CN116165563A - 一种基于中子成像的船舶动力锂电池健康等级辨识方法 - Google Patents
一种基于中子成像的船舶动力锂电池健康等级辨识方法 Download PDFInfo
- Publication number
- CN116165563A CN116165563A CN202211593086.4A CN202211593086A CN116165563A CN 116165563 A CN116165563 A CN 116165563A CN 202211593086 A CN202211593086 A CN 202211593086A CN 116165563 A CN116165563 A CN 116165563A
- Authority
- CN
- China
- Prior art keywords
- battery
- soc
- neutron
- image
- gray
- 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
- 238000003384 imaging method Methods 0.000 title claims abstract description 72
- 230000036541 health Effects 0.000 title claims abstract description 67
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 56
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000000178 monomer Substances 0.000 claims abstract description 102
- 238000012706 support-vector machine Methods 0.000 claims abstract description 30
- 239000013598 vector Substances 0.000 claims description 89
- 238000012549 training Methods 0.000 claims description 21
- 238000007599 discharging Methods 0.000 claims description 17
- 238000007600 charging Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 11
- 125000004122 cyclic group Chemical group 0.000 claims description 5
- ZCYDQSUQFINRLP-UHFFFAOYSA-N AD-I Natural products CC=C(C)/C(=O)OC1C(OC(=O)CC(C)C)c2cc3C=CC(=O)Oc3cc2OC1(C)C ZCYDQSUQFINRLP-UHFFFAOYSA-N 0.000 claims 2
- HQTJHTMBKSOUFU-UHFFFAOYSA-N Andelin Natural products CC=C(C)/C(=O)OC1C(OC(=O)C=C(C)C)c2cc3C=CC(=O)Oc3cc2OC1(C)C HQTJHTMBKSOUFU-UHFFFAOYSA-N 0.000 claims 2
- 238000004364 calculation method Methods 0.000 abstract description 14
- 230000008859 change Effects 0.000 abstract description 7
- 238000004458 analytical method Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 3
- 238000010280 constant potential charging Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000005518 electrochemistry Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 125000006850 spacer group Chemical group 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明提供一种基于中子成像的船舶动力锂电池健康等级辨识方法,属于船舶锂电池健康分析技术领域。该基于中子成像的船舶动力锂电池健康等级辨识方法包括如下步骤:S1:构建支持向量机分类器模型;S2:通过输入值获取算法计算获取标准差、绝对差分均值I、绝对差分均值II;S3:将标准差、绝对差分均值、绝对差分均值输入支持向量机分类器模型中,预测得到待测电池单体的分类标签;S4:在健康等级表中获取与待测电池单体对应的健康等级状况。本发明通过对客观图像的分析计算对电池的健康程度进行定义,成功规避模型法中模型过于复杂且计算量大、数据驱动中对无法解释预测内部成分变化情况等缺点。
Description
技术领域
本发明涉及船舶锂电池健康分析技术领域,具体涉及一种基于中子成像的船舶动力锂电池健康等级辨识方法。
背景技术
随着“碳达峰碳中和”政策的提出,绿色船舶的研究与建造已然成为未来船舶的发展方向。作为船上的储能装置,锂电池的健康状态(State of Health, SOH)很大程度影响船舶的运行情况。因此对船舶动力锂电池进行健康状态辨识能够让管理人员有效地对锂电池组进行维护,并保障其安全性与可靠性。
目前,对于船舶动力锂电池健康等级辨识技术主要集中在基于模型法与数据驱动法。其中,基于模型法主要通过对锂电池进行内部参数辨识,充分考虑包括热物理、电化学等外部影响因素建立数学模型;数据驱动法是通过对大量的实验数据进行学习并建立数据与锂电池健康状态映射关系,并应用到实际工况中。但是模型法的局限性在于为了提高辨识度,所设计的模型将考虑物理、化学等外部因素,因此模型将会变得过于复杂,且计算量较大;数据驱动法则对数据具有高度依赖性,且无法检测出电池的内部变化情况,如有突变则预测精度大有偏差。
发明内容
本发明的目的在于,针对上述现有技术的不足,提出一种基于中子成像的船舶动力锂电池健康等级辨识方法。
本发明提出一种基于中子成像的船舶动力锂电池健康等级辨识方法,包括如下步骤:
S1:构建支持向量机分类器模型,所述支持向量机分类器模型以电池单体的中子图像像素点灰度值的标准差、电池单体在100%和60%SOC下中子图像像素点灰度值的绝对差分均值、电池单体在60%和10%SOC下中子图像像素点灰度值的绝对差分均值作为输入,所述支持向量机分类器模型以电池单体分类标签作为输出;
S2:通过输入值获取算法计算获取待测电池单体的中子图像像素点灰度值的标准差、多种待测电池单体在100%和60%SOC下中子图像像素点灰度值的绝对差分均值I、待测电池单体在60%和10%SOC下中子图像像素点灰度值的绝对差分均值II;
S3:将待测电池单体的中子图像像素点灰度值的标准差、待测电池单体在100%和60%SOC下中子图像像素点灰度值的绝对差分均值I、待测电池单体在60%和10%SOC下中子图像像素点灰度值的绝对差分均值II输入支持向量机分类器模型中,预测得到待测电池单体的分类标签;
S4:在健康等级表中获取与待测电池单体对应的健康等级状况。
进一步地,所述健康等级表包括分类标签以及与分类标签对应的健康等级,其中分类标签包括A、B、C、D、E5个,健康等级包括与I级-健康、II级-较健康、III级-一般、IV级-较差、V级-很差,分类标签A与I级-健康相对应,分类标签B与II级-较健康相对应,分类标签C与III级-一般相对应,分类标签D与IV级-较差相对应,分类标签E与V级-很差相对应。
进一步地,还包括步骤S5:
S51:获取循环充放电次数不同的多种电池单体样品;
S52:通过输入值获取算法分别计算获取每种电池单体样品对应的中子图像像素点灰度值的标准差、每种电池单体样品在100%和60%SOC下中子图像像素点灰度值的绝对差分均值向量I、每种电池单体样品在60%和10%SOC下中子图像像素点灰度值的绝对差分均值向量II;
S53:基于标准差、绝对差分均值向量I、绝对差分均值向量II构建训练样本集Strain;
S54:通过训练样本集Strain对支持向量机分类器模型进行训练。
进一步地,步骤S2、步骤S52中的输入值获取算法具体包括:
S61:构建每种电池单体对应的标定组;
S62:对各标定组内的电池单体样品分别在100%SOC、60%SOC和10%SOC状态下进行中子成像,得到各标定组的中子图像矩阵;
S63:对各标定组内每个电池单体在100%SOC下的中子图像进行灰度化处理以获取第一灰度图像,对各标定组内每个电池单体在60%SOC下的中子图像进行灰度化处理以获取第二灰度图像,对各标定组内每个电池单体在10%SOC下的中子图像进行灰度化处理以获取第三灰度图像;
S64:计算第一灰度图像、第二灰度图像、第三灰度图像内所有像素点灰度值的标准差,基于各个标准差获取每个标定组在100%SOC、60%SOC和10%SOC状态下对应的标定组标准差向量;
S65:根据公式计算第一灰度图像、第二灰度图像中所有像素点灰度值的绝对差分均值AD-I,其中M为灰度化处理后的中子图像的像素点总数,/>为电池单体在100%SOC下的中子图像第i个像素点灰度值,/>为电池单体在60%SOC下的中子图像第i个像素点灰度值,基于每个电池单体对应的绝对差分均值AD-I获取各标定组的绝对差分均值向量I;
S66:根据公式计算第二灰度图像、第三灰度图像中所有像素点灰度值的绝对差分均值AD-II,其中M为灰度化处理后的中子图像的像素点总数,/>为电池单体在60%SOC下的中子图像第i个像素点灰度值,/>为电池单体在10%SOC下的中子图像第i个像素点灰度值,基于每个电池单体对应的绝对差分均值AD-II获取各标定组的绝对差分均值向量II。
进一步地,步骤S51中包括:选定循环充放电次数分别为N1、N2、N3、N4、N5的船用动力锂电池单体样品各m个;基于单体样品构建标定组A={BatteryA-1,BatteryA-2…BatteryA-m}、B=BatteryB-1,BatteryB-2…Battery B-m}、C={BatteryC-1,BatteryC-2…BatteryC-m}、D={BatteryD-1,BatteryD-2…Battery D-m}、E={BatteryE-1,BatteryE-2…BatteryE-m}。
进一步地,步骤S62中具体包括:
S621:将各标定组中的电池单体分别置于恒温环境中静置预设时间后以2C电流充电至电池上限电压,再将电池单体的电流下降至0.05C并恒压充电至电池SOC达到100%,对电池单体进行中子成像获取电池单体在100%SOC状态下的第一中子图像,基于各个电池单体的第一中子图像分别获取各标定组中电池SOC在100%下的第一中子图像向量;
S622:将各标定组中的100%SOC的电池单体以2C电流放电至电池下限电压,使得电池SOC降至60%,对电池单体进行中子成像获取电池单体在60%SOC状态下的第二中子图像,基于各个电池单体的第二中子图像分别获取各标定组中电池SOC60%下的第二中子图像向量;
S623:将各标定组中的60%SOC的电池单体以2C电流放电至电池下限电压,使得电池SOC降至10%,对电池单体进行中子成像获取电池单体在10%SOC状态下的第三中子图像,基于各个电池单体的第三中子图像分别获取各标定组中电池SOC10%下的第三中子图像向量;
S624:将各标定组的电池单体对应的第一中子图像向量、第二中子图像向量、第三中子图像向量整理形成对应的中子图像矩阵。
进一步地,步骤S621、步骤S622、步骤S623中的中子成像具体包括:对电池单体以垂直于电池单体方形横截面的角度从正极到负极的方向进行中子成像。
进一步地,步骤S622中将各标定组中的100%SOC的电池单体在恒温环境中以2C电流放电至电池下限电压,使得电池SOC降至60%。
进一步地,步骤S623中将各标定组中的60%SOC的电池单体在恒温环境中以2C电流放电至电池下限电压,使得电池SOC降至10%。
进一步地,步骤S621、步骤S622、步骤S23中的电池单体置于25°C恒温环境。
本发明的一种基于中子成像的船舶动力锂电池健康等级辨识方法有以下有益效果:
首先构建支持向量机分类器模型,然后获取待测电池单体的相应数据,将数据输入模型中预测得到待测电池单体的分类标签,最后在健康等级表中获取与待测电池单体对应的健康等级状况,用中子成像技术对电池的健康状态进行辨识,通过对中子成像后的灰度图的分析计算得到的数据作为输入训练支持向量机分类器模型之后适用于多种结构船舶动力锂电池,可以直观地从图像角度对电池内部情况变化进行分析定义,通过对客观图像的分析计算对电池的健康程度进行定义,成功规避模型法中模型过于复杂且计算量大、数据驱动中对无法解释预测内部成分变化情况等缺点。
附图说明
并入到说明书中并且构成说明书的一部分的附图示出了本发明的实施例,并且与描述一起用于解释本发明的原理。在这些附图中,类似的附图标记用于表示类似的要素。下面描述中的附图是本发明的一些实施例,而不是全部实施例。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,可以根据这些附图获得其他的附图。
图1为本发明实施例的一种基于中子成像的船舶动力锂电池健康等级辨识方法中的流程示意图;
图2为本发明实施例的一种基于中子成像的船舶动力锂电池健康等级辨识方法的健康等级表的示意图;
图3为本发明实施例的一种基于中子成像的船舶动力锂电池健康等级辨识方法中先构建训练样本集再构建支持向量机分类器模型的流程示意图;
图4为本发明实施例的一种基于中子成像的船舶动力锂电池健康等级辨识方法中的健康电池充放电前后中子成像示意图;
图5为本发明实施例的一种基于中子成像的船舶动力锂电池健康等级辨识方法中的不健康电池存在死锂情况下充放电前后中子成像示意图;
图6为本发明实施例的一种基于中子成像的船舶动力锂电池健康等级辨识方法中的支持向量机分类器模型示意图。
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中的附图,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做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。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
请参阅图1-6。本发明实施例的一种基于中子成像的船舶动力锂电池健康等级辨识方法,包括如下步骤:
S1:构建支持向量机分类器模型,支持向量机分类器模型以电池单体的中子图像像素点灰度值的标准差、电池单体在100%和60%SOC下中子图像像素点灰度值的绝对差分均值、电池单体在60%和10%SOC下中子图像像素点灰度值的绝对差分均值作为输入,支持向量机分类器模型以电池单体分类标签作为输出;
S2:通过输入值获取算法计算获取待测电池单体的中子图像像素点灰度值的标准差、多种待测电池单体在100%和60%SOC下中子图像像素点灰度值的绝对差分均值I、待测电池单体在60%和10%SOC下中子图像像素点灰度值的绝对差分均值II;
S3:将待测电池单体的中子图像像素点灰度值的标准差、待测电池单体在100%和60%SOC下中子图像像素点灰度值的绝对差分均值I、待测电池单体在60%和10%SOC下中子图像像素点灰度值的绝对差分均值II输入支持向量机分类器模型中,预测得到待测电池单体的分类标签;
S4:在健康等级表中获取与待测电池单体对应的健康等级状况。
具体的,电池通过长时间充放电,在其隔片处易产生“死锂”并持续依附,这将导致这部分锂无法参与充放电过程,降低电池的放电效率,进而影响电池的正常使用,所以需要定期对电池的健康情况进行评估。中子不带电且穿透力强,对于锂等较轻元素较为敏感,能够在密度较大的物质中分辨出原子序数较低的物质,中子成像技术是一种快速、直观的无损检测技术,能够直观揭示物质内部的材料的分布情况、密度变化等信息,本申请中能够通过中子成像后进行数据分析完成对锂电池的健康状况评价。
健康等级表可以包括分类标签以及与分类标签对应的健康等级,其中分类标签包括A、B、C、D、E5个,健康等级包括与I级-健康、II级-较健康、III级-一般、IV级-较差、V级-很差,分类标签A与I级-健康相对应,分类标签B与II级-较健康相对应,分类标签C与III级-一般相对应,分类标签D与IV级-较差相对应,分类标签E与V级-很差相对应。
具体的,预先建立包括分类标签、健康等级关系的健康等级表,健康等级表中分类标签和健康等级一一对应,在预测得到待测电池单体的分类标签后,根据健康等级表查表得到待测电池单体的健康等级状况。
还可以包括步骤S5:
S51:获取循环充放电次数不同的多种电池单体样品;
S52:通过输入值获取算法分别计算获取每种电池单体样品对应的中子图像像素点灰度值的标准差、每种电池单体样品在100%和60%SOC下中子图像像素点灰度值的绝对差分均值向量I、每种电池单体样品在60%和10%SOC下中子图像像素点灰度值的绝对差分均值向量II;
S53:基于标准差、绝对差分均值向量I、绝对差分均值向量II构建训练样本集Strain;
S54:通过训练样本集Strain对支持向量机分类器模型进行训练。
具体的,步骤S5可以设置于步骤S1和S2之间,即先构建支持向量机分类器模型,再通过样品构建训练样本集Strain,最后通过训练样本集Strain对支持向量机分类器模型进行训练;也可以将步骤S1设置于步骤S53和步骤S54之间,即首先通过样品构建训练样本集Strain,再构建支持向量机分类器模型,最后通过训练样本集Strain对支持向量机分类器模型进行训练。
步骤S2、步骤S52中的输入值获取算法具体包括:
S61:构建每种电池单体对应的标定组;
S62:对各标定组内的电池单体样品分别在100%SOC、60%SOC和10%SOC状态下进行中子成像,得到各标定组的中子图像矩阵;
S63:对各标定组内每个电池单体在100%SOC下的中子图像进行灰度化处理以获取第一灰度图像,对各标定组内每个电池单体在60%SOC下的中子图像进行灰度化处理以获取第二灰度图像,对各标定组内每个电池单体在10%SOC下的中子图像进行灰度化处理以获取第三灰度图像;
S64:计算第一灰度图像、第二灰度图像、第三灰度图像内所有像素点灰度值的标准差,基于各个标准差获取每个标定组在100%SOC、60%SOC和10%SOC状态下对应的标定组标准差向量;
