CN113567866A - 锂离子电池的电压预测方法及装置 - Google Patents

锂离子电池的电压预测方法及装置 Download PDF

Info

Publication number
CN113567866A
CN113567866A CN202110856132.4A CN202110856132A CN113567866A CN 113567866 A CN113567866 A CN 113567866A CN 202110856132 A CN202110856132 A CN 202110856132A CN 113567866 A CN113567866 A CN 113567866A
Authority
CN
China
Prior art keywords
voltage
lithium ion
time
ion battery
battery
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
Application number
CN202110856132.4A
Other languages
English (en)
Other versions
CN113567866B (zh
Inventor
张相开
赵俊凯
冯传钧
刘兴达
尹玉祥
冯旭东
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Svolt Energy Technology Co Ltd
Original Assignee
Svolt Energy Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Svolt Energy Technology Co Ltd filed Critical Svolt Energy Technology Co Ltd
Priority to CN202110856132.4A priority Critical patent/CN113567866B/zh
Publication of CN113567866A publication Critical patent/CN113567866A/zh
Application granted granted Critical
Publication of CN113567866B publication Critical patent/CN113567866B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G01R31/385—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]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • 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
    • 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)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明涉及电池技术领域，特别涉及一种锂离子电池的电压预测方法及装置，其中，锂离子电池的电压预测方法包括以下步骤：每隔第一预设时长，采集锂离子电池的实际电压；根据第一至第n次采集的实际电压和采集时刻建立时间差值‑电压比值的关系式；基于时间差值‑电压比值的关系式，预测一个或多个待测锂离子电池的预测电压。该方法可以快速准准确筛选出自放电不良的电池，提升生产效率，降低电池成本，并提升下线电池电压的一致性，进而提高电池的安全性能，降低因自放电不良造成的热失控事故的发生。

Description

锂离子电池的电压预测方法及装置
技术领域
本发明涉及电池技术领域，特别涉及一种锂离子电池的电压预测方法及装置。
背景技术
新能源汽车市场的发展，带来了锂离子动力电池的旺盛需求，同时也带来了激烈的行业及产品竞争，其中，电池生产过程中电池自放电的筛选和保证下线电池电压的一致性至关重要。
相关技术中，常用的自放电筛选的方法为：通过长时间的静置来挑选出不良电池，静置时间越长，越能够将真正自放电不良的电池挑选出来。
然而，相关技术中电池长时间的静置不利于提升生产产能，大大降低生产效率，并增加电池的成本，且一旦没有足够的静置时间，部分自放电不良的电池很难被筛选出来，无法确保下线电池电压的一致性，增加因自放电不良的电池导致的热失控事故的发生概率。
发明内容
有鉴于此，本发明旨在提出一种锂离子电池的电压预测方法，该方法可以快速准准确筛选出自放电不良的电池，提升生产效率，降低电池成本，并提升下线电池电压的一致性，进而提高电池的安全性能，降低因自放电不良造成的热失控事故的发生。
为达到上述目的，本发明的技术方案是这样实现的：
一种锂离子电池的电压预测方法，包括以下步骤：
每隔第一预设时长，采集所述锂离子电池的实际电压；
根据第一至第n次采集的实际电压和采集时刻建立时间差值-电压比值的关系式；以及
基于所述时间差值-电压比值的关系式，预测一个或多个待测锂离子电池的预测电压。
进一步地，还包括：
静置所述锂离子电池，并每隔第二预设时长，采集所述锂离子电池的实际电压；
根据所述锂离子电池每隔所述第二预设时长的实际电压得到所述锂离子电池的电压变化率；
在所述电压变化率满足极化消除条件时，对所述锂离子电池进行电压测试。
进一步地，在预测所述一个或多个待测锂离子电池的预测电压之前，还包括：
获取所述一个或多个锂离子电池的的材料类型；
根据所述材料类型匹配与所述材料类型相同的时间差值-电压比值的关系式。
进一步地，所述时间差值-电压比值的关系式为：
OCVn＝OCV1-OCV1*EXP(-A*Δt^B)，
其中，n>1，OCV1为第一次采集的实际电压，OCVn为第n次采集的实际电压，Δt为第n次采集的采集时刻tn与第一次采集的采集时刻t1的差值，B为以LN(tn-t1)为x轴、LN(-LN(1-OCVn/OCV1))为y轴的直线的斜率，A为以所述直线截距为指数、以e为底数的常数。
进一步地，所述基于所述时间差值-电压比值的关系式，预测一个或多个待测锂离子电池的预测电压，包括：
根据所述时间差值-电压比值的训练电压预测模型，以利用训练好的电压预测模型输出所述一个或多个待测锂离子电池的预测电压。
相对于现有技术，本发明所述的锂离子电池的电压预测方法具有以下优势：
本发明所述的锂离子电池的电压预测方法，利用建立时间差值-电压比值的关系式准确预测锂离子电池的电压，可以通过较短时间的静置准确预测电池长静置时间后的电压，从而可以快速准准确筛选出自放电不良的电池，提升生产效率，降低电池成本，并提升下线电池电压的一致性，进而提高电池的安全性能，降低因自放电不良造成的热失控事故的发生。
本发明的另一个目的在于提出一种锂离子电池的电压预测装置，该装置可以快速准准确筛选出自放电不良的电池，提升生产效率，降低电池成本，并提升下线电池电压的一致性，进而提高电池的安全性能，降低因自放电不良造成的热失控事故的发生。
为达到上述目的，本发明的技术方案是这样实现的：
一种锂离子电池的电压预测装置，包括：
采集模块，用于每隔第一预设时长，采集所述锂离子电池的实际电压；
建立模块，用于根据第一至第n次采集的实际电压和采集时刻建立时间差值-电压比值的关系式；以及
预测模块，用于基于所述时间差值-电压比值的关系式，预测一个或多个待测锂离子电池的预测电压。
进一步地，还包括：
测试模块，用于静置所述锂离子电池，并每隔第二预设时长，采集所述锂离子电池的实际电压，根据所述锂离子电池每隔所述第二预设时长的实际电压得到所述锂离子电池的电压变化率；在所述电压变化率满足极化消除条件时，对所述锂离子电池进行电压测试。
进一步地，还包括：
匹配模块，用于在预测所述一个或多个待测锂离子电池的预测电压之前，获取所述一个或多个锂离子电池的的材料类型，根据所述材料类型匹配与所述材料类型相同的时间差值-电压比值的关系式。
进一步地，所述时间差值-电压比值的关系式为：
OCVn＝OCV1-OCV1*EXP(-A*Δt^B)，
其中，n>1，OCV1为第一次采集的实际电压，OCVn为第n次采集的实际电压，Δt为第n次采集的采集时刻tn与第一次采集的采集时刻t1的差值，B为以LN(tn-t1)为x轴、LN(-LN(1-OCVn/OCV1))为y轴的直线的斜率，A为以所述直线截距为指数、以e为底数的常数。
进一步地，所述预测模块进一步用于根据所述时间差值-电压比值的训练电压预测模型，以利用训练好的电压预测模型输出所述一个或多个待测锂离子电池的预测电压。
所述的锂离子电池的电压预测装置与上述的锂离子电池的电压预测方法相对于现有技术所具有的优势相同，在此不再赘述。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例所述的锂离子电池的电压预测方法的流程图；
图2为本发明实施例所述的三元材料的锂离子电池的电压预测与实测电压曲线；
图3为本发明实施例所述的的磷酸铁锂材料的锂离子电池的电压预测与实测电压曲线；
图4为本发明实施例所述的锂离子电池的电压预测装置的方框示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
目前行业内常用的挑选自放电的方法一般是通过高温/常温静置来实现，但是高温静置意味着需要建设更多的高温老化房，需要消耗大量的能耗，常温静置则需要更多的空间。无论是哪种方法，都不利于产能的提升和降低生产成本，因此用于自放电筛选的静置时间一直是制约锂离子电池生产产能提升和成本节约的瓶颈工序。但是如果没有足够的静置时间，部分自放电不良的电池很难被筛选出来，最终该部分电池可能会流入市场，随着充放电次数的增加，该部分电池将大大降低电池组的使用寿命，同时自放电的发生极易造成电池包的热失控事故发生。
为此，本发明实施例提出了一种锂离子电池的电压预测方法，可以能够通过较短时间的静置预测30天甚至更长静置时间后的电池电压，以便能够更好的筛选出自放电不良电池，提升下线电池电压的一致性，提高电池的安全性能，降低因自放电不良造成的热失控事件的发生。
下面将参考附图并结合实施例来详细说明本发明。
图1是根据本发明实施例的锂离子电池的电压预测方法的流程图。
如图1所示，根据本发明实施例的锂离子电池的电压预测方法，包括以下步骤：
步骤S101，每隔第一预设时长，采集锂离子电池的实际电压。
其中，第一预设时长可以根据测试需求进行设置，比如，可以设置为1天，或者2天等，对此不作具体限定。
以第一预设时长为1天为例，当需要测试30天锂离子电池的实际电压时，本发明实施例可以每隔一天采集一次锂离子电池的实际电压，并在采集30次电压之后停止采集。
在一些实施例中，本发明实施例的方法还包括：静置锂离子电池，并每隔第二预设时长，采集锂离子电池的实际电压；根据锂离子电池每隔第二预设时长的实际电压得到锂离子电池的电压变化率；在电压变化率满足极化消除条件时，对锂离子电池进行电压测试。
其中，第二预设时长可以根据实际情况进行设置，比如可以设置为1小时或2小时等，对此不作具体限定。极化消除条件可以设置为电压变化率趋近一条直线。
以第二预设时长为1小时为例，确定锂离子电池型号后，每隔1小时测试一次电压，直到电压变化率趋近一条直线时，开始进行电压测试，从而可以在采集锂离子电池的实际电压之前，对锂离子电池进行极化消除，以提高电压测试的准确性。
步骤S102，根据第一至第n次采集的实际电压和采集时刻建立时间差值-电压比值的关系式。
以第一预设时长为1天、采集30天实际电压为例，则n为30，第一次采集的实际电压为第一天测试的实际电压OCV1，第一天测试实际电压的时刻记为t1；每隔一天测试并记录一次实际电压和采集时刻，记录第30次采集的实际电压为OCV30、采集时刻为t30时结束采集。本发明实施例可以根据30天的数据分析时间差值-电压比值的关系，以推导时间差值-电压比值的关系式，推导过程如下：
计算测试时间tn和t1的差值(tn-t1)，记为Δt，OCVn和OCV1的比值(OCVn/OCV1)记为Y；4、通过数据和图形分析，建立Δt和Y的关系模型，最终得到Y＝1-EXP(-A*Δt^B)，其中A和B均为常数；化简上述关系式，最终得到时间差值-电压比值的关系式为：
OCVn＝OCV1-OCV1*EXP(-A*Δt^B)，
其中，n>1，OCV1为第一次采集的实际电压，OCVn为第n次采集的实际电压，Δt为第n次采集的采集时刻tn与第一次采集的采集时刻t1的差值，B为以LN(tn-t1)为x轴、LN(-LN(1-OCVn/OCV1))为y轴的直线的斜率，A为以直线截距为指数、以e为底数的常数。
步骤S103，基于时间差值-电压比值的关系式，预测一个或多个待测锂离子电池的预测电压。
可以理解的是，在时间差值-电压比值的关系式确定之后，在实际使用的过程中，可以根据实际情况测试3个或者多个一定间隔时间的OCV值进行待测锂离子电池的电压预测，从而可以通过较短时间的静置预测长静置时间后的电池电压，以准确快速筛选出自放电不良电池，提升下线电池电压的一致性，提高电池的安全性能，降低因自放电不良造成的热失控事件的发生。
在一些实施例中，在预测一个或多个待测锂离子电池的预测电压之前，还包括：获取一个或多个锂离子电池的的材料类型；根据材料类型匹配与材料类型相同的时间差值-电压比值的关系式。
其中，材料类型可以为三元材料或者磷酸铁锂材料，对此不作具体限定。
可以理解的是，不同材料类型的锂离子电池对应的时间差值-电压比值的关系式可能存在差异，因此，本发明实施例可以在预测之前，型匹配与材料类型相同的时间差值-电压比值的关系式，从而可以提高对锂离子电池电压预测的准确性。
在一些实施例中，基于时间差值-电压比值的关系式，预测一个或多个待测锂离子电池的预测电压，包括：根据时间差值-电压比值的训练电压预测模型，以利用训练好的电压预测模型输出一个或多个待测锂离子电池的预测电压。
可以理解的是，在测锂离子电池的时间差值-电压比值的关系式确定之后，本发明实施例可以利用关系式训练电压预测模型，以在实际预测时，直接根据训练好的电压预测模型和实测数据即可预测待测锂离子电池的预测电压，提高预测的效率。
下面将通过具体实施例对锂离子电池的电压预测方法进行阐述，以电池正极是三元材料或者磷酸铁锂材料为例，电压预测包括以下步骤：
步骤1，确定电池型号，每隔1h测试一次电压，直到电压变化率趋近一条直线，表明极化消除；
步骤2，连续测试30天电压，测试时间可以根据实际需要确定，测试的第一天电压记为OCV1，时间记为t1，以此类推，一直到OCV30，t30；其中，步骤2用于推导公式，在公式推导之后无需重复执行步骤2；
步骤3，计算测试时间tn和t1的差值(tn-t1)，记为Δt，OCVn和OCV1的比值(OCVn/OCV1)记为Y；
步骤4，通过数据和图形分析，建立Δt和Y的关系模型，最终得到Y＝1-EXP(-A*Δt^B)，其中A和B均为常数；
步骤5，化简上述关系式，最终得到OCVn＝OCV1-OCV1*EXP(-A*Δt^B)，其中，n>1；
步骤6，对上述关系式做进一步分析，得到B为以LN(tn-t1)为x、LN(-LN(1-OCVn/OCV1))为y的直线的斜率，A为以该直线截距为指数、以e为底数的常数；
步骤7，在确定上述关系式后，在实际使用过程中，可以根据实际情况测试多个，比如可以为3个或4个一定间隔时间的OCV值，按照步骤6的方式，计算A、B两个常数，带入步骤5的公式中，即预测得到n天后待测锂离子电池的OCVn值。
步骤8，本发明实施例挑选一部分电芯进行验证，如图2和图3所示，三元材料和磷酸铁锂材料的电池的实际电压和预测电压曲线基本重合；表1为30d静置后实际测试电压和预测电压的偏差对比，预测最大偏差为0.044％，其中，本实验以分容后3～24h测试OCV1，继续静置1～5d后测试OCV2，静置7～9d后测试OCV3进行验证。根据图2和表1的验证可知，本发明实施例的可以通过较短时间的静置准确预测长静置时间后的电池电压，预测的准确性高，从而可以快速准确的筛选出自放电不良电池。
表1
Figure BDA0003184010690000061
Figure BDA0003184010690000071
根据本发明实施例的锂离子电池的电压预测方法，利用建立时间差值-电压比值的关系式准确预测锂离子电池的电压，可以通过较短时间的静置准确预测电池长静置时间后的电压，从而可以快速准准确筛选出自放电不良的电池，提升生产效率，降低电池成本，并提升下线电池电压的一致性，进而提高电池的安全性能，降低因自放电不良造成的热失控事故的发生。
进一步地，如图4所示，本发明的实施例还公开了一种锂离子电池的电压预测装置10包括：采集模块100、建立模块200和预测模块300。
具体而言，如图4所示，采集模块100用于每隔第一预设时长，采集锂离子电池的实际电压；建立模块200用于根据第一至第n次采集的实际电压和采集时刻建立时间差值-电压比值的关系式；预测模块300用于基于时间差值-电压比值的关系式，预测一个或多个待测锂离子电池的预测电压。
进一步地，本发明实施例的装置10还包括：测试模块。其中，测试模块，用于静置锂离子电池，并每隔第二预设时长，采集锂离子电池的实际电压，根据锂离子电池每隔第二预设时长的实际电压得到锂离子电池的电压变化率；在电压变化率满足极化消除条件时，对锂离子电池进行电压测试。
进一步地，本发明实施例的装置10还包括：匹配模块。其中，匹配模块，用于在预测一个或多个待测锂离子电池的预测电压之前，获取一个或多个锂离子电池的的材料类型，根据材料类型匹配与材料类型相同的时间差值-电压比值的关系式。
进一步地，时间差值-电压比值的关系式为：
OCVn＝OCV1-OCV1*EXP(-A*Δt^B)，
其中，n>1，OCV1为第一次采集的实际电压，OCVn为第n次采集的实际电压，Δt为第n次采集的采集时刻tn与第一次采集的采集时刻t1的差值，B为以LN(tn-t1)为x轴、LN(-LN(1-OCVn/OCV1))为y轴的直线的斜率，A为以直线截距为指数、以e为底数的常数。
进一步地，预测模块300进一步用于根据时间差值-电压比值的训练电压预测模型，以利用训练好的电压预测模型输出一个或多个待测锂离子电池的预测电压。
需要说明的是，本发明实施例的锂离子电池的电压预测装置的具体实现方式与锂离子电池的电压预测方法的具体实现方式类似，为了减少冗余，此处不做赘述。
根据本发明实施例的锂离子电池的电压预测装置，利用建立时间差值-电压比值的关系式准确预测锂离子电池的电压，可以通过较短时间的静置准确预测电池长静置时间后的电压，从而可以快速准准确筛选出自放电不良的电池，提升生产效率，降低电池成本，并提升下线电池电压的一致性，进而提高电池的安全性能，降低因自放电不良造成的热失控事故的发生。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种锂离子电池的电压预测方法，其特征在于，包括以下步骤：
每隔第一预设时长，采集所述锂离子电池的实际电压；
根据第一至第n次采集的实际电压和采集时刻建立时间差值-电压比值的关系式；以及
基于所述时间差值-电压比值的关系式，预测一个或多个待测锂离子电池的预测电压。
2.根据权利要求1所述的方法，其特征在于，还包括：
静置所述锂离子电池，并每隔第二预设时长，采集所述锂离子电池的实际电压；
根据所述锂离子电池每隔所述第二预设时长的实际电压得到所述锂离子电池的电压变化率；
在所述电压变化率满足极化消除条件时，对所述锂离子电池进行电压测试。
3.根据权利要求1所述的方法，其特征在于，在预测所述一个或多个待测锂离子电池的预测电压之前，还包括：
获取所述一个或多个锂离子电池的的材料类型；
根据所述材料类型匹配与所述材料类型相同的时间差值-电压比值的关系式。
4.根据权利要求1所述的方法，其特征在于，所述时间差值-电压比值的关系式为：
OCVn＝OCV1-OCV1*EXP(-A*Δt^B)，
其中，n>1，OCV1为第一次采集的实际电压，OCVn为第n次采集的实际电压，Δt为第n次采集的采集时刻tn与第一次采集的采集时刻t1的差值，B为以LN(tn-t1)为x轴、LN(-LN(1-OCVn/OCV1))为y轴的直线的斜率，A为以所述直线截距为指数、以e为底数的常数。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述基于所述时间差值-电压比值的关系式，预测一个或多个待测锂离子电池的预测电压，包括：
根据所述时间差值-电压比值的训练电压预测模型，以利用训练好的电压预测模型输出所述一个或多个待测锂离子电池的预测电压。
6.一种锂离子电池的电压预测装置，其特征在于，包括：
采集模块，用于每隔第一预设时长，采集所述锂离子电池的实际电压；
建立模块，用于根据第一至第n次采集的实际电压和采集时刻建立时间差值-电压比值的关系式；以及
预测模块，用于基于所述时间差值-电压比值的关系式，预测一个或多个待测锂离子电池的预测电压。
7.根据权利要求6所述的装置，其特征在于，还包括：
测试模块，用于静置所述锂离子电池，并每隔第二预设时长，采集所述锂离子电池的实际电压，根据所述锂离子电池每隔所述第二预设时长的实际电压得到所述锂离子电池的电压变化率；在所述电压变化率满足极化消除条件时，对所述锂离子电池进行电压测试。
8.根据权利要求6所述的装置，其特征在于，还包括：
匹配模块，用于在预测所述一个或多个待测锂离子电池的预测电压之前，获取所述一个或多个锂离子电池的的材料类型，根据所述材料类型匹配与所述材料类型相同的时间差值-电压比值的关系式。
9.根据权利要求6所述的装置，其特征在于，所述时间差值-电压比值的关系式为：
OCVn＝OCV1-OCV1*EXP(-A*Δt^B)，
其中，n>1，OCV1为第一次采集的实际电压，OCVn为第n次采集的实际电压，Δt为第n次采集的采集时刻tn与第一次采集的采集时刻t1的差值，B为以LN(tn-t1)为x轴、LN(-LN(1-OCVn/OCV1))为y轴的直线的斜率，A为以所述直线截距为指数、以e为底数的常数。
10.根据权利要求6-9任一项所述的装置，其特征在于，所述预测模块进一步用于根据所述时间差值-电压比值的训练电压预测模型，以利用训练好的电压预测模型输出所述一个或多个待测锂离子电池的预测电压。
CN202110856132.4A 2021-07-28 2021-07-28 锂离子电池的电压预测方法及装置 Active CN113567866B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110856132.4A CN113567866B (zh) 2021-07-28 2021-07-28 锂离子电池的电压预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110856132.4A CN113567866B (zh) 2021-07-28 2021-07-28 锂离子电池的电压预测方法及装置

Publications (2)

Publication Number Publication Date
CN113567866A true CN113567866A (zh) 2021-10-29
CN113567866B CN113567866B (zh) 2023-06-20

Family

ID=78168323

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110856132.4A Active CN113567866B (zh) 2021-07-28 2021-07-28 锂离子电池的电压预测方法及装置

Country Status (1)

Country Link
CN (1) CN113567866B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005235420A (ja) * 2004-02-17 2005-09-02 Nippon Telegr & Teleph Corp <Ntt> ニッケル水素蓄電池の寿命予測法
EP2573579A2 (de) * 2011-09-21 2013-03-27 Techem Energy Services GmbH Verfahren zur Ermittlung des Batterieladezustands einer Batterie in einem batteriebetriebenen Gerät und Verbrauchserfassungsgerät
CN103008261A (zh) * 2012-12-24 2013-04-03 天津力神电池股份有限公司 一种锂离子电池自放电程度的分选方法
CN106324510A (zh) * 2016-08-05 2017-01-11 北方奥钛纳米技术有限公司 一种电池检测方法和装置
WO2018126901A1 (zh) * 2017-01-05 2018-07-12 中兴通讯股份有限公司 电池健康状态检测方法及装置
CN108682908A (zh) * 2018-05-17 2018-10-19 惠州拓邦电气技术有限公司 一种锂离子电池自放电的筛选方法
CN109270472A (zh) * 2018-12-06 2019-01-25 北京普莱德新能源电池科技有限公司 一种锂电池在线监测的方法及装置
CN110297191A (zh) * 2019-08-07 2019-10-01 深圳市思商科技有限公司 一种电池自放电测试方法
WO2020152901A1 (ja) * 2019-01-21 2020-07-30 株式会社日立製作所 二次電池モジュールの余寿命診断方法及び余寿命診断システム
CN112034356A (zh) * 2020-09-09 2020-12-04 哈尔滨工业大学 基于gp-ukf的电动汽车动力电池在线soh估算方法
CN112632850A (zh) * 2020-12-14 2021-04-09 华中科技大学 一种锂电池组中异常电池的检测方法及系统
CN113064086A (zh) * 2021-03-31 2021-07-02 湖北亿纬动力有限公司 一种锂离子电池自放电速率测试方法、装置及系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005235420A (ja) * 2004-02-17 2005-09-02 Nippon Telegr & Teleph Corp <Ntt> ニッケル水素蓄電池の寿命予測法
EP2573579A2 (de) * 2011-09-21 2013-03-27 Techem Energy Services GmbH Verfahren zur Ermittlung des Batterieladezustands einer Batterie in einem batteriebetriebenen Gerät und Verbrauchserfassungsgerät
CN103008261A (zh) * 2012-12-24 2013-04-03 天津力神电池股份有限公司 一种锂离子电池自放电程度的分选方法
CN106324510A (zh) * 2016-08-05 2017-01-11 北方奥钛纳米技术有限公司 一种电池检测方法和装置
WO2018126901A1 (zh) * 2017-01-05 2018-07-12 中兴通讯股份有限公司 电池健康状态检测方法及装置
CN108682908A (zh) * 2018-05-17 2018-10-19 惠州拓邦电气技术有限公司 一种锂离子电池自放电的筛选方法
CN109270472A (zh) * 2018-12-06 2019-01-25 北京普莱德新能源电池科技有限公司 一种锂电池在线监测的方法及装置
WO2020152901A1 (ja) * 2019-01-21 2020-07-30 株式会社日立製作所 二次電池モジュールの余寿命診断方法及び余寿命診断システム
CN110297191A (zh) * 2019-08-07 2019-10-01 深圳市思商科技有限公司 一种电池自放电测试方法
CN112034356A (zh) * 2020-09-09 2020-12-04 哈尔滨工业大学 基于gp-ukf的电动汽车动力电池在线soh估算方法
CN112632850A (zh) * 2020-12-14 2021-04-09 华中科技大学 一种锂电池组中异常电池的检测方法及系统
CN113064086A (zh) * 2021-03-31 2021-07-02 湖北亿纬动力有限公司 一种锂离子电池自放电速率测试方法、装置及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
卢兰光等: "电动汽车锂离子电池管理系统的关键技术", 《科技导报》, pages 39 - 50 *

Also Published As

Publication number Publication date
CN113567866B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
Jiang et al. Recognition of battery aging variations for LiFePO4 batteries in 2nd use applications combining incremental capacity analysis and statistical approaches
CN110224192B (zh) 一种梯次利用动力电池寿命预测方法
CN112198444B (zh) 一种基于极片膨胀度预测锂离子电池循环寿命的方法
WO2018054166A1 (zh) 基于环境温度的电池循环寿命测试方法
CN107732337B (zh) 一种退役电池模块分选方法
CN108490366B (zh) 电动汽车退役电池模块健康状态的快速评估方法
Chang et al. A novel fast capacity estimation method based on current curves of parallel-connected cells for retired lithium-ion batteries in second-use applications
CN110045291B (zh) 一种锂电池容量估计方法
CN103412264B (zh) 蓄电池组内单体电池一致性的评价方法
CN113866655B (zh) 融合车联网运行数据与测试数据的动力电池容量评估方法
CN112924878B (zh) 一种基于弛豫电压曲线的电池安全性诊断方法
CN111036575A (zh) 一种基于温度变化分析的锂离子电池分选方法
CN113696786A (zh) 电池均衡方法及系统
CN112098875A (zh) 锂离子电池析锂的检测方法
US20220166075A1 (en) Method for Enhancing a Battery Module Model of a Battery Module Type
CN112485693A (zh) 一种基于温度概率密度函数的电池健康状态快速评估方法
CN113740738B (zh) 一种电芯容量预测方法及其应用
CN118336875A (zh) 一种调节锂电池的充放电安全保护优化方法及系统
CN118091420A (zh) 电池自放电检测方法、系统、设备和介质
JP6107644B2 (ja) 二次電池の検査方法
CN113238152A (zh) 锂电池自放电检测方法
CN113567866A (zh) 锂离子电池的电压预测方法及装置
CN114974477B (zh) 一种用于双流向防雷器的镍铁电极材料优化方法及系统
WO2022012139A1 (zh) 识别电芯的方法、装置及计算机存储介质
CN113465773B (zh) 一种测算锂离子电池内部温度的方法

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