CN117148165A - 聚合物锂离子电池的测试分析方法及其系统 - Google Patents
聚合物锂离子电池的测试分析方法及其系统 Download PDFInfo
- Publication number
- CN117148165A CN117148165A CN202311193161.2A CN202311193161A CN117148165A CN 117148165 A CN117148165 A CN 117148165A CN 202311193161 A CN202311193161 A CN 202311193161A CN 117148165 A CN117148165 A CN 117148165A
- Authority
- CN
- China
- Prior art keywords
- discharge
- environment
- lithium ion
- interaction
- characteristic
- 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
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 121
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 121
- 229920000642 polymer Polymers 0.000 title claims abstract description 101
- 238000012360 testing method Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000003993 interaction Effects 0.000 claims abstract description 102
- 238000012482 interaction analysis Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 15
- 238000007599 discharging Methods 0.000 claims abstract description 9
- 239000013598 vector Substances 0.000 claims description 113
- 238000004458 analytical method Methods 0.000 claims description 53
- 230000007246 mechanism Effects 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000004088 simulation Methods 0.000 claims description 7
- 230000002596 correlated effect Effects 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 abstract description 20
- 238000001514 detection method Methods 0.000 abstract description 8
- 230000006399 behavior Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 239000005518 polymer electrolyte Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 239000003792 electrolyte Substances 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 239000011244 liquid electrolyte Substances 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910012851 LiCoO 2 Inorganic materials 0.000 description 1
- 229910010707 LiFePO 4 Inorganic materials 0.000 description 1
- 229910000572 Lithium Nickel Cobalt Manganese Oxide (NCM) Inorganic materials 0.000 description 1
- FBDMTTNVIIVBKI-UHFFFAOYSA-N [O-2].[Mn+2].[Co+2].[Ni+2].[Li+] Chemical compound [O-2].[Mn+2].[Co+2].[Ni+2].[Li+] FBDMTTNVIIVBKI-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000010406 cathode material Substances 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000010439 graphite Substances 0.000 description 1
- 229910002804 graphite Inorganic materials 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 229910000625 lithium cobalt oxide Inorganic materials 0.000 description 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 1
- 229910021437 lithium-transition metal oxide Inorganic materials 0.000 description 1
- BFZPBUKRYWOWDV-UHFFFAOYSA-N lithium;oxido(oxo)cobalt Chemical compound [Li+].[O-][Co]=O BFZPBUKRYWOWDV-UHFFFAOYSA-N 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000007773 negative electrode material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 229920006254 polymer film Polymers 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 230000009466 transformation Effects 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种聚合物锂离子电池的测试分析方法及其系统，其获取待检测聚合物锂离子电池的放电信号；获取所述待检测聚合物锂离子电池在放电过程中多个预定时间点的温度值和湿度值；对所述多个预定时间点的温度值和湿度值，以及，所述放电信号进行时序关联特征交互分析以得到放电性能‑环境交互特征；以及，基于所述放电性能‑环境交互特征，确定待检测聚合物锂离子电池的放电性能是否正常。这样，能够在进行锂离子电池的放电性能检测时关注到环境因素的影响，从而提高电池性能检测的精度和效率，优化电池的可靠性和安全性。
Description
技术领域
本发明涉及智能化测试分析技术领域，尤其涉及一种聚合物锂离子电池的测试分析方法及其系统。
背景技术
聚合物锂离子电池是一种新型的高能量密度电池，具有轻量化、柔性化和高安全性等优点，在电动汽车、便携设备和储能系统等领域得到广泛应用。为了对于聚合物锂离子电池的性能进行评估，需要进行锂离子电池的测试分析。测试分析可以帮助评估聚合物锂离子电池的性能，通过锂离子电池的性能表现，指导电池的设计和优化。
在传统的测试模式中，聚合物锂离子电池的放电测试通常在理想温度和湿度条件下进行，或者忽略温度和湿度对电池放电的影响。然而，实际使用环境中的温度和湿度会对电池的性能产生显著影响，忽略这些环境因素可能导致电池放电性能的测试结果与实际使用情况存在偏差。
因此，期望一种优化的聚合物锂离子电池的测试分析方案。
发明内容
本发明实施例提供一种聚合物锂离子电池的测试分析方法及其系统，其获取待检测聚合物锂离子电池的放电信号；获取所述待检测聚合物锂离子电池在放电过程中多个预定时间点的温度值和湿度值；对所述多个预定时间点的温度值和湿度值，以及，所述放电信号进行时序关联特征交互分析以得到放电性能-环境交互特征；以及，基于所述放电性能-环境交互特征，确定待检测聚合物锂离子电池的放电性能是否正常。这样，能够在进行锂离子电池的放电性能检测时关注到环境因素的影响，从而提高电池性能检测的精度和效率，优化电池的可靠性和安全性。
本发明实施例还提供了一种聚合物锂离子电池的测试分析方法，其包括：
获取待检测聚合物锂离子电池的放电信号；
获取所述待检测聚合物锂离子电池在放电过程中多个预定时间点的温度值和湿度值；
对所述多个预定时间点的温度值和湿度值，以及，所述放电信号进行时序关联特征交互分析以得到放电性能-环境交互特征；以及
基于所述放电性能-环境交互特征，确定待检测聚合物锂离子电池的放电性能是否正常。
本发明实施例还提供了一种聚合物锂离子电池的测试分析系统，其包括：
信号获取模块，用于获取待检测聚合物锂离子电池的放电信号；
数据获取模块，用于获取所述待检测聚合物锂离子电池在放电过程中多个预定时间点的温度值和湿度值；
关联特征交互分析模块，用于对所述多个预定时间点的温度值和湿度值，以及，所述放电信号进行时序关联特征交互分析以得到放电性能-环境交互特征；以及
放电性能确定模块，用于基于所述放电性能-环境交互特征，确定待检测聚合物锂离子电池的放电性能是否正常。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本发明实施例中提供的一种聚合物锂离子电池的测试分析方法的流程图。
图2为本发明实施例中提供的一种聚合物锂离子电池的测试分析方法的系统架构的示意图。
图3为本发明实施例中提供的一种聚合物锂离子电池的测试分析方法中步骤130的子步骤的流程图。
图4为本发明实施例中提供的一种聚合物锂离子电池的测试分析系统的框图。
图5为本发明实施例中提供的一种聚合物锂离子电池的测试分析方法的应用场景图。
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明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。
在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。
应可以理解，聚合物锂离子电池是一种使用聚合物作为电解质的锂离子电池。相比传统的液态电解质，聚合物电解质具有更高的离子导电性能和更好的安全性，因此在电池领域引起了广泛的关注和应用。
聚合物锂离子电池的结构包括正极、负极、电解质和隔膜。正极材料通常使用锂过渡金属氧化物，如锂钴酸锂（LiCoO2）、锂镍钴锰氧化物（NMC）或锂铁磷酸锂（LiFePO4）。负极材料通常使用石墨或硅等材料。电解质是聚合物薄膜，具有高离子导电性能和化学稳定性，能够阻止正负极直接接触。隔膜用于隔离正负极，防止短路。
聚合物锂离子电池相比传统的液态电解质锂离子电池具有以下优点：
1.高能量密度：聚合物电解质具有较高的离子导电性能，可以实现更高的能量密度，使得电池在相同体积和重量下具有更高的储能能力。
2.轻量化和柔性化：聚合物电解质可以制备成薄膜形式，使得电池更轻薄，并且具备一定的柔性，适用于一些特殊形状和应用场景。
3.安全性：聚合物电解质相比液态电解质更加稳定，具有较高的热稳定性和化学稳定性，能够降低电池发生热失控和爆炸的风险。
聚合物锂离子电池广泛应用于电动汽车、便携设备、储能系统等领域。随着对电池能量密度、安全性和可靠性要求的不断提高，聚合物锂离子电池在未来的发展前景非常广阔。
为了对于聚合物锂离子电池的性能进行评估，需要进行锂离子电池的测试分析。锂离子电池的放电测试可以评估电池的性能，包括容量、能量密度、循环寿命和功率输出等指标。通过放电测试，可以了解电池在实际使用条件下的表现，评估其是否满足预期的要求。
锂离子电池的放电测试可以帮助评估电池的安全性能，在放电过程中，特别是在高功率放电或异常情况下，如过充、过放、高温等，电池可能会出现热失控、短路或爆炸等安全问题。通过放电测试，可以模拟这些情况并评估电池的安全性能，从而采取相应的安全措施。
锂离子电池的放电测试可以帮助优化电池的效能。通过对不同放电条件下的性能数据进行分析，可以确定最佳的工作参数和使用条件，以提高电池的能量利用率和效率。锂离子电池的放电测试是对聚合物锂离子电池产品进行验证的重要手段。通过在实际应用场景下进行放电测试，可以验证电池的性能和可靠性，确保产品符合设计要求和用户需求。
锂离子电池的放电测试对于聚合物锂离子电池来说是必要的，可以评估电池的性能、安全性和可靠性，并帮助优化电池的效能和验证产品的合格性，有助于推动聚合物锂离子电池技术的发展和应用。
在本发明的一个实施例中，图1为本发明实施例中提供的一种聚合物锂离子电池的测试分析方法的流程图。图2为本发明实施例中提供的一种聚合物锂离子电池的测试分析方法的系统架构的示意图。如图1和图2所示，根据本发明实施例的聚合物锂离子电池的测试分析方法100，包括：110，获取待检测聚合物锂离子电池的放电信号；120，获取所述待检测聚合物锂离子电池在放电过程中多个预定时间点的温度值和湿度值；130，对所述多个预定时间点的温度值和湿度值，以及，所述放电信号进行时序关联特征交互分析以得到放电性能-环境交互特征；以及，140，基于所述放电性能-环境交互特征，确定待检测聚合物锂离子电池的放电性能是否正常。
其中，在所述步骤110中，在获取放电信号时，需要确保使用适当的测量设备和方法。这可能涉及连接电池到数据采集系统、选择合适的采样频率和精度等。通过获取放电信号，可以获得电池在放电过程中的电压、电流和功率等信息。这些数据可以用于评估电池的容量、能量密度和功率性能等关键指标。
在所述步骤120中，在获取温度和湿度值时，需要选择合适的传感器，并确保传感器的准确性和稳定性。此外，确保在放电过程中对温度和湿度进行实时监测。通过获取放电过程中的温度和湿度值，可以了解电池在不同环境条件下的表现。这些数据对于评估电池的性能和安全性非常重要，因为温度和湿度可以影响电池的容量、内阻、循环寿命和安全性能等。
在所述步骤130中，在进行时序关联特征交互分析时，需要选择适当的数据处理和分析方法，如时序分析、相关性分析、回归分析等。此外，考虑到数据的噪声和变异性，可能需要进行数据滤波和归一化等预处理步骤。通过对温度、湿度和放电信号进行时序关联特征交互分析，可以揭示电池性能与环境因素之间的关系。这有助于理解电池在不同环境条件下的响应和行为，并提供有关电池性能-环境交互特征的定量指标。
在所述步骤140中，在基于放电性能-环境交互特征确定电池放电性能是否正常时，需要建立合适的评估标准和判据。这可能涉及与已知数据进行比较、建立模型或使用机器学习算法等。通过基于放电性能-环境交互特征进行评估，可以判断电池的放电性能是否正常。这有助于检测电池的异常行为、提前发现潜在故障，并采取相应的措施，以确保电池的可靠性和安全性。
通过这些步骤的测试分析方法可以全面评估聚合物锂离子电池的放电性能和环境交互特征，从而提高电池的可靠性、安全性和性能优化。
具体地，在所述步骤110和所述步骤120中，获取待检测聚合物锂离子电池的放电信号；以及，获取所述待检测聚合物锂离子电池在放电过程中多个预定时间点的温度值和湿度值。
针对上述技术问题，本申请的技术构思为通过传感器获取聚合物锂离子电池的放电信号、温度和湿度数据，并在后端引入数据处理和分析算法来进行这些数据的时序协同关联分析，以基于聚合物锂离子电池的放电性能和环境交互特征来进行聚合物锂离子电池的放电性能的检测，通过这样的方式，能够在进行锂离子电池的放电性能检测时关注到环境因素的影响，从而提高电池性能检测的精度和效率，优化电池的可靠性和安全性。
具体地，在本申请的技术方案中，首先，获取待检测聚合物锂离子电池的放电信号，并且，获取所述待检测聚合物锂离子电池在放电过程中多个预定时间点的温度值和湿度值。应可以理解，所述放电信号能够反映聚合物锂离子电池的放电性能情况，而温度值和湿度值则能够表征环境因素对其的影响。在测试过程中，随着温度和湿度的变化，聚合物锂离子电池的放电性能和模式会发生变化。因此，需要在进行锂离子电池的性能检测时引入环境温度和湿度的时序协同关联特征信息，以避免锂离子电池在放电性能检测时出现较大偏差。
应可以理解， 获取电池的放电信号可以提供关于电池性能的重要信息，放电信号通常包括电压、电流和功率等参数。通过分析放电信号，可以评估电池的容量、能量密度、功率输出等性能指标。如果放电信号异常或不符合预期，可能意味着电池存在问题，如容量下降、内阻增加或电池失效等。
在放电过程中获取电池的温度和湿度值可以提供有关电池在不同环境条件下的性能表现的信息，温度和湿度是影响电池性能和安全性的重要因素。高温可能导致电池容量衰减、内阻增加和安全性降低，而过高的湿度可能导致电池的腐蚀和氧化。通过获取温度和湿度值，可以评估电池在不同环境条件下的响应和表现。
通过对放电信号和温度、湿度值进行综合分析，可以评估电池的放电性能是否正常。通过比较实际测量值与预期性能指标，可以确定电池是否满足要求。例如，如果电池的放电电压降低过快或温度升高过快，可能意味着电池性能下降或存在安全隐患。综合考虑放电信号和环境条件，可以判断电池的放电性能是否正常，并采取相应的措施，如维护、更换或修复电池。
获取待检测聚合物锂离子电池的放电信号和温度、湿度值对于最后确定电池的放电性能是否正常起着重要的作用。这些数据提供了评估电池性能和安全性的关键信息，有助于检测电池问题并采取相应的措施。
具体地，在所述步骤130中， 图3为本发明实施例中提供的一种聚合物锂离子电池的测试分析方法中步骤130的子步骤的流程图，如图3所示，对所述多个预定时间点的温度值和湿度值，以及，所述放电信号进行时序关联特征交互分析以得到放电性能-环境交互特征，包括：131，对所述多个预定时间点的温度值和湿度值进行时序协同分析以得到放电环境时序特征向量；132，通过基于深度神经网络模型的放电波形特征提取器对所述放电信号进行特征提取以得到放电波形特征向量；133，将所述放电波形特征向量和所述放电环境时序特征向量进行基于注意力机制的特征交互以得到放电性能-环境交互特征向量作为所述放电性能-环境交互特征。
首先，通过对温度和湿度值进行时序协同分析，可以捕捉到电池在不同时间点下的环境变化趋势。这有助于了解电池在不同环境条件下的响应和表现，例如温度和湿度的变化是否与电池性能有关。通过获得放电环境时序特征向量，可以提取出环境条件对电池放电性能的影响。
接着，深度神经网络模型可以学习到电池放电信号中的复杂特征，并提取出代表电池放电行为的关键特征。通过使用放电波形特征提取器，可以将原始放电信号转化为具有较低维度但保留重要信息的放电波形特征向量。这有助于减少数据的维度，并提供更具代表性的特征，用于后续的特征交互分析。
然后，通过将放电波形特征向量和放电环境时序特征向量进行特征交互，可以捕捉到电池放电性能和环境之间的关联关系。注意力机制可以根据不同特征的重要性，自动调整特征的权重，使得交互特征向量更加准确地反映放电性能和环境的交互效应。这有助于揭示电池在不同环境条件下的放电性能变化，并提供更全面的评估指标。
通过对温度和湿度值进行时序协同分析，使用深度神经网络模型提取放电信号的特征，并通过注意力机制进行特征交互，可以得到放电性能-环境交互特征向量。这种特征向量综合考虑了放电波形和环境因素对电池性能的影响，有助于更准确地评估电池的放电性能和环境交互特征。
对于所述步骤131，对所述多个预定时间点的温度值和湿度值进行时序协同分析以得到放电环境时序特征向量，包括：将所述多个预定时间点的温度值和湿度值分别按照时间维度排列为放电温度时序输入向量和放电湿度时序输入向量；计算所述放电温度时序输入向量和所述放电湿度时序输入向量之间的放电环境输入矩阵；将所述放电环境输入矩阵通过基于卷积神经网络模型的放电环境特征提取器以得到所述放电环境时序特征向量。
基于此，在本申请的技术方案中，考虑到由于所述温度值和所述湿度值不仅都在时间维度上有着各自的动态变化规律，而且这两者之间还具有着时序的协同关联关系，这两者之间的时序协同关联特征反映了锂离子电池在测试过程中的环境情况。因此，需要首先将所述多个预定时间点的温度值和湿度值分别按照时间维度排列为放电温度时序输入向量和放电湿度时序输入向量，以此来分别整合所述温度值和所述湿度值在时序上的分布信息。
继而，再计算所述放电温度时序输入向量和所述放电湿度时序输入向量之间的放电环境输入矩阵。相应地，在本申请的一个具体示例中，可以将所述放电温度时序输入向量和所述放电湿度时序输入向量进行向量相乘以得到所述放电环境输入矩阵，以此来建立所述温度值和所述湿度值之间在时间维度上的时序关联关系，以便于后续能够对于锂离子测试过程中的环境特征信息进行充分捕捉，从而提高电池放电性能检测的准确性。
然后，使用在隐含关联特征提取方面具有优异表现性能的基于卷积神经网络模型的放电环境特征提取器来进行所述放电环境输入矩阵的特征挖掘，以提取出所述温度值和所述湿度值在时间维度上的时序协同关联特征分布信息，即在放电测试过程中的环境时序特征信息，从而得到放电环境时序特征向量。
对于所述步骤132，进一步地，考虑到所述放电信号在时域中的表现形式为波形图，因此，为了能够捕捉到所述聚合物锂离子电池的放电性能特征，在本申请的技术方案中，进一步使用在图像的隐含特征提取方面具有优异表现性能的基于卷积神经网络模型的放电波形特征提取器来对所述放电信号进行特征挖掘，以提取出所述放电信号的波形图中有关于电池放电性能的隐含特征分布信息，从而得到放电波形特征向量。
在本申请中，卷积神经网络（CNN）在图像处理领域表现出色，其具有强大的特征提取能力，将CNN应用于放电信号的波形图中，可以通过多层卷积和池化操作，逐渐提取出波形图中的高级特征。这些特征可以捕捉到电池放电性能的关键信息，如放电速率、放电平稳性、放电峰值等。
卷积神经网络可以通过非线性激活函数对放电信号进行建模，从而更好地捕捉到复杂的放电行为。相比传统的线性模型，CNN具有更强的表示能力，可以提取出更丰富、更具代表性的特征，有助于提高放电波形特征向量的表达能力和区分度。
卷积神经网络具有自动学习特征的能力，无需手动设计特征提取器。通过在大量数据上进行训练，CNN可以自动学习到放电信号中与放电性能相关的特征，这种端到端的学习方式可以减少人工特征设计的工作量，并且更适应不同电池的放电行为变化。
基于卷积神经网络的放电波形特征提取器可以通过在大规模数据集上训练，提高其泛化能力。这意味着即使在未见过的电池数据上，该特征提取器也能够提取出有关放电性能的有效特征，有助于推广该方法并应用于不同类型和规格的电池。
使用基于卷积神经网络模型的放电波形特征提取器对放电信号进行特征挖掘，可以提取出与电池放电性能相关的隐含特征分布信息，从而得到放电波形特征向量。这种方法具有优异的表现性能，可以提高对电池放电性能的准确评估和分析能力。
对于所述步骤133，将所述放电波形特征向量和所述放电环境时序特征向量进行基于注意力机制的特征交互以得到放电性能-环境交互特征向量作为所述放电性能-环境交互特征，包括：使用特征间注意力层对所述放电波形特征向量和所述放电环境时序特征向量进行基于注意力机制的特征交互以得到所述放电性能-环境交互特征向量。
进而，再使用特征间注意力层对所述放电波形特征向量和所述放电环境时序特征向量进行基于注意力机制的特征交互以得到放电性能-环境交互特征向量，以此来捕捉所述锂离子电池的放电性能特征和所述环境时序特征之间的关联和相互影响。应可以理解，由于传统的注意力机制的目标是学习一个注意力权重矩阵，将较大的权重赋予重要的特征，较小的权重赋予次要的特征，从而选择出对当前任务目标更关键的信息。这种方式更侧重于对各个特征的重要性进行加权，而忽略了特征之间的依赖关系。而所述特征间注意层能够通过基于注意力机制的特征交互，可以捕捉到所述锂离子电池的放电性能特征和所述环境时序特征之间的相关性和相互影响，进而学习到不同特征之间的依赖关系，并根据这些依赖关系对特征进行交互和整合，从而得到放电性能-环境交互特征向量，以便于更为准确地进行锂离子电池的放电性能检测。
注意力机制是一种在深度学习中常用的技术，用于对不同特征或输入进行加权处理，以便更关注对当前任务更有用的信息。在特征交互中使用注意力机制可以使模型自动学习特征之间的重要性，并根据任务的需要调整权重。
特征间注意力层是一种注意力机制的应用，用于对不同特征之间的交互进行加权。在放电波形特征向量和放电环境时序特征向量的特征交互中，特征间注意力层可以根据它们的重要性自适应地调整权重，从而得到放电性能-环境交互特征向量。
具体地，首先，通过计算特征向量之间的相似度或相关性来获得注意力权重。这可以使用不同的方法，例如计算特征之间的余弦相似度、内积、加权内积等。这些相似度或相关性指标可以表示特征之间的相关程度。然后，将注意力权重应用于特征向量，以调整重要性。可以使用加权平均或加权求和的方式，将注意力权重应用于特征向量，从而得到加权后的特征向量。较高的注意力权重将使相应的特征在最终的特征表示中具有更大的权重。接着，将加权后的特征向量进行交互，以获得最终的特征表示。这可以通过简单地将它们连接起来、拼接起来或通过进一步的操作（如线性变换、非线性激活）来实现。
通过使用特征间注意力层，可以根据特征的相关性和重要性，自适应地调整特征的权重，从而更好地捕捉放电性能和环境之间的交互效应。这有助于提高放电性能-环境交互特征向量的表达能力和准确性。
特征间注意力层是一种利用注意力机制对特征进行加权处理的方法，用于特征交互。它可以根据特征的相关性和重要性，自适应地调整特征的权重，从而得到更准确的放电性能-环境交互特征向量。
具体地，在所述步骤140中，基于所述放电性能-环境交互特征，确定待检测聚合物锂离子电池的放电性能是否正常，包括：对所述放电性能-环境交互特征向量进行基于概率密度特征模仿范式的分布增益以得到优化放电性能-环境交互特征向量；以及，将所述放电性能-环境交互特征向量通过分类器以得到分类结果，所述分类结果用于表示待检测聚合物锂离子电池的放电性能是否正常。
特别地，在本申请的技术方案中，使用特征间注意力层来进行所述放电波形特征向量和所述放电环境时序特征向量之间的基于注意力的特征交互时，可以提取所述放电波形特征向量和所述放电环境时序特征向量之间的依赖关系特征。这样，相对于所述放电波形特征向量和所述放电环境时序特征向量各自表达的局部邻域关联特征作为前景对象特征，在进行基于注意力的特征交互的依赖关系特征提取时，也会引入与所述放电波形特征向量和所述放电环境时序特征向量各自表达的局部邻域关联特征分布干涉相关的背景分布噪声，并且，所述放电性能-环境交互特征向量也具有所述放电波形特征向量和所述放电环境时序特征向量各自的时域空间和交互空间下的分级的特征表达，由此，期望基于所述放电性能-环境交互特征向量的分布特性来增强其表达效果。因此，本申请对所述放电性能-环境交互特征向量进行基于概率密度特征模仿范式的分布增益。
在本申请的一个实施例中，对所述放电性能-环境交互特征向量进行基于概率密度特征模仿范式的分布增益以得到优化放电性能-环境交互特征向量，包括：
以如下分布增益公式对所述放电性能-环境交互特征向量进行基于概率密度特征模仿范式的分布增益以得到优化放电性能-环境交互特征向量；
其中，所述分布增益公式为：其中，/>是所述放电性能-环境交互特征向量的长度，/>是所述放电性能-环境交互特征向量/>的第/>个位置的特征值，/>表示所述放电性能-环境交互特征向量/>的二范数的平方，且/>是加权超参数，/>是所述优化放电性能-环境交互特征向量的第/>个位置的特征值。
这里，基于标准柯西分布对于自然高斯分布在概率密度上的特征模仿范式，所述基于概率密度特征模仿范式的分布增益可以将特征尺度作为模仿掩码，在高维特征空间内区分前景对象特征和背景分布噪声，从而基于高维特征的空间分级语义来对高维空间进行特征空间映射的语义认知的分布软匹配，来获得高维特征分布的无约束的分布增益，提升所述放电性能-环境交互特征向量基于特征分布特性的表达效果，也就提升了所述放电性能-环境交互特征向量通过分类器得到的分类结果的准确性。这样，能够在进行聚合物锂离子电池的放电性能检测时关注到环境因素的影响，从而提高对于锂离子电池的放电性能检测的效率和精准度，优化电池的可靠性和安全性。
继而，将所述放电性能-环境交互特征向量通过分类器以得到分类结果，所述分类结果用于表示待检测聚合物锂离子电池的放电性能是否正常。这样，能够基于所述聚合物锂离子电池的放电性能特征和所述环境时序特征之间的交互特征来进行聚合物锂离子电池的放电性能的检测，通过这样的方式，能够在进行锂离子电池的放电性能检测时关注到环境因素的影响，从而提高电池性能检测的精度和效率，优化电池的可靠性和安全性。
综上，基于本发明实施例的聚合物锂离子电池的测试分析方法100被阐明，通过传感器获取聚合物锂离子电池的放电信号、温度和湿度数据，并在后端引入数据处理和分析算法来进行这些数据的时序协同关联分析，以基于聚合物锂离子电池的放电性能和环境交互特征来进行聚合物锂离子电池的放电性能的检测，通过这样的方式，能够在进行锂离子电池的放电性能检测时关注到环境因素的影响，从而提高电池性能检测的精度和效率，优化电池的可靠性和安全性。
图4为本发明实施例中提供的一种聚合物锂离子电池的测试分析系统的框图。如图4所示，所述聚合物锂离子电池的测试分析系统，包括：信号获取模块210，用于获取待检测聚合物锂离子电池的放电信号；数据获取模块220，用于获取所述待检测聚合物锂离子电池在放电过程中多个预定时间点的温度值和湿度值；关联特征交互分析模块230，用于对所述多个预定时间点的温度值和湿度值，以及，所述放电信号进行时序关联特征交互分析以得到放电性能-环境交互特征；以及，放电性能确定模块240，用于基于所述放电性能-环境交互特征，确定待检测聚合物锂离子电池的放电性能是否正常。
具体地，在所述聚合物锂离子电池的测试分析系统中，所述关联特征交互分析模块，包括：协同分析单元，用于对所述多个预定时间点的温度值和湿度值进行时序协同分析以得到放电环境时序特征向量；特征提取单元，用于通过基于深度神经网络模型的放电波形特征提取器对所述放电信号进行特征提取以得到放电波形特征向量；特征交互单元，用于将所述放电波形特征向量和所述放电环境时序特征向量进行基于注意力机制的特征交互以得到放电性能-环境交互特征向量作为所述放电性能-环境交互特征。
本领域技术人员可以理解，上述聚合物锂离子电池的测试分析系统中的各个步骤的具体操作已经在上面参考图1到图3的聚合物锂离子电池的测试分析方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本发明实施例的聚合物锂离子电池的测试分析系统100可以实现在各种终端设备中，例如用于聚合物锂离子电池的测试分析的服务器等。在一个示例中，根据本发明实施例的聚合物锂离子电池的测试分析系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该聚合物锂离子电池的测试分析系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该聚合物锂离子电池的测试分析系统100同样可以是该终端设备的众多硬件模块之一。
替换地，在另一示例中，该聚合物锂离子电池的测试分析系统100与该终端设备也可以是分立的设备，并且该聚合物锂离子电池的测试分析系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
图5为本发明实施例中提供的一种聚合物锂离子电池的测试分析方法的应用场景图。如图5所示，在该应用场景中，首先，获取待检测聚合物锂离子电池的放电信号（例如，如图5中所示意的C1）；获取所述待检测聚合物锂离子电池在放电过程中多个预定时间点的温度值（例如，如图5中所示意的C2）和湿度值（例如，如图5中所示意的C3）；然后，将获取的放电信号、温度值和湿度值输入至部署有聚合物锂离子电池的测试分析算法的服务器（例如，如图5中所示意的S）中，其中所述服务器能够基于聚合物锂离子电池的测试分析算法对所述放电信号、所述温度值和所述湿度值进行处理，以确定待检测聚合物锂离子电池的放电性能是否正常。
以上所述的具体实施例，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例而已，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 (9)
1.一种聚合物锂离子电池的测试分析方法，其特征在于，包括：
获取待检测聚合物锂离子电池的放电信号；
获取所述待检测聚合物锂离子电池在放电过程中多个预定时间点的温度值和湿度值；
对所述多个预定时间点的温度值和湿度值，以及，所述放电信号进行时序关联特征交互分析以得到放电性能-环境交互特征；以及
基于所述放电性能-环境交互特征，确定待检测聚合物锂离子电池的放电性能是否正常。
2.根据权利要求1所述的聚合物锂离子电池的测试分析方法，其特征在于，对所述多个预定时间点的温度值和湿度值，以及，所述放电信号进行时序关联特征交互分析以得到放电性能-环境交互特征，包括：
对所述多个预定时间点的温度值和湿度值进行时序协同分析以得到放电环境时序特征向量；
通过基于深度神经网络模型的放电波形特征提取器对所述放电信号进行特征提取以得到放电波形特征向量；
将所述放电波形特征向量和所述放电环境时序特征向量进行基于注意力机制的特征交互以得到放电性能-环境交互特征向量作为所述放电性能-环境交互特征。
3.根据权利要求2所述的聚合物锂离子电池的测试分析方法，其特征在于，对所述多个预定时间点的温度值和湿度值进行时序协同分析以得到放电环境时序特征向量，包括：
将所述多个预定时间点的温度值和湿度值分别按照时间维度排列为放电温度时序输入向量和放电湿度时序输入向量；
计算所述放电温度时序输入向量和所述放电湿度时序输入向量之间的放电环境输入矩阵；
将所述放电环境输入矩阵通过基于卷积神经网络模型的放电环境特征提取器以得到所述放电环境时序特征向量。
4.根据权利要求3所述的聚合物锂离子电池的测试分析方法，其特征在于，所述深度神经网络模型为卷积神经网络模型。
5.根据权利要求4所述的聚合物锂离子电池的测试分析方法，其特征在于，将所述放电波形特征向量和所述放电环境时序特征向量进行基于注意力机制的特征交互以得到放电性能-环境交互特征向量作为所述放电性能-环境交互特征，包括：使用特征间注意力层对所述放电波形特征向量和所述放电环境时序特征向量进行基于注意力机制的特征交互以得到所述放电性能-环境交互特征向量。
6.根据权利要求5所述的聚合物锂离子电池的测试分析方法，其特征在于，基于所述放电性能-环境交互特征，确定待检测聚合物锂离子电池的放电性能是否正常，包括：
对所述放电性能-环境交互特征向量进行基于概率密度特征模仿范式的分布增益以得到优化放电性能-环境交互特征向量；以及
将所述放电性能-环境交互特征向量通过分类器以得到分类结果，所述分类结果用于表示待检测聚合物锂离子电池的放电性能是否正常。
7.根据权利要求6所述的聚合物锂离子电池的测试分析方法，其特征在于，对所述放电性能-环境交互特征向量进行基于概率密度特征模仿范式的分布增益以得到优化放电性能-环境交互特征向量，包括：
以如下分布增益公式对所述放电性能-环境交互特征向量进行基于概率密度特征模仿范式的分布增益以得到优化放电性能-环境交互特征向量；
其中，所述分布增益公式为：其中，/>是所述放电性能-环境交互特征向量的长度，/>是所述放电性能-环境交互特征向量/>的第/>个位置的特征值，/>表示所述放电性能-环境交互特征向量/>的二范数的平方，且/>是加权超参数，/>是所述优化放电性能-环境交互特征向量的第/>个位置的特征值。
8.一种聚合物锂离子电池的测试分析系统，其特征在于，包括：
信号获取模块，用于获取待检测聚合物锂离子电池的放电信号；
数据获取模块，用于获取所述待检测聚合物锂离子电池在放电过程中多个预定时间点的温度值和湿度值；
关联特征交互分析模块，用于对所述多个预定时间点的温度值和湿度值，以及，所述放电信号进行时序关联特征交互分析以得到放电性能-环境交互特征；以及
放电性能确定模块，用于基于所述放电性能-环境交互特征，确定待检测聚合物锂离子电池的放电性能是否正常。
9.根据权利要求8所述的聚合物锂离子电池的测试分析系统，其特征在于，所述关联特征交互分析模块，包括：
协同分析单元，用于对所述多个预定时间点的温度值和湿度值进行时序协同分析以得到放电环境时序特征向量；
特征提取单元，用于通过基于深度神经网络模型的放电波形特征提取器对所述放电信号进行特征提取以得到放电波形特征向量；
特征交互单元，用于将所述放电波形特征向量和所述放电环境时序特征向量进行基于注意力机制的特征交互以得到放电性能-环境交互特征向量作为所述放电性能-环境交互特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311193161.2A CN117148165B (zh) | 2023-09-15 | 2023-09-15 | 聚合物锂离子电池的测试分析方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311193161.2A CN117148165B (zh) | 2023-09-15 | 2023-09-15 | 聚合物锂离子电池的测试分析方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117148165A true CN117148165A (zh) | 2023-12-01 |
| CN117148165B CN117148165B (zh) | 2024-04-12 |
Family
ID=88906010
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311193161.2A Active CN117148165B (zh) | 2023-09-15 | 2023-09-15 | 聚合物锂离子电池的测试分析方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117148165B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112666480A (zh) * | 2020-12-02 | 2021-04-16 | 西安交通大学 | 一种基于充电过程特征注意力的电池寿命预测方法 |
| CN113805064A (zh) * | 2021-09-18 | 2021-12-17 | 北京航空航天大学 | 基于深度学习的锂离子电池组健康状态预测方法 |
| KR20220163736A (ko) * | 2021-06-03 | 2022-12-12 | 주식회사 네오윌 | 리튬이온 배터리팩의 비정상 셀 검출 및 soh 예측 방법 |
| WO2022257211A1 (zh) * | 2021-06-08 | 2022-12-15 | 山东大学 | 一种锂电池剩余使用寿命预测方法及系统 |
| CN115963409A (zh) * | 2023-01-09 | 2023-04-14 | 烟台大学 | 一种基于多特征融合的锂电池检测数据预处理方法 |
| CN116130721A (zh) * | 2023-04-11 | 2023-05-16 | 杭州鄂达精密机电科技有限公司 | 氢燃料电池的状态诊断系统及方法 |
| CN116381517A (zh) * | 2023-04-07 | 2023-07-04 | 北京航空航天大学 | 基于时间卷积注意力机制的锂电池剩余寿命概率预测方法 |
| CN116520154A (zh) * | 2023-05-05 | 2023-08-01 | 无锡源工三仟科技有限公司 | 锂电池极片检测的性能评估方法及其系统 |
| CN116577677A (zh) * | 2023-07-14 | 2023-08-11 | 赣州吉锐新能源科技股份有限公司 | 退役动力电池的放电测试系统及其方法 |
| CN116625438A (zh) * | 2023-07-25 | 2023-08-22 | 克拉玛依市燃气有限责任公司 | 燃气管网安全在线监测系统及其方法 |
| CN116639010A (zh) * | 2023-07-24 | 2023-08-25 | 江西驴宝宝通卡科技有限公司 | 充电桩的智能控制系统及其方法 |
| CN116699297A (zh) * | 2023-08-08 | 2023-09-05 | 江西驴充充充电技术有限公司 | 充电桩检测系统及其方法 |
| CN116736893A (zh) * | 2023-08-09 | 2023-09-12 | 山西省安装集团股份有限公司 | 一种光储装置的智慧能源管理方法及光储装置 |
-
2023
- 2023-09-15 CN CN202311193161.2A patent/CN117148165B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112666480A (zh) * | 2020-12-02 | 2021-04-16 | 西安交通大学 | 一种基于充电过程特征注意力的电池寿命预测方法 |
| KR20220163736A (ko) * | 2021-06-03 | 2022-12-12 | 주식회사 네오윌 | 리튬이온 배터리팩의 비정상 셀 검출 및 soh 예측 방법 |
| WO2022257211A1 (zh) * | 2021-06-08 | 2022-12-15 | 山东大学 | 一种锂电池剩余使用寿命预测方法及系统 |
| CN113805064A (zh) * | 2021-09-18 | 2021-12-17 | 北京航空航天大学 | 基于深度学习的锂离子电池组健康状态预测方法 |
| CN115963409A (zh) * | 2023-01-09 | 2023-04-14 | 烟台大学 | 一种基于多特征融合的锂电池检测数据预处理方法 |
| CN116381517A (zh) * | 2023-04-07 | 2023-07-04 | 北京航空航天大学 | 基于时间卷积注意力机制的锂电池剩余寿命概率预测方法 |
| CN116130721A (zh) * | 2023-04-11 | 2023-05-16 | 杭州鄂达精密机电科技有限公司 | 氢燃料电池的状态诊断系统及方法 |
| CN116520154A (zh) * | 2023-05-05 | 2023-08-01 | 无锡源工三仟科技有限公司 | 锂电池极片检测的性能评估方法及其系统 |
| CN116577677A (zh) * | 2023-07-14 | 2023-08-11 | 赣州吉锐新能源科技股份有限公司 | 退役动力电池的放电测试系统及其方法 |
| CN116639010A (zh) * | 2023-07-24 | 2023-08-25 | 江西驴宝宝通卡科技有限公司 | 充电桩的智能控制系统及其方法 |
| CN116625438A (zh) * | 2023-07-25 | 2023-08-22 | 克拉玛依市燃气有限责任公司 | 燃气管网安全在线监测系统及其方法 |
| CN116699297A (zh) * | 2023-08-08 | 2023-09-05 | 江西驴充充充电技术有限公司 | 充电桩检测系统及其方法 |
| CN116736893A (zh) * | 2023-08-09 | 2023-09-12 | 山西省安装集团股份有限公司 | 一种光储装置的智慧能源管理方法及光储装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117148165B (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tian et al. | Flexible battery state of health and state of charge estimation using partial charging data and deep learning | |
| Liu et al. | State-of-health estimation of lithium-ion batteries based on electrochemical impedance spectroscopy: a review | |
| CN110224192B (zh) | 一种梯次利用动力电池寿命预测方法 | |
| Cui et al. | A dynamic spatial-temporal attention-based GRU model with healthy features for state-of-health estimation of lithium-ion batteries | |
| Costa et al. | Li-ion battery degradation modes diagnosis via Convolutional Neural Networks | |
| Luo et al. | A simple feature extraction method for estimating the whole life cycle state of health of lithium-ion batteries using transformer-based neural network | |
| Zhang et al. | State‐of‐health estimation for the lithium‐ion battery based on gradient boosting decision tree with autonomous selection of excellent features | |
| Zhao et al. | State-of-health estimation with anomalous aging indicator detection of lithium-ion batteries using regression generative adversarial network | |
| CN114580496A (zh) | 一种锂离子电池单体故障自检测方法 | |
| Tan et al. | Intelligent online health estimation for lithium-ion batteries based on a parallel attention network combining multivariate time series | |
| CN115166532A (zh) | 镍氢电池容量预测方法、装置、电子设备及存储介质 | |
| CN115146723A (zh) | 基于深度学习和启发式算法的电化学模型参数辨识方法 | |
| Lyu et al. | A semiparametric clustering method for the screening of retired Li-ion batteries from electric vehicles | |
| Zhao et al. | Data-driven lithium-ion battery degradation evaluation under overcharge cycling conditions | |
| Wang et al. | A novel capacity estimation method for li-ion battery cell by applying ensemble learning to extremely sparse significant points | |
| CN113657030A (zh) | 一种基于高斯过程回归的锂电池剩余使用寿命预测方法 | |
| CN117148165B (zh) | 聚合物锂离子电池的测试分析方法及其系统 | |
| CN117173100A (zh) | 聚合物锂离子电池生产控制系统及其方法 | |
| CN116520154A (zh) | 锂电池极片检测的性能评估方法及其系统 | |
| CN116609671A (zh) | 电池容量预测方法、装置、设备及存储介质 | |
| CN116298902A (zh) | 一种基于多任务学习的锂电池老化预测方法及系统 | |
| Goswami et al. | A combined multiphysics modeling and deep learning framework to predict thermal runaway in cylindrical Li-ion batteries | |
| Liu et al. | Capacity estimation of Li-ion battery based on transformer-adversarial discriminative domain adaptation | |
| Sun et al. | Internal short circuit fault diagnosis for the lithium-ion batteries with unknown parameters based on transfer learning optimized residual network by multi-label data processing | |
| CN116859172B (zh) | 可盲插多节锂电池充放电系统及检测方法 |
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 |