CN115392134B - 车辆动力电池综合性能评估方法及相关装置 - Google Patents

车辆动力电池综合性能评估方法及相关装置 Download PDF

Info

Publication number
CN115392134B
CN115392134B CN202211166096.XA CN202211166096A CN115392134B CN 115392134 B CN115392134 B CN 115392134B CN 202211166096 A CN202211166096 A CN 202211166096A CN 115392134 B CN115392134 B CN 115392134B
Authority
CN
China
Prior art keywords
battery
score
power battery
consistency
monitoring 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.)
Active
Application number
CN202211166096.XA
Other languages
English (en)
Other versions
CN115392134A (zh
Inventor
王亚楠
戴锋
邹岱江
李�杰
李立国
华剑锋
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.)
Sichuan New Energy Vehicle Innovation Center Co Ltd
Original Assignee
Sichuan New Energy Vehicle Innovation Center Co Ltd
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 Sichuan New Energy Vehicle Innovation Center Co Ltd filed Critical Sichuan New Energy Vehicle Innovation Center Co Ltd
Priority to CN202211166096.XA priority Critical patent/CN115392134B/zh
Publication of CN115392134A publication Critical patent/CN115392134A/zh
Application granted granted Critical
Publication of CN115392134B publication Critical patent/CN115392134B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Abstract

本实申请提供的车辆动力电池综合性能评估方法及相关装置中，监测设备根据动力电池的监测数据，获取动力电池的一致性综合评分、风险评分以及电池容量；然后，计算一致性综合评分、风险评分以及电池容量两两之间的相关系数，其中，相关系数表征两者之间的关联程度；最后，根据两两之间的相关系数，获得动力电池的性能评估结果。如此，实现从众多动力电池的众多指标中确定出存在关联性的性能指标，以便根据指标之间的关联性对动力电池的性能进行综合评估。

