CN115308610A - 一种锂电池分容容量预测方法及系统 - Google Patents
一种锂电池分容容量预测方法及系统 Download PDFInfo
- Publication number
- CN115308610A CN115308610A CN202211063915.8A CN202211063915A CN115308610A CN 115308610 A CN115308610 A CN 115308610A CN 202211063915 A CN202211063915 A CN 202211063915A CN 115308610 A CN115308610 A CN 115308610A
- Authority
- CN
- China
- Prior art keywords
- capacity
- data
- grading
- formation
- prediction
- 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
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
Abstract
本发明提供一种锂电池分容容量预测方法及系统,方法包括:获取批量的电池化成与分容制程原始数据,以分容放电容量为预测目标值;截取化成充电原始数据(化成制程时长≤1.5h)与分容充电原始数据、放电原始数据(分容原始数据制程时长≤1.5h)),通过钓鱼城图谱因果分析引擎进行关系型数据转换为图数据、图数据关联分析、图数据规则的发现和规则应用等,并结合机器学习技术的综合性系统,建立分容容量预测模型;将待预测的化成分容批量原始数据经过此类处理后,训练出适用的预测模型,得出分容预测容量。本发明解决了产能较低、能耗高、预测精度低、以及测试成本高的技术问题。
Description
技术领域
本发明涉及锂电池生产技术领域,具体涉及一种锂电池分容容量预测方法及系统。
背景技术
目前锂离子电池的容量检测行业内往往按照标准充放电,四个标准测试流程均在环境温度20±5℃的条件下,对电池以0.2~1C充电至限定电压后恒压充电直至充电电流小于0.01C或0.1C,静置时间不小于1小时后,对电池恒流0.2C~1C放电直至截止电压,用1C(A)的电流值和放电时间数据计算容量,若有出货要求需补电至指定SOC。完整的充放电造成较大的能耗,同时必须配备大量的测试设备,占用较大的厂房面积。因此采用一种高效合理的容量预测方法来代替传统的容量测试方法是行业的迫切需求。公布号为CN105116350A的现有发明专利申请文献《动力电池放电时SOC变化量及放电电量折算系数测量方法》将完全充电的电池单体在标准规定条件下以C/3倍率恒流放电至放电终止电压,计算得到标准放电电量QSD;用同样方法进行不同电流I恒流放电,计算得到电池在不同电流I放电的电量值QID;将多个不同放电电流I与相应的放电电量折算系数KID=QSD/QID拟合,得到放电电量折算系数KID与电流I的函数关系式:KID=fID(I)。在该现有技术的具体实施例中,需要将处于完全放电的LiFePO4电池单体在环境温度20±5℃的条件下放电至放电终止电压,这种测量策略需要耗费大量电能,测试过程易造成较大的能耗。
公布号为CN106646256A的现有发明专利文献《电池容量计算方法》包括:将电池充电至第一预设电压;对电池进行多次恒流放电,在每次恒流放电后检测电池的放电停止电压和放电量,并将电池进行静置,在静置预设时间后检测电池的开路电压,直至开路电压小于第二预设电压,则停止恒流放电;输出包含多个具有对应关系的放电停止电压、放电量以及开路电压的测试模型;获取实时电压,根据实时电压和测试模型计算获得电池容量。该现有技术采用的电池容量计算方法主要按照标准充放电,多个个标准测试流程在惯用的环境温度条件下,对电池充电至限定电压后恒压充电直至常规充电电流值,静置时间不小于1小时后,对电池恒流放电以计算容量。该种容量计算方式在保障多次充放电的过程中需要配备大量的测试设备,且占用空间,测试产生的成本较高,且测试周期较长,制约了电芯制作效率。
综上、现有技术存在产能较低、能耗高、预测精度低以及测试成本高的技术问题。
发明内容
本发明所要解决的技术问题在于如何解决产能较低、能耗高、预测精度低、以及测试成本高的技术问题。
本发明是采用以下技术方案解决上述技术问题的:一种锂电池分容容量预测方法包括:
S1、从被测电池获取批量式化成分容制程原始数据,按照预置成化分容工艺截取化成充电原始数据、分容充电原始数据、分容放电原始数据;
S2、从化成充电原始数据、分容充电原始数据、分容放电原始数据中,提取预测数据特征值以及衍生特征值,获取模型训练速度参数及模型预测精度参数,据以剔除预测数据特征值及衍生特征值中的异常数据,据以获取训练数据集;
S3、利用钓鱼城图谱因果分析引擎,将训练数据集转换为建模图数据,据以利用预置机器学习逻辑建立分容容量预测模型;
S4、处理批量式化成分容制程原始数据,据以训练分容容量预测模型,以得到优化预测模型;
S5、利用优化预测模型处理预测数据特征值以及衍生特征值,以获取被测电池的容量预测结果。
本发明通过使用部分充放电数据,提取其中的一些有效特征值,并利用智能大数据分析,预测出电芯分容实际容量,这将大大缩短电芯制作周期,且提高产能、节省能耗以及锂电池分容工序的硬件投入,同时也简化了锂电池制造流程,提升了行业制造技术,有利于取消分容工序,可以突破传统方法的预测精度瓶颈,可高精度的预测电池的放电容量,减少分容工序的制作时长和能耗,提升产能,推动了新工序的发展。
本发明通过使用部分充放电数据,提取其中的一些有效特征值,并利用智能大数据分析,通过钓鱼城图谱因果分析引擎进行关系型数据转换为图数据、图数据关联分析、图数据规则的发现和规则应用等,并结合机器学习技术的综合性系统,建立分容容量预测模型,可精准预测出电芯分容实际容量。
在更具体的技术方案中,步骤S1中获取文件数据路径,据以读取化成充电原始数据、分容充电原始数据、分容放电原始数据。
在更具体的技术方案中,步骤S1中,化成充电原始数据的化成制程时长区间小于或等于1.5h,分容充电原始数据、分容放电原始数据的分容原始数据制程时长小于或等于1.5h,将分容实际容量作为预测目标值。
在更具体的技术方案中,步骤S2包括:
S21、根据预置工艺标准范围数据,剔除异常数据;
S22、分别统计化成与分容原始文件中的连续型随机变量;
S23、假设每个连续型随机变量符合高斯分布,据以处理得到每个连续型随机变量的算数平均值和标准偏差;
S24、将每个连续型随机变量高斯分布于预设变量分布区间中;
S25、划分预设变量分布区间为预定数量的分区间,其中,在算数平均值的左边及右边分别划分预设数目的分区间;
S26、计算每个分区间的面积,在连续型随机变量的频数或总数小于所在的分区间面积时,将该连续型随机变量作为异常数据剔除,据以得到训练数据集。
由于化成分容数据特征值种类及数量不同,本发明考虑预测模型训练速度及预测精度,在进行容量预测前,对待预测数据进行标准化的异常数据处理,删除异常数据,提高了电池分容容量的预测准确性。
在更具体的技术方案中,步骤S22中的,连续型随机变量包括:文件长度、时间最小值、时间最大值、最小电压、最大电压、最小电流、最大电流、最小电池容量、最大电池容量、最小电缆数、最大电缆数、最低温度、最高温度。
在更具体的技术方案中,步骤S24中的预设变量分布区间包括:[mean-2*std,mean+2*std],其中,std为制程筛选标准值,mean为算数平均值。
在更具体的技术方案中,步骤S25,其中,在算数平均值的左边及右边分别划分为预设数目的分区间,其中,预设数目的取值区间包括:[5000,20000]。
在更具体的技术方案中,步骤S2中的预测数据特征值包括:化成工步时间点、实时电流、实时电压、实时温度、实时负压值、分容工步时间点、实时电流、实时电压以及实时温度。
在更具体的技术方案中,步骤S2中的衍生特征值包括:充电电量SOC、放电电量SOC、限压数据以及限流数据。
本发明设计的数据特征值提取方案,提取预测数据特征值以及足量的衍生特征值如充电电量SOC、放电电量SOC、限压、限流等,本发明根据原始数据中提取有效的特征值,减少预测参数量的同时,提高了电池分容容量的预测效率,提高了电池分容容量的预测精度。降低锂电池制作成本且大大缩短电芯制作周期,提高产能、节省能耗以及锂电池分容工序的硬件投入,同时也简化了锂电池制造流程,提升了行业制造技术。
在更具体的技术方案中,步骤S3中,建模图数据包括:图关联分析数据、图规则数据、图发现及应用规则数据。
在更具体的技术方案中,一种锂电池分容容量预测系统包括:
原始数据截取模块,用以从被测电池获取批量式化成分容制程原始数据,按照预置成化分容工艺截取化成充电原始数据、分容充电原始数据、分容放电原始数据;
训练数据集获取模块,用以从化成充电原始数据、分容充电原始数据、分容放电原始数据中,提取预测数据特征值以及衍生特征值,获取模型训练速度参数及模型预测精度参数,据以剔除预测数据特征值及衍生特征值中的异常数据,据以获取训练数据集,训练数据集获取模块与原始数据截取模块连接;
模型建立模块,用以利用钓鱼城图谱因果分析引擎,将训练数据集转换为建模图数据,据以利用预置机器学习逻辑建立分容容量预测模型,其中,所述建模图数据包括:图关联分析数据、图规则数据、图发现及应用规则数据,模型建立模块与训练数据集获取模块连接;
训练模块,用以处理批量式化成分容制程原始数据,据以训练分容容量预测模型,以得到优化预测模型,与模型建立模块及原始数据截取模块连接;
电池容量预测模块,用以利用优化预测模型处理预测数据特征值以及衍生特征值,以获取被测电池的容量预测结果,电池容量预测模块与训练模块及训练数据集获取模块连接。
本发明相比现有技术具有以下优点:本发明通过使用部分充放电数据,提取其中的一些有效特征值,并利用智能大数据分析,预测出电芯分容实际容量,这将大大缩短电芯制作周期,且提高产能、节省能耗以及锂电池分容工序的硬件投入,同时也简化了锂电池制造流程,提升了行业制造技术,有利于取消分容工序,可以突破传统方法的预测精度瓶颈,可高精度的预测电池的放电容量,减少分容工序的制作时长和能耗,提升产能,推动了新工序的发展。
本发明通过使用部分充放电数据,提取其中的一些有效特征值,并利用智能大数据分析,通过钓鱼城图谱因果分析引擎进行关系型数据转换为图数据、图数据关联分析、图数据规则的发现和规则应用等,并结合机器学习技术的综合性系统,建立分容容量预测模型,可精准预测出电芯分容实际容量。
由于化成分容数据特征值种类及数量不同,本发明考虑预测模型训练速度及预测精度,在进行容量预测前,对待预测数据进行标准化的异常数据处理,删除异常数据,提高了电池分容容量的预测准确性。
本发明设计的数据特征值提取方案,提取预测数据特征值以及足量的衍生特征值如充电电量SOC、放电电量SOC、限压、限流等,本发明根据原始数据中提取有效的特征值,减少预测参数量的同时,提高了电池分容容量的预测效率,提高了电池分容容量的预测精度。降低锂电池制作成本且大大缩短电芯制作周期,提高产能、节省能耗以及锂电池分容工序的硬件投入,同时也简化了锂电池制造流程,提升了行业制造技术。本发明解决了现有技术中存在的产能较低、能耗高、预测精度低、以及测试成本高的技术问题。
附图说明
图1为本发明实施例1的一种锂电池分容容量预测系统数据流处理步骤示意图;
图2为本发明实施例1的一种锂电池分容容量预测方法基本步骤示意图;
图3为本发明实施例2的实际容量与预测容量/Ah对比分布图;
图4为本发明实施例2的容量预测误差值分布图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,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作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
如图1所示,本发明提供的一种锂电池分容容量预测系统中的电池容量数据流处理流程包括以下基本步骤:
S1、原始数据预处理;
S2、建立优化预测模型;
S3、容量预测;
在本实施例中,步骤S1还包括以下具体步骤:
S11、传入文件数据路径,以读取原始数据文件;
S12、数据处理系统筛选原始数据文件组成的数据集;
在本实施例中,步骤S12还包括以下具体步骤:
S121、异常数据标准化剔除;
S122、通过化成分容原始数据文件,以进行数据特征值提取;
S123、数据特征值标准化筛选;
在本实施例中,步骤S12还包括以下具体步骤:
S121’、化成工步1.5h原始数据;
S122’、分容工步1.5h原始数据;
在本实施例中,步骤S2还包括以下具体步骤:
S21、优化模型参数,以将最佳参数输入至优化预测模型;
S22、训练优化预测模型;
在本实施例中,步骤S3还包括以下具体步骤:
S31、利用优化预测模型预测处理筛选后数据集,以得到容量预测数据;
S32、处理容量预测数据;
S33、根据预测文件传输路径读取预测数据文件。
在本实施例中,获取批量式的化成分容制程原始数据,按照制定的化成分容工艺方案截取化成充电原始数据、分容充电原始数据、分容放电原始数据,并以分容实际容量作为容量预测目标值;
截取化成充电原始数据(化成制程时长≤1.5h)与分容充电原始数据、放电原始数据(分容原始数据制程时长≤1.5h)),通过钓鱼城图谱因果分析引擎进行关系型数据转换为图数据、图数据关联分析、图数据规则的发现和规则应用等,并结合机器学习技术的综合性系统,建立分容容量预测模型;
在本实施例中,根据化成分容制程原始数据,其特征在于,在进行容量预测前,需要对待预测的数据进行异常数据处理,并删除存在异常数据的文件;
在本实施例中,通过批量式的化成分容制程原始数据训练优化容量预测模型,以分容实际容量为预测目标值,对获取的待预测的数据输入容量预测模型,输出分容放电总容量的预测值;
在本实施例中,根据截取化成充电原始数据(化成制程时长≤1.5h)与分容充电原始数据、放电原始数据(分容原始数据制程时长≤1.5h)),截取数据是按照化成充电与分容充电、放电工艺步骤分阶段进行提取;
在本实施例中,根据化成充电与分容充电、放电工艺步骤,其特征在于其工艺工步包括化成恒流充电工步、分容恒流充电工步、分容恒压放电工步。
如图2所示,本发明提供的一种锂电池分容容量预测方法包括以下基本步骤:
S1’、通过获取批量式的化成分容制程原始数据,按照制定的化成分容工艺方案截取化成充电原始数据、分容充电原始数据、分容放电原始数据,并以分容实际容量作为容量预测目标值;
S2’、截取化成充电原始数据(化成制程时长≤1.5h)与分容充电原始数据、放电原始数据(分容原始数据制程时长≤1.5h)),设计数据特征值提取方案,提取预测所用数据特征值包括化成工步时间点、实时电流、实时电压、实时温度、实时负压值等与分容工步时间点、实时电流、实时电压、实时温度等,提取足量的衍生特征值如充电电量SOC、放电电量SOC、限压、限流等;
S3’、由于化成分容数据特征值种类及数量不同,考虑预测模型训练速度及预测精度,在进行容量预测前,需要对待预测的数据进行标准化的异常数据处理,删除异常数据得到批量的训练数据集。在本实施例中,将采集数据时间段、容量、电流、电压、温度、负压值等不在工艺标准范围内的异常数据文件筛选删除,分别统计化成与分容原始文件中:file-length、time-min、time-max、voltage-min、voltage-max、current-min、current-max、capacity-min、、capacity-max、cable-min、cable-max、temperature-min、、temperature-max,每一个变量都是连续型随机变量,假设每个随机变量都符合高斯分布,然后算出每个变量的mean和std,将每个变量的高斯分布在[mean-2*std,mean+2*std]内,其中,std为制程筛选标准值,mean为算数平均值,制程筛选标准值std适配于电池产线的制程变量筛选标准。在本实施例中,将变量高斯分布的区间划分为特定数量的小区间,mean左边及右边可分别划分出特定区间数目的小区间,例如5000个,在本实施例中,预测的数目根据电池生产产线的产能,一个批次电池数量在10000~40000之间,故特定区间数目的取值范围可采用的区间包括:[5000,20000]。计算每个小区间的面积,每个随机变量取值的频数/总数<所在区间面积,按照此类异常筛选方法,删除异常数据得到批量的训练数据集;
S4’、经过步骤S3’处理得到的训练数据集,通过钓鱼城图谱因果分析引擎进行关系型数据转换为图数据、图数据关联分析、图数据规则的发现和规则应用等,并结合机器学习技术的综合性系统,建立分容容量预测模型;
S5’、将经过数据处理的批量式的化成分容制程原始数据训练优化容量预测模型,以分容实际容量为预测目标值,对获取的待预测的数据输入步骤4训练好的容量预测模型进行预测,输出分容总容量的预测值;
在本实施例中,步骤S1’中预测所截取的化成工步制程时长控制在1.5h以内,分容工步制程时长控制在1.5h以内,制程周期大幅度缩短,提升产能,降低能耗,
在本实施例中,步骤S1’中截取的数据段落按照化成充电、分容充电、分容放电工艺分阶段提取数据特征值;
在本实施例中,步骤S1’中化成充电与分容充电、分容放电工艺步骤,其特征在于其工艺工步包括化成恒流充电工步、分容恒流充电工步、分容恒压放电工步。
在本实施例中,在步骤S3’中对预测的化成充电原始数据、分容充电原始数据、分容放电原始数据通过标准化筛选异常数据,并删除异常数据。
实施例2
如图2和图3所示,在本实施例中,以52Ah平台磷酸铁锂电池数据进行预测,按照化成充电、分容充电、化成放电的数据截取方案,预测数量2260只,预测出的容量与分容实际容量分布散点图高度吻合,预测容量与实际容量的平均预测精度约0.87‰,远低于设定预测目标1‰,从而验证本发明的分容容量预测方法的精准度和稳定性。以下随机抽取一个化成与分容原始数据文件样本来展示实际预测中所提取的数据特征值,具体如下表1与表2所示:
表1化成工步原始数据文件
表2分容工步原始数据文件
综上,本发明通过使用部分充放电数据,提取其中的一些有效特征值,并利用智能大数据分析,预测出电芯分容实际容量,这将大大缩短电芯制作周期,且提高产能、节省能耗以及锂电池分容工序的硬件投入,同时也简化了锂电池制造流程,提升了行业制造技术,有利于取消分容工序,可以突破传统方法的预测精度瓶颈,可高精度的预测电池的放电容量,减少分容工序的制作时长和能耗,提升产能,推动了新工序的发展。
本发明通过使用部分充放电数据,提取其中的一些有效特征值,并利用智能大数据分析,通过钓鱼城图谱因果分析引擎进行关系型数据转换为图数据、图数据关联分析、图数据规则的发现和规则应用等,并结合机器学习技术的综合性系统,建立分容容量预测模型,可精准预测出电芯分容实际容量。
由于化成分容数据特征值种类及数量不同,本发明考虑预测模型训练速度及预测精度,在进行容量预测前,对待预测数据进行标准化的异常数据处理,删除异常数据,提高了电池分容容量的预测准确性。
本发明设计的数据特征值提取方案,提取预测数据特征值以及足量的衍生特征值如充电电量SOC、放电电量SOC、限压、限流等,本发明根据原始数据中提取有效的特征值,减少预测参数量的同时,提高了电池分容容量的预测效率,提高了电池分容容量的预测精度。降低锂电池制作成本且大大缩短电芯制作周期,提高产能、节省能耗以及锂电池分容工序的硬件投入,同时也简化了锂电池制造流程,提升了行业制造技术。本发明解决了现有技术中存在的产能较低、能耗高、预测精度低、以及测试成本高的技术问题。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种锂电池分容容量预测方法,其特征在于,所述方法包括:
S1、从被测电池获取批量式化成分容制程原始数据,按照预置成化分容工艺截取化成充电原始数据、分容充电原始数据、分容放电原始数据;
S2、从所述化成充电原始数据、所述分容充电原始数据、所述分容放电原始数据中,提取预测数据特征值以及衍生特征值,获取模型训练速度参数及模型预测精度参数,据以剔除所述预测数据特征值及所述衍生特征值中的异常数据,据以获取训练数据集;
S3、利用钓鱼城图谱因果分析引擎,将所述训练数据集转换为建模图数据,据以利用预置机器学习逻辑建立分容容量预测模型;
S4、处理所述批量式化成分容制程原始数据,据以训练所述分容容量预测模型,以得到优化预测模型;
S5、利用所述优化预测模型处理所述预测数据特征值以及所述衍生特征值,以获取所述被测电池的容量预测结果。
2.根据权利要求1所述的一种锂电池分容容量预测方法,其特征在于,所述步骤S1中获取文件数据路径,据以读取所述化成充电原始数据、所述分容充电原始数据、所述分容放电原始数据。
3.根据权利要求1所述的一种锂电池分容容量预测方法,其特征在于,所述步骤S1中,所述化成充电原始数据的化成制程时长区间小于或等于1.5h,所述分容充电原始数据、所述分容放电原始数据的分容原始数据制程时长小于或等于1.5h,所述将分容实际容量作为预测目标值。
4.根据权利要求1所述的一种锂电池分容容量预测方法,其特征在于,所述步骤S2包括:
S21、根据预置工艺标准范围数据,剔除所述异常数据;
S22、分别统计化成与分容原始文件中的连续型随机变量;
S23、假设每个所述连续型随机变量符合高斯分布,据以处理得到每个所述连续型随机变量的算数平均值和标准偏差;
S24、将每个所述连续型随机变量高斯分布于预设变量分布区间中;
S25、划分所述预设变量分布区间为预定数量的分区间,其中,在所述算数平均值的左边及右边分别划分为预设数目的所述分区间;
S26、计算每个所述分区间的面积,在所述连续型随机变量的频数或总数小于所在的分区间面积时,将该所述连续型随机变量作为异常数据剔除,据以得到所述训练数据集。
5.根据权利要求1所述的一种锂电池分容容量预测方法,其特征在于,所述步骤S22中的,所述连续型随机变量包括:文件长度、时间最小值、时间最大值、最小电压、最大电压、最小电流、最大电流、最小电池容量、最大电池容量、最小电缆数、最大电缆数、最低温度、最高温度。
6.根据权利要求1所述的一种锂电池分容容量预测方法,其特征在于,所述步骤S24中的所述预设变量分布区间包括:[mean-2*std,mean+2*std],其中,std为制程筛选标准值,mean为算数平均值。
7.根据权利要求1所述的一种锂电池分容容量预测方法,其特征在于,所述步骤S25,其中,在所述算数平均值的左边及右边分别划分为所述预设数目的所述分区间,其中,所述预设数目的取值区间包括:[5000,20000]。
8.根据权利要求1所述的一种锂电池分容容量预测方法,其特征在于,所述步骤S2中的预测数据特征值包括:化成工步时间点、实时电流、实时电压、实时温度、实时负压值、分容工步时间点、实时电流、实时电压以及实时温度;所述衍生特征值包括:充电电量SOC、放电电量SOC、限压数据以及限流数据。
9.根据权利要求1所述的一种锂电池分容容量预测方法,其特征在于,所述步骤S3中,所述建模图数据包括:图关联分析数据、图规则数据、图发现及应用规则数据。
10.一种锂电池分容容量预测系统,其特征在于,所述系统包括:
原始数据截取模块,用以从被测电池获取批量式化成分容制程原始数据,按照预置成化分容工艺截取化成充电原始数据、分容充电原始数据、分容放电原始数据;
训练数据集获取模块,用以从所述化成充电原始数据、所述分容充电原始数据、所述分容放电原始数据中,提取预测数据特征值以及衍生特征值,获取模型训练速度参数及模型预测精度参数,据以剔除所述预测数据特征值及所述衍生特征值中的异常数据,据以获取训练数据集,所述训练数据集获取模块与所述原始数据截取模块连接;
模型建立模块,用以利用钓鱼城图谱因果分析引擎,将所述训练数据集转换为建模图数据,据以利用预置机器学习逻辑建立分容容量预测模型,其中,所述建模图数据包括:图关联分析数据、图规则数据、图发现及应用规则数据,所述模型建立模块与所述训练数据集获取模块连接;
训练模块,用以处理所述批量式化成分容制程原始数据,据以训练所述分容容量预测模型,以得到优化预测模型,所述与所述模型建立模块及所述原始数据截取模块连接;
电池容量预测模块,用以利用所述优化预测模型处理所述预测数据特征值以及所述衍生特征值,以获取所述被测电池的容量预测结果,所述电池容量预测模块与所述训练模块及所述训练数据集获取模块连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211063915.8A CN115308610A (zh) | 2022-09-01 | 2022-09-01 | 一种锂电池分容容量预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211063915.8A CN115308610A (zh) | 2022-09-01 | 2022-09-01 | 一种锂电池分容容量预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115308610A true CN115308610A (zh) | 2022-11-08 |
Family
ID=83864856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211063915.8A Pending CN115308610A (zh) | 2022-09-01 | 2022-09-01 | 一种锂电池分容容量预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115308610A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115877238A (zh) * | 2022-12-06 | 2023-03-31 | 北汽福田汽车股份有限公司 | 电池容量的检测方法、装置、可读存储介质及电子设备 |
CN116522153A (zh) * | 2023-07-05 | 2023-08-01 | 深圳海辰储能控制技术有限公司 | 锂电池容量预测方法、装置、计算机设备和存储介质 |
CN116559681A (zh) * | 2023-07-12 | 2023-08-08 | 安徽国麒科技有限公司 | 基于深度学习时序算法的退役电池容量预测方法和装置 |
-
2022
- 2022-09-01 CN CN202211063915.8A patent/CN115308610A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115877238A (zh) * | 2022-12-06 | 2023-03-31 | 北汽福田汽车股份有限公司 | 电池容量的检测方法、装置、可读存储介质及电子设备 |
CN115877238B (zh) * | 2022-12-06 | 2023-11-07 | 北汽福田汽车股份有限公司 | 电池容量的检测方法、装置、可读存储介质及电子设备 |
CN116522153A (zh) * | 2023-07-05 | 2023-08-01 | 深圳海辰储能控制技术有限公司 | 锂电池容量预测方法、装置、计算机设备和存储介质 |
CN116522153B (zh) * | 2023-07-05 | 2023-12-26 | 深圳海辰储能控制技术有限公司 | 锂电池容量预测方法、装置、计算机设备和存储介质 |
CN116559681A (zh) * | 2023-07-12 | 2023-08-08 | 安徽国麒科技有限公司 | 基于深度学习时序算法的退役电池容量预测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115308610A (zh) | 一种锂电池分容容量预测方法及系统 | |
CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
CN109031145B (zh) | 一种考虑不一致性的串并联电池组模型及实现方法 | |
CN112034356B (zh) | 基于gp-ukf的电动汽车动力电池在线soh估算方法 | |
CN109655754B (zh) | 一种基于充电过程多维分阶的电池性能评估方法 | |
CN113848480B (zh) | 锂电池分容工艺的放电总容量预测方法 | |
CN108490366B (zh) | 电动汽车退役电池模块健康状态的快速评估方法 | |
CN109307845B (zh) | 一种用于对梯次利用电池储能系统进行健康状态评估的方法及系统 | |
CN112904219B (zh) | 一种基于大数据的动力电池健康状态的预测方法 | |
CN109078871B (zh) | 一种面向梯次利用的退役电池并联模块的剔除方法 | |
CN112051512B (zh) | 一种梯次利用分选方法及储能系统 | |
CN103579700A (zh) | 一种锂离子电池分选配组方法 | |
CN104332665A (zh) | 一种电池配组方法 | |
CN112858941B (zh) | 一种磷酸铁锂动力电池加速试验与寿命评估方法 | |
CN111458649A (zh) | 一种电池模组健康度快速检测方法 | |
CN111064253A (zh) | 一种基于平均离散Fréchet距离的电池健康度快速评估方法 | |
CN114720899A (zh) | 退役电池梯次利用分选方法及系统、电子设备、存储介质 | |
Zhao et al. | Estimation of the SOC of energy-storage lithium batteries based on the voltage increment | |
WO2022242058A1 (zh) | 针对现实新能源汽车的电池健康状态估计方法 | |
CN109856562A (zh) | 基于自适应“i-u-r”法的锂电池梯次利用检测方法 | |
CN116736159A (zh) | 一种退役动力电池梯次利用快速一致性筛分方法 | |
CN111239607A (zh) | 磷酸铁锂电池系统容量不均衡度的大数据提取计算方法 | |
CN112364471A (zh) | 基于Thevenin模型和无迹卡尔曼的锂电池SOC估算方法研究 | |
CN115800433A (zh) | 电池组一致性评估与等级评价方法及装置 | |
CN113884908A (zh) | 一种评判烘烤后锂离子电池水分合格的方法 |
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 |