CN113866644A - 一种电池可使用时长和容量预测方法与装置 - Google Patents
一种电池可使用时长和容量预测方法与装置 Download PDFInfo
- Publication number
- CN113866644A CN113866644A CN202111165917.3A CN202111165917A CN113866644A CN 113866644 A CN113866644 A CN 113866644A CN 202111165917 A CN202111165917 A CN 202111165917A CN 113866644 A CN113866644 A CN 113866644A
- Authority
- CN
- China
- Prior art keywords
- time
- battery
- voltage
- capacity
- tested
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000010606 normalization Methods 0.000 claims abstract description 56
- 238000012360 testing method Methods 0.000 claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 238000010586 diagram Methods 0.000 claims abstract description 13
- 101100324465 Caenorhabditis elegans arr-1 gene Proteins 0.000 claims description 10
- 238000002939 conjugate gradient method Methods 0.000 claims description 8
- 239000002253 acid Substances 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims description 4
- BNOODXBBXFZASF-UHFFFAOYSA-N [Na].[S] Chemical compound [Na].[S] BNOODXBBXFZASF-UHFFFAOYSA-N 0.000 claims description 4
- OJIJEKBXJYRIBZ-UHFFFAOYSA-N cadmium nickel Chemical compound [Ni].[Cd] OJIJEKBXJYRIBZ-UHFFFAOYSA-N 0.000 claims description 4
- 238000011478 gradient descent method Methods 0.000 claims description 4
- 229910001416 lithium ion Inorganic materials 0.000 claims description 4
- QELJHCBNGDEXLD-UHFFFAOYSA-N nickel zinc Chemical compound [Ni].[Zn] QELJHCBNGDEXLD-UHFFFAOYSA-N 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 229910052739 hydrogen Inorganic materials 0.000 claims description 3
- 239000001257 hydrogen Substances 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 2
- 208000028659 discharge Diseases 0.000 description 63
- 230000008569 process Effects 0.000 description 9
- 238000007600 charging Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010280 constant potential charging Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 229910052987 metal hydride Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本发明涉及一种电池可使用时长和容量的检测方法与装置,包括如下检测步骤:S1,对N个与待测电池同类型的样本电池进行恒流放电测试,获得N组电压时序数据urr1、urr2...urrN;S2,构造针对每组电压时序数据的各自独立适用的时间归一化公式;S3,根据所述时间归一化公式对N组电压时序数据分别进行时间归一化,根据时间归一化后的N组电压时序数据绘制点集图,得到一条收敛轨迹;S4,对所述收敛轨迹进行数据拟合得到时间归一化标准曲线L,所述时间归一化标准曲线L的电压取值范围记为[UA,UB];S5,对待测电池进行恒流放电,获得待测电池的相关参数;S6,预测待测电池可使用时长;S7,求待测电池的容量。
Description
技术领域
本发明涉及电池容量检测技术领域,具体涉及一种电池可使用时长和容量预测方法与装置。
背景技术
现有的蓄电池组进行容量核对性充放电试验时,采用C10(10小时放电率,蓄电池容量为200Ah,C10=200/10=20A)恒流放电,当放出容量超过额定容量80%(如例行检修)、或100%(如新安装蓄电池组)时,若每节蓄电池电压仍大于1.8V(额定电压为2V的蓄电池),说明蓄电池组容量合格。测试合格后,静置1~2h,再用C10电流依次进行恒流限压充电、恒压充电以及浮充电,充电完成后方可投入运行。该核对性试验方法主要存在以下几点缺陷:
(1)消耗大量的时间、人力和财力资源
目前理论上蓄电池组放电试验需恒流放电8(如已投运的蓄电池组)小时或10小时(如新安装的蓄电池组),放电完成后,充电耗时约15小时,加上充放电前期的准备工作及变电站往返路程耗时,完成一组蓄电池组核对性充放电试验需要3天时间。如果蓄电池全核对性充放电试验外委开展,按单个变电站耗时3天计算,项目维护费用成本高。另外,试验过程中的不可控因素也增加了资源成本。一方面在蓄电池组放电试验过程中,当出现不合格蓄电池,放电检测仪则发出报警,并停止放电,此时需要试验人员手动剔除不合格蓄电池,重新进行信号线拆除和安装,再从放电检测仪上删除该蓄电池,方可重新开始放电步骤,当不合格蓄电池较多时,将大大增加试验时长;另一方面蓄电池放电试验使用的信号采集器线夹小,咬合力小,试验过程中由于人员操作、设备振动等原因,十分容易松脱,而一旦脱落,则需重新连接信号线,重新开始试验,导致试验人员需要全程严密观察处理。
(2)备用蓄电池组带来安全隐患
大部分情况下,进行蓄电池组核对性放电试验时需将待测蓄电池组退出直流系统,同时接入一组备用蓄电池组到直流系统中。而备用蓄电池组需要检修人员自行携带,由于蓄电池型号复杂多样,备用蓄电池组难于与变电站直流系统完全匹配,且来回运输过程中蓄电池组存在损坏的可能性。长时间使用备用蓄电池组作为变电站直流系统备用电源,当变电站附近发生严重短路故障时,备用蓄电池组可能由于自身问题无法正常供电。这将导致站内交流系统电压下降严重,依靠交流电源工作的直流充电机可能会因此而停止工作,使站内保护装置无法动作切除故障,只能依靠上一级保护动作来切除故障,延长了处理故障的时间。
《现代工业经济和信息化》总第151期2017年第19期的一篇论文《铅酸电池剩余放电时间预测模型研究》中提到了时间、电压归一化的数据处理方案,只是一种常见的数据预处理方案,即将数据归一化,压缩到0至1的范围。该处理方案的缺点是,当各放电曲线的起始电压和终止电压差距大时,归一化后的曲线不会重合。
发明内容
本发明的目的在于提供一种电池可使用时长和容量预测方法与装置,其可不受电池类型与批次的限制,并同时提升预测模型的可应用范围。
为实现上述目的,本发明通过如下技术方案实现:
一种电池可使用时长和容量检测方法,包括如下检测步骤:
S1,对N个与待测电池同类型的样本电池进行恒流放电测试,获得N组电压时序数据urr1、urr2...urrN;
S2,构造针对每组电压时序数据的各自独立适用的时间归一化公式;
S3,根据所述时间归一化公式对N组电压时序数据分别进行时间归一化,根据时间归一化后的N组电压时序数据绘制点集图,得到一条收敛轨迹;
S4,对所述收敛轨迹进行数据拟合得到时间归一化标准曲线L,所述时间归一化标准曲线L的电压取值范围记为[UA,UB];
S5,对待测电池进行恒流放电,获得待测电池的相关参数;
S6,根据时间归一化标准曲线L以及待测电池的相关参数,预测待测电池可使用时长;
S7,根据待测电池的可使用时长求得待测电池的容量。
进一步地,所述N组电压时序数据urr1、urr2...urrN为N个样本电池在电压平稳下降期内的电压时序数据。
进一步地,每组所述电压时序数据由每个样本电池在恒流放电测试中测得的一系列ut数据构成,所述N的取值为大于零的整数。
进一步地,所述S2还包括如下步骤:
根据获得N组电压时序数据urr1、urr2...urrN绘制点集图,将N组电压时序数据urr1、urr2...urrN分别投影至电压轴,得到N个电压轴上的投影区间,将所述N个电压轴上的投影区间在电压轴上的最大重合区间记作[U1,U2],其中U1<U2,在区间[U1,U2]中任取两点u1和u2,所述u1和u2满足U1≤u1<u2≤U2,过点u1和u2分别做时间轴的平行线s1和s2,则每组电压时序数据中的t数据在平行线s1和s2之间具有最大t值tmx以及最小t值tmn;根据每组电压时序数据urr1、urr2...urrN各自独立适用的tmx和tmn,构造针对每组电压时序数据的各自独立适用的时间归一化公式,所述时间归一化公式为:
其中,tg为时间归一化后的T轴时间取值,t为每组电压时序数据的所有时间取值。
进一步地,所述S2还包括如下步骤:
利用所述N组电压时序数据urr1、urr2...urrN绘制出由N条样本电池折线构成的折线图,则所述平行线s1和s2会与各条样本电池折线分别相交于2个点,其中,与直线s1交点坐标中的t值记为tmx,与直线s2交点坐标中的t值记为tmn。
进一步地,所述S3获得的收敛轨迹具有如下特点:所述平行线s1和s2内所限定的电压时序数据归一化到区间[0,1]内,所述平行线s1和s2外的电压时序数据归一化到区间[0,1]外。
进一步地,所述S4中采用的数据拟合方法为机器学习回归算法、感知机、多层感知机(俗称:神经网络)、最小二乘法、线性拟合、多项式拟合、指数拟合以及高斯拟合中的任意一种或几种。
进一步地,所述S5还包括如下步骤:对所述待测电池进行恒流放电测试,恒流放电总时长为t3,取一时刻t1所对应的电压UC为起始电压,所述t1至t3时段为待测电池的电压平稳下降期内的时段,所述UC满足UA<UC<UB,记录t1至t3时段内的电压时序数据,记为arr,记录所述待测电池的恒流放电电流i。
进一步地,取t2∈(t1,t3],记t1到t2的时间范围内的时间电压序列数据为brr。
进一步地,所述待测电池在电压平稳下降期内获得的电压时序数据需要进行数据预处理,所述数据预处理的方法为指数平滑、卡尔曼滤波以及移动平均中的任意一种或几种。
进一步地,所述S6还包括如下步骤:
所述可使用时长包括最优时长st,所述最优时长st为待测电池电压由所述UC至所述UD的放电时长;在归一化曲线方程L中截取电压由UC到UD曲线段,记作L1,将L1的时间轴缩放平移到[0,1],缩放平移后的曲线记作L2,通过曲线L2的方程可预测最优时长st。
进一步地,所述S6还包括如下步骤:
设对时间轴缩放平移后的曲线L2的方程如下:
t=startx+x×(endx-startx)
其中,startx,endx为截取的曲线段L1时间轴的边界值,x为新方程的自变量,x∈[0,1]。
使用st构造针对arr的时间归一化公式,所述归一化公式为:
其中,t是arr的时间的实测值,t1是待测电池放电达到所述电压UC的时间,tg1是时间归一化后的值;
归一化后的数据记作arr1,将arr1的时间代入曲线方程L2中,得到电压值序列,记作urr,若能使urr与arr1相应的时间对应的电压的误差最小,则st就是最优时长,也就是待测电池由UC降至UD的放电时长的预测值,可使用最优化方法求解st。
进一步地,所述最优化方法为梯度下降法、牛顿法、拟牛顿法、共轭梯度法、拉格朗日乘数法、共轭梯度法或者网格搜索法中的任意一种或几种。
进一步地,所述可使用时长还包括总可用时长qt以及剩余可用时长rt,所述总可用时长qt为待测电池电压从恒流放电开始降至UD的放电时长,所述剩余可用时长rt为待测电池恒流测试结束后预测该待测电池降至UD的可用放电时长,所述qt=st+t1,所述rt=st-(t3-t1)。
进一步地,所述待测电池的容量包括从UC放电至UD所消耗容量sc、总可用容量qc以及剩余可用容量rc,所述总可用容量qc为待测电池电压从恒流放电开始至所述UD的可放出的总容量,所述剩余可用容量rc为待测电池恒流测试结束后预测该待测电池降至UD可放出的容量,所述sc=i×st,所述qc=i×qt=i×(st+t1),所述rc=i×rt=i×[st-(t3-t1)]。
进一步地,所述电池可以是铅酸电池、镍氢电池、锂离子电池、镍镉电池、钠硫电池、镍锌电池中的任意一种或几种。
进一步地,所述UA为所述收敛轨迹的所有电压时序数据中的最小电压值,所述UB为所述收敛轨迹的所有电压时序数据中的最大电压值。
一种电池可使用时长和容量检测装置,包括:模型建立模块(1)、待测电池检测模块(2)和待测电池可使用时长和容量预测模块(3);
所述模型建立模块(1),用于收集样本电池在恒流放电条件下相关参数,并根据所述电池可使用时长和容量检测方法中的步骤S1-S4得到时间归一化标准曲线L以及所述时间归一化标准曲线L的电压取值范围[UA,UB];
所述待测电池检测模块(2),用于根据所述电池可使用时长和容量检测方法中的步骤S5收集记录待测电池在恒流放电条件下相关的时间电压参数;
所述待测电池可使用时长和容量预测模块(3),用于根据所述电池可使用时长和容量检测方法中的步骤S6-S7获得待测电池的可使用时长和容量。
一种存储介质,所述存储介质存储有程序,在所述程序被处理器运行时使得所述处理器执行权利要求1至16中任意一项所述的电池可使用时长和容量预测方法。
本发明具有如下有益效果:
1、本发明容量预测方法通用性强,准确度高,耗时极短,解决了现有的电池容量测试技术无法同时兼顾通用性、准确性与快速性的技术问题。
2、本发明适用于不同容量的电池和不同的恒流放电电流的场景。
3、本发明提出了一种时间归一化公式。该公式是对共有电压区间条件的扩展,利用该公式可以使用在共有电压区间外的数据,扩大最终得到归一化曲线的电压范围,即,利用该公式可以更容易的获得电压范围大的时间归一化曲线。
4、本发明具有很好的适应性;其一,待测电池的放电开始阶段的电压可能会比归一化曲线的最大电压大,但是随着放电的进行,待测电池终将进入电压平稳下降区间,电压终将降低,只要电压落到归一化曲线的电压区间,就可以预测该待测电池接下来的放电情况;其二,本技术可应用包括但不限于铅酸电池、镍氢电池、锂离子电池、镍镉电池、钠硫电池、镍锌电池等等类型电池的可使用时长和容量预测。
附图说明
附图1是本发明的电池容量和可使用时间预测方法的流程图;
附图2是本发明步骤S2中的点集示意图;
附图3是本发明步骤S2中的折线示意图;
附图4是本发明步骤S3的收敛轨迹示意图;
附图5是本发明步骤S4经过数据拟合得到的时间归一化标准曲线L示意图;
附图6是本发明待测电池预测过程以及效果验证示意图;
附图7是本发明步骤S6中的曲线L2的示意图;
附图8是本发明电池容量和可使用时间预测装置的结构示意图。
图中附图标记表示为:
1、模型建立模块;2、待测电池检测模块;3、待测电池可使用时长和容量预测模块。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
根据本发明实施例,提供了电池可使用时长和容量预测方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的电池可使用时长和容量预测方法的流程图,如图1所示,该方法包括两个阶段,第一个阶段为时间归一化曲线模型建立阶段,一般在实验室中进行;第二个阶段为待测电池容量预测阶段,一般在待测电池预测现场中进行。
所述第一个阶段包括以下步骤:
S1,对N个与待测电池同类型的样本电池进行恒流放电测试,获得N组电压时序数据urr1、urr2...urrN。
具体地,基于电池放电原理可知,在恒流放电过程中,电池会先经历电压剧烈变化期再进入电压平稳下降期,因此,在步骤S1中,需要剔除每个样本电池在放电初期中的电压剧烈变化期的数据,因此,所述N组电压时序数据urr1、urr2...urrN即为N个样本电池在电压平稳下降期内的电压时序数据。
进一步地,每组电压时序数据由每个样本电池在恒流放电中测得的一系列ut(即电压时间,简称ut)数据构成。
进一步地,所述N的取值为大于零的整数。
S2,构造针对每组电压时序数据的各自独立适用的时间归一化公式。
具体地,如图2所示,根据获得N组电压时序数据urr1、urr2...urrN绘制点集图,将N组电压时序数据urr1、urr2...urrN分别投影至电压轴,得到N个电压轴上的投影区间,将所述N个电压轴上的投影区间在电压轴上的最大重合区间记作[U1,U2],其中U1<U2,在区间[U1,U2]中任取两点u1和u2,所述u1和u2满足U1≤u1<u2≤U2,过点u1和u2分别做时间轴的平行线s1和s2,则每组电压时序数据中的t数据在平行线s1和s2之间具有最大t值tmx以及最小t值tmn;
所述最大t值tmx以及最小t值tmn可利用如下方法获得,如图3所示,利用所述N组电压时序数据urr1、urr2...urrN绘制出由N条样本电池折线构成的折线图,则所述平行线s1和s2会与各条样本电池折线分别相交于2个点,其中,与直线s1交点坐标中的t值记为tmx,与直线s2交点坐标中的t值记为tmn,因此,每组电压时序数据urr1、urr2...urrN都有各自独立适用的tmx和tmn。图3中还演示了N条样本电池折线中2个样本电池折线对应的tmx和tmn如何进行取值,其中,tmx1和tmn1为接近最下方的样本电池折线所对应的电压时序数据的最大t值与最小t值,tmx2和tmn2为接近最上方的样本电池折线所对应的电压时序数据的最大t值与最小t值。
根据每组电压时序数据urr1、urr2...urrN各自独立适用的tmx和tmn,构造针对每组电压时序数据的各自独立适用的时间归一化公式,所述时间归一化公式为:
其中,tg为时间归一化后的T轴时间取值,t为每组电压时序数据的所有时间取值;
S3,根据所述时间归一化公式对N组电压时序数据分别进行时间归一化,根据时间归一化后的N组电压时序数据绘制点集图,得到一条收敛轨迹。
时间归一化后的N组电压时序数据绘制的点集图如图4所示,其中,平行线s1和s2内所限定的电压时序数据归一化到区间[0,1]内,平行线s1和s2外的电压时序数据归一化到区间[0,1]外。
S4,对所述收敛轨迹进行数据拟合得到时间归一化标准曲线L,所述时间归一化标准曲线L的电压取值范围记为[UA,UB]。
具体地,所述数据拟合若为最小二乘法,具体步骤如下:
设有一条一元多项式曲线L,所述收敛轨迹上的电压时序数据点到曲线L的差异之和最小,设曲线L的方程为:
其中,k为大于0的整数,多项式的阶数为k-1;β为多项式的系数,u的取值范围记为u∈[UA,UB],UA为所述收敛轨迹的所有电压时序数据中的最小电压值,UB为所述收敛轨迹的所有电压时序数据中的最大电压值;
曲线L的系数矩阵可由下式求得:
β=(XTX)-1XTY
其中,X为电压时序数据的时间t的多项式矩阵,Y为t对应的电压U组成的列向量。X的形式如下:
经过数据拟合得到的时间归一化标准曲线L,如图5所示。
具体地,所述数据拟合还可以采用机器学习的各种回归算法、感知机、多层感知机(俗称:神经网络)、最小二乘法、线性拟合、多项式拟合、指数拟合以及高斯拟合等数据拟合法。
时间归一化标准曲线L的取值范围[UA,UB]决定了该时间归一化标准曲线L可预测的电压范围,并且由电池电化学性质决定了电池的放电电压有大致的范围;因此,只要收集足够多的放电电压范围大的同类型电池恒流放电数据,就能使时间归一化标准曲线L可预测的电压范围变得更广,大大提升本预测方法的通用性。
所述第二个阶段结合所述的时间归一化标准曲线L,通过对待测电池进行短时间的恒流放电,获得少量的电压时序数据即可求得待测电池的可使用时长以及容量,具体包括以下步骤:
S5,对待测电池进行恒流放电测试,获得待测电池的相关参数。
具体地,如图6所示,对所述待测电池进行恒流放电测试,恒流放电总时长为t3,取一时刻t1所对应的电压UC为起始电压,所述t1至t3时段为待测电池的电压平稳下降期内的时段,所述UC满足UA<UC<UB,记录t1至t3时段内的电压时序数据,记为arr,记录所述待测电池的恒流放电电流i。
进一步地,由于待测电池在恒流放电测试的末尾阶段可能出现非恒流数据或质量不佳的数据,因此,可舍弃该末尾阶段数据,选取t1至t3时段中数据质量较好的t1至t2时段数据,具体地,取t2∈(t1,t3],记t1到t2的时间范围内的时间电压序列数据为brr。
进一步地,由于仪器设备的精度等问题,测量得到的电压时序数据会存在一定的误差,因此需要对所测的电压时序数据arr与brr进行数据预处理,所述数据预处理的方法包括但不限于指数平滑、卡尔曼滤波及移动平均等。
S6,根据时间归一化标准曲线L以及待测电池的相关参数,预测待测电池可使用时长。
具体地,如图6所示,任取电压UD,所述UD满足UC<UD<UB,所述可使用时长包括最优时长st,所述最优时长st为待测电池电压由UC降至UD的放电时长;在归一化曲线方程L中截取电压由UC到UD曲线段,记作L1,为了方便后面计算,将L1的时间轴缩放平移到[0,1],缩放平移后的曲线记作L2,如图7所示。通过曲线L2的方程即可预测最优时长st。
进一步地,通过曲线L2的方程即可预测最优时长st步骤如下:
设曲线L2的方程如下:
t=startx+x×(endx-startx)
其中,startx,endx为截取的曲线段L1时间轴的边界值,x为新方程的自变量,x∈[0,1];
根据st构造针对arr的时间归一化公式,所述归一化公式为:
其中,t是arr的时间的实测值,t1是待测电池放电达到所述电压UC的时间,tg1是时间归一化后的值。
归一化后的数据记作arr1,将arr1的时间代入曲线方程L2中,得到的电压时序数据记作urr,若能使urr与arr1相应的时间对应的电压的误差最小,则st就是最优时长,也就是待测电池由UC降至UD的放电时长的预测值。可使用最优化方法求解st。
进一步地,若S5中待测电池的电压时序数据采用的是brr,则将S6中的arr数据替换为brr数据即可求得st。
进一步地,所述urr与arr1相应的时间对应的电压的误差具有多种统计方法表达,例如可采用平方误差来表示,误差表达式如下
式中:
M:arr中时间电压数据的对数;
βi:已求出的时间归一化曲线方程的系数;
tj:arr中第j个时间值;
Uj:arr中第j个电压值,与tj一一对应;
t1:待测电池放电达到所述电压UC的时间,也是arr的起始时间;
st:由电压UC放电至电压UD的时长。
使loss值最小的st就是由电压UC放电至电压UD的时间预测值。
进一步地,所述最优化方法可以是梯度下降法、牛顿法、拟牛顿法、共轭梯度法、拉格朗日乘数法、共轭梯度法或者网格搜索法,其中梯度下降法、牛顿法、拟牛顿法、共轭梯度法、拉格朗日乘数法、共轭梯度法是常用的求解最优值的方法,此处用到的网格搜索法是指,由于电池的容量已知,放电电流已知,因此知道放电时间的大概范围(比如小于24小时,大于0小时),在这个时间范围取连续的时间点,代入loss的公式,使loss值最小的时间点,就是所要求解的st的预测值。
进一步地,所述可使用时长还包括总可用时长qt以及剩余可用时长rt,所述总可用时长qt为待测电池电压从恒流放电开始降至UD的放电时长,所述剩余可用时长rt为待测电池恒流测试结束后预测该待测电池降至UD的可用放电时长,结合图6可知,所述qt=st+t1,所述rt=st-(t3-t1)。
S7,根据待测电池的可使用时长求得待测电池的容量。
具体地,待测电池的容量包括从UC放电至UD所消耗容量sc、总可用容量qc以及剩余可用容量rc,所述总可用容量qc为待测电池电压从恒流放电开始至所述UD的可放出的总容量,所述剩余可用容量rc为待测电池恒流测试结束后预测该待测电池降至UD可放出的容量,根据电池恒流放电特性可知,放电容量=放电电流×放电时长,因此,所述sc=i×st,所述qc=i×qt=i×(st+t1),所述rc=i×rt=i×[st-(t3-t1)]。
进一步地,所述电池可以是铅酸电池、镍氢电池、锂离子电池、镍镉电池、钠硫电池、镍锌电池等各类电池。
根据本发明另一实施例,提供了电池可使用时长和容量预测装置的实施例,如图8所示,所述电池可使用时长和容量预测装置,包括:模型建立模块1、待测电池检测模块2和待测电池可使用时长和容量预测模块3。下面对该电池可使用时长和容量预测装置进行详细说明。
模型建立模块1,用于收集样本电池在恒流放电条件下相关参数,并根据所述电池可使用时长和容量检测方法中的步骤S1-S4得到时间归一化标准曲线L以及所述时间归一化标准曲线L的电压取值范围[UA,UB]。
待测电池检测模块2,用于根据所述电池可使用时长和容量检测方法中的步骤S5收集记录待测电池在恒流放电条件下相关的时间电压参数。
待测电池可使用时长和容量预测模块3,用于根据所述电池可使用时长和容量检测方法中的步骤S6-S7获得待测电池的可使用时长和容量。
根据本发明另一实施例,还提供了一种存储介质,存储介质存储有程序,其中,在程序被处理器运行时使得处理器执行上述中任意一项的电池可使用时长和容量预测方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (19)
1.一种电池可使用时长和容量检测方法,其特征在于,包括如下检测步骤:
S1,对N个与待测电池同类型的样本电池进行恒流放电测试,获得N组电压时序数据urr1、urr2...urrN;
S2,构造针对每组电压时序数据的各自独立适用的时间归一化公式;
S3,根据所述时间归一化公式对N组电压时序数据分别进行时间归一化,根据时间归一化后的N组电压时序数据绘制点集图,得到一条收敛轨迹;
S4,对所述收敛轨迹进行数据拟合得到时间归一化标准曲线L,所述时间归一化标准曲线L的电压取值范围记为[UA,UB];
S5,对待测电池进行恒流放电,获得待测电池的相关参数;
S6,根据时间归一化标准曲线L以及待测电池的相关参数,预测待测电池可使用时长;
S7,根据待测电池的可使用时长求得待测电池的容量。
2.如权利要求1所述的一种电池可使用时长和容量检测方法,其特征在于:所述N组电压时序数据urr1、urr2...urrN为N个样本电池在电压平稳下降期内的电压时序数据。
3.如权利要求1或2所述的一种电池可使用时长和容量检测方法,其特征在于:每组所述电压时序数据由每个样本电池在恒流放电测试中测得的一系列ut数据构成,所述N的取值为大于零的整数。
4.如权利要求1所述的一种电池可使用时长和容量检测方法,其特征在于:所述S2还包括如下步骤:
根据获得N组电压时序数据urr1、urr2...urrN绘制点集图,将N组电压时序数据urr1、urr2...urrN分别投影至电压轴,得到N个电压轴上的投影区间,将所述N个电压轴上的投影区间在电压轴上的最大重合区间记作[U1,U2],其中U1<U2,在区间[U1,U2]中任取两点u1和u2,所述u1和u2满足U1≤u1<u2≤U2,过点u1和u2分别做时间轴的平行线s1和s2,则每组电压时序数据中的t数据在平行线s1和s2之间具有最大t值tmx以及最小t值tmn;根据每组电压时序数据urr1、urr2...urrN各自独立适用的tmx和tmn,构造针对每组电压时序数据的各自独立适用的时间归一化公式,所述时间归一化公式为:
其中,tg为时间归一化后的T轴时间取值,t为每组电压时序数据的所有时间取值。
5.如权利要求4所述的一种电池可使用时长和容量检测方法,其特征在于:所述S2还包括如下步骤:
利用所述N组电压时序数据urr1、urr2...urrN绘制出由N条样本电池折线构成的折线图,则所述平行线s1和s2会与各条样本电池折线分别相交于2个点,其中,与直线s1交点坐标中的t值记为tmx,与直线s2交点坐标中的t值记为tmn。
6.如权利要求1所述的一种电池可使用时长和容量检测方法,其特征在于:所述S3获得的收敛轨迹具有如下特点:所述平行线s1和s2内所限定的电压时序数据归一化到区间[0,1]内,所述平行线s1和s2外的电压时序数据归一化到区间[0,1]外。
7.如权利要求1所述的一种电池可使用时长和容量检测方法,其特征在于:所述S4中采用的数据拟合方法为机器学习回归算法、感知机、多层感知机(俗称:神经网络)、最小二乘法、线性拟合、多项式拟合、指数拟合以及高斯拟合中的任意一种或几种。
8.如权利要求1所述的一种电池可使用时长和容量检测方法,其特征在于:所述S5还包括如下步骤:对所述待测电池进行恒流放电测试,恒流放电总时长为t3,取一时刻t1所对应的电压UC为起始电压,所述t1至t3时段为待测电池的电压平稳下降期内的时段,所述UC满足UA<UC<UB,记录t1至t3时段内的电压时序数据,记为arr,记录所述待测电池的恒流放电电流i。
9.如权利要求8所述的一种电池可使用时长和容量检测方法,其特征在于:取t2∈(t1,t3],记t1到t2的时间范围内的时间电压序列数据为brr。
10.如权利要求8所述的一种电池可使用时长和容量检测方法,其特征在于:所述待测电池在电压平稳下降期内获得的电压时序数据需要进行数据预处理,所述数据预处理的方法为指数平滑、卡尔曼滤波以及移动平均中的任意一种或几种。
11.如权利要求1所述的一种电池可使用时长和容量检测方法,其特征在于:所述S6还包括如下步骤:
所述可使用时长包括最优时长st,所述最优时长st为待测电池电压由所述UC至所述UD的放电时长;在归一化曲线方程L中截取电压由UC到UD曲线段,记作L1,将L1的时间轴缩放平移到[0,1],缩放平移后的曲线记作L2,通过曲线L2的方程可预测最优时长st。
12.如权利要求11所述的一种电池可使用时长和容量检测方法,其特征在于:所述S6还包括如下步骤:
设对时间轴缩放平移后的曲线L2的方程如下:
t=startx+x×(endx-startx)
其中,startx,endx为截取的曲线段L1时间轴的边界值,x为新方程的自变量,x∈[0,1]。
使用st构造针对arr的时间归一化公式,所述归一化公式为:
其中,t是arr的时间的实测值,t1是待测电池放电达到所述电压UC的时间,tg1是时间归一化后的值;
归一化后的数据记作arr1,将arr1的时间代入曲线方程L2中,得到电压值序列,记作urr,若能使urr与arr1相应的时间对应的电压的误差最小,则st就是最优时长,也就是待测电池由UC降至UD的放电时长的预测值,可使用最优化方法求解st。
13.如权利要求12所述的一种电池可使用时长和容量检测方法,其特征在于:所述最优化方法为梯度下降法、牛顿法、拟牛顿法、共轭梯度法、拉格朗日乘数法、共轭梯度法或者网格搜索法中的任意一种或几种。
14.如权利要求11至13任一项所述的一种电池可使用时长和容量检测方法,其特征在于:所述可使用时长还包括总可用时长qt以及剩余可用时长rt,所述总可用时长qt为待测电池电压从恒流放电开始降至UD的放电时长,所述剩余可用时长rt为待测电池恒流测试结束后预测该待测电池降至UD的可用放电时长,所述qt=st+t1,所述rt=st-(t3-t1)。
15.如权利要求1所述的一种电池可使用时长和容量检测方法,其特征在于:所述待测电池的容量包括从UC放电至UD所消耗容量sc、总可用容量qc以及剩余可用容量rc,所述总可用容量qc为待测电池电压从恒流放电开始至所述UD的可放出的总容量,所述剩余可用容量rc为待测电池恒流测试结束后预测该待测电池降至UD可放出的容量,所述sc=i×st,所述qc=i×qt=i×(st+t1),所述rc=i×rt=i×[st-(t3-t1)]。
16.如权利要求1所述的一种电池可使用时长和容量检测方法,其特征在于:所述电池可以是铅酸电池、镍氢电池、锂离子电池、镍镉电池、钠硫电池、镍锌电池中的任意一种或几种。
17.如权利要求1所述的一种电池可使用时长和容量检测方法,其特征在于:所述UA为所述收敛轨迹的所有电压时序数据中的最小电压值,所述UB为所述收敛轨迹的所有电压时序数据中的最大电压值。
18.一种电池可使用时长和容量检测装置,其特征在于,包括:模型建立模块(1)、待测电池检测模块(2)和待测电池可使用时长和容量预测模块(3);
所述模型建立模块(1),用于收集样本电池在恒流放电条件下相关参数,并根据所述电池可使用时长和容量检测方法中的步骤S1-S4得到时间归一化标准曲线L以及所述时间归一化标准曲线L的电压取值范围[UA,UB];
所述待测电池检测模块(2),用于根据所述电池可使用时长和容量检测方法中的步骤S5收集记录待测电池在恒流放电条件下相关的时间电压参数;
所述待测电池可使用时长和容量预测模块(3),用于根据所述电池可使用时长和容量检测方法中的步骤S6-S7获得待测电池的可使用时长和容量。
19.一种存储介质,所述存储介质存储有程序,其特征在于:在所述程序被处理器运行时使得所述处理器执行权利要求1至16中任意一项所述的电池可使用时长和容量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111165917.3A CN113866644A (zh) | 2021-09-30 | 2021-09-30 | 一种电池可使用时长和容量预测方法与装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111165917.3A CN113866644A (zh) | 2021-09-30 | 2021-09-30 | 一种电池可使用时长和容量预测方法与装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113866644A true CN113866644A (zh) | 2021-12-31 |
Family
ID=79001584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111165917.3A Pending CN113866644A (zh) | 2021-09-30 | 2021-09-30 | 一种电池可使用时长和容量预测方法与装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113866644A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114216558A (zh) * | 2022-02-24 | 2022-03-22 | 西安因联信息科技有限公司 | 一种无线振动传感器电池剩余寿命预测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5936383A (en) * | 1998-04-02 | 1999-08-10 | Lucent Technologies, Inc. | Self-correcting and adjustable method and apparatus for predicting the remaining capacity and reserve time of a battery on discharge |
CN108805217A (zh) * | 2018-06-20 | 2018-11-13 | 山东大学 | 一种基于支持向量机的锂离子电池健康状态估计方法及系统 |
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
CN112883637A (zh) * | 2021-01-29 | 2021-06-01 | 南昌师范学院 | 锂离子电池rul的混沌时序非线性组合预测方法 |
CN113109715A (zh) * | 2021-03-29 | 2021-07-13 | 东华大学 | 基于特征选择和支持向量回归的电池健康状况预测方法 |
-
2021
- 2021-09-30 CN CN202111165917.3A patent/CN113866644A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5936383A (en) * | 1998-04-02 | 1999-08-10 | Lucent Technologies, Inc. | Self-correcting and adjustable method and apparatus for predicting the remaining capacity and reserve time of a battery on discharge |
CN108805217A (zh) * | 2018-06-20 | 2018-11-13 | 山东大学 | 一种基于支持向量机的锂离子电池健康状态估计方法及系统 |
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
CN112883637A (zh) * | 2021-01-29 | 2021-06-01 | 南昌师范学院 | 锂离子电池rul的混沌时序非线性组合预测方法 |
CN113109715A (zh) * | 2021-03-29 | 2021-07-13 | 东华大学 | 基于特征选择和支持向量回归的电池健康状况预测方法 |
Non-Patent Citations (1)
Title |
---|
张文圳;杨睿哲;张延华;: "阀控式铅酸电池老化实验及其失效性预测方案", 电源技术, no. 10, 20 October 2016 (2016-10-20) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114216558A (zh) * | 2022-02-24 | 2022-03-22 | 西安因联信息科技有限公司 | 一种无线振动传感器电池剩余寿命预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN107658511B (zh) | 动力锂电池组合方法及动力锂电池配组方法 | |
CN114389336B (zh) | 一种锂电池储能系统的动态管控系统 | |
CN101764259B (zh) | 一种动力锂离子二次电池的配组方法 | |
CN107732337B (zh) | 一种退役电池模块分选方法 | |
CN106154180B (zh) | 储能电池充/放电异常行为检测方法及检测系统 | |
CN108306065A (zh) | 锂离子电池配组方法及锂离子电池配组系统 | |
CN113300436A (zh) | 锂电池储能系统的动态管控方法 | |
CN205693405U (zh) | 电池组或电容器组管理系统 | |
CN113369176A (zh) | 一种退役电池再利用的分选方法及系统 | |
CN109406929B (zh) | 变电站蓄电池组内部开路在线监测报警装置 | |
CN110908360B (zh) | 一种通信电源监控系统及高频开关电源充电模块自检方法 | |
CN110813799A (zh) | 大倍率用钛酸锂单体电池的一致性筛选方法 | |
WO2024060600A1 (zh) | 废旧电池梯次使用的筛选方法 | |
CN113300437A (zh) | 锂电池储能系统的动态管控系统 | |
CN113369287A (zh) | 一种退役电池模组再利用的分选方法及系统 | |
CN111505521A (zh) | 一种锂亚电池的储存寿命加速测试方法 | |
CN109921103B (zh) | 蓄电池组的维护方法和系统、蓄电池的维护方法和系统 | |
CN103487758A (zh) | 一种锂离子电池配组方法 | |
CN111965557A (zh) | 一种后备电源可靠性的评估方法和装置 | |
CN113866644A (zh) | 一种电池可使用时长和容量预测方法与装置 | |
Chen et al. | Performance of inconsistency in lithium-ion battery packs for battery energy storage systems | |
CN112834936A (zh) | 一种电池充放电测试方法、装置、系统和电池管理系统 | |
CN107017683B (zh) | 一种变电站蓄电池均衡及自修复控制方法 | |
CN216563283U (zh) | 一种蓄电池在线自维护系统 |
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 |