CN110824375A - 一种退役蓄电池实际容量计算方法 - Google Patents

一种退役蓄电池实际容量计算方法 Download PDF

Info

Publication number
CN110824375A
CN110824375A CN201910992337.8A CN201910992337A CN110824375A CN 110824375 A CN110824375 A CN 110824375A CN 201910992337 A CN201910992337 A CN 201910992337A CN 110824375 A CN110824375 A CN 110824375A
Authority
CN
China
Prior art keywords
network
training
actual capacity
storage battery
neural network
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
CN201910992337.8A
Other languages
English (en)
Inventor
吴炬卓
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.)
Guangdong Power Grid Co Ltd
Zhuhai Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Zhuhai Power Supply Bureau of Guangdong Power Grid 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 Guangdong Power Grid Co Ltd, Zhuhai Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN201910992337.8A priority Critical patent/CN110824375A/zh
Publication of CN110824375A publication Critical patent/CN110824375A/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]
    • G01R31/385—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]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及蓄电池梯次利用技术领域，具体是指一种退役蓄电池实际容量计算方法，S1：训练样本选取：建立T个训练样本，每组训练样本里包括退役蓄电池额定容量Q，已循环次数N，内阻R以及其对应的实际容量Q1；S2：网络构建训练：以步骤S1中的额定容量Q，已循环次数N以及内阻R做为输入，实际容量Q1做为输出，构建BP神经网络，并使用训练样本对网络进行训练，得到训练好的神经网络；S3：实际容量预测：将待预测电池的额定容量Q、已循环次数N以及内阻R输入到步骤S2中训练好的神经网络，预测出待预测电池的实际容量。本发明构建神经网络计算模型，在提高计算精度的同时，大大缩短计算时间，实现蓄电池实际容量大批量计算。

Description

一种退役蓄电池实际容量计算方法
技术领域
本发明涉及蓄电池梯次利用技术领域，具体是指一种退役蓄电池实际容量计算方法。
背景技术
在蓄电池应用过程中，随着循环次数的增加，其实际容量相应衰减。当其实际容量不满足高要求储能时，需将其退役。但可以将其应用于储能要求相对较低的场合，即退役蓄电池的梯次利用。由此可以看出，实际容量计算是退役蓄电池梯次利用的基础。
目前，蓄电池容量测试方法只要有恒流恒压法以及容量增量与SOC增量之比法，但这两种方法均需对蓄电池进行充放电试验，耗时比较长。
发明内容
本发明为克服上述现有技术所述的充放电试验耗时长的问题，提供一种退役蓄电池实际容量计算方法，构建神经网络计算模型，在提高计算精度的同时，大大缩短计算时间，实现蓄电池实际容量大批量计算。
为解决上述技术问题，本发明采用的技术方案是：
S1：训练样本选取：由已知参数的T个退役蓄电池建立T个训练样本，每组训练样本里包括退役蓄电池额定容量Q，已循环次数N，内阻R以及实际容量Q1；
S2：网络构建训练：以步骤S1中的额定容量Q，已循环次数N以及内阻R做为输入，实际容量Q1做为输出，构建BP神经网络，并使用训练样本对网络进行训练，得到训练好的神经网络；
S3：实际容量预测：将待预测退役蓄电池的额定容量QR、已循环次数NR以及内阻RR输入到步骤S2中训练好的神经网络，预测出待预测退役蓄电池的实际容量QR。
在一个实施方式中，步骤S2中，包括有以下步骤：
S21：网络构建：网络的输入为额定容量Q，已循环次数N以及内阻R，故网络输入层的神经元个数为3；网络的输出为实际容量Q1，故网络输出层的神经元个数为1，设定网络隐含层的层数和每层的神经元个数，得到神经网络的结构。
S22：设定网络训练精度误差e，利用训练样本对神经网络进行训练，当达到网络训练精度误差时，停止迭代训练，得到训练好的神经网络。
优选地，步骤S21中，网络输出层的神经元个数为1，设定网络隐含层为两层，每层的神经元个数均为7，得到神经网络的结构为3-7-7-1。
本发明与现有技术相比，具有以下特点：
本发明提供一种退役蓄电池实际容量计算方法，该方法将已知相关参数的退役蓄电池的额定容量、已循环次数、内阻为输入，退役蓄电池已知实际容量为输出，构建神经网络计算模型，根据构建的神经网络计算模型，结合待预测退役蓄电池的额定容量QR、已循环次数NR以及内阻RR，从而预测出待预测退役蓄电池的实际容量，相比较现有技术，在提高计算精度的同时，神经网络计算模型能大大缩短计算时间，实现待预测蓄电池实际容量的大批量计算。
附图说明
图1是本发明实施例中方法流程示意图。
具体实施方式
附图仅用于示例性说明，不能理解为对本发明的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本发明的限制。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
实施例：
如图1所示，本发明提供一种退役蓄电池实际容量计算方法，包括有以下步骤：
S1：训练样本选取：由已知参数的T个退役蓄电池建立T个训练样本，每组训练样本里包括退役蓄电池额定容量Q，已循环次数N，内阻R以及实际容量Q1；
S2：网络构建训练：以步骤S1中的额定容量Q，已循环次数N以及内阻R做为输入，实际容量Q1做为输出，构建BP神经网络，并使用训练样本对网络进行训练，得到训练好的神经网络；
步骤S2中，包括有以下步骤：
S21：网络构建：网络的输入为额定容量Q，已循环次数N以及内阻R，故网络输入层的神经元个数为3；网络的输出为实际容量Q1，故网络输出层的神经元个数为1，设定网络隐含层的层数和每层的神经元个数，得到神经网络的结构；
本实施例中，根据在实际操作中的经验，将网络隐含层的层数设定为两层，将每层的神经元个数设定为为7，得到神经网络的结构为3-7-7-1，也可以根据实际经验将网络隐含层的层数及每层的神经元个数设定为其他数值；
S22：设定网络训练精度误差e，利用训练样本对神经网络进行训练，当达到网络训练精度误差时，停止迭代训练，得到训练好的神经网络。
在实际进行网络构建时，以T表示训练样本个数，Q(t)表示第t个训练样本的额定容量，N(t)表示第t个训练样本的已循环次数，R(t)表示第t个训练样本的内阻。
S3：实际容量预测：将待预测电池的额定容量Q、已循环次数N以及内阻R输入到步骤S2中训练好的神经网络，预测出待预测电池的实际容量QR。
本方案中，根据已知参数的T个退役蓄电池建立T个训练样本，根据退役蓄电池的实际容量与其他参数之间的，构建出包含退役蓄电池的实际容量与其他参数之间的关系的神经网络，再通过构建出的神经网络，结合待预测蓄电池的其他参数，来计算出待预测蓄电池的实际容量。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (3)

1.一种退役蓄电池实际容量计算方法，其特征在于，包括有以下步骤：
S1：训练样本选取：由已知参数的T个退役蓄电池建立T个训练样本，每组训练样本里包括退役蓄电池额定容量Q，已循环次数N，内阻R以及实际容量Q1；
S2：网络构建训练：以步骤S1中的额定容量Q，已循环次数N以及内阻R做为输入，实际容量Q1做为输出，构建BP神经网络，并使用训练样本对网络进行训练，得到训练好的神经网络；
S3：实际容量预测：将待预测退役蓄电池的额定容量QR、已循环次数NR以及内阻RR输入到步骤S2中训练好的神经网络，预测出待预测退役蓄电池的实际容量QR。
2.根据权利要求1所述的退役蓄电池实际容量计算方法，其特征在于，所述步骤S2中，包括有以下步骤：
S21：网络构建：网络的输入为额定容量Q，已循环次数N以及内阻R，故网络输入层的神经元个数为3；网络的输出为实际容量Q1，故网络输出层的神经元个数为1，设定网络隐含层的层数和每层的神经元个数，得到神经网络的结构；
S22：设定网络训练精度误差e，利用训练样本对神经网络进行训练，当达到网络训练精度误差时，停止迭代训练，得到训练好的神经网络。
3.根据权利要求2所述的退役蓄电池实际容量计算方法，其特征在于，所述步骤S21中，网络输出层的神经元个数为1，设定网络隐含层为两层，每层的神经元个数均为7，得到神经网络的结构为3-7-7-1。
CN201910992337.8A 2019-10-18 2019-10-18 一种退役蓄电池实际容量计算方法 Pending CN110824375A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910992337.8A CN110824375A (zh) 2019-10-18 2019-10-18 一种退役蓄电池实际容量计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910992337.8A CN110824375A (zh) 2019-10-18 2019-10-18 一种退役蓄电池实际容量计算方法

Publications (1)

Publication Number Publication Date
CN110824375A true CN110824375A (zh) 2020-02-21

Family

ID=69549513

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910992337.8A Pending CN110824375A (zh) 2019-10-18 2019-10-18 一种退役蓄电池实际容量计算方法

Country Status (1)

Country Link
CN (1) CN110824375A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113238157A (zh) * 2020-12-09 2021-08-10 北京大学深圳研究生院 一种通过对电动汽车退役电池进行ai检测来筛选的方法
CN113820608A (zh) * 2021-08-20 2021-12-21 北京邮电大学 梯次电池剩余容量的预测方法和电子设备
CN113933718A (zh) * 2021-11-04 2022-01-14 格林美股份有限公司 一种退役电池容量分选方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103091642A (zh) * 2013-01-22 2013-05-08 北京交通大学 一种锂电池容量快速估计方法
CN106772064A (zh) * 2016-11-25 2017-05-31 广东电网有限责任公司电力科学研究院 一种锂离子电池健康状态预测方法及装置
CN109001640A (zh) * 2018-06-29 2018-12-14 深圳市科列技术股份有限公司 一种动力电池的数据处理方法和装置
CN109633474A (zh) * 2018-11-14 2019-04-16 江苏大学 一种锂离子电池剩余寿命预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103091642A (zh) * 2013-01-22 2013-05-08 北京交通大学 一种锂电池容量快速估计方法
CN106772064A (zh) * 2016-11-25 2017-05-31 广东电网有限责任公司电力科学研究院 一种锂离子电池健康状态预测方法及装置
CN109001640A (zh) * 2018-06-29 2018-12-14 深圳市科列技术股份有限公司 一种动力电池的数据处理方法和装置
CN109633474A (zh) * 2018-11-14 2019-04-16 江苏大学 一种锂离子电池剩余寿命预测方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113238157A (zh) * 2020-12-09 2021-08-10 北京大学深圳研究生院 一种通过对电动汽车退役电池进行ai检测来筛选的方法
CN113238157B (zh) * 2020-12-09 2022-11-22 北京大学深圳研究生院 一种通过对电动汽车退役电池进行ai检测来筛选的方法
CN113820608A (zh) * 2021-08-20 2021-12-21 北京邮电大学 梯次电池剩余容量的预测方法和电子设备
CN113820608B (zh) * 2021-08-20 2022-08-05 北京邮电大学 梯次电池剩余容量的预测方法和电子设备
CN113933718A (zh) * 2021-11-04 2022-01-14 格林美股份有限公司 一种退役电池容量分选方法、装置、设备及存储介质
CN113933718B (zh) * 2021-11-04 2024-02-09 格林美股份有限公司 一种退役电池容量分选方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN109061504B (zh) 同类型不同锂离子电池剩余使用寿命预测方法和系统
CN107797067B (zh) 一种基于深度学习的锂离子电池寿命迁移预测方法
Dubarry et al. Perspective on state-of-health determination in lithium-ion batteries
CN110568359B (zh) 一种锂电池剩余寿命预测方法
CN110824375A (zh) 一种退役蓄电池实际容量计算方法
CN110045292A (zh) 基于大数据和bp神经网络的锂离子电池SOC预测方法
WO2018153116A1 (zh) 计及非线性容量特性的分数阶KiBaM电池模型及参数辨识方法
US20220373601A1 (en) Battery Performance Prediction
KR20130113296A (ko) 배터리의 수명 예측 시스템
CN108037463A (zh) 一种锂离子电池寿命预测方法
JP2019090792A (ja) バッテリーセルフォーメーションおよびサイクリング手順の自律的スクリーニングおよび最適化
CN112230154A (zh) 一种锂电池剩余寿命预测方法
CN111231758B (zh) 一种电池容量的估算方法、装置、电子设备及介质
KR20140137181A (ko) 배터리의 두께 예측 시스템 및 배터리의 두께 예측 방법
CN112666479A (zh) 一种基于充电循环融合的电池寿命预测方法
CN112686380A (zh) 基于神经网络的梯次动力电芯一致性评估方法和系统
CN114966436A (zh) 锂电池荷电状态预测方法、装置、设备及可读存储介质
Li et al. The state of charge estimation of lithium-ion battery based on battery capacity
CN110232432B (zh) 一种基于人工生命模型的锂电池组soc预测方法
CN117471320A (zh) 基于充电片段的电池健康状态估计方法及系统
CN116449244A (zh) 基于单次放电曲线的锂电池老化轨迹早期预测方法及系统
CN113721151B (zh) 基于双塔深度学习网络的电池容量预估模型及方法
CN114076899B (zh) 电池寿命的分档预估方法、装置、设备、系统及介质
Li et al. Remaining useful life prediction of lithium battery based on ACNN-Mogrifier LSTM-MMD
Zhao et al. Online state of health estimation with deep learning frameworks based on short and random battery charging data segments

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

Application publication date: 20200221

RJ01 Rejection of invention patent application after publication