CN113759263A - 一种关于人工智能预测锂离子电池荷电状态的方法 - Google Patents
一种关于人工智能预测锂离子电池荷电状态的方法 Download PDFInfo
- Publication number
- CN113759263A CN113759263A CN202110982756.0A CN202110982756A CN113759263A CN 113759263 A CN113759263 A CN 113759263A CN 202110982756 A CN202110982756 A CN 202110982756A CN 113759263 A CN113759263 A CN 113759263A
- Authority
- CN
- China
- Prior art keywords
- state
- charge
- lithium battery
- soc value
- 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
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
- G01R31/387—Determining ampere-hour charge capacity or 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明公开了一种关于人工智能预测锂离子电池荷电状态的方法,涉及锂离子电池检测技术领域。该一种关于人工智能预测锂离子电池荷电状态的方法,具体操作步骤如下:S1、检测出锂电池的SOC值a、SOC值b以及SOC值c,S2、控制芯片根据预置参数对电动汽车内锂电池进行对比,S3、外部温度以及电流状态进行对比得到电动汽车荷电状态,S3、控制芯片将S4步骤得到的荷电状态发送至电动汽车的主控面板上。该关于人工智能预测锂离子电池荷电状态的方法,可以对不同电池运行时温度以及锂电池运行时电流的荷电状态进行估算,适用范围广,提高了预测的可靠性和准确度,大大节约了时间成本,提高了检测效率,便于快速准确估算电池的健康状态。
Description
技术领域
本发明涉及锂离子电池检测技术领域,特别涉及一种关于人工智能预测锂离子电池荷电状态的方法。
背景技术
随着社会的发展以及时间的推移,地球上不可再生能源逐渐减少,各国都在推广可持续能源发展技术,汽车行业同样在大力发展以绿色可持续的新能源作为主要能源,在全球推广使用新能源汽车的大环境下,新能源汽车在未来必将取代传统的燃油汽车,现阶段各国主要推广使用的新能源主要为电能,电能存储在新能源汽车的动力电池之中,因此动力电池的安全性、可靠性成为了不可忽视的重要因素,锂离子动力电池具有能量密度高,无充放记忆效应等优点,逐渐成为受市场认可的主流车载动力电池,在新能源汽车领域有着广泛的应用,而锂电池的荷电状态是电池管理系统的重要参数之一,也是整个汽车的充放电控制策略和电池均衡工作的依据,目前出现锂电池的荷电状态估计方法虽然各具特点,但总体来讲受到估计算法初始值的选择、电池运行时温度和锂电池运行时电流的变化使产生误差等,造成现有算法的检测精度和适应性降低等问题。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一,提供一种关于人工智能预测锂离子电池荷电状态的方法,能够解决锂电池的荷电状态受到估计算法初始值的选择、电池运行时温度和锂电池运行时电流的变化使产生误差等,造成现有算法的检测精度和适应性降低的问题。
为实现上述目的,本发明提供如下技术方案:一种关于人工智能预测锂离子电池荷电状态的方法,具体操作步骤如下:
S1-1、通过以恒定的电流使状态良好的锂电池处于不间断的放电状态,当放电到达截止电压时对所放电量进行计算得到锂电池的SOC值a;
S1-2、在不同外部环境温度下以恒定的电流使状态良好的锂电池处于不间断的放电状态,当放电到达截止电压时对所放电量进行计算,得出不同外部环境温度下锂电池的SOC值b;
S1-3、在不同外部环境温度下以两端不平衡的开路电压使状态良好的锂电池处于不间断的放电状态,当放电到达截止电压时对所放电量进行计算,得出放电电流并不恒定下锂电池的SOC值c;
S2、将S1-1步骤中得到的SOC值a、S1-2步骤中得到的SOC值b以及S1-3步骤中得到的SOC值c作为参数预先存储至电动汽车内的控制芯片中;
S3、电动汽车启动过程中控制芯片检测到锂电池容量计算得出电动汽车锂电池的SOC值A,同时检测锂电池启动的电流状态与电动汽车外部运行温度;
S4、控制芯片根据S2步骤中预置参数的SOC值a、SOC值b以及SOC值c与S3步骤得到的SOC值A、外部温度以及电流状态进行对比得到电动汽车荷电状态;
S5、控制芯片将S4步骤得到的荷电状态发送至电动汽车的主控面板上,由主控面板显示。
优选的,所述控制芯片采用型号为MC-9S12配套的MC33771,有益效果:通过采用高性能的控制芯片,这样提高了对预置参数对比时的速度,以及保障了控制芯片检测时的精准性。
优选的,所述锂电池测试外部环境温度为:0℃、10℃、20℃、30℃以及40℃,有益效果:根据常见的锂电池有效工作温度为0~40℃,使得该锂电池测试数据更加贴合电动汽车锂电池的实际运行情况下的荷电状态,保障了数据测试时的真实性,进一步保障了对锂电池的荷电状态预置数据的有效性。
