CN109604192B - 基于大数据分析的电池分选方法及系统 - Google Patents
基于大数据分析的电池分选方法及系统 Download PDFInfo
- Publication number
- CN109604192B CN109604192B CN201811393518.0A CN201811393518A CN109604192B CN 109604192 B CN109604192 B CN 109604192B CN 201811393518 A CN201811393518 A CN 201811393518A CN 109604192 B CN109604192 B CN 109604192B
- Authority
- CN
- China
- Prior art keywords
- single battery
- battery
- characteristic curve
- dynamic characteristic
- curve data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000007405 data analysis Methods 0.000 title claims abstract description 26
- 230000002159 abnormal effect Effects 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims description 46
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 description 14
- 238000013500 data storage Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 5
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000007599 discharging Methods 0.000 description 4
- 229910001416 lithium ion Inorganic materials 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/344—Sorting according to other particular properties according to electric or electromagnetic properties
Landscapes
- Secondary Cells (AREA)
Abstract
本发明涉及知识自动化技术领域，具体涉及一种基于大数据分析的电池分选方法及系统，旨在解决如何筛选出一致性更好的单体电池，以提高电池包性能的问题，为此目的，本发明提供的基于大数据分析的电池分选方法包括：获取多个单体电池的容量和动态特性曲线数据；根据预设的容量范围与容量将所述多个单体电池划分为多个单体电池组，每个单体电池组至少包括一个单体电池；根据每个单体电池组中单体电池的动态特性曲线数据预测并显示每个单体电池组中的异常单体电池。基于上述步骤，可以筛除单体电池组中的异常单体电池，得到一致性更好的单体电池组，提高电池包的性能。
Description
技术领域
本发明涉及知识自动化技术领域，具体涉及一种基于大数据分析的电池分选方法及系统。
背景技术
近年来，电池作为一种清洁能源得到了广泛发展。电池的生产工序主要包括电芯生产、化成分容和PACK装配三大工序，其中，在化成分容工序中，如何将性能一致的单体电池组成电池包是一个极具挑战的问题。
目前，大部分电池生产企业均是根据单体电池的化成容量的大小进行分选，在单体电池一致性筛选过程中多是基于单体电池的容量差、内阻差等静态特性，然而这种利用静态性筛选出的单体电池，难以保证在实际使用过程中的一致性，从而影响使用效果。
相应的，本领域需要一种新的电池分选方法及系统来解决上述问题。
发明内容
为了解决现有技术中的上述问题，即为了解决如何筛选出一致性更好的单体电池，以提高电池包性能的问题，为此目的，本发明的一方面，提供了一种基于大数据分析的电池分选方法，所述电池分方法包括：
获取多个单体电池的容量和动态特性曲线数据；
根据预设的容量范围与所述容量将所述多个单体电池划分为多个单体电池组，每个所述单体电池组至少包括一个单体电池；
根据所述每个单体电池组中单体电池的动态特性曲线数据预测并显示所述每个单体电池组中的异常单体电池。
进一步地，本发明提供的一个优选实施方案为：
“获取多个单体电池的容量和动态特性曲线数据”的步骤包括：
对所述多个单体电池进行化成处理；
根据处理结果获取所述单体电池的容量和动态特性曲线数据。
进一步地，本发明提供的一个优选实施方案为：
“根据所述每个单体电池组中单体电池的动态特性曲线数据预测并显示所述每个单体电池组中的异常单体电池”的步骤包括：
利用预设的电池分选模型并且根据所述单体电池组中每个单体电池的动态特性曲线数据预测所述单体电池组中动态特性曲线数据差异较大的单体电池；
判断预测结果是否准确：若是，则显示所述动态特性曲线数据差异较大的单体电池。
进一步地，本发明提供的一个优选实施方案为：
在“利用预设的电池分选模型并且根据所述单体电池组中每个单体电池的动态特性曲线数据预测所述动态特性曲线数据差异较大的单体电池”的步骤之前，所述方法还包括：
基于多个预设的单体电池组内每个单体电池的动态特性曲线数据以及所述每个单体电池的状态标签构建数据训练集；
根据所述数据训练集对所述电池分选模型进行训练；
其中，所述状态标签是异常单体电池或正常单体电池。
进一步地，本发明提供的一个优选实施方案为：
在“判断预测结果是否准确”的步骤之后，所述方法还包括：
若所述预测结果准确，则设定所述动态特性曲线数据差异较大的单体电池的状态标签为异常单体电池并且将所述单体电池的动态特性曲线数据和所述状态标签添加至所述数据训练集；
若所述预测结果错误，则设定所述动态特性曲线数据差异较大的单体电池的状态标签为正常单体电池并且将所述单体电池的动态特性曲线数据和所述状态标签添加至所述数据训练集。
本发明的另一方面，还提供了一种基于大数据分析的电池分选系统，所述电池分系统包括：
数据获取模块，配置为获取多个单体电池的容量和动态特性曲线数据；
单体电池组获取模块，配置为根据预设的容量范围与所述容量将所述多个单体电池划分为多个单体电池组，每个所述单体电池组至少包括一个单体电池；
电池分选模块，配置为根据所述每个单体电池组中单体电池的动态特性曲线数据预测并显示所述每个单体电池组中的异常单体电池。
进一步地，本发明提供的一个优选实施方案为：
所述数据获取模块进一步配置为执行如下操作：
对所述多个单体电池进行化成处理；
根据处理结果获取所述单体电池的容量和动态特性曲线数据。
进一步地，本发明提供的一个优选实施方案为：
所述电池分选模块包括异常电池预测单元和模型评价单元，
所述异常电池预测单元配置为利用预设的电池分选模型并且根据所述单体电池组中每个单体电池的动态特性曲线数据预测所述单体电池组中动态特性曲线数据差异较大的单体电池；
所述模型评价单元配置为判断预测结果是否准确：若是，则显示所述动态特性曲线数据差异较大的单体电池。
进一步地，本发明提供的一个优选实施方案为：
所述电池分选模块还包括模型训练单元，所述模型训练单元配置为执行如下操作：
基于多个预设的单体电池组内每个单体电池的动态特性曲线数据以及所述每个单体电池的状态标签构建数据训练集；
根据所述数据训练集对所述电池分选模型进行训练；
其中，所述状态标签是异常单体电池或正常单体电池。
进一步地，本发明提供的一个优选实施方案为：
所述模型评价单元进一步配置为执行如下操作：
若所述预测结果准确，则设定所述动态特性曲线数据差异较大的单体电池的状态标签为异常单体电池并且将所述单体电池的动态特性曲线数据和所述状态标签添加至所述数据训练集；
若所述预测结果错误，则设定所述动态特性曲线数据差异较大的单体电池的状态标签为正常单体电池并且将所述单体电池的动态特性曲线数据和所述状态标签添加至所述数据训练集。
与最接近的现有技术相比，上述技术方案至少具有如下有益效果：
本发明提供的基于大数据分析的电池分选方法主要包括如下步骤：获取多个单体电池的容量和动态特性曲线数据；根据预设的容量范围与容量将所述多个单体电池划分为多个单体电池组，每个单体电池组至少包括一个单体电池；根据每个单体电池组中单体电池的动态特性曲线数据预测并显示每个单体电池组中的异常单体电池。基于上述步骤，根据单体电池的容量和动态特性曲线对多个单体电池进行分组并筛选异常单体电池，得到一致性更好的单体电池组，提高电池包的性能。
附图说明
图1为本发明实施例中一种基于大数据分析的电池分选方法的主要步骤示意图；
图2为本发明实施例中一种基于大数据分析的电池分选系统的主要结构示意图；
图3为本发明实施例中一种基于大数据分析的电池分选方法的主要流程示意图。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
本发明提供的基于大数据分析的电池分选方法，其目的是根据单体电池的化成数据，将性能一致的单体电池分组以组装电池包。首先，将生产的单体电池(例如18650圆柱电池)进行化成激活后，根据单体电池的化成容量分为若干个组，即使容量相近的单体电池分在同一组。其次，根据同一组内单体电池在充放电过程中动态特性曲线数据筛选出异常电池，这样既可得到一致性良好的单体电池组以组装电池包。下面结合附图对本发明提供的基于大数据分析的电池分选方法进行详细说明。
参阅附图1，图1示例性示出了基于大数据分析的电池分选方法的主要步骤，如图1所示基于大数据分析的电池分选方法可以包括如下步骤：
步骤S101：获取多个单体电池的容量和动态特性曲线数据。具体地，对多个单体电池进行化成处理；根据处理结果获取单体电池的容量和动态特性曲线数据。生产的单体电池在进行化成激活后，获取单体电池的容量和动态特性曲线数据。其中，动态特性曲线数据是单体电池在充放电过程中的动态特性曲线数据，是一个时间序列数据，例如充放电电压曲线、充放电电流曲线、内阻变化曲线、SOC动态曲线等。
步骤S102：根据预设的容量范围与容量将多个单体电池划分为多个单体电池组。具体地，在获取多个单体电池的容量之后按照容量大小划分若干个容量范围，根据每个单体电池的容量和划分的容量范围，将获取的多个单体电池划分为多个单体电池组。其中，每个单体电池组至少包括一个单体电池。
步骤S103根据每个单体电池组中单体电池的动态特性曲线数据预测并显示每个单体电池组中的异常单体电池。
具体地，利用预设的电池分选模型并且根据单体电池组中每个单体电池的动态特性曲线数据预测单体电池组中动态特性曲线数据差异较大的单体电池；判断预测结果是否准确：若是，则显示动态特性曲线数据差异较大的单体电池。
进一步地，电池分选模型可以是智能算法模型，例如支持向量机SVM、卷积神经网络CNN等。对该电池分选模型的训练步骤可以包括：基于多个预设的单体电池组内每个单体电池的动态特性曲线数据以及每个单体电池的状态标签构建数据训练集；根据数据训练集对电池分选模型进行训练。其中，状态标签可以是异常单体电池或正常单体电池。本实施例中构建训练集的步骤包括：获取单体电池在化成过程中产生的动态特性曲线数据；对所获取的每个单体电池的动态特性曲线数据进行数据清洗、数据标注、不平衡学习的预处理操作；基于预处理后的动态特性曲线数据及其状态标签构建数据训练集。
进一步地，在“判断预测结果是否准确”的步骤之后，还可以包括如下步骤：若预测结果准确，则设定动态特性曲线数据差异较大的单体电池的状态标签为异常单体电池并且将单体电池的动态特性曲线数据和状态标签添加至数据训练集；若预测结果错误，则设定动态特性曲线数据差异较大的单体电池的状态标签为正常单体电池并且将单体电池的动态特性曲线数据和状态标签添加至数据训练集。
具体地，若预测预测结果准确，则表示预测出的动态特性曲线数据差异较大的单体电池与真实情况一致，此时将预测的动态特性曲线数据差异较大的单体电池的状态标签标注为异常单体电池，并将标注后的动态特性曲线数据及其状态标签添加至数据训练集。若预测预测结果错误，则表示预测出的动态特性曲线数据差异较大的单体电池与真实情况不一致，此时将错误预测的动态特性曲线数据差异较大的单体电池的状态标签标注为正常单体电池，并将标注后的动态特性曲线数据及其状态标签添加至数据训练集。基于上述步骤可以不断更新和扩充数据训练集中的训练样本，利用更新和扩充后的数据训练集训练电池分选模型可以不断提高电池分选模型的精度。
上述实施例中虽然将各个步骤按照上述先后次序的方式进行了描述，但是本领域技术人员可以理解，为了实现本实施例的效果，不同的步骤之间不必按照这样的次序执行，其可以同时(并行)执行或以颠倒的次序执行，这些简单的变化都在本发明的保护范围之内。
基于与方法实施例相同的发明构思，本发明还提供了一种基于大数据分析的电池分选系统。下面结合附图对发明提供的基于大数据分析的电池分选系统进行详细说明。
参阅附图2，图2示例性示出了基于大数据分析的电池分选系统的主要结构，如图2所示基于大数据分析的电池分选系统可以包括如下结构：
数据获取模块11，配置为获取多个单体电池的容量和动态特性曲线数据；
单体电池组获取模块12，配置为根据预设的容量范围与容量将多个单体电池划分为多个单体电池组，每个单体电池组至少包括一个单体电池；
电池分选模块13，配置为根据每个单体电池组中单体电池的动态特性曲线数据预测并显示每个单体电池组中的异常单体电池。
进一步地，数据获取模块11进一步配置为执行如下操作：对多个单体电池进行化成处理；根据处理结果获取单体电池的容量和动态特性曲线数据。
进一步地，电池分选模块13还可以包括异常电池预测单元和模型评价单元。异常电池预测单元配置为利用预设的电池分选模型并且根据单体电池组中每个单体电池的动态特性曲线数据预测单体电池组中动态特性曲线数据差异较大的单体电池。模型评价单元配置为判断预测结果是否准确：若是，则显示动态特性曲线数据差异较大的单体电池。需要说明的是，模型评价单元可以通过预设的智能算法实现对异常电池预测单元预测结果的评价。电池分选模块13也可以利用人工评价方法对异常电池预测单元预测结果进行评价，从而不设置模型评价单元，。
本实施例中，电池分选模块13可以是建立在大数据集群基础上的大数据分析模型，大数据集群可以包括多个服务器或PC机。电池分选模块3中还包括大数据存储平台，用于存储单体电池的容量和动态特性曲线数据。该大数据存储平台是大数据集群分布式存储平台，例如，利用开源工具Cloudera搭建的大数据存储平台；利用开元工具Hadoop搭建的大数据存储平台。电池分选模块3中还包括具有显示功能的模块，例如web浏览器、开发的客户端界面等，该模块用于显示动态特性曲线数据差异较大的单体电池。
进一步地，电池分选模块13还包括模型训练单元，模型训练单元配置为执行如下操作：基于多个预设的单体电池组内每个单体电池的动态特性曲线数据以及每个单体电池的状态标签构建数据训练集；根据数据训练集对电池分选模型进行训练；其中，状态标签是异常单体电池或正常单体电池。
模型评价单元进一步配置为执行如下操作：若预测结果准确，则设定动态特性曲线数据差异较大的单体电池的状态标签为异常单体电池并且将单体电池的动态特性曲线数据和所述状态标签添加至数据训练集；若预测结果错误，则设定动态特性曲线数据差异较大的单体电池的状态标签为正常单体电池并且将单体电池的动态特性曲线数据和状态标签添加至数据训练集。
应指出的是，上面对本发明的系统实施例进行了描述，但是对一个实施例描述的细节也可应用于另一个实施例。对于本发明实施例中涉及的模块的名称，仅仅是为了区分各个模块，不视为对本发明的不当限定。本领域技术人员应该理解：本发明实施例中的模块还可以再分解或者组合。例如上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
参阅附图3，图3示例性示出了一种基于大数据分析的电池分选方法的主要流程，如图3所示基于大数据分析的电池分选方法可以包括如下内容：以锂离子单体电池为例，组装锂离子电池包的工序主要包括电芯生产(即，单体电池的生产)、化成分容和PACK装配三个工序，其中，化成分容工序中的分选方法主要包括电芯的容量分选和锂离子电池化成曲线分选，容量分选主要是根据电芯的容量大小，将生产的电芯划分为多个电池组，锂离子电池化成曲线分选主要是根据化成过程中电芯的动态特性曲线数据预测电池组中的异常电芯。本实施中，化成分容的工序主要利用电池分选系统实现。具体地，电池分选系统可以包括数据层、计算层和可视化层。数据层包括多个化成终端，用于存储电芯的化成分容过程中容量和动态特性曲线数据，并将容量和动态特性曲线数据输送至计算层中的大数据存储平台。计算层对大数据存储平台中的数据进行数据清洗、标注、不平衡学习等数据预处理操作，以建立模型训练数据库，利用模型训练数据库中带有标签数据训练电池分选模型，训练后的电池分选模型可以根据大数据存储平台中的数据预测电池组中异常电芯，评价系统根据电池分选模型的模型计算结果进行进一步判断，从而更新模型训练数据库，以便利用更新后的模型训练数据库训练电池分选模型。计算层中还包括模型库，该模型库中包括多个电池分选模型，以进行不同任务的分类或预测，电池分选模型可以用程序编写算法实现，如支持向量机SVM、卷积神经网路CNN。可视化层对电池分选模型的预测结果进行可视化展示，可视化层可是web浏览器或客户端界面或其它形式的可视化展示。
本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的方法步骤及系统，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
术语“包括”或者任何其它类似用语旨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、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (4)
1.一种基于大数据分析的电池分选方法，其特征在于，所述电池分选方法包括：
获取多个单体电池的容量和动态特性曲线数据；
根据预设的容量范围与所述容量将所述多个单体电池划分为多个单体电池组，每个所述单体电池组至少包括一个单体电池；
根据所述每个单体电池组中单体电池的动态特性曲线数据预测并显示所述每个单体电池组中的异常单体电池；
其中，“根据所述每个单体电池组中单体电池的动态特性曲线数据预测并显示所述每个单体电池组中的异常单体电池”的步骤包括：
利用预设的电池分选模型并且根据所述单体电池组中每个单体电池的动态特性曲线数据预测所述单体电池组中动态特性曲线数据差异较大的单体电池；
判断预测结果是否准确：若是，则显示所述动态特性曲线数据差异较大的单体电池；
其中，在“利用预设的电池分选模型并且根据所述单体电池组中每个单体电池的动态特性曲线数据预测所述动态特性曲线数据差异较大的单体电池”的步骤之前，所述方法还包括：
基于多个预设的单体电池组内每个单体电池的动态特性曲线数据以及所述每个单体电池的状态标签构建数据训练集；
根据所述数据训练集对所述电池分选模型进行训练；
其中，所述状态标签是异常单体电池或正常单体电池；
其中，在“判断预测结果是否准确”的步骤之后，所述方法还包括：
若所述预测结果准确，则设定所述动态特性曲线数据差异较大的单体电池的状态标签为异常单体电池并且将所述单体电池的动态特性曲线数据和所述状态标签添加至所述数据训练集；
若所述预测结果错误，则设定所述动态特性曲线数据差异较大的单体电池的状态标签为正常单体电池并且将所述单体电池的动态特性曲线数据和所述状态标签添加至所述数据训练集。
2.根据权利要求1所述的基于大数据分析的电池分选方法，其特征在于，“获取多个单体电池的容量和动态特性曲线数据”的步骤包括：
对所述多个单体电池进行化成处理；
根据处理结果获取所述单体电池的容量和动态特性曲线数据。
3.一种基于大数据分析的电池分选系统，其特征在于，所述电池分选系统包括：
数据获取模块，配置为获取多个单体电池的容量和动态特性曲线数据；
单体电池组获取模块，配置为根据预设的容量范围与所述容量将所述多个单体电池划分为多个单体电池组，每个所述单体电池组至少包括一个单体电池；
电池分选模块，配置为根据所述每个单体电池组中单体电池的动态特性曲线数据预测并显示所述每个单体电池组中的异常单体电池；
所述电池分选模块包括异常电池预测单元和模型评价单元，
所述异常电池预测单元配置为利用预设的电池分选模型并且根据所述单体电池组中每个单体电池的动态特性曲线数据预测所述单体电池组中动态特性曲线数据差异较大的单体电池；
所述模型评价单元配置为判断预测结果是否准确：若是，则显示所述动态特性曲线数据差异较大的单体电池；
其中，所述电池分选模块还包括模型训练单元，所述模型训练单元配置为执行如下操作：
基于多个预设的单体电池组内每个单体电池的动态特性曲线数据以及所述每个单体电池的状态标签构建数据训练集；
根据所述数据训练集对所述电池分选模型进行训练；
其中，所述状态标签是异常单体电池或正常单体电池；
其中，所述模型评价单元进一步配置为执行如下操作：
若所述预测结果准确，则设定所述动态特性曲线数据差异较大的单体电池的状态标签为异常单体电池并且将所述单体电池的动态特性曲线数据和所述状态标签添加至所述数据训练集；
若所述预测结果错误，则设定所述动态特性曲线数据差异较大的单体电池的状态标签为正常单体电池并且将所述单体电池的动态特性曲线数据和所述状态标签添加至所述数据训练集。
4.根据权利要求3所述的基于大数据分析的电池分选系统，其特征在于，所述数据获取模块进一步配置为执行如下操作：
对所述多个单体电池进行化成处理；
根据处理结果获取所述单体电池的容量和动态特性曲线数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811393518.0A CN109604192B (zh) | 2018-11-21 | 2018-11-21 | 基于大数据分析的电池分选方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811393518.0A CN109604192B (zh) | 2018-11-21 | 2018-11-21 | 基于大数据分析的电池分选方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109604192A CN109604192A (zh) | 2019-04-12 |
| CN109604192B true CN109604192B (zh) | 2020-02-28 |
Family
ID=66003434
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811393518.0A Active CN109604192B (zh) | 2018-11-21 | 2018-11-21 | 基于大数据分析的电池分选方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109604192B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111948561B (zh) * | 2020-08-04 | 2022-12-27 | 上海安趋信息科技有限公司 | 基于实测大数据和人工智能学习算法的电池寿命预测方法 |
| CN112417767B (zh) * | 2020-12-09 | 2024-02-27 | 东软睿驰汽车技术（沈阳）有限公司 | 一种衰减趋势确定模型构建方法、衰减趋势确定方法 |
| CN114019393A (zh) * | 2021-10-29 | 2022-02-08 | 北京三缘聚科技有限公司 | 一种基于数据的电池容量预测方法及系统 |
| 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 |
| CN117085954B (zh) * | 2023-08-17 | 2024-03-22 | 上海霖承环保科技有限公司 | 一种基于大数据的家电回收智能分选系统及方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000008700A1 (en) * | 1998-08-06 | 2000-02-17 | Tredi | Automatic sorting of battery power packs |
| CN102698968A (zh) * | 2012-06-07 | 2012-10-03 | 北京有色金属研究总院 | 分选锂离子动力电池的方法 |
| CN104014491A (zh) * | 2014-06-26 | 2014-09-03 | 武汉中原长江科技发展有限公司 | 一种并联锂离子电池的筛选方法 |
| CN104332665A (zh) * | 2014-08-21 | 2015-02-04 | 中航锂电（洛阳）有限公司 | 一种电池配组方法 |
| CN105550452A (zh) * | 2015-12-18 | 2016-05-04 | 中国科学院上海高等研究院 | 基于启发式算法的锂离子电池p2d模型参数的辨识方法 |
| CN105680109A (zh) * | 2016-03-25 | 2016-06-15 | 杭州电子科技大学 | 一种基于深度学习的动力电池配组方法 |
| CN106093782A (zh) * | 2016-06-03 | 2016-11-09 | 哈尔滨工业大学 | 动态建模的最小二乘支持向量机soc估计方法 |
| JP2016192827A (ja) * | 2015-03-30 | 2016-11-10 | 株式会社カネカ | 基準太陽電池の選別装置、基準太陽電池の選別方法、並びに、太陽電池モジュールの製造方法 |
| CN107127166A (zh) * | 2017-05-22 | 2017-09-05 | 广东亿纬赛恩斯新能源系统有限公司 | 一种锂电池一致性的分选方法和锂电池 |
| CN108655028A (zh) * | 2018-03-20 | 2018-10-16 | 中国电力科学研究院有限公司 | 一种基于模糊均值聚类算法对电池进行分类的方法及系统 |
-
2018
- 2018-11-21 CN CN201811393518.0A patent/CN109604192B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2000008700A1 (en) * | 1998-08-06 | 2000-02-17 | Tredi | Automatic sorting of battery power packs |
| CN102698968A (zh) * | 2012-06-07 | 2012-10-03 | 北京有色金属研究总院 | 分选锂离子动力电池的方法 |
| CN104014491A (zh) * | 2014-06-26 | 2014-09-03 | 武汉中原长江科技发展有限公司 | 一种并联锂离子电池的筛选方法 |
| CN104332665A (zh) * | 2014-08-21 | 2015-02-04 | 中航锂电（洛阳）有限公司 | 一种电池配组方法 |
| JP2016192827A (ja) * | 2015-03-30 | 2016-11-10 | 株式会社カネカ | 基準太陽電池の選別装置、基準太陽電池の選別方法、並びに、太陽電池モジュールの製造方法 |
| CN105550452A (zh) * | 2015-12-18 | 2016-05-04 | 中国科学院上海高等研究院 | 基于启发式算法的锂离子电池p2d模型参数的辨识方法 |
| CN105680109A (zh) * | 2016-03-25 | 2016-06-15 | 杭州电子科技大学 | 一种基于深度学习的动力电池配组方法 |
| CN106093782A (zh) * | 2016-06-03 | 2016-11-09 | 哈尔滨工业大学 | 动态建模的最小二乘支持向量机soc估计方法 |
| CN107127166A (zh) * | 2017-05-22 | 2017-09-05 | 广东亿纬赛恩斯新能源系统有限公司 | 一种锂电池一致性的分选方法和锂电池 |
| CN108655028A (zh) * | 2018-03-20 | 2018-10-16 | 中国电力科学研究院有限公司 | 一种基于模糊均值聚类算法对电池进行分类的方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| BP神经网络在电池分选中的应用;武云丽等;《哈尔滨理工大学学报》;20011031;第6卷(第5期);第10-13页 * |
| 基于LS-SVM和FCM的锌银动力电池分选方法研究;姚杰等;《黑龙江大学自然科学学报》;20180831;第35卷(第4期);第484-492页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109604192A (zh) | 2019-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109604192B (zh) | 基于大数据分析的电池分选方法及系统 | |
| Turetskyy et al. | Battery production design using multi-output machine learning models | |
| CN111241154B (zh) | 一种基于大数据的蓄电池故障预警方法及系统 | |
| Sauer et al. | Comparison of different approaches for lifetime prediction of electrochemical systems—Using lead-acid batteries as example | |
| CN103048625B (zh) | 电池的状态预测系统和方法 | |
| US8340934B2 (en) | Method of performance analysis for VRLA battery | |
| CN110929934A (zh) | 设备故障预测方法、装置、计算机设备和存储介质 | |
| US20220373601A1 (en) | Battery Performance Prediction | |
| CN107329088A (zh) | 电池的健康状态诊断装置和方法 | |
| CN112818602B (zh) | 基于大数据分析的电池数字孪生控制方法及装置 | |
| EP3905424B1 (en) | Data processing device, data processing method and computer program | |
| JP2021077450A (ja) | 電池管理システム、電池管理方法、及び組電池の製造方法 | |
| CN108957331A (zh) | 电池性能检测方法及电池性能检测系统 | |
| CN109768340B (zh) | 一种电池放电过程电压不一致性估计方法及装置 | |
| CN110046074A (zh) | 数据中心动力环境监测系统及监测方法 | |
| Wanner et al. | Quality modelling in battery cell manufacturing using soft sensoring and sensor fusion-A review | |
| CN114280479A (zh) | 一种基于电化学阻抗谱的退役电池快速分选方法 | |
| CN111126489A (zh) | 一种基于集成学习的输电设备状态评价方法 | |
| CN114460474A (zh) | 电池分容方法及其装置、电子设备 | |
| CN115114843A (zh) | 一种电池容量的预测方法、相关装置、设备以及存储介质 | |
| Mutz et al. | Toward a Li‐ion battery ontology covering production and material structure | |
| Liu et al. | An implementation of industrial IoT: a case study in lithium-ion battery pack and assembly | |
| CN117310500A (zh) | 电池状态分类模型构建方法及电池状态分类方法 | |
| CN113300016A (zh) | 一种电池充放电控制方法和装置 | |
| CN115544903B (zh) | 基于大数据的电池数据处理方法、装置、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 |