CN112149345A - 电池管理方法、装置、计算机设备和存储介质 - Google Patents
电池管理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN112149345A CN112149345A CN202010870680.8A CN202010870680A CN112149345A CN 112149345 A CN112149345 A CN 112149345A CN 202010870680 A CN202010870680 A CN 202010870680A CN 112149345 A CN112149345 A CN 112149345A
- Authority
- CN
- China
- Prior art keywords
- battery
- model
- parameters
- working condition
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- 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
-
- 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
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
- H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
-
- 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)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Secondary Cells (AREA)
Abstract
本申请涉及一种电池管理方法、装置、计算机设备和存储介质。所述方法包括:获取电池的实际工况参数及对应的可量化数据;可量化数据是根据实际工况参数对电池机理模型库仿真得到;将实际工况参数及对应的可量化数据输入至数据驱动映射关系模型,得到电池的模型结构和电池参数;数据驱动映射关系模型是基于工况参数及其对应的可量化数据、模型结构和电池参数训练得到的;根据电池的模型结构和电池参数更新电池管理系统,基于更新后的电池管理系统控制电池。采用本方法可以在电池发生老化、故障和缺陷后对电池模型结构、类型和参数进行更新,保证基于电池的模型结构的控制都是在正确的电池模型结构基础上进行的,实现对电池的精准的控制和管理,且安全。
Description
技术领域
本申请涉及电池管理系统技术领域,特别是涉及一种电池管理方法、装置、计算机设备和存储介质。
背景技术
以锂离子电池为代表的电池作为储能载体得到了广泛应用,比如手机、笔记本电脑、医疗器械、电动汽车、储能电站、信号基站等使用的都是锂离子电池。为了保证电池安全高效的工作,一般都会配有电池管理系统对电池进行状态估计、故障诊断和电量均衡等管理。
目前的电池管理系统大都采用基于模型的控制技术,需要对被控电池建立准确的数学模型,而电池的描述涉及电化学、热、机械等因素,特别是电池发生故障和老化后,不止电池模型参数会发生变化,电池模型结构或类型也会发生变化。
基于模型的控制可以借助一些自适应算法进行在线更新模型参数,但一般无法在线更新模型类型。因此目前的电池管理系统在电池发生老化、故障和缺陷等情况后的控制和管理方面存在一定不足,不能保证电池管理系统一直都是基于正确的电池模型结构对电池进行控制和管理。
发明内容
基于此,有必要针对上述技术问题,提供一种能够在电池发生老化和故障后对电池模型结构、类型和参数进行更新的电池管理方法、装置、计算机设备和存储介质。
一种电池管理方法,所述方法包括:
获取电池的实际工况参数及对应的可量化数据;所述可量化数据是根据所述实际工况参数对电池机理模型库仿真得到;
将所述实际工况参数及对应的可量化数据输入至数据驱动映射关系模型,得到所述电池的模型结构和电池参数;所述数据驱动映射关系模型是基于工况参数及其对应的可量化数据、模型结构和电池参数训练得到的;
根据所述电池的模型结构和电池参数更新电池管理系统,基于更新后的电池管理系统控制所述电池。
在其中一个实施例中,所述方法还包括:
根据所述电池的模型结构确定所述电池的故障类型,以及根据所述电池参数确定故障等级。
在其中一个实施例中,所述实际工况参数包括:
电池所处的工况电流值、温度值、荷电状态和健康状态;其中所述工况可以是恒流充放电、恒功率充放电、脉冲充放电、各种动态电流充放电等其中一个或多种的组合。
在其中一个实施例中,所述数据驱动映射关系模型的训练方式包括:
获取至少一个工况样本参数,所述工况样本参数包括工况电流、温度、荷电状态和健康状态;
根据所述至少一个工况样本参数对电池机理模型库进行仿真,得到电池的可量化数据;
将所述电池的可量化数据和工况样本参数作为初始的数据驱动映射关系模型的输入,模型结构和模型参数作为监督数据,对所述初始的数据驱动映射关系模式进行训练,得到训练好的数据驱动映射关系模型。
在其中一个实施例中,所述可量化数据包括可测量量或处理量;所述可测量量包括电压、温度、正负极电位、机械压力值中的一种或两种以上的组合;所述处理量为对预设时间内可测量量的函数运算结果。
在其中一个实施例中,所述电池机理模型库的建立方式,包括:
根据第一性原理,针对物理场耦合、正常电池状态、老化途径耦合、故障类型耦合、老化和故障耦合分别构建对应的电池机理模型,并将构建的电池机理模型存储在电池机理模型库中。
在其中一个实施例中,所述电池机理模型为等效电路模型、分数阶模型、热模型、力学模型或伪二维模型中的一种或两种以上组合。
一种电池管理装置,所述装置包括:
参数获取模块,用于获取电池的实际工况参数及对应的可量化数据;所述可量化数据是根据所述实际工况参数对电池机理模型库仿真得到;
电池模型确定模块,用于将所述实际工况参数及对应的可量化数据输入至数据驱动映射关系模型,得到所述电池的模型结构和电池参数;所述数据驱动映射关系模型是基于工况参数及其对应的可量化数据、模型结构和电池参数训练得到的;
电池控制模块,用于根据所述电池的模型结构和电池参数更新电池管理系统,基于更新后的电池管理系统控制所述电池。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取电池的实际工况参数及对应的可量化数据;所述可量化数据是根据所述实际工况参数对电池机理模型库仿真得到;
将所述实际工况参数及对应的可量化数据输入至数据驱动映射关系模型,得到所述电池的模型结构和电池参数;所述数据驱动映射关系模型是基于工况参数及其对应的可量化数据、模型结构和电池参数训练得到的;
根据所述电池的模型结构和电池参数更新电池管理系统,基于更新后的电池管理系统控制所述电池。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取电池的实际工况参数及对应的可量化数据;所述可量化数据是根据所述实际工况参数对电池机理模型库仿真得到;
将所述实际工况参数及对应的可量化数据输入至数据驱动映射关系模型,得到所述电池的模型结构和电池参数;所述数据驱动映射关系模型是基于工况参数及其对应的可量化数据、模型结构和电池参数训练得到的;
