CN117148177A - 电池动态一致性评价方法、装置和计算机设备 - Google Patents
电池动态一致性评价方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN117148177A CN117148177A CN202310882466.8A CN202310882466A CN117148177A CN 117148177 A CN117148177 A CN 117148177A CN 202310882466 A CN202310882466 A CN 202310882466A CN 117148177 A CN117148177 A CN 117148177A
- Authority
- CN
- China
- Prior art keywords
- battery
- charge
- voltage
- consistency
- state
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012512 characterization method Methods 0.000 claims abstract description 49
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 238000009826 distribution Methods 0.000 claims description 39
- 238000004590 computer program Methods 0.000 claims description 14
- 238000007599 discharging Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 239000000178 monomer Substances 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000004364 calculation method Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000007726 management method Methods 0.000 description 6
- 230000003068 static effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 102100037651 AP-2 complex subunit sigma Human genes 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 101000806914 Homo sapiens AP-2 complex subunit sigma Proteins 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012795 verification Methods 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- 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
- G01R31/387—Determining ampere-hour charge capacity or 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Secondary Cells (AREA)
Abstract
本申请提供一种电池动态一致性评价方法、装置和计算机设备,通过获取多个电池组的历史电池数据;所述历史电池数据包括:单体电池电压以及单体电池荷电状态;根据所述历史电池数据,构建动态一致性表征模型;获取待评估电池组的实时电池数据;根据所述实时电池数据以及所述动态一致性表征模型,确定待评估电池组的动态一致性。上述电池动态一致性评价方法,基于电池电压和电池和电池荷电状态能够在复杂工况下进行电池组SOC一致性分析,提高了电池一致性评估结果准确度。
Description
技术领域
本申请涉及电池动态一致性领域,特别是涉及一种电池动态一致性评价方法、装置和计算机设备。
背景技术
众所周知,电池制造过程及材料的微小差异,会使电池厂家生产的同一型号的单体电芯或多或少地存在一定的差异,由此组合的电池组也会存在着一致性问题。传统的电池管理系统(Battery Management System,BMS)对电池的荷电状态进行估计时,往往会将整个电池组作为一个整体来进行估计,这并不合理。基于此,需要动态一致性评估系统,在电池充放电的各个阶段,实时地评估当前车辆电池的一致性情况,从而分配合理的电池充放电功率。
目前的电池管理系统对电池组一致性的检测主要以电压为准,并以此作为车辆功率设计的参考,而忽略电池组内各电芯本身SOC的差异,这将导致各种工况下各电芯SOC之间差异可能会进一步加剧,且车辆处于低SOC时,由于部分电芯已到达截止电压,若继续放电会导致过放,若不继续放电,会导致实际放电不完全,表现出车辆续航不足的现象,因此,当下技术中大都基于电池静态特性,无法在复杂工况下进行电池组SOC一致性分析,从而导致电池一致性评估结果准确性低。
发明内容
基于此,有必要针对上述技术问题,提供一种电池动态一致性评价方法、装置和计算机设备。
第一方面,本申请提供了一种电池动态一致性评价方法,所述方法包括:
获取多个电池组的历史电池数据;所述历史电池数据包括:单体电池电压以及单体电池荷电状态;
根据所述历史电池数据,构建动态一致性表征模型;
获取待评估电池组的实时电池数据;
根据所述实时电池数据以及所述动态一致性表征模型,确定待评估电池组的动态一致性。
在其中一个实施例中,所述根据所述历史电池数据,构建动态一致性表征模型包括:
获取多个电池组的单体电池个数、单体电池电压以及单体电池荷电状态;
根据所述单体电池个数以及单体电池电压,确定电压不一致性参数;
根据所述单体电池个数以及单体电池荷电状态,确定荷电状态不一致性参数;
根据所述电压不一致性参数以及荷电状态不一致性参数,构建动态一致性表征模型。
在其中一个实施例中,所述根据所述单体电池个数以及单体电池电压,确定电压不一致性参数包括:
根据所述单体电池个数以及单体电池电压,计算相应电池组的电压均值、电压期望值以及电压标准差;
根据所述电压均值、电压期望值以及电压标准差,确定电压不一致性参数。
在其中一个实施例中,所述根据所述单体电池个数以及单体电池荷电状态,确定荷电状态不一致性参数包括:
根据所述单体电池个数以及单体电池荷电状态,计算相应电池组的荷电状态均值以及荷电状态标准差;
根据所述荷电状态均值、荷电状态标准差以及所有单体电池荷电状态,确定荷电状态不一致性参数。
在其中一个实施例中,所述获取单体电池荷电状态包括:
获取电池组历史数据;所述电池组历史数据包括:单体电池电压、单体电池温度、单体电池电流、电池组对应车辆车速、电池组充电状态、电池组充放电量以及电池组累计充放电量;
将所述电池组历史数据输入预先训练完成的荷电状态深度学习预测模型,得到单体电池荷电状态。
在其中一个实施例中,所述根据所述实时电池数据以及所述动态一致性表征模型,确定待评估电池组的动态一致性包括:
将所述实时电池数据输入所述动态一致性表征模型,获取动态一致性值;
其中,所述实时电池数据包括实时单体电池个数、实时单体电池电压以及实时单体电池荷电状态;所述动态一致性值包括F分布值;
基于所述动态一致性值以及预设范围确定电池动态一致性。
在其中一个实施例中,所述基于所述动态一致性值以及预设范围确定电池动态一致性包括:
基于预设参数确定预设范围;
所述预设参数包括显著性水平值,电池组个数,电池组中电池单体个数;
当所述动态一致性值位于预设范围内,则说明电池一致性正常;
当所述动态一致性值不在预设范围内,则说明电池一致性异常。
第二方面,本申请还提供了一种电池动态一致性的评估装置,所述装置包括:
第一获取模块,用于获取多个电池组的历史电池数据;所述历史电池数据包括:单体电池电压以及单体电池荷电状态;
构建模块,用于根据所述历史电池数据,构建动态一致性表征模型;
第二获取模块,用于获取待评估电池组的实时电池数据;
确定模块,用于根据所述实时电池数据以及所述动态一致性表征模型,确定待评估电池组的动态一致性。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取多个电池组的历史电池数据;所述历史电池数据包括:单体电池电压以及单体电池荷电状态;
根据所述历史电池数据,构建动态一致性表征模型;
获取待评估电池组的实时电池数据;
根据所述实时电池数据以及所述动态一致性表征模型,确定待评估电池组的动态一致性。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取多个电池组的历史电池数据;所述历史电池数据包括:单体电池电压以及单体电池荷电状态;
根据所述历史电池数据,构建动态一致性表征模型;
获取待评估电池组的实时电池数据;
根据所述实时电池数据以及所述动态一致性表征模型,确定待评估电池组的动态一致性。
上述电池动态一致性评价方法、装置和计算机设备,通过获取多个电池组的历史电池数据;所述历史电池数据包括:单体电池电压以及单体电池荷电状态;根据所述历史电池数据,构建动态一致性表征模型;获取待评估电池组的实时电池数据;根据所述实时电池数据以及所述动态一致性表征模型,确定待评估电池组的动态一致性。上述电池动态一致性评价方法,基于电池电压和电池荷电状态,能够在复杂工况下进行电池组SOC一致性分析,提高了电池一致性评估结果准确度。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案,下面将对实施例或传统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申请的一些实施例,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。
图1为一个实施例中电池动态一致性评价方法的应用环境图;
图2为本发明一个实施例的电池动态一致性评价方法的流程示意图;
图3为本发明一个实施例中的F分布概率密度函数示意图;
图4为本发明一个实施例中的显著性水平α=0.05时的F分布表的示意图;
图5为本发明一个实施例中的电池动态一致性评价装置的结构框图;
图6为本发明一个实施例中的计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅用以解释本申请,并不用于限定本申请。
电池厂家生产的同一型号的单体电芯,由于制造工艺之间的差异,或多或少地使产品也存在一定的差异,由此组合的电池组不可避免的存在着一致性问题。
传统的电池管理系统(Battery Management System,BMS)对电池的荷电状态进行估计计算时,往往会将整个电池组作为一个整体来进行估计计算,这种计算方式并不合理。例如某型号电池组,其内某个电芯的剩余SOC为20%,而另一个电芯的剩余SOC为80%,此时BMS估算电池组SOC为50%,因此此时的放电策略获得的SOC值为50%,由此进行车辆各模块的功率控制,这样将导致车辆需要大功率运行时,20%SOC的电芯面临过放的危险,车辆进行快充时,80%SOC的电芯面临过充的危险。基于此,需要动态一致性评估系统,在电池充放电的各个阶段,实时地评估当前车辆的一致性情况,从而分配合理的电池充放电功率。
目前的电池管理系统对电池组一致性的检测主要以电压为准,并以此作为车辆功率设计的参考,这种计算方法忽略了电池组内各电芯本身SOC的差异,这将导致各种工况下各电芯SOC之间差异可能会进一步加剧,且车辆处于低SOC时,由于部分电芯已到达截止电压,若继续放电会导致过放,若不继续放电,会导致实际放电不完全,表现出车辆续航不足的现象。
目前的电池一致性评估方法主要有:
(1)电压一致性检测,根据各电芯上的电压传感器测量各电芯的电压,对压差进行统计分析,以此作为电池组一致性的评估标准。
(2)静态容量一致性检测,通过对电池进行充电实验,获得各电芯的充电量,对充电差异量进行统计分析,以此作为电池组一致性的评估标准。
(3)交流阻抗一致性检测,将电池组在不同的压强下,充电到指定的电压,分析各电芯的电阻变化,以此作为电池组一致性的评估标准。
上述方法大都基于电池静态特性,无法在复杂工况下进行,比较片面,且与电池续航能力直接相关的SOC的一致性并不清晰,导致车辆制定功率策略时没有考虑电池组SOC一致性,从而损失部分续航能力。
本申请实施例提供电池动态一致性评价方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。用户在终端102上做出当前行为,终端102将当前行为数据传输给服务器104,服务器104获取多个电池组的历史电池数据;所述历史电池数据包括:单体电池电压以及单体电池荷电状态;根据所述历史电池数据,构建动态一致性表征模型;获取待评估电池组的实时电池数据;根据所述实时电池数据以及所述动态一致性表征模型,确定待评估电池组的动态一致性。其中,终端102可以但不限于是各种智能汽车,个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备,智能车载控制设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种电池动态一致性评价方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。本实施例中,该方法包括以下步骤:
步骤S201,获取多个电池组的历史电池数据;所述历史电池数据包括:单体电池电压以及单体电池荷电状态。
具体地,历史电池数据是指车辆运行时,车载电池产生的真实历史运行数据,包括全部的单体电池电压以及单体电池荷电状态,单体电池荷电状态是指单体电池的SOC值,全称是State of Charge,电池荷电状态,也叫剩余电量,用来反映电池的剩余容量,其数值上定义为剩余容量占电池容量的比值。
步骤S202,根据所述历史电池数据,构建动态一致性表征模型。
具体地,根据历史电池数据中的单体电池电压以及单体电池荷电状态进行模型训练可以获取动态一致性表征模型,其中,表征模型可以是通过神经网络深度学习构建的,也可以是基于统计学电池动态一致性原理进行构建的,在其他实施例中,还可以依据实际情况进行表征模型的确定,在此不作一一列举。
具体地,动态一致性表征模型的构建原理是:单体电池电压以及单体电池荷电状态可以实现电池动态一致性的计算。
步骤S203,获取待评估电池组的实时电池数据。
具体地,实时电池数据是指待评估电池组中全部单体电池当前时刻的电池数据,实时电池数据的类型与历史电池数据的类型是对应一致的,包括单体电池电压以及单体电池荷电状态。
步骤S204,根据所述实时电池数据以及所述动态一致性表征模型,确定待评估电池组的动态一致性。
具体地,将获取的实时电池数据输入动态一致性表征模型,可以获取待评估电池组实时的动态一致性结果。
上述电池动态一致性评价方法中,通过获取多个电池组的历史电池数据;所述历史电池数据包括:单体电池电压以及单体电池荷电状态;根据所述历史电池数据,构建动态一致性表征模型;获取待评估电池组的实时电池数据;根据所述实时电池数据以及所述动态一致性表征模型,确定待评估电池组的动态一致性。能够基于电池电压和电池荷电状态在复杂工况下进行电池组SOC一致性分析,提高了电池一致性评估结果准确度。
在一个实施例中,所述根据所述历史电池数据,构建动态一致性表征模型包括:
获取多个电池组的单体电池个数、单体电池电压以及单体电池荷电状态;
根据所述单体电池个数以及单体电池电压,确定电压不一致性参数;
根据所述单体电池个数以及单体电池荷电状态,确定荷电状态不一致性参数;
根据所述电压不一致性参数以及荷电状态不一致性参数,构建动态一致性表征模型。
具体地,因为在统计学中数据的均值,期望值以及标准差能够反映出数据的波动情况,因此获取对应的单体电池个数以及单体电池电压,能够进而获取对应的电压均值,期望值以及标准差,基于以上数据能够利用统计学中的卡方分布以及F分布的原理进而计算出电压不一致性参数;获取对应的单体电池个数以及单体电池荷电状态,能够进而获取对应的电池SOC值的均值,期望值以及标准差,基于以上数据能够利用统计学中的卡方分布以及F分布的原理进而计算出荷电状态不一致性参数。
上述实施例中,综合考虑电压不一致性参数以及荷电状态不一致性参数,能够精准构建满足复杂工况下的动态一致性表征模型。
在一个实施例中,所述根据所述单体电池个数以及单体电池电压,确定电压不一致性参数包括:
根据所述单体电池个数以及单体电池电压,计算相应电池组的电压均值、电压期望值以及电压标准差;
根据所述电压均值、电压期望值以及电压标准差,确定电压不一致性参数。
具体地,确定电压不一致性参数的过程如下:
首先,根据获取的多个电池组的单体电池个数和单体电池电压数据,计算统计电池电压的期望和方差,具体公式如下:
其中,μ为单体电池电压的平均值,σ2表示方差,表示电压不均匀分布曲线各个电压段电压的中值,Pi表示各段电压的概率。
其次,以统计所得的各个单体电池的电压均值和方差作为正态分布概率密度函数的均值和方差,带入下面公式,得到概率密度曲线族:
其中,U表示电池的工作电压,μ为单体电池电压的平均值,σ表示方差。
因为电池单体电压符合正态分布,同时整个电池组由N个单体电池组成,即存在N个单体电池电压均符合正态分布,由卡方分布可知,这N个单体电池的电压的平方和构成一新的随机变量,服从卡方分布。采用卡方(χ2)分布对电池组内单体电池的工作电压参数进行检验,将上述统计过程中所有单体电池的电压以一定的分度,将整个电压区域划分为N个区间,分别进行统计。所得到的卡方(χ2)分布为以K=N-1为自由度的概率描述。
统计学上,自由度是指当以样本的统计量来估计总体的参数时,样本中独立或能自电变化的数据的个数称为该统计量的自由度。一般来说,自由度等于独立变量减掉其衍生量数。举例来说,变异数的定义是样本减平均值(一个由样本决定的衍生量),因此对N个随机样本而言,其自由度为N-1。
示例性的,在这个统计分析过程中,假定均值和方差未知,即未知数量r=2。以α=0.05为显著水平,在χ2分布表中查得χ2计算公式如下:
其中,k表示统计样本的分类个数,表示第k类实际观察频数,/>表示第k类的理论频数。
综上所述,可以得知χ2分布对电池组工作电压的离散度进行描述是可行的。
由F分布的定义可知,电池单体电压与电池单体SOC值均可使用F分布进行一致性描述。具体方法如下:
令n为电池组单体电池总个数,r为电池组数,mi为第i组单体电池个数,Xij表示第i组中第j各单体电池的工作电压值,因此可以得到如下公式:
其中,为第i组中所有单体电池的工作电压均值,其中i=1,2,…,r,σx表示电池工作电压的标准差,μi表示第i组电池工作电压总体的期望值,α为显著性水平,这里则特指判定电池出现不一致的预警值。
令第z组为各电池组中工作电压均值最高的一组,其均值表示为且i≠z,由正态分布的性质可知有如下成立:
进一步可以得到:
其中,由F分布得出的FX也即电压不一致性参数。
上述实施例中,基于相应电池组的单体电池电压均值、单体电池电压期望值以及单体电池电压标准差,并且利用统计学中的卡方分布以及F分布的计算原理,精准确定电压不一致性参数。
在一个实施例中,所述根据所述单体电池个数以及单体电池荷电状态,确定荷电状态不一致性参数包括:
根据所述单体电池个数以及单体电池荷电状态,计算相应电池组的荷电状态均值以及荷电状态标准差;
根据所述荷电状态均值、荷电状态标准差以及所有单体电池荷电状态,确定荷电状态不一致性参数。
具体地,根据所述荷电状态均值、荷电状态标准差以及所有单体电池荷电状态,确定荷电状态不一致性参数的过程如下:
获取单体电池荷电状态后,方差σ2用来衡量组内各单体电池SOC的波动大小,表征SOC的均匀程度,同时使用变异系数θ来表征不同电池组之间性能参数的变异程度,具体公式如下:
其中,σ2为电池组SOC方差,θ为电池组变异系数,SOCi为单体电池荷电状态,为电池组平均荷电状态,n为电池组单体电池个数。
定义SOC不一致度ε的计算公式如下:
其中,ε为电池组荷电状态不一致度,θ为电池组变异系数,SOCi为单体电池荷电状态,为电池组平均荷电状态,n为电池组单体电池个数。
具体地,由F分布的定义可知,电压与SOC可使用F分布进行一致性描述。
具体方法如下:
令n为电池组单体电池总个数,r为电池组数,mi为第i组单体电池个数,Yij表示第i组中第j各单体电池的SOC值,
Yij表示第i组中第j个单体电池的SOC,为第i组中所有单体电池的SOC均值,其中i=1,2,…,r,σy表示SOC总体的标准差,μi表示第i组电池工作电压总体的期望值,α为显著性水平,这里则特指判定电池出现不一致的预警值。具体公式如下:
在第i组中,电池SOC的样本方差为:
则根据正态分布的性质可知有如下成立:
其中,FY就是荷电状态不一致性参数,Yij表示第i组中第j个单体电池的SOC,为第i组中所有单体电池的SOC均值。
上述实施例中,基于相应电池组的单体电池的荷电状态均值、荷电状态标准差,并且利用统计学中的卡方分布以及F分布的计算原理,精准确定荷电状态不一致性参数。
在一个实施例中,所述获取单体电池荷电状态包括:
获取电池组历史数据;所述电池组历史数据包括:单体电池电压、单体电池温度、单体电池电流、电池组对应车辆车速、电池组充电状态、电池组充放电量以及电池组累计充放电量;
将所述电池组历史数据输入预先训练完成的荷电状态深度学习预测模型,得到单体电池荷电状态。
具体地,将获得的电池组历史数据集经过数据处理,包括空值填充和异常值处理后,分为训练集和测试集,以电池单体电压、总电流、电池温度为输入参数,建立SOC深度学习预测模型,在训练集上进行训练,在测试集上进行验证,循环迭代,直到SOC模型误差低于5%。
示例性的,根据电池基本参数,如某型号三元锂电池,其电压上限为4.3V,电压下限为3.2V,则剔除数据中处于该范围之外的数据,其它字段数据操作类似。对于数据中部分字段存在零值或缺少值,由于电池数据具有缓变性,可以填充相应字段数据前后几条数据的平均值。
具体的,将由n个单体电池组成的电池组的单体电压、总电流、电池温度等参数输入到荷电状态深度学习预测模型中,得到n个单体电池的当前SOC值。
上述实施例中,通过所述电池组历史数据训练贴近实际的荷电状态深度学习预测模型,进而精准获取单体电池荷电状态。
在一个实施例中,所述根据所述实时电池数据以及所述动态一致性表征模型,确定待评估电池组的动态一致性包括:
将所述实时电池数据输入所述动态一致性表征模型,获取动态一致性值;
其中,所述实时电池数据包括实时单体电池个数、实时单体电池电压以及实时单体电池荷电状态;所述动态一致性值包括F分布值;
基于所述动态一致性值以及预设范围确定电池动态一致性。
具体地,所述实时电池数据输入所述动态一致性表征模型,对应的分别获取FX也即电压不一致性参数,FY也即荷电状态不一致性参数。
FX和FY分别服从自由度为(r-1)和(mi-1)的χ2分布,由F分布的定义可知,有下式成立:
F值也即F分布值,也即动态一致性值。
上述实施例中,基于用户对于电池动态一致性的需求,可以确定出不同的预设动态一致值范围,将实际获得的电池工作电压和SOC数据代入上述公式中,计算得到F值。通过判断F值和预设范围之间的关系,可以精准判断出对应的电池动态一致性。
在一个实施例中,所述基于所述动态一致性值以及预设范围确定电池动态一致性包括:
基于预设参数确定预设范围;
所述预设参数包括显著性水平值,电池组个数,电池组中电池单体个数;
当所述动态一致性值位于预设范围内,则说明电池一致性正常;
当所述动态一致性值不在预设范围内,则说明电池一致性异常。
具体地,显著性水平值也即α,显著性水平是估计总体参数落在某一区间内,可能犯错误的概率,用α表示。显著性是对差异的程度而言的,程度不同说明引起变动的原因也有不同:一类是条件差异,一类是随机差异。它是在进行假设检验时事先确定一个可允许的作为判断界限的小概率标准。
具体的,根据预先设定好的电池组不一致预警值α,也即显著性水平值,通过查F分布表的方式计算左右两侧的临界值,即上侧分位数,进而得到相应的接受域(λ1、λ2)和拒绝域((0,λ1)∪(λ2,∞)),其中接收域可以理解为预设范围内,拒绝域可以理解为预设范围外。
将实际获得的电池工作电压和SOC数据代入公式中,计算F值得到。
其中,FX和FY分别服从自由度为(r-1)和(mi-1)的χ2分布,由F分布的定义可知,公式如下:
其中,r-1和mi-1代表F分布表中的左右两侧的临界值。
若F值处于接受域中,则说明电池一致性正常,若F值处于接受域外,则说明电池一致性异常,且离接受域越远,表明不一致性程度越高。
示例性的,取某型号电池包共包含108个单体电池,其规格参数为4.35V,2.1Ah。以这些电池的充放电数据作为基础的样本数据,即n=108,将这些电池分为6组,即r=6,每组18个单体电池,即mi=18,参阅图3所示,可以得到相应的F分布概率密度函数示意图。
因为r=6,mi=18,因此可以得知F分布表中,F~F(5,17),参阅图4所示,图4是显著性水平α=0.05时的F分布表,通过查表可知,在显著性水平α=0.05时的两个临界值,可知其上侧分为数λ2=2.81,故根据F分布的性质,λ1=1/λ2=0.35。其接受域为(0.35,2.81)。
将108个单体电池的充放电数据代入如下公式中,与接受域进行对比:
其中mi=18,r=6。最终计算得到结果F=0.3949,处于接受域(0.35,2.81)内,因此可以判定该电池组动态一致性良好。
上述实施例中,基于当所述动态一致性值以及对应的预设范围,精准确定电池一致性的正常和异常。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的电池动态一致性的评估方法的电池动态一致性的评估装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个电池动态一致性的评估装置实施例中的具体限定可以参见上文中对于网络安全问题的诊断方法的限定,在此不再赘述。
在一个实施例中,如图5所示,提供了一种电池动态一致性的评估装置,包括:第一获取模块510、构建模块520、第二获取模块530和确定模块540,其中:
第一获取模块510,用于获取多个电池组的历史电池数据;所述历史电池数据包括:单体电池电压以及单体电池荷电状态。
第一获取模块510,还用于获取电池组历史数据;所述电池组历史数据包括:单体电池电压、单体电池温度、单体电池电流、电池组对应车辆车速、电池组充电状态、电池组充放电量以及电池组累计充放电量;
将所述电池组历史数据输入预先训练完成的荷电状态深度学习预测模型,得到单体电池荷电状态。
构建模块520,用于根据所述历史电池数据,构建动态一致性表征模型。
构建模块520,还用于获取多个电池组的单体电池个数、单体电池电压以及单体电池荷电状态;
根据所述单体电池个数以及单体电池电压,确定电压不一致性参数;
根据所述单体电池个数以及单体电池荷电状态,确定荷电状态不一致性参数;
根据所述电压不一致性参数以及荷电状态不一致性参数,构建动态一致性表征模型。
构建模块520,还用于根据所述单体电池个数以及单体电池电压,计算相应电池组的电压均值、电压期望值以及电压标准差;
根据所述电压均值、电压期望值以及电压标准差,确定电压不一致性参数。
构建模块520,还用于根据所述单体电池个数以及单体电池荷电状态,计算相应电池组的荷电状态均值以及荷电状态标准差;
根据所述荷电状态均值、荷电状态标准差以及所有单体电池荷电状态,确定荷电状态不一致性参数。
第二获取模块530,用于获取待评估电池组的实时电池数据。
确定模块540,用于根据所述实时电池数据以及所述动态一致性表征模型,确定待评估电池组的动态一致性。
确定模块540,还用于将所述实时电池数据输入所述动态一致性表征模型,获取动态一致性值;
其中,所述实时电池数据包括实时单体电池个数、实时单体电池电压以及实时单体电池荷电状态;所述动态一致性值包括F分布值;
基于所述动态一致性值以及预设范围确定电池动态一致性。
确定模块540,还用于基于预设参数确定预设范围;
所述预设参数包括显著性水平值,电池组个数,电池组中电池单体个数;
当所述动态一致性值位于预设范围内,则说明电池一致性正常;
当所述动态一致性值不在预设范围内,则说明电池一致性异常。
上述电池动态一致性的评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种电池动态一致性的评估装置。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取多个电池组的历史电池数据;所述历史电池数据包括:单体电池电压以及单体电池荷电状态;
根据所述历史电池数据,构建动态一致性表征模型;
获取待评估电池组的实时电池数据;
根据所述实时电池数据以及所述动态一致性表征模型,确定待评估电池组的动态一致性。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取多个电池组的历史电池数据;所述历史电池数据包括:单体电池电压以及单体电池荷电状态;
根据所述历史电池数据,构建动态一致性表征模型;
获取待评估电池组的实时电池数据;
根据所述实时电池数据以及所述动态一致性表征模型,确定待评估电池组的动态一致性。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种电池动态一致性评价方法,其特征在于,包括:
获取多个电池组的历史电池数据;所述历史电池数据包括:单体电池电压以及单体电池荷电状态;
根据所述历史电池数据,构建动态一致性表征模型;
获取待评估电池组的实时电池数据;
根据所述实时电池数据以及所述动态一致性表征模型,确定待评估电池组的动态一致性。
2.根据权利要求1所述的电池动态一致性评价方法,其特征在于,所述根据所述历史电池数据,构建动态一致性表征模型包括:
获取多个电池组的单体电池个数、单体电池电压以及单体电池荷电状态;
根据所述单体电池个数以及单体电池电压,确定电压不一致性参数;
根据所述单体电池个数以及单体电池荷电状态,确定荷电状态不一致性参数;
根据所述电压不一致性参数以及荷电状态不一致性参数,构建动态一致性表征模型。
3.根据权利要求2所述的电池动态一致性评价方法,其特征在于,所述根据所述单体电池个数以及单体电池电压,确定电压不一致性参数包括:
根据所述单体电池个数以及单体电池电压,计算相应电池组的电压均值、电压期望值以及电压标准差;
根据所述电压均值、电压期望值以及电压标准差,确定电压不一致性参数。
4.根据权利要求2所述的电池动态一致性评价方法,其特征在于,所述根据所述单体电池个数以及单体电池荷电状态,确定荷电状态不一致性参数包括:
根据所述单体电池个数以及单体电池荷电状态,计算相应电池组的荷电状态均值以及荷电状态标准差;
根据所述荷电状态均值、荷电状态标准差以及所有单体电池荷电状态,确定荷电状态不一致性参数。
5.根据权利要求2所述的电池动态一致性评价方法,其特征在于,所述获取单体电池荷电状态包括:
获取电池组历史数据;所述电池组历史数据包括:单体电池电压、单体电池温度、单体电池电流、电池组对应车辆车速、电池组充电状态、电池组充放电量以及电池组累计充放电量;
将所述电池组历史数据输入预先训练完成的荷电状态深度学习预测模型,得到单体电池荷电状态。
6.根据权利要求2所述的电池动态一致性评价方法,其特征在于,所述根据所述实时电池数据以及所述动态一致性表征模型,确定待评估电池组的动态一致性包括:
将所述实时电池数据输入所述动态一致性表征模型,获取动态一致性值;
其中,所述实时电池数据包括实时单体电池个数、实时单体电池电压以及实时单体电池荷电状态;所述动态一致性值包括F分布值;
基于所述动态一致性值以及预设范围确定电池动态一致性。
7.根据权利要求6所述的电池动态一致性评价方法,其特征在于,所述基于所述动态一致性值以及预设范围确定电池动态一致性包括:
基于预设参数确定预设范围;所述预设参数包括显著性水平值,电池组个数,电池组中电池单体个数;
当所述动态一致性值位于预设范围内,则说明电池一致性正常;
当所述动态一致性值不在预设范围内,则说明电池一致性异常。
8.一种电池动态一致性评估装置,其特征在于,所述装置包括:
第一获取模块,用于获取多个电池组的历史电池数据;所述历史电池数据包括:单体电池电压以及单体电池荷电状态;
构建模块,用于根据所述历史电池数据,构建动态一致性表征模型;
第二获取模块,用于获取待评估电池组的实时电池数据;
确定模块,用于根据所述实时电池数据以及所述动态一致性表征模型,确定待评估电池组的动态一致性。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310882466.8A CN117148177A (zh) | 2023-07-18 | 2023-07-18 | 电池动态一致性评价方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310882466.8A CN117148177A (zh) | 2023-07-18 | 2023-07-18 | 电池动态一致性评价方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117148177A true CN117148177A (zh) | 2023-12-01 |
Family
ID=88908934
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310882466.8A Pending CN117148177A (zh) | 2023-07-18 | 2023-07-18 | 电池动态一致性评价方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117148177A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117686922A (zh) * | 2024-02-04 | 2024-03-12 | 深圳市安仕新能源科技有限公司 | 基于数据建模的电芯测试方法、系统和可读存储介质 |
CN117885606A (zh) * | 2024-03-13 | 2024-04-16 | 中国第一汽车股份有限公司 | 电池管理方法、系统、车辆及存储介质 |
-
2023
- 2023-07-18 CN CN202310882466.8A patent/CN117148177A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117686922A (zh) * | 2024-02-04 | 2024-03-12 | 深圳市安仕新能源科技有限公司 | 基于数据建模的电芯测试方法、系统和可读存储介质 |
CN117885606A (zh) * | 2024-03-13 | 2024-04-16 | 中国第一汽车股份有限公司 | 电池管理方法、系统、车辆及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A novel consistency evaluation method for series-connected battery systems based on real-world operation data | |
Ungurean et al. | Battery state of health estimation: a structured review of models, methods and commercial devices | |
Tan et al. | Real-time state-of-health estimation of lithium-ion batteries based on the equivalent internal resistance | |
Rezvanizaniani et al. | Review and recent advances in battery health monitoring and prognostics technologies for electric vehicle (EV) safety and mobility | |
CN117148177A (zh) | 电池动态一致性评价方法、装置和计算机设备 | |
US11965935B2 (en) | Method and apparatus for operating a system for providing predicted states of health of electrical energy stores for a device using machine learning methods | |
US20110208451A1 (en) | Method and apparatus for detecting cell deterioration in an electrochemical cell or battery | |
Bockrath et al. | State of health estimation of lithium-ion batteries with a temporal convolutional neural network using partial load profiles | |
Zhang et al. | Intelligent state of charge estimation of battery pack based on particle swarm optimization algorithm improved radical basis function neural network | |
Baccouche et al. | Li‐ion battery modeling and characterization: an experimental overview on NMC battery | |
Li et al. | The lithium-ion battery state-of-charge estimation using random forest regression | |
Gasper et al. | Predicting battery capacity from impedance at varying temperature and state of charge using machine learning | |
CN114818831B (zh) | 基于多源感知的双向锂离子电池故障检测方法及系统 | |
US20220373609A1 (en) | State Value for Rechargeable Batteries | |
CN111816936A (zh) | 电池梯次利用配组方法、系统、终端设备及存储介质 | |
KR20140137181A (ko) | 배터리의 두께 예측 시스템 및 배터리의 두께 예측 방법 | |
CN115805810A (zh) | 电池故障预测方法、装置、设备、存储介质和程序产品 | |
Sun et al. | Battery state of health estimation method based on sparse auto‐encoder and backward propagation fading diversity among battery cells | |
Park et al. | Capacity estimation of Li-ion batteries using constant current charging voltage with multilayer perceptron | |
Jeng et al. | Evaluation of cell inconsistency in lithium-ion battery pack using the autoencoder network model | |
CN116482540A (zh) | 电池电压不一致性的分析预测方法、装置及系统 | |
Xu et al. | State-of-charge estimation and health prognosis for lithium-ion batteries based on temperature-compensated Bi-LSTM network and integrated attention mechanism | |
CN117031292A (zh) | 电池健康状态预测方法、装置、计算机设备和存储介质 | |
US20230324463A1 (en) | Method and Apparatus for Operating a System for Detecting an Anomaly of an Electrical Energy Store for a Device by Means of Machine Learning Methods | |
CN115859150A (zh) | 动力电池健康状态确定方法、装置、设备和存储介质 |
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 |