CN114355197B - 一种动力电池余能快速检测方法及装置 - Google Patents
一种动力电池余能快速检测方法及装置 Download PDFInfo
- Publication number
- CN114355197B CN114355197B CN202111486581.0A CN202111486581A CN114355197B CN 114355197 B CN114355197 B CN 114355197B CN 202111486581 A CN202111486581 A CN 202111486581A CN 114355197 B CN114355197 B CN 114355197B
- Authority
- CN
- China
- Prior art keywords
- battery
- data
- model
- voltage
- training
- 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.)
- Active
Links
Images
Classifications
-
- 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
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W30/00—Technologies for solid waste management
- Y02W30/50—Reuse, recycling or recovery technologies
- Y02W30/84—Recycling of batteries or fuel cells
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种动力电池余能快速检测方法及装置,方法包括:通过最小二乘支持向量机方法对样本电池数据进行初步训练,确定模型构造参数;根据所述模型构造参数和采集的充放电数据,训练电池余能检测模型;获取待检测电池数据,通过所述电池余能检测模型生成余能检测结果。本发明提高了检测精度和效率,可广泛应用于电池检测技术领域。
Description
技术领域
本发明涉及电池检测技术领域,尤其是一种动力电池余能快速检测方法及装置。
背景技术
随着新能源汽车行业的发展,车用动力电池的报废渐成规模,而这部分电池的剩余容量大都在80%以上,如果直接淘汰则对资源造成了浪费。梯次利用的方法能赋予退役电池新的用途,延长电池使用时间的同时,提高电池的使用效益。梯次利用的关键在于动力电池的余能检测。
目前,退役动力电池数量巨大,相关电池余能检测的技术中,存在难以同时保证检测精度和效率的问题。直接测量法耗时长不适用于大规模测量;电化学阻抗谱法由于设备昂贵未得到大量推广;等效电路模型计算量小,但鲁棒性较差,不同工况条件下的余能检测容易产生误差;电化学模型精度较高,但相关参数辨识困难。
发明内容
有鉴于此,本发明实施例提供一种检测精度高且效率高的动力电池余能快速检测方法及装置。
本发明的一方面提供了一种动力电池余能快速检测方法,包括:
通过最小二乘支持向量机方法对样本电池数据进行初步训练,确定模型构造参数;
根据所述模型构造参数和采集的充放电数据,训练电池余能检测模型;
获取待检测电池数据,通过所述电池余能检测模型生成余能检测结果。
可选地,所述通过最小二乘支持向量机方法对样本电池数据进行初步训练,确定模型构造参数,包括:
获取训练样本集;
根据所述训练样本集,构建高维线性映射函数;
根据所述线性映射函数,采用结构风险最小化原则构建LSSVM回归预测问题;
根据拉格朗日法对所述LSSVM回归预测问题优化为线性方程;
对所述线性方程进行求解,得到非线性映射模型;
定义初始临界系数,对所述非线性映射模型进行优化,确定最优临界系数;
将所述最优临界系数确定为所述模型构造参数。
可选地,所述方法还包括构建训练样本集的步骤;
其中,训练样本集D={(x1,y1),(x2,y2),…,(xm,ym)},(xi,yi)为样本空间D中任意点坐标;
xi(i=1,2,…,m)为模型输入值,用于表征电池端电压数据;yi(i=1,2,…,m)为响应值,用于表征电池余能;
所述高维线性映射函数的表达式为:
所述LSSVM回归预测问题的表达式为:
其中,minP(w,e)为求函数P(w,e)的极小值;ei为训练误差;γ为正规化因子;s.t.表示需要满足的条件;e=(e1,e2,…,en)T为预测误差的偏差向量;
所述线性方程的表达式为:
其中,L(w,b,e,α)为定义的拉格朗日函数,α=(α1,αi,…,αi),αi为拉格朗日乘子;
所述非线性映射模型的表达式为:
其中,y(x)代表模型响应值,所述模型响应值用于表征电池余能检测值;K(x,xi)为核函数。
可选地,所述根据所述模型构造参数和采集的充放电数据,训练电池余能检测模型,包括:
将锂电池置于目标电流模式下进行充电,当电池电压达到第一目标电压值时,在恒定电压下对所述锂电池进行恒压充电,直到充电电流降低到第一目标电流值时,在恒定电流水平下进行放电,直到电池电压降低到第二目标电压值,计算得到锂电池在完全放电过程中的电池余能;
获取锂电池在恒定电流水平下进行放电时的电压数据,得到不同电池容量的电压训练数据;
根据所述电压训练数据,结合不同电压值的基准电压,构建电池的电压训练数据集;
根据所述模型构造参数和所述电压训练数据集对电池余能检测模型进行模型训练。
可选地,所述根据所述模型构造参数和采集的充放电数据,训练电池余能检测模型,还包括:
使用交叉验证将所述电压训练数据集进行分折处理。
可选地,所述获取待检测电池数据,通过所述电池余能检测模型生成余能检测结果,包括:
在预设室温条件下,对待检测电池进行放电操作或先充电后放电操作,周期性获取电池端电压数据;
遍历所述电池端电压数据,找到目标基准电压;
根据所述目标基准电压确定测试数据集;
将所述测试数据集输入所述电池余能检测模型,生成余能检测结果。
本发明实施例的另一方面还提供了一种动力电池余能快速检测装置,包括:
第一模块,用于通过最小二乘支持向量机方法对样本电池数据进行初步训练,确定模型构造参数;
第二模块,用于根据所述模型构造参数和采集的充放电数据,训练电池余能检测模型;
第三模块,用于获取待检测电池数据,通过所述电池余能检测模型生成余能检测结果。
本发明实施例的另一方面还提供了一种电子设备,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例的另一方面还提供了一种计算机可读存储介质,所述存储介质存储有程序,所述程序被处理器执行实现如前面所述的方法。
本发明实施例的另一方面还提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如前面所述的方法。
本发明的实施例通过最小二乘支持向量机方法对样本电池数据进行初步训练,确定模型构造参数;根据所述模型构造参数和采集的充放电数据,训练电池余能检测模型;获取待检测电池数据,通过所述电池余能检测模型生成余能检测结果。本发明提高了检测精度和效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中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的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的整体步骤流程图;
图2为本发明实施例提供的算法处理阶段的步骤流程图;
图3为本发明实施例提供的模型训练阶段的步骤流程图;
图4为本发明实施例提供的余能预测阶段的步骤流程图;
图5为本发明实施例提供的电池编号为B1、B2、B3对应的估计结果;
图6为本发明实施例提供的不同电池编号对应的估计结果误差分析。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
针对现有技术存在的技术问题,本发明的一方面提供了一种动力电池余能快速检测方法,如图1所示,方法包括以下步骤:
通过最小二乘支持向量机方法对样本电池数据进行初步训练,确定模型构造参数;
根据所述模型构造参数和采集的充放电数据,训练电池余能检测模型;
获取待检测电池数据,通过所述电池余能检测模型生成余能检测结果。
可选地,所述通过最小二乘支持向量机方法对样本电池数据进行初步训练,确定模型构造参数,包括:
获取训练样本集;
根据所述训练样本集,构建高维线性映射函数;
根据所述线性映射函数,采用结构风险最小化原则构建LSSVM回归预测问题;
根据拉格朗日法对所述LSSVM回归预测问题优化为线性方程;
对所述线性方程进行求解,得到非线性映射模型;
定义初始临界系数,对所述非线性映射模型进行优化,确定最优临界系数;
将所述最优临界系数确定为所述模型构造参数。
可选地,所述方法还包括构建训练样本集的步骤;
其中,训练样本集D={(x1,y1),(x2,y2),…,(xm,ym)},(xi,yi)为样本空间D中任意点坐标;
xi(i=1,2,…,m)为模型输入值,用于表征电池端电压数据;yi(i=1,2,…,m)为响应值,用于表征电池余能;
所述高维线性映射函数的表达式为:
所述LSSVM回归预测问题的表达式为:
其中,minP(w,e)为求函数P(w,e)的极小值;ei为训练误差;γ为正规化因子;s.t.表示需要满足的条件;e=(e1,e2,…,en)T为预测误差的偏差向量;
所述线性方程的表达式为:
其中,L(w,b,e,α)为定义的拉格朗日函数,α=(α1,αi,…,αi),αi为拉格朗日乘子;
所述非线性映射模型的表达式为:
其中,y(x)代表模型响应值,所述模型响应值用于表征电池余能检测值;K(x,xi)为核函数。
可选地,所述根据所述模型构造参数和采集的充放电数据,训练电池余能检测模型,包括:
将锂电池置于目标电流模式下进行充电,当电池电压达到第一目标电压值时,在恒定电压下对所述锂电池进行恒压充电,直到充电电流降低到第一目标电流值时,在恒定电流水平下进行放电,直到电池电压降低到第二目标电压值,计算得到锂电池在完全放电过程中的电池余能;
获取锂电池在恒定电流水平下进行放电时的电压数据,得到不同电池容量的电压训练数据;
根据所述电压训练数据,结合不同电压值的基准电压,构建电池的电压训练数据集;
根据所述模型构造参数和所述电压训练数据集对电池余能检测模型进行模型训练。
可选地,所述根据所述模型构造参数和采集的充放电数据,训练电池余能检测模型,还包括:
使用交叉验证将所述电压训练数据集进行分折处理。
可选地,所述获取待检测电池数据,通过所述电池余能检测模型生成余能检测结果,包括:
在预设室温条件下,对待检测电池进行放电操作或先充电后放电操作,周期性获取电池端电压数据;
遍历所述电池端电压数据,找到目标基准电压;
根据所述目标基准电压确定测试数据集;
将所述测试数据集输入所述电池余能检测模型,生成余能检测结果。
本发明实施例的另一方面还提供了一种动力电池余能快速检测装置,包括:
第一模块,用于通过最小二乘支持向量机方法对样本电池数据进行初步训练,确定模型构造参数;
第二模块,用于根据所述模型构造参数和采集的充放电数据,训练电池余能检测模型;
第三模块,用于获取待检测电池数据,通过所述电池余能检测模型生成余能检测结果。
本发明实施例的另一方面还提供了一种电子设备,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如前面所述的方法。
本发明实施例的另一方面还提供了一种计算机可读存储介质,所述存储介质存储有程序,所述程序被处理器执行实现如前面所述的方法。
本发明实施例的另一方面还提供了一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如前面所述的方法。
下面结合说明书附图,对本发明的具体实现原理进行详细描述:
本发明提出的动力电池余能快速检测由三个处理阶段构成:算法处理阶段、模型训练阶段、余能检测阶段。
具体地,在算法处理阶段中,本发明实施例在最小二乘支持向量机算法(LS-SVM)的基础上,针对当前电池数据,确定临界参数αc,用于降低电池余能检测模型的复杂性,以获得更好的余能检测结果。在模型训练阶段中,将多组锂电池进行先恒流后恒压的充电操作,再进行恒流放电操作,反复操作实现电池循环充放电,同时采集电池端电压等数据;对已采集到的电压数据进行分段预处理,并将数据集分组用于模型训练。最后,在余能检测阶段中,实测电池端电压数据,通过已有模型进行电池余能检测。
下面详细描述以上三个阶段的具体实现过程:
1、算法处理阶段:
如图2所示,本发明实施例的算法处理阶段包括以下步骤S1-S4:
S1:设输入训练样本集为:{(x1,y1);(x2,y2);…;(xn,yn)}
式中,xn为预测值,yn为响应值。
高维线性映射函数为:
S2:根据结构风险最小化原则,并引入间隔概念,LSSVM回归预测问题可表示为:
式中,minP(w,e)为求函数P(w,e)的极小值,ei为训练误差,γ为正规化因子(权重),s.t.表示满足某种条件,e=(e1,e2,…,en)T为预测误差的偏差向量。
利用拉格朗日法求解(2)式,优化问题转化为求解线性方程:
式中,L(w,b,e,α)为定义的拉格朗日函数,α=(α1,αi,…,αi),αi为拉格朗日乘子。对(3)式求偏导可得
进一步求解可得非线性映射模型
式中,K(x,xi)为核函数。本方法选取径向基函数为核函数,即:
S3:通过定义临界系数αc对求解式(3)得到的系统αi进行改进,若|αi|<αc,则令αi=0。αc的取值由工程需要而定,αc越小,模型预测精度越高,模型复杂度越高,计算量越大。
S4:经过实验测算,当临界参数αc=0.02时,能在保证余能检测准确性的同时,提高算法运行速度,故本发明以临界参数αc=0.02作为模型构造参数。
2、模型训练阶段:
如图3所示,本发明实施例的模型训练阶段包括以下步骤:
S1:本发明先将单节锂电池在25℃、1.5A的恒定电流模式下进行充电,直到蓄电池电压达到4.2V,然后在恒定电压模式下继续充电,直到充电电流降至20mA,再在2A的恒流水平下进行放电,直到电池电压分别降至2.5V,并计算出电池完全放电过程中的电池余能。电池循环充放电期间,每隔9s取样一次电池数据。
S2:电压预测值分段预处理。取电池恒流放电的电压数据,以电池端电压3.7V为基准电压,每隔9s记录一次,记录不少于20次,得到不同电池容量的电压训练数据,取基准电压后10次的电压数据(包括基准电压)作为一组数据集。
S3:取电池恒流放电的电压数据,以电池端电压3.6V为基准电压,进行同样操作,可得到电池另一部分数据集。最终,以电池恒流放电端电压3.9V至3.2V区间数据为参考,整理数据,得到7组电池数据集,合并成总的训练数据集用于改进LS-SVM模型的训练。
S4:将经过S1、S2、S3操作得到的电池端电压数据,用于改进LS-SVM模型训练。取临界系数αc为0.02,并使用交叉验证将数据集分成5折,防止过拟合。根据模型预测变量个数始终保持一致的原则,每10个电池端电压数据映射一个电池余能状态。即模型预测变量为S2中基准电压后的10次电压数据,响应变量为电池当前计算得到的余能数据。
通过以上操作,得到基于改进LS-SVM的电池余能检测模型。
3、余能预测阶段:
如图4所示,本发明实施例的余能预测阶段包括以下步骤:
S1:在室温25℃的条件下,对送检动力电池进行放电或先充电后放电操作,测量电池端电压,同时每隔9s测量一次数据,测量次数不小于30次。
S2:遍历电池数据,找到基准电压3.9V、3.8V、3.7V、3.6V、3.5V、3.4V、3.3V、3.2V中的至少一个,并以此记录包括基准电压的10组电压数据作为一测试数据集。
S3:将测试数据集代入已有模型,进行电池余能的检测。即将通过S2得到基准电压后的10组电压数据,作为预测变量的10个输入值,通过已建立的改进LS-SVM模型对电池余能状态进行检测,得到1个余能响应变量,实现电池的余能检测。
综上所述,本发明替代原有动力电池余能检测的一系列繁琐操作,仅用电池充放电的端电压,即可实现动力电池的余能检测。同时由于采用电池电压数据分段预处理,电池数据测量时间大幅度缩短,效率大大提升。
相较于现有技术,本发明存在以下显著的改进特点:
1、利用改进最小二乘支持向量机算法,调整算法临界参数,对动力电池的余能检测更有针对性。
2、创新性地引入对测量数据的分段预处理,在保证精度的同时,缩短了动力电池余能检测时间,提高了检测效率。
3、本方案检测参数简单易行,主要为电池充放电时的端电压。
本发明实现了动力电池的余能快速准确检测,推动了动力电池梯次利用行业的发展。
接下来,本发明通过实施例对单节锂电池进行余能检测,过程如下:
根据已有改进LS-SVM模型,对B1、B2、B3三节电池的数次循环充放电过程进行余能检测,估计结果与误差分析如图5、图6以及下面表1所示:
表1电池余能检测结果分析
电池编号 | 最大误差(ME)% | 均方根误差(RMSE)% | 总运行时间/s |
B1 | 3.7273 | 0.7452 | 0.179 |
B2 | 2.5788 | 0.6441 | 0.176 |
B3 | 2.0194 | 0.5741 | 0.154 |
其中,图5和图6中的B1、B2、B3分别代表表1中所示的电池编号。
由图5和图6可知,电池余能与真实值的拟合程度高,在曲线两端也能跟踪真实值的变化,能够对不同RUL的电池进行余能检测,且该模型对不同电池余能的检测结果无明显差异。由表1进一步分析可得,预测模型大部分样本估计误差稳定在1%以内,均方根误差保持在0.5%~0.8之间,估计精度高,且总运行时间较快。
考虑到电池端电压的分段预处理,预测变量选取为电池非完全充放电数据,从送检电池到检测出电池余能,整个过程所用时间大幅度缩短。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能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(可以是个人计算机,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、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (6)
1.一种动力电池余能快速检测方法,其特征在于,包括:
通过最小二乘支持向量机方法对样本电池数据进行初步训练,确定模型构造参数;
根据所述模型构造参数和采集的充放电数据,训练电池余能检测模型;
获取待检测电池数据,通过所述电池余能检测模型生成余能检测结果;
所述通过最小二乘支持向量机方法对样本电池数据进行初步训练,确定模型构造参数,包括:
获取训练样本集;
根据所述训练样本集,构建高维线性映射函数;
根据所述线性映射函数,采用结构风险最小化原则构建LSSVM回归预测问题;
根据拉格朗日法对所述LSSVM回归预测问题优化为线性方程;
对所述线性方程进行求解,得到非线性映射模型;
定义初始临界系数,对所述非线性映射模型进行优化,确定最优临界系数;
将所述最优临界系数确定为所述模型构造参数。
2.根据权利要求1所述的动力电池余能快速检测方法,其特征在于,所述方法还包括构建训练样本集的步骤;
其中,训练样本集D={(x1,y1),(x2,y2),...,(xm,ym)},(xi,yi)为样本空间D中任意点坐标;
xi(i=1,2,...,m)为模型输入值,用于表征电池端电压数据;yi(i=1,2,...,m)为响应值,用于表征电池余能;
所述高维线性映射函数的表达式为:
所述LSSVM回归预测问题的表达式为:
其中,minP(w,e)为求函数P(w,e)的极小值;ei为训练误差;γ为正规化因子;s.t.表示需要满足的条件;e=(e1,e2,...,en)T为预测误差的偏差向量;
所述线性方程的表达式为:
其中,L(w,b,e,α)为定义的拉格朗日函数,α=(α1,αi,...,αi),αi为拉格朗日乘子;
