CN114200310A - 电化学装置析锂检测方法及电子设备 - Google Patents
电化学装置析锂检测方法及电子设备 Download PDFInfo
- Publication number
- CN114200310A CN114200310A CN202111496400.2A CN202111496400A CN114200310A CN 114200310 A CN114200310 A CN 114200310A CN 202111496400 A CN202111496400 A CN 202111496400A CN 114200310 A CN114200310 A CN 114200310A
- Authority
- CN
- China
- Prior art keywords
- electrochemical device
- sample
- lithium
- state data
- value
- 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
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 327
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 326
- 238000004458 analytical method Methods 0.000 title claims abstract description 168
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 238000007600 charging Methods 0.000 claims abstract description 235
- 238000013528 artificial neural network Methods 0.000 claims abstract description 93
- 238000000034 method Methods 0.000 claims abstract description 67
- 238000012549 training Methods 0.000 claims abstract description 36
- 238000000926 separation method Methods 0.000 claims description 85
- 230000008021 deposition Effects 0.000 claims description 39
- 238000007599 discharging Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 238000010277 constant-current charging Methods 0.000 claims description 7
- 230000000284 resting effect Effects 0.000 claims description 4
- 230000032683 aging Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 17
- 230000014759 maintenance of location Effects 0.000 description 13
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 11
- 229910001416 lithium ion Inorganic materials 0.000 description 11
- 238000010278 pulse charging Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 7
- 238000010606 normalization Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000010280 constant potential charging Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000001683 neutron diffraction Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical group [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000001131 transforming effect Effects 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Abstract
本申请实施例提供了一种电化学装置析锂检测方法及电子设备。该方法包括：获取待测电化学装置的当前充电状态数据；将当前充电状态数据输入预先训练的BP神经网络中，得到当前充电状态数据对应的电化学装置析锂程度；其中，BP神经网络是根据各样本充电状态数据、以及各样本充电状态数据对应的电化学装置析锂程度真值训练得到。由于该方案无需向待测电化学装置导入任何特殊充电工况，例如脉冲工况，便于实现。同时，由于BP神经网络具有高度自学习和自适应能力，利用根据多个样本充电状态数据、以及多个样本充电状态数据对应的电化学装置析锂程度真值训练的BP神经网络，可以精确且可靠地确定待测电化学装置的析锂程度。
Description
技术领域
本申请涉及电化学技术领域，特别是涉及一种电化学装置析锂检测方法及电子设备。
背景技术
锂离子电池具有比能量密度大、循环寿命长、标称电压高、自放电率低、体积小、重量轻等许多优点，在新能源行业具有广泛的应用。
近年随着平板电脑、手机、电动交通工具、电动工具、储能设备、无人机等高速发展，并且由于新能源行业的不断发展，市场对锂离子电池的需求也越来越多。然而锂离子电池在使用过程中，可能出现析锂，电池析锂可能会造成电池短路，产生安全风险，对电池的安全性造成影响。
发明内容
本申请实施例的目的在于提供一种电化学装置析锂检测方法及电子设备，以至少部分地解决上述技术问题。
根据本申请实施例的一方面，提供了一种电化学装置析锂检测方法，包括：获取待测电化学装置的当前充电状态数据；将所述当前充电状态数据输入预先训练的BP神经网络中，得到所述当前充电状态数据对应的电化学装置析锂程度。其中，所述BP神经网络是根据各样本充电状态数据、以及各样本充电状态数据对应的电化学装置析锂程度真值训练得到。由于无需向待测电化学装置导入任何特殊充电工况，例如脉冲充电，因此可以便于实现。同时，由于BP神经网络具有高度自学习和自适应能力，利用根据多个样本充电状态数据、以及多个样本充电状态数据对应的电化学装置析锂程度真值训练的BP神经网络，可以精确且可靠地确定待测电化学装置的析锂程度。
在本申请的一种实施方案中，所述方法还包括：基于当前充电状态数据和预测得到的电化学装置析锂程度，获取至少一个电化学装置的历史状态数据，所述历史状态数据用于指示所述电化学装置的历史使用工况和老化程度；对历史状态数据进行聚类处理，根据聚类结果对预测得到的电化学装置析锂程度进行验证。由于通过大数据分析，对通过BP神经网络得到的当前充电状态数据对应的电化学装置析锂程度进一步验证，提高了电化学装置析锂检测的可靠性。
在本申请的一种实施方案中，所述BP神经网络的训练过程包括：构建初始BP神经网络；获取样本充电状态数据，并获取样本充电状态数据对应的电化学装置析锂程度真值；将所述样本充电状态数据、以及所述样本充电状态数据对应的电化学装置析锂程度真值输入所述初始BP神经网络，训练得到所述BP神经网络。
在本申请的一种实施方案中，所述获取样本充电状态数据，并获取样本充电状态数据对应的电化学装置析锂程度真值，包括方式A和方式B中的至少一个。其中，方式A包括对M1个样本电化学装置分别在N1个预设运行工况下进行充放电操作，在每执行预设次数的充放电操作之后，获取样本电化学装置的样本充电状态数据，并获取样本充电状态数据对应的电化学装置析锂程度真值，其中，一个样本电化学装置对应一个预设运行工况，M1为大于或等于N1的正整数。在方式A中，通过在多种预设运行工况下分别对多个样本电化学装置进行充放电操作，可以使得获取到的适用于多种预设运行工况下的样本充电状态数据，进而使得使用这些样本充电状态数据训练得到的BP神经网络适用于各种运行工况，也即在各种运行工况中均具有较高的预测准确度。方式B包括：对M2个样本电化学装置充电至预设SOC，并在N2个预设存储工况下存储预设时段之后，获取样本电化学装置的样本充电状态数据，并获取样本充电状态数据对应的电化学装置析锂程度真值，其中，一个样本电化学装置对应一个预设存储工况，M2为大于或等于N2的正整数。在方式B中，通过获取在高温高SOC存储条件下的样本充电状态数据，并用于使用这样本充电状态数据训练BP神经网络，可以进一步增加训练得到的BP神经网络的适用性，也即进一步提高该BP神经网络在各种运行工况下的预测准确度。
在本申请的一种实施方案中，所述获取样本充电状态数据对应的电化学装置析锂程度真值，包括：对样本电化学装置进行间歇式充电操作，在所述间歇式充电操作中获取与样本电化学装置相关的第一数据，基于所述第一数据确定样本充电状态数据对应的电化学装置析锂程度真值；或者，对样本电化学装置进行恒流充电，并静置，在静置时获取与样本电化学装置相关的第二数据，基于所述第二数据确定样本充电状态数据对应的电化学装置析锂程度真值。由于通过向样本电化学装置导入指定的脉冲充电工况，对样本电化学装置进行间歇式充电操作，获取准确的样本充电状态数据，进而使得基于这些样本充电状态数据进行处理，可以以较高的精度确定电化学装置析锂程度真值，从而使得利用这样的电化学装置析锂程度真值训练的BP神经网络具有较高的预测精度。
在本申请的一种实施方案中，所述间歇式充电操作包括多个充电期间和多个间断期间，所述第一数据包括样本电化学装置的SOC和内阻，所述基于所述第一数据确定样本充电状态数据对应的电化学装置析锂程度真值，包括：获取各间断期间样本电化学装置的SOC和内阻；基于各间断期间的SOC和内阻，得到第一曲线，所述第一曲线为所述样本电化学装置的内阻随SOC的变化；基于所述第一曲线，确定样本充电状态数据对应的电化学装置析锂程度真值。由于无需向样本电化学装置导入指定的脉冲充电工况，仅需要采集样本电化学装置充电结束时的电压曲线，即可基于该电压曲线确定电化学装置析锂程度真值，整个操作简单、方便。
在本申请的一种实施方案中，所述基于所述第一曲线，确定样本充电状态数据对应的电化学装置析锂程度真值，包括：对所述第一曲线进行微分，得到第一微分曲线；若所述第一微分曲线中不存在极大值，则确定所述电化学装置析锂程度真值为第一析锂程度，所述第一析锂程度表示电化学装置无析锂；若所述极大值和极小值都存在，且所述极大值对应的内阻和所述极小值对应的内阻之间的差值小于预设内阻阈值，则确定所述电化学装置析锂程度真值为第二析锂程度，所述第二析锂程度指示电化学装置发生析锂；若所述极大值和极小值都存在，且所述极大值对应的内阻和所述极小值对应的内阻之间的差值大于所述预设内阻阈值，则确定所述电化学装置析锂程度真值为第三析锂程度，所述第三析锂程度大于所述第二析锂程度。
在本申请的一种实施方案中，所述第二数据包括所述静置期间样本电化学装置的端电压，所述基于所述第二数据确定样本充电状态数据对应的电化学装置析锂程度真值，包括：基于所述端电压，得到第二曲线，所述第二曲线表示所述端电压随时间的变化；基于所述第二曲线，确定样本充电状态数据对应的电化学装置析锂程度真值。
在本申请的一种实施方案中，所述基于所述第二曲线，确定样本充电状态数据对应的电化学装置析锂程度真值，包括：对所述第二曲线进行微分，得到第二微分曲线；若所述第二微分曲线中不存在极大值，则确定所述电化学装置析锂程度真值为第一析锂程度，所述第一析锂程度表示电化学装置无析锂；若所述极大值和极小值都存在，且所述极大值对应的电压与所述极小值对应的电压之间的差值小于预设电压阈值，则确定所述电化学装置析锂程度真值为第二析锂程度，所述第二析锂程度指示电化学装置发生析锂；若所述极大值和极小值都存在，且所述极大值对应的电压与所述极小值对应的电压之间的差值大于所述预设电压阈值，则确定所述电化学装置析锂程度真值为第三析锂程度，所述第三析锂程度大于所述第二析锂程度。
根据本申请实施例的再一方面，提供了一种电子设备，所述电子设备包括：第一获取模块和处理模块。所述第一获取模块用于获取待测电化学装置的当前充电状态数据。所述处理模块，用于将所述当前充电状态数据输入预先训练的BP神经网络中，得到所述当前充电状态数据对应的电化学装置析锂程度；其中，所述BP神经网络是根据各样本充电状态数据、以及各样本充电状态数据对应的电化学装置析锂程度真值训练得到。
根据本申请实施例提供的电化学装置析锂检测方法，通过预先根据各样本充电状态数据、以及各样本充电状态数据对应的电化学装置析锂程度真值训练得到BP神经网络，进而在确定待测电化学装置的析锂程度时，将待测电化学装置的当前充电状态数据输入BP神经网络，即可得到待测电化学装置的析锂程度，无需向待测电化学装置导入任何特殊充电工况，例如脉冲充电，便于实现。同时，由于BP神经网络具有高度自学习和自适应能力，利用根据多个样本充电状态数据、以及多个样本充电状态数据对应的电化学装置析锂程度真值训练的BP神经网络，可以精确且可靠地确定待测电化学装置的析锂程度。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对申请所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为根据本申请实施例的一种电化学装置析锂检测方法的步骤流程图；
图2为根据本申请实施例的BP神经网络训练过程的步骤流程图；
图3为根据本申请实施例的BP神经网络架构示意图；
图4为根据本申请实施例的一种获取电化学装置析锂程度真值的方法的步骤流程图；
图5为根据本申请实施例的一个第一曲线和第一微分曲线的曲线图；
图6根据本申请实施例的另一种获取电化学装置析锂程度真值的方法的步骤流程图；
图7为根据本申请实施例的另一种电化学装置析锂检测方法的步骤流程图；
图8为根据本申请实施例的电子设备的结构框图；
图9为根据本申请实施例的充电装置的结构框图；
图10为根据本申请实施例的电池系统的结构框图；以及
图11为根据本申请实施例的一个第二微分曲线的曲线图。
具体实施方式
为使本申请的目的、技术方案、及优点更加清楚明白，以下参照附图和实施例，对本申请进一步详细说明。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员所获得的所有其他技术方案，都属于本申请保护的范围。
下面先结合附图说明本申请实施例具体实现。
需要说明的是，本申请实施例的内容中，以锂离子电池作为电化学装置的例子来解释本申请，但是本公开的电化学装置并不仅限于锂离子电池。
本申请实施例提供了一种电化学装置析锂检测方法，该方法的执行主体可以是电池管理系统(Battery Management System，BMS)和与电池管理系统连接的云端服务器。如图1所示，该方法包括以下步骤：
步骤110：获取待测电化学装置的当前充电状态数据。
本申请实施例中，电子设备的第一获取模块810可以获取待测电化学装置的当前充电状态数据。第一获取模块810可以包括传感器。示例性地，传感器包括温度传感器等。传感器的类型可以采用为公众所知的传感器，本申请实施例对此不做限制。第一获取模块810还可以包括BMS的模拟前端(Analog Front End，AFE)，通过BMS的AFE可以采集电化学装置的电压、电流等。第一获取模块810还可以包括计算单元，该计算单元可以根据BMS的AFE获取的待测电化学装置电压和电流等来计算待测电化学装置的部分当前充电状态数据。
本申请实施例中，第一获取模块810可以按照预定的时间间隔周期性获取待测电化学装置的当前充电状态数据，也可以在接收到获取指令时获取待测电化学装置的当前充电状态数据，以便处理模块820根据该当前充电状态数据，确定待测电化学装置的析锂程度，本申请实施例对此不做限定。
本申请实施例中，待测电化学装置的当前充电状态数据可以用于反映待测电化学装置在当前时刻的实际操作状态。在本申请的一种实现方式中，待测电化学装置的当前充电状态数据至少包括：在当前时刻获取的待测电化学装置的电压、电流、温度、荷电状态、容量保持率和内阻。
其中，待测电化学装置的温度可以为在当前时刻待测电化学装置所处的温度，也可以为待测电化学装置的温度。例如，该温度可以通过在待测电化学装置中的温度传感器采集得到。
待测电化学装置的电压和电流为在当前时刻待测电化学装置的充电电压和充电电流。例如，该电压和电流可以通过BMS的AFE采集得到。
待测电化学装置的荷电状态是指当前时刻待测电化学装置的剩余容量与其完全充放电状态的容量的比值。该荷电状态例如可以基于待测电化学装置的端电压和预先保存的电压-SOC关系表计算得到。例如，BMS中可以预先保存一个电压-SOC关系表，电压-SOC关系表中记录有不同端电压对应的电化学装置的SOC，例如，4.2V对应85％SOC，4.3V对应90％SOC。在采集到待测电化学装置的端电压之后，基于该端电压和电压-SOC关系表，便可以确定待测电化学装置的SOC。
待测电化学装置的容量保持率为电化学装置的当前最大容量相对于原容量的百分比。例如，可以在电化学装置充满电之后以恒定电流放电，基于该电流和放电完成需要的时间确定待测电化学装置的当前最大容量，基于电化学装置的当前最大容量与原容量的百分比作为待测电化学装置的容量保持率。
应理解，上述待测电化学装置的电压、电流、温度、荷电状态、容量保持率和内阻的获取方式仅是一种示例，在其他实施例中，可以采用任何可行的方式获取，本申请实施例对此不做限定。
在本申请的另一种实现方式中，待测电化学装置的当前充电状态数据还可以包括健康程度SOH，该SOH可以待测电化学装置的容量、内阻或循环次数来表征。本申请实施例对此不做限定。
步骤120：将当前充电状态数据输入预先训练的BP神经网络中，得到当前充电状态数据对应的电化学装置析锂程度。
其中，BP神经网络是根据各样本充电状态数据、以及各样本充电状态数据对应的电化学装置析锂程度真值训练得到。
在本申请实施例中，为了提供电化学装置析锂程度判断的准确性和可靠性，电子设备的处理模块可以根据预定数量的样本充电状态数据、以及各样本充电状态数据对应的电化学装置析锂程度真值训练得到BP神经网络。使用该BP神经网络，当输入待测电化学装置的当前充电状态数据时，该BP神经网络可以输出与当前充电状态数据对应的电化学装置析锂程度。
本申请实施例中，各样本充电状态数据的类型与当前充电状态数据的类型相同。各样本充电状态数据对应的电化学装置析锂程度真值，是在获取到各样本充电状态数据时对各样本充电状态数据对应的各样本电化学装置进行检测获得的，例如，通过PCI检测方法、VRP检测方法、中子衍射或电芯拆解方法得到的。并且，各样本充电状态数据对应的电化学装置析锂程度真值，可以表征在获取到各样本充电状态数据时，各样本充电状态数据对应的样本电化学装置发生析锂的程度。在本申请实施例中，电化学装置析锂程度真值可以包括：第一析锂程度、第二析锂程度和第三析锂程度，第一析锂程度表示无析锂，由[1,0,0]表示，第二析锂程度表示轻微析锂，由[0,1,0]表示，第三析锂程度表示严重析锂，由[0,0,1]表示。应理解，上述电化学装置犀利程度真值的表示方式仅为一种示例，在其他实施例中，可以根据需要由其他值表示，本实施例对此不做限定。
在进行BP神经网络的训练时，可以构建初始BP神经网络，该BP神经网络中的参数为初始值，通过训练来优化参数。具体地，首先输入样本充电状态数据，确定BP神经网络的实际输出的电化学装置析锂程度与该样本充电状态数据对应的电化学装置析锂程度真值是否相符，基于二者之间的误差自动调整BP神经网络的参数，即BP神经网络的权重值和偏置值，迭代进行这一过程，直到误差达到预设精度或者学习次数大于设计的最大次数。
也就是说，BP神经网络训练完成后，输入BP神经网络的各样本充电状态数据对应输出的电化学装置的析锂程度具有较高的概率与各样本充电状态数据对应的电化学装置析锂程度真值相符，即由各样本充电状态数据、以及各样本充电状态数据对应的电化学装置析锂程度真值构成的训练集在该BP网络上的预测准确率大于预设精度。由此，在获取待测电化学装置的当前充电状态数据之后，将该当前充电状态数据输入BP神经网络，即准确地且可靠地得到待测电化学装置的析锂程度。此外，由于在确定待测电化学装置的析锂程度的过程中，无需向待测电化学装置导入任何特殊充电工况，例如脉冲充电，使得该方法便于实现。
本申请实施例中，通过预先根据各样本充电状态数据、以及各样本充电状态数据对应的电化学装置析锂程度真值训练得到BP神经网络，进而在确定待测电化学装置的析锂程度时，将待测电化学装置的当前充电状态数据输入BP神经网络，即可得到待测电化学装置的析锂程度，无需向待测电化学装置导入任何特殊充电工况，例如脉冲充电，便于实现。同时，由于BP神经网络具有高度自学习和自适应能力，利用根据多个样本充电状态数据、以及多个样本充电状态数据对应的电化学装置析锂程度真值训练的BP神经网络，可以精确且可靠地确定待测电化学装置的析锂程度。
应当理解，为了使得样本状态数据具有相同的度量尺度，以在BP神经网络使用梯度下降法求最优解时能够快速收敛以及提高预测精度，在本申请的一种实施例中，在将当前充电状态数据输入预先训练的BP神经网络中之前，包括：对当前充电状态数据进行归一化处理。例如，可以将当前充电状态数据归一化至[-1,1]。
在对当前充电状态数据进行归一化时，可以使用线性归一化方法的、0均值归一化方法等任何使用的归一化方法，本申请实施例对此不做限定。
在本申请实施例中，电子设备可以预先训练得到用于获取电化学装置析锂程度的BP神经网络。具体地，如图2所示，本申请实施例提供的电化学装置析锂检测方法，还可以包括以下步骤：
步骤210、构建初始BP神经网络。
本申请实施例中，初始BP神经网络可以包括一个输入层、至少一个隐藏层和至少一个输出层。其中，层与层之间的连接是全连接。
请参照图3，其示出了本申请实施例中的BP神经网络架构示意图。如图3所示，本申请实施例的BP神经网络可以包括一个输入层、一个隐藏层和一个输出层。需要说明的是，为了降低误差，提高精度，BP申请网络也可以包括多个隐藏层和输出层，本申请对此不做限定。输入层、隐藏层和输出层均包括多个神经元。
其中，输入层的神经元数量等于待处理数据中输入变量的数量，即每个样本充电状态数据中包含的参数的数量。例如，在样本充电状态数据包括样本电化学装置的电压、电流、温度、荷电状态、容量保持率和内阻时，可以确定输入层的神经元的数量为6个。
输出层的神经元数量等于输出分类的数量，即电化学装置析锂程度真值的数量。例如，在电化学装置析锂程度真值包括第一析锂程度、第二析锂程度和第三析锂程度，则输出层的神经元的数量为3个。
隐藏层的神经元数量可以根据训练精度进行选取，在本申请的一种实施例中，隐藏层的数量为5，以在确保满足训练精度的前提下加速误差下降速度。
BP神经网络中隐藏层和输出层节点的输入和输出之间具有函数关系，即隐藏层和输出层包含激励函数，在本申请的一种实现方式中，选择tansing函数作为隐藏层和输出层的激励函数，应理解，根据需要，也可以选择sigmoid函数等，本申请实施例对此不做限定。
在本申请的一种具体实现中，初始BP神经网络包括一个输入层、一个隐藏层和一个输出层。隐藏层和输出层的神经元的数量分别为5个和三个，且隐藏层和输出层的激励函数为transing函数，以在确保满足训练精度的同时提高训练速度。
步骤220、获取样本充电状态数据，并获取样本充电状态数据对应的电化学装置析锂程度真值。
本申请实施例中，样本充电状态数据与当前充电状态数据包含的参数类型相同。例如，在一种实现方式中，样本充电状态数据可以至少包括：样本电化学装置的电压、电流、温度、荷电状态、容量保持率和内阻。又例如，在另一种实现方式中，样本充电状态数据还可以包括：样本电化学装置的健康程度SOH。
本申请实施例中，步骤220可以包括方式A或方式B中的至少一个。
方式A包括：对M1个样本电化学装置分别在N1个预设运行工况下进行充放电操作，在每执行预设次数的充放电操作之后，获取样本电化学装置的样本充电状态数据，并获取样本充电状态数据对应的电化学装置析锂程度真值。其中，一个样本电化学装置对应一个预设运行工况，M1为大于或等于N1的正整数。
方式B包括：对M2个样本电化学装置充电至预设SOC，并在N2个预设存储工况下存储预设时段之后，获取样本电化学装置的样本充电状态数据，并获取样本充电状态数据对应的电化学装置析锂程度真值，其中，一个样本电化学装置对应一个预设存储工况，M2为大于或等于N2的正整数。
下面分别对方式A进行详细说明。
在方式A中，对M1个样本电化学装置分别在N1个预设运行工况下进行充放电操作，在每执行预设次数的充放电操作之后，获取样本电化学装置的样本充电状态数据，并获取样本充电状态数据对应的电化学装置析锂程度真值。
其中，一个样本电化学装置对应一个预设运行工况，M1为大于或等于N1的正整数。即，一个预设运行工况可以对应多个样本电化学装置。
在方式A中，充放电操作可以是指对样本电化学装置进行满充满放操作，也可以是指将样本电化学装置充电至第一预设荷电状态，并放电至第二预设荷电状态，本申请实施例对此不做限定。
在方式A中，在一种实现方式中，N1个预设运行工况可以包括：不同的环境温度、不同的充电倍率、不同的充放电深度的组合，本实施例对此不做限定。
其中，该预设环境温度可以包括以下温度中的至少一个：-20度、-10度、0度、10度、25度或45度。应理解，该预设环境温度也可以是-15、30等其他合适的温度，本实施例对此不做限定。该预设充电倍率可以为0.5C、1C、1.25C、1.75C、2C等中的至少一个。应理解，该预设充电倍率也可以是1.5C、2.5C等其他充电倍率，本实施例对此不做限定。
该预设放电深度可以为0-100％中的任意值，本申请实施例对此不做限定。
在另一种实现方式中中，N1个预设运行工况还可以包括模拟常规使用条件，例如按照常规使用条件对电化学装置进行充放电操作。
在每执行预设次数的充放电操作之后，针对样本电化学装置获取样本电化学装置的样本充电状态数据，并获取样本充电状态数据对应的电化学装置析锂程度真值。
其中，预设次数可以是10次、20次、30次、40次、50次、60次、80次、100次等，本申请实施例对此不做限定。应理解，随着样本电化学装置充放电操作次数的增加，样本电化学装置的容量降低，且发生析锂的可能性增加。而在样本电化学装置充放电操作次数较少时，发生析锂的可能性较低。为了减少数据冗余，获取有效的样本充电状态数据，在一种实现方式中，可以在样本电化学装置的容量保持率小于预设容量保持率之后，每执行预设次数的充放电操作，获取一次样本电化学装置的样本充电状态数据。例如，该预设容量保持率为90％。应理解，该预设容量保持率也可以为85％或其他合适的值，本申请实施例对此不做限定。
在每执行预设次数的充放电操作之后，针对样本电化学装置获取样本电化学装置的样本充电状态数据的实现方式与在图1所示实施例中获取当前充电状态数据的方式相同，此处不再赘述。此外，在每执行预设次数的充放电操作之后，获取样本充电状态数据对应的电化学装置析锂程度真值的过程可以参照下面与电化学装置析锂程度真值获取过程有关的实施例。
在方式A中，通过在多种预设运行工况下分别对多个样本电化学装置进行充放电操作，可以使得获取到的适用于多种预设运行工况下的样本充电状态数据，进而使得使用这些样本充电状态数据训练得到的BP神经网络适用于各种运行工况，也即在各种运行工况中均具有较高的预测准确度。
下面分别对方式B进行详细说明。
在方式B中，对M2个样本电化学装置充电至预设SOC，并在N2个预设存储工况下存储预设时段之后，获取样本电化学装置的样本充电状态数据，并获取样本充电状态数据对应的电化学装置析锂程度真值，其中，一个样本电化学装置对应一个预设存储工况，M2为大于或等于N2的正整数。
其中，预设SOC可以是90％～100％之间的任任意值。
预设存储工况可以包括在高温下存储，例如在45度的环境温度下存储。应理解，高温还可以是50度，或其他合适温度等。
预设时段可以是1个月、2个月或其他预设时间长度等。
在方式B中，通过对样本电化学装置充电至预设SOC，并在预设存储工况下存储预设时段，可以模拟在高温高SOC下存储的情形。在经过上述存储之后，针对样本电化学装置获取样本电化学装置的样本充电状态数据的实现方式与在图1所示实施例中获取当前充电状态数据的方式相同，此处不再赘述。此外，在经过上述存储之后，获取样本充电状态数据对应的电化学装置析锂程度真值的过程可以参照下面与电化学装置析锂程度真值获取过程有关的实施例。
在方式B中，通过获取在高温高SOC存储条件下的样本充电状态数据，并用于使用这样本充电状态数据训练BP神经网络，可以进一步增加训练得到的BP神经网络的适用性，也即进一步提高该BP神经网络在各种运行工况下的预测准确度。
步骤230、将样本充电状态数据、以及样本充电状态数据对应的电化学装置析锂程度真值输入初始BP神经网络，训练得到BP神经网络。
获取到各样本充电状态数据、以及各样本充电状态数据对应的电化学装置析锂程度真值后，电子设备可以将各样本充电状态数据、以及各样本充电状态数据对应的电化学装置析锂程度真值输入初始BP神经网络，并且设置网络迭代次数、期望误差以及学习率，对初始BP神经网络进行训练。
在本申请的一种实施例中，网络迭代次数被设置为5000，期望误差被设置为1e-8，学习率被设置为0.0075，以在确保满足训练精度的前提下加提高BP神经网络的训练速度。
具体地，电子设备的训练模块可以将各样本充电状态数据、以及各样本充电状态数据对应的电化学装置析锂程度真值输入到初始BP神经网络中，计算BP神经网络的实际输出的电化学装置析锂程度与该样本充电状态数据对应的电化学装置析锂程度真值是否相符。基于二者之间的误差自动调整BP神经网络的权重值和偏置值，迭代进行这一过程，直到误差小于期望误差或者学习次数大于设置的网络迭代次数时，BP神经网络的权重值和偏置值确定，BP神经网络训练完成。
本申请实施例中，通过在各种预设运行工况和/或各种预设存储工况下对多个电化学装置执行析锂检测，获取样本充电状态数据、以及与样本状态数据对应的电化学装置析锂程度真值，建立析锂数据库。基于析锂数据库中的数据集对初始BP神经网络进行训练得到BP神经网络。由于在训练初始BP神经网络时使用到来自各种工况的样本充电状态数据、以及与样本状态数据对应的电化学装置析锂程度真值，这使得训练得到的BP神经网络能够适用各种运行工况，在对析锂进行预测时具有较高的预测精度。
为了便于理解获取电化学装置析锂程度真值获取过程，下面对与电化学装置析锂程度真值获取过程有关的实施例进行详细描述。
具体地，在每执行预设次数的充放电操作之后，或者在对M2个样本电化学装置充电至预设SOC，并在N2个预设存储工况下存储预设时段之后获取样本状态数据对应的电化学装置析锂程度真值，可以包括方式C1或方式C2。
其中，方式C1包括：对样本电化学装置进行间歇式充电操作，在间歇式充电操作中获取与样本电化学装置相关的第一数据，基于所述第一数据确定样本充电状态数据对应的电化学装置析锂程度真值。
方式C2包括：对样本电化学装置进行恒流充电，并静置，在静置时获取与样本电化学装置相关的第二数据，基于所述第二数据确定样本充电状态数据对应的电化学装置析锂程度真值。
下面分别对方式C1的具体实现过程进行详细描述。
在方式C1中，对样本电化学装置进行间歇式充电操作，在间歇式充电操作中获取与样本电化学装置相关的第一数据，基于所述第一数据确定样本充电状态数据对应的电化学装置析锂程度真值。
其中，间歇式充电操作可以是指对样本电化学装置进行间歇式充电操作的过程。具体地，在一种实现方式中，间歇式充电操作包括多个充电期间和多个间断期间。示例性地，在第一个充电期间对样本电化学装置进行充电，然后停止充电，间隔第一个间断期间后，继续在第二个充电期间对样本电化学装置进行充电，如此重复，直至样本电化学装置的SOC达到第一临界值。可以理解的是，随着间歇式充电的进行，样本电化学装置的SOC随之升高，本申请实施例可以在样本电化学装置的SOC达到第一临界值时停止间歇式充电，完成间歇式充电操作。本申请实施例对第一临界值没有特别限制，只要能实现本申请目的即可，例如，第一临界值可以为60％、70％、80％、90％或100％。本申请实施例对间歇式充电操作中的充电方式没有特别限制，只要能实现本申请实施例目的即可，可以是恒压充电，也可以是恒流充电，还可以是恒流和恒压充电，或者分段恒流式充电。
与样本电化学装置相关的第一数据可以是指能够反映电化学装置状态的数据，包括但不限于电化学装置的充电电压、充电电流等数据。
参照图4所示，在一种实施例中，方式C1具体包括：
步骤410、获取在各间断期间样本电化学装置的内阻和SOC。
本申请实施例中，在间歇式充电操作中，可以基于各间断期间检测到的样本电化学装置的端电压和电流，确定样本电化学装置的内阻。
以在当前间断期间，确定样本电化学装置的内阻为例进行说明。具体地，获取样本电化学装置在该间断期间的开始时间点的第一端电压和在该间断期间的结束时间点的第二端电压(例如，通过BMS的AFE获取)，确定第一端电压和所述第二端电压的电压差，基于电压差和在充电期间检测到的电化学装置的电流，确定样本电化学装置的内阻。
本申请实施例中，在间歇式充电操作中，可以基于预先保存的电压-SOC关系表，确定样本电化学装置的SOC。例如，BMS中可以预先保存一个电压-SOC关系表，电压-SOC关系表中记录有不同端电压对应的电化学装置的SOC，例如，4.2V对应85％SOC，4.3V对应90％SOC。由此，在获取到样本电化学装置在当前间断期间的结束时间点的端电压之后，基于该端电压和电压-SOC关系表，便可以确定电化学装置的SOC。应理解，也可以基于样本电化学装置在当前间断期间的开始时间点的端电压和电压-SOC关系表，确定样本电化学装置的SOC，本实施例对此不做限定。
步骤420、基于各间断期间的SOC和内阻，得到第一曲线。
本申请实施例中，获取样本电化学装置的各间断期间的SOC和内阻后，可以得到多个SOC和内阻组成的数据对，可以以样本电化学装置的SOC为横坐标，以电化学装置的内阻为纵坐标，将这些数据对所代表的点填充在坐标系中，经拟合后得到第一曲线，第一曲线表示第一曲线表示电化学装置的内阻随SOC的变化。
可以理解的是，电化学装置的SOC和内阻数据采集的越密集，则得到的数据对越多，可以得到更加细致的第一曲线。利用数据进行曲线拟合的过程为本领域技术人员所熟知的，本申请实施例对比不做具体限定。
步骤430、基于第一曲线，确定样本充电状态数据对应的电化学装置析锂程度真值。
具体地，在一种实现方式中，步骤330可以包括：
步骤430A、对第一曲线进行微分，得到第一微分曲线。
由于第一曲线表示电化学装置的内阻R随样本电化学装置的SOC的变化，因此对第一曲线进行微分获得的第一微分曲线，也即第一微分曲线为第一曲线的一阶微分曲线，其实际上表示电化学装置的内阻随SOC的变化率。
步骤430B、若第一微分曲线中不存在极大值，则确定电化学装置析锂程度真值为第一析锂程度，第一析锂程度表示电化学装置无析锂。
从数学意义上而言，当第一微分曲线同时具有极大值和极小值，则说明第一微分曲线上的原本的平坦区域出现了较明显的起伏变化，即出现了异常降低。本申请实施例中，第一微分曲线表示电化学装置的内阻随SOC的变化率。当变化率在曲线平坦区域未出现异常降低时，表示电化学装置无活性锂析出，如图5的曲线501所示。当变化率在曲线平坦区域出现异常降低时，由于活性锂在负极表面析出并与负极接触，相当于负极石墨部分并联一个锂金属器件，使整个负极部分的阻抗降低，从而使电化学装置的内阻在活性锂析出时出现异常降低，对应的，使得第一微分曲线的平坦区域出现异常降低，如图5的曲线502所示，存在极大值O1点和极小值P1。
基于上述原理，在第一微分曲线中不存在极大值时，则确定电化学装置析锂程度真值为第一析锂程度。在本申请的一个示例中，第一析锂程度由矢量[1,0,0]。
步骤430C、若极大值和极小值都存在，且极大值对应的内阻和极小值对应的内阻之间的差值小于预设内阻阈值，则确定电化学装置析锂程度真值为第二析锂程度，第二析锂程度指示电化学装置发生析锂。
在极大值和极小值都存在时，如图5的曲线502所示，表明该样本电化学装置在该极大值处出现析锂倾向或已经出现析锂。此时，若极大值对应的内阻和极小值对应的内阻之间的差值小于预设内阻阈值，则表明样本电化学装置发生轻微析锂，将电化学装置析锂程度真值为第二析锂程度。在本申请的一个示例中，第二析锂程度由矢量[0,1,0]。
步骤430D、若极大值和极小值都存在，且极大值对应的内阻和极小值对应的内阻之间的差值大于预设内阻阈值，则确定电化学装置析锂程度真值为第三析锂程度，第三析锂程度大于所述第二析锂程度。
与步骤430C类似，极大值和极小值都存在，表明该样本电化学装置在该极大值处出现析锂倾向或已经出现析锂。然而，由于极大值对应的内阻和极小值对应的内阻之间的差值大于预设内阻阈值，可以确定样本电化学装置发生严重析锂，将电化学装置析锂程度真值为第三析锂程度。在本申请的一个示例中，第三析锂程度由矢量[0,0,1]。
应理解，本实现方式中，第一析锂程度、第二析锂程度和第三析锂程度的矢量表示方式仅为一种示例，第一析锂程度、第二析锂程度和第三析锂程度也可以采用其他矢量表示方式，本实施例对此不做限定。
应理解，步骤430A至步骤430D仅示出了一种基于第一曲线确定样本充电状态数据对应的电化学装置析锂程度真值的方式，在其他实现方式中也可以基于第一曲线以其他方式确定电化学装置析锂程度真值。
本实现方式中，通过向样本电化学装置导入指定的脉冲充电工况，对样本电化学装置进行间歇式充电操作，获取到准确的电压、电流，进而使得基于这些电压、电流进行处理，可以以较高的精度确定电化学装置析锂程度真值，从而使得利用这样的电化学装置析锂程度真值训练的BP神经网络具有较高的预测精度。
下面分别对方式C2的具体实现过程进行详细描述。
方式C2包括：对样本电化学装置进行恒流充电，并静置，在静置时获取与样本电化学装置相关的第二数据，基于所述第二数据确定样本充电状态数据对应的电化学装置析锂程度真值。
其中，静置是指不对电化学装置采取的充电或者放电操作。第二数据可以包括所述静置期间所述电化学装置的端电压，该端电压例如可以通过BMS的AFE获取。
参照图6所示，在一种具体实现方式中，方式C2可以包括：
步骤610、基于所述端电压，得到第二曲线。所述第二曲线表示所述端电压随时间的变化。
在本实现方式中，第二曲线具体表示电化学装置在静置时的端电压随时间的变化曲线，其整体是端电压随时间下降的曲线。
具体来说，建立第二曲线时，可以是在获取样本电化学装置的静置时的端电压的同时，记录对应的静置时间，从而得到多个端电压和静置时间组成的数据对，可以以静置时间为横坐标，以电化学装置的端电压为纵坐标，将这些数据对所代表的点填充在坐标系中，再进行拟合，从而获得第二曲线，显然，该第二曲线可以用来表示所述端电压随时间的变化。
应理解，样本电化学装置的端电压和静置时间数据采集的越密集，则得到的数据对越多，可以得到更加细致的第二曲线。利用数据进行曲线拟合的过程为本领域技术人员所熟知的，本申请实施例对此不做具体限定。
步骤620、基于所述第二曲线，确定样本充电状态数据对应的电化学装置析锂程度真值。
具体地，在一种实现方式中，步骤620可以包括：
步骤620A：对第二曲线进行微分，得到第二微分曲线。
由于第二曲线表示电化学装置的端电压随时间的变化，因此对第二曲线进行微分获得的第二微分曲线，也即第二微分曲线为第二曲线的一阶微分曲线，其实际上表示电化学装置的端电压随时间的变化率。图11示出了一个示例性第二微分曲线1110的曲线图。应理解的是，该曲线1110仅用于便于示意性描述和理解本实施例，而不作为对本实施例的限制。
步骤620B、若第二微分曲线中不存在极大值，则确定电化学装置析锂程度真值为第一析锂程度，第一析锂程度表示电化学装置无析锂。
从数学意义上而言，当第二微分曲线同时具有极大值和极小值，则说明第二微分曲线上的原本的平坦区域出现了较明显的起伏变化，即出现异常降低，其表明在该样本电化学装置出现析锂倾向或已经出现析锂。如图11所示，曲线1110中存在极大值O2和极小值P2，这指示样本电化学装置出现析锂倾向或已经出现析锂。相反，若不存在极大值，则表明样本电化学装置无析锂。
步骤620C、若极大值和极小值都存在，且极大值对应的电压与极小值对应的电压之间的差值小于预设电压阈值，则确定电化学装置析锂程度真值为第二析锂程度，第二析锂程度指示电化学装置发生析锂。
步骤620D、若极大值和极小值都存在，且极大值对应的电压与极小值对应的电压之间的差值大于预设电压阈值，则确定电化学装置析锂程度真值为第三析锂程度，第三析锂程度大于第二析锂程度。
本实施例中，在第二微分曲线中不存在极大值，则确定电化学装置析锂程度真值为第一析锂程度，其可以由矢量[1,0,0]表示。而，当极大值和极小值都存在时，确定样本电化学装置出现析锂倾向或已经出现析锂。进一步地，基于极大值对应的电压与极小值对应的电压之间的差值大于预设电压阈值的关系，确定电化学装置析锂程度真值为第二析锂程度或第三析锂程度，其分别可以由矢量[0,1,0]和矢量[0,0,1]进行表示。
应理解，本实现方式中，第一析锂程度、第二析锂程度和第三析锂程度的矢量表示方式仅为一种示例，第一析锂程度、第二析锂程度和第三析锂程度也可以采用其他矢量表示方式，本实施例对此不做限定。
应理解，步骤620A至步骤620D仅示出了一种基于第二曲线确定样本充电状态数据对应的电化学装置析锂程度真值的方式，在其他实现方式中也可以基于第二曲线以其他方式确定电化学装置析锂程度真值。
本实现方式中，无需向样本电化学装置导入指定的脉冲充电工况，仅需要采集样本电化学装置充电结束时的电压曲线，即可基于该电压曲线确定电化学装置析锂程度真值，整个操作简单、方便。
应理解，以上通过方式C1和C2获取样本状态数据对应的电化学装置析锂程度真值仅为一种示例，在其他实施例中，在每执行预设次数的充放电操作之后，或者在对M2个样本电化学装置充电至预设SOC，并在N2个预设存储工况下存储预设时段之后，还可以通过电池拆解、中子衍射等方式获取样本状态数据对应的电化学装置析锂程度真值，本申请实施例对此不做限定。
为了提高对电化学装置析锂程度判断的准确性，图7示出了本申请实施例提供的另一种电化学装置析锂检测方法的步骤流程图。如图7所示，该方法还包括：
步骤710、获取待测电化学装置的当前充电状态数据。
步骤720、将所述当前充电状态数据输入预先训练的BP神经网络中，得到所述当前充电状态数据对应的电化学装置析锂程度；其中，所述BP神经网络是根据各样本充电状态数据、以及各样本充电状态数据对应的电化学装置析锂程度真值训练得到。
步骤730、基于当前充电状态数据和预测得到的电化学装置析锂程度，获取至少一个电化学装置的历史状态数据。
其中，历史状态数据用于指示所述电化学装置的历史使用工况和老化程度。
步骤740、对历史状态数据进行聚类处理，根据聚类结果对预测得到的电化学装置析锂程度进行验证。
在本申请实施例中，步骤710至步骤740可以由电池管理系统连接的云端服务器执行，具体地，在云端服务器基于获取的待测电化学装置的当前充电状态数据，并通过预先训练的BP神经网络得到当前充电状态数据对应的电化学装置析锂程度之后，基于当前充电状态数据和预测得到的电化学装置析锂程度，获取至少一个电化学装置的历史状态数据。然后，对所获取的历史状态数据进行聚类处理，根据聚类结果对预测得到的电化学装置析锂程度进行验证。在验证完成之后，可以将验证结果发送至电池管理系统。
在本申请的另一种实施例中，步骤710和步骤720由电池管理系统执行，而步骤730和步骤740由云端服务器执行。具体地，在电池管理系统获取到当前充电状态数据，并通过预先训练的BP神经网络得到当前充电状态数据对应的电化学装置析锂程度之后，将当前充电状态数据和预测得到的电化学装置析锂程度发送至云端服务器。云端服务器基于当前充电状态数据和预测得到的电化学装置析锂程度，获取至少一个电化学装置的历史状态数据，进而对所获取的历史状态数据进行聚类处理，根据聚类结果对预测得到的电化学装置析锂程度进行验证，并将验证结果发送至BMS电池管理系统。
本申请实施例中，步骤710和步骤720的执行过程和工作原理与图1实施例中的步骤110和120相似，此处不再详细赘述。
在步骤730中，可以在预测得到的电化学装置析锂程度指示无析锂的情况下，基于当前充电状态数据和预测得到的电化学装置析锂程度，获取至少一个电化学装置的历史状态数据。
具体地，云端服务器中存储有大量电化学装置的历史状态数据，云端服务器可以基于当前充放电状态数据和对应的电化学装置析锂程度，在这些历史状态数据中选择与当前充放电状态数据和对应的电化学装置析锂程度较为接近的电化学装置的历史状态数据。进而，基于对所获取的历史状态数据进行聚类处理。若聚类处理的结果指示与所获取的历史状态数据对应的电化学装置析锂程度与当前充电状态数据对应的电化学装置析锂程度相同的概率大于预设阈值，则确定预测得到的电化学装置析锂程度正确，否则，确定预测得到的电化学装置析锂程度测得到的电化学装置析锂程度错误。由于通过大数据分析，对通过BP神经网络得到的当前充电状态数据对应的电化学装置析锂程度进一步验证，提高了电化学装置析锂检测的可靠性。
在本申请实施例中，历史状态数据包括的数据类型可以与当前充放电状态数据以及预测得到的电化学装置析锂程度相同，例如，包括电压、电流、温度、荷电状态、容量保持率、内阻、SOH以及析锂程度等。为了提供聚类速度和聚类精度，在本申请的一种实施例中，历史状态数据可以电化学装置的SOH、析锂程度和充电倍率。
本申请实施例中，由于通过大数据分析，对通过BP神经网络得到的当前充电状态数据对应的电化学装置析锂程度进一步验证，提高了电化学装置析锂检测的可靠性。
本申请实施例还提供了一种电子设备，如图8所示，该电子设备800包括：第一获取模块810和处理模块820。第一获取模块810，用于获取待测电化学装置的当前充电状态数据。处理模块，用于将当前充电状态数据输入预先训练的BP神经网络中，得到当前充电状态数据对应的电化学装置析锂程度。其中，BP神经网络是根据各样本充电状态数据、以及各样本充电状态数据对应的电化学装置析锂程度真值训练得到。
本申请实施例的电子设备中可以包括电化学装置。示例性地，该电子设备可以是新能源车辆、移动电话、平板电脑等内置锂离子电池、具有数据处理能力的设备。本申请实施例对第一获取模块810和处理模块820的结构没有特别限制，只要能够实现相应功能即可。
在本申请的一种实现方式中，电子设备还包括归一化模块。该归一化模块用于：在将当前充电状态数据输入预先训练的BP神经网络中之前，对当前充电状态数据进行归一化处理。
在本申请的一种实现方式中，待测电化学装置的当前充电状态数据至少包括：在当前时刻获取的待测电化学装置的电压、电流、温度、荷电状态、容量保持率和内阻。
在本申请的一种实现方式中，待测电化学装置的当前充电状态数据还包括：待测电化学装置的健康状态SOH。
在本申请的一种实现方式中，电子设备还包括：构建模块、第二获取模块和训练模块。构建模块用于构建初始BP神经网络。第二获取模块，用于获取样本充电状态数据，并获取样本充电状态数据对应的电化学装置析锂程度真值。训练模块将样本充电状态数据、以及样本充电状态数据对应的电化学装置析锂程度真值输入初始BP神经网络，训练得到BP神经网络。
在本申请的一种实现方式中，第二获取模块具体用于执行以下中的至少一个：对M1个样本电化学装置分别在N1个预设运行工况下进行充放电操作，在每执行预设次数的充放电操作之后，获取样本电化学装置的样本充电状态数据，并获取样本充电状态数据对应的电化学装置析锂程度真值，其中，一个样本电化学装置对应一个预设运行工况，M1为大于或等于N1的正整数；或对M2个样本电化学装置充电至预设SOC，并在N2个预设存储工况下存储预设时段之后，获取样本电化学装置的样本充电状态数据，并获取样本充电状态数据对应的电化学装置析锂程度真值，其中，一个样本电化学装置对应一个预设存储工况，M2为大于或等于N2的正整数。
在本申请的一种实现方式中，第二获取模块具体用于：对样本电化学装置进行间歇式充电操作，在间歇式充电操作中获取与样本电化学装置相关的第一数据，基于第一数据确定样本充电状态数据对应的电化学装置析锂程度真值；或者，对样本电化学装置进行恒流充电，并静置，在静置时获取与样本电化学装置相关的第二数据，基于第二数据确定样本充电状态数据对应的电化学装置析锂程度真值。
在本申请的一种实现方式中，间歇式充电操作包括多个充电期间和多个间断期间，第一数据包括样本电化学装置的SOC和内阻，第二获取模块用于：获取各间断期间样本电化学装置的SOC和内阻；基于所获取的多个SOC和与多SOC对应的多个内阻，得到第一曲线，第一曲线为样本电化学装置的内阻随SOC的变化；基于第一曲线，确定样本充电状态数据对应的电化学装置析锂程度真值。
在本申请的一种实现方式中，第二获取模块具体用于：对第一曲线进行微分，得到第一微分曲线；若第一微分曲线中不存在极大值，则确定电化学装置析锂程度真值为第一析锂程度，第一析锂程度表示电化学装置无析锂；若极大值和极小值都存在，且极大值对应的内阻和极小值对应的内阻之间的差值小于预设内阻阈值，则确定电化学装置析锂程度真值为第二析锂程度，第二析锂程度指示电化学装置发生析锂；若极大值和极小值都存在，且极大值对应的内阻和极小值对应的内阻之间的差值大于预设内阻阈值，则确定电化学装置析锂程度真值为第三析锂程度，第三析锂程度大于第二析锂程度。
在本申请的一种实现方式中，第二数据包括静置期间样本电化学装置的端电压，第二获取模块具体用于：基于端电压，得到第二曲线，第二曲线表示端电压随时间的变化；基于第二曲线，确定样本充电状态数据对应的电化学装置析锂程度真值。
在本申请的一种实现方式中，第二获取模块具体用于：对第二曲线进行微分，得到第二微分曲线；若第二微分曲线中不存在极大值，则确定电化学装置析锂程度真值为第一析锂程度，第一析锂程度表示电化学装置无析锂；若极大值和极小值都存在，且极大值对应的电压与极小值对应的电压之间的差值小于预设电压阈值，则确定电化学装置析锂程度真值为第二析锂程度，第二析锂程度指示电化学装置发生析锂；若极大值和极小值都存在，且极大值对应的电压与极小值对应的电压之间的差值大于预设电压阈值，则确定电化学装置析锂程度真值为第三析锂程度，第三析锂程度大于第二析锂程度。
本申请实施例中的电子设备可用于实现前述多个方法实施例中相应的析锂检测方法，并具有相应的方法实施例的有益效果，在此不再赘述。此外，本实施例的电子设备中的各个装置的功能实现均可参照前述方法实施例中的相应部分的描述，在此亦不再赘述。
本申请实施例还提供了一种充电装置，如图9所示，该充电装置900包括处理器901和机器可读存储介质902，该充电装置910还可以包括充电电路模块903、接口904、电源接口905、整流电路906。其中，充电电路模块903用于对锂离子电池(也即电化学装置)进行间歇式充电操作；充电电路模块903还可以用于采集锂离子电池的端电压和电流等参数，并将这些参数发送至处理器；接口904用于与电化学装置2000电连接；电源接口905用于与外部电源连接；整流电路906用于对输入电流进行整流；处理器902存储有能够被处理器执行的机器可执行指令，处理器901执行机器可执行指令时，实现上述任一方法实施例所述的方法步骤。
本申请实施例还提供了一种计算机可读存储介质，计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时，实现上述任一方法实施例所述的方法步骤。
本申请实施例还提供了一种电池系统，如图10所示，该电池系统1000包括第二处理器1001和第二机器可读存储介质1002，该电池系统1000还可以包括充电电路模块1003、锂离子电池1004以及第二接口1005。其中，充电电路模块1003用于对锂离子电池进行间歇式充电操作；充电电路模块1003还可以用于采集锂离子电池的端电压和电流等参数，并将这些参数发送至第二处理器。第二接口1005用于与外部充电器1200的接口连接；外部充电器1100用于提供电力；第二机器可读存储介质1002存储有能够被处理器执行的机器可执行指令，第二处理器1001执行机器可执行指令时，实现上述任一方法实施例所述的方法步骤。外部充电器1100可以包括第一处理器1101、第一机器可读存储介质1102、第一接口1103及相应的整流电路，该外部充电器可以是市售充电器，本申请实施例对其结构不做具体限定。
本申请实施例还提供了一种电子设备，包括上述实施例所述的电池系统。
上述的机器可读存储介质可以包括随机存取存储器(Random Access Memory，简称RAM)，也可以包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
对于电子设备/充电装置/存储介质/电池系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
Claims (10)
1.一种电化学装置析锂检测方法，其中，所述方法包括：
获取待测电化学装置的当前充电状态数据；
将所述当前充电状态数据输入预先训练的BP神经网络中，得到所述当前充电状态数据对应的电化学装置析锂程度；其中，所述BP神经网络是根据各样本充电状态数据、以及各样本充电状态数据对应的电化学装置析锂程度真值训练得到。
2.根据权利要求1所述的方法，其特征在于，还包括：
基于当前充电状态数据和预测得到的电化学装置析锂程度，获取至少一个电化学装置的历史状态数据，所述历史状态数据用于指示所述电化学装置的历史使用工况和老化程度；
对历史状态数据进行聚类处理，根据聚类结果对预测得到的电化学装置析锂程度进行验证。
3.根据权利要求1所述的方法，其特征在于，所述BP神经网络的训练过程包括：
构建初始BP神经网络；
获取样本充电状态数据，并获取样本充电状态数据对应的电化学装置析锂程度真值；
将所述样本充电状态数据、以及所述样本充电状态数据对应的电化学装置析锂程度真值输入所述初始BP神经网络，训练得到所述BP神经网络。
4.根据权利要求3所述的方法，其特征在于，所述获取样本充电状态数据，并获取样本充电状态数据对应的电化学装置析锂程度真值，包括以下中的至少一个：
对M1个样本电化学装置分别在N1个预设运行工况下进行充放电操作，在每执行预设次数的充放电操作之后，获取样本电化学装置的样本充电状态数据，并获取样本充电状态数据对应的电化学装置析锂程度真值，其中，一个样本电化学装置对应一个预设运行工况，M1为大于或等于N1的正整数；或
对M2个样本电化学装置充电至预设SOC，并在N2个预设存储工况下存储预设时段之后，获取样本电化学装置的样本充电状态数据，并获取样本充电状态数据对应的电化学装置析锂程度真值，其中，一个样本电化学装置对应一个预设存储工况，M2为大于或等于N2的正整数。
5.根据权利要求4所述的方法，其特征在于，所述获取样本充电状态数据对应的电化学装置析锂程度真值，包括：
对样本电化学装置进行间歇式充电操作，在所述间歇式充电操作中获取与样本电化学装置相关的第一数据，基于所述第一数据确定样本充电状态数据对应的电化学装置析锂程度真值；或者，
对样本电化学装置进行恒流充电，并静置，在静置时获取与样本电化学装置相关的第二数据，基于所述第二数据确定样本充电状态数据对应的电化学装置析锂程度真值。
6.根据权利要求5所述的方法，其特征在于，所述间歇式充电操作包括多个充电期间和多个间断期间，所述第一数据包括样本电化学装置的SOC和内阻，所述基于所述第一数据确定样本充电状态数据对应的电化学装置析锂程度真值，包括：
获取各间断期间样本电化学装置的SOC和内阻；
基于各间断期间的SOC和内阻，得到第一曲线，所述第一曲线为所述样本电化学装置的内阻随SOC的变化；
基于所述第一曲线，确定样本充电状态数据对应的电化学装置析锂程度真值。
7.根据权利要求6所述的方法，其特征在于，所述基于所述第一曲线，确定样本充电状态数据对应的电化学装置析锂程度真值，包括：
对所述第一曲线进行微分，得到第一微分曲线；
若所述第一微分曲线中不存在极大值，则确定所述电化学装置析锂程度真值为第一析锂程度，所述第一析锂程度表示电化学装置无析锂；
若所述极大值和极小值都存在，且所述极大值对应的内阻和所述极小值对应的内阻之间的差值小于预设内阻阈值，则确定所述电化学装置析锂程度真值为第二析锂程度，所述第二析锂程度指示电化学装置发生析锂；
若所述极大值和极小值都存在，且所述极大值对应的内阻和所述极小值对应的内阻之间的差值大于所述预设内阻阈值，则确定所述电化学装置析锂程度真值为第三析锂程度，所述第三析锂程度大于所述第二析锂程度。
8.根据权利要求5所述的方法，其特征在于，所述第二数据包括所述静置期间样本电化学装置的端电压，所述基于所述第二数据确定样本充电状态数据对应的电化学装置析锂程度真值，包括：
基于所述端电压，得到第二曲线，所述第二曲线表示所述端电压随时间的变化；
基于所述第二曲线，确定样本充电状态数据对应的电化学装置析锂程度真值。
9.根据权利要求8所述的析锂检测方法，其中，所述基于所述第二曲线，确定样本充电状态数据对应的电化学装置析锂程度真值，包括：
对所述第二曲线进行微分，得到第二微分曲线；
若所述第二微分曲线中不存在极大值，则确定所述电化学装置析锂程度真值为第一析锂程度，所述第一析锂程度表示电化学装置无析锂；
若所述极大值和极小值都存在，且所述极大值对应的电压与所述极小值对应的电压之间的差值小于预设电压阈值，则确定所述电化学装置析锂程度真值为第二析锂程度，所述第二析锂程度指示电化学装置发生析锂；
若所述极大值和极小值都存在，且所述极大值对应的电压与所述极小值对应的电压之间的差值大于所述预设电压阈值，则确定所述电化学装置析锂程度真值为第三析锂程度，所述第三析锂程度大于所述第二析锂程度。
10.一种电子设备，包括：第一获取模块和处理模块；
所述第一获取模块，用于获取待测电化学装置的当前充电状态数据；
所述处理模块，用于将所述当前充电状态数据输入预先训练的BP神经网络中，得到所述当前充电状态数据对应的电化学装置析锂程度；其中，所述BP神经网络是根据各样本充电状态数据、以及各样本充电状态数据对应的电化学装置析锂程度真值训练得到。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111496400.2A CN114200310B (zh) | 2021-12-08 | 2021-12-08 | 电化学装置析锂检测方法及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111496400.2A CN114200310B (zh) | 2021-12-08 | 2021-12-08 | 电化学装置析锂检测方法及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114200310A true CN114200310A (zh) | 2022-03-18 |
| CN114200310B CN114200310B (zh) | 2023-12-26 |
Family
ID=80651429
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111496400.2A Active CN114200310B (zh) | 2021-12-08 | 2021-12-08 | 电化学装置析锂检测方法及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114200310B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017073370A (ja) * | 2015-10-09 | 2017-04-13 | 株式会社ピューズ | 蓄電池保全装置、及び、蓄電池保全方法 |
| CN108872859A (zh) * | 2017-05-16 | 2018-11-23 | 宁德时代新能源科技股份有限公司 | 电池析锂的检测方法、电池管理系统及电池系统 |
| CN109655760A (zh) * | 2018-12-27 | 2019-04-19 | 深圳市比克动力电池有限公司 | 一种锂离子电池析锂的无损检测方法及其应用方法 |
| CN109871976A (zh) * | 2018-12-20 | 2019-06-11 | 浙江工业大学 | 一种基于聚类及神经网络的含分布式电源配电网电能质量预测方法 |
| CN109916987A (zh) * | 2018-12-29 | 2019-06-21 | 欣旺达惠州动力新能源有限公司 | 一种电化学析锂分析方法及其模块装置 |
| JP2019117685A (ja) * | 2017-10-25 | 2019-07-18 | ゼジャン・ゴッドセンド・パワー・テクノロジー・カンパニー・リミテッド | リチウムイオン電池の充放電システム、制御装置及び関連方法 |
| JP2020064781A (ja) * | 2018-10-18 | 2020-04-23 | トヨタ自動車株式会社 | 電池制御装置 |
| CN111505503A (zh) * | 2020-04-17 | 2020-08-07 | 北京航空航天大学 | 基于微观机理的锂离子电池老化试验方法和试验装置 |
| CN111638461A (zh) * | 2020-06-27 | 2020-09-08 | 天能帅福得能源股份有限公司 | 一种锂离子电池充电析锂实时检测方法及系统 |
| CN111983464A (zh) * | 2020-07-20 | 2020-11-24 | 武汉数值仿真技术研究院有限公司 | 一种基于纯电动车用锂电池析锂测试方法 |
| CN112014745A (zh) * | 2020-08-27 | 2020-12-01 | 洛阳理工学院 | 一种针对动力电池的三级故障诊断方法 |
| CN112436202A (zh) * | 2020-10-22 | 2021-03-02 | 中车长春轨道客车股份有限公司 | 一种防止锂离子电池负极析锂的阶梯式电流充电方法 |
| CN112710957A (zh) * | 2020-12-26 | 2021-04-27 | 清华大学 | 电池充电析锂检测方法、装置及计算机设备 |
| CN113036846A (zh) * | 2021-03-08 | 2021-06-25 | 山东大学 | 基于阻抗检测的锂离子电池智能优化快速充电方法及系统 |
| CN113083739A (zh) * | 2021-04-07 | 2021-07-09 | 东软睿驰汽车技术（沈阳）有限公司 | 电芯分选方法、装置以及计算机设备 |
| CN113156320A (zh) * | 2021-03-12 | 2021-07-23 | 山东大学 | 基于深度学习的锂离子电池soc估计方法及系统 |
-
2021
- 2021-12-08 CN CN202111496400.2A patent/CN114200310B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017073370A (ja) * | 2015-10-09 | 2017-04-13 | 株式会社ピューズ | 蓄電池保全装置、及び、蓄電池保全方法 |
| CN108872859A (zh) * | 2017-05-16 | 2018-11-23 | 宁德时代新能源科技股份有限公司 | 电池析锂的检测方法、电池管理系统及电池系统 |
| JP2019117685A (ja) * | 2017-10-25 | 2019-07-18 | ゼジャン・ゴッドセンド・パワー・テクノロジー・カンパニー・リミテッド | リチウムイオン電池の充放電システム、制御装置及び関連方法 |
| JP2020064781A (ja) * | 2018-10-18 | 2020-04-23 | トヨタ自動車株式会社 | 電池制御装置 |
| CN109871976A (zh) * | 2018-12-20 | 2019-06-11 | 浙江工业大学 | 一种基于聚类及神经网络的含分布式电源配电网电能质量预测方法 |
| CN109655760A (zh) * | 2018-12-27 | 2019-04-19 | 深圳市比克动力电池有限公司 | 一种锂离子电池析锂的无损检测方法及其应用方法 |
| CN109916987A (zh) * | 2018-12-29 | 2019-06-21 | 欣旺达惠州动力新能源有限公司 | 一种电化学析锂分析方法及其模块装置 |
| CN111505503A (zh) * | 2020-04-17 | 2020-08-07 | 北京航空航天大学 | 基于微观机理的锂离子电池老化试验方法和试验装置 |
| CN111638461A (zh) * | 2020-06-27 | 2020-09-08 | 天能帅福得能源股份有限公司 | 一种锂离子电池充电析锂实时检测方法及系统 |
| CN111983464A (zh) * | 2020-07-20 | 2020-11-24 | 武汉数值仿真技术研究院有限公司 | 一种基于纯电动车用锂电池析锂测试方法 |
| CN112014745A (zh) * | 2020-08-27 | 2020-12-01 | 洛阳理工学院 | 一种针对动力电池的三级故障诊断方法 |
| CN112436202A (zh) * | 2020-10-22 | 2021-03-02 | 中车长春轨道客车股份有限公司 | 一种防止锂离子电池负极析锂的阶梯式电流充电方法 |
| CN112710957A (zh) * | 2020-12-26 | 2021-04-27 | 清华大学 | 电池充电析锂检测方法、装置及计算机设备 |
| CN113036846A (zh) * | 2021-03-08 | 2021-06-25 | 山东大学 | 基于阻抗检测的锂离子电池智能优化快速充电方法及系统 |
| CN113156320A (zh) * | 2021-03-12 | 2021-07-23 | 山东大学 | 基于深度学习的锂离子电池soc估计方法及系统 |
| CN113083739A (zh) * | 2021-04-07 | 2021-07-09 | 东软睿驰汽车技术（沈阳）有限公司 | 电芯分选方法、装置以及计算机设备 |
Non-Patent Citations (1)
| Title |
|---|
| 边楠: "锂电池安全预警的神经网络算法研究", 《北京汽车》, pages 46 - 49 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114200310B (zh) | 2023-12-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3550317B1 (en) | Method and device for detecting battery micro-short circuit | |
| US11598816B2 (en) | Method and system for online assessing state of health of a battery | |
| CN106324508B (zh) | 电池健康状态的检测装置及方法 | |
| US11156668B2 (en) | Method for iteratively identifying parameters of equivalent circuit model of battery | |
| KR102156404B1 (ko) | 배터리 셀 성능 테스트 장치 및 방법 | |
| Takyi‐Aninakwa et al. | A strong tracking adaptive fading‐extended Kalman filter for the state of charge estimation of lithium‐ion batteries | |
| CN107015163B (zh) | 一种电池容量的获取方法和装置 | |
| EP3786653A1 (en) | Battery state estimation method | |
| CN104698385A (zh) | 电池状态计算装置和电池状态计算方法 | |
| JP2023523370A (ja) | リチウムメッキを検出するための方法及び装置、並びに分極比率を取得するための方法及び装置 | |
| CN111463513B (zh) | 一种锂电池满充容量估计的方法及装置 | |
| EP3940405A1 (en) | Method for estimating state of health of battery | |
| KR102572652B1 (ko) | 배터리의 충전상태를 추정하는 방법 | |
| CN112578298B (zh) | 电池温度估算方法、装置、电子设备及存储介质 | |
| Chen et al. | Sliding mode observer for state of charge estimation based on battery equivalent circuit in electric vehicles | |
| CN114035096B (zh) | 电化学装置soh评估方法、电子设备及电池系统 | |
| US20160139207A1 (en) | Apparatus for calculating state of charge of storage battery | |
| WO2023088037A1 (zh) | 电化学装置管理方法、电子设备及电池系统 | |
| EP3988952A1 (en) | Method for detecting abnormal battery cell | |
| CN115380221A (zh) | 二次电池诊断设备及方法 | |
| KR102657496B1 (ko) | 배터리 관리 장치 및 방법 | |
| CN112098847B (zh) | 一种考虑机械应变的锂离子电池soc估计方法 | |
| CN109716151B (zh) | 用于估计电池电压的方法和设备 | |
| Li et al. | State-of-charge estimation of lithium-ion battery using multi-state estimate technic for electric vehicle applications | |
| CN116754971A (zh) | 电池析锂检测的方法、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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |