CN116819339A - 复合电极电池老化估计方法、装置、设备、介质及程序 - Google Patents
复合电极电池老化估计方法、装置、设备、介质及程序 Download PDFInfo
- Publication number
- CN116819339A CN116819339A CN202310791402.7A CN202310791402A CN116819339A CN 116819339 A CN116819339 A CN 116819339A CN 202310791402 A CN202310791402 A CN 202310791402A CN 116819339 A CN116819339 A CN 116819339A
- Authority
- CN
- China
- Prior art keywords
- data
- battery
- composite electrode
- soc
- aging
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000002131 composite material Substances 0.000 title claims abstract description 155
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000032677 cell aging Effects 0.000 title claims description 6
- 230000032683 aging Effects 0.000 claims abstract description 193
- 238000004364 calculation method Methods 0.000 claims description 50
- 230000006870 function Effects 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 16
- 230000015556 catabolic process Effects 0.000 claims description 3
- 238000006731 degradation reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 239000007772 electrode material Substances 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 229910000625 lithium cobalt oxide Inorganic materials 0.000 description 2
- BFZPBUKRYWOWDV-UHFFFAOYSA-N lithium;oxido(oxo)cobalt Chemical compound [Li+].[O-][Co]=O BFZPBUKRYWOWDV-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007773 negative electrode material Substances 0.000 description 2
- 239000007774 positive electrode material Substances 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- FKNQFGJONOIPTF-UHFFFAOYSA-N Sodium cation Chemical compound [Na+] FKNQFGJONOIPTF-UHFFFAOYSA-N 0.000 description 1
- PFYQFCKUASLJLL-UHFFFAOYSA-N [Co].[Ni].[Li] Chemical compound [Co].[Ni].[Li] PFYQFCKUASLJLL-UHFFFAOYSA-N 0.000 description 1
- HFCVPDYCRZVZDF-UHFFFAOYSA-N [Li+].[Co+2].[Ni+2].[O-][Mn]([O-])(=O)=O Chemical compound [Li+].[Co+2].[Ni+2].[O-][Mn]([O-])(=O)=O HFCVPDYCRZVZDF-UHFFFAOYSA-N 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- QHGJSLXSVXVKHZ-UHFFFAOYSA-N dilithium;dioxido(dioxo)manganese Chemical compound [Li+].[Li+].[O-][Mn]([O-])(=O)=O QHGJSLXSVXVKHZ-UHFFFAOYSA-N 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000010439 graphite Substances 0.000 description 1
- 229910002804 graphite Inorganic materials 0.000 description 1
- 229910021385 hard carbon Inorganic materials 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 229910001415 sodium ion Inorganic materials 0.000 description 1
- 229910021384 soft carbon Inorganic materials 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本申请公开了一种复合电极电池老化估计方法、装置、设备、介质及程序，接收复合电极电池的实际运行数据，实际运行数据被配置为电池电压、电池电流、电池温度、SOC和时间之间的函数，获取至少一组特征数据，特征数据关联于实际运行数据，被配置为OCV、SOC、温度和时间之间的函数，基于预先设置的实验数据，确定每组特征数据对应的老化程度，其中，实验数据与复合电极电池的电芯型号对应，被配置为温度、电池老化程度、OCV和SOC之间的函数，基于至少一组特征数据对应的老化程度，确定复合电极电池的老化程度。
Description
技术领域
本申请属于电池状态估计领域，尤其涉及一种复合电极电池的老化估计方法、装置、设备、介质及程序。
背景技术
复合电极电池指使用复合电极材料的电池，复合电极材料由两种或两种以上的材料组成，每种材料都有其独特的性质，因此可以充分利用各种材料的优点，使得复合电极电池具有高能量密度、高功率密度、长寿命、高安全性等特点。
复合电极电池作为电化学系统，在使用过程中随着循环充放电次数的增加，电池老化程度会不断加深，其可用容量将下降，而不正确的使用电池可能会引发严重的安全事故。因此，对于复合电极电池的老化状态的准确估计具有重要的现实意义。现有的针对复合电极电池老化状态的一种估计方法，基于电池的离线数据构建模型，通过模型对电池老化状态进行估算。
发明内容
本申请实施例提供一种复合电极电池老化估计方法、装置、设备、介质及程序，能够改善复合电极电池老化程度估计的准确性。
第一方面，本申请实施例提供一种复合电极电池老化估计方法，包括：接收复合电极电池的实际运行数据，其中，实际运行数据被配置为电池电压、电池电流、电池温度、SOC和时间之间的函数；获取至少一组特征数据，特征数据关联于实际运行数据，并被配置为OCV、SOC、温度和时间之间的函数；基于预先设置的实验数据，确定每组特征数据对应的老化程度，其中，实验数据与复合电极电池的电芯型号对应，并被配置为温度、电池老化程度、OCV和SOC之间的函数；基于至少一组特征数据对应的老化程度，确定复合电极电池的老化程度。
上述复合电极电池老化估计方法，根据复合电极电池的实际运行数据确定的特征数据，能够反映该复合电极电池的运行工况，而复合电极电池对应的实验数据包含该复合电极电池在多种工况下的老化程度，因此结合实际运行数据和实验数据确定复合，通过数据分析的方式，能够确定电池在具体工况下的准确老化程度，保证了复合电极电池老化估计的准确性。
作为一种可能的实现方式，获取至少一组特征数据，包括：接收目标数据，目标数据关联于计算周期内的实际运行数据，其中，计算周期为复合电极电池完成至少一个使用循环的时间，使用循环用于指示复合电极电池的累计充电容量或累计放电容量达到100％，基于目标数据，确定至少一组特征数据。
通过上述方式，基于计算周期筛选出目标数据，使得基于目标数据确定的特征数据能够反映该计算周期内的电池特性，相比于基于全部实际运行数据来确定特征数据，基于计算周期内的目标数据确定特征数据的计算量更小，而且基于计算周期可以周期性的进行特征数据提取。
作为一种可能的实现方式，基于目标数据，确定至少一组特征数据，包括：基于目标数据，计算得到至少一个OCV，以及与计算得到的OCV对应的SOC和温度，一组特征数据包括计算得到的一个OCV以及与OCV对应的一个SOC和一个温度。
通过上述方式，将一个OCV以及与该OCV对应的一个SOC和一个温度作为一组特征数据，使得特征数据能够体现复合电极电池的SOC-OCV关系特征，进而基于特征数据能够准确确定电池的老化程度。
作为一种可能的实现方式，针对每组特征数据，基于预先设置的实验数据，确定特征数据对应的老化程度，包括：确定实验数据中的第一数据，第一数据中的温度与特征数据中的温度相同或者最接近，确定第一数据中的第二数据，第二数据中的OCV和SOC与特征数据中的OCV和SOC最接近，将第二数据的老化程度作为与特征数据对应的老化程度。
实验数据和特征数据均包含多项参数，在基于实验数据确定特征数据对应的老化程度时，各项参数对确定老化程度的准确性影响不同，因此按照各参数的优先级，依次基于温度、OCV-SOC来确定特征数据对应的老化程度，能够保证准确的确定出特征数据对应的老化程度。
作为一种可能的实现方式，第一数据为多个，确定第一数据中的第二数据，包括：计算每个第一数据中的OCV与特征数据中的OCV的第一差值，以及每个第一数据中的SOC与特征数据中的SOC的第二差值，针对每个第一数据，将第一数据对应的第一差值和第二差值进行归一化求和，得到多个第一数据对应的多个第一数据差值，将与最小第一数据差值对应的第一数据作为第二数据。
在确定第二数据时，分别计算各第一数据对应的第一差值和第二差值，第一差值能够体现第一数据中的OCV与特征数据中的OCV的差异，第二差值能够体现第一数据中的SOC与特征数据中的SOC的差异，将第一差值和第二差值进行归一化求和，得到的第一数据差值则能够体现第一数据中的SOC-OCV关系特征与特征数据中的SOC-OCV关系特征的差异，进而基于第一数据差值能够从多个第一数据中确定出SOC-OCV关系特征与特征数据最接近的第二数据。
作为一种可能的实现方式，特征数据为多组，基于至少一组特征数据对应的老化程度，确定复合电极电池的老化程度，包括：确定多组特征数据中的目标特征数据，目标特征数据的SOC与预设的SOC值相同或最接近，计算多组目标特征数据对应的老化程度的均值，将均值确定为复合电极电池的老化程度。
针对一个复合电极电池，在一个计算周期内只需得出一个老化估计结果，也即只需得出一个老化程度，而考虑到由于客观存在的误差，多组特征数据对应的老化程度不一定相同。因此，预先设置多个SOC值，将预设的SOC值作为计算节点从多组特征数据中筛选出目标特征数据，然后基于目标特征数据对应的老化程度来确定复合电极电池准确的老化程度。
第二方面，本申请实施例提供了一种复合电极电池老化估计装置，包括：实际数据接收模块，用于接收复合电极电池的实际运行数据，其中，实际运行数据被配置为电池电压、电池电流、电池温度、SOC和时间之间的函数；存储模块，用于存储所述实际运行数据；特征数据获取模块，用于获取至少一组特征数据，特征数据关联于实际运行数据，并被配置为OCV、SOC、温度和时间之间的函数；老化程度实验值确定模块，用于基于预先设置的实验数据，确定每组特征数据对应的老化程度，其中，实验数据与复合电极电池的电芯型号对应，并被配置为温度、电池老化程度、OCV和SOC之间的函数；老化程度确定模块，用于基于至少一组特征数据对应的老化程度，确定复合电极电池的老化程度。
作为一种可能的实现方式，特征数据获取模块，包括：目标数据确定子模块，用于接收目标数据，目标数据关联于计算周期内的实际运行数据，其中，计算周期为复合电极电池完成至少一个使用循环的时间，使用循环用于指示复合电极电池的累计充电容量或累计放电容量达到100％；特征数据确定子模块，用于基于目标数据，确定至少一组特征数据。
作为一种可能的实现方式，特征数据确定子模块，具体用于：基于目标数据，计算得到至少一个OCV，以及与计算得到的OCV对应的SOC和温度，其中，一组特征数据包括计算得到的一个OCV以及与OCV对应的一个SOC和一个温度。
作为一种可能的实现方式，老化程度实验值确定模块，包括：第一数据确定子模块，用于确定实验数据中第一数据，第一数据中的温度与特征数据中的温度相同或者最接近；第二数据确定子模块，用于确定第一数据中的第二数据，第二数据中的OCV和SOC与特征数据中的OCV和SOC最接近；实验值确定子模块，用于将第二数据的老化程度作为与特征数据对应的老化程度。
作为一种可能的实现方式，第一数据为多个，第二数据确定子模块，包括：第一计算子模块，用于计算每个第一数据中的OCV与特征数据中的OCV的第一差值；第二计算子模块，用于计算每个第一数据中的SOC与特征数据中的SOC的第二差值；归一化子模块，用于针对每个第一数据，将第一数据对应的第一差值和第二差值进行归一化求和，得到多个第一数据对应的第一数据差值；筛选子模块，用于将与最小第一数据差值对应的第一数据作为第二数据。
作为一种可能的实现方式，特征数据为多组，老化程度确定模块，包括：目标特征确定子模块，用于确定多组特征数据中的目标特征数据，目标特征数据的SOC与预设的SOC值相同或最接近；均值计算子模块，用于计算多组目标特征数据对应的老化程度的均值；老化程度确定子模块，用于将均值确定为复合电极电池的老化程度。
第三方面，本申请实施例提供了一种电子设备，设备包括：处理器以及存储有计算机程序指令的存储器；
处理器执行计算机程序指令时实现如第一方面的复合电极电池老化估计方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如第一方面的复合电极电池老化估计方法。
第五方面，本申请实施例提供了一种计算机程序产品，计算机程序产品中的指令由电子设备的处理器执行时，使得电子设备执行如第一方面的复合电极电池老化估计方法。
本申请实施例的复合电极电池老化估计方法、装置、设备、介质及程序，接收复合电极电池的实际运行数据，其中，实际运行数据被配置为电池电压、电池电流、电池温度、SOC和时间之间的函数，获取至少一组特征数据，特征数据关联于实际运行数据，并被配置为OCV、SOC、温度和时间之间的函数，基于预先设置的实验数据，确定每组特征数据对应的老化程度，其中，实验数据与复合电极电池的电芯型号对应，并被配置为温度、电池老化程度、OCV和SOC之间的函数，基于至少一组特征数据对应的老化程度，确定复合电极电池的老化程度。根据本实施例，通过数据分析的方式，基于实验数据确定电池的准确老化程度，改善了复合电极电池老化估计的准确性。
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的介绍。
图1是本申请一个实施例提供的复合电极电池老化估计方法的流程示意图；
图2是本申请另一个实施例提供的复合电极电池老化估计装置的结构示意图；
图3是本申请又一个实施例提供的电子设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
为了便于对本申请实施例理解，首先对本申请实施例中涉及的术语进行解释说明。
复合电极电池，电池通常包括电芯和电极，其中电极包括正极和负极，复合电极电池指正极和/或负极使用了复合电极材料的电池。例如，正极包括两种以上正极活性材料，和/或，负极包括两种以上负极活性材料的电池即为复合电极电池。其中正极活性材料包括但不限于钴酸锂(LCO)、锰酸锂(LMO)、磷酸铁锂(LFP)、三元材料(镍钴锰酸锂：NCM)和镍钴铝酸锂(NCA))等，负极活性材料包括但不限于石墨、硅、硬碳、软碳等。复合电极电池的电芯可以是钠离子电芯、锂离子电芯等其他类型的二次电芯。
SOC，全称State of Charge，也即电池荷电状态，是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。
OCV，全称open circuit voltage，也即电池开路电压，指电池在非工作状态下即电路无电流流过时，电池正负极之间的电势差。
BMS，全称Battery Management System，也即电池管理系统，能够监控电池的状态，管理电池的充电和放电。
使用循环，指电池累计充电容量或累计放电容量达到100％。例如电池从100％电量放电到0％电量为一个使用循环，也即放电循环，电池从0％电量充电到100％电量为另一个使用循环，也即充电循环。
为了改善现有技术存在的电池老化程度估计不准确的问题，本申请实施例提供了一种新型的复合电极电池老化估计方法、装置、设备、介质及程序，用于对复合电极电池进行老化估计。
下面对本申请实施例所提供的复合电极电池的老化估计方法进行介绍。
图1示出了本申请一个实施例提供的复合电极电池的老化估计方法的流程示意图。如图1所示，该方法可以包括如下步骤S110-S140。
S110.接收复合电极电池的实际运行数据。
其中，实际运行数据被配置为电池电压、电池电流、电池温度、SOC和时间之间的函数。
在本实施例中，实际运行数据可以通过表格、函数式或图像等方式来表示电池电压、电池电流、电池温度、SOC和时间之间的函数关系。
在实际应用中，可以通过相关的采集装置在复合电极电池的使用过程中采集其对应的电压、电流、温度、SOC和时间等数据，基于采集的数据生成实际运行数据，通过数据传输的方式将实际运行数据传输至复合电极电池老化估计方法的执行设备，如此执行设备便可以接收到复合电极电池的实际运行数据。
作为一个示例，可以在复合电极电池使用过程中，通过BMS实时采集该复合电极电池的电压、电流、温度、SOC和时间，建立电压、电流、温度、SOC和时间之间的函数关系从而得到实际运行数据，将实际运行数据上传至执行设备，从而使执行设备接收到复合电极电池的实际运行数据。其中时间可以为BMS中时钟模块记录的数据采集时间，也可以为BMS中追踪器tracker对实际运行数据进行上传的上传时间。
执行设备可以为具备大数据处理能力的设备，采用具备大数据处理能力的执行设备进行电池老化估计，能够充分考虑电池老化情况，有助于准确掌握电池的老化程度。
作为一个示例，可以将云端服务器作为执行设备，云端服务器具有良好的可拓展性，支持用户随时在线对服务器的内存、系统盘和带宽进行灵活调整，具有对海量数据统筹计算的能力，能够大规模的实时监控复合电极电池的老化程度，而且成本较低。在本申请的其他一些实施例中，也可以将BMS作为执行设备。
S120.获取至少一组特征数据，特征数据关联于实际运行数据，并被配置为OCV、SOC、温度和时间之间的函数。
本申请的发明人发现，复合电极电池中SOC-OCV的关系特征会随着电池循环数的变化而变化，而循环数与老化程度线性相关。基于此，本实施例将复合电极电池的SOC-OCV的关系特征与复合电极电池的老化估计相关联，此外，SOC-OCV的关系特征也会受到温度的影响，因此为了保证电池老化估计结果的准确性，将特征数据配置为OCV、SOC、温度和时间之间的函数，以根据特征数据来确定电池的老化程度。
在本实施例中，特征数据基于S110中的实际运行数据计算得到。
特征数据可以通过表格、函数式或图像等方式来表示OCV、SOC、温度和时间之间函数关系。
作为一个示例，特征数据可以通过如下表1所示的表格来表示OCV、SOC、温度和时间之间函数关系：
表1：
| 产品类型 | 电芯型号 | 温度(℃) | OCV(V) | SOC(％) | 时间 |
| … | … | … | … | … | … |
表1中的产品类型和电芯型号可以直接根据复合电极电池的产品参数确定。
表1中，除了第一行也即标题行之外，每一行分别对应一组特征数据，同一组特征数据中的温度、OCV、SOC对应的时间一致。
S130.基于预先设置的实验数据，确定每组特征数据对应的老化程度。
其中，实验数据与S110中的复合电极电池(为便于描述，下称“当前复合电极电池”)的电芯型号对应，并被配置为温度、电池老化程度、OCV和SOC之间的函数。
在对当前复合电极电池进行老化估计之前，执行设备预先存储该与当前复合电极电池的电芯型号对应的实验数据，如此，执行设备在对当前复合电极电池进行老化估计时可以直接获取相应的实验数据。
在本实施例中，针对当前复合电极电池，其对应的实验数据可以通过对与该复合电极电池的电芯型号相同的电芯样本进行标准循环寿命测试得到。具体的，利用复合电极电池的SOC、OCV特征随循环数据变化而变化的特性，在实验室对该电芯型号的电芯样本展开标准循环寿命测试，获取电芯在全生命周期的老化参数，老化参数包括电芯在不同温度、不同循环数下的电池SOC、OCV数据。实验室标准条件下的循环数与电池的老化程度线性相关，由此可以得到循环数与老化程度的映射关系，基于映射关系，可以确定各循环数对应的老化程度，基于此，进一步可以建立温度、老化程度、OCV和SOC之间的函数关系，从而得到该电芯型号对应的实验数据，也即当前复合电极电池对应的实验数据。将实验数据上传至执行设备，执行设备接收并存储该实验数据。
在本实施例中，实验数据可以通过表格、函数式或图像等方式来表示温度、电池老化程度、OCV和SOC之间的函数关系。
作为一个示例，实验数据可以通过如下表2所示的表格来表示温度、电池老化程度、OCV和SOC之间的函数关系：
表2：
| 电芯型号 | 温度(℃) | OCV(V) | SOC(％) | 老化程度(％) |
| … | … | … | … | … |
表2中除了第一行也即标题行之外，每一行分别对应一组基于实验得到的老化参数，针对每一行，在知道电芯型号、温度、OCV和SOC的情况下，便可以确定出对应的老化程度。
根据表1和表2可以看出，实验数据和特征数据中均包括温度、OCV和SOC三个参数项，在电芯型号一致的情况下，根据特征数据可以从实验数据中确定出与特征数据对应的老化程度。
S140.基于至少一组特征数据对应的老化程度，确定复合电极电池的老化程度。
本实施例中的复合电极电池老化估计方法，接收复合电极电池的实际运行数据，其中，实际运行数据被配置为电池电压、电池电流、电池温度、SOC和时间之间的函数，获取至少一组特征数据，特征数据关联于实际运行数据，并被配置为OCV、SOC、温度和时间之间的函数，基于预先设置的实验数据，确定每组特征数据对应的老化程度，其中，实验数据与复合电极电池的电芯型号对应，并被配置为温度、电池老化程度、OCV和SOC之间的函数，基于至少一组特征数据对应的老化程度，确定复合电极电池的老化程度。根据本实施例，通过数据分析的方式，基于实验数据确定电池的准确老化程度，保证了复合电极电池老化估计的准确性。
此外，本实施例基于复合电极电池的SOC-OCV关系特征会随电池循环数，也即老化程度的变化而变化这一特性，基于包含OCV和SOC的特征数据进行老化程度估计，进一步保证了估计结果的准确性。
在一些实施例中，获取至少一组特征数据的实现方式可以包括：
接收目标数据，目标数据关联于计算周期内的实际运行数据；
其中，计算周期为复合电极电池完成至少一个使用循环的时间，使用循环用于指示复合电极电池的累计充电容量或累计放电容量达到100％；
基于目标数据，确定至少一组特征数据。
可以理解的是，电池的老化周期较长，短时间内老化变化不明显，因此划分计算周期。在对当前复合电极电池进行老化估计时，执行设备基于计算周期从当前复合电极电池的运行数据中提取某一时间段内的数据作为目标数据进行集中计算，以保证最终得到的电池老化估计结果的准确性。
由于不同的电池产品具有不同的电池总容量，使用环境和使用工况亦有差异，因此不同复合电极电池对应的计算周期可能不同。基于此，执行设备在提取目标数据前先确定与当前复合电极电池对应的计算周期。
在本实施例中，与当前复合电极电池对应的计算周期可以预先存储到执行设备中，也可以在对当前复合电极电池进行老化估计时由用户输入到执行设备中。
针对当前复合电极电池，其对应的计算周期可以根据实际需求设置。为了保证目标数据可以体现出电池的老化变化，需要保证在一个计算周期内电池可以完成至少一个使用循环，也即当前复合电极电池对应的计算周期为当前复合电极电池完成至少一个使用循环的时间。例如，以当前复合电极电池为总容量为20AH的复合电极电池产品为例，当前复合电极电池可以以累计充电容量或累计放电容量≥24Ah为一个计算周期，24Ah为该产品计算周期最小值，后期亦可根据产品实际使用情况扩展计算周期。
在本实施例中，计算周期指相邻两次老化估计对应的时间间隔，为一个时长，执行设备基于计算周期可以周期性的对当前复合电极电池进行老化估计。
在基于计算周期从当前复合电极电池的实际运行数据中提取目标数据时，可以确定上次对该复合电极电池进行老化估计的时间作为第一时间，若之前未对该复合电极电池进行过老化估计，则可以将该复合电极电池的实际运行数据中的时间最小值作为第一时间，将第一时间与计算周期相加得到第二时间，将第一时间和第二时间组成目标时间区间，基于目标时间区间从该复合电极电池的实际运行中提取目标数据，其中目标数据对应的时间属于该目标时间区间。例如，第一时间为2022年1月15日14:00，第二时间为2022年1月22日14:00，则将在2022年1月15日14:00～2022年1月22日14:00这个时间区间内上传的实际运行数据作为目标数据。
通过上述方式，基于计算周期筛选出目标数据，使得基于目标数据确定的特征数据能够反映该计算周期内的电池特性，相比于基于全部实际运行数据来确定特征数据，基于计算周期内的目标数据确定特征数据的计算量更小，而且基于计算周期可以周期性的进行特征数据提取。
在提取出目标数据之后即可基于目标数据确定至少一组特征数据。
在一些实施例中，为了提高目标数据的质量，在从实际运行数据中提取目标数据之前，可以先对实际运行数据进行预处理，然后从预处理后的实际运行数据中提取目标数据，如此可以提高目标数据的数据质量，进而可以提高老化估计结果的准确性。
对实际运行数据进行预处理可以包括：构建实际运行数据对应的时间序列数据，对时间序列数据进行缺失值处理和异常值处理。
其中构建实际运行数据对应的时间序列数据包括：将基于实际运行数据中的时间，按照时间顺序排序构建时间序列数据。
对时间序列数据进行缺失值处理可以包括：查找时间序列中的缺失值，通过插值法或删除等方式对缺失值进行处理。
对时间序列数据进行异常值处理可以包括：基于异常值检测方法检测其中的异常值，对异常值进行删除等处理，其中异常值检测方法可以包括基于统计学的方法和基于机器学习的方法等。
在一些实施例中，基于目标数据确定至少一组特征数据可以包括：
基于目标数据，计算得到至少一个OCV，以及与计算得到的OCV对应的SOC和温度；
一组特征数据包括计算得到的一个OCV以及与该OCV对应的一个SOC和一个温度。
在本实施例中，实际运行数据中包含的是电池电压，而不是直接包含OCV，因此需要基于目标数据对OCV进行计算。
作为一个示例，根据前面的术语解释可知OCV为电池开路电压，指电池在非工作状态下即电路无电流流过时，电池正负极之间的电势差。基于此，可以通过统计目标数据中的静置数据来计算OCV，其中静置数据即为电池处于搁置状态，也即电池不再充电和放电的状态预设时长之后的数据，其中预设时长可以根据实际情况设置，例如可以为两小时。具体的可以将静置数据中的电压确定为OCV。
作为另一个示例，还可以基于执行设备中设置的参数辨识模型从目标数据中提取OCV，其中参数辨识模型为可以辨识出OCV的模型。
因为OCV实际是基于目标数据确定出的一个电池电压，而目标数据为电池电压、电池电流、电池温度、SOC和时间之间的函数，因此基于OCV可以从目标数据中提取出与其对应的SOC和温度。
在得到OCV以及OCV对应的SOC和温度之后，按照一组特征数据包括一个OCV和与该OCV对应的一个温度和一个SOC的规则，划分得到至少一组特征数据。
通过上述方式，将一个OCV以及与该OCV对应的一个SOC和一个温度作为一组特征数据，使得特征数据能够体现复合电极电池的SOC-OCV关系特征，进而基于特征数据能够准确确定电池的老化程度。
在一些实施例中，在得到至少一组特征数据后，针对每组特征数据，在基于预先设置的实验数据，确定该组特征数据对应的老化程度时，可以包括：
确定实验数据中第一数据，第一数据中的温度与特征数据中的温度相同或者最接近；
确定第一数据中的第二数据，第二数据中的OCV和SOC与特征数据中的OCV和SOC最接近；
将第二数据的老化程度作为与特征数据对应的老化程度。
特征数据中的各项参数对确定特征数据对应的老化程度的准确性影响不同，因此可以按照各参数的优先级，依次基于温度、OCV-SOC来确定特征数据对应的老化程度，能够保证准确的确定出特征数据对应的老化程度。
具体的，可以先从实验数据中查找温度与特征数据中的温度相同的数据，将查找到的数据作为第一数据，若是没有查找到温度相同的数据，则查找温度与特征数据中的温度最接近的数据，将查找到的温度最接近的数据作为第一数据。
在得到第一数据之后，再从第一数据中查找SOC-OCV数据与特征数据中的SOC-OCV数据相同的数据，将查找到的数据作为第二数据，同理，若没有找到SOC-OCV数据相同的数据，则查找SOC-OCV数据与特征数据中的SOC-OCV数据最接近的数据，将查找到的数据确定为第二数据。
如此，得到的第二数据即为温度和SOC-OCV数据均匀特征数据最近接的数据，因此第二数据中的老化程度，也即最接近特征数据对应的老化程度，所以可以将第二数据中的老化程度确定为特征数据对应的老化程度。
在特征数据为多组的情况下，通常重复上述过程可以得到每组特征数据分别对应的老化程度。
通过上述方式，可以提升特征数据对应的老化程度的准确性。
可以理解的是，实验数据中包括复合电极电池在多种工况下的老化参数，因此针对同一温度会存在多组SOC-OCV数据不同的数据。也即针对每个特征数据，基于实验数据通常会确定出多个第一数据。基于此，在确定第一数据中的第二数据时，可以包括：
计算每个第一数据中的OCV与特征数据中的OCV的第一差值，以及每个第一数据中的SOC与特征数据中的SOC的第二差值；
针对每个第一数据，将第一数据对应的第一差值和第二差值进行归一化求和，得到多个第一数据对应的第一数据差值；
将与最小第一数据差值对应的第一数据作为第二数据。
在实际应用中，针对每个第一数据，可以基于下式计算其对应的第一数据差值：
式中，δ表示第一数据对应的第一数据差值，SOC2表示特征数据中的SOC，SOC1表示第一数据中的SOC，OCV2表示特征数据中的OCV，OCV1表示第一数据中的OCV，Vmax表示当前复合电极电池的满充电压，Vmin表示当前复合电极电池的放电截止电压。
第一数据对应的δ值越小，则说明其越接近特征数据，基于此，从多个第一数据中选取δ值最小的确定为第二特征数据。
基于上述方式，在确定第二数据时，分别计算各第一数据对应的第一差值和第二差值，第一差值能够体现第一数据中的OCV与特征数据中的OCV的差异，第二差值能够体现第一数据中的SOC与特征数据中的SOC的差异，将第一差值和第二差值进行归一化求和，得到的第一数据差值则能够体现第一数据中的SOC-OCV关系特征与特征数据中的SOC-OCV关系特征的差异，进而基于第一数据差值能够从多个第一数据中找出SOC-OCV关系特征与特征数据的SOC-OCV关系特征最接近的第二数据。
在一些实施例中，若S120中获取的是一组特征数据，则S140中基于至少一组特征数据对应的老化程度，确定复合电极电池的老化程度时，可以直接将该组特征数据对应的老化程度确定为复合电极电池的老化程度。
在本申请的一些其他实施例中，相比于一组特征数据，基于多组特征数据确定出的老化估计结果更准确，可以在S120中会获取多组特征数据，基于此，在S140中基于多组特征数据对应的老化程度，确定复合电极电池的老化程度时，可以包括：
确定多组特征数据中的目标特征数据，目标特征数据的SOC与预设的SOC值相同或最接近；
计算多组目标特征数据对应的老化程度的均值；
将均值确定为复合电极电池的老化程度。
针对一个复合电极电池，在一个计算周期内只需得出一个老化估计结果，而考虑到由于客观存在的误差，多组特征数据对应的老化程度不一定相同，复合电极电池体系SOC-OCV关系特征随循环数，也即老化程度发生变化的特征，在不同的SOC下老化程度不同。此外根据复合电极电池使用情况的不同以及OCV计算方式的不同，所筛选出的多组特征数据中的SOC分布稀疏程度有差别，可能存在某个SOC区间数据过密的情况。因此，预先设置多个SOC值，将预设的SOC值作为计算节点从多组特征数据中筛选出目标特征数据，然后基于目标特征数据对应的老化程度来确定复合电极电池的老化程度。其中，预设的SOC可以根据实际需求设置。
作为一个示例，将20％、40％、60％、80％SOC值作为预设的SOC也即计算节点，从多组特征数据中分别选取出SOC值处于0％～20％区间且最接近20％的第一特征数据，SOC值处于20％～40％区间且最接近40％的第二特征数据，SOC值处于40％～60％区间且最接近60％的第三特征数据，以及SOC值处于60％～80％区间且最接近80％的第四数据。然后，计算第一特征数据、第二特征数据、第三特征数据和第四特征数据对应的老化程度的均值，将该均值确定该计算周期内复合电极电池的老化程度。
通过上述方式，可以得到准确的复合电极电池的老化程度。
进一步的，在得到复合电极电池在计算周期内的老化程度后，可以将结果保存至执行设备中，便于后续查看或调用。
基于上述实施例提供的复合电极电池老化估计方法，相应地，本申请还提供了复合电极电池老化估计装置的具体实现方式。请参见以下实施例。
参见图2，本申请实施例提供的复合电极电池老化估计装置包括以下模块：实际数据接收模块201，特征数据获取模块202，老化程度实验值确定模块203和老化程度确定模块204。
实际数据接收模块201，用于接收复合电极电池的实际运行数据；
其中，实际运行数据被配置为电池电压、电池电流、电池温度、SOC和时间之间的函数；
存储模块，用于存储所述实际运行数据；
特征数据获取模块202，用于获取至少一组特征数据，特征数据关联于实际运行数据，并被配置为OCV、SOC、温度和时间之间的函数；
老化程度实验值确定模块203，用于基于预先设置的实验数据，确定每组特征数据对应的老化程度；
其中，实验数据与复合电极电池的电芯型号对应，并被配置为温度、电池老化程度、OCV和SOC之间的函数；
老化程度确定模块204，用于基于至少一组特征数据对应的老化程度，确定复合电极电池的老化程度。
本实施例提供的复合电极电池老化估计装置，接收复合电极电池的实际运行数据，实际运行数据被配置为电池电压、电池电流、电池温度、SOC和时间之间的函数，获取至少一组特征数据，特征数据关联于实际运行数据，被配置为OCV、SOC、温度和时间之间的函数，基于预先设置的实验数据，确定每组特征数据对应的老化程度，实验数据与复合电极电池的电芯型号对应，并被配置为温度、电池老化程度、OCV和SOC之间的函数，基于至少一组特征数据对应的老化程度，确定复合电极电池的老化程度。根据本实施例，通过数据分析的方式，基于实验数据确定电池的准确老化程度，改善了复合电极电池老化估计的准确性。
在一些实施例中，特征数据获取模块202，可以包括：
目标数据确定子模块，用于接收目标数据，目标数据关联于计算周期内的实际运行数据。计算周期为复合电极电池完成至少一个使用循环的时间，使用循环用于指示复合电极电池的累计充电容量或累计放电容量达到100％；
特征数据确定子模块，用于基于目标数据，确定至少一组特征数据。
在一些实施例中，特征数据确定子模块，具体用于：基于目标数据，计算得到至少一个OCV，以及与计算得到的OCV对应的SOC和温度。一组特征数据包括计算得到的一个OCV以及与OCV对应的一个SOC和一个温度。
在一些实施例中，老化程度实验值确定模块203，可以包括：第一数据确定子模块，用于确定实验数据中第一数据，第一数据中的温度与特征数据中的温度相同或者最接近；第二数据确定子模块，用于确定第一数据中的第二数据，第二数据中的OCV和SOC与特征数据中的OCV和SOC最接近；实验值确定子模块，用于将第二数据的老化程度作为与特征数据对应的老化程度。
在一些实施例中，第一数据为多个，第二数据确定子模块，可以包括：
第一计算子模块，用于计算每个第一数据中的OCV与特征数据中的OCV的第一差值；
第二计算子模块，用于计算每个第一数据中的SOC与特征数据中的SOC的第二差值；
归一化子模块，用于针对每个第一数据，将第一数据对应的第一差值和第二差值进行归一化求和，得到多个第一数据对应的多个第一数据差值；
筛选子模块，用于将与最小第一数据差值对应的第一数据作为第二数据。
在一些实施例中，特征数据为多组，老化程度确定模块204，可以包括：
目标特征确定子模块，用于确定多组特征数据中的目标特征数据，目标特征数据的SOC与预设的SOC值相同或最接近；
均值计算子模块，用于计算多组目标特征数据对应的老化程度的均值；
老化程度确定子模块，用于将均值确定为复合电极电池的老化程度。
本申请实施例提供的复合电极电池老化估计装置能够实现上述任意复合电极电池老化估计方法实施例实现的各个过程，为避免重复，这里不再赘述。
图3示出了本申请实施例提供的电子设备的硬件结构示意图。
电子设备可以包括处理器301以及存储有计算机程序指令的存储器302。
具体地，上述处理器301可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器302可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器302可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器302可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器302可在综合网关容灾设备的内部或外部。在特定实施例中，存储器302是非易失性固态存储器。
存储器302可包括只读存储器(ROM)，随机存取存储器(RAM)，磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器302包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如，存储器设备)，并且当该软件被执行(例如，由一个或多个处理器)时，其可执行上述实施例中的任意一种复合电极电池老化估计方法所描述的操作。
处理器301通过读取并执行存储器302中存储的计算机程序指令，以实现上述实施例中的任意一种复合电极电池老化估计方法。
在一个示例中，电子设备还可包括通信接口303和总线310。其中，如图3所示，处理器301、存储器302、通信接口303通过总线310连接并完成相互间的通信。
通信接口303，主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线310包括硬件、软件或两者，将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(AGP)或其他图形总线、增强工业标准架构(EISA)总线、前端总线(FSB)、超传输(HT)互连、工业标准架构(ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线310可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
另外，结合上述实施例中的复合电极电池老化估计方法，本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种复合电极电池老化估计方法。
需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本申请中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本申请不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
以上所述，仅为本申请的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块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。应理解，本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种复合电极电池老化估计方法，其特征在于，包括：
接收复合电极电池的实际运行数据；
其中，所述实际运行数据被配置为电池电压、电池电流、电池温度、SOC和时间之间的函数；
获取至少一组特征数据，所述特征数据关联于所述实际运行数据，并被配置为OCV、SOC、温度和时间之间的函数；
基于预先设置的实验数据，确定每组所述特征数据对应的老化程度；
其中，所述实验数据与所述复合电极电池的电芯型号对应，并被配置为温度、电池老化程度、OCV和SOC之间的函数；
基于至少一组所述特征数据对应的老化程度，确定所述复合电极电池的老化程度。
2.根据权利要求1所述的方法，其特征在于，所述获取至少一组特征数据，包括：
接收目标数据，所述目标数据关联于计算周期内的实际运行数据；
其中，所述计算周期为所述复合电极电池完成至少一个使用循环的时间，所述使用循环用于指示所述复合电极电池的累计充电容量或累计放电容量达到100％；
基于所述目标数据，确定至少一组所述特征数据。
3.根据权利要求2所述的方法，其特征在于，所述基于所述目标数据，确定所述至少一组特征数据，包括：
基于所述目标数据，计算得到至少一个OCV，以及与所述计算得到的OCV对应的SOC和温度；
一组所述特征数据包括计算得到的一个所述OCV以及与所述OCV对应的一个SOC和一个温度。
4.根据权利要求1-3任一项所述的方法，其特征在于，针对每组所述特征数据，基于预先设置的实验数据，确定所述特征数据对应的老化程度，包括：
确定所述实验数据中的第一数据，所述第一数据中的温度与所述特征数据中的温度相同或者最接近；
确定所述第一数据中的第二数据，所述第二数据中的OCV和SOC与所述特征数据中的OCV和SOC最接近；
将所述第二数据的老化程度作为与所述特征数据对应的老化程度。
5.根据权利要求4所述的方法，其特征在于，所述第一数据为多个，所述确定所述第一数据中的第二数据，包括：
计算每个所述第一数据中的OCV与所述特征数据中的OCV的第一差值，以及每个所述第一数据中的SOC与所述特征数据中的SOC的第二差值；
针对每个所述第一数据，将所述第一数据对应的第一差值和第二差值进行归一化求和，得到多个所述第一数据对应的多个第一数据差值；
将与最小所述第一数据差值对应的第一数据作为第二数据。
6.根据权利要求5所述的方法，其特征在于，所述特征数据为多组，所述基于至少一组所述特征数据对应的老化程度，确定所述复合电极电池的老化程度，包括：
确定多组所述特征数据中的目标特征数据，目标特征数据的SOC与预设的SOC值相同或最接近；
计算多组所述目标特征数据对应的老化程度的均值；
将所述均值确定为所述复合电极电池的老化程度。
7.一种复合电极电池老化估计装置，其特征在于，包括：
实际数据接收模块，用于接收复合电极电池的实际运行数据；
其中，所述实际运行数据被配置为电池电压、电池电流、电池温度、SOC和时间之间的函数；
存储模块，用于存储所述实际运行数据；
特征数据获取模块，用于获取至少一组特征数据，所述特征数据关联于所述实际运行数据，并被配置为OCV、SOC、温度和时间之间的函数；
老化程度实验值确定模块，用于基于预先设置的实验数据，确定每组所述特征数据对应的老化程度；
其中，所述实验数据与所述复合电极电池的电芯型号对应，并被配置为温度、电池老化程度、OCV和SOC之间的函数；
老化程度确定模块，用于基于至少一组所述特征数据对应的老化程度，确定所述复合电极电池的老化程度。
8.一种电子设备，其特征在于，所述设备包括：处理器以及存储有计算机程序指令的存储器；
所述处理器执行所述计算机程序指令时实现如权利要求1-6任意一项所述的复合电极电池老化估计方法。
9.一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上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-6任意一项所述的复合电极电池老化估计方法。
10.一种计算机程序产品，其特征在于，所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备执行如权利要求1-6任意一项所述的复合电极电池老化估计方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310791402.7A CN116819339A (zh) | 2023-06-29 | 2023-06-29 | 复合电极电池老化估计方法、装置、设备、介质及程序 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310791402.7A CN116819339A (zh) | 2023-06-29 | 2023-06-29 | 复合电极电池老化估计方法、装置、设备、介质及程序 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116819339A true CN116819339A (zh) | 2023-09-29 |
Family
ID=88127177
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310791402.7A Pending CN116819339A (zh) | 2023-06-29 | 2023-06-29 | 复合电极电池老化估计方法、装置、设备、介质及程序 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116819339A (zh) |
-
2023
- 2023-06-29 CN CN202310791402.7A patent/CN116819339A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108254696B (zh) | 电池的健康状态评估方法及系统 | |
| CN108957337B (zh) | 电池健康状态的确定方法、装置、存储介质和电子设备 | |
| Jiang et al. | An adaptive capacity estimation approach for lithium-ion battery using 10-min relaxation voltage within high state of charge range | |
| CN110045291B (zh) | 一种锂电池容量估计方法 | |
| CN104833917A (zh) | 用于锂蓄电池中荷电状态实时估算的标称电池电阻的确定 | |
| CN116298993A (zh) | 一种电芯内阻异常识别方法、装置及终端设备 | |
| CN115754724A (zh) | 一种适用于未来不确定性动态工况放电的动力电池健康状态估计方法 | |
| CN113820615B (zh) | 一种电池健康度检测方法与装置 | |
| 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 | |
| Wang et al. | Large-scale field data-based battery aging prediction driven by statistical features and machine learning | |
| CN115248379A (zh) | 一种基于多场景融合的动力电池微短路诊断方法及系统 | |
| CN116819339A (zh) | 复合电极电池老化估计方法、装置、设备、介质及程序 | |
| CN115902677A (zh) | 一种锂离子电池直流内阻参数的获取方法 | |
| CN114002603B (zh) | 识别电芯的方法、装置及计算机存储介质 | |
| CN114184968B (zh) | 一种电池包的容量评估方法、装置及设备 | |
| CN114764600A (zh) | 新能源车电池包的寿命预测方法、装置和电子设备 | |
| CN115372848A (zh) | 电池自放电性能的检测方法、装置、设备及介质 | |
| CN114047450A (zh) | 电池系统的可用容量一致性评估方法和装置 | |
| CN114200323A (zh) | 电池短路故障预警信息生成方法和装置、设备、介质 | |
| Zhou et al. | A review of state-of-health estimation of lithiumion batteries: Experiments and data | |
| Xi et al. | State of charge estimation of lithium-ion batteries considering model Bias and parameter uncertainties | |
| CN116840692A (zh) | 复合电极电池老化估计方法、装置、设备、介质及程序 | |
| CN115856637A (zh) | 对储能系统进行监测的处理方法、装置、系统和部件 | |
| CN116953522A (zh) | Soc-ocv映射关系校准方法、装置、设备、介质及产品 | |
| Liang et al. | On-Board State of Health Estimation of Lithium Ion Batteries With Incremental Capacity Analysis Based on Gaussian Function |
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 |