CN117074964A - 电池健康状态的监测方法、装置、系统和部件 - Google Patents
电池健康状态的监测方法、装置、系统和部件 Download PDFInfo
- Publication number
- CN117074964A CN117074964A CN202311323654.3A CN202311323654A CN117074964A CN 117074964 A CN117074964 A CN 117074964A CN 202311323654 A CN202311323654 A CN 202311323654A CN 117074964 A CN117074964 A CN 117074964A
- Authority
- CN
- China
- Prior art keywords
- battery
- curve
- characteristic
- capacity
- health
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012544 monitoring process Methods 0.000 title claims abstract description 35
- 230000003862 health status Effects 0.000 title claims description 35
- 230000036541 health Effects 0.000 claims abstract description 150
- 238000011156 evaluation Methods 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 43
- 230000002159 abnormal effect Effects 0.000 claims abstract description 24
- 210000002569 neuron Anatomy 0.000 claims description 120
- 238000005070 sampling Methods 0.000 claims description 100
- 230000006870 function Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000012790 confirmation Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 6
- 230000036449 good health Effects 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000002360 preparation method Methods 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000007599 discharging Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 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
Abstract
本发明实施例涉及一种电池健康状态的监测方法、装置、系统和部件,该方法包括:获取第一电池最近一次充放电周期的充放电曲线作为第一充放电曲线;并获取额定电池容量作为第一额定容量;根据第一充放电曲线进行最大电池可用容量估计得到第一电池容量;根据第一电池容量和第一额定容量进行电池健康状态参数估计生成第一健康状态参数并保存;根据最近指定数量M的第一健康状态参数进行电池健康状态综合评估得到第一评估数据并保存;当第一评估数据为健康状态异常时对第一电池进行健康状态预警处理。通过本发明可以对每个电池的健康状态进行实时监测。
Description
技术领域
本发明涉及信号处理技术领域,特别涉及一种电池健康状态的监测方法、装置、系统和部件。
背景技术
动力电池的容量衰减至80%时不适宜继续在车辆上服役,但可用在储能等其他领域作为电能的载体使用,这些退役的动力电池也被称为梯次动力电池。为提高梯次动力电池的利用率,就需要对电池的健康状态有所了解,而当前市面上并没有较为完善的梯次动力电池健康状态监测方案。
发明内容
本发明的目的,就是针对现有技术的缺陷,提供一种电池健康状态的监测方法、装置、系统和部件, 在每个梯次动力电池的每个充放电周期(充电周期或放电周期)结束之后都根据最近一次充放电周期的充放电曲线(充电曲线或放电曲线)做一次最大电池可用容量估计,并根据估计容量和额定容量进行电池健康状态参数估计,并根据最近指定数量的电池健康状态参数进行电池健康状态综合评估,并在评估数据为健康状态异常时进行健康状态预警处理。通过本发明,即能达到对每个梯次动力电池的健康状态进行实时监测的目的,还能根据监测结果进行实时预警。
为实现上述目的,本发明实施例第一方面提供了一种电池健康状态的监测方法,所述方法包括:
获取第一电池最近一次充放电周期的充放电曲线作为对应的第一充放电曲线;并获取所述第一电池的额定电池容量作为对应的第一额定容量;
根据所述第一充放电曲线进行最大电池可用容量估计得到对应的第一电池容量;
根据所述第一电池容量和所述第一额定容量进行电池健康状态参数估计生成对应的第一健康状态参数并保存;
根据最近指定数量M的所述第一健康状态参数进行电池健康状态综合评估得到对应的第一评估数据并保存;所述第一评估数据包括健康状态良好、健康状态正常和健康状态异常;
当所述第一评估数据为健康状态异常时对所述第一电池进行健康状态预警处理。
优选的,所述第一充放电曲线为以时间为横轴、以电压为纵轴的二维坐标系曲线;所述第一充放电曲线的曲线类型包括充电曲线类型和放电曲线类型。
优选的,所述根据所述第一充放电曲线进行最大电池可用容量估计得到对应的第一电池容量,具体包括:
根据所述第一充放电曲线进行增量容量曲线构建生成对应的第一增量容量曲线;
根据所述第一增量容量曲线和所述第一充放电曲线进行特征数据准备处理生成对应的第一特征向量;所述第一特征向量由四个特征数据构成,分别为第一特征电压、第一特征梯度、第一特征能量和第一特征波动率;
将所述第一特征向量输入预设的电池容量预测模型进行电池容量预测处理得到对应的所述第一电池容量。
进一步的,所述根据所述第一充放电曲线进行增量容量曲线构建生成对应的第一增量容量曲线,具体包括:
按预设的采样频率f对所述第一充放电曲线进行电压采样生成对应的第一采样点序列;所述第一采样点序列包括多个第一采样点si,i≥1;每个所述第一采样点si对应一个第一采样电压vi和一个第一采样时间ti;相邻两个所述第一采样点si的采样时间间隔为1/f;
对各个所述第一采样点si对应的电池能量进行估计生成对应的第一采样能量ei,,e0为预设的初始电池能量,R为预设的电池内阻;
根据所述第一采样能量ei和所述第一采样电压vi对各个所述第一采样点si对应的电池容量进行估计生成对应的第一采样容量Qi,;
从第2个第一采样点si=2起,计算每个第一采样点si≥2对应的第一增量容量Aj=i-1,;
以增量容量为纵轴、以电压为横轴构建的二维坐标系作为对应的增量容量坐标系;并以所述第一增量容量Aj为描计点纵坐标、所述第一增量容量Aj对应的第一采样电压vi=j+1为描计点横坐标,在所述增量容量坐标系上进行描计点绘制生成对应的第一描计点;并根据得到的所有所述第一描计点进行增量容量-电压曲线拟合得到对应的第一拟合曲线;所述第一描计点的描计点坐标为(x=vi=j+1,y=Aj);
基于预设的卡尔曼滤波器对所述第一拟合曲线进行滤波生成对应的所述第一增量容量曲线。
进一步的,所述根据所述第一增量容量曲线和所述第一充放电曲线进行特征数据准备处理生成对应的第一特征向量,具体包括:
根据所述第一充放电曲线的曲线类型和所述第一增量容量曲线进行特征电压确认处理生成对应的所述第一特征电压;并根据所述第一特征电压和所述第一充放电曲线进行特征曲线截取处理生成对应的第一特征曲线;并对所述第一特征曲线进行特征曲线梯度、能量和波动率确认处理生成对应的所述第一特征梯度、所述第一特征能量和所述第一特征波动率;并由得到的所述第一特征电压、所述第一特征梯度、所述第一特征能量和所述第一特征波动率组成对应的所述第一特征向量。
进一步优选的,所述根据所述第一充放电曲线的曲线类型和所述第一增量容量曲线进行特征电压确认处理生成对应的所述第一特征电压,具体包括:
当所述第一充放电曲线的曲线类型为充电曲线类型时,将所述第一增量容量曲线上最大峰值点的电压坐标提取出来作为对应的所述第一特征电压;
当所述第一充放电曲线的曲线类型为放电曲线类型时,将所述第一增量容量曲线上最小谷值点的电压坐标提取出来作为对应的所述第一特征电压。
进一步优选的,所述根据所述第一特征电压和所述第一充放电曲线进行特征曲线截取处理生成对应的第一特征曲线,具体包括:
将所述第一充放电曲线上与所述第一特征电压的点标记为对应的第一关键点;并以所述第一关键点为中心点基于预设的电压差△V对所述第一充放电曲线进行特征曲线截取得到对应的所述第一特征曲线,电压差△V>0;所述第一特征曲线上最大、最小电压的平均值与所述第一特征电压一致,所述第一特征曲线上最大、最小电压的电压差绝对值与所述电压差△V一致。
进一步优选的,所述对所述第一特征曲线进行特征曲线梯度、能量和波动率确认处理生成对应的所述第一特征梯度、所述第一特征能量和所述第一特征波动率,具体包括:
将所述第一特征曲线的起始采样点和结束采样点的采样时间作为对应的第一起始时间tstart和第一结束时间tend;
对所述第一特征曲线的特征曲线梯度进行计算生成对应的所述第一特征梯度,;
将所述第一特征曲线记为对应的第一特征曲线vt,vt为所述第一特征曲线上对应时间t的电压,t∈[tstart,tend];并对所述第一特征曲线vt进行能量积分生成对应的所述第一特征能量,;
按所述采样频率f对所述第一特征曲线进行电压采样生成对应的第二采样点序列;所述第二采样点序列包括多个第二采样点sk,1≤k≤N;N为第二采样点数量,N=int((tend-tstart)×f)+1,int()为向上取整函数;每个所述第二采样点sk对应一个第二采样电压vk和一个第二采样时间tk;
对所述第二采样点序列的采样电压平均值进行计算生成对应的平均电压μ,;
根据所述采样频率f、所述平均电压μ和所有所述第二采样电压vk计算生成对应的所述第一特征波动率,。
进一步的,所述电池容量预测模型的模型结构为BP神经网络模型结构,由输入层、隐含层和输出层构成;
所述输入层包括四个第一神经元;各个所述第一神经元对应一个第一神经元数据;
所述隐含层包括多个第二神经元;各个所述第二神经元与一个或多个所述第一神经元连接;各个所述第二神经元对应一个预设的第二神经元全连接运算公式;各个所述第二神经元用于按对应的所述第二神经元全连接运算公式,对与自身连接的一个或多个所述第一神经元的所述第一神经元数据进行全连接计算得到对应的第二神经元数据;
所述输出层包括一个第三神经元;所述第三神经元与所有所述第二神经元连接;所述第三神经元对应一个预设的第三神经元全连接运算公式和一个预设的激活函数;所述第三神经元用于按对应的所述第三神经元全连接运算公式对与自身连接的所有所述第二神经元的所述第二神经元数据进行全连接计算得到对应的第三神经元数据,并将所述第三神经元数据输入所述激活函数进行处理得到对应的电池容量预测数据。
进一步的,所述将所述第一特征向量输入预设的电池容量预测模型进行电池容量预测处理得到对应的所述第一电池容量,具体包括:
所述电池容量预测模型将输入所述第一特征向量的所述第一特征电压、所述第一特征梯度、所述第一特征能量和所述第一特征波动率分别输入到对应的所述第一神经元中作为对应的所述第一神经元数据;并调用所述隐含层的各个所述第二神经元按对应的所述第二神经元全连接运算公式,对与当前第二神经元连接的一个或多个所述第一神经元的所述第一神经元数据进行全连接计算生成对应的所述第二神经元数据;并调用所述输出层的所述第三神经元按对应的所述第三神经元全连接运算公式对与自身连接的所有所述第二神经元的所述第二神经元数据进行全连接计算得到对应的所述第三神经元数据,并将所述第三神经元数据输入所述激活函数进行处理得到对应的所述电池容量预测数据;并将得到的所述电池容量预测数据作为对应的所述第一电池容量输出。
优选的,所述根据所述第一电池容量和所述第一额定容量进行电池健康状态参数估计生成对应的第一健康状态参数并保存,具体包括:
根据所述第一电池容量和所述第一额定容量计算生成对应的所述第一健康状态参数并保存,。
优选的,所述根据最近指定数量M的所述第一健康状态参数进行电池健康状态综合评估得到对应的第一评估数据并保存,具体包括:
将最近的所述指定数量M的所述第一健康状态参数组成对应的第一健康状态参数集合;并将所述第一健康状态参数集合中时间最近的所述第一健康状态参数作为对应的第一最新参数,将所述第一健康状态参数集合中时间最早的所述第一健康状态参数作为对应的第一最早参数;并将所述第一最早参数减去所述第一最新参数的差值作为对应的第一衰减差值;
对所述第一最新参数是否低于预设的最小健康状态参数阈值进行识别;若所述第一最新参数低于所述最小健康状态参数阈值则设置对应的所述第一评估数据为健康状态异常;若所述第一最新参数不低于所述最小健康状态参数阈值则对所述第一衰减差值是否低于预设的最小差值阈值进行识别,若所述第一衰减差值低于所述最小差值阈值则设置对应的所述第一评估数据为健康状态良好,若所述第一衰减差值不低于所述最小差值阈值则设置对应的所述第一评估数据为健康状态正常。
优选的,所述当所述第一评估数据为健康状态异常时对所述第一电池进行健康状态预警处理,具体包括:
当所述第一评估数据为健康状态异常时,由所述第一电池的电池编号、电池位置、最新的所述第一健康状态参数和所述第一评估数据组成对应的第一电池预警记录加入到预设的第一电池预警记录列表中;并对所述第一电池预警记录列表的各个所述第一电池预警记录进行滚动显示预警;并对所述第一电池预警记录列表的第一电池预警记录数量进行高亮显示预警。
本发明实施例第二方面提供了一种用于实现本发明实施例第一方面所述的电池健康状态的监测方法的装置,所述装置包括:获取模块、电池容量估计模块、健康状态评估模块和健康状态预警模块;
所述获取模块用于获取第一电池最近一次充放电周期的充放电曲线作为对应的第一充放电曲线;并获取所述第一电池的额定电池容量作为对应的第一额定容量;
所述电池容量估计模块用于根据所述第一充放电曲线进行最大电池可用容量估计得到对应的第一电池容量;
所述健康状态评估模块用于根据所述第一电池容量和所述第一额定容量进行电池健康状态参数估计生成对应的第一健康状态参数并保存;并根据最近指定数量M的所述第一健康状态参数进行电池健康状态综合评估得到对应的第一评估数据并保存;所述第一评估数据包括健康状态良好、健康状态正常和健康状态异常;
所述健康状态预警模块用于当所述第一评估数据为健康状态异常时对所述第一电池进行健康状态预警处理。
本发明实施例第三方面提供了一种用于实现本发明实施例第一方面所述的电池健康状态的监测方法的系统,所述系统包括:一个或多个本发明实施例第二方面所述的装置。
本发明实施例第四方面提供了一种电池健康状态的监测部件,所述部件包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如本发明实施例第一方面所述的电池健康状态的监测方法。
本发明实施例提供的一种电池健康状态的监测方法、装置、系统和部件,在每个梯次动力电池的每个充放电周期(充电周期或放电周期)结束之后都根据最近一次充放电周期的充放电曲线(充电曲线或放电曲线)做一次最大电池可用容量估计,并根据估计容量和额定容量进行电池健康状态参数估计,并根据最近指定数量的电池健康状态参数进行电池健康状态综合评估,并在评估数据为健康状态异常时进行健康状态预警处理。通过本发明,可以对每个梯次动力电池的健康状态进行实时监测,还可以根据监测结果进行实时预警。
附图说明
图1为本发明实施例一提供的一种电池健康状态的监测方法示意图;
图2为本发明实施例二提供的一种电池健康状态的监测装置的模块结构图;
图3为本发明实施例四提供的一种电池健康状态的监测部件的模块结构图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部份实施例,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做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明实施例一提供一种电池健康状态的监测方法,如图1为本发明实施例一提供的一种电池健康状态的监测方法示意图所示,本方法主要包括如下步骤:
步骤1,获取第一电池最近一次充放电周期的充放电曲线作为对应的第一充放电曲线;并获取第一电池的额定电池容量作为对应的第一额定容量;
其中,第一充放电曲线的曲线类型包括充电曲线类型和放电曲线类型;第一充放电曲线为以时间为横轴、以电压为纵轴的二维坐标系曲线。
这里,第一电池为梯次动力电池;第一电池最近一次充放电周期有两种可能:充电周期或放电周期;对应的,第一充放电曲线的曲线类型也有两种可能:充电曲线类型或放电曲线类型;当第一充放电曲线的曲线类型为充电曲线类型时第一充放电曲线实际就是一个电池充电曲线,当第一充放电曲线的曲线类型为放电曲线类型时第一充放电曲线实际就是一个电池放电曲线,无论是充电曲线还是放电曲线都是以时间为横轴、以电压为纵轴的二维坐标系曲线,这里的电压就是指第一电池的端电压(充电时为充电端电压、放电时为放电端电压)。
步骤2,根据第一充放电曲线进行最大电池可用容量估计得到对应的第一电池容量;
具体包括:步骤21,根据第一充放电曲线进行增量容量曲线构建生成对应的第一增量容量曲线;
具体包括:步骤211,按预设的采样频率f对第一充放电曲线进行电压采样生成对应的第一采样点序列;
其中,第一采样点序列包括多个第一采样点si,i≥1;每个第一采样点si对应一个第一采样电压vi和一个第一采样时间ti;相邻两个第一采样点si的采样时间间隔为1/f;
步骤212,对各个第一采样点si对应的电池能量进行估计生成对应的第一采样能量ei;
其中,
,
e0为预设的初始电池能量,R为预设的电池内阻;
步骤213,根据第一采样能量ei和第一采样电压vi对各个第一采样点si对应的电池容量进行估计生成对应的第一采样容量Qi;
其中,
;
步骤214,从第2个第一采样点si=2起,计算每个第一采样点si≥2对应的第一增量容量Aj=i-1;
其中,
;
步骤215,以增量容量为纵轴、以电压为横轴构建的二维坐标系作为对应的增量容量坐标系;并以第一增量容量Aj为描计点纵坐标、第一增量容量Aj对应的第一采样电压vi=j+1为描计点横坐标,在增量容量坐标系上进行描计点绘制生成对应的第一描计点;并根据得到的所有第一描计点进行增量容量-电压曲线拟合得到对应的第一拟合曲线;
其中,第一描计点的描计点坐标为(x=vi=j+1,y=Aj);
步骤216,基于预设的卡尔曼滤波器对第一拟合曲线进行滤波生成对应的第一增量容量曲线;
这里,由前述步骤215得到的第一拟合曲线在常规情况下都会存在较多噪声,因此要对其进行滤波;本发明实施例一采用的滤波方式是基于卡尔曼滤波器的滤波方式,其基本原理就是以第一拟合曲线上各个采样点的增量容量为观测量、并借助卡尔曼滤波器的线性系统状态方程根据最新观测量对最新状态量进行估计、并将估计得到的最新状态量作为滤波后的增量容量,再由滤波后的增量容量按时间排序就能得到滤波后的增量容量-电压曲线即第一增量容量曲线;
步骤22,根据第一增量容量曲线和第一充放电曲线进行特征数据准备处理生成对应的第一特征向量;
其中,第一特征向量由四个特征数据构成,分别为第一特征电压、第一特征梯度、第一特征能量和第一特征波动率;
具体包括:步骤221,根据第一充放电曲线的曲线类型和第一增量容量曲线进行特征电压确认处理生成对应的第一特征电压;
具体包括:当第一充放电曲线的曲线类型为充电曲线类型时,将第一增量容量曲线上最大峰值点的电压坐标提取出来作为对应的第一特征电压;当第一充放电曲线的曲线类型为放电曲线类型时,将第一增量容量曲线上最小谷值点的电压坐标提取出来作为对应的第一特征电压;
步骤222,根据第一特征电压和第一充放电曲线进行特征曲线截取处理生成对应的第一特征曲线;
具体包括:将第一充放电曲线上与第一特征电压的点标记为对应的第一关键点;并以第一关键点为中心点基于预设的电压差△V对第一充放电曲线进行特征曲线截取得到对应的第一特征曲线;
其中,电压差△V>0;第一特征曲线上最大、最小电压的平均值与第一特征电压一致,第一特征曲线上最大、最小电压的电压差绝对值与电压差△V一致;
步骤223,对第一特征曲线进行特征曲线梯度、能量和波动率确认处理生成对应的第一特征梯度、第一特征能量和第一特征波动率;
具体包括:步骤2231,将第一特征曲线的起始采样点和结束采样点的采样时间作为对应的第一起始时间tstart和第一结束时间tend;
步骤2232,对第一特征曲线的特征曲线梯度进行计算生成对应的第一特征梯度;
其中,
;
步骤2233,将第一特征曲线记为对应的第一特征曲线vt,vt为第一特征曲线上对应时间t的电压,t∈[tstart,tend];并对第一特征曲线vt进行能量积分生成对应的第一特征能量;
其中,
;
步骤2234,按采样频率f对第一特征曲线进行电压采样生成对应的第二采样点序列;
其中,第二采样点序列包括多个第二采样点sk,1≤k≤N;N为第二采样点数量,N=int((tend-tstart)×f)+1,int()为向上取整函数;每个第二采样点sk对应一个第二采样电压vk和一个第二采样时间tk;
步骤2235,对第二采样点序列的采样电压平均值进行计算生成对应的平均电压μ;
其中,
;
步骤2236,根据采样频率f、平均电压μ和所有第二采样电压vk计算生成对应的第一特征波动率;
其中,
;
步骤224,由得到的第一特征电压、第一特征梯度、第一特征能量和第一特征波动率组成对应的第一特征向量;
这里,得到的第一特征向量由四个特征数据组成:第一特征电压、第一特征梯度、第一特征能量和第一特征波动率;
步骤23,将第一特征向量输入预设的电池容量预测模型进行电池容量预测处理得到对应的第一电池容量;
其中,电池容量预测模型的模型结构为BP(Back Propagation)神经网络模型结构,由输入层、隐含层和输出层构成;输入层包括四个第一神经元;各个第一神经元对应一个第一神经元数据;隐含层包括多个第二神经元;各个第二神经元与一个或多个第一神经元连接;各个第二神经元对应一个预设的第二神经元全连接运算公式;各个第二神经元用于按对应的第二神经元全连接运算公式,对与自身连接的一个或多个第一神经元的第一神经元数据进行全连接计算得到对应的第二神经元数据;输出层包括一个第三神经元;第三神经元与所有第二神经元连接;第三神经元对应一个预设的第三神经元全连接运算公式和一个预设的激活函数;第三神经元用于按对应的第三神经元全连接运算公式对与自身连接的所有第二神经元的第二神经元数据进行全连接计算得到对应的第三神经元数据,并将第三神经元数据输入激活函数进行处理得到对应的电池容量预测数据;
具体包括:电池容量预测模型将输入第一特征向量的第一特征电压、第一特征梯度、第一特征能量和第一特征波动率分别输入到对应的第一神经元中作为对应的第一神经元数据;并调用隐含层的各个第二神经元按对应的第二神经元全连接运算公式,对与当前第二神经元连接的一个或多个第一神经元的第一神经元数据进行全连接计算生成对应的第二神经元数据;并调用输出层的第三神经元按对应的第三神经元全连接运算公式对与自身连接的所有第二神经元的第二神经元数据进行全连接计算得到对应的第三神经元数据,并将第三神经元数据输入激活函数进行处理得到对应的电池容量预测数据;并将得到的电池容量预测数据作为对应的第一电池容量输出。
这里,本发明实施例一使用的电池容量预测模型为一个预先训练成熟的、以BP神经网络模型结构为模型神经网络结构的人工智能模型,该电池容量预测模型用于根据输入的四个特征数据(第一特征电压、第一特征梯度、第一特征能量和第一特征波动率)进行电池容量预测并输出对应的电池容量预测数据。
步骤3,根据第一电池容量和第一额定容量进行电池健康状态参数估计生成对应的第一健康状态参数并保存;
具体包括:根据第一电池容量和第一额定容量计算生成对应的第一健康状态参数并保存,。
步骤4,根据最近指定数量M的第一健康状态参数进行电池健康状态综合评估得到对应的第一评估数据并保存;
其中第一评估数据包括健康状态良好、健康状态正常和健康状态异常;
具体包括:步骤41,将最近的指定数量M的第一健康状态参数组成对应的第一健康状态参数集合;并将第一健康状态参数集合中时间最近的第一健康状态参数作为对应的第一最新参数,将第一健康状态参数集合中时间最早的第一健康状态参数作为对应的第一最早参数;并将第一最早参数减去第一最新参数的差值作为对应的第一衰减差值;
步骤42,对第一最新参数是否低于预设的最小健康状态参数阈值进行识别;若第一最新参数低于最小健康状态参数阈值则设置对应的第一评估数据为健康状态异常;若第一最新参数不低于最小健康状态参数阈值则对第一衰减差值是否低于预设的最小差值阈值进行识别,若第一衰减差值低于最小差值阈值则设置对应的第一评估数据为健康状态良好,若第一衰减差值不低于最小差值阈值则设置对应的第一评估数据为健康状态正常。
步骤5,当第一评估数据为健康状态异常时对第一电池进行健康状态预警处理;
具体包括:当第一评估数据为健康状态异常时,由第一电池的电池编号、电池位置、最新的第一健康状态参数和第一评估数据组成对应的第一电池预警记录加入到预设的第一电池预警记录列表中;并对第一电池预警记录列表的各个第一电池预警记录进行滚动显示预警;并对第一电池预警记录列表的第一电池预警记录数量进行高亮显示预警。
图2为本发明实施例二提供的一种电池健康状态的监测装置的模块结构图,如图2所示,该装置包括:获取模块201、电池容量估计模块202、健康状态评估模块203和健康状态预警模块204。
获取模块201用于获取第一电池最近一次充放电周期的充放电曲线作为对应的第一充放电曲线;并获取第一电池的额定电池容量作为对应的第一额定容量。
电池容量估计模块202用于根据第一充放电曲线进行最大电池可用容量估计得到对应的第一电池容量。
健康状态评估模块203用于根据第一电池容量和第一额定容量进行电池健康状态参数估计生成对应的第一健康状态参数并保存;并根据最近指定数量M的第一健康状态参数进行电池健康状态综合评估得到对应的第一评估数据并保存;第一评估数据包括健康状态良好、健康状态正常和健康状态异常。
健康状态预警模块204用于当第一评估数据为健康状态异常时对第一电池进行健康状态预警处理。
本发明实施例二提供的一种电池健康状态的监测装置,用以执行本发明实施例一提供的方法的步骤,其实现原理和技术效果类似,在此不再赘述。
需要说明的是,应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分,实际实现时可以全部或部分集成到一个物理实体上,也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现;也可以全部以硬件的形式实现;还可以部分模块通过处理元件调用软件的形式实现,部分模块通过硬件的形式实现。例如,采样模块可以为单独设立的处理元件,也可以集成在上述装置的某一个芯片中实现,此外,也可以以程序代码的形式存储于上述装置的存储器中,由上述装置的某一个处理元件调用并执行以上获取模块的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起,也可以独立实现。这里所描述的处理元件可以是一种集成电路,具有信号的处理能力。在实现过程中,本发明实施例提供的方法的各步骤或本发明实施例提供的装置的各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如,本发明实施例提供的装置的模块可以是被配置成本发明实施例提供的方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application SpecificIntegrated Circuit,ASIC),或,一个或多个数字信号处理器(Digital SignalProcessor,DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,FPGA)等。再如,当本发明实施例提供的装置的某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(Central Processing Unit,CPU)或其它可以调用程序代码的处理器。再如,本发明实施例提供的装置的这些模块可以集成在一起,以片上系统(System-on-a-chip,SOC)的形式实现。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时,全部或部分地产生按照本发明实施例提供的方法所描述的流程或功能。上述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。上述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,上述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线路((Digital Subscriber Line,DSL))或无线(例如红外、无线、蓝牙、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。上述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。上述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,高密度数字视频光盘(Digital Video Disc,DVD))、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
本发明实施例三提供一种电池健康状态的监测系统,该系统具体可包括:一个或多个本发明实施例二提供的装置。
图3为本发明实施例四提供的一种电池健康状态的监测部件的模块结构图。该部件为实现本发明实施例一提供的方法的电子部件、电子设备或服务器。如图3所示,该部件可以包括:处理器601(例如CPU)和存储器602;存储器602存储有可被至少一个处理器601执行的指令,指令被至少一个处理器601执行,以使至少一个处理器601能够执行如本发明实施例一提供的方法。优选的,本发明实施例四涉及的部件还可以包括:收发器603、电源604、系统总线605以及通信端口606。收发器603耦合至处理器601,系统总线605用于实现元件之间的通信连接,上述通信端口606用于部件与其他外设之间进行连接通信。
在图3中提到的系统总线可以是外设部件互连标准(Peripheral ComponentInterconnect,PCI) 总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。该系统总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。通信接口用于实现数据库访问装置与其他设备(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(Random Access Memory,RAM) ,也可能还包括非易失性存储器(Non-Volatile Memory),例如至少一个磁盘存储器。
上述的处理器可以是通用处理器,包括中央处理器CPU、网络处理器(NetworkProcessor,NP)等;还可以是数字信号处理器DSP、专用集成电路ASIC、现场可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本发明实施例提供的一种电池健康状态的监测方法、装置、系统和部件,在每个梯次动力电池的每个充放电周期(充电周期或放电周期)结束之后都根据最近一次充放电周期的充放电曲线(充电曲线或放电曲线)做一次最大电池可用容量估计,并根据估计容量和额定容量进行电池健康状态参数估计,并根据最近指定数量的电池健康状态参数进行电池健康状态综合评估,并在评估数据为健康状态异常时进行健康状态预警处理。通过本发明,可以对每个梯次动力电池的健康状态进行实时监测,还可以根据监测结果进行实时预警。
专业人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种电池健康状态的监测方法,其特征在于,所述方法包括:
获取第一电池最近一次充放电周期的充放电曲线作为对应的第一充放电曲线;并获取所述第一电池的额定电池容量作为对应的第一额定容量;
根据所述第一充放电曲线进行最大电池可用容量估计得到对应的第一电池容量;
根据所述第一电池容量和所述第一额定容量进行电池健康状态参数估计生成对应的第一健康状态参数并保存;
根据最近指定数量M的所述第一健康状态参数进行电池健康状态综合评估得到对应的第一评估数据并保存;所述第一评估数据包括健康状态良好、健康状态正常和健康状态异常;
当所述第一评估数据为健康状态异常时对所述第一电池进行健康状态预警处理。
2.根据权利要求1所述的电池健康状态的监测方法,其特征在于,
所述第一充放电曲线为以时间为横轴、以电压为纵轴的二维坐标系曲线;
所述第一充放电曲线的曲线类型包括充电曲线类型和放电曲线类型。
3.根据权利要求2所述的电池健康状态的监测方法,其特征在于,所述根据所述第一充放电曲线进行最大电池可用容量估计得到对应的第一电池容量,具体包括:
根据所述第一充放电曲线进行增量容量曲线构建生成对应的第一增量容量曲线;
根据所述第一增量容量曲线和所述第一充放电曲线进行特征数据准备处理生成对应的第一特征向量;所述第一特征向量由四个特征数据构成,分别为第一特征电压、第一特征梯度、第一特征能量和第一特征波动率;
将所述第一特征向量输入预设的电池容量预测模型进行电池容量预测处理得到对应的所述第一电池容量;
其中,
所述根据所述第一充放电曲线进行增量容量曲线构建生成对应的第一增量容量曲线,具体包括:
按预设的采样频率f对所述第一充放电曲线进行电压采样生成对应的第一采样点序列;所述第一采样点序列包括多个第一采样点si,i≥1;每个所述第一采样点si对应一个第一采样电压vi和一个第一采样时间ti;相邻两个所述第一采样点si的采样时间间隔为1/f;
对各个所述第一采样点si对应的电池能量进行估计生成对应的第一采样能量ei,,e0为预设的初始电池能量,R为预设的电池内阻;
根据所述第一采样能量ei和所述第一采样电压vi对各个所述第一采样点si对应的电池容量进行估计生成对应的第一采样容量Qi,;
从第2个第一采样点si=2起,计算每个第一采样点si≥2对应的第一增量容量Aj=i-1,;
以增量容量为纵轴、以电压为横轴构建的二维坐标系作为对应的增量容量坐标系;并以所述第一增量容量Aj为描计点纵坐标、所述第一增量容量Aj对应的第一采样电压vi=j+1为描计点横坐标,在所述增量容量坐标系上进行描计点绘制生成对应的第一描计点;并根据得到的所有所述第一描计点进行增量容量-电压曲线拟合得到对应的第一拟合曲线;所述第一描计点的描计点坐标为(x=vi=j+1,y=Aj);
基于预设的卡尔曼滤波器对所述第一拟合曲线进行滤波生成对应的所述第一增量容量曲线;
所述根据所述第一增量容量曲线和所述第一充放电曲线进行特征数据准备处理生成对应的第一特征向量,具体包括:
根据所述第一充放电曲线的曲线类型和所述第一增量容量曲线进行特征电压确认处理生成对应的所述第一特征电压;并根据所述第一特征电压和所述第一充放电曲线进行特征曲线截取处理生成对应的第一特征曲线;并对所述第一特征曲线进行特征曲线梯度、能量和波动率确认处理生成对应的所述第一特征梯度、所述第一特征能量和所述第一特征波动率;并由得到的所述第一特征电压、所述第一特征梯度、所述第一特征能量和所述第一特征波动率组成对应的所述第一特征向量;
所述根据所述第一充放电曲线的曲线类型和所述第一增量容量曲线进行特征电压确认处理生成对应的所述第一特征电压,具体包括:
当所述第一充放电曲线的曲线类型为充电曲线类型时,将所述第一增量容量曲线上最大峰值点的电压坐标提取出来作为对应的所述第一特征电压;
当所述第一充放电曲线的曲线类型为放电曲线类型时,将所述第一增量容量曲线上最小谷值点的电压坐标提取出来作为对应的所述第一特征电压;
所述根据所述第一特征电压和所述第一充放电曲线进行特征曲线截取处理生成对应的第一特征曲线,具体包括:
将所述第一充放电曲线上与所述第一特征电压的点标记为对应的第一关键点;并以所述第一关键点为中心点基于预设的电压差△V对所述第一充放电曲线进行特征曲线截取得到对应的所述第一特征曲线,电压差△V>0;所述第一特征曲线上最大、最小电压的平均值与所述第一特征电压一致,所述第一特征曲线上最大、最小电压的电压差绝对值与所述电压差△V一致;
所述对所述第一特征曲线进行特征曲线梯度、能量和波动率确认处理生成对应的所述第一特征梯度、所述第一特征能量和所述第一特征波动率,具体包括:
将所述第一特征曲线的起始采样点和结束采样点的采样时间作为对应的第一起始时间tstart和第一结束时间tend;
对所述第一特征曲线的特征曲线梯度进行计算生成对应的所述第一特征梯度,;
将所述第一特征曲线记为对应的第一特征曲线vt,vt为所述第一特征曲线上对应时间t的电压,t∈[tstart,tend];并对所述第一特征曲线vt进行能量积分生成对应的所述第一特征能量,;
按所述采样频率f对所述第一特征曲线进行电压采样生成对应的第二采样点序列;所述第二采样点序列包括多个第二采样点sk,1≤k≤N;N为第二采样点数量,N=int((tend-tstart)×f)+1,int()为向上取整函数;每个所述第二采样点sk对应一个第二采样电压vk和一个第二采样时间tk;
对所述第二采样点序列的采样电压平均值进行计算生成对应的平均电压μ,;
根据所述采样频率f、所述平均电压μ和所有所述第二采样电压vk计算生成对应的所述第一特征波动率,。
4.根据权利要求3所述的电池健康状态的监测方法,其特征在于,
所述电池容量预测模型的模型结构为BP神经网络模型结构,由输入层、隐含层和输出层构成;
所述输入层包括四个第一神经元;各个所述第一神经元对应一个第一神经元数据;
所述隐含层包括多个第二神经元;各个所述第二神经元与一个或多个所述第一神经元连接;各个所述第二神经元对应一个预设的第二神经元全连接运算公式;各个所述第二神经元用于按对应的所述第二神经元全连接运算公式,对与自身连接的一个或多个所述第一神经元的所述第一神经元数据进行全连接计算得到对应的第二神经元数据;
所述输出层包括一个第三神经元;所述第三神经元与所有所述第二神经元连接;所述第三神经元对应一个预设的第三神经元全连接运算公式和一个预设的激活函数;所述第三神经元用于按对应的所述第三神经元全连接运算公式对与自身连接的所有所述第二神经元的所述第二神经元数据进行全连接计算得到对应的第三神经元数据,并将所述第三神经元数据输入所述激活函数进行处理得到对应的电池容量预测数据;
其中,所述将所述第一特征向量输入预设的电池容量预测模型进行电池容量预测处理得到对应的所述第一电池容量,具体包括:
所述电池容量预测模型将输入所述第一特征向量的所述第一特征电压、所述第一特征梯度、所述第一特征能量和所述第一特征波动率分别输入到对应的所述第一神经元中作为对应的所述第一神经元数据;并调用所述隐含层的各个所述第二神经元按对应的所述第二神经元全连接运算公式,对与当前第二神经元连接的一个或多个所述第一神经元的所述第一神经元数据进行全连接计算生成对应的所述第二神经元数据;并调用所述输出层的所述第三神经元按对应的所述第三神经元全连接运算公式对与自身连接的所有所述第二神经元的所述第二神经元数据进行全连接计算得到对应的所述第三神经元数据,并将所述第三神经元数据输入所述激活函数进行处理得到对应的所述电池容量预测数据;并将得到的所述电池容量预测数据作为对应的所述第一电池容量输出。
5.根据权利要求1所述的电池健康状态的监测方法,其特征在于,所述根据所述第一电池容量和所述第一额定容量进行电池健康状态参数估计生成对应的第一健康状态参数并保存,具体包括:
根据所述第一电池容量和所述第一额定容量计算生成对应的所述第一健康状态参数并保存,。
6.根据权利要求1所述的电池健康状态的监测方法,其特征在于,所述根据最近指定数量M的所述第一健康状态参数进行电池健康状态综合评估得到对应的第一评估数据并保存,具体包括:
将最近的所述指定数量M的所述第一健康状态参数组成对应的第一健康状态参数集合;并将所述第一健康状态参数集合中时间最近的所述第一健康状态参数作为对应的第一最新参数,将所述第一健康状态参数集合中时间最早的所述第一健康状态参数作为对应的第一最早参数;并将所述第一最早参数减去所述第一最新参数的差值作为对应的第一衰减差值;
对所述第一最新参数是否低于预设的最小健康状态参数阈值进行识别;若所述第一最新参数低于所述最小健康状态参数阈值则设置对应的所述第一评估数据为健康状态异常;若所述第一最新参数不低于所述最小健康状态参数阈值则对所述第一衰减差值是否低于预设的最小差值阈值进行识别,若所述第一衰减差值低于所述最小差值阈值则设置对应的所述第一评估数据为健康状态良好,若所述第一衰减差值不低于所述最小差值阈值则设置对应的所述第一评估数据为健康状态正常。
7.根据权利要求1所述的电池健康状态的监测方法,其特征在于,所述当所述第一评估数据为健康状态异常时对所述第一电池进行健康状态预警处理,具体包括:
当所述第一评估数据为健康状态异常时,由所述第一电池的电池编号、电池位置、最新的所述第一健康状态参数和所述第一评估数据组成对应的第一电池预警记录加入到预设的第一电池预警记录列表中;并对所述第一电池预警记录列表的各个所述第一电池预警记录进行滚动显示预警;并对所述第一电池预警记录列表的第一电池预警记录数量进行高亮显示预警。
8.一种用于实现权利要求1-7任一项所述的电池健康状态的监测方法的装置,其特征在于,所述装置包括:获取模块、电池容量估计模块、健康状态评估模块和健康状态预警模块;
所述获取模块用于获取第一电池最近一次充放电周期的充放电曲线作为对应的第一充放电曲线;并获取所述第一电池的额定电池容量作为对应的第一额定容量;
所述电池容量估计模块用于根据所述第一充放电曲线进行最大电池可用容量估计得到对应的第一电池容量;
所述健康状态评估模块用于根据所述第一电池容量和所述第一额定容量进行电池健康状态参数估计生成对应的第一健康状态参数并保存;并根据最近指定数量M的所述第一健康状态参数进行电池健康状态综合评估得到对应的第一评估数据并保存;所述第一评估数据包括健康状态良好、健康状态正常和健康状态异常;
所述健康状态预警模块用于当所述第一评估数据为健康状态异常时对所述第一电池进行健康状态预警处理。
9.一种电池健康状态的监测系统,其特征在于,所述系统包括一个或多个权利要求8所述的装置。
10.一种电池健康状态的监测部件,其特征在于,所述部件包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1-7任一项所述的电池健康状态的监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311323654.3A CN117074964B (zh) | 2023-10-13 | 2023-10-13 | 电池健康状态的监测方法、装置、系统和部件 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311323654.3A CN117074964B (zh) | 2023-10-13 | 2023-10-13 | 电池健康状态的监测方法、装置、系统和部件 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117074964A true CN117074964A (zh) | 2023-11-17 |
CN117074964B CN117074964B (zh) | 2024-01-16 |
Family
ID=88711990
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311323654.3A Active CN117074964B (zh) | 2023-10-13 | 2023-10-13 | 电池健康状态的监测方法、装置、系统和部件 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117074964B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103728564A (zh) * | 2013-12-20 | 2014-04-16 | 惠州市亿能电子有限公司 | 一种混合动力汽车soh值估算方法 |
JP2017220293A (ja) * | 2016-06-03 | 2017-12-14 | 大和製罐株式会社 | 電池の充放電曲線推定装置及び、その充放電曲線推定方法 |
CN111693882A (zh) * | 2020-06-30 | 2020-09-22 | 厦门金龙联合汽车工业有限公司 | 一种换电电池健康状态的评价方法 |
CN112363077A (zh) * | 2020-11-11 | 2021-02-12 | 上海电享信息科技有限公司 | 一种电池健康度容量预估方法 |
US20210096189A1 (en) * | 2018-06-15 | 2021-04-01 | Daiwa Can Company | Charge-discharge curve estimation device and charge-discharge curve estimation method of a rechargeable battery |
CN112684346A (zh) * | 2020-12-10 | 2021-04-20 | 西安理工大学 | 基于遗传卷积神经网络的锂电池健康状态估计方法 |
CN113253140A (zh) * | 2021-07-16 | 2021-08-13 | 杭州科工电子科技有限公司 | 电池健康状态在线估算方法 |
CN114563711A (zh) * | 2022-02-28 | 2022-05-31 | 华南理工大学 | 基于相似性的锂离子电池soh预测和soc估计方法 |
-
2023
- 2023-10-13 CN CN202311323654.3A patent/CN117074964B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103728564A (zh) * | 2013-12-20 | 2014-04-16 | 惠州市亿能电子有限公司 | 一种混合动力汽车soh值估算方法 |
JP2017220293A (ja) * | 2016-06-03 | 2017-12-14 | 大和製罐株式会社 | 電池の充放電曲線推定装置及び、その充放電曲線推定方法 |
US20210096189A1 (en) * | 2018-06-15 | 2021-04-01 | Daiwa Can Company | Charge-discharge curve estimation device and charge-discharge curve estimation method of a rechargeable battery |
CN111693882A (zh) * | 2020-06-30 | 2020-09-22 | 厦门金龙联合汽车工业有限公司 | 一种换电电池健康状态的评价方法 |
CN112363077A (zh) * | 2020-11-11 | 2021-02-12 | 上海电享信息科技有限公司 | 一种电池健康度容量预估方法 |
CN112684346A (zh) * | 2020-12-10 | 2021-04-20 | 西安理工大学 | 基于遗传卷积神经网络的锂电池健康状态估计方法 |
CN113253140A (zh) * | 2021-07-16 | 2021-08-13 | 杭州科工电子科技有限公司 | 电池健康状态在线估算方法 |
CN114563711A (zh) * | 2022-02-28 | 2022-05-31 | 华南理工大学 | 基于相似性的锂离子电池soh预测和soc估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117074964B (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109033513B (zh) | 电力变压器故障诊断方法与电力变压器故障诊断装置 | |
CN113783717B (zh) | 智慧城市网络流量预测方法及系统 | |
CN115902647B (zh) | 一种电池状态智能监测方法 | |
CN113777510A (zh) | 一种锂电池荷电状态估计方法及装置 | |
CN112130086A (zh) | 一种动力电池剩余寿命预测方法及系统 | |
CN110133526B (zh) | 电池soc的确定方法、装置、设备及存储介质 | |
CN113743661A (zh) | 锂离子电池在线容量预测的方法、系统、设备及存储介质 | |
CN117074964B (zh) | 电池健康状态的监测方法、装置、系统和部件 | |
Park et al. | Capacity estimation of Li-ion batteries using constant current charging voltage with multilayer perceptron | |
CN111626360A (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
CN115331415B (zh) | 氧气浓度预警方法、装置、电子设备及可读存储介质 | |
CN110988673A (zh) | 电机转子故障检测方法、装置及终端设备 | |
CN114083987B (zh) | 电池监测参数的修正方法、装置和计算机设备 | |
CN110457863B (zh) | 基于椭球收缩滤波的风力发电机桨距子系统参数估计方法 | |
CN117080588B (zh) | 对电池进行分类的处理方法、装置、系统和部件 | |
CN115113083A (zh) | 电池健康状态估算方法及相关装置 | |
CN115980607A (zh) | 基于增量容量曲线特征点的电池健康状态soh估算方法 | |
CN117743791A (zh) | 一种锂电池运行寿命评估方法、装置、设备及存储介质 | |
CN110704508A (zh) | 一种智能生产线异常数据的处理方法及装置 | |
CN117538760B (zh) | 一种铅酸蓄电池参数辨识方法及相关装置 | |
CN116448219B (zh) | 油位异常检测方法、装置、设备及计算机可读存储介质 | |
CN115392331A (zh) | 电池分类方法、装置、存储介质及电子设备 | |
CN117828285B (zh) | 一种生产数据管理系统及方法 | |
CN117252112B (zh) | 用于训练驱动数据模型的方法及估算电池剩余寿命的方法 | |
CN116067433B (zh) | 一种振弦数据采集方法及其采集仪 |
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 |