CN116298927A - 一种电池容量估计方法和装置、计算机设备、存储介质 - Google Patents

一种电池容量估计方法和装置、计算机设备、存储介质 Download PDF

Info

Publication number
CN116298927A
CN116298927A CN202310398999.9A CN202310398999A CN116298927A CN 116298927 A CN116298927 A CN 116298927A CN 202310398999 A CN202310398999 A CN 202310398999A CN 116298927 A CN116298927 A CN 116298927A
Authority
CN
China
Prior art keywords
curve
electric quantity
charge
state
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.)
Granted
Application number
CN202310398999.9A
Other languages
English (en)
Other versions
CN116298927B (zh
Inventor
姜研
高洋
韦绍远
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Li'an Technology Co ltd
Original Assignee
Shandong Li'an New Energy Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shandong Li'an New Energy Co ltd filed Critical Shandong Li'an New Energy Co ltd
Priority to CN202310398999.9A priority Critical patent/CN116298927B/zh
Publication of CN116298927A publication Critical patent/CN116298927A/zh
Application granted granted Critical
Publication of CN116298927B publication Critical patent/CN116298927B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Abstract

本申请涉及电池管理与应用技术领域，尤其涉及一种电池容量估计方法和装置、计算机设备、存储介质。该方法包括：获取一次电池放电过程的基础数据，基础数据包括：采集电流、采集电压和采集时间；根据采集电流和采集时间进行积分，得到电量数据；根据采集电流、采集电压和采集时间，结合预设的电池模型和预设的电压荷电状态曲线得到荷电状态数据；根据荷电状态数据和电量数据进行曲线构建，得到一次电池放电过程的电量荷电状态曲线；根据电量荷电状态曲线的斜率得到目标电池容量估计值。本申请实施例基于电量荷电状态曲线进行容量估计，提高了电池容量的估计精度。

Description

一种电池容量估计方法和装置、计算机设备、存储介质
技术领域
本申请涉及电池管理与应用领域，尤其涉及一种电池容量估计方法和装置、计算机设备、存储介质。
背景技术
相关技术中，若想要估计电池的容量，往往需要用到两个重要的指标：荷电状态(State of Charge，SOC)和可放电量Q0。其中，电池的SOC的定义为电池当前状态下可放出的电量(Q0)与电池实际容量(Qa)的比值，即：SOC＝Q0/Qa。上式经过推导，可得出电池的实际容量等于电池当前状态下的可放出电量与当前SOC的比值。但在实际应用中，电池管理系统能测量得到的物理量有限，一般包括电池电压、电流和温度等。电池的可放出电量和SOC都不能直接测量得到，需要使用算法估计得到。因此，通常会基于电池管理系统采集到的电压、电流和时间等数据，将电池在一段时间内的SOC、充/放电电量辨识出来，再去估计电池的容量。根据电池SOC的定义，只要电池存在电流，电池的SOC和可放出电量就会变化，因此，当获得一系列电池电压、电流和时间等数据时，可以得到一系列的电量-SOC的对应关系。在估计容量时，可以选取一个放电过程的起始和终止时刻的SOC和电量值进行计算。
但是，在实际应用中，容量估计结果受异常点的影响较大。例如，基于初始和终止时刻SOC和电量的估计方法，只用到初始和终止时刻的信息，若在这两个点上出现误差，将会显著影响电池容量的估计结果。
因此，如何提供一种电池容量估计方法，能够提高电池容量的估计精度，成为了亟待解决的技术问题。
发明内容
本申请实施例的主要目的在于提出一种电池容量估计方法和装置、计算机设备、存储介质，能够提高电池容量的估计精度。
为实现上述目的，本申请实施例的第一方面提出了一种电池容量估计方法，所述方法包括：
获取一次电池放电过程的基础数据，所述基础数据包括：采集电流、采集电压和采集时间；
根据所述采集电流和所述采集时间进行积分，得到电量数据；
根据所述采集电流、所述采集电压和所述采集时间，结合预设的电池模型和预设的电压荷电状态曲线得到荷电状态数据；
根据所述荷电状态数据和所述电量数据进行曲线构建，得到一次电池放电过程的电量荷电状态曲线；
根据所述电量荷电状态曲线的斜率得到目标电池容量估计值，具体包括：
根据预设的完全最小二乘法对所述电量荷电状态曲线进行求解，得到第一曲线斜率，根据所述第一曲线斜率进一步得到所述目标电池容量估计值；
或者，
根据预设的分位数回归法对所述电量荷电状态曲线进行求解，得到第二曲线斜率，根据所述第二曲线斜率进一步得到所述目标电池容量估计值。
在一些实施例中，所述根据所述电量荷电状态曲线的斜率得到目标电池容量估计值，包括：
根据不同电池放电过程的多个所述电量荷电状态曲线进行曲线重建，得到更新的所述电量荷电状态曲线；
根据所述电量荷电状态曲线的斜率得到所述目标电池容量估计值。
在一些实施例中，所述根据所述电量荷电状态曲线的斜率得到目标电池容量估计值，包括：
根据不同电池放电过程的多个所述电量荷电状态曲线中每一所述电量荷电状态曲线的斜率得到每次电池放电过程的初始电池容量估计值；所述初始电池容量估计值由所述第一曲线斜率或所述第二曲线斜率得到；
根据预设的电池模型在电流激励下的电压仿真误差，得到每次电池放电过程的权重系数；
根据每次电池放电过程的所述初始电池容量估计值和所述权重系数进行加权求和，得到所述目标电池容量估计值。
在一些实施例中，在得到所述目标电池容量估计值之后，所述方法还包括：
根据行驶里程对所述目标电池容量估计值进行更新，具体包括：
记录每一次电池放电过程的目标电池容量估计值和行驶里程；
若所述记录的次数大于预设记录次数阈值，则将所述目标电池容量估计值和所述行驶里程输入至预设的电池寿命模型进行曲线拟合，得到电池容量里程曲线；
根据预设的分位数回归法对所述电池容量里程曲线进行容量估计，得到当前行驶里程的所述目标电池容量估计值。
在一些实施例中，所述根据所述采集电流、所述采集电压和所述采集时间，结合预设的电池模型和预设的电压荷电状态曲线得到荷电状态数据，包括：
将所述采集电流、所述采集电压输入至预设电池模型进行电压预测，得到与所述采集时间对应的开路电压数据；
根据所述开路电压数据对所述电压荷电状态曲线进行匹对，得到荷电状态数据；
其中，所述电压荷电状态曲线通过以下方式得到，包括：
根据所述开路电压数据和所述电量数据进行曲线构建，得到一次电池放电过程的电压电量曲线；
记录不同电池放电过程的多个所述电压电量曲线，得到多个待拼接电压电量曲线；
若所述待拼接电压电量曲线的数量大于第一预设数量阈值，则将多个所述待拼接电压电量曲线进行拼接，得到目标拼接电压电量曲线；
根据所述目标拼接电压电量曲线、预设的正极半电池曲线和预设的负极半电池曲线进行曲线重建，得到所述电压荷电状态曲线。
在一些实施例中，在所述根据所述开路电压数据和所述电量数据进行曲线构建，得到一次电池放电过程的电压电量曲线之后，所述方法还包括：
确定所述电压电量曲线中的最大电压值和最小电压值；
若所述最大电压值大于预设的第一电压阈值，且若所述最小电压值小于预设的第二电压阈值，则根据所述最大电压值在所述电压电量曲线中对应的电量得到第一电量值，根据所述最小电压值在所述电压电量曲线中对应的电量得到第二电量值；
根据所述第一电量值和所述第二电量值的差值得到所述目标电池容量估计值。
在一些实施例中，所述根据所述电量荷电状态曲线的斜率得到目标电池容量估计值，包括：
确定所述电量荷电状态曲线中的最大荷电状态值和最小荷电状态值；
若所述最大荷电状态值满足第一荷电状态阈值条件，且若所述最小荷电状态值满足第二荷电状态阈值条件，则确定所述最大荷电状态值在电量荷电状态曲线中对应的电量，得到第三电量值，确定所述最小荷电状态值在电量荷电状态曲线中对应的电量，得到第四电量值；
根据所述第三电量值和所述第四电量值的差值得到目标电池容量估计值。
本申请实施例的第二方面提出了一种电池容量估计装置，所述装置包括：
基础数据获取模块，用于获取一次电池放电过程的基础数据，所述基础数据包括：采集电流、采集电压和采集时间；
电量数据确定模块，用于根据所述采集电流和所述采集时间进行积分，得到电量数据；
荷电状态数据确定模块，用于根据所述采集电流、所述采集电压和所述采集时间，结合预设的电池模型和预设的电压荷电状态曲线得到荷电状态数据；
电量荷电状态曲线构建模块，用于根据所述荷电状态数据和所述电量数据进行曲线构建，得到一次电池放电过程的电量荷电状态曲线；
电池容量估计模块，用于根据所述电量荷电状态曲线的斜率得到目标电池容量估计值，具体包括：
根据预设的完全最小二乘法对所述电量荷电状态曲线进行求解，得到第一曲线斜率，根据所述第一曲线斜率进一步得到所述目标电池容量估计值；
或者，
根据预设的分位数回归法对所述电量荷电状态曲线进行求解，得到第二曲线斜率，根据所述第二曲线斜率进一步得到所述目标电池容量估计值。
本申请实施例的第三方面提出了一种计算机设备，所述一种计算机设备包括存储器和处理器，其中，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时所述处理器用于执行如本申请第一方面实施例任一项所述的方法。
本申请实施例的第四方面提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，在所述计算机程序被计算机执行时，所述计算机用于执行如本申请第一方面实施例任一项所述的方法。
本申请实施例提出的一种电池容量估计方法和装置、计算机设备、存储介质，包括：先获取一次电池放电过程的基础数据，基础数据包括：采集电流、采集电压和采集时间；其次根据基础数据得到荷电状态数据和电量数据，再根据荷电状态数据和电量数据进行曲线构建，得到一次电池放电过程的电量荷电状态曲线，然后根据电量荷电状态曲线的斜率得到目标电池容量估计值。本申请实施例通过构建电量荷电状态曲线并用于进行电池容量估计，能够减少因基础数据的采集异常所导致的估计误差。还采用了最小完全二乘法或分位数回归法对曲线进行求解，能够提高求解精度。本申请实施例提高了电池容量的估计精度。
附图说明
图1是本申请一个实施例提供的电池容量估计方法的步骤流程图；
图2是本申请一个实施例提供的电池的等效电路模型的示意图；
图3是图1中步骤105的步骤流程图；
图4是图1中步骤105的步骤流程图；
图5是本申请另一个实施例提供的电池容量估计方法的步骤流程图；
图6是本申请实施例提供的电池容量估计方法的一个整体流程示意图。
图7是本申请一个实施例提供的电池容量估计装置的模块结构框图；
图8是本申请一个实施例提供的计算机设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
需要说明的是，虽然在装置示意图中进行了功能模块划分，在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于装置中的模块划分，或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。
首先，对本申请中涉及的若干名词进行解析：
锂离子电池：是一种二次电池(充电电池)，它主要依靠锂离子在正极和负极之间移动来工作。在充放电过程中，锂离子在两个电极之间往返嵌入和脱嵌：充电时，锂离子从正极脱嵌，经过电解液嵌入负极，负极处于富锂状态；放电时，锂离子从负极脱嵌，经过电解液嵌入正极，正极处于富锂状态。
电池容量：是衡量电池性能的重要性能指标之一，它表示在一定条件下(放电率、温度、终止电压等)电池放出的电量，即电池的容量，通常以安培·小时为单位(简称，以A·h)。
荷电状态(State of Charge，SOC)：是蓄电池使用一段时间或长期搁置不用后的剩余容量与其完全充电状态的容量的比值，常用百分数表示。其取值范围为0～1，当SOC＝0时表示电池放电完全，当SOC＝1时表示电池完全充满。
可放电量：又称剩余电量，剩余电量是指蓄电池等储能装置在经过一定时间的使用后可放出电量大小。
相关技术也存在对电池容量的估计方法，例如：
Figure BDA0004178711930000051
其中，SOC1为初始时刻电池的SOC值，SOC2为结束时刻电池的SOC值，Q1为在初始时刻电池的充放电电量，Q2为在结束时刻电池的充放电电量。上式经过进一步推导，可得出：/>
Figure BDA0004178711930000052
根据上式也可以看出，如果把SOC当做自变量、电量(Q)当做因变量，那么电池的容量就可以看成是Q-SOC二维散点图进行线性拟合后所得到的拟合的直线的斜率，通常来说，采用最小二乘拟合即可得到拟合直线的斜率。但是存在以下问题：
1)容量估计结果受异常点的影响较大。例如，基于初始和终止时刻SOC和电量(Q)的估计方法，只用到两个点的信息，若在这两个点上出现误差，将会显著影响容量的估计结果。又例如，基于曲线拟合的方法，由于是对大量的Q-SOC散点进行拟合，在一定程度上解决了首末两端参数估计不准确对容量估计精度的影响，但在实际应用中，电池管理系统采集到的电压、电流和时间等数据会出现采样不同步，或由于硬件电路的可靠性原因导致采集的数据存在误差，将导致辨识出的一组Q-SOC的数据中，难免会存在异常点，异常点的存在将会导致曲线拟合的结果出现一定的误差。
2)在进行SOC的估计时，需要首先基于获得的数据辨识出电池的开路电压(OpenCi rcu it Vo ltage，OCV)，随后利用电池的OCV-SOC曲线，得到电池的SOC。OCV-SOC曲线的形状和电池的容量有着强耦合的关系。当电池容量衰减后，OCV-SOC曲线的形状也会发生变化。针对新电池，电池的OCV-SOC曲线是已知的，因为它可以在实验室内通过测试得到。电池老化后，电池的容量衰减情况是未知的、需要估计的，此时OCV-SOC曲线的变化情况也是未知的。而OCV-SOC曲线未知将导致无法根据OCV得到电池的SOC，进而无法估计电池容量。
为了解决上述问题，本申请提出了一种电池容量估计方法，能够提高电池容量的估计精度。本申请提出的电池容量估计方法，是一种适用于锂离子电池的容量估计方法。针对电池管理系统采集到的电压、电流和时间等数据，结合电池模型，进行参数辨识，得到电量-开路电压曲线，开路电量-荷电状态曲线，基于单次或多次过程的电量-荷电状态曲线，提出一种基于曲线拟合思想的容量估计方法，可降低异常数据对容量估计结果的影响，同时，提出了一种基于曲线拼接思想的OCV-SOC曲线更新方法，实现了电池老化过程中OCV-SOC曲线的更新。
此外，本申请实施例还提供了一种电池容量估计装置、计算机设备、以及计算机存储介质，用于执行一种电池容量估计方法。
本申请实施例提供的电池容量估计方法应用于服务器端中，还可以是运行于服务器端中的软件。在一些实施例中，服务器端可以配置成独立的物理服务器，也可以配置成多个物理服务器构成的服务器集群或者分布式系统，还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器；软件可以是实现上述方法的应用等，但并不局限于以上形式。
本申请实施例提供的电池容量估计方法可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费计算机设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本申请实施例提供的一种电池容量估计方法，具体通过如下实施例进行说明。
参照图1，根据本申请实施例的一种电池容量估计方法，该方法包括但不限于步骤101至步骤105。
步骤101，获取一次电池放电过程的基础数据，基础数据包括：采集电流、采集电压和采集时间；
步骤102，根据采集电流和所述采集时间进行积分，得到电量数据；
步骤103，根据采集电流、采集电压和采集时间，结合预设的电池模型和预设的电压荷电状态曲线得到荷电状态数据；
步骤104，根据荷电状态数据和电量数据进行曲线构建，得到一次电池放电过程的电量荷电状态曲线；
步骤105，根据电量荷电状态曲线的斜率得到目标电池容量估计值，具体包括：
根据预设的完全最小二乘法对电量荷电状态曲线进行求解，得到第一曲线斜率，根据第一曲线斜率进一步得到目标电池容量估计值；或者，根据预设的分位数回归法对电量荷电状态曲线进行求解，得到第二曲线斜率，根据第二曲线斜率进一步得到目标电池容量估计值。
本申请实施例所示意的步骤S101至步骤S105，本申请实施例通过构建电量荷电状态曲线并用于进行电池容量估计，能够减少因基础数据的采集异常所导致的估计误差。还采用了最小完全二乘法或分位数回归法对曲线进行求解，能够提高求解精度。本申请实施例提高了电池容量的估计精度。
在一些实施例的步骤101中，获取一次电池放电过程的基础数据，基础数据包括：采集电流、采集电压和采集时间。
电池放电过程是指电池在使用过程中，锂离子从负极脱嵌，经过电解质嵌入正极，正极处于富锂状态，此时电池电量将持续下降。例如，某锂离子电池的第一初始可放电量为1600mAh，第一次放电过程后，第一终止可放电量为至1200mAh。又例如，锂离子电池的第二初始可放电量为1100mAh，则第二次放电过程后，第二终止可放电量为至800mAh。
可以理解的是，在一次电池放电过程中，存在多个采样点，基础数据包括多个采样点的采集数据，采集数据包括采集电流、采集电压和采集时间。
接下来针对如何获取基础数据展开描述：
获取基础数据的方式可以是通过采集设备在电池放电过程中对电池进行参数读取，得到基础数据。
获取基础数据的方式还可以是将电池放电过程建模成等效电路模型，对等效电路模型进行参数采集，得到基础数据。
获取基础数据的方式还可以是通过服务器的网络接口接收终端发送的基础数据。如基础数据可以是终端通过预设的链接请求服务器上的电池容量估计服务，并通过网络接口向服务器发送的基础数据，即终端发送电池容量估计请求。
获取基础数据的方式还可以是服务器访问预设存储位置，从预设存储位置上读取到基础数据。如，基础数据可以预先存储在服务器的预设存储位置处，在进行电池容量估计时，服务器读取预设存储位置处的基础数据，从而获取到该基础数据。
在一些实施例的步骤102中，根据采集电流和采集时间进行积分，得到电量数据。
具体地，在任意时刻t1，电池的电量数据Q可通过采集电流对采集时间的积分得到，即：
Figure BDA0004178711930000081
其中，t0为起始时刻。
在一些实施例的步骤103中，根据采集电流、采集电压和采集时间，结合预设的电池模型和预设的电压荷电状态曲线得到荷电状态数据。
在一实施例中，步骤103包括：
将采集电流、采集电压输入至预设电池模型进行电压预测，得到与采集时间对应的开路电压数据；
根据开路电压数据对电压荷电状态曲线进行匹对，得到荷电状态数据。
具体地，电池在任意时刻的开路电压数据OCV需要对电池进行建模和参数辨识来得到。电池模型f描述了电池电压V和电流I的对应关系，一般可用以下公式来表示：
V＝f(θ,I) (1)
其中θ为电池模型参数，需要根据已知的V,I数据进行辨识。可选取的电池模型有等效电路模型，电化学模型和分数阶模型等。
参照图2，以等效电路模型中的Rint模型为例，电池的电压可表示为：
V＝OCV-I*R (2)
其中，R为电池的内阻。
从上式可知，给定一组V，I，可通过参数辨识的方法辨识出于相对应的OCV和R，参数辨识的方法可以是最小二乘法、卡尔曼滤波算法等。
在上述得到开路电压数据之后，需要根据开路电压数据对电压荷电状态曲线进行匹配，以得到在电压荷电状态曲线中与开路电压数据对应的荷电状态数据。
可以理解的是，若通过电池的OCV-SOC曲线(电压荷电状态曲线)得出与OCV相对应的荷电状态数据SOC，则电池的OCV-SOC曲线是否准确，将会影响到SOC的准确性。针对新电池，电池的OCV-SOC曲线是已知的，因为它可以在实验室内通过测试得到。但电池老化后，电池的容量衰减情况是未知的、需要估计的，此时OCV-SOC曲线的变化情况也是未知的。
电压荷电状态曲线还可以通过以下方式得到，包括：
(1)根据开路电压数据和电量数据进行曲线构建，得到一次电池放电过程的电压电量曲线，根据电压电量曲线、预设的正极半电池曲线和预设的负极半电池曲线进行曲线重建，得到电压荷电状态曲线。
(2)根据开路电压数据和电量数据进行曲线构建，得到一次电池放电过程的电压电量曲线；记录不同电池放电过程的多个所述电压电量曲线，得到多个待拼接电压电量曲线；
若待拼接电压电量曲线的数量大于第一预设数量阈值，将多个待拼接电压电量曲线进行拼接，得到目标拼接电压电量曲线；根据目标拼接电压电量曲线、预设的正极半电池曲线和预设的负极半电池曲线进行曲线重建，得到电压荷电状态曲线；
若待拼接电压电量曲线的数量小于或等于第一预设数量阈值，将多个待拼接电压电量曲线进行拼接，得到初始拼接电压电量曲线；根据初始拼接电压电量曲线和电池的原始电压电量曲线进行曲线重建，得到目标拼接电压电量曲线，根据目标拼接电压电量曲线、预设的正极半电池曲线和预设的负极半电池曲线进行曲线重建，得到电压荷电状态曲线。
可以理解的是，方式(2)相比方式(1)，更多考虑了多次电池放电过程中的多个电量曲线，所得到的电压荷电状态曲线更能够减少异常点所导致的估计误差，更进一步提高了电池容量估计的精度。
另外，考虑到电池的使用时间越长或充电循环次数越多，则电池更易老化。而在不同老化状态情况下，电池的原始电压电量曲线也会有所变化。因此，在另一实施例，还需考虑电池的使用时长和充电循环次数。具体地，电压荷电状态曲线还可以通过以下方式得到，包括：
记录不同电池放电过程的多个所述电压电量曲线，得到多个待拼接电压电量曲线；
若处于第一预设情况，则将多个待拼接电压电量曲线按时间顺序进行拼接，得到目标拼接电压电量曲线；所述第一预设情况包括以下至少一个：电池的使用时间大于预设使用时长阈值，若电池的充电循环系数大于预设充电次数阈值；
若处于第二预设情况，则将多个待拼接电压电量曲线按时间顺序进行拼接，得到初始拼接电压电量曲线，根据初始拼接电压电量曲线和电池的原始电压电量曲线进行曲线重建，得到目标拼接电压电量曲线；第二预设情况包括：电池的使用时间小于预设使用时长阈值，且电池的充电循环系数小于预设充电次数阈值。
具体地，对每一次电池放电过程的电压电量曲线(OCV-Q曲线)进行记录，将所有的OCV-Q曲线进行拼接，得到目标拼接电压电量曲线(OCVnew-Qnew曲线)，进一步结合新电池的正极半电池曲线V_positive-Q，新电池的负极半电池曲线V_negative-Q数据，得到当前状态下电池全SOC区间完整的、更新的OCV-Q曲线和OCV-SOC曲线：OCVupdate-Qupdate，和OCVupdate-SOCupdate。
需要说明的是：全电池由正极、负极，隔膜、电解液等组成，其中，正极和负极在不同的SOC/带电量下的电压不同。因此，新电池的正极半电池曲线V_positive-Q，新电池的负极半电池曲线V_negative-Q，两条曲线分别经过不同程度的变换后(左右平移、上下平移，拉伸，收缩，局部拉伸、局部收缩等)再相减，即可得到全电池的OCV-Q曲线。
需要说明的是，一般情况下，电压电量曲线需要与上述提及的正极半电池曲线和负极半电池曲线共同进行曲线构建，得到电压荷电状态曲线，从而根据电压荷电状态曲线进行电池容量估计。但当OCVnew-Qnew曲线中的最大电压值和最小电压值覆盖了预定的SOC＝100％和SOC＝0的OCV值(分别用OCV_upper_cutoff和OCV_lower_cutoff表示)时，可直接将OCVnew-Qnew曲线中OCVnew在OCV_lower_cutoff和OCV_upper_cutoff之间的部分认为是当前状态下电池完整的OCV-Q曲线：OCVupdate-Qupdate，并可进一步得到OCVupdate-SOCupdate曲线，同时，电池容量估计值为：
Qest＝Qnew(OCVnew＝OCV_upper_cutoff)-Qnew(OCVnew＝OCV_lower_cutoff) (3)
在上述过程实现时，本申请实施例的电池容量估计方法还包括：
确定电压电量曲线中的最大电压值和最小电压值；
若最大电压值大于预设的第一电压阈值(OCV_upper_cutoff)，且若最小电压值(OCV_lower_cutoff)小于预设的第二电压阈值，则根据最大电压值在电压电量曲线中对应的电量得到第一电量值，根据最小电压值在电压电量曲线中对应的电量得到第二电量值；
根据第一电量值和第二电量值的差值得到目标电池容量估计值。
可以理解的是，辨识出OCV后，可直接通过上述电池的SOC-OCV曲线得出与OCV相对应的荷电状态数据SOC，也可以通过卡尔曼滤波算法等方法，辨识得到相应的荷电状态数据SOC。
参照图2，以等效电路模型中的Rint模型为例，如采用卡尔曼滤波算法辨识得到SOC，则状态空间表达式可表示为：
Figure BDA0004178711930000111
其中，k，k-1表示相邻的两个时刻，I表示采集电流，V表示采集电压，Δt表示采集时间差，Uocv′(SOC[k])为OCV-SOC曲线在SOC[k]处的导数。
该实施例的好处是，减少因电池老化程度不同而OCV-SOC曲线不适用对估计精度的影响，更加灵活且容量估计的精度更高。
在一些实施例的步骤104中，根据荷电状态数据和电量数据进行曲线构建，得到一次电池放电过程的电量荷电状态曲线。
具体地，在一次电池放电过程中包括多个采样点，根据采样点的采集电压、采集电流和采集时间得到了每个采样点的荷电状态数据和电量数据，根据多个采样点的荷电状态数据和电量数据得到了二维散点图，根据二维散点图进行曲线构建(又称曲线拟合)，得到一次放电过程的电量荷电状态曲线。
在一些实施例的步骤105中，根据所述电量荷电状态曲线的斜率得到目标电池容量估计值。
具体地，针对电池的一次放电过程，得到一一对应的Q，SOC序列(Q，SOC均为列向量)，SOC和Q的关系可表示为：
SOCi＝β1Qi+β0+εi (5)
其中，i表示不同时刻点，SOCi表示第i时刻的SOC，Qi表示第i时刻的电量，εi为SOC估计过程中的SOC估计误差，采用曲线拟合方式计算得到参数β0和β1，进一步得到电池容量
Figure BDA0004178711930000112
在一实施例中，步骤105包括：根据预设的完全最小二乘法对电量荷电状态曲线进行求解，得到第一曲线斜率，根据第一曲线斜率进一步得到目标电池容量估计值(步骤105a)；或者，根据预设的分位数回归法对电量荷电状态曲线进行求解，得到第二曲线斜率，根据第二曲线斜率进一步得到目标电池容量估计值(步骤105b)。
步骤105a采用完全最小二乘法拟合Q-SOC序列，令X＝[Q1],Y＝[SOC]；
求解方式如下：
1)m为X的行数，n为X的列数，令Z＝[XY]；
2)采用奇异值分解方式分解矩阵Z，得到矩阵U、S和V；其中，U、S和V的维度分别为：m*m，m*(n+1),(n+1)*(n+1)；
3)从矩阵S中删除额外的零值行或列，以及矩阵U或V中与表达式Z＝U*S*VT中的那些零值相乘的列，得到U1、S1和V1；
4)令VXY＝V1(1:n,1+n:end),VYY＝V1(1+n:end,1+n:end)；
5)Beta＝[β0,β1]T＝-VXY/VYY。
步骤105b采用分位数回归方法拟合Q-SOC序列，令X＝[Q1],Y＝[SOC]；
求解方法如下：
Figure BDA0004178711930000121
ρτ(u)＝τmax(u,0)+(1-τ)max(-u,0) (7)
其中，
Figure BDA0004178711930000122
为根据公式计算得出的拟合值，τ为分位数，0<τ<1。
具体地，考虑到对基础数据的采集过程会容易出现异常，导致一次放电过程所得到的电量荷电状态曲线不准确，本申请引入不同电池放电过程的多个电量荷电状态曲线，能够减少基础数据的采集异常所导致的估计误差，提高了电池容量的估计精度。
容量估计方法可以进行如下改进，参照图3，步骤105包括：
步骤201，根据不同电池放电过程的多个电量荷电状态曲线进行曲线重建，得到更新的电量荷电状态曲线；
步骤202，根据电量荷电状态曲线的斜率得到目标电池容量估计值。
具体地，对每一次电池放电过程的计算得到的Q-SOC曲线进行记录，当积累一定次数后，将所有的Q-SOC曲线进行拼接，得到新的曲线：Qnew-SOCnew曲线，再对构成新的曲线的数据进行拟合，得到电池容量的估计值。这样一来，进一步减少数据异常点对容量估计结果的影响。
容量估计方法还可以进行如下改进，参照图4，步骤105包括：
步骤301，根据不同电池放电过程的多个电量荷电状态曲线中每一电量荷电状态曲线的斜率得到每次电池放电过程的初始电池容量估计值；初始电池容量估计值由第一曲线斜率或第二曲线斜率得到；
步骤302，根据预设的电池模型在电流激励下的电压仿真误差，得到每次电池放电过程的权重系数；
步骤303，根据每次电池放电过程的初始电池容量估计值和权重系数进行加权求和，得到目标电池容量估计值。
可以理解的是，通过电池模型在电流激励下的电压仿真误差确定权重系数，充分体现了不同电池放电过程的电池状态对电池容量估计的影响，且通过多次电池放电过程得到单次放电过程的目标电池容量估计值，减少因数据异常点导致的估计误差。
需要说明的是，除了上述加权求和的方式，还可以对每一次使用过程计算得到的Q-SOC曲线，先得到初始估计电池容量值，将多个初始容量估计结果取平均值，得到第二电池容量估计值。还可以取多个初始容量估计值中的某一分位数作为第二容量估计值。
需要说明的是，分位数亦称分位点，是指将一个随机变量的概率分布范围分为几个等份的数值点，常用的有中位数(即二分位数)、四分位数、百分位数等。在本申请实施例中，利用分位数可以降低某些不合理的初始容量估计值对最终估计结果的影响。
需要说明的是，当步骤105中的电量荷电状态曲线Qnew-SOCnew覆盖了SOC＝100％(第一荷电状态阈值条件)和SOC＝0(第二荷电状态阈值条件)时，可直接按照以下公式计算得到电池容量值：
Qest＝Qnew(socnew＝100％)-Qnew(socnew＝0) (8)
在该实施例具体实施时，步骤105包括：
确定电量荷电状态曲线中的最大荷电状态值和最小荷电状态值；
若最大荷电状态值满足第一荷电状态阈值条件，且若最小荷电状态值满足第二荷电状态阈值条件，确定最大荷电状态值在电量荷电状态曲线中对应的电量，得到第三电量值，确定最小荷电状态值在电量荷电状态曲线中对应的电量，得到第四电量值；
根据第三电量值和第四电量值的差值得到目标电池容量估计值。
通过上述方式，在保证电池容量估计精度的情况下，提高了估计效率。
另外，结合车辆的行驶里程，本申请实施例的容量估计方法还可以进行如下改进。参照图5，所述容量估计方法还包括：
根据行驶里程对目标电池容量估计值进行更新，具体包括：
步骤401，记录每一次电池放电过程的目标电池容量估计值和行驶里程；
步骤402，若记录的次数大于预设记录次数阈值，则将目标电池容量估计值和行驶里程输入至预设的电池寿命模型进行曲线拟合，得到电池容量里程曲线；
步骤403，根据预设的分位数回归法对电池容量里程曲线进行容量估计，得到当前行驶里程的目标电池容量估计值。
具体地，每一次电池放电过程都记录电池容量估计值和车辆的行驶里程，数据积累到一定程度后，得到容量估计值-行驶里程序列，采用电池寿命模型来拟合该序列，进而估计得到当前里程下电池容量值。
例如，电池寿命模型为：
Figure BDA0004178711930000131
其中，mk是车辆行驶里程，Cfit,k是在mk里程时电池容量的拟合值，Crated为电池额定容量。β2和β3是拟合参数，可采用寻优算法得到。
本实施例提供另一个更能提高容量估计精度的求解方式，即分位数回归法。具体地，采用分位数回归思想，计算得到β2和β3。β2和β3的求解过程:
Figure BDA0004178711930000141
ρτ(u)＝τmax(u,0)+(1-τ)max(-u,0) (11)
其中，Qest,k为在mk里程下的容量估计值，Cfit,k为容量拟合值，τ为分位数，0<τ<1。
该实施例的好处是，利用分位数回归法减少数据异常点对容量估计的影响，提高了容量估计的精度。
在一实施例中，步骤403具体包括：
获取在一次电池放电过程中的当前行驶里程；
根据电池容量里程曲线对当前行驶里程的电池容量进行估计，得到第一电池容量估计值；
根据第一电池容量估计值得到当前行驶里程的目标电池容量估计值。
在另一实施例中，步骤403还包括：
获取在一次电池放电过程中的当前行驶里程；
根据电池容量里程曲线对当前行驶里程的电池容量进行估计，得到第一电池容量估计值；
若当前行驶里程大于预设的行驶里程阈值，则根据一次电池放电过程的电量荷电状态曲线进行容量估计，得到第二电池容量估计值；根据第一电池容量估计值和第二电池容量估计值进行加权求和，得到当前行驶里程的目标电池容量估计值；
若当前行驶里程小于或等于预设的行驶里程阈值，则根据第一电池容量估计值得到目标电池容量估计值。
通过上述步骤401至步骤403，结合行驶里程对电池容量估计进行更新，进一步提高了电池容量估计精度。
参照图6，图6为本申请实施例提供的电池容量估计过程的一个整体流程示意图。在本实施例中，针对一次使用过程(即一次电池放电过程)，读取基础数据，基础数据包括：电池电压、电流和时间；计算一次使用过程的电压电量曲线和电量荷电状态曲线；基于电量荷电状态曲线的二维散点图进行拟合，得到电池容量估计值。或者，针对一次使用过程(即一次电池放电过程)，读取基础数据，基础数据包括：电池电压、电流和时间；根据基础数据得到电压电量曲线和电量荷电状态曲线，并存储至预设数据库；多个电压电量曲线拼接，多个电量荷电状态曲线拼接；电量荷电状态曲线更新，或电池容量估计，得到电池容量估计值。
综合上述本申请的实施例，本申请能够基于多个Q-SOC曲线估计电池容量，降低了数据异常点对容量估计结果的影响，提高了容量估计的精度。还通过数据积累，实现OCV-SOC曲线更新，进一步提高了容量估计的精度。
请参阅图7，本申请实施例还提供电池容量估计装置，可以实现上述电池容量估计方法，图7为本申请实施例提供的电池容量估计装置的模块结构框图，该装置包括：基础数据获取模块501、电量数据确定模块502、荷电状态数据确定模块503、电量荷电状态曲线构建模块504和电池容量估计模块505。其中，基础数据获取模块501，用于获取一次电池放电过程的基础数据，基础数据包括：采集电流、采集电压和采集时间；电量数据确定模块502，用于根据采集电流和采集时间进行积分，得到电量数据；荷电状态数据确定模块503，用于根据采集电流、采集电压和所述采集时间，结合预设的电池模型和预设的电压荷电状态曲线得到荷电状态数据；电量荷电状态曲线构建模块504，用于根据荷电状态数据和电量数据进行曲线构建，得到一次电池放电过程的电量荷电状态曲线；电池容量估计模块505，用于根据电量荷电状态曲线的斜率得到目标电池容量估计值，具体包括：根据预设的完全最小二乘法对电量荷电状态曲线进行求解，得到第一曲线斜率，根据第一曲线斜率进一步得到目标电池容量估计值；或者，根据预设的分位数回归法对电量荷电状态曲线进行求解，得到第二曲线斜率，根据第二曲线斜率进一步得到目标电池容量估计值。
该装置还包括：电池容量更新模块(图未示出)，用于根据行驶里程对目标电池容量估计值进行更新。
本申请实施例的电池容量估计装置用于执行上述实施例中的电池容量估计方法，其具体处理过程与上述实施例中的电池容量估计方法相同，此处不再一一赘述。
本申请实施例还提供了一种计算机设备，包括存储器和处理器，其中，存储器中存储有计算机程序，该计算机程序被处理器执行时处理器用于执行如本申请实施例中任一项的电池容量估计方法。
下面结合图8对计算机设备的硬件结构进行详细说明。该计算机设备包括：处理器601、存储器602、输入/输出接口603、通信接口604和总线605。
处理器601，可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，ASIC)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请实施例所提供的技术方案；
存储器602，可以采用ROM(Read Only Memory，只读存储器)、静态存储设备、动态存储设备或者RAM(Random Access Memory，随机存取存储器)等形式实现。存储器602可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器602中，并由处理器601来调用执行本申请实施例的电池容量估计方法；
输入/输出接口603，用于实现信息输入及输出；
通信接口604，用于实现本设备与其他设备的通信交互，可以通过有线方式(例如USB、网线等)实现通信，也可以通过无线方式(例如移动网络、WI FI、蓝牙等)实现通信；和总线605，在设备的各个组件(例如处理器601、存储器602、输入/输出接口603和通信接口604)之间传输信息；
其中处理器601、存储器602、输入/输出接口603和通信接口604通过总线605实现彼此之间在设备内部的通信连接。
本申请实施例还提供一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，在计算机程序被计算机执行时，计算机用于执行如本申请实施例中任一项的电池容量估计方法。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域技术人员可知，随着技术的演变和新应用场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本领域技术人员可以理解的是，图1、图3至图5中示出的技术方案并不构成对本申请实施例的限定，可以包括比图示更多或更少的步骤，或者组合某些步骤，或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的，其中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，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可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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，包括多指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-On ly Memory，简称ROM)、随机存取存储器(Random Access Memory，简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例，并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进，均应在本申请实施例的权利范围之内。

Claims (10)

1.一种电池容量估计方法，其特征在于，所述方法包括：
获取一次电池放电过程的基础数据，所述基础数据包括：采集电流、采集电压和采集时间；
根据所述采集电流和所述采集时间进行积分，得到电量数据；
根据所述采集电流、所述采集电压和所述采集时间，结合预设的电池模型和预设的电压荷电状态曲线得到荷电状态数据；
根据所述荷电状态数据和所述电量数据进行曲线构建，得到一次电池放电过程的电量荷电状态曲线；
根据所述电量荷电状态曲线的斜率得到目标电池容量估计值，具体包括：
根据预设的完全最小二乘法对所述电量荷电状态曲线进行求解，得到第一曲线斜率，根据所述第一曲线斜率进一步得到所述目标电池容量估计值；
或者，
根据预设的分位数回归法对所述电量荷电状态曲线进行求解，得到第二曲线斜率，根据所述第二曲线斜率进一步得到所述目标电池容量估计值。
2.根据权利要求1所述的方法，其特征在于，所述根据所述电量荷电状态曲线的斜率得到目标电池容量估计值，包括：
根据不同电池放电过程的多个所述电量荷电状态曲线进行曲线重建，得到更新的所述电量荷电状态曲线；
根据所述电量荷电状态曲线的斜率得到所述目标电池容量估计值。
3.根据权利要求1所述的方法，其特征在于，所述根据所述电量荷电状态曲线的斜率得到目标电池容量估计值，包括：
根据不同电池放电过程的多个所述电量荷电状态曲线中每一所述电量荷电状态曲线的斜率得到每次电池放电过程的初始电池容量估计值；所述初始电池容量估计值由所述第一曲线斜率或所述第二曲线斜率得到；
根据预设的电池模型在电流激励下的电压仿真误差，得到每次电池放电过程的权重系数；
根据每次电池放电过程的所述初始电池容量估计值和所述权重系数进行加权求和，得到所述目标电池容量估计值。
4.根据权利要求1至3任一项所述的方法，其特征在于，在得到所述目标电池容量估计值之后，所述方法还包括：
根据行驶里程对所述目标电池容量估计值进行更新，具体包括：
记录每一次电池放电过程的目标电池容量估计值和行驶里程；
若所述记录的次数大于预设记录次数阈值，则将所述目标电池容量估计值和所述行驶里程输入至预设的电池寿命模型进行曲线拟合，得到电池容量里程曲线；
根据预设的分位数回归法对所述电池容量里程曲线进行容量估计，得到当前行驶里程的所述目标电池容量估计值。
5.根据权利要求1至3任一项所述的方法，其特征在于，所述根据所述采集电流、所述采集电压和所述采集时间，结合预设的电池模型和预设的电压荷电状态曲线得到荷电状态数据，包括：
将所述采集电流、所述采集电压输入至预设电池模型进行电压预测，得到与所述采集时间对应的开路电压数据；
根据所述开路电压数据对所述电压荷电状态曲线进行匹对，得到荷电状态数据；
其中，所述电压荷电状态曲线通过以下方式得到，包括：
根据所述开路电压数据和所述电量数据进行曲线构建，得到一次电池放电过程的电压电量曲线；
记录不同电池放电过程的多个所述电压电量曲线，得到多个待拼接电压电量曲线；
若所述待拼接电压电量曲线的数量大于第一预设数量阈值，则将多个所述待拼接电压电量曲线进行拼接，得到目标拼接电压电量曲线；
根据所述目标拼接电压电量曲线、预设的正极半电池曲线和预设的负极半电池曲线进行曲线重建，得到所述电压荷电状态曲线。
6.根据权利要求5所述的方法，其特征在于，在所述根据所述开路电压数据和所述电量数据进行曲线构建，得到一次电池放电过程的电压电量曲线之后，所述方法还包括：
确定所述电压电量曲线中的最大电压值和最小电压值；
若所述最大电压值大于预设的第一电压阈值，且若所述最小电压值小于预设的第二电压阈值，则根据所述最大电压值在所述电压电量曲线中对应的电量得到第一电量值，根据所述最小电压值在所述电压电量曲线中对应的电量得到第二电量值；
根据所述第一电量值和所述第二电量值的差值得到所述目标电池容量估计值。
7.根据权利要求1至3任一项所述的方法，其特征在于，所述根据所述电量荷电状态曲线的斜率得到目标电池容量估计值，包括：
确定所述电量荷电状态曲线中的最大荷电状态值和最小荷电状态值；
若所述最大荷电状态值满足第一荷电状态阈值条件，且若所述最小荷电状态值满足第二荷电状态阈值条件，则确定所述最大荷电状态值在电量荷电状态曲线中对应的电量，得到第三电量值，确定所述最小荷电状态值在电量荷电状态曲线中对应的电量，得到第四电量值；
根据所述第三电量值和所述第四电量值的差值得到目标电池容量估计值。
8.一种电池容量估计装置，其特征在于，所述装置包括：
基础数据获取模块，用于获取一次电池放电过程的基础数据，所述基础数据包括：采集电流、采集电压和采集时间；
电量数据确定模块，用于根据所述采集电流和所述采集时间进行积分，得到电量数据；
荷电状态数据确定模块，用于根据所述采集电流、所述采集电压和所述采集时间，结合预设的电池模型和预设的电压荷电状态曲线得到荷电状态数据；
电量荷电状态曲线构建模块，用于根据所述荷电状态数据和所述电量数据进行曲线构建，得到一次电池放电过程的电量荷电状态曲线；
电池容量估计模块，用于根据所述电量荷电状态曲线的斜率得到目标电池容量估计值，具体包括：
根据预设的完全最小二乘法对所述电量荷电状态曲线进行求解，得到第一曲线斜率，根据所述第一曲线斜率进一步得到所述目标电池容量估计值；
或者，
根据预设的分位数回归法对所述电量荷电状态曲线进行求解，得到第二曲线斜率，根据所述第二曲线斜率进一步得到所述目标电池容量估计值。
9.一种计算机设备，其特征在于，所述一种计算机设备包括存储器和处理器，其中，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时所述处理器用于执行：
如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，在所述计算机程序被计算机执行时，所述计算机用于执行：
如权利要求1至7中任一项所述的方法。
CN202310398999.9A 2023-04-10 2023-04-10 一种电池容量估计方法和装置、计算机设备、存储介质 Active CN116298927B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310398999.9A CN116298927B (zh) 2023-04-10 2023-04-10 一种电池容量估计方法和装置、计算机设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310398999.9A CN116298927B (zh) 2023-04-10 2023-04-10 一种电池容量估计方法和装置、计算机设备、存储介质

Publications (2)

Publication Number Publication Date
CN116298927A true CN116298927A (zh) 2023-06-23
CN116298927B CN116298927B (zh) 2023-10-24

Family

ID=86820703

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310398999.9A Active CN116298927B (zh) 2023-04-10 2023-04-10 一种电池容量估计方法和装置、计算机设备、存储介质

Country Status (1)

Country Link
CN (1) CN116298927B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117706390A (zh) * 2024-02-06 2024-03-15 清华大学 一种电池荷电状态滚动优化估计方法及装置

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103399278A (zh) * 2013-07-31 2013-11-20 清华大学 电池单体的容量和荷电状态的估计方法
CN104730462A (zh) * 2013-12-19 2015-06-24 北汽福田汽车股份有限公司 一种电池组容量在线检测方法
CN105301509A (zh) * 2015-11-12 2016-02-03 清华大学 锂离子电池荷电状态、健康状态与功率状态的联合估计方法
CN105301510A (zh) * 2015-11-12 2016-02-03 北京理工大学 一种电池老化参数辨识方法
JP2018194357A (ja) * 2017-05-15 2018-12-06 株式会社豊田自動織機 充電率推定装置
CN109164398A (zh) * 2018-08-03 2019-01-08 北京交通大学 一种锂离子电池组中单体电池容量估算方法
CN109606119A (zh) * 2019-01-15 2019-04-12 深圳四海万联科技有限公司 一种电动汽车的续航里程校准方法及系统
CN110058175A (zh) * 2019-05-05 2019-07-26 北京理工大学 一种动力电池开路电压-荷电状态函数关系的重构方法
US20200079223A1 (en) * 2018-09-07 2020-03-12 Cummins Inc. System and method of performing a range estimation for hybrid and electric vehicles
CN111610447A (zh) * 2020-05-22 2020-09-01 上海理工大学 一种基于开路电压的电池容量估计方法
CN114906011A (zh) * 2022-05-31 2022-08-16 芜湖宏景电子股份有限公司 基于智能导航的电动汽车里程预估系统
CN115659649A (zh) * 2022-10-27 2023-01-31 江苏大学 基于云端数据的锂电池实时完整ocv-soc曲线的构建方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103399278A (zh) * 2013-07-31 2013-11-20 清华大学 电池单体的容量和荷电状态的估计方法
CN104730462A (zh) * 2013-12-19 2015-06-24 北汽福田汽车股份有限公司 一种电池组容量在线检测方法
CN105301509A (zh) * 2015-11-12 2016-02-03 清华大学 锂离子电池荷电状态、健康状态与功率状态的联合估计方法
CN105301510A (zh) * 2015-11-12 2016-02-03 北京理工大学 一种电池老化参数辨识方法
JP2018194357A (ja) * 2017-05-15 2018-12-06 株式会社豊田自動織機 充電率推定装置
CN109164398A (zh) * 2018-08-03 2019-01-08 北京交通大学 一种锂离子电池组中单体电池容量估算方法
US20200079223A1 (en) * 2018-09-07 2020-03-12 Cummins Inc. System and method of performing a range estimation for hybrid and electric vehicles
CN109606119A (zh) * 2019-01-15 2019-04-12 深圳四海万联科技有限公司 一种电动汽车的续航里程校准方法及系统
CN110058175A (zh) * 2019-05-05 2019-07-26 北京理工大学 一种动力电池开路电压-荷电状态函数关系的重构方法
CN111610447A (zh) * 2020-05-22 2020-09-01 上海理工大学 一种基于开路电压的电池容量估计方法
CN114906011A (zh) * 2022-05-31 2022-08-16 芜湖宏景电子股份有限公司 基于智能导航的电动汽车里程预估系统
CN115659649A (zh) * 2022-10-27 2023-01-31 江苏大学 基于云端数据的锂电池实时完整ocv-soc曲线的构建方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
姜久春 等: "电动汽车锂离子动力电池健康状态在线诊断方法", 机械工程学报, vol. 55, no. 20, pages 60 - 72 *
高玮: "基于数据片段的电动车锂电池参数辨识方法", 中国博士论文, pages 45 - 58 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117706390A (zh) * 2024-02-06 2024-03-15 清华大学 一种电池荷电状态滚动优化估计方法及装置
CN117706390B (zh) * 2024-02-06 2024-04-19 清华大学 一种电池荷电状态滚动优化估计方法及装置

Also Published As

Publication number Publication date
CN116298927B (zh) 2023-10-24

Similar Documents

Publication Publication Date Title
CN107179505B (zh) 电池健康状态检测装置及方法
CN101359036B (zh) 电池荷电状态的测定方法
CN108107372A (zh) 基于soc分区估算的蓄电池健康状况量化方法及系统
Zheng et al. An accurate parameters extraction method for a novel on-board battery model considering electrochemical properties
CN109991545B (zh) 一种电池包电量检测方法、装置及终端设备
CN109991554B (zh) 一种电池电量检测方法、装置及终端设备
CN110542867A (zh) 电池健康状态评估方法、装置及存储介质
CN110045292A (zh) 基于大数据和bp神经网络的锂离子电池SOC预测方法
CN116298927B (zh) 一种电池容量估计方法和装置、计算机设备、存储介质
US20110208453A1 (en) Circuit-based method for estimating battery capacity
CN111505511B (zh) 一种电动汽车单体电芯容量测定方法、电子设备及存储介质
CN114290960B (zh) 获取动力电池的电池健康度的方法、装置和车辆
WO2024067388A1 (zh) 一种电池健康状态估算方法、系统、设备和介质
CN116609676B (zh) 一种基于大数据处理的混合储能电池状态监控方法及系统
CN113093027B (zh) 电池soc校准方法、装置、系统、介质及程序产品
CN109061482B (zh) 电池健康度预测方法及装置
CN107942261A (zh) 电池荷电状态的估计方法及系统
CN115932634A (zh) 一种对电池健康状态评估的方法、装置、设备及存储介质
CN114609530A (zh) 修正电池荷电状态的方法、装置、设备及介质
CN115392134A (zh) 车辆动力电池综合性能评估方法及相关装置
CN108594117B (zh) 确定电池容量的方法、装置、终端设备及计算机存储介质
CN112394290A (zh) 电池包soh的估算方法、装置、计算机设备和存储介质
CN116400223A (zh) 一种电池电量信息生成方法、设备及可读存储介质
CN115113061A (zh) 修正电池soc的方法及相关装置
CN112213644A (zh) 电池荷电状态估算方法及电池管理系统

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230828

Address after: 518000, 2nd Floor, Building A3, New Era Gongrong Industrial Park, No. 2, Shilong Community, Shiyan Street, Bao'an District, Shenzhen, Guangdong Province

Applicant after: Shenzhen Li'an Technology Co.,Ltd.

Address before: 277099 Building 1, Jinshui Long Street (Internet Town), Zaozhuang High tech Zone, Zaozhuang, Shandong Province

Applicant before: Shandong Li'an New Energy Co.,Ltd.

GR01 Patent grant
GR01 Patent grant