CN110851943B - 一种电池充电性能的建模方法和装置 - Google Patents

一种电池充电性能的建模方法和装置 Download PDF

Info

Publication number
CN110851943B
CN110851943B CN201810864311.0A CN201810864311A CN110851943B CN 110851943 B CN110851943 B CN 110851943B CN 201810864311 A CN201810864311 A CN 201810864311A CN 110851943 B CN110851943 B CN 110851943B
Authority
CN
China
Prior art keywords
battery
charging
electric quantity
piecewise linear
linear regression
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
Application number
CN201810864311.0A
Other languages
English (en)
Other versions
CN110851943A (zh
Inventor
滕跃
高志蓬
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.)
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Jingdong Shangke Information Technology 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 Beijing Jingdong Century Trading Co Ltd, Beijing Jingdong Shangke Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN201810864311.0A priority Critical patent/CN110851943B/zh
Publication of CN110851943A publication Critical patent/CN110851943A/zh
Application granted granted Critical
Publication of CN110851943B publication Critical patent/CN110851943B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/44—Methods for charging or discharging
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Electrochemistry (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种电池充电性能的建模方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：获取电池充电性能的样本数据集，所述样本数据包括：电池充电过程中的电池电量，和在该电量下的充电速率指标；利用预设的分段线性回归模型和所述样本数据集，进行线性回归，以确定电池的充电性能的分段线性函数模型，其中，所述分段线性回归模型的自变量为电池电量，因变量为充电速率指标，所述分段线性回归模型的每个分段分别对应电池充电过程中的每个充电阶段。该实施方式能够高效的对电池的实际充电性能进行建模。

