CN115421046B - 动力电池梯度利用筛选方法、装置、设备及存储介质 - Google Patents
动力电池梯度利用筛选方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115421046B CN115421046B CN202211126018.7A CN202211126018A CN115421046B CN 115421046 B CN115421046 B CN 115421046B CN 202211126018 A CN202211126018 A CN 202211126018A CN 115421046 B CN115421046 B CN 115421046B
- Authority
- CN
- China
- Prior art keywords
- grid
- determining
- temperature
- infrared
- mean square
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000012216 screening Methods 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 239000000178 monomer Substances 0.000 claims abstract description 19
- 238000007600 charging Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 229910052799 carbon Inorganic materials 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010280 constant potential charging Methods 0.000 description 1
- 238000010277 constant-current charging Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
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]
- G01R31/396—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
- 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
本申请公开一种动力电池梯度利用筛选方法、装置、设备及存储介质,涉及电池检测技术领域,能够在进行大量的电池单体的检测时,提高检测效率和检测的准确性。具体方案包括:实时获取长波红外仪采集的电池组充电过程中的红外图像,电池组为退役的电池组;对多个不同时刻下的红外图像进行网格化处理,得到与各红外图像对应的网格化红外图像,并确定多个不同时刻下各网格化红外图像中各网格的均方根温度,得到各网格在多个不同时刻下的均方根温度;获取各红外图像的平均温度,根据各网格在多个不同时刻下的均方根温度以及各网格所属的红外图像的平均温度,确定各网格对应的电池单体是否合格,其中,合格的电池单体用于梯度利用。
Description
技术领域
本申请涉及电池检测技术领域,尤其涉及一种动力电池梯度利用筛选方法、装置、设备及存储介质。
背景技术
电池的梯次利用的是使产品得到了最大限度地使用,其设计周期得到了延长,为社会创造了经济价值的同时,也为社会减少了垃圾排放,是现代社会应大力推行的一种循环性、低碳型生产生活方式。
在电池的梯次利用过程中,需要对回收的退役电池组中的电池单体进行状态检测,将通过检测的电池单体重新组装成电池组用于再次利用,但现有的检测方法在进行大量的电池单体的检测时存在效率较低,且准确性不高的问题。
发明内容
本申请提供一种动力电池梯度利用筛选方法、装置、设备及存储介质,能够在进行大量的电池单体的检测时,提高检测效率和检测的准确性。
本申请实施例第一方面,提供了一种动力电池梯度利用筛选方法,该方法包括:实时获取长波红外仪采集的电池组充电过程中的红外图像,电池组为退役的电池组;
对多个不同时刻下的红外图像进行网格化处理,得到与各红外图像对应的网格化红外图像,并确定多个不同时刻下各网格化红外图像中各网格的均方根温度,得到各网格在多个不同时刻下的均方根温度;
获取各红外图像的平均温度,根据各网格在多个不同时刻下的均方根温度以及各网格所属的红外图像的平均温度,确定各网格对应的电池单体是否合格,其中,合格的电池单体用于梯度利用。
在一个实施例中,对多个不同时刻下的红外图像进行网格化处理,包括:
根据电池单体的尺寸、长波红外仪距离电池组的距离、长波红外仪的焦距和长波红外仪的像元尺寸确定待划分的网格尺寸;
根据网格尺寸将多个不同时刻下的红外图像划分为多个网格图像。
在一个实施例中,确定各网格化红外图像中各网格的均方根温度,包括:
获取各红外图像网格化前的均方根温度和网格的边长;
根据各红外图像网格化前的均方根温度和网格的边长,确定各网格化红外图像中各网格的均方根温度。
在一个实施例中,根据各网格在多个不同时刻下的均方根温度以及各网格所属的红外图像的平均温度,确定各网格对应的电池单体是否合格,包括:
针对各红外图像,根据各网格的均方根温度和各网格所属的红外图像的平均温度,从各网格中确定出多个备选网格;
针对各备选网格,根据各备选网格在多个不同时刻下的均方根温度,确定各备选网格对应的电池单体是否合格。
在一个实施例中,根据各备选网格在多个不同时刻下的均方根温度,确定各备选网格对应的电池单体是否合格,包括:
根据各备选网格在多个不同时刻下的均方根温度得到各备选网格的温度变化曲线;
确定温度变化曲线的二阶导的期望值,得到检测期望值;
根据检测期望值和预设期望值,确定各备选网格对应的电池单体是否合格。
在一个实施例中,根据各网格的均方根温度和各网格所属的红外图像的平均温度,从各网格中确定出多个备选网格,包括:
确定网格的均方根温度与网格所属的红外图像的平均温度之间的温度差值,得到温度差;
确定温度差与平均温度的比值,得到温度比;
若温度比小于第一预设阈值,则将网格确定为备选网格。
在一个实施例中,根据检测期望值和预设期望值,确定各备选网格对应的电池单体是否合格,包括:
确定检测期望值与预设期望值的差值,得到期望差值;
确定期望差值与预设期望值的比值,若比值小于第二预设阈值,则确定备选网格对应的电池单体合格。
本申请实施例第二方面,提供了在一种动力电池梯度利用筛选装置,该装置包括:
获取模块,用于实时获取长波红外仪采集的电池组充电过程中的红外图像,电池组为退役的电池组;
处理模块,用于对多个不同时刻下的红外图像进行网格化处理,得到与各红外图像对应的网格化红外图像,并确定多个不同时刻下各网格化红外图像中各网格的均方根温度,得到各网格在多个不同时刻下的均方根温度;
确定模块,用于获取各红外图像的平均温度,根据各网格在多个不同时刻下的均方根温度以及各网格所属的红外图像的平均温度,确定各网格对应的电池单体是否合格,其中,合格的电池单体用于梯度利用。
本申请实施例第三方面提供一种电子设备,该设备包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时实现本申请实施例第一方面中的动力电池梯度利用筛选方法。
本申请实施例第四方面,提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现本申请实施例第一方面中的动力电池梯度利用筛选方法。
本申请实施例提供的技术方案带来的有益效果至少包括:
本申请实施例提供的动力电池梯度利用筛选方法,通过实时获取长波红外仪采集的电池组充电过程中的红外图像,电池组为退役的电池组;并对多个不同时刻下的红外图像进行网格化处理,得到与各红外图像对应的网格化红外图像,并确定多个不同时刻下各网格化红外图像中各网格的均方根温度,得到各网格在多个不同时刻下的均方根温度;最后通过获取各红外图像的平均温度,根据各网格在多个不同时刻下的均方根温度以及各网格所属的红外图像的平均温度,确定各网格对应的电池单体是否合格,确定出合格的电池单体用于梯度利用。本申请实施例提供的动力电池梯度利用筛选方法,通过将电池组的红外图像进行网格化处理,各网格与电池单体对应,这样在进行大量的电池单体的检测时能够提高检测效率和检测的准确性。
附图说明
图1为本申请实施例提供的一种动力电池梯度利用筛选方法的流程图;
图2为本申请实施例提供的一种电池组的温度检测示意图;
图3为本申请实施例提供的一种网格化处理后的热像图;
图4为本申请实施例提供的一种动力电池梯度利用筛选装置的结构图。
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清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。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。
以下,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一个或者更多个该特征。在本公开实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
另外,“基于”或“根据”的使用意味着开放和包容性,因为“基于”或“根据”一个或多个条件或值的过程、步骤、计算或其他动作在实践中可以基于额外条件或超出的值。
电池的梯次利用的是使产品得到了最大限度地使用,其设计周期得到了延长,为社会创造了经济价值的同时,也为社会减少了垃圾排放,是现代社会应大力推行的一种循环性、低碳型生产生活方式。
在电池的梯次利用过程中,需要对回收的退役电池组中的电池单体进行状态检测,将通过检测的电池单体重新组装成电池组用于再次利用,但现有的检测方法在进行大量的电池单体的检测时存在效率较低,且准确性不高的问题。
为了解决上述问题,本申请实施例提供的动力电池梯度利用筛选方法,通过实时获取长波红外仪采集的电池组充电过程中的红外图像,电池组为退役的电池组,并对多个不同时刻下的红外图像进行网格化处理,得到与各红外图像对应的网格化红外图像,并确定多个不同时刻下各网格化红外图像中各网格的均方根温度,得到各网格在多个不同时刻下的均方根温度;最后通过获取各红外图像的平均温度,根据各网格在多个不同时刻下的均方根温度以及各网格所属的红外图像的平均温度,确定各网格对应的电池单体是否合格,确定出合格的电池单体用于梯度利用。本申请实施例提供的动力电池梯度利用筛选方法,通过将电池组的红外图像进行网格化处理,各网格与电池单体对应,这样在进行大量的电池单体的检测时能够提高检测效率和检测的准确性。
本申请实施例提供的动力电池梯度利用筛选方法的执行主体可以为电子设备,可选的,该电子设备可以为计算机设备,终端设备、控制芯片或微控制单元等,本申请对此不作具体限定。
基于上述执行主体,本申请实施例提供一种动力电池梯度利用筛选方法。如图1所示,该方法包括以下步骤:
步骤101、实时获取长波红外仪采集的电池组充电过程中的红外图像。
其中,电池组为退役的电池组。可以理解的是,在电池的梯次利用过程中,需要对回收的退役电池组中的电池单体进行状态检测,将通过检测的电池单体重新组装成电池组用于再次利用。
其中,对电池组进行充电的具体过程可以为:在开始充电之前,首先检测电池电压,若电池电压低于门限电压(2.5V左右),则以C/10的小电流对电池进行涓充充电,使电池电压缓慢上升;当电池电压达到门限电压时,进入恒流充电,在此阶段以较大的电流(0.5C~1C)强度对电池进行快速充电,电池电压上升较快,电池容量将达到其额定值的85%左右;在电池电压上升到上限电压(4.2V)后,电路切换到恒压充电模式,电池电压基本维持在4.2V,充电电流逐渐减小,充电速度变慢,这一阶段主要是保证电池充满,当充电电流降到0.1C或0.05C时,即判定电池充满。
充电过程中,采用长波红外仪对整个电池进行温度监测,如图2所示。设定长波红外仪工作帧频为2fps或者可以根据实际情况进行设置,本申请实施例不作具体限定。
步骤102、对多个不同时刻下的红外图像进行网格化处理,得到与各红外图像对应的网格化红外图像,并确定多个不同时刻下各网格化红外图像中各网格的均方根温度,得到各网格在多个不同时刻下的均方根温度。
步骤103、获取各红外图像的平均温度,根据各网格在多个不同时刻下的均方根温度以及各网格所属的红外图像的平均温度,确定各网格对应的电池单体是否合格,其中,合格的电池单体用于梯度利用。
本申请实施例提供的动力电池梯度利用筛选方法,通过实时获取长波红外仪采集的电池组充电过程中的红外图像,电池组为退役的电池组,并对多个不同时刻下的红外图像进行网格化处理,得到与各红外图像对应的网格化红外图像,并确定多个不同时刻下各网格化红外图像中各网格的均方根温度,得到各网格在多个不同时刻下的均方根温度;最后通过获取各红外图像的平均温度,根据各网格在多个不同时刻下的均方根温度以及各网格所属的红外图像的平均温度,确定各网格对应的电池单体是否合格,确定出合格的电池单体用于梯度利用。本申请实施例提供的动力电池梯度利用筛选方法,通过将电池组的红外图像进行网格化处理,各网格与电池单体对应,这样在进行大量的电池单体的检测时能够提高检测效率和检测的准确性。
可选的,对多个不同时刻下的红外图像进行网格化处理,包括:
根据电池单体的尺寸、长波红外仪距离电池组的距离、长波红外仪的焦距和长波红外仪的像元尺寸确定待划分的网格尺寸;根据网格尺寸将多个不同时刻下的红外图像划分为多个网格图像。
具体的,假定电池单体尺寸为a,热像仪距离电池组的距离为b,热像仪焦距为f,热像仪像元尺寸为c,则每个网格对应的像素数量N=[(a*f)/(b*c)]2。
因此对热像仪获取的二维图进行以d=(a*f)/b为边长的网格划分,即每个网格对应一个电池单体,具体如图3所示。
可选的,确定各网格化红外图像中各网格的均方根温度,包括:获取各红外图像网格化前的均方根温度和网格的边长;根据各红外图像网格化前的均方根温度和网格的边长,确定各网格化红外图像中各网格的均方根温度。
其中,各网格的均方根温度即为各网格的温度。具体的,可以对热像仪获取到的图像进行均方根运算,具体如下式所示。
其中T(m,n,k)为网格的均方根温度,N为网格内的总像元个数,N=[(a*f)/(b*c)]2,ti为网格化前每一个像元的温度,(m,n)为网格化后的坐标,与单体电池相对应,k为图像序列与拍摄时间相关。
可选的,根据各网格在多个不同时刻下的均方根温度以及各网格所属的红外图像的平均温度,确定各网格对应的电池单体是否合格,包括:针对各红外图像,根据各网格的均方根温度和各网格所属的红外图像的平均温度,从各网格中确定出多个备选网格;针对各备选网格,根据各备选网格在多个不同时刻下的均方根温度,确定各备选网格对应的电池单体是否合格。
其中,根据各网格的均方根温度和各网格所属的红外图像的平均温度,从各网格中确定出多个备选网格,包括:确定网格的均方根温度与网格所属的红外图像的平均温度之间的温度差值,得到温度差;确定温度差与平均温度的比值,得到温度比;若温度比小于第一预设阈值,则将网格确定为备选网格。
其中,根据检测期望值和预设期望值,确定各备选网格对应的电池单体是否合格,包括:确定检测期望值与预设期望值的差值,得到期望差值;确定期望差值与预设期望值的比值,若比值小于第二预设阈值,则确定备选网格对应的电池单体合格。
具体的,红外图像的平均温度记为W(k),其中k为图像序列与拍摄时间相关。若则T(m,n,k)对应的电池单体不合格,直接舍去。需要说明的是30%与梯度利用有关,若后续利用对电池性能要求较低,该指标可放宽至例如50%。
可选的,根据各备选网格在多个不同时刻下的均方根温度,确定各备选网格对应的电池单体是否合格,包括:根据各备选网格在多个不同时刻下的均方根温度得到各备选网格的温度变化曲线;确定温度变化曲线的二阶导的期望值,得到检测期望值;根据检测期望值和预设期望值,确定各备选网格对应的电池单体是否合格。
具体的,可以绘制每一个网格温度随时间变化的曲线,对其求一阶导T'(m,n,k),再求二阶导T”(m,n,k),并计算二阶导的期望E(m,n),若则判定(m,n)对应的单体电池不合格,直接舍去。需要说明的是,30%与梯度利用有关,若后续利用对电池性能要求较低,该指标可放宽至例如50%。
本申请实施例提供的动力电池梯度利用筛选方法,通过实时获取长波红外仪采集的电池组充电过程中的红外图像,电池组为退役的电池组,并对多个不同时刻下的红外图像进行网格化处理,得到与各红外图像对应的网格化红外图像,并确定多个不同时刻下各网格化红外图像中各网格的均方根温度,得到各网格在多个不同时刻下的均方根温度;最后通过获取各红外图像的平均温度,根据各网格在多个不同时刻下的均方根温度以及各网格所属的红外图像的平均温度,确定各网格对应的电池单体是否合格,确定出合格的电池单体用于梯度利用。本申请实施例提供的动力电池梯度利用筛选方法,通过将电池组的红外图像进行网格化处理,各网格与电池单体对应,这样在进行大量的电池单体的检测时能够提高检测效率和检测的准确性。
本申请实施例提供的动力电池梯度利用筛选方法,通过热像仪可一次性实现对大量电池单体的温度监测,可高效、快速对电池梯度利用进行筛选,并通过灵活调整热像仪数据的算法阈值,可实现针对不同场景下的动力电池梯度利用筛选。
如图4所示,本申请实施例还提供了一种动力电池梯度利用筛选装置,该装置包括:
获取模块11,用于实时获取长波红外仪采集的电池组充电过程中的红外图像,电池组为退役的电池组;
处理模块12,用于对多个不同时刻下的红外图像进行网格化处理,得到与各红外图像对应的网格化红外图像,并确定多个不同时刻下各网格化红外图像中各网格的均方根温度,得到各网格在多个不同时刻下的均方根温度;
确定模块13,用于获取各红外图像的平均温度,根据各网格在多个不同时刻下的均方根温度以及各网格所属的红外图像的平均温度,确定各网格对应的电池单体是否合格,其中,合格的电池单体用于梯度利用。
在一个实施例中,处理模块12具体用于:
根据电池单体的尺寸、长波红外仪距离电池组的距离、长波红外仪的焦距和长波红外仪的像元尺寸确定待划分的网格尺寸;
根据网格尺寸将多个不同时刻下的红外图像划分为多个网格图像。
在一个实施例中,处理模块12具体用于:
获取各红外图像网格化前的均方根温度和网格的边长;
根据各红外图像网格化前的均方根温度和网格的边长,确定各网格化红外图像中各网格的均方根温度。
在一个实施例中,确定模块13具体用于:
针对各红外图像,根据各网格的均方根温度和各网格所属的红外图像的平均温度,从各网格中确定出多个备选网格;
针对各备选网格,根据各备选网格在多个不同时刻下的均方根温度,确定各备选网格对应的电池单体是否合格。
在一个实施例中,确定模块13具体用于:
根据各备选网格在多个不同时刻下的均方根温度得到各备选网格的温度变化曲线;
确定温度变化曲线的二阶导的期望值,得到检测期望值;
根据检测期望值和预设期望值,确定各备选网格对应的电池单体是否合格。
在一个实施例中,确定模块13具体用于:
确定网格的均方根温度与网格所属的红外图像的平均温度之间的温度差值,得到温度差;
确定温度差与平均温度的比值,得到温度比;
若温度比小于第一预设阈值,则将网格确定为备选网格。
在一个实施例中,确定模块13具体用于:
确定检测期望值与预设期望值的差值,得到期望差值;
确定期望差值与预设期望值的比值,若比值小于第二预设阈值,则确定备选网格对应的电池单体合格。
本实施例提供的动力电池梯度利用筛选装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再多加赘述。
关于动力电池梯度利用筛选装置的具体限定可以参见上文中对于动力电池梯度利用筛选方法的限定,在此不再赘述。上述动力电池梯度利用筛选装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中,也可以以软件形式存储于电子设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
本申请的另一实施例中,还提供一种电子设备,包括存储器和处理器,存储器存储有计算机程序,计算机程序被处理器执行时实现如本申请实施例的动力电池梯度利用筛选方法的步骤。
本申请另一实施例中,还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如本申请实施例的动力电池梯度利用筛选方法的步骤。
本申请另一实施例中,还提供一种计算机程序产品,该计算机程序产品包括计算机指令,当计算机指令在动力电池梯度利用筛选装置上运行时,使得动力电池梯度利用筛选装置执行上述方法实施例所示的方法流程中动力电池梯度利用筛选方法执行的各个步骤。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时,可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机执行指令时,全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(digitalsubscriber line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如,软盘、硬盘、磁带),光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种动力电池梯度利用筛选方法,其特征在于,所述方法包括:
实时获取长波红外仪采集的电池组充电过程中的红外图像,所述电池组为退役的电池组;
对多个不同时刻下的红外图像进行网格化处理,得到与各所述红外图像对应的网格化红外图像,并确定多个不同时刻下各所述网格化红外图像中各网格的均方根温度,得到各所述网格在多个不同时刻下的均方根温度;
获取各所述红外图像的平均温度,针对各所述红外图像,根据各所述网格的均方根温度和各所述网格所属的红外图像的平均温度,从各所述网格中确定出多个备选网格;
针对各所述备选网格,根据各所述备选网格在多个不同时刻下的均方根温度得到各所述备选网格的温度变化曲线;确定所述温度变化曲线的二阶导的期望值,得到检测期望值;根据所述检测期望值和预设期望值,确定各所述备选网格对应的电池单体是否合格,其中,合格的电池单体用于梯度利用。
2.根据权利要求1所述的方法,其特征在于,所述对多个不同时刻下的红外图像进行网格化处理,包括:
根据所述电池单体的尺寸、所述长波红外仪距离所述电池组的距离、所述长波红外仪的焦距和所述长波红外仪的像元尺寸确定待划分的网格尺寸;
根据所述网格尺寸将多个不同时刻下的红外图像划分为多个网格图像。
3.根据权利要求1所述的方法,其特征在于,所述确定多个不同时刻下各所述网格化红外图像中各网格的均方根温度,包括:
获取各所述红外图像网格化前的均方根温度和所述网格的边长;
根据各所述红外图像网格化前的均方根温度和所述网格的边长,确定各所述网格化红外图像中各网格的均方根温度。
4.根据权利要求1所述的方法,其特征在于,所述根据各所述网格的均方根温度和各所述网格所属的红外图像的平均温度,从各所述网格中确定出多个备选网格,包括:
确定所述网格的均方根温度与所述网格所属的红外图像的平均温度之间的温度差值,得到温度差;
确定所述温度差与所述平均温度的比值,得到温度比;
若所述温度比小于第一预设阈值,则将所述网格确定为备选网格。
5.根据权利要求1所述的方法,其特征在于,所述根据所述检测期望值和预设期望值,确定各所述备选网格对应的电池单体是否合格,包括:
确定所述检测期望值与所述预设期望值的差值,得到期望差值;
确定所述期望差值与所述预设期望值的比值,若所述比值小于第二预设阈值,则确定所述备选网格对应的电池单体合格。
6.一种动力电池梯度利用筛选装置,其特征在于,所述装置包括:
获取模块,用于实时获取长波红外仪采集的电池组充电过程中的红外图像,所述电池组为退役的电池组;
处理模块,用于对多个不同时刻下的红外图像进行网格化处理,得到与各所述红外图像对应的网格化红外图像,并确定多个不同时刻下各所述网格化红外图像中各网格的均方根温度,得到各所述网格在多个不同时刻下的均方根温度;
确定模块,用于获取各所述红外图像的平均温度,针对各所述红外图像,根据各所述网格的均方根温度和各所述网格所属的红外图像的平均温度,从各所述网格中确定出多个备选网格;针对各所述备选网格,根据各所述备选网格在多个不同时刻下的均方根温度得到各所述备选网格的温度变化曲线;确定所述温度变化曲线的二阶导的期望值,得到检测期望值;根据所述检测期望值和预设期望值,确定各所述备选网格对应的电池单体是否合格,其中,合格的电池单体用于梯度利用。
7.一种电子设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述计算机程序被所述处理器执行时实现权利要求1至5任一项所述的动力电池梯度利用筛选方法。
8.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至5任一项所述的动力电池梯度利用筛选方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211126018.7A CN115421046B (zh) | 2022-09-16 | 2022-09-16 | 动力电池梯度利用筛选方法、装置、设备及存储介质 |
PCT/CN2023/082267 WO2024055548A1 (zh) | 2022-09-16 | 2023-03-17 | 动力电池梯度利用筛选方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211126018.7A CN115421046B (zh) | 2022-09-16 | 2022-09-16 | 动力电池梯度利用筛选方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115421046A CN115421046A (zh) | 2022-12-02 |
CN115421046B true CN115421046B (zh) | 2023-11-03 |
Family
ID=84204877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211126018.7A Active CN115421046B (zh) | 2022-09-16 | 2022-09-16 | 动力电池梯度利用筛选方法、装置、设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115421046B (zh) |
WO (1) | WO2024055548A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115421046B (zh) * | 2022-09-16 | 2023-11-03 | 广东邦普循环科技有限公司 | 动力电池梯度利用筛选方法、装置、设备及存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10304576A (ja) * | 1997-04-22 | 1998-11-13 | Sony Corp | 二次電池の温度試験方法 |
CN103056146A (zh) * | 2013-01-08 | 2013-04-24 | 佛山市邦普循环科技有限公司 | 一种废旧电池及其过程废料全自动破碎分选系统 |
CN108267799A (zh) * | 2017-12-29 | 2018-07-10 | 北京控制工程研究所 | 一种高精度红外探测器时间常数测试系统及方法 |
CN110412480A (zh) * | 2019-07-10 | 2019-11-05 | Oppo广东移动通信有限公司 | 电池筛选方法、装置及计算机存储介质和测试系统 |
CN111289910A (zh) * | 2020-03-12 | 2020-06-16 | 中国第一汽车股份有限公司 | 一种梯次电池的分级方法、装置、计算机设备及介质 |
CN111403836A (zh) * | 2020-03-26 | 2020-07-10 | 重庆金康赛力斯新能源汽车设计院有限公司 | 一种电池包温度检测系统以及方法 |
CN111483343A (zh) * | 2020-05-11 | 2020-08-04 | 王永宽 | 一种新能源汽车智能安全充电系统 |
CN111899256A (zh) * | 2020-08-12 | 2020-11-06 | 南京工程学院 | 一种基于红外图像热点特征聚类分析的退役锂电池筛选方法 |
CN111974709A (zh) * | 2020-06-30 | 2020-11-24 | 南京工程学院 | 基于温度变化聚类分析的退役动力锂电池筛选方法及系统 |
CN112051512A (zh) * | 2020-09-09 | 2020-12-08 | 傲普(上海)新能源有限公司 | 一种梯次利用分选方法及储能系统 |
CN113933734A (zh) * | 2021-09-02 | 2022-01-14 | 深圳大学 | 一种退役电池包内部单体参数的提取方法 |
CN114720899A (zh) * | 2021-12-06 | 2022-07-08 | 深圳普瑞赛思检测技术有限公司 | 退役电池梯次利用分选方法及系统、电子设备、存储介质 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2914461A1 (fr) * | 2007-03-29 | 2008-10-03 | Dgm Technologies Sarl | Procede de determination du nombre d'objets presents dans une zone surfacique donnee par thermographie infrarouge |
US20080272742A1 (en) * | 2007-05-01 | 2008-11-06 | William Stephen Hart | Method and apparatus for acquiring battery temperature measurements using stereographic or single sensor thermal imaging |
CN102755966B (zh) * | 2012-07-31 | 2014-04-09 | 河南省电力公司电力科学研究院 | 一种动力电池梯级利用分选评估方法 |
CN107481237B (zh) * | 2017-08-28 | 2019-11-08 | 南京邮电大学 | 一种基于多帧温度特性的红外阵列图像热斑检测方法 |
CN107845100B (zh) * | 2017-10-23 | 2020-05-05 | 浙江工业大学 | 一种储能系统锂电池堆三维立体温度场重构方法 |
CN110907038A (zh) * | 2019-11-07 | 2020-03-24 | 武汉多谱多勒科技有限公司 | 一种基于人工智能的电力设备红外热成像监测系统 |
CN111392368B (zh) * | 2020-06-03 | 2020-09-18 | 天津美腾科技股份有限公司 | 一种输送带损伤检测方法、装置、设备及存储介质 |
CN111740176B (zh) * | 2020-07-02 | 2021-10-26 | 南京工程学院 | 一种退役动力锂电池分选方法 |
CN111833319A (zh) * | 2020-07-02 | 2020-10-27 | 南京工程学院 | 一种基于红外视频的退役动力锂电池热点自动检测方法 |
CN111860404A (zh) * | 2020-07-28 | 2020-10-30 | 华润智慧能源有限公司 | 一种光伏板热斑定位方法及系统 |
KR20220029109A (ko) * | 2020-09-01 | 2022-03-08 | 삼성전자주식회사 | 배터리 상태 추정 방법 및 장치 |
CN113418617A (zh) * | 2021-07-15 | 2021-09-21 | 西安华控智能系统工程有限公司 | 一种风电场箱式变压器三维温度场测量与诊断方法 |
CN115421046B (zh) * | 2022-09-16 | 2023-11-03 | 广东邦普循环科技有限公司 | 动力电池梯度利用筛选方法、装置、设备及存储介质 |
-
2022
- 2022-09-16 CN CN202211126018.7A patent/CN115421046B/zh active Active
-
2023
- 2023-03-17 WO PCT/CN2023/082267 patent/WO2024055548A1/zh unknown
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH10304576A (ja) * | 1997-04-22 | 1998-11-13 | Sony Corp | 二次電池の温度試験方法 |
CN103056146A (zh) * | 2013-01-08 | 2013-04-24 | 佛山市邦普循环科技有限公司 | 一种废旧电池及其过程废料全自动破碎分选系统 |
CN108267799A (zh) * | 2017-12-29 | 2018-07-10 | 北京控制工程研究所 | 一种高精度红外探测器时间常数测试系统及方法 |
CN110412480A (zh) * | 2019-07-10 | 2019-11-05 | Oppo广东移动通信有限公司 | 电池筛选方法、装置及计算机存储介质和测试系统 |
CN111289910A (zh) * | 2020-03-12 | 2020-06-16 | 中国第一汽车股份有限公司 | 一种梯次电池的分级方法、装置、计算机设备及介质 |
CN111403836A (zh) * | 2020-03-26 | 2020-07-10 | 重庆金康赛力斯新能源汽车设计院有限公司 | 一种电池包温度检测系统以及方法 |
CN111483343A (zh) * | 2020-05-11 | 2020-08-04 | 王永宽 | 一种新能源汽车智能安全充电系统 |
CN111974709A (zh) * | 2020-06-30 | 2020-11-24 | 南京工程学院 | 基于温度变化聚类分析的退役动力锂电池筛选方法及系统 |
CN111899256A (zh) * | 2020-08-12 | 2020-11-06 | 南京工程学院 | 一种基于红外图像热点特征聚类分析的退役锂电池筛选方法 |
CN112051512A (zh) * | 2020-09-09 | 2020-12-08 | 傲普(上海)新能源有限公司 | 一种梯次利用分选方法及储能系统 |
CN113933734A (zh) * | 2021-09-02 | 2022-01-14 | 深圳大学 | 一种退役电池包内部单体参数的提取方法 |
CN114720899A (zh) * | 2021-12-06 | 2022-07-08 | 深圳普瑞赛思检测技术有限公司 | 退役电池梯次利用分选方法及系统、电子设备、存储介质 |
Non-Patent Citations (2)
Title |
---|
"退役锂电池梯次利用技术研究及热管理";李扬;《中国优秀硕士学位论文全文数据库》;全文 * |
"基于红外热成像技术的锂离子电池热特性试验研究";陈坤;《科学技术与工程》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115421046A (zh) | 2022-12-02 |
WO2024055548A1 (zh) | 2024-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10965138B2 (en) | Method, apparatus, and device for charging a battery and storage medium | |
CN107918103B (zh) | 一种基于灰色粒子滤波的锂离子电池剩余寿命预测方法 | |
Jiang et al. | Multi-kernel relevance vector machine with parameter optimization for cycling aging prediction of lithium-ion batteries | |
CN115421046B (zh) | 动力电池梯度利用筛选方法、装置、设备及存储介质 | |
CN110806546A (zh) | 电池健康评估方法、装置、存储介质及电子设备 | |
US11482876B2 (en) | Method, apparatus and system for controlling charging of a battery module | |
CN112104061A (zh) | 混合储能系统、混合储能系统能量分配方法及分配装置 | |
CN116953547A (zh) | 一种储能电池健康度评估方法、系统、设备及存储介质 | |
WO2018039900A1 (zh) | 电池的充电方法、装置及电池系统 | |
CN116743180B (zh) | 一种储能电源数据智能存储方法 | |
CN117825998A (zh) | 一种锂离子电池剩余寿命预测方法、系统、设备及介质 | |
CN115144681B (zh) | 电动自行车室内充电监测方法、装置、电子设备及介质 | |
CN115932614B (zh) | 一种锂电池储能系统充放电的电池荷电状态检测方法和系统 | |
CN114995545B (zh) | 一种车辆热管理系统的控制方法、装置、设备及介质 | |
CN114200315B (zh) | 剩余充电时间的预测方法、装置、电子设备和存储介质 | |
CN116008836A (zh) | 电池的短路检测方法、装置及存储介质 | |
CN115392123A (zh) | 二次电池物理模型的参数辨识方法、系统、设备及介质 | |
CN115267556A (zh) | 电池寿命衰降分析方法、存储介质及电子设备 | |
CN114189013A (zh) | 一种充电装置、充电方法及计算机可读存储介质 | |
CN116908694B (zh) | 一种家用储能系统的soh估算方法 | |
CN117368746B (zh) | 电池荷电状态的修正方法及装置、设备、存储介质 | |
CN117271196B (zh) | 一种智能交互平板的故障检测方法及系统 | |
CN113761025B (zh) | 储能电站电池数据异常的检测方法、系统、设备及介质 | |
CN117828408B (zh) | 一种储能容量数据处理方法及系统 | |
CN116593905B (zh) | 电池功率状态sop计算方法、装置、电子设备和存储介质 |
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 |