CN117033887A - 锂离子电池包模块自放电率计算方法及系统 - Google Patents
锂离子电池包模块自放电率计算方法及系统 Download PDFInfo
- Publication number
- CN117033887A CN117033887A CN202310922039.8A CN202310922039A CN117033887A CN 117033887 A CN117033887 A CN 117033887A CN 202310922039 A CN202310922039 A CN 202310922039A CN 117033887 A CN117033887 A CN 117033887A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- battery pack
- self
- discharge rate
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 46
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 40
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 39
- 238000012216 screening Methods 0.000 claims abstract description 44
- 230000003068 static effect Effects 0.000 claims abstract description 21
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000004140 cleaning Methods 0.000 claims abstract description 6
- 238000012163 sequencing technique Methods 0.000 claims abstract description 6
- 238000007600 charging Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 4
- 101100383698 Secale cereale rscc gene Proteins 0.000 claims 1
- 208000028659 discharge Diseases 0.000 description 72
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 9
- 229910052744 lithium Inorganic materials 0.000 description 9
- 238000001514 detection method Methods 0.000 description 6
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 6
- 239000003990 capacitor Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- NCZYUKGXRHBAHE-UHFFFAOYSA-K [Li+].P(=O)([O-])([O-])[O-].[Fe+2].[Li+] Chemical compound [Li+].P(=O)([O-])([O-])[O-].[Fe+2].[Li+] NCZYUKGXRHBAHE-UHFFFAOYSA-K 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000010277 constant-current charging Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明提供锂离子电池包模块自放电率计算方法及系统,方法包括:获取电池包整车运行监控数据;处理得到待筛选数据;连续静置状态筛选得到连续静置数据;筛选得到长静置结束点;据以计算锂离子电池包模块的静态SOC值,以计算各锂离子电池包模块的相对SOC值;根据相对SOC值,统计各锂离子电池模块每日的rSOCn中位数,以筛选得到有效统计数据;进行自放电速率拟合,以得到预设天数内,锂离子电池包模块的每日平均自放电率;获取电池包整车运行监控数据;数据清洗、排序;连续静置状态筛选;长静置结束点筛选;模块时刻SOC计算;SOC差值计算;SOC值按日统计;自放电速率拟合。本发明解决了自放电率计算效率及结果可靠性低的技术问题。
Description
技术领域
本发明涉及车用动力电池组技术领域,具体涉及锂离子电池包模块自放电率计算方法及系统。
背景技术
随着电动汽车的普及,电动汽车的电池安全问题得到越来越多的关注。电动汽车采用的动力电池,一般采用大量单体电芯进行串并联方式组合以满足容量和电压需求。内部短路是电池包发生热失控的常见原因,电池使用过程中任何模块发送内部短路都有可能引起整个电池包的热失控。目前各电池和整车制造企业均已建立电池大数据监控平台用以实时监控电池运行数据。
公布号为CN114578245A的现有发明专利申请文献《一种快速检测磷酸铁锂锂离子电池自放电率的设备和方法》,该现有设备包括依次安装在检测车床顶部的磷酸铁锂锂电源组、充能机构和电流检测表,所述充能机构依次与磷酸铁锂锂电源组和电流检测表相串联;所述充能机构包括调节电容座,调节电容座的外部转动连接有转动圆环台。本发明通过将需要检测的磷酸铁锂电池和具有储能功效的电容相串联,使得磷酸铁锂电池放出的电能被电容吸收,在通过将电容与磷酸铁锂电池切断,并外接电流放大器和电流检测表来测量磷酸铁锂电池在规定实际内放出的电流量。该现有技术需要将检测设备安装于电池检测车床等设备,难以对电池包的自放电率进行远程分析。
公布号为CN113466714A的现有发明专利申请文献《锂电池自放电率评价方法、装置和计算机设备》,该锂电池自放电率评价方法包括:对锂电池进行第一预设规则的混合脉冲充放电处理,直至锂电池的电压到达预设放电截止电压;按照预设充电电流对锂电池进行恒流充电处理,直至锂电池的电压到达预设老化电压;对锂电池进行第二预设规则的温度循环以及振动步进综合应力处理,并利用预设自放电率算法计算每次温度循环结束时锂电池的自放电率;根据预设截止算法确定自放电率稳定后,停止温度循环以及振动步进处理,并获取稳定后的自放电率为锂电池的标准自放电率。前述现有技术中计算电池自放电率所采用的电池数据较单一,且需要计算每次温度循环结束时的电池自放电率,导致电池包模块的自放电率计算效率较低,自放电率计算结果无法充分贴合实际。
综上,现有技术存在自放电率计算效率及结果可靠性低的技术问题。
发明内容
本发明所要解决的技术问题在于:如何解决现有技术中自放电率计算效率及结果可靠性低的技术问题。
本发明是采用以下技术方案解决上述技术问题的:锂离子电池包模块自放电率计算方法包括:
S1、获取电池包整车运行监控数据;
S2、对电池包整车运行监控数据,进行清洗、排序操作,得到待筛选数据;
S3、对待筛选数据,进行连续静置状态筛选,以得到连续静置数据;
S4、筛选连续静置数据,以得到长静置结束点;
S5、根据长静置结束点,计算锂离子电池包模块的静态SOC值,供计算相对SOC值;
S6、根据静态SOC值,计算各锂离子电池包模块的相对SOC值,以去除归一化不同SOC状态影响;
S7、根据各锂离子电池包模块的相对SOC值,统计各锂离子电池模块每日的rSOCn中位数,以去除统计无效数据,以得到有效统计数据;
S8、根据有效统计数据,进行自放电速率拟合,以得到预设天数内,锂离子电池包模块的每日平均自放电率。
本发明旨在通过大数据平台收集的电池运行数据计算出各模块的自放电速率,从而让用户或厂家及时识别出自放电较大的模块,规避可能的热失控风险。
目前常用的电池大数据平台无法快速计算各模块的自放电率,或者计算出得自放电率通常以电压为单位,无法与电池性能直接关联。数据分析人员、质量分析人员、研发人员或用户通常需要准确且直观的自放电率数据,即以soc/时间为单位的自放电率数据,以分析其对电池性能的影响以及进一步分析风险。目前电池大数据平台数据通常存放在电池数据库中,本发明通过对数据库中的数据直接筛选计算,能够快速准确地计算出以soc/时间为单位电池各模块自放电率。
本发明可以根据车联网或其他电池监控数据平台的电池数据进行动力电池各模块的自放电速率计算,提高了电池包模块的自放电率计算效率,提高了自放电率计算结果的可靠性。本发明可以实现动力电池组中模块自放电率的可靠快速计算,可以应用于BMS中进行实时计算或在动力电池远程监控大数据分析平台监控进行远程分析计算。
在更具体的技术方案中,步骤S3中,通过筛选操作,去除静置中间阶段的待筛选数据,以得到连续静置状态筛选数据。
在更具体的技术方案中,步骤S4包括:
S41、计算筛选后的数据时间间隔;
S42、根据数据时间间隔,获取数据时间间隔条件,利用数据时间间隔条件、阈值电流条件,筛选得到静置时长大于预设阈值的长静置结束点。
本发明可以通过静置标签或电流大小对静置状态进行快速标记,以方便进行后续步骤。其中,过滤连续静置点即可快速得到长静置结束点。
本发明能够应用于目前常用大数据平台的电池数据库中。这些大数据平台通常将降低采集频率后的BMS采集电池系统运行数据实时发送给云端服务器,云端服务器将数据存入数据库中,本发明可以针对已存入数据库中的电池运行数据快速计算模块自放电率。
在更具体的技术方案中,步骤S42中,数据时间间隔条件和电流条件的数据点delta_time大于预设阈值时,current==0。
在更具体的技术方案中,步骤S42中,预设阈值的取值区间包括:[1h,∞]。
本发明通过设置预设阈值,获得稳定的电压数据,有利于提高电池包自放电率计算结果的可靠性。
在更具体的技术方案中,步骤S6中,利用下述逻辑,计算各锂离子电池模块的相对SOC值rSOCn:
rSOCn=SOCn-SOCmedian
式中,rSOCn为模块n的相对SOC值,SOCn为模块n的SOC值,SOCmedian为该时刻各模块的SOC值中位数。
在更具体的技术方案中,步骤S7中,通过去除统计无效数据的操作,提取rSOCn次数小于预置无效阈值的有效统计数据。
在更具体的技术方案中,步骤S8包括:
S81、统计获取静置时间序列:
x=[0,1,2,3,4,5];
S82、筛选出静置时间序列对应的rSOCn值序列:
S83、对静置时间序列、rSOCn值序列拟合,以得到每日平均自放电率。
在更具体的技术方案中,步骤S83中,利用下述逻辑处理得到每日平均自放电率k5:
式中,x为静置时间序列,y为rSOCn值序列。
在更具体的技术方案中,锂离子电池包模块自放电率计算系统包括:
电池包整车数据采集模块,用以获取电池包整车运行监控数据;
整车数据预处理模块,用以对电池包整车运行监控数据,进行清洗、排序操作,得到待筛选数据,整车数据预处理模块与电池包整车数据采集模块连接;
连续静置筛选模块,用以对待筛选数据,进行连续静置状态筛选,以得到连续静置数据,连续静置筛选模块与整车数据预处理模块连接;
长静置筛选模块,用以筛选连续静置数据,以得到长静置结束点,长静置筛选模块与连续静置筛选模块连接;
电池包充电状态计算模块,用以根据长静置结束点,计算锂离子电池包模块的静态SOC值,供计算相对SOC值,电池包充电状态计算模块与长静置筛选模块连接;
差值计算模块,用以根据充电状态SOC,计算各锂离子电池包模块的相对SOC值,以去除归一化不同SOC状态影响,差值计算模块与电池包充电状态计算模块连接;
无效数据筛除模块,用以根据各锂离子电池包模块的相对SOC值,统计各锂离子电池模块每日的rSOCn中位数,以去除统计无效数据,以得到有效统计数据,无效数据筛除模块与差值计算模块连接;
自放电率求取模块,用以根据有效统计数据,进行自放电速率拟合,以得到预设天数内,锂离子电池包模块的每日平均自放电率,自放电率求取模块与无效数据筛除模块连接。
本发明相比现有技术具有以下优点:
本发明旨在通过大数据平台收集的电池运行数据计算出各模块的自放电速率,从而让用户或厂家及时识别出自放电较大的模块,规避可能的热失控风险。
目前常用的电池大数据平台无法快速计算各模块的自放电率,或者计算出得自放电率通常以电压为单位,无法与电池性能直接关联。数据分析人员、质量分析人员、研发人员或用户通常需要准确且直观的自放电率数据,即以soc/时间为单位的自放电率数据,以分析其对电池性能的影响以及进一步分析风险。目前电池大数据平台数据通常存放在电池数据库中,本发明通过对数据库中的数据直接筛选计算,能够快速准确地计算出以soc/时间为单位电池各模块自放电率。
本发明可以根据车联网或其他电池监控数据平台的电池数据进行动力电池各模块的自放电速率计算,提高了电池包模块的自放电率计算效率,提高了自放电率计算结果的可靠性。本发明可以实现动力电池组中模块自放电率的可靠快速计算,可以应用于BMS中进行实时计算或在动力电池远程监控大数据分析平台监控进行远程分析计算。
本发明可以通过静置标签或电流大小对静置状态进行快速标记,以方便进行后续步骤。本发明能够应用于目前常用大数据平台的电池数据库中。这些大数据平台通常将降低采集频率后的BMS采集电池系统运行数据实时发送给云端服务器,云端服务器将数据存入数据库中,本发明可以针对已存入数据库中的电池运行数据快速计算模块自放电率。
本发明解决了现有技术中存在的自放电率计算效率及结果可靠性低的技术问题。
附图说明
图1为本发明实施例1的锂离子电池包模块自放电率计算方法基本步骤示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
如图1所示,本发明提供锂离子电池包模块自放电率计算方法,包括以下基本步骤:
步骤S1、获取电池包整车运行监控数据;
步骤S2、数据清洗、排序;
步骤S3、连续静置状态筛选;
在本实施例中,筛选去除静置中间阶段。即同时满足current_last==0、current==0、current_next==0时刻的数据。current_last为上一时刻电流值,current为当前时刻电流值,current_next为下一时刻电流值;
步骤S4、长静置结束点筛选;
在本实施例中,计算筛选后的数据时间间隔;在本实施例中,delta_time=time-time_last,time为当前时刻时间,time_last为上一时刻时间。
在本实施例中,筛选满足时间间隔条件和电流条件的数据点delta_time>1小时,current==0。筛选结果即为静置时长大于1小时的长静置结束点。
步骤S5、模块SOC计算;
在本实施例中,根据长静置结束点的各模块电压,通过OCV-SOC查表计算各模块的SOC状态。
步骤S6、SOC差值计算;
在本实施例中,根据各模块的SOC值计算各模块的相对SOC值:
rSOCn=SOCn-SOCmedian
其中,rSOCn为模块n的相对SOC值,SOCn为模块n的SOC值,SOCmedian为该时刻各模块的SOC值中位数。
步骤S7、统计各模块每日的rSOCn中位数,去除统计无效数据;在本实施例中,通过去除统计无效数据的操作,提取每日计算出得rSOCn次数<3的数据。
步骤S8、自放电速率拟合;
在本实施例中,根据需求计算指定天数内的自放电速率。
在本实施例中,如需要计算模块n的5日平均自放电速率Rn,则需统计出静置时间序列,静置开始时间为0,静置开始时间延后1天为1,以此类推,得到静置时间序列x=[0,1,2,3,4,5]。再筛选出静置时间序列对应的rSOCn值序列:
在本实施例中,对x、y进行如下公式拟合求出5日内平均每日的自放电速率:
综上,本发明旨在通过大数据平台收集的电池运行数据计算出各模块的自放电速率,从而让用户或厂家及时识别出自放电较大的模块,规避可能的热失控风险。
目前常用的电池大数据平台无法快速计算各模块的自放电率,或者计算出得自放电率通常以电压为单位,无法与电池性能直接关联。数据分析人员、质量分析人员、研发人员或用户通常需要准确且直观的自放电率数据,即以soc/时间为单位的自放电率数据,以分析其对电池性能的影响以及进一步分析风险。目前电池大数据平台数据通常存放在电池数据库中,本发明通过对数据库中的数据直接筛选计算,能够快速准确地计算出以soc/时间为单位电池各模块自放电率。
本发明可以根据车联网或其他电池监控数据平台的电池数据进行动力电池各模块的自放电速率计算,提高了电池包模块的自放电率计算效率,提高了自放电率计算结果的可靠性。本发明可以实现动力电池组中模块自放电率的可靠快速计算,可以应用于BMS中进行实时计算或在动力电池远程监控大数据分析平台监控进行远程分析计算。
本发明可以通过静置标签或电流大小对静置状态进行快速标记,以方便进行后续步骤。本发明能够应用于目前常用大数据平台的电池数据库中。这些大数据平台通常将降低采集频率后的BMS采集电池系统运行数据实时发送给云端服务器,云端服务器将数据存入数据库中,本发明可以针对已存入数据库中的电池运行数据快速计算模块自放电率。
本发明解决了现有技术中存在的自放电率计算效率及结果可靠性低的技术问题。
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 (10)
1.锂离子电池包模块自放电率计算方法,其特征在于,所述方法包括:
S1、获取电池包整车运行监控数据;
S2、对所述电池包整车运行监控数据,进行清洗、排序操作,得到待筛选数据;
S3、对所述待筛选数据,进行连续静置状态筛选,以得到连续静置数据;
S4、筛选所述连续静置数据,以得到长静置结束点;
S5、根据所述长静置结束点,计算锂离子电池包模块的静态SOC值,供计算相对SOC值;
S6、根据所述静态SOC值,计算各所述锂离子电池包模块的所述相对SOC值,以去除归一化不同SOC状态影响;
S7、根据所述各锂离子电池包模块的所述相对SOC值,统计各所述锂离子电池模块每日的rSOCn中位数,以去除统计无效数据,以得到有效统计数据;
S8、根据所述有效统计数据,进行自放电速率拟合,以得到预设天数内,所述锂离子电池包模块的每日平均自放电率。
2.根据权利要求1所述的锂离子电池包模块自放电率计算方法,其特征在于,所述步骤S3中,通过筛选操作,去除静置中间阶段的所述待筛选数据,以得到连续静置状态筛选数据。
3.根据权利要求1所述的锂离子电池包模块自放电率计算方法,其特征在于,所述步骤S4包括:
S41、计算筛选后的数据时间间隔;
S42、根据所述数据时间间隔,获取数据时间间隔条件,利用数据时间间隔条件、阈值电流条件,筛选得到静置时长大于预设阈值的所述长静置结束点。
4.根据权利要求3所述的锂离子电池包模块自放电率计算方法,其特征在于,所述步骤S42中,所述数据时间间隔条件和所述电流条件的数据点delta_time大于所述预设阈值时,current==0。
5.根据权利要求3所述的锂离子电池包模块自放电率计算方法,其特征在于,所述步骤S42中,所述预设阈值包括:1小时。
6.根据权利要求1所述的锂离子电池包模块自放电率计算方法,其特征在于,所述步骤S6中,利用下述逻辑,计算各所述锂离子电池模块的所述相对SOC值rSOCn:
rSOCn=SOCn-SOCmedian
式中,rSOCn为模块n的相对SOC值,SOCn为模块n的SOC值,SOCmedian为该时刻各模块的SOC值中位数。
7.根据权利要求1所述的锂离子电池包模块自放电率计算方法,其特征在于,所述步骤S7中,通过所述去除统计无效数据的操作,提取所述rSOCn次数小于预置无效阈值的有效统计数据。
8.根据权利要求1所述的锂离子电池包模块自放电率计算方法,其特征在于,所述步骤S8包括:
S81、统计获取静置时间序列:
x=[0,1,2,3,4,5];
S82、筛选出所述静置时间序列对应的rSOCn值序列:
S83、对所述静置时间序列、所述rSOCn值序列拟合,以得到所述每日平均自放电率。
9.根据权利要求8所述的锂离子电池包模块自放电率计算方法,其特征在于,所述步骤S83中,利用下述逻辑处理得到所述每日平均自放电率k5:
式中,x为所述静置时间序列,y为所述rSOCn值序列。
10.锂离子电池包模块自放电率计算系统,其特征在于,所述系统包括:
电池包整车数据采集模块,用以获取电池包整车运行监控数据;
整车数据预处理模块,用以对所述电池包整车运行监控数据,进行清洗、排序操作,得到待筛选数据,所述整车数据预处理模块与所述电池包整车数据采集模块连接;
连续静置筛选模块,用以对所述待筛选数据,进行连续静置状态筛选,以得到连续静置数据,所述连续静置筛选模块与所述整车数据预处理模块连接;
长静置筛选模块,用以筛选所述连续静置数据,以得到长静置结束点,所述长静置筛选模块与所述连续静置筛选模块连接;
电池包充电状态计算模块,用以根据所述长静置结束点,计算锂离子电池包模块的静态SOC值,供计算相对SOC值,所述电池包充电状态计算模块与所述长静置筛选模块连接;
差值计算模块,用以根据所述静态SOC值,计算各所述锂离子电池包模块的所述相对SOC值,以去除归一化不同SOC状态影响,所述差值计算模块与所述电池包充电状态计算模块连接;
无效数据筛除模块,用以根据所述各锂离子电池包模块的所述相对SOC值,统计各所述锂离子电池模块每日的rSOCn中位数,以去除统计无效数据,以得到有效统计数据,所述无效数据筛除模块与所述差值计算模块连接;
自放电率求取模块,用以根据所述有效统计数据,进行自放电速率拟合,以得到预设天数内,所述锂离子电池包模块的每日平均自放电率,所述自放电率求取模块与所述无效数据筛除模块连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310922039.8A CN117033887A (zh) | 2023-07-24 | 2023-07-24 | 锂离子电池包模块自放电率计算方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310922039.8A CN117033887A (zh) | 2023-07-24 | 2023-07-24 | 锂离子电池包模块自放电率计算方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117033887A true CN117033887A (zh) | 2023-11-10 |
Family
ID=88636450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310922039.8A Pending CN117033887A (zh) | 2023-07-24 | 2023-07-24 | 锂离子电池包模块自放电率计算方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117033887A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117574984A (zh) * | 2024-01-17 | 2024-02-20 | 中国第一汽车股份有限公司 | 容量保持率判断模型的训练、应用方法、装置及存储介质 |
-
2023
- 2023-07-24 CN CN202310922039.8A patent/CN117033887A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117574984A (zh) * | 2024-01-17 | 2024-02-20 | 中国第一汽车股份有限公司 | 容量保持率判断模型的训练、应用方法、装置及存储介质 |
CN117574984B (zh) * | 2024-01-17 | 2024-05-14 | 中国第一汽车股份有限公司 | 容量保持率判断模型的训练、应用方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104614630B (zh) | 一种电池微短路的识别方法 | |
WO2022213597A1 (zh) | 一种新能源车辆三电系统安全特征数据库构建方法 | |
CN104391252B (zh) | 一种汽车铅酸蓄电池健康状态检测方法 | |
CN111025168A (zh) | 一种电池健康状态监控装置及电池荷电状态智能估算方法 | |
CN106338695A (zh) | 一种基于粒子群算法的电池模型参数辨识方法 | |
CN103698713A (zh) | 一种锂离子电池健康状态评估方法 | |
CN113696786B (zh) | 电池均衡方法及系统 | |
CN117033887A (zh) | 锂离子电池包模块自放电率计算方法及系统 | |
CN109204062A (zh) | 一种实时监测电流、剩余电量及绝缘性能的系统及其监测方法 | |
CN109615273B (zh) | 一种电动汽车充电设施状态评价方法与系统 | |
CN111123136A (zh) | 一种锂离子电池健康状态在线测量装置及在线测量方法 | |
CN111064253A (zh) | 一种基于平均离散Fréchet距离的电池健康度快速评估方法 | |
CN216848010U (zh) | 一种边缘计算的电缆局放在线监测装置 | |
CN115166555A (zh) | 一种电池大数据平台电池模块内阻异常识别方法及系统 | |
CN117087485A (zh) | 一种大功率SiC电动汽车的充电安全监测系统及预警系统 | |
CN113313403A (zh) | 基于规模化大功率电动汽车充放电的配电网综合评价方法、设备、系统及存储介质 | |
CN115932614B (zh) | 一种锂电池储能系统充放电的电池荷电状态检测方法和系统 | |
CN112114268A (zh) | 基于嵌入式ai算法的批量电芯外特征故障预测方法 | |
CN116051079B (zh) | 一种不间断电源预测性维护系统 | |
CN115469226A (zh) | 一种基于运行大数据的电动汽车动力电池实时安全预警方法 | |
CN114594380A (zh) | 一种基于bp神经网络的电池soc预测方法 | |
CN112433157B (zh) | 动力锂电池的内短路与漏液故障的在线监测与区分系统 | |
CN107450030B (zh) | 一种通信蓄电池遥测数据处理方法、装置及系统 | |
CN111308364A (zh) | 一种锂离子电池荷电状态估计方法及装置 | |
CN114002601B (zh) | 一种退役锂离子电池电芯容量的计算方法及装置 |
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 |