CN114357798B - 一种电池容量评估方法、装置及电子设备 - Google Patents
一种电池容量评估方法、装置及电子设备 Download PDFInfo
- Publication number
- CN114357798B CN114357798B CN202210048986.4A CN202210048986A CN114357798B CN 114357798 B CN114357798 B CN 114357798B CN 202210048986 A CN202210048986 A CN 202210048986A CN 114357798 B CN114357798 B CN 114357798B
- Authority
- CN
- China
- Prior art keywords
- battery
- health factor
- battery capacity
- indirect health
- capacity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000036541 health Effects 0.000 claims abstract description 106
- 238000011156 evaluation Methods 0.000 claims abstract description 23
- 230000009466 transformation Effects 0.000 claims abstract description 19
- 230000007246 mechanism Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003487 electrochemical reaction Methods 0.000 claims description 12
- 238000013501 data transformation Methods 0.000 claims description 10
- 238000007599 discharging Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000007600 charging Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010277 constant-current charging Methods 0.000 claims 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 12
- 229910052744 lithium Inorganic materials 0.000 description 12
- 230000009286 beneficial effect Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000006731 degradation reaction Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000015556 catabolic process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 229910052493 LiFePO4 Inorganic materials 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000017105 transposition Effects 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 238000010220 Pearson correlation analysis Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000006258 conductive agent Substances 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000157 electrochemical-induced impedance spectroscopy Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- WBJZTOZJJYAKHQ-UHFFFAOYSA-K iron(3+) phosphate Chemical compound [Fe+3].[O-]P([O-])([O-])=O WBJZTOZJJYAKHQ-UHFFFAOYSA-K 0.000 description 1
- 229910000399 iron(III) phosphate Inorganic materials 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供一种电池容量评估方法、装置及电子设备,涉及电池技术领域。以Box‑Cox变换对间接健康因子进行优化,基于优化后的间接健康因子,根据线性模型对电池容量进行准确评估。该方法包括:提取评估电池容量的间接健康因子;利用Box‑Cox变换对间接健康因子进行优化;分别计算间接健康因子以及优化后的间接健康因子和电池容量的相关性,对相关性进行验证;基于优化后的间接健康因子,根据线性模型评估电池容量。所述电池容量评估装置应用于电池容量评估方法。所述电池容量评估方法应用于电子设备中。
Description
技术领域
本发明涉及电池技术领域,更具体地说,是涉及一种电池容量评估方法、装置、电子设备及计算机可读存储介质。
背景技术
近年来,随着全球环境污染以及石油等传统能源逐渐稀缺的情况日益严峻,具备充放电性能好、能量密度大、循环周期长等优异性能的锂电池正逐渐成为新能源汽车、直流变电站和智能电网的重要供能电源。但是由于电池的实际运行工况复杂、环境温度多变以及电池老化等因素导致对电池的健康状态难以进行准确评估,从而对锂电池的安全性造成影响。因此,有必要对电池的健康状态进行评估,保障电池安全稳定运行。
锂电池的健康状态是对电池健康寿命状态的表征,主要反映电池的充放电功率、电量、能量等特征。在锂电池的健康状态估计中,经常使用容量和内阻这两个健康指标来表示锂电池的退化状态,不能简单地通过传感器直接测量电池的内部状态量。而电化学阻抗谱需要特定的实验条件和实验设备,常常被用于锂电池健康状态的离线诊断。因此,需要从容易测量的电池参数(如电流、电压、时间等)中提取可以表征电池容量的间接健康因子,用来对电池的容量进行在线评估。
由于锂电池本身运行工况复杂且电池存在多样性的特质,实际工程运用中很难对锂电池真实运行工况进行高精度的模拟。在市场上已有的电池容量评估方法中,应用优化算法和滤波器可以计算得到电池容量,这类方法计算量小但是适应性不高。有的方法通常需要借助充足的训练样本数对容量衰退情形进行学习,但是当缺乏训练样本数时会导致评估结果的发散,从而对电池容量的准确性评估造成影响,不利于实际应用。
发明内容
本发明的目的在于提供一种电池容量评估方法、装置、电子设备及计算机可读存储介质,以Box-Cox变换对间接健康因子进行优化,基于优化后的间接健康因子,根据线性模型对电池容量进行准确评估。
为了实现上述目的,本发明提供一种电池容量评估方法,该方法包括:
步骤1:提取评估电池容量的间接健康因子;
步骤2:利用Box-Cox变换对所述间接健康因子进行优化;
步骤3:分别计算所述间接健康因子以及优化后的所述间接健康因子和所述电池容量的相关性,对所述相关性进行验证;
步骤4:基于优化后的所述间接健康因子,根据线性模型评估所述电池容量。
优选地,所述步骤1:提取评估电池容量的间接健康因子,包括:
根据电池的运行数据和电化学反应机理,提取评估电池容量的间接健康因子。
优选地,所述根据电池的运行数据和电化学反应机理,提取评估电池容量的间接健康因子,包括:
根据电池的运行数据和电化学反应机理,绘制电流曲线,电压曲线和差分电压曲线;
分析所述电流曲线,电压曲线和差分电压曲线,以提取评估电池容量的间接健康因子。
优选地,所述步骤2中的Box-Cox变换满足公式:
其中,xt表示数据变换后的历史容量观测值,λ表示Box-Cox变换系数,表示数据变换后的历史容量观测值,/>表示回归系数,XT表示历史容量所对应的循环次数向量转置,X表示历史容量所对应的循环次数向量,Y表示历史容量观测向量。
优选地,所述步骤3:分别计算所述间接健康因子以及优化后的所述间接健康因子和所述电池容量的相关性,对所述相关性进行验证,包括:
基于Pearson公式,对所述间接健康因子以及优化后的所述间接健康因子和所述电池容量之间的线性关系进行验证,Pearson公式为:
其中,r表示相关系数,r的区间范围为-1到1,当r的绝对值越接近1时,两组数据序列之间的相关性越强;X表示输入变量间接健康因子,Y表示输入变量电池容量,Xi、Yi表示为变量X、Y的平均值;
基于Spearman公式,对所述间接健康因子以及优化后的所述间接健康因子和所述电池容量之间的单调性进行验证,Spearman公式为:
其中,rs表示秩相关系数,Ri,Qi表示在两个变量X和Y中的秩,n表示电池的循环周期数。
优选地,所述步骤4中的线性模型满足公式:
xt=c1+n·c2,
其中,表示变换后历史容量数据的平均值;/>表示历史循环次数的平均值,c1,c2表示线性模型的系数。
优选地,所述电池的运行数据包括电池电压、电池电流以及电池充放电时间数据;
所述间接健康因子包括,充电差分电压曲线上初始拐点值、放电差分电压曲线上峰值、放电时间和静置时间。
与现有技术相比,本发明所提供的一种电池容量评估方法具有如下有益效果:首先提取评估电池容量的间接健康因子,利用Box-Cox变换对间接健康因子进行优化,提高间接健康因子与电池容量的相关性。分别计算间接健康因子以及优化后的间接健康因子和电池容量的相关性,对相关性进行验证;基于优化后的间接健康因子,根据线性模型可以有效的对电池容量进行准确评估。
本发明还提供一种电池容量评估装置,该装置包括:
提取模块,用于提取评估电池容量的间接健康因子;
优化模块,用于利用Box-Cox变换对所述间接健康因子进行优化;
验证模块,用于分别计算所述间接健康因子以及优化后的所述间接健康因子和所述电池容量的相关性,对所述相关性进行验证;
评估模块,用于基于优化后的所述间接健康因子,根据线性模型评估所述电池容量。
与现有技术相比,本发明提供的电池容量测评估装置的有益效果与上述技术方案所述电池容量评估方法的有益效果相同,在此不做赘述。
本发明还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任一项所述的一种电池容量评估方法中的步骤。
与现有技术相比,本发明所提供的电子设备的有益效果与上述技术方案所述电池容量评估方法的有益效果相同,在此不做赘述。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的一种电池容量评估方法中的步骤。
与现有技术相比,本发明所提供的计算机可读存储介质的有益效果与上述技术方案所述电池容量评估方法的有益效果相同,在此不做赘述。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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发明的一些实施例,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示出了本发明实施例所提供的一种电池容量评估方法的流程图;
图2示出了本发明实施例所提供的一种电池容量评估装置的结构示意图;
图3示出了本发明实施例所提供的一种用于执行电池容量评估方法的电子设备的结构示意图。
具体实施方式
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
由于已有的电池容量评估方法中,应用优化算法和滤波器计算得到电池容量的方法计算量虽小但是适应性不高。有的方法通常需要借助充足的训练样本数对容量衰退情形进行学习,但是当缺乏训练样本数时会导致评估结果的发散,从而对电池容量的准确性评估造成影响,不利于实际应用。
基于此,本发明实施例提供一种电池容量评估方法,图1示出了本发明实施例所提供的一种电池容量评估方法的流程图,如图1所示,该方法包括:
步骤1:提取评估电池容量的间接健康因子。
需要说明的是,这里的电池可以是锂电池,也可以是其它类型电池。本发明实施例以锂电池为例进行描述。根据电池的运行数据和电化学反应机理,提取评估电池容的间接健康因子。应理解,这里的电化学反映机理可以是指锂离子电池的充放电原理。以LiFePO4电池为例进行详细解释:传统的观点认为LiFePO4在电池充放电过程中是两相反应机理:充电时Li+从[FePO4]-层迁移出来,经过电解液进入负极,Fe2+被氧化成Fe3+,电子则经过相互接触的导电剂和集流体从外电路到达负极,放电过程则与之相反。
具体地,首先根据电池的运行数据和电化学反应机理,绘制电流曲线,电压曲线和差分电压曲线,分析电流曲线,电压曲线和差分电压曲线,从而提取评估电池容量的间接健康因子。具体地,通过绘制的电流曲线、电压曲线和差分电压曲线,分析曲线上的拐点,提取电池容量退化特征量。对应的电池容量和差分电压的计算公式为:
其中,Q表示电池充电或放电容量,T表示恒流充电或放电的时间,V表示恒流充电或放电电压,I表示恒流充电或放电电流。
进一步地,电池的运行数据包括:电池电压、电池电流以及时间数据。间接健康因子包括:充电差分电压曲线上初始拐点值、放电差分电压曲线上峰值、放电时间和静置时间。
步骤2:利用Box-Cox变换对间接健康因子进行优化。
需要说明的是,由于电池容量退化的过程非常复杂,仅使用原始提取的间接健康因子评估电池容量的结果不太理想。综合考虑在退化过程中存在的偏差现象,使用Box-Cox变换方法,优化提取的间接健康因子,从而提高间接健康因子与电池容量的关联程度。
进一步地,Box-Cox变换的数学表达式为:其中,xt表示数据变换后的历史容量观测值,λ表示Box-Cox变换系数。
具体地,基于最大似然法对Box-Cox变换系数λ进行求解,求解函数为:其中,/>表示数据变换后的历史容量观测值,β表示回归系数,XT表示历史容量所对应的循环次数向量的转置,X表示历史容量所对应的循环次数向量,Y表示历史容量观测向量,通过牛顿迭代法对最大似然法的方程式的根进行求解,进而得到Box-Cox变换系数λ。
步骤3:分别计算间接健康因子以及优化后的间接健康因子和电池容量的相关性,对相关性进行验证。
需要说明的是,为验证间接健康因子与电池容量的线性关系强弱,本发明实施例分别计算所提取的间接健康因子以及优化后的间接健康因子和电池容量的相关性,并对两者之间的相关程度进行验证。若两者之间具有良好的相关性,说明具有较强的线性关系,则可以使用该间接健康因子评估电池容量,因为相关性越高,对电池容量评估结果越准确。
具体地,使用Pearson相关性分析方法,验证上述提取的间接健康因子以及优化后的间接健康因子和电池容量之间的线性关系。Pearson相关公式为:
其中,r表示相关系数,r的区间范围为-1到1,r的绝对值越接近1代表相关性越好,当r等于0时,则代表X和Y之间没有关系。
具体地,使用Spearman秩相关分析方法,验证上述提取的间接健康因子以及优化后的间接健康因子和电池容量之间的单调性。Spearman秩相关分析属于非参数方法,Spearman相关公式为:
其中rs表示秩相关系数,Ri,Qi分别代表在两个变量X和Y中的秩,n表示电池的循环周期数,当rs的绝对值等于1时,代表两个变量之间是严格单调的关系。
步骤4:基于优化后的间接健康因子,根据线性模型评估电池容量。
需要说明的是,将优化后的间接健康因子结合线性模型用来评估电池容量,实现电池容量准确在线评估。
将线性模型作为经验模型来对电池容量进行评估,线性模型表达式为:
xt=c1+n·c2
其中,c1,c2表示线性模型的系数,n表示历史循环次数。
进一步地,c1,c2的值可通过最小二乘法进行求解,最小二乘法的具体求解表达式为:
其中,为变换后历史容量数据的平均值;/>为历史循环次数的平均值,λ表示Box-Cox变换系数。
与现有技术相比,本发明实施例所提供的一种电池容量评估方法具有如下有益效果:通过提取充电差分电压曲线上初始拐点值、放电差分电压曲线上峰值、放电时间和静置时间作为间接健康因子,利用Box-Cox变换对提取的间接健康因子进行优化,提高间接健康因子与电池容量的相关性。应用Pearson公式和Spearman秩相关来评估提取的健康指标与电池容量之间的相关性。最后结合线性模型对电池容量进行评估。本发明的评估方法简单,适应广,有效的对电池容量进行了准确评估。通过本发明的研究成果,可以给以锂电池为供能电源的仪器设备与电子能源厂商提供有价值的参考,可以在一定程度上保障锂电池安全稳定地运行,对企业和社会的经济效益与安全保障具有重要意义。
本发明实施例还提供一种电池容量评估装置,该装置包括:
提取模块1,用于提取评估电池容量的间接健康因子。
需要说明的是,提取模块1包括提取单元10,用于根据电池的运行数据和电化学反应机理,提取评估电池容量的间接健康因子。
进一步地,电池的运行数据包括电池电压、电池电流以及时间数据。间接健康因子包括,充电差分电压曲线上初始拐点值、放电差分电压曲线上峰值、放电时间和静置时间。
优化模块2,用于利用Box-Cox变换对间接健康因子进行优化。
需要说明的是,Box-Cox变换满足公式:
其中,xt表示数据变换后的历史容量观测值,λ表示Box-Cox变换系数,表示数据变换后的历史容量观测值,β表示回归系数,XT表示历史容量所对应的循环次数向量的转置,X表示历史容量所对应的循环次数向量,Y表示历史容量观测向量。
验证模块3,用于分别计算间接健康因子以及优化后的间接健康因子和电池容量的相关性,对相关性进行验证。
需要说明的是,验证模块3包括:
线性关系单元31,用于基于Pearson公式,对间接健康因子以及优化后的间接健康因子和电池容量之间的线性关系进行验证,Pearson公式为:
其中,r表示相关系数,r的区间范围为-1到1,当r的绝对值越接近1时,两组数据序列之间的相关性越强;X表示输入变量间接健康因子,Y表示输入变量电池容量,Xi、Yi表示为变量X、Y的平均值。
单调性单元32,用于基于Spearman公式,对间接健康因子以及优化后的间接健康因子和电池容量之间的单调性进行验证,Spearman公式为:
其中,rs表示秩相关系数,Ri,Qi表示在两个变量X和Y中的秩,n表示电池的循环周期数。
评估模块4,用于基于优化后的间接健康因子,根据线性模型评估电池容量。
需要说明的是,线性模型满足公式:
xt=c1+n·c2,
其中,表示变换后历史容量数据的平均值;/>表示历史循环次数的平均值,c1,c2表示线性模型的系数。
与现有技术相比,本发明实施例所提供的电池容量评估装置的有益效果与上述技术方案所述电池容量评估方法的有益效果相同,在此不做赘述。
此外,本发明实施例还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连,计算机程序被处理器执行时实现上述一种电池容量评估方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
具体的,参见图3所示,本发明实施例还提供了一种电子设备,该电子设备包括总线1110、处理器1120、收发器1130、总线接口1140、存储器1150和用户接口1160。
在本发明实施例中,该电子设备还包括:存储在存储器1150上并可在处理器1120上运行的计算机程序,计算机程序被处理器1120执行时实现上述一种电池容量评估方法实施例的各个过程。
收发器1130,用于在处理器1120的控制下接收和发送数据。
本发明实施例中,总线架构(用总线1110来代表),总线1110可以包括任意数量互联的总线和桥,总线1110将包括由处理器1120代表的一个或多个处理器与存储器1150代表的存储器的各种电路连接在一起。
总线1110表示若干类型的总线结构中的任何一种总线结构中的一个或多个,包括存储器总线以及存储器控制器、外围总线、加速图形端口(Accelerate Graphical Port,AGP)、处理器或使用各种总线体系结构中的任意总线结构的局域总线。作为示例而非限制,这样的体系结构包括:工业标准体系结构(Industry Standard Architecture,ISA)总线、微通道体系结构(Micro Channel Architecture,MCA)总线、扩展ISA(Enhanced ISA,EISA)总线、视频电子标准协会(Video Electronics Standards Association,VESA)、外围部件互连(Peripheral Component Interconnect,PCI)总线。
处理器1120可以是一种集成电路芯片,具有信号处理能力。在实现过程中,上述方法实施例的各步骤可以通过处理器中硬件的集成逻辑电路或软件形式的指令完成。上述的处理器包括:通用处理器、中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(FieldProgrammable Gate Array,FPGA)、复杂可编程逻辑器件(Complex ProgrammableLogicDevice,CPLD)、可编程逻辑阵列(Programmable Logic Array,PLA)、微控制单元(Microcontroller Unit,MCU)或其他可编程逻辑器件、分立门、晶体管逻辑器件、分立硬件组件。可以实现或执行本发明实施例中公开的各方法、步骤及逻辑框图。例如,处理器可以是单核处理器或多核处理器,处理器可以集成于单颗芯片或位于多颗不同的芯片。
处理器1120可以是微处理器或任何常规的处理器。结合本发明实施例所公开的方法步骤可以直接由硬件译码处理器执行完成,或者由译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存取存储器(Random Access Memory,RAM)、闪存(FlashMemory)、只读存储器(Read-Only Memory,ROM)、可编程只读存储器(ProgrammableROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、寄存器等本领域公知的可读存储介质中。所述可读存储介质位于存储器中,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
总线1110还可以将,例如外围设备、稳压器或功率管理电路等各种其他电路连接在一起,总线接口1140在总线1110和收发器1130之间提供接口,这些都是本领域所公知的。因此,本发明实施例不再对其进行进一步描述。
收发器1130可以是一个元件,也可以是多个元件,例如多个接收器和发送器,提供用于在传输介质上与各种其他装置通信的单元。例如:收发器1130从其他设备接收外部数据,收发器1130用于将处理器1120处理后的数据发送给其他设备。取决于计算机系统的性质,还可以提供用户接口1160,例如:触摸屏、物理键盘、显示器、鼠标、扬声器、麦克风、轨迹球、操纵杆、触控笔。
应理解,在本发明实施例中,存储器1150可进一步包括相对于处理器1120远程设置的存储器,这些远程设置的存储器可以通过网络连接至服务器。上述网络的一个或多个部分可以是自组织网络(ad hoc network)、内联网(intranet)、外联网(extranet)、虚拟专用网(VPN)、局域网(LAN)、无线局域网(WLAN)、广域网(WAN)、无线广域网(WWAN)、城域网(MAN)、互联网(Internet)、公共交换电话网(PSTN)、普通老式电话业务网(POTS)、蜂窝电话网、无线网络、无线保真(Wi-Fi)网络以及两个或更多个上述网络的组合。例如,蜂窝电话网和无线网络可以是全球移动通信(GSM)系统、码分多址(CDMA)系统、全球微波互联接入(WiMAX)系统、通用分组无线业务(GPRS)系统、宽带码分多址(WCDMA)系统、长期演进(LTE)系统、LTE频分双工(FDD)系统、LTE时分双工(TDD)系统、先进长期演进(LTE-A)系统、通用移动通信(UMTS)系统、增强移动宽带(Enhance Mobile Broadband,eMBB)系统、海量机器类通信(massive Machine Type of Communication,mMTC)系统、超可靠低时延通信(UltraReliable Low Latency Communications,uRLLC)系统等。
应理解,本发明实施例中的存储器1150可以是易失性存储器或非易失性存储器,或可包括易失性存储器和非易失性存储器两者。其中,非易失性存储器包括:只读存储器(Read-Only Memory,ROM)、可编程只读存储器(Programmable ROM,PROM)、可擦除可编程只读存储器(Erasable PROM,EPROM)、电可擦除可编程只读存储器(Electrically EPROM,EEPROM)或闪存(Flash Memory)。
易失性存储器包括:随机存取存储器(Random Access Memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的RAM可用,例如:静态随机存取存储器(Static RAM,SRAM)、动态随机存取存储器(Dynamic RAM,DRAM)、同步动态随机存取存储器(Synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(Double DataRateSDRAM,DDRSDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM,DRRAM)。本发明实施例描述的电子设备的存储器1150包括但不限于上述和任意其他适合类型的存储器。
在本发明实施例中,存储器1150存储了操作系统1151和应用程序1152的如下元素:可执行模块、数据结构,或者其子集,或者其扩展集。
具体而言,操作系统1151包含各种系统程序,例如:框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务。应用程序1152包含各种应用程序,例如:媒体播放器(Media Player)、浏览器(Browser),用于实现各种应用业务。实现本发明实施例方法的程序可以包含在应用程序1152中。应用程序1152包括:小程序、对象、组件、逻辑、数据结构以及其他执行特定任务或实现特定抽象数据类型的计算机系统可执行指令。
此外,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述一种电池容量评估方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
计算机可读存储介质包括:永久性和非永久性、可移动和非可移动媒体,是可以保留和存储供指令执行设备所使用指令的有形设备。计算机可读存储介质包括:电子存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备以及上述任意合适的组合。计算机可读存储介质包括:相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、非易失性随机存取存储器(NVRAM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带存储、磁带磁盘存储或其他磁性存储设备、记忆棒、机械编码装置(例如在其上记录有指令的凹槽中的穿孔卡或凸起结构)或任何其他非传输介质、可用于存储可以被计算设备访问的信息。按照本发明实施例中的界定,计算机可读存储介质不包括暂时信号本身,例如无线电波或其他自由传播的电磁波、通过波导或其他传输介质传播的电磁波(例如穿过光纤电缆的光脉冲)或通过导线传输的电信号。
在本申请所提供的几个实施例中,应该理解到,所披露的装置、电子设备和方法,可以通过其他的方式实现。例如,以上描述的装置实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅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可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,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、装置或单元的间接耦合或通信连接,也可以是电的、机械的或其他的形式连接。
所述作为分离部件说明的单元可以是或也可以不是物理上分开的,作为单元显示的部件可以是或也可以不是物理单元,既可以位于一个位置,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或全部单元来解决本发明实施例方案要解决的问题。
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,也可以是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存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术作出贡献的部分,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(包括:个人计算机、服务器、数据中心或其他网络设备)执行本发明各个实施例所述方法的全部或部分步骤。而上述存储介质包括如前述所列举的各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换的技术方案,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (6)
1.一种电池容量评估方法,其特征在于,包括:
步骤1:提取评估电池容量的间接健康因子;所述步骤1:提取评估电池容量的间接健康因子,包括:根据电池的运行数据和电化学反应机理,提取评估电池容量的间接健康因子,所述根据电池的运行数据和电化学反应机理,提取评估电池容量的间接健康因子,包括:根据电池的运行数据和电化学反应机理,绘制电流曲线,电压曲线和差分电压曲线;分析所述电流曲线,电压曲线和差分电压曲线,以提取评估电池容量的间接健康因子;
所述电池的运行数据包括电池电压、电池电流以及电池充放电时间数据;所述间接健康因子包括,充电差分电压曲线上初始拐点值、放电差分电压曲线上峰值、放电时间和静置时间,对应的电池容量和差分电压的计算公式:其中Q为电池充电或放电量,T为恒流充电或放电的时间,V为恒流充电或放电电压,I为恒流充电或放电电流;
步骤2:利用Box-Cox变换对所述间接健康因子进行优化;
步骤3:分别计算所述间接健康因子以及优化后的所述间接健康因子和所述电池容量的相关性,对所述相关性进行验证;
步骤4:基于优化后的所述间接健康因子,根据线性模型评估所述电池容量,
所述步骤4中的线性模型满足公式:
xt=c1+n·c2,
其中,表示变换后历史容量数据的平均值,λ表示Box-Cox变换系数,xt表示数据变换前的历史容量观测值,/>表示历史循环次数的平均值,n表示电池的循环周期数,c1,c2表示线性模型的系数。
2.根据权利要求1所述的一种电池容量评估方法,其特征在于,
所述步骤2中的Box-Cox变换满足公式:
β=(XTX)-1XTY,
S(λ)=(Y-Xλβ)T(Y-Xλβ),
其中,xt表示数据变换前的历史容量观测值,λ表示Box-Cox变换系数,表示数据变换后的历史容量观测值,β表示回归系数,XT表示历史容量所对应的循环次数向量的转置,X表示历史容量所对应的循环次数向量,Y表示历史容量观测向量。
3.根据权利要求1所述的一种电池容量评估方法,其特征在于,
所述步骤3:分别计算所述间接健康因子以及优化后的所述间接健康因子和所述电池容量的相关性,对所述相关性进行验证,包括:
基于Pearson公式,对所述间接健康因子以及优化后的所述间接健康因子和所述电池容量之间的线性关系进行验证,Pearson公式为:
其中,r表示相关系数,r的区间范围为-1到1,当r的绝对值越接近1时,两组数据序列之间的相关性越强;X表示输入变量间接健康因子,Y表示输入变量电池容量,表示为变量X、Y的平均值;
基于Spearman公式,对所述间接健康因子以及优化后的所述间接健康因子和所述电池容量之间的单调性进行验证,Spearman公式为:
其中,rs表示秩相关系数,Ri,Qi表示在两个变量X和Y中的秩,n表示电池的循环周期数。
4.一种电池容量评估装置,其特征在于,包括:
提取模块,用于提取评估电池容量的间接健康因子,根据电池的运行数据和电化学反应机理,提取评估电池容量的间接健康因子,所述根据电池的运行数据和电化学反应机理,提取评估电池容量的间接健康因子,包括:根据电池的运行数据和电化学反应机理,绘制电流曲线,电压曲线和差分电压曲线;分析所述电流曲线,电压曲线和差分电压曲线,以提取评估电池容量的间接健康因子;
所述电池的运行数据包括电池电压、电池电流以及电池充放电时间数据;所述间接健康因子包括,充电差分电压曲线上初始拐点值、放电差分电压曲线上峰值、放电时间和静置时间,对应的电池容量和差分电压的计算公式:其中Q为电池充电或放电量,T为恒流充电或放电的时间,V为恒流充电或放电电压,I为恒流充电或放电电流;
优化模块,用于利用Box-Cox变换对所述间接健康因子进行优化;
验证模块,用于分别计算所述间接健康因子以及优化后的所述间接健康因子和所述电池容量的相关性,对所述相关性进行验证;
评估模块,用于基于优化后的所述间接健康因子,根据线性模型评估所述电池容量,所述线性模型满足公式:
xt=c1+n·c2,
其中,表示变换后历史容量数据的平均值,λ表示Box-Cox变换系数,xt表示数据变换前的历史容量观测值,/>表示历史循环次数的平均值,n表示电池的循环周期数,c1,c2表示线性模型的系数。
5.一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1至3中任一项所述的一种电池容量评估方法中的步骤。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3中任一项所述的一种电池容量评估方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210048986.4A CN114357798B (zh) | 2022-01-17 | 2022-01-17 | 一种电池容量评估方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210048986.4A CN114357798B (zh) | 2022-01-17 | 2022-01-17 | 一种电池容量评估方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114357798A CN114357798A (zh) | 2022-04-15 |
CN114357798B true CN114357798B (zh) | 2024-01-30 |
Family
ID=81091468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210048986.4A Active CN114357798B (zh) | 2022-01-17 | 2022-01-17 | 一种电池容量评估方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114357798B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115277294B (zh) * | 2022-07-27 | 2024-03-26 | 中车青岛四方车辆研究所有限公司 | 一种差分总线在线健康诊断方法及系统 |
CN115629317B (zh) * | 2022-12-25 | 2023-03-31 | 深圳先进储能材料国家工程研究中心有限公司 | 一种混储中镍氢电池功率估算方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109828220A (zh) * | 2019-03-21 | 2019-05-31 | 北京理工大学 | 一种锂离子电池健康状态线性评估方法 |
CN113030744A (zh) * | 2021-02-24 | 2021-06-25 | 上海交通大学 | 基于健康因子提取的电池健康状况预测方法、系统及介质 |
CN113359048A (zh) * | 2021-04-28 | 2021-09-07 | 中国矿业大学 | 一种锂离子电池剩余使用寿命间接预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10613150B2 (en) * | 2017-12-07 | 2020-04-07 | National Chung Shan Institute Of Science And Technology | Battery health state evaluation device and method |
-
2022
- 2022-01-17 CN CN202210048986.4A patent/CN114357798B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109828220A (zh) * | 2019-03-21 | 2019-05-31 | 北京理工大学 | 一种锂离子电池健康状态线性评估方法 |
CN113030744A (zh) * | 2021-02-24 | 2021-06-25 | 上海交通大学 | 基于健康因子提取的电池健康状况预测方法、系统及介质 |
CN113359048A (zh) * | 2021-04-28 | 2021-09-07 | 中国矿业大学 | 一种锂离子电池剩余使用寿命间接预测方法 |
Non-Patent Citations (5)
Title |
---|
Lithium-Ion Battery Remaining Useful Life Prediction With Box-Cox Transformation and Monte Carlo Simulation;Yongzhi Zhang等;IEEE Transactions on Industrial Electronics;第1585-1597页 * |
Remaining Useful Life Prediction for Lithium-Ion Batteries Based on Capacity Estimation and Box-Cox Transformation;Qiao Xue等;IEEE Transactions on Vehicular Technology;第14765-14779页 * |
基于改进Box-Cox变换技术的动力电池剩余寿命预测方法;熊瑞等;2019中囯汽车工程学会年会论文集;第526-530页 * |
基于新健康指标的锂离子电池剩余寿命预测;高栋;中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑;第3章 * |
高栋.基于新健康指标的锂离子电池剩余寿命预测.中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑.2019,第3章. * |
Also Published As
Publication number | Publication date |
---|---|
CN114357798A (zh) | 2022-04-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114357798B (zh) | 一种电池容量评估方法、装置及电子设备 | |
CN113009349B (zh) | 一种基于深度学习模型的锂离子电池健康状态诊断方法 | |
US11526639B2 (en) | Fractional-order KiBaM battery model considering nonlinear capacity characteristics and parameter identification method | |
CN114065552B (zh) | 一种量化分析电池性能的方法、装置及电子设备 | |
WO2022198616A1 (zh) | 一种电池寿命预测方法、系统、电子装置及存储介质 | |
CN114970376B (zh) | 锂电池的健康度和剩余寿命预测模型的构建方法及装置 | |
CN111025155B (zh) | 基于电池动态老化模型快速模拟动力电池老化过程的方法 | |
Valentin et al. | Modeling of thermo-mechanical stresses in Li-ion battery | |
CN114563712A (zh) | 一种电池容量估算方法、装置及电子设备 | |
CN113359048A (zh) | 一种锂离子电池剩余使用寿命间接预测方法 | |
CN113484774A (zh) | 一种基于温度校准和神经网络的锂电池组容量估计方法 | |
CN115114810A (zh) | 一种电解液模拟分析方法、装置、设备、介质及程序产品 | |
CN115389946A (zh) | 一种基于等压升能量和改进gru的锂电池健康状态估计方法 | |
CN115166561A (zh) | 一种基于cnn-gru组合神经网络的锂电池寿命预测方法 | |
Jiang et al. | Multiple health indicators assisting data-driven prediction of the later service life for lithium-ion batteries | |
CN114675190A (zh) | 一种电池安全评估的方法、装置及电子设备 | |
CN114509677A (zh) | 一种电池剩余容量多因子评估方法、系统及电子设备 | |
CN115015789A (zh) | 基于增量电容曲线的锂离子电池健康状态估计方法及装置 | |
CN113791351A (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN116148680B (zh) | 电池参数的辨识方法、装置、计算机设备和存储介质 | |
CN117007976A (zh) | 一种电池仿真方法、装置、电子设备及存储介质 | |
Guo et al. | Health prognostics of lithium-ion batteries based on universal voltage range features mining and adaptive multi-Gaussian process regression with Harris Hawks optimization algorithm | |
CN116400246A (zh) | 基于aco-gmr的储能电站电池健康状态估计方法 | |
CN114355222A (zh) | 基于电压曲线的电池健康状态估计方法、装置及可读介质 | |
CN115754733A (zh) | 一种锂离子健康特征状态估计方法、系统、设备及介质 |
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 |