CN112816880B - 电池寿命预测的方法、装置及存储介质 - Google Patents
电池寿命预测的方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112816880B CN112816880B CN202110201239.5A CN202110201239A CN112816880B CN 112816880 B CN112816880 B CN 112816880B CN 202110201239 A CN202110201239 A CN 202110201239A CN 112816880 B CN112816880 B CN 112816880B
- Authority
- CN
- China
- Prior art keywords
- battery
- sample
- sample data
- fitting
- storage
- 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
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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种电池寿命预测的方法、装置以及存储介质,涉及电池管理领域,方法包括获取样本电池的样本数据集合;将样本数据集合通过预设的电池存储容量衰减模型进行幂函数拟合处理,得到第一拟合参数;并得到样本数据集合的每一样本数据的第一衰减速率;将样本数据集合、每一样本数据的第一衰减速率进行多元线性拟合处理,得到第二拟合参数;获取待测电池的存储温度、SOC以及关联参数,关联参数表征存储温度与SOC之间的关系;将待测电池的存储温度、SOC以及关联参数通过多元线性回归模型、电池存储容量衰减模型,得到待测电池的存储温度以及SOC对应的寿命。通过上述方式,可以提升电池寿命的预测的准确性。
Description
技术领域
本发明涉及电池管理领域,特别涉及一种电池寿命预测的方法、装置及存储介质。
背景技术
电池寿命的长短直接影响其应用的领域的使用,如锂离子电池。锂离子电子由于具有电压高、能力密度大、循环性能好等突出优点,广泛应用于各个领域,尤其是电动汽车领域。在电动汽车领域,锂离子电池的性能直接关系到电动汽车的安全可靠性,因此对于电池寿命预测的准确性要求更高。因此能够准确预测出电池的寿命可以给电池的合理使用提供依据,并可以作为电池可靠性评估的重要环节。而传统对于电池的寿命预测,通常将样本电池的样本数据集合通过建立温度、时间以及SOC与容量保持率的关系来进行寿命预测,并没有考虑各参数之间的相互影响,导致电池寿命的预测不够准确。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提供了一种电池寿命预测的方法、装置以及存储介质,可以提升电池寿命预测的准确性。
根据本发明第一方面实施例的一种电池寿命预测的方法,包括如下步骤:
获取样本电池的样本数据集合;
将所述样本数据集合通过预设的电池存储容量衰减模型进行幂函数拟合处理,得到第一拟合参数;
通过所述电池存储容量衰减模型,得到所述样本数据集合的每一样本数据对应的第一衰减速率;
将所述样本数据集合、每一所述样本数据对应的所述第一衰减速率通过预设的多元线性回归模型进行多元线性拟合处理,得到第二拟合参数;
获取待测电池的存储温度、荷电状态以及关联参数,其中,所述关联参数表征所述存储温度与所述荷电状态之间的关系;
将所述待测电池的所述存储温度、所述荷电状态以及所述关联参数输入所述多元线性回归模型中,得到所述待测电池的第二衰减速率;
将所述待测电池的所述第二衰减速率输入所述电池存储容量衰减模型,得到所述待测电池的所述存储温度以及所述荷电状态对应的寿命。
根据本发明的上述实施例,至少具有如下有益效果:通过将待测电池的关联参数输入到多元线性回归模型,从而可以得到与待测电池的存储温度、荷电状态以及关联参数相关的第二衰减速率,即待测电池的第二衰减速率包含了存储温度对荷电状态的影响,因此通过该多元线性回归模型获得待测电池的第二衰减速率相对于传统的计算方式更为准确;此时,将待测电池的第二衰减速率输入电池存储容量衰减模型,可以得到更为准确的待测电池的容量保持率与存储时间的关系,从而可以提升电池寿命的预测的准确性。
根据本发明第一方面的一些实施例,所述获取样本电池的样本数据集合,包括如下步骤:
对多个待测样本电池进行筛选处理,得到样本电池集合;
将所述样本电池集合中每一所述样本电池的荷电状态调整至预设荷电值;
将已设置所述预设荷电值的每一所述样本电池在恒温箱内静置预设的存储时间,得到所述样本电池的一组测量数据;其中,所述测量数据包括静置后所述样本电池的所述荷电状态以及电池保持容量、预设的所述存储时间、所述恒温箱的存储温度;
调整每一所述样本电池的荷电状态的值,以重新试验得到下一组测量数据,直至所述样本电池的采样周期达到预设采样周期或者所述样本电池达到预设容量保持率;
根据每一所述样本电池的每一所述测量数据,得到所述样本数据集合。
因此,通过对多个待测样本电池进行筛选处理后进行样本采集,可以增加样本数据集合的可信度,从而提升预测的寿命的准确性。
根据本发明第一方面一些实施例,所述对多个待测样本电池进行筛选处理,得到样本电池集合,包括:
分别检测每一所述待测样本电池的初始容量值、阻抗值、厚度值、自放电率;
分别去除多个所述待测样本电池中所述初始容量值、所述阻抗值、所述厚度值、所述自放电率偏差较大的所述待测样本电池,得到样本电池集合。
因此,通过尽量缩小样本电池集合中每一待测样本电池的初始容量值、阻抗值、厚度值、自放电率之间的差异,可以增加样本数据集合的可信度,从而提升预测的寿命的准确性。
根据本发明第一方面一些实施例,所述样本电池的荷电状态的取值在所述样本电池的电池容量的0%~100%内。通过将荷电状态值的取值在所述样本电池的电池容量的0%~100%内,即设置在整车SOC的常见使用区间内,使得采集的样本数据集合为更加贴合实际应用场景的样本数据,从而保证通过多元线性回归模型、电池存储容量衰减模型得到的预测的寿命的准确性。
根据本发明第一方面一些实施例,每一所述样本数据均包括第一容量保持率、存储时间;
所述将所述样本数据集合通过预设的电池存储容量衰减模型进行幂函数拟合处理,得到第一拟合参数,包括如下步骤;
将每一所述样本数据的所述存储时间、所述第一容量保持率根据预设的所述电池存储容量衰减模型进行幂函数拟合处理,得到拟合幂值集合;
通过箱线图将所述拟合幂值集合中的异常拟合幂值删除;
获取去除异常拟合幂值后的所述拟合幂值集合的幂值平均值,并将所述幂值平均值设为所述电池存储容量衰减模型的所述第一拟合参数。
因此,通过箱线图去除异常的拟合幂值,同时将有效的拟合幂值进行平均值求取,得到幂值平均值,使得通过采用该幂值平均值得到的电池存储容量衰减模型求取的容量保持率更加贴近真实情况。
根据本发明第一方面一些实施例,每一所述样本数据均还包括所述样本电池的存储温度、荷电状态以及关联参数,其中,所述关联参数表征所述存储温度与所述荷电状态之间的关系;
所述将所述样本数据集合、每一所述样本数据的所述第一衰减速率通过预设的多元线性回归模型进行多元线性拟合处理,得到第二拟合参数,包括如下步骤:
分别获取每一所述样本数据的所述第一衰减速率的对数、每一所述样本数据的所述存储温度的倒数以及所述荷电状态的对数;
将所有所述样本数据的所述第一衰减速率的对数、所述存储温度的倒数、所述荷电状态的对数以及所述关联参数通过预设的多元线性回归模型进行多元线性回归拟合处理,得到第二拟合参数。
因此,通过多元线性回归模型对样本数据集合中每一样本数据的存储温度、荷电状态、关联参数、第一衰减速率进行拟合处理,可以得到更好的拟合效果。
根据本发明第一方面一些实施例,所述关联参数设置为所述存储温度的倒数与所述荷电状态的对数的乘积。
根据本发明第一方面一些实施例,所述电池寿命预测的方法还包括如下步骤:
获取所有相同实验条件的所述样本数据的第一衰减速率的衰减平均值;
将所述衰减平均值设为对应相同实验条件下的所有所述样本数据的所述第一衰减速率。
因此,通过将相同实验条件下获得的所有衰减速率进行求平均,可以提升样本数据集合的可靠性。
根据本发明第二方面实施例的一种电池寿命预测的装置,所述电池寿命预测的装置包括:
数据采集模块,用于采集样本数据集合、待测电池的存储温度、荷电状态;
拟合模块,用于将所述样本数据集合通过预设的电池存储容量衰减模型进行幂函数拟合处理,得到第一拟合参数,并通过所述电池存储容量衰减模型得到所述样本数据集合的每一样本数据的第一衰减速率;还用于将所述样本数据集合、每一所述样本数据的第一衰减速率通过预设的多元线性回归模型进行多元线性拟合处理,得到第二拟合参数;
存储寿命预测模块,用于根据所述电池存储容量衰减模型、所述多元线性回归模型,预测出所述待测电池的寿命。
由于第二方面的电池寿命预测的装置应用第一方面任一项的电池寿命预测的方法,因此具有本发明第一方面的所有有益效果。
根据本发明第三方面实施例的一种存储介质,其特征在于包括存储有计算机可执行指令,所述计算机可执行指令用于执行第一方面任一所述的电池寿命预测的方法。
由于第三方面的存储介质执行的指令可以执行第一方面任一项的电池寿命预测的方法,因此具有本发明第一方面的所有有益效果。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明实施例的电池寿命预测的方法的主要步骤图;
图2是本发明实施例的样本数据集合的采集方式;
图3是本发明实施例的第一拟合参数的获取方法;
图4是本发明实施例的第二拟合参数的获取方法;
图5是本发明实施例的电池寿命预测的装置的结构示意图。
具体实施方式
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。此外,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
下面参照图1至图5描述本发明的电池寿命预测的方法、装置及存储介质。
根据本发明第一方面实施例的一种电池寿命预测的方法,如图1所示,包括如下步骤:
步骤S100、获取样本电池的样本数据集合。
步骤S200、将样本数据集合通过预设的电池存储容量衰减模型进行幂函数拟合处理,得到第一拟合参数。
应理解的是,预设的电池存储容量衰减模型如下:
Qreten=1-Btz
其中,B表示电池存储容量衰减模型的衰减速率,z为第一拟合参数,t为存储时间;Qreten表示容量保持率,容量保持率指被测样本电池(或需要预测寿命的电池)充放多个循环后的电池容量对初始电池容量的百分比比值,假设Q0表示初始电池容量,Qi表示充放多个循环后的电池容量,则通过拟合处理后可以得到第一拟合参数z。
步骤S300、通过电池存储容量衰减模型,得到样本数据集合的每一样本数据的第一衰减速率。
应理解的是,由电池存储容量衰减模型可知,当电池存储容量衰减模型的第一拟合参数z可知的情况下,根据电池存储容量衰减模型可知,当样本电池的存储时间可知、容量保持率可知时,可以得到样本电池的第一衰减速率。而存储时间可以通过样本电池采集的测量数据得到,容量保持率可以通过测量数据对应的样本数据得到(即样本数据集合中包含该数据)。
步骤S400、将样本数据集合、每一样本数据的第一衰减速率通过预设的多元线性回归模型进行多元线性拟合处理,得到第二拟合参数。
应理解的是,每一样本数据中的第一衰减速率为多元线性回归模型的因变量、每一样本数据中的元素对应多元线性回归模型中的自变量,因此,会有多个第二拟合参数。
步骤S500、获取待测电池的存储温度、荷电状态(即待测电池的SOC)以及关联参数,其中,关联参数表征存储温度与SOC之间的关系。
步骤S600、将待测电池的存储温度、SOC以及关联参数输入多元线性回归模型中,得到待测电池的第二衰减速率。
应理解的是,待测电池的存储温度、SOC均为待测电池期望使用的环境下对应的参数。此时的多元线性回归模型的第二拟合参数可知。
步骤S700、将待测电池的第二衰减速率输入电池存储容量衰减模型,得到待测电池的存储温度以及SOC对应的寿命。
应理解的是,待测电池的电池初始容量是可知的,根据电池存储容量衰减模型可知,在幂值z确定的情况下,可以得到待测电池的容量保持率与存储时间的关系。而待测电池的容量保持率表示待测电池充放多个循环后的电池容量与待测电池初始容量的百分比比值;因此可以得到待测电池的寿命。
因此,通过将待测电池的关联参数输入到多元线性回归模型,从而可以得到与待测电池的存储温度、SOC以及关联参数相关的第二衰减速率,即待测电池的衰减速率包含了存储温度对SOC的影响,因此可以通过该多元线性回归模型获得待测电池的第二衰减速率相对于传统的计算方式更为准确;此时,将待测电池的第二衰减速率输入电池存储容量衰减模型,可以得到更为准确的待测电池的容量保持率与存储时间的关系,从而可以提升电池寿命的预测的准确性。
在本发明第一方面一些实施例中,如图2所示,步骤S100,包括如下步骤:
步骤S110、对多个待测样本电池进行筛选处理,得到样本电池集合。
步骤S120、将样本电池集合中每一样本电池的荷电状态调整至预设荷电值。
可理解为,样本电池的荷电状态(即SOC)的取值在样本电池的电池容量的0%~100%内。电池容量的0%~100%为整车SOC的常见使用区间,因此,通过样本电池的荷电状态(即SOC)的取值在样本电池的电池容量的0%~100%内,使得采集的样本数据集合为更加贴合实际应用场景的样本数据,从而保证通过多元线性回归模型、电池存储容量衰减模型得到的预测的寿命的准确性。
步骤S130、将已设置预设荷电值的每一样本电池在恒温箱内静置预设的存储时间,得到样本电池的一组测量数据;其中,测量数据包括静置后所述样本电池的所述荷电状态以及电池保持容量、预设的存储时间、恒温箱的储存温度。
步骤S140、调整每一样本电池的荷电状态的值,以重新试验得到下一组测量数据,直至样本电池的采样周期达到预设采样周期或者样本电池达到预设容量保持率。
需说明的是,每一次调整荷电状态后,均会重新进行试验,以得到多组测量数据。
步骤S150、根据每一样本电池的每一测量数据,得到样本数据集合。
需说明的是,每一样本数据均包括第一容量保持率、存储时间、存储温度、荷电状态以及关联参数,其中,关联参数表征存储温度与荷电状态之间的关系。其中,样本数据的存储时间、存储温度、荷电状态由测量数据直接得到,样本数据的第一容量保持率通过测量数据中电池保持容量与初始电池容量的比值,即(Q0表示初始电池容量,Qi表示第i组测量数据中的电池保持容量)。其中,样本数据中的关联参数被设置为测量数据中的存储温度的倒数与测量数据中荷电状态(即SOC)的对数的乘积。
因此,通过对多个待测样本电池进行筛选处理后进行样本采集,可以增加样本数据集合的可信度,从而提升预测的寿命的准确性。
可理解为,步骤S110包括如下:
首先,分别检测每一待测样本电池的初始容量值、阻抗值、厚度值、自放电率(即K值)。
需说明的是,初始容量值、阻抗值可以通过测试得到。
然后,分别去除多个待测样本电池中初始容量值、阻抗值、厚度值、自放电率偏差较大的待测样本电池,得到样本电池集合。
因此,通过尽量缩小样本电池集合中每一待测样本电池的初始容量值、阻抗值、厚度值、自放电率之间的差异,可以增加样本数据集合的可信度,从而提升预测的寿命的准确性。
可理解为,恒温箱的温度在整车工况温度范围内。通常情况下,整车工况温度范围为常温0~45摄氏度或0~60摄氏度内的温度范围。此时,可以将恒温箱的温度的最低温度和最高温度形成的区间温度设置为涵盖整车工况温度范围的95%的值。
可理解为,样本电池的荷电状态的取值(即SOC的取值)在样本电池的电池容量的0%~100%内。通过将荷电状态值的取值在所述样本电池的电池容量的0%~100%内,即设置在整车SOC的常见使用区间内,使得采集的样本数据集合为更加贴合实际应用场景的样本数据,从而保证通过多元线性回归模型、电池存储容量衰减模型得到的预测的寿命的准确性。
可理解为,电池寿命预测的方法还包括如下步骤:
首先,获取所有相同实验条件的样本数据的第一衰减速率的衰减平均值。
然后,将衰减平均值设为对应相同实验条件下的所有样本数据的第一衰减速率。
需说明的是,相同实验条件是指相同的存储温度、相同初始电池容量、相同型号电池、相同的荷电状态的值以及相同的存储时间。
可理解为,如图3所示,步骤S200,包括如下步骤;
步骤S210、将每一样本数据的存储时间、第一容量保持率根据预设的电池存储容量衰减模型进行幂函数拟合处理,得到拟合幂值集合。
步骤S220、通过箱线图将拟合幂值集合中的异常拟合幂值删除。
步骤S230、获取去除异常拟合幂值后的拟合幂值集合的幂值平均值,并将幂值平均值设为电池存储容量衰减模型的第一拟合参数。
需说明的是,幂值平均值是将去除异常拟合幂值后的拟合幂值集合中所有的幂值进行累加后求平均得到。
因此,通过箱线图去除异常的拟合幂值,同时将有效的拟合幂值进行平均值求取,得到幂值平均值,使得通过采用该幂值平均值得到的电池存储容量衰减模型求取的容量保持率更加贴近真实情况。
可理解为,如图4所示,步骤S400,包括如下步骤:
步骤S410、分别获取每一样本数据的第一衰减速率的对数、每一样本数据的存储温度的倒数以及荷电状态(即SOC)的对数。
步骤S420、将所有样本数据的第一衰减速率的对数、存储温度的倒数、SOC的对数以及关联参数通过预设的多元线性回归模型进行多元线性回归拟合处理,得到第二拟合参数。
应理解的是,假设样本数据的第一衰减速率为Bi,存储温度为Ti,SOC的值为Soci,则第一衰减率的对数为lnBi,存储温度的倒数为SOC的对数为lnSoci,关联参数为则通过多元线性回归模型得到第二拟合参数β0、β1、β2、β3。
因此,通过多元线性回归模型对样本数据集合中每一样本数据的存储温度、SOC、关联参数、第一衰减速率进行拟合处理,可以得到更好的拟合效果。
可理解为,如图5所示,电池寿命预测的装置包括:
数据采集模块100,用于采集样本数据集合、待测电池的存储温度、SOC;
拟合模块200,用于将样本数据集合通过预设的电池存储容量衰减模型进行幂函数拟合处理,得到电池存储容量衰减模型的第一拟合参数,并通过电池存储容量衰减模型得到样本数据集合的每一样本数据的衰减速率;还用于将样本数据集合、每一样本数据的衰减速率通过预设的多元线性回归模型进行多元线性拟合处理,得到第二拟合参数;
存储寿命预测模块300,用于根据电池存储容量衰减模型、多元线性回归模型,预测出待测电池的寿命。
由于电池寿命预测的装置应用第一方面任一项的电池寿命预测的方法,因此具有本发明第一方面的所有有益效果。
应理解的是,上文中装置可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件或者被实施为硬件、测量仪器,或者被实施为集成电路,如专用集成电路。
可理解为,一种存储介质,包括存储有计算机可执行指令,计算机可执行指令用于执行第一方面任一的电池寿命预测的方法。
由于存储介质执行的指令可以执行第一方面任一项的电池寿命预测的方法,因此具有本发明第一方面的所有有益效果。
应理解的是,术语存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。
下面参考图1至图5以一个具体的实施例详细描述根据本发明实施例应用电池寿命预测的方法的装置。值得理解的是,下述描述仅是示例性说明,而不是对发明的具体限制。
如图1步骤S100,数据采集模块100获取样本电池的样本数据集合。
具体的,样本数据集合的每一样本数据均包括存储温度、SOC、容量保持率、存储时间以及关联参数。
具体的,样本数据集合的获取包括如下步骤:
如图2中步骤S110所示,得到样本电池集合。具体如下:
首先,获取同一批次的多个待测样本电池。
然后,分别检测每一待测样本电池的初始容量值、阻抗值、厚度值、自放电率(即K值)。
最后,分别去除多个待测样本电池中初始容量值、阻抗值、厚度值、自放电率偏差较大的待测样本电池,得到样本电池集合。
此时,样本电池集合中每两个样本电池之间的初始容量值、阻抗值、厚度值、自放电率均近似,其偏差满足试验的要求。
进一步,如图2步骤S120所示,将样本电池集合中每一样本电池的荷电状态调整至预设荷电值。
进一步,如步骤S130,将已设置预设荷电值的每一样本电池在恒温箱内静置预设的存储时间,得到样本电池的一组测量数据;其中,测量数据包括静置后所述样本电池的所述荷电状态Soci以及电池保持容量Qi、预设的存储时间Ti、恒温箱的储存温度Tmpi,其中,i表示第i组测量数据。
进一步,如步骤S140,将重新调整荷电状态的值后的每一样本电池重复步骤S130,得到下一组测量数据,直至样本电池的采样周期达到预设采样周期或者样本电池达到预设容量保持率。
具体的,SOC的值设置为电池存储SOC的30%、50%以及80%。
进一步,如步骤S150,根据每一样本电池的每一测量数据,得到样本数据集合。
此时,得到电池存储SOC的30%、50%以及80%时的样本数据集合为:
其中,表示第i组样本数据的关联参数,其中,Qreten(i)表示第i组样本数据的第一容量保持率,且(Qi表示第i组样本数据对应的测量数据中的电池保持容量,Q0表示第i组样本数据对应的测量数据中的初始电池容量)。
此时,数据采集模块100获得样本电池的样本数据集合。
进一步,如步骤S200,拟合模块200将样本数据集合通过预设的电池存储容量衰减模型进行幂函数拟合处理,得到电池存储容量衰减模型Qreten=1-Btz的第一拟合参数z。
具体的,如图3所示,首先,如步骤S210,将每一样本数据的存储时间、第一容量保持率根据预设的电池存储容量衰减模型进行幂函数拟合处理,得到拟合幂值集合。
其次,如步骤S220,拟合模块200通过箱线图将拟合幂值集合中的异常拟合幂值删除。
进一步,如步骤S230,获取去除异常拟合幂值后的拟合幂值集合的幂值平均值,并将幂值平均值设为电池存储容量衰减模型的第一拟合参数(即z)。
进一步,如步骤S300,拟合模块200通过电池存储容量衰减模型,得到样本数据集合的每一样本数据的第一衰减速率。
进一步,如步骤S400,拟合模块200将样本数据集合、每一样本数据的第一衰减速率通过预设的多元线性回归模型进行多元线性拟合处理,得到第二拟合参数。
具体的,如图4所示,执行如下步骤获取第二拟合参数:
进一步,如步骤S600,将待测电池的存储温度、SOC以及关联参数输入已确定第二拟合参数的多元线性回归模型中,得到待测电池的第二衰减速率B'的值。
进一步,如步骤S700,将待测电池的衰减速率输入已确定第一拟合参数的电池存储容量衰减模型,得到待测电池的存储温度以及SOC对应的寿命。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种电池寿命预测的方法,其特征在于,包括如下步骤:
获取样本电池的样本数据集合;
将所述样本数据集合通过预设的电池存储容量衰减模型进行幂函数拟合处理,求解得到所述电池存储容量衰减模型的第一拟合参数;所述第一拟合参数用于表征所述电池存储容量衰减模型中因变量与自变量之间的关系;所述电池存储容量衰减模型的因变量为容量保持率;所述电池存储容量衰减模型的自变量为存储时间和衰减速率;
将所述样本集合中的容量保持率和存储时间均输入到拟合处理后的所述电池存储容量衰减模型,得到所述样本数据集合的每一样本数据对应的第一衰减速率;
将所述样本数据集合、每一所述样本数据对应的所述第一衰减速率通过预设的多元线性回归模型进行多元线性拟合处理,求解得到所述多元线性回归模型的第二拟合参数;所述第二拟合参数用于表征所述多元线性回归模型中的自变量和因变量之间的关系;所述多元线性回归模型中的自变量包括存储温度、荷电状态及关联参数,所述多元线性回归模型中的因变量为衰减速率;
获取待测电池的存储温度、荷电状态以及关联参数,其中,所述关联参数表征所述存储温度与所述荷电状态之间的关系;
将所述待测电池的所述存储温度、所述荷电状态以及所述关联参数输入拟合处理后的所述多元线性回归模型中,得到所述待测电池的第二衰减速率;
将所述待测电池的所述第二衰减速率输入拟合处理后的所述电池存储容量衰减模型,得到所述待测电池的所述存储温度以及所述荷电状态对应的寿命。
2.根据权利要求1所述的电池寿命预测的方法,其特征在于,
所述获取样本电池的样本数据集合,包括如下步骤:
对多个待测样本电池进行筛选处理,得到样本电池集合;
将所述样本电池集合中每一所述样本电池的荷电状态调整至预设荷电值;
将已设置所述预设荷电值的每一所述样本电池在恒温箱内静置预设的存储时间,得到所述样本电池的一组测量数据;其中,所述测量数据包括静置后所述样本电池的所述荷电状态以及电池保持容量、预设的所述存储时间、所述恒温箱的存储温度;
调整每一所述样本电池的荷电状态的值,以重新试验得到下一组测量数据,直至所述样本电池的采样周期达到预设采样周期或者所述样本电池达到预设容量保持率;
根据每一所述样本电池的每一所述测量数据,得到所述样本数据集合。
3.根据权利要求2所述的电池寿命预测的方法,其特征在于,
所述对多个待测样本电池进行筛选处理,得到样本电池集合,包括:
分别检测每一所述待测样本电池的初始容量值、阻抗值、厚度值和自放电率;
分别去除多个所述待测样本电池中所述初始容量值、所述阻抗值、所述厚度值和所述自放电率偏差较大的所述待测样本电池,得到样本电池集合。
4.根据权利要求2所述的电池寿命预测的方法,其特征在于,
所述样本电池的荷电状态的取值在所述样本电池的电池容量的0%~100%内。
5.根据权利要求1所述的电池寿命预测的方法,其特征在于,
每一所述样本数据均包括容量保持率和存储时间;
所述将所述样本数据集合通过预设的电池存储容量衰减模型进行幂函数拟合处理,得到第一拟合参数,包括如下步骤;
将每一所述样本数据的所述存储时间和所述容量保持率根据预设的所述电池存储容量衰减模型进行幂函数拟合处理,得到拟合幂值集合;
通过箱线图将所述拟合幂值集合中的异常拟合幂值删除;
获取去除异常拟合幂值后的所述拟合幂值集合的幂值平均值,并将所述幂值平均值设为所述电池存储容量衰减模型的所述第一拟合参数。
6.根据权利要求5所述的电池寿命预测的方法,其特征在于,
每一所述样本数据均还包括所述样本电池的存储温度、荷电状态以及关联参数,其中,所述关联参数表征所述存储温度与所述荷电状态之间的关系;
所述将所述样本数据集合、每一所述样本数据的所述第一衰减速率通过预设的多元线性回归模型进行多元线性拟合处理,得到第二拟合参数,包括如下步骤:
分别获取每一所述样本数据的所述第一衰减速率的对数、每一所述样本数据的所述存储温度的倒数以及所述荷电状态的对数;
将所有所述样本数据的所述第一衰减速率的对数、所述存储温度的倒数、所述荷电状态的对数以及所述关联参数通过预设的多元线性回归模型进行多元线性回归拟合处理,得到第二拟合参数。
7.根据权利要求6所述的电池寿命预测的方法,其特征在于,
所述关联参数设置为所述存储温度的倒数与所述荷电状态的对数的乘积。
8.根据权利要求1所述的电池寿命预测的方法,其特征在于,还包括:
获取所有相同实验条件的所述样本数据的第一衰减速率的衰减平均值;
将所述衰减平均值设为对应相同实验条件下的所有所述样本数据的所述第一衰减速率。
9.一种电池寿命预测的装置,其特征在于,包括:
数据采集模块,用于采集样本数据集合、待测电池的存储温度、荷电状态以及关联参数,其中,所述关联参数表征所述存储温度与所述荷电状态之间的关系;
拟合模块,用于将所述样本数据集合通过预设的电池存储容量衰减模型进行幂函数拟合处理,求解得到所述电池存储容量衰减模型的第一拟合参数,将所述样本集合中的容量保持率和存储时间均输入到拟合处理后的所述电池存储容量衰减模型,得到所述样本数据集合的每一样本数据对应的第一衰减速率;还用于将所述样本数据集合、每一所述样本数据对应的所述第一衰减速率通过预设的多元线性回归模型进行多元线性拟合处理,求解得到所述多元线性回归模型的第二拟合参数;所述第一拟合参数用于表征所述电池存储容量衰减模型中因变量与自变量之间的关系;所述电池存储容量衰减模型的因变量为容量保持率;所述电池存储容量衰减模型的自变量为存储时间和衰减速率;所述第二拟合参数用于表征所述多元线性回归模型中的自变量和因变量之间的关系;所述多元线性回归模型中的自变量包括存储温度、荷电状态及关联参数,所述多元线性回归模型中的因变量为衰减速率;
存储寿命预测模块,用于将所述待测电池的所述存储温度、所述荷电状态以及所述关联参数输入拟合处理后的所述多元线性回归模型中,得到所述待测电池的第二衰减速率;及将所述待测电池的所述第二衰减速率输入拟合处理后的所述电池存储容量衰减模型,得到所述待测电池的所述存储温度以及所述荷电状态对应的寿命。
10.一种存储介质,其特征在于,包括存储有计算机可执行指令,所述计算机可执行指令用于执行权利要求1至8中任一项所述的电池寿命预测的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110201239.5A CN112816880B (zh) | 2021-02-23 | 2021-02-23 | 电池寿命预测的方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110201239.5A CN112816880B (zh) | 2021-02-23 | 2021-02-23 | 电池寿命预测的方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112816880A CN112816880A (zh) | 2021-05-18 |
CN112816880B true CN112816880B (zh) | 2023-01-13 |
Family
ID=75864967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110201239.5A Active CN112816880B (zh) | 2021-02-23 | 2021-02-23 | 电池寿命预测的方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112816880B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7299274B2 (ja) * | 2021-07-27 | 2023-06-27 | 本田技研工業株式会社 | 電池モデル構築方法及び電池劣化予測装置 |
CN115267546A (zh) * | 2022-06-24 | 2022-11-01 | 重庆长安汽车股份有限公司 | 一种电池寿命模型参数拟合方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150349385A1 (en) * | 2014-04-01 | 2015-12-03 | Medtronic, Inc. | Method and System for Predicting Useful Life of a Rechargeable Battery |
CN104793144B (zh) * | 2015-03-31 | 2017-09-15 | 中国人民解放军92537部队 | 一种电池寿命快速检测方法 |
CN105068009B (zh) * | 2015-07-14 | 2017-10-20 | 盐城工学院 | 电池循环寿命预测方法 |
CN109273781B (zh) * | 2017-07-18 | 2021-03-09 | 宁德时代新能源科技股份有限公司 | 电芯监测方法和电芯监测装置 |
CN107607848A (zh) * | 2017-08-24 | 2018-01-19 | 中国科学院长春光学精密机械与物理研究所 | Led灯具加速寿命试验方法及计算机可读存储介质 |
CN110750874B (zh) * | 2019-09-26 | 2020-07-28 | 长沙理工大学 | 一种退役动力电池寿命预测方法 |
CN112363075B (zh) * | 2019-11-21 | 2023-07-07 | 万向一二三股份公司 | 一种锂离子电池老化的评估方法 |
CN111044905A (zh) * | 2019-12-05 | 2020-04-21 | 国网北京市电力公司 | 数据确定方法及装置 |
CN112083345B (zh) * | 2020-08-27 | 2023-10-31 | 欣旺达动力科技股份有限公司 | 电池状态检测方法、装置及存储介质 |
CN112255559B (zh) * | 2020-10-12 | 2023-05-09 | 启东沃太新能源有限公司 | 基于多元线性回归的锂电池储能电站剩余寿命预测方法 |
-
2021
- 2021-02-23 CN CN202110201239.5A patent/CN112816880B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112816880A (zh) | 2021-05-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112816880B (zh) | 电池寿命预测的方法、装置及存储介质 | |
CN110376536B (zh) | 电池系统soh检测方法、装置、计算机设备和存储介质 | |
US20210173012A1 (en) | Method and system for estimation of open circuit voltage of a battery cell | |
CN110888065B (zh) | 电池包荷电状态修正方法和装置 | |
WO2022063234A1 (zh) | 电池析锂状态检测方法、系统、汽车、设备及存储介质 | |
CN112883531A (zh) | 锂离子电池数据处理方法、计算机设备和存储介质 | |
CN114169154A (zh) | 膨胀力预测方法、膨胀力预测系统、电子设备及存储介质 | |
CN110045291B (zh) | 一种锂电池容量估计方法 | |
Nuroldayeva et al. | State of Health Estimation Methods for Lithium‐Ion Batteries | |
CN110806540B (zh) | 电芯测试数据处理方法、装置、系统和存储介质 | |
CN108693473B (zh) | 电池健康状态soh的检测方法及装置 | |
CN115184814A (zh) | 动力电池包寿命预测方法、装置、可读存储介质及设备 | |
CN116298993A (zh) | 一种电芯内阻异常识别方法、装置及终端设备 | |
CN112230152B (zh) | 测量单体电芯内阻增量的方法及系统 | |
CN116699448B (zh) | 一种磷酸锂电池平台期soc修正方法、装置和系统 | |
CN113176516A (zh) | 容量预测方法、装置、电子设备及存储介质 | |
CN117368782A (zh) | 数据分析方法、电池soh估算方法及装置 | |
CN113125965B (zh) | 电池析锂检测方法、装置、设备及存储介质 | |
US11460513B2 (en) | Assessment of cell group health in a battery pack | |
CN114814630A (zh) | 电池健康状态管理方法、装置、电子设备和存储介质 | |
CN114859249A (zh) | 一种电池包容量的检测方法和装置 | |
CN115494394A (zh) | 鉴定电池质量的电化学方法 | |
KR102255914B1 (ko) | 저온 환경에서의 예측 정확도 향상을 위한 리튬이차전지 잔량 예측방법 및 예측장치 | |
CN113805072B (zh) | 容量的确定方法和确定装置、分容方法及动力电池系统 | |
CN117607697A (zh) | 电池soh预测方法、装置、电子设备及存储介质 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20220620 Address after: 516000 plants 1, 2, 3, 11, 12, 13, 14, 15a, 15b, 1-3 buildings of plant 8, 3 buildings of plant 21, and 24 of Xinwangda Industrial Park, Dongpo Avenue, Yuanzhou Town, BOLUO County, Huizhou City, Guangdong Province Applicant after: XINWANGDA HUIZHOU POWER NEW ENERGY Co.,Ltd. Address before: 518000 Xinwangda Industrial Park, No.18, Tangjia south, Gongming street, Guangming New District, Shenzhen City, Guangdong Province Applicant before: SUNWODA ELECTRIC VEHICLE BATTERY Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |