CN116505629A - 固态电池的控制管理方法、装置、设备及存储介质 - Google Patents
固态电池的控制管理方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116505629A CN116505629A CN202310780181.3A CN202310780181A CN116505629A CN 116505629 A CN116505629 A CN 116505629A CN 202310780181 A CN202310780181 A CN 202310780181A CN 116505629 A CN116505629 A CN 116505629A
- Authority
- CN
- China
- Prior art keywords
- battery
- state
- state battery
- solid
- target solid
- 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
Links
- 238000007726 management method Methods 0.000 title claims abstract description 44
- 238000001514 detection method Methods 0.000 claims abstract description 55
- 238000004458 analytical method Methods 0.000 claims abstract description 40
- 238000011217 control strategy Methods 0.000 claims description 63
- 230000036541 health Effects 0.000 claims description 58
- 238000000034 method Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000013136 deep learning model Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000013145 classification model Methods 0.000 claims description 11
- 239000007787 solid Substances 0.000 claims description 10
- 230000003862 health status Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/096—Transfer learning
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/44—Methods for charging or discharging
- H01M10/443—Methods for charging or discharging in response to temperature
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
- H01M10/486—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for measuring temperature
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0029—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with safety or protection devices or circuits
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
- H02J7/0048—Detection of remaining charge capacity or state of charge [SOC]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
- H02J7/005—Detection of state of health [SOH]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/007—Regulation of charging or discharging current or voltage
- H02J7/00712—Regulation of charging or discharging current or voltage the cycle being controlled or terminated in response to electric parameters
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/007—Regulation of charging or discharging current or voltage
- H02J7/007188—Regulation of charging or discharging current or voltage the charge cycle being controlled or terminated in response to non-electric parameters
- H02J7/007192—Regulation of charging or discharging current or voltage the charge cycle being controlled or terminated in response to non-electric parameters in response to temperature
- H02J7/007194—Regulation of charging or discharging current or voltage the charge cycle being controlled or terminated in response to non-electric parameters in response to temperature of the battery
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
- H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Power Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Chemical & Material Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Manufacturing & Machinery (AREA)
- Electrochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及电池充电技术领域,公开了一种固态电池的控制管理方法、装置、设备及存储介质。所述固态电池的控制管理方法包括:在目标固态电池的充电状态下,通过预置的温度控制传感器对目标固态电池进行温度数据采集,得到对应的温度数据;并通过电量检测芯片对所述目标固态电池进行电池剩余电量的实时检测,得到电量检测数据;根据所述温度数据和所述电量检测数据对所述目标固态电池进行电池工作状态分析,得到目标固态电池的充电状态参数信息。
Description
技术领域
本发明涉及电池充电技术领域,尤其涉及一种固态电池的控制管理方法、装置、设备及存储介质。
背景技术
锂电池是目前新能源汽车、电子产品中常用的储存电能的产品,电池的安全关乎到其负载的安全。
目前电池使用过程中,电池管理系统通常注重的是在充电时电池的状态参数,例如充电电压、充电电流、充电温度等,通过充电时电池的充电电压、充电电流、充电温度等检测电池是否充电异常。但是目前的方法无法智能监测与分析电池充电状态下的数据,并且无法有效评估电池性能健康状况,以及制定合适的控制策略。
发明内容
本发明提供了一种固态电池的控制管理方法、装置、设备及存储介质,用于解决上述提到的技术问题。
本发明第一方面提供了一种固态电池的控制管理方法,所述固态电池的控制管理方法包括:
在目标固态电池的充电状态下,通过预置的温度控制传感器对目标固态电池进行温度数据采集,得到对应的温度数据;并通过电量检测芯片对所述目标固态电池进行电池剩余电量的实时检测,得到电量检测数据;
根据所述温度数据和所述电量检测数据对所述目标固态电池进行电池工作状态分析,得到目标固态电池的充电状态参数信息;
获取所述目标固态电池的性能特征数据,根据所述性能特征数据在数据库中确定出对应的电池寿命预测模型;其中,所述电池寿命预测模型为训练完成的深度学习模型;
将所述充电状态参数信息输入至所述电池寿命预测模型中预测得到所述目标固态电池充电状态下的电池寿命数据,根据所述目标固态电池的电池寿命数据检测所述目标固态电池的性能健康状况;
基于所述目标固态电池的性能健康状况,对所述目标固态电池进行控制策略分析,生成目标控制策略。
可选的,在本发明第一方面的第一种实现方式中,所述通过电量检测芯片对所述目标固态电池进行电池剩余电量的实时检测,得到电量检测数据,具体包括:
步骤1:对所述电量检测芯片进行固态电池剩余电量阈值设置,得到固态电池剩余电量阈值;
步骤2:通过所述电量检测芯片检测所述目标固态电池的电池剩余电量,并与所述固态电池剩余电量阈值进行比较;
步骤3:当目标固态电池剩余电量大于所述固态电池剩余电量阈值时返回步骤2,当目标固态电池的剩余电量小于所述固态电池剩余电量阈值时执行步骤4;
步骤4:通过所述温度控制传感器对工作状态下的固态电池内的温度值进行检测;
步骤5:判断所述目标固态电池内的温度值是否偏离预设温度范围;
步骤6:当所述目标固态电池内的温度值偏离所述预设温度范围时,控制循环动力装置的循环速度和/或换热器,调整所述目标固态电池内的温度值。
可选的,在本发明第一方面的第二种实现方式中,所述获取所述目标固态电池的性能特征数据,根据所述性能特征数据在数据库中确定出对应的电池寿命预测模型,包括:
获取所述目标固态电池的性能特征数据,对所述性能特征数据进行解析,得到第一性能特征信息以及第二性能特征信息;所述第一性能特征信息包括所述目标固态电池的生产商信息以及电池型号信息,所述第二性能特征信息包括电池类型信息以及电池生产工艺信息;
将所述第一性能特征信息以及第二性能特征信息分别进行向量化得到第一性能特征向量以及第二性能特征向量;
将所述第一性能特征向量以及第二性能特征向量输入至预设的BP神经网络分类模型中进行分类,得到分类结果所对应的所述电池寿命预测模型;其中,所述BP神经网络分类模型为BP神经网络模型经过预先训练得到。
可选的,在本发明第一方面的第三种实现方式中,所述将所述充电状态参数信息输入至所述电池寿命预测模型中预测得到所述目标固态电池充电状态下的电池寿命数据,根据所述目标固态电池的电池寿命数据检测所述目标固态电池的性能健康状况,包括:
基于深度学习算法建立电池寿命预测模型,并将所述充电状态参数信息输入至电池寿命预测模型;
通过输入的所述充电状态参数信息,电池寿命预测模型输出目标固态电池充电状态下的电池寿命数据,根据所述电池寿命数据预测目标固态电池在充电状态下的预期寿命;
根据所述预期寿命,检测目标固态电池的性能健康状况;其中,所述性能健康状况至少包括目标固态电池的第一性能健康状况和第二性能健康状况。
可选的,在本发明第一方面的第四种实现方式中,所述基于所述目标固态电池的性能健康状态,对所述目标固态电池进行控制策略分析,生成目标控制策略,包括:
基于所述目标固态电池的性能健康状况,通过机器学习算法对所述目标固态电池进行分析与评估,得到评估结果;
根据所述评估结果,生成目标控制策略;其中,所述目标控制策略至少包括充电速度控制策略、电压和电流控制策略、电池温度控制策略;
根据所述目标控制策略自动调整充电策略以及对充电异常事件进行预警。
可选的,在本发明第一方面的第五种实现方式中,还包括:
调用预设的故障预测模型,将目标固态电池的电池寿命数据与性能健康状况数据输入至所述故障预测模型,得到故障自测信息,并将所述故障自测信息转换为初始故障矩阵;
基于预设的矩阵转换规则对所述初始故障矩阵进行矩阵转换,得到目标故障矩阵,再将所述目标故障矩阵输入至预设的故障处理模型中进行故障处理策略分析,得到故障处理策略分析结果,并根据所述故障处理策略分析结果生成故障处理方案。
本发明第二方面提供了一种固态电池的控制管理装置,所述固态电池的控制管理装置包括:
采集模块,用于在目标固态电池的充电状态下,通过预置的温度控制传感器对目标固态电池进行温度数据采集,得到对应的温度数据;并通过电量检测芯片对所述目标固态电池进行电池剩余电量的实时检测,得到电量检测数据;
处理模块,用于根据所述温度数据和所述电量检测数据对所述目标固态电池进行电池工作状态分析,得到目标固态电池的充电状态参数信息;
训练模块,用于获取所述目标固态电池的性能特征数据,根据所述性能特征数据在数据库中确定出对应的电池寿命预测模型;其中,所述电池寿命预测模型为训练完成的深度学习模型;
检测模块,用于将所述充电状态参数信息输入至所述电池寿命预测模型中预测得到所述目标固态电池充电状态下的电池寿命数据,根据所述目标固态电池的电池寿命数据检测所述目标固态电池的性能健康状况;
控制策略分析模块,用于基于所述目标固态电池的性能健康状况,对所述目标固态电池进行控制策略分析,生成目标控制策略。
本发明第三方面提供了一种固态电池的控制管理设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述固态电池的控制管理设备执行上述的固态电池的控制管理方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的固态电池的控制管理方法。
本发明提供的技术方案中,有益效果:本发明提供的一种固态电池的控制管理方法、装置、设备及存储介质,通过在目标固态电池的充电状态下,通过预置的温度控制传感器对目标固态电池进行温度数据采集,得到对应的温度数据;并通过电量检测芯片对所述目标固态电池进行电池剩余电量的实时检测,得到电量检测数据;根据所述温度数据和所述电量检测数据对所述目标固态电池进行电池工作状态分析,得到目标固态电池的充电状态参数信息;获取所述目标固态电池的性能特征数据,根据所述性能特征数据在数据库中确定出对应的电池寿命预测模型;其中,所述电池寿命预测模型为训练完成的深度学习模型;将所述充电状态参数信息输入至所述电池寿命预测模型中预测得到所述目标固态电池充电状态下的电池寿命数据,根据所述目标固态电池的电池寿命数据检测所述目标固态电池的性能健康状况;基于所述目标固态电池的性能健康状况,对所述目标固态电池进行控制策略分析,生成目标控制策略。本发明采用智能监测与分析的手段,实现了对固态电池温度、电量等关键参数的实时监控。借助精确的电池寿命预测模型,能有效评估电池性能健康状况,从而制定合适的控制策略。这种方法不仅提高了系统效率,降低了能源损失,同时确保了固态电池工作在最佳状态下,延长了电池寿命及提升了安全性。
附图说明
图1为本发明实施例中固态电池的控制管理方法的一个实施例示意图;
图2为本发明实施例中固态电池的控制管理装置的一个实施例示意图。
具体实施方式
本发明实施例提供了一种固态电池的控制管理方法、装置、设备及存储介质。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)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。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,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。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中固态电池的控制管理方法的一个实施例包括:
步骤101、在目标固态电池的充电状态下,通过预置的温度控制传感器对目标固态电池进行温度数据采集,得到对应的温度数据;并通过电量检测芯片对所述目标固态电池进行电池剩余电量的实时检测,得到电量检测数据;
可以理解的是,本发明的执行主体可以为固态电池的控制管理装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,首先对预置的温度控制传感器进行定期校准,以提高温度数据的准确性。此外,可采用多点温度测量技术,在电池的不同区域进行温度采集,更准确地获得电池的整体温度状况。
然后对采集到的温度数据和电量检测数据进行去噪和异常值处理,提高数据质量。采用时间序列分析、滑动窗口平滑方法,剔除异常值并进行数据修复。再利用漏电流检测来评估电量检测芯片的性能,确保其在各种工作环境下均能准确获取电池剩余电量。
步骤102、根据所述温度数据和所述电量检测数据对所述目标固态电池进行电池工作状态分析,得到目标固态电池的充电状态参数信息;
具体的,结合其他关键参数,如电池内阻、容量损失,对电池的工作状态进行更全面的分析。并根据电池充电状态的变化,动态调整温度数据与电量检测数据的权重,使其在综合分析过程中更符合实际需求。
将电池的工作状态划分为不同的等级,如优良、正常、较差等。根据电池的温度和电量数据,在模糊逻辑的基础上进行综合评价,从而更直观地反映其充电状态。随着电池工作状态分析的持续进行,不断更新模型参数,实现与实际情况的实时匹配,提高预测准确性。
在获取目标固态电池的充电状态参数信息后,结合其他控制策略,协同对充电状态进行自适应调整,以保证电池在最佳工作条件下运行。
步骤103、获取所述目标固态电池的性能特征数据,根据所述性能特征数据在数据库中确定出对应的电池寿命预测模型;其中,所述电池寿命预测模型为训练完成的深度学习模型;
具体的,首先对数据库中的多个训练完成的深度学习模型,针对目标固态电池的当前性能特征数据进行动态评估,从中选定最适合当前电池状态的模型,以提高寿命预测的准确性。接着在目标固态电池运行过程中,不断收集更新的性能特征数据,反馈至电池寿命预测模型,提高预测准确性及时效性。
利用迁移学习策略,将其他类似电池或相关领域的深度学习模型调整为目标固态电池型号所需的预测模型,加快模型训练速度,降低训练成本。
将行业内专家的领域知识与深度学习模型相结合,提高电池寿命预测模型在特定应用场景中的稳定性和精确性。透过深度学习模型预测结果,提炼关键影响因素,使预测结果具备更高的可解释性,有助于用户更好地理解和应对电池寿命相关问题。
最后结合模型预测结果,在实时监测电池寿命的同时,评估其预测结果的置信度,从而允许用户在特定情况下能够根据置信度对预测结果进行合理的使用和决策。
步骤104、将所述充电状态参数信息输入至所述电池寿命预测模型中预测得到所述目标固态电池充电状态下的电池寿命数据,根据所述目标固态电池的电池寿命数据检测所述目标固态电池的性能健康状况;
具体的,首先将其他相关性能指标,如循环次数、充放电效率等,融合到电池寿命预测模型中,使得寿命预测更全面、准确。根据实际使用情况,动态修正电池寿命预测模型中的预测误差,以便更准确地预测和管理电池性能健康状况。
将预测结果以直观的可视化图表形式展示,如热力图、雷达图,有利于用户更清晰地了解电池寿命及健康状况变化。再通过电池寿命数据建立故障诊断与预警机制,为用户提前预警可能出现的问题,有助于优化维护策略并减少故障风险。
然后根据电池寿命预测结果,系统自动生成并提供针对性的健康管理建议,如充电策略调整、定期检测等,帮助用户延长电池寿命,提高使用效果。
最后收集使用者的真实反馈和体验数据,结合预测模型的实际效果,优化电池寿命预测和性能健康检测流程,提高系统实用性和用户满意度。
步骤105、基于所述目标固态电池的性能健康状况,对所述目标固态电池进行控制策略分析,生成目标控制策略。
具体的,以下是进一步解析细化的内容:
首先需要确定固态电池的主要性能指标,例如能量密度、功率密度、循环寿命、安全性能等,同时获取电池的相关参数,如电压、电流、温度和内阻等。
采用先进的电池健康管理(BHM)技术和软件,对电池的性能健康状况进行整体评估。这可能涉及到在线或离线电池建模、状态估计(如状态的电荷(SOC)和状态的健康(SOH))和潜在故障诊断。
分析并评估针对固态电池的现有控制策略效果,找出优点和不足。评估其他潜在控制策略,如荷电管理、热管理、能量管理等,以改善电池健康状况和使用寿命。
结合以上细化,对现有控制策略进行改进或设计全新控制策略。制定清晰的控制逻辑以获取最佳性能和最优健康状况。例如,为避免过充和过放,可以采用智能荷电管理系统;为保障电池合适的运行温度,可以采用热管理系统。
在模拟环境中,对新生成的目标控制策略进行测试和验证。结合实际设备性能,对控制策略的有效性、稳定性和可靠性进行评估。
成功验证目标控制策略后,将其应用于实际固态电池系统。持续监控实际运行效果,确保长期性能和健康状况的稳定性。
本发明实施例中,有益效果:本发明提供的一种固态电池的控制管理方法,通过在目标固态电池的充电状态下,通过预置的温度控制传感器对目标固态电池进行温度数据采集,得到对应的温度数据;并通过电量检测芯片对所述目标固态电池进行电池剩余电量的实时检测,得到电量检测数据;根据所述温度数据和所述电量检测数据对所述目标固态电池进行电池工作状态分析,得到目标固态电池的充电状态参数信息;获取所述目标固态电池的性能特征数据,根据所述性能特征数据在数据库中确定出对应的电池寿命预测模型;其中,所述电池寿命预测模型为训练完成的深度学习模型;将所述充电状态参数信息输入至所述电池寿命预测模型中预测得到所述目标固态电池充电状态下的电池寿命数据,根据所述目标固态电池的电池寿命数据检测所述目标固态电池的性能健康状况;基于所述目标固态电池的性能健康状况,对所述目标固态电池进行控制策略分析,生成目标控制策略。本发明采用智能监测与分析的手段,实现了对固态电池温度、电量等关键参数的实时监控。借助精确的电池寿命预测模型,能有效评估电池性能健康状况,从而制定合适的控制策略。这种方法不仅提高了系统效率,降低了能源损失,同时确保了固态电池工作在最佳状态下,延长了电池寿命及提升了安全性。
本发明实施例中固态电池的控制管理方法的另一个实施例包括:
所述通过电量检测芯片对所述目标固态电池进行电池剩余电量的实时检测,得到电量检测数据,具体包括:
步骤1:对所述电量检测芯片进行固态电池剩余电量阈值设置,得到固态电池剩余电量阈值;
步骤2:通过所述电量检测芯片检测所述目标固态电池的电池剩余电量,并与所述固态电池剩余电量阈值进行比较;
步骤3:当目标固态电池剩余电量大于所述固态电池剩余电量阈值时返回步骤2,当目标固态电池的剩余电量小于所述固态电池剩余电量阈值时执行步骤4;
步骤4:通过所述温度控制传感器对工作状态下的固态电池内的温度值进行检测;
步骤5:判断所述目标固态电池内的温度值是否偏离预设温度范围;
步骤6:当所述目标固态电池内的温度值偏离所述预设温度范围时,控制循环动力装置的循环速度和/或换热器,调整所述目标固态电池内的温度值。
具体的,以下是基于这个技术方案的进一步解析细化:
步骤1:设定固态电池剩余电量阈值 在这个阶段,电量检测芯片设定固态电池的剩余电量阈值。这个阈值是用来判断电池是否需要进行充电或调整工作状态的关键参数。
步骤2:检测目标固态电池剩余电量并与阈值进行比较 电量检测芯片实时监测目标固态电池的剩余电量,与设定好的固态电池剩余电量阈值进行比较。以便了解目标固态电池是否需要充电或调整工作状态。
步骤3:判断是否需要调整工作状态 当目标固态电池剩余电量大于阈值时,电池继续正常运行,返回步骤2继续检测剩余电量。当目标固态电池剩余电量小于阈值时,执行后续步骤4进行温度检测。
步骤4:检测固态电池内的温度值 使用温度控制传感器对工作状态下的固态电池内的温度值进行检测。实时监测电池的温度状态,确保在充放电过程中电池不会过热或过冷。
步骤5:判断目标固态电池内的温度值是否偏离预设温度范围 根据检测到的固态电池内的温度值,判断其是否偏离预设的温度范围。预设温度范围保证电池在一个安全、高效的工作区间。
步骤6:调整目标固态电池内的温度值 如果目标固态电池内的温度值超出预设温度范围时,控制循环动力装置的循环速度和/或换热器,以便调整固态电池内的温度。通过温度调节,可以确保固态电池在合适的运行温度下工作,以延长其使用寿命并提高性能。
本发明实施例中,有益效果:本发明实施例能有效提高固态电池的性能与安全性。电量检测与温度控制策略为固态电池技术的发展提供了重要保障。
本发明实施例中固态电池的控制管理方法的另一个实施例包括:
所述获取所述目标固态电池的性能特征数据,根据所述性能特征数据在数据库中确定出对应的电池寿命预测模型,包括:
获取所述目标固态电池的性能特征数据,对所述性能特征数据进行解析,得到第一性能特征信息以及第二性能特征信息;所述第一性能特征信息包括所述目标固态电池的生产商信息以及电池型号信息,所述第二性能特征信息包括电池类型信息以及电池生产工艺信息;
将所述第一性能特征信息以及第二性能特征信息分别进行向量化得到第一性能特征向量以及第二性能特征向量;
将所述第一性能特征向量以及第二性能特征向量输入至预设的BP神经网络分类模型中进行分类,得到分类结果所对应的所述电池寿命预测模型;其中,所述BP神经网络分类模型为BP神经网络模型经过预先训练得到。
具体的,以下是基于这个技术方案的进一步解析细化:
获取目标固态电池的性能特征数据:首先,从目标固态电池中获取性能特征数据。这包括生产商信息、电池型号信息、电池类型信息和电池生产工艺信息。对这些性能特征数据进行解析,从而得到第一性能特征信息(生产商和电池型号)和第二性能特征信息(电池类型和电池生产工艺)。
向量化性能特征信息:将第一性能特征信息和第二性能特征信息分别进行向量化处理,得到第一性能特征向量和第二性能特征向量。向量化有助于数据的表示和计算,并为后续神经网络分类模型处理做准备。
BP神经网络分类模型:将第一性能特征向量和第二性能特征向量输入预先训练好的BP神经网络分类模型中进行分类。BP(反向传播)神经网络是一种多层感知器,可以在有监督的环境下进行学习和分类。
获取电池寿命预测模型:BP神经网络分类模型根据输入的性能特征向量对电池寿命预测模型进行分类。分类结果对应于电池寿命预测模型,该模型可以预测目标固态电池的使用寿命。
本发明实施例中,有益效果:本发明实施例实现了获取固态电池的性能特征数据,并使用BP神经网络分类模型根据这些数据进行电池寿命预测。这种方法有助于我们更准确地评估电池的使用寿命,并为维护和管理提供了支持。
本发明实施例中固态电池的控制管理方法的另一个实施例包括:
所述将所述充电状态参数信息输入至所述电池寿命预测模型中预测得到所述目标固态电池充电状态下的电池寿命数据,根据所述目标固态电池的电池寿命数据检测所述目标固态电池的性能健康状况,包括:
基于深度学习算法建立电池寿命预测模型,并将所述充电状态参数信息输入至电池寿命预测模型;
通过输入的所述充电状态参数信息,电池寿命预测模型输出目标固态电池充电状态下的电池寿命数据,根据所述电池寿命数据预测目标固态电池在充电状态下的预期寿命;
根据所述预期寿命,检测目标固态电池的性能健康状况;其中,所述性能健康状况至少包括目标固态电池的第一性能健康状况和第二性能健康状况。
本发明实施例中,有益效果:本发明实施例利用深度学习算法建立的电池寿命预测模型结合充电状态参数信息来检测目标固态电池的性能健康状况。这有助于更有效地监测电池的健康水平并保证其正常运行。
本发明实施例中固态电池的控制管理方法的另一个实施例包括:
所述基于所述目标固态电池的性能健康状态,对所述目标固态电池进行控制策略分析,生成目标控制策略,包括:
基于所述目标固态电池的性能健康状况,通过机器学习算法对所述目标固态电池进行分析与评估,得到评估结果;
根据所述评估结果,生成目标控制策略;其中,所述目标控制策略至少包括充电速度控制策略、电压和电流控制策略、电池温度控制策略;
根据所述目标控制策略自动调整充电策略以及对充电异常事件进行预警。
具体的,以下是基于这个技术方案的进一步解析细化拓展:
首先,根据目标固态电池的性能健康状态,采用机器学习算法对电池进行分析与评估。利用机器学习算法帮助我们更精确地根据电池的实际性能和健康状态分析其充电行为。
根据电池分析与评估的结果,生成适应当前电池性能健康状态的目标控制策略。目标控制策略至少包括充电速度控制策略、电压和电流控制策略以及电池温度控制策略。
根据目标固态电池的性能健康状况调整充电速度,避免充电过快或过慢,从而降低电池损耗、延长寿命并提高充电效率。
根据目标固态电池的性能健康状态,调整充电过程中的电压和电流参数,确保电池在安全和高效的工作状态下进行充电。
基于目标固态电池的性能健康状态,对电池的温度进行监控和调整,防止电池过热或过冷,从而确保电池在适宜的温度范围内工作,提高性能和安全性。
根据目标控制策略自动调整充电策略,保证电池处于最佳充电状态。此外,在出现充电异常事件时,实施预警,及时通知用户并采取相应措施以保护电池免受损害。
本发明实施例中,有益效果:本发明实施例通过根据目标固态电池的性能健康状态生成和实施目标控制策略。这有助于实现自适应充电策略,优化充电效果,提高电池性能和安全性。
本发明实施例中固态电池的控制管理方法的另一个实施例包括:
调用预设的故障预测模型,将目标固态电池的电池寿命数据与性能健康状况数据输入至所述故障预测模型,得到故障自测信息,并将所述故障自测信息转换为初始故障矩阵;
基于预设的矩阵转换规则对所述初始故障矩阵进行矩阵转换,得到目标故障矩阵,再将所述目标故障矩阵输入至预设的故障处理模型中进行故障处理策略分析,得到故障处理策略分析结果,并根据所述故障处理策略分析结果生成故障处理方案。
具体的,以下是基于这个技术方案的进一步解析细化拓展:
首先,调用一个预先建立的故障预测模型,准备根据目标固态电池的电池寿命数据以及性能健康状况数据进行故障预测。并将目标固态电池的电池寿命数据与性能健康状况数据输入至故障预测模型中,进行故障预测。
故障预测模型会生成故障自测信息,这些信息提供了关于电池可能出现故障的种类和程度的预测。再将故障自测信息转换为初始故障矩阵。初始故障矩阵包含了目标固态电池的各种故障类型及其严重程度的综合信息。
根据预设的矩阵转换规则对初始故障矩阵进行转换,得到目标故障矩阵。这一步将根据实际应用场景和需求对初始故障矩阵进行优化,以便更好地分析故障处理策略。然后将目标故障矩阵输入至预设的故障处理模型中,根据电池的故障类型和程度,进行故障处理策略分析。
根据故障处理模型的分析结果,为目标固态电池生成具体的故障处理方案。这些方案将考虑实际情况,旨在减轻故障影响并确保电池的安全、稳定运行。
本发明实施例中,有益效果:本发明实施例利用预设的故障预测模型、矩阵转换和故障处理模型来分析并生成针对目标固态电池的故障处理方案。这有助于发现电池潜在的故障风险,并提前采取措施解决,提高固态电池的安全性能和稳定性。
上面对本发明实施例中固态电池的控制管理方法进行了描述,下面对本发明实施例中固态电池的控制管理装置进行描述,请参阅图2,本发明实施例中固态电池的控制管理装置1一个实施例包括:
采集模块11,用于在目标固态电池的充电状态下,通过预置的温度控制传感器对目标固态电池进行温度数据采集,得到对应的温度数据;并通过电量检测芯片对所述目标固态电池进行电池剩余电量的实时检测,得到电量检测数据;
处理模块12,用于根据所述温度数据和所述电量检测数据对所述目标固态电池进行电池工作状态分析,得到目标固态电池的充电状态参数信息;
训练模块13,用于获取所述目标固态电池的性能特征数据,根据所述性能特征数据在数据库中确定出对应的电池寿命预测模型;其中,所述电池寿命预测模型为训练完成的深度学习模型;
检测模块14,用于将所述充电状态参数信息输入至所述电池寿命预测模型中预测得到所述目标固态电池充电状态下的电池寿命数据,根据所述目标固态电池的电池寿命数据检测所述目标固态电池的性能健康状况;
控制策略分析模块15,用于基于所述目标固态电池的性能健康状况,对所述目标固态电池进行控制策略分析,生成目标控制策略。
本发明还提供一种固态电池的控制管理设备,所述固态电池的控制管理设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述固态电池的控制管理方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述固态电池的控制管理方法的步骤。
有益效果:本发明提供的一种固态电池的控制管理方法、装置、设备及存储介质,通过在目标固态电池的充电状态下,通过预置的温度控制传感器对目标固态电池进行温度数据采集,得到对应的温度数据;并通过电量检测芯片对所述目标固态电池进行电池剩余电量的实时检测,得到电量检测数据;根据所述温度数据和所述电量检测数据对所述目标固态电池进行电池工作状态分析,得到目标固态电池的充电状态参数信息;获取所述目标固态电池的性能特征数据,根据所述性能特征数据在数据库中确定出对应的电池寿命预测模型;其中,所述电池寿命预测模型为训练完成的深度学习模型;将所述充电状态参数信息输入至所述电池寿命预测模型中预测得到所述目标固态电池充电状态下的电池寿命数据,根据所述目标固态电池的电池寿命数据检测所述目标固态电池的性能健康状况;基于所述目标固态电池的性能健康状况,对所述目标固态电池进行控制策略分析,生成目标控制策略。本发明采用智能监测与分析的手段,实现了对固态电池温度、电量等关键参数的实时监控。借助精确的电池寿命预测模型,能有效评估电池性能健康状况,从而制定合适的控制策略。这种方法不仅提高了系统效率,降低了能源损失,同时确保了固态电池工作在最佳状态下,延长了电池寿命及提升了安全性。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,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 (9)
1.一种固态电池的控制管理方法,其特征在于,包括:
在目标固态电池的充电状态下,通过预置的温度控制传感器对目标固态电池进行温度数据采集,得到对应的温度数据;并通过电量检测芯片对所述目标固态电池进行电池剩余电量的实时检测,得到电量检测数据;
根据所述温度数据和所述电量检测数据对所述目标固态电池进行电池工作状态分析,得到目标固态电池的充电状态参数信息;
获取所述目标固态电池的性能特征数据,根据所述性能特征数据在数据库中确定出对应的电池寿命预测模型;其中,所述电池寿命预测模型为训练完成的深度学习模型;
将所述充电状态参数信息输入至所述电池寿命预测模型中预测得到所述目标固态电池充电状态下的电池寿命数据,根据所述目标固态电池的电池寿命数据检测所述目标固态电池的性能健康状况;
基于所述目标固态电池的性能健康状况,对所述目标固态电池进行控制策略分析,生成目标控制策略。
2.根据权利要求1所述的方法,其特征在于,所述通过电量检测芯片对所述目标固态电池进行电池剩余电量的实时检测,得到电量检测数据,具体包括:
步骤1:对所述电量检测芯片进行固态电池剩余电量阈值设置,得到固态电池剩余电量阈值;
步骤2:通过所述电量检测芯片检测所述目标固态电池的电池剩余电量,并与所述固态电池剩余电量阈值进行比较;
步骤3:当目标固态电池剩余电量大于所述固态电池剩余电量阈值时返回步骤2,当目标固态电池的剩余电量小于所述固态电池剩余电量阈值时执行步骤4;
步骤4:通过所述温度控制传感器对工作状态下的固态电池内的温度值进行检测;
步骤5:判断所述目标固态电池内的温度值是否偏离预设温度范围;
步骤6:当所述目标固态电池内的温度值偏离所述预设温度范围时,控制循环动力装置的循环速度和/或换热器,调整所述目标固态电池内的温度值。
3.根据权利要求1所述的方法,其特征在于,所述获取所述目标固态电池的性能特征数据,根据所述性能特征数据在数据库中确定出对应的电池寿命预测模型,包括:
获取所述目标固态电池的性能特征数据,对所述性能特征数据进行解析,得到第一性能特征信息以及第二性能特征信息;所述第一性能特征信息包括所述目标固态电池的生产商信息以及电池型号信息,所述第二性能特征信息包括电池类型信息以及电池生产工艺信息;
将所述第一性能特征信息以及第二性能特征信息分别进行向量化得到第一性能特征向量以及第二性能特征向量;
将所述第一性能特征向量以及第二性能特征向量输入至预设的BP神经网络分类模型中进行分类,得到分类结果所对应的所述电池寿命预测模型;其中,所述BP神经网络分类模型为BP神经网络模型经过预先训练得到。
4.根据权利要求1所述的方法,其特征在于,所述将所述充电状态参数信息输入至所述电池寿命预测模型中预测得到所述目标固态电池充电状态下的电池寿命数据,根据所述目标固态电池的电池寿命数据检测所述目标固态电池的性能健康状况,包括:
基于深度学习算法建立电池寿命预测模型,并将所述充电状态参数信息输入至电池寿命预测模型;
通过输入的所述充电状态参数信息,电池寿命预测模型输出目标固态电池充电状态下的电池寿命数据,根据所述电池寿命数据预测目标固态电池在充电状态下的预期寿命;
根据所述预期寿命,检测目标固态电池的性能健康状况;其中,所述性能健康状况至少包括目标固态电池的第一性能健康状况和第二性能健康状况。
5.根据权利要求1所述的方法,其特征在于,所述基于所述目标固态电池的性能健康状态,对所述目标固态电池进行控制策略分析,生成目标控制策略,包括:
基于所述目标固态电池的性能健康状况,通过机器学习算法对所述目标固态电池进行分析与评估,得到评估结果;
根据所述评估结果,生成目标控制策略;其中,所述目标控制策略至少包括充电速度控制策略、电压和电流控制策略、电池温度控制策略;
根据所述目标控制策略自动调整充电策略以及对充电异常事件进行预警。
6.根据权利要求1所述的方法,其特征在于,还包括:
调用预设的故障预测模型,将目标固态电池的电池寿命数据与性能健康状况数据输入至所述故障预测模型,得到故障自测信息,并将所述故障自测信息转换为初始故障矩阵;
基于预设的矩阵转换规则对所述初始故障矩阵进行矩阵转换,得到目标故障矩阵,再将所述目标故障矩阵输入至预设的故障处理模型中进行故障处理策略分析,得到故障处理策略分析结果,并根据所述故障处理策略分析结果生成故障处理方案。
7.一种固态电池的控制管理装置,其特征在于,所述固态电池的控制管理装置包括:
采集模块,用于在目标固态电池的充电状态下,通过预置的温度控制传感器对目标固态电池进行温度数据采集,得到对应的温度数据;并通过电量检测芯片对所述目标固态电池进行电池剩余电量的实时检测,得到电量检测数据;
处理模块,用于根据所述温度数据和所述电量检测数据对所述目标固态电池进行电池工作状态分析,得到目标固态电池的充电状态参数信息;
训练模块,用于获取所述目标固态电池的性能特征数据,根据所述性能特征数据在数据库中确定出对应的电池寿命预测模型;其中,所述电池寿命预测模型为训练完成的深度学习模型;
检测模块,用于将所述充电状态参数信息输入至所述电池寿命预测模型中预测得到所述目标固态电池充电状态下的电池寿命数据,根据所述目标固态电池的电池寿命数据检测所述目标固态电池的性能健康状况;
控制策略分析模块,用于基于所述目标固态电池的性能健康状况,对所述目标固态电池进行控制策略分析,生成目标控制策略。
8.一种固态电池的控制管理设备,其特征在于,所述固态电池的控制管理设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述固态电池的控制管理设备执行如权利要求1-6中任一项所述的固态电池的控制管理方法。
9.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-6中任一项所述的固态电池的控制管理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310780181.3A CN116505629B (zh) | 2023-06-29 | 2023-06-29 | 固态电池的控制管理方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310780181.3A CN116505629B (zh) | 2023-06-29 | 2023-06-29 | 固态电池的控制管理方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116505629A true CN116505629A (zh) | 2023-07-28 |
CN116505629B CN116505629B (zh) | 2023-09-08 |
Family
ID=87325359
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310780181.3A Active CN116505629B (zh) | 2023-06-29 | 2023-06-29 | 固态电池的控制管理方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116505629B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117124922A (zh) * | 2023-09-13 | 2023-11-28 | 广东一帆新能源有限公司 | 一种新能源汽车充电电池的断电保护装置及其系统 |
CN117519448A (zh) * | 2024-01-04 | 2024-02-06 | 深圳市佩城科技有限公司 | 一种平板电脑的使用时间警示系统及方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180143257A1 (en) * | 2016-11-21 | 2018-05-24 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
WO2022047204A1 (en) * | 2020-08-30 | 2022-03-03 | Hewlett-Packard Development Company, L.P. | Battery life predictions using machine learning models |
US20220187384A1 (en) * | 2020-05-26 | 2022-06-16 | Nasan Electric Industries Co., Ltd. | Battery lifetime predicting system using charge-discharge characteristics of battery for bms system |
CN114861527A (zh) * | 2022-04-15 | 2022-08-05 | 南京工业大学 | 一种基于时间序列特征的锂电池寿命预测方法 |
CN115453377A (zh) * | 2022-11-11 | 2022-12-09 | 天目湖先进储能技术研究院有限公司 | 基于电化学-热-老化与三维降阶的电池组寿命预测方法 |
CN115856694A (zh) * | 2022-12-28 | 2023-03-28 | 深圳市南霸科技有限公司 | 电池寿命预测方法、装置、计算机设备和存储介质 |
CN116011993A (zh) * | 2023-01-10 | 2023-04-25 | 九源云(广州)智能科技有限公司 | 一种基于cps架构的蓄电池健康管理系统 |
CN116148679A (zh) * | 2023-04-19 | 2023-05-23 | 深圳市伟创源科技有限公司 | 一种电池健康状态的预测方法及相关装置 |
CN116154914A (zh) * | 2023-03-02 | 2023-05-23 | 深圳市南霸科技有限公司 | 电池充电管理方法和装置 |
-
2023
- 2023-06-29 CN CN202310780181.3A patent/CN116505629B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180143257A1 (en) * | 2016-11-21 | 2018-05-24 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
US20220187384A1 (en) * | 2020-05-26 | 2022-06-16 | Nasan Electric Industries Co., Ltd. | Battery lifetime predicting system using charge-discharge characteristics of battery for bms system |
WO2022047204A1 (en) * | 2020-08-30 | 2022-03-03 | Hewlett-Packard Development Company, L.P. | Battery life predictions using machine learning models |
CN114861527A (zh) * | 2022-04-15 | 2022-08-05 | 南京工业大学 | 一种基于时间序列特征的锂电池寿命预测方法 |
CN115453377A (zh) * | 2022-11-11 | 2022-12-09 | 天目湖先进储能技术研究院有限公司 | 基于电化学-热-老化与三维降阶的电池组寿命预测方法 |
CN115856694A (zh) * | 2022-12-28 | 2023-03-28 | 深圳市南霸科技有限公司 | 电池寿命预测方法、装置、计算机设备和存储介质 |
CN116011993A (zh) * | 2023-01-10 | 2023-04-25 | 九源云(广州)智能科技有限公司 | 一种基于cps架构的蓄电池健康管理系统 |
CN116154914A (zh) * | 2023-03-02 | 2023-05-23 | 深圳市南霸科技有限公司 | 电池充电管理方法和装置 |
CN116148679A (zh) * | 2023-04-19 | 2023-05-23 | 深圳市伟创源科技有限公司 | 一种电池健康状态的预测方法及相关装置 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117124922A (zh) * | 2023-09-13 | 2023-11-28 | 广东一帆新能源有限公司 | 一种新能源汽车充电电池的断电保护装置及其系统 |
CN117519448A (zh) * | 2024-01-04 | 2024-02-06 | 深圳市佩城科技有限公司 | 一种平板电脑的使用时间警示系统及方法 |
CN117519448B (zh) * | 2024-01-04 | 2024-04-26 | 深圳市佩城科技有限公司 | 一种平板电脑的使用时间警示系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116505629B (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116505629B (zh) | 固态电池的控制管理方法、装置、设备及存储介质 | |
Li et al. | Big data driven lithium-ion battery modeling method based on SDAE-ELM algorithm and data pre-processing technology | |
US11342596B2 (en) | Method and system for controlling a rechargeable battery | |
Liu et al. | A hierarchical and flexible data-driven method for online state-of-health estimation of Li-ion battery | |
CN113447828B (zh) | 一种基于贝叶斯神经网络的锂电池温度估计方法及系统 | |
CN116683588B (zh) | 锂离子电池充放电控制方法及系统 | |
CN117134007B (zh) | 一种锂离子电池温度控制方法及系统 | |
Vianna et al. | Proton exchange membrane fuel cells (PEMFC) impedance estimation using regression analysis | |
CN113884884B (zh) | 一种基于相关性的动力电池组故障诊断方法及系统 | |
CN116643178A (zh) | 一种电池管理系统的soc估算方法及相关装置 | |
CN117330987B (zh) | 基于时间的电池健康状态评估的方法、系统、介质和设备 | |
CN117330963B (zh) | 储能电站故障检测方法、系统及设备 | |
Demirci et al. | Review of battery state estimation methods for electric vehicles-Part I: SOC estimation | |
EP4291908A1 (en) | Early fault detection method for a battery | |
CN117445755A (zh) | 基于云计算的电动汽车电池远程监控系统 | |
CN117330961A (zh) | 一种电池组监控方法、装置、电子设备及可读存储介质 | |
CN117031337A (zh) | 一种电芯内短路检测方法、装置、存储介质及设备 | |
Zhao et al. | Online surface temperature prediction and abnormal diagnosis of lithium-ion batteries based on hybrid neural network and fault threshold optimization | |
CN116819328A (zh) | 一种电动汽车动力电池故障诊断方法、系统、设备及介质 | |
CN116794540A (zh) | 一种电池性能预判方法、装置及存储介质 | |
CN113935423A (zh) | 耦合模糊控制规则与Elman神经网络的动力电池故障预警方法与系统 | |
Degla et al. | An Enhanced Neural Network Application for a Lithium-ion Battery Pack State-of-Health Estimator | |
CN117452236B (zh) | 新能源汽车的电池寿命检测方法及系统 | |
US20240012056A1 (en) | Method and electronic device for forecasting remaining useful life (rul) of battery | |
US20230268753A1 (en) | Intelligent battery charging based on history |
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 |