CN117080588B - 对电池进行分类的处理方法、装置、系统和部件 - Google Patents
对电池进行分类的处理方法、装置、系统和部件 Download PDFInfo
- Publication number
- CN117080588B CN117080588B CN202311323647.3A CN202311323647A CN117080588B CN 117080588 B CN117080588 B CN 117080588B CN 202311323647 A CN202311323647 A CN 202311323647A CN 117080588 B CN117080588 B CN 117080588B
- Authority
- CN
- China
- Prior art keywords
- sampling
- grade
- voltage
- aging
- battery
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 14
- 230000032683 aging Effects 0.000 claims abstract description 183
- 238000005070 sampling Methods 0.000 claims abstract description 183
- 238000000034 method Methods 0.000 claims abstract description 96
- 230000008569 process Effects 0.000 claims abstract description 27
- 238000012790 confirmation Methods 0.000 claims abstract description 25
- 238000012163 sequencing technique Methods 0.000 claims abstract 2
- 238000012545 processing Methods 0.000 claims description 55
- 239000013598 vector Substances 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000013145 classification model Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013075 data extraction Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000002093 peripheral effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction 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
- 238000007599 discharging Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012417 linear regression Methods 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
- 230000008447 perception Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/4207—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells for several batteries or cells simultaneously or sequentially
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/4221—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells with battery type recognition
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/4285—Testing apparatus
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Secondary Cells (AREA)
Abstract
本发明实施例涉及一种对电池进行分类的处理方法、装置、系统和部件，该方法包括：在N个充电倍率下对第一电池从设定的起始电池电压开始进行充电直到达到设定的结束电池电压为止，并在每个充电过程中按采样频率f对第一电池的实时电压和实时电池容量进行数据采样组成第一采样数据，并对所有第一采样数据按时间先后排序得到第一采样数据序列；根据各个第一采样数据序列进行电池老化程度分类生成第一老化等级和第一等级概率；根据N对第一老化等级和第一等级概率进行电池老化程度分类等级确认生成第二老化等级。通过本发明，可以对电池的电池老化程度进行多等级评估。
Description
技术领域
本发明涉及信号处理技术领域，特别涉及一种对电池进行分类的处理方法、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，就需要对电池的老化程度有所了解，而当前市面上并没有较为完善的老化程度分类方案。
发明内容
本发明的目的，就是针对现有技术的缺陷，提供一种对电池进行分类的处理方法、装置、系统和部件, 在每个充电倍率下对梯次动力电池进行一次指定充电（指定起始容量和最大容量），并在充电过程中基于设定的采样频率对电池的电压和电池容量进行采样，并基于采样结果拟合出对应的充电曲线和增量容量（Incremental Capacity，IC）曲线，并对增量容量曲线进行特征曲线提取，并对特征曲线进行特征数据（特征曲线峰值电压、特征曲线能量、特征曲线梯度、特征曲线波动率）提取，并基于提取出的特征数据进行电池老化程度分类等级确认从而得到对应的老化等级；并对多个充电倍率下得到的多个老化等级进行综合分析从而得到最终的电池老化等级分析结果。通过本发明，可以达到对梯次动力电池的电池老化程度进行多等级评估的目的，可以降低梯次动力电池的一致性管理难度。
为实现上述目的，本发明实施例第一方面提供了一种对电池进行分类的处理方法，所述方法包括：
在预设的指定数量N的充电倍率下对第一电池从设定的起始电池电压开始进行充电直到达到所述设定的结束电池电压为止；并在每个充电过程中按预设的采样频率f对所述第一电池的实时电压和实时电池容量进行数据采样生成对应的第一采样电压和第一采样容量组成对应的第一采样数据，并对当次充电过程获得的所有所述第一采样数据按时间先后排序得到对应的第一采样数据序列Ai；1≤i≤N；
根据各个所述第一采样数据序列Ai进行梯次动力电池老化程度分类处理生成对应的第一老化等级Li和第一等级概率pi；所述第一老化等级Li包括指定数量M个等级级别，分别为一级、二级、依次类推直到M级，一级为老化程度最轻的等级级别、M级为老化程度最严重的等级级别；
根据得到的所述指定数量N的所述第一老化等级Li和所述第一等级概率pi进行电池老化程度分类等级确认生成对应的第二老化等级。
优选的，所述第一电池为梯次动力电池。
优选的，所述根据各个所述第一采样数据序列Ai进行梯次动力电池老化程度分类处理生成对应的第一老化等级Li和第一等级概率pi，具体包括：
根据所述第一采样数据序列Ai的所有所述第一采样电压进行电压-时间曲线拟合生成对应的第一充电曲线；
根据所述第一采样数据序列Ai的所有所述第一采样数据进行增量容量-电压曲线拟合生成对应的第一增量容量曲线；
对所述第一增量容量曲线进行滤波生成对应的第二增量容量曲线；
根据所述第一充电曲线和所述第二增量容量曲线进行老化程度分类预测生成对应的所述第一老化等级Li和所述第一等级概率pi。
进一步的，所述根据所述第一采样数据序列Ai的所有所述第一采样电压进行电压-时间曲线拟合生成对应的第一充电曲线，具体包括：
将所述第一采样数据序列Ai的所有所述第一采样电压按采样时间先后排序组成对应的第一采样电压序列；并以电压为纵轴、以时间为横轴，基于所述第一采样电压序列进行电压-时间曲线拟合得到对应的所述第一充电曲线。
进一步的，所述根据所述第一采样数据序列Ai的所有所述第一采样数据进行增量容量-电压曲线拟合生成对应的第一增量容量曲线，具体包括：
将所述第一采样数据序列Ai的所有所述第一采样电压按采样时间先后排序组成对应的第二采样电压序列，并将所有所述第一采样容量按采样时间先后排序组成对应的第一采样容量序列；并在所述第二采样电压序列的任两个相邻的所述第一采样电压中，将后一个所述第一采样电压减去前一个所述第一采样电压的电压差作为对应的第一差分电压△v；并在所述第一采样容量序列的任两个相邻的所述第一采样容量中，将后一个所述第一采样容量减去前一个所述第一采样容量的容量差作为对应的第一差分容量△Q；所述第一差分电压△v与所述第一差分容量△Q一一对应；
根据所述第一差分容量△Q和对应的所述第一差分电压△v计算生成对应的第一增量容量=△Q/△v；并由得到的所有所述第一增量容量按时间先后排序组成对应的第一增量容量序列；并以增量容量为纵轴、以电压为横轴，基于所述第一增量容量序列进行增量容量-电压曲线拟合得到对应的所述第一增量容量曲线。
进一步的，所述对所述第一增量容量曲线进行滤波生成对应的第二增量容量曲线，具体包括：
基于卡尔曼滤波器对所述第一增量容量曲线进行滤波得到对应的所述第二增量容量曲线。
进一步的，所述根据所述第一充电曲线和所述第二增量容量曲线进行老化程度分类预测生成对应的所述第一老化等级Li和所述第一等级概率pi，具体包括：
根据所述第一充电曲线和所述第二增量容量曲线进行老化特征数据提取处理生成对应的第一特征向量；
将所述第一特征向量输入预设的老化程度分类模型进行老化程度的等级级别预测得到所述指定数量M的老化程度等级概率；并从中选择最大概率的作为对应的所述第一等级概率pi，并将与所述第一等级概率pi匹配的老化程度的等级级别作为对应的所述第一老化等级Li。
进一步优选的，所述根据所述第一充电曲线和所述第二增量容量曲线进行老化特征数据提取处理生成对应的第一特征向量，具体包括：
将所述第二增量容量曲线上的最大峰值点作为对应的第一峰值点；并将所述第一峰值点的电压提取出来作为对应的第一特征电压Vs；
将所述第一充电曲线上与所述第一特征电压Vs对应的点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△Vs对所述第一充电曲线进行特征曲线截取得到对应的第一特征曲线；并将所述第一特征曲线的起始、结束时间提取出来作为对应的第一时间t1和第二时间t2；所述第一特征曲线为第一特征曲线vt，t1≤t≤t2；所述第一特征曲线vt的电压中心点为所述第一关键点；所述第一特征曲线vt的最大、最小电压的电压差与所述电压差△Vs一致；
根据所述电压差△Vs、所述第一时间t1和所述第二时间t2计算对应的第一特征梯度Gs，；
对所述第一特征曲线vt进行能量积分得到对应的第一特征能量Es，；
根据所述第一特征曲线vt进行特征波动率预测生成对应的第一特征波动率Os；
对得到的所述第一特征电压Vs、所述第一特征梯度Gs、所述第一特征能量Es和所述第一特征波动率Os分别进行归一化处理得到对应的第二特征电压Vg、第二特征梯度Gg、第二特征能量Eg和第二特征波动率Og；
由所述第二特征电压Vg、所述第二特征梯度Gg、所述第二特征能量Eg和所述第二特征波动率Og组成对应的所述第一特征向量。
优选进一步的，所述根据所述第一特征曲线vt进行特征波动率预测生成对应的第一特征波动率Os，具体包括：
对所述第一特征曲线vt按所述采样频率f进行采样生成对应的第三采样电压序列vj，1≤j≤int((t2-t1)×f)+1，int()为向上取整函数；
对所述第三采样电压序列vj的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和所述第三采样电压序列vj计算生成对应的所述第一特征波动率Os，。
优选的，所述根据得到的所述指定数量N的所述第一老化等级Li和所述第一等级概率pi进行电池老化程度分类等级确认生成对应的第二老化等级，具体包括：
对得到的所述指定数量N的所述第一老化等级Li按等级级别进行聚类得到对应的一个或多个第一老化等级集合；并对各个所述第一老化等级集合的所述第一等级概率pi进行均值计算生成对应的第一集合平均概率；并从得到的所述指定数量N的所述第一集合平均概率中选择概率最大的作为对应的确认概率；并将所述确认概率对应的所述第一老化等级集合对应的等级级别作为对应的所述第二老化等级输出。
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对电池进行分类的处理方法的装置，所述装置包括：采样模块、预分类处理模块和分类等级确认模块；
所述采样模块用于在预设的指定数量N的充电倍率下对第一电池从设定的起始电池电压开始进行充电直到达到所述设定的结束电池电压为止；并在每个充电过程中按预设的采样频率f对所述第一电池的实时电压和实时电池容量进行数据采样生成对应的第一采样电压和第一采样容量组成对应的第一采样数据，并对当次充电过程获得的所有所述第一采样数据按时间先后排序得到对应的第一采样数据序列Ai；1≤i≤N；
所述预分类处理模块用于根据各个所述第一采样数据序列Ai进行梯次动力电池老化程度分类处理生成对应的第一老化等级Li和第一等级概率pi；所述第一老化等级Li包括指定数量M个等级级别，分别为一级、二级、依次类推直到M级，一级为老化程度最轻的等级级别、M级为老化程度最严重的等级级别；
所述分类等级确认模块根据得到的所述指定数量N的所述第一老化等级Li和所述第一等级概率pi进行电池老化程度分类等级确认生成对应的第二老化等级。
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对电池进行分类的处理方法的系统，所述系统包括：实验采样设备和分类处理设备；
所述实验采样设备用于在预设的指定数量N的充电倍率下对第一电池从设定的起始电池电压开始进行充电直到达到所述设定的结束电池电压为止；并在每个充电过程中按预设的采样频率f对所述第一电池的实时电压和实时电池容量进行数据采样生成对应的第一采样电压和第一采样容量组成对应的第一采样数据，并对当次充电过程获得的所有所述第一采样数据按时间先后排序得到对应的第一采样数据序列Ai；1≤i≤N；
所述分类处理设备用于根据各个所述第一采样数据序列Ai进行梯次动力电池老化程度分类处理生成对应的第一老化等级Li和第一等级概率pi；并根据得到的所述指定数量N的所述第一老化等级Li和所述第一等级概率pi进行电池老化程度分类等级确认生成对应的第二老化等级；所述第一老化等级Li包括指定数量M个等级级别，分别为一级、二级、依次类推直到M级，一级为老化程度最轻的等级级别、M级为老化程度最严重的等级级别。
本发明实施例第四方面提供了一种对电池进行分类的处理部件，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对电池进行分类的处理方法。
本发明实施例提供的一种对电池进行分类的处理方法、装置、系统和部件，在每个充电倍率下对梯次动力电池进行一次指定充电（指定起始容量和最大容量），并在充电过程中基于设定的采样频率对电池的电压和电池容量进行采样，并基于采样结果拟合出对应的充电曲线和增量容量曲线，并对增量容量曲线进行特征曲线提取，并对特征曲线进行特征数据（特征曲线峰值电压、特征曲线能量、特征曲线梯度、特征曲线波动率）提取，并基于提取出的特征数据进行电池老化程度分类等级确认从而得到对应的老化等级；并对多个充电倍率下得到的多个老化等级进行综合分析从而得到最终的电池老化等级分析结果。通过本发明，可以对梯次动力电池的电池老化程度进行多等级评估，降低了梯次动力电池的一致性管理难度。
附图说明
图1为本发明实施例一提供的一种对电池进行分类的处理方法示意图；
图2为本发明实施例二提供的一种对电池进行分类的处理装置的模块结构图；
图3为本发明实施例三提供的一种对电池进行分类的处理系统的模块结构图；
图4为本发明实施例四提供的一种对电池进行分类的处理部件的模块结构图。
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对电池进行分类的处理方法，如图1为本发明实施例一提供的一种对电池进行分类的处理方法示意图所示，本方法主要包括如下步骤：
步骤1，在预设的指定数量N的充电倍率下对第一电池从设定的起始电池电压开始进行充电直到达到设定的结束电池电压为止；并在每个充电过程中按预设的采样频率f对第一电池的实时电压和实时电池容量进行数据采样生成对应的第一采样电压和第一采样容量组成对应的第一采样数据，并对当次充电过程获得的所有第一采样数据按时间先后排序得到对应的第一采样数据序列Ai；
其中，1≤i≤N；第一电池为梯次动力电池。
这里，充电倍率是充电快慢的一种量度，指电池在规定的时间充电至其额定容量时所需要的电流值，充电倍率=充电电流/额定容量。本发明实施例一会在N个充电倍率条件下对第一电池进行充电实验；充电实验的起始终止条件为电池电压：先对梯次动力电池也就是第一电池进行充放电使之电池电压达到一个预先设定的电池电压也就是设定的起始电池电压，再以某个充电倍率对应的充电电流对第一电池开始充电直到第一电池的电池电压达到一个预先设定的电池电压也就是设定的结束电池电压为止；在每个充电倍率的充电实验过程中按一个预先设定的采样频率即预设的采样频率f对第一电池的实时电压和实时电池容量进行采样，并基于采样结果得到对应的第一采样数据序列Ai。需要说明的是，在对第一电池的实时电压进行采样时可通过对第一电池的输出电压进行测量得到对应的实时电压即第一采样电压，再基于一个预先设定的电池电压与电池容量的对应关系获得实时电压对应的实时电池容量即第一采样容量，这个电池电压与电池容量的对应关系可以由一个预先设定的能够反映电池电压-电池容量对应关系的对应表来实现，也可以由一个预先设定的能够反映电池电压-电池容量对应关系的转换公式来实现。
步骤2，根据各个第一采样数据序列Ai进行梯次动力电池老化程度分类处理生成对应的第一老化等级Li和第一等级概率pi；
其中，第一老化等级Li包括指定数量M个等级级别，分别为一级、二级、依次类推直到M级，一级为老化程度最轻的等级级别、M级为老化程度最严重的等级级别；
具体包括：步骤21，根据第一采样数据序列Ai的所有第一采样电压进行电压-时间曲线拟合生成对应的第一充电曲线；
具体包括：将第一采样数据序列Ai的所有第一采样电压按采样时间先后排序组成对应的第一采样电压序列；并以电压为纵轴、以时间为横轴，基于第一采样电压序列进行电压-时间曲线拟合得到对应的第一充电曲线；
步骤22，根据第一采样数据序列Ai的所有第一采样数据进行增量容量-电压曲线拟合生成对应的第一增量容量曲线；
具体包括：步骤221，将第一采样数据序列Ai的所有第一采样电压按采样时间先后排序组成对应的第二采样电压序列，并将所有第一采样容量按采样时间先后排序组成对应的第一采样容量序列；并在第二采样电压序列的任两个相邻的第一采样电压中，将后一个第一采样电压减去前一个第一采样电压的电压差作为对应的第一差分电压△v；并在第一采样容量序列的任两个相邻的第一采样容量中，将后一个第一采样容量减去前一个第一采样容量的容量差作为对应的第一差分容量△Q；第一差分电压△v与第一差分容量△Q一一对应；
步骤222，根据第一差分容量△Q和对应的第一差分电压△v计算生成对应的第一增量容量=△Q/△v；并由得到的所有第一增量容量按时间先后排序组成对应的第一增量容量序列；并以增量容量为纵轴、以电压为横轴，基于第一增量容量序列进行增量容量-电压曲线拟合得到对应的第一增量容量曲线；
步骤23，对第一增量容量曲线进行滤波生成对应的第二增量容量曲线；
具体包括：基于卡尔曼滤波器对第一增量容量曲线进行滤波得到对应的第二增量容量曲线；
步骤24，根据第一充电曲线和第二增量容量曲线进行老化程度分类预测生成对应的第一老化等级Li和第一等级概率pi；
具体包括：步骤241，根据第一充电曲线和第二增量容量曲线进行老化特征数据提取处理生成对应的第一特征向量；
具体包括：步骤2411，将第二增量容量曲线上的最大峰值点作为对应的第一峰值点；并将第一峰值点的电压提取出来作为对应的第一特征电压Vs；
步骤2412，将第一充电曲线上与第一特征电压Vs对应的点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△Vs对第一充电曲线进行特征曲线截取得到对应的第一特征曲线；并将第一特征曲线的起始、结束时间提取出来作为对应的第一时间t1和第二时间t2；
其中，第一特征曲线为第一特征曲线vt，t1≤t≤t2；第一特征曲线vt的电压中心点为第一关键点；第一特征曲线vt的最大、最小电压的电压差与电压差△Vs一致；
步骤2413，根据电压差△Vs、第一时间t1和第二时间t2计算对应的第一特征梯度Gs，；
步骤2414，对第一特征曲线vt进行能量积分得到对应的第一特征能量Es，；
步骤2415，根据第一特征曲线vt进行特征波动率预测生成对应的第一特征波动率Os；
具体包括：步骤24151，对第一特征曲线vt按采样频率f进行采样生成对应的第三采样电压序列vj；
其中，1≤j≤int((t2-t1)×f)+1，int()为向上取整函数；
步骤24152，对第三采样电压序列vj的电压平均值进行计算生成对应的平均电压μ；
步骤24153，根据采样频率f、平均电压μ和第三采样电压序列vj计算生成对应的第一特征波动率Os，；
步骤2416，对得到的第一特征电压Vs、第一特征梯度Gs、第一特征能量Es和第一特征波动率Os分别进行归一化处理得到对应的第二特征电压Vg、第二特征梯度Gg、第二特征能量Eg和第二特征波动率Og；
步骤2417，由第二特征电压Vg、第二特征梯度Gg、第二特征能量Eg和第二特征波动率Og组成对应的第一特征向量；
步骤242，将第一特征向量输入预设的老化程度分类模型进行老化程度的等级级别预测得到指定数量M的老化程度等级概率；并从中选择最大概率的作为对应的第一等级概率pi，并将与第一等级概率pi匹配的老化程度的等级级别作为对应的第一老化等级Li。
这里，本发明实施一的老化程度分类模型有两种实现方式，一种是基于传统模糊C均值聚类法的分类模型，另一种时基于多层感知神经网络（Multilayer Perceptron，MLP）线性回归分类模型；通过这两种模型都能就要输入的特征向量进行分类预测，并得到多个分类结果即多个等级级别对应的等级概率也就是指定数量M的老化程度等级概率；M个老化程度等级概率中最大概率对应的等级级别就是可能性最大的老化程度等级。
步骤3，根据得到的指定数量N的第一老化等级Li和第一等级概率pi进行电池老化程度分类等级确认生成对应的第二老化等级；
具体包括：对得到的指定数量N的第一老化等级Li按等级级别进行聚类得到对应的一个或多个第一老化等级集合；并对各个第一老化等级集合的第一等级概率pi进行均值计算生成对应的第一集合平均概率；并从得到的指定数量N的第一集合平均概率中选择概率最大的作为对应的确认概率；并将确认概率对应的第一老化等级集合对应的等级级别作为对应的第二老化等级输出。
这里，已知每组第一老化等级Li和第一等级概率pi对应一个预先选定的充电倍率，又已知预设充电倍率的数量为N，那么自然就会得到N组第一老化等级Li和第一等级概率pi；为降低老化程度等级的预测误差，本发明实施例一在当前步骤会先将N个第一老化等级Li按等级级别进行聚类即对应同一个等级级别的一个或多个第一老化等级Li会被划分到同一个第一老化等级集合中从而得到一个或多个第一老化等级集合，再对各个第一老化等级集合中的一个或多个第一老化等级Li对应的一个或多个第一等级概率pi进行均值计算从而得到对应的第一集合平均概率，再选择概率值最大的第一集合平均概率作为确认概率，并将与该确认概率对应的第一老化等级集合对应的等级级别作为最终输出的确认等级即第二老化等级。
例如，指定数量N=4，意味在4种不同的充电倍率下得到了不同的四组第一老化等级Li和第一等级概率pi，如下所示：
第一种充电倍率下，第一老化等级Li=1为一级、第一等级概率pi=1为55%；第二种充电倍率下，第一老化等级Li=2为一级、第一等级概率pi=2为50%；第三种充电倍率下，第一老化等级Li=3为二级、第一等级概率pi=3为70%；第四种充电倍率下，第一老化等级Li=4为二级、第一等级概率pi=4为75%；
那么，按等级级别进行聚类就能得到两个第一老化等级集合，分别为对应“一级”的第一老化等级集合1（第一老化等级Li=1，第一老化等级Li=2）和对应“二级”的第一老化等级集合2（第一老化等级Li=3，第一老化等级Li=4）；对第一老化等级集合1的第一等级概率进行均值计算得到的第一集合平均概率1=(p1+p2)/2=52.5%，对第一老化等级集合2的第一等级概率进行均值计算得到的第一集合平均概率2=(p3+p4)/2=72.5%；因为第一集合平均概率1、2中概率最大的是第一老化等级集合2，所以确认概率=第一集合平均概率2=72.5%，第二老化等级也就是第一集合平均概率2对应的等级级别即“二级”。
图2为本发明实施例二提供的一种对电池进行分类的处理装置的模块结构图，如图2所示，该装置包括：采样模块201、预分类处理模块202和分类等级确认模块203。
采样模块201用于在预设的指定数量N的充电倍率下对第一电池从设定的起始电池电压开始进行充电直到达到设定的结束电池电压为止；并在每个充电过程中按预设的采样频率f对第一电池的实时电压和实时电池容量进行数据采样生成对应的第一采样电压和第一采样容量组成对应的第一采样数据，并对当次充电过程获得的所有第一采样数据按时间先后排序得到对应的第一采样数据序列Ai；1≤i≤N。
预分类处理模块202用于根据各个第一采样数据序列Ai进行梯次动力电池老化程度分类处理生成对应的第一老化等级Li和第一等级概率pi；第一老化等级Li包括指定数量M个等级级别，分别为一级、二级、依次类推直到M级，一级为老化程度最轻的等级级别、M级为老化程度最严重的等级级别。
分类等级确认模块203根据得到的指定数量N的第一老化等级Li和第一等级概率pi进行电池老化程度分类等级确认生成对应的第二老化等级。
本发明实施例二提供的一种对电池进行分类的处理装置，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。
图3为本发明实施例三提供的一种对电池进行分类的处理系统的模块结构图，如图3所示，本发明实施例三的系统具体可包括：实验采样设备401和分类处理设备402。
实验采样设备401用于在预设的指定数量N的充电倍率下对第一电池从设定的起始电池电压开始进行充电直到达到设定的结束电池电压为止；并在每个充电过程中按预设的采样频率f对第一电池的实时电压和实时电池容量进行数据采样生成对应的第一采样电压和第一采样容量组成对应的第一采样数据，并对当次充电过程获得的所有第一采样数据按时间先后排序得到对应的第一采样数据序列Ai；1≤i≤N。
分类处理设备402用于根据各个第一采样数据序列Ai进行梯次动力电池老化程度分类处理生成对应的第一老化等级Li和第一等级概率pi；并根据得到的指定数量N的第一老化等级Li和第一等级概率pi进行电池老化程度分类等级确认生成对应的第二老化等级；第一老化等级Li包括指定数量M个等级级别，分别为一级、二级、依次类推直到M级，一级为老化程度最轻的等级级别、M级为老化程度最严重的等级级别。
本发明实施例三提供的一种对电池进行分类的处理系统，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。
图4为本发明实施例四提供的一种对电池进行分类的处理部件的模块结构图。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4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4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对电池进行分类的处理方法、装置、系统和部件，在每个充电倍率下对梯次动力电池进行一次指定充电（指定起始容量和最大容量），并在充电过程中基于设定的采样频率对电池的电压和电池容量进行采样，并基于采样结果拟合出对应的充电曲线和增量容量曲线，并对增量容量曲线进行特征曲线提取，并对特征曲线进行特征数据（特征曲线峰值电压、特征曲线能量、特征曲线梯度、特征曲线波动率）提取，并基于提取出的特征数据进行电池老化程度分类等级确认从而得到对应的老化等级；并对多个充电倍率下得到的多个老化等级进行综合分析从而得到最终的电池老化等级分析结果。通过本发明，可以对梯次动力电池的电池老化程度进行多等级评估，降低了梯次动力电池的一致性管理难度。
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 (8)
1.一种对电池进行分类的处理方法，其特征在于，所述方法包括：
在预设的指定数量N的充电倍率下对第一电池从设定的起始电池电压开始进行充电直到达到所述设定的结束电池电压为止；并在每个充电过程中按预设的采样频率f对所述第一电池的实时电压和实时电池容量进行数据采样生成对应的第一采样电压和第一采样容量组成对应的第一采样数据，并对当次充电过程获得的所有所述第一采样数据按时间先后排序得到对应的第一采样数据序列Ai；1≤i≤N；
根据各个所述第一采样数据序列Ai进行梯次动力电池老化程度分类处理生成对应的第一老化等级Li和第一等级概率pi；所述第一老化等级Li包括指定数量M个等级级别，分别为一级、二级、依次类推直到M级，一级为老化程度最轻的等级级别、M级为老化程度最严重的等级级别；
根据得到的所述指定数量N的所述第一老化等级Li和所述第一等级概率pi进行电池老化程度分类等级确认生成对应的第二老化等级；
其中，所述根据各个所述第一采样数据序列Ai进行梯次动力电池老化程度分类处理生成对应的第一老化等级Li和第一等级概率pi，具体包括：
根据所述第一采样数据序列Ai的所有所述第一采样电压进行电压-时间曲线拟合生成对应的第一充电曲线；
根据所述第一采样数据序列Ai的所有所述第一采样数据进行增量容量-电压曲线拟合生成对应的第一增量容量曲线；
对所述第一增量容量曲线进行滤波生成对应的第二增量容量曲线；
根据所述第一充电曲线和所述第二增量容量曲线进行老化程度分类预测生成对应的所述第一老化等级Li和所述第一等级概率pi；
其中，
所述根据所述第一采样数据序列Ai的所有所述第一采样电压进行电压-时间曲线拟合生成对应的第一充电曲线，具体包括：
将所述第一采样数据序列Ai的所有所述第一采样电压按采样时间先后排序组成对应的第一采样电压序列；并以电压为纵轴、以时间为横轴，基于所述第一采样电压序列进行电压-时间曲线拟合得到对应的所述第一充电曲线；
所述根据所述第一采样数据序列Ai的所有所述第一采样数据进行增量容量-电压曲线拟合生成对应的第一增量容量曲线，具体包括：
将所述第一采样数据序列Ai的所有所述第一采样电压按采样时间先后排序组成对应的第二采样电压序列，并将所有所述第一采样容量按采样时间先后排序组成对应的第一采样容量序列；并在所述第二采样电压序列的任两个相邻的所述第一采样电压中，将后一个所述第一采样电压减去前一个所述第一采样电压的电压差作为对应的第一差分电压△v；并在所述第一采样容量序列的任两个相邻的所述第一采样容量中，将后一个所述第一采样容量减去前一个所述第一采样容量的容量差作为对应的第一差分容量△Q；所述第一差分电压△v与所述第一差分容量△Q一一对应；
根据所述第一差分容量△Q和对应的所述第一差分电压△v计算生成对应的第一增量容量=△Q/△v；并由得到的所有所述第一增量容量按时间先后排序组成对应的第一增量容量序列；并以增量容量为纵轴、以电压为横轴，基于所述第一增量容量序列进行增量容量-电压曲线拟合得到对应的所述第一增量容量曲线；
所述对所述第一增量容量曲线进行滤波生成对应的第二增量容量曲线，具体包括：
基于卡尔曼滤波器对所述第一增量容量曲线进行滤波得到对应的所述第二增量容量曲线；
所述根据所述第一充电曲线和所述第二增量容量曲线进行老化程度分类预测生成对应的所述第一老化等级Li和所述第一等级概率pi，具体包括：
根据所述第一充电曲线和所述第二增量容量曲线进行老化特征数据提取处理生成对应的第一特征向量；
将所述第一特征向量输入预设的老化程度分类模型进行老化程度的等级级别预测得到所述指定数量M的老化程度等级概率；并从中选择最大概率的作为对应的所述第一等级概率pi，并将与所述第一等级概率pi匹配的老化程度的等级级别作为对应的所述第一老化等级Li。
2.根据权利要求1所述的对电池进行分类的处理方法，其特征在于，所述第一电池为梯次动力电池。
3.根据权利要求1所述的对电池进行分类的处理方法，其特征在于，所述根据所述第一充电曲线和所述第二增量容量曲线进行老化特征数据提取处理生成对应的第一特征向量，具体包括：
将所述第二增量容量曲线上的最大峰值点作为对应的第一峰值点；并将所述第一峰值点的电压提取出来作为对应的第一特征电压Vs；
将所述第一充电曲线上与所述第一特征电压Vs对应的点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△Vs对所述第一充电曲线进行特征曲线截取得到对应的第一特征曲线；并将所述第一特征曲线的起始、结束时间提取出来作为对应的第一时间t1和第二时间t2；所述第一特征曲线为第一特征曲线vt，t1≤t≤t2；所述第一特征曲线vt的电压中心点为所述第一关键点；所述第一特征曲线vt的最大、最小电压的电压差与所述电压差△Vs一致；
根据所述电压差△Vs、所述第一时间t1和所述第二时间t2计算对应的第一特征梯度Gs，；
对所述第一特征曲线vt进行能量积分得到对应的第一特征能量Es，；
根据所述第一特征曲线vt进行特征波动率预测生成对应的第一特征波动率Os；
对得到的所述第一特征电压Vs、所述第一特征梯度Gs、所述第一特征能量Es和所述第一特征波动率Os分别进行归一化处理得到对应的第二特征电压Vg、第二特征梯度Gg、第二特征能量Eg和第二特征波动率Og；
由所述第二特征电压Vg、所述第二特征梯度Gg、所述第二特征能量Eg和所述第二特征波动率Og组成对应的所述第一特征向量。
4.根据权利要求3所述的对电池进行分类的处理方法，其特征在于，所述根据所述第一特征曲线vt进行特征波动率预测生成对应的第一特征波动率Os，具体包括：
对所述第一特征曲线vt按所述采样频率f进行采样生成对应的第三采样电压序列vj，1≤j≤int((t2-t1)×f)+1，int()为向上取整函数；
对所述第三采样电压序列vj的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和所述第三采样电压序列vj计算生成对应的所述第一特征波动率Os， 。
5.根据权利要求1所述的对电池进行分类的处理方法，其特征在于，所述根据得到的所述指定数量N的所述第一老化等级Li和所述第一等级概率pi进行电池老化程度分类等级确认生成对应的第二老化等级，具体包括：
对得到的所述指定数量N的所述第一老化等级Li按等级级别进行聚类得到对应的一个或多个第一老化等级集合；并对各个所述第一老化等级集合的所述第一等级概率pi进行均值计算生成对应的第一集合平均概率；并从得到的所述指定数量N的所述第一集合平均概率中选择概率最大的作为对应的确认概率；并将所述确认概率对应的所述第一老化等级集合对应的等级级别作为对应的所述第二老化等级输出。
6.一种用于实现权利要求1-5任一项所述的对电池进行分类的处理方法的装置，其特征在于，所述装置包括：采样模块、预分类处理模块和分类等级确认模块；
所述采样模块用于在预设的指定数量N的充电倍率下对第一电池从设定的起始电池电压开始进行充电直到达到所述设定的结束电池电压为止；并在每个充电过程中按预设的采样频率f对所述第一电池的实时电压和实时电池容量进行数据采样生成对应的第一采样电压和第一采样容量组成对应的第一采样数据，并对当次充电过程获得的所有所述第一采样数据按时间先后排序得到对应的第一采样数据序列Ai；1≤i≤N；
所述预分类处理模块用于根据各个所述第一采样数据序列Ai进行梯次动力电池老化程度分类处理生成对应的第一老化等级Li和第一等级概率pi；所述第一老化等级Li包括指定数量M个等级级别，分别为一级、二级、依次类推直到M级，一级为老化程度最轻的等级级别、M级为老化程度最严重的等级级别；
所述分类等级确认模块根据得到的所述指定数量N的所述第一老化等级Li和所述第一等级概率pi进行电池老化程度分类等级确认生成对应的第二老化等级。
7.一种用于实现权利要求1-5任一项所述的对电池进行分类的处理方法的系统，其特征在于，所述系统包括：实验采样设备和分类处理设备；
所述实验采样设备用于在预设的指定数量N的充电倍率下对第一电池从设定的起始电池电压开始进行充电直到达到所述设定的结束电池电压为止；并在每个充电过程中按预设的采样频率f对所述第一电池的实时电压和实时电池容量进行数据采样生成对应的第一采样电压和第一采样容量组成对应的第一采样数据，并对当次充电过程获得的所有所述第一采样数据按时间先后排序得到对应的第一采样数据序列Ai；1≤i≤N；
所述分类处理设备用于根据各个所述第一采样数据序列Ai进行梯次动力电池老化程度分类处理生成对应的第一老化等级Li和第一等级概率pi；并根据得到的所述指定数量N的所述第一老化等级Li和所述第一等级概率pi进行电池老化程度分类等级确认生成对应的第二老化等级；所述第一老化等级Li包括指定数量M个等级级别，分别为一级、二级、依次类推直到M级，一级为老化程度最轻的等级级别、M级为老化程度最严重的等级级别。
8.一种对电池进行分类的处理部件，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1-5任一项所述的对电池进行分类的处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311323647.3A CN117080588B (zh) | 2023-10-13 | 2023-10-13 | 对电池进行分类的处理方法、装置、系统和部件 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311323647.3A CN117080588B (zh) | 2023-10-13 | 2023-10-13 | 对电池进行分类的处理方法、装置、系统和部件 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117080588A CN117080588A (zh) | 2023-11-17 |
| CN117080588B true CN117080588B (zh) | 2024-01-02 |
Family
ID=88711988
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311323647.3A Active CN117080588B (zh) | 2023-10-13 | 2023-10-13 | 对电池进行分类的处理方法、装置、系统和部件 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117080588B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108872869A (zh) * | 2018-06-14 | 2018-11-23 | 中山大学 | 一种基于bp神经网络的锂离子电池劣化分类方法 |
| CN110224192A (zh) * | 2019-05-30 | 2019-09-10 | 安徽巡鹰新能源科技有限公司 | 一种梯次利用动力电池寿命预测方法 |
| JP2022034380A (ja) * | 2020-08-18 | 2022-03-03 | 矢崎総業株式会社 | 再生二次電池の製造方法 |
| CN114720879A (zh) * | 2022-03-25 | 2022-07-08 | 中国长江三峡集团有限公司 | 基于bp神经网络的储能锂电池组老化模式自动识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2942323B1 (fr) * | 2009-02-13 | 2011-05-20 | Peugeot Citroen Automobiles Sa | Procede et dispositif de classification d'une batterie |
-
2023
- 2023-10-13 CN CN202311323647.3A patent/CN117080588B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108872869A (zh) * | 2018-06-14 | 2018-11-23 | 中山大学 | 一种基于bp神经网络的锂离子电池劣化分类方法 |
| CN110224192A (zh) * | 2019-05-30 | 2019-09-10 | 安徽巡鹰新能源科技有限公司 | 一种梯次利用动力电池寿命预测方法 |
| JP2022034380A (ja) * | 2020-08-18 | 2022-03-03 | 矢崎総業株式会社 | 再生二次電池の製造方法 |
| CN114720879A (zh) * | 2022-03-25 | 2022-07-08 | 中国长江三峡集团有限公司 | 基于bp神经网络的储能锂电池组老化模式自动识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117080588A (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wei et al. | Remaining useful life prediction and state of health diagnosis for lithium-ion batteries using particle filter and support vector regression | |
| CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
| CN112180258B (zh) | 电池平均库伦效率的测定方法、装置、介质、终端、及系统 | |
| CN109633448B (zh) | 识别电池健康状态的方法、装置和终端设备 | |
| CN113240194B (zh) | 储能电池容量预测方法、服务端及计算机可读存储介质 | |
| CN108920868A (zh) | 基于智能电表数据的负荷辨识模型参数修正方法 | |
| CN111626360B (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
| CN112434848A (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
| CN111816936A (zh) | 电池梯次利用配组方法、系统、终端设备及存储介质 | |
| CN112084459A (zh) | 电池充放电循环寿命的预测方法、装置、电子终端、及存储介质 | |
| CN117080588B (zh) | 对电池进行分类的处理方法、装置、系统和部件 | |
| Wang et al. | A novel capacity estimation method for li-ion battery cell by applying ensemble learning to extremely sparse significant points | |
| CN117289167A (zh) | 基于多重神经网络的电池剩余寿命预测方法、装置及介质 | |
| CN111239615A (zh) | 电池模型的参数的确定方法和装置、存储介质、计算机设备 | |
| CN113743519B (zh) | 电网母线典型负荷曲线识别方法 | |
| CN115856695A (zh) | 一种电池健康状态预测方法、装置以及电子设备 | |
| CN116365511A (zh) | 有源配电网模型构建方法、装置、终端及存储介质 | |
| CN115980583A (zh) | 基于微分代数方程的锂电池等效电路模型参数辨识四步法 | |
| CN115936926A (zh) | 一种基于smote-gbdt的不平衡窃电数据分类方法、装置、计算机设备和存储介质 | |
| CN113223505B (zh) | 模型训练、数据处理方法、装置、电子设备及存储介质 | |
| CN115358484A (zh) | 电池组容量预测方法及相关设备 | |
| CN115358473A (zh) | 基于深度学习的电力负荷预测方法及预测系统 | |
| CN114415041A (zh) | 电池剩余容量估算方法、装置及终端设备 | |
| CN117074964B (zh) | 电池健康状态的监测方法、装置、系统和部件 | |
| CN117060553B (zh) | 储能系统的电池管理方法、装置、系统和部件 |
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 |