CN116846040B - 一种恒压恒流充放电电源的全数字控制方法 - Google Patents
一种恒压恒流充放电电源的全数字控制方法 Download PDFInfo
- Publication number
- CN116846040B CN116846040B CN202311112463.2A CN202311112463A CN116846040B CN 116846040 B CN116846040 B CN 116846040B CN 202311112463 A CN202311112463 A CN 202311112463A CN 116846040 B CN116846040 B CN 116846040B
- Authority
- CN
- China
- Prior art keywords
- power supply
- capacity
- data
- current
- discharge
- 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 111
- 208000028659 discharge Diseases 0.000 claims abstract description 143
- 238000011156 evaluation Methods 0.000 claims abstract description 97
- 230000008569 process Effects 0.000 claims abstract description 56
- 238000007599 discharging Methods 0.000 claims abstract description 22
- 238000007600 charging Methods 0.000 claims abstract description 20
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 17
- 230000007613 environmental effect Effects 0.000 claims description 59
- 238000004519 manufacturing process Methods 0.000 claims description 41
- 230000008859 change Effects 0.000 claims description 32
- 238000003066 decision tree Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 31
- 230000002159 abnormal effect Effects 0.000 claims description 26
- 230000014759 maintenance of location Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 12
- 230000003203 everyday effect Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000012357 Gap analysis Methods 0.000 claims description 8
- 239000007772 electrode material Substances 0.000 claims description 6
- 239000003792 electrolyte Substances 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000013461 design Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 2
- 239000013543 active substance Substances 0.000 description 2
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 238000010280 constant potential charging Methods 0.000 description 2
- 238000010277 constant-current charging Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 230000008595 infiltration Effects 0.000 description 2
- 238000001764 infiltration Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 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
- H02J7/00032—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries characterised by data exchange
-
- 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
- H02J7/007—Regulation of charging or discharging current or voltage
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种恒压恒流充放电电源的全数字控制方法。该方法首先获取多个具有相同物理特性的电源样本，包括其充放电过程中的额定电压、电流数据以及初始容量数据。随后，通过循环充放电处理，使电源达到稳定状态，并记录标准化的电流‑电压扫描下的电化学特性，并对每个电源样本进行性能加权评分，从而得到电源性能评估结果。进一步地，借助GBR算法构建温度‑容量校准模型，用于校准电源容量。根据该模型，对当前温度下的电源容量进行预测，并将预测结果用于修正电源显示容量及性能评估结果。这一方法实现了电源容量的精确预测与校准，为电源管理提供了更加可靠的控制手段，具有广泛的应用前景。
Description
技术领域
本发明涉及电源控制技术领域，特别涉及一种恒压恒流充放电电源的全数字控制方法。
背景技术
随着电子设备和新能源设备的普及和应用领域的不断扩展，电源作为重要的能源供应设备，其性能和可靠性需求逐渐提高。电源的性能评估和容量预测在电源设计、制造和维护过程中具有重要意义。然而，传统的电源性能评估和容量预测方法存在一些不足之处，例如在不同温度下电源性能的差异、电源容量衰减的不准确预测等。
目前，市场上已经存在一些基于模拟控制的电源性能评估和容量预测方法，但这些方法存在测试周期长、成本高以及精度不足等问题。因此，需要提供一种更为准确、高效且经济的电源性能评估和容量预测方法，以满足电源领域的需求。
因此，需要提供一种恒压恒流充放电电源的全数字控制方法，该方法能够获取电源的电化学特性，结合温度-容量校准模型，实现电源性能的精确评估和容量预测，从而弥补现有技术的不足之处。
发明内容
为了解决上述至少一个技术问题，本发明提出了一种恒压恒流充放电电源的全数字控制方法。
本发明第一方面提供了一种恒压恒流充放电电源的全数字控制方法，包括：
获取多个具有相同物理特性的电源样本，获取所述电源样本的充放电过程中的额定电压与电流数据、电源初始容量数据；
根据所述充放电过程中的额定电压与电流数据对电源进行循环充放电处理，直至电源容量达到稳定状态，得到稳态电源，将标准化的电流-电压扫描应用于所述稳态电源，记录每个稳态电源的电化学特性；
根据所述电化学特性对每个电源样本进行性能加权评分，得到电源性能评估结果；
获取电源在不同环境温度下的历史放电数据，基于GBR算法建立温度-容量校准模型，将所述不同环境温度下的历史放电数据导入温度-容量校准模型中进行训练，得到电源容量校准系数；
根据电源容量校准系数，预测电源在当前温度下的电源容量，得到预测结果；
根据所述预测结果，对电源显示容量和所述性能评估结果进行更正。
本方案中，所述获取多个具有相同物理特性的电源样本，获取所述电源样本的充放电过程中的额定电压与电流数据、电源初始容量数据，具体为：
获取同一生产批次具有相同物理特性的电源样本，所述物理特性包括电解质、电极材料、电源体积；
根据电源样本设计图纸，获取所述电源样本的充放电过程中的额定电压与电流数据、电源初始容量数据。
本方案中，所述根据所述充放电过程中的额定电压与电流数据对电源进行循环充放电处理，直至电源容量达到稳定状态，得到稳态电源，将标准化的电流-电压扫描应用于所述稳态电源，分析每个稳态电源的电化学特性，具体为：
根据所述充放电过程中的额定电压与电流数据对电源进行循环充放电处理，通过电流测量仪实时监测放电过程中的电流变化数据，记录电源的放电时长，计算放电过程中电流的平均值，将所述平均值乘以放电时长，得到电源容量；
记录每次充放电完成后的电源容量数据，若电源容量达到稳定状态，停止充放电处理，得到稳态电源，所述稳定状态为近十次充放电完成后的电源容量平均变化率小于预设百分比；
通过电位滴定仪对稳态电源进行扫描处理，设置扫描的起始电位和终止电位，并设置扫描频率；
根据所述起始电位、终止电位、扫描频率进行扫描，实时记录电源在充放电过程中电流随电位的变化情况，并绘制I-V曲线；
按时间先后序列依次选取I-V曲线中的数据点，计算选取的数据点到达其它数据点的距离，选择距离最近的k个数据点作为选取的数据点的k-邻域；
计算选取的数据点的k-邻域内每个数据点到选取的数据点的平均距离，并计算选取的数据点的局部可达密度LRD；
计算选取的数据点的k-邻域内每个数据点的局部可达密度比值，得到局部离群因子LOF；
设置离群阈值，若LOF值大于离群阈值，则删除该数据点，得到异常值去除的I-V曲线；
根据异常值去除的I-V曲线进行分析计算，得到每个稳态电源的电化学特性，所述电化学特性包括电流响应速度、电源容量保持率、电源循环寿命、电源实际容量。
本方案中，所述根据所述电化学特性对每个电源样本进行性能加权评分，得到电源性能评估结果，具体为：
将电化学特性中的每项数据进行标准化处理，并对所述每项数据进行权重分配；
根据预设性能分数表，对电化学特性中的每项数据进行打分，得到每项数据的分数；
根据所述每项数据的分数和所分配的权重进行计算，得到每个电源样本的性能分数；
对每个电源样本的性能分数进行差距分析，判断此生产批次的电源性能差距是否在制造标准范围之内，得到电源性能评估结果。
本方案中，所述获取电源在不同环境温度下的历史放电数据，基于GBR算法建立温度-容量校准模型，将所述不同环境温度下的历史放电数据导入温度-容量校准模型中进行训练，得到电源容量校准系数，具体为：
获取在历史预设时间段内，电源在不同环境温度下的历史放电数据、电源实际容量数据，根据所述历史放电数据，在所述预设时间段内，计算每天的历史电源容量，并记录每天的温度数据；
基于GBR算法建立温度-容量校准模型，初始化GBR算法的超参数，所述超参数包括学习率、决策树数量、决策树深度；
将温度数据整理为输入特征矩阵，历史电源容量整理为输出目标向量，将所述输入特征矩阵和输出目标向量导入温度-容量校准模型中进行迭代训练，在上一轮迭代训练完成后，计算预测值与实际目标值的残差，根据残差训练新的决策树对残差进行拟合，得到新决策树的预测结果；
将上一轮的预测值与新决策树的预测结果进行加权和，得到模型的预测结果；
若模型的预测结果大于预设准确率，停止迭代训练，得到每个温度下的电源容量数据；
根据每个温度下的电源容量数据与电源实际容量进行计算，得到容量偏差率，根据容量偏差率计算不同温度下电源容量的校准系数。
本方案中，所述根据电源容量校准系数，预测电源在当前温度下的电源容量，得到预测结果，具体为：
获取当前电源充放电次数数据，基于电源容量保持率和充放电次数数据进行计算，得到当前电源容量；
获取当前电源所处的环境温度，基于不同温度下电源容量的校准系数和当前电源容量，预测当前电源实际容量得到预测结果。
本方案中，所述根据所述预测结果，对电源显示容量和所述性能评估结果进行更正，具体为：
获取当前电源显示容量，判断当前电源显示容量与当前电源实际容量的偏差值，若偏差值大于预设百分比，则根据预测结果对当前电源显示容量进行更正；
根据预测结果，对电源的性能评估结果中的电源容量保持率、电源循环寿命、电源实际容量进行环境温度影响率进行计算；
根据环境温度影响率，更正当前环境温度下电源容量保持率、电源循环寿命、电源实际容量，得到当前环境温度的电源性能评估结果。
本发明第二方面还提供了一种恒压恒流充放电电源的全数字控制系统，该系统包括：存储器、处理器，所述存储器中包括恒压恒流充放电电源的全数字控制方法程序，所述恒压恒流充放电电源的全数字控制方法程序被所述处理器执行时，实现如下步骤：
获取多个具有相同物理特性的电源样本，获取所述电源样本的充放电过程中的额定电压与电流数据、电源初始容量数据；
根据所述充放电过程中的额定电压与电流数据对电源进行循环充放电处理，直至电源容量达到稳定状态，得到稳态电源，将标准化的电流-电压扫描应用于所述稳态电源，记录每个稳态电源的电化学特性；
根据所述电化学特性对每个电源样本进行性能加权评分，得到电源性能评估结果；
获取电源在不同环境温度下的历史放电数据，基于GBR算法建立温度-容量校准模型，将所述不同环境温度下的历史放电数据导入温度-容量校准模型中进行训练，得到电源容量校准系数；
根据电源容量校准系数，预测电源在当前温度下的电源容量，得到预测结果；
根据所述预测结果，对电源显示容量和所述评估结果进行更正。
本方案中，所述根据所述电化学特性对每个电源样本进行性能加权评分，得到电源性能评估结果，具体为：
将电化学特性中的每项数据进行标准化处理，并对所述每项数据进行权重分配；
根据预设性能分数表，对电化学特性中的每项数据进行打分，每项数据的分数；
根据所述每项数据的分数和所分配的权重进行计算，得到每个电源样本的性能分数；
对每个电源样本的性能分数进行差距分析，判断此生产批次的电源性能差距是否在制造标准范围之内，得到电源性能评估结果。
本方案中，所述获取电源在不同环境温度下的历史放电数据，基于GBR算法建立温度-容量校准模型，将所述不同环境温度下的历史放电数据导入温度-容量校准模型中进行训练，得到电源容量校准系数，具体为：
获取在历史预设时间段内，电源在不同环境温度下的历史放电数据、电源实际容量数据，根据所述历史放电数据，在所述预设时间段内，计算每天的历史电源容量，并记录每天的温度数据；
基于GBR算法建立温度-容量校准模型，初始化GBR算法的超参数，所述超参数包括学习率、决策树数量、决策树深度；
将温度数据整理为输入特征矩阵，历史电源容量整理为输出目标向量，将所述输入特征矩阵和输出目标向量导入温度-容量校准模型中进行迭代训练，在上一轮迭代训练完成后，计算预测值与实际目标值的残差，根据残差训练新的决策树对残差进行拟合，得到新决策树的预测结果；
将上一轮的预测值与新决策树的预测结果进行加权和，得到模型的预测结果；
若模型的预测结果大于预设准确率，停止迭代训练，得到每个温度下的电源容量数据；
根据每个温度下的电源容量数据与电源实际容量进行计算，得到容量偏差率，根据容量偏差率计算不同温度下电源容量的校准系数。
本发明公开了一种恒压恒流充放电电源的全数字控制方法。该方法首先获取多个具有相同物理特性的电源样本，包括其充放电过程中的额定电压、电流数据以及初始容量数据。随后，通过循环充放电处理，使电源达到稳定状态，并记录标准化的电流-电压扫描下的电化学特性，并对每个电源样本进行性能加权评分，从而得到电源性能评估结果。进一步地，借助GBR算法构建温度-容量校准模型，用于校准电源容量。根据该模型，对当前温度下的电源容量进行预测，并将预测结果用于修正电源显示容量及性能评估结果。这一方法实现了电源容量的精确预测与校准，为电源管理提供了更加可靠的控制手段，具有广泛的应用前景。
附图说明
图1示出了本发明一种恒压恒流充放电电源的全数字控制方法的流程图；
图2示出了本发明得到电源性能评估结果的流程图；
图3示出了本发明得到电源容量校准系数的流程图；
图4示出了本发明一种恒压恒流充放电电源的全数字控制系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了一种恒压恒流充放电电源的全数字控制方法的流程图。
如图1所示，本发明第一方面提供了一种恒压恒流充放电电源的全数字控制方法，包括：
S102，获取多个具有相同物理特性的电源样本，获取所述电源样本的充放电过程中的额定电压与电流数据、电源初始容量数据；
S104，根据所述充放电过程中的额定电压与电流数据对电源进行循环充放电处理，直至电源容量达到稳定状态，得到稳态电源，将标准化的电流-电压扫描应用于所述稳态电源，记录每个稳态电源的电化学特性；
S106，根据所述电化学特性对每个电源样本进行性能加权评分，得到电源性能评估结果；
S108，获取电源在不同环境温度下的历史放电数据，基于GBR算法建立温度-容量校准模型，将所述不同环境温度下的历史放电数据导入温度-容量校准模型中进行训练，得到电源容量校准系数；
S110，根据电源容量校准系数，预测电源在当前温度下的电源容量，得到预测结果；
S112，根据所述预测结果，对电源显示容量和所述性能评估结果进行更正。
需要说明的是，通过电源样本的充放电数据和电化学特性，结合温度-容量校准模型对电源的实际容量进行校准，实现了对恒压恒流充放电电源的全数字控制和更准确的性能评估，提高电源显示容量的准确率；所述电源样本即为恒压恒流充放电电源。
根据本发明实施例，所述获取多个具有相同物理特性的电源样本，获取所述电源样本的充放电过程中的额定电压与电流数据、电源初始容量数据，具体为：
获取同一生产批次具有相同物理特性的电源样本，所述物理特性包括电解质、电极材料、电源体积；
根据电源样本设计图纸，获取所述电源样本的充放电过程中的额定电压与电流数据、电源初始容量数据。
需要说明的是，获取同一生产批次具有相同物理特性的电源样本，确保电源样本之间的初始状态和性能特征具有一致性，使后续对电源性能的分析更为准确和可靠。
根据本发明实施例，所述根据所述充放电过程中的额定电压与电流数据对电源进行循环充放电处理，直至电源容量达到稳定状态，得到稳态电源，将标准化的电流-电压扫描应用于所述稳态电源，分析每个稳态电源的电化学特性，具体为：
根据所述充放电过程中的额定电压与电流数据对电源进行循环充放电处理，通过电流测量仪实时监测放电过程中的电流变化数据，记录电源的放电时长，计算放电过程中电流的平均值，将所述平均值乘以放电时长，得到电源容量；
记录每次充放电完成后的电源容量数据，若电源容量达到稳定状态，停止充放电处理，得到稳态电源，所述稳定状态为近十次充放电完成后的电源容量平均变化率小于预设百分比；
通过电位滴定仪对稳态电源进行扫描处理，设置扫描的起始电位和终止电位，并设置扫描频率；
根据所述起始电位、终止电位、扫描频率进行扫描，实时记录电源在充放电过程中电流随电位的变化情况，并绘制I-V曲线；
按时间先后序列依次选取I-V曲线中的数据点，计算选取的数据点到达其它数据点的距离，选择距离最近的k个数据点作为选取的数据点的k-邻域；
计算选取的数据点的k-邻域内每个数据点到选取的数据点的平均距离，并计算选取的数据点的局部可达密度LRD；
计算选取的数据点的k-邻域内每个数据点的局部可达密度比值，得到局部离群因子LOF；
设置离群阈值，若LOF值大于离群阈值，则删除该数据点，得到异常值去除的I-V曲线；
根据异常值去除的I-V曲线进行分析计算，得到每个稳态电源的电化学特性，所述电化学特性包括电流响应速度、电源容量保持率、电源循环寿命、电源实际容量。
需要说明的是，新制备的电源样本可能存在电极材料的表面修复、电解质的浸润等问题，通过多次充放电循环，直至电源容量达到稳定状态，可以促使电源内部的电化学活性物质均匀分布，有助于提高电源的稳定性和性能；通过对稳态电源进行标准化的电流-电压扫描处理能够模拟电源在不同电位下的工作情况，电位滴定仪会实时测量电源的电流响应，通过记录电流随着电位变化的数据点，可以得到电源在不同电位下的电流值，进而绘制出I-V曲线，通过观察I-V曲线的形状和斜率，可以获得电源的电化学特性；在对电源样本进行充放电的过程中，避免因电位的不稳定性，导致电源的电流变化异常，通过Lof算法对I-V曲线进行异常值处理，对异常值进行剔除，保证了后续对I-V曲线进行分析电化学特性的准确性；所述局部可达密度LRD=1/（平均距离），局部离群因子LOF= (ΣLRD(邻居点)) / (k *LRD(选取的数据点))，所述ΣLRD(邻居点)中，邻居点即为选取的数据点的k-邻域中的数据点，ΣLRD(邻居点)即为对k-邻域中的数据点的局部可达密度进行累加求和；所述局部离群因子LOF值越大，表示数据点越离群，当LOF值大于离群阈值时，认定该数据点为异常数据点，对该数据点进行删除；所述I-V曲线即为电流-电压曲线。
图2示出了本发明得到电源性能评估结果的流程图。
根据本发明实施例，所述根据所述电化学特性对每个电源样本进行性能加权评分，得到电源性能评估结果，具体为：
S202，将电化学特性中的每项数据进行标准化处理，并对所述每项数据进行权重分配；
S204，根据预设性能分数表，对电化学特性中的每项数据进行打分，得到每项数据的分数；
S206，根据所述每项数据的分数和所分配的权重进行计算，得到每个电源样本的性能分数；
S208，对每个电源样本的性能分数进行差距分析，判断此生产批次的电源性能差距是否在制造标准范围之内，得到电源性能评估结果。
需要说明的是，所述标准化处理使得数据处于相同的比例尺度，有助于避免因不同数据量级而导致的权重分配偏差；所述权重分配基于电源性能评估的重要性，不同的数据可能对电源性能的影响程度不同，因此通过权重分配来反映其相对重要性；所述对每个电源样本的性能分数进行差距分析，可以判断此生产批次的电源性能是否在制造标准范围之内，通常涉及将性能分数与预设的性能阈值进行比较，如果电源性能分数在制造标准范围内，说明电源样本在预设性能要求内表现良好；反之，如果分数超出标准范围，可能需要进一步调查和处理；所述电源性能评估结果包括电压稳定性、电源对负载变化的响应速度、电流响应速度、电源容量保持率、电源循环寿命、电源实际容量。
图3示出了本发明得到电源容量校准系数的流程图。
根据本发明实施例，所述获取电源在不同环境温度下的历史放电数据，基于GBR算法建立温度-容量校准模型，将所述不同环境温度下的历史放电数据导入温度-容量校准模型中进行训练，得到电源容量校准系数，具体为：
S302，获取在历史预设时间段内，电源在不同环境温度下的历史放电数据、电源实际容量数据，根据所述历史放电数据，在所述预设时间段内，计算每天的历史电源容量，并记录每天的温度数据；
S304，基于GBR算法建立温度-容量校准模型，初始化GBR算法的超参数，所述超参数包括学习率、决策树数量、决策树深度；
S306，将温度数据整理为输入特征矩阵，历史电源容量整理为输出目标向量，将所述输入特征矩阵和输出目标向量导入温度-容量校准模型中进行迭代训练，在上一轮迭代训练完成后，计算预测值与实际目标值的残差，根据残差训练新的决策树对残差进行拟合，得到新决策树的预测结果；
S308，将上一轮的预测值与新决策树的预测结果进行加权和，得到模型的预测结果；
S310，若模型的预测结果大于预设准确率，停止迭代训练，得到每个温度下的电源容量数据；
S312，根据每个温度下的电源容量数据与电源实际容量进行计算，得到容量偏差率，根据容量偏差率计算不同温度下电源容量的校准系数。
需要说明的是，所述GBR算法为梯度提升算法，通过GBR算法建立温度-容量校准模型对历史放电数据、电源实际容量数据进行训练，每轮迭代训练，计算预测值与实际目标值的残差，然后使用新的决策树拟合所述残差，进一步提升预测的准确性，GBR算法能够提高在不同温度下对电源容量预测的准确性；使用得到的温度-容量校准模型预测每个温度下的电源容量数据，然后将预测的容量值与实际容量数据进行比较，计算出容量偏差率所述偏差率，计算出不同温度下的电源容量校准系数；所述电源容量校准系数能够校准在不同环境温度下电源的实际容量值，有利于对后续的电源显示容量进行修成。
根据本发明实施例，所述根据电源容量校准系数，预测电源在当前温度下的电源容量，得到预测结果，具体为：
获取当前电源充放电次数数据，基于电源容量保持率和充放电次数数据进行计算，得到当前电源容量；
获取当前电源所处的环境温度，基于不同温度下电源容量的校准系数和当前电源容量，预测当前电源实际容量得到预测结果。
需要说明的是，将电源容量校准系数与当前电源的状态信息相结合，实现了对电源在当前环境温度下的实际容量的预测，采用校准系数可以更准确地估算出电源在不同温度下的容量变化，从而提供更精确的电源性能预测。
根据本发明实施例，所述根据所述预测结果，对电源显示容量和所述性能评估结果进行更正，具体为：
获取当前电源显示容量，判断当前电源显示容量与当前电源实际容量的偏差值，若偏差值大于预设百分比，则根据预测结果对当前电源显示容量进行更正；
根据预测结果，对电源的性能评估结果中的电源容量保持率、电源循环寿命、电源实际容量进行环境温度影响率进行计算；
根据环境温度影响率，更正当前环境温度下电源容量保持率、电源循环寿命、电源实际容量，得到当前环境温度的电源性能评估结果。
需要说明的是，通过对电源显示容量和性能评估结果的更正，可以更精确地反映电源的实际状态和性能，从而使用户能够更好地了解电源的当前状态和性能水平，避免用户在使用电源设备时因电源显示容量与电源实际容量偏差太大，造成用电设备的意外中断，避免在关键任务的应用中设备用电中断导致数据丢失。
根据本发明实施例，还包括：
获取历史不同环境因子的变化数据，根据环境因子的变化数据，获取电源性能评估精度随环境因子的变化而变化的电源性能评估精度变化数据，所述环境因子包括环境温度、湿度、氧含量、磁场强度；
通过层次分析法对各环境因子的变化数据和所述电源性能评估精度变化数据进行联合分析，得到各环境因子对电源性能评估精度的影响权重；
通过灰色关联分析法，根据所述影响权重对各环境因子与电源性能评估精度的相关性进行分析，得到相关性分析结果；
获取当前环境因子实时数据，根据当前环境因子实时数据获取电源的当前性能评估精度；
若当前性能评估精度小于预设值，人工调整环境因子参数，直至电源性能评估精度大于预设值。
需要说明的是，在对电源的性能进行评估的过程中，电源性能评估结果可能会受到环境因子的影响，通过对环境因子对电源性能评估精度的影响权重进行分析，对电源性能评估过程中的环境因子的参数进行人工调整，提高电源性能评估精度，避免电源在不适宜性能评估的环境下进行性能评估，保证了对电源性能评估的准确性；所述电源性能评估精度是指对电源的进行性能评估生成的结果的准确率。
根据本发明实施例，还包括：
对电源性能评估结果进行统计，分析电源评估结果中的频发数据与偶发数据；
获取电源生产工序中，每个工序对电源性能影响的特征数据；
通过图神经网络将所述特征数据以及特征数据相对应的生产工序作为图节点，通过有向边描述，构建拓扑结构；
对频发数据进行异常分辨，得到频发数据的异常性能特征数据，将异常性能特征数据与所述拓扑结构进行融合，得到异常加工工序；
对所述异常加工工序进行预警处理。
需要说明的是，通过将电源性能评估数据、生产工序特征数据以及图神经网络技术相结合，能够更精确地识别导致频发异常的工序，为电源生产过程提供了更好的监测、分析和预警手段；对异常加工工序进行预警处理，提醒生产人员对生产设备进行工艺参数调整，对设备进行维护，从而减少生产异常情况，提高电源的生产质量；所述频发数据为在电源的性能评估结果中多次记载的数据，偶发数据为偶然出现的数据。
图4示出了一种恒压恒流充放电电源的全数字控制系统的框图。
本发明第二方面还提供了一种恒压恒流充放电电源的全数字控制系统4，该系统包括：存储器41、处理器42，所述存储器中包括恒压恒流充放电电源的全数字控制方法程序，所述恒压恒流充放电电源的全数字控制方法程序被所述处理器执行时，实现如下步骤：
获取多个具有相同物理特性的电源样本，获取所述电源样本的充放电过程中的额定电压与电流数据、电源初始容量数据；
根据所述充放电过程中的额定电压与电流数据对电源进行循环充放电处理，直至电源容量达到稳定状态，得到稳态电源，将标准化的电流-电压扫描应用于所述稳态电源，记录每个稳态电源的电化学特性；
根据所述电化学特性对每个电源样本进行性能加权评分，得到电源性能评估结果；
获取电源在不同环境温度下的历史放电数据，基于GBR算法建立温度-容量校准模型，将所述不同环境温度下的历史放电数据导入温度-容量校准模型中进行训练，得到电源容量校准系数；
根据电源容量校准系数，预测电源在当前温度下的电源容量，得到预测结果；
根据所述预测结果，对电源显示容量和所述性能评估结果进行更正。
需要说明的是，通过电源样本的充放电数据和电化学特性，结合温度-容量校准模型对电源的实际容量进行校准，实现了对恒压恒流充放电电源的全数字控制和更准确的性能评估，提高电源显示容量的准确率；所述电源样本即为恒压恒流充放电电源。
根据本发明实施例，所述获取多个具有相同物理特性的电源样本，获取所述电源样本的充放电过程中的额定电压与电流数据、电源初始容量数据，具体为：
获取同一生产批次具有相同物理特性的电源样本，所述物理特性包括电解质、电极材料、电源体积；
根据电源样本设计图纸，获取所述电源样本的充放电过程中的额定电压与电流数据、电源初始容量数据。
需要说明的是，获取同一生产批次具有相同物理特性的电源样本，确保电源样本之间的初始状态和性能特征具有一致性，使后续对电源性能的分析更为准确和可靠。
根据本发明实施例，所述根据所述充放电过程中的额定电压与电流数据对电源进行循环充放电处理，直至电源容量达到稳定状态，得到稳态电源，将标准化的电流-电压扫描应用于所述稳态电源，分析每个稳态电源的电化学特性，具体为：
根据所述充放电过程中的额定电压与电流数据对电源进行循环充放电处理，通过电流测量仪实时监测放电过程中的电流变化数据，记录电源的放电时长，计算放电过程中电流的平均值，将所述平均值乘以放电时长，得到电源容量；
记录每次充放电完成后的电源容量数据，若电源容量达到稳定状态，停止充放电处理，得到稳态电源，所述稳定状态为近十次充放电完成后的电源容量平均变化率小于预设百分比；
通过电位滴定仪对稳态电源进行扫描处理，设置扫描的起始电位和终止电位，并设置扫描频率；
根据所述起始电位、终止电位、扫描频率进行扫描，实时记录电源在充放电过程中电流随电位的变化情况，并绘制I-V曲线；
按时间先后序列依次选取I-V曲线中的数据点，计算选取的数据点到达其它数据点的距离，选择距离最近的k个数据点作为选取的数据点的k-邻域；
计算选取的数据点的k-邻域内每个数据点到选取的数据点的平均距离，并计算选取的数据点的局部可达密度LRD；
计算选取的数据点的k-邻域内每个数据点的局部可达密度比值，得到局部离群因子LOF；
设置离群阈值，若LOF值大于离群阈值，则删除该数据点，得到异常值去除的I-V曲线；
根据异常值去除的I-V曲线进行分析计算，得到每个稳态电源的电化学特性，所述电化学特性包括电流响应速度、电源容量保持率、电源循环寿命、电源实际容量。
需要说明的是，新制备的电源样本可能存在电极材料的表面修复、电解质的浸润等问题，通过多次充放电循环，直至电源容量达到稳定状态，可以促使电源内部的电化学活性物质均匀分布，有助于提高电源的稳定性和性能；通过对稳态电源进行标准化的电流-电压扫描处理能够模拟电源在不同电位下的工作情况，电位滴定仪会实时测量电源的电流响应，通过记录电流随着电位变化的数据点，可以得到电源在不同电位下的电流值，进而绘制出I-V曲线，通过观察I-V曲线的形状和斜率，可以获得电源的电化学特性；在对电源样本进行充放电的过程中，避免因电位的不稳定性，导致电源的电流变化异常，通过Lof算法对I-V曲线进行异常值处理，对异常值进行剔除，保证了后续对I-V曲线进行分析电化学特性的准确性；所述局部可达密度LRD=1/（平均距离），局部离群因子LOF= (ΣLRD(邻居点)) / (k *LRD(选取的数据点))，所述ΣLRD(邻居点)中，邻居点即为选取的数据点的k-邻域中的数据点，ΣLRD(邻居点)即为对k-邻域中的数据点的局部可达密度进行累加求和；所述局部离群因子LOF值越大，表示数据点越离群，当LOF值大于离群阈值时，认定该数据点为异常数据点，对该数据点进行删除；所述I-V曲线即为电流-电压曲线。
根据本发明实施例，所述根据所述电化学特性对每个电源样本进行性能加权评分，得到电源性能评估结果，具体为：
将电化学特性中的每项数据进行标准化处理，并对所述每项数据进行权重分配；
根据预设性能分数表，对电化学特性中的每项数据进行打分，得到每项数据的分数；
根据所述每项数据的分数和所分配的权重进行计算，得到每个电源样本的性能分数；
对每个电源样本的性能分数进行差距分析，判断此生产批次的电源性能差距是否在制造标准范围之内，得到电源性能评估结果。
需要说明的是，所述标准化处理使得数据处于相同的比例尺度，有助于避免因不同数据量级而导致的权重分配偏差；所述权重分配基于电源性能评估的重要性，不同的数据可能对电源性能的影响程度不同，因此通过权重分配来反映其相对重要性；所述对每个电源样本的性能分数进行差距分析，可以判断此生产批次的电源性能是否在制造标准范围之内，通常涉及将性能分数与预设的性能阈值进行比较，如果电源性能分数在制造标准范围内，说明电源样本在预设性能要求内表现良好；反之，如果分数超出标准范围，可能需要进一步调查和处理；所述电源性能评估结果包括电压稳定性、电源对负载变化的响应速度、电流响应速度、电源容量保持率、电源循环寿命、电源实际容量。
根据本发明实施例，所述获取电源在不同环境温度下的历史放电数据，基于GBR算法建立温度-容量校准模型，将所述不同环境温度下的历史放电数据导入温度-容量校准模型中进行训练，得到电源容量校准系数，具体为：
获取在历史预设时间段内，电源在不同环境温度下的历史放电数据、电源实际容量数据，根据所述历史放电数据，在所述预设时间段内，计算每天的历史电源容量，并记录每天的温度数据；
基于GBR算法建立温度-容量校准模型，初始化GBR算法的超参数，所述超参数包括学习率、决策树数量、决策树深度；
将温度数据整理为输入特征矩阵，历史电源容量整理为输出目标向量，将所述输入特征矩阵和输出目标向量导入温度-容量校准模型中进行迭代训练，在上一轮迭代训练完成后，计算预测值与实际目标值的残差，根据残差训练新的决策树对残差进行拟合，得到新决策树的预测结果；
将上一轮的预测值与新决策树的预测结果进行加权和，得到模型的预测结果；
若模型的预测结果大于预设准确率，停止迭代训练，得到每个温度下的电源容量数据；
根据每个温度下的电源容量数据与电源实际容量进行计算，得到容量偏差率，根据容量偏差率计算不同温度下电源容量的校准系数。
需要说明的是，所述GBR算法为梯度提升算法，通过GBR算法建立温度-容量校准模型对历史放电数据、电源实际容量数据进行训练，每轮迭代训练，计算预测值与实际目标值的残差，然后使用新的决策树拟合所述残差，进一步提升预测的准确性，GBR算法能够提高在不同温度下对电源容量预测的准确性；使用得到的温度-容量校准模型预测每个温度下的电源容量数据，然后将预测的容量值与实际容量数据进行比较，计算出容量偏差率所述偏差率，计算出不同温度下的电源容量校准系数；所述电源容量校准系数能够校准在不同环境温度下电源的实际容量值，有利于对后续的电源显示容量进行修成。
根据本发明实施例，所述根据电源容量校准系数，预测电源在当前温度下的电源容量，得到预测结果，具体为：
获取当前电源充放电次数数据，基于电源容量保持率和充放电次数数据进行计算，得到当前电源容量；
获取当前电源所处的环境温度，基于不同温度下电源容量的校准系数和当前电源容量，预测当前电源实际容量得到预测结果。
需要说明的是，将电源容量校准系数与当前电源的状态信息相结合，实现了对电源在当前环境温度下的实际容量的预测，采用校准系数可以更准确地估算出电源在不同温度下的容量变化，从而提供更精确的电源性能预测。
根据本发明实施例，所述根据所述预测结果，对电源显示容量和所述性能评估结果进行更正，具体为：
获取当前电源显示容量，判断当前电源显示容量与当前电源实际容量的偏差值，若偏差值大于预设百分比，则根据预测结果对当前电源显示容量进行更正；
根据预测结果，对电源的性能评估结果中的电源容量保持率、电源循环寿命、电源实际容量进行环境温度影响率进行计算；
根据环境温度影响率，更正当前环境温度下电源容量保持率、电源循环寿命、电源实际容量，得到当前环境温度的电源性能评估结果。
需要说明的是，通过对电源显示容量和性能评估结果的更正，可以更精确地反映电源的实际状态和性能，从而使用户能够更好地了解电源的当前状态和性能水平，避免用户在使用电源设备时因电源显示容量与电源实际容量偏差太大，造成用电设备的意外中断，避免在关键任务的应用中设备用电中断导致数据丢失。
根据本发明实施例，还包括：
获取历史不同环境因子的变化数据，根据环境因子的变化数据，获取电源性能评估精度随环境因子的变化而变化的电源性能评估精度变化数据，所述环境因子包括环境温度、湿度、氧含量、磁场强度；
通过层次分析法对各环境因子的变化数据和所述电源性能评估精度变化数据进行联合分析，得到各环境因子对电源性能评估精度的影响权重；
通过灰色关联分析法，根据所述影响权重对各环境因子与电源性能评估精度的相关性进行分析，得到相关性分析结果；
获取当前环境因子实时数据，根据当前环境因子实时数据获取电源的当前性能评估精度；
若当前性能评估精度小于预设值，人工调整环境因子参数，直至电源性能评估精度大于预设值。
需要说明的是，在对电源的性能进行评估的过程中，电源性能评估结果可能会受到环境因子的影响，通过对环境因子对电源性能评估精度的影响权重进行分析，对电源性能评估过程中的环境因子的参数进行人工调整，提高电源性能评估精度，避免电源在不适宜性能评估的环境下进行性能评估，保证了对电源性能评估的准确性；所述电源性能评估精度是指对电源的进行性能评估生成的结果的准确率。
根据本发明实施例，还包括：
对电源性能评估结果进行统计，分析电源评估结果中的频发数据与偶发数据；
获取电源生产工序中，每个工序对电源性能影响的特征数据；
通过图神经网络将所述特征数据以及特征数据相对应的生产工序作为图节点，通过有向边描述，构建拓扑结构；
对频发数据进行异常分辨，得到频发数据的异常性能特征数据，将异常性能特征数据与所述拓扑结构进行融合，得到异常加工工序；
对所述异常加工工序进行预警处理。
需要说明的是，通过将电源性能评估数据、生产工序特征数据以及图神经网络技术相结合，能够更精确地识别导致频发异常的工序，为电源生产过程提供了更好的监测、分析和预警手段；对异常加工工序进行预警处理，提醒生产人员对生产设备进行工艺参数调整，对设备进行维护，从而减少生产异常情况，提高电源的生产质量；所述频发数据为在电源的性能评估结果中多次记载的数据，偶发数据为偶然出现的数据。
本发明公开了一种恒压恒流充放电电源的全数字控制方法。该方法首先获取多个具有相同物理特性的电源样本，包括其充放电过程中的额定电压、电流数据以及初始容量数据。随后，通过循环充放电处理，使电源达到稳定状态，并记录标准化的电流-电压扫描下的电化学特性，并对每个电源样本进行性能加权评分，从而得到电源性能评估结果。进一步地，借助GBR算法构建温度-容量校准模型，用于校准电源容量。根据该模型，对当前温度下的电源容量进行预测，并将预测结果用于修正电源显示容量及性能评估结果。这一方法实现了电源容量的精确预测与校准，为电源管理提供了更加可靠的控制手段，具有广泛的应用前景。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本发明实施例的技术方案本质上或者说对现有技术做出贡献的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。而前述的存储介质包括：移动存储设备、ROM、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，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (6)
1.一种恒压恒流充放电电源的全数字控制方法，其特征在于，包括以下步骤：
获取多个具有相同物理特性的电源样本，获取所述电源样本的充放电过程中的额定电压与电流数据、电源初始容量数据；
根据所述充放电过程中的额定电压与电流数据对电源进行循环充放电处理，直至电源容量达到稳定状态，得到稳态电源，将标准化的电流-电压扫描应用于所述稳态电源，记录每个稳态电源的电化学特性；
根据所述电化学特性对每个电源样本进行性能加权评分，得到电源性能评估结果；
获取电源在不同环境温度下的历史放电数据，基于GBR算法建立温度-容量校准模型，将所述不同环境温度下的历史放电数据导入温度-容量校准模型中进行训练，得到电源容量校准系数；
根据电源容量校准系数，预测电源在当前温度下的电源容量，得到预测结果；
根据所述预测结果，对电源显示容量和所述性能评估结果进行更正；
所述获取电源在不同环境温度下的历史放电数据，基于GBR算法建立温度-容量校准模型，将所述不同环境温度下的历史放电数据导入温度-容量校准模型中进行训练，得到电源容量校准系数，具体为：
获取在历史预设时间段内，电源在不同环境温度下的历史放电数据、电源实际容量数据，根据所述历史放电数据，在所述预设时间段内，计算每天的历史电源容量，并记录每天的温度数据；
基于GBR算法建立温度-容量校准模型，初始化GBR算法的超参数，所述超参数包括学习率、决策树数量、决策树深度，所述GBR算法为梯度提升回归算法，是一种从错误中进行学习的技术；
将温度数据整理为输入特征矩阵，历史电源容量整理为输出目标向量，将所述输入特征矩阵和输出目标向量导入温度-容量校准模型中进行迭代训练，在上一轮迭代训练完成后，计算预测值与实际目标值的残差，根据残差训练新的决策树对残差进行拟合，得到新决策树的预测结果；
将上一轮的预测值与新决策树的预测结果进行加权和，得到模型的预测结果；
若模型的预测结果大于预设准确率，停止迭代训练，得到每个温度下的电源容量数据；
根据每个温度下的电源容量数据与电源实际容量进行计算，得到容量偏差率，根据容量偏差率计算不同温度下电源容量的校准系数；
所述根据电源容量校准系数，预测电源在当前温度下的电源容量，得到预测结果，具体为：
获取当前电源充放电次数数据，基于电源容量保持率和充放电次数数据进行计算，得到当前电源容量；
获取当前电源所处的环境温度，基于不同温度下电源容量的校准系数和当前电源容量，预测当前电源实际容量得到预测结果；
所述根据所述预测结果，对电源显示容量和所述性能评估结果进行更正，具体为：
获取当前电源显示容量，判断当前电源显示容量与当前电源实际容量的偏差值，若偏差值大于预设百分比，则根据预测结果对当前电源显示容量进行更正；
根据预测结果，对电源的性能评估结果中的电源容量保持率、电源循环寿命、电源实际容量进行环境温度影响率进行计算；
根据环境温度影响率，更正当前环境温度下电源容量保持率、电源循环寿命、电源实际容量，得到当前环境温度的电源性能评估结果。
2.根据权利要求1所述的一种恒压恒流充放电电源的全数字控制方法，其特征在于，所述获取多个具有相同物理特性的电源样本，获取所述电源样本的充放电过程中的额定电压与电流数据、电源初始容量数据，具体为：
获取同一生产批次具有相同物理特性的电源样本，所述物理特性包括电解质、电极材料、电源体积；
根据电源样本设计图纸，获取所述电源样本的充放电过程中的额定电压与电流数据、电源初始容量数据。
3.根据权利要求1所述的一种恒压恒流充放电电源的全数字控制方法，其特征在于，所述根据所述充放电过程中的额定电压与电流数据对电源进行循环充放电处理，直至电源容量达到稳定状态，得到稳态电源，将标准化的电流-电压扫描应用于所述稳态电源，分析每个稳态电源的电化学特性，具体为：
根据所述充放电过程中的额定电压与电流数据对电源进行循环充放电处理，通过电流测量仪实时监测放电过程中的电流变化数据，记录电源的放电时长，计算放电过程中电流的平均值，将所述平均值乘以放电时长，得到电源容量；
记录每次充放电完成后的电源容量数据，若电源容量达到稳定状态，停止充放电处理，得到稳态电源，所述稳定状态为近十次充放电完成后的电源容量平均变化率小于预设百分比；
通过电位滴定仪对稳态电源进行扫描处理，设置扫描的起始电位和终止电位，并设置扫描频率；
根据所述起始电位、终止电位、扫描频率进行扫描，实时记录电源在充放电过程中电流随电位的变化情况，并绘制I-V曲线；
按时间先后序列依次选取I-V曲线中的数据点，计算选取的数据点到达其它数据点的距离，选择距离最近的k个数据点作为选取的数据点的k-邻域；
计算选取的数据点的k-邻域内每个数据点到选取的数据点的平均距离，并计算选取的数据点的局部可达密度LRD；
计算选取的数据点的k-邻域内每个数据点的局部可达密度比值，得到局部离群因子LOF；
设置离群阈值，若LOF值大于离群阈值，则删除该数据点，得到异常值去除的I-V曲线；
根据异常值去除的I-V曲线进行分析计算，得到每个稳态电源的电化学特性，所述电化学特性包括电流响应速度、电源容量保持率、电源循环寿命、电源实际容量。
4.根据权利要求1所述的一种恒压恒流充放电电源的全数字控制方法，其特征在于，所述根据所述电化学特性对每个电源样本进行性能加权评分，得到电源性能评估结果，具体为：
将电化学特性中的每项数据进行标准化处理，并对所述每项数据进行权重分配；
根据预设性能分数表，对电化学特性中的每项数据进行打分，得到每项数据的分数；
根据所述每项数据的分数和所分配的权重进行计算，得到每个电源样本的性能分数；
对每个电源样本的性能分数进行差距分析，判断此生产批次的电源性能差距是否在制造标准范围之内，得到电源性能评估结果。
5.一种恒压恒流充放电电源的全数字控制系统，其特征在于，所述恒压恒流充放电电源的全数字控制系统包括储存器以及处理器，所述储存器包括恒压恒流充放电电源的全数字控制方法程序，所述恒压恒流充放电电源的全数字控制方法程序被所述处理器执行时，实现如下步骤：
获取多个具有相同物理特性的电源样本，获取所述电源样本的充放电过程中的额定电压与电流数据、电源初始容量数据；
根据所述充放电过程中的额定电压与电流数据对电源进行循环充放电处理，直至电源容量达到稳定状态，得到稳态电源，将标准化的电流-电压扫描应用于所述稳态电源，记录每个稳态电源的电化学特性；
根据所述电化学特性对每个电源样本进行性能加权评分，得到电源性能评估结果；
获取电源在不同环境温度下的历史放电数据，基于GBR算法建立温度-容量校准模型，将所述不同环境温度下的历史放电数据导入温度-容量校准模型中进行训练，得到电源容量校准系数；
根据电源容量校准系数，预测电源在当前温度下的电源容量，得到预测结果；
根据所述预测结果，对电源显示容量和所述性能评估结果进行更正；
所述获取电源在不同环境温度下的历史放电数据，基于GBR算法建立温度-容量校准模型，将所述不同环境温度下的历史放电数据导入温度-容量校准模型中进行训练，得到电源容量校准系数，具体为：
获取在历史预设时间段内，电源在不同环境温度下的历史放电数据、电源实际容量数据，根据所述历史放电数据，在所述预设时间段内，计算每天的历史电源容量，并记录每天的温度数据；
基于GBR算法建立温度-容量校准模型，初始化GBR算法的超参数，所述超参数包括学习率、决策树数量、决策树深度，所述GBR算法为梯度提升回归算法，是一种从错误中进行学习的技术；
将温度数据整理为输入特征矩阵，历史电源容量整理为输出目标向量，将所述输入特征矩阵和输出目标向量导入温度-容量校准模型中进行迭代训练，在上一轮迭代训练完成后，计算预测值与实际目标值的残差，根据残差训练新的决策树对残差进行拟合，得到新决策树的预测结果；
将上一轮的预测值与新决策树的预测结果进行加权和，得到模型的预测结果；
若模型的预测结果大于预设准确率，停止迭代训练，得到每个温度下的电源容量数据；
根据每个温度下的电源容量数据与电源实际容量进行计算，得到容量偏差率，根据容量偏差率计算不同温度下电源容量的校准系数；
所述根据电源容量校准系数，预测电源在当前温度下的电源容量，得到预测结果，具体为：
获取当前电源充放电次数数据，基于电源容量保持率和充放电次数数据进行计算，得到当前电源容量；
获取当前电源所处的环境温度，基于不同温度下电源容量的校准系数和当前电源容量，预测当前电源实际容量得到预测结果；
所述根据所述预测结果，对电源显示容量和所述性能评估结果进行更正，具体为：
获取当前电源显示容量，判断当前电源显示容量与当前电源实际容量的偏差值，若偏差值大于预设百分比，则根据预测结果对当前电源显示容量进行更正；
根据预测结果，对电源的性能评估结果中的电源容量保持率、电源循环寿命、电源实际容量进行环境温度影响率进行计算；
根据环境温度影响率，更正当前环境温度下电源容量保持率、电源循环寿命、电源实际容量，得到当前环境温度的电源性能评估结果。
6.根据权利要求5所述的一种恒压恒流充放电电源的全数字控制系统，其特征在于，其特征在于，所述根据所述电化学特性对每个电源样本进行性能加权评分，得到电源性能评估结果，具体为：
将电化学特性中的每项数据进行标准化处理，并对所述每项数据进行权重分配；
根据预设性能分数表，对电化学特性中的每项数据进行打分，每项数据的分数；
根据所述每项数据的分数和所分配的权重进行计算，得到每个电源样本的性能分数；
对每个电源样本的性能分数进行差距分析，判断此生产批次的电源性能差距是否在制造标准范围之内，得到电源性能评估结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311112463.2A CN116846040B (zh) | 2023-08-31 | 2023-08-31 | 一种恒压恒流充放电电源的全数字控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311112463.2A CN116846040B (zh) | 2023-08-31 | 2023-08-31 | 一种恒压恒流充放电电源的全数字控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116846040A CN116846040A (zh) | 2023-10-03 |
| CN116846040B true CN116846040B (zh) | 2023-11-14 |
Family
ID=88174694
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311112463.2A Active CN116846040B (zh) | 2023-08-31 | 2023-08-31 | 一种恒压恒流充放电电源的全数字控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116846040B (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112505570A (zh) * | 2020-12-03 | 2021-03-16 | 摩登汽车(盐城)有限公司 | 电动汽车的电池健康状态的估计方法 |
| CN114372417A (zh) * | 2022-01-12 | 2022-04-19 | 青岛科技大学 | 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 |
| JP2022139501A (ja) * | 2021-03-12 | 2022-09-26 | 株式会社豊田中央研究所 | 劣化判定装置、劣化判定システム、劣化判定方法及びそのプログラム |
| WO2022241267A1 (en) * | 2021-05-14 | 2022-11-17 | Veloce Energy, Inc. | Systems and methods for electric vehicle charging power distribution |
| CN115698737A (zh) * | 2020-11-13 | 2023-02-03 | 株式会社Lg化学 | 电池容量测量装置和方法，以及包括电池容量测量装置的电池控制系统 |
| 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 |
| CN116449218A (zh) * | 2023-04-26 | 2023-07-18 | 淮阴工学院 | 一种锂电池健康状态的估计方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230237371A1 (en) * | 2022-01-25 | 2023-07-27 | Rockwell Automation Technologies, Inc. | Systems and methods for providing predictions with supervised and unsupervised data in industrial systems |
-
2023
- 2023-08-31 CN CN202311112463.2A patent/CN116846040B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115698737A (zh) * | 2020-11-13 | 2023-02-03 | 株式会社Lg化学 | 电池容量测量装置和方法，以及包括电池容量测量装置的电池控制系统 |
| CN112505570A (zh) * | 2020-12-03 | 2021-03-16 | 摩登汽车(盐城)有限公司 | 电动汽车的电池健康状态的估计方法 |
| JP2022139501A (ja) * | 2021-03-12 | 2022-09-26 | 株式会社豊田中央研究所 | 劣化判定装置、劣化判定システム、劣化判定方法及びそのプログラム |
| WO2022241267A1 (en) * | 2021-05-14 | 2022-11-17 | Veloce Energy, Inc. | Systems and methods for electric vehicle charging power distribution |
| CN114372417A (zh) * | 2022-01-12 | 2022-04-19 | 青岛科技大学 | 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 |
| 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 |
| CN116449218A (zh) * | 2023-04-26 | 2023-07-18 | 淮阴工学院 | 一种锂电池健康状态的估计方法 |
Non-Patent Citations (3)
| Title |
|---|
| A novel LOF-based ensemble regression tree methodology;Gozde Ongelen;《Neural Computing and Applications (2023)》;全文 * |
| 基于大数据的动力锂电池可靠性关键技术研究综述;李放;《储能科学与技术》;全文 * |
| 基于改进 LightGBM 的电动汽车电池剩余使用寿命在线预测;肖迁;《电工技术学报》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116846040A (zh) | 2023-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11226374B2 (en) | Data-driven model for lithium-ion battery capacity fade and lifetime prediction | |
| CN114114049B (zh) | 一种基于样本迁移的锂离子电池寿命预测方法 | |
| CN112069739B (zh) | 电池分数阶模型参数辨识方法 | |
| Murariu et al. | Time-dependent analysis of the state-of-health for lead-acid batteries: An EIS study | |
| CN109143074B (zh) | 一种动力电池模型参数辨识方法及系统 | |
| CN114705990B (zh) | 电池簇荷电状态的估计方法及系统、电子设备及存储介质 | |
| CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
| CN112014735A (zh) | 一种基于全寿命周期的电芯老化寿命预测方法及装置 | |
| CN112883531A (zh) | 锂离子电池数据处理方法、计算机设备和存储介质 | |
| CN116298906B (zh) | 电池容量的预测模型训练方法、预测方法、装置及介质 | |
| CN115473319B (zh) | 一种基于超级电容器的储能方法 | |
| CN114167284B (zh) | 基于bms大数据和集成学习的锂电池rul预测方法及设备 | |
| CN113139605A (zh) | 基于主成分分析和lstm神经网络的电力负荷预测方法 | |
| CN113011012A (zh) | 一种基于Box-Cox变化的储能电池剩余寿命预测方法 | |
| CN114330647A (zh) | 模型训练方法、装置及硅棒重量预测方法 | |
| KR20230015847A (ko) | 배터리 저장 디바이스의 용량의 손실을 결정하기 위한 방법, 장치 및 컴퓨터 프로그램 제품 | |
| Chi et al. | Online identification of a link function degradation model for solid oxide fuel cells under varying-load operation | |
| CN116846040B (zh) | 一种恒压恒流充放电电源的全数字控制方法 | |
| CN117825970A (zh) | 电池退化分析方法、装置、设备及存储介质 | |
| CN115544803A (zh) | 一种变压器剩余寿命预测方法、装置、设备及存储介质 | |
| CN115754772A (zh) | 一种电池容量衰减处理方法、装置、设备和存储介质 | |
| CN115935284A (zh) | 电网异常电压检测方法、装置、设备及存储介质 | |
| CN110108239B (zh) | 极片质量信息获取方法、系统及设备 | |
| CN116500456B (zh) | 一种基于机器学习的三元锂电池容量检测方法 | |
| CN118017066B (zh) | 退役电池包梯次利用控制方法 |
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 |