Description

一种电池充电性能的建模方法和装置
技术领域
本发明涉及计算机技术领域，尤其涉及一种电池充电性能的建模方法和装置。
背景技术
在电池的使用过程中，电池的实际充电性能受到电池本身因素和人为控制因素以及工作环境因素的共同影响。对电池的实际充电性能进行建模并评估，可以清晰的知道电池充电所需时间，评估充电速率是否能够满足电池的使用需求，并且可以在不同时间点上评估电池的老化程度，及时更换电池，同时依据电池的充电性能信息可以进行与电池性能相关的仿真。因此，电池的实际充电性能的建模与评估就显得十分重要。
在实现本发明过程中，发明人发现现有技术中还没有能够对电池的实际充电性能进行建模的方法。因此，亟需一种能够高效的对电池的实际充电性能进行建模的方法和装置。
发明内容
有鉴于此，本发明实施例提供一种电池充电性能的建模方法和装置，能够高效的对电池的实际充电性能进行建模。
为实现上述目的，根据本发明实施例的一个方面，提供了一种电池充电性能的建模方法，包括：
获取电池充电性能的样本数据集，所述样本数据包括：电池充电过程中的电池电量，和在该电量下的充电速率指标；
利用预设的分段线性回归模型和所述样本数据集，进行线性回归，以确定电池的充电性能的分段线性函数模型，其中，所述分段线性回归模型的自变量为所述电池电量，因变量为所述充电速率指标，所述分段线性回归模型的每个分段分别对应电池充电过程中的每个充电阶段。
可选的，所述电池充电过程包括：第一充电阶段和第二充电阶段，当电池电量小于等于分界电量z时，所述电池充电过程处于第一充电阶段，当电池电量大于分界电量z时，所述电池充电过程处于第二充电阶段，在所述第一充电阶段中，所述充电速率指标随电池电量的变化率为0，在所述第二充电阶段中，所述充电速率指标随电池电量的变化率为a；
所述电池的充电性能的分段线性函数模型的表达式为：
其中，y为充电速率指标，x为电池电量，a和c为常数。
可选的，所述充电速率指标为电池充满单位电量所需的充电时间。
可选的，本发明提供的电池充电性能的建模方法还包括：
在预设记录时间点，记录电池的电量；
根据电池在多个所述记录时间点的电量确定该电池在指定电量下充满单位电量所需的充电时间。
为实现上述目的，根据本发明实施例的另一个方面，还提供了一种电池充电性能的建模装置，包括：
数据获取模块，用于获取电池充电性能的样本数据集，所述样本数据包括：电池充电过程中的电池电量，和在该电量下的充电速率指标；
数据处理模块，用于利用预设的分段线性回归模型和所述样本数据集，进行线性回归，以确定电池的充电性能的分段线性函数模型，其中，所述分段线性回归模型的自变量为所述电池电量，因变量为所述充电速率指标，所述分段线性回归模型的每个分段分别对应电池充电过程中的每个充电阶段。
可选的，所述电池充电过程包括：第一充电阶段和第二充电阶段，当电池电量小于等于分界电量z时，所述电池充电过程处于第一充电阶段，当电池电量大于分界电量z时，所述电池充电过程处于第二充电阶段，在所述第一充电阶段中，所述充电速率指标随电池电量的变化率为0，在所述第二充电阶段中，所述充电速率指标随电池电量的变化率为a；
数据处理模块确定的所述电池的充电性能的分段线性函数模型的表达式为：
其中，y为充电速率指标，x为电池电量，a和c为常数。
可选的，在所述数据处理模块中，所述充电速率指标为电池充满单位电量所需的充电时间。
可选的，本发明提供的电池充电性能的建模装置还包括：
数据准备模块，用于在预设记录时间点，记录指定电池的电量，根据指定电池在多个所述记录时间点的电量确定该指定电池在指定电量下充满单位电量所需的充电时间。
为实现上述目的，根据本发明实施例的另一个方面，还提供了一种电池充电性能的建模电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明提供的电池充电性能的建模方法。
为实现上述目的，根据本发明实施例的另一个方面，还提供了一种计算机可读介质，其上存储有计算机程序，所述程序被处理器执行时实现本发明提供的电池充电性能的建模方法。
本发明实施例提供的电池充电性能的建模方法和装置，提出建立电池电量和充电速率指标的分段线性关系，来体现电池的充电性能，并创造性的提出通过电池充满单位电量所需的充电时间作为充电速率指标来直观的体现充电速率的变化，实现对于电池在实际应用过程中分阶段进行的充电过程中的充电性能的建模。该方法相对于利用二次函数拟合总充电时间和电量关系来体现电池的充电性能，建模的复杂度和计算量都相对较低。利用本发明建立的模型可以在实际应用中，对用电设备进行管理和生产调度，实现对于用电设备的充电时间和在某一个充电时间内可以达到的电量的预测，从而规划更合理的生产时序，保证设备在生产过程中电量不会太低。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明，不构成对本发明的不当限定。其中：
图1是本发明实施例提供的电池充电性能的建模方法的主要流程的示意图；
图2是本发明实施例提供的电池充电曲线的示意图；
图3是本发明实施例提供的电池电量变化曲线的示意图；
图4是本发明实施例提供的第一运输机器人的样本数据分布的示意图；
