CN110208705A - 一种锂电池剩余寿命预测方法及装置 - Google Patents

一种锂电池剩余寿命预测方法及装置 Download PDF

Info

Publication number
CN110208705A
CN110208705A CN201910385098.XA CN201910385098A CN110208705A CN 110208705 A CN110208705 A CN 110208705A CN 201910385098 A CN201910385098 A CN 201910385098A CN 110208705 A CN110208705 A CN 110208705A
Authority
CN
China
Prior art keywords
lithium battery
module
conversion module
voltage
battery
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.)
Pending
Application number
CN201910385098.XA
Other languages
English (en)
Inventor
彭军
郑智勇
李恒
杨迎泽
张晓勇
程亦君
陈彬
黄志武
蒋富
刘伟荣
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.)
Central South University
CERNET Corp
Original Assignee
Central South University
CERNET Corp
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 Central South University, CERNET Corp filed Critical Central South University
Priority to CN201910385098.XA priority Critical patent/CN110208705A/zh
Publication of CN110208705A publication Critical patent/CN110208705A/zh
Pending legal-status Critical Current

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]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • 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]
    • G01R31/371—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with remote indication, e.g. on external chargers
    • 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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health

Abstract

本发明公开了一种锂电池剩余寿命预测方法及装置，装置包括AC‑DC转换模块、DC‑DC转换模块和控制板；预测方法包括以下步骤：首先使用AC‑DC转换模块对锂电池进行充电；然后使用DC‑DC转换模块进行放电；在放电期间，对电池的电压及电流信号进行采集，并通过串口转UDP模块、4G‑LTE数传模块上传至云服务器；服务器分别根据电池的放电电流信号和电压信号求得电池的可用容量CAP及电压信号的波动指数VCFI；然后将归一化处理后的CAP和VCFI作为特征，送到训练好的基于梯度提升决策树的预测模型中，通过映射即可求得电测的预测寿命。本发明提高了锂电池剩余使用寿命预测的精度。

Description

一种锂电池剩余寿命预测方法及装置
技术领域
本发明属于锂电池预测与健康管理技术领域，涉及一种锂电池剩余寿命预测方法及装置。
背景技术
锂电池由于其具有高能量密度，高电压，低自放电和循环寿命长等优点，在工业、农业、交通、通讯和航空航天领域得到了广泛的应用。然而，在电池周而复始的使用过程中，随着锂离子电池正负极材料的退化，内部涂层粘合强度的退化，以及过电压过电流等对电池形成的不可修复的损害，锂离子电池的剩余使用寿命在渐渐的缩短。在对锂电池的使用中，一旦忽视其剩余寿命，超限期、超负荷使用锂离子电池，轻则损坏电池及仪器设备，重则甚至造成严重的故障事故的发生。锂电池的剩余寿命预测对于系统设备的维护是必不可少的重要信息，根据寿命预测结果的分析对系统设备进行良好管理，可以提高系统或设备可用性和可靠性，同时降低或避免故障造成的重大损失。
传统的锂电池剩余使用寿命预测方法主要是基于对锂电池的内部机制分析。机理分析方法是基于对电化学机理的深入研究，考虑内部变量(如电解质浓度，扩散系数)和外部影响因素(如电压，电流，温度和荷电状态)，然后建立电池退化现象的物理模型。然而，由于电池内部的复杂电化学反应和外部性能变化，使用基于机制的方法难以实施并难以保证锂电池寿命预测的精度。
因此，有必要设计一种能够保证预测精度的锂电池剩余寿命预测方法及装置。
发明内容
本发明所解决的技术问题是，针对现有技术的不足，提供一种锂电池剩余寿命预测方法及装置，提高了锂电池剩余使用寿命预测的精度。
一方面，本发明提供了一种锂电池剩余寿命预测方法，包括如下步骤：
步骤1：对锂电池先充电至完全充满；
步骤2：对锂电池进行恒流模式放电，并在放电期间采集锂电池的电压和放电电流，得到放电期间锂电池的电压曲线和放电电流曲线；
步骤3：从放电期间锂电池的电压曲线和放电电流曲线提取锂电池的特征；
步骤4：将锂电池的特征输入到训练好的锂电池剩余寿命预测模型中，输出锂电池的剩余使用寿命。
进一步地，所述步骤2中，在放电期间周期性采集锂电池的电压和放电电流，即首先采集初始锂电池电压和放电电流，再以初始锂电池电压和放电电流采集时间为起始时刻并每间隔一个周期采集一下锂电池的电压和放电电流；由采集到的数据绘制整个放电期间锂电池的电压曲线和放电电流曲线。
进一步地，所述步骤3中，锂电池的特征包括电池可用容量CAP和电压曲线的信号波动指数VCFI。其中，电池的可用容量CAP的计算公式为：
其中，Δt为采样周期，M为整个放电期间(从开始时间ta至结束时间tb)内的采样点的个数；Ii为第i个采样点采集到的锂电池放电电流；
电压曲线的信号波动指数VCFI的计算公式为：
式中，yi为第i个采样点采集到的锂电池电压，μ为M个采样点采集到的电压的平均值，其中M为采样点的总数，ω为采样频率，ω＝1/Δt。
进一步地，先对步骤3中提取到的特征进行归一化处理，再将归一化处理后得到的特征值输入到训练好的锂电池剩余寿命预测模型中进行计算。对某一特征X进行归一化处理是使用线性函数将其转换到[0 1]的范围，公式如下：
其中Xnorm为特征X归一化处理后得到的特征值，Xmax和Xmin分别为所有训练样本相应特征的最大值和最小值。
进一步地，所述锂电池剩余寿命预测模型为基于梯度提升决策树(GBDT)构建的模型(机器学习模型)。
进一步地，训练锂电池剩余寿命预测模型的方法为：
首先，由若干已知剩余使用寿命(已知标签)的锂电池构成训练样本集合；
然后，对训练样本集合中的每一个训练样本，分别根据步骤1～步骤3提取其特征(包括电池可用容量CAP和电压曲线的信号波动指数VCFI)，即提取训练样本的特征；
最后，以训练样本的特征为输入，训练样本的剩余使用寿命为输出，训练锂电池剩余寿命预测模型，确定模型参数，得到训练好的锂电池剩余寿命预测模型。
进一步地，所述步骤1中，先对锂电池先进行恒流(CC)模式充电，再进行恒压(CV)模式充电；
进一步地，所述步骤1中，通过AC-DC转换模块为锂电池充电；AC-DC转换模块的输入端连接AC220V，输出端连接锂电池，控制端连接控制板；通过控制板的PID控制实现锂电池的恒流模式和恒压模式充电。
进一步地，所述步骤1中，恒流模式充电过程，以较大的电流(该值可根据经验设置)进行充电，以提高锂电池的充电效率，减少充电时间；待到电池快充满(电池电压达到预定值，预定值根据经验设定)时，改用恒压模式充电，恒压模式充电的恒定电压值，就是电池充满时的电压值，防止电池被过充电；最终当电流降至一定值时，AC-DC转换模块输出端的电压和电池的电压接近相等，充电结束。
进一步地，所述步骤2中，通过DC-DC转换模块给锂电池放电；DC-DC转换模块的输入端连接锂电池，输出端连接到大功率电阻(如功率为500W的黄金铝壳电阻)，控制端连接控制板；通过控制板的PID闭环控制实现锂电池的恒流模式放电。
进一步地，所述步骤2中，恒流模式放电过程直到锂电池电压降至其终止电压(截止电压)时结束，对其进行更进一步的放电可能对电池造成不可逆的损伤。
进一步地，所述控制板向AC-DC转换模块和DC-DC转换模块输出的控制信号为PWM信号。
进一步地，控制板的充电控制信号和放电控制信号均为占空比可变的频率为0.05Hz的方波信号。控制信号的频率为0.05Hz，此值既保证了AC-DC和DC-DC转换模块中开关电路的开关频率能满足对控制信号的正确响应，又能保证控制模块能够及时地调整占空比，实现对AC-DC转换模块和DC-DC的输出电压和输出电流的精确控制，在保证锂电池安全的前提下能快速地进行放电。
另一方面，本发明提供了一种锂电池剩余寿命预测装置，包括AC-DC转换模块、DC-DC转换模块、控制板、大功率电阻和数据采集模块；
AC-DC转换模块的输入端连接AC220V，输出端连接锂电池，控制端连接控制板；所述AC-DC转换模块，用于将AC220V转换成DC对锂电池进行充电；
DC-DC转换模块的输入端连接锂电池，输出端连接到大功率电阻；所述DC-DC转换模块，用于将锂电池的电量以恒流方式向大功率电阻输出，实现锂电池的放电；
所述预测装置采用上述方法进行锂电池剩余寿命预测，具体为：
所述控制板向AC-DC转换模块和DC-DC转换模块输出PWM控制信号，先控制AC-DC转换模块对锂电池进行恒流(CC)模式充电，再对锂电池进行恒压(CV)模式充电；然后控制DC-DC转换模块对锂电池进行恒流模式放电；
所述数据采集模块在锂电池放电期间采集其电压和放电电流，并传送给控制板；
所述控制板通过自身或外接的其它数据处理装置，从数据采集模块采集到的数据中提取出锂电池的特征，将锂电池的特征输入到训练好的锂电池剩余寿命预测模型中，输出锂电池的剩余使用寿命。
进一步地，所述外接的其它数据处理装置为云服务器。所述云服务器，具有高速网络带宽与高强度的计算能力，用于对采集的电池电压及电流信号进行特征提取，数据预处理，回归处理，建立评估模型得到待测电池的剩余使用寿命。
进一步地，所述数据采集模块包括：用于实现与外部编码器数据交互的双口RAM、用于实现与协同控制模块通信的通信芯片、用于实现数据采集与电平转换的传感器、以及用于实现信号滤波的低通滤波电路。
进一步地，所述控制板依次通过串口转UDP模块和4G-LTE数传模块连接至云服务器。所述串口转UDP模块，用于将来自串口的数据转换为UDP方式进行发送；所述4G-LTE数传模块，用于将来自于UDP的数据在4G-LTE链路上通过TCP协议发送到云服务器。
进一步地，所述4G-LTE数传模块中通信模块为4G-LTE板卡。
进一步地，所述云服务器与移动端连接。所述移动端，用于接收在云服务器中计算得到的预测结果，供用户查看。
进一步地，所述装置还包括供电电源模块，用于给装置中的各个用电元件供电。所述供电电源模块包括两个EMI滤波模块、两个DC-DC转换模块、一个短路保护电路；直流24V电源经一个EMI滤波模块处理后得到的信号输入两个DC-DC转换模块，两个DC-DC转换模块的输出信号分别输入短路保护电路，得到的两路输出信号分别经另一个EMI滤波模块处理，得到±15V电源和5V电源；其中±15V电源用于给数据采集模块供电，5V电源用于给控制板中的控制模块、串口转UDP模块及4G-LTE数传模块供电。
有益效果：
1.以往的锂电池剩余使用寿命预测方法基于对电化学机理的深入分析，考虑电池内部变量和外部影响因素，然后建立电池退化现象的物理模型。然而，由于电池内部的复杂电化学反应和外部性能变化，难以建立准确的锂电池退化物理模型，难以保证锂电池寿命预测的精度。而本发明提供的电池剩余使用寿命预测方法基于大量数据(即基于数据驱动)，不需要对电化学原理的深入理解，从而更加方便使用和部署。
2.本发明巧妙地使用从锂电池电压及电流曲线中提取出的电池当前可用容量(CAP)和电压信号的波动指数(VCFI)作为特征，可以很准确地反映电池的退化状态，从而使本发明所提供的方法能提供准确的剩余使用寿命预测结果。
3.本发明将基于梯度提升决策树(GBDT)这一机器学习算法的电池寿命预测模型部署在云服务器上，利用服务器强大的存储能力及计算能力，为寿命预测算法的高效、正确运行提供保障。
附图说明
图1是本发明提供的预测装置的模块示意图；
图2是本发明提供的供电电源模块的示意图；
图3是本发明所述的4G-LTE数传模块的程序流程图；其中图3(a)、3(b)和3(c)分别为主线程流程图、UDP线程流程图和TCP线程流程图；
图4是本发明提供的寿命预测算法的流程图；
具体实施方式
下面结合附图对本发明作更进一步的说明。
实施例1：
本发明提供的锂电池寿命预测方法包括如下步骤：
步骤1：对锂电池进行充电(先进行恒流模式(CC)充电，再进行恒压模式(CV)充电)；
其中，充电装置为AC-DC转换模块，其一端连接AC220V，一端连接锂电池，通过控制板的PID控制实现恒流(CC)模式和恒压(CV)模式充电；
其中，本实施例中锂电池为12.5V的锂电池，恒流(CC)模式充电过程以1.5A进行充电，直至电池电压达到10.5V，恒流充电过程结束；恒压(CV)模式充电过程以12.5V进行充电，直至充电电流降至20mA，整个充电过程结束；
其中，控制板的充电控制信号为占空比可变的频率为0.05Hz的方波信号；
步骤2：对锂电池进行恒流(CC)模式放电，并在放电期间周期性采集电池的电压和放电电流，并发送到云服务器；
其中，放电装置为DC-DC转换模块，其一端连接锂电池，一端连接到大功率电阻，通过控制板的PID闭环控制实现锂电池的恒流(CC)模式放电，对12.5V的锂电池而言，其终止电压(截止电压)为7.5V，因此放电至其电压降至7.5V时结束放电；
其中，控制板的放电控制信号同充电控制信号一样也是占空比可变的频率为0.05Hz的方波信号，其目的是使DC-DC转换模块的输出能跟随4A幅值50％占空比频率为0.05Hz方波放电电流曲线。
其中，周期性采集电压和电流为首先采集初始电压和电流，再以初始电压和电流采集时间为起始时刻并每间隔一个周期采集一下电池的电压和放电电流。
需要说明的是，数据采集模块包括用于外部编码器数据交互的双口RAM、用于实现与协同控制模块通信的通信芯片、用于实现数据采集与电平转换的传感器、以及用于实现信号滤波的低通滤波电路，可以低失真高效率地完成对电压及电流信号的采样；
其中，电池的电压和放电电流从控制板通过串口发送到串口转UDP模块，进而通过UDP协议发送到4G-LTE数传模块，进而由4G-LTE数传模块在4G-LTE链路上通过TCP协议发送到云服务器；
图3展示了本实例中4G-LTE数传模块的程序流程，为保证4G-LTE数传模块的通讯性能，程序为TCP链路和UDP链路分别开辟了线程，两个线程的并行运行，确保了4G-LTE数传模块能够及时有效地接收和发送来自串口转UDP模块和云服务器的数据(从云服务器向串口转UDP模块方向的通讯功能也被开发以待后期使用)，最大程度地降低了系统的时延，提高了数传终端的数据吞吐量。此外，通过实时监控所述4G-LTE数传模块和云服务器的连接状态，及时发现连接异常状态并进行断线重连，保证了系统通讯链路连接的可靠性，同时，实时离线存储功能也保证了系统在通讯异常情况下数据的安全性。
如图4所示，步骤3和步骤4在服务器端上完成对步骤1和步骤2所采集的电池放电过程的电压及电流信号的进一步数据分析，并完成寿命预测；
步骤3：云服务器根据锂电池的完整电压曲线及电流曲线计算电池可用容量(CAP)和电压曲线的信号波动指数(VCFI)，并对其进行归一化处理；
步骤4：云服务器将计算并处理好的电池可用容量(CAP)和电压曲线的信号波动指数(VCFI)输入到训练好的基于梯度提升决策树(GBDT)的预测模型中，进而求得电池的剩余使用寿命；
其中，基于梯度提升决策树(GBDT)的预测模型是以电池可用容量(CAP)和电压曲线的信号波动指数(VCFI)这两个变量作为特征，以作为训练样本的电池的实际剩余使用寿命作为标签训练的机器学习模型；
步骤5：云服务器在计算出待测电池的剩余使用寿命后，通过网络向移动端APP发送预测结果，方便用户的查看；
进一步地，所述步骤3中，锂电池的特征包括电池可用容量CAP和电压曲线的信号波动指数VCFI。其中，电池的可用容量CAP的计算公式为：
其中，Δt为采样周期，M为整个放电期间(从开始时间ta至结束时间tb)内的采样点的个数；Ii为第i个采样点采集到的锂电池放电电流；
电压曲线的信号波动指数VCFI的计算公式为：
式中，yi为第i个采样点采集到的锂电池电压，μ为M个采样点采集到的电压的平均值，其中M为采样点的总数，ω为采样频率，ω＝1/Δt。
本发明使用基于数据的方法，而不是基于机理模型的方法，通过捕捉锂电池的放电过程的电压及电流曲线，并从中提取出电池的可用容量(CAP)和放电过程中电压信号的波动指数(VCFI)，将其作为特征来反映电池的退化状态，并将这两个特征输入到部署在云服务器上的基于梯度提升决策树(GBDT)这一机器学习算法的电池寿命预测模型中，实现了对锂电池剩余使用寿命的准确预测。
实施例2：
参见图1，本实施例提供的锂电池寿命预测装置由AC-DC转换模块、DC-DC转换模块、控制板、大功率电阻、串口转UDP模块、4G-LTE数传模块、供电电源模块、云服务器、移动端APP组成。
在本实例中，AC-DC转换模块和DC-DC转换模块均与控制板连接，且AC-DC转换模块还与锂电池连接，DC-DC转换模块还与大功率电阻和锂电池连接，控制板和串口转UDP模块及4G-LTE数传模块为串联连接。AC-DC转换模块将AC220V转换成DC对锂电池进行充电，DC-DC转换模块将锂电池的电量以恒流方式向大功率电阻输出，实现锂电池的放电，控制板，向AC-DC转换模块和DC-DC转换模块输出PWM控制信号，保证其完成正常的AC-DC及DC-DC转换功能，串口转UDP模块，将来自串口的数据转换为UDP方式向4G-LTE数传模块进行转发，4G-LTE数传模块，将来自于UDP的数据在4G-LTE链路上通过TCP协议发送到云服务器。
如图2所示，供电电源模块将直流24V电压通过电源转换模块后为整个寿命预测装置(除云服务器)提供电源，直流24V电源首先经过EMI滤波模块滤除高频干扰信号，然后通过DC-DC转换出稳定的±15V电源，来给控制板中的传感采集模块供电；转换出的5V电源处理后供控制板中的最小系统、串口转UDP模块及4G-LTE数传模块使用。
本实例中所用云服务器为阿里云1核2GB的ECS服务器，具有1Mbps带宽、40GB硬盘。
应当知道，上述模块是功能性划分，在实际实现过程中，可以将上述一个或多个模块的功能集中在同一个硬件元件中来实现，如数据采集模块可以集成与控制板上，本发明对此不进行具体的限定。
所述装置采用实施例1所述方法实现锂电池寿命预测。
本项目由国家自然科学基金(61672537,61803394,61873353,61672539,61772558)，赛尔网络下一代互联网技术创新项目(NGII20170634)提供部分支持。
需要强调的是，本发明所述的实例是说明性的，而不是限定性的，因此本发明不限于具体实施方式中所述的实例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，不脱离本发明宗旨和范围的，不论是修改还是替换，同样属于本发明的保护范围。

Claims (10)

1.一种锂电池剩余寿命预测方法，其特征在于，包括如下步骤：
步骤1：对锂电池先充电至完全充满；
步骤2：对锂电池进行恒流模式放电，并在放电期间采集锂电池的电压和放电电流，得到放电期间锂电池的电压曲线和放电电流曲线；
步骤3：从放电期间锂电池的电压曲线和放电电流曲线提取锂电池的特征；
步骤4：将锂电池的特征输入到训练好的锂电池剩余寿命预测模型中，输出锂电池的剩余使用寿命。
2.根据权利要求1所述的锂电池剩余寿命预测方法，其特征在于，所述步骤3中，锂电池的特征包括电池可用容量CAP和电压曲线的信号波动指数VCFI；其中，电池的可用容量CAP的计算公式为：
其中，Δt为采样周期，M为整个放电期间(从开始时间ta至结束时间tb)内的采样点的个数；Ii为第i个采样点采集到的锂电池放电电流；
电压曲线的信号波动指数VCFI的计算公式为：
式中，yi为第i个采样点采集到的锂电池电压，μ为M个采样点采集到的电压的平均值，其中M为采样点的总数，ω为采样频率，ω＝1/Δt。
3.根据权利要求1所述的锂电池剩余寿命预测方法，其特征在于，先对步骤3中提取到的特征进行归一化处理，再将归一化处理后得到的特征值输入到训练好的锂电池剩余寿命预测模型中进行计算；对某一特征X进行归一化处理的公式如下：
其中Xnorm为特征X归一化处理后得到的特征值，Xmax和Xmin分别为所有训练样本相应特征的最大值和最小值。
4.根据权利要求1所述的锂电池剩余寿命预测方法，其特征在于，所述锂电池剩余寿命预测模型为基于梯度提升决策树构建的模型。
5.根据权利要求1所述的锂电池剩余寿命预测方法，其特征在于，训练锂电池剩余寿命预测模型的方法为：
首先，由若干已知剩余使用寿命的锂电池构成训练样本集合；
然后，对训练样本集合中的每一个训练样本，分别根据步骤1～步骤3提取其特征，即提取训练样本的特征；
最后，以训练样本的特征为输入，训练样本的剩余使用寿命为输出，训练锂电池剩余寿命预测模型，确定模型参数，得到训练好的锂电池剩余寿命预测模型。
6.根据权利要求1所述的锂电池剩余寿命预测方法，其特征在于，所述步骤1中，先对锂电池先进行恒流模式充电，再进行恒压模式充电。
7.根据权利要求1所述的锂电池剩余寿命预测方法，其特征在于，所述步骤1中，所述步骤1中，通过AC-DC转换模块为锂电池充电；AC-DC转换模块的输入端连接AC220V，输出端连接锂电池，控制端连接控制板；通过控制板的PID控制实现锂电池的恒流模式和恒压模式充电；
所述步骤2中，通过DC-DC转换模块给锂电池放电；DC-DC转换模块的输入端连接锂电池，输出端连接到大功率电阻(如功率为500W的黄金铝壳电阻)，控制端连接控制板；通过控制板的PID闭环控制实现锂电池的恒流模式放电。
8.一种锂电池剩余寿命预测装置，其特征在于，包括AC-DC转换模块、DC-DC转换模块、控制板、电阻和数据采集模块；
AC-DC转换模块的输入端连接AC220V，输出端连接锂电池，控制端连接控制板；所述AC-DC转换模块，用于将AC220V转换成直流对锂电池进行充电；
DC-DC转换模块的输入端连接锂电池，输出端连接到大功率电阻；所述DC-DC转换模块，用于将锂电池的电量以恒流方式向电阻输出，实现锂电池的放电；
所述控制板向AC-DC转换模块和DC-DC转换模块输出PWM控制信号，以实现锂电池充放电控制；
所述数据采集模块用于在锂电池放电期间采集其电压和放电电流，并传送给控制板；
所述控制板通过自身或外接的其它数据处理装置，从数据采集模块采集到的数据中提取出锂电池的特征，并基于提取出的特征预测锂电池的剩余使用寿命；
所述预测装置采用权利要求1～7中任一项所述的方法进行锂电池剩余寿命预测。
9.根据权利要求8所述的锂电池剩余寿命预测装置，其特征在于，所述外接的其它数据处理装置为云服务器；所述控制板依次通过串口转UDP模块和4G-LTE数传模块连接至云服务器。
10.根据权利要求9所述的锂电池剩余寿命预测装置，其特征在于，还包括供电电源模块，用于给装置中的各个用电元件供电；所述供电电源模块包括两个EMI滤波模块、两个DC-DC转换模块、一个短路保护电路；直流24V电源经一个EMI滤波模块处理后得到的信号输入两个DC-DC转换模块，两个DC-DC转换模块的输出信号分别输入短路保护电路，得到的两路输出信号分别经另一个EMI滤波模块处理，得到±15V电源和5V电源；其中±15V电源用于给数据采集模块供电，5V电源用于给控制板中的控制模块、串口转UDP模块及4G-LTE数传模块供电。
CN201910385098.XA 2019-05-09 2019-05-09 一种锂电池剩余寿命预测方法及装置 Pending CN110208705A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910385098.XA CN110208705A (zh) 2019-05-09 2019-05-09 一种锂电池剩余寿命预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910385098.XA CN110208705A (zh) 2019-05-09 2019-05-09 一种锂电池剩余寿命预测方法及装置

Publications (1)

Publication Number Publication Date
CN110208705A true CN110208705A (zh) 2019-09-06

Family

ID=67785656

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910385098.XA Pending CN110208705A (zh) 2019-05-09 2019-05-09 一种锂电池剩余寿命预测方法及装置

Country Status (1)

Country Link
CN (1) CN110208705A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111044928A (zh) * 2019-12-31 2020-04-21 福州大学 一种锂电池健康状态估计方法
CN111581850A (zh) * 2020-05-27 2020-08-25 北京理工大学 一种应用数字孪生技术的全周期动力电池管理系统
CN113298278A (zh) * 2020-02-19 2021-08-24 硕天科技股份有限公司 具有自我健康状态预测功能的电力设备及其自我健康状态预测方法以及云端服务器
CN114295995A (zh) * 2021-12-28 2022-04-08 深圳大学 一种铝空气电池负极寿命评估系统和方法
CN114609529A (zh) * 2022-03-09 2022-06-10 安徽理工大学 一种数据驱动的锂离子电池剩余寿命预测方法与系统
CN115389964A (zh) * 2022-10-24 2022-11-25 杭州科工电子科技有限公司 一种电池寿命预测方法

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1998009474A1 (en) * 1996-08-30 1998-03-05 Sgs-Thomson Microelectronics Limited Improvements in or relating to an atm switch
CN101909604A (zh) * 2008-08-29 2010-12-08 亚历山大·麦格雷戈 治疗血糖代谢障碍和葡萄糖漂移的方法
CN102362190A (zh) * 2009-03-24 2012-02-22 美国能量变换公司 电池寿命估计
CN103543407A (zh) * 2012-07-12 2014-01-29 丰田自动车株式会社 用于固定式蓄电池的剩余寿命确定系统以及确定固定式蓄电池的剩余寿命的方法
CN103926536A (zh) * 2014-03-07 2014-07-16 南京航空航天大学 基于dst和bmc技术的锂离子电池剩余使用寿命预测方法
CN204241659U (zh) * 2014-11-17 2015-04-01 上海动力储能电池系统工程技术有限公司 电动车电池管理系统用的电池寿命预测装置
CN105234097A (zh) * 2015-08-26 2016-01-13 哈尔滨工业大学 基于大数据的用于电池梯次利用的电动汽车动力电池管理系统及方法
CN105938183A (zh) * 2016-05-06 2016-09-14 思创数码科技股份有限公司 一种预测ups电池寿命的智能监测系统
CN106528951A (zh) * 2016-10-18 2017-03-22 张家港莫特普数据科技有限公司 一种动力电池寿命预测及安全预警的方法和装置
CN206074776U (zh) * 2016-10-11 2017-04-05 福建星海通信科技有限公司 一种锂电池的远程监测系统
CN206856518U (zh) * 2017-05-03 2018-01-09 安徽康力节能电器科技有限公司 一种太阳能电动汽车内配电系统
CN108279383A (zh) * 2017-11-30 2018-07-13 深圳市科列技术股份有限公司 电池寿命预测方法、电池数据服务器及电池数据处理系统
CN108490357A (zh) * 2018-03-14 2018-09-04 安徽理工大学 基于机理-数据驱动模型的锂电池剩余容量预测方法
CN108536938A (zh) * 2018-03-29 2018-09-14 上海交通大学 一种机床刀具寿命预测系统及预测方法
CN108802622A (zh) * 2018-05-24 2018-11-13 武汉工程大学 一种蓄电池监测活化装置及系统
CN108984893A (zh) * 2018-07-09 2018-12-11 北京航空航天大学 一种基于梯度提升方法的趋势预测方法
CN109143095A (zh) * 2018-08-27 2019-01-04 江苏盖睿健康科技有限公司 一种提高电量测量准确性的方法
CN109460588A (zh) * 2018-10-22 2019-03-12 武汉大学 一种基于梯度提升决策树的设备故障预测方法
CN109508826A (zh) * 2018-11-13 2019-03-22 合肥工业大学 基于梯度提升决策树的电动汽车集群可调度容量预测方法

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1998009474A1 (en) * 1996-08-30 1998-03-05 Sgs-Thomson Microelectronics Limited Improvements in or relating to an atm switch
CN101909604A (zh) * 2008-08-29 2010-12-08 亚历山大·麦格雷戈 治疗血糖代谢障碍和葡萄糖漂移的方法
CN102362190A (zh) * 2009-03-24 2012-02-22 美国能量变换公司 电池寿命估计
CN103543407A (zh) * 2012-07-12 2014-01-29 丰田自动车株式会社 用于固定式蓄电池的剩余寿命确定系统以及确定固定式蓄电池的剩余寿命的方法
CN103926536A (zh) * 2014-03-07 2014-07-16 南京航空航天大学 基于dst和bmc技术的锂离子电池剩余使用寿命预测方法
CN204241659U (zh) * 2014-11-17 2015-04-01 上海动力储能电池系统工程技术有限公司 电动车电池管理系统用的电池寿命预测装置
CN105234097A (zh) * 2015-08-26 2016-01-13 哈尔滨工业大学 基于大数据的用于电池梯次利用的电动汽车动力电池管理系统及方法
CN105938183A (zh) * 2016-05-06 2016-09-14 思创数码科技股份有限公司 一种预测ups电池寿命的智能监测系统
CN206074776U (zh) * 2016-10-11 2017-04-05 福建星海通信科技有限公司 一种锂电池的远程监测系统
CN106528951A (zh) * 2016-10-18 2017-03-22 张家港莫特普数据科技有限公司 一种动力电池寿命预测及安全预警的方法和装置
CN206856518U (zh) * 2017-05-03 2018-01-09 安徽康力节能电器科技有限公司 一种太阳能电动汽车内配电系统
CN108279383A (zh) * 2017-11-30 2018-07-13 深圳市科列技术股份有限公司 电池寿命预测方法、电池数据服务器及电池数据处理系统
CN108490357A (zh) * 2018-03-14 2018-09-04 安徽理工大学 基于机理-数据驱动模型的锂电池剩余容量预测方法
CN108536938A (zh) * 2018-03-29 2018-09-14 上海交通大学 一种机床刀具寿命预测系统及预测方法
CN108802622A (zh) * 2018-05-24 2018-11-13 武汉工程大学 一种蓄电池监测活化装置及系统
CN108984893A (zh) * 2018-07-09 2018-12-11 北京航空航天大学 一种基于梯度提升方法的趋势预测方法
CN109143095A (zh) * 2018-08-27 2019-01-04 江苏盖睿健康科技有限公司 一种提高电量测量准确性的方法
CN109460588A (zh) * 2018-10-22 2019-03-12 武汉大学 一种基于梯度提升决策树的设备故障预测方法
CN109508826A (zh) * 2018-11-13 2019-03-22 合肥工业大学 基于梯度提升决策树的电动汽车集群可调度容量预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
MERU A. PATIL 等: "A novel multistage Support Vector Machine based approach for Li ion battery remaining useful life estimation", 《APPLIED ENERGY》 *
许娟婷 等: "基于车辆行为的车载电池SOC的预测", 《测控技术》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111044928A (zh) * 2019-12-31 2020-04-21 福州大学 一种锂电池健康状态估计方法
CN113298278A (zh) * 2020-02-19 2021-08-24 硕天科技股份有限公司 具有自我健康状态预测功能的电力设备及其自我健康状态预测方法以及云端服务器
CN113298278B (zh) * 2020-02-19 2023-12-05 硕天科技股份有限公司 具有自我健康状态预测功能的电力设备及其自我健康状态预测方法以及云端服务器
CN111581850A (zh) * 2020-05-27 2020-08-25 北京理工大学 一种应用数字孪生技术的全周期动力电池管理系统
CN111581850B (zh) * 2020-05-27 2022-10-28 北京理工大学 一种应用数字孪生技术的全周期动力电池管理系统
CN114295995A (zh) * 2021-12-28 2022-04-08 深圳大学 一种铝空气电池负极寿命评估系统和方法
CN114609529A (zh) * 2022-03-09 2022-06-10 安徽理工大学 一种数据驱动的锂离子电池剩余寿命预测方法与系统
CN114609529B (zh) * 2022-03-09 2024-04-23 安徽理工大学 一种数据驱动的锂离子电池剩余寿命预测方法与系统
CN115389964A (zh) * 2022-10-24 2022-11-25 杭州科工电子科技有限公司 一种电池寿命预测方法
CN115389964B (zh) * 2022-10-24 2023-01-31 杭州科工电子科技有限公司 一种电池寿命预测方法

Similar Documents

Publication Publication Date Title
CN110208705A (zh) 一种锂电池剩余寿命预测方法及装置
CN106450536B (zh) 一种锂离子电池快速充电方法
CN104538999B (zh) 一种光伏发电储能系统及其能量调度方法
CN104953659B (zh) 一种电池组充放电均衡电路和充放电方法
CN203490346U (zh) 一种蓄电池在线监测系统
CN108879947A (zh) 一种基于深度学习算法的分布式光伏发电控制管理系统
CN204575720U (zh) 基于感应取电装置供电的输电线路电流监测装置
CN109407007A (zh) 一种电池荷电状态检测方法及装置
CN104348205A (zh) 一种基于soc-soh分布式bms系统
CN103682457B (zh) 一种控制锂电池化成的方法及其装置
CN202772672U (zh) 公用配变监控终端
CN205898986U (zh) 一种喷药无人机锂电池测试装置
CN205506953U (zh) 一种基于无线通信的电能质量检测装置
CN103558557B (zh) 动力电池组检测电路
CN203218952U (zh) 电动汽车电池管理系统
CN209586594U (zh) 风电多通道雷电监测系统
CN103823118A (zh) 一种均衡过程中的单体电池内阻测量装置及方法
CN204925232U (zh) 一种锂电池组单体电压的精确检测电路
CN110749836A (zh) 电池包内部任意点漏电情况和位置的非平衡桥电路检测模型及方法
CN104155613A (zh) 一种电力通信蓄电池组的在线监测方法
CN206461404U (zh) 超级电容充电电路及其制成的暂态录波型故障指示器
CN105891603A (zh) 基于充电器的测量电池直流内阻的方法
CN105743198B (zh) 一种基于慢脉冲的可在线调试式充电电路
CN104158246B (zh) 一种风电储能运行控制方法
CN207884328U (zh) 一种电池利旧系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190906