CN115166532A - 镍氢电池容量预测方法、装置、电子设备及存储介质 - Google Patents
镍氢电池容量预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115166532A CN115166532A CN202210875963.0A CN202210875963A CN115166532A CN 115166532 A CN115166532 A CN 115166532A CN 202210875963 A CN202210875963 A CN 202210875963A CN 115166532 A CN115166532 A CN 115166532A
- Authority
- CN
- China
- Prior art keywords
- battery
- nickel
- metal hydride
- capacity
- characteristic parameter
- 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
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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/344—Sorting according to other particular properties according to electric or electromagnetic properties
-
- 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种镍氢电池容量预测方法、装置、电子设备及存储介质,其方法包括:对目标镍氢电池进行容量测试及特征参数提取测试,得到目标镍氢电池的第一电池容量及第一特征参数;基于预设相关系数对第一特征参数与第一电池容量进行相关性计算,得到第二特征参数;构建RBF神经网络模型,并将第二特征参数作为RBF神经网络模型的输入、将第一电池容量作为RBF神经网络模型的输出进行训练,得到训练完备的电池容量预测模型;利用电池容量预测模型对待测镍氢电池的第二电池容量进行预测。本发明可以对镍氢电池的剩余容量进行精准预测,进而可以对电池进行合理分选。
Description
技术领域
本发明涉及电池管理技术领域,尤其涉及一种镍氢电池容量预测方法、装置、电子设备及存储介质。
背景技术
镍氢电池是由氢离子和金属镍合成,电量储备比镍镉电池多30%,比镍镉电池更轻,使用寿命也更长,并且对环境无污染。
镍氢电池经常用于前代电动和混合动力汽车,不少镍氢电池在退役后其剩余容量仍保持在80%以上,可对其进行梯次利用,但是退役镍氢电池一致性问题尤为明显,在使用过程中容易引起过充、过放等问题,严重时将会导致安全问题。因此,在对退役镍氢电池进行梯次利用之前,需要先对其进行分选,即将容量、内阻和电压一致的电池分选出来并重新串并联组成电池组。
但是现有技术中通常通过直接测量的方式获取电池容量,这种方式耗时长,能耗高。故需要开发一种能耗低、精度高、速度快的方法,对电池的容量进行精准预测,进而实现对电池的合理分选。
发明内容
有鉴于此,有必要提供一种镍氢电池容量预测方法、装置、电子设备及存储介质,用以解决现有技术中获取电池容量耗时长、能耗高的问题。
为了解决上述问题,第一方面本发明提供一种镍氢电池容量预测方法,包括:
对目标镍氢电池进行容量测试及特征参数提取测试,得到所述目标镍氢电池的第一电池容量及第一特征参数;
基于预设相关系数对所述第一特征参数与所述第一电池容量进行相关性计算,得到第二特征参数;
构建RBF神经网络模型,并将所述第二特征参数作为所述RBF神经网络模型的输入、将所述第一电池容量作为所述RBF神经网络模型的输出进行训练,得到训练完备的电池容量预测模型;
利用所述电池容量预测模型对待测镍氢电池的第二电池容量进行预测。
进一步的,所述对目标镍氢电池进行容量测试,得到所述目标镍氢电池的第一电池容量,包括:
对目标镍氢电池进行恒流充放电容量测试,得到所述目标镍氢电池的第一电池容量。
进一步的,所述第一特征参数包括将所述目标镍氢电池充电至同一状态之后,目标镍氢电池充电前后体积膨胀厚度差值目标镍氢电池的内阻和端电压、目标镍氢电池的充放电欧姆内阻、目标镍氢电池的充放电极化内阻、目标镍氢电池充放电脉冲功率及目标镍氢电池的回弹电压差值。
进一步的,所述对所述目标镍氢电池进行特征参数提取测试,得到所述目标镍氢电池的第一特征参数,包括:
将所述目标镍氢电池恒流充电至同一荷电状态之后,测量充电前后的电池厚度,得到目标镍氢电池充电前后体积膨胀厚度差值;
将充电至同一荷电状态的目标镍氢电池静置第一预设时间后,对所述目标镍氢电池进行测试,得到目标镍氢电池的内阻和端电压;
将充电至同一荷电状态的目标镍氢电池进行充放电脉冲测试,计算得到目标镍氢电池的充放电欧姆内阻、目标镍氢电池的充放电极化内阻及目标镍氢电池充放电脉冲功率;
将进行充放电脉冲测试后的目标镍氢电池进行恒流放电至截止电压,静置第二预设时间后记录目标镍氢电池的回弹电压差值。
进一步的,所述预设相关系数包括Pearson相关系数;
所述基于预设相关系数对所述第一特征参数与所述第一电池容量进行相关性计算,得到第二特征参数,包括:
基于所述Pearson相关系数分别计算所述目标镍氢电池的每一第一特征参数与第一电池容量的相关性,得到每一第一特征参数与第一电池容量的相关值;
将相关值大于预设阈值的第一特征参数确定为第二特征参数,其中,所述第二特征参数包括目标镍氢电池充电前后体积膨胀厚度差值、目标镍氢电池的内阻、及目标镍氢电池充放电极化内阻。
进一步的,所述目标镍氢电池包括训练集镍氢电池与预测集镍氢电池;
所述将所述第二特征参数作为所述RBF神经网络模型的输入、将所述第一电池容量作为所述RBF神经网络模型的输出进行训练,得到训练完备的电池容量预测模型,包括:
从目标镍氢电池的第二特征参数与第一电池容量中获取训练集镍氢电池的第三特征参数与第三电池容量;
将训练集镍氢电池的第三特征参数与第三电池容量分别作为所述RBF神经网络模型的输入、输出值,并设置神经网络参数进行训练,得到训练完备的电池容量预测模型,其中,所述神经网络参数包括误差容限,扩散因子或神经元个数中的任一种。
进一步的,上述方法还包括:
基于所述第二电池容量对所述待测镍氢电池进行分选处理,得到分选结果。
第二方面,本发明还提供一种镍氢电池容量预测装置,包括:
测试模块,用于目标镍氢电池进行容量测试及特征参数提取测试,得到所述目标镍氢电池的第一电池容量及第一特征参数;
计算模块,用于基于预设相关系数对所述第一特征参数与所述第一电池容量进行相关性计算,得到第二特征参数;
训练模块,用于构建RBF神经网络模型,并将所述第二特征参数作为所述RBF神经网络模型的输入、将所述第一电池容量作为所述RBF神经网络模型的输出进行训练,得到训练完备的电池容量预测模型;
预测模块,用于利用所述电池容量预测模型对待测镍氢电池的第二电池容量进行预测。
第三方面,本发明还提供一种电子设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述镍氢电池容量预测方法中的步骤。
第四方面,本发明还提供一种计算机存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如上述镍氢电池容量预测方法中的步骤。
采用上述实施例的有益效果是:
本发明通过对目标镍氢电池进行容量测试和特征参数提取测试,构建了模型训练需要的数据集,进一步对第一特征参数与第一电池容量进行相关性的计算,筛选了符合相关性要求特征参数,提高了训练效率;然后利用神经网络的学习能力学习多个第二特征参数与第一放电容量的数据关系,得到训练完备的电池容量预测模型。可以在无需完整充放电的前提下实现对退役电池剩余容量进行快速分选,并且通过预测模型预测退役电池的剩余电量能耗低、精度高、速度快,还可以对电池的容量进行精准预测。
附图说明
图1为本发明提供的镍氢电池容量预测方法的一实施例的流程示意图;
图2为本发明一实施例中的充放电脉冲侧视图;
图3为本发明提供的镍氢电池容量预测装置的一实施例的结构示意图;
图4为本发明提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
在本发明的描述中,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至少一个该特征。此外,“多个”的含义是两个或两个以上,除非另有明确具体的限定。在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明提供了一种镍氢电池容量预测方法、装置、电子设备及存储介质,为了解决现有技术中的直接测量的方式获取电池容量耗时长,能耗高的问题。利用神经网络模型较强的学习能力学习多个特征参数与放电容量的数据关系,通过构建最佳模型能够达到对电池容量快速预测,进而实现对电池的合理分选。
在实施例描述之前,对相关词语进行释义:
RBF,全称为Radial Basis Function,中文名称“径向基函数”,RBF神经网络指是径向基函数神经网络。RBF网络能够逼近任意的非线性函数,可以处理系统内的难以解析的规律性,具有良好的泛化能力,并有很快的学习收敛速度,已成功应用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等。
Pearson相关系数(Pearson Correlation Coefficient)是用来衡量两个数据集合是否在一条线上面,它用来衡量定距变量间的线性关系。
以下分别对具体实施例进行详细说明:
请参阅图1,图1为本发明提供的镍氢电池容量预测方法的一实施例的流程示意图,本发明的一个具体实施例,公开了一种镍氢电池容量预测方法,包括:
步骤S101:对目标镍氢电池进行容量测试及特征参数提取测试,得到目标镍氢电池的第一电池容量及第一特征参数;
步骤S102:基于预设相关系数对第一特征参数与第一电池容量进行相关性计算,得到第二特征参数;
步骤S103:构建RBF神经网络模型,并将第二特征参数作为RBF神经网络模型的输入、将第一电池容量作为RBF神经网络模型的输出进行训练,得到训练完备的电池容量预测模型;
步骤S104:利用电池容量预测模型对待测镍氢电池的第二电池容量进行预测。
其中,目标镍氢电池包括多个待分选的退役镍氢电池。可以理解的是,为了构建电池容量预测模型,首先需要构建样本数据集,具体的,可以对目标镍氢电池进行容量测试及特征参数提取测试,得到初始样本数据,然后根据初始样本数据之间的相关性,确定进行训练及预测的样本数据,具体为目标镍氢电池的第二特征参数和第一电池容量。
在训练的过程中,通过RBF神经网络较强的学习能力,能够更好地适应多个特征参数与电池容量的数据关系,进而得到训练完备的电池容量预测模型。在预测的过程中,根据训练完备的电池容量模型对待测镍氢电池的第二电池容量进行预测。需要说明的是,待测镍氢电池是包含在目标镍氢电池中的,因此在预测的过程中可以从目标镍氢电池的第二特征参数中提取将待测镍氢电池对应的第四特征参数,需要说明的是,第二特征参数与第四特征参数中的参数类型是相同的,区别在于参数值的不同,然后将第四特征参数输入到训练完备的电池容量预测模型中,预测待测镍氢电池的第二电池容量。
本发明通过对目标镍氢电池进行容量测试和特征参数提取测试,构建了模型训练需要的数据集,进一步对第一特征参数与第一电池容量进行相关性的计算,筛选了符合相关性要求特征参数,提高了训练效率;然后利用神经网络的学习能力学习多个第二特征参数与第一放电容量的数据关系,得到训练完备的电池容量预测模型。可以在无需完整充放电的前提下实现对退役电池剩余容量进行快速分选,并且通过预测模型预测退役电池的剩余电量能耗低、精度高、速度快,还可以对电池的容量进行精准预测。
在本发明的一个具体实施例中,对目标镍氢电池进行容量测试,得到目标镍氢电池的第一电池容量,包括:
对目标镍氢电池进行恒流充放电容量测试,得到目标镍氢电池的第一电池容量。
具体的,可以选取待分选的目标退役镍氢电池若干,比如30或40个,在常温下静置足够长的时间,比如1天后在0.3C~1C下对电池进行恒流充放电容量测试,得到目标镍氢电池的剩余容量。
在本发明的一个具体实施例中,第一特征参数包括将目标镍氢电池充电至同一状态之后,目标镍氢电池充电前后体积膨胀厚度差值目标镍氢电池的内阻和端电压、目标镍氢电池的充放电欧姆内阻、目标镍氢电池的充放电极化内阻、目标镍氢电池充放电脉冲功率及目标镍氢电池的回弹电压差值。
可以理解的是,通过对目标镍氢电池的初始状态进行一致化处理,可以更好地利用测试过程中的参数差别对电池进行容量分选。
在本发明的一个具体实施例中,对目标镍氢电池进行特征参数提取测试,得到目标镍氢电池的第一特征参数,包括:
将目标镍氢电池恒流充电至同一荷电状态之后,测量充电前后的电池厚度,得到目标镍氢电池充电前后体积膨胀厚度差值;
可以理解的是,在对目标镍氢电池进行容量测试后,将电池静置足够长的时间后,在0.3C~1C下将电池恒流充电至同一荷电状态下后,使用游标卡尺测量充电前后电池厚度,得到体积膨胀厚度差值Δd,计算公式如下:Δd=d2-d1,其中,d1表示充电前电池厚度,d2表示充电后电池厚度。
将充电至同一荷电状态的目标镍氢电池静置第一预设时间后,对目标镍氢电池进行测试,得到目标镍氢电池的内阻和端电压;
具体的,将充电至同一荷电状态的电池静置足够长的时间,使用电压内阻测试仪对电池进行测试,得到电池的内阻R1和端电压U1。
将充电至同一荷电状态的目标镍氢电池进行充放电脉冲测试,计算得到目标镍氢电池的充放电欧姆内阻、目标镍氢电池的充放电极化内阻及目标镍氢电池充放电脉冲功率;
具体的,将充电至同一荷电状态下的目标镍氢电池在2C~20C条件下进行充放电脉冲测试,计算得到电池的充放电欧姆内阻Rn1和Rn2,充放电极化内阻Rf1和Rf2以及充放电脉冲功率P1和P2。
具体计算请参阅图2和下列公式,其中,图2为本发明一实施例提供的充放电脉冲侧视图。
其中,Rn1为放电欧姆内阻,Rn2为充电欧姆内阻,Rf1为放电极化内阻,Rf2为充电极化内阻,I1为脉冲放电电流,I2为脉冲充电电流,W1为脉冲放电过程中的能量,Δt1为脉冲放电时间,W2为脉冲充电过程中能量,Δt2为脉冲充电时间。
将进行充放电脉冲测试后的目标镍氢电池进行恒流放电至截止电压,静置第二预设时间后记录目标镍氢电池的回弹电压差值。
具体的,将脉冲测试后的电池在0.3C~1C下进行恒流放电至截止电压,静置足够长的时间后记录电池的回弹电压差值ΔU,计算公式如下:ΔU=U3-U2。
在本发明的一个具体实施例中,预设相关系数包括Pearson相关系数;
基于预设相关系数对第一特征参数与第一电池容量进行相关性计算,得到第二特征参数,包括:
基于Pearson相关系数分别计算目标镍氢电池的每一第一特征参数与第一电池容量的相关性,得到每一第一特征参数与第一电池容量的相关值;
将相关值大于预设阈值的第一特征参数确定为第二特征参数,其中,第二特征参数包括目标镍氢电池充电前后体积膨胀厚度差值、目标镍氢电池的内阻、及目标镍氢电池充放电极化内阻。
可以理解的是,通过在第一特征参数中选取与第一电池容量相关性较高的特征参数,便于减少在后续训练过程中的计算量,提高训练效率。
具体的,相关值的计算公式如下:
其中,r的取值范围为-1至1,N为目标镍氢电池的个数,x为输入值,具体为第一特征参数,y为输出值,具体为第一电池容量。当计算出的r值越接近1表示该特征参数与电池容量越呈正线性相关,越接近-1,越呈负线性相关,当r为0时,表示该特征参数与电池容量无线性相关关系。
具体的,在本发明的一个实施例中,预设阈值的绝位值可以为0.6,因此相关值大于0.6或者小于-0.6的第一特征参数为第二特征参数。本发明实施例中通过上述公式筛选出的第二特征参数为目标镍氢电池充电前后体积膨胀厚度差值Δd、目标镍氢电池的内阻R1、及目标镍氢电池充放电极化内阻Rf1和Rf2。
在本发明的一个具体实施例中,目标镍氢电池包括训练集镍氢电池与预测集镍氢电池;
将第二特征参数作为RBF神经网络模型的输入、将第一电池容量作为RBF神经网络模型的输出进行训练,得到训练完备的电池容量预测模型,包括:
从目标镍氢电池的第二特征参数与第一电池容量中获取训练集镍氢电池的第三特征参数与第三电池容量,其中,所述第二特征参数与所述第三特征参数的参数类型相同,参数值不同;
将训练集镍氢电池的第三特征参数与第三电池容量分别作为RBF神经网络模型的输入、输出值,并设置神经网络参数进行训练,得到电池容量预测模型,其中,神经网络参数包括误差容限,扩散因子或神经元个数中的任一种。
可以理解的是,目标镍氢电池包括训练集镍氢电池和预测集镍氢电池,并且预测集镍氢电池即为待测镍氢电池,其中,训练集中的电池个数至少设有20个,预测集中的电池个数至少设有10个。
在进行训练的过程中,采用训练集中的镍氢电池进行训练,具体的,将训练集镍氢电池中相关值超过预设阈值的特征参数,即第三特征参数所对应的训练集镍氢电池充电前后体积膨胀厚度差值、训练集镍氢电池的内阻、及训练集镍氢电池充放电极化内阻作为神经网络的输入值,将训练集镍氢电池中的第三电池容量作为神经网络的输出值,构建RBF神经网络模型,RBF神经网络模型径向基函数表达公式如下:
其中,a为输入样本,ci为样本矢量记忆样本,具体的,即,ci为每组输入样本数据的平均值,L为特征参数个数,b为径向基函数的宽度参数。然后设置神经网络参数,神经网络参数可以是误差容限,扩散因子、神经元个数等,通过训练集中的样本数据对神经网络进行充分训练,得到训练完备的电池容量预测模型。
需要说明的是,在预测的过程中,根据训练完备的电池容量预测模型对待测镍氢电池,即预测集镍氢电池的第二电池容量进行预测时,只需要在目标镍氢电池的第二特征参数中提取预测集镍氢电池的第四特征参数,然后将第四特征参数输入到训练完备的电池容量预测模型中即可,其中,第二特征参数与第三特征参数也是参数类型相同,参数值不同。
进一步的,还可以将预测的第二电池容量与预测集镍氢电池对应的第四电池容量进行比对,进一步验证电池容量预测模型的预测精度。
还需要说明的是,本发明中的电池容量预测模型不仅可以预测预测集中镍氢电池的容量,还可以进一步预测其他退役镍氢电池的剩余容量,具体为对其他镍氢电池只进行特征参数提取测试即可,无需再次进行容量测试,以减少对电池的损害。
在本发明的一个具体实施例中,上述方法还包括:
基于第二电池容量对待测镍氢电池进行分选处理,并得到分选结果。
可以理解的是,退役镍氢电池一致性问题尤为明显,在使用过程中容易引起过充、过放等问题,严重时将会导致安全问题,因此,在预测出退役镍氢电池的电池容量后,将其进行分选,具体为将容量、内阻和电压一致的电池分选出来并重新串并联组成电池组,以进行梯次利用。
为了更好实施本发明实施例中的镍氢电池容量预测方法,在镍氢电池容量预测方法基础之上,对应的,请参阅图3,图3为本发明提供的镍氢电池容量预测装置的一实施例的结构示意图,本发明实施例提供了一种镍氢电池容量预测装置300,包括:
测试模块301,用于目标镍氢电池进行容量测试及特征参数提取测试,得到目标镍氢电池的第一电池容量及第一特征参数;
计算模块302,用于基于预设相关系数对第一特征参数与第一电池容量进行相关性计算,得到第二特征参数;
训练模块303,用于构建RBF神经网络模型,并将第二特征参数作为RBF神经网络模型的输入、将第一电池容量作为RBF神经网络模型的输出进行训练,得到训练完备的电池容量预测模型;
预测模块304,用于利用电池容量预测模型对待测镍氢电池的第二电池容量进行预测。
这里需要说明的是:上述实施例提供的装置300可实现上述各方法实施例中描述的技术方案,上述各模块或单元具体实现的原理可参见上述方法实施例中的相应内容,此处不再赘述。
基于上述镍氢电池容量预测方法,本发明实施例还相应的提供一种电子设备,包括:处理器和存储器以及存储在存储器中并可在处理器上执行的计算机程序;处理器执行计算机程序时实现如上述各实施例的镍氢电池容量预测方法中的步骤。
图4中示出了适于用来实现本发明实施例的电子设备400的结构示意图。本发明实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
电子设备包括:存储器以及处理器,其中,这里的处理器可以称为下文的处理装置401,存储器可以包括下文中的只读存储器(ROM)402、随机访问存储器(RAM)403以及存储装置408中的至少一项,具体如下所示:
如图4所示,电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401,其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM403中,还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常,以下装置可以连接至I/O接口405:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407;包括例如磁带、硬盘等的存储装置408;以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置409从网络上被下载和安装,或者从存储装置408被安装,或者从ROM402被安装。在该计算机程序被处理装置401执行时,执行本发明实施例的方法中限定的上述功能。
基于上述镍氢电池容量预测方法,本发明实施例还相应的提供一种计算机可读存储介质,该计算机可读存储介质存储有一个或者多个程序,一个或者多个程序可被一个或者多个处理器执行,以实现如上述各实施例的镍氢电池容量预测方法中的步骤。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述,仅为本发明较佳的具体实施方式,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,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种镍氢电池容量预测方法,其特征在于,包括:
对目标镍氢电池进行容量测试及特征参数提取测试,得到所述目标镍氢电池的第一电池容量及第一特征参数;
基于预设相关系数对所述第一特征参数与所述第一电池容量进行相关性计算,得到第二特征参数;
构建RBF神经网络模型,并将所述第二特征参数作为所述RBF神经网络模型的输入、将所述第一电池容量作为所述RBF神经网络模型的输出进行训练,得到训练完备的电池容量预测模型;
利用所述电池容量预测模型对待测镍氢电池的第二电池容量进行预测。
2.根据权利要求1所述的电池容量预测方法,其特征在于,所述对目标镍氢电池进行容量测试,得到所述目标镍氢电池的第一电池容量,包括:
对目标镍氢电池进行恒流充放电容量测试,得到所述目标镍氢电池的第一电池容量。
3.根据权利要求1所述的电池容量预测方法,其特征在于,所述第一特征参数包括将所述目标镍氢电池充电至同一状态之后,目标镍氢电池充电前后体积膨胀厚度差值目标镍氢电池的内阻和端电压、目标镍氢电池的充放电欧姆内阻、目标镍氢电池的充放电极化内阻、目标镍氢电池充放电脉冲功率及目标镍氢电池的回弹电压差值。
4.根据权利要求3所述的电池容量预测方法,其特征在于,所述对所述目标镍氢电池进行特征参数提取测试,得到所述目标镍氢电池的第一特征参数,包括:
将所述目标镍氢电池恒流充电至同一荷电状态之后,测量充电前后的电池厚度,得到目标镍氢电池充电前后体积膨胀厚度差值;
将充电至同一荷电状态的目标镍氢电池静置第一预设时间后,对所述目标镍氢电池进行测试,得到目标镍氢电池的内阻和端电压;
将充电至同一荷电状态的目标镍氢电池进行充放电脉冲测试,计算得到目标镍氢电池的充放电欧姆内阻、目标镍氢电池的充放电极化内阻及目标镍氢电池充放电脉冲功率;
将进行充放电脉冲测试后的目标镍氢电池进行恒流放电至截止电压,静置第二预设时间后记录目标镍氢电池的回弹电压差值。
5.根据权利要求1所述的电池容量预测方法,其特征在于,所述预设相关系数包括Pearson相关系数;
所述基于预设相关系数对所述第一特征参数与所述第一电池容量进行相关性计算,得到第二特征参数,包括:
基于所述Pearson相关系数分别计算所述目标镍氢电池的每一第一特征参数与第一电池容量的相关性,得到每一第一特征参数与第一电池容量的相关值;
将相关值大于预设阈值的第一特征参数确定为第二特征参数,其中,所述第二特征参数包括目标镍氢电池充电前后体积膨胀厚度差值、目标镍氢电池的内阻、及目标镍氢电池充放电极化内阻。
6.根据权利要求1所述的电池容量预测方法,其特征在于,所述目标镍氢电池包括训练集镍氢电池与预测集镍氢电池;
所述将所述第二特征参数作为所述RBF神经网络模型的输入、将所述第一电池容量作为所述RBF神经网络模型的输出进行训练,得到训练完备的电池容量预测模型,包括:
从目标镍氢电池的第二特征参数与第一电池容量中获取训练集镍氢电池的第三特征参数与第三电池容量,其中,所述第二特征参数与所述第三特征参数的参数类型相同,参数值不同;
将训练集镍氢电池的第三特征参数与第三电池容量分别作为所述RBF神经网络模型的输入、输出值,并设置神经网络参数进行训练,得到训练完备的电池容量预测模型,其中,所述神经网络参数包括误差容限,扩散因子或神经元个数中的任一种。
7.根据权利要求1所述的电池容量预测方法,其特征在于,还包括:
基于所述第二电池容量对所述待测镍氢电池进行分选处理,得到分选结果。
8.一种镍氢电池容量预测装置,其特征在于,包括:
测试模块,用于目标镍氢电池进行容量测试及特征参数提取测试,得到所述目标镍氢电池的第一电池容量及第一特征参数;
计算模块,用于基于预设相关系数对所述第一特征参数与所述第一电池容量进行相关性计算,得到第二特征参数;
训练模块,用于构建RBF神经网络模型,并将所述第二特征参数作为所述RBF神经网络模型的输入、将所述第一电池容量作为所述RBF神经网络模型的输出进行训练,得到训练完备的电池容量预测模型;
预测模块,用于利用所述电池容量预测模型对待测镍氢电池的第二电池容量进行预测。
9.一种电子设备,其特征在于,包括存储器和处理器,其中,所述存储器,用于存储程序;所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以实现上述权利要求1至7中任一项所述镍氢电池容量预测方法中的步骤。
10.一种计算机可读存储介质,其特征在于,用于存储计算机可读取的程序或指令,所述程序或指令被处理器执行时,能够实现上述权利要求1至7中任一项所述镍氢电池容量预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210875963.0A CN115166532A (zh) | 2022-07-25 | 2022-07-25 | 镍氢电池容量预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210875963.0A CN115166532A (zh) | 2022-07-25 | 2022-07-25 | 镍氢电池容量预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115166532A true CN115166532A (zh) | 2022-10-11 |
Family
ID=83497305
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210875963.0A Pending CN115166532A (zh) | 2022-07-25 | 2022-07-25 | 镍氢电池容量预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115166532A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115656834A (zh) * | 2022-11-02 | 2023-01-31 | 武汉动力电池再生技术有限公司 | 一种电池容量预测方法、装置及电子设备 |
CN117151201A (zh) * | 2023-08-24 | 2023-12-01 | 广芯微电子(广州)股份有限公司 | 一种用于神经网络训练的电池组样本组织方法及装置 |
-
2022
- 2022-07-25 CN CN202210875963.0A patent/CN115166532A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115656834A (zh) * | 2022-11-02 | 2023-01-31 | 武汉动力电池再生技术有限公司 | 一种电池容量预测方法、装置及电子设备 |
WO2024093005A1 (zh) * | 2022-11-02 | 2024-05-10 | 武汉动力电池再生技术有限公司 | 一种电池容量预测方法、装置及电子设备 |
CN117151201A (zh) * | 2023-08-24 | 2023-12-01 | 广芯微电子(广州)股份有限公司 | 一种用于神经网络训练的电池组样本组织方法及装置 |
CN117151201B (zh) * | 2023-08-24 | 2024-03-15 | 广芯微电子(广州)股份有限公司 | 一种用于神经网络训练的电池组样本组织方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11035905B1 (en) | Apparatus and method for testing performance of battery cell | |
US20170115355A1 (en) | Maximum capacity estimator for battery state of health and state of charge determinations | |
US8306781B2 (en) | Professional diagnosis method of battery performance analysis | |
US11150307B2 (en) | Apparatus and method for diagnosing battery | |
Jiang et al. | An adaptive capacity estimation approach for lithium-ion battery using 10-min relaxation voltage within high state of charge range | |
CN101809456B (zh) | 用于估计电池的长期特性的系统和方法 | |
CN115166532A (zh) | 镍氢电池容量预测方法、装置、电子设备及存储介质 | |
Cheng et al. | State‐of‐charge estimation with aging effect and correction for lithium‐ion battery | |
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 | |
KR102630222B1 (ko) | 배터리 진단 장치 및 방법 | |
EP4321884A1 (en) | Apparatus of detecting abnormal cell in battery pack and method thereof | |
Chang et al. | Micro-fault diagnosis of electric vehicle batteries based on the evolution of battery consistency relative position | |
CN114609523A (zh) | 一种电池容量的在线检测方法、电子设备及存储介质 | |
CN113884905B (zh) | 基于深度学习的动力电池荷电状态估计方法及系统 | |
US11293903B2 (en) | Apparatus for diagnosing crack in battery pack and battery pack and vehicle including the same | |
CN113176516A (zh) | 容量预测方法、装置、电子设备及存储介质 | |
EP4053572A1 (en) | Method and apparatus for estimating state of battery | |
CN116047339A (zh) | 基于热电耦合模型的锂离子电池组soc估计方法及装置 | |
CN115808636A (zh) | 电池容量损失测试方法、装置、计算机设备和存储介质 | |
WO2012091432A2 (ko) | 2차 전지의 잔존수명 연산 방법 및 장치 | |
Xu et al. | Analysis of electro-chemical impedance and state of health based on permanent expansion for prismatic batteries | |
JP2014238302A (ja) | 二次電池のインピーダンスの評価方法、および二次電池のインピーダンスの評価装置 | |
EP4202457A1 (en) | Battery diagnosis device and method | |
KR102368711B1 (ko) | 배터리 셀 진단 장치 | |
Yu et al. | A fusion method for capacity estimation of fast-charging lithium-ion battery under varied degradation mode |
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 |