S65:根据公式计算第一灰度图像、第二灰度图像中所有像素点灰度值的绝对差分均值AD-I,其中M为灰度化处理后的中子图像的像素点总数,/>为电池单体在100%SOC下的中子图像第i个像素点灰度值,/>为电池单体在60%SOC下的中子图像第i个像素点灰度值,基于每个电池单体对应的绝对差分均值AD-I获取各标定组的绝对差分均值向量I;
S66:根据公式计算第二灰度图像、第三灰度图像中所有像素点灰度值的绝对差分均值AD-II,其中M为灰度化处理后的中子图像的像素点总数,/>为电池单体在60%SOC下的中子图像第i个像素点灰度值,/>为电池单体在10%SOC下的中子图像第i个像素点灰度值,基于每个电池单体对应的绝对差分均值AD-II获取各标定组的绝对差分均值向量II。
具体的,步骤S2中为对待测电池单体进行计算,步骤S52中为对电池单体样品进行计算,步骤S2中包括只有一种循环充电次数、个数只有一个的待测电池单体,则在步骤S2中只有一个标定组,在标定组中只有一个向量,中子图像矩阵中只有一个中子图像向量,在100%SOC、60%SOC和10%SOC状态下对应的标定组标准差向量均只有一个元素,绝对差分均值AD-I、绝对差分均值AD-II均只有一个,绝对差分均值向量I、绝对差分均值向量II均只有一个元素;步骤S52中包括N种循环充电次数的样品,每种循环充电次数的样品为m个,则在步骤S52中包括 N个标定组,且每个标定组中包括m个元素,则每个标定组的中子图像矩阵中均包括m个中子图像向量,每个标定组均包括m个标准差,在100%SOC、60%SOC和10%SOC状态下对应的标定组标准差向量均包括m个元素,每个标定组对应的绝对差分均值AD-I均包括m个,每个标定组对应的绝对差分均值AD-II均包括m个;所以步骤S2、步骤S52中只有个数的区别,则可以同样的输入值获取算法进行计算获取对应的标准差、绝对差分均值I、绝对差分均值向量II。
步骤S51中可以包括:选定循环充放电次数分别为N1、N2、N3、N4、N5的船用动力锂电池单体样品各m个;基于单体样品构建标定组A={BatteryA-1,BatteryA-2…Battery A-m}、B=BatteryB-1,BatteryB-2…Battery B-m}、C={BatteryC-1,BatteryC-2…Battery C-m}、D={BatteryD-1,BatteryD-2…Battery D-m}、E={BatteryE-1,BatteryE-2…BatteryE-m}。
具体的,在实验室内选定循环充放电次数分别为N1、N2、N3、N4、N5的5种船用动力锂电池单体样品,且每种电池单体样品的个数为m个,保证样品的个数丰富,保证训练样本集Strain具有较多的数据,提高模型训练的准确性。
具体的,在步骤S52中可以包括:对标定组A、B、C、D、E内的各动力锂电池单体分别在100%SOC、60%SOC和10%SOC状态下进行中子成像,得到各标定组的中子图像矩阵:
对各标定组内每一电池单体在100%SOC、60%SOC和10%SOC下的中子图像进行灰度化处理,计算各灰度图像内所有像素点灰度值的标准差,得到各标定组在100%SOC、60%SOC和10%SOC下的标准差向量(~ />、/>~ />、/>~ />):
对各标定组内所有电池单体进行绝对差分均值AD-I计算,得到各标定组的绝对差分均值向量I(AD-IA~ AD-IE):
对各标定组内所有电池单体进行绝对差分均值AD-II计算,得到各标定组的绝对差分均值向量II(AD-IIA~ AD-IIE):
基于所获得的各标定组标准差向量、绝对差分均值向量I、绝对差分均值向量II,以及各标定组的标签值A、B、C、D、E,构建训练样本集Strain:
对待测电池单体分别在100%SOC、60%SOC和10%SOC的状态下进行中子成像并进行灰度化处理,随后计算各图像像素点灰度值的标准差(、/>、/>),计算100%SOC和60%SOC下中子图像各像素点灰度值的绝对差分均值AD-Itest,以及60%SOC和10%SOC下中子图像各像素点灰度值的绝对差分均值AD-IItest,将计算到的/>、/>、/>、AD-Itest以及AD-IItest代入训练好的支持向量机分类器模型,预测得到待测电池单体的分类标签,并根据健康等级表进行查表得到待测电池单体的健康等级状况。
步骤S62中可以具体包括:
S621:将各标定组中的电池单体分别置于恒温环境中静置预设时间后以2C电流充电至电池上限电压,再将电池单体的电流下降至0.05C并恒压充电至电池SOC达到100%,对电池单体进行中子成像获取电池单体在100%SOC状态下的第一中子图像,基于各个电池单体的第一中子图像分别获取各标定组中电池SOC在100%下的第一中子图像向量;
S622:将各标定组中的100%SOC的电池单体以2C电流放电至电池下限电压,使得电池SOC降至60%,对电池单体进行中子成像获取电池单体在60%SOC状态下的第二中子图像,基于各个电池单体的第二中子图像分别获取各标定组中电池SOC60%下的第二中子图像向量;
S623:将各标定组中的60%SOC的电池单体以2C电流放电至电池下限电压,使得电池SOC降至10%,对电池单体进行中子成像获取电池单体在10%SOC状态下的第三中子图像,基于各个电池单体的第三中子图像分别获取各标定组中电池SOC10%下的第三中子图像向量;
S624:将各标定组的电池单体对应的第一中子图像向量、第二中子图像向量、第三中子图像向量整理形成对应的中子图像矩阵。
步骤S621、步骤S622、步骤S623中的中子成像可以具体包括:对电池单体以垂直于电池单体方形横截面的角度从正极到负极的方向进行中子成像。中将各标定组中的100%SOC的电池单体在恒温环境中以2C电流放电至电池下限电压,使得电池SOC降至60%。
具体的,对标定组A、B、C、D、E内的各动力锂电池单体样品分别在100%SOC、60%SOC和10%SOC状态下进行中子成像,具体方法为:
对各动力锂电池单体置于恒温环境中,静置10 min,以2C电流充电至电池上限电压;然后恒压充电至电流下降至0.05C直至电池SOC达到100%,完成100%SOC充电;随后,以垂直于电池单体方形横截面的角度,以从正极到负极的方向,进行中子成像;
