108957331B (zh) | 2021-07-13 |
Family
ID=64499216
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810466867.4A Active CN108957331B (zh) | 2018-05-16 | 2018-05-16 | 电池性能检测方法及电池性能检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108957331B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110308397B (zh) * | 2019-07-30 | 2021-04-02 | 重庆邮电大学 | 一种混合卷积神经网络驱动的锂电池多类故障诊断建模方法 |
| CN110873841B (zh) * | 2019-11-05 | 2021-12-07 | 蓝谷智慧(北京)能源科技有限公司 | 一种基于数据驱动与电池特性相结合的电池寿命预测方法 |
| CN111239628B (zh) * | 2020-02-20 | 2022-05-17 | 瑞浦能源有限公司 | 一种检测二次蓄电池及串联模块衰减程度的方法及系统 |
| CN113052464B (zh) * | 2021-03-25 | 2022-06-14 | 清华大学 | 电池储能系统可靠性评估方法及系统 |
| CN114325400B (zh) * | 2021-11-24 | 2024-03-19 | 北京百度网讯科技有限公司 | 电池剩余寿命的确定方法、装置、电子设备及存储介质 |
| CN117609846B (zh) * | 2024-01-23 | 2024-06-18 | 宁德时代新能源科技股份有限公司 | 电池性能参数的获取方法、装置、电子设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105425156A (zh) * | 2015-11-06 | 2016-03-23 | 安徽江淮汽车股份有限公司 | 一种动力电池循环寿命测试方法 |
| CN107843845A (zh) * | 2017-10-23 | 2018-03-27 | 合肥国轩高科动力能源有限公司 | 一种动力锂离子电池soh在线估算方法 |
-
2018
- 2018-05-16 CN CN201810466867.4A patent/CN108957331B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105425156A (zh) * | 2015-11-06 | 2016-03-23 | 安徽江淮汽车股份有限公司 | 一种动力电池循环寿命测试方法 |
| CN107843845A (zh) * | 2017-10-23 | 2018-03-27 | 合肥国轩高科动力能源有限公司 | 一种动力锂离子电池soh在线估算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108957331A (zh) | 2018-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108957331B (zh) | 电池性能检测方法及电池性能检测系统 | |
| Guo et al. | Online estimation of SOH for lithium-ion battery based on SSA-Elman neural network | |
| CN112092675B (zh) | 一种电池热失控预警方法、系统及服务器 | |
| CN108490366B (zh) | 电动汽车退役电池模块健康状态的快速评估方法 | |
| US8340934B2 (en) | Method of performance analysis for VRLA battery | |
| CN109100655B (zh) | 一种动力电池的数据处理方法和装置 | |
| CN113696786B (zh) | 电池均衡方法及系统 | |
| CN109799463A (zh) | 基于大数据方法的实际运行工况下动力电池soc/soh/sop的估计与预测方法 | |
| CN112904219B (zh) | 一种基于大数据的动力电池健康状态的预测方法 | |
| CN106556802A (zh) | 一种蓄电池组异常单体电池识别方法及装置 | |
| CN112834945A (zh) | 评估模型建立方法、电池健康状态评估方法及相关产品 | |
| Li et al. | Real-time estimation of lead-acid battery parameters: A dynamic data-driven approach | |
| CN116609676B (zh) | 一种基于大数据处理的混合储能电池状态监控方法及系统 | |
| CN110323508B (zh) | 电动汽车中动力电池的回收系统和方法 | |
| CN114325403A (zh) | 基于电化学阻抗谱测试的锂离子电池寿命检测方法和系统 | |
| CN104535935A (zh) | 一种动力电池组的容量检测方法及装置 | |
| CN116643178B (zh) | 一种电池管理系统的soc估算方法及相关装置 | |
| CN110927609B (zh) | 梯次利用电池储能系统的衰退评估方法及装置 | |
| CN114545234A (zh) | 一种基于电池温度梯度变化监测电池状态的方法 | |
| CN115166555B (zh) | 一种电池大数据平台电池模块内阻异常识别方法及系统 | |
| CN111036584A (zh) | 一种退役电池分选方法及装置 | |
| CN112964996A (zh) | 电池检测方法、装置、设备及存储介质 | |
| CN114879070A (zh) | 一种电池状态评估方法及相关设备 | |
| CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
| CN117388564A (zh) | 基于实车运行数据的动力电池一致性异常检测方法 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200811 Address after: Susong Road West and Shenzhen Road North, Hefei Economic and Technological Development Zone, Anhui Province Applicant after: Weilai (Anhui) Holding Co., Ltd Address before: 30 Floor of Yihe Building, No. 1 Kangle Plaza, Central, Hong Kong, China Applicant before: NIO NEXTEV Ltd. |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |