CN116540108B - 一种电芯容量衰减预警方法、装置、存储介质及设备 - Google Patents
一种电芯容量衰减预警方法、装置、存储介质及设备 Download PDFInfo
- Publication number
- CN116540108B CN116540108B CN202310822243.2A CN202310822243A CN116540108B CN 116540108 B CN116540108 B CN 116540108B CN 202310822243 A CN202310822243 A CN 202310822243A CN 116540108 B CN116540108 B CN 116540108B
- Authority
- CN
- China
- Prior art keywords
- cell
- data
- battery
- target
- capacity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000004458 analytical method Methods 0.000 claims abstract description 82
- 230000009466 transformation Effects 0.000 claims abstract description 22
- 239000012634 fragment Substances 0.000 claims description 32
- 238000012937 correction Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005562 fading Methods 0.000 description 3
- 239000013543 active substance Substances 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 241000544061 Cuculus canorus Species 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 241001206881 Myrmeleon inconspicuus Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000004090 dissolution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000011418 maintenance treatment Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本申请提供一种电芯容量衰减预警方法、装置、存储介质及设备，该方法中，基于目标电池包的车辆运行数据建立电芯电压特征值数据库，以此构建基于小波变换的压差离群分析模型，在利用压差离群分析模型确定出压差偏离最大的电芯，根据第一标定数据库和第二标定数据库对应于该电芯的数据构建电芯衰减分析模型，进而通过融合这两个模型输出的预测结果，得到容量衰减预警结果。这样，通过放大观察电芯性能参数的局部离群点，以及比对电芯分别在实验室工况和实际工况下的微分容量曲线，判断出压差偏离最大的电芯的容量衰减情况，进而得到车辆动力电池真正的容量衰减预警结果，从而有效提升预警精度。
Description
技术领域
本申请涉及电池安全预警技术领域，具体而言，涉及一种电芯容量衰减预警方法、装置、存储介质及设备。
背景技术
电池压差是指锂电池在放电和充电过程中电芯间的电压最大差值，其是反映电池好坏的关键指标。目前造成电芯压差的原因主要有电芯自放电率变大和电芯容量衰减，其中，容量衰减产生的危险远大于电芯自放电率变大。因此车辆上通常会设置容量衰减检测机制对电池的容量异常进行检测。
相关技术中的容量衰减检测机制一般是通过对电芯运行健康状况进行监控，模糊推算出电芯的容量衰减比例，以此结合依靠经验确立的阈值来实现容量衰减预警。然而，这一方式的预警精度不足。
发明内容
本申请的目的在于提供一种电芯容量衰减预警方法、装置、存储介质及设备，旨在解决相关技术中的电芯容量衰减检测机制存在的预警精度低的问题。
第一方面，本申请提供的一种电芯容量预警方法，包括：根据电芯电压特征值数据库，构建基于小波变换的压差离群分析模型，并利用所述压差离群分析模型确定出目标电芯；所述电芯电压特征值数据库是基于目标电池包的车辆运行数据建立的；所述压差离群分析模型以指定时间长度预测所述目标电池包的各个电芯的压差离群状态；所述目标电芯是所述目标电池包内压差偏离最大的电芯；根据第一标定数据库和第二标定数据库中对应于所述目标电芯的数据，构建电芯衰减分析模型；所述第一标定数据库中记录有所述目标电池包的各个电芯在实验室工况下的微分容量曲线的数据；所述第二标定数据库中记录表征所述目标电池包的各个电芯在实际工况下的微分容量曲线的数据；所述电芯衰减分析模型以指定时间长度预测所述目标电芯的容量衰减状态；通过将所述压差离群分析模型输出的预测结果和所述电芯衰减分析模型输出的预测结果进行融合，得到容量衰减预警结果。
在上述实现过程中，基于目标电池包的车辆运行数据建立电芯电压特征值数据库，以此构建基于小波变换的压差离群分析模型，在利用压差离群分析模型确定出压差偏离最大的电芯，根据第一标定数据库和第二标定数据库对应于该电芯的数据构建电芯衰减分析模型，进而通过融合这两个模型输出的预测结果，得到容量衰减预警结果。这样，通过放大观察电芯性能参数的局部离群点，以及比对电芯分别在实验室工况和实际工况下的微分容量曲线，判断出压差偏离最大的电芯的容量衰减情况，进而得到车辆动力电池真正的容量衰减预警结果，从而有效提升预警精度。
进一步地，在一些例子中，所述基于目标电池包的车辆运行数据，建立电芯电压特征值数据库，包括：通过大数据平台对目标电池包的车辆运行数据进行预处理，提取多个片段类型的连续数据；所述多个片段类型包括启动状态下的停车充电片段、启动状态下的行驶充电片段、启动状态的无充电片段、熄火状态下的有充电片段、熄火状态下的无充电片段；针对每个片段类型，从所述片段类型的连续数据中提取对应的累计里程、片段开始时间、片段结束时间、SOC、电压和电流数据项，得到所述片段类型对应的数据集合；从所述数据集合中提取与电芯压差关联的车辆特征值，基于提取到的车辆特征值建立电芯电压特征值数据库。
在上述实现过程中，提供一种建立电芯电压特征值数据库的具体方式，即通过大数据平台对离散的车辆运行数据整合成连续数据，并按照车辆工作状态和充电状态进行片段划分，再针对各片段类型，提取对应的数据集合，进而提取与电芯压差相关的车辆特征值，以此构建不同片段类型对应的电芯电压特征值数据库。
进一步地，在一些例子中，所述压差离群分析模型在训练过程中，学习到对电芯的电压数据进行小波变换，获得低频分量电压数据和高频分量电压数据，并计算获得的单元电压数据、低频分量电压数据和高频分量电压数据中的各个标准偏差，再通过比对所述标准偏差和对应的平均值，判断所述电芯的压差离群状态。
在上述实现过程中，提供基于小波变换的压差离群分析模型预测电芯压差离群情况的具体方式。
进一步地，在一些例子中，所述第一标定数据库基于以下方式构建得到：根据车辆识别代号，获取电池产品特征参数；所述电池产品特征参数用于表征所述目标电池包的电芯性能和寿命；通过所述电池产品特征参数，计算出所述目标电池包的各个电芯在指定电压间隔内的电池容量变化；根据计算结果获取到所述目标电池包的各个电芯在实验室工况下的微分容量曲线的数据，并基于获取到的数据建立第一标定数据库。
在上述实现过程中，提供一种获取建立第一标定数据库的具体方式，即根据车辆VIN获取电池产品特征参数，以此计算目标电池包的各个标准电芯在指定电压间隔内的电池容量变化，进而获取到各个标准电芯在实验室工况下的微分容量曲线的数据。
进一步地，在一些例子中，所述第二标定数据库基于目标电池包的车辆运行数据和实际工况标定数据建立得到；所述实际工况标定数据包括根据预设的BMS策略采集的、各电芯随电压变化产生的容量变化值；所述BMS策略是在指定采集温度和指定电流下对所述目标电池包进行充电测试，使所述目标电池包的SOC充满至目标值。
在上述实现过程中，提供一种获取实际工况标定数据的具体方式，即预先设定好BMS策略实现充电测试，获取相应测试参数。
进一步地，在一些例子中，所述第二标定数据库基于以下方式构建得到：基于所述数据集合和实际工况标定数据，计算不同温度、不同充电倍率和不同循环次数对电芯的微分容量曲线的修正系数，以及经所述修正系数修正后的微分容量曲线关系式；基于所述微分容量曲线关系式，建立第二标定数据库。
在上述实现过程中，基于数据集合和实际工况标定数据，计算温度修正系数、充电倍率因子和循环次数因子，以此得到经这三种修正系数修正后的微分容量曲线关系式，从而提升模型的预警精度。
进一步地，在一些例子中，所述电芯衰减分析模型在训练过程中，学习到目标电芯在实际工况下的微分容量曲线相对于在实验室工况下的微分容量曲线的偏移情况，判断所述目标电芯的容量衰减状态。
在上述实现过程中，提供电芯衰减分析模型预测电芯容量衰减情况的具体方式。
第二方面，本申请提供的一种电芯容量衰减预警装置，包括：第一构建模块，用于根据电芯电压特征值数据库，构建基于小波变换的压差离群分析模型，并利用所述压差离群分析模型确定出目标电芯；所述电芯电压特征值数据库是基于目标电池包的车辆运行数据建立的；所述压差离群分析模型以指定时间长度预测所述目标电池包的各个电芯的压差离群状态；所述目标电芯是所述目标电池包内压差偏离最大的电芯；第二构建模块，用于根据第一标定数据库和第二标定数据库中对应于所述目标电芯的数据，构建电芯衰减分析模型；所述第一标定数据库中记录有所述目标电池包的各个电芯在实验室工况下的微分容量曲线的数据；所述第二标定数据库中记录表征所述目标电池包的各个电芯在实际工况下的微分容量曲线的数据；所述电芯衰减分析模型以指定时间长度预测所述目标电芯的容量衰减状态；融合模块，用于通过将所述压差离群分析模型输出的预测结果和所述电芯衰减分析模型输出的预测结果进行融合，得到容量衰减预警结果。
第三方面，本申请提供的一种电子设备，包括：存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的方法的步骤。
第四方面，本申请提供的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，当所述指令在计算机上运行时，使得所述计算机执行如第一方面任一项所述的方法。
第五方面，本申请提供的一种计算机程序产品，所述计算机程序产品在计算机上运行时，使得计算机执行如第一方面任一项所述的方法。
本申请公开的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本申请公开的上述技术即可得知。
为使本申请的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种电芯容量衰减预警方法的流程图；
图2为本申请实施例提供的一种基于大数据的电芯容量衰减预警方案的工作流程的示意图；
图3为本申请实施例提供的一种电池包在指定时间段的电芯电压-时间曲线的示意图；
图4为本申请实施例提供的一种电池包中每一个单元电压数据执行离散小波变换多分辨率分析而提取的第五层的低频分量数据曲线的示意图；
图5为本申请实施例提供的一种电池包中每一个单元电压数据执行离散小波变换多分辨率分析而提取的第五层的高频分量数据曲线的示意图；
图6为本申请实施例提供的实际工况下基于温度修正系系数、充电倍率因子、和循环次数因子条件下的编号46的电芯和标准电芯的dQ/dV~V曲线对比的示意图；
图7为本申请实施例提供的电芯容量衰减预警装置所在计算机设备的一种硬件结构图；
图8为本申请实施例提供的一种电芯容量衰减预警装置的框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
如背景技术记载，相关技术中的电芯容量衰减检测机制存在着预警精度低的问题。基于此，本申请实施例提供一种电芯容量衰减预警方案，以解决上述问题。
接下来对本申请实施例进行介绍：
如图1所示，图1是本申请实施例提供的一种电芯容量衰减预警方法的流程图。所述方法可以应用于车辆管理平台。所述方法包括：
在步骤101、根据电芯电压特征值数据库，构建基于小波变换的压差离群分析模型，并利用所述压差离群分析模型确定出目标电芯；所述电芯电压特征值数据库是基于目标电池包的车辆运行数据建立的；所述压差离群分析模型以指定时间长度预测所述目标电池包的各个电芯的压差离群状态；所述目标电芯是所述目标电池包内压差偏离最大的电芯；
本步骤中提到的目标电池包可以是需要实现电芯容量衰减预警功能的车辆上的动力电池，其可以是由若干个电芯串联形成的。本步骤中，利用目标电池包的车辆运行数据建立电芯电压特征值数据库，进而构建基于小波变换的压差离群分析模型，以此来判断目标电池包的各个电芯的压差离群情况，并确定出其中压差偏离最大的电芯。
具体地，目标电池包的车辆运行数据可以是指搭载此动力电池的车辆在实际行车过程中产生的数据，如对应车辆在某个时间点的车速、电池的充放电状态、电池温度、电压等等，该车辆运行数据可以是从该车辆的BMS（Battery Management System，电池管理系统）、VCU（Vehicle Control Unit，整车控制器）等模块采集得到的。
在一些实施例中，本步骤中提到的电芯电压特征值数据库可以基于以下方式构建得到：通过大数据平台对目标电池包的车辆运行数据进行预处理，提取多个片段类型的连续数据；所述多个片段类型包括启动状态下的停车充电片段、启动状态下的行驶充电片段、启动状态的无充电片段、熄火状态下的有充电片段、熄火状态下的无充电片段；针对各片段类型，分别提取对应的累计里程、片段开始时间、片段结束时间、SOC、电压和电流数据项，得到对应的数据集合；从所述数据集合中提取与电芯压差关联的车辆特征值，基于提取到的车辆特征值建立电芯电压特征值数据库。也就是说，针对离散的车辆运行数据，采集后可以通过车联网上传至大数据平台，由大数据平台对其进行预处理，从中提取出满足需求的车辆连续数据，按照时间戳的升序或降序顺序，将连续数据按照车辆工作状态和充电状态划分成“启动+停车充电片段”、“启动+行驶充电片段”、“启动+无充电片段”、“熄火+有充电片段”、“熄火+无充电片段”这五种片段类型；之后，针对各片段类型，分别提取对应的累计里程、片段开始时间、片段结束时间、SOC、电压和电流数据项，得到这五种片段类型各自对应的数据集合，再从各数据集合中提取出与电芯压差相关的车辆特征值，如电芯温度、充电次数、低温时长、高温时长、快充占比、能量回收电流、SOC、高速占比等，从而进而建立出不同片段类型对应的电芯电压特征值数据库。
本实施例方案中所构建的压差离群分析模型是基于小波变换的模型。小波变换是一种用于提取信号的局部特征的技术，它具有多分辨分析的特点，而且在时频两域都具有表征信号局部特征的能力，数据经小波变换后得到高频部分和低频部分，该高频部分具有较低的时间分辨率和较高的频率分辨率，该低频部分具有较高的时间分辨率和较低的频率分辨率，从而准确提取出信号的局部特征。在本实施例方案中，将电芯电压-时间曲线作为源信号，通过对循环小波函数的幅度和水平位置进行变换来对该源信号进行分析，从而放大观察电芯性能参数的局部离群点。
在一些实施例中，本步骤中提到的压差离群分析模型在训练过程中，学习到对电芯电压数据进行小波变换，获得低频分量电压数据和高频分量电压数据，并计算获得的单元电压数据、低频分量电压数据和高频分量电压数据中的各个标准偏差，再通过比对所述标准偏差和对应的平均值，判断所述电芯的压差离群状态。也就是说，在压差离群分析模型的训练过程中，可以从电芯电压特征值数据库提取出电芯电压数据并输入模型，模型内部可以根据该电芯电压数据，计算目标电池包的各个电芯在某时间段内的电压标准差，以及各电压标准差相对平均值的差值，近小波变换处理后，获得低频分量电压数据和高频分量电压数据，再计算目标电池包的各个电芯在对应时间段内的低频分量标准偏差和高频分量标准偏差，以及该低频分量标准偏差相对于其平均值的差值，和该高频分量标准偏差相对于其平均值的差值，最后模型分别通过各个标准偏差与其对应的平均值之间的差值，判断各个电芯的压差是否存在离群情况。如此，使得训练好的模型能够以指定时间长度预测目标电池包的电芯的压差离群状态，并判断出压差偏离最大的电芯。
另外，在构建好压差离群分析模型后，可以将模型进行大数据训练，以提升模型预测的准确率。
在步骤102、根据第一标定数据库和第二标定数据库中对应于所述目标电芯的数据，构建电芯衰减分析模型；所述第一标定数据库中记录有所述目标电池包的各个电芯在实验室工况下的微分容量曲线的数据；所述第二标定数据库中记录表征所述目标电池包的各个电芯在实际工况下的微分容量曲线的数据；所述电芯衰减分析模型以指定时间长度预测所述目标电芯的容量衰减状态；
本步骤中提到的微分容量曲线是dQ/dV~V曲线，其可理解为电芯瞬间容量变化量与电压变化量的关系，受电芯老化程度影响，微分容量曲线的峰谷高度、位置和峰的面积不尽相同，能直观反映电池内部电化学变化特征。本实施例方案中，在确定出目标电池包中压差偏离最大的电芯，即目标电芯后，从第一标定数据库和第二标定数据库中，获取到目标电芯在实验室工况和实际工况下的微分容量曲线的数据，构建电芯衰减分析模型，以此来预测目标电芯在未来一段时间内的容量衰减情况。
具体地，第一标定数据库可以认为是基于实验室标定数据建立得到的数据库，这里的实验室标定数据可以是指针对目标电池包在出厂检验时测量到的数据，此时目标电池包的各个电芯均是容量未衰减的电芯。在一些实施例中，本步骤中提到的第一标定数据库基于以下方式构建得到：根据车辆识别代号，获取电池产品特征参数；所述电池产品特征参数用于表征所述目标电池包的电芯性能和寿命；通过所述电池产品特征参数，计算出所述目标电池包的各个电芯在指定电压间隔内的电池容量变化；根据计算结果获取到所述目标电池包的各个电芯在实验室工况下的微分容量曲线的数据，并基于获取到的数据建立第一标定数据库。车辆识别代码（Vehicle Identification Number，VIN）是为了识别某一辆车，由车辆制造厂为该车辆指定的一组字码，其包含了该车辆的生产厂家、年代、车型、车身型式及代码、发动机代码及组装地点等信息。因此，根据车辆VIN，可以获取到该车型的电芯性能及寿命开发数据库，即目标电池包的标准电芯在出厂检验时针对其性能、寿命等方面的各种测试结果的集合，之后，通过该电芯性能及寿命开发数据库，可以计算出目标电池包的各个标准电芯在指定电压间隔内的电池容量变化，进而可以获取到各个标准电芯在实验室工况下的微分容量曲线的数据，以此可以建立得到实验室标定数据库。
相应地，第二标定数据库可以是基于目标电池包的车辆运行数据和实际工况标定数据建立得到的数据库，这里的实际工况标定数据可以是指针对目标电池包在实际工况测试时测量到的数据。在一些实施例中，该实际工况标定数据可以包括根据预设的BMS策略采集的、各电芯随电压变化产生的容量变化值；所述BMS策略是在指定采集温度和指定电流下对所述目标电池包进行充电测试，使所述目标电池包的SOC充至目标值。这里的目标值可以是100%，也可以根据具体场景的需求设置成其它数值。例如，在一些场景中，平台可以根据预先设定好的BMS策略，在车辆每次回场站进行充电时，按15A小电流充电进行充电测试，此时各个电芯温度均大于15℃，电池SOC由当时状态充满至100%，在此过程中获取各电芯的容量-电压曲线。这样，后续可以将得到的各次容量-电压采集值与测试时的采集温度、电流、时间、里程、额定容量数据融合为反映各历史数据与电芯压差的关系表，从而为构建电芯衰减分析模型奠定良好的数据基础。
进一步地，在一些实施例中，本步骤中提到的第二标定数据库基于以下方式构建得到：基于所述数据集合和实际工况标定数据，计算不同温度、不同充电倍率和不同循环次数对电芯的微分容量曲线的修正系数，以及经所述修正系数修正后的微分容量曲线关系式；基于所述微分容量曲线关系式，建立第二标定数据库。也就是说，在得到反映各历史数据与电芯压差的关系表后，可以结合前面得到的数据集合，分别计算不同温度、不同充电倍率和不同循环次数下对电芯的微分容量曲线的修正系数，即温度修正系数、充电倍率因子和循环次数因子，进而可以得到经这3个修正系数修正后的微分容量曲线关系式，以此来建立第二标定数据库，这样能够减少错误数据对于预警准确性的干扰，从而提升模型的预警精度。
可选地，实际工况下，基于温度修正系数、充电倍率因子和循环次数因子的微分容量曲线关系式可以表示为：
其中，为温度修正系数；/>为充电倍率因子；/>为循环次数因子；/>为不同使用温度条件下电芯OCV；/>为不同循环次数条件下电池容量。通过上述关系式，可以将电池容量衰减情况转换成一个有关监测参数的多元非线性模型/>，进而可以得到电芯的温度修正系数、充电倍率因子、循环次数因子、OCV与容量之间的相关性。
在一些实施例中，本步骤中提到的电芯衰减分析模型在模型训练过程中，学习到目标电芯在实际工况下的微分容量曲线相对于在实验室工况下的微分容量曲线的偏移情况，判断所述目标电芯的容量衰减状态。该电芯衰减分析模型可以基于SVR（SupportVector Regression，支持向量回归）算法的模型，在模型训练过程中，可以对前面得到的第一标定数据库和第二标定数据库中对应于目标电芯的数据进行特征提取，将提取到的特征分为训练集和测试集，之后利用SVR（Support Vector Regression，支持向量回归）算法对训练集进行处理，以评估温度修正系数、充电倍率因子、循环次数因子、OCV和电池容量之间的相关性，以及通过测试集对算法的判断效果进行验证，在验证得算法的判断效率良好时，通过曲线拟合得到目标电芯在实际工况下的dQ/dV~V曲线以及在未衰减时的dQ/dV~V曲线，最后对比两个曲线各自特征峰的高度、左右斜率、面积和位置，得到偏移情况，进而基于该偏移情况判断目标电芯是否发生容量衰减。当然，在其他实施例中，该电芯衰减分析模型也可以是基于其它算法，如蚁狮优化算法、布谷鸟搜索算法的模型，具体的模型训练和验证过程可以参见相关技术中对相应算法的描述，本申请对此不作赘述；另外，同样地，在构建好电芯衰减分析模型后，可以将模型进行大数据训练，以提升模型预测的准确率。
在步骤103、通过对所述压差离群分析模型输出的预测结果和所述电芯衰减分析模型输出的预测结果进行融合，得到容量衰减预警结果。
本实施例方案中，综合两个模型输出的预测结果进行融合和判断，例如，针对由90个电芯串联形成的电池包，车辆管理平台实时采集该电池包所在车辆的运行工况和车辆特征值，并将采集到的数据输入两个模型，若压差离群分析模型输出的预测结果是编号46的电芯存在压差离群情况，而电芯衰减分析模型输出的预测结果是编号46的电芯的微分容量曲线相对于标准电芯的微分容量曲线发生偏移，即编号46的电芯发生容量衰减，则融合两个模型的预测结果后，可以确定编号46的电芯存在压差大的问题，且是由于其容量衰减导致的，则可以输出容量衰减预警结果，以提醒客户尽快进行维护处理，避免容量衰减进一步加剧导致安抛及烧车等不可控的安全风险。
本申请实施例，基于目标电池包的车辆运行数据建立电芯电压特征值数据库，以此构建基于小波变换的压差离群分析模型，在利用压差离群分析模型确定出压差偏离最大的电芯，根据第一标定数据库和第二标定数据库对应于该电芯的数据构建电芯衰减分析模型，进而通过融合这两个模型输出的预测结果，得到容量衰减预警结果。这样，通过放大观察电芯性能参数的局部离群点，以及比对电芯分别在实验室工况和实际工况下的微分容量曲线，判断出压差偏离最大的电芯的容量衰减情况，进而得到车辆动力电池真正的容量衰减预警结果，从而有效提升预警精度。
为了对本申请的方案做更为详细的说明，接下来介绍一具体实施例：
本实施例提供一种基于大数据的电芯容量衰减预警方案。该方案的工作流程如图2所示，包括：
S201、采集新能源车辆车辆运行数据，通过大数据平台对该车辆运行数据进行预处理，从中提取出满足需求的车辆连续数据，按照时间戳的升序或降序顺序，将连续数据划分为“启动+停车充电片段”、“启动+行驶充电片段”、“启动+无充电片段”、“熄火+有充电片段”、“熄火+无充电片段”5种片段类型，针对各片段类型，分别提取对应的累计里程、片段开始时间、片段结束时间、SOC、电压、电流数据项，并得到5种片段类型各自对应的数据集合；
S202、从各数据集合中提取与电芯压差相关的多种整车特征数据，包括电芯温度、充电次数、低温时长、高温时长、快充占比、能量回收电流、SOC值、高速占比等，以此建立不同片段类型对应的电芯电压特征值数据库；
S203、根据车辆的VIN获取电池产品特征参数，以此构建该车型的电芯性能及寿命开发数据库，进而得到实验室工况下标准电芯（容量未衰减的电芯）dQ/dV~V曲线标定数据库；
S204、根据预先设定好的BMS策略，在新能源车辆每次回场站进行充电时，此时各个电芯温度均大于15℃，充电启动后按15A小电流（小于1/3C充电倍率）充电进行充电测试，电池SOC由当时状态充满至100%，获取各电芯的容量-电压曲线；通过该BMS策略，将得到的各电芯的容量-电压采集值与测试时的采集温度、电流、时间、里程、额定容量数据，融合为反映各历史数据与电芯压差的关系表，再结合S202得到的数据集合，分别计算不同温度、不同充电倍率和不同循环次数下对电芯dQ/dV~V曲线的修正系数，以及经这3个修订系数修正后的dQ/dV~V关系表，以此来建立实际工况下电池dQ/dV~V曲线标定数据库；
S205、根据S202得到的电芯电压特征值数据库，构建基于小波变换的压差离群分析模型，并进行大数据库训练，训练好的模型以指定时间长度预测和判断某电芯的压差离群情况；具体地，对电芯电压数据进行小波变换，以获得低频分量电压数据和高频分量电压数据；并计算获得的单元电压数据、低频分量电压数据和高频分量电压数据中的各个标准偏差，分别通过比对各个标准偏差及其平均值之间的差异，从而判断某电芯的压差是否存在离群情况，并获取压差偏离最大的电芯编号；
S206、根据S203得到的实验室工况下，对应于压差偏离最大的电芯编号的dQ/dV~V曲线标定数据库，和S204得到的实际工况下电池dQ/dV~V曲线标定数据库，构建dQ/dV~V曲线的电芯衰减分析模型，进行对比和进行大数据训练，训练好的模型以指定时间长度预测和判断某电芯容量衰减离群情况；
S207、综合压差离群分析模型和电芯衰减分析模型输出的预测结果进行判断，得到车辆动力电池的容量衰减预警结果。
在应用本实施例方案的一个场景中，针对目标车辆采用的一款由116个电芯串联形成的电池包，该电池包在指定时间段的电芯电压-时间曲线如图3所示，该图中，横坐标表示时间，单位为s，纵坐标表示电压，单位为V，以此计算该电池包在该时间段的各个电芯标准差，其中，该电池包的116个电芯在该时间段的电压标准差的平均值为0.0260，电芯编号46的标准差相对平均值的差值为0.00448，为所有电芯中标准差偏离平均值最大的电芯，则初步判断其电芯压差最大；
对其进行局部小波变换放大观察，该电池包中每一个单元电压数据执行离散小波变换多分辨率分析而提取的第五层的低频分量数据曲线如图4所示，该图中，横坐标表示时间，单位为s，纵坐标表示电压，单位为V，以此计算该电池包中每一个单元电压数据执行离散小波变换多分辨率分析而提取的第五层的低频分量标准偏差，其中，该电池包的116个电芯在该时间段的电压低频分量标准偏差的平均值为0.2370，电芯编号46的标准差相对平均值的差值为0.10775，为所有电芯中标准差偏离平均值最大的电芯，则初步锁定其电芯压差大，继续对其高频部分进行观察；
该电池包中每一个单元电压数据执行离散小波变换多分辨率分析而提取的第五层的高频分量数据曲线如图5所示，该图中，横坐标表示时间，单位为s，纵坐标表示电压，单位为V，以此计算该电池包中每一个单元电压数据执行离散小波变换多分辨率分析而提取的第五层的高频分量标准偏差，其中，该电池包的116个电芯在该时间段的电压高频分量标准偏差的平均值为0.0036，电芯编号46的标准差相对平均值的差值为0.00391，综合源数据、小波变换后低频数据、小波变换后高频数据，判断得电芯编号46存在压差大的现象且为所有电芯中压差最大；
对该车进行邀约回店进行小电流充电观察，发现：静置1h后，15A小电流充电，此时电芯温度为25℃±3℃，电池SOC由37%充至99%，通过算法，得到编号46的电芯和标准电芯（衰减前）的dQ/dV~V曲线对比结果，该对比结果如图6所示，该图中，曲线61是实际工况下基于温度修正系系数、充电倍率因子、和循环次数因子条件下编号46的电芯的dQ/dV~V曲线，曲线62是实际工况下基于温度修正系系数、充电倍率因子、和循环次数因子条件下标准电芯的dQ/dV~V曲线，两条曲线左侧的峰为Ⅰ峰，右侧的峰为Ⅱ峰，经分析可知，相对于标准电芯，编号46电芯的Ⅰ峰和Ⅱ峰高度向下偏移，是电芯发生活性物质溶解；Ⅰ峰和Ⅱ峰的横向位置相对均向右偏移，OCV变小，这是电芯内阻增加原因，从而得知编号46的电芯确实发生容量衰减，这是由于电芯发生活性物质溶解和内阻增加的双重叠加结果；
综合两个模型输出的预测结果进行判断，得到最终结论为：编号46的电芯确实存在容量衰减较大的问题，需要尽快维护处理及在线快速制定BMS荣休策略。
本实施例方案，能够得到该车辆动力电池真正的容量衰减预警结果，有效提升预警精度；能够提前预警电池容量衰减问题，在应用时，可以通过大数据平台及时联系客户进站处理，从而避免容量衰减进一步加剧导致安抛及烧车等不可控的安全风险。
与前述方法的实施例相对应，本申请还提供电芯容量衰减预警装置及其应用的终端的实施例：
本申请电芯容量衰减预警装置的实施例可以应用在计算机设备上，例如服务器或终端设备。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图7所示，为本申请实施例文件处理装置所在计算机设备的一种硬件结构图，除了图7所示的处理器710、内存730、网络接口720、以及非易失性存储器740之外，实施例中电芯容量衰减预警装置731所在的服务器或电子设备，通常根据该计算机设备的实际功能，还可以包括其他硬件，对此不再赘述。
相应地，本申请实施例还提供一种计算机存储介质，所述存储介质中存储有程序，所述程序被处理器执行时实现上述任一实施例中的方法。
相应地，本申请实施例还提供一种计算机设备，所述电子设备包括有处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为：执行所述指令时完成上述任一实施例中的方法。
本申请实施例可采用在一个或多个其中包含有程序代码的存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。计算机可用存储介质包括永久性和非永久性、可移动和非可移动媒体，可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括但不限于：相变内存（PRAM）、静态随机存取存储器（SRAM）、动态随机存取存储器（DRAM）、其他类型的随机存取存储器（RAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、快闪记忆体或其他内存技术、只读光盘只读存储器（CD-ROM）、数字多功能光盘（DVD）或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
如图8所示，图8是本申请实施例提供的一种电芯容量衰减预警装置的框图，所述装置包括：
第一构建模块81，用于根据电芯电压特征值数据库，构建基于小波变换的压差离群分析模型，并利用所述压差离群分析模型确定出目标电芯；所述电芯电压特征值数据库是基于目标电池包的车辆运行数据建立的；所述压差离群分析模型以指定时间长度预测所述目标电池包的各个电芯的压差离群状态；所述目标电芯是所述目标电池包内压差偏离最大的电芯；
第二构建模块82，用于根据第一标定数据库和第二标定数据库中对应于所述目标电芯的数据，构建电芯衰减分析模型；所述第一标定数据库中记录有所述目标电池包的各个电芯在实验室工况下的微分容量曲线的数据；所述第二标定数据库中记录表征所述目标电池包的各个电芯在实际工况下的微分容量曲线的数据；所述电芯衰减分析模型以指定时间长度预测所述目标电芯的容量衰减状态；
融合模块83，用于通过将所述压差离群分析模型输出的预测结果和所述电芯衰减分析模型输出的预测结果进行融合，得到容量衰减预警结果。
上述装置中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。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申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
上述对本申请特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本领域技术人员在考虑说明书及实践这里申请的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未申请的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。
Claims (10)
1.一种电芯容量衰减预警方法，其特征在于，包括：
根据电芯电压特征值数据库，构建基于小波变换的压差离群分析模型，并利用所述压差离群分析模型确定出目标电芯；所述电芯电压特征值数据库是基于目标电池包的车辆运行数据建立的；所述压差离群分析模型以指定时间长度预测所述目标电池包的各个电芯的压差离群状态；所述目标电芯是所述目标电池包内压差偏离最大的电芯；
根据第一标定数据库和第二标定数据库中对应于所述目标电芯的数据，构建电芯衰减分析模型；所述第一标定数据库中记录有所述目标电池包的各个电芯在实验室工况下的微分容量曲线的数据；所述第二标定数据库中记录表征所述目标电池包的各个电芯在实际工况下的微分容量曲线的数据；所述电芯衰减分析模型以指定时间长度预测所述目标电芯的容量衰减状态；
通过将所述压差离群分析模型输出的预测结果和所述电芯衰减分析模型输出的预测结果进行融合，得到容量衰减预警结果。
2.根据权利要求1所述的方法，其特征在于，所述电芯电压特征值数据库基于以下方式构建得到：
通过大数据平台对目标电池包的车辆运行数据进行预处理，提取多个片段类型的连续数据；所述多个片段类型包括启动状态下的停车充电片段、启动状态下的行驶充电片段、启动状态的无充电片段、熄火状态下的有充电片段、熄火状态下的无充电片段；
针对每个片段类型，从所述片段类型的连续数据中提取对应的累计里程、片段开始时间、片段结束时间、SOC、电压和电流数据项，得到所述片段类型对应的数据集合；
从所述数据集合中提取与电芯压差关联的车辆特征值，基于提取到的车辆特征值建立电芯电压特征值数据库。
3.根据权利要求2所述的方法，其特征在于，所述压差离群分析模型在训练过程中，学习到对电芯的电压数据进行小波变换，获得低频分量电压数据和高频分量电压数据，并计算获得的单元电压数据、低频分量电压数据和高频分量电压数据中的各个标准偏差，再通过比对所述标准偏差和对应的平均值，判断所述电芯的压差离群状态。
4.根据权利要求1所述的方法，其特征在于，所述第一标定数据库基于以下方式构建得到：
根据车辆识别代号，获取电池产品特征参数；所述电池产品特征参数用于表征所述目标电池包的电芯性能和寿命；
通过所述电池产品特征参数，计算出所述目标电池包的各个电芯在指定电压间隔内的电池容量变化；
根据计算结果获取到所述目标电池包的各个电芯在实验室工况下的微分容量曲线的数据，并基于获取到的数据建立第一标定数据库。
5.根据权利要求2所述的方法，其特征在于，所述第二标定数据库基于目标电池包的车辆运行数据和实际工况标定数据建立得到；所述实际工况标定数据包括根据预设的BMS策略采集的、各电芯随电压变化产生的容量变化值；所述BMS策略是在指定采集温度和指定电流下对所述目标电池包进行充电测试，使所述目标电池包的SOC充至目标值。
6.根据权利要求5所述的方法，其特征在于，所述第二标定数据库基于以下方式构建得到：
基于所述数据集合和实际工况标定数据，计算不同温度、不同充电倍率和不同循环次数对电芯的微分容量曲线的修正系数，以及经所述修正系数修正后的微分容量曲线关系式；
基于所述微分容量曲线关系式，建立第二标定数据库。
7.根据权利要求6所述的方法，其特征在于，所述电芯衰减分析模型在训练过程中，学习到目标电芯在实际工况下的微分容量曲线相对于在实验室工况下的微分容量曲线的偏移情况，判断所述目标电芯的容量衰减状态。
8.一种电芯容量衰减预警装置，其特征在于，包括：
第一构建模块，用于根据电芯电压特征值数据库，构建基于小波变换的压差离群分析模型，并利用所述压差离群分析模型确定出目标电芯；所述电芯电压特征值数据库是基于目标电池包的车辆运行数据建立的；所述压差离群分析模型以指定时间长度预测所述目标电池包的各个电芯的压差离群状态；所述目标电芯是所述目标电池包内压差偏离最大的电芯；
第二构建模块，用于根据第一标定数据库和第二标定数据库中对应于所述目标电芯的数据，构建电芯衰减分析模型；所述第一标定数据库中记录有所述目标电池包的各个电芯在实验室工况下的微分容量曲线的数据；所述第二标定数据库中记录表征所述目标电池包的各个电芯在实际工况下的微分容量曲线的数据；所述电芯衰减分析模型以指定时间长度预测所述目标电芯的容量衰减状态；
融合模块，用于通过将所述压差离群分析模型输出的预测结果和所述电芯衰减分析模型输出的预测结果进行融合，得到容量衰减预警结果。
9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
10.一种电子设备，其特征在于，包括处理器、存储器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310822243.2A CN116540108B (zh) | 2023-07-06 | 2023-07-06 | 一种电芯容量衰减预警方法、装置、存储介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310822243.2A CN116540108B (zh) | 2023-07-06 | 2023-07-06 | 一种电芯容量衰减预警方法、装置、存储介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116540108A CN116540108A (zh) | 2023-08-04 |
| CN116540108B true CN116540108B (zh) | 2023-12-15 |
Family
ID=87451016
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310822243.2A Active CN116540108B (zh) | 2023-07-06 | 2023-07-06 | 一种电芯容量衰减预警方法、装置、存储介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116540108B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116774064B (zh) * | 2023-08-22 | 2024-01-16 | 宁德时代新能源科技股份有限公司 | 电池自放电检测方法、装置、设备和存储介质 |
| CN117607727B (zh) * | 2024-01-24 | 2024-05-10 | 宁德时代新能源科技股份有限公司 | 检测设备、电池生产系统及电池的检测控制方法 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09281199A (ja) * | 1996-04-15 | 1997-10-31 | Hitachi Building Syst Co Ltd | 蓄電池の劣化判定装置 |
| CN103698714A (zh) * | 2014-01-02 | 2014-04-02 | 清华大学 | 电池容量衰减机理辨识方法及系统 |
| CN103785629A (zh) * | 2014-01-13 | 2014-05-14 | 国家电网公司 | 一种梯次利用锂电池筛选成组方法 |
| CN110988689A (zh) * | 2019-04-25 | 2020-04-10 | 宁德时代新能源科技股份有限公司 | 电池可恢复衰减容量的恢复方法、装置和系统 |
| CN111398833A (zh) * | 2020-03-13 | 2020-07-10 | 浙江大学 | 一种电池健康状态评估方法和评估系统 |
| CN112098853A (zh) * | 2020-08-21 | 2020-12-18 | 北京车和家信息技术有限公司 | 一种容量衰减电池放电功率确定方法及装置 |
| CN112632850A (zh) * | 2020-12-14 | 2021-04-09 | 华中科技大学 | 一种锂电池组中异常电池的检测方法及系统 |
| CN113036834A (zh) * | 2019-12-25 | 2021-06-25 | 丰田自动车株式会社 | 电池系统以及锂离子电池的控制方法 |
| CN113075574A (zh) * | 2021-03-30 | 2021-07-06 | 上海交通大学 | 基于自适应信息融合的电池健康状态预测方法及设备 |
| CN113934969A (zh) * | 2021-09-30 | 2022-01-14 | 蜂巢能源科技有限公司 | 一种电池电芯容量离群的确定方法及装置 |
| CN115267556A (zh) * | 2022-08-10 | 2022-11-01 | 上海玫克生储能科技有限公司 | 电池寿命衰降分析方法、存储介质及电子设备 |
| CN115656857A (zh) * | 2022-09-15 | 2023-01-31 | 广州大学 | 一种锂离子电池剩余使用寿命的多尺度融合预测方法 |
| CN116008827A (zh) * | 2022-12-23 | 2023-04-25 | 湖北亿纬动力有限公司 | 一种锂离子电池析锂电位的确定方法、装置及电子设备 |
| CN116381514A (zh) * | 2023-06-07 | 2023-07-04 | 广汽埃安新能源汽车股份有限公司 | 一种电芯压差预警方法、装置、存储介质及设备 |
| CN116381494A (zh) * | 2023-03-30 | 2023-07-04 | 深圳市正浩创新科技股份有限公司 | 电池最大可用容量预测方法、装置、电子设备及存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108732500B (zh) * | 2017-04-18 | 2019-11-15 | 华为技术有限公司 | 电池健康状态的估计方法及装置 |
| TWI758136B (zh) * | 2021-03-22 | 2022-03-11 | 新普科技股份有限公司 | 狀態估計方法及電池組 |
-
2023
- 2023-07-06 CN CN202310822243.2A patent/CN116540108B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09281199A (ja) * | 1996-04-15 | 1997-10-31 | Hitachi Building Syst Co Ltd | 蓄電池の劣化判定装置 |
| CN103698714A (zh) * | 2014-01-02 | 2014-04-02 | 清华大学 | 电池容量衰减机理辨识方法及系统 |
| CN103785629A (zh) * | 2014-01-13 | 2014-05-14 | 国家电网公司 | 一种梯次利用锂电池筛选成组方法 |
| CN110988689A (zh) * | 2019-04-25 | 2020-04-10 | 宁德时代新能源科技股份有限公司 | 电池可恢复衰减容量的恢复方法、装置和系统 |
| CN113036834A (zh) * | 2019-12-25 | 2021-06-25 | 丰田自动车株式会社 | 电池系统以及锂离子电池的控制方法 |
| CN111398833A (zh) * | 2020-03-13 | 2020-07-10 | 浙江大学 | 一种电池健康状态评估方法和评估系统 |
| CN112098853A (zh) * | 2020-08-21 | 2020-12-18 | 北京车和家信息技术有限公司 | 一种容量衰减电池放电功率确定方法及装置 |
| CN112632850A (zh) * | 2020-12-14 | 2021-04-09 | 华中科技大学 | 一种锂电池组中异常电池的检测方法及系统 |
| CN113075574A (zh) * | 2021-03-30 | 2021-07-06 | 上海交通大学 | 基于自适应信息融合的电池健康状态预测方法及设备 |
| CN113934969A (zh) * | 2021-09-30 | 2022-01-14 | 蜂巢能源科技有限公司 | 一种电池电芯容量离群的确定方法及装置 |
| CN115267556A (zh) * | 2022-08-10 | 2022-11-01 | 上海玫克生储能科技有限公司 | 电池寿命衰降分析方法、存储介质及电子设备 |
| CN115656857A (zh) * | 2022-09-15 | 2023-01-31 | 广州大学 | 一种锂离子电池剩余使用寿命的多尺度融合预测方法 |
| CN116008827A (zh) * | 2022-12-23 | 2023-04-25 | 湖北亿纬动力有限公司 | 一种锂离子电池析锂电位的确定方法、装置及电子设备 |
| CN116381494A (zh) * | 2023-03-30 | 2023-07-04 | 深圳市正浩创新科技股份有限公司 | 电池最大可用容量预测方法、装置、电子设备及存储介质 |
| CN116381514A (zh) * | 2023-06-07 | 2023-07-04 | 广汽埃安新能源汽车股份有限公司 | 一种电芯压差预警方法、装置、存储介质及设备 |
Non-Patent Citations (2)
| Title |
|---|
| 一种新型电动汽车电池模组健康状态诊断方法;武超 等;电源技术;39(第11期);2384-2386 * |
| 锂离子电池寿命预测仿真建模技术;温鹏 等;计算机仿真;35(第04期);65-69 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116540108A (zh) | 2023-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116540108B (zh) | 一种电芯容量衰减预警方法、装置、存储介质及设备 | |
| Yang et al. | A fractional-order model-based battery external short circuit fault diagnosis approach for all-climate electric vehicles application | |
| Yu et al. | State of health estimation method for lithium-ion batteries based on multiple dynamic operating conditions | |
| Wang et al. | A battery capacity estimation framework combining hybrid deep neural network and regional capacity calculation based on real-world operating data | |
| CN112213643B (zh) | 电池初始容量、电池健康状态的预测方法、系统及设备 | |
| CN116381514B (zh) | 一种电芯压差预警方法、装置、存储介质及设备 | |
| Zhou et al. | State-of-health estimation for LiFePO 4 battery system on real-world electric vehicles considering aging stage | |
| CN116154900B (zh) | 一种电池储能电站的主动安全三级防控系统及方法 | |
| Wei et al. | Lyapunov-based state of charge diagnosis and health prognosis for lithium-ion batteries | |
| Liu et al. | Online health prognosis for lithium-ion batteries under dynamic discharge conditions over wide temperature range | |
| CN116381541B (zh) | 一种储能锂电池系统的健康评估方法及系统 | |
| CN116973788A (zh) | 内短路故障检测方法、装置、计算机设备及存储介质 | |
| Chen et al. | A novel battery health indicator and PSO-LSSVR for LiFePO4 battery SOH estimation during constant current charging | |
| CN116754960A (zh) | 钠离子电池云端soh估计和剩余寿命预测方法、装置及程序 | |
| CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
| CN114545275A (zh) | 一种锂离子电池剩余使用寿命间接预测方法 | |
| Liu et al. | Data-driven internal temperature estimation methods for sodium-ion battery using electrochemical impedance spectroscopy | |
| CN117330958A (zh) | 一种预估动力电池寿命的方法、装置及存储介质 | |
| CN117031337A (zh) | 一种电芯内短路检测方法、装置、存储介质及设备 | |
| CN115372838A (zh) | 一种新能源汽车bms故障检测方法 | |
| Degla et al. | An Enhanced Neural Network Application for a Lithium-ion Battery Pack State-of-Health Estimator | |
| CN112733479A (zh) | 一种单体电池的模型参数计算方法、装置和介质 | |
| Pelosi et al. | Real-time Lithium-ion battery state of health evaluation based on discrete wavelet transform: The effect of operating temperature | |
| CN117970128B (zh) | 一种实时反馈控制的电池综合实验调试方法及系统 | |
| CN118322931B (zh) | 新能源汽车化学电池储能系统的智能控制与管理系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |