CN111157897B - 评估动力电池的方法、装置、存储介质及处理器 - Google Patents
评估动力电池的方法、装置、存储介质及处理器 Download PDFInfo
- Publication number
- CN111157897B CN111157897B CN201911419812.9A CN201911419812A CN111157897B CN 111157897 B CN111157897 B CN 111157897B CN 201911419812 A CN201911419812 A CN 201911419812A CN 111157897 B CN111157897 B CN 111157897B
- Authority
- CN
- China
- Prior art keywords
- power battery
- model
- battery
- evaluation model
- soh
- 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 119
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000013210 evaluation model Methods 0.000 claims abstract description 151
- 238000003062 neural network model Methods 0.000 claims abstract description 63
- 238000012360 testing method Methods 0.000 claims abstract description 54
- 230000008569 process Effects 0.000 claims description 43
- 238000012545 processing Methods 0.000 claims description 38
- 238000011156 evaluation Methods 0.000 claims description 21
- 238000007600 charging Methods 0.000 claims description 16
- 230000036541 health Effects 0.000 claims description 16
- 238000007599 discharging Methods 0.000 claims description 14
- 230000032683 aging Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010281 constant-current constant-voltage charging Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 abstract description 9
- 238000010998 test method Methods 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 13
- 238000004590 computer program Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 8
- 210000004027 cell Anatomy 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 229910052744 lithium Inorganic materials 0.000 description 4
- 229910001416 lithium ion Inorganic materials 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000005518 electrochemistry Effects 0.000 description 3
- 238000005562 fading Methods 0.000 description 3
- 238000000691 measurement method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 229910052493 LiFePO4 Inorganic materials 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009614 chemical analysis method Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000010280 constant potential charging Methods 0.000 description 1
- 238000010277 constant-current charging Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000002391 graphite-based active material Substances 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 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]
- G01R31/367—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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本申请公开了一种评估动力电池的方法、装置、存储介质及处理器。该方法包括:获取评估模型,其中,评估模型为线性评估模型和非线性评估模型,线性评估模型包括如下至少之一:用于评估动力电池老化程度的第一评估模型,用于评估动力电池寿命的第二评估模型,非线性评估模型为用于预测动力电池的寿命的神经网络模型;通过评估模型确定动力电池的SOH估计值,来监测动力电池的工作状态。通过本申请,解决了相关技术中针对电动汽车上的动力电池,采用直接测试法来校准电池的静态容量,但应用于电动汽车的动力电池不会完全充电或放电,导致动力电池的测试结果不准确的技术问题。
Description
技术领域
本申请涉及电动汽车领域领域,具体而言,涉及一种评估动力电池的方法、装置、存储介质及处理器。
背景技术
电动汽车是汽车产业未来发展的一大方向,作为电动汽车的核心零部件的动力电池,其发展也紧随着新能源汽车呈现大幅度上升的趋势,同时,动力电池产业规模和技术水平的飞速发展,也推动了整车产业化进程。
为了加强行业监管并满足电动汽车生产企业、零部件企业、检测及认证机构等各方面的需求,会出台了一系列国家标准,这些标准规定了电动汽车用动力电池的相关性能要求、试验方法和检验规则,并对试验方法、测试仪器准确度、试验数据记录等方面进行了说明。但是,如何获知动力电池的性能是否满足要求,是一大难题。
为了获知动力电池的性能是否满足要求,相关技术中主要采用直接测量法,直接测量法是采用完全充放电过程来校准电池的静态容量,方法简单便捷,但应用范围有限,局限于专门的实验室环境,例如,锂离子电池通常建议采用恒流和恒压充放电程序,但在实际操作中电动汽车不会完全充电或放电。此外,该方法耗费时间较长,且在一定程度上损害电池寿命。
在直接测量法之下,延伸出以下几种方法:定义法:是利用定义的方法,在标准环境下对电池进行充放电,并实际测量电池的现有容量。该方法简单直接,但是需要长时间离线测试,而在实际的过程中,电池是固定在电动汽车上的,拆卸不易。此外,由于测试的同时也减少了实际可用的循环次数,该方法是以降低电池循环次数为代价的。
交流阻抗分析法,许多研究成果与数据表明,电池的阻抗大小可以一定程度上反应电池的性能好坏,尤其在1~1KHz交流电流激励下,电池表现的阻抗与电池的劣化程度有比较显著的关系。交流阻抗分析法就是利用电池阻抗与健康状况的内在联系,通过测量电池在不同频率下的阻抗来预测电池的健康状况。该方法基于复杂的电磁理论基础,需要大量的实验以确定电池阻抗与健康状况的内在联系,且需要用专门的设备测量电池阻抗,因而成本较高,不适合大规模应用。
部分放电法,该方法是通过对电池进行大电流放电,检测其端电压的变化范围,分析电池电压的变化规律来预测电池的寿命,需要有专业的测量设备对电池进行离线测试,放电电流大,要求设备操作精度高,受到周围环境的限制,且测试会对电池本身健康状况有影响。
化学分析法,是应用化学方法,通过测量电解液的密度变化,电极板腐蚀情况对电池的健康状况进行估计,该方法估算准确,但会破坏电池结构,导致电池不能再使用,该方法只适合于由电池引起的事故对电池进行解剖分析的场景下。
针对相关技术中针对电动汽车上的动力电池,采用直接测试法来校准电池的静态容量,但应用于电动汽车的动力电池不会完全充电或放电,导致动力电池的测试结果不准确的技术问题,目前尚未提出有效的解决方案。
发明内容
本申请提供一种评估动力电池的方法、装置、存储介质及处理器,以解决相关技术中针对电动汽车上的动力电池,采用直接测试法来校准电池的静态容量,但应用于电动汽车的动力电池不会完全充电或放电,导致动力电池的测试结果不准确的技术问题。
根据本申请的一个方面,提供了一种评估动力电池的方法。该方法包括:获取评估模型,其中,评估模型为线性评估模型和非线性评估模型,线性评估模型包括如下至少之一:用于评估动力电池老化程度的第一评估模型,用于评估动力电池寿命的第二评估模型,非线性评估模型为用于预测动力电池的寿命的神经网络模型;通过评估模型确定动力电池的SOH估计值,来监测动力电池的工作状态。
可选地,第一评估模型为基于SVM的动力电池健康状态的估计模型,其中,评估模型确定动力电池的SOH估计值,包括:获取动力电池的测试参数,其中,测试参数包括如下至少之一:分数阶模型的模型参数、及电池循环老化试验过程中的循环圈数、电池温度、放电深度、均值SOC和充放电倍率;基于动力电池的测试参数,估计动力电池的电池容量;基于电池容量的估计结果,计算得到动力电池的SOH估计值。
可选地,第二评估模型为基于ICA的动力电池剩余寿命的预测模型,其中,评估模型确定动力电池的SOH估计值,包括:构建动力电池的充电曲线与ICA的间接特征之间的组合数据;采用高斯过程回归模型处理组合数据,获取动力电池的SOH估计值,其中,高斯过程回归模型用于处理非线性回归问题的概率模型。
可选地,高斯过程回归模型在输出均值的同时输出置信区间,其中,置信区间用于确定决策方案的参考信息。
可选地,在评估模型为神经网络模型的情况下,评估模型确定动力电池的SOH估计值包括:获取动力电池的初始电量和额定容量;采用神经网络模型处理初始电量和额定容量,获取预测周期内不同时间的剩余电池电量;基于预测周期内不同时间的剩余电池电量,预测得到动力电池的SOH估计值。
可选地,在评估模型为神经网络模型的情况下,评估模型确定动力电池的SOH估计值包括:采集动力电池在多个连续时刻的电压和电流,以及环境温度;将动力电池在多个连续时刻的电压和电流,以及环境温度输入至神经网络模型,估算动力电池的SOH估计值。
可选地,在评估模型为神经网络模型的情况下,评估模型确定动力电池的SOH估计值包括:采集动力电池在第一时刻的电压、在第二时刻的SOC和电流,其中,第一时刻和第二时刻为连续的时间;将动力电池在第一时刻的电压、在第二时刻的SOC和电流度输入至神经网络模型,输出动力电池在第二时刻的电压;基于径向基函数来处理动力电池在第二时刻的电压,估算动力电池的SOH估计值。
可选地,在动力电池采用恒流恒压充电和恒流放电的工作模式下,采集充电和放电的电特性以及循环寿命来估算动力电池的SOH估计值。
根据本申请的另一方面,提供了一种评估动力电池的装置。该装置包括:获取模块,用于获取评估模型,其中,评估模型为线性评估模型和非线性评估模型,线性评估模型包括如下至少之一:用于评估动力电池老化程度的第一评估模型,用于评估动力电池寿命的第二评估模型,非线性评估模型为用于预测动力电池的寿命的神经网络模型;评估模块,用于通过评估模型确定动力电池的SOH估计值,来监测动力电池的工作状态。
可选地,第一评估模型为基于SVM的动力电池健康状态的估计模型,其中,评估模块包括:第一子获取模块,用于获取动力电池的测试参数,其中,测试参数包括如下至少之一:分数阶模型的模型参数、及电池循环老化试验过程中的循环圈数、电池温度、放电深度、均值SOC和充放电倍率;估计模块,用于基于动力电池的测试参数,估计动力电池的电池容量;计算模块,用于基于电池容量的估计结果,计算得到动力电池的SOH估计值。
可选地,第二评估模型为基于ICA的动力电池剩余寿命的预测模型,其中,评估模块包括:构建模块,用于构建动力电池的充电曲线与ICA的间接特征之间的组合数据;第二子获取模块,用于采用高斯过程回归模型处理组合数据,获取动力电池的SOH估计值,其中,高斯过程回归模型用于处理非线性回归问题的概率模型。
可选地,在评估模型为神经网络模型的情况下,评估模块包括:第三子获取模块,用于获取动力电池的初始电量和额定容量;第四子获取模块,用于采用神经网络模型处理初始电量和额定容量,获取预测周期内不同时间的剩余电池电量;预测模块,用于基于预测周期内不同时间的剩余电池电量,预测得到动力电池的SOH估计值。
可选地,在评估模型为神经网络模型的情况下,评估模块包括:采集模块,用于采集动力电池在多个连续时刻的电压和电流,以及环境温度;第一估算模块,用于将动力电池在多个连续时刻的电压和电流,以及环境温度输入至神经网络模型,估算动力电池的SOH估计值。
可选地,在评估模型为神经网络模型的情况下,评估模块包括:采集模块,用于采集动力电池在第一时刻的电压、在第二时刻的SOC和电流,其中,第一时刻和第二时刻为连续的时间;输出模块,用于将动力电池在第一时刻的电压、在第二时刻的SOC和电流度输入至神经网络模型,输出动力电池在第二时刻的电压;第二估算模块,用于基于径向基函数来处理动力电池在第二时刻的电压,估算动力电池的SOH估计值。
为了实现上述目的,根据本申请的另一方面,提供了一种存储介质,存储介质包括存储的程序,其中,程序执行上述任意一种评估动力电池的方法。
为了实现上述目的,根据本申请的另一方面,提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述任意一种评估动力电池的方法。
通过本申请,采用以下步骤:获取评估模型,其中,评估模型为线性评估模型和非线性评估模型,线性评估模型包括如下至少之一:用于评估动力电池老化程度的第一评估模型,用于评估动力电池寿命的第二评估模型,非线性评估模型为用于预测动力电池的寿命的神经网络模型;通过评估模型确定动力电池的SOH估计值,来监测动力电池的工作状态,解决了相关技术中针对电动汽车上的动力电池,采用直接测试法来校准电池的静态容量,但应用于电动汽车的动力电池不会完全充电或放电,导致动力电池的测试结果不准确的技术问题。进而达到了提高动力电池的测试结果的准确度的效果。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例提供的评估动力电池的方法的流程图;以及
图2是根据本申请实施例提供的评估动力电池的装置的示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本申请的实施例,提供了一种评估动力电池的方法。
图1是根据本申请实施例的评估动力电池的方法的流程图。如图1所示,该方法包括以下步骤:
步骤S101,获取评估模型,其中,评估模型为线性评估模型和非线性评估模型,线性评估模型包括如下至少之一:用于评估动力电池老化程度的第一评估模型,用于评估动力电池寿命的第二评估模型,非线性评估模型为用于预测动力电池的寿命的神经网络模型。
需要说明的是,为了改善直接测量法在监测动力电池的工作状态时的缺陷,相关技术中出现了一些基于模型的方法,先建立模型再进行状态观测。例如,用于表征电池老化机制的各种电化学模型,包括P2D模型和SP模型,其中,单粒子模型(SP)选取几个具有代表性的模型参数,以表征LiFePO4电池的容量衰减,该模型可以在一定程度上表明电池容量衰减在存储期间由可循环锂的损失引起,而在循环期间有额外的石墨活性材料损失。但这些基于电化学的老化模型,没有直接解决SOH预测问题,且模型涉及复杂的偏微分方程,难以在实际应用中解决问题,而一些相对简单的半经验模型可行性虽然相对较高,但其表现高度依赖测试数据的质量和数量。
再例如,着重于状态/参数观察器设计的基于模型的方法,采用各样的SOH观测器进行实现,其中降阶电化学和等效电路模型被广泛采用,常见的状态估计方案包括DEKF、双滑模观测器、粒子滤波器等。具体地,基于电池的内阻与电池的健康状况存在内在联系,继而建立相关的电池模型,根据实验数据进行参数辨识,对辨识结果进行一系列处理,获得电池特性。但这种方法根据建立电池模型的难易程度,模型的用途不同,相应的计算复杂程度不同,对电池特性的估算精度也有很大的差别。
再例如,电池模型法,常用的电池模型又可细分为五种:电化学模型,热模型,耦合模型,经验模型和性能模型。具体地,1、化学模型从电池化学反应的机理出发,以电池内部的电化学量作为输入,电池容量的衰退作为输出,研究电池容量衰退的内部电化学规律。这种方法模型复杂,精度高,意义明确。缺点是电池内部电化学机理相对复杂,建立模型需要电化学方面的理论作为基础。2、热模型主要研究电池在使用过程中生热、传热的规律。同时由于电池的电化学反应和电池的热效应是相互作用的,温度的升高从化学角度讲可以促进反应的进行。3、耦合模型是研究电池电化学和热效应相互作用的新方法。热模型和耦合模型主要都是研究电池内部电化学特性和热效应,以方便对电池进行热管理,其模型机理复杂,集流体力学,热力学,电化学方面的理论基础,进而分析电池的热效应。4、经验模型,从大量实验数据出发,对采集的实验数据进行分析,采用数学方法,归纳电池容量衰减的经验规律。经验模型需要做大量的试验,实验周期长,建立的函数关系实际物理意义不明确,在更换不同电池时,对应的函数匹配度不高。5、性能模型通过实际测得的锂离子电池外部参数,根据电池本身的规律,通过相应的算法拟合出电池各个重要特性,包括电池内阻,SOC,SOH等,但存在SOH值不准确的情况。
本申请实施例通过建立用于评估动力电池老化程度的第一评估模型,或用于评估动力电池寿命的第二评估模型,以及用于预测动力电池的寿命的神经网络模型,其中,第一模型、第二模型和第三模型都可以采用不同的模型创建法来建立,从而得到可以全面表征动力电池的工作状态的模型,为准确确定动力电池的SOH估计值奠定数据基础。
步骤S102,通过评估模型确定动力电池的SOH估计值,来监测动力电池的工作状态。
需要说明的是,确定动力电池的SOH估计值的方法有多种,例如,粒子滤波法,是NASA卓越故障预测研究中心提出的一种估计电池健康状态的方法,通过锂电池的循环寿命试验得到足够的实验数据,然后通过Bayes估算法来构建系统状态的概率密度分布函数,实现了锂电池的SOH值估计,并给出了预测结果的不确定度。
再例如,基于动态贝叶斯网络的锂离子电池SOH估算方法,使用前向算法进行DBN的推理,降低了计算量和计算复杂度。
再例如,支持向量机法,是一种分类算法,在解决小样本、非线性及高维模式识别中表现出许多特有的优势,可以用支持向量机法估计电动汽车电池的SOH值,利用2/3的有用数据进行训练,1/3的有用数据进行测试,在实际运行工况条件下,考虑温度变化和SOC,实现了电池SOH值的预测。
再例如,结合容量衰退和功率衰退,将两个特征输入到自动衰退支持向量回归法(Support vector regression,SVR)模型估算SOH。
本申请实施例通过准确确定动力电池的SOH估计值,从而提高了监测动力电池的工作状态的监测效果,需要说明的是,本申请确定SOH估计值的方法不限于上述方法。
本申请实施例提供的评估动力电池的方法,通过获取评估模型,其中,评估模型为线性评估模型和非线性评估模型,线性评估模型包括如下至少之一:用于评估动力电池老化程度的第一评估模型,用于评估动力电池寿命的第二评估模型,非线性评估模型为用于预测动力电池的寿命的神经网络模型;通过评估模型确定动力电池的SOH估计值,来监测动力电池的工作状态,解决了相关技术中针对电动汽车上的动力电池,采用直接测试法来校准电池的静态容量,但应用于电动汽车的动力电池不会完全充电或放电,导致动力电池的测试结果不准确的技术问题。进而达到了提高动力电池的测试结果的准确度的效果。
可选地,在本申请实施例提供的评估动力电池的方法中,第一评估模型为基于SVM的动力电池健康状态的估计模型,其中,评估模型确定动力电池的SOH估计值,包括:获取动力电池的测试参数,其中,测试参数包括如下至少之一:分数阶模型的模型参数、及电池循环老化试验过程中的循环圈数、电池温度、放电深度、均值SOC和充放电倍率;基于动力电池的测试参数,估计动力电池的电池容量;基于电池容量的估计结果,计算得到动力电池的SOH估计值。
需要说明的是,基于SVM的动力电池健康状态的估计模型,是将SVM算法应用于锂离子电池SOH估计中,采用该算法并利用电池分数阶模型参数以及电池循环老化试验过程中的循环圈数、温度、放电深度、均值SOC和充放电倍率等影响电池老化的因素来获取电池容量的估计结果,最终实现SOH估计,可以得到较准确的估计值。
可选地,在本申请实施例提供的评估动力电池的方法中,第二评估模型为基于ICA的动力电池剩余寿命的预测模型,其中,评估模型确定动力电池的SOH估计值,包括:构建动力电池的充电曲线与ICA的间接特征之间的组合数据;采用高斯过程回归模型处理组合数据,获取动力电池的SOH估计值,其中,高斯过程回归模型用于处理非线性回归问题的概率模型。
需要说明的是,基于ICA的动力电池剩余寿命的预测模型构建了一种基于部分充电曲线与ICA的间接特征提取与组合方法,并采用高斯过程回归(Gaussian ProcessRegression,GPR)实现了锂电池在线SOH估计。
可选地,在本申请实施例提供的评估动力电池的方法中,高斯过程回归模型在输出均值的同时输出置信区间,其中,置信区间用于确定决策方案的参考信息。
需要说明的是,高斯过程回归(GPR)是一种可以适用于非线性回归问题的概率技术,属于无参数模型,可以通过适当的参数组合实现对任意系统的逼近,GPR模型用于实现预测问题时,相比于一般的数据驱动方法,其可以在输出均值的同时给出置信区间,为获取动力电池的SOH估计值提供更多的参考信息。
可选地,在本申请实施例提供的评估动力电池的方法中,在评估模型为神经网络模型的情况下,评估模型确定动力电池的SOH估计值包括:获取动力电池的初始电量和额定容量;采用神经网络模型处理初始电量和额定容量,获取预测周期内不同时间的剩余电池电量;基于预测周期内不同时间的剩余电池电量,预测得到动力电池的SOH估计值。
需要说明的是,神经网络是通过很多互相连接的神经元元素连接在一起,形成的一种智能式网络系统,可以根据前次循环的额定容量来预测下一个循环的容量,因而,可以采用神经网络模型预测周期内不同时间的剩余电池电量,从而预测得到动力电池的SOH估计值。
可选地,在本申请实施例提供的评估动力电池的方法中,在评估模型为神经网络模型的情况下,评估模型确定动力电池的SOH估计值包括:采集动力电池在多个连续时刻的电压和电流,以及环境温度;将动力电池在多个连续时刻的电压和电流,以及环境温度输入至神经网络模型,估算动力电池的SOH估计值。
例如,可以将三个连接时刻t、t-1、t-2的电压和电流,以及环境温度输入神经网络模型,从而估算得到电池SOH值。
可选地,在本申请实施例提供的评估动力电池的方法中,在评估模型为神经网络模型的情况下,评估模型确定动力电池的SOH估计值包括:采集动力电池在第一时刻的电压、在第二时刻的SOC和电流,其中,第一时刻和第二时刻为连续的时间;将动力电池在第一时刻的电压、在第二时刻的SOC和电流度输入至神经网络模型,输出动力电池在第二时刻的电压;基于径向基函数来处理动力电池在第二时刻的电压,估算动力电池的SOH估计值。
例如,将径向基函数运用于神经网络,以t-1时刻的电压、t时刻的SOC和电流作为输入量训练模型,输出t时刻电压,从而估算电池SOH值。
可选地,在本申请实施例提供的评估动力电池的方法中,在动力电池采用恒流恒压充电和恒流放电的工作模式下,采集充电和放电的电特性以及循环寿命来估算动力电池的SOH估计值。
具体地,在恒流恒压充电和恒流放电方式下,获取充电和放电的电特性以及循环寿命测试获得的数据,并利用概率神经网络来估算电池的SOH值。
此外,除了概率神经网络,本申请还可以利用包括T-S型模糊神经网络、Elman神经网络和BP(Back Propagation)神经网络在内的神经网络估算SOH估计值。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请实施例还提供了一种评估动力电池的装置,需要说明的是,本申请实施例的评估动力电池的装置可以用于执行本申请实施例所提供的用于评估动力电池的方法。以下对本申请实施例提供的评估动力电池的装置进行介绍。
图2是根据本申请实施例的评估动力电池的装置的示意图。如图2所示,该装置包括:获取模块10和评估模块20。
具体地,获取模块10,用于获取评估模型,其中,评估模型为线性评估模型和非线性评估模型,线性评估模型包括如下至少之一:用于评估动力电池老化程度的第一评估模型,用于评估动力电池寿命的第二评估模型,非线性评估模型为用于预测动力电池的寿命的神经网络模型。
评估模块20,用于通过评估模型确定动力电池的SOH估计值,来监测动力电池的工作状态。
本申请实施例提供的评估动力电池的装置,通过获取模块10,用于获取评估模型,其中,评估模型为线性评估模型和非线性评估模型,线性评估模型包括如下至少之一:用于评估动力电池老化程度的第一评估模型,用于评估动力电池寿命的第二评估模型,非线性评估模型为用于预测动力电池的寿命的神经网络模型;评估模块20,用于通过评估模型确定动力电池的SOH估计值,来监测动力电池的工作状态,解决了相关技术中针对电动汽车上的动力电池,采用直接测试法来校准电池的静态容量,但应用于电动汽车的动力电池不会完全充电或放电,导致动力电池的测试结果不准确的技术问题,进而达到了提高动力电池的测试结果的准确度的效果。
可选地,在本申请实施例提供的评估动力电池的装置中,第一评估模型为基于SVM的动力电池健康状态的估计模型,其中,评估模块包括:第一子获取模块,用于获取动力电池的测试参数,其中,测试参数包括如下至少之一:分数阶模型的模型参数、及电池循环老化试验过程中的循环圈数、电池温度、放电深度、均值SOC和充放电倍率;估计模块,用于基于动力电池的测试参数,估计动力电池的电池容量;计算模块,用于基于电池容量的估计结果,计算得到动力电池的SOH估计值。
可选地,在本申请实施例提供的评估动力电池的装置中,第二评估模型为基于ICA的动力电池剩余寿命的预测模型,其中,评估模块包括:构建模块,用于构建动力电池的充电曲线与ICA的间接特征之间的组合数据;第二子获取模块,用于采用高斯过程回归模型处理组合数据,获取动力电池的SOH估计值,其中,高斯过程回归模型用于处理非线性回归问题的概率模型。
可选地,在本申请实施例提供的评估动力电池的装置中,在评估模型为神经网络模型的情况下,评估模块20包括:第三子获取模块,用于获取动力电池的初始电量和额定容量;第四子获取模块,用于采用神经网络模型处理初始电量和额定容量,获取预测周期内不同时间的剩余电池电量;预测模块,用于基于预测周期内不同时间的剩余电池电量,预测得到动力电池的SOH估计值。
可选地,在本申请实施例提供的评估动力电池的装置中,在评估模型为神经网络模型的情况下,评估模块20包括:采集模块,用于采集动力电池在多个连续时刻的电压和电流,以及环境温度;第一估算模块,用于将动力电池在多个连续时刻的电压和电流,以及环境温度输入至神经网络模型,估算动力电池的SOH估计值。
可选地,在本申请实施例提供的评估动力电池的装置中,在评估模型为神经网络模型的情况下,评估模块20包括:采集模块,用于采集动力电池在第一时刻的电压、在第二时刻的SOC和电流,其中,第一时刻和第二时刻为连续的时间;输出模块,用于将动力电池在第一时刻的电压、在第二时刻的SOC和电流度输入至神经网络模型,输出动力电池在第二时刻的电压;第二估算模块,用于基于径向基函数来处理动力电池在第二时刻的电压,估算动力电池的SOH估计值。
所述评估动力电池的装置包括处理器和存储器,上述获取模块10和评估模块20等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来解决现有技术中针对电动汽车上的动力电池,采用直接测试法来校准电池的静态容量,但应用于电动汽车的动力电池不会完全充电或放电,导致动力电池的测试结果不准确的技术问题。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现所述评估动力电池的方法。
本发明实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述评估动力电池的方法。
本发明实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:获取评估模型,其中,评估模型为线性评估模型和非线性评估模型,线性评估模型包括如下至少之一:用于评估动力电池老化程度的第一评估模型,用于评估动力电池寿命的第二评估模型,非线性评估模型为用于预测动力电池的寿命的神经网络模型;通过评估模型确定动力电池的SOH估计值,来监测动力电池的工作状态。
可选地,第一评估模型为基于SVM的动力电池健康状态的估计模型,其中,评估模型确定动力电池的SOH估计值,包括:获取动力电池的测试参数,其中,测试参数包括如下至少之一:分数阶模型的模型参数、及电池循环老化试验过程中的循环圈数、电池温度、放电深度、均值SOC和充放电倍率;基于动力电池的测试参数,估计动力电池的电池容量;基于电池容量的估计结果,计算得到动力电池的SOH估计值。
可选地,第二评估模型为基于ICA的动力电池剩余寿命的预测模型,其中,评估模型确定动力电池的SOH估计值,包括:构建动力电池的充电曲线与ICA的间接特征之间的组合数据;采用高斯过程回归模型处理组合数据,获取动力电池的SOH估计值,其中,高斯过程回归模型用于处理非线性回归问题的概率模型。
可选地,高斯过程回归模型在输出均值的同时输出置信区间,其中,置信区间用于确定决策方案的参考信息。
可选地,在评估模型为神经网络模型的情况下,评估模型确定动力电池的SOH估计值包括:获取动力电池的初始电量和额定容量;采用神经网络模型处理初始电量和额定容量,获取预测周期内不同时间的剩余电池电量;基于预测周期内不同时间的剩余电池电量,预测得到动力电池的SOH估计值。
可选地,在评估模型为神经网络模型的情况下,评估模型确定动力电池的SOH估计值包括:采集动力电池在多个连续时刻的电压和电流,以及环境温度;将动力电池在多个连续时刻的电压和电流,以及环境温度输入至神经网络模型,估算动力电池的SOH估计值。
可选地,在评估模型为神经网络模型的情况下,评估模型确定动力电池的SOH估计值包括:采集动力电池在第一时刻的电压、在第二时刻的SOC和电流,其中,第一时刻和第二时刻为连续的时间;将动力电池在第一时刻的电压、在第二时刻的SOC和电流度输入至神经网络模型,输出动力电池在第二时刻的电压;基于径向基函数来处理动力电池在第二时刻的电压,估算动力电池的SOH估计值。
可选地,在动力电池采用恒流恒压充电和恒流放电的工作模式下,采集充电和放电的电特性以及循环寿命来估算动力电池的SOH估计值。本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:获取评估模型,其中,评估模型为线性评估模型和非线性评估模型,线性评估模型包括如下至少之一:用于评估动力电池老化程度的第一评估模型,用于评估动力电池寿命的第二评估模型,非线性评估模型为用于预测动力电池的寿命的神经网络模型;通过评估模型确定动力电池的SOH估计值,来监测动力电池的工作状态。
可选地,第一评估模型为基于SVM的动力电池健康状态的估计模型,其中,评估模型确定动力电池的SOH估计值,包括:获取动力电池的测试参数,其中,测试参数包括如下至少之一:分数阶模型的模型参数、及电池循环老化试验过程中的循环圈数、电池温度、放电深度、均值SOC和充放电倍率;基于动力电池的测试参数,估计动力电池的电池容量;基于电池容量的估计结果,计算得到动力电池的SOH估计值。
可选地,第二评估模型为基于ICA的动力电池剩余寿命的预测模型,其中,评估模型确定动力电池的SOH估计值,包括:构建动力电池的充电曲线与ICA的间接特征之间的组合数据;采用高斯过程回归模型处理组合数据,获取动力电池的SOH估计值,其中,高斯过程回归模型用于处理非线性回归问题的概率模型。
可选地,高斯过程回归模型在输出均值的同时输出置信区间,其中,置信区间用于确定决策方案的参考信息。
可选地,在评估模型为神经网络模型的情况下,评估模型确定动力电池的SOH估计值包括:获取动力电池的初始电量和额定容量;采用神经网络模型处理初始电量和额定容量,获取预测周期内不同时间的剩余电池电量;基于预测周期内不同时间的剩余电池电量,预测得到动力电池的SOH估计值。
可选地,在评估模型为神经网络模型的情况下,评估模型确定动力电池的SOH估计值包括:采集动力电池在多个连续时刻的电压和电流,以及环境温度;将动力电池在多个连续时刻的电压和电流,以及环境温度输入至神经网络模型,估算动力电池的SOH估计值。
可选地,在评估模型为神经网络模型的情况下,评估模型确定动力电池的SOH估计值包括:采集动力电池在第一时刻的电压、在第二时刻的SOC和电流,其中,第一时刻和第二时刻为连续的时间;将动力电池在第一时刻的电压、在第二时刻的SOC和电流度输入至神经网络模型,输出动力电池在第二时刻的电压;基于径向基函数来处理动力电池在第二时刻的电压,估算动力电池的SOH估计值。
可选地,在动力电池采用恒流恒压充电和恒流放电的工作模式下,采集充电和放电的电特性以及循环寿命来估算动力电池的SOH估计值。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意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、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (13)
1.一种评估动力电池的方法,其特征在于,包括:
获取评估模型,其中,所述评估模型为线性评估模型和非线性评估模型,所述线性评估模型包括如下至少之一:用于评估动力电池老化程度的第一评估模型,用于评估动力电池寿命的第二评估模型,所述非线性评估模型为用于预测动力电池的寿命的神经网络模型;
通过所述评估模型确定动力电池的SOH估计值,来监测所述动力电池的工作状态;
其中,所述第二评估模型为基于ICA的动力电池剩余寿命的预测模型,所述评估模型确定所述动力电池的SOH估计值,包括:构建所述动力电池的充电曲线与ICA的间接特征之间的组合数据;采用高斯过程回归模型处理所述组合数据,获取所述动力电池的SOH估计值,其中,所述高斯过程回归模型用于处理非线性回归问题的概率模型;高斯过程回归模型在输出均值的同时输出置信区间,其中,所述置信区间用于确定决策方案的参考信息。
2.根据权利要求1所述的方法,其特征在于,所述第一评估模型为基于SVM的动力电池健康状态的估计模型,其中,所述评估模型确定所述动力电池的SOH估计值,包括:
获取动力电池的测试参数,其中,所述测试参数包括如下至少之一:分数阶模型的模型参数、及电池循环老化试验过程中的循环圈数、电池温度、放电深度、均值SOC和充放电倍率;
基于所述动力电池的测试参数,估计所述动力电池的电池容量;
基于所述电池容量的估计结果,计算得到所述动力电池的SOH估计值。
3.根据权利要求1所述的方法,其特征在于,在所述评估模型为所述神经网络模型的情况下,所述评估模型确定所述动力电池的SOH估计值包括:
获取所述动力电池的初始电量和额定容量;
采用所述神经网络模型处理所述初始电量和额定容量,获取预测周期内不同时间的剩余电池电量;
基于所述预测周期内不同时间的剩余电池电量,预测得到所述动力电池的SOH估计值。
4.根据权利要求1所述的方法,其特征在于,在所述评估模型为所述神经网络模型的情况下,所述评估模型确定所述动力电池的SOH估计值包括:
采集所述动力电池在多个连续时刻的电压和电流,以及环境温度;
将所述动力电池在多个连续时刻的电压和电流,以及环境温度输入至所述神经网络模型,估算所述动力电池的SOH估计值。
5.根据权利要求1所述的方法,其特征在于,在所述评估模型为所述神经网络模型的情况下,所述评估模型确定所述动力电池的SOH估计值包括:
采集所述动力电池在第一时刻的电压、在第二时刻的SOC和电流,其中,所述第一时刻和第二时刻为连续的时间;
将所述动力电池在第一时刻的电压、在第二时刻的SOC和电流度输入至所述神经网络模型,输出所述动力电池在第二时刻的电压;
基于径向基函数来处理所述动力电池在第二时刻的电压,估算所述动力电池的SOH估计值。
6.根据权利要求1所述的方法,其特征在于,在所述动力电池采用恒流恒压充电和恒流放电的工作模式下,采集充电和放电的电特性以及循环寿命来估算所述动力电池的SOH估计值。
7.一种评估动力电池的装置,其特征在于,包括:
获取模块,用于获取评估模型,其中,所述评估模型为线性评估模型和非线性评估模型,所述线性评估模型包括如下至少之一:用于评估动力电池老化程度的第一评估模型,用于评估动力电池寿命的第二评估模型,所述非线性评估模型为用于预测动力电池的寿命的神经网络模型;
评估模块,用于通过所述评估模型确定动力电池的SOH估计值,来监测所述动力电池的工作状态;
其中,所述第二评估模型为基于ICA的动力电池剩余寿命的预测模型,其中,所述评估模块包括:构建模块,用于构建所述动力电池的充电曲线与ICA的间接特征之间的组合数据;第二子获取模块,用于采用高斯过程回归模型处理所述组合数据,获取所述动力电池的SOH估计值,其中,所述高斯过程回归模型用于处理非线性回归问题的概率模型,高斯过程回归模型在输出均值的同时输出置信区间,其中,所述置信区间用于确定决策方案的参考信息。
8.根据权利要求7所述的装置,其特征在于,所述第一评估模型为基于SVM的动力电池健康状态的估计模型,其中,所述评估模块包括:
第一子获取模块,用于获取动力电池的测试参数,其中,所述测试参数包括如下至少之一:分数阶模型的模型参数、及电池循环老化试验过程中的循环圈数、电池温度、放电深度、均值SOC和充放电倍率;
估计模块,用于基于所述动力电池的测试参数,估计所述动力电池的电池容量;
计算模块,用于基于所述电池容量的估计结果,计算得到所述动力电池的SOH估计值。
9.根据权利要求7所述的装置,其特征在于,在所述评估模型为所述神经网络模型的情况下,所述评估模块包括:
第三子获取模块,用于获取所述动力电池的初始电量和额定容量;
第四子获取模块,用于采用所述神经网络模型处理所述初始电量和额定容量,获取预测周期内不同时间的剩余电池电量;
预测模块,用于基于所述预测周期内不同时间的剩余电池电量,预测得到所述动力电池的SOH估计值。
10.根据权利要求7所述的装置,其特征在于,在所述评估模型为所述神经网络模型的情况下,所述评估模块包括:
采集模块,用于采集所述动力电池在多个连续时刻的电压和电流,以及环境温度;
第一估算模块,用于将所述动力电池在多个连续时刻的电压和电流,以及环境温度输入至所述神经网络模型,估算所述动力电池的SOH估计值。
11.根据权利要求7所述的装置,其特征在于,在所述评估模型为所述神经网络模型的情况下,所述评估模块包括:
采集模块,用于采集所述动力电池在第一时刻的电压、在第二时刻的SOC和电流,其中,所述第一时刻和第二时刻为连续的时间;
输出模块,用于将所述动力电池在第一时刻的电压、在第二时刻的SOC和电流度输入至所述神经网络模型,输出所述动力电池在第二时刻的电压;
第二估算模块,用于基于径向基函数来处理所述动力电池在第二时刻的电压,估算所述动力电池的SOH估计值。
12.一种存储介质,其特征在于,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至6中任意一项所述评估动力电池的方法。
13.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至6中任意一项所述评估动力电池的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911419812.9A CN111157897B (zh) | 2019-12-31 | 2019-12-31 | 评估动力电池的方法、装置、存储介质及处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911419812.9A CN111157897B (zh) | 2019-12-31 | 2019-12-31 | 评估动力电池的方法、装置、存储介质及处理器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111157897A CN111157897A (zh) | 2020-05-15 |
CN111157897B true CN111157897B (zh) | 2022-05-10 |
Family
ID=70560326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911419812.9A Active CN111157897B (zh) | 2019-12-31 | 2019-12-31 | 评估动力电池的方法、装置、存储介质及处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111157897B (zh) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111613843B (zh) * | 2020-05-29 | 2021-04-02 | 重庆金康新能源汽车有限公司 | 修改电动车辆内的电池的放电c倍率的方法和系统 |
CN112002949A (zh) * | 2020-08-21 | 2020-11-27 | 慧橙新能源发展(杭州)有限公司 | 一种动力电池主动均衡的监测管理方法及系统 |
CN112379277A (zh) * | 2020-09-30 | 2021-02-19 | 浙江南都电源动力股份有限公司 | 锂离子电池容量的预测方法 |
CN112213643B (zh) * | 2020-09-30 | 2023-06-23 | 蜂巢能源科技有限公司 | 电池初始容量、电池健康状态的预测方法、系统及设备 |
CN112881930B (zh) * | 2021-01-19 | 2023-07-18 | 北京昆兰新能源技术有限公司 | 一种基于物联网的储能电池健康管理预测方法及系统 |
CN112883637A (zh) * | 2021-01-29 | 2021-06-01 | 南昌师范学院 | 锂离子电池rul的混沌时序非线性组合预测方法 |
CN113296009B (zh) * | 2021-04-23 | 2023-03-14 | 重庆大学 | 一种退役动力锂离子电池剩余寿命预测及重组方法 |
CN113504473B (zh) * | 2021-09-10 | 2021-12-10 | 四川大学 | 一种适用动力锂电池非线性衰退过程的rul预测方法 |
CN114019380B (zh) * | 2021-10-29 | 2024-05-17 | 天津市捷威动力工业有限公司 | 一种电芯的日历寿命扩展预测方法 |
CN114116843B (zh) * | 2021-11-25 | 2023-08-18 | 国网江苏省电力有限公司连云港供电分公司 | 基于用电数据的村镇小型污水处理设施运行监测方法 |
CN114252731B (zh) * | 2021-12-13 | 2024-04-05 | 广西电网有限责任公司桂林供电局 | 一种基于多个参数的继电器动作特性评估方法及装置 |
CN114740389A (zh) * | 2022-05-11 | 2022-07-12 | 上海采日能源科技有限公司 | 电池健康评估方法、装置、电子设备和可读存储介质 |
CN115032556A (zh) * | 2022-06-27 | 2022-09-09 | 国网湖北省电力有限公司电力科学研究院 | 储能电池系统状态评估方法、装置、存储介质及电子设备 |
CN115616415B (zh) * | 2022-12-06 | 2023-04-07 | 北京志翔科技股份有限公司 | 电池组状态的评估方法、装置、设备及存储介质 |
CN117991109A (zh) * | 2024-04-07 | 2024-05-07 | 宁德时代新能源科技股份有限公司 | 模型训练及充电状态的确定方法、装置、设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101526588A (zh) * | 2004-11-05 | 2009-09-09 | 捷讯研究有限公司 | 用于精确报告电池组容量的方法和系统 |
CN103487759A (zh) * | 2013-09-18 | 2014-01-01 | 江苏大学 | 一种混合动力汽车电池soc预测方法 |
CN108303652A (zh) * | 2018-01-18 | 2018-07-20 | 武汉理工大学 | 一种锂电池剩余寿命预测方法 |
CN108646189A (zh) * | 2018-05-08 | 2018-10-12 | 国网陕西省电力公司电力科学研究院 | 一种面向铅酸蓄电池剩余容量预测的libsvm建模方法 |
CN110133508A (zh) * | 2019-04-24 | 2019-08-16 | 上海博强微电子有限公司 | 电动汽车动力电池的安全预警方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7197487B2 (en) * | 2005-03-16 | 2007-03-27 | Lg Chem, Ltd. | Apparatus and method for estimating battery state of charge |
-
2019
- 2019-12-31 CN CN201911419812.9A patent/CN111157897B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101526588A (zh) * | 2004-11-05 | 2009-09-09 | 捷讯研究有限公司 | 用于精确报告电池组容量的方法和系统 |
CN103487759A (zh) * | 2013-09-18 | 2014-01-01 | 江苏大学 | 一种混合动力汽车电池soc预测方法 |
CN108303652A (zh) * | 2018-01-18 | 2018-07-20 | 武汉理工大学 | 一种锂电池剩余寿命预测方法 |
CN108646189A (zh) * | 2018-05-08 | 2018-10-12 | 国网陕西省电力公司电力科学研究院 | 一种面向铅酸蓄电池剩余容量预测的libsvm建模方法 |
CN110133508A (zh) * | 2019-04-24 | 2019-08-16 | 上海博强微电子有限公司 | 电动汽车动力电池的安全预警方法 |
Non-Patent Citations (1)
Title |
---|
基于数据驱动方法的锂离子电池健康状态估计;孙猛猛;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》;20190115(第1期);第22-23、55-67页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111157897A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111157897B (zh) | 评估动力电池的方法、装置、存储介质及处理器 | |
Li et al. | Prognostic health condition for lithium battery using the partial incremental capacity and Gaussian process regression | |
Wang et al. | Lithium battery state-of-health estimation via differential thermal voltammetry with Gaussian process regression | |
Guo et al. | Online estimation of SOH for lithium-ion battery based on SSA-Elman neural network | |
Li et al. | State of health estimation for Li-Ion battery using incremental capacity analysis and Gaussian process regression | |
Kong et al. | Voltage-temperature health feature extraction to improve prognostics and health management of lithium-ion batteries | |
Hu et al. | State estimation for advanced battery management: Key challenges and future trends | |
Tan et al. | Real-time state-of-health estimation of lithium-ion batteries based on the equivalent internal resistance | |
Rezvanizaniani et al. | Review and recent advances in battery health monitoring and prognostics technologies for electric vehicle (EV) safety and mobility | |
Wang et al. | State of health estimation based on modified Gaussian process regression for lithium-ion batteries | |
Guo et al. | A state-of-health estimation method of lithium-ion batteries based on multi-feature extracted from constant current charging curve | |
Elmahallawy et al. | A comprehensive review of lithium-ion batteries modeling, and state of health and remaining useful lifetime prediction | |
Jiang et al. | An adaptive capacity estimation approach for lithium-ion battery using 10-min relaxation voltage within high state of charge range | |
Heinrich et al. | Virtual experiments for battery state of health estimation based on neural networks and in-vehicle data | |
Wu et al. | State of power estimation of power lithium-ion battery based on an equivalent circuit model | |
Yang et al. | Lithium-ion battery capacity estimation based on battery surface temperature change under constant-current charge scenario | |
Sun et al. | Adaptive evolution enhanced physics-informed neural networks for time-variant health prognosis of lithium-ion batteries | |
CN114818831B (zh) | 基于多源感知的双向锂离子电池故障检测方法及系统 | |
Che et al. | Battery health prognostic with sensor-free differential temperature voltammetry reconstruction and capacity estimation based on multi-domain adaptation | |
CN113189495A (zh) | 一种电池健康状态的预测方法、装置及电子设备 | |
Venugopal et al. | Analysis of optimal machine learning approach for battery life estimation of Li-ion cell | |
Ma et al. | State of health and remaining useful life prediction for lithium-ion batteries based on differential thermal voltammetry and a long and short memory neural network | |
CN114167284A (zh) | 基于bms大数据和集成学习的锂电池rul预测方法及设备 | |
An et al. | A novel state-of-energy simplified estimation method for lithium-ion battery pack based on prediction and representative cells | |
Huang et al. | State of health estimation of lithium-ion batteries based on fine-tuning or rebuilding transfer learning strategies combined with new features mining |
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 |