CN115616415B - 电池组状态的评估方法、装置、设备及存储介质 - Google Patents
电池组状态的评估方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115616415B CN115616415B CN202211553780.3A CN202211553780A CN115616415B CN 115616415 B CN115616415 B CN 115616415B CN 202211553780 A CN202211553780 A CN 202211553780A CN 115616415 B CN115616415 B CN 115616415B
- Authority
- CN
- China
- Prior art keywords
- battery pack
- current
- test item
- neural network
- voltage
- 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
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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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)
- Secondary Cells (AREA)
Abstract
本发明提供一种电池组状态的评估方法、装置、设备及存储介质,涉及电池检测技术领域,方法包括:检测电池组的n个测试项,得到各测试项的检测数据;将各测试项的检测数据输入至预先设置的第一神经网络中,得到第一神经网络输出的电池组的健康状态SOH,第一神经网络用于基于各测试项的检测数据,确定电池组的SOH;将各测试项的检测数据和电池组的SOH输入至预先设置的第二神经网络中,得到第二神经网络输出的电池组的剩余使用寿命RUL,第二神经网络用于基于各测试项的检测数据和电池组的SOH,确定电池组的RUL;基于SOH和/或RUL,评估电池组的当前状态。本发明实施例评估的电池组的当前状态更准确,提高了电池组的安全性。
Description
技术领域
本发明涉及电池检测技术领域,尤其涉及一种电池组状态的评估方法、装置、设备及存储介质。
背景技术
锂电池具有比能量高、重量轻、功率转换快等优点,大范围应用于电动自行车等领域。在使用过程中可能造成锂电池损坏,但由于无法透过电池外壳直观发现,故存在安全隐患,并且,由于锂电池储存有较多能量,这些能量可能会在瞬间释放,极易发生火灾和爆炸等事故,严重威胁人们的生命和财产安全。因此,需要对锂电池的状态进行深度检测,以发现具有隐患的电动车锂电池,预防危险的发生。
现有的锂电池健康度评价方案的检测项较少,几乎只针对电压做分析,且分析方法较为简易,难以全面的对锂电池进行深度的检测,导致得到的锂电池的当前状态的准确性差,对于电池的一些隐患难以发现,可能会对使用者造成危险,电池组的安全性差。
发明内容
本发明提供一种电池组状态的评估方法、装置、设备及存储介质,用以解决现有技术中电池组的安全性差的问题。
本发明提供一种电池组状态的评估方法,包括:
检测电池组的n个测试项,得到各所述测试项的检测数据;其中,n为大于1的整数,所述电池组包括至少两个单体电池;
将各所述测试项的检测数据输入至预先设置的第一神经网络中,得到所述第一神经网络输出的所述电池组的健康状态SOH,所述第一神经网络用于基于各所述测试项的检测数据,确定所述电池组的SOH;
将各所述测试项的检测数据和所述电池组的SOH输入至预先设置的第二神经网络中,得到所述第二神经网络输出的所述电池组的剩余使用寿命RUL,所述第二神经网络用于基于各所述测试项的检测数据和所述电池组的SOH,确定所述电池组的RUL;
基于所述SOH和/或RUL,评估所述电池组的当前状态。
根据本发明提供的一种电池组状态的评估方法,所述n个测试项包括以下至少一项:
电池组的总电压变化率测试项;
电池组的内阻测试项;
电池组异常产热测试项;
电池组的温度差值测试项;
电池组的温度变化率测试项。
根据本发明提供的一种电池组状态的评估方法,在所述n个测试项包括电池组的总电压变化率测试项的情况下,所述检测电池组的n个测试项,得到各所述测试项的检测数据,包括:
在所述电池组以第一电流放电的情况下,检测在第一时间内所述电池组两端的第一电压,得到所述第一时间内所述第一电压与时间之间的对应关系;
将所述对应关系,作为所述检测数据。
根据本发明提供的一种电池组状态的评估方法,在所述n个测试项包括电池组的内阻测试项的情况下,所述检测电池组的n个测试项,得到各所述测试项的检测数据,包括:
对所述电池组施加第二电流,测量所述电池组两端的第二电压;其中,所述第二电流为叠加直流电流与幅值一定的正弦电流得到的复合电流;
基于所述第二电流和所述第二电压,计算所述电池组的内阻值,作为所述检测数据。
根据本发明提供的一种电池组状态的评估方法,在所述将各所述测试项的检测数据输入至预先设置的第一神经网络中,得到所述第一神经网络输出的所述电池组的健康状态SOH之前,所述方法还包括:
通过恒流恒压充电的模式将实验电池组充满电,测量所述实验电池组的最大放电容量,作为第一放电容量;
通过恒流放电的模式将充满电的实验电池组的电压降至第一截止电压,测量所述实验电池组的放电容量,作为第二放电容量;
在所述第一放电容量与所述第二放电容量的差值连续P次满足第一条件的情况下,基于P次测量的第二放电容量,得到所述实验电池组的目标容量,P为大于1的整数;
用所述目标容量除以所述实验电池组的标称容量,得到所述实验电池组的目标SOH;
测量所述实验电池组的n个测试项,得到各所述测试项的第一数据;
将所述目标SOH和所述第一数据作为第一训练数据集,训练预先设置的第一候选网络,得到所述第一神经网络。
根据本发明提供的一种电池组状态的评估方法,在所述将各所述测试项的检测数据和所述电池组的SOH输入至预先设置的第二神经网络中,得到所述第二神经网络输出的所述电池组的剩余使用寿命RUL之前,所述方法还包括:
执行以下充放电步骤:
通过第三电流将实验电池组恒流充电至第二截止电压,再通过第三电压将所述实验电池组恒压充电至截止电流;
通过第四电流将所述实验电池组恒流放电至第三截止电压,再通过第五电流将所述实验电池组恒流放电至第四截止电压;其中,所述第三截止电压大于所述第四截止电压;
在执行所述充放电步骤的次数小于第一阈值的情况下,返回执行所述充放电步骤;
在执行所述充放电步骤的次数大于或等于所述第一阈值的情况下,测量所述实验电池组的n个测试项,得到各所述测试项的第二数据,测量所述实验电池组的目标RUL;
将所述目标SOH、目标RUL和所述第二数据作为第二训练数据集,训练预先设置的第二候选网络,得到所述第二神经网络。
本发明还提供一种电池组状态的评估装置,包括:
检测模块,用于检测电池组的n个测试项,得到各所述测试项的检测数据;其中,n为大于1的整数,所述电池组包括至少两个单体电池;
第一获取模块,用于将各所述测试项的检测数据输入至预先设置的第一神经网络中,得到所述第一神经网络输出的所述电池组的健康状态SOH,所述第一神经网络用于基于各所述测试项的检测数据,确定所述电池组的SOH;
第二获取模块,用于将各所述测试项的检测数据和所述电池组的SOH输入至预先设置的第二神经网络中,得到所述第二神经网络输出的所述电池组的剩余使用寿命RUL,所述第二神经网络用于基于各所述测试项的检测数据和所述电池组的SOH,确定所述电池组的RUL;
评估模块,用于基于所述SOH和/或RUL,评估所述电池组的当前状态。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述电池组状态的评估方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述电池组状态的评估方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述电池组状态的评估方法。
本发明提供的电池组状态的评估方法、装置、设备及存储介质,检测电池组的n个测试项,得到各测试项的检测数据,并将各测试项的检测数据输入至第一神经网络中,得到第一神经网络输出的电池组的SOH,再将各测试项的检测数据和电池组的SOH输入至第二神经网络中,得到第二神经网络输出的电池组的RUL,进而可以基于电池组的SOH和RUL评估电池组的当前状态;相较于相关技术中的锂电池健康度评价方案,本发明实施例利用n个测试项的检测数据,评估电池组的当前状态,并且,利用了第一神经网络和第二神经网络对各测试项的检测数据进行了分析处理,可以对电池组进行深度检测,得到更准确的电池组的当前状态,进而电池组的一些安全隐患得以及时发现,提高了电池组的安全性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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的附图。
图1是本发明提供的电池组状态的评估方法的流程示意图之一;
图2是本发明提供的电池组状态的评估方法中热电偶的部署位置示意图;
图3是本发明提供的电池组状态的评估方法中第一神经网络的模型结构示意图;
图4是本发明提供的电池组状态的评估方法中不同倍率放电条件下RUL测试的流程示意图;
图5是本发明提供的电池组状态的评估方法的流程示意图之二;
图6是本发明提供的电池组状态的评估装置的流程示意图;
图7是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明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。
下面结合附图描述本发明的电池组状态的评估方法、装置、设备及存储介质。
图1是本发明提供的电池组状态的评估方法的流程示意图之一,如图1所示,该方法包括步骤101至步骤104;其中:
步骤101、检测电池组的n个测试项,得到各所述测试项的检测数据;其中,n为大于1的整数,所述电池组包括至少两个单体电池;
步骤102、将各所述测试项的检测数据输入至预先设置的第一神经网络中,得到所述第一神经网络输出的所述电池组的SOH;
具体地,所述第一神经网络用于基于各所述测试项的检测数据,确定所述电池组的健康状态(State of Health,SOH);
步骤103、将各所述测试项的检测数据和所述电池组的SOH输入至预先设置的第二神经网络中,得到所述第二神经网络输出的所述电池组的RUL;
具体地,所述第二神经网络用于基于各所述测试项的检测数据和所述电池组的SOH,确定所述电池组的剩余使用寿命(Remaining Useful Life,RUL);
步骤104、基于所述SOH和/或RUL,评估所述电池组的当前状态。
具体地,相关技术中的锂电池健康度评价方案的检测项较少,几乎只针对电压做分析,且分析方法较为简易,难以全面的对锂电池进行深度的检测,导致得到的锂电池的当前状态的准确性差,对于电池的一些隐患难以发现,可能会对使用者造成危险,电池组的安全性差。
本发明实施例中,可以检测电池组的n个测试项,得到各测试项的检测数据,需要说明的是,本发明实施例是以电池组为单位进行检测的,无需对电池组进行拆解成单体电池进行测量,使用较为方便。
在得到各测试项的检测数据后,先将各测试项的检测数据输入至预先设置的第一神经网络,以由第一神经网络基于各测试项的检测数据,确定并输出的电池组的SOH,再将各测试项的检测数据和电池组的SOH,一同输入至预先设置的第二神经网络中,以由第二神经网络基于各测试项的检测数据和电池组的SOH,确定并输出电池组的RUL;
最后,可以基于电池组的SOH和/或RUL,评估电池组的当前状态;
例如,在电池组的SOH高于第一预设阈值的情况下,认为电池组的当前状态为合格;在电池组的SOH低于第一预设阈值的情况下,认为电池组的当前状态为不合格;
又例如,在电池组的SOH高于第一预设阈值,且电池组的RUL高于第二预设阈值的情况下,认为电池组的当前状态为合格,其中,第一预设阈值与第二预设阈值可以相同或不同。
可选地,电池组可以是锂电池组。
可选地,可以通过云边协同的方案实现电池组状态的评估,具体可以将各测试项的检测数据、预先设置的第一神经网络和第二神经网络上传至云服务器,以由云服务器执行上述步骤102至步骤104,云服务器相较于本地,可以更快速地计算出电池组的SOH和RUL,进而更快速地评估电池组的当前状态。可见,采用云边协同方案,可加快数据的处理速度并提高评估结果的准确性。
在本发明实施例提供的电池组状态的评估方法中,检测电池组的n个测试项,得到各测试项的检测数据,并将各测试项的检测数据输入至第一神经网络中,得到第一神经网络输出的电池组的SOH,再将各测试项的检测数据和电池组的SOH输入至第二神经网络中,得到第二神经网络输出的电池组的RUL,进而可以基于电池组的SOH和RUL评估电池组的当前状态;相较于相关技术中的锂电池健康度评价方案,本发明实施例利用n个测试项的检测数据,评估电池组的当前状态,并且,利用了第一神经网络和第二神经网络对各测试项的检测数据进行了分析处理,可以对电池组进行深度检测,得到更准确的电池组的当前状态,进而电池组的一些安全隐患得以及时发现,提高了电池组的安全性。
可选地,所述n个测试项可以包括以下至少一项:
1)电池组的总电压变化率测试项;
2)电池组的内阻测试项;
3)电池组异常产热测试项;
具体地,在实验阶段,可以使用温度测试仪器对实验电池组(标准电池组)进行检测,例如连接K型热电偶(0-1300 K)进行检测,图2是本发明提供的电池组状态的评估方法中热电偶的部署位置示意图,如图2所示,可以将热电偶布置于电池或电池组周身的7个点位,1点位设置在电池的正表面,2点位设置在电池的负表面,3点位设置在电池的正极,4点位设置在电池的负极,5点位设置在电池的底部中心,6点位设置在电池的正负极之间,7点位设置在电池的上方5cm处。
在测量电池组的充、放电曲线的同时,可以全程进行时间-温度对应关系的检测。在绝热板上放置加热板及锂电池;例如可以在电池及电极表面布置热电偶进行温度检测,同时在电池正负极连接电压测试装置。
检测电池组是否异常产热时,可以选取上述至少一个点位,作为电池组异常产热数据的采集位点;
先根据选取的点位在实验电池组上布置热电偶,可选地,也可以布置热敏电阻,在实验电池组以0.3C的电流放电10min的时间段内,可以同时测得时间-温度对应关系的曲线并存储,作为实验数据。
再根据选取的点位在待检测的电池组上布置热电偶,在电池组以0.3C的电流放电10min的时间段内,可以同时测得时间-温度对应关系的曲线并存储,作为检测数据;
通过比对实验数据和检测数据,可以确定待检测的电池组属于异常产热或非异常产热情况。
在一个实施例中,可以使用红外线测量各个单体电池的温度,由于不同状态的单体电池的温度会有差异,故可以基于测量到的各个单体电池的温度确定各个单体电池的寿命,进而单体电池的寿命会影响整体电池组的电池健康度和剩余寿命。
4)电池组的温度差值测试项;
具体地,通过3)中电池组异常产热测试项测得的时间-温度对应关系的曲线,可以求得电池组在10min内温度的差值,再与实验室测得实验电池组的时间-温度对应关系的曲线在某一段10min内的温度的差值作对比,可以确定待检测的电池组是否为温升过快的情况。
5)电池组的温度变化率测试项。
具体地,通过3)中电池组异常产热测试项测得的时间-温度对应关系的曲线,可以求得时间-温度对应关系的曲线的斜率,与实验室测得实验电池组的时间-温度对应关系的曲线的斜率作对比,可以确定待检测的电池组是否为温差过大的情况。
可选地,在所述n个测试项包括电池组的总电压变化率测试项的情况下,所述检测电池组的n个测试项,得到各所述测试项的检测数据的实现方式可以包括:
在所述电池组以第一电流放电的情况下,检测在第一时间内所述电池组两端的第一电压,得到所述第一时间内所述第一电压与时间之间的对应关系;
将所述对应关系,作为所述检测数据。
可选地,第一电流可以为正常放电电流(0.3C),第一时间可以为10min。
具体地,在实验阶段,可以对实验电池组进行多次不同倍率条件下的充放电测量实验,初步判定需要对实验电池组进行0.3C、0.5C、1C、1.5C、2C倍率条件下的充放电循环测试,得出不同倍率、不同寿命阶段的实验电池组的充放电曲线。
在检测电池组的总电压变化率测试项时,可以控制待检测的电池组在正常放电电流(0.3C)条件下放电10min,并且准确记录电池组在放电时间段内电压数据的能力(精度可达到0.005V),并存储该10min内电池组对应的时间-电压曲线,作为检测数据,以供后续第一神经网络使用。
可选地,可以将待检测的电池组对应的时间-电压曲线,与基于实验室测量的0.3C对应的实验电池组的充放电曲线,得到的电压变化率阈值作对比,一旦超出该阈值,则可以认为电池组的总电压变化速率过快,这可以作为评估电池组的当前状态的参考因素。
可选地,在所述n个测试项包括电池组的内阻测试项的情况下,所述检测电池组的n个测试项,得到各所述测试项的检测数据的实现方式可以包括:
对所述电池组施加第二电流,测量所述电池组两端的第二电压;其中,所述第二电流为叠加直流电流与幅值一定的正弦电流得到的复合电流;
基于所述第二电流和所述第二电压,计算所述电池组的内阻值,作为所述检测数据。
具体地,可以通过恒电流法测试锂电池组的内阻,先对锂电池组施加一个由直流电流(可以为0)与一个幅值确定的正弦电流信号叠加的复合电流(第二电流)作为激励,同时测量锂电池组的电压信号响应,根据电压和电流的比值计算阻抗。将获得的内阻值与通过实验获得正常状态下锂电池的内阻阈值数据进行比较,判断当前电池的内阻是否正常,是否存在内短路问题。
可选地,在所述将各所述测试项的检测数据输入至预先设置的第一神经网络中,得到所述第一神经网络输出的所述电池组的健康状态SOH之前,可以先训练得到第一神经网络,具体训练过程包括以下步骤:
通过恒流恒压充电的模式将实验电池组充满电,测量所述实验电池组的最大放电容量,作为第一放电容量;
通过恒流放电的模式将充满电的实验电池组的电压降至第一截止电压,测量所述实验电池组的放电容量,作为第二放电容量;
在所述第一放电容量与所述第二放电容量的差值连续P次满足第一条件的情况下,基于P次测量的第二放电容量,得到所述实验电池组的目标容量,P为大于1的整数;
用所述目标容量除以所述实验电池组的标称容量,得到所述实验电池组的目标SOH;
测量所述实验电池组的n个测试项,得到各所述测试项的第一数据;
将所述目标SOH和所述第一数据作为第一训练数据集,训练预先设置的第一候选网络,得到所述第一神经网络。
具体地,在实验室阶段,单次数据的测量流程为:将锂电池组在标准电流下用恒流恒压的模式充满电,连续三次测量锂电池组的最大放电容量,作为第一放电容量;
再通过恒流放电的模式将锂电池组的电压降至第一截止电压,连续三次测试锂电池组的放电容量,若这三次测试的放电容量(第二放电容量)与三次测试的第一放电容量的均值的偏差在2%以内,则本次的最大可用容量测试结果有效,满足可用容量测试的确认条件,并取这三次测试结果的平均值作为锂电池组的当前可用容量C,即可以理解为是实验电池组的目标容量;否则,需要继续测试,直至连续三次的放电容量满足可用容量的确认条件。
再用实验电池组的目标容量除以实验电池组的标称容量,即可得到实验电池组的目标SOH。
对各种健康状态的电动自行车锂电池组进行大量恒流放电实验,即对不同目标SOH的实验电池组进行上述实验过程,并记录不同目标SOH的实验电池组对应的各测试项的实验数据,作为实验数据集,并将实验数据集分为训练集(第一训练数据集)和测试集,通过训练集训练第一候选网络,可以再通过测试集对训练结果进行检验,得到第一神经网络。
需要说明的是,第一训练数据集的每个训练样本可以为,其中向量是训练样本的特征,由放电实验数据组成,而是训练样本的目标值(目标SOH)。
下面对第一神经网络的模型结构进行说明。图3是本发明提供的电池组状态的评估方法中第一神经网络的模型结构示意图,如图3所示,第一神经网络的输入层节点用i表征,隐藏层节点用j表征,输出层节点用k表征;
对于第一神经网络的输出层节点k,采用公式(1)计算输出层节点k的误差项:
其中,表征输出层节点k的输出值,表征训练样本中输出层节点k对应的目标值;
对于第一神经网络的隐藏层节点j,以第一神经网络包括1层隐藏层为例,采用公式(2)计算隐藏层节点j的误差项:
其中,表征隐藏层节点j的输出值,表征隐藏层节点j到输出层节点k的连接的权重,表征输出层节点k的个数;
采用公式(3)更新输入层节点i与隐藏层节点j之间每个连接上的权重:
其中,表征输入层节点i到隐藏层节点j的权重,表征一个成为学习速率的常数,表征输入层节点i传递给隐藏层节点j的输入;
更新隐藏层节点j与输出层节点k之间每个连接上的权重,更新公式与公式(3)同理,在此不再赘述。
在训练好得到第一神经网络后,可以将各测试项的检测数据输入至第一神经网络,例如将存储的锂电池组在0.3C放电10min的时间-电压曲线输入第一神经网络,可以得到该锂电池组的健康状态(SOH)。
可选地,在所述将各所述测试项的检测数据和所述电池组的SOH输入至预先设置的第二神经网络中,得到所述第二神经网络输出的所述电池组的剩余使用寿命RUL之前,可以先训练得到第二神经网络,具体训练过程包括以下步骤:
执行以下充放电步骤:
通过第三电流将实验电池组恒流充电至第二截止电压,再通过第三电压将所述实验电池组恒压充电至截止电流;
通过第四电流将所述实验电池组恒流放电至第三截止电压,再通过第五电流将所述实验电池组恒流放电至第四截止电压;其中,所述第三截止电压大于所述第四截止电压;
在执行所述充放电步骤的次数小于第一阈值的情况下,返回执行所述充放电步骤;
在执行所述充放电步骤的次数大于或等于所述第一阈值的情况下,测量所述实验电池组的n个测试项,得到各所述测试项的第二数据,测量所述实验电池组的目标RUL;
将所述目标SOH、目标RUL和所述第二数据作为第二训练数据集,训练预先设置的第二候选网络,得到所述第二神经网络。
具体地,可以通过实验进行不同倍率放电条件下实验电池组的RUL测试,图4是本发明提供的电池组状态的评估方法中不同倍率放电条件下RUL测试的流程示意图,如图4所示;
(1)通过恒流恒压(Constant current Constant voltage,CCCV)将实验电池组充满电;
具体地,可以以0.5C恒流对实验电池组充电,直至实验电池组的电压升至第二截止电压(上截止电压),再恒压对实验电池组充电,直至实验电池组的电流升至截止电流0.05C;
(2)静置5min;
(3)分别以1C、2C、3.5C作为第四电流,将实验电池组放电至第三截止电压(下截止电压),再以0.5C作为第五电流,将实验电池组放电至第四截止电压;
(4)判断循环次数是否大于或等于第一阈值,第一阈值例如为100;
(5)若循环次数小于100,则静置5min,并返回(1);
(6)若循环次数大于或等于第一阈值,则对实验电池组进行一次常规电性能测试和交流阻抗测试,例如测量实验电池组的n个测试项,得到各测试项的第二数据,并测量实验电池组的目标RUL;
可选地,每100个循环进行一次常规电性能测试和交流阻抗测试。
在获取各测试项的第二数据和目标RUL后,可以将目标SOH、目标RUL和第二数据作为第二训练数据集,训练第二候选网络得到第二神经网络。
需要说明的是,第二训练数据集的每个训练样本可以为,其中向量是训练样本的特征,由放电实验数据组成,放电实验数据包括电压、内阻、温度、SOH等检测数据,而是训练样本的目标值(目标RUL)。
还需要说明的是,第一截止电压、第二截止电压、第三截止电压及第四截止电压可以相同或不同。
可选地,第二神经网络的模型结构,可以与第一神经网络的模型结构相同。
下面举例说明本发明实施例提供的电池组状态的评估方法。
本发明实施例提供的电池组状态的评估方法可以应用于检测设备,在将检测设备和锂电池组连接时,首先进行依次测量电压、温度,获得锂电池组的总电压变化率、锂电池组的内阻值、温度差值及温度变化率,通过神经网络算法获得锂电池组的SOH值和RUL值。
图5是本发明提供的电池组状态的评估方法的流程示意图之二,如图5所示,该方法包括步骤501至步骤507;其中:
步骤501、测试电动自行车锂电池组的总电压变化率;
步骤502、测试电动自行车锂电池组的内阻值;
步骤503、测试电动自行车锂电池组的温度值;
步骤504、计算电动自行车锂电池组的温度差值;
步骤505、计算电动自行车锂电池组的温度变化率;
步骤506、根据第一神经网络获得锂电池组的SOH值;
步骤507、根据第二神经网络获得锂电池组的RUL值。
本发明实施例中,针对电动车锂电池组的安全性,解决了现有技术检测项较少、对电池组的检测不全面等问题,提出一种电池组状态的评估方法,该方法通过获得电池组的总电压变化率、电池组的内阻值、电池组的温度值、电池组的温度差值、电池组的温度变化率等数据,通过神经网络算法计算得到电池组的SOH、电池组的RUL,可在三十分钟之内给出电池的状态的检测结果。
本发明实施例提供的电池组状态的评估方法,存在以下有益效果:
1)该方案针对锂电池组进行深度检测,只需连接电池的充放电接口(一些电池需要连接数据通信线),可直接检测电动自行车锂电池组,进而可以避免出现无法直接测量单体电池的情况,防止由于拆解电池组对电池组上的伤害;
2)该方案在三十分钟内即可完成全部测试项,并得出评估结果;
3)该方案通过前期实验获得数据,并将数据输入神经网络算法,训练出锂电池组的第一神经网络和第二神经网络,可以有效提高电池组的SOH和RUL的准确性,进而提高评估电池组的当前状态的准确性,提高了电池组的安全性;
4)该方案可以采用云边协同方案,可加快数据的处理速度并提高结果的准确性。
下面对本发明提供的电池组状态的评估装置进行描述,下文描述的电池组状态的评估装置与上文描述的电池组状态的评估方法可相互对应参照。
图6是本发明提供的电池组状态的评估装置的流程示意图,如图6所示,电池组状态的评估装置600包括:
检测模块601,用于检测电池组的n个测试项,得到各所述测试项的检测数据;其中,n为大于1的整数,所述电池组包括至少两个单体电池;
第一获取模块602,用于将各所述测试项的检测数据输入至预先设置的第一神经网络中,得到所述第一神经网络输出的所述电池组的健康状态SOH,所述第一神经网络用于基于各所述测试项的检测数据,确定所述电池组的SOH;
第二获取模块603,用于将各所述测试项的检测数据和所述电池组的SOH输入至预先设置的第二神经网络中,得到所述第二神经网络输出的所述电池组的剩余使用寿命RUL,所述第二神经网络用于基于各所述测试项的检测数据和所述电池组的SOH,确定所述电池组的RUL;
评估模块604,用于基于所述SOH和/或RUL,评估所述电池组的当前状态。
在本发明实施例提供的电池组状态的评估装置中,由检测模块检测电池组的n个测试项,得到各测试项的检测数据,并由第一获取模块将各测试项的检测数据输入至第一神经网络中,得到第一神经网络输出的电池组的SOH,再由第二获取模块将各测试项的检测数据和电池组的SOH输入至第二神经网络中,得到第二神经网络输出的电池组的RUL,进而评估模块可以基于电池组的SOH和RUL评估电池组的当前状态;相较于相关技术中的锂电池健康度评价方案,本发明实施例利用n个测试项的检测数据,评估电池组的当前状态,并且,利用了第一神经网络和第二神经网络对各测试项的检测数据进行了分析处理,可以对电池组进行深度检测,得到更准确的电池组的当前状态,进而电池组的一些安全隐患得以及时发现,提高了电池组的安全性。
可选地,所述n个测试项可以包括以下至少一项:
1)电池组的总电压变化率测试项;
2)电池组的内阻测试项;
3)电池组异常产热测试项;
4)电池组的温度差值测试项;
5)电池组的温度变化率测试项。
可选地,在所述n个测试项包括电池组的总电压变化率测试项的情况下,检测模块601具体用于:
在所述电池组以第一电流放电的情况下,检测在第一时间内所述电池组两端的第一电压,得到所述第一时间内所述第一电压与时间之间的对应关系;
将所述对应关系,作为所述检测数据。
可选地,在所述n个测试项包括电池组的内阻测试项的情况下,检测模块601具体用于:
对所述电池组施加第二电流,测量所述电池组两端的第二电压;其中,所述第二电流为叠加直流电流与幅值一定的正弦电流得到的复合电流;
基于所述第二电流和所述第二电压,计算所述电池组的内阻值,作为所述检测数据。
可选地,电池组状态的评估装置600还包括:训练模块,用于:
通过恒流恒压充电的模式将实验电池组充满电,测量所述实验电池组的最大放电容量,作为第一放电容量;
通过恒流放电的模式将充满电的实验电池组的电压降至第一截止电压,测量所述实验电池组的放电容量,作为第二放电容量;
在所述第一放电容量与所述第二放电容量的差值连续P次满足第一条件的情况下,基于P次测量的第二放电容量,得到所述实验电池组的目标容量,P为大于1的整数;
用所述目标容量除以所述实验电池组的标称容量,得到所述实验电池组的目标SOH;
测量所述实验电池组的n个测试项,得到各所述测试项的第一数据;
将所述目标SOH和所述第一数据作为第一训练数据集,训练预先设置的第一候选网络,得到所述第一神经网络。
可选地,训练模块还用于:
执行以下充放电步骤:
通过第三电流将实验电池组恒流充电至第二截止电压,再通过第三电压将所述实验电池组恒压充电至截止电流;
通过第四电流将所述实验电池组恒流放电至第三截止电压,再通过第五电流将所述实验电池组恒流放电至第四截止电压;其中,所述第三截止电压大于所述第四截止电压;
在执行所述充放电步骤的次数小于第一阈值的情况下,返回执行所述充放电步骤;
在执行所述充放电步骤的次数大于或等于所述第一阈值的情况下,测量所述实验电池组的n个测试项,得到各所述测试项的第二数据,测量所述实验电池组的目标RUL;
将所述目标SOH、目标RUL和所述第二数据作为第二训练数据集,训练预先设置的第二候选网络,得到所述第二神经网络。
图7是本发明提供的电子设备的结构示意图,如图7所示,该电子设备可以包括:处理器(processor)710、通信接口(Communications Interface)720、存储器(memory)730和通信总线740,其中,处理器710,通信接口720,存储器730通过通信总线740完成相互间的通信。处理器710可以调用存储器730中的逻辑指令,以执行电池组状态的评估方法,该方法包括:
检测电池组的n个测试项,得到各所述测试项的检测数据;其中,n为大于1的整数,所述电池组包括至少两个单体电池;
将各所述测试项的检测数据输入至预先设置的第一神经网络中,得到所述第一神经网络输出的所述电池组的健康状态SOH,所述第一神经网络用于基于各所述测试项的检测数据,确定所述电池组的SOH;
将各所述测试项的检测数据和所述电池组的SOH输入至预先设置的第二神经网络中,得到所述第二神经网络输出的所述电池组的剩余使用寿命RUL,所述第二神经网络用于基于各所述测试项的检测数据和所述电池组的SOH,确定所述电池组的RUL;
基于所述SOH和/或RUL,评估所述电池组的当前状态。
此外,上述的存储器730中的逻辑指令可以通过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、移动硬盘、只读存储器(ROM,Read-Only Memory)、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。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的电池组状态的评估方法,该方法包括:
检测电池组的n个测试项,得到各所述测试项的检测数据;其中,n为大于1的整数,所述电池组包括至少两个单体电池;
将各所述测试项的检测数据输入至预先设置的第一神经网络中,得到所述第一神经网络输出的所述电池组的健康状态SOH,所述第一神经网络用于基于各所述测试项的检测数据,确定所述电池组的SOH;
将各所述测试项的检测数据和所述电池组的SOH输入至预先设置的第二神经网络中,得到所述第二神经网络输出的所述电池组的剩余使用寿命RUL,所述第二神经网络用于基于各所述测试项的检测数据和所述电池组的SOH,确定所述电池组的RUL;
基于所述SOH和/或RUL,评估所述电池组的当前状态。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的电池组状态的评估方法,该方法包括:
检测电池组的n个测试项,得到各所述测试项的检测数据;其中,n为大于1的整数,所述电池组包括至少两个单体电池;
将各所述测试项的检测数据输入至预先设置的第一神经网络中,得到所述第一神经网络输出的所述电池组的健康状态SOH,所述第一神经网络用于基于各所述测试项的检测数据,确定所述电池组的SOH;
将各所述测试项的检测数据和所述电池组的SOH输入至预先设置的第二神经网络中,得到所述第二神经网络输出的所述电池组的剩余使用寿命RUL,所述第二神经网络用于基于各所述测试项的检测数据和所述电池组的SOH,确定所述电池组的RUL;
基于所述SOH和/或RUL,评估所述电池组的当前状态。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是: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 (4)
1.一种电池组状态的评估方法,其特征在于,包括:
检测电池组的n个测试项,得到各所述测试项的检测数据;其中,n为大于1的整数,所述电池组包括至少两个单体电池;
将各所述测试项的检测数据输入至预先设置的第一神经网络中,得到所述第一神经网络输出的所述电池组的健康状态SOH,所述第一神经网络用于基于各所述测试项的检测数据,确定所述电池组的SOH;
将各所述测试项的检测数据和所述电池组的SOH输入至预先设置的第二神经网络中,得到所述第二神经网络输出的所述电池组的剩余使用寿命RUL,所述第二神经网络用于基于各所述测试项的检测数据和所述电池组的SOH,确定所述电池组的RUL;
基于所述SOH和/或RUL,评估所述电池组的当前状态;
其中,所述n个测试项包括以下至少一项:
电池组的总电压变化率测试项;
电池组的内阻测试项;
电池组异常产热测试项;
电池组的温度差值测试项;
电池组的温度变化率测试项;
在所述n个测试项包括电池组的总电压变化率测试项的情况下,所述检测电池组的n个测试项,得到各所述测试项的检测数据,包括:
在所述电池组以第一电流放电的情况下,检测在第一时间内所述电池组两端的第一电压,得到所述第一时间内所述第一电压与时间之间的对应关系;
将所述对应关系,作为所述检测数据;
在所述n个测试项包括电池组的内阻测试项的情况下,所述检测电池组的n个测试项,得到各所述测试项的检测数据,包括:
对所述电池组施加第二电流,测量所述电池组两端的第二电压;其中,所述第二电流为叠加直流电流与幅值一定的正弦电流得到的复合电流;
基于所述第二电流和所述第二电压,计算所述电池组的内阻值,作为所述检测数据;
在所述将各所述测试项的检测数据输入至预先设置的第一神经网络中,得到所述第一神经网络输出的所述电池组的健康状态SOH之前,所述方法还包括:
通过恒流恒压充电的模式将实验电池组充满电,测量所述实验电池组的最大放电容量,作为第一放电容量;
通过恒流放电的模式将充满电的实验电池组的电压降至第一截止电压,测量所述实验电池组的放电容量,作为第二放电容量;
在所述第一放电容量与所述第二放电容量的差值连续P次满足第一条件的情况下,基于P次测量的第二放电容量,得到所述实验电池组的目标容量,P为大于1的整数;
用所述目标容量除以所述实验电池组的标称容量,得到所述实验电池组的目标SOH;
测量所述实验电池组的n个测试项,得到各所述测试项的第一数据;
将所述目标SOH和所述第一数据作为第一训练数据集,训练预先设置的第一候选网络,得到所述第一神经网络;
在所述将各所述测试项的检测数据和所述电池组的SOH输入至预先设置的第二神经网络中,得到所述第二神经网络输出的所述电池组的剩余使用寿命RUL之前,所述方法还包括:
执行以下充放电步骤:
通过第三电流将实验电池组恒流充电至第二截止电压,再通过第三电压将所述实验电池组恒压充电至截止电流;
通过第四电流将所述实验电池组恒流放电至第三截止电压,再通过第五电流将所述实验电池组恒流放电至第四截止电压;其中,所述第三截止电压大于所述第四截止电压;
在执行所述充放电步骤的次数小于第一阈值的情况下,返回执行所述充放电步骤;
在执行所述充放电步骤的次数大于或等于所述第一阈值的情况下,测量所述实验电池组的n个测试项,得到各所述测试项的第二数据,测量所述实验电池组的目标RUL;
将所述目标SOH、目标RUL和所述第二数据作为第二训练数据集,训练预先设置的第二候选网络,得到所述第二神经网络。
2.一种电池组状态的评估装置,其特征在于,包括:
检测模块,用于检测电池组的n个测试项,得到各所述测试项的检测数据;其中,n为大于1的整数,所述电池组包括至少两个单体电池;
第一获取模块,用于将各所述测试项的检测数据输入至预先设置的第一神经网络中,得到所述第一神经网络输出的所述电池组的健康状态SOH,所述第一神经网络用于基于各所述测试项的检测数据,确定所述电池组的SOH;
第二获取模块,用于将各所述测试项的检测数据和所述电池组的SOH输入至预先设置的第二神经网络中,得到所述第二神经网络输出的所述电池组的剩余使用寿命RUL,所述第二神经网络用于基于各所述测试项的检测数据和所述电池组的SOH,确定所述电池组的RUL;
评估模块,用于基于所述SOH和/或RUL,评估所述电池组的当前状态;
其中,所述n个测试项包括以下至少一项:
电池组的总电压变化率测试项;
电池组的内阻测试项;
电池组异常产热测试项;
电池组的温度差值测试项;
电池组的温度变化率测试项;
在所述n个测试项包括电池组的总电压变化率测试项的情况下,所述检测模块具体用于:
在所述电池组以第一电流放电的情况下,检测在第一时间内所述电池组两端的第一电压,得到所述第一时间内所述第一电压与时间之间的对应关系;
将所述对应关系,作为所述检测数据;
在所述n个测试项包括电池组的内阻测试项的情况下,所述检测模块具体用于:
对所述电池组施加第二电流,测量所述电池组两端的第二电压;其中,所述第二电流为叠加直流电流与幅值一定的正弦电流得到的复合电流;
基于所述第二电流和所述第二电压,计算所述电池组的内阻值,作为所述检测数据;
所述装置还包括:训练模块,用于:
通过恒流恒压充电的模式将实验电池组充满电,测量所述实验电池组的最大放电容量,作为第一放电容量;
通过恒流放电的模式将充满电的实验电池组的电压降至第一截止电压,测量所述实验电池组的放电容量,作为第二放电容量;
在所述第一放电容量与所述第二放电容量的差值连续P次满足第一条件的情况下,基于P次测量的第二放电容量,得到所述实验电池组的目标容量,P为大于1的整数;
用所述目标容量除以所述实验电池组的标称容量,得到所述实验电池组的目标SOH;
测量所述实验电池组的n个测试项,得到各所述测试项的第一数据;
将所述目标SOH和所述第一数据作为第一训练数据集,训练预先设置的第一候选网络,得到所述第一神经网络;
所述训练模块还用于:
执行以下充放电步骤:
通过第三电流将实验电池组恒流充电至第二截止电压,再通过第三电压将所述实验电池组恒压充电至截止电流;
通过第四电流将所述实验电池组恒流放电至第三截止电压,再通过第五电流将所述实验电池组恒流放电至第四截止电压;其中,所述第三截止电压大于所述第四截止电压;
在执行所述充放电步骤的次数小于第一阈值的情况下,返回执行所述充放电步骤;
在执行所述充放电步骤的次数大于或等于所述第一阈值的情况下,测量所述实验电池组的n个测试项,得到各所述测试项的第二数据,测量所述实验电池组的目标RUL;
将所述目标SOH、目标RUL和所述第二数据作为第二训练数据集,训练预先设置的第二候选网络,得到所述第二神经网络。
3.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1所述电池组状态的评估方法。
4.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1所述电池组状态的评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211553780.3A CN115616415B (zh) | 2022-12-06 | 2022-12-06 | 电池组状态的评估方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211553780.3A CN115616415B (zh) | 2022-12-06 | 2022-12-06 | 电池组状态的评估方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115616415A CN115616415A (zh) | 2023-01-17 |
CN115616415B true CN115616415B (zh) | 2023-04-07 |
Family
ID=84880982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211553780.3A Active CN115616415B (zh) | 2022-12-06 | 2022-12-06 | 电池组状态的评估方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115616415B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222431A (zh) * | 2019-06-11 | 2019-09-10 | 哈尔滨工业大学 | 基于门控循环单元神经网络和卡尔曼滤波模型融合的锂离子电池剩余寿命预测方法 |
CN110568359A (zh) * | 2019-09-04 | 2019-12-13 | 太原理工大学 | 一种锂电池剩余寿命预测方法 |
CN110824364A (zh) * | 2019-10-24 | 2020-02-21 | 重庆邮电大学 | 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法 |
CN111157897A (zh) * | 2019-12-31 | 2020-05-15 | 国网北京市电力公司 | 评估动力电池的方法、装置、存储介质及处理器 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10209314B2 (en) * | 2016-11-21 | 2019-02-19 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
CN112684346B (zh) * | 2020-12-10 | 2023-06-20 | 西安理工大学 | 基于遗传卷积神经网络的锂电池健康状态估计方法 |
CN113740739B (zh) * | 2021-07-22 | 2023-05-02 | 西安交通大学 | 一种车载起动型免维护铅酸蓄电池剩余寿命预测方法 |
CN113777496B (zh) * | 2021-09-06 | 2023-10-24 | 北京化工大学 | 基于时间卷积神经网络的锂离子电池剩余寿命预测方法 |
CN114578251A (zh) * | 2022-03-04 | 2022-06-03 | 国网安徽省电力有限公司电力科学研究院 | 基于卷积神经网络的电池模组安全状态评估方法及装置 |
CN114742203A (zh) * | 2022-03-31 | 2022-07-12 | 武汉理工大学 | 基于混合机器学习方法的锂电池状态预测方法、系统和介质 |
CN115267586A (zh) * | 2022-07-11 | 2022-11-01 | 国网综合能源服务集团有限公司 | 锂电池soh评估方法 |
-
2022
- 2022-12-06 CN CN202211553780.3A patent/CN115616415B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222431A (zh) * | 2019-06-11 | 2019-09-10 | 哈尔滨工业大学 | 基于门控循环单元神经网络和卡尔曼滤波模型融合的锂离子电池剩余寿命预测方法 |
CN110568359A (zh) * | 2019-09-04 | 2019-12-13 | 太原理工大学 | 一种锂电池剩余寿命预测方法 |
CN110824364A (zh) * | 2019-10-24 | 2020-02-21 | 重庆邮电大学 | 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法 |
CN111157897A (zh) * | 2019-12-31 | 2020-05-15 | 国网北京市电力公司 | 评估动力电池的方法、装置、存储介质及处理器 |
Also Published As
Publication number | Publication date |
---|---|
CN115616415A (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | A fractional-order model-based battery external short circuit fault diagnosis approach for all-climate electric vehicles application | |
Wu et al. | A novel state of health estimation method of Li-ion battery using group method of data handling | |
US9366732B2 (en) | Estimation of state-of-health in batteries | |
Watrin et al. | Multiphysical lithium-based battery model for use in state-of-charge determination | |
WO2021143592A1 (zh) | 电池等效电路模型的建立方法、健康状态估算方法及装置 | |
US11846675B2 (en) | Battery temperature estimation method and apparatus, electronic device, and storage medium | |
Cheng et al. | State‐of‐charge estimation with aging effect and correction for lithium‐ion battery | |
CN114137417B (zh) | 一种基于充电数据特征的电池内短路检测方法 | |
CN115032542A (zh) | 一种基于混合模型的储能系统电池热失控预判方法 | |
Hossain et al. | A parameter extraction method for the Thevenin equivalent circuit model of Li-ion batteries | |
Blanco et al. | An Equivalent Circuit Model With Variable Effective Capacity for $\hbox {LiFePO} _ {4} $ Batteries | |
CN114400738A (zh) | 一种储能电站电池预警方法和系统 | |
Jia et al. | Precise and fast safety risk classification of lithium-ion batteries based on machine learning methodology | |
Lavety et al. | A dynamic battery model and parameter extraction for discharge behavior of a valve regulated lead-acid battery | |
Huang et al. | An approach to measurements of electrical characteristics of lithium-ion battery with open-circuit voltage function | |
CN115616415B (zh) | 电池组状态的评估方法、装置、设备及存储介质 | |
Kulkarni et al. | Li-ion battery digital twin based on online impedance estimation | |
EP3812782B1 (en) | Estimating a temperature of an electrochemical battery | |
Yang et al. | Internal short circuit fault diagnosis for lithiumion battery based on voltage and temperature | |
CN111983467B (zh) | 基于二阶rc等效电路模型的电池安全度估算方法及估算装置 | |
Shen et al. | Detection and quantitative diagnosis of micro-short-circuit faults in lithium-ion battery packs considering cell inconsistency | |
CN111983470A (zh) | 一种基于关联维数的锂离子动力电池安全度评估方法及装置 | |
Jeewandara et al. | Parametrization and core temperature estimation of lithium-ion batteries for thermal management | |
Liu et al. | State-of-Charge Estimation of Li-Ion Battery Packs Based on Optic Fibre Sensor Measurements | |
Wen et al. | A Fast Estimation Algorithm for State of Health of Lithium-ion Battery Modules Based on Lorenz Plot |
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 |