对100%SOC的锂电池单体按2C电流放电至电池下限电压直至电池SOC降至60%,即完成100%SOC至60%SOC的放电;随后,以垂直于电池单体方形横截面的角度,以从正极到负极的方向,进行中子成像;
对60%SOC的锂电池单体按2C电流放电至电池下限电压直至电池SOC降至60%,即完成60%SOC至10%SOC的放电;随后,以垂直于电池单体方形横截面的角度,以从正极到负极的方向,进行中子成像。
步骤S622中可以将各标定组中的100%SOC的电池单体在恒温环境中以2C电流放电至电池下限电压,使得电池SOC降至60%。
步骤S623中可以将各标定组中的60%SOC的电池单体在恒温环境中以2C电流放电至电池下限电压,使得电池SOC降至10%。
具体的,样品包括5个标定组A、B、C、D、E,每个标定组中含有5个电池单体,对每个组中的每一个动力锂电池单体置于恒温环境中,静置10 min,以2C电流充电至电池上限电压;然后恒压充电至电流下降至0.05C,充电直至电池SOC达到100%,完成100%SOC充电。随后,以垂直于电池单体方形横截面的角度,以从正极到负极的方向,进行中子成像。例如,对标定组A的所有电池进行充电以后,其中1号电池SOC为100%时的中子成像图像记为,2号为/>,以此类推,形成标定组A中电池SOC在100%下的中子图像向量。从而形成五个标定组的SOC在100%下的中子图像向量/>~ />:
对100%SOC的锂电池单体按2C电流放电至电池下限电压,放电直至电池SOC降至60%,即完成100%SOC至60%SOC的放电;随后,以垂直于电池单体方形横截面的角度,以从正极到负极的方向,进行中子成像。例如,对标定组A的所有电池进行充电以后,其中1号电池SOC为60%时的中子成像图像记为,2号为/>,以此类推,形成标定组A中电池SOC在60%下的中子图像向量。从而形成五个标定组的SOC在60%下的中子图像向量/>~:
对60%SOC的锂电池单体按2C电流放电至电池下限电压,放电直至电池SOC降至10%,即完成60%SOC至10%SOC的放电;随后,以垂直于电池单体方形横截面的角度,以从正极到负极的方向,进行中子成像。例如,对标定组A的所有电池进行充电以后,其中1号电池SOC为10%时的中子成像图像记为,2号为/>,以此类推,形成标定组A中电池SOC在60%下的中子图像向量。从而形成五个标定组的SOC在10%下的中子图像向量/>~:
针对计算得到的每个标定组的中子图像向量,整理得标定组A~E的中子图像矩阵PicA~PicE:
在各标定组中子图像矩阵中,对每一个电池单体在其SOC为100%、60%、10%状态下的中子图像进行灰度化处理,计算各灰度图像内所有像素点灰度值的标准差,得到每一个标定组SOC为100%、60%、10%状态下的标准差向量。例如,标定组A中所有电池在SOC为100%、60%、10%时的灰度值标准差组成标准差向量,以此类推,根据SOC状态整理获得5个标定组的标准差向量/>~ />、/>~、/>~ />:
对各标定组内所有电池单体进行绝对差分均值AD-I计算:
标定组A中,1号电池单体在SOC为100%与60%的状态下的中子图像中所有像素点的绝对差分均值为,2号电池单体图像数据的绝对差分均值AD-I计算为/>,…,m号电池单体图像数据的绝对差分均值AD-I计算为/>,以上共同组成标定组A 的绝对差分均值向量/>。以此类推,获得各标定组的绝对差分均值向量I(AD-IA~ AD-IE):
对各标定组内所有电池单体进行绝对差分均值AD-II计算:
标定组A中,1号电池单体在SOC为60%与10%的状态下的中子图像中所有像素点的绝对差分均值为,2号电池单体图像数据的绝对差分均值AD-II计算为/>,…,m号电池单体图像数据的绝对差分均值AD-II计算为/>,以上共同组成标定组A的绝对差分均值向量/>。以此类推,获得各标定组的绝对差分均值向量II(AD-IIA~ AD-IIE):
步骤S621、步骤S622、步骤S23中的电池单体可以置于25°C恒温环境。
具体的,在构建训练样本集Strain时:
在实验室内,选定标称容量为90.0Ah,循环充放电次数分别为200、1000、1500、3000、5000次的船用动力方形磷酸铁锂电池单体样品各5个,用于构建标定组A、B、C、D、E;在5个标定组中,对每个组中的每一个动力锂电池单体置于25°C恒温环境中,静置10 min,以2C电流充电至电池上限截止电压3.65V;然后恒压充电至电流下降至0.05C,充电直至电池SOC达到100%,完成100%SOC充电。随后,以垂直于电池单体方形横截面的角度,以从正极到负极的方向,进行中子成像。例如,对标定组A的所有电池进行充电以后,其中1号电池SOC为100%时的中子成像图像记为,2号为/>,以此类推,形成标定组A中电池SOC在100%下的中子图像向量。从而形成五个标定组的SOC在100%下的中子图像向量/>~:
将电池置于25°C恒温环境下,对100%SOC的锂电池单体按2C电流放电至电池下限截止电压2.5V直至电池SOC降至60%,即完成100%SOC至60%SOC的放电;随后,以垂直于电池单体方形横截面的角度,以从正极到负极的方向,进行中子成像。例如,对标定组A的所有电池进行放电以后,其中1号电池SOC为60%时的中子成像图像记为,2号为/>,以此类推,形成标定组A中电池SOC在60%下的中子图像向量。从而形成五个标定组的SOC在60%下的中子图像向量/>~/>:
将电池置于25°C恒温环境下,对60%SOC的锂电池单体按2C电流放电至电池下限截止电压2.5V,放电直至电池SOC降至10%,即完成60%SOC至10%SOC的放电;随后,以垂直于电池单体方形横截面的角度,以从正极到负极的方向,进行中子成像。例如,对标定组A的所有电池进行放电以后,其中1号电池SOC为10%时的中子成像图像记为,2号为/>,以此类推,形成标定组A中电池SOC在60%下的中子图像向量。从而形成五个标定组的SOC在10%下的中子图像向量/>~ />:
将每个标定组的中子图像向量,整理得标定组A~E的中子成像矩阵PicA~PicE:
对各标定组内所有电池单体进行绝对差分均值AD-I计算:
标定组A中,1号电池单体在SOC为100%与60%的状态下的中子图像中所有像素点的绝对差分均值为32,2号电池单体图像数据的绝对差分均值AD-I计算为29,…,5号电池单体图像数据的绝对差分均值AD-I计算为30,以上共同组成标定组A 的绝对差分均值向量。以此类推,获得各标定组的绝对差分均值向量I(AD-IA~ AD-IE):
对各标定组内所有电池单体进行绝对差分均值AD-II计算:
标定组A中,1号电池单体在SOC为60%与10%的状态下的中子图像中所有像素点的绝对差分均值为25,2号电池单体图像数据的绝对差分均值AD-II计算为24,…,5号电池单体图像数据的绝对差分均值AD-II计算为22,以上共同组成标定组A 的绝对差分均值向量。以此类推,获得各标定组的绝对差分均值向量II(AD-IIA~AD-IIE):/>;
基于所获得的各标定组标准差向量、绝对差分均值向量I、绝对差分均值向量II,以及各标定组的标签值A、B、C、D、E,构建训练样本集Strain:对待测电池单体分别在100%SOC、60%SOC和10%SOC的状态下进行中子成像并进行灰度化处理,随后计算各图像像素点灰度值的标准差分别为210、115、69,计算100%SOC和60%SOC下中子图像各像素点灰度值的绝对差分均值为20,以及60%SOC和10%SOC下中子图像各像素点灰度值的绝对差分均值为8;将计算得到的210、115、69、20以及8带入训练好的支持向量机分类器模型,预测得到待测电池单体的分类标签得到电池的健康等级为D级。
请参见图3,首先选定循环充放电次数分别为N1-N5的船用动力锂电池单体样品各m个,并标定为A-E五组;接着对各标定组内的电池单体分别在100%SOC、60%SOC和10%SOC状态下进行中子成像,得到各标定组的中子图像矩阵(PicA~PicE);接着对各标定组内每一电池单体在100%SOC、60%SOC和10%SOC下的中子图像进行灰度化处理;接着计算各灰度图像内所有像素点灰度值的标准差,得到各标定组在100%SOC、60%SOC和10%SOC下的标准差向量;接着对各标定组内每一电池单体计算在100%SOC和60%SOC下两幅灰度图像中所有像素点灰度值的绝对差分均值AD-I;接着对各标定组内每一电池单体计算在60%SOC和10%SOC下两幅灰度图像中所有像素点灰度值的绝对差分均值AD-II;接着各标定组标准差向量、绝对差分均值向量I、绝对差分均值向量II,以及各标定组的标签值,构建训练样本集Strain;接着以电池单体分类标签为输出的支持向量机分类器模型,并使用Strain对模型进行训练;接着对待测电池计算其标准差、绝对差分均值AD-Itest、AD-IItest,作为输入带入支持向量机分类器模型;最后预测得到电池单体的分类标签,查表获得电池健康状态。
首先在实验室里根据循环次数选择五组电池作为标定组;第二,对各标定组电池单体的荷电状态(SOC)在100%、60%和10%下进行中子成像后得到中子图像矩阵,做灰度化处理并计算所有像素点灰度值的标准差,得到各标定组在三种SOC下的标准差向量,计算SOC在100%与60%下以及60%与10%下所有像素点的绝对差分均值AD-I和AD-II,将计算所得的三个状态下标准差向量、AD-I、AD-II以及各标定组标签值构成样本集训练支持向量机分类器模型;第三,对待测电池进行中子成像后,计算其三种状态下标准差及AD-I、AD-II,并输入支持向量机分类器模型,预测得到电池单体分类标签,查表可得待测电池健康等级状况。本发明与现有技术相比,只需要对电池进行中子拍照成像后进行分析计算,不需要分析电池所处的环境、内部电路热力学问题,内部电化学变化公式,内部结构突变所带来的数据异常等问题,突出解决了现有技术中设计模型过于复杂、计算量大、无法辨识内部结构变化等问题。
上面描述的内容可以单独地或者以各种方式组合起来实施,而这些变型方式都在本发明的保护范围之内。
需要说明的是,在本申请的描述中,指示的方位或位置关系的术语“上端”、“下端”、“底端”为基于附图所示的方位或位置关系,或者是该申请产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。而且,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,从而使得包含一系列要素的过程、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。
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 (10)
1.一种基于中子成像的船舶动力锂电池健康等级辨识方法,其特征在于,包括如下步骤:
S1:构建支持向量机分类器模型,所述支持向量机分类器模型以电池单体的中子图像像素点灰度值的标准差、电池单体在100%和60%SOC下中子图像像素点灰度值的绝对差分均值、电池单体在60%和10%SOC下中子图像像素点灰度值的绝对差分均值作为输入,所述支持向量机分类器模型以电池单体分类标签作为输出;
S2:通过输入值获取算法计算获取待测电池单体的中子图像像素点灰度值的标准差、多种待测电池单体在100%和60%SOC下中子图像像素点灰度值的绝对差分均值I、待测电池单体在60%和10%SOC下中子图像像素点灰度值的绝对差分均值II;
S3:将待测电池单体的中子图像像素点灰度值的标准差、待测电池单体在100%和60%SOC下中子图像像素点灰度值的绝对差分均值I、待测电池单体在60%和10%SOC下中子图像像素点灰度值的绝对差分均值II输入支持向量机分类器模型中,预测得到待测电池单体的分类标签;
S4:在健康等级表中获取与待测电池单体对应的健康等级状况。
2.如权利要求1所述的一种基于中子成像的船舶动力锂电池健康等级辨识方法,其特征在于,所述健康等级表包括分类标签以及与分类标签对应的健康等级,其中分类标签包括A、B、C、D、E5个,健康等级包括与I级-健康、II级-较健康、III级-一般、IV级-较差、V级-很差,分类标签A与I级-健康相对应,分类标签B与II级-较健康相对应,分类标签C与III级-一般相对应,分类标签D与IV级-较差相对应,分类标签E与V级-很差相对应。
3.如权利要求1或2所述的一种基于中子成像的船舶动力锂电池健康等级辨识方法,其特征在于,还包括步骤S5:
S51:获取循环充放电次数不同的多种电池单体样品;
S52:通过输入值获取算法分别计算获取每种电池单体样品对应的中子图像像素点灰度值的标准差、每种电池单体样品在100%和60%SOC下中子图像像素点灰度值的绝对差分均值向量I、每种电池单体样品在60%和10%SOC下中子图像像素点灰度值的绝对差分均值向量II;
S53:基于标准差、绝对差分均值向量I、绝对差分均值向量II构建训练样本集Strain;
S54:通过训练样本集Strain对支持向量机分类器模型进行训练。
4.如权利要求3所述的一种基于中子成像的船舶动力锂电池健康等级辨识方法,其特征在于,步骤S2、步骤S52中的输入值获取算法具体包括:
S61:构建每种电池单体对应的标定组;
S62:对各标定组内的电池单体样品分别在100%SOC、60%SOC和10%SOC状态下进行中子成像,得到各标定组的中子图像矩阵;
S63:对各标定组内每个电池单体在100%SOC下的中子图像进行灰度化处理以获取第一灰度图像,对各标定组内每个电池单体在60%SOC下的中子图像进行灰度化处理以获取第二灰度图像,对各标定组内每个电池单体在10%SOC下的中子图像进行灰度化处理以获取第三灰度图像;
S64:计算第一灰度图像、第二灰度图像、第三灰度图像内所有像素点灰度值的标准差,基于各个标准差获取每个标定组在100%SOC、60%SOC和10%SOC状态下对应的标定组标准差向量;
S65:根据公式计算第一灰度图像、第二灰度图像中所有像素点灰度值的绝对差分均值AD-I,其中M为灰度化处理后的中子图像的像素点总数,为电池单体在100%SOC下的中子图像第i个像素点灰度值,/>为电池单体在60%SOC下的中子图像第i个像素点灰度值,基于每个电池单体对应的绝对差分均值AD-I获取各标定组的绝对差分均值向量I;
5.如权利要求3所述的一种基于中子成像的船舶动力锂电池健康等级辨识方法,其特征在于,步骤S51中包括:选定循环充放电次数分别为N1、N2、N3、N4、N5的船用动力锂电池单体样品各m个;基于单体样品构建标定组A={BatteryA-1,BatteryA-2…Battery A-m}、B=BatteryB-1,BatteryB-2…Battery B-m}、C={BatteryC-1,BatteryC-2…Battery C-m}、D={BatteryD-1,BatteryD-2…Battery D-m}、E={BatteryE-1,BatteryE-2…Battery E-m}。
6.如权利要求4所述的一种基于中子成像的船舶动力锂电池健康等级辨识方法,其特征在于,步骤S62中具体包括:
S621:将各标定组中的电池单体分别置于恒温环境中静置预设时间后以2C电流充电至电池上限电压,再将电池单体的电流下降至0.05C并恒压充电至电池SOC达到100%,对电池单体进行中子成像获取电池单体在100%SOC状态下的第一中子图像,基于各个电池单体的第一中子图像分别获取各标定组中电池SOC在100%下的第一中子图像向量;
S622:将各标定组中的100%SOC的电池单体以2C电流放电至电池下限电压,使得电池SOC降至60%,对电池单体进行中子成像获取电池单体在60%SOC状态下的第二中子图像,基于各个电池单体的第二中子图像分别获取各标定组中电池SOC60%下的第二中子图像向量;
S623:将各标定组中的60%SOC的电池单体以2C电流放电至电池下限电压,使得电池SOC降至10%,对电池单体进行中子成像获取电池单体在10%SOC状态下的第三中子图像,基于各个电池单体的第三中子图像分别获取各标定组中电池SOC10%下的第三中子图像向量;
S624:将各标定组的电池单体对应的第一中子图像向量、第二中子图像向量、第三中子图像向量整理形成对应的中子图像矩阵。
7.如权利要求6所述的一种基于中子成像的船舶动力锂电池健康等级辨识方法,其特征在于,步骤S621、步骤S622、步骤S623中的中子成像具体包括:对电池单体以垂直于电池单体方形横截面的角度从正极到负极的方向进行中子成像。
8.如权利要求6所述的一种基于中子成像的船舶动力锂电池健康等级辨识方法,其特征在于:步骤S622中将各标定组中的100%SOC的电池单体在恒温环境中以2C电流放电至电池下限电压,使得电池SOC降至60%。
9.如权利要求8所述的一种基于中子成像的船舶动力锂电池健康等级辨识方法,其特征在于:步骤S623中将各标定组中的60%SOC的电池单体在恒温环境中以2C电流放电至电池下限电压,使得电池SOC降至10%。
10.如权利要求9所述的一种基于中子成像的船舶动力锂电池健康等级辨识方法,其特征在于:步骤S621、步骤S622、步骤S23中的电池单体置于25°C恒温环境。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211593086.4A CN116165563A (zh) | 2022-12-13 | 2022-12-13 | 一种基于中子成像的船舶动力锂电池健康等级辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211593086.4A CN116165563A (zh) | 2022-12-13 | 2022-12-13 | 一种基于中子成像的船舶动力锂电池健康等级辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116165563A true CN116165563A (zh) | 2023-05-26 |
Family
ID=86419091
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211593086.4A Pending CN116165563A (zh) | 2022-12-13 | 2022-12-13 | 一种基于中子成像的船舶动力锂电池健康等级辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116165563A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116908695A (zh) * | 2023-07-14 | 2023-10-20 | 山东科技大学 | 一种基于概率与统计获取锂电池组健康状态的方法 |
CN117521857A (zh) * | 2024-01-05 | 2024-02-06 | 宁德时代新能源科技股份有限公司 | 一种电芯析锂分析方法、装置、可读存储介质及电子设备 |
-
2022
- 2022-12-13 CN CN202211593086.4A patent/CN116165563A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116908695A (zh) * | 2023-07-14 | 2023-10-20 | 山东科技大学 | 一种基于概率与统计获取锂电池组健康状态的方法 |
CN116908695B (zh) * | 2023-07-14 | 2024-05-17 | 山东科技大学 | 一种基于概率与统计获取锂电池组健康状态的方法 |
CN117521857A (zh) * | 2024-01-05 | 2024-02-06 | 宁德时代新能源科技股份有限公司 | 一种电芯析锂分析方法、装置、可读存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110224192B (zh) | 一种梯次利用动力电池寿命预测方法 | |
Pang et al. | Parameter identification and systematic validation of an enhanced single-particle model with aging degradation physics for Li-ion batteries | |
CN116165563A (zh) | 一种基于中子成像的船舶动力锂电池健康等级辨识方法 | |
Rezvanizaniani et al. | Review and recent advances in battery health monitoring and prognostics technologies for electric vehicle (EV) safety and mobility | |
CN109143083B (zh) | 一种数据驱动的电动车辆锂离子电池析锂诊断方法 | |
CN116502112B (zh) | 一种新能源电源测试数据管理方法及系统 | |
EP2188642B1 (en) | System and method for estimating long term characteristics of battery | |
CN113052464B (zh) | 电池储能系统可靠性评估方法及系统 | |
Kim et al. | Impedance-based capacity estimation for lithium-ion batteries using generative adversarial network | |
CN114280479A (zh) | 一种基于电化学阻抗谱的退役电池快速分选方法 | |
CN114818831B (zh) | 基于多源感知的双向锂离子电池故障检测方法及系统 | |
Zhou et al. | Impedance-Based diagnosis of lithium ion batteries: Identification of physical parameters using multi-output relevance vector regression | |
Jia et al. | Precise and fast safety risk classification of lithium-ion batteries based on machine learning methodology | |
CN109613446A (zh) | 一种基于时间序列分析的锂电池老化检测方法 | |
US20210123979A1 (en) | Estimating a Battery State from Electrical Impedance Measurements Using Convolutional Neural Network Means | |
Donato et al. | Machine learning systems based on xgBoost and MLP neural network applied in satellite lithium-ion battery sets impedance estimation | |
CN114460474A (zh) | 电池分容方法及其装置、电子设备 | |
Cao et al. | Non-invasive characteristic curve analysis of lithium-ion batteries enabling degradation analysis and data-driven model construction: a review | |
Wu et al. | A collaborative estimation scheme for lithium-ion battery state of charge and state of health based on electrochemical model | |
US11280841B2 (en) | Estimating a temperature of an electrochemical battery | |
Chen et al. | State of health estimation of lithium-ion batteries based on equivalent circuit model and data-driven method | |
CN117054892B (zh) | 一种储能电站电池健康状态的评估方法、装置及管理方法 | |
Singh et al. | State of charge estimation techniques of Li-ion battery of electric vehicles | |
CN115524625A (zh) | 一种基于特征阻抗的锂电池过充电过放电检测方法 | |
CN112485694B (zh) | 电池组的检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |