CN115061058A - 退役动力电池梯次利用剩余寿命测算方法及系统 - Google Patents

退役动力电池梯次利用剩余寿命测算方法及系统 Download PDF

Info

Publication number
CN115061058A
CN115061058A CN202210657784.XA CN202210657784A CN115061058A CN 115061058 A CN115061058 A CN 115061058A CN 202210657784 A CN202210657784 A CN 202210657784A CN 115061058 A CN115061058 A CN 115061058A
Authority
CN
China
Prior art keywords
battery
discharging
data
power battery
neural network
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
Application number
CN202210657784.XA
Other languages
English (en)
Inventor
金鑫君
朱郑乔若
郑丽辉
方坤礼
毛之俊
冯云和
汪翌旸
蒋建富
马如
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Quzhou College of Technology
Original Assignee
Quzhou College of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Quzhou College of Technology filed Critical Quzhou College of Technology
Priority to CN202210657784.XA priority Critical patent/CN115061058A/zh
Publication of CN115061058A publication Critical patent/CN115061058A/zh
Pending legal-status Critical Current

Links

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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及人工智能技术领域，提供一种建立神经网络预测模型的方法，该方法从退役动力电池管理系统模块中获取动力电池使用历史数据，从动力电池使用历史数据中提取基本技术参数作为数据特征，再将每一组基本技术参数对应一个电池容量标签数据，对初始的前馈神经网络预测模型进行训练，获得神经网络预测模型；本发明能够以退役前的动力电池使用状态数据为基础，针对不同电池单体进行基于神经网络预测模型的测算，从而为不同容量、不同衰减程度、不同剩余循环次数的退役后动力电池重组提供可能，从而使得缺乏一致性的退役后的动力电池重组后性能得到巨大提升，提高可靠性，从而使得退役动力电池进入高质量循环使用。

Description

退役动力电池梯次利用剩余寿命测算方法及系统
技术领域
本发明涉及人工智能技术领域，特别涉及一种退役动力电池梯次利用剩余寿命测算方法及系统。
背景技术
动力电池(Power Battery，PB)包括三元、磷酸铁锂、锰酸锂、钴酸锂等，作为储能环节的重要组成部分，动力电池在安全性、循环寿命、能量密度等上相比其它电池均具有很大的优势；以三元、磷酸铁锂为代表的动力锂电池在汽车、电力、工业储能、矿山、特种车辆等领域都有广泛的应用。
CN110224192B公开了一种梯次利用动力电池寿命预测方法，包括以下步骤：S100、对待测锂离子电池的外观特性分析；S200、对待测锂离子电池首次充放电进行测试；S300、对测锂离子电池进行电池的分选；S400、建立预测模型，对测锂离子电池剩余使用寿命进行预测；其中，所述S300对测锂离子电池进行电池的分选；具体包括：S301、锂电池初次分选，划分电池等级；S302、利用锂离子电池的充放电电压曲线图、充放电电流曲线图进行锂离子电池的分选；所述S302利用锂离子电池的充放电电压曲线图、充放电电流曲线图进行锂离子电池的分选；具体包括：对初次分选后的某一等级的多个单体电池进行充、放电测试，对充、放电曲线进行预处理，采用曲线之间的相似度和聚类算法对多个单体电池进行再分级以获得更高性能和稳定性的电池模组；所述步骤S302中采用曲线之间的相似度和聚类算法对多个单体电池进行再分级以获得更高性能和稳定性的电池模组，其中聚类算法包括以下步骤：假设给定一个输入样本集合S，其中样本Sj有d个属性，即Sj＝{Sj1,Sj2,…,Sjd}；按照指定的划分标准，使得在同一类中的样本相似而在不同类中的样本有差异；在对数据集进行聚类时一个依据的标准就是样本之间的“距离”，将“距离”较近的样本划分到同一类中，而“距离”较远的样本尽量划分到不同类中；样本之间的“距离”实际上就是对于样本相似性的度量，两个样本越类似，距离越小，则相似度越高；所述“距离”采用动态距离。
随着动力锂电池更新换代，越来越多汽车用的动力电池进入循环梯次使用的阶段，虽然同一批次动力电池在出厂时，无论在容量、放电性能上的一致性好，然而在不同工况下使用过后的动力电池，其容量下降比例和速率均不同，使用后的动力锂电池若需要重新进行成组难度大，降低了梯次利用的可能性。
发明内容
由于动力电池通过电池单体通过串并联组合组建成电池包，由电池包组建成电池模组进行电能的输出；在动力电池使用过程中进行充放电，是针对电池包为单元进行电池均衡，在某一电池包中电池单体使用情况也不尽相同；在动力电池在使用一定时间后，不同电池包中电池单体之间的电池剩余容量与剩余循环次数完全不同，导致电池单体之间严重缺乏一致性，使得退役后的动力电池不能进行有效重组为新的电池包，或重组后的电池包性能直线下降。
有鉴于此，本发明旨在提出建立神经网络预测模型的方法，所述建立神经网络预测模型的方法包括，从退役动力电池管理系统模块中获取动力电池使用历史数据，从动力电池使用历史数据中提取基本技术参数作为数据特征，其中，基本技术参数包括充电次数、放电次数、放电超过电流阈值次数、放电深度、放电时间、充电时间、放电T时间段后温度值；每一组基本技术参数对应一个电池容量标签数据，将基本技术参数作为数据样本，电池容量标签数据作为标签，对初始的前馈神经网络预测模型进行训练，获得神经网络预测模型。
优选地，电池容量标签数据由电池单体充放电特性测试获得。
本发明还公开了一种退役动力电池梯次利用剩余寿命测算方法，所述退役动力电池梯次利用剩余寿命测算方法包括，
步骤S1，根据退役前动力电池BMS系统中电池单体历史使用基本数据，其中，历史使用基本数据至少包括电池充放电次数、放电深度、放电最大电流和工作过程中温度变化量；
步骤S2，将历史使用基本数据输入上述的建立神经网络预测模型的方法所获得的神经网络预测模型，输出在充放电工作条件下的电池单体的电池容量预测值和可充放电循环次数；其中，充放电工作条件包括充放电频率、放电深度、充放电电流；
步骤S3，将电池容量预测值和可充放电循环次数相同的电池单体，重组为电池包。
优选地，在步骤S1中，将历史使用基本数据进行归一化预处理。
优选地，在步骤S2中，历史使用基本数据还包括放电过程中大于最大电流阈值持续时间。
优选地，在步骤S2中，将电池单体充放电测试获得的库伦效率数据同时输入根据权利要求1所述的建立神经网络预测模型的方法所获得的神经网络预测模型。
本发明还公开了一种用于实施上述的退役动力电池梯次利用剩余寿命测算方法的系统，所述系统包括，
数据采集单元，用于根据退役前动力电池BMS系统中电池单体历史使用基本数据，其中，历史使用基本数据至少包括电池充放电次数、放电深度、放电最大电流和工作过程中温度变化量；
计算单元，用于将历史使用基本数据输入上述的建立神经网络预测模型的方法所获得的神经网络预测模型，输出在充放电工作条件下的电池单体的电池容量预测值和可充放电循环次数；其中，充放电工作条件包括充放电频率、放电深度、充放电电流；
筛选重组单元，用于将电池容量预测值和可充放电循环次数相同的电池单体，重组为电池包。。
优选地，所述数据采集单元还包括数据预处理模块，用于将历史使用基本数据进行归一化预处理。
本发明还提供了一种电子设备，包括存储器和处理器：所述存储器，用于存储计算机程序；所述处理器，用于当执行计算机程序时，实现如上述的建立神经网络预测模型的方法，或者，实现如上述的退役动力电池梯次利用剩余寿命测算方法。
根据本发明实施例的另一方面，提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述的建立神经网络预测模型的方法或退役动力电池梯次利用剩余寿命测算方法。
相对于现有技术，本发明提供的建立神经网络预测模型的方法，该方法从退役动力电池管理系统模块中获取动力电池使用历史数据，从动力电池使用历史数据中提取基本技术参数作为数据特征，再将每一组基本技术参数对应一个电池容量标签数据，将基本技术参数作为数据样本，电池容量标签数据作为标签，对初始的前馈神经网络预测模型进行训练，获得神经网络预测模型。本发明还公开的一种退役动力电池梯次利用剩余寿命测算方法，根据退役前动力电池BMS系统中电池单体历史使用基本数据，将历史使用基本数据输入上述的建立神经网络预测模型的方法所获得的神经网络预测模型，输出在充放电工作条件下的电池单体的电池容量预测值和可充放电循环次数；最终将电池容量预测值和可充放电循环次数相同的电池单体，重组为电池包。本发明还公开了一种系统用于执行上述退役动力电池梯次利用剩余寿命测算方法，本发明能够以退役前的动力电池使用状态数据为基础，针对不同电池单体进行基于神经网络预测模型的测算，从而为不同容量、不同衰减程度、不同剩余循环次数的退役后动力电池重组提供可能，从而使得缺乏一致性的退役后的动力电池重组后性能得到巨大提升，提高可靠性，从而使得退役动力电池进入高质量循环使用。
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施方式及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明的退役动力电池梯次利用剩余寿命测算方法一种实施方式的流程图；
图2为本发明的用于执行退役动力电池梯次利用剩余寿命测算方法的系统示意图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
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。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了解决由于动力电池通过电池单体通过串并联组合组建成电池包，由电池包组建成电池模组进行电能的输出；在动力电池使用过程中进行充放电，是针对电池包为单元进行电池均衡，在某一电池包中电池单体使用情况也不尽相同；在动力电池在使用一定时间后，不同电池包中电池单体之间的电池剩余容量与剩余循环次数完全不同，导致电池单体之间严重缺乏一致性，使得退役后的动力电池不能进行有效重组为新的电池包，或重组后的电池包性能直线下降等一系列问题。本发明提供一种建立神经网络预测模型的方法，所述建立神经网络预测模型的方法包括，从退役动力电池管理系统模块中获取动力电池使用历史数据，从动力电池使用历史数据中提取基本技术参数作为数据特征，其中，基本技术参数包括充电次数、放电次数、放电超过电流阈值次数、放电深度、放电时间、充电时间、放电T时间段后温度值；每一组基本技术参数对应一个电池容量标签数据，将基本技术参数作为数据样本，电池容量标签数据作为标签，对初始的前馈神经网络预测模型进行训练，获得神经网络预测模型。
本发明提供的建立神经网络预测模型的方法，该方法从退役动力电池管理系统模块中获取动力电池使用历史数据，从动力电池使用历史数据中提取基本技术参数作为数据特征，再将每一组基本技术参数对应一个电池容量标签数据，将基本技术参数作为数据样本，电池容量标签数据作为标签，对初始的前馈神经网络预测模型进行训练，获得神经网络预测模型。针对退役动力电池梯次利用过程中，电池单体剩余寿命测算至关重要，本发明能够以退役前的动力电池使用状态数据为基础，神经网络预测模型的建立是最为基础的，之后针对不同电池单体进行基于神经网络预测模型的测算，从而为不同容量、不同衰减程度、不同剩余循环次数的退役后动力电池重组提供可能，从而使得缺乏一致性的退役后的动力电池重组后性能得到巨大提升，提高可靠性，从而使得退役动力电池进入高质量循环使用。
由于神经网络预测模型是进行样本数据训练得到，相同规格的动力电池，例如，三元锂电池20Ah单体，同一厂家和同一批次生产，其中针对某一个锂电池单体进行充放电特性测试，既能够获得其衰减的速率和规律数据，这些数据作为模型训练的标签数据，从而使得神经网络预测模型只需要进行有监督学习即可获得成熟模型，为了神经网络预测模型更为高效地收敛和拟合，在本发明更为优选的情况下，电池容量标签数据由电池单体充放电特性测试获得。
为了使用上述训练好的神经网络预测模型，从而得到退役后动力电池的剩余寿命，例如剩余循环次数或以0.1C放电速率下的充放电次数等，本发明还提供了一种退役动力电池梯次利用剩余寿命测算方法，所述退役动力电池梯次利用剩余寿命测算方法包括，
步骤S1，根据退役前动力电池BMS系统中电池单体历史使用基本数据，其中，历史使用基本数据至少包括电池充放电次数、放电深度、放电最大电流和工作过程中温度变化量；
步骤S2，将历史使用基本数据输入根据权利要求1所述的建立神经网络预测模型的方法所获得的神经网络预测模型，输出在充放电工作条件下的电池单体的电池容量预测值和可充放电循环次数；其中，充放电工作条件包括充放电频率、放电深度、充放电电流；
步骤S3，将电池容量预测值和可充放电循环次数相同的电池单体，重组为电池包。
本发明提供的一种退役动力电池梯次利用剩余寿命测算方法，根据退役前动力电池BMS系统中电池单体历史使用基本数据，将历史使用基本数据输入上述的建立神经网络预测模型的方法所获得的神经网络预测模型，输出在充放电工作条件下的电池单体的电池容量预测值和可充放电循环次数；最终将电池容量预测值和可充放电循环次数相同的电池单体，重组为电池包。本发明还公开了一种系统用于执行上述退役动力电池梯次利用剩余寿命测算方法，本发明能够以退役前的动力电池使用状态数据为基础，针对不同电池单体进行基于神经网络预测模型的测算，从而为不同容量、不同衰减程度、不同剩余循环次数的退役后动力电池重组提供可能，从而使得缺乏一致性的退役后的动力电池重组后性能得到巨大提升，提高可靠性，从而使得退役动力电池进入高质量循环使用。
为了更好地利用退役前动力电池BMS系统中电池单体历史使用基本数据，例如，从新能源汽车用动力电池的电池管理系统(Battery Management System，BMS)中读取电池在退役前使用过程产生的数据属于多维的，量纲不同，电池充放电次数、放电深度、放电最大电流和工作过程中温度值量纲不同，维度不同；难以在神经网络预测模型进行快速有效计算，为了减少神经网络预测模型计算和收敛计算复杂度，在本发明更为优选的情况下，在步骤S1中，将历史使用基本数据进行归一化预处理。
由于大电流放电对动力电池的损伤作用最大，加速动力电池的衰减，在本发明更为优选的情况下，在步骤S2中，历史使用基本数据还包括放电过程中大于最大电流阈值持续时间。例如，30Ah磷酸铁锂电池在1C，即30A的速率下进行放电，对动力电池寿命影响远远小于以3C，即90A速率下进行放电造成的电池衰减。本发明更为优选的情况下，最大电流阈值为3C-4C，为了更好地获取大电流放电持续时间数据，是为了用于更精准地获取动力电池在退役前使用过程造成衰减的数据，更为优选的情况下为3C。
为了使得综合考虑退役后电池包拆解为动力电池单体的状态数据，使得对退役动力电池的剩余寿命测算更为精确，本发明更为优选的情况下，在步骤S2中，将电池单体充放电测试获得的库伦效率数据同时输入上述建立神经网络预测模型的方法所获得的神经网络预测模型。例如，针对拆解后的动力电池单体进行1-2个周期的充放电测试，从而能够快速获得动力电池的库伦效率数据，从而共同作为神经网络预测模型的输入数据，使得基于神经网络预测模型对退役动力电池容量、剩余寿命的测算综合考虑了电池单体当下的状态数据，更为优选的情况下，将库伦效率数据作为神经网络预测模型的偏置项。
本发明还提供了一种用于实施上述的退役动力电池梯次利用剩余寿命测算方法的系统，所述系统包括，
数据采集单元，用于根据退役前动力电池BMS系统中电池单体历史使用基本数据，其中，历史使用基本数据至少包括电池充放电次数、放电深度、放电最大电流和工作过程中温度变化量；
计算单元，用于将历史使用基本数据输入根据权利要求1所述的建立神经网络预测模型的方法所获得的神经网络预测模型，输出在充放电工作条件下的电池单体的电池容量预测值和可充放电循环次数；其中，充放电工作条件包括充放电频率、放电深度、充放电电流；
筛选重组单元，用于将电池容量预测值和可充放电循环次数相同的电池单体，重组为电池包。
本发明提供的用于执行一种退役动力电池梯次利用剩余寿命测算方法的系统，数据采集单元根据退役前动力电池BMS系统中电池单体历史使用基本数据，计算单元将历史使用基本数据输入上述的建立神经网络预测模型的方法所获得的神经网络预测模型，输出在充放电工作条件下的电池单体的电池容量预测值和可充放电循环次数；筛选重组单元最终将电池容量预测值和可充放电循环次数相同的电池单体，重组为电池包。本发明能够以退役前的动力电池使用状态数据为基础，针对不同电池单体进行基于神经网络预测模型的测算，从而为不同容量、不同衰减程度、不同剩余循环次数的退役后动力电池重组提供可能，从而使得缺乏一致性的退役后的动力电池重组后性能得到巨大提升，提高可靠性，从而使得退役动力电池进入高质量循环使用。
为了更好地利用退役前动力电池BMS系统中电池单体历史使用基本数据，退役前使用产生的数据属于多维的，量纲不同，难以在神经网络预测模型进行快速有效计算，为了减少神经网络预测模型计算和收敛计算复杂度，所述数据采集单元还包括数据预处理模块，用于将历史使用基本数据进行归一化预处理。
本发明还提供了一种电子设备，包括存储器和处理器：所述存储器，用于存储计算机程序；所述处理器，用于当执行计算机程序时，实现上述建立神经网络预测模型的方法，或者，实现上述的退役动力电池梯次利用剩余寿命测算方法。
本发明实施例还提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行实现上述建立神经网络预测模型的方法，或者，实现上述的退役动力电池梯次利用剩余寿命测算方法。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中，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。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，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，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，装置或单元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网络单元上。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、移动终端、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优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种建立神经网络预测模型的方法，其特征在于，所述建立神经网络预测模型的方法包括，从退役动力电池管理系统模块中获取动力电池使用历史数据，从动力电池使用历史数据中提取基本技术参数作为数据特征，其中，基本技术参数包括充电次数、放电次数、放电超过电流阈值次数、放电深度、放电时间、充电时间、放电T时间段后温度值；每一组基本技术参数对应一个电池容量标签数据，将基本技术参数作为数据样本，电池容量标签数据作为标签，对初始的前馈神经网络预测模型进行训练，获得神经网络预测模型。
2.根据权利要求1所述的建立神经网络预测模型的方法，其特征在于，电池容量标签数据由电池单体充放电特性测试获得。
3.一种退役动力电池梯次利用剩余寿命测算方法，其特征在于，所述退役动力电池梯次利用剩余寿命测算方法包括，
步骤S1，根据退役前动力电池BMS系统中电池单体历史使用基本数据，其中，历史使用基本数据至少包括电池充放电次数、放电深度、放电最大电流和工作过程中温度变化量；
步骤S2，将历史使用基本数据输入根据权利要求1所述的建立神经网络预测模型的方法所获得的神经网络预测模型，输出在充放电工作条件下的电池单体的电池容量预测值和可充放电循环次数；其中，充放电工作条件包括充放电频率、放电深度、充放电电流；
步骤S3，将电池容量预测值和可充放电循环次数相同的电池单体，重组为电池包。
4.根据权利要求3所述的退役动力电池梯次利用剩余寿命测算方法，其特征在于，在步骤S1中，将历史使用基本数据进行归一化预处理。
5.根据权利要求3所述的退役动力电池梯次利用剩余寿命测算方法，其特征在于，在步骤S2中，历史使用基本数据还包括放电过程中大于最大电流阈值持续时间。
6.根据权利要求3和5任意一项所述的退役动力电池梯次利用剩余寿命测算方法，其特征在于，在步骤S2中，将电池单体充放电测试获得的库伦效率数据同时输入根据权利要求1所述的建立神经网络预测模型的方法所获得的神经网络预测模型。
7.一种用于实施权利要求3-6任意一项所述的退役动力电池梯次利用剩余寿命测算方法的系统，其特征在于，所述系统包括，
数据采集单元，用于根据退役前动力电池BMS系统中电池单体历史使用基本数据，其中，历史使用基本数据至少包括电池充放电次数、放电深度、放电最大电流和工作过程中温度变化量；
计算单元，用于将历史使用基本数据输入根据权利要求1所述的建立神经网络预测模型的方法所获得的神经网络预测模型，输出在充放电工作条件下的电池单体的电池容量预测值和可充放电循环次数；其中，充放电工作条件包括充放电频率、放电深度、充放电电流；
筛选重组单元，用于将电池容量预测值和可充放电循环次数相同的电池单体，重组为电池包。
8.根据权利要求7所述的系统，其特征在于，所述数据采集单元还包括数据预处理模块，用于将历史使用基本数据进行归一化预处理。
9.一种电子设备，其特征在于，包括存储器和处理器：所述存储器，用于存储计算机程序；所述处理器，用于当执行计算机程序时，实现如权利要求1-2任意一项所述的建立神经网络预测模型的方法，或者，实现如权利要求3-6任意一项所述的退役动力电池梯次利用剩余寿命测算方法。
10.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1-2任意一项所述的建立神经网络预测模型的方法，或者，权利要求3-6任意一项所述的退役动力电池梯次利用剩余寿命测算方法。
CN202210657784.XA 2022-06-10 2022-06-10 退役动力电池梯次利用剩余寿命测算方法及系统 Pending CN115061058A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210657784.XA CN115061058A (zh) 2022-06-10 2022-06-10 退役动力电池梯次利用剩余寿命测算方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210657784.XA CN115061058A (zh) 2022-06-10 2022-06-10 退役动力电池梯次利用剩余寿命测算方法及系统

Publications (1)

Publication Number Publication Date
CN115061058A true CN115061058A (zh) 2022-09-16

Family

ID=83199767

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210657784.XA Pending CN115061058A (zh) 2022-06-10 2022-06-10 退役动力电池梯次利用剩余寿命测算方法及系统

Country Status (1)

Country Link
CN (1) CN115061058A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117033953A (zh) * 2023-10-10 2023-11-10 深圳蓝锂科技有限公司 基于bms实现退役电池的梯次利用分析方法及系统
CN117096476A (zh) * 2023-10-20 2023-11-21 珠海中力新能源科技有限公司 一种电池的分组方法、装置、电子设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117033953A (zh) * 2023-10-10 2023-11-10 深圳蓝锂科技有限公司 基于bms实现退役电池的梯次利用分析方法及系统
CN117033953B (zh) * 2023-10-10 2023-12-29 深圳蓝锂科技有限公司 基于bms实现退役电池的梯次利用分析方法及装置
CN117096476A (zh) * 2023-10-20 2023-11-21 珠海中力新能源科技有限公司 一种电池的分组方法、装置、电子设备及存储介质
CN117096476B (zh) * 2023-10-20 2024-01-30 珠海中力新能源科技有限公司 一种电池的分组方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
Lipu et al. A review of state of health and remaining useful life estimation methods for lithium-ion battery in electric vehicles: Challenges and recommendations
CN110224192B (zh) 一种梯次利用动力电池寿命预测方法
CN111584952B (zh) 用于储能电站电化学电池在线评估的方法和系统
CN109031145B (zh) 一种考虑不一致性的串并联电池组模型及实现方法
CN109165687B (zh) 基于多分类支持向量机算法的车用锂电池故障诊断方法
CN107290679B (zh) 用于电动汽车共享充电桩的智能化电池健康状态检测方法
Zhou et al. A low-complexity state of charge estimation method for series-connected lithium-ion battery pack used in electric vehicles
CN111007401A (zh) 一种基于人工智能的电动汽车电池故障诊断方法及设备
Lin et al. Estimation of battery state of health using probabilistic neural network
CN108732510B (zh) 基于内部特征的锂离子电池一致性筛选分组方法
CN109604186B (zh) 动力电池性能柔性评估分选方法
CN112092675A (zh) 一种电池热失控预警方法、系统及服务器
CN111537899A (zh) 一种梯次利用动力电池安全性评估方法
CN115061058A (zh) 退役动力电池梯次利用剩余寿命测算方法及系统
CN111812536A (zh) 一种退役动力电池残值快速评估方法
Burzyński et al. A novel method for the modeling of the state of health of lithium-ion cells using machine learning for practical applications
CN110146817A (zh) 锂电池故障的诊断方法
Xu et al. A vehicle-cloud collaborative method for multi-type fault diagnosis of lithium-ion batteries
CN116401585B (zh) 一种基于大数据的储能电池失效风险评估方法
CN111983474A (zh) 一种基于容量衰退模型的锂离子电池寿命预测方法和系统
Jiang et al. Sorting and grouping optimization method for second-use batteries considering aging mechanism
Jeng et al. Evaluation of cell inconsistency in lithium-ion battery pack using the autoencoder network model
Long et al. Multi-parameter optimization method for remaining useful life prediction of lithium-ion batteries
Song et al. Series-connected lithium-ion battery pack health modeling with cell inconsistency evaluation
CN116736172A (zh) 一种基于生成式对抗网络的锂电池组健康状态评估方法

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