根据所述电池的模型结构和电池参数更新电池管理系统,基于更新后的电池管理系统控制所述电池。
上述电池管理方法、装置、计算机设备和存储介质,获取电池的实际工况参数及对应的可量化数据;可量化数据是根据实际工况参数对电池机理模型库仿真得到;将实际工况参数及对应的可量化数据输入至数据驱动映射关系模型,得到电池的模型结构和电池参数;数据驱动映射关系模型是基于工况参数及其对应的可量化数据、模型结构和电池参数训练得到的;根据电池的模型结构和电池参数更新电池管理系统,基于更新后的电池管理系统控制电池,可以在电池发生老化、故障和缺陷后对电池模型结构、类型和参数进行更新,保证基于电池模型结构的控制都是在正确的电池模型结构基础上进行的,实现对电池的精准的控制和管理,且安全。
附图说明
图1为一个实施例中电池管理方法的流程示意图;
图2为一个实施例中电池管理方法的原理图;
图3为一个实施例中电池管理装置的结构框图;
图4为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种电池管理方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤102,获取电池的实际工况参数及对应的可量化数据;所述可量化数据是根据所述实际工况参数对电池机理模型库仿真得到。
其中,实际工况参数包括工况、外部环境温度、电池的电流值、电池的荷电状态、电池的健康状态等参数,电池机理模型库包含多个电池机理模型,电池机理模型是用数学表达式来描述电池的电化学等行为的模型,可量化数据是用数学模型将实际工况参数进行计算得到的数据,包括电压、温度、机械压力、容量、内阻等数据。
具体地,实际工况参数中的工况信息可以是恒流充放电、恒功率充放电、脉冲充放电、各种动态电流充放电等其中一个或多种的组合。可以事先通过比较正常电池和故障电池机理模型在哪些工况下的可量化数据会产生差异,针对不同电池故障可以选取不同工况对电池进行激励,以实现数据驱动映射关系模型的高效建立。外部环境温度用测温仪测量得到,电池的荷电状态可用库伦计测量得到,电池的电流值、健康状态可以用卡尔曼滤波测量计算得到,这里对实际工况参数的获取方法不限于以上几种方法,只要能获得实际工况参数即可;对应的可量化数据是根据工况、外部环境温度、电池的荷电状态、电池的健康状态等参数在电池机理模型库中仿真得到的数据。
步骤104,将所述实际工况参数及对应的可量化数据输入至数据驱动映射关系模型,得到所述电池的模型结构和电池参数;所述数据驱动映射关系模型是基于工况参数及其对应的可量化数据、模型结构和电池参数训练得到的。
具体地,电池的模型结构包括正常电池、正负极活性材料损失、锂离子量损失、析锂、微短路、产气等模型中的一种或多种的组合,电池参数包括电极孔隙率、隔膜电导率、电子传导率、离子传导率、颗粒表面膜阻值等参数,考虑不同的实际工况参数建立大量电池机理模型,得到电池机理模型库,数据驱动映射关系模型是实际工况参数及对应的可量化数据与电池的模型结构和电池参数之间的关系模型,是使用人工智能算法利用电池机理模型库中的电池机理模型去训练得到的;将电池的实际工况参数及对应的可量化数据输入训练好的数据驱动映射关系模型,就可以得到电池的模型结构和电池参数。
步骤106,根据所述电池的模型结构和电池参数更新电池管理系统,基于更新后的电池管理系统控制所述电池。
具体地,根据通过数据驱动映射关系模型得到电池的模型结构和电池参数将电池管理系统数据库中的电池的模型结构和电池参数进行修改,根据更新后的电池管理系统对电池进行管理和控制可包含故障诊断、风险评级、安全预警、模型更新、参数获取等其中的一种或多种组合,根据应用场景和实际情况的不同,可对本发明进行灵活配置和调节使用。比如,当应用场景仅是故障诊断时,可以在电池机理模型库中只建立多种故障模型,当应用场景仅是正常电池的模型更新时,可以在电池机理模型库中只为不同荷电状态区间、温度区间、老化程度建立多种正常电池的模型。
上述电池管理方法中,获取电池的实际工况参数及对应的可量化数据;可量化数据是根据实际工况参数对电池机理模型库仿真得到;将实际工况参数及对应的可量化数据输入至数据驱动映射关系模型,得到电池的模型结构和电池参数;数据驱动映射关系模型是基于工况参数及其对应的可量化数据、模型结构和电池参数训练得到的;根据电池的模型结构和电池参数更新电池管理系统,基于更新后的电池管理系统控制电池,可以在电池发生老化、故障和缺陷后对电池模型结构、类型和参数进行更新,保证基于电池的模型结构的控制都是在正确的电池模型结构基础上进行的,实现对电池的精准的控制和管理,且安全。
在一个实施例中,如图2所示,所述方法还包括:
根据所述电池的模型结构确定所述电池的故障类型,以及根据所述电池参数确定故障等级。
具体地,故障类型是电池故障产生的类型,包括正负极活性材料损失、锂离子量损失、析锂、微短路、产气等中的一种或多种的组合;故障等级用来表示故障严重程度的级别,包括轻微、普通、严重三种等级;预先建立好电池的模型结构和故障类型之间的映射关系表,根据确定的模型结构在模型结构和故障类型之间的映射关系表中找到当前模型结构对应的故障类型,比如根据电池的模型结构为内部微短路模型,可以判定电池发生内部微短路故障;根据电池参数中的微短路阻值来确定故障等级,阻值越小说明短路情况越严重,预先建立好微电路阻值和故障等级之间映射关系表,根据微电路阻值在微电路阻值和故障等级之间映射关系表中找到对应的故障等级。将电池的实际工况参数和可量化数据输入到训练好的数据驱动映射关系模型中,得到电池的模型结构和电池参数,例如当前电池的工况电流值为恒定充电电流值,温度值为25℃,荷电状态为80%还有对应的电压变化输入到训练好的数据驱动映射关系模型,得到当前实际电池故障模型类型为内部微短路,还有具体的电池参数,比如电极孔隙率、隔膜电导率、电子传导率、离子传导率、颗粒表面膜阻值等。根据所得模型类型是内部微短路模型判定电池发生内部微短路故障,根据相关电池参数,如隔膜电导率的具体大小来进一步判断故障是轻微、普通、严重等情况中的一个,并据此发出电池安全预警信号,同时更新电池管理系统中电池模型为内部微短路电池模型,电池参数更新为得到的电池参数,基于更新后的模型再进行状态估计、均衡、热管理等控制和管理,将会准确高效,这里更新的模型可以是识别出电池模型相应的简化降阶模型,以降低在线应用时的计算量。
在一个实施例中,如图2所示,所述实际工况参数包括:
电池所处的工况电流值、温度值、荷电状态和健康状态;其中所述工况可以是恒流充放电、恒功率充放电、脉冲充放电或各种动态电流充放电中的一种或两种以上的组合。
具体地,工况可以是恒流充放电、恒功率充放电、脉冲充放电、各种动态电流充放电等其中一种或两种以上的组合。电池所处工况的电流值为当前工况信息,当前工况下电池的电流值,温度值为当前环境的温度值,荷电状态就是当前电池的剩余电量,取值范围为0~1,当SOC=0时表示电池放电完全,当SOC=1时表示电池完全充满,健康状态就是当前电池的老化程度。
在一个实施例中,如图2所示,所述数据驱动映射关系模型的训练方式包括:
获取至少一个工况样本参数,所述工况样本参数包括工况电流、温度、荷电状态和健康状态;
根据所述至少一个工况样本参数对电池机理模型库进行仿真,得到电池的可量化数据;
将所述电池的可量化数据和工况样本参数作为初始的数据驱动映射关系模型的输入,模型结构和模型参数作为监督数据,对所述初始的数据驱动映射关系模式进行训练,得到训练好的数据驱动映射关系模型。
