CN113848480A - 锂电池分容工艺的放电总容量预测方法 - Google Patents

锂电池分容工艺的放电总容量预测方法 Download PDF

Info

Publication number
CN113848480A
CN113848480A CN202111111519.3A CN202111111519A CN113848480A CN 113848480 A CN113848480 A CN 113848480A CN 202111111519 A CN202111111519 A CN 202111111519A CN 113848480 A CN113848480 A CN 113848480A
Authority
CN
China
Prior art keywords
data
capacity
charging
total discharge
grading
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
CN202111111519.3A
Other languages
English (en)
Other versions
CN113848480B (zh
Inventor
王守模
欧志超
张�浩
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.)
Guangdong Hengyineng Technology Co ltd
Original Assignee
Guangdong Hengyi 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 Guangdong Hengyi Energy Technology Co ltd filed Critical Guangdong Hengyi Energy Technology Co ltd
Priority to CN202111111519.3A priority Critical patent/CN113848480B/zh
Publication of CN113848480A publication Critical patent/CN113848480A/zh
Application granted granted Critical
Publication of CN113848480B publication Critical patent/CN113848480B/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]
    • G01R31/367—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
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G06F18/24155—Bayesian classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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
    • G06F2119/12—Timing analysis or timing optimisation
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开一种锂电池分容工艺的放电总容量预测方法，包括以下步骤：获取大量电池的化成工艺与分容工艺的完整数据，并取出电池分容工艺数据的放电总容量作为预测目标值；根据截取的化成预充电数据和分容满充电数据的特性提取出足量的衍生特征；对提取到的衍生特征进行标准化转换，并通过递归法进行特征筛选，得到训练数据集；将训练数据集代入梯度提升树模型框架Light‑GBM进行模型训练，得到预测模型；将待预测数据进行同样的处理后，调用预测模型进行预测，输出分容放电总容量的预测值。本发明能突破传统方法的精度瓶颈，仅利用化成预充数据与分容充电数据即可准确地预测出分容的放电总容量，有效降低锂电池制造成本与提高生产效率。

Description

锂电池分容工艺的放电总容量预测方法
技术领域
本发明涉及锂电池生产技术领域，具体涉及一种锂电池分容工艺的放电总容量预测方法。
背景技术
锂电池在分容工艺中完整放电的总容量可视为电池的实际总容量，正常情况下需要经过完整充电、静置和完整放电三个阶段才能得出完整放电的总容量。而完整的充放电过程不仅需要消耗电力，还占用时间等资源。通过建立根据部分充电数据预测放电总容量的模型方法，在限制平均误差率与测试最大误差率的前提下，预测出足够近似放电实际总容量的预测总容量值，在目前锂电池的巨大产能的背景下，长此以往能节省十分可观的能耗、设备使用、时间等生产测试成本。
目前，已有的预测分容工艺放电总容量的实施方法大多为构建较为简单的线性相关模型，此类方法的特点是构建简单快速、易于理解，但在预测精度上十分有限，很难达到锂电池产商需要的精度，且稳定性不足。
发明内容
本发明针对现有技术存在之缺失，提供一种锂电池分容工艺的放电总容量预测方法，其能突破传统方法的精度瓶颈，可高精度的预测电池的放电总容量，减少分容工艺的时间与能耗。
为实现上述目的，本发明采用如下之技术方案：
一种锂电池分容工艺的放电总容量预测方法，包括以下步骤：
A、获取大量电池的化成工艺与分容工艺的完整数据，按照拟定的方案截取化成预充电数据和分容满充电数据的数据段落，并取出电池分容工艺数据的放电总容量作为预测目标值；
B、根据截取的化成预充电数据和分容满充电数据的特性提取出足量的衍生特征；由于电池托盘数据的原始特征主要为采样时间点、实时电流、实时电压、温度、容量等较少的简单特征，无法直接与最终容量构建高精度的模型关系，故需要基干原始特征提取足够的衍生特征如均值、峰度、一阶差值等，需要根据化成或分容工艺数据的原始特征如电流、电压等，以及根据各工步状态，设计特征提取方案，提取足量的衍生特征如估算SOC、平均温度、平均电压速率等；
C、由于各特征的量纲不同，且考虑到模型训练的速度及效果，对提取到的衍生特征进行标准化转换，以消除各衍生特征在量纲及数值类型上的差异，并通过递归法进行特征筛选，剔除与目标值相关性过小的衍生特征，得到训练数据集；
D、构建集成学习树模型Light-GBM的初始模型框架，将经过步骤C处理得到的训练数据集代入梯度提升树模型框架Light-GBM进行模型训练，并通过贝叶斯搜索方法搜索使模型预测效果达到最优的超参数，得到预测模型；
E、获取待预测电池的化成预充电数据和分容充电数据的数据段落，并对获取的待预测数据进行数据预处理，将待预测数据进行同样的特征提取、标准化转换、特征筛选后，调用步骤D中训练好的预测模型进行预测，输出分容放电总容量的预测值。
作为一种优选方案，在进行步骤B前，需要对截取的化成预充电数据和分容满充电数据的数据段落进行异常数据检测，并将异常数据文件剔除。
作为一种优选方案，步骤C中，在对衍生特征进行标准化转换时，将特征值约束在区间[-1，1]内。
作为一种优选方案，步骤A中，截取数据段落时，按照化成预充电和分容满充电的工艺步骤分阶段进行特征提取。
作为一种优选方案，化成预充电和分容满充电的工艺步骤包括化成恒流充电段、分容恒流充电段、分容恒压充电段。
作为一种优选方案，步骤B中，对时间序列数据进行特征提取时将将某时点的原始特征值与其对应的经过时间作除法，得到包含时间属性的比率型衍生特征。
本发明与现有技术相比具有如下优势：
本发明的电池分容工艺的放电总容量预测方法依据于自主设计的特征提取方法，能衍生出足量的与容量高度相关的特征，从而采用集成学习树模型Light-GBM框架构建十分稳定的模型关系，从而实现减少分容工艺的时间与耗能，仅利用化成预充数据与分容充电数据即可准确地预测出分容的放电总容量，预测结果平均误差率能达到千分之五以下，对降低锂电池制造成本与提高生产效率具有很大的积极意义；通过运用贝叶斯搜索方法能够实现自动调参的功能，其能根据设定的各参数的搜索范围即可自动搜索出最优的参数组合，从而得到更准确的预测模型。
为更清楚地阐述本发明的结构特征、技术手段及其所达到的具体目的和功能，下面结合附图与具体实施例来对本发明作进一步详细说明：
附图说明
图1是本发明之实施例的预测模型建模流程图；
图2是本发明之实施例的样本预测结果对比图；
图3是本发明之实施例样本预测结果的绝对误差百分率图。
具体实施方式
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”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，仅是为了便于描述发明和简化描述，而不是指示或暗示所指的位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，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”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，可以视具体情况理解上述术语在本发明中的具体含义。
如图1所示，本发明的一种锂电池分容工艺的放电总容量预测方法，包括以下步骤：
A、获取大量电池的化成工艺与分容工艺的完整数据，按照拟定的方案截取化成预充电数据和分容满充电数据的数据段落，并取出电池分容工艺数据的放电总容量作为预测目标值；截取数据段落时，按照化成预充电和分容满充电的工艺步骤分阶段进行特征提取，其中，化成预充电和分容满充电的工艺步骤包括化成恒流充电段、分容恒流充电段、分容恒压充电段；
B、根据截取的化成预充电数据和分容满充电数据的特性提取出足量的衍生特征；由于电池托盘数据的原始特征主要为采样时间点、实时电流、实时电压、温度、容量等较少的简单特征，无法直接与最终容量构建高精度的模型关系，故需要基干原始特征提取足够的衍生特征如均值、峰度、一阶差值等，需要根据化成或分容工艺数据的原始特征如电流、电压等，以及根据各工步状态，设计特征提取方案，提取足量的衍生特征如估算SOC、平均温度、平均电压速率等；
C、由于各特征的量纲不同，且考虑到模型训练的速度及效果，对提取到的衍生特征进行标准化转换，将特征值约束在区间[-1，1]内，以消除各衍生特征在量纲及数值类型上的差异，并通过递归法进行特征筛选，剔除与目标值相关性过小的衍生特征，得到训练数据集；
D、构建集成学习树模型Light-GBM的初始模型框架，将经过步骤C处理得到的训练数据集代入梯度提升树模型框架Light-GBM进行模型训练，并通过贝叶斯搜索方法搜索使模型预测效果达到最优的超参数，得到预测模型；
E、获取待预测电池的化成预充电数据和分容充电数据的数据段落，并对获取的待预测数据进行数据预处理，将待预测数据进行同样的特征提取、标准化转换、特征筛选后，调用步骤D中训练好的预测模型进行预测，输出分容放电总容量的预测值。
在进行步骤B前，需要对截取的化成预充电数据和分容满充电数据的数据段落进行异常数据检测，并将开压异常、工步丢失等异常数据文件剔除。对时间序列数据进行特征提取时，将将某时点的原始特征值与其对应的经过时间作除法，得到包含时间属性的比率型衍生特征，保留了时间属性对预测模型的影响，提高预测结果的准确性，以原始特征实时电压为例，在恒流充电工步的开始后的第5分钟的节点，电压下降速率为Vspeed＝(V5min-V0)/5min，其和V0中V5min分别为恒流充电开始节点和充电第5分钟的节点的实时电压，此处将两者作差后除以时间间隔得到电压平均下降速率。
本方法中嵌入目前较为流传和经典的一种SOC估算方法：开路电压法以提取一个SOC估计值特征。根据分容工艺充电开始前的开路电压值、温度等原始特征值，估算电池的SOC状态，将其作为特征加入到模型中学习，是一个十分有效的特征。值得一提的是，利用估算的电池起始SOC状态可与充电总容量计算出放电总容量，公式为：放电总容量＝充电总容量/(1-起始SOC)。经检验仅利用简单开路电压SOC估算法预测的放电总容量与实际放电总容量误差率很大，相比较之下本发明中的模型预测方法的精确度具有很高的优越性。
上文所提到的集成学习树模型Light-GBM框架，是目前最为高效、稳定及精确的机器学习模型之一，对于容量预测此类回归预测问题十分契合。Light-GBM模型框架具有以下的特点：
D1、Light-GBM是基于梯度提升算法与Boosting集成学习策略的模型，基于每一个训练的梯度提升树基模型的输出的残差，串联地迭代训练大量的树模型以减少损失函数，在基模型的不断迭代中Light-GBM的拟合程度将不断提升，直至设定的停止条件；
D2、梯度提升算法即梯度下降法，基本原理为通过求解损失函数L(θ)对每个参数变量的偏导数得到梯度
Figure BDA0003274108830000061
用步长α乘以损失函数的梯度并更新到原来参数
Figure BDA0003274108830000062
D3、采用泰勒公式对目标函数进行展开，可以将目标函数不断化简，泰勒公式是将一个在x＝x0处具有n阶导数的函数f(x)利用关于x-x0的n次多项式来逼近函数的方法，若函数f(x)在包含x0的某个闭区间[a，b]上具有n阶导数，且在开区间(a，b)上具有n+1阶导数，则对闭区间[a，b]上任意一点有
Figure BDA0003274108830000071
其中
Figure BDA0003274108830000072
Figure BDA0003274108830000073
称为函数在x0处的泰勒展开式，Rn(x)是泰勒公式的余项且是(x-x0)n的高阶无穷小。经过泰勒公式化简后的目标函数
Figure BDA0003274108830000074
其中Gj和Hj分别为每个节点的一阶导数和二阶导数，T为叶子总个数，γ和λ分别为叶子节点权重，和所有节点权重的调整系数，所以在求解目标函数的过程中，只需要计算相应节点的一阶导数和二阶导数，从而提高了树模型的构建效率；
D4、直方图算法：把连续的浮点特征离散化为k个整数(也就是分桶bins的思想)，比如[0，0.1)-＞0，[0.1，0.3)-＞1。并根据特征所在的bin对其进行梯度累加和个数统计，在遍历数据的时候，根据离散化后的值作为索引在直方图中累积统计量，当遍历一次数据后，直方图累积了需要的统计量，然后根据直方图的离散值，遍历寻找最优的分割点；
D5、单边梯度抽样法：保留了梯度大的样本，并对梯度小的样本进行随机抽样，为了不改变样本的数据分布，在计算增益时为梯度小的样本引入一个常数进行平衡；
D6、互斥特征捆绑法：是从减少特征的角度去提高Light-GBM的效率，它指出如果将一些特征进行融合绑定，则可以降低特征数量；
D7、作为一种决策树类型的模型，Light-GBM的生长策略是Leaf-wise，是一种更为高效的策略，每次从当前所有叶子中，找到分裂增益最大的一个叶子，然后分裂，如此循环。因此同Level-wise相比，在分裂次数相同的情况下，Leaf-wise可以降低更多的误差，得到更好的精度。
如图2和图3所示，在某个厂商的磷酸铁锂电池数据上进行实验，依据化成预充电加分容满充电的数据方案，本容量预测方法对188个测试电池数据进行放电总容量预测，188个测试数据的预测容量分布曲线与实际容量分布曲线高度吻合，预测容量与实际容量的平均绝对误差百分率为0.08％，最大绝对误差百分率为0.29％，远低于0.5％的设定误差率标准。验证了本发明中容量预测方法的有效性与稳定性。以下随机抽取其中的六个实验样本用于展示建模特征、预测结果，须注意，为方便理解，表格中的建模特征的数值为标准化前，实际建模中则是采用标准化后的特征数值，具体如下表1所示：
表1
Figure BDA0003274108830000081
上述表1列举了样本提取得到的少部分建模特征以供参考，从预测结果的误差绝对值百分率来看，本方法可以将预测精度提高到一个令人较为满意的水平。
需要声明，本方法的适用范围不局限于磷酸铁锂电池，上文的示例仅用作说明，本发明中的容量预测方法的适用范围包括其他锂离子电池。
以上所述，仅是本发明的较佳实施例而已，并不用以限制本发明，故凡是依据本发明的技术实际对以上实施例所作的任何修改、等同替换、改进等，均仍属于本发明技术方案的范围内。

Claims (6)

1.一种锂电池分容工艺的放电总容量预测方法，其特征在于，包括以下步骤：
A、获取大量电池的化成工艺与分容工艺的完整数据，按照拟定的方案截取化成预充电数据和分容满充电数据的数据段落，并取出电池分容工艺数据的放电总容量作为预测目标值；
B、根据截取的化成预充电数据和分容满充电数据的特性提取出足量的衍生特征；
C、对提取到的衍生特征进行标准化转换，以消除各衍生特征在量纲及数值类型上的差异，并通过递归法进行特征筛选，剔除与目标值相关性过小的衍生特征，得到训练数据集；
D、构建集成学习树模型Light-GBM的初始模型框架，将经过步骤C处理得到的训练数据集代入梯度提升树模型框架Light-GBM进行模型训练，并通过贝叶斯搜索方法搜索使模型预测效果达到最优的超参数，得到预测模型；
E、获取待预测电池的化成预充电数据和分容充电数据的数据段落，并对获取的待预测数据进行数据预处理，将待预测数据进行同样的特征提取、标准化转换、特征筛选后，调用步骤D中训练好的预测模型进行预测，输出分容放电总容量的预测值。
2.根据权利要求1所述的锂电池分容工艺的放电总容量预测方法，其特征在于，在进行步骤B前，需要对截取的化成预充电数据和分容满充电数据的数据段落进行异常数据检测，并将异常数据文件剔除。
3.根据权利要求1所述的锂电池分容工艺的放电总容量预测方法，其特征在于，步骤C中，在对衍生特征进行标准化转换时，将特征值约束在区间[-1，1]内。
4.根据权利要求1所述的锂电池分容工艺的放电总容量预测方法，其特征在于，步骤A中，截取数据段落时，按照化成预充电和分容满充电的工艺步骤分阶段进行特征提取。
5.根据权利要求4所述的锂电池分容工艺的放电总容量预测方法，其特征在于，化成预充电和分容满充电的工艺步骤包括化成恒流充电段、分容恒流充电段、分容恒压充电段。
6.根据权利要求1所述的锂电池分容工艺的放电总容量预测方法，其特征在于，步骤B中，对时间序列数据进行特征提取时将将某时点的原始特征值与其对应的经过时间作除法，得到包含时间属性的比率型衍生特征。
CN202111111519.3A 2021-09-23 2021-09-23 锂电池分容工艺的放电总容量预测方法 Active CN113848480B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111111519.3A CN113848480B (zh) 2021-09-23 2021-09-23 锂电池分容工艺的放电总容量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111111519.3A CN113848480B (zh) 2021-09-23 2021-09-23 锂电池分容工艺的放电总容量预测方法

Publications (2)

Publication Number Publication Date
CN113848480A true CN113848480A (zh) 2021-12-28
CN113848480B CN113848480B (zh) 2022-08-23

Family

ID=78979071

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111111519.3A Active CN113848480B (zh) 2021-09-23 2021-09-23 锂电池分容工艺的放电总容量预测方法

Country Status (1)

Country Link
CN (1) CN113848480B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114460474A (zh) * 2022-01-25 2022-05-10 电子科技大学 电池分容方法及其装置、电子设备
CN115656834A (zh) * 2022-11-02 2023-01-31 武汉动力电池再生技术有限公司 一种电池容量预测方法、装置及电子设备
CN116522153A (zh) * 2023-07-05 2023-08-01 深圳海辰储能控制技术有限公司 锂电池容量预测方法、装置、计算机设备和存储介质
CN116609681A (zh) * 2023-04-28 2023-08-18 广东恒翼能科技股份有限公司 化成分容测试入库方法及化成分容测试微网节能控制系统
CN116680992A (zh) * 2023-07-28 2023-09-01 宁德时代新能源科技股份有限公司 建立电芯容量预测模型的方法、装置、计算机设备及介质
CN116794533A (zh) * 2023-08-21 2023-09-22 深圳海辰储能控制技术有限公司 一种电芯容量分档方法和相关产品
CN117706376A (zh) * 2024-02-04 2024-03-15 深圳海辰储能科技有限公司 电池容量预测方法、装置、电子设备及存储介质

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108896914A (zh) * 2018-05-11 2018-11-27 浙江工业大学 一种锂电池健康状况的梯度提升树建模与预测方法
US20190113577A1 (en) * 2017-10-17 2019-04-18 The Board Of Trustees Of The Leland Stanford Junior University Data-driven Model for Lithium-ion Battery Capacity Fade and Lifetime Prediction
CN109738824A (zh) * 2018-12-29 2019-05-10 东莞市金源电池科技有限公司 一种锂离子电池的化成测容方法
CN110187225A (zh) * 2019-06-17 2019-08-30 广东恒翼能科技有限公司 一种锂电池内短路电压电流异常检测方法及系统
JP2019160256A (ja) * 2018-03-16 2019-09-19 株式会社リコー 学習識別装置および学習識別方法
CN110676519A (zh) * 2018-07-03 2020-01-10 施耐德电气It公司 先进的智能电池分析和诊断系统及其方法
CN110687452A (zh) * 2019-09-05 2020-01-14 南京理工大学 基于K均值聚类与Elman神经网络的锂电池容量在线预测方法
CN111898325A (zh) * 2020-08-14 2020-11-06 天津大学 一种电动汽车动力电池剩余使用寿命预测方法
CN111999649A (zh) * 2020-08-20 2020-11-27 浙江工业大学 一种基于XGBoost算法的锂电池剩余寿命预测方法
EP3748380A1 (en) * 2019-06-05 2020-12-09 Samsung SDI Co., Ltd. Battery capacity prediction system using charge and discharge cycles of a battery to predict capacity variations, and associated method
CN112798961A (zh) * 2021-02-27 2021-05-14 天津大学 一种电动汽车动力电池剩余使用寿命预测方法
CN113049974A (zh) * 2021-02-02 2021-06-29 欣旺达电动汽车电池有限公司 电池容量预测方法、装置、设备及存储介质
WO2021138925A1 (zh) * 2020-01-08 2021-07-15 重庆邮电大学 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法
CN113311337A (zh) * 2021-05-21 2021-08-27 电子科技大学 基于相关向量回归的锂离子电池剩余寿命检测方法
CN214203784U (zh) * 2020-12-04 2021-09-14 湖南立方新能源科技有限责任公司 一种锂电池化成分容一体化设备

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190113577A1 (en) * 2017-10-17 2019-04-18 The Board Of Trustees Of The Leland Stanford Junior University Data-driven Model for Lithium-ion Battery Capacity Fade and Lifetime Prediction
JP2019160256A (ja) * 2018-03-16 2019-09-19 株式会社リコー 学習識別装置および学習識別方法
CN108896914A (zh) * 2018-05-11 2018-11-27 浙江工业大学 一种锂电池健康状况的梯度提升树建模与预测方法
CN110676519A (zh) * 2018-07-03 2020-01-10 施耐德电气It公司 先进的智能电池分析和诊断系统及其方法
CN109738824A (zh) * 2018-12-29 2019-05-10 东莞市金源电池科技有限公司 一种锂离子电池的化成测容方法
EP3748380A1 (en) * 2019-06-05 2020-12-09 Samsung SDI Co., Ltd. Battery capacity prediction system using charge and discharge cycles of a battery to predict capacity variations, and associated method
KR20200140093A (ko) * 2019-06-05 2020-12-15 삼성에스디아이 주식회사 배터리의 충방전 사이클에 따른 용량 변화 예측방법 및 예측시스템
CN110187225A (zh) * 2019-06-17 2019-08-30 广东恒翼能科技有限公司 一种锂电池内短路电压电流异常检测方法及系统
CN110687452A (zh) * 2019-09-05 2020-01-14 南京理工大学 基于K均值聚类与Elman神经网络的锂电池容量在线预测方法
WO2021138925A1 (zh) * 2020-01-08 2021-07-15 重庆邮电大学 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法
CN111898325A (zh) * 2020-08-14 2020-11-06 天津大学 一种电动汽车动力电池剩余使用寿命预测方法
CN111999649A (zh) * 2020-08-20 2020-11-27 浙江工业大学 一种基于XGBoost算法的锂电池剩余寿命预测方法
CN214203784U (zh) * 2020-12-04 2021-09-14 湖南立方新能源科技有限责任公司 一种锂电池化成分容一体化设备
CN113049974A (zh) * 2021-02-02 2021-06-29 欣旺达电动汽车电池有限公司 电池容量预测方法、装置、设备及存储介质
CN112798961A (zh) * 2021-02-27 2021-05-14 天津大学 一种电动汽车动力电池剩余使用寿命预测方法
CN113311337A (zh) * 2021-05-21 2021-08-27 电子科技大学 基于相关向量回归的锂离子电池剩余寿命检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘伟霞 等: "基于混合模型及LSTM的锂电池SOH与剩余寿命预测", 《储能科学与技术》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114460474A (zh) * 2022-01-25 2022-05-10 电子科技大学 电池分容方法及其装置、电子设备
CN115656834A (zh) * 2022-11-02 2023-01-31 武汉动力电池再生技术有限公司 一种电池容量预测方法、装置及电子设备
WO2024093005A1 (zh) * 2022-11-02 2024-05-10 武汉动力电池再生技术有限公司 一种电池容量预测方法、装置及电子设备
CN116609681A (zh) * 2023-04-28 2023-08-18 广东恒翼能科技股份有限公司 化成分容测试入库方法及化成分容测试微网节能控制系统
CN116609681B (zh) * 2023-04-28 2023-12-26 广东恒翼能科技股份有限公司 化成分容测试入库方法及化成分容测试微网节能控制系统
CN116522153B (zh) * 2023-07-05 2023-12-26 深圳海辰储能控制技术有限公司 锂电池容量预测方法、装置、计算机设备和存储介质
CN116522153A (zh) * 2023-07-05 2023-08-01 深圳海辰储能控制技术有限公司 锂电池容量预测方法、装置、计算机设备和存储介质
CN116680992A (zh) * 2023-07-28 2023-09-01 宁德时代新能源科技股份有限公司 建立电芯容量预测模型的方法、装置、计算机设备及介质
CN116680992B (zh) * 2023-07-28 2023-12-29 宁德时代新能源科技股份有限公司 建立电芯容量预测模型的方法、装置、计算机设备及介质
CN116794533A (zh) * 2023-08-21 2023-09-22 深圳海辰储能控制技术有限公司 一种电芯容量分档方法和相关产品
CN116794533B (zh) * 2023-08-21 2023-12-29 深圳海辰储能科技有限公司 一种电芯容量分档方法和相关产品
CN117706376A (zh) * 2024-02-04 2024-03-15 深圳海辰储能科技有限公司 电池容量预测方法、装置、电子设备及存储介质
CN117706376B (zh) * 2024-02-04 2024-05-24 深圳海辰储能科技有限公司 电池容量预测方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN113848480B (zh) 2022-08-23

Similar Documents

Publication Publication Date Title
CN113848480B (zh) 锂电池分容工艺的放电总容量预测方法
CN110752410B (zh) 一种快速分选和重组退役锂电池的方法
CN112034356B (zh) 基于gp-ukf的电动汽车动力电池在线soh估算方法
CN110031770B (zh) 一种快速得到电池包中所有单体电池容量的方法
CN112485689B (zh) 一种基于Xgboost模型预测储能系统中锂电池剩余循环寿命的方法
CN111142036B (zh) 基于容量增量分析的锂离子电池在线快速容量估计方法
CN110161425B (zh) 一种基于锂电池退化阶段划分的剩余使用寿命的预测方法
CN108896914A (zh) 一种锂电池健康状况的梯度提升树建模与预测方法
CN110703101B (zh) 一种锂离子电池分区间循环容量衰退预测方法
CN105954682B (zh) 蓄电池荷电状态在线估计检测方法及系统
CN115166563B (zh) 一种动力电池老化状态评估与退役筛选方法及系统
CN108846227B (zh) 一种基于随机森林及容量自恢复效应分析的锂离子电池容量退化预测评估方法
CN113887601A (zh) 一种基于聚类分选的退役动力电池重组方法
CN111208438B (zh) 基于神经网络与无迹卡尔曼滤波器的锂电子电池剩余电量与传感器偏差协同估计的方法
CN114137417B (zh) 一种基于充电数据特征的电池内短路检测方法
CN114545274A (zh) 一种锂电池剩余寿命预测方法
CN111999650A (zh) 一种基于支持向量回归算法的锂电池剩余寿命预测方法
CN114280479A (zh) 一种基于电化学阻抗谱的退役电池快速分选方法
CN112701757A (zh) 电池组在线均衡方法及系统
CN115308610A (zh) 一种锂电池分容容量预测方法及系统
CN115327415A (zh) 基于限定记忆递推最小二乘算法的锂电池soc估算方法
CN111639442A (zh) 一种动力锂电池剩余使用寿命的影响因素筛选方法及系统
CN114545275A (zh) 一种锂离子电池剩余使用寿命间接预测方法
CN117192417A (zh) 一种基于XGBoost的锂离子电池健康状态预测方法
CN115331745A (zh) 基于历史数据校验的改进单粒子电化学模型建模方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Zhang Hao

Inventor after: Xie Di

Inventor after: Wang Shoumo

Inventor after: Ou Zhichao

Inventor before: Wang Shoumo

Inventor before: Ou Zhichao

Inventor before: Zhang Hao

SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: 523000 Room 403, building 2, No. 15, Gongye West Road, Songshanhu Park, Dongguan City, Guangdong Province

Patentee after: Guangdong Hengyineng Technology Co.,Ltd.

Address before: 523000 Room 403, building 2, No. 15, Gongye West Road, Songshanhu Park, Dongguan City, Guangdong Province

Patentee before: Guangdong Hengyi Energy Technology Co.,Ltd.