图5是本发明实施例提供的第二运输机器人的样本数据分布的示意图；
图6是本发明实施例提供的第三运输机器人的样本数据分布的示意图；
图7是本发明实施例提供的分段线性函数的示意图；
图8是本发明实施例提供的电池充电性能的建模装置的主要模块的示意图；
图9是本发明实施例可以应用于其中的示例性系统架构图；
图10是适于用来实现本发明实施例的电子设备的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明，其中包括本发明实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本发明的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
本发明实施例提供一种电池充电性能的建模方法，如图1所示，该方法包括：步骤S101和步骤S102。
在步骤S101中，获取电池充电性能的样本数据集，样本数据包括：电池充电过程中的电池电量，和在该电量下的充电速率指标。然后，在步骤S102中，利用预设的分段线性回归模型和样本数据集，进行线性回归，以确定电池的充电性能的分段线性函数模型，其中，分段线性回归模型的自变量为电池电量，因变量为充电速率指标，分段线性回归模型的每个分段分别对应电池充电过程中的每个充电阶段。
在实现本发明技术方案的过程中，发明人发现，在电池的实际应用中，基于应用场景的需求和对电池寿命的保护，对电池进行充电的过程往往是分阶段进行的。
以一般的智能手机为例，智能手机的电池在充电时，通常在电池的电量达到80％之前采用快速充电，在快速充电阶段，充电电压持续上升，充电电流恒定地保持为最高输入，所以电池电量很快就可以充满至80％。
在电池电量达到80％之后，转为采用连续补充式充电，在连续补充式充电阶段，充电电压持续缓慢上升，此时充电电流迅速下降，所以充电速度变慢。这样分两个阶段进行充电的原因是对电池寿命和充电速度的一种权衡。
又如图2所示的某一电池的充电曲线，图中横坐标表示充电时间，纵坐标表示充电量百分比，可以看出，该充电过程中，电池电量在达到90％前，电池处于快充阶段，电量匀速上升，在电池电量在达到90％后，充电功率降低，电量上升缓慢。
通过建立如图2所示的，充电量与充电时间的关系，虽然可以在一定程度上体现电池的充电性能，但是充电曲线的曲率在不同时间区间上是不同的，需要用分片二次函数拟合总充电时间和电量关系，即二次样条拟合，这样的方法过于复杂，计算量太大。
通过对现有的分阶段的充电方式的研究，发明人发现在一个充电阶段内部，充电速率的随充电量的变化呈现线性特性，从而提出建立电池电量和充电速率指标的分段线性关系，来体现电池的充电性能，从而大大降低建模的复杂度和计算量。
在建模过程中，首先在步骤S101中，获取样本数据集，样本数据包括：电池充电过程中的电池电量，和在该电量下的充电速率指标。样本数据集中的样本数据可以来自于具有一个电池或具有相同充电性能的多个电池。样本数据集中即包含有电池在多个不同电量下，所对应的充电速率指标。充电速率指标即体现电池的充电速率，其可以与充电速率正相关，也可以负相关。
然后在步骤S102中，利用预设的分段线性回归模型和样本数据集，进行线性回归，确定电池的充电性能的分段线性函数模型。分段线性回归模型的自变量为电池电量，因变量为充电速率指标。
分段线性回归模型是对实际电池的充电性能进行回归分析确定的。分段线性回归模型的分段方式以及各分段内部的充电速率指标变化规律，根据电池的具体充电过程来确定，分段线性回归模型的每个分段分别对应电池充电过程中的不同充电阶段，如电池的充电过程分为三个阶段，则分段线性回归模型具有三个分段，又如电池在某一分段内充电速率恒定，则分段线性回归模型的该分段内，充电速率指标可以为一常数。
在本发明的一种实施方式中，充电速率指标可以为电池充满单位电量所需的充电时间，与充电速率负相关，即电池充满单位电量所需的充电时间越长，则充电速率越慢。当在特定充电阶段内，充电速率以恒定变化率降低时，在对应的分段线性回归模型和得到的分段线性函数中，在该特定充电阶段内，该充电速率指标以恒定变化率呈上升趋势。
该实施方式，通过电池充满单位电量所需的充电时间作为充电速率指标来直观的体现充电速率的变化，电池充满单位电量所需的充电时间可以利用总充电时间和充电电量进行差分处理得到，进一步降低建模的复杂度和计算量。
下面结合一具体应用场景，对本发明提供的电池充电性能的建模方法做进一步的说明。在该应用场景中，对物流无人仓库中的运输机器人的电池充电性能进行建模，利用建立的模型可以对无人仓库中的运输机器人进行电量预测，进而实现对于运输机器人的管理和生产调度。例如，调度运输机器人什么时候去充电，预测所需的充电时间和在某一个充电时间内可以达到的电量，从而规划更合理的生产时序，保证在运输机器人生产过程中电量不会太低。
在本应用场景中，运输机器人电池的充电过程分为两个阶段，即第一充电阶段和第二充电阶段，电池电量在达到90％前，电池处于第一充电阶段即快充阶段，电量匀速上升，在电池电量在达到90％后，电池进入第二充电阶段，充电功率降低，电量上升缓慢。