优选的,所述控制芯片包括温度检测芯片、电流检测芯片以及数据存储芯片,用于实时存储接收到的电压数据、温度数据以及预设参数,有益效果:保障了控制芯片数据分析时的精准性,提高了控制芯片数据分析时的适应性。
优选的,所述锂电池两端不平衡的开路电压的测量环境条件为:激励信号为电流,频率范围2000~0.1Hz,有益效果:进一步保障了对锂电池的荷电状态预置数据的有效性。
与现有技术相比,本发明的有益效果是:
(1)、该关于人工智能预测锂离子电池荷电状态的方法,可以对不同电池运行时温度以及锂电池运行时电流的荷电状态进行估算,适用范围广,同时不需要建立特定的数学模型,不用考虑电池内部复杂的化学变化过程,提高了预测的可靠性和准确度,同时大大节约了时间成本,提高了检测效率,便于快速准确估算电池的健康状态,从而准确获取电池当前使用情况,同时在控制芯片在检测完之后实时传输至电动汽车的主控面板上,这样保障了用户及时了解锂电池的荷电状态,可以针对锂电池的荷电状态进行相对应的检修,进一步保障了锂电池的使用寿命。
(2)、该关于人工智能预测锂离子电池荷电状态的方法,通过将锂电池测试工作温度设置为0~40℃,这样使得该锂电池测试数据更加贴合电动汽车锂电池的实际运行情况下的荷电状态,保障了数据测试时的真实性,进一步保障了对锂电池的荷电状态预置数据的有效性。
(3)、该关于人工智能预测锂离子电池荷电状态的方法,控制芯片包括温度检测芯片、电流检测芯片以及数据存储芯片,用于实时存储接收到的电压数据、温度数据以及预设参数,这样进一步保障了控制芯片数据分析时的精准性,提高了控制芯片数据分析时的适应性。
附图说明
下面结合附图和实施例对本发明进一步地说明:
图1为本发明一种关于人工智能预测锂离子电池荷电状态的方法实施例一流程示意图;
图2为本发明一种关于人工智能预测锂离子电池荷电状态的方法实施例二流程示意图;
图3为本发明一种关于人工智能预测锂离子电池荷电状态的方法实施例三流程示意图。
具体实施方式
本部分将详细描述本发明的具体实施例,本发明之较佳实施例在附图中示出,附图的作用在于用图形补充说明书文字部分的描述,使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案,但其不能理解为对本发明保护范围的限制。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
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。
实施例一:
请参阅图1,本发明提供一种技术方案:一种关于人工智能预测锂离子电池荷电状态的方法,具体操作步骤如下:
S1、通过以恒定的电流使状态良好的锂电池处于不间断的放电状态,当放电到达截止电压时对所放电量进行计算得到锂电池的SOC值a;
S2、将S1步骤中得到的SOC值a作为参数预先存储至电动汽车内的控制芯片中;
S3、控制芯片根据S2步骤中预置参数SOC值a与S3步骤得到的SOC值A进行对比得到电动汽车荷电状态;
S4、控制芯片根据S2步骤中预置参数SOC值a与S3步骤得到的SOC值A进行对比得到电动汽车荷电状态;
S5、控制芯片将S4步骤得到的荷电状态发送至电动汽车的主控面板上,由主控面板显示;
进一步地控制芯片采用型号为MC-9S12配套的MC33771,通过采用高性能的控制芯片,这样提高了对预置参数对比时的速度,以及保障了控制芯片检测时的精准性;
本方案同时提供实施例二;
请参阅图2,实施例二是在实施例一的基础上做出相对应的改进,具体操作步骤如下:
S1、在不同外部环境温度下以恒定的电流使状态良好的锂电池处于不间断的放电状态,当放电到达截止电压时对所放电量进行计算,得出不同外部环境温度下锂电池的SOC值b;
S2、将S1步骤中得到的SOC值b作为参数预先存储至电动汽车内的控制芯片中;
S3、电动汽车启动过程中控制芯片检测到锂电池容量计算得出电动汽车锂电池的SOC值A,同时控制芯片检测电动汽车的外部温度;
S4、控制芯片根据S2步骤中预置参数SOC值b与S3步骤得到的SOC值A以及外部温度进行对比得到电动汽车荷电状态;
S5、控制芯片将S4步骤得到的荷电状态发送至电动汽车的主控面板上,由主控面板显示;
进一步地锂电池测试外部环境温度为:0℃、10℃、20℃、30℃以及40℃,根据常见的锂电池有效工作温度为0~40℃,使得该锂电池测试数据更加贴合电动汽车锂电池的实际运行情况下的荷电状态,保障了数据测试时的真实性,进一步保障了对锂电池的荷电状态预估的有效性;
本方案同时提供实施例三;
请参阅图3,实施例三是在实施例一与实施例二的基础上做出相对应的改进,具体操作步骤如下:
S1、在不同外部环境温度下以两端不平衡的开路电压使状态良好的锂电池处于不间断的放电状态,当放电到达截止电压时对所放电量进行计算,得出放电电流并不恒定下锂电池的SOC值c;
S2、将S1步骤中得到的SOC值c作为参数预先存储至电动汽车内的控制芯片中;
S3、电动汽车启动过程中控制芯片检测到锂电池容量计算得出电动汽车锂电池的SOC值A,同时检测锂电池启动的电流状态与电动汽车外部运行温度;
S4、控制芯片根据S2步骤中预置参数SOC值c与S3步骤得到的SOC值A、外部温度以及电流状态进行对比得到电动汽车荷电状态;
S5、控制芯片将S4步骤得到的荷电状态发送至电动汽车的主控面板上,由主控面板显示;
进一步地控制芯片包括温度检测芯片、电流检测芯片以及数据存储芯片,用于实时存储接收到的电压数据、温度数据以及预设参数,这样保障了控制芯片数据分析时的精准性,提高了控制芯片数据分析时的适应性;
进一步地锂电池两端不平衡的开路电压的测量环境条件为:激励信号为电流,频率范围2000~0.1Hz。
本发明提供的关于人工智能预测锂离子电池荷电状态的方法相对现有技术,具有以下有益效果:可以对不同电池运行时温度以及锂电池运行时电流的荷电状态进行估算,适用范围广,同时不需要建立特定的数学模型,不用考虑电池内部复杂的化学变化过程,该方案估算的精度高能够随时确定电池的荷电状态,提高了预测的可靠性和准确度,同时大大节约了时间成本,提高了检测效率,便于快速准确估算电池的健康状态,从而准确获取电池当前使用情况,同时在控制芯片在检测完之后实时传输至电动汽车的主控面板上,这样保障了用户及时了解锂电池的荷电状态,可以针对锂电池的荷电状态进行相对应的检修,进一步保障了锂电池的使用寿命。
上面结合附图对本发明实施例作了详细说明,但是本发明不限于上述实施例,在所述技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (5)
1.一种关于人工智能预测锂离子电池荷电状态的方法,其特征在于:所述具体操作步骤如下:S1-1、通过以恒定的电流使状态良好的锂电池处于不间断的放电状态,当放电到达截止电压时对所放电量进行计算得到锂电池的SOC值a;
S1-2、在不同外部环境温度下以恒定的电流使状态良好的锂电池处于不间断的放电状态,当放电到达截止电压时对所放电量进行计算,得出不同外部环境温度下锂电池的SOC值b;
S1-3、在不同外部环境温度下以两端不平衡的开路电压使状态良好的锂电池处于不间断的放电状态,当放电到达截止电压时对所放电量进行计算,得出放电电流并不恒定下锂电池的SOC值c;
S2、将S1-1步骤中得到的SOC值a、S1-2步骤中得到的SOC值b以及S1-3步骤中得到的SOC值c作为参数预先存储至电动汽车内的控制芯片中;
S3、电动汽车启动过程中控制芯片检测到锂电池容量计算得出电动汽车锂电池的SOC值A,同时检测锂电池启动的电流状态与电动汽车外部运行温度;
S4、控制芯片根据S2步骤中预置参数的SOC值a、SOC值b以及SOC值c与S3步骤得到的SOC值A、外部温度以及电流状态进行对比得到电动汽车荷电状态;
S5、控制芯片将S4步骤得到的荷电状态发送至电动汽车的主控面板上,由主控面板显示。
2.根据权利要求1所述的一种关于人工智能预测锂离子电池荷电状态的方法,其特征在于:所述控制芯片采用型号为MC-9S12配套的MC33771。
3.根据权利要求1所述的一种关于人工智能预测锂离子电池荷电状态的方法,其特征在于:所述所述锂电池测试外部环境温度为:0℃、10℃、20℃、30℃以及40℃。
4.根据权利要求1所述的一种关于人工智能预测锂离子电池荷电状态的方法,其特征在于:所述锂电池两端不平衡的开路电压的测量环境条件为:激励信号为电流,频率范围2000~0.1Hz。
5.根据权利要求1所述的一种关于人工智能预测锂离子电池荷电状态的方法,其特征在于:所述控制芯片包括温度检测芯片、电流检测芯片以及数据存储芯片,用于实时存储接收到的电压数据、温度数据以及预设参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110982756.0A CN113759263B (zh) | 2021-08-25 | 2021-08-25 | 一种关于人工智能预测锂离子电池荷电状态的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110982756.0A CN113759263B (zh) | 2021-08-25 | 2021-08-25 | 一种关于人工智能预测锂离子电池荷电状态的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113759263A true CN113759263A (zh) | 2021-12-07 |
CN113759263B CN113759263B (zh) | 2023-10-17 |
Family
ID=78791217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110982756.0A Active CN113759263B (zh) | 2021-08-25 | 2021-08-25 | 一种关于人工智能预测锂离子电池荷电状态的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113759263B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103529396A (zh) * | 2013-10-25 | 2014-01-22 | 重庆长安汽车股份有限公司 | 一种高精度锂离子电池荷电状态初始值估算方法 |
CN109596993A (zh) * | 2018-12-29 | 2019-04-09 | 中国电力科学研究院有限公司 | 锂离子电池荷电状态检测的方法 |
CN112946499A (zh) * | 2021-02-04 | 2021-06-11 | 芜湖楚睿智能科技有限公司 | 基于机器学习的锂电池健康状态及荷电状态联合估算方法 |
CN112989690A (zh) * | 2021-02-07 | 2021-06-18 | 南京航空航天大学 | 一种混合动力汽车锂电池多时间尺度荷电状态估计方法 |
CN113125960A (zh) * | 2019-12-31 | 2021-07-16 | 河北工业大学 | 一种基于随机森林模型的车载锂离子电池荷电状态预测方法 |
-
2021
- 2021-08-25 CN CN202110982756.0A patent/CN113759263B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103529396A (zh) * | 2013-10-25 | 2014-01-22 | 重庆长安汽车股份有限公司 | 一种高精度锂离子电池荷电状态初始值估算方法 |
CN109596993A (zh) * | 2018-12-29 | 2019-04-09 | 中国电力科学研究院有限公司 | 锂离子电池荷电状态检测的方法 |
CN113125960A (zh) * | 2019-12-31 | 2021-07-16 | 河北工业大学 | 一种基于随机森林模型的车载锂离子电池荷电状态预测方法 |
CN112946499A (zh) * | 2021-02-04 | 2021-06-11 | 芜湖楚睿智能科技有限公司 | 基于机器学习的锂电池健康状态及荷电状态联合估算方法 |
CN112989690A (zh) * | 2021-02-07 | 2021-06-18 | 南京航空航天大学 | 一种混合动力汽车锂电池多时间尺度荷电状态估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113759263B (zh) | 2023-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112838631B (zh) | 动力电池的充电动态管控装置和动力电池的充电诊断方法 | |
CN103399277B (zh) | 一种动力电池实际容量估算方法 | |
US8529125B2 (en) | Dynamic estimation of cell core temperature by simple external measurements | |
CN102636756B (zh) | 基于电压衰减的汽车电池soc估计 | |
JP5515524B2 (ja) | 二次電池の劣化状態判別システム、および二次電池の劣化状態判別方法 | |
CN106908741B (zh) | 混合动力汽车动力电池组soh估算方法和装置 | |
US20130069660A1 (en) | Method for in situ battery diagnostic by electrochemical impedance spectroscopy | |
CN109143101B (zh) | 一种汽车蓄电池状态监测警示系统及方法 | |
EP3594705B1 (en) | Method and device for estimating service capacity and state of health of minimum battery cell and battery system | |
CN111610456A (zh) | 一种区分电池微短路和小容量故障的诊断方法 | |
CN110376536B (zh) | 电池系统soh检测方法、装置、计算机设备和存储介质 | |
CN104101838A (zh) | 动力电池系统及其荷电状态、最大充放电功率估算方法 | |
CN111929602B (zh) | 一种基于容量估计的单体电池漏电或微短路定量诊断方法 | |
CN102455411A (zh) | 自适应的缓慢变化电流检测 | |
CN109411840A (zh) | 基于阻抗相位角的锂离子电池温度检测方法 | |
CN104237802A (zh) | 一种锂离子电池低温性能一致性的检测方法 | |
CN104950263A (zh) | 汽车动力电池soc的估算方法 | |
CN113109729B (zh) | 基于加速老化试验与实车工况的车用动力电池soh评估方法 | |
CN110058177B (zh) | 一种动力电池电量soc修正方法 | |
CN102331560A (zh) | 一种镍氢电池荷电态的估算方法 | |
US20230009288A1 (en) | Vehicle battery diagnosis method and system | |
CN110988728B (zh) | 一种锂电池包内部连接异常快速诊断方法 | |
CN103163466A (zh) | 一种锂电池的检测方法 | |
JP2018077170A (ja) | バッテリ評価方法およびバッテリ評価装置 | |
CN115754724A (zh) | 一种适用于未来不确定性动态工况放电的动力电池健康状态估计方法 |
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 |