具体地,由于电池电化学模型参数较多,可通过分工况辨识不同参数,即通过多次辨识得到所有所需参数;获取至少一个工况样本参数,工况样本参数包括工况电流、温度、荷电状态和健康状态;根据至少一个工况样本参数对电池机理模型库进行仿真,得到电池的可量化数据;然后将电池的可量化数据和工况样本参数作为数据驱动映射关系模型的输入,模型结构和模型参数作为监督数据,利用人工智能算法对初始的数据驱动映射关系模式进行训练,得到训练好的数据驱动映射关系模型。从电池机理模型库中取一个电池机理模型出来,比如微短路电池的模型,然后施加各种电流工况进行激励,获得电压响应;然后将电流、温度、荷电状态、健康状态等作为输入,电压响应为输出,用人工智能算法进行训练,建立微短路电池在电流激励下的输入输出关系,也就是数据驱动映射关系模型;还可以让数据驱动映射关系模型具备识别析锂、产气等输入输出关系的能力。将实际的工况参数输入到数据驱动映射关系模型中,就可以输出实际的电池类型和电池参数值,这里的人工智能算法采用包括但不限于BP神经网络算法、卷积神经网络算法、机器学习算法中一种或多种任意组合的算法。
在一个实施例中,所述可量化数据包括可测量量或处理量;所述可测量量包括电压、温度、正负极电位、机械压力值中的一种或两种以上的组合;所述处理量为对预设时间内可测量量的函数运算结果。
具体地,可量化数据包括可测量量或处理量,电池可测量量或处理量对于一般电池主要是指电压、温度、正负极电位、机械压力等值,处理量可以是一段时间内可测量量的数学运算结果,如平均、差分等运算,也可以是如容量、内阻等值,对于三电极电池可包含正负极电位,对于装有光纤等其他传感器的电池则可包含其他可观测或可间接转化得到的可测量量或处理量。
在一个实施例中,如图2所示,所述电池机理模型库的建立方式,包括:
根据第一性原理,针对物理场耦合、正常电池状态、老化途径耦合、故障类型耦合、老化和故障耦合分别构建对应的电池机理模型,并将构建的电池机理模型存储在电池机理模型库中。
具体地,根据第一性原理,开发电池机理模型库,电池机理模型库里面的电池机理模型尽量覆盖所有的电池可能有的状态,将各种复杂情况下建立的电池机理模型存储在电池机理模型库中,各种复杂情况包括多物理场耦合、正常电池状态、多老化途径耦合、故障类型耦合、老化和故障耦合等情况的一种或者两种以上情况的组合,比如先建一个正常电池的机理模型,再建一个正极活性材料在不断损失的老化电池机理模型,再建一个负极活性材料在不断损失的老化电池机理模型,再建立一个正极活性材料在不断损失且还有内部微短路的老化电池机理模型等多种电池机理模型;基于模型仿真获得在各种复杂工况下的电池可测量量或处理量变化情况,各种复杂工况包括搁置、恒流充放电、恒功率放电、脉冲充放电、各种动态电流中的一种或者两种以上情况的组合,从而形成可用于学习的信息密度高、工况多样性全、电池故障多样性全、真实性有保障的电池全工况全寿命精准数据库。例如:先对析锂电池机理模型进行计算,设定一组电池机理模型参数后,每隔1℃、1%荷电状态、1%健康状态都进行一次某一工况电流激励下的析锂模型仿真计算,将计算得到的电池电压响应和已知的工况电流、荷电状态、温度等作为人工智能算法的输入,将模型结构是析锂模型结构和模型参数作为输出,对人工神经网络进行训练;然后依次再换不同模型参数、工况电流、温度、荷电状态、健康状态等情况进行计算;对人工智能算法进行训练。在获得尽可能覆盖所有情况下的训练和数据后,得到可用于可识别出模型类型是析锂和相应参数的人工神经网络。同样再进行产气、内部微短路等电池故障模型及其耦合模型等情况的仿真计算,并进行人工智能算法的训练,最终使得该人工智能算法可识别多种模型结构和电池参数。
在其中一个实施例中,所述电池机理模型为等效电路模型、分数阶模型、热模型、力学模型或伪二维模型、中的一种或两种以上组合。
具体地,电池机理模型一般是在正常电池的电池机理模型上进行修改,以满足电池状态发生变化后的特性,其实电池机理模型,就是数学模型,用数学表达式来描述电池的电化学等行为,可以描述电池内部很多电化学相关的行为,正常电池模型比较经典的是伪二维模型,还有等效电路模型、分数阶模型等。根据各种复杂工况下建立电池机理模型,电池机理模型为等效电路模型、分数阶模型、伪二维模型、力学模型、热模型等模型中的一种或两种以上组合。
本实施例中,获取电池的实际工况参数及对应的可量化数据;可量化数据是根据实际工况参数对电池机理模型库仿真得到;将实际工况参数及对应的可量化数据输入至数据驱动映射关系模型,得到电池的模型结构和电池参数;数据驱动映射关系模型是基于工况参数及其对应的可量化数据、模型结构和电池参数训练得到的;根据电池的模型结构和电池参数更新电池管理系统,基于更新后的电池管理系统控制电池,可以在电池发生老化、故障和缺陷后对电池模型结构、类型和参数进行更新,保证基于电池的模型结构的控制都是在正确的电池模型结构基础上进行的,实现对电池的精准的控制和管理,且安全。
应该理解的是,虽然图1的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图3所示,提供了一种电池管理装置,包括:参数获取模块302、电池模型确定模块304和电池控制模块,其中:
参数获取模块302,用于获取电池的实际工况参数及对应的可量化数据;所述可量化数据是根据所述实际工况参数对电池机理模型库仿真得到。
其中,实际工况参数包括工况、外部环境温度、电池的电流值、电池的荷电状态、电池的健康状态等参数,电池机理模型库包含多个电池机理模型,电池机理模型是用数学表达式来描述电池的电化学等行为的模型,可量化数据是用数学模型将实际工况参数进行计算得到的数据,包括电压、温度、机械压力、容量、内阻等数据。
具体地,参数获取模块302用于获取实际工况参数,实际工况参数中的工况信息可以是恒流充放电、恒功率充放电、脉冲充放电、各种动态电流充放电等其中一个或多种的组合。可以事先通过比较正常电池和故障电池机理模型在哪些工况下的可量化数据会产生差异,针对不同电池故障可以选取不同工况对电池进行激励,以实现数据驱动映射关系模型的高效建立。外部环境温度用测温仪测量得到,电池的荷电状态可用库伦计测量得到,电池的电流值、健康状态可以用卡尔曼滤波测量计算得到,这里对实际工况参数的获取方法不限于以上几种方法,只要能获得实际工况参数即可;对应的可量化数据是根据工况、外部环境温度、电池的荷电状态、电池的健康状态等参数在电池机理模型库中仿真得到的数据。
电池模型确定模块304,用于将所述实际工况参数及对应的可量化数据输入至数据驱动映射关系模型,得到所述电池的模型结构和电池参数;所述数据驱动映射关系模型是基于工况参数及其对应的可量化数据、模型结构和电池参数训练得到的。
具体地,电池的模型结构包括正常电池、正负极活性材料损失、锂离子量损失、析锂、微短路、产气等模型中的一种或多种的组合,电池参数包括电极孔隙率、隔膜电导率、电子传导率、离子传导率、颗粒表面膜阻值等参数,考虑不同的实际工况参数建立大量电池机理模型,得到电池机理模型库,数据驱动映射关系模型是实际工况参数及对应的可量化数据与电池的模型结构和电池参数之间的关系模型,是使用人工智能算法利用电池机理模型库中的电池机理模型去训练得到的;电池模型确定模块304将电池的实际工况参数及对应的可量化数据输入训练好的数据驱动映射关系模型,就可以得到电池的模型结构和电池参数。
电池控制模块306,用于根据所述电池的模型结构和电池参数更新电池管理系统,基于更新后的电池管理系统控制所述电池。
具体地,电池控制模块306根据通过数据驱动映射关系模型得到电池的模型结构和电池参数将电池管理系统数据库中的电池的模型结构和电池参数进行修改,根据更新后的电池管理系统对电池进行管理和控制可包含故障诊断、风险评级、安全预警、模型更新、参数获取等其中的一种或多种组合,根据应用场景和实际情况的不同,可对本发明进行灵活配置和调节使用。比如,当应用场景仅是故障诊断时,可以在电池机理模型库中只建立多种故障模型,当应用场景仅是正常电池的模型更新时,可以在电池机理模型库中只为不同荷电状态区间、温度区间、老化程度建立多种正常电池的模型。
上述电池管理装置中,参数获取模块302获取电池的实际工况参数及对应的可量化数据;可量化数据是根据实际工况参数对电池机理模型库仿真得到;电池模型确定模块304将实际工况参数及对应的可量化数据输入至数据驱动映射关系模型,得到电池的模型结构和电池参数;数据驱动映射关系模型是基于工况参数及其对应的可量化数据、模型结构和电池参数训练得到的;电池控制模块306根据电池的模型结构和电池参数更新电池管理系统,基于更新后的电池管理系统控制电池。采用本装置可以在电池发生老化、故障和缺陷后对电池模型结构、类型和参数进行更新,保证基于电池的模型结构的控制都是在正确的电池模型结构基础上进行的,实现对电池的精准的控制和管理,且安全。
在一个实施例中,如图2所示,所述装置还包括:
根据所述电池的模型结构确定所述电池的故障类型,以及根据所述电池参数确定故障等级。
具体地,故障类型是电池故障产生的类型,包括正负极活性材料损失、锂离子量损失、析锂、微短路、产气等中的一种或多种的组合;故障等级用来表示故障严重程度的级别,包括轻微、普通、严重三种等级;预先建立好电池的模型结构和故障类型之间的映射关系表,根据确定的模型结构在模型结构和故障类型之间的映射关系表中找到当前模型结构对应的故障类型,比如根据电池的模型结构为内部微短路模型,可以判定电池发生内部微短路故障;根据电池参数中微短路阻值来确定故障等级,阻值越小说明短路情况越严重,预先建立好微电路阻值和故障等级之间映射关系表,根据电池参数的微电路阻值在微电路阻值和故障等级之间映射关系表中找到对应的故障等级。将电池的实际工况参数和可量化数据输入到训练好的数据驱动映射关系模型中,得到电池的模型结构和电池参数,例如当前电池的工况电流值为恒定充电电流值,温度值为25℃,荷电状态为80%还有对应的电压变化输入到训练好的数据驱动映射关系模型,得到当前实际电池故障模型类型为内部微短路,还有具体的电池参数,比如电极孔隙率、隔膜电导率、电子传导率、离子传导率、颗粒表面膜阻值等。根据所得模型类型是内部微短路模型判定电池发生内部微短路故障,根据相关电池参数,如隔膜电导率的具体大小来进一步判断故障是轻微、普通、严重等情况中的一个,并据此发出电池安全预警信号。同时更新电池管理系统中电池模型为内部微短路电池模型,电池参数更新为得到的电池参数,基于更新后的模型再进行状态估计、均衡、热管理等控制和管理,将会准确高效,这里更新的模型可以是识别出电池模型相应的简化降阶模型,以降低在线应用时的计算量。
在一个实施例中,如图2所示,所述实际工况参数包括:
电池所处的工况电流值、温度值、荷电状态和健康状态;其中所述工况可以是恒流充放电、恒功率充放电、脉冲充放电或各种动态电流充放电中的一种或两种以上的组合。
具体地,根据参数获取模块302得到实际工况参数,工况可以是恒流充放电、恒功率充放电、脉冲充放电、各种动态电流充放电等其中一种或两种以上的组合。电池所处工况的电流值为当前工况信息、当前工况下电池的电流值,温度值为当前环境的温度值,荷电状态就是当前电池的剩余电量,取值范围为0~1,当SOC=0时表示电池放电完全,当SOC=1时表示电池完全充满,健康状态就是当前电池的老化程度。
在一个实施例中,如图2所示,所述数据驱动映射关系模型的训练方式包括:
获取至少一个工况样本参数,所述工况样本参数包括工况电流、温度、荷电状态和健康状态;
根据所述至少一个工况样本参数对电池机理模型库进行仿真,得到电池的可量化数据;
将所述电池的可量化数据和工况样本参数作为初始的数据驱动映射关系模型的输入,模型结构和模型参数作为监督数据,对所述初始的数据驱动映射关系模式进行训练,得到训练好的数据驱动映射关系模型。
具体地,由于电池电化学模型参数较多,可通过分工况辨识不同参数,即通过多次辨识得到所有所需参数;获取至少一个工况样本参数,工况样本参数包括工况电流、温度、荷电状态和健康状态;根据至少一个工况样本参数对电池机理模型库进行仿真,得到电池的可量化数据;然后将电池的可量化数据和工况样本参数作为数据驱动映射关系模型的输入,模型结构和模型参数作为监督数据,利用人工智能算法对初始的数据驱动映射关系模式进行训练,得到训练好的数据驱动映射关系模型。从电池机理模型库中取一个电池机理模型出来,比如微短路电池的模型,然后施加各种电流工况进行激励,获得电压响应;然后将电流、温度、荷电状态、健康状态等作为输入,电压响应为输出,用人工智能算法进行训练,建立微短路电池在电流激励下的输入输出关系,也就是数据驱动映射关系模型;还可以让数据驱动映射关系模型具备识别析锂、产气等输入输出关系的能力。将实际的工况参数输入到数据驱动映射关系模型中,就可以输出实际的电池类型和电池参数值,这里的人工智能算法采用包括但不限于BP神经网络算法、卷积神经网络算法、机器学习算法中一种或多种任意组合的算法。
在一个实施例中,所述可量化数据包括可测量量或处理量;所述可测量量包括电压、温度、机械压力值;所述处理量为对预设时间内可测量量的函数运算结果。
具体地,可量化数据包括可测量量或处理量,电池可测量量或处理量对于一般电池主要是指电压、温度、正负极电位、机械压力等值中的一种或两种以上的组合,处理量可以是一段时间内可测量量的数学运算结果,如平均、差分等运算,也可以是如容量、内阻等值,对于三电极电池可包含正负极电位,对于装有光纤等其他传感器的电池则可包含其他可观测或可间接转化得到的可测量量或处理量。
在一个实施例中,如图2所示,所述电池机理模型库的建立方式,包括:
根据第一性原理,针对物理场耦合、正常电池状态、老化途径耦合、故障类型耦合、老化和故障耦合分别构建对应的电池机理模型,并将构建的电池机理模型存储在电池机理模型库中。
具体地,根据第一性原理,开发电池机理模型库,电池机理模型库里面的电池机理模型尽量覆盖所有的电池可能有的状态,将各种复杂情况下建立的电池机理模型存储在电池机理模型库中,各种复杂情况包括多物理场耦合、正常电池状态、多老化途径耦合、故障类型耦合、老化和故障耦合等情况的一种或者两种以上情况的组合,比如先建一个正常电池的机理模型,再建一个正极活性材料在不断损失的老化电池机理模型,再建一个负极活性材料在不断损失的老化电池机理模型,再建立一个正极活性材料在不断损失且还有内部微短路的老化电池机理模型等多种电池机理模型;基于模型仿真获得在各种复杂工况下的电池可测量量或处理量变化情况,各种复杂工况包括搁置、恒流充放电、恒功率放电、脉冲充放电、各种动态电流中的一种或者两种以上情况的组合,从而形成可用于学习的信息密度高、工况多样性全、电池故障多样性全、真实性有保障的电池全工况全寿命精准数据库。例如:先对析锂电池机理模型进行计算,设定一组电池机理模型参数后,每隔1℃、1%荷电状态、1%健康状态都进行一次某一工况电流激励下的析锂模型仿真计算,将计算得到的电池电压响应和已知的工况电流、荷电状态、温度等作为人工智能算法的输入,将模型结构是析锂模型结构和模型参数作为输出,对人工神经网络进行训练;然后依次再换不同模型参数、工况电流、温度、荷电状态、健康状态等情况进行计算;对人工智能算法进行训练。在获得尽可能覆盖所有情况下的训练和数据后,得到可用于可识别出模型类型是析锂和相应参数的人工神经网络。同样再进行产气、内部微短路等电池故障模型及其耦合模型等情况的仿真计算,并进行人工智能算法的训练,最终使得该人工智能算法可识别多种模型结构和电池参数。