在本应用场景中，首先采集运输机器人的电池充电性能的样本数据，然后利用部分样本数据来进行回归分析，以确定对于运输机器人电池的分段线性回归模型。
采集样本数据的过程，首先是在多个记录时间点，记录指定电池的当前电量。然后，根据指定电池在多个记录时间点的电量确定该指定电池在指定电量下的充电速率指标，即充满单位电量所需的充电时间。
在本应用场景中，样本数据来源于运输机器人的心跳日志。在心跳日志中会在每隔一设定时间段(在本场景中为1秒)的记录时间点，记录运输机器人电池的电量。心跳日志中记录的运输机器人电池的电量数据如图3所示，其中，横坐标为时间，纵坐标为电量百分比，该图中，电量百分比呈连续上升趋势的区段，即电池处于充电过程中的电量变化区段。
在本应用场景中，单位电量为电池总电量的1％，充满单位电量所需的充电时间即电量每上升1％所需的充电时间，利用心跳日志中记录的，上述区段内电量和对应的记录时间点，进行差分处理，得到如下表1(示例性)所示的，在指定电量百分比下，电量每上升1％所需的充电时间。
表1
电量百分比 电量上升1％所需的时间
82 113
83 116
84 115
85 115
86 116
87 115
88 116
89 113
90 116
如表1中所示，机器人在指定电量百分比分别为82至90时，每上升1％电量所需的时间，即用来体现充电速率。
在本应用场景中，选取通过上述方法获得的，部分运输机器人的样本数据进行回归分析，来确定分段线性回归模型。
图4、图5和图6所示，分别为第一、第二和第三运输机器人的样本数据分布，可以看出，充电速率指标具有明显的分片线性特征，当电池电量小于等于分界电量z时，电池充电过程处于第一充电阶段，当电池电量大于分界电量z时，电池充电过程处于第二充电阶段，第一充电阶段和第二充电阶段的分界电量z为总电量的90％。在第一充电阶段中，充电速率指标随电池电量的变化率为0，在第二充电阶段中，充电速率指标随电池电量的变化率为a。
如图7所示，以第一运输机器人的样本数据为例，经线性回归后的分段线性函数的表达式为：
其中，y为充电速率指标，x为电池电量，即第一充电阶段对应的分段的表达式为：y＝c，第二充电阶段对应的分段的表达式为y＝ax+b，且满足c＝az+b即函数在(z，c)点处连续，a、b、c为常数。
在确定分段线性回归模型后，即可利用上述获得的样本数据进行线性回归，以得到电池的充电性能的分段线性函数模型。在本应用场景中，利用最小二乘法进行线性回归。
设第一充电阶段对应的分段上的样本数据为(xi，yi)，i＝1，…，n，第二充电阶段对应的分段上的样本数据为(xi，yi)，i＝n+1，…，m。xi即指定电量百分比，yi即指定电量百分比下，电量每上升1％所需的充电时间。最小二乘模型为：
其等价于一个线性回归模型，其系数矩阵及目标向量分别为：
在本应用场景中，第一充电阶段和第二充电阶段的分界电量z为总电量的90％，因此，充电速率指标可以表示如下：
表示电量与时间变化关系的充电曲线函数如下：
其中，y为电池电量，x为充电时间，a、c为常数。
在本应用场景中，对拟合结果进行检验，根据检验结果可以看出拟合效果非常好。
两个拟合参数的P值都非常小，小于10-6，属于高度显著。P值(Pvalue)是当原假设为真时，所得到的样本观察结果或更极端结果出现的概率。P值越小表明结果越显著。
拟合结果的拟合优度(Multiple R-squared)大于0.988，拟合效果非常好。拟合优度是指回归直线对观测值的拟合程度。度量拟合优度的统计量是可决系数(亦称确定系数)R2。R2最大值为1。R2的值越接近1，说明回归直线对观测值的拟合程度越好；反之，R2的值越小，说明回归直线对观测值的拟合程度越差。
拟合结果的F检验(F-statistic)为4.1×10-4，方程整体非常显著。F检验，即联合假设检验(joint hypotheses test)，此外也称方差比率检验、方差齐性检验。它是一种在零假设(null hypothesis，H0)之下，统计值服从F-分布的检验。其通常是用来分析用了超过一个参数的统计模型，以判断该模型中的全部或一部分参数是否适合用来估计母体。
本发明实施例还提供一种电池充电性能的建模装置，如图8所示，该装置800包括：数据获取模块801和数据处理模块802。
数据获取模块801用于获取电池充电性能的样本数据集，样本数据包括：电池充电过程中的电池电量，和在该电量下的充电速率指标；
数据处理模块802用于利用预设的分段线性回归模型和样本数据集，进行线性回归，以确定电池的充电性能的分段线性函数模型，其中，分段线性回归模型的自变量为电池电量，因变量为充电速率指标，分段线性回归模型的每个分段分别对应电池充电过程中的每个充电阶段。
在本发明法中，电池充电过程包括：第一充电阶段和第二充电阶段，当电池电量小于等于分界电量z时，电池充电过程处于第一充电阶段，当电池电量大于分界电量z时，电池充电过程处于第二充电阶段，在第一充电阶段中，充电速率指标随电池电量的变化率为0，在第二充电阶段中，充电速率指标随电池电量的变化率为a。
数据处理模块确定的电池的充电性能的分段线性函数模型的表达式为：
其中，y为充电速率指标，x为电池电量，a和c为常数。
在本发明法中，在数据处理模块中，充电速率指标为电池充满单位电量所需的充电时间。
在本发明法中，电池充电性能的建模装置还包括：数据准备模块。数据准备模块用于在预设记录时间点，记录指定电池的电量，根据指定电池在多个记录时间点的电量确定该指定电池在指定电量下充满单位电量所需的充电时间。
本发明实施例提供的电池充电性能的建模方法和装置，提出建立电池电量和充电速率指标的分段线性关系，来体现电池的充电性能，并创造性的提出通过电池充满单位电量所需的充电时间作为充电速率指标来直观的体现充电速率的变化，实现对于电池在实际应用过程中分阶段进行的充电过程中的充电性能的建模。该方法相对于利用二次函数拟合总充电时间和电量关系来体现电池的充电性能，建模的复杂度和计算量都相对较低。利用本发明建立的模型可以在实际应用中，对用电设备进行管理和生产调度，实现对于用电设备的充电时间和在某一个充电时间内可以达到的电量的预测，从而规划更合理的生产时序，保证设备在生产过程中电量不会太低。
图9示出了可以应用本发明实施例的电池充电性能的建模方法或电池充电性能的建模装置的示例性系统架构900。
如图9所示，系统架构900可以包括终端设备901、902、903，网络904和服务器905。网络904用以在终端设备901、902、903和服务器905之间提供通信链路的介质。网络904可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备901、902、903通过网络904与服务器905交互，以接收或发送消息等。终端设备901、902、903上可以安装有各种通讯客户端应用。
终端设备901、902、903可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器905可以是提供各种服务的服务器，例如获取电池充电性能的样本数据集，利用预设的分段线性回归模型和样本数据集，进行线性回归，以确定电池的充电性能的分段线性函数模型的后台管理服务器。
需要说明的是，本发明实施例所提供的电池充电性能的建模方法一般由服务器905执行，相应地，电池充电性能的建模装置一般设置于服务器905中。
应该理解，图9中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
下面参考图10，其示出了适于用来实现本发明实施例的终端设备的计算机系统1000的结构示意图。图10示出的终端设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图10所示，计算机系统1000包括中央处理单元(CPU)1001，其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中，还存储有系统1000操作所需的各种程序和数据。CPU 1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
以下部件连接至I/O接口1005：包括键盘、鼠标等的输入部分1006；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007；包括硬盘等的存储部分1008；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器1010上，以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
特别地，根据本发明公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分1009从网络上被下载和安装，和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(CPU)1001执行时，执行本发明的系统中限定的上述功能。
需要说明的是，本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的模块也可以设置在处理器中，例如，可以描述为：一种处理器包括数据获取模块和数据处理模块。其中，这些模块的名称在某种情况下并不构成对该模块本身的限定。
作为另一方面，本发明还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的设备中所包含的；也可以是单独存在，而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该设备包括：
获取电池充电性能的样本数据集，所述样本数据包括：电池充电过程中的电池电量，和在该电量下的充电速率指标；
利用预设的分段线性回归模型和所述样本数据集，进行线性回归，以确定电池的充电性能的分段线性函数模型，其中，所述分段线性回归模型的自变量为电池电量，因变量为充电速率指标，所述分段线性回归模型的每个分段分别对应电池充电过程中的每个充电阶段。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，取决于设计要求和其他因素，可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (6)

