CN116184211A - 退役电池模组容量预测方法、装置、电子设备及存储介质 - Google Patents
退役电池模组容量预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116184211A CN116184211A CN202211683899.2A CN202211683899A CN116184211A CN 116184211 A CN116184211 A CN 116184211A CN 202211683899 A CN202211683899 A CN 202211683899A CN 116184211 A CN116184211 A CN 116184211A
- Authority
- CN
- China
- Prior art keywords
- discharge
- short
- capacity
- charge
- module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003062 neural network model Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 23
- 239000000178 monomer Substances 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims description 43
- 230000015654 memory Effects 0.000 claims description 18
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012886 linear function Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 239000002253 acid Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000004064 recycling Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009286 beneficial effect Effects 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
- 230000003287 optical effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
本发明提供了一种退役电池模组容量预测方法、装置、电子设备及存储介质，其方法包括：构建初始神经网络模型，以短时间充放电时间、短时间充放电容量、弗雷歇距离、模组电压和内阻、以及模组与单体电压差值和内阻差值作为初始神经网络模型的输入值，模组剩余容量作为输出值，经过迭代训练，得到训练完备的神经网络模型，并基于训练完备的神经网络模型对退役动力电池模组容量进行预测。本发明通过IC曲线获取短时间充放电的电压区间段，能更好的反映模组的内部结构特性，对模组的容量能有更准确的分选；通过神经网络较强的学习能力能够更好地适应多个特征参数与放电容量的数据关系，通过构建最佳模型能够达到对电池模组容量快速预测的目的。
Description
技术领域
本发明涉及退役电池容量预测技术领域，具体涉及一种退役电池模组容量预测方法、装置、电子设备及存储介质。
背景技术
动力电池模组是指为工具提供动力来源的电源，多指为电动汽车、电动列车、电动自行车、高尔夫球车提供动力的蓄电池，其主要区别于用于汽车发动机启动的启动电池，多采用阀口密封式铅酸蓄电池、敞口式管式铅酸蓄电池以及磷酸铁锂蓄电池。
当动力电池模组性能不佳或者年限较长，一般会被抛弃，成为退役电池模组，然而，即便是退役电池模组，其还有一定的剩余电量，在实现电池模组的循环再利用上能够起到一定作用。
基于此，在启用退役动力电池模组的循环利用时，还需要对不同的退役动力电池模组的剩余容量进行测量和检测，然而，目前的容量预测方法一般是采用单一的完整充放电测试，且次数较多，不能准确预测容量且充放电次数较多也影响到退役动力电池模组的性能。
发明内容
有鉴于此，有必要提供一种退役电池模组容量预测方法、装置、电子设备及存储介质，用以解决现有技术中需要完整充放电且次数较多的问题，能够在无需完整充放电的前提下实现对退役电池模组的快速准确预测且不影响退役电池模组性能。
第一方面，本发明提供了一种退役电池模组容量预测方法，包括：
获取若干退役动力电池模组在第一次充放电测试后的剩余容量；
获取所述若干退役动力电池模组第二次充放电测试的IC曲线，并选取符合预设条件的电压区间作为限制电压区间段；
在所述限制电压区间段内，获取所述若干退役动力电池模组在短时间充放电测试下的短时间充放电曲线、短时间充放电时间和短时间充放电容量值；
获取所述若干退役动力电池模组中两两电池模组之间的短时间充放电曲线的弗雷歇距离；
获取所述若干退役动力电池模组的端电压和内阻，以及所述若干退役动力电池模组中所有单体电池的端电压和内阻，并计算各单体电池端电压和与模组电压差值以及各单体电压内阻和与模组内阻差值；
构建初始神经网络模型，以所述短时间充放电时间、短时间充放电容量、弗雷歇距离、模组电压和内阻、以及模组与单体电压差值和内阻差值作为所述初始神经网络模型的输入值，模组剩余容量作为输出值，经过迭代训练，得到训练完备的神经网络模型，并基于所述训练完备的神经网络模型对退役动力电池模组容量进行预测。
在可能的一些实施例中，获取若干退役动力电池模组在第一次充放电测试后的剩余容量，包括：
对若干退役动力电池模组在第一充放电能力倍率下进行第一次充放电测试，得到所述若干退役动力电池模组的剩余容量。
在可能的一些实施例中，获取所述若干退役动力电池模组第二次充放电测试的IC曲线，并选取符合预设条件的电压区间作为限制电压区间段，包括：
在第二充放电能力倍率下对所述若干退役动力电池模组进行充放电曲线测试，获取所述若干退役动力电池模组的IC曲线；
在电池模组的IC曲线中按照波谷-波峰-波谷对电压区间进行划分，对比各电压区间所占时间段，选取时间段最短的电压区间作为所述限制电压区间段。
在可能的一些实施例中，在所述限制电压区间段内，获取所述若干退役动力电池模组在短时间充放电测试下的短时间充放电曲线、短时间充放电时间和短时间充放电容量值，包括：
在所述限制电压区间段内，在所述第一充放电能力倍率与第一温度下进行短时间充放电曲线测试，得到短时间充放电曲线、短时间充放电时间和短时间充放电容量值。
在可能的一些实施例中，所述第一充放电能力倍率为0.3C~1C，所述第一温度为15℃~35℃。
在可能的一些实施例中，获取所述若干退役动力电池模组中两两电池模组之间的短时间充放电曲线的弗雷歇距离，包括：
通过弗雷歇距离算法计算得到所述若干退役动力电池模组中两两电池模组之间的短时间充放电曲线之间的弗雷歇距离；
其中，弗雷歇距离算法的计算公式如下所示：
P、L分别为P曲线和L曲线，i为轨迹点数量，m为选取的单个曲线轨迹点数量和，
分别为P曲线和L曲线中顺序集合的轨迹点，d（）为距离计算公式。
在可能的一些实施例中，所述初始神经网络模型为Elman神经网络模型；所述Elman神经网络模型结构属于前馈连接，其包括输入层、隐含层、输出层，所述隐含层的传递函数为非线性函数，输出层为线性函数。
第二方面，本发明还提供了一种退役电池模组容量预测装置，包括：
剩余容量获取模块，用于获取若干退役动力电池模组在第一次充放电测试后的剩余容量；
电压区段获取模块，用于获取所述若干退役动力电池模组第二次充放电测试的IC曲线，并选取符合预设条件的电压区间作为限制电压区间段；
短时间值获取模块，用于在所述限制电压区间段内，获取所述若干退役动力电池模组在短时间充放电测试下的短时间充放电曲线、短时间充放电时间和短时间充放电容量值；
曲线距离获取模块，用于获取所述若干退役动力电池模组中两两电池模组之间的短时间充放电曲线的弗雷歇距离；
电压内阻获取模块，用于获取所述若干退役动力电池模组的端电压和内阻，以及所述若干退役动力电池模组中所有单体电池的端电压和内阻，并计算各单体电池端电压和与模组电压差值以及各单体电压内阻和与模组内阻差值；
容量预测模块，用于构建初始神经网络模型，以所述短时间充放电时间、短时间充放电容量、弗雷歇距离、模组电压和内阻、以及模组与单体电压差值和内阻差值作为所述初始神经网络模型的输入值，模组剩余容量作为输出值，经过迭代训练，得到训练完备的神经网络模型，并基于所述训练完备的神经网络模型对退役动力电池模组容量进行预测。
第三方面，本发明还提供了一种电子设备，包括存储器和处理器，其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述任意一种可能的实现方式中所述的退役电池模组容量预测方法中的步骤。
第四方面，本发明还提供了计算机可读存储介质，其特征在于，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时能够实现上述任意一种可能的实现方式中所述的退役电池模组容量预测方法中的步骤。
采用上述实施例的有益效果是：本发明首先通过不同的充放电测试获取短时间充放电时间、短时间充放电容量、弗雷歇距离、模组电压和内阻、以及模组与单体电压差值和内阻差值，并通过构建神经网络模型，以所述短时间充放电时间、短时间充放电容量、弗雷歇距离、模组电压和内阻、以及模组与单体电压差值和内阻差值作为所述初始神经网络模型的输入值，模组剩余容量作为输出值，经过迭代训练，得到训练完备的神经网络模型，并基于所述训练完备的神经网络模型对退役动力电池模组容量进行预测。本发明利用IC曲线获取短时间充放电的电压区间段，能更好的反映模组的内部结构特性，对模组的容量能有更准确的分选；通过神经网络较强的学习能力能够更好地适应多个特征参数与放电容量的数据关系，通过构建最佳模型能够达到对电池模组容量快速预测的目的；训练集样本数量越多，建立的网络模型越精确，通过本方案，可以在无需完整充放电的前提下实现对退役电池模组的快速准确预测。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，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为本发明提供的退役电池模组容量预测方法的一个实施例流程示意图；
图2为本发明提供的选择限制电压区间段的一个实施例结构示意图；
图3为本发明提供的退役电池模组容量预测装置的一个实施例结构示意图；
图4为本发明提供的电子设备的一个实施例结构示意图。
具体实施方式
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，所描述的实施例仅仅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。
应当理解，示意性的附图并未按实物比例绘制。本发明中使用的流程图示出了根据本发明的一些实施例实现的操作。应当理解，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发明内容的指引下，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。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器系统和/或微控制器系统中实现这些功能实体。
本发明实施例中所涉及到的“第一”、 “第二”等描述仅用于描述目的，而不能理解为指示或者暗示其相对重要性或者隐含指明所指示的技术特征的数量。因此，限定有“第一”、 “第二”的技术特征可以明示或者隐含的包括至少一个该特征。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明提供了一种退役电池模组容量预测方法、装置、电子设备及存储介质，以下分别进行说明。
图1为本发明提供的退役电池模组容量预测方法的一个实施例流程示意图，如图1所示，退役电池模组容量预测方法包括：
S101、获取若干退役动力电池模组在第一次充放电测试后的剩余容量；
S102、获取所述若干退役动力电池模组第二次充放电测试的IC曲线，并选取符合预设条件的电压区间作为限制电压区间段；
S103、在所述限制电压区间段内，获取所述若干退役动力电池模组在短时间充放电测试下的短时间充放电曲线、短时间充放电时间和短时间充放电容量值；
S104、获取所述若干退役动力电池模组中两两电池模组之间的短时间充放电曲线的弗雷歇距离；
S105、获取所述若干退役动力电池模组的端电压和内阻，以及所述若干退役动力电池模组中所有单体电池的端电压和内阻，并计算各单体电池端电压和与模组电压差值以及各单体电压内阻和与模组内阻差值；
S106、构建初始神经网络模型，以所述短时间充放电时间、短时间充放电容量、弗雷歇距离、模组电压和内阻、以及模组与单体电压差值和内阻差值作为所述初始神经网络模型的输入值，模组剩余容量作为输出值，经过迭代训练，得到训练完备的神经网络模型，并基于所述训练完备的神经网络模型对退役动力电池模组容量进行预测。
与现有技术相比，本发明提供的退役电池模组容量预测方法利用IC曲线获取短时间充放电的电压区间段，能更好的反映模组的内部结构特性，对模组的容量能有更准确的分选；通过神经网络较强的学习能力能够更好地适应多个特征参数与放电容量的数据关系，通过构建最佳模型能够达到对电池模组容量快速预测的目的；训练集样本数量越多，建立的网络模型越精确，通过本方案，可以在无需完整充放电的前提下实现对退役电池模组的快速准确预测。
应当理解的是：初始神经网络模型的模型结构包括但不限于深度神经网络模型（Deep Neural Networks，DNN）、循环神经网络模型（Recurrent Neural Networks，RNN）、卷积网络模型（Convolutional Neural Networks，CNN）、Elman神经网络模型、深度生成模型（Deep Generative Models，DGM）、生成式对抗网络（Generative Adversarial Networks，GAN）、长短期记忆网络模型（Long / short term memory ，LSTM）、支持向量机（Supportvector machines，SVM）、深度交叉模型（Deep Crossing）等。
在本发明的一些实施例中，获取若干退役动力电池模组在第一次充放电测试后的剩余容量，包括：
对若干退役动力电池模组在第一充放电能力倍率下进行第一次充放电测试，得到所述若干退役动力电池模组的剩余容量。
需要说明的是，第一充放电能力倍率是指0.3C~1C，且在选择若干个退役动力电池模组之后还需要在常温下静置足够长的时间后再进行充放电测试。
在本发明的一些实施例中，获取所述若干退役动力电池模组第二次充放电测试的IC曲线，并选取符合预设条件的电压区间作为限制电压区间段，包括：
在第二充放电能力倍率下对所述若干退役动力电池模组进行充放电曲线测试，获取所述若干退役动力电池模组的IC曲线（dQ/dV vs V）；
在电池模组的IC曲线中按照波谷-波峰-波谷对电压区间进行划分，对比各电压区间所占时间段，选取时间段最短的电压区间作为所述限制电压区间段。
需要说明的是，第二充放电能力倍率为0.05C~1C。
请参阅图2，图2为本发明提供的选择限制电压区间段的一个实施例结构示意图，由图2可以看见，选择时间段最短的电压区间作为所述限制电压区间段。
在本发明的一些实施例中，在所述限制电压区间段内，获取所述若干退役动力电池模组在短时间充放电测试下的短时间充放电曲线、短时间充放电时间t和短时间充放电容量值Q，包括：
在所述限制电压区间段内，在所述第一充放电能力倍率与第一温度下进行短时间充放电曲线测试，得到短时间充放电曲线、短时间充放电时间t和短时间充放电容量值Q。
在本发明的一些实施例中，所述第一充放电能力倍率为0.3C~1C，优选的是1C，所述第一温度为15℃~35℃，优选的是25℃。
在本发明的一些实施例中，获取所述若干退役动力电池模组中两两电池模组之间的短时间充放电曲线的弗雷歇距离，包括：
通过弗雷歇距离算法计算得到所述若干退役动力电池模组中两两电池模组之间的短时间充放电曲线之间的弗雷歇距离；
其中，弗雷歇距离算法的计算公式如下所示：
P、L分别为P曲线和L曲线，i为轨迹点数量，m为选取的单个曲线轨迹点数量和，
分别为P曲线和L曲线中顺序集合的轨迹点，d（）为距离计算公式。/>
在具体的实施例中，通过弗雷歇距离算法计算两个模组之间短时间充放电曲线P、L的相似度：设曲线P是由p个轨迹点所组成，曲线L是由l个轨迹点所组成，使用σ（P）和σ（L）分别表示两轨迹点的顺序集合，则有σ（P）=（u1，…，up）和σ（L）=（v1，…，vp），通过弗雷歇距离（Fréchet Distance）算法计算得到曲线之间的弗雷歇距离。
在本发明一些实施例中，使用内阻测试仪对电池模组进行端电压和内阻测试，得到U和R，对模组中的单体进行端电压和内阻测试，计算各单体电压和与模组电压差值以及各单体电压内阻和与模组内阻差值，分别记为ΔU和ΔR。
在本发明的一些实施例中，所述初始神经网络模型为Elman神经网络模型；所述Elman神经网络模型结构属于前馈连接，其包括输入层、隐含层、输出层，所述隐含层的传递函数为非线性函数，输出层为线性函数，关联层也为线性函数。设置训练集和预测集，所述训练集模组个数至少设有20个，预测集模组个数至少设有10个。将计算的短时间充放电时间t、短时间充放电容量Q、弗雷歇距离δ、模组电压和内阻U和R以及电压和内阻差值ΔU和ΔR作为Elman神经网络模型的输入值，模组剩余容量作为输出值，构建电池模组的容量预测模型，对电池模组容量进行预测，从而达到快速分选的目的。
为了更好实施本发明实施例中的退役电池模组容量预测方法，在退役电池模组容量预测方法基础之上，对应的，如图3所示，本发明实施例还提供了一种退役电池模组容量预测装置300，包括：
剩余容量获取模块301，用于获取若干退役动力电池模组在第一次充放电测试后的剩余容量；
电压区段获取模块302，用于获取所述若干退役动力电池模组第二次充放电测试的IC曲线，并选取符合预设条件的电压区间作为限制电压区间段；
短时间值获取模块303，用于在所述限制电压区间段内，获取所述若干退役动力电池模组在短时间充放电测试下的短时间充放电曲线、短时间充放电时间和短时间充放电容量值；
曲线距离获取模块304，用于获取所述若干退役动力电池模组中两两电池模组之间的短时间充放电曲线的弗雷歇距离；
电压内阻获取模块305，用于获取所述若干退役动力电池模组的端电压和内阻，以及所述若干退役动力电池模组中所有单体电池的端电压和内阻，并计算各单体电池端电压和与模组电压差值以及各单体电压内阻和与模组内阻差值；
容量预测模块306，用于构建初始神经网络模型，以所述短时间充放电时间、短时间充放电容量、弗雷歇距离、模组电压和内阻、以及模组与单体电压差值和内阻差值作为所述初始神经网络模型的输入值，模组剩余容量作为输出值，经过迭代训练，得到训练完备的神经网络模型，并基于所述训练完备的神经网络模型对退役动力电池模组容量进行预测。
上述实施例提供的退役电池模组容量预测装置400可实现上述退役电池模组容量预测方法实施例中描述的技术方案，上述各模块或模块具体实现的原理可参见上述退役电池模组容量预测方法实施例中的相应内容，此处不再赘述。
如图4所示，本发明还相应提供了一种电子设备400。该电子设备400包括处理器401、存储器402及显示器403。图4仅示出了电子设备400的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
存储器402在一些实施例中可以是电子设备400的内部存储模块，例如电子设备400的硬盘或内存。存储器402在另一些实施例中也可以是电子设备400的外部存储设备，例如电子设备400上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。
进一步地，存储器402还可既包括电子设备400的内部储存模块也包括外部存储设备。存储器402用于存储安装电子设备400的应用软件及各类数据。
处理器401在一些实施例中可以是一中央处理器（Central Processing Unit，CPU），微处理器或其他数据处理芯片，用于运行存储器402中存储的程序代码或处理数据，例如本发明中的退役电池模组容量预测方法。
显示器403在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。显示器403用于显示在电子设备400的信息以及用于显示可视化的用户界面。电子设备400的部件401-403通过系统总线相互通信。
在本发明的一些实施例中，当处理器401执行存储器402中的计算机程序时，可实现以下步骤：
获取若干退役动力电池模组在第一次充放电测试后的剩余容量；
获取所述若干退役动力电池模组第二次充放电测试的IC曲线，并选取符合预设条件的电压区间作为限制电压区间段；
在所述限制电压区间段内，获取所述若干退役动力电池模组在短时间充放电测试下的短时间充放电曲线、短时间充放电时间和短时间充放电容量值；
获取所述若干退役动力电池模组中两两电池模组之间的短时间充放电曲线的弗雷歇距离；
获取所述若干退役动力电池模组的端电压和内阻，以及所述若干退役动力电池模组中所有单体电池的端电压和内阻，并计算各单体电池端电压和与模组电压差值以及各单体电压内阻和与模组内阻差值；
构建初始神经网络模型，以所述短时间充放电时间、短时间充放电容量、弗雷歇距离、模组电压和内阻、以及模组与单体电压差值和内阻差值作为所述初始神经网络模型的输入值，模组剩余容量作为输出值，经过迭代训练，得到训练完备的神经网络模型，并基于所述训练完备的神经网络模型对退役动力电池模组容量进行预测。
应当理解的是：处理器401在执行存储器402中的计算机程序时，除了上面的功能之外，还可实现其它功能，具体可参见前面相应方法实施例的描述。
进一步地，本发明实施例对提及的电子设备400的类型不做具体限定，电子设备400可以为手机、平板电脑、个人数字助理(personaldigital assistant，PDA)、可穿戴设备、膝上型计算机(laptop)等便携式电子设备。便携式电子设备的示例性实施例包括但不限于搭载IOS、android、microsoft或者其他操作系统的便携式电子设备。上述便携式电子设备也可以是其他便携式电子设备，诸如具有触敏表面(例如触控面板)的膝上型计算机(laptop)等。还应当理解的是，在本发明其他一些实施例中，电子设备400也可以不是便携式电子设备，而是具有触敏表面(例如触控面板)的台式计算机。
相应地，本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质用于存储计算机可读取的程序或指令，程序或指令被处理器执行时，能够实现上述各方法实施例提供的退役电池模组容量预测方法中的步骤或退役电池模组容量预测装置中的功能。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件（如处理器，控制器等）来完成，计算机程序可存储于计算机可读存储介质中。其中，计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上对本发明所提供的退役电池模组容量预测方法、装置、电子设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种退役电池模组容量预测方法，其特征在于，包括：
获取若干退役动力电池模组在第一次充放电测试后的剩余容量；
获取所述若干退役动力电池模组第二次充放电测试的IC曲线，并选取符合预设条件的电压区间作为限制电压区间段；
在所述限制电压区间段内，获取所述若干退役动力电池模组在短时间充放电测试下的短时间充放电曲线、短时间充放电时间和短时间充放电容量值；
获取所述若干退役动力电池模组中两两电池模组之间的短时间充放电曲线的弗雷歇距离；
获取所述若干退役动力电池模组的端电压和内阻，以及所述若干退役动力电池模组中所有单体电池的端电压和内阻，并计算各单体电池端电压和与模组电压差值以及各单体电压内阻和与模组内阻差值；
构建初始神经网络模型，以所述短时间充放电时间、短时间充放电容量、弗雷歇距离、模组电压和内阻、以及模组与单体电压差值和内阻差值作为所述初始神经网络模型的输入值，模组剩余容量作为输出值，经过迭代训练，得到训练完备的神经网络模型，并基于所述训练完备的神经网络模型对退役动力电池模组容量进行预测。
2.根据权利要求1所述的退役电池模组容量预测方法，其特征在于，获取若干退役动力电池模组在第一次充放电测试后的剩余容量，包括：
对若干退役动力电池模组在第一充放电能力倍率下进行第一次充放电测试，得到所述若干退役动力电池模组的剩余容量。
3.根据权利要求1所述的退役电池模组容量预测方法，其特征在于，获取所述若干退役动力电池模组第二次充放电测试的IC曲线，并选取符合预设条件的电压区间作为限制电压区间段，包括：
在第二充放电能力倍率下对所述若干退役动力电池模组进行充放电曲线测试，获取所述若干退役动力电池模组的IC曲线；
在电池模组的IC曲线中按照波谷-波峰-波谷对电压区间进行划分，对比各电压区间所占时间段，选取时间段最短的电压区间作为所述限制电压区间段。
4.根据权利要求1所述的退役电池模组容量预测方法，其特征在于，在所述限制电压区间段内，获取所述若干退役动力电池模组在短时间充放电测试下的短时间充放电曲线、短时间充放电时间和短时间充放电容量值，包括：
在所述限制电压区间段内，在所述第一充放电能力倍率与第一温度下进行短时间充放电曲线测试，得到短时间充放电曲线、短时间充放电时间和短时间充放电容量值。
5.根据权利要求4所述的退役电池模组容量预测方法，其特征在于，所述第一充放电能力倍率为0.3C～1C，所述第一温度为15℃～35℃。
6.根据权利要求1所述的退役电池模组容量预测方法，其特征在于，获取所述若干退役动力电池模组中两两电池模组之间的短时间充放电曲线的弗雷歇距离，包括：
通过弗雷歇距离算法计算得到所述若干退役动力电池模组中两两电池模组之间的短时间充放电曲线之间的弗雷歇距离；
其中，弗雷歇距离算法的计算公式如下所示：
P、L分别为P曲线和L曲线，i为轨迹点数量，m为选取的单个曲线轨迹点数量和，uai、vbi分别为P曲线和L曲线中顺序集合的轨迹点，d()为距离计算公式。
7.根据权利要求1所述的退役电池模组容量预测方法，其特征在于，所述初始神经网络模型为Elman神经网络模型；所述Elman神经网络模型结构属于前馈连接，其包括输入层、隐含层、输出层，所述隐含层的传递函数为非线性函数，输出层为线性函数。
8.一种退役电池模组容量预测装置，其特征在于，包括：
剩余容量获取模块，用于获取若干退役动力电池模组在第一次充放电测试后的剩余容量；
电压区段获取模块，用于获取所述若干退役动力电池模组第二次充放电测试的IC曲线，并选取符合预设条件的电压区间作为限制电压区间段；
短时间值获取模块，用于在所述限制电压区间段内，获取所述若干退役动力电池模组在短时间充放电测试下的短时间充放电曲线、短时间充放电时间和短时间充放电容量值；
曲线距离获取模块，用于获取所述若干退役动力电池模组中两两电池模组之间的短时间充放电曲线的弗雷歇距离；
电压内阻获取模块，用于获取所述若干退役动力电池模组的端电压和内阻，以及所述若干退役动力电池模组中所有单体电池的端电压和内阻，并计算各单体电池端电压和与模组电压差值以及各单体电压内阻和与模组内阻差值；
容量预测模块，用于构建初始神经网络模型，以所述短时间充放电时间、短时间充放电容量、弗雷歇距离、模组电压和内阻、以及模组与单体电压差值和内阻差值作为所述初始神经网络模型的输入值，模组剩余容量作为输出值，经过迭代训练，得到训练完备的神经网络模型，并基于所述训练完备的神经网络模型对退役动力电池模组容量进行预测。
9.一种电子设备，其特征在于，包括存储器和处理器，其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述权利要求1至7中任意一项所述的退役电池模组容量预测方法中的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时能够实现上述权利要求1至7中任意一项所述的退役电池模组容量预测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211683899.2A CN116184211A (zh) | 2022-12-27 | 2022-12-27 | 退役电池模组容量预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211683899.2A CN116184211A (zh) | 2022-12-27 | 2022-12-27 | 退役电池模组容量预测方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116184211A true CN116184211A (zh) | 2023-05-30 |
Family
ID=86435545
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211683899.2A Pending CN116184211A (zh) | 2022-12-27 | 2022-12-27 | 退役电池模组容量预测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116184211A (zh) |
-
2022
- 2022-12-27 CN CN202211683899.2A patent/CN116184211A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Data‐Driven Hybrid Internal Temperature Estimation Approach for Battery Thermal Management | |
| US20170350944A1 (en) | Methods and Systems for Data-Driven Battery State of Charge (SoC) Estimation | |
| CN106855612B (zh) | 计及非线性容量特性的分数阶KiBaM电池模型及参数辨识方法 | |
| CN109991554B (zh) | 一种电池电量检测方法、装置及终端设备 | |
| CN110806541B (zh) | 一种基于ad-bas的锂电池模型参数辨识方法 | |
| Xu et al. | Fast capacity prediction of lithium-ion batteries using aging mechanism-informed bidirectional long short-term memory network | |
| CN106872901A (zh) | KiBaM‑分数阶等效电路综合特征电池模型及参数辨识方法 | |
| Xing et al. | State-of-charge estimation for Lithium-Ion batteries using Kalman filters based on fractional-order models | |
| CN115754726A (zh) | 一种电池寿命预测及维持方法、电子设备和存储介质 | |
| Bao et al. | Hybrid deep neural network with dimension attention for state-of-health estimation of lithium-ion batteries | |
| CN114156992A (zh) | 一种电池两级均衡方法、装置、设备及存储介质 | |
| US20220255142A1 (en) | Battery management apparatus, battery management method and battery pack | |
| CN106970328B (zh) | 一种soc估算方法及装置 | |
| CN117031292A (zh) | 电池健康状态预测方法、装置、计算机设备和存储介质 | |
| CN116184211A (zh) | 退役电池模组容量预测方法、装置、电子设备及存储介质 | |
| CN116299006A (zh) | 电池包的健康状况预测方法、装置、设备和存储介质 | |
| Soomro et al. | Development of a simplified method for the determination of ampere-hour capacity of lead–acid battery | |
| CN110619147A (zh) | 一种应用于恒压工况的二阶及多阶电池等效电路模型构建方法 | |
| CN117977747A (zh) | 充电方法、装置和移动终端 | |
| CN117654928A (zh) | 一种基于时间距离序列的退役电池分选方法、装置及设备 | |
| CN113219357B (zh) | 电池包健康状态计算方法、系统及电子设备 | |
| CN117341477B (zh) | 磷酸铁锂动力电池内短路预警方法、装置和计算机设备 | |
| CN117872153B (zh) | 一种锂电池荷电状态的评估方法、装置及电子设备 | |
| US20220344729A1 (en) | Battery management apparatus, battery management method and battery pack | |
| CN116338470A (zh) | 电池健康评估方法、装置、电子设备及可读存储介质 |
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 |