CN115061046A - 一种电池工况的识别方法、装置、汽车及电子设备 - Google Patents
一种电池工况的识别方法、装置、汽车及电子设备 Download PDFInfo
- Publication number
- CN115061046A CN115061046A CN202210849142.XA CN202210849142A CN115061046A CN 115061046 A CN115061046 A CN 115061046A CN 202210849142 A CN202210849142 A CN 202210849142A CN 115061046 A CN115061046 A CN 115061046A
- Authority
- CN
- China
- Prior art keywords
- battery
- working condition
- real
- condition type
- time data
- 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 63
- 238000007600 charging Methods 0.000 claims description 53
- 230000008859 change Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 description 21
- 238000007599 discharging Methods 0.000 description 13
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 239000000178 monomer Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010277 constant-current charging Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请实施例提供一种电池工况的识别方法、装置、汽车及电子设备,其中,该方法包括:获取电池的工况参数和实时数据;根据所述工况参数获得电池外特征分段区间;根据所述电池外特征分段区间和实时数据对所述电池的电池工况进行分类,得到电池工况类型。实施本申请实施例,可以结合电池的使用场景对电池工况进行精细划分,提高对电池工况的识别的精细度。
Description
技术领域
本申请涉及汽车电池技术领域,具体而言,涉及一种电池工况的识别方法、装置、汽车、电子设备及计算机可读存储介质。
背景技术
电池管理对于电动汽车动力电池系统而言具有非常重要的意义,对电池物理特征测量、电池状态估计、安全边界保护以及能量优化管理等都起到重要作用。其中电池工况的识别是电池管理系统的核心基础,高精度的电池工况估测能够提高电池利用率及可靠性,提高电池使用效率。
然而,现有技术对于电池工况的识别存在很多问题,例如,面向的对象是电池,依赖于高精度电池模型,需要长周期大量的电芯测试数据来确定状态估计算法的模型结构和参数。难以适应快速迭代的电池发展趋势;或者电池可能会提前到达放电截止状态,此时必须停止对外输出能量,电池突然停止对外输出能量,会给用户带来非常不好的体验;亦或与整车场景相脱离,不区分具体场景,不考虑场景需求,在不同的场景下适用性差,难以实现精细化管理。
发明内容
本申请实施例的目的在于提供一种电池工况的识别方法、装置、汽车、电子设备及计算机可读存储介质,可以结合电池的使用场景对电池工况进行精细划分,提高对电池工况的识别的精细度。
第一方面,本申请实施例提供了一种电池工况的识别方法,所述方法包括:
获取电池的工况参数和实时数据;
根据所述工况参数获得电池外特征分段区间;
根据所述电池外特征分段区间和实时数据对所述电池的电池工况进行分类,得到电池工况类型。
在上述实现过程中,获得电池外特征分段区间,并根据电池外特征分段区间对电池的电池工况进行分类,可以结合电池的使用场景对电池工况进行精细划分,提高对电池工况的识别的精细度,并且可以提高对电池工况识别的效率。
进一步地,所述根据所述工况参数获得电池外特征分段区间的步骤,包括:
获取所述工况参数中的电荷状态、模组温度和电池输出功率;
根据所述电荷状态、模组温度和电池输出功率构建三维空间向量,得到所述电池外特征分段区间。
在上述实现过程中,根据电荷状态、模组温度和电池输出功率构建三维空间向量,可以使得三维空间向量包含电池的多种特征,减小电池工况识别过程中的误差,提高后续识别的准确性。
进一步地,所述根据所述电池外特征分段区间和实时数据对所述电池的电池工况进行分类,得到电池工况类型的步骤,包括:
根据所述电池外特征分段区间将外特性相同的电池的电池工况划分为同一类,得到初始电池工况类型;
获取所述电池的使用场景;
根据所述使用场景和所述实时数据对所述初始电池工况类型进行二次划分,得到所述电池工况类型。
在上述实现过程中,先根据外特性对电池工况进行初步划分,再根据使用场景对初始电池工况类型进行二次划分,使得电池工况类型可以包含对使用场景的考虑,提高电池工况的识别效率。
进一步地,所述根据所述使用场景和所述实时数据对所述初始电池工况类型进行二次划分,得到所述电池工况类型的步骤,包括:
若所述电池的使用场景为充电场景,获取所述实时数据中的充电时长、充电电流瞬时变化率和最高单体电压值;
根据所述充电时长、所述充电电流瞬时变化率和所述最高单体电压值对所述初始电池工况类型进行二次划分,得到所述电池工况类型;
若所述电池的使用场景为放电场景,根据模糊C均值聚类算法对所述初始电池工况类型进行二次划分,得到所述电池工况类型。
在上述实现过程中,划分电池的使用场景为充电场景和放电场景,根据充电场景和放电场景的不同分别对初始电池工况类型进行二次划分,可以使得到的电池工况类型更加准确,节省时间。
进一步地,在所述根据所述电池外特征分段区间和实时数据对所述电池的电池工况进行分类,得到电池工况类型的步骤之后,还包括:
根据所述电池工况类型对所述电池进行调节。
在上述实现过程中,根据电池工况类型对电池进行调节,可以使得电池的使用率更高,并有效提高电池的使用寿命,提高用户体验。
第二方面,本申请实施例还提供了一种电池工况的识别装置,所述信号处理装置包括:
获取模块,用于获取电池的工况参数和实时数据;
构建模块,用于根据所述工况参数获得电池外特征分段区间;
分类模块,用于根据所述电池外特征分段区间和实时数据对所述电池的电池工况进行分类,得到电池工况类型。
在上述实现过程中,获得电池外特征分段区间,并根据电池外特征分段区间对电池的电池工况进行分类,可以结合电池的使用场景对电池工况进行精细划分,提高对电池工况的识别的精细度,并且可以提高对电池工况识别的效率。
进一步地,所述分类模块还用于:
根据所述电池外特征分段区间将外特性相同的电池的电池工况划分为同一类,得到初始电池工况类型;
获取所述电池的使用场景;
根据所述使用场景和所述实时数据对所述初始电池工况类型进行二次划分,得到所述电池工况类型。
在上述实现过程中,先根据外特性对电池工况进行初步划分,再根据使用场景对初始电池工况类型进行二次划分,使得电池工况类型可以包含对使用场景的考虑,提高电池工况的识别效率。
进一步地,所述分类模块还用于:
若所述电池的使用场景为充电场景,获取所述实时数据中的充电时长、充电电流瞬时变化率和最高单体电压值;
根据所述充电时长、所述充电电流瞬时变化率和所述最高单体电压值对所述初始电池工况类型进行二次划分,得到所述电池工况类型;
若所述电池的使用场景为放电场景,根据模糊C均值聚类算法对所述初始电池工况类型进行二次划分,得到所述电池工况类型。
在上述实现过程中,划分电池的使用场景为充电场景和放电场景,根据充电场景和放电场景的不同分别对初始电池工况类型进行二次划分,可以使得到的电池工况类型更加准确,节省时间。
第三方面,本申请实施例提供的一种汽车,包括如第二方面的电池工况的识别装置。
第四方面,本申请实施例提供的一种电子设备,包括:存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面任一项所述的方法的步骤。
第五方面,本申请实施例提供的一种计算机可读存储介质,所述存储介质上存储有指令,当所述指令在计算机上运行时,使得所述计算机执行如第一方面任一项所述的方法。
第六方面,本申请实施例提供的一种计算机程序产品,所述计算机程序产品在计算机上运行时,使得计算机执行如第一方面任一项所述的方法。
本公开的其他特征和优点将在随后的说明书中阐述,或者,部分特征和优点可以从说明书推知或毫无疑义地确定,或者通过实施本公开的上述技术即可得知。
并可依照说明书的内容予以实施,以下以本申请的较佳实施例并配合附图详细说明如后。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的电池工况的识别方法的流程示意图;
图2为本申请实施例提供的电池工况的识别装置的结构组成示意图;
图3为本申请实施例提供的电子设备的结构组成示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
下面结合附图和实施例,对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本申请,但不用来限制本申请的范围。
实施例一
图1是本申请实施例提供的电池工况的识别方法的流程示意图,如图1所示,该方法包括:
S1,获取电池的工况参数和实时数据;
S2,根据工况参数获得电池外特征分段区间;
S3,根据电池外特征分段区间和实时数据对电池的电池工况进行分类,得到电池工况类型。
在上述实现过程中,获得电池外特征分段区间,并根据电池外特征分段区间对电池的电池工况进行分类,可以结合电池的使用场景对电池工况进行精细划分,提高对电池工况的识别的精细度,并且可以提高对电池工况识别的效率。
进一步地,S2包括:
获取工况参数中的电荷状态、模组温度和电池输出功率;
根据电荷状态、模组温度和电池输出功率构建三维空间向量,得到电池外特征分段区间。
在上述实现过程中,根据电荷状态、模组温度和电池输出功率构建三维空间向量,可以使得三维空间向量包含电池的多种特征,减小电池工况识别过程中的误差,提高后续识别的准确性。
示例性地,根据电荷状态、模组温度和电池输出功率三个维度可以划分出很多子场景,根据上述三个维度构建三维空间向量,可以得到不同区间的外特征即电池外特征分段区间。
选取电池的工况参数中的电荷状态、模组温度和电池输出功率,并使用三维空间向量(X,Y,Z)划分电池外特征分段区间(1,1,1)、(1,1,2)、…、(5,5,5),如下表1所示。
表1电池外特征分段区间
特征向量定义 | 电荷状态(X) | 模组温度(Y) | 电池输出功率(Z) |
1 | [0,20%] | [-30℃,-10℃] | [-300kW,-100kW] |
2 | (20%,40%] | (-10℃,10℃] | (-100kW,0kW] |
3 | (40%,60%] | (10℃,30℃] | (0kW,60kW] |
4 | (60%,80%] | (30℃,50℃] | (60kW,100kW] |
5 | (80%,100%] | (50℃,85℃] | (100kW,300kW] |
进一步地,根据电池外特征分段区间和实时数据对电池的电池工况进行分类,得到电池工况类型的步骤,包括:
根据电池外特征分段区间将外特性相同的电池的电池工况划分为同一类,得到初始电池工况类型;
获取电池的使用场景;
根据使用场景和实时数据对初始电池工况类型进行二次划分,得到电池工况类型。
在上述实现过程中,先根据外特性对电池工况进行初步划分,再根据使用场景对初始电池工况类型进行二次划分,使得电池工况类型可以包含对使用场景的考虑,提高电池工况的识别效率。
可选地,根据电池的高压状态(高压下电状态、充电状态以及放电状态),将使用场景分为三大场景,分别为无负载场景、充电场景和放电场景。
电池初始化默认为无负载场景(高压下电状态),该使用场景下可包括但不限于短时无负载和长时无负载两个子场景,子场景之间跳转依据为无负载判定策略:当电流为0且持续时间超过一定时间阈值(该阈值标定原则根据不同电池材料体系而定,主要根据电池极化消除时间长短而定)。
进一步地,S3包括:
若电池的使用场景为充电场景,获取实时数据中的充电时长、充电电流瞬时变化率和最高单体电压值;
根据充电时长、充电电流瞬时变化率和最高单体电压值对初始电池工况类型进行二次划分,得到电池工况类型;
若电池的使用场景为放电场景,根据模糊C均值聚类算法对初始电池工况类型进行二次划分,得到电池工况类型。
在上述实现过程中,划分电池的使用场景为充电场景和放电场景,根据充电场景和放电场景的不同分别对初始电池工况类型进行二次划分,可以使得到的电池工况类型更加准确,节省时间。
进一步地,在根据电池外特征分段区间和实时数据对电池的电池工况进行分类,得到电池工况类型的步骤之后,还包括:
根据电池工况类型对电池进行调节。
在上述实现过程中,根据电池工况类型对电池进行调节,可以使得电池的使用率更高,并有效提高电池的使用寿命,提高用户体验。
根据使用场景对初始电池工况类型进行二次划分,考虑整车场景和电池区间特性差异,最终划分为7类,其中充电场景下电池工况比较稳定,可以直接根据充电时长、充电电流瞬时变化率以及最高单体电压值进行子场景识别。而放电场景下由于负载波动比较剧烈,需要基于实时功率数据驱动的模糊C均值聚类算法来识别。最终得到7种电池工况类型为低温低荷电状态(State of Charge,SOC)充电工况、低温低SOC小功率放电工况、低温低SOC中高功率放电工况、中高温中SOC放电工况、中高温中SOC充电工况、中高温高SOC充电工况、中高温高SOC充电工况。
当电池进入高压充电状态时,使用场景为充电场景,该场景下可包括但不限于充电前2分钟小电流、恒流充电、充电阶跃瞬态以及满充状态四个子场景,子场景之间跳转的控制因素为充电时长、充电电流瞬时变化率以及最高单体电压值。
当电池进入高压放电状态时,使用场景为放电场景。可包括但不限于小电流怠速、低温低SOC小电流、低温低SOC大电流以及中高温中高SOC大电流四个子场景。子场景之间跳转的控制因素主要依据电池温度、输出功率和电荷状态三个维度,其中温度和电荷状态两个维度依据电池内阻在不同区间的内阻特性来划分为中高低三个区间,而输出功率维度具有随机性。
可选地,本申请实施例采用基于实时数据驱动的模糊C均值聚类算法来实时划分识别不同的输出功率区间。
模糊C均值聚类算法用隶属度来确定聚类程度的一种算法:以欧氏距离平方表示样本点之间的相似度,以聚类中心表示类别,以样本点和其所属中心之间的距离的总和为优化目标函数,其数学模型表示为:
uij∈[0,1]1≤i≤n,1≤j≤c
利用拉格朗日乘数法求得迭代公式为:
式中,uij为样本xi属于聚类中心vj的程度;U为uij构成的c*n维隶属度矩阵;V为vj构成的d*c维聚类中心矩阵;m∈(1,+∞)为加权模糊指数,反应控制隶属度在各聚类之间共享的程度;eij为样本xi到聚类中心vj的欧氏距离,eij=||xi-vj||。
本申请实施例基于电池外特征分段与实时数据驱动相结合构建了一种电池工况的识别方法,可以有效提高电池工况估计的场景适用性,实现场景精细化管理,根据电池的使用场景对电池工况进行估计,并根据估计结果提供电池使用建议给用户,从而提高用户体验。
实施例二
为了执行上述实施例一对应的方法,以实现相应的功能和技术效果,下面提供一种电池工况的识别装置,如图2所示,该装置包括:
获取模块1,用于获取电池的工况参数和实时数据;
构建模块2,用于根据工况参数获得电池外特征分段区间;
分类模块3,用于根据电池外特征分段区间和实时数据对电池的电池工况进行分类,得到电池工况类型。
在上述实现过程中,获得电池外特征分段区间,并根据电池外特征分段区间对电池的电池工况进行分类,可以结合电池的使用场景对电池工况进行精细划分,提高对电池工况的识别的精细度,并且可以提高对电池工况识别的效率。
进一步地,构建模块2还用于:
获取工况参数中的电荷状态、模组温度和电池输出功率;
根据电荷状态、模组温度和电池输出功率构建三维空间向量,得到电池外特征分段区间。
进一步地,分类模块3还用于:
根据电池外特征分段区间将外特性相同的电池的电池工况划分为同一类,得到初始电池工况类型;
获取电池的使用场景;
根据使用场景和实时数据对初始电池工况类型进行二次划分,得到电池工况类型。
在上述实现过程中,先根据外特性对电池工况进行初步划分,再根据使用场景对初始电池工况类型进行二次划分,使得电池工况类型可以包含对使用场景的考虑,提高电池工况的识别效率。
进一步地,分类模块3还用于:
若电池的使用场景为充电场景,获取实时数据中的充电时长、充电电流瞬时变化率和最高单体电压值;
根据充电时长、充电电流瞬时变化率和最高单体电压值对初始电池工况类型进行二次划分,得到电池工况类型;
若电池的使用场景为放电场景,根据模糊C均值聚类算法对初始电池工况类型进行二次划分,得到电池工况类型。
在上述实现过程中,划分电池的使用场景为充电场景和放电场景,根据充电场景和放电场景的不同分别对初始电池工况类型进行二次划分,可以使得到的电池工况类型更加准确,节省时间。
进一步地,该装置还包括调节模块,用于:
根据电池工况类型对电池进行调节。
上述的电池工况的识别装置可实施上述实施例一的方法。上述实施例一中的可选项也适用于本实施例,这里不再详述。
本申请实施例的其余内容可参照上述实施例一的内容,在本实施例中,不再进行赘述。
实施例三
本申请实施例提供一种汽车,包括实施例二的电池工况的识别装置。
实施例四
本申请实施例提供一种电子设备,包括存储器及处理器,该存储器用于存储计算机程序,该处理器运行计算机程序以使电子设备执行实施例一的电池工况的识别方法。
可选地,上述电子设备可以是服务器。
请参见图3,图3为本申请实施例提供的电子设备的结构组成示意图。该电子设备可以包括处理器31、通信接口32、存储器33和至少一个通信总线34。其中,通信总线34用于实现这些组件直接的连接通信。其中,本申请实施例中设备的通信接口32用于与其他节点设备进行信令或数据的通信。处理器31可以是一种集成电路芯片,具有信号的处理能力。
上述的处理器31可以是通用处理器,包括中央处理器(Central ProcessingUnit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器31也可以是任何常规的处理器等。
存储器33可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。存储器33中存储有计算机可读取指令,当计算机可读取指令由所述处理器31执行时,设备可以执行上述图1方法实施例涉及的各个步骤。
可选地,电子设备还可以包括存储控制器、输入输出单元。存储器33、存储控制器、处理器31、外设接口、输入输出单元各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通信总线34实现电性连接。处理器31用于执行存储器33中存储的可执行模块,例如设备包括的软件功能模块或计算机程序。
输入输出单元用于提供给用户创建任务以及为该任务创建启动可选时段或预设执行时间以实现用户与服务器的交互。输入输出单元可以是,但不限于,鼠标和键盘等。
可以理解,图3所示的结构仅为示意,电子设备还可包括比图3中所示更多或者更少的组件,或者具有与图3所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组合实现。
另外,本申请实施例还提供一种计算机可读存储介质,其存储有计算机程序,该计算机程序被处理器执行时实现实施例一的电池工况的识别方法。
本申请实施例还提供一种计算机程序产品,该计算机程序产品在计算机上运行时,使得计算机执行方法实施例所述的方法。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的装置来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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,本申请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)执行本申请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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种电池工况的识别方法,其特征在于,所述方法包括:
获取电池的工况参数和实时数据;
根据所述工况参数获得电池外特征分段区间;
根据所述电池外特征分段区间和实时数据对所述电池的电池工况进行分类,得到电池工况类型。
2.根据权利要求1所述的电池工况的识别方法,其特征在于,所述根据所述工况参数获得电池外特征分段区间的步骤,包括:
获取所述工况参数中的电荷状态、模组温度和电池输出功率;
根据所述电荷状态、模组温度和电池输出功率构建三维空间向量,得到所述电池外特征分段区间。
3.根据权利要求1所述的电池工况的识别方法,其特征在于,所述根据所述电池外特征分段区间和实时数据对所述电池的电池工况进行分类,得到电池工况类型的步骤,包括:
根据所述电池外特征分段区间将外特性相同的电池的电池工况划分为同一类,得到初始电池工况类型;
获取所述电池的使用场景;
根据所述使用场景和所述实时数据对所述初始电池工况类型进行二次划分,得到所述电池工况类型。
4.根据权利要求3所述的电池工况的识别方法,其特征在于,所述根据所述使用场景和所述实时数据对所述初始电池工况类型进行二次划分,得到所述电池工况类型的步骤,包括:
若所述电池的使用场景为充电场景,获取所述实时数据中的充电时长、充电电流瞬时变化率和最高单体电压值;
根据所述充电时长、所述充电电流瞬时变化率和所述最高单体电压值对所述初始电池工况类型进行二次划分,得到所述电池工况类型;
若所述电池的使用场景为放电场景,根据模糊C均值聚类算法对所述初始电池工况类型进行二次划分,得到所述电池工况类型。
5.根据权利要求1所述的电池工况的识别方法,其特征在于,在所述根据所述电池外特征分段区间和实时数据对所述电池的电池工况进行分类,得到电池工况类型的步骤之后,还包括:
根据所述电池工况类型对所述电池进行调节。
6.一种电池工况的识别装置,其特征在于,所述装置包括:
获取模块,用于获取电池的工况参数和实时数据;
构建模块,用于根据所述工况参数获得电池外特征分段区间;
分类模块,用于根据所述电池外特征分段区间和实时数据对所述电池的电池工况进行分类,得到电池工况类型。
7.根据权利要求6所述的电池工况的识别装置,其特征在于,所述分类模块还用于:
根据所述电池外特征分段区间将外特性相同的电池的电池工况划分为同一类,得到初始电池工况类型;
获取所述电池的使用场景;
根据所述使用场景和所述实时数据对所述初始电池工况类型进行二次划分,得到所述电池工况类型。
8.根据权利要求7所述的电池工况的识别装置,其特征在于,所述分类模块还用于:
若所述电池的使用场景为充电场景,获取所述实时数据中的充电时长、充电电流瞬时变化率和最高单体电压值;
根据所述充电时长、所述充电电流瞬时变化率和所述最高单体电压值对所述初始电池工况类型进行二次划分,得到所述电池工况类型;
若所述电池的使用场景为放电场景,根据模糊C均值聚类算法对所述初始电池工况类型进行二次划分,得到所述电池工况类型。
9.一种汽车,其特征在于,所述汽车包括如权利要求6至8中任一项所述的电池工况的识别装置。
10.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1至5中任一项所述的电池工况的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210849142.XA CN115061046A (zh) | 2022-07-19 | 2022-07-19 | 一种电池工况的识别方法、装置、汽车及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210849142.XA CN115061046A (zh) | 2022-07-19 | 2022-07-19 | 一种电池工况的识别方法、装置、汽车及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115061046A true CN115061046A (zh) | 2022-09-16 |
Family
ID=83206516
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210849142.XA Pending CN115061046A (zh) | 2022-07-19 | 2022-07-19 | 一种电池工况的识别方法、装置、汽车及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115061046A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115856666A (zh) * | 2022-11-28 | 2023-03-28 | 伏瓦科技(苏州)有限公司 | 电池工况数据的处理方法、设备及存储介质 |
-
2022
- 2022-07-19 CN CN202210849142.XA patent/CN115061046A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115856666A (zh) * | 2022-11-28 | 2023-03-28 | 伏瓦科技(苏州)有限公司 | 电池工况数据的处理方法、设备及存储介质 |
CN115856666B (zh) * | 2022-11-28 | 2024-03-26 | 伏瓦科技(苏州)有限公司 | 电池工况数据的处理方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Life prediction of lithium-ion batteries based on stacked denoising autoencoders | |
CN108805217B (zh) | 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 | |
Tian et al. | Consistency evaluation and cluster analysis for lithium-ion battery pack in electric vehicles | |
Xu et al. | A novel clustering algorithm for grouping and cascade utilization of retired Li-ion batteries | |
JP7450741B2 (ja) | リチウム電池のsoc推定方法、装置及びコンピュータ読み取り可能な記憶媒体 | |
CN111476435B (zh) | 基于密度峰值的充电桩负荷预测方法 | |
Xia et al. | Lithium-ion battery ageing behavior pattern characterization and state-of-health estimation using data-driven method | |
Majidpour et al. | A novel forecasting algorithm for electric vehicle charging stations | |
CN114114039A (zh) | 一种电池系统的单体电芯一致性的评估方法和装置 | |
Surendar et al. | Estimation of state of charge of a lead acid battery using support vector regression | |
CN115563477B (zh) | 谐波数据识别方法、装置、计算机设备和存储介质 | |
CN115061046A (zh) | 一种电池工况的识别方法、装置、汽车及电子设备 | |
CN111325402A (zh) | 基于bp神经网络的电动汽车用户充电行为的预测方法 | |
CN116699446A (zh) | 退役电池快速分选方法、装置、设备及存储介质 | |
CN114118595A (zh) | 用电负荷预测的方法、系统、存储介质及电子设备 | |
CN112464059B (zh) | 配电网用户分类方法、装置、计算机设备和存储介质 | |
Zhou et al. | A light-weight feature extractor for lithium-ion battery health prognosis | |
Broderick et al. | Accuracy of clustering as a method to group distribution feeders by PV hosting capacity | |
CN113945852A (zh) | 一种蓄电池组不一致性评价方法 | |
CN110579708B (zh) | 电池容量识别方法、装置、计算设备及计算机存储介质 | |
CN115889245A (zh) | 一种锂电池一致性分选方法 | |
Li et al. | Study on sorting method of zinc silver battery based on multi-step FCM clustering algorithm | |
CN116068402A (zh) | 新能源汽车锂电池状态预测方法、装置、设备及存储介质 | |
CN115327418A (zh) | 锂电池内阻辨识方法、存储介质及电子设备 | |
CN111222550A (zh) | 一种用户用电行为确定方法和装置 |
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 |