Description

车辆动力电池综合性能评估方法及相关装置
技术领域
本申请涉及电动车领域，具体而言，涉及一种车辆动力电池综合性能评估方法及相关装置。
背景技术
电动汽车动力电池作为车辆的动力来源和核心部件，其安全性、耐久性、一致性等性能评估势在必行，而在大数据快速发展背景下，依托云端数据平台的电池管理系统对大规模电动汽车动力电池的性能评估成为主流趋势。
现有云端平台对动力电池的分析仍停留在单一指标的层面，然而，电动车辆中动力电池的性能往往指标之间存在一定的联动关系，因此，动力电池单一的指标并不能全方反映出动力电池的性能。
发明内容
为了克服现有技术中的至少一个不足，本申请提提供一种车辆动力电池综合性能评估方法及相关装置，用于获得反映动力电池性能评估结果的关联指标。
第一方面，本申请提供一种车辆动力电池综合性能评估方法，所述方法包括：
根据动力电池的监测数据，获得所述动力电池的一致性综合评分、风险评分以及电池容量，其中，所述一致性综合评分表征所述动力电池在充电期间整体状态的稳定程度、所述风险评分表征所述动力电池的健康状况偏离正常范围的程度；
计算所述一致性综合评分、所述风险评分以及所述电池容量两两之间的相关系数，其中，所述相关系数表征两者之间的关联程度；
根据所述相关系数，获得所述动力电池的性能评估结果。
第二方面，本申请提供一种车辆动力电池综合性能评估装置，所述装置包括：
数据获取模块，用于根据动力电池的监测数据，获得所述动力电池的一致性综合评分、风险评分以及电池容量，其中，所述一致性综合评分表征所述动力电池在充电期间整体状态的稳定程度、所述风险评分表征所述动力电池的健康状况偏离正常范围的程度；
数据处理模块，用于计算所述一致性综合评分、所述风险评分以及所述电池容量两两之间的相关系数，其中，所述相关系数表征两者之间的关联程度；
性能评估模块，用于根据所述相关系数，获得所述动力电池的性能评估结果。
第三方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现所述的车辆动力电池综合性能评估方法。
第四方面，本申请提供一种监测设备，所述监测设备包括处理器以及存储器，所述存储器存储有计算机程序，所述计算机程序被处理器执行时，实现所述的车辆动力电池综合性能评估方法。
相对于现有技术而言，本申请具有以下有益效果：
本实施例提供一种应用于监测设备的车辆动力电池综合性能评估方法，用于展示动力电池各指标之间的联动关系。该方法中，监测设备根据动力电池的监测数据，获取动力电池的一致性综合评分、风险评分以及电池容量；然后，计算一致性综合评分、风险评分以及电池容量两两之间的相关系数，其中，相关系数表征两者之间的关联程度；最后，根据两两之间的相关系数，获得动力电池的性能评估结果。如此，实现从众多动力电池的众多指标中确定出存在关联性的性能指标，以便根据指标之间的关联性对动力电池的性能进行综合评估。
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方法流程示意图；
图2为本申请实施例提供的综合图表示意图之一；
图3为本申请实施例提供的综合图表示意图之二；
图4为本申请实施例提供SOC起止值计算方法原理示意图；
图5为本申请实施例提供的装置结构示意图；
图6为本申请实施例提供的监测设备结构示意图。
图标：201-数据获取模块；202-数据处理模块；203-性能评估模块；301-存储器；302-处理器；303-通信单元。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，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清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
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。
在本申请的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。此外，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，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
基于以上声明，现有云端平台对动力电池的分析仍停留在单一指标的层面，然而，电动车辆中动力电池的性能往往指标之间存在一定的联动关系，因此，动力电池单一的指标并不能全方反映出动力电池的性能。
鉴于此，本实施例提供一种车辆动力电池综合性能评估方法，用于获得反映动力电池性能评估结果的关联指标。该方法中，根据动力电池的监测数据，获得动力电池的一致性综合评分、风险评分以及电池容量；然后，计算一致性综合评分、风险评分以及电池容量两两之间的相关系数，其中，相关系数表征两者之间的关联程度；最后，获得动力电池的性能评估结果。
其中，在一些实施方式中，该车辆动力电池综合性能评估可以应用于监测设备，该监测设备可以是服务器，该服务器可以是单个服务器，也可以是服务器组。服务器组可以是集中式的，也可以是分布式的(例如，服务器可以是分布式系统)。在一些实施例中，服务器相对于用户终端，可以是本地的、也可以是远程的。在一些实施例中，服务器可以在云平台上实现；仅作为示例，云平台可以包括私有云、公有云、混合云、社区云(Community Cloud)、分布式云、跨云(Inter-Cloud)、多云(Multi-Cloud)等，或者它们的任意组合。在一些实施例中，服务器可以在具有一个或多个组件的电子设备上实现。
其中，当监测设备是服务器时，该服务器可以远程收集电动车辆使用期间，所搭载动力电池的相关参数，例如，动力电池中电池单体电压、电流、容量以及动力电池中不同位置的电池温度等数据，以用于后续进行关联性分析。
基于以上相关介绍，以下将结合图1对该方法包括各个步骤进行详细阐述。应该理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本申请内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。如图1所示，该方法包括：
S101，根据动力电池的监测数据，获得动力电池的一致性综合评分、风险评分以及电池容量。
其中，一致性综合评分表征动力电池在充电期间整体状态的稳定程度、风险评分表征动力电池的健康状况偏离正常范围的程度。
此处应理解的是，该动力电池作为电动车辆工作时的能量来源，包括了多个电池单体。本案发明人研究之后发现，若动力电池的工作时长较短，动力电池中各电池单体之间的差异极小，而随着动力电池工作时长的增加，电池单体之间损坏速度的不一致，导致电池单体之间的差异会随着时间逐步放大。具体表现为，随着工作时长的增加，电池单体之间就电压、容量、温度等参数之间的差异会越来越明显，因此，本实施例提供一致性综合评分从整体上对动力电池的稳定程度进行衡量。
风险评分则用于衡量动力电池当前的健康状况，可以选取动力电池一种或者多种电池状态的监测数据以衡量该动力电池的健康状况；而动力电池的健康状况存在一定的风险必定会影响到动力电池的整体容量。
鉴于以上发现，本实施例选取动力电池的以上指标进行分析，但目前一致性综合评分、风险评分以及电池容量之间的关联程度并不明确。因此，继续参见图1，该车辆动力电池综合性能评估方法还包括：
S102，计算一致性综合评分、风险评分以及电池容量两两之间的相关系数。
其中，相关系数表征两者之间的关联程度。一些实施方式中，该相关系数可以是皮尔逊系数，因此，步骤S102可以包括以下具体实施方式：
S102-1，计算一致性综合评分、风险评分以及电池容量两两之间的皮尔逊系数。
S102-2，将一致性综合评分、风险评分以及电池容量两两之间的皮尔逊系数，作为一致性综合评分、风险评分以及电池容量两两之间的相关系数。
示例性的，一致性综合评分、风险评分以及电池容量之间的皮尔逊系数的计算表达式为：
式中，Qα,β表示动力电池的容量，Scorefinal表示动力电池的一致性评分，riskvehicle表示动力电池的风险评分。cov(Qα,β,Scorefinal),cov(Qα,β,riskvehicle),cov(riskvehicle,Scorefinal)依次表示动力电池的容量与一致性评分、容量与风险评分、风险评分与一致性评分之间的协方差。var(M)，其中，M＝Qα,β,riskvehicle,Scorefinal，依次表示动力电池的容量、风险评分以一致性综合评分的方差。
corr(Qα,β,Scorefinal),corr(Qα,β,riskvehicle),corr(riskvehicle,Scorefinal)依次表示动力电池的容量与一致性评分、容量与风险评分、风险评分与一致性评分之间的皮尔逊系数。
S103，根据相关系数，获得动力电池的性能评估结果。
该性能评估结果包括相关系数大于预设阈值的指标集，以及该指标集下动力电池的综合性能。此处应理解的是，通过相关系数对上述三个反映动力性能的指标进行验证，以确定三个指标的可靠性。其中，若某一特定指标与其他指标之间的相关性过低，则说明其他指标相对于该特定指标不是很可靠，利用该特定指标对动力电池进行评估时，该其他指标的参考价值低。
并且，将指标之间的相关系数视为权重，用于将指标集中每种指标的指标参数进行加权求和，得到该指标集下动力电池的综合性能。
示例性的，继续假定该相关系数为皮尔逊系数，该监测设备将一致性综合评分、风险评分以及电池容量两两之间的皮尔逊系数与预设阈值进行比较，输出大于该预设阈值的指标集中包括一致性综合评分以及风险评分。此时，通过一致性综合评分评估动力电池的性能时，需要考虑风险评分的参考价值。若两者之间的皮尔逊相关系数为0.9，则可以将0.9作为风险评分的权重，用于将一致性综合评分与风险评分两者的指标参数进行加权求和，并将加权求和结果作为该指标集下动力电池的综合性能。
在本实施例中，该车辆动力电池综合性能评估方法还包括：
S104，根据相关系数，获得用于展示关联程度的关联显示图。
其中，该关联显示图包括雷达图以及关联图表。为使本申请实施例的目的、技术方案和优点更加清楚，本实施结合9辆电动车辆各自动力电池的容量、风险评分、一致性评分之间的皮尔逊系数，给出了图2-图3所示的关联图表。对于该关联图表，应理解的是，若两指标之间呈现正相关，并且关联程度越大则在图表中呈现的颜色越浅；反之，若两指标之间的呈现负相关，并且关联程度越大，则在图表中呈现的颜色越深。
继续如图2所示，将9辆电动车辆分别标记为LAT1-LAT9，分别采集各车辆的监测数据，用于计算每辆电动车辆中动力电池的容量、风险评分、一致性评分两两之间的皮尔逊系数；并依据该皮尔逊系数得到图2中的9个关联图表，以及将图2中的9个关联图表进行汇总可以得到图3所示的关联图表。可见各动力电池的容量、风险评分、一致性评分三者之间存在强相关性的，尤其是动力电池的风险评分与容量、风险评分与一致性评分之间的关联程度最为明显。
如此，可以通过以上实施方式将以上指标之间的相关系数，转换为更为直观的雷达图或统计图，以便于具有数据平台或者有数据中心的厂商的相关人员进行参考。
在以上实施方式中的动力电池的一致性综合评分、风险评分以及容量，通过对动力电池的监测数据进行分析获得，以下将就以上指标的获取方式进行详细介绍。
1、一致性综合评分
一致性综合评分用于衡量动力电池整体的稳定程度，本实施例综合动力电池多种第一电池状态的监测数据对其整体的稳定进行分析，因此，步骤S101可以包括以下具体实施方式：
S101-1，分别根据每种第一电池状态的监测数据，获得每种第一电池状态的一致性评分。
可选地实施方式中，对于每种第一电池状态，监测设备根据第一电池状态的监测数据，获得第一电池状态的均方根误差、标准差、标准差系数、极差系数中的一种或者多种；然后，将第一电池状态的均方根误差、标准差、标准差系数、极差系数中的一种或者多种之和，作为第一电池状态的一致性评分。
示例性的，多种第一电池状态可以包括动力电池在充电过程中的电池单体的电压、动力电池中温度采样点的温度、电池单体的容量以及电池单体的电量；其中，容量表示动力电池存储电量的大小，单位为毫安时；而电量则表示动力电池存储的能量，为标称容量×标称电压，单位是瓦时。
因此，在本示例中，将电池单体的电压、温度采样点的温度、电池单体的容量、电池单体的电量进行横向对比，获取四个指标各自的一致性评分。
式中，Vmax,j和Vmin,j分别表示所有电池单体在t时刻的最大单体电压和最小单体电压。
Tmax,j和Tmin,j分别表示所有温度采样点t时刻的最大温度和最小温度，tchrg是表示充电片段的时间长度。
Qmax和Qmin分别表示所有单体在当前充电片段中的最大单体容量和最小单体容量。
Emax和Emin分别表示所有单体在当前充电片段中的最大单体电量和最小单体电量。
其中，M＝V,T,Q,E分别表示所有电池单体的电压、温度采样点的温度、电池单体的容量、电池单体的电量在当前充电片段的平均值。
σM，其中，M＝V,T分别是表示所有电池单体的电压和温度采样点的温度的均方根误差。
σM，其中，M＝Q,E分别表示所有电池单体容量和电池单体电量的标准差。
δM，其中，M＝V,T,Q,E分别表示所有电池单体的电压、温度采样点的温度、电池单体的容量、电池单体的电量在当前充电片段的标准差系数。
其中，M＝Q,E别表示所有电池单体的容量和电池单体的电量在当前充电片段的极差系数。
以其中的电池单体的电压为例，可以动力电池中电池单体之间的均方根误差σV以及标准差系数σV之和作为电池单体电压的一致性评分。
基于以上关于一致性评分的介绍，步骤S101还包括：
S101-2，将多种第一电池状态的一致性评分进行加权求和，得到动力电池的一致性综合评分。
示例性的，继续假定多种第一电池状态分别是电池单体的电压、温度采样点的温度、电池单体的容量、电池单体的电量，则这4种电池状态的一致性综合评分的计算表达式为：
Scorefinal＝wv1·ScoreV+wv2·ScoreT+wv3·ScoreQ+wv4·ScoreE
式中，Scorei(i＝V,T,Q,E)分别是电池单体的电压、温度采样点的温度、电池单体的容量、电池单体的电量四个指标各自的一致性评分，wvi(i＝1,2,3,4)是四个指标各自对应的权重。
2、风险评分
正如上述实施例中所介绍的，风险评分表征了动力电池的健康状况偏离正常范围的程度；而本实施例在获取风险评分时，综合了动力电池统计时刻当下的状态以及历史状态，使得所获得的风险评分更能客观反映动力电池的健康状况。其中，在计算动力电池的风险评分时，使用了动力电池监测数据中的至少一种第二电池状态的检测数据，因此，步骤S101还可以包括以下具体实施方式：
S101-3，分别根据每种第二电池状态的监测数据，获得每种第二电池状态的在统计时刻的瞬时得分以及长周期得分。
其中，瞬时得分越大表示第二电池状态在统计时刻偏离正常状态区间的偏离程度越大；长周期得分越小，表示基于统计时刻的统计时段内，第二电池状态越稳定。
在步骤S101-3可选地实施方式中涉及到每种第二电池状态的瞬时得分以及长周期得分，下面就两者分别进行详细介绍。
首先，对于第二电池状态的长周期发得分，该监测设备根据第二电池状态的全部统计对象在统计时刻的监测数据，获得全部统计对象就第二电池状态的平均值；并基于平均值确定出第二电池状态的正常范围。例如，若假定第二电池状态为动力电池中的温度，并且动力电池中的各温度采样点的平均温度为30摄氏度，则可以将30±2的区间作为温度的正常范围。
然后，若检测第二电池状态的全部统计对象中存在偏离正常范围的异常对象，该监测设备则分别根据每个异常对象在统计时段内偏离正常范围的多个状态偏离量，获得每个异常对象在统计时段内的平均偏离量。应理解的是，该平均偏离量越小，则意味着该异常对象在统计时段内越稳定，在当前统计时刻被判定为异常对象可能是因为统计误差或者检测误差导致。而该统计时刻可是电动车辆每次充电过程中的某一时刻。
进一步地，该监测设备根据每个异常对象在统计时段内的平均偏离量之和，作为第二电池状态的长周期得分。
其次，对于第二电池状态在统计时刻的瞬时得分，该监测设备根据每个异常对象在统计时刻偏离正常范围的状态偏离量之和，作为第二电池状态的瞬时得分。
作为可选地实施方式，本实施例中的至少一种第二电池状态可以包括动力电池中电池单体的电压以及温度采样点的温度。
下面以电池单体的电压为例，对瞬时得分以及长周期得分进行示例性说明。此处为便于描述，将电池单体的电压对应的正常范围称为正常电压范围，而偏离该正常电压范围的电池单体称为异常单体以及偏离该正常电压范围的偏离量称为偏离电压。
假定该动力电池中电池单体的数量为5000个，若在统计时刻从中检测出5个异常单体；该监测设备则分别根据每个异常单体在统计时段内偏离正常电压范围的多个偏离电压，获得每个异常单体的平均偏离电压；并将5个异常单体的平均偏离电压之和，作为电池电压的长周期得分。同理，该监测设备将5个异常单体在统计时刻偏离电正常电压范围的电压偏离量之和，作为电池电压的瞬时得分。
基于以上关于每种第二电池状态瞬时得分以及长周期得分的介绍，步骤S101还包括：
S101-4，将至少一种第二电池状态在统计时刻的瞬时得分以及长周期得分进行加权求和，得到动力电池的风险评分。
其中，为了综合多方面因素评估动力电池的健康状况，监测设备将每种第二电池状态的长周期得分以及瞬时得分按照各自的权重进行加权求和，得到第二电池状态的风险评分。
示例性的，继续假定动力电池的第二电池状态包括电池单体的电压以及温度采样点的温度，则将电压的长周期得分、瞬时得分、温度的长周期得分、瞬时得分以加权求和的方式获得动力电池在统计时刻的风险评分，相应的计算方式为：
riskvehicle(t)＝wr1·riskΔV(t)+wr2·riskΔT(t)+wr3·riskdV(t)+wr4·riskdT(t)
式中，riskΔT(t)表示动力电池在统计时刻t的风险评分，riskΔV表示电池电压的瞬时得分,riskΔT表示电池温度的瞬时得分,riskdV表示电池电压的长周期得分和riskdT表示电池温度的长周期得分，wri,i＝1,2,3,4分别表示各自的权重。
3、电池容量
首先应理解的是，受限于不同整车厂设计的BMS对SOC估计方法也存在不同修正策略导致SOC起止值也存在误差，从而难以取得准确的标签对机器学习模型进行训练。因此，为了获得动力电池更为准确的容量，本实施例将从BMS获取直接获取的SOC起止值作为标签，将SOC起止值期间动力电池多种第三电池状态的监测数据作为初始神经网络模型的输入，对初始神经网络模型进行训练，得到预先训练的SOC预测模型。基于该预先训练的SOC预测模型，再通过以下实施方式对预先训练的SOC预测模型进行优化，即步骤S103还包括：
S101-5，获取样本电池在基准充电期间的目标监测数据。
其中，为了与SOC预测模型预训练期间的输入保持一致，目标监测数据同样对应样本电池的多种第三电池状态。一些实施方式中，多种第三电池状态的监测数据可以包括电动车辆充电时的里程数、充电时的充电电流、充电电压、电池包中的最高温度以及最低温度、电池包中电池单体最高电压以及最低低压等。即以上监测数据能够在一定程度上反映出动力电池的容量变化，因此，本实施例将以上监测数据输入到预先训练的SOC预测模型，通过该预测模型推理出动力电池更为准确的SOC起止值。
S101-6，将目标监测数据输入预先训练的SOC预测模型，预估样本电池在充电期间的第一SOC起始值以及第一SOC终止值。
S101-7，根据第一SOC起始值以及第一SOC终止值，计算出样本电池在参考充电期间的第二SOC起始值以及第二SOC终止值。
其中，参考充电期间与基准充电期间分别分布在样本电池整个充电期间的不同位置。该步骤的具体实施方式中，监测设备先根据第一SOC起始值以及第一SOC终止值以安时积分法得到样本电池的预估容量。
然后，从样本电池整个充电期间确定出参考充电期间的起始时刻以及终止时刻，最后，将第一SOC起始值或者第一SOC终止值以及样本电池的预测容量作为安时积分法中的已知量，而将起始时刻的第二SOC起始值或者终止时刻的第二SOC终止值作为未知量进行求解。
示例性的，假定该样本电池整个充电期间的“SOC-充电电量”曲线如图4所示。图中t1～t2是基准充电期间的起始时刻以及终止时刻，t0～t3是参考充电期间的起始时刻以及终止时刻，而估算电池容量的按时积分法，其表达式为：
式中，Qα,β表示估算的电池容量，tα表示SOC终止值对应的终止时刻，tβ表示SOC起始值对应的起始时刻，SOC(tβ)表示SOC起始值，SOC(tα)表示SOC终止值，I(τ)表示在终止时刻与起始时刻期间的充电电流。
基于该表达式，图4中第一SOC起始值为20％，第一SOC终止值为60％，假定在t1～t2内充电电流的积分表示为O1，则按照安时积分法可得到样本电池的预估容量为
进一步地，将图4中的t2～t3作为一个充电片段，并且在t3时刻的SOC值为未知量x1；将充电时段t2～t3内充电电流的积分表示为O2，作为一个已知量，电池包的容量为/>作为另外一个已知量，则关于未知量x1的待求解的方程为：
如此，可得到t0～t3期间起始时刻的第二SOC起始值以及终止时刻的第二SOC终止值。
S101-8，将第二SOC起始值以及第二SOC终止值作为监督信息，更新SOC预测模型，以得到优化后的SOC预测模型。
该步骤中，监测设备将第二SOC起始值以及第二SOC终止值作为监督信息，输入参考充电期间该样本电池多种第三电池状态的监测数据，对SOC预测模型再次进行训练，从而得到优化后的SOC预测模型。
基于该优化后的SOC预测模型，该动力电池的监测数据中包括有多种第三电池状态的监测数据，因此，步骤S103还包括以下实施方式以获取动力电池的电池容量：
S101-9，将多种第三电池状态的检测数据输入到优化后的SOC预测模型，获得动力在充电期间修正后的SOC起始值以及修正后的SOC终止值。
S101-10，根据修正后的SOC起始值以及修正后的SOC终止值，以按时积分法得到动力电池的电池容量。
此外，考虑到环境温度对电池容量存在一定的影响，两者之间的数学关系为：
Qtemp_corr(T)＝Qα,β×(1-2·10-3×(T-25°))
式中，Qtemp_corr表示动力电池经温度修正后的电池容量，Qα,β表示预估容量，T表示充电时段期间动力电池中的环境温度。如此，以克服环境温度对动力电池容量的影响。
基于相同的发明构思，本实施例还提供一种应用于监测设备的车辆动力电池综合性能评估装置。车辆动力电池综合性能评估装置包括至少一个可以软件形式存储于存储器或固化在监测设备的操作系统(Operating System，简称OS)中的软件功能模块。监测设备中的处理器用于执行存储器中存储的可执行模块。例如，车辆动力电池综合性能评估装置所包括的软件功能模块及计算机程序等。请参照图5，从功能上划分，车辆动力电池综合性能评估装置可以包括：
数据获取模块201，用于根据动力电池的监测数据，获得动力电池的一致性综合评分、风险评分以及电池容量，其中，一致性综合评分表征动力电池在充电期间整体状态的稳定程度、风险评分表征动力电池的健康状况偏离正常范围的程度。
本实施例中，该数据获取模块201用于实现图1中的步骤S101，关于该数据获取模块201的详细描述可以参见步骤S101的详细描述。
数据处理模块202，用于计算一致性综合评分、风险评分以及电池容量两两之间的相关系数，其中，相关系数表征两者之间的关联程度。
本实施例中，该数据处理模块202用于实现图1中的步骤S102，关于该数据处理模块202的详细描述可以参见步骤S102的详细描述。
性能评估模块203，用于根据相关系数，获得动力电池的性能评估结果。
本实施例中，该性能评估模块203用于实现图1中的步骤S103，关于该性能评估模块203的详细描述可以参见步骤S103的详细描述。
值得说明的是，由于车辆动力电池综合性能评估装置与车辆动力电池综合性能评估方法具有相同的发明构思，因此，以上数据获取模块201、数据处理模块202、性能评估模块203还可以用于实现车辆动力电池综合性能评估方法的其他步骤或者子步骤，本实施例不再进行赘述。
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。
还应理解的是，以上实施方式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。
因此，本实施例还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计算机程序，该计算机程序被处理器执行时，实现本实施例提供的车辆动力电池综合性能评估方法。其中，该计算机可读存储介质可以是U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
请参照图6，本实施例还提供一种监测设备，监测设备包括处理器302以及存储器301，存储器301存储有计算机程序，计算机程序被处理器302执行时，实现所述的车辆动力电池综合性能评估方法。
继续参见图6，该监测设备还包括通信单元，其中，存储器301、处理器302、通信单元303。该存储器301、处理器302以及通信单元303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讯总线或信号线实现电性连接。
其中，该存储器301可以是基于任何电子、磁性、光学或其它物理原理的信息记录装置，用于记录执行指令、数据等。在一些实施方式中，该存储器301可以是，但不限于，易失存储器、非易失性存储器、存储驱动器等。
在一些实施方式中，该易失存储器可以是随机存取存储器(Random AccessMemory，RAM)；在一些实施方式中，该非易失性存储器可以是只读存储器(Read OnlyMemory，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)、闪存等；在一些实施方式中，该存储驱动器可以是磁盘驱动器、固态硬盘、任何类型的存储盘(如光盘、DVD等)，或者类似的存储介质，或者它们的组合等。
该通信单元303用于通过网络收发数据。在一些实施方式中，该网络可以包括有线网络、无线网络、光纤网络、远程通信网络、内联网、因特网、局域网(Local Area Network，LAN)、广域网(Wide Area Network，WAN)、无线局域网(Wireless Local Area Networks，WLAN)、城域网(Metropolitan Area Network，MAN)、广域网(Wide Area Network，WAN)、公共电话交换网(Public Switched Telephone Network，PSTN)、蓝牙网络、ZigBee网络、或近场通信(Near Field Communication，NFC)网络等，或其任意组合。在一些实施例中，网络可以包括一个或多个网络接入点。例如，网络可以包括有线或无线网络接入点，例如基站和/或网络交换节点，服务请求处理系统的一个或多个组件可以通过该接入点连接到网络以交换数据和/或信息。
该处理器302可能是一种集成电路芯片，具有信号的处理能力，并且，该处理器可以包括一个或多个处理核(例如，单核处理器或多核处理器)。仅作为举例，上述处理器可以包括中央处理单元(Central Processing Unit，CPU)、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、专用指令集处理器(Application SpecificInstruction-set Processor，ASIP)、图形处理单元(Graphics Processing Unit，GPU)、物理处理单元(Physics Processing Unit，PPU)、数字信号处理器(Digital SignalProcessor，DSP)、现场可编程门阵列(Field Programmable Gate Array，FPGA)、可编程逻辑器件(Programmable Logic Device，PLD)、控制器、微控制器单元、简化指令集计算机(Reduced Instruction Set Computing，RISC)、或微处理器等，或其任意组合。
应该理解到的是，在上述实施方式中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系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上所述，仅为本申请的各种实施方式，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。

Claims (9)

1.一种车辆动力电池综合性能评估方法，其特征在于，所述方法包括：
根据动力电池的监测数据，获得所述动力电池的一致性综合评分、风险评分以及电池容量，其中，所述一致性综合评分表征所述动力电池在充电期间整体状态的稳定程度，所述监测数据包括至少一种第二电池状态的监测数据，所述根据动力电池的监测数据，获得动力电池的风险评分，包括：
分别根据每种第二电池状态的监测数据，获得每种第二电池状态的在统计时刻的瞬时得分以及长周期得分，其中，所述瞬时得分越大表示所述第二电池状态在所述统计时刻偏离正常状态区间的偏离程度越大；所述长周期得分越小，表示基于所述统计时刻的统计时段内，所述第二电池状态越稳定；
将所述至少一种第二电池状态在所述统计时刻的瞬时得分以及长周期得分进行加权求和，得到所述动力电池的风险评分；
计算所述一致性综合评分、所述风险评分以及所述电池容量两两之间的相关系数，其中，所述相关系数表征两者之间的关联程度；
根据所述相关系数，获得所述动力电池的性能评估结果。
2.根据权利要求1所述的车辆动力电池综合性能评估方法，其特征在于，所述监测数据包括在充电期间采集的多种第一电池状态的监测数据，所述根据动力电池的监测数据，获得所述动力电池的一致性综合评分，包括：
分别根据每种第一电池状态的监测数据，获得每种第一电池状态的一致性评分；
将所述多种第一电池状态的一致性评分进行加权求和，得到所述动力电池的一致性综合评分。
3.根据权利要求2所述的车辆动力电池综合性能评估方法，其特征在于，所述分别根据每种第一电池状态的监测数据，获得每种第一电池状态的一致性评分，包括：
对于每种第一电池状态，根据所述第一电池状态的监测数据，获得所述第一电池状态的均方根误差、标准差、标准差系数以及极差系数中的一种或者多种；
将所述第一电池状态的均方根误差、标准差、标准差系数以及极差系数中的一种或者多种之和，作为所述第一电池状态的一致性评分。
4.根据权利要求1所述的车辆动力电池综合性能评估方法，其特征在于，所述计算所述一致性综合评分、所述风险评分以及所述电池容量两两之间的相关系数，包括：
计算所述一致性综合评分、所述风险评分以及所述电池容量两两之间的皮尔逊系数；
将所述一致性综合评分、所述风险评分以及所述电池容量两两之间的皮尔逊系数，作为所述一致性综合评分、所述风险评分以及所述电池容量两两之间的相关系数。
5.根据权利要求1所述的车辆动力电池综合性能评估方法，其特征在于，所述方法还包括：
根据所述相关系数，获得用于展示所述关联程度的关联显示图。
6.根据权利要求1所述的车辆动力电池综合性能评估方法，其特征在于，所述方法还包括：
获取样本电池在基准充电期间的目标监测数据，其中，所述目标监测数据对应所述样本电池的多种第三电池状态；
将所述目标监测数据输入预先训练的SOC预测模型，预估所述样本电池在所述基准充电期间的第一SOC起始值以及第一SOC终止值；
根据所述第一SOC起始值以及所述第一SOC终止值，计算出所述样本电池在参考充电期间的第二SOC起始值以及第二SOC终止值，其中，所述参考充电期间与所述基准充电期间分别分布在所述样本电池整个充电期间的不同位置；
将所述第二SOC起始值以及所述第二SOC终止值作为监督信息，更新所述SOC预测模型，以得到优化后的SOC预测模型；
所述监测数据包括所述多种第三电池状态的监测数据，所述根据动力电池的监测数据，获得所述动力电池的电池容量，包括：
将所述多种第三电池状态的检测数据输入到所述优化后的SOC预测模型，获得所述动力在充电期间修正后的SOC起始值以及修正后的SOC终止值；
根据所述修正后的SOC起始值以及修正后的SOC终止值，以安时积分法得到所述动力电池的电池容量。
7.一种车辆动力电池综合性能评估装置，其特征在于，所述装置包括：
数据获取模块，用于根据动力电池的监测数据，获得所述动力电池的一致性综合评分、风险评分以及电池容量，其中，所述一致性综合评分表征所述动力电池在充电期间整体状态的稳定程度，所述监测数据包括至少一种第二电池状态的监测数据，所述数据获取模块还用于：
分别根据每种第二电池状态的监测数据，获得每种第二电池状态的在统计时刻的瞬时得分以及长周期得分，其中，所述瞬时得分越大表示所述第二电池状态在所述统计时刻偏离正常状态区间的偏离程度越大；所述长周期得分越小，表示基于所述统计时刻的统计时段内，所述第二电池状态越稳定；
将所述至少一种第二电池状态在所述统计时刻的瞬时得分以及长周期得分进行加权求和，得到所述动力电池的风险评分；
数据处理模块，用于计算所述一致性综合评分、所述风险评分以及所述电池容量两两之间的相关系数，其中，所述相关系数表征两者之间的关联程度；
性能评估模块，用于根据所述相关系数，获得所述动力电池的性能评估结果。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1-6任意一项所述的车辆动力电池综合性能评估方法。
9.一种监测设备，其特征在于，所述监测设备包括处理器以及存储器，所述存储器存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1-6任意一项所述的车辆动力电池综合性能评估方法。
CN202211166096.XA 2022-09-23 2022-09-23 车辆动力电池综合性能评估方法及相关装置 Active CN115392134B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211166096.XA CN115392134B (zh) 2022-09-23 2022-09-23 车辆动力电池综合性能评估方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211166096.XA CN115392134B (zh) 2022-09-23 2022-09-23 车辆动力电池综合性能评估方法及相关装置

Publications (2)

Publication Number Publication Date
CN115392134A CN115392134A (zh) 2022-11-25
CN115392134B true CN115392134B (zh) 2023-09-12

Family

ID=84129398

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211166096.XA Active CN115392134B (zh) 2022-09-23 2022-09-23 车辆动力电池综合性能评估方法及相关装置

Country Status (1)

Country Link
CN (1) CN115392134B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116298931B (zh) * 2023-05-12 2023-09-01 四川新能源汽车创新中心有限公司 一种基于云端数据的锂离子电池容量估计方法
CN116691442B (zh) * 2023-08-04 2023-10-13 合肥力高动力科技有限公司 一种电池充电设备中电池管理系统的故障监测方法及系统

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2098878A2 (en) * 2008-03-04 2009-09-09 Eaton Corporation Battery service life estimation using a regression model and state estimation
CN108254696A (zh) * 2017-12-29 2018-07-06 上海电气集团股份有限公司 电池的健康状态评估方法及系统
CN109633476A (zh) * 2018-12-25 2019-04-16 上海电气分布式能源科技有限公司 电池储能系统的健康度的评估方法及系统
JP2019083163A (ja) * 2017-10-31 2019-05-30 トヨタ自動車株式会社 カーボンの評価方法
CN110133508A (zh) * 2019-04-24 2019-08-16 上海博强微电子有限公司 电动汽车动力电池的安全预警方法
CN110208706A (zh) * 2019-06-13 2019-09-06 重庆长安新能源汽车科技有限公司 一种基于车联网的动力电池健康状态在线评估系统及方法
CN110988695A (zh) * 2019-12-24 2020-04-10 珠海银隆电器有限公司 动力电池健康状态评估方法、装置、存储介质及电子设备
CN112036014A (zh) * 2020-08-18 2020-12-04 中国检验检疫科学研究院 一种基于层次分析法的锂离子电池安全可靠性测试方法
CN112630662A (zh) * 2020-12-30 2021-04-09 南京航空航天大学 一种基于数据驱动及多参数融合的动力电池soh估算方法
CN113075575A (zh) * 2021-03-04 2021-07-06 湖南大学 车辆电池包安全状态评估方法、系统、装置及存储介质
CN113158345A (zh) * 2021-04-29 2021-07-23 浙江吉利控股集团有限公司 一种新能源车辆动力电池容量预测方法及系统
WO2021169487A1 (zh) * 2020-02-24 2021-09-02 上海蔚来汽车有限公司 动力电池内单体电池的短路监测方法、系统以及装置
CN114154252A (zh) * 2022-02-09 2022-03-08 北京航空航天大学 新能源汽车动力电池系统失效模式的风险评估方法及装置

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2098878A2 (en) * 2008-03-04 2009-09-09 Eaton Corporation Battery service life estimation using a regression model and state estimation
JP2019083163A (ja) * 2017-10-31 2019-05-30 トヨタ自動車株式会社 カーボンの評価方法
CN108254696A (zh) * 2017-12-29 2018-07-06 上海电气集团股份有限公司 电池的健康状态评估方法及系统
CN109633476A (zh) * 2018-12-25 2019-04-16 上海电气分布式能源科技有限公司 电池储能系统的健康度的评估方法及系统
CN110133508A (zh) * 2019-04-24 2019-08-16 上海博强微电子有限公司 电动汽车动力电池的安全预警方法
CN110208706A (zh) * 2019-06-13 2019-09-06 重庆长安新能源汽车科技有限公司 一种基于车联网的动力电池健康状态在线评估系统及方法
CN110988695A (zh) * 2019-12-24 2020-04-10 珠海银隆电器有限公司 动力电池健康状态评估方法、装置、存储介质及电子设备
WO2021169487A1 (zh) * 2020-02-24 2021-09-02 上海蔚来汽车有限公司 动力电池内单体电池的短路监测方法、系统以及装置
CN112036014A (zh) * 2020-08-18 2020-12-04 中国检验检疫科学研究院 一种基于层次分析法的锂离子电池安全可靠性测试方法
CN112630662A (zh) * 2020-12-30 2021-04-09 南京航空航天大学 一种基于数据驱动及多参数融合的动力电池soh估算方法
CN113075575A (zh) * 2021-03-04 2021-07-06 湖南大学 车辆电池包安全状态评估方法、系统、装置及存储介质
CN113158345A (zh) * 2021-04-29 2021-07-23 浙江吉利控股集团有限公司 一种新能源车辆动力电池容量预测方法及系统
CN114154252A (zh) * 2022-02-09 2022-03-08 北京航空航天大学 新能源汽车动力电池系统失效模式的风险评估方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
漆逢吉.《通信电源》.北京邮电大学出版社,2020,第97页. *

Also Published As

Publication number Publication date
CN115392134A (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
CN115392134B (zh) 车辆动力电池综合性能评估方法及相关装置
JP7289063B2 (ja) 二次電池の残存性能評価方法、二次電池の残存性能評価プログラム、演算装置、及び残存性能評価システム
EP3904894B1 (en) Training device, estimation device, training method, estimation method, training program, and estimation program
CN109633477B (zh) 基于ekf-gpr和日常片段数据的电池组健康状态的实时监控方法
CN110888065B (zh) 电池包荷电状态修正方法和装置
KR20160067510A (ko) 배터리의 상태를 추정하는 방법 및 장치
US20150369875A1 (en) Battery state estimating device
EP4333243A1 (en) Battery management device, and electric power system
US11892515B2 (en) Determination device relating to plurality of batteries, electricity storage system, determination method and non-transitory storage medium
CN115563704B (zh) 电池状态预测模型的优化方法、容量预测方法及相关装置
KR20230129953A (ko) 차량 배터리 셀 일관성 평가 방법, 장치, 기기 및 저장매체
CN109061482B (zh) 电池健康度预测方法及装置
CN113657360A (zh) 锂电池健康状态估计方法、装置、设备及可读存储介质
CN114400738A (zh) 一种储能电站电池预警方法和系统
CN114441984A (zh) 一种锂电池健康状态估计方法
Zhou et al. Research on online capacity estimation of power battery based on EKF-GPR model
CN115158076A (zh) 计量误差评估方法、装置及计算机可读存储介质
CN116626502A (zh) 电池容量预测方法、装置、设备及存储介质
CN204030697U (zh) 基于动态soc估算系统的电池管理系统
CN115932634A (zh) 一种对电池健康状态评估的方法、装置、设备及存储介质
CN114879070A (zh) 一种电池状态评估方法及相关设备
CN115877215B (zh) 电池包状态检测方法及相关装置
CN113391216A (zh) 基于响应曲面设计的铅酸电池可用容量估算方法和装置
CN116298927B (zh) 一种电池容量估计方法和装置、计算机设备、存储介质
CN116953547A (zh) 一种储能电池健康度评估方法、系统、设备及存储介质

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