在其中一个实施例中,所述电池机理模型为等效电路模型、分数阶模型、热模型、力学模型或伪二维模型、中的一种或两种以上组合。
具体地,电池机理模型一般是在正常电池的电池机理模型上进行修改,以满足电池状态发生变化后的特性,其实电池机理模型,就是数学模型,用数学表达式来描述电池的电化学等行为,可以描述电池内部很多电化学相关的行为,正常电池模型比较经典的是伪二维模型,还有等效电路模型、分数阶模型等。根据各种复杂工况下建立电池机理模型,电池机理模型为等效电路模型、分数阶模型、伪二维模型、力学模型、热模型等模型中的一种或两种以上组合。
本实施例中,参数获取模块302获取电池的实际工况参数及对应的可量化数据;可量化数据是根据实际工况参数对电池机理模型库仿真得到;电池模型确定模块304将实际工况参数及对应的可量化数据输入至数据驱动映射关系模型,得到电池的模型结构和电池参数;数据驱动映射关系模型是基于工况参数及其对应的可量化数据、模型结构和电池参数训练得到的;电池控制模块306根据电池的模型结构和电池参数更新电池管理系统,基于更新后的电池管理系统控制电池。采用本装置可以在电池发生老化、故障和缺陷后对电池模型结构、类型和参数进行更新,保证基于电池的模型结构的控制都是在正确的电池模型结构基础上进行的,实现对电池的精准的控制和管理,且安全。
关于电池管理装置的具体限定可以参见上文中对于电池管理方法的限定,在此不再赘述。上述电池管理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种电池管理方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取电池的实际工况参数及对应的可量化数据;所述可量化数据是根据所述实际工况参数对电池机理模型库仿真得到;
将所述实际工况参数及对应的可量化数据输入至数据驱动映射关系模型,得到所述电池的模型结构和电池参数;所述数据驱动映射关系模型是基于工况参数及其对应的可量化数据、模型结构和电池参数训练得到的;
根据所述电池的模型结构和电池参数更新电池管理系统,基于更新后的电池管理系统控制所述电池。
在一个实施例中,如图2所示,处理器执行计算机程序时还实现以下步骤:根据所述电池的模型结构确定所述电池的故障类型,以及根据所述电池参数确定故障等级。具体地,故障类型是电池故障产生的类型,包括正负极活性材料损失、锂离子量损失、析锂、微短路、产气等中的一种或多种的组合;故障等级用来表示故障严重程度的级别,包括轻微、普通、严重三种等级;预先建立好电池的模型结构和故障类型之间的映射关系表,根据确定的模型结构在模型结构和故障类型之间的映射关系表中找到当前模型结构对应的故障类型,比如根据电池的模型结构为内部微短路模型,可以判定电池发生内部微短路故障;根据电池参数中的微短路阻值来确定故障等级,阻值越小说明短路情况越严重。。
在一个实施例中,如图2所示,处理器执行计算机程序时还实现以下步骤:所述实际工况参数包括电池所处的工况电流值、温度值、荷电状态和健康状态;其中所述工况可以是恒流充放电、恒功率充放电、脉冲充放电或各种动态电流充放电中一种或两种以上的组合。具体地,工况可以是恒流充放电、恒功率充放电、脉冲充放电、各种动态电流充放电等其中一种或两种以上的组合。电池所处工况的电流值为当前工况信息,当前工况下电池的电流值,温度值为当前环境的温度值,荷电状态就是当前电池的剩余电量,取值范围为0~1,当SOC=0时表示电池放电完全,当SOC=1时表示电池完全充满,健康状态就是当前电池的老化程度。
在一个实施例中,如图2所示,处理器执行计算机程序时还实现以下步骤:获取至少一个工况样本参数,所述工况样本参数包括工况电流、温度、荷电状态和健康状态;根据所述至少一个工况样本参数对电池机理模型库进行仿真,得到电池的可量化数据;将所述电池的可量化数据和工况样本参数作为初始的数据驱动映射关系模型的输入,模型结构和模型参数作为监督数据,对所述初始的数据驱动映射关系模式进行训练,得到训练好的数据驱动映射关系模型。具体地,从电池机理模型库中取一个电池机理模型出来,比如微短路电池的模型,然后施加各种电流工况进行激励,获得电压响应;然后将电流、温度、荷电状态、健康状态等作为输入,电压响应为输出,用人工智能算法进行训练,建立微短路电池在电流激励下的输入输出关系,也就是数据驱动映射关系模型;还可以让数据驱动映射关系模型具备识别析锂、产气等输入输出关系的能力。将实际的工况参数输入到数据驱动映射关系模型中,就可以输出实际的电池类型和电池参数值,这里的人工智能算法采用包括但不限于BP神经网络算法、卷积神经网络算法、机器学习算法中一种或多种任意组合的算法。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:所述可量化数据包括可测量量或处理量;所述可测量量包括电压、温度、正负极电位、机械压力值中的一种或两种以上的组合;所述处理量为对预设时间内可测量量的函数运算结果。具体地,可量化数据包括可测量量或处理量,电池可测量量或处理量对于一般电池主要是指电压、温度、正负极电位、机械压力等值,处理量可以是一段时间内可测量量的数学运算结果,如平均、差分等运算,也可以是如容量、内阻等值,对于三电极电池可包含正负极电位,对于装有光纤等其他传感器的电池则可包含其他可观测或可间接转化得到的可测量量或处理量。
在一个实施例中,如图2所示,处理器执行计算机程序时还实现以下步骤:根据第一性原理,针对物理场耦合、正常电池状态、老化途径耦合、故障类型耦合、老化和故障耦合分别构建对应的电池机理模型,并将构建的电池机理模型存储在电池机理模型库中。具体地,根据第一性原理,开发电池机理模型库,电池机理模型库里面的电池机理模型尽量覆盖所有的电池可能有的状态,将各种复杂情况下建立的电池机理模型存储在电池机理模型库中,各种复杂情况包括多物理场耦合、正常电池状态、多老化途径耦合、故障类型耦合、老化和故障耦合等情况的一种或者两种以上情况的组合,比如先建一个正常电池的机理模型,再建一个正极活性材料在不断损失的老化电池机理模型,再建一个负极活性材料在不断损失的老化电池机理模型,再建立一个正极活性材料在不断损失且还有内部微短路的老化电池机理模型等多种电池机理模型;基于模型仿真获得在各种复杂工况下的电池可测量量或处理量变化情况,各种复杂工况包括搁置、恒流充放电、恒功率放电、脉冲充放电、各种动态电流的一种或者两种以上情况的组合,从而形成可用于学习的信息密度高、工况多样性全、电池故障多样性全、真实性有保障的电池全工况全寿命精准数据库。
在其中一个实施例中,处理器执行计算机程序时还实现以下步骤:所述电池机理模型为等效电路模型、分数阶模型、热模型、力学模型或伪二维模型、中的一种或两种以上组合。具体地,电池机理模型一般是在正常电池的电池机理模型上进行修改,以满足电池状态发生变化后的特性,其实电池机理模型,就是数学模型,用数学表达式来描述电池的电化学等行为,可以描述电池内部很多电化学相关的行为,正常电池模型比较经典的是伪二维模型,还有等效电路模型、分数阶模型等。根据各种复杂工况下建立电池机理模型,电池机理模型为等效电路模型、分数阶模型、伪二维模型、力学模型、热模型等模型中的一种或两种以上组合。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取电池的实际工况参数及对应的可量化数据;所述可量化数据是根据所述实际工况参数对电池机理模型库仿真得到;
将所述实际工况参数及对应的可量化数据输入至数据驱动映射关系模型,得到所述电池的模型结构和电池参数;所述数据驱动映射关系模型是基于工况参数及其对应的可量化数据、模型结构和电池参数训练得到的;
根据所述电池的模型结构和电池参数更新电池管理系统,基于更新后的电池管理系统控制所述电池。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据所述电池的模型结构确定所述电池的故障类型,以及根据所述电池参数确定故障等级。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:所述实际工况参数包括电池所处的工况电流值、温度值、荷电状态和健康状态;其中所述工况可以是恒流充放电、恒功率充放电、脉冲充放电、各种动态电流充放电中的一种或两种以上的组合。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取至少一个工况样本参数,所述工况样本参数包括工况电流、温度、荷电状态和健康状态;根据所述至少一个工况样本参数对电池机理模型库进行仿真,得到电池的可量化数据;将所述电池的可量化数据和工况样本参数作为初始的数据驱动映射关系模型的输入,模型结构和模型参数作为监督数据,对所述初始的数据驱动映射关系模式进行训练,得到训练好的数据驱动映射关系模型。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:所述可量化数据包括可测量量或处理量;所述可测量量包括电压、温度、正负极电位、机械压力值中的一种或两种以上的组合;所述处理量为对预设时间内可测量量的函数运算结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据第一性原理,针对物理场耦合、正常电池状态、老化途径耦合、故障类型耦合、老化和故障耦合分别构建对应的电池机理模型,并将构建的电池机理模型存储在电池机理模型库中。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:所述电池机理模型为等效电路模型、分数阶模型、热模型、力学模型或伪二维模型、中的一种或两种以上组合。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种电池管理方法,其特征在于,所述方法包括:
获取电池的实际工况参数及对应的可量化数据;所述可量化数据是根据所述实际工况参数对电池机理模型库仿真得到;
将所述实际工况参数及对应的可量化数据输入至数据驱动映射关系模型,得到所述电池的模型结构和电池参数;所述数据驱动映射关系模型是基于工况参数及其对应的可量化数据、模型结构和电池参数训练得到的;
根据所述电池的模型结构和电池参数更新电池管理系统,基于更新后的电池管理系统控制所述电池。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述电池的模型结构确定所述电池的故障类型,以及根据所述电池参数确定故障等级。
3.根据权利要求1所述的方法,其特征在于,所述实际工况参数包括:
电池所处的工况电流值、温度值、荷电状态和健康状态;其中所述工况可以是恒流充放电、恒功率充放电、脉冲充放电或各种动态电流充放电中的一种或两种以上的组合。
4.根据权利要求1所述的方法,其特征在于,所述数据驱动映射关系模型的训练方式包括:
获取至少一个工况样本参数,所述工况样本参数包括工况电流、温度、荷电状态和健康状态;
根据所述至少一个工况样本参数对电池机理模型库进行仿真,得到电池的可量化数据;
将所述电池的可量化数据和工况样本参数作为初始的数据驱动映射关系模型的输入,模型结构和模型参数作为监督数据,对所述初始的数据驱动映射关系模式进行训练,得到训练好的数据驱动映射关系模型。
5.根据权利要求4所述的方法,其特征在于,所述可量化数据包括可测量量或处理量;所述可测量量包括电压、温度、正负极电位、机械压力值中的一种或两种以上的组合;所述处理量为对预设时间内可测量量的函数运算结果。
6.根据权利要求1所述的方法,其特征在于,所述电池机理模型库的建立方式,包括:
根据第一性原理,针对物理场耦合、正常电池状态、老化途径耦合、故障类型耦合、老化和故障耦合分别构建对应的电池机理模型,并将构建的电池机理模型存储在电池机理模型库中。
7.根据权利要求6所述的方法,其特征在于,所述电池机理模型为等效电路模型、分数阶模型、热模型、力学模型或伪二维模型中的一种或两种以上组合。
8.一种电池管理装置,其特征在于,所述装置包括:
参数获取模块,用于获取电池的实际工况参数及对应的可量化数据;所述可量化数据是根据所述实际工况参数对电池机理模型库仿真得到;
电池模型确定模块,用于将所述实际工况参数及对应的可量化数据输入至数据驱动映射关系模型,得到所述电池的模型结构和电池参数;所述数据驱动映射关系模型是基于工况参数及其对应的可量化数据、模型结构和电池参数训练得到的;
电池控制模块,用于根据所述电池的模型结构和电池参数更新电池管理系统,基于更新后的电池管理系统控制所述电池。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010870680.8A CN112149345B (zh) | 2020-08-26 | 2020-08-26 | 电池管理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010870680.8A CN112149345B (zh) | 2020-08-26 | 2020-08-26 | 电池管理方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112149345A true CN112149345A (zh) | 2020-12-29 |
CN112149345B CN112149345B (zh) | 2021-06-11 |
Family
ID=73887644
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010870680.8A Active CN112149345B (zh) | 2020-08-26 | 2020-08-26 | 电池管理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112149345B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113030748A (zh) * | 2021-03-03 | 2021-06-25 | 国轩高科美国研究院 | 一种电池数据管理方法及装置 |