所述非线性映射模型的表达式为:
其中,y(x)代表模型响应值,所述模型响应值用于表征电池余能检测值;K(x,xi)为核函数。
3.根据权利要求1所述的动力电池余能快速检测方法,其特征在于,所述根据所述模型构造参数和采集的充放电数据,训练电池余能检测模型,包括:
将锂电池置于目标电流模式下进行充电,当电池电压达到第一目标电压值时,在恒定电压下对所述锂电池进行恒压充电,直到充电电流降低到第一目标电流值时,在恒定电流水平下进行放电,直到电池电压降低到第二目标电压值,计算得到锂电池在完全放电过程中的电池余能;
获取锂电池在恒定电流水平下进行放电时的电压数据,得到不同电池容量的电压训练数据:
根据所述电压训练数据,结合不同电压值的基准电压,构建电池的电压训练数据集;
根据所述模型构造参数和所述电压训练数据集对电池余能检测模型进行模型训练。
4.根据权利要求1所述的动力电池余能快速检测方法,其特征在于,所述获取待检测电池数据,通过所述电池余能检测模型生成余能检测结果,包括:
在预设室温条件下,对待检测电池进行放电操作或先充电后放电操作,周期性获取电池端电压数据;
遍历所述电池端电压数据,找到目标基准电压;
根据所述目标基准电压确定测试数据集;
将所述测试数据集输入所述电池余能检测模型,生成余能检测结果。
5.一种电子设备,其特征在于,包括处理器以及存储器;
所述存储器用于存储程序;
所述处理器执行所述程序实现如权利要求1至4中任一项所述的方法。
6.一种计算机可读存储介质,其特征在于,所述存储介质存储有程序,所述程序被处理器执行实现如权利要求1至4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111486581.0A CN114355197B (zh) | 2021-12-07 | 2021-12-07 | 一种动力电池余能快速检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111486581.0A CN114355197B (zh) | 2021-12-07 | 2021-12-07 | 一种动力电池余能快速检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114355197A CN114355197A (zh) | 2022-04-15 |
CN114355197B true CN114355197B (zh) | 2022-08-30 |
Family
ID=81098078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111486581.0A Active CN114355197B (zh) | 2021-12-07 | 2021-12-07 | 一种动力电池余能快速检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114355197B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182630A (zh) * | 2014-08-20 | 2014-12-03 | 国家电网公司 | 基于简化最小二乘支持向量机的蓄电池剩余容量检测方法 |
CN105808914A (zh) * | 2014-12-31 | 2016-07-27 | 北京航天测控技术有限公司 | 一种卫星锂离子电池寿命的预测方法及装置 |
CN106646252B (zh) * | 2016-12-01 | 2020-05-22 | 国网辽宁省电力有限公司电力科学研究院 | 铅酸电池应用寿命预测方法 |
CN109543317B (zh) * | 2018-04-28 | 2022-11-01 | 北京航空航天大学 | 一种pemfc剩余使用寿命预测的方法及装置 |
KR20200140093A (ko) * | 2019-06-05 | 2020-12-15 | 삼성에스디아이 주식회사 | 배터리의 충방전 사이클에 따른 용량 변화 예측방법 및 예측시스템 |
CN113281671A (zh) * | 2021-06-28 | 2021-08-20 | 长安大学 | 一种基于igs-svm的锂离子电池剩余使用寿命预测方法及系统 |
CN113406500B (zh) * | 2021-06-29 | 2022-06-14 | 同济大学 | 一种动力锂电池的剩余电量估计方法 |
-
2021
- 2021-12-07 CN CN202111486581.0A patent/CN114355197B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114355197A (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Random forest regression for online capacity estimation of lithium-ion batteries | |
Lin et al. | Constant current charging time based fast state-of-health estimation for lithium-ion batteries | |
Zhang et al. | Cloud-based in-situ battery life prediction and classification using machine learning | |
Zhang et al. | A reliable data-driven state-of-health estimation model for lithium-ion batteries in electric vehicles | |
Xu et al. | An improved CNN-LSTM model-based state-of-health estimation approach for lithium-ion batteries | |
CN108549030B (zh) | 基于电压关键特性的锂电池在线健康状态快速预测方法 | |
CN104569844B (zh) | 阀控密封式铅酸蓄电池健康状态监测方法 | |
Yu et al. | CPSO-based parameter-identification method for the fractional-order modeling of lithium-ion batteries | |
Shi et al. | A fast state-of-health estimation method using single linear feature for lithium-ion batteries | |
Liu et al. | Comparative study of incremental capacity curve determination methods for lithium-ion batteries considering the real-world situation | |
Fei et al. | Early-stage lifetime prediction for lithium-ion batteries: A deep learning framework jointly considering machine-learned and handcrafted data features | |
CN114035095B (zh) | 基于电压曲线拐点识别的锂电池soh估计方法、介质及设备 | |
CN113820615B (zh) | 一种电池健康度检测方法与装置 | |
Yao et al. | Novel lithium-ion battery state-of-health estimation method using a genetic programming model | |
CN114818831A (zh) | 基于多源感知的双向锂离子电池故障检测方法及系统 | |
CN114167284A (zh) | 基于bms大数据和集成学习的锂电池rul预测方法及设备 | |
CN113866655A (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 | |
CN112180258B (zh) | 电池平均库伦效率的测定方法、装置、介质、终端、及系统 | |
Xue et al. | A Flexible deep convolutional neural network coupled with progressive training framework for online capacity estimation of lithium-ion batteries | |
Tian et al. | SOC estimation of lithium-ion batteries for electric vehicles based on multimode ensemble SVR | |
CN114184972B (zh) | 数据驱动与电化学机理结合的电池soh自动估计方法及设备 | |
CN113447840B (zh) | 锂离子电池分选方法和装置 | |
CN114355197B (zh) | 一种动力电池余能快速检测方法及装置 | |
CN117110884A (zh) | 基于多核相关向量机的锂电池剩余使用寿命预测方法 | |
CN116953547A (zh) | 一种储能电池健康度评估方法、系统、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 |