CN112180258B - 电池平均库伦效率的测定方法、装置、介质、终端、及系统 - Google Patents
电池平均库伦效率的测定方法、装置、介质、终端、及系统 Download PDFInfo
- Publication number
- CN112180258B CN112180258B CN201910585223.1A CN201910585223A CN112180258B CN 112180258 B CN112180258 B CN 112180258B CN 201910585223 A CN201910585223 A CN 201910585223A CN 112180258 B CN112180258 B CN 112180258B
- Authority
- CN
- China
- Prior art keywords
- battery
- cycle
- charge
- discharge
- interval
- 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 44
- 238000012360 testing method Methods 0.000 claims abstract description 66
- 230000007613 environmental effect Effects 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 41
- 239000013598 vector Substances 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 14
- 238000000611 regression analysis Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003556 assay Methods 0.000 claims description 6
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 11
- 230000007246 mechanism Effects 0.000 abstract description 4
- 239000000126 substance Substances 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000007621 cluster analysis Methods 0.000 description 5
- 239000000306 component Substances 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 235000018185 Betula X alpestris Nutrition 0.000 description 1
- 235000018212 Betula X uliginosa Nutrition 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000011374 ultra-high-performance concrete Substances 0.000 description 1
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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请提供电池平均库伦效率的测定方法、装置、介质、终端、及系统，其旨在通过电池充放电系统硬件采集电池充放电循环寿命数据，根据电池的早期充放电循环数据预测电池的循环寿命，根据预测的循环寿命推算动力电池的平均库伦效率。本申请有效避免了充放电测试期间各类干扰因素包括环境温度，测试仪器波动，电池温度等的影响；对测试仪器本身的稳定性和精度要求也大大降低，从而大大降低测试设备成本；不涉及电池自身复杂的物理化学机理，能够较为容易的推广至不同类型的电池平均库伦效率的测定；无须对待测电池的全部循环数据进行跟踪，大大缩短电池充放电循环测试和评估的时间。
Description
技术领域
本申请涉及电池技术领域，特别是涉及电池平均库伦效率的测定方法、装置、介质、终端、及系统。
背景技术
伴随着新能源汽车的普及和推广，作为新能源汽车核心部件之一的动力电池的循环寿命的提高正在日益引起业内各界，包括动力电池厂商、汽车厂商和最终用户的关注和重视。在提高动力电池寿命过程中，需要对不同配方和工艺的动力电池进行充放电循环测试，以便能够对不同电池配方和工艺进行评估。
现有技术中，通常采用电池库伦效率来测试电池效率。库伦效率(coulombicefficiency)，也叫放电效率，是指电池放电容量与同循环过程中充电容量之比，即放电容量与充电容量之百分比。采用电池库伦效率的高精度测量，进而缩短电池充放电循环寿命的测试时间，是目前业内普遍认可的做法。
2010年，加拿大Dalhousie University的Jeff Dahn教授首次提出通过高精度充放电系统(High Precision Charger)测量库伦效率。使用该设备可以对库伦效率准确测量，从而实现对电池充放电循环寿命的预测，大大缩短了电池充放电循环寿命测试的时间。
该充放电系统采用了高精度的测试仪器和设备，包括万用表和源表，通过对测试电池、测试环境和测试设备进行严格的温度控制，借助软件插值提高数据采样率等途径达成了高精度的库伦效率测量。根据官方的资料，UHPC型充放电系统能够达成10ppm以下的高稳定性、 50ppm以下的准确度实现正确、有效的库伦效率测试。
但是，该充放电系统由于需要对测试电池、测试环境和测试设备进行严格的温度控制，通常只能够支持较小和相对稳定的充电电流，无法支持复杂工况下的高精度库伦效率测量。因此，该充放电系统无法用于复杂工况下不同配方和工艺的动力电池进行充放电循环寿命测试和评估。
申请内容
鉴于以上所述现有技术的缺点，本申请的目的在于提供电池平均库伦效率的测定方法、装置、介质、终端、及系统，用于解决现有技术中无法有效、精准、方便地测定电池平均库伦效率的问题。
为实现上述目的及其他相关目的，本申请的第一方面提供一种电池平均库伦效率的测定方法，其包括：基于电池集的早期充放电循环数据并利用回归分析算法，生成用于预测电池充放电循环寿命的循环寿命回归模型；根据待测电池的早期充放电测试数据并利用所述循环寿命回归模型，预测待测电池的循环寿命；根据所预测的待测电池的循环寿命，测定待测电池的平均库伦效率。
于本申请第一方面的一些实施例中，生成所述循环寿命回归模型的步骤包括：获取电池集的多个早期充放电循环数据并从中提取至少一充放电循环特征，用以生成电池集的充放电循环数据特征向量，并形成对应的特征向量集，并据此建立循环寿命回归模型。
于本申请第一方面的一些实施例中，所述充放电循环特征的类型包括：放电容量差分特征、放电曲线退化特征、电池内阻特征、及电池充电循环次数特征中的任一种或多种组合。
于本申请第一方面的一些实施例中，所述平均库伦效率的测定步骤包括：获取待测电池在一循环区间内的区间库伦效率；根据所述区间库伦效率以及该循环区间内的循环数量，测定平均库伦效率。
于本申请第一方面的一些实施例中，令区间库伦效率为CE区间，令平均库伦效率为CE平均，其分别表示为：其中，Q放，EndCycle为循环区间最后一个循环的放电容量，Q放，StartCycle为循环区间第一个循环的放电容量；/>其中，n＝EndCycle-StartCycle+1，表示循环区间内的循环数量。
于本申请第一方面的一些实施例中，所述循环区间为待测电池的整个循环寿命区间；循环区间内的区间库伦效率为待测电池的容量下降至额定容量的80％时的区间库伦效率。
为实现上述目的及其他相关目的，本申请的第二方面提供一种电池平均库伦效率的测定装置，其包括：回归模型生成模块，用于基于电池集的早期充放电循环数据并利用回归分析算法，生成用于预测电池充放电循环寿命的循环寿命回归模型；循环寿命预测模块，用于根据待测电池的早期充放电测试数据并利用所述循环寿命回归模型，预测待测电池的循环寿命；平均库伦效率测定模块，用于根据所预测的待测电池的循环寿命测定待测电池的平均库伦效率。
为实现上述目的及其他相关目的，本申请的第三方面提供一种测定系统，其包括所述测定装置，还包括电池充放电测试装置；所述电池充放电测试装置包括电源模块、充放电控制模块、电子负载模块、电池模块、以及环境试验室箱；其中，所述电池模块置于环境试验室箱内；所述电子负载模块电性连接所述电池模块；所述电源模块为充放电控制模块提供电源；所述充放电控制模块连接所述电池模块，用于设置测试参数并控制充放电测试的执行，还用于将采集到的待测电池的测试数据发送至所述测定装置，以供生成循环寿命回归模型。
为实现上述目的及其他相关目的，本申请的第四方面提供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所述电池平均库伦效率的测定方法。
为实现上述目的及其他相关目的，本申请的第五方面提供一种电子终端，包括：处理器及存储器；所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行所述电池平均库伦效率的测定方法。
如上所述，本申请的电池平均库伦效率的测定方法、装置、介质、终端、及系统，具有以下有益效果：
1)本申请由于采用了平均库伦效率CE平均，避免充放电测试期间各类干扰因素包括环境温度，测试仪器波动，电池温度等的影响，进而电池充放电循环容量衰减情况的测试评估，因而具有更强的适应性，能够进行更加复杂工况下的测试。
2)本申请采用的平均库伦效率CE平均对测试仪器本身的稳定性和精度要求也大大降低，能够最大限度的降低测试设备的自身的成本。
3)本申请采用了基于数据驱动的电池循环寿命预测技术，不涉及电池自身复杂的物理化学机理，仅需根据待测电池自身的历史数据计算获得，因此将能够较为容易的推广至不同类型的电池寿命的预测。
4)基于数据驱动的电池循环寿命预测技术将仅需要使用待测电池的早期循环数据，无须对待测电池的全部循环数据进行跟踪，即可实现对电池寿命的预测，同样可以实现对电池平均库伦效率CE平均的快速评估，大大缩短电池充放电循环测试和评估的时间。
附图说明
图1显示为本申请一实施例中电池平均库伦效率的测定方法的流程示意图。
图2显示为本申请一实施例中生成循环寿命回归模型的流程示意图。
图3显示为本申请一实施例中循环寿命回归模型的结构示意图。
图4显示为本申请一实施例中电池平均库伦效率的测定装置的结构示意图。
图5显示为本申请一实施例测定系统的结构示意图。
图6显示为本申请一实施例中电子终端的结构示意图。
具体实施方式
以下通过特定的具体实例说明本申请的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
在本申请中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”、“固持”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。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在本申请中的具体含义。
再者，如同在本文中所使用的，单数形式“一”、“一个”和“该”旨在也包括复数形式，除非上下文中有相反的指示。应当进一步理解，术语“包含”、“包括”表明存在所述的特征、操作、元件、组件、项目、种类、和/或组，但不排除一个或多个其他特征、操作、元件、组件、项目、种类、和/或组的存在、出现或添加。此处使用的术语“或”和“和/或”被解释为包括性的，或意味着任一个或任何组合。因此，“A、B或C”或者“A、B和/或C”意味着“以下任一个：A；B；C；A和B；A和C；B和C；A、B和C”。仅当元件、功能或操作的组合在某些方式下内在地互相排斥时，才会出现该定义的例外。
传统的库伦效率是指电池放电容量与同循环过程中充电容量之比。但是，在动力电池评估过程中，往往更关注的是电池相邻充放电循环之间的放电容量衰减。放电容量的衰减速率将直接影响电池的充放电循环寿命。同时，考虑到外部环境的变化和复杂工况的影响，相邻充放电循环之间的放电容量衰减将会出现波动和变化。在这种情况下，即便能够高精度地测量出相邻充放电循环之间的放电容量衰减，后续的分析处理也将比较复杂。
为解决现有技术中的问题，本申请引入区间库伦效率CE区间以及平均库伦效率CE平均的概念，其主要思想旨在通过电池充放电系统硬件采集电池充放电循环寿命数据，根据电池的早期充放电循环数据预测电池的循环寿命nCycleLife，根据预测的循环寿命推算动力电池的平均库伦效率CE平均。
本申请引入平均库伦效率CE平均，有效避免了充放电测试期间各类干扰因素包括环境温度，测试仪器波动，电池温度等的影响；对测试仪器本身的稳定性和精度要求也大大降低，从而大大降低测试设备成本；不涉及电池自身复杂的物理化学机理，能够较为容易的推广至不同类型的电池寿命的预测；无须对待测电池的全部循环数据进行跟踪，大大缩短电池充放电循环测试和评估的时间。
如图1所示，展示本申请一实施例中电池平均库伦效率的测定方法的流程示意图。其包括步骤S101、S102、S103。
在步骤S101中，基于电池集的早期充放电循环数据并利用回归分析算法，生成用于预测电池充放电循环寿命的循环寿命回归模型。
充放电循环寿命是指电池在一定的容量的情况下所能进行的充放电循环次数，每充电、放电一次，叫做一次充放电循环。所述早期充放电循环数据包括测试电池的充放电循环总次数中较早测试到的预设数量的充放电循环次数；所述预设数量并不固定，可由具体测试场景来定，本实施例对此不作限定。
构建回归模型的基础是电池集的充放电循环历史数据，该数据应该包含完整的电池充放电循环寿命周期。其中，早期充放电循环数据区间的选取会随着电池的不同而有所差异，需要通过实验进行筛选和设定，通常可以选定一组固定值，例如，前10个循环或前50个循环，分别进行回归分析，采用精度最高的数据区间用于提取早期充放电循环特征。
在一实施例中，生成所述循环寿命回归模型的步骤如图2所示，其包括步骤S201和步骤S202。
在步骤S201中，获取电池集的多个早期充放电循环数据并从中提取至少一充放电循环特征，用以生成电池集的充放电循环数据特征向量，并形成对应的特征向量集。
电池集充放电循环特征的提取不仅包括特征提取环节本身，还涵盖特征提取所需的预处理环节，包括预处理、特征降维、规范化等等。根据所获取的早期充放电循环数据提取多个电池集充放电特征，其包括但不限于如下特征组合：放电容量差分特征、放电曲线退化特征、电池内阻特征、或者电池充电循环次数特征等等。
在步骤S202中，利用聚类分析算法对所述特征向量集进行聚类分组，并利用回归分析算法为聚类后的一或多组特征向量子集分别建立对应的子回归模型，以形成所述循环寿命回归模型。
所述聚类分析算法是指将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程，其目标在于在相似的基础上收集数据来进行分类。考虑到数据聚类的效果与特征向量集自身的分布高度相关，在未充分了解特征向量数据分布的情况下，本实施例提供多种聚类方法用于特征聚类效果的评估，最终将选取聚类效果最优的方法完成特征聚类。
更具体来说，所述聚类分析算法包括但不限于：划分聚类算法、层次聚类算法、模糊聚类算法、或者基于密度聚类算法等等；其中，划分聚类算法例如是K-means算法、K-中心点算法、或者CLARANS算法等等；层次聚类算法例如是DIANA算法、BIRCH算法等等；模糊聚类算法例如EM算法；基于密度算法例如是OPTICS算法、DBSCAN算法等等。聚类分析算法的种类颇多，故而本实施例对此不再一一赘述。
所述回归分析算法是一种预测性的分析算法，用于研究因变量(目标)和自变量(预测器)之间的关系。对聚类分组后的各组循环数据特征向量子集分别进行回归分析生成对应的子回归模型，各所述子回归模型形成所述循环寿命回归模型。
为便于本领域技术人员理解，现结合图3对本申请中的循环寿命回归模型做进一步的解释与说明。在图3中，利用聚类分析算法将充放电循环数据特征向量集进行聚类分组为N个子集，分别为充放电循环数据特征向量子集1、充放电循环数据特征向量子集2……充放电循环数据特征向量子集N。利用回归分析算法为每一个分别为充放电循环数据特征向量子集建立对应的子回归模型，即构建子回归模型1、子回归模型2……子回归模型N，各充放电循环数据特征向量子集对应一子回归模型。
在一实施例中，考虑到回归分析算法的准确度与特征数据集自身分布的特点高度相关，因此采用不同类型的回归分析方法构建回归模型体系，并通过最优的回归效果选定最终的回归模型。
更具体来说，所述回归分析算法包括但不限于如下算法组合：Linear Regression线性回归算法、Logistic Regression逻辑回归算法、Polynomial Regression多项式回归算法、Stepwise Regression逐步回归算法、Ridge Regression岭回归算法、LassoRegression套索回归算法、 ElasticNet回归算法等等。
在步骤S102中，根据待测电池的早期充放电测试数据并利用所述循环寿命回归模型，预测待测电池的循环寿命。
在一实施例中，所述预测待测电池的循环寿命的步骤包括：从所述循环寿命回归模型中选取与待测电池的早期充放电测试数据最接近的一子回归模型；利用所选的子回归模型预测待测电池的充放电循环寿命。
在一实施例中，从所述循环寿命回归模型中选取与待测电池的早期充放电测试数据最接近的一子回归模型，是指分析待测电池的特征曲线与循环寿命回归模型中各个子回归模型的特征曲线之间的相似度，将相似度最高的一子回归模型作为最接近待测电池的特征的回归模型。
具体的，对于评价两根特征曲线之间的相似度可采用诸如基于各种距离测度的距离评判、利用相关系数进行相似度分析等等，其中对于距离测度例如可采用欧式距离、Hausdorff距离、或者弗雷歇距离等等。
在步骤S103中，根据所预测的待测电池的循环寿命，测定待测电池的平均库伦效率。
在一实施例中，所述平均库伦效率的测定步骤具体包括：获取待测电池在一循环区间内的区间库伦效率；根据所述区间库伦效率以及该循环区间内的循环数量，测定平均库伦效率。
令区间库伦效率为CE区间，其定义如下式1所示：
其中，Q放，EndCycle为循环区间最后一个循环的放电容量，Q放，StartCycle为循环区间第一个循环的放电容量。
根据所述区间库伦效率以及该循环区间内的循环数量，可以得到相邻循环的平均库伦效率CE平均，其定义如下式2所示：
n＝EndCycle-StartCycle+1；公式2)
通过平均库伦效率CE平均的导入，选择合适的区间将能够避免充放电测试期间各类干扰因素包括环境温度，测试仪器波动，电池温度等的影响，进而实现复杂工况下，电池充放电循环容量衰减情况的评估。
对于电池循环寿命评估而言，最为合适的循环期间将是电池的整个循环寿命nCycleLife。对于锂电池而言，当其实际容量下降至其额定容量的80％时，即视为失效。平均库伦效率 CE平均,电池的循环寿命nCycleLife有如下关系：
由此可得如下公式：
对于循环寿命为500的动力电池，当循环寿命的预测精度达到10％时，平均库伦效率CE平均的准确度将接近40ppm，将能够用于对不同配方和工艺的电池进行评估。
需说明的是，本申请中所提及的各种方法，可应用于例如ARM(Advanced RISCMachines)、 FPGA(Field Programmable Gate Array)、SoC(System on Chip)、DSP(Digital Signal Processing)、或者MCU(Micorcontroller Unit)等控制器，也可应用于包括存储器、存储控制器、一个或多个处理单元(CPU)、外设接口、RF电路、音频电路、扬声器、麦克风、输入/输出(I/O) 子系统、显示屏、其他输出或控制设备，以及外部端口等组件的计算机；所述计算机包括但不限于如台式电脑、笔记本电脑、平板电脑、智能手机、智能电视、个人数字助理(Personal Digital Assistant，简称PDA)等个人电脑，还可应用于服务器，所述服务器可以根据功能、负载等多种因素布置在一个或多个实体服务器上，也可以由分布的或集中的服务器集群构成。
如图4所示，展示本申请一实施例中电池平均库伦效率的测定装置的结构示意图。所述测定装置包括回归模型生成模块41、循环寿命预测模块42、及平均库伦效率测定模块43。
回归模型生成模块41用于基于电池集的早期充放电循环数据并利用回归分析算法，生成用于预测电池充放电循环寿命的循环寿命回归模型；循环寿命预测模块42用于根据待测电池的早期充放电测试数据并利用所述循环寿命回归模型，预测待测电池的循环寿命；平均库伦效率测定模块43用于根据所预测的待测电池的循环寿命测定待测电池的平均库伦效率。
因本实施例中测定装置的实施方式与上文中电池平均库伦效率的测定方法的实施方式类似，故不再赘述。应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。
如图5所示，展示本申请一实施例中测定系统的结构示意图。所述测定系统包括电池平均库伦效率的测定装置51和电池充放电测试装置52。
所述测定装置包括回归模型生成模块511、循环寿命预测模块512、以及平均库伦效率测定模块513，本实施例中的测定装置的工作原理已于上文中予以详述，故不再赘述。
所述电池充放电测试装置52包括电源模块521、充放电控制模块522、电子负载模块523、电池模块524、以及环境试验室箱525。电池模块524包括待测电池及其治具，置于环境试验室箱525内；电子负载模块523电性连接所述电池模块524，用作测试负载；电源模块521 为充放电控制模块522提供电源；充放电控制模块522连接所述电池模块524，用于设置测试参数并控制充放电测试的执行；所述充放电控制模块522还连接电池平均库伦效率的测定装置51，用于将采集到的待测电池的测试数据发送至所述测定装置51，以供生成循环寿命回归模型。
在一实施例中，本申请还提供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上文实施例中步骤S101～S103的方法步骤。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
如图6所示，展示本申请一实施例中电子终端的结构示意图。本实例提供的电子终端，包括：处理器61和存储器62；存储器62通过系统总线与处理器61连接并完成相互间的通信，存储器62用于存储计算机程序，处理器61用于运行计算机程序，使电子终端执行如上步骤S101～S103的方法步骤。
上述提到的系统总线可以是外设部件互连标准(Peripheral ComponentInterconnect，简称 PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture，简称EISA)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。存储器可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
综上所述，本申请提供电池平均库伦效率的测定方法、装置、介质、终端、及系统，本申请由于采用了平均库伦效率CE平均，避免充放电测试期间各类干扰因素包括环境温度，测试仪器波动，电池温度等的影响，进而电池充放电循环容量衰减情况的测试评估，因而具有更强的适应性，能够进行更加复杂工况下的测试；本申请采用的平均库伦效率CE平均对测试仪器本身的稳定性和精度要求也大大降低，能够最大限度的降低测试设备的自身的成本；本申请采用了基于数据驱动的电池循环寿命预测技术，不涉及电池自身复杂的物理化学机理，仅需根据待测电池自身的历史数据计算获得，因此将能够较为容易的推广至不同类型的电池寿命的预测；基于数据驱动的电池循环寿命预测技术将仅需要使用待测电池的早期循环数据，无须对待测电池的全部循环数据进行跟踪，即可实现对电池寿命的预测，同样可以实现对电池平均库伦效率CE平均的快速评估，大大缩短电池充放电循环测试和评估的时间。所以，本申请有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。
Claims (6)
1.一种电池平均库伦效率的测定方法，其特征在于，包括：
基于电池集的早期充放电循环数据并利用回归分析算法，生成用于预测电池充放电循环寿命的循环寿命回归模型；生成所述循环寿命回归模型的步骤包括：获取电池集的多个早期充放电循环数据并从中提取至少一充放电循环特征，用以生成电池集的充放电循环数据特征向量，并形成对应的特征向量集，并据此建立循环寿命回归模型；
根据待测电池的早期充放电测试数据并利用所述循环寿命回归模型，预测待测电池的循环寿命；
根据所预测的待测电池的循环寿命，测定待测电池的平均库伦效率；
所述平均库伦效率的测定步骤包括：获取待测电池在一循环区间内的区间库伦效率；根据所述区间库伦效率以及该循环区间内的循环数量，测定平均库伦效率；令区间库伦效率为CE区间，令平均库伦效率为CE平均，其分别表示为：
其中，Q放，EndCycle为循环区间最后一个循环的放电容量，
Q放，StartCycle为循环区间第一个循环的放电容量；
其中，n＝EndCycle-StartCycle+1，表示循环区间内的循环数量；
所述循环区间为待测电池的整个循环寿命区间；循环区间内的区间库伦效率为待测电池的容量下降至额定容量的80％时的区间库伦效率。
2.根据权利要求1所述的方法，其特征在于，所述充放电循环特征的类型包括：放电容量差分特征、放电曲线退化特征、电池内阻特征、及电池充电循环次数特征中的任一种或多种组合。
3.一种电池平均库伦效率的测定装置，其特征在于，包括：
回归模型生成模块，用于基于电池集的早期充放电循环数据并利用回归分析算法，生成用于预测电池充放电循环寿命的循环寿命回归模型；生成所述循环寿命回归模型的步骤包括：获取电池集的多个早期充放电循环数据并从中提取至少一充放电循环特征，用以生成电池集的充放电循环数据特征向量，并形成对应的特征向量集，并据此建立循环寿命回归模型；
循环寿命预测模块，用于根据待测电池的早期充放电测试数据并利用所述循环寿命回归模型，预测待测电池的循环寿命；
库伦平均库伦效率测定模块，用于根据所预测的待测电池的循环寿命测定待测电池的平均库伦效率；
所述平均库伦效率的测定步骤包括：获取待测电池在一循环区间内的区间库伦效率；根据所述区间库伦效率以及该循环区间内的循环数量，测定平均库伦效率；令区间库伦效率为CE区间，令平均库伦效率为CE平均，其分别表示为：
其中，Q放，EndCycle为循环区间最后一个循环的放电容量，Q放，StartCycle为循环区间第一个循环的放电容量；
其中，n＝EndCycle-StartCycle+1，表示循环区间内的循环数量；
所述循环区间为待测电池的整个循环寿命区间；循环区间内的区间库伦效率为待测电池的容量下降至额定容量的80％时的区间库伦效率。
4.一种测定系统，其特征在于，包括：
如权利要求3所述的测定装置；
电池充放电测试装置，其包括电源模块、充放电控制模块、电子负载模块、电池模块、以及环境试验室箱；
其中，所述电池模块置于环境试验室箱内；所述电子负载模块电性连接所述电池模块；所述电源模块为充放电控制模块提供电源；所述充放电控制模块连接所述电池模块，用于设置测试参数并控制充放电测试的执行，还用于将采集到的待测电池的测试数据发送至所述测定装置，以供生成循环寿命回归模型。
5.一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或2中任一项所述的电池平均库伦效率的测定方法。
6.一种电子终端，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如权利要求1或2中任一项所述的电池平均库伦效率的测定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910585223.1A CN112180258B (zh) | 2019-07-01 | 2019-07-01 | 电池平均库伦效率的测定方法、装置、介质、终端、及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910585223.1A CN112180258B (zh) | 2019-07-01 | 2019-07-01 | 电池平均库伦效率的测定方法、装置、介质、终端、及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112180258A CN112180258A (zh) | 2021-01-05 |
| CN112180258B true CN112180258B (zh) | 2024-03-22 |
Family
ID=73914646
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910585223.1A Active CN112180258B (zh) | 2019-07-01 | 2019-07-01 | 电池平均库伦效率的测定方法、装置、介质、终端、及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112180258B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113884930A (zh) * | 2021-09-30 | 2022-01-04 | 国联汽车动力电池研究院有限责任公司 | 一种预测动力电池循环寿命及健康状态的方法 |
| CN115629325B (zh) * | 2022-10-26 | 2024-01-26 | 上海玫克生储能科技有限公司 | 电芯衰减程度辨识方法、装置、介质及设备 |
| CN115840146A (zh) * | 2022-12-07 | 2023-03-24 | 湖北亿纬动力有限公司 | 电池soc值估算方法、估算装置、电池管理系统及存储介质 |
| CN116774057B (zh) * | 2023-08-18 | 2023-11-14 | 南京大全电气研究院有限公司 | 一种训练电池寿命预测模型和预测电池寿命的方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102778653A (zh) * | 2012-06-20 | 2012-11-14 | 哈尔滨工业大学 | 基于ar模型和rpf算法的数据驱动的锂离子电池循环寿命预测方法 |
| CN103399279A (zh) * | 2013-08-01 | 2013-11-20 | 哈尔滨工业大学 | 基于ekf方法和ar模型融合型锂离子电池循环寿命预测方法 |
| CN103399281A (zh) * | 2013-08-01 | 2013-11-20 | 哈尔滨工业大学 | 基于循环寿命退化阶段参数的nd-ar模型和ekf方法的锂离子电池循环寿命预测方法 |
| CN104459553A (zh) * | 2014-11-28 | 2015-03-25 | 上海交通大学 | 一种预测电动汽车电池效率和健康状况的方法和系统 |
| CN105353312A (zh) * | 2015-09-28 | 2016-02-24 | 华晨汽车集团控股有限公司 | 一种动力电池soc的预测方法 |
| CN109407007A (zh) * | 2018-12-24 | 2019-03-01 | 广东省智能制造研究所 | 一种电池荷电状态检测方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11226374B2 (en) * | 2017-10-17 | 2022-01-18 | The Board Of Trustees Of The Leland Stanford Junior University | Data-driven model for lithium-ion battery capacity fade and lifetime prediction |
-
2019
- 2019-07-01 CN CN201910585223.1A patent/CN112180258B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102778653A (zh) * | 2012-06-20 | 2012-11-14 | 哈尔滨工业大学 | 基于ar模型和rpf算法的数据驱动的锂离子电池循环寿命预测方法 |
| CN103399279A (zh) * | 2013-08-01 | 2013-11-20 | 哈尔滨工业大学 | 基于ekf方法和ar模型融合型锂离子电池循环寿命预测方法 |
| CN103399281A (zh) * | 2013-08-01 | 2013-11-20 | 哈尔滨工业大学 | 基于循环寿命退化阶段参数的nd-ar模型和ekf方法的锂离子电池循环寿命预测方法 |
| CN104459553A (zh) * | 2014-11-28 | 2015-03-25 | 上海交通大学 | 一种预测电动汽车电池效率和健康状况的方法和系统 |
| CN105353312A (zh) * | 2015-09-28 | 2016-02-24 | 华晨汽车集团控股有限公司 | 一种动力电池soc的预测方法 |
| CN109407007A (zh) * | 2018-12-24 | 2019-03-01 | 广东省智能制造研究所 | 一种电池荷电状态检测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112180258A (zh) | 2021-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112180258B (zh) | 电池平均库伦效率的测定方法、装置、介质、终端、及系统 | |
| Hu et al. | Health prognosis for electric vehicle battery packs: A data-driven approach | |
| Tan et al. | Online state-of-health estimation of lithium-ion battery based on dynamic parameter identification at multi timescale and support vector regression | |
| CN110224192B (zh) | 一种梯次利用动力电池寿命预测方法 | |
| He et al. | State of health estimation of lithium‐ion batteries: A multiscale G aussian process regression modeling approach | |
| Kim et al. | Impedance-based capacity estimation for lithium-ion batteries using generative adversarial network | |
| CN109633448B (zh) | 识别电池健康状态的方法、装置和终端设备 | |
| Feng et al. | State of health estimation of large-cycle lithium-ion batteries based on error compensation of autoregressive model | |
| Mian Qaisar | A proficient Li-ion battery state of charge estimation based on event-driven processing | |
| CN111983474A (zh) | 一种基于容量衰退模型的锂离子电池寿命预测方法和系统 | |
| CN112084459A (zh) | 电池充放电循环寿命的预测方法、装置、电子终端、及存储介质 | |
| CN114966436A (zh) | 锂电池荷电状态预测方法、装置、设备及可读存储介质 | |
| CN115270454A (zh) | 电池寿命预测方法及相关设备 | |
| Wang et al. | A multi-scale fusion prediction method for lithium-ion battery capacity based on ensemble empirical mode decomposition and nonlinear autoregressive neural networks | |
| Bao et al. | Hybrid deep neural network with dimension attention for state-of-health estimation of lithium-ion batteries | |
| CN116699446A (zh) | 退役电池快速分选方法、装置、设备及存储介质 | |
| CN117148177A (zh) | 电池动态一致性评价方法、装置和计算机设备 | |
| Zhang et al. | Online state-of-health estimation for the lithium-ion battery based on an LSTM neural network with attention mechanism | |
| Wei et al. | Global sensitivity analysis for impedance spectrum identification of lithium-ion batteries using time-domain response | |
| Yuliani et al. | Remaining useful life prediction of lithium-ion battery based on LSTM and GRU | |
| CN115312895B (zh) | 一种监测新能源车辆的电池包的稳态方法 | |
| Dong et al. | State of health estimation and remaining useful life estimation for Li-ion batteries based on a hybrid kernel function relevance vector machine | |
| CN115656834A (zh) | 一种电池容量预测方法、装置及电子设备 | |
| Nagarale et al. | Accelerating AI‐Based Battery Management System’s SOC and SOH on FPGA | |
| CN115267586A (zh) | 锂电池soh评估方法 |
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 |