CN113219340A (zh) * | 2021-02-26 | 2021-08-06 | 中国第一汽车股份有限公司 | 一种电池均衡功能的测试方法、装置、设备及存储介质 |
CN113343487A (zh) * | 2021-06-29 | 2021-09-03 | 山推工程机械股份有限公司 | 基于大数据分析的电动推土机用电池试验方案的生成方法 |
CN113884924A (zh) * | 2021-11-16 | 2022-01-04 | 中国科学院电工研究所 | 基于卷积神经网络的锂离子电池内部短路诊断方法及系统 |
CN114048525A (zh) * | 2021-10-22 | 2022-02-15 | 电子科技大学 | 一种储能电池系统的设计系统、关于制备储能 |
CN114237189A (zh) * | 2021-12-21 | 2022-03-25 | 段采标 | 实现机械触觉的方法及电子设备 |
CN114297904A (zh) * | 2022-03-09 | 2022-04-08 | 四川大学 | 一种基于二次差分温度特征的锂电池健康状态估计方法 |
CN114371409A (zh) * | 2022-03-07 | 2022-04-19 | 上海玫克生储能科技有限公司 | 电池状态预测模型的训练方法、电池状态预测方法及装置 |
CN114462294A (zh) * | 2021-12-24 | 2022-05-10 | 中南大学 | 一种两阶段代理模型辅助参数估计方法以及系统 |
CN114970734A (zh) * | 2022-06-09 | 2022-08-30 | 清华大学 | 异常电池确定方法、装置、计算机设备和存储介质 |
CN116705210A (zh) * | 2023-08-03 | 2023-09-05 | 宁德时代新能源科技股份有限公司 | 电芯老化模型构建方法和电芯全生命周期性能预测方法 |
CN117492495A (zh) * | 2023-12-29 | 2024-02-02 | 电子科技大学(深圳)高等研究院 | 温度控制方法、计算机设备及计算机存储介质 |
WO2024073890A1 (zh) * | 2022-10-08 | 2024-04-11 | 宁德时代新能源科技股份有限公司 | 电池析锂窗口的获取方法、装置、设备、介质和程序产品 |
CN114462294B (zh) * | 2021-12-24 | 2024-09-24 | 中南大学 | 一种两阶段代理模型辅助参数估计方法以及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008058278A (ja) * | 2006-09-04 | 2008-03-13 | Toyota Motor Corp | 二次電池の内部状態推定装置、二次電池の内部状態推定方法、プログラム、および記録媒体 |
CN102862490A (zh) * | 2012-09-19 | 2013-01-09 | 合肥工业大学 | 一种电动汽车电池管理系统自适应控制方法 |
CN109143098A (zh) * | 2018-09-27 | 2019-01-04 | 北京长城华冠汽车科技股份有限公司 | 一种锂离子电池寿命估算方法和装置 |
CN111505502A (zh) * | 2020-04-17 | 2020-08-07 | 北京航空航天大学 | 基于微观机理的时变循环工况下锂离子电池老化试验方法 |
-
2020
- 2020-08-26 CN CN202010870680.8A patent/CN112149345B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008058278A (ja) * | 2006-09-04 | 2008-03-13 | Toyota Motor Corp | 二次電池の内部状態推定装置、二次電池の内部状態推定方法、プログラム、および記録媒体 |
CN102862490A (zh) * | 2012-09-19 | 2013-01-09 | 合肥工业大学 | 一种电动汽车电池管理系统自适应控制方法 |
CN109143098A (zh) * | 2018-09-27 | 2019-01-04 | 北京长城华冠汽车科技股份有限公司 | 一种锂离子电池寿命估算方法和装置 |
CN111505502A (zh) * | 2020-04-17 | 2020-08-07 | 北京航空航天大学 | 基于微观机理的时变循环工况下锂离子电池老化试验方法 |
Non-Patent Citations (2)
Title |
---|
FENGQI CHANG等: "Modelling and Evaluation of Battery Packs with", 《WORLD ELECTRIC VEHICLE JOURNAL》 * |
QIAOHUA FANG等: "A Remaining Discharge Energy Prediction Method", 《ENERGIES》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113219340A (zh) * | 2021-02-26 | 2021-08-06 | 中国第一汽车股份有限公司 | 一种电池均衡功能的测试方法、装置、设备及存储介质 |
CN113030748A (zh) * | 2021-03-03 | 2021-06-25 | 国轩高科美国研究院 | 一种电池数据管理方法及装置 |
CN113343487A (zh) * | 2021-06-29 | 2021-09-03 | 山推工程机械股份有限公司 | 基于大数据分析的电动推土机用电池试验方案的生成方法 |
CN113343487B (zh) * | 2021-06-29 | 2023-08-22 | 山推工程机械股份有限公司 | 基于大数据分析的电动推土机用电池试验方案的生成方法 |
CN114048525A (zh) * | 2021-10-22 | 2022-02-15 | 电子科技大学 | 一种储能电池系统的设计系统、关于制备储能 |
CN113884924A (zh) * | 2021-11-16 | 2022-01-04 | 中国科学院电工研究所 | 基于卷积神经网络的锂离子电池内部短路诊断方法及系统 |
CN114237189A (zh) * | 2021-12-21 | 2022-03-25 | 段采标 | 实现机械触觉的方法及电子设备 |
CN114237189B (zh) * | 2021-12-21 | 2024-06-11 | 段采标 | 实现机械触觉的方法及电子设备 |
CN114462294A (zh) * | 2021-12-24 | 2022-05-10 | 中南大学 | 一种两阶段代理模型辅助参数估计方法以及系统 |
CN114462294B (zh) * | 2021-12-24 | 2024-09-24 | 中南大学 | 一种两阶段代理模型辅助参数估计方法以及系统 |
CN114371409A (zh) * | 2022-03-07 | 2022-04-19 | 上海玫克生储能科技有限公司 | 电池状态预测模型的训练方法、电池状态预测方法及装置 |
CN114297904B (zh) * | 2022-03-09 | 2022-05-24 | 四川大学 | 一种基于二次差分温度特征的锂电池健康状态估计方法 |
CN114297904A (zh) * | 2022-03-09 | 2022-04-08 | 四川大学 | 一种基于二次差分温度特征的锂电池健康状态估计方法 |
CN114970734A (zh) * | 2022-06-09 | 2022-08-30 | 清华大学 | 异常电池确定方法、装置、计算机设备和存储介质 |
WO2024073890A1 (zh) * | 2022-10-08 | 2024-04-11 | 宁德时代新能源科技股份有限公司 | 电池析锂窗口的获取方法、装置、设备、介质和程序产品 |
CN116705210A (zh) * | 2023-08-03 | 2023-09-05 | 宁德时代新能源科技股份有限公司 | 电芯老化模型构建方法和电芯全生命周期性能预测方法 |
CN117492495A (zh) * | 2023-12-29 | 2024-02-02 | 电子科技大学(深圳)高等研究院 | 温度控制方法、计算机设备及计算机存储介质 |
CN117492495B (zh) * | 2023-12-29 | 2024-05-24 | 电子科技大学(深圳)高等研究院 | 温度控制方法、计算机设备及计算机存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112149345B (zh) | 2021-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112149345B (zh) | 电池管理方法、装置、计算机设备和存储介质 | |
CN111610448B (zh) | 一种应用数字孪生技术的锂离子电池寿命预测方法 | |
Guo et al. | Online estimation of SOH for lithium-ion battery based on SSA-Elman neural network | |
KR102219397B1 (ko) | 원격 파라미터 추정을 구비한 2차 전지 관리 시스템 | |
Rezvanizaniani et al. | Review and recent advances in battery health monitoring and prognostics technologies for electric vehicle (EV) safety and mobility | |
CN107290679B (zh) | 用于电动汽车共享充电桩的智能化电池健康状态检测方法 | |
CN107533112B (zh) | 用于对二次电池进行钉子穿刺测试的设备和方法 | |
CN105319507B (zh) | 用于估计电池模型参数的方法和系统 | |
Lipu et al. | Real-time state of charge estimation of lithium-ion batteries using optimized random forest regression algorithm | |
Wang et al. | A novel energy management strategy for the ternary lithium batteries based on the dynamic equivalent circuit modeling and differential Kalman filtering under time-varying conditions | |
CN107870306A (zh) | 一种基于深度神经网络下的锂电池荷电状态预测算法 | |
Li et al. | State‐of‐health prediction for lithium‐ion batteries via electrochemical impedance spectroscopy and artificial neural networks | |
KR20190123172A (ko) | 배터리 상태 추정 방법 | |
CN114325440A (zh) | 借助于机器学习方法运行用于为设备提供电能量存储器的预测老化状态的系统的方法和装置 | |
EP4270033A1 (en) | Method and apparatus for estimating state of health of battery | |
Chen et al. | State of health estimation of lithium-ion batteries based on equivalent circuit model and data-driven method | |
CN116564425A (zh) | 一种锂离子电池数字孪生模型建模方法 | |
Wang et al. | Lithium-ion battery remaining useful life prediction using a two-phase degradation model with a dynamic change point | |
Namdari et al. | A multiscale entropy-based long short term memory model for lithium-ion battery prognostics | |
Peng et al. | Data-driven battery capacity estimation based on partial discharging capacity curve for lithium-ion batteries | |
Zhou et al. | Construction of simplified impedance model based on electrochemical mechanism and identification of mechanism parameters | |
Feng et al. | High precision state of health estimation of lithium-ion batteries based on strong correlation aging feature extraction and improved hybrid kernel function least squares support vector regression machine model | |
CN116068408B (zh) | 电池老化数据确定方法、装置、计算机设备和存储介质 | |
CN117169743A (zh) | 基于部分数据和模型融合的电池健康状态估计方法及设备 | |
US20230130896A1 (en) | Battery charging method and battery pack |
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 |