1.一种电池充电性能的建模方法，其特征在于，包括：
获取电池充电性能的样本数据集，所述样本数据包括：电池充电过程中的电池电量，和在该电量下的充电速率指标，所述充电速率指标为电池充满单位电量所需的充电时间；
利用预设的分段线性回归模型和所述样本数据集，进行线性回归，以确定电池的充电性能的分段线性函数模型，其中，所述分段线性回归模型的自变量为所述电池电量，因变量为所述充电速率指标，所述分段线性回归模型的每个分段分别对应电池充电过程中的每个充电阶段；
其中，所述电池充电过程包括：第一充电阶段和第二充电阶段，当电池电量小于等于分界电量z时，所述电池充电过程处于第一充电阶段，当电池电量大于分界电量z时，所述电池充电过程处于第二充电阶段，在所述第一充电阶段中，所述充电速率指标随电池电量的变化率为0，在所述第二充电阶段中，所述充电速率指标随电池电量的变化率为a；
所述电池的充电性能的分段线性函数模型的表达式为：
其中，y为充电速率指标，x为电池电量，a和c为常数。
2.根据权利要求1所述的方法，其特征在于，还包括：
在预设记录时间点，记录电池的电量；
根据电池在多个所述记录时间点的电量确定该电池在指定电量下充满单位电量所需的充电时间。
3.一种电池充电性能的建模装置，其特征在于，包括：
数据获取模块，用于获取电池充电性能的样本数据集，所述样本数据包括：电池充电过程中的电池电量，和在该电量下的充电速率指标，所述充电速率指标为电池充满单位电量所需的充电时间；
数据处理模块，用于利用预设的分段线性回归模型和所述样本数据集，进行线性回归，以确定电池的充电性能的分段线性函数模型，其中，所述分段线性回归模型的自变量为所述电池电量，因变量为所述充电速率指标，所述分段线性回归模型的每个分段分别对应电池充电过程中的每个充电阶段；
其中，所述电池充电过程包括：第一充电阶段和第二充电阶段，当电池电量小于等于分界电量z时，所述电池充电过程处于第一充电阶段，当电池电量大于分界电量z时，所述电池充电过程处于第二充电阶段，在所述第一充电阶段中，所述充电速率指标随电池电量的变化率为0，在所述第二充电阶段中，所述充电速率指标随电池电量的变化率为a；
数据处理模块确定的所述电池的充电性能的分段线性函数模型的表达式为：
其中，y为充电速率指标，x为电池电量，a和c为常数。
4.根据权利要求3所述的装置，其特征在于，还包括：
数据准备模块，用于在预设记录时间点，记录指定电池的电量，根据指定电池在多个所述记录时间点的电量确定该指定电池在指定电量下充满单位电量所需的充电时间。
5.一种电池充电性能的建模电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-2中任一所述的方法。
6.一种计算机可读介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-2中任一所述的方法。
CN201810864311.0A 2018-08-01 2018-08-01 一种电池充电性能的建模方法和装置 Active CN110851943B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810864311.0A CN110851943B (zh) 2018-08-01 2018-08-01 一种电池充电性能的建模方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810864311.0A CN110851943B (zh) 2018-08-01 2018-08-01 一种电池充电性能的建模方法和装置

Publications (2)

Publication Number Publication Date
CN110851943A CN110851943A (zh) 2020-02-28
CN110851943B true CN110851943B (zh) 2024-02-06

Family

ID=69594364

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810864311.0A Active CN110851943B (zh) 2018-08-01 2018-08-01 一种电池充电性能的建模方法和装置

Country Status (1)

Country Link
CN (1) CN110851943B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220381848A1 (en) * 2021-06-01 2022-12-01 Guangzhou Automobile Group Co., Ltd. Method and system for detecting vehicle battery cell imbalance

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1169797A (zh) * 1994-11-10 1998-01-07 杜拉塞奥公司 灵巧电池装置
CN106885994A (zh) * 2017-04-01 2017-06-23 湖南银杏数据科技有限公司 基于恒压充电片段的锂电池剩余寿命快速检测法
CN107342608A (zh) * 2017-06-30 2017-11-10 宁德时代新能源科技股份有限公司 电池充电方法、装置、设备和存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9682637B2 (en) * 2014-04-04 2017-06-20 Toyota Jidosha Kabushiki Kaisha Charging management based on demand response events
CN109075583A (zh) * 2016-03-31 2018-12-21 技领半导体股份有限公司 快速充电装置和方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1169797A (zh) * 1994-11-10 1998-01-07 杜拉塞奥公司 灵巧电池装置
CN106885994A (zh) * 2017-04-01 2017-06-23 湖南银杏数据科技有限公司 基于恒压充电片段的锂电池剩余寿命快速检测法
CN107342608A (zh) * 2017-06-30 2017-11-10 宁德时代新能源科技股份有限公司 电池充电方法、装置、设备和存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘洵源 ; 齐峰 ; 文福拴 ; 冯昌森 ; 王蕾 ; 邹波 ; 张西竹 ; .光伏不平衡接入的配电系统中电动汽车有序充电策略.电力建设.2018,(第06期),全文. *
孙杰 ; 焦系泽 ; 李扬 ; 刘顺桂 ; .基于电力供应链模型的电动汽车最优分时电价研究.电网与清洁能源.2016,(第03期),全文. *
谢信奇 ; 秦会斌 ; .一种新型锂电池充电技术.传感器与微系统.2018,(第04期),全文. *

Also Published As

Publication number Publication date
CN110851943A (zh) 2020-02-28

Similar Documents

Publication Publication Date Title
US20170324243A1 (en) Congestion control in electric power system under load and uncertainty
US10521525B2 (en) Quantifying a combined effect of interdependent uncertain resources in an electrical power grid
US11068820B2 (en) Avoiding peak energy demand times by managing consumer energy consumption
CN114500339B (zh) 一种节点带宽监测方法、装置、电子设备及存储介质
CN112506619A (zh) 作业处理方法、装置、电子设备、存储介质和程序产品
CN115564193A (zh) 智能配电网多维度综合效益评估方法及系统、存储介质
CN110851943B (zh) 一种电池充电性能的建模方法和装置
CN110850296A (zh) 一种评估电池健康度的方法和装置
US9251543B2 (en) Predictive method, apparatus and program product
CN110909908A (zh) 一种用于物品拣选时长预测的方法和装置
CN112560210B (zh) 用于调整电网结构的方法、相关装置及计算机程序产品
US20210392050A1 (en) Methods and Systems for Evaluating Data Transportability in Distribution Grids
CN110837889A (zh) 神经网络的训练方法及装置、存储介质、电子装置
CN114971736A (zh) 电力计量物资需求预测方法、装置、电子设备和存储介质
CN114779109A (zh) 电池健康状态的确定方法、装置、电子设备及存储介质
CN110703119B (zh) 评估电池健康状态的方法和装置
CN113495213A (zh) 电量预测模型构建、搬运设备部署方法和装置
CN108512711B (zh) 得到瞬时接口访问统计量的方法、装置和设备
CN105188071A (zh) 一种测试终端功耗的方法、设备和系统
US11977426B2 (en) Control apparatus, control method and program
Chowdhury et al. Method for Planning, Optimizing, and Regulating EV Charging Infrastructure. Energies 2022, 15, 4756
CN112339581B (zh) 一种运输车的充电校准方法和装置
CN113538026B (zh) 一种业务量计算方法和装置
Przygrodzki et al. Use of LHS sampling to calculate probabilistic power flow
Chen et al. Harnessing digital twin and IoT for real-time monitoring, diagnostics, and error correction in domestic solar energy storage

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