CN117289146A - 储能电池的充放电测试方法、装置、设备及存储介质 - Google Patents
储能电池的充放电测试方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117289146A CN117289146A CN202311472677.0A CN202311472677A CN117289146A CN 117289146 A CN117289146 A CN 117289146A CN 202311472677 A CN202311472677 A CN 202311472677A CN 117289146 A CN117289146 A CN 117289146A
- Authority
- CN
- China
- Prior art keywords
- energy storage
- data
- storage battery
- discharge
- charge
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 252
- 238000012360 testing method Methods 0.000 title claims abstract description 165
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 238000011156 evaluation Methods 0.000 claims abstract description 136
- 238000004458 analytical method Methods 0.000 claims abstract description 129
- 239000011159 matrix material Substances 0.000 claims abstract description 75
- 239000013598 vector Substances 0.000 claims abstract description 63
- 238000009826 distribution Methods 0.000 claims abstract description 43
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 32
- 230000007613 environmental effect Effects 0.000 claims abstract description 25
- 238000013433 optimization analysis Methods 0.000 claims abstract description 22
- 238000005562 fading Methods 0.000 claims abstract description 14
- 238000000556 factor analysis Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims description 51
- 230000009467 reduction Effects 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 15
- 230000035772 mutation Effects 0.000 claims description 11
- 238000007405 data analysis Methods 0.000 claims description 9
- 238000005315 distribution function Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000010998 test method Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 210000004027 cell Anatomy 0.000 description 112
- 230000008569 process Effects 0.000 description 17
- 210000000352 storage cell Anatomy 0.000 description 12
- 238000007599 discharging Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 238000001994 activation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002277 temperature effect Effects 0.000 description 2
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 239000011149 active material Substances 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 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
- 230000003287 optical effect Effects 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及电池测试领域,公开了一种储能电池的充放电测试方法、装置、设备及存储介质,用于提高储能电池的充放电测试的准确率。方法包括:进行充放电循环测试,得到循环充放电测试数据以及环境温度数据;进行测试数据解析,得到自放电电流数据和电芯开路电压数据并进行曲线拟合和温度影响因素分析,得到温度分布曲线;计算容量衰减指标并计算循环寿命指标以及生成温度影响指标;构建每个待测试储能电池的性能评价向量,并根据性能评价向量构建目标评价矩阵;将目标评价矩阵输入预置的储能电池分析模型进行电芯数量性能影响分析,得到多个性能分析结果,并对多个性能分析结果进行电芯数量最优化分析,得到目标电芯数量。
Description
技术领域
本发明涉及电池测试领域,尤其涉及一种储能电池的充放电测试方法、装置、设备及存储介质。
背景技术
储能电池作为一种重要的能量存储技术,在电动汽车、可再生能源储能等领域得到了广泛应用。然而,随着能源需求不断增加,对储能电池性能和寿命的要求也越来越高。因此,对储能电池的充放电测试方法进行研究和优化变得尤为重要。电芯数量是影响储能电池性能的一个重要因素。不同电芯数量的组合将直接影响整个储能电池系统的电性能、热性能、循环寿命等。当电池组中的电芯数量增加时,整体储能容量增加,电流输出能力也随之提高,但同时也会增加电池组的复杂度和系统成本。在储能电池组中,电芯之间的差异性很常见,如容量、内阻、自放电等。因此,当电芯数量增加时,这些差异性也会被放大,导致电池组的不均衡现象更加明显。不均衡状态会导致部分电芯过早失效,从而缩短了整个储能电池组的使用寿命。此外,电芯数量还与充放电循环次数的选择相关。在一定的充放电循环次数下,电芯数量的增加会导致充放电过程的复杂度增加,从而影响电池的循环寿命和性能稳定性。
但是目前,现有方案主要集中在性能评价和寿命预测方面。通过对电池在充放电过程中的性能进行测试和分析,可以评估电池的容量衰减、自放电电流等指标,进而预测电池的循环寿命和性能变化情况。然而,在实际应用中,储能电池的数量往往不止一个,且电池之间存在差异,这些差异可能来自于材料、制造工艺、温度等多个因素。因此,对于不同电池数量情况下的充放电测试方法进行研究,以及电芯数量对储能电池性能的影响分析成为一个重要课题。
发明内容
本发明提供了一种储能电池的充放电测试方法、装置、设备及存储介质,用于提高储能电池的充放电测试的准确率。
本发明电流方面提供了一种储能电池的充放电测试方法,所述储能电池的充放电测试方法包括:
基于预置的恒电位充放电测试方案确定多个不同初始电芯数量对应的待测试储能电池,并对所述待测试储能电池进行状态初始化,得到每个待测试储能电池的电池漏电流状态参数;
根据所述恒电位充放电测试方案和所述电池漏电流状态参数设置充放电循环次数,并基于所述充放电循环次数进行充放电循环测试,得到每个待测试储能电池的循环充放电测试数据以及环境温度数据;
对所述循环充放电测试数据进行测试数据解析,得到每个待测试储能电池的自放电电流数据和电芯开路电压数据,并对所述环境温度数据进行曲线拟合和温度影响因素分析,得到每个待测试储能电池的温度分布曲线;
根据所述自放电电流数据和所述电芯开路电压数据,计算每个待测试储能电池的容量衰减指标,并根据所述容量衰减指标和预设的容量损失门限计算每个待测试储能电池的循环寿命指标,以及根据所述温度分布曲线生成温度影响指标;
根据所述温度影响指标、所述容量衰减指标以及所述循环寿命指标,构建每个待测试储能电池的性能评价向量,并根据所述性能评价向量构建目标评价矩阵;
将所述目标评价矩阵输入预置的储能电池分析模型进行电芯数量性能影响分析,得到多个性能分析结果,并对所述多个性能分析结果进行电芯数量最优化分析,得到目标电芯数量。
结合第一方面,在本发明电流方面的电流种实现方式中,所述对所述循环充放电测试数据进行测试数据解析,得到每个待测试储能电池的自放电电流数据和电芯开路电压数据,并对所述环境温度数据进行曲线拟合和温度影响因素分析,得到每个待测试储能电池的温度分布曲线,包括:
对所述循环充放电测试数据进行特征提取,得到电流特征数据,并对所述循环充放电测试数据进行特征提取,得到电压特征数据;
将所述电流特征数据和所述电压特征数据输入测试数据解析模型,并通过预置的模型参数对所述电流特征数据和所述电压特征数据进行数据关联中心计算,得到电流初始数据关联中心以及电压初始数据关联中心;
对所述电流特征数据与所述电流初始数据关联中心的距离进行计算,得到多个电流特征中心距并对所述多个电流特征中心距进行平均值计算,得到电流平均中心距,以及对所述电压特征数据与所述电压初始数据关联中心的距离进行计算,得到多个电压特征中心距并对所述多个电压特征中心距进行平均值计算,得到电压平均中心距;
根据所述电流平均中心距对所述电流特征数据进行数据关联中心计算,得到电流目标数据关联中心,以及根据所述电压平均中心距对所述电压特征数据进行数据关联中心计算,得到电压目标数据关联中心;
对所述电流目标数据关联中心和所述电压目标数据关联中心进行测试数据分类提取,得到每个待测试储能电池的自放电电流数据和电芯开路电压数据;
通过预置的概率密度分布函数对所述环境温度数据进行曲线拟合,得到温度分布曲线。
结合第一方面,在本发明电流方面的电压种实现方式中,所述根据所述自放电电流数据和所述电芯开路电压数据,计算每个待测试储能电池的容量衰减指标,并根据所述容量衰减指标和预设的容量损失门限计算每个待测试储能电池的循环寿命指标,以及根据所述温度分布曲线生成温度影响指标,包括:
根据所述自放电电流数据和所述电芯开路电压数据,计算每个待测试储能电池的第一电容值;
根据所述充放电循环次数确定所述待测试储能电池的多个测试周期,并计算每个测试周期结束时每个待测试储能电池的第二电容值;
根据所述第一电容值和所述第二电容值,计算每个待测试储能电池的容量衰减指标;
根据每个待测试储能电池的初始电芯数量,设置对应的容量损失门限,并根据所述容量衰减指标和预设的容量损失门限计算每个待测试储能电池的循环寿命指标;
根据所述温度分布曲线、所述容量衰减指标以及所述循环寿命指标生成对应的温度影响指标。
结合第一方面,在本发明电流方面的第三种实现方式中,所述根据所述温度分布曲线、所述容量衰减指标以及所述循环寿命指标生成对应的温度影响指标,包括:
分别对所述容量衰减指标以及所述循环寿命指标进行特征提取,得到电池容量衰减速率和循环寿命缩减量;
对所述电池容量衰减速率和所述循环寿命缩减量分别与所述温度分布曲线进行映射匹配,构建温度变化参数集合;
对所述温度变化参数集合进行均值运算,生成每个待测试储能电池对应的温度影响指标。
结合第一方面,在本发明电流方面的第四种实现方式中,所述根据所述温度影响指标、所述容量衰减指标以及所述循环寿命指标,构建每个待测试储能电池的性能评价向量,并根据所述性能评价向量构建目标评价矩阵,包括:
分别对所述温度影响指标、所述容量衰减指标以及所述循环寿命指标进行离散化处理,得到多个离散化指标;
对所述多个离散化指标进行向量转换,生成每个待测试储能电池的性能评价向量;
基于每个待测试储能电池的初始电芯数量设置对应性能评价向量的目标权重;
根据所述目标权重和所述性能评价向量,构建对应的目标评价矩阵。
结合第一方面,在本发明电流方面的第五种实现方式中,所述将所述目标评价矩阵输入预置的储能电池分析模型进行电芯数量性能影响分析,得到多个性能分析结果,并对所述多个性能分析结果进行电芯数量最优化分析,得到目标电芯数量,包括:
将所述目标评价矩阵输入预置的储能电池分析模型,其中,所述储能电池分析模型包括编码网络和解码网络,所述编码网络包括多个第一门限循环网络,所述解码网络包括多个第二门限循环网络;
通过所述编码网络中的每个第一门限循环网络对所述目标评价矩阵进行特征编码运算,得到特征编码矩阵;
将所述特征编码矩阵输入所述解码网络中的多个第二门限循环网络进行电芯数量性能影响分析,得到每个第二门限循环网络的性能分析结果,其中,所述性能分析结果用于指示每个待测试储能电池的性能评价数据;
对所述多个性能分析结果进行电芯数量最优化分析,得到目标电芯数量。
结合第一方面,在本发明电流方面的第六种实现方式中,所述对所述多个性能分析结果进行电芯数量最优化分析,得到目标电芯数量,包括:
根据所述多个性能分析结果设定优化目标,并根据多个不同初始电芯数量和所述优化目标创建最优化函数;
将多个不同初始电芯数量作为初始种群,并通过所述最优化函数计算每一初始电芯数量的初始适应度;
根据所述性能分析结果对应的性能评价数据对所述初始适应度进行融合,得到融合适应度;
对所述融合适应度进行排序分析,得到目标适应度序列,并根据所述目标适应度序列对所述初始种群进行交叉和变异操作,得到目标种群;
对所述目标种群进行重复迭代分析,输出最优化时对应的目标电芯数量。
本发明电压方面提供了一种储能电池的充放电测试装置,所述储能电池的充放电测试装置包括:
初始化模块,用于基于预置的恒电位充放电测试方案确定多个不同初始电芯数量对应的待测试储能电池,并对所述待测试储能电池进行状态初始化,得到每个待测试储能电池的电池漏电流状态参数;
测试模块,用于根据所述恒电位充放电测试方案和所述电池漏电流状态参数设置充放电循环次数,并基于所述充放电循环次数进行充放电循环测试,得到每个待测试储能电池的循环充放电测试数据以及环境温度数据;
解析模块,用于对所述循环充放电测试数据进行测试数据解析,得到每个待测试储能电池的自放电电流数据和电芯开路电压数据,并对所述环境温度数据进行曲线拟合和温度影响因素分析,得到每个待测试储能电池的温度分布曲线;
计算模块,用于根据所述自放电电流数据和所述电芯开路电压数据,计算每个待测试储能电池的容量衰减指标,并根据所述容量衰减指标和预设的容量损失门限计算每个待测试储能电池的循环寿命指标,以及根据所述温度分布曲线生成温度影响指标;
构建模块,用于根据所述温度影响指标、所述容量衰减指标以及所述循环寿命指标,构建每个待测试储能电池的性能评价向量,并根据所述性能评价向量构建目标评价矩阵;
分析模块,用于将所述目标评价矩阵输入预置的储能电池分析模型进行电芯数量性能影响分析,得到多个性能分析结果,并对所述多个性能分析结果进行电芯数量最优化分析,得到目标电芯数量。
本发明第三方面提供了一种储能电池的充放电测试设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述储能电池的充放电测试设备执行上述的储能电池的充放电测试方法。
本发明的第四方面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中存储有指令,当其在计算机上运行时,使得计算机执行上述的储能电池的充放电测试方法。
本发明提供的技术方案中,通过进行充放电循环测试,得到循环充放电测试数据以及环境温度数据;进行测试数据解析,得到自放电电流数据和电芯开路电压数据并进行曲线拟合和温度影响因素分析,得到温度分布曲线;计算容量衰减指标并计算循环寿命指标以及生成温度影响指标;构建每个待测试储能电池的性能评价向量,并根据性能评价向量构建目标评价矩阵;将目标评价矩阵输入预置的储能电池分析模型进行电芯数量性能影响分析,得到多个性能分析结果,并对多个性能分析结果进行电芯数量最优化分析,得到目标电芯数量,本发明通过评估储能电池的性能指标,包括容量衰减、自放电电流关键参数,进行循环寿命指标的分析,预测储能电池的使用寿命,并且分析电芯数量对储能电池的影响,有助于优化电池组的配置和设计,减少电池之间的差异性,提高电池组的整体稳定性和均衡性,合理配置电芯数量有助于提高储能电池组的充放电效率,进而提高储能电池的充放电测试的准确率。
附图说明
图1为本发明实施例中储能电池的充放电测试方法的一个实施例示意图;
图2为本发明实施例中计算容量衰减指标、循环寿命指标以及温度影响指标的流程图;
图3为本发明实施例中电芯数量性能影响分析的流程图;
图4为本发明实施例中电芯数量最优化分析的流程图;
图5为本发明实施例中储能电池的充放电测试装置的一个实施例示意图;
图6为本发明实施例中储能电池的充放电测试设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种储能电池的充放电测试方法、装置、设备及存储介质,用于提高储能电池的充放电测试的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中储能电池的充放电测试方法的一个实施例包括:
S101、基于预置的恒电位充放电测试方案确定多个不同初始电芯数量对应的待测试储能电池,并对待测试储能电池进行状态初始化,得到每个待测试储能电池的电池漏电流状态参数;
可以理解的是,本发明的执行主体可以为储能电池的充放电测试装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,服务器确定恒电位充放电测试方案,充分了解储能电池的应用场景和性能指标要求。例如,如果电池用于储能系统,可能需要测试其循环寿命和容量衰减情况;如果用于电动汽车,可能更关注其快速充放电性能和温度影响。通过综合考虑这些因素,制定一套恒电位充放电测试方案,包括充电和放电的电流/电压设置、充放电时间间隔、循环次数等。需要选取不同初始电芯数量的电池作为测试样本。这样做是为了探究电芯数量对储能电池性能的影响。例如,可以选取四组锂离子电池,每组电池的电芯数量分别为100、200、300和400。确保选取的电池样本具有一定的代表性和可比性,以便能够对不同电芯数量下的储能电池性能进行准确评估。进行状态初始化是为了使待测试储能电池处于统一的初始状态,并获得每个电池的电池漏电流状态参数。将每组电池充电至相同的电压水平,以确保它们具有相似的起始条件。这是为了消除由于电池电压差异导致的性能差异,使得后续的测试结果更具可比性。对每组电池进行激活处理,即进行初次充放电循环,以激活电芯的活性材料。这是为了使电池达到最佳性能状态,因为新的电芯在初次循环后会有一定程度的活性提高。完成激活处理后,对每组电池进行待机静置,等待电池中的化学反应达到稳定状态。这是为了确保电池在充放电测试之前已经达到稳态,以获得更准确的性能数据。在待机静置期间,需要测量并记录每组电池的初始电压、电流、温度等参数。这些初始参数的记录对于后续性能评估非常重要,它们将成为电池漏电流状态参数的基础。根据所获得的初始电压、电流、温度等参数,计算每个待测试储能电池的电池漏电流状态参数。根据恒电位充放电测试过程中记录的电流数据,计算每个待测试储能电池的电池漏电流状态参数。电池漏电流是指在没有充电或放电的情况下,储能电池自身的内部电流。通过对电池漏电流状态参数的计算,可以了解储能电池的自放电情况,即在没有外部充放电的情况下,电池自身的能量损耗。对所有待测试储能电池完成状态初始化和恒电位充放电测试。最终,将得到每个待测试储能电池的电池漏电流状态参数。
S102、根据恒电位充放电测试方案和电池漏电流状态参数设置充放电循环次数,并基于充放电循环次数进行充放电循环测试,得到每个待测试储能电池的循环充放电测试数据以及环境温度数据;
具体的,服务器确定储能电池的应用场景和性能要求。根据这些要求,制定适当的恒电位充放电测试方案,包括充电和放电的电流/电压设置、充放电时间间隔等参数。通过对每个待测试储能电池进行状态初始化,获得电池漏电流状态参数。在得到恒电位充放电测试方案和电池漏电流状态参数后,根据这些数据来设置充放电循环次数。循环次数的设置通常是根据实验需求和资源限制来确定的。循环次数的增加可以提供更充分的数据,但同时也会增加实验时间和资源成本。因此,需要进行合理权衡,确定每个待测试储能电池的循环次数。例如,假设服务器有四组待测试储能电池,分别是100、200、300和400个电芯的锂离子电池。服务器已经制定了恒电位充放电测试方案,其中充电电流为2C,放电电流为1C,每次充放电时间间隔为1小时。经过状态初始化,服务器获得了每个电池的初始容量和内阻数据。为了得到充分可靠的测试结果,服务器决定对每个电池进行100次充放电循环。这个循环次数是通过考虑到实验可行性和数据可靠性而做出的决策。服务器开始充放电循环测试。对于每个待测试储能电池,按照预设的恒电位充放电测试方案和设定的循环次数,进行充放电循环操作。在每次循环中,服务器记录电池的充电电流、放电电流、充电电压、放电电压、充电容量和放电容量等相关参数。同时,实时监测环境温度,以确保温度对实验结果的影响可以被考虑进来。经过100次充放电循环测试,服务器得到了每个待测试储能电池的循环充放电测试数据和环境温度数据。这些数据将成为评估储能电池性能、循环寿命和温度影响的重要依据,帮助优化电池设计和提升其应用性能。
S103、对循环充放电测试数据进行测试数据解析,得到每个待测试储能电池的自放电电流数据和电芯开路电压数据,并对环境温度数据进行曲线拟合和温度影响因素分析,得到每个待测试储能电池的温度分布曲线;
需要说明的是,服务器将从循环充放电测试数据中提取电流特征数据和电压特征数据,这些特征包括循环充放电的周期、充放电时间、峰值电流、放电容量、电压衰减率等。通过特征提取,服务器得到了每个待测试储能电池的电流特征数据和电压特征数据。服务器将将电流特征数据和电压特征数据输入测试数据解析模型,并借助预置的模型参数进行数据关联中心计算。这样做可以找出电流和电压特征数据的聚集位置,得到电流初始数据关联中心和电压初始数据关联中心。服务器计算电流特征数据与电流初始数据关联中心之间的距离,并得到多个电流特征中心距。类似地,计算电压特征数据与电压初始数据关联中心的距离,得到多个电压特征中心距。将这些距离进行平均值计算,得到电流平均中心距和电压平均中心距。根据电流平均中心距,服务器对电流特征数据进行数据关联中心计算,得到电流目标数据关联中心。同样地,根据电压平均中心距,服务器对电压特征数据进行数据关联中心计算,得到电压目标数据关联中心。得到电流目标数据关联中心和电压目标数据关联中心后,服务器进行测试数据分类提取。通过将测试数据与目标数据关联中心进行比较,服务器得到每个待测试储能电池的自放电电流数据和电芯开路电压数据。服务器通过预置的概率密度分布函数对环境温度数据进行曲线拟合。这样,服务器得到每个待测试储能电池在不同温度下的温度分布曲线,从而深入了解温度对电池性能的影响。例如,假设服务器有一组储能电池,分别进行了充放电循环测试,并在测试过程中记录了电流和电压数据,以及环境温度。服务器从测试数据中提取电流特征数据和电压特征数据,例如提取充电时间、放电容量和峰值电流等特征。利用测试数据解析模型,服务器计算出电流初始数据关联中心和电压初始数据关联中心。计算电流特征数据与电流初始数据关联中心的距离,并得到电流平均中心距。同样地,计算电压特征数据与电压初始数据关联中心的距离,并得到电压平均中心距。根据这些中心距,服务器得到电流目标数据关联中心和电压目标数据关联中心。进一步地,通过将测试数据与这些目标数据关联中心进行比较,服务器提取出每个待测试储能电池的自放电电流数据和电芯开路电压数据。服务器利用预置的概率密度分布函数对环境温度数据进行曲线拟合,得到温度分布曲线。例如,服务器发现在较高温度下,电池的自放电电流较大,电芯开路电压较低,从而影响了电池的性能和循环寿命。
S104、根据自放电电流数据和电芯开路电压数据,计算每个待测试储能电池的容量衰减指标,并根据容量衰减指标和预设的容量损失门限计算每个待测试储能电池的循环寿命指标,以及根据温度分布曲线生成温度影响指标;
具体的,根据自放电电流数据和电芯开路电压数据,计算每个待测试储能电池的第一电容值。自放电电流数据反映电池在静止状态下的自然放电情况,电芯开路电压数据表示电池未受外部负荷时的电压。通过对这两个数据进行分析和计算,可以得到电池的初始电容值。根据预设的充放电循环次数,确定待测试储能电池的多个测试周期,并计算每个测试周期结束时每个待测试储能电池的第二电容值。在每个测试周期结束时,记录电池的电流和电压数据,然后计算第二电容值。根据第一电容值和第二电容值,计算每个待测试储能电池的容量衰减指标。容量衰减指标表示电池容量随着充放电循环的变化程度,通过计算容量衰减指标可以了解电池的容量衰减情况。根据每个待测试储能电池的初始电芯数量,设置对应的容量损失门限,并根据容量衰减指标和预设的容量损失门限计算每个待测试储能电池的循环寿命指标。循环寿命指标表示电池经过多少个充放电循环后达到预设的容量损失门限,通过计算循环寿命指标可以评估电池的使用寿命。根据所述温度分布曲线、容量衰减指标以及循环寿命指标生成对应的温度影响指标。温度影响指标表示温度对电池性能和寿命的影响程度,通过分析温度影响指标可以确定最适合的工作温度范围,以优化电池的使用性能和寿命。例如,假设服务器有一组待测试储能电池,进行了自放电电流测试和充放电循环测试,并得到了相应的电流数据、电压数据以及温度数据。根据自放电电流数据和电芯开路电压数据,计算每个电池的第一电容值。根据预设的充放电循环次数,确定测试周期,并计算每个周期结束时每个电池的第二电容值。根据第一电容值和第二电容值,计算每个电池的容量衰减指标。根据电池初始电芯数量,设置容量损失门限,并根据容量衰减指标和预设的门限计算每个电池的循环寿命指标。根据温度分布曲线、容量衰减指标和循环寿命指标,生成对应的温度影响指标,用于评估电池在不同温度下的性能和寿命。
其中,对所述容量衰减指标以及所述循环寿命指标进行特征提取,得到电池容量衰减速率和循环寿命缩减量。容量衰减速率表示电池容量随时间的变化率,循环寿命缩减量表示电池循环寿命相对于初始寿命的减少量。通过对这两个指标进行特征提取,可以得到更加具体和有用的信息。其次,将所述电池容量衰减速率和所述循环寿命缩减量分别与所述温度分布曲线进行映射匹配,构建温度变化参数集合。温度分布曲线反映了电池在不同温度下的性能表现,而容量衰减速率和循环寿命缩减量与温度之间存在着一定的关联。通过将这些指标与温度分布曲线进行匹配,可以构建温度变化参数集合,用于描述电池在不同温度下的容量衰减和循环寿命缩减情况。对所述温度变化参数集合进行均值运算,生成每个待测试储能电池对应的温度影响指标。通过对温度变化参数集合进行均值运算,可以得到每个电池在整个温度范围内的平均温度影响情况。这个温度影响指标可以用于评估电池在不同温度下的性能和寿命表现,并为电池的设计和应用提供重要参考。例如,假设服务器有一组待测试储能电池,服务器已经得到了每个电池的容量衰减速率和循环寿命缩减量,同时服务器还获得了电池在不同温度下的温度分布曲线。现在,服务器将容量衰减速率和循环寿命缩减量分别与温度分布曲线进行映射匹配,得到温度变化参数集合。例如,在高温条件下,电池的容量衰减速率可能较快,循环寿命缩减量较大;而在低温条件下,电池的容量衰减速率较慢,循环寿命缩减量较小。对温度变化参数集合进行均值运算,计算每个电池的温度影响指标。例如,对于一颗电池而言,经过计算得到在不同温度下的容量衰减速率和循环寿命缩减量,然后将这些参数进行均值运算,得到该电池的温度影响指标。这个指标可以告诉服务器该电池在不同温度下的表现,以及在不同温度下的使用寿命。
S105、根据温度影响指标、容量衰减指标以及循环寿命指标,构建每个待测试储能电池的性能评价向量,并根据性能评价向量构建目标评价矩阵;
具体的,服务器对所述温度影响指标、容量衰减指标以及循环寿命指标进行离散化处理,得到多个离散化指标。离散化处理是将连续的指标值转换为一组离散的取值,以便于后续的评价和比较。例如,对于温度影响指标,可以将温度分为几个离散的范围,如低温、中温、高温;对于容量衰减指标和循环寿命指标,也可以设置相应的离散化取值范围。其次,对所述多个离散化指标进行向量转换,生成每个待测试储能电池的性能评价向量。性能评价向量是一个包含多个离散化指标取值的向量,用于描述电池在不同性能方面的表现。例如,如果有三个离散化指标:温度影响、容量衰减和循环寿命,那么每个电池就会有一个包含三个元素的性能评价向量,其中每个元素代表该电池在相应指标下的离散化取值。基于每个待测试储能电池的初始电芯数量设置对应性能评价向量的目标权重。不同的电池可能具有不同的重要性和优先级,因此需要根据具体情况为每个性能评价向量设置相应的权重。例如,对于储能电池来说,循环寿命可能是一个非常重要的指标,而温度影响可能相对次要。因此,对于每个电池的性能评价向量,可以根据初始电芯数量来调整循环寿命和温度影响的权重。根据所述目标权重和所述性能评价向量,构建对应的目标评价矩阵。目标评价矩阵是一个用于综合评估每个电池性能的矩阵,其中每行代表一个电池的性能评价向量,每列代表一个离散化指标的权重。通过将性能评价向量和目标权重相乘,可以得到每个电池在各个指标下的综合得分,从而实现对电池性能的评估和比较。例如,假设服务器有三颗待测试储能电池,分别命名为电池A、电池B和电池C。服务器先对温度影响指标、容量衰减指标和循环寿命指标进行离散化处理,得到多个离散化取值。针对每个电池,根据其初始电芯数量设置对应的目标权重,比如电池A的循环寿命更重要,电池B的温度影响更关键,电池C则更注重容量衰减。服务器将离散化指标取值和目标权重组合在一起,得到每个电池的性能评价向量。根据性能评价向量和目标权重构建目标评价矩阵,综合评估每个电池的性能。通过目标评价矩阵的分析,服务器得出哪颗电池在各个指标下表现最优,以及在不同性能方面的优劣程度。这样的评估结果将有助于服务器在实际应用中选择合适的储能电池,从而提高储能系统的性能和可靠性。
S106、将目标评价矩阵输入预置的储能电池分析模型进行电芯数量性能影响分析,得到多个性能分析结果,并对多个性能分析结果进行电芯数量最优化分析,得到目标电芯数量。
具体的,构建储能电池分析模型,该模型包括编码网络和解码网络。编码网络是一组神经网络,用于对输入的目标评价矩阵进行特征编码运算,将高维的目标评价信息转化为低维的特征编码矩阵。解码网络是另一组神经网络,用于将特征编码矩阵还原为原始的目标评价矩阵。其次,通过编码网络中的每个第一门限循环网络对所述目标评价矩阵进行特征编码运算。在编码过程中,网络会学习并提取目标评价矩阵中的关键特征。得到特征编码矩阵后,将其输入解码网络中的多个第二门限循环网络。解码网络中的第二门限循环网络将特征编码矩阵转换为性能分析结果。性能分析结果用于指示每个待测试储能电池的性能评价数据,例如电池的容量衰减情况、循环寿命缩减量等。每个第二门限循环网络对应一个待测试储能电池,可以得到多个性能分析结果。对所得的多个性能分析结果进行电芯数量最优化分析。在这一步中,可以考虑使用优化算法,如遗传算法、蚁群算法等,找到使得性能评价向量最优的电芯数量。优化的目标可能是最大化电池性能、最小化成本或综合考虑多个指标来寻找最优电芯数量。例如,假设服务器有一个储能系统,其中包含多个待测试的储能电池。服务器首先对每个电池进行测试和性能评估,得到目标评价矩阵。服务器将目标评价矩阵输入预置的储能电池分析模型。该模型经过编码和解码的过程后,产生了多个性能分析结果,每个结果对应着不同的电芯数量设置。服务器通过电芯数量最优化分析,找到了在性能和成本之间最优平衡点,得到了最佳的目标电芯数量。例如,服务器发现当电池数量设置为X个时,储能系统在性能和成本方面达到了最佳平衡,因此服务器将储能系统中的电芯数量设置为X个,从而优化了整个系统的性能和经济效益。
其中,根据多个性能分析结果设定优化目标。优化目标可能是最大化电池的性能,最小化电池的成本,或者综合考虑多个性能指标来寻找最佳电芯数量。例如,制造商可能希望在一定成本范围内,找到使得电池循环寿命最大化的最佳电芯数量。其次,根据多个不同初始电芯数量和设定的优化目标,创建最优化函数。最优化函数是一个数学模型,可以根据给定的电芯数量和性能评价数据计算对应的优化目标值。将多个不同初始电芯数量作为初始种群。初始种群是一组可能的解决方案,代表了不同的电芯数量选取情况。通过最优化函数计算每一个初始电芯数量的初始适应度。适应度表示解决方案对优化目标的适应程度,可以根据优化目标的值来评估初始种群中每个个体的优劣。根据性能分析结果对应的性能评价数据对初始适应度进行融合。融合适应度是考虑了性能分析结果的适应度,将多个性能指标进行综合考虑的结果。对融合适应度进行排序分析,得到目标适应度序列。目标适应度序列是对初始种群中个体按照适应度进行排序后的结果,其中适应度最高的个体在序列前部。根据目标适应度序列对初始种群进行交叉和变异操作,得到目标种群。交叉和变异操作是遗传算法等优化算法的基本操作,用于生成新的解决方案。对目标种群进行重复迭代分析,直至满足终止条件。在每次迭代中,根据最优化函数计算适应度,融合性能分析结果,排序分析,进行交叉和变异操作等步骤。最终,输出最优化时对应的目标电芯数量,该数量对应了满足优化目标的最佳解决方案。例如,假设一个电动工具制造商希望确定每种电动工具所需的电池芯片数量,以最大程度地延长电池的使用寿命。他们进行了多个性能分析实验,得到了不同电池芯片数量下的性能评价数据,包括电池循环寿命、容量衰减速率等。制造商设定优化目标为最大化电池的循环寿命,并根据性能评价数据创建最优化函数。生成不同的初始种群,每个个体代表一种可能的电池芯片数量选取方案。通过最优化函数计算初始种群中个体的初始适应度,然后根据性能评价数据融合适应度,得到融合适应度。对融合适应度进行排序分析,得到目标适应度序列。进行交叉和变异操作,生成新的目标种群。对新的目标种群进行重复迭代分析,直至满足终止条件。最终,输出在优化目标下对应的最佳电池芯片数量,这个数量将使电池的循环寿命最大化。
本发明实施例中,通过进行充放电循环测试,得到循环充放电测试数据以及环境温度数据;进行测试数据解析,得到自放电电流数据和电芯开路电压数据并进行曲线拟合和温度影响因素分析,得到温度分布曲线;计算容量衰减指标并计算循环寿命指标以及生成温度影响指标;构建每个待测试储能电池的性能评价向量,并根据性能评价向量构建目标评价矩阵;将目标评价矩阵输入预置的储能电池分析模型进行电芯数量性能影响分析,得到多个性能分析结果,并对多个性能分析结果进行电芯数量最优化分析,得到目标电芯数量,本发明通过评估储能电池的性能指标,包括容量衰减、自放电电流关键参数,进行循环寿命指标的分析,预测储能电池的使用寿命,并且分析电芯数量对储能电池的影响,有助于优化电池组的配置和设计,减少电池之间的差异性,提高电池组的整体稳定性和均衡性,合理配置电芯数量有助于提高储能电池组的充放电效率,进而提高储能电池的充放电测试的准确率。
在一具体实施例中,执行步骤S103的过程可以具体包括如下步骤:
(1)对循环充放电测试数据进行特征提取,得到电流特征数据,并对循环充放电测试数据进行特征提取,得到电压特征数据;
(2)将电流特征数据和电压特征数据输入测试数据解析模型,并通过预置的模型参数对电流特征数据和电压特征数据进行数据关联中心计算,得到电流初始数据关联中心以及电压初始数据关联中心;
(3)对电流特征数据与电流初始数据关联中心的距离进行计算,得到多个电流特征中心距并对多个电流特征中心距进行平均值计算,得到电流平均中心距,以及对电压特征数据与电压初始数据关联中心的距离进行计算,得到多个电压特征中心距并对多个电压特征中心距进行平均值计算,得到电压平均中心距;
(4)根据电流平均中心距对电流特征数据进行数据关联中心计算,得到电流目标数据关联中心,以及根据电压平均中心距对电压特征数据进行数据关联中心计算,得到电压目标数据关联中心;
(5)对电流目标数据关联中心和电压目标数据关联中心进行测试数据分类提取,得到每个待测试储能电池的自放电电流数据和电芯开路电压数据;
(6)通过预置的概率密度分布函数对环境温度数据进行曲线拟合,得到温度分布曲线。
具体的,服务器进行循环充放电测试,并获取原始测试数据。这些原始数据通常包括时间、电流、电压和环境温度等。其次,对循环充放电测试数据进行特征提取,得到电流特征数据和电压特征数据。特征提取是将原始数据转换为更具有代表性和有用的数据的过程。对电流数据进行特征提取可能包括提取电流的平均值、峰值、波形特征等;对电压数据进行特征提取可能包括提取电压的最大值、最小值、稳定性等。将电流特征数据和电压特征数据输入测试数据解析模型。测试数据解析模型是一个预置的模型,其中包含了数据关联中心计算所需的参数和算法。通过输入电流特征数据和电压特征数据到解析模型中,可以计算得到电流初始数据关联中心和电压初始数据关联中心。根据电流平均中心距对电流特征数据进行数据关联中心计算,得到电流目标数据关联中心。同样地,根据电压平均中心距对电压特征数据进行数据关联中心计算,得到电压目标数据关联中心。数据关联中心是特征数据在特征空间中的中心位置,可以代表该类特征数据的整体分布情况。对电流目标数据关联中心和电压目标数据关联中心进行测试数据分类提取。通过与电流目标数据关联中心和电压目标数据关联中心的距离计算,将待测试储能电池的自放电电流数据和电芯开路电压数据分类提取出来,从而得到每个待测试储能电池的相关特征数据。通过预置的概率密度分布函数对环境温度数据进行曲线拟合,得到温度分布曲线。概率密度分布函数可以用来描述环境温度的分布情况,从而帮助分析和理解储能电池在不同温度条件下的性能表现。例如,假设服务器有一个储能电池测试数据集,其中包含了不同电池在循环充放电测试中的电流、电压和环境温度数据。服务器希望分析这些数据,得到每个电池的自放电电流数据和电芯开路电压数据,并了解温度对电池性能的影响。从测试数据中提取电流特征数据和电压特征数据。假设服务器对电流数据提取了平均值和波形特征,对电压数据提取了最大值和最小值。将电流特征数据和电压特征数据输入测试数据解析模型。假设解析模型使用K-means算法计算数据关联中心。根据K-means算法计算得到电流初始数据关联中心和电压初始数据关联中心。根据电流初始数据关联中心计算电流平均中心距,根据电压初始数据关联中心计算电压平均中心距。根据电流平均中心距对电流特征数据进行数据关联中心计算,得到电流目标数据关联中心。根据电压平均中心距对电压特征数据进行数据关联中心计算,得到电压目标数据关联中心。将电流目标数据关联中心和电压目标数据关联中心与测试数据进行分类提取,得到每个电池的自放电电流数据和电芯开路电压数据。使用概率密度分布函数对环境温度数据进行曲线拟合,得到温度分布曲线。这个温度分布曲线可以帮助服务器了解不同温度条件下电池性能的变化趋势。
在一具体实施例中,如图2所示,执行步骤S104的过程可以具体包括如下步骤:
S201、根据自放电电流数据和电芯开路电压数据,计算每个待测试储能电池的第一电容值;
S202、根据充放电循环次数确定待测试储能电池的多个测试周期,并计算每个测试周期结束时每个待测试储能电池的第二电容值;
S203、根据第一电容值和第二电容值,计算每个待测试储能电池的容量衰减指标;
S204、根据每个待测试储能电池的初始电芯数量,设置对应的容量损失门限,并根据容量衰减指标和预设的容量损失门限计算每个待测试储能电池的循环寿命指标;
S205、根据温度分布曲线、容量衰减指标以及循环寿命指标生成对应的温度影响指标。
具体的,服务器根据收集到的自放电电流数据和电芯开路电压数据,计算每个待测试储能电池的第一电容值。这个值可以反映电池在初始状态下的容量大小。其次,通过确定充放电循环次数,服务器确定待测试储能电池的多个测试周期,并在每个测试周期结束时测量电芯开路电压,计算得到第二电容值。这样,服务器便可以计算出每个待测试储能电池的容量衰减指标,用以描述电池容量随充放电循环次数的减小程度。根据每个待测试储能电池的初始电芯数量,设置相应的容量损失门限。通过将容量衰减指标与预设的容量损失门限进行比较,服务器计算每个储能电池的循环寿命指标,以衡量其在使用过程中的性能持久程度。在此基础上,服务器根据预置的概率密度分布函数对环境温度数据进行曲线拟合,得到温度分布曲线。通过分析这一曲线以及容量衰减指标和循环寿命指标,服务器生成对应的温度影响指标。这些指标将帮助服务器了解不同温度条件下储能电池的性能表现。将所得到的温度影响指标、容量衰减指标和循环寿命指标输入预置的储能电池分析模型,其中包括编码网络和解码网络,用于进行电芯数量性能影响分析。编码网络通过对指标进行特征编码运算,得到特征编码矩阵;解码网络进行电芯数量性能影响分析,得到每个待测试储能电池的性能分析结果,从而构建性能评价向量。最终,通过对性能评价向量进行排序分析,服务器得到目标适应度序列,并根据此序列对初始种群进行交叉和变异操作,得到目标种群。通过重复迭代分析,服务器得到最优化时对应的目标电芯数量,从而找到最佳电芯数量方案。例如,假设服务器对同一型号的储能电池进行测试,在充放电循环次数为1000次时,得到电池的第一电容值为5000mAh,经过1000次充放电循环后,电池的第二电容值为4800mAh。根据计算,该电储能电池的容量衰减指标可以通过以下公式计算:容量衰减指标=(第一电容值-第二电容值)/第一电容值*100%。本实施例中,服务器有第一电容值为5000mAh,第二电容值为4800mAh。容量衰减指标=(5000-4800)/5000*100%=4%。这表示在经历了1000次充放电循环后,该储能电池的容量衰减了4%。容量衰减越大,意味着电池在使用过程中的容量损失较多,性能下降较快。根据每个待测试储能电池的初始电芯数量,设置对应的容量损失门限。容量损失门限是一个预先设定的阈值,用来判断电池是否可以继续使用。例如,假设初始电芯数量为10000个,如果容量衰减指标超过了5%,那么电池的循环寿命可能会受到较大影响,可能需要更换电池。根据容量衰减指标和预设的容量损失门限,可以计算每个待测试储能电池的循环寿命指标。循环寿命指标表示电池可以进行多少次充放电循环,而仍然保持满足使用要求。循环寿命越长,电池的使用寿命就越长,反之亦然。
在一具体实施例中,执行步骤S205的过程可以具体包括如下步骤:
(1)分别对容量衰减指标以及循环寿命指标进行特征提取,得到电池容量衰减速率和循环寿命缩减量;
(2)对电池容量衰减速率和循环寿命缩减量分别与温度分布曲线进行映射匹配,构建温度变化参数集合;
(3)对温度变化参数集合进行均值运算,生成每个待测试储能电池对应的温度影响指标。
具体的,服务器已经获得了每个待测试储能电池在经历充放电循环后的第一电容值和第二电容值,通过这两个值的差异计算得到了容量衰减指标,用于衡量电池容量的损失情况。同时,服务器还计算了循环寿命指标,用于评估电池的使用寿命。这样,服务器就得到了每个电池的容量衰减速率和循环寿命缩减量。服务器将容量衰减速率和循环寿命缩减量与温度分布曲线进行映射匹配。由于温度对电池性能有重要影响,服务器希望了解在不同温度下容量衰减速率和循环寿命缩减量的变化情况。通过将这些指标与温度数据进行匹配,服务器得到电池在不同温度下的性能表现。服务器将每个电池在不同温度下得到的容量衰减速率和循环寿命缩减量整合成一个温度变化参数集合。对于每个待测试储能电池,这个集合将包含其在不同温度下的容量衰减速率和循环寿命缩减量数据。服务器对温度变化参数集合进行均值运算,得到每个待测试储能电池对应的温度影响指标。这个指标可以反映电池在不同温度下的容量衰减速率和循环寿命缩减量的平均水平,帮助服务器综合评估电池在实际应用中的性能表现。例如,服务器对同一型号的储能电池进行测试,得到电池在25°C、30°C和35°C三种不同温度下的容量衰减速率和循环寿命缩减量。经过映射匹配并计算均值,得到了每个电池对应的温度影响指标。假设其中一种电池在25°C下的容量衰减速率为5mAh/cycle,在30°C下为8mAh/cycle,在35°C下为10mAh/cycle;循环寿命缩减量分别为2%,5%,和8%。通过计算均值,得到该电池的温度影响指标为7.67mAh/cycle和5%。这样,服务器综合考虑电池在不同温度下的性能表现,并对其进行评估和比较。
在一具体实施例中,如图3所示,执行步骤S105的过程可以具体包括如下步骤:
S301、分别对温度影响指标、容量衰减指标以及循环寿命指标进行离散化处理,得到多个离散化指标;
S302、对多个离散化指标进行向量转换,生成每个待测试储能电池的性能评价向量;
S303、基于每个待测试储能电池的初始电芯数量设置对应性能评价向量的目标权重;
S304、根据目标权重和性能评价向量,构建对应的目标评价矩阵。
具体的,服务器对温度影响指标、容量衰减指标和循环寿命指标进行离散化处理。离散化是将连续的指标数据转换成离散的类别或区间,以便更好地进行分析和评估。例如,将温度影响指标划分为低、中、高三个离散化类别,将容量衰减指标划分为轻微、中等、严重三个离散化类别,将循环寿命指标划分为长、中等、短三个离散化类别。对多个离散化指标进行向量转换,生成每个待测试储能电池的性能评价向量。性能评价向量是一个包含多个离散化指标的向量表示,用于综合评估电池的性能。例如,某个电池的性能评价向量可以表示为[低温,严重衰减,中等寿命],其中每个元素对应一个离散化指标。基于每个待测试储能电池的初始电芯数量,设置对应性能评价向量的目标权重。不同的电芯数量可能对电池的性能影响不同,因此服务器根据实际需求或应用场景,设置不同的目标权重,以反映电芯数量对性能评价的重要性。根据目标权重和性能评价向量,构建对应的目标评价矩阵。目标评价矩阵是一个由性能评价向量组成的矩阵,其中每行对应一个待测试储能电池的性能评价向量,每列对应一个离散化指标。矩阵中的元素值表示每个电池在相应指标下的评价得分。通过目标评价矩阵,服务器对电池的性能进行全面的比较和分析。例如,假设服务器有两种型号的储能电池,每种电池都有不同的初始电芯数量,服务器对它们进行了测试,得到了温度影响指标、容量衰减指标和循环寿命指标,并进行了离散化处理。对于第一种电池,服务器设置了目标权重为[0.6,0.3,0.1],表示温度影响指标在性能评价中占据较高权重。对于第二种电池,服务器设置了目标权重为[0.4,0.4,0.2],表示容量衰减指标和循环寿命指标在性能评价中具有相对重要性。通过将离散化指标转换为性能评价向量,并根据目标权重构建目标评价矩阵,服务器全面地评估和比较这两种电池的性能表现,从而帮助服务器做出更好的决策。
在一具体实施例中,如图4所示,执行步骤S106的过程可以具体包括如下步骤:
S401、将目标评价矩阵输入预置的储能电池分析模型,其中,储能电池分析模型包括编码网络和解码网络,编码网络包括多个第一门限循环网络,解码网络包括多个第二门限循环网络;
S402、通过编码网络中的每个第一门限循环网络对目标评价矩阵进行特征编码运算,得到特征编码矩阵;
S403、将特征编码矩阵输入解码网络中的多个第二门限循环网络进行电芯数量性能影响分析,得到每个第二门限循环网络的性能分析结果,其中,性能分析结果用于指示每个待测试储能电池的性能评价数据;
S404、对多个性能分析结果进行电芯数量最优化分析,得到目标电芯数量。
具体的,服务器构建储能电池分析模型,该模型包括编码网络和解码网络。编码网络是由多个第一门限循环网络组成,用于对输入的目标评价矩阵进行特征编码运算。解码网络是由多个第二门限循环网络组成,用于对特征编码矩阵进行反向运算,从而进行电芯数量性能影响分析。其次,将目标评价矩阵输入编码网络中的每个第一门限循环网络进行特征编码运算,得到特征编码矩阵。编码网络的作用是将输入的目标评价矩阵转换为更高维度的特征编码矩阵,从而捕捉储能电池性能的关键特征。将特征编码矩阵输入解码网络中的多个第二门限循环网络进行电芯数量性能影响分析,得到每个第二门限循环网络的性能分析结果。解码网络的作用是将特征编码矩阵还原为原始的目标评价矩阵,并从中提取电池的性能评价数据。每个第二门限循环网络对应一个待测试储能电池,其性能分析结果用于指示电池的性能表现。对多个性能分析结果进行电芯数量最优化分析,得到目标电芯数量。通过综合考虑多个性能分析结果,服务器找到最优的电芯数量,以最大程度地提升储能电池的性能和寿命。例如,服务器对一款储能电池进行测试,得到了目标评价矩阵,其中每行对应一个待测试电池的性能评价向量。输入目标评价矩阵到编码网络中,经过特征编码运算,得到特征编码矩阵。将特征编码矩阵输入解码网络中的多个第二门限循环网络进行性能影响分析,得到每个电池的性能分析结果。假设服务器有5个第二门限循环网络,得到5个电池的性能分析结果。通过电芯数量最优化分析,服务器确定最优的电芯数量,以实现最佳性能和寿命。例如,经过分析,服务器得出最优电芯数量为100个,这样可以使该储能电池的性能指标达到最优水平。
在一具体实施例中,执行步骤S404的过程可以具体包括如下步骤:
(1)根据多个性能分析结果设定优化目标,并根据多个不同初始电芯数量和优化目标创建最优化函数;
(2)将多个不同初始电芯数量作为初始种群,并通过最优化函数计算每一初始电芯数量的初始适应度;
(3)根据性能分析结果对应的性能评价数据对初始适应度进行融合,得到融合适应度;
(4)对融合适应度进行排序分析,得到目标适应度序列,并根据目标适应度序列对初始种群进行交叉和变异操作,得到目标种群;
(5)对目标种群进行重复迭代分析,输出最优化时对应的目标电芯数量。
具体的,根据多个性能分析结果设定优化目标。优化目标可以是多个性能评价指标的综合指标,例如容量衰减速率、循环寿命缩减量和温度影响指标等。服务器为每个指标设定权重,根据具体需求和应用场景来确定不同指标的重要性。根据不同的初始电芯数量和优化目标创建最优化函数。最优化函数是一个数学模型,将初始电芯数量和优化目标作为输入,计算出对应的适应度值。适应度值反映了该初始电芯数量在优化目标下的表现,适应度越高表示该电芯数量越优秀。将多个不同初始电芯数量作为初始种群。种群是指电芯数量的集合,可以随机生成多个不同的初始电芯数量作为种群。通过最优化函数计算每个初始电芯数量的初始适应度值。根据性能分析结果对应的性能评价数据对初始适应度进行融合。融合适应度的目的是综合考虑多个性能评价指标,得到每个初始电芯数量的综合适应度值。融合适应度可以通过加权平均等方式得到。对融合适应度进行排序分析,得到目标适应度序列。目标适应度序列按照适应度值的大小进行排序,将适应度值高的排在前面。根据目标适应度序列对初始种群进行交叉和变异操作。交叉是指将适应度值高的个体进行基因组合,产生新的电芯数量;变异是指对电芯数量进行微小的变动,引入新的个体。通过交叉和变异操作,生成新的目标种群。对目标种群进行重复迭代分析,直到达到停止条件。停止条件可以是达到预定的迭代次数或者满足一定的收敛准则。在迭代过程中,逐步优化电芯数量,最终得到最优化时对应的目标电芯数量。例如,服务器对同一型号的储能电池进行测试,在充放电循环次数为1000次时,得到电池的第一电容值为5000mAh,经过1000次充放电循环后,电池的第二电容值为4800mAh。根据计算,该电池的容量衰减指标为(5000-4800)/5000=0.04,即4%。假设该电池的循环寿命指标为800次。同时,根据温度分布曲线,计算得到温度影响指标为0.02。服务器设定优化目标为容量衰减指标、循环寿命指标和温度影响指标的综合得分,其中容量衰减指标的权重为0.4,循环寿命指标的权重为0.4,温度影响指标的权重为0.2。创建最优化函数,将初始电芯数量和优化目标作为输入,计算出对应的适应度值。适应度值可以采用加权平均的方式进行计算,得到每个初始电芯数量的综合得分。随机生成多个不同的初始电芯数量作为种群,并通过最优化函数计算每个初始电芯数量的初始适应度值。根据性能分析结果对应的性能评价数据对初始适应度进行融合,得到融合适应度。假设融合适应度的计算方式为加权平均,得到每个初始电芯数量的融合适应度。对融合适应度进行排序分析,得到目标适应度序列。将适应度值高的电芯数量排在前面,得到目标适应度序列。根据目标适应度序列对初始种群进行交叉和变异操作,生成新的目标种群。对目标种群进行重复迭代分析,直到达到停止条件。经过多轮迭代,服务器得到最优化时对应的目标电芯数量。假设经过迭代优化,服务器得到最优化时对应的电芯数量为120个,这样可以使该储能电池的性能指标达到最优水平。
上面对本发明实施例中储能电池的充放电测试方法进行了描述,下面对本发明实施例中储能电池的充放电测试装置进行描述,请参阅图5,本发明实施例中储能电池的充放电测试装置一个实施例包括:
初始化模块501,用于基于预置的恒电位充放电测试方案确定多个不同初始电芯数量对应的待测试储能电池,并对所述待测试储能电池进行状态初始化,得到每个待测试储能电池的电池漏电流状态参数;
测试模块502,用于根据所述恒电位充放电测试方案和所述电池漏电流状态参数设置充放电循环次数,并基于所述充放电循环次数进行充放电循环测试,得到每个待测试储能电池的循环充放电测试数据以及环境温度数据;
解析模块503,用于对所述循环充放电测试数据进行测试数据解析,得到每个待测试储能电池的自放电电流数据和电芯开路电压数据,并对所述环境温度数据进行曲线拟合和温度影响因素分析,得到每个待测试储能电池的温度分布曲线;
计算模块504,用于根据所述自放电电流数据和所述电芯开路电压数据,计算每个待测试储能电池的容量衰减指标,并根据所述容量衰减指标和预设的容量损失门限计算每个待测试储能电池的循环寿命指标,以及根据所述温度分布曲线生成温度影响指标;
构建模块505,用于根据所述温度影响指标、所述容量衰减指标以及所述循环寿命指标,构建每个待测试储能电池的性能评价向量,并根据所述性能评价向量构建目标评价矩阵;
分析模块506,用于将所述目标评价矩阵输入预置的储能电池分析模型进行电芯数量性能影响分析,得到多个性能分析结果,并对所述多个性能分析结果进行电芯数量最优化分析,得到目标电芯数量。
通过上述各个组成部分的协同合作,通过进行充放电循环测试,得到循环充放电测试数据以及环境温度数据;进行测试数据解析,得到自放电电流数据和电芯开路电压数据并进行曲线拟合和温度影响因素分析,得到温度分布曲线;计算容量衰减指标并计算循环寿命指标以及生成温度影响指标;构建每个待测试储能电池的性能评价向量,并根据性能评价向量构建目标评价矩阵;将目标评价矩阵输入预置的储能电池分析模型进行电芯数量性能影响分析,得到多个性能分析结果,并对多个性能分析结果进行电芯数量最优化分析,得到目标电芯数量,本发明通过评估储能电池的性能指标,包括容量衰减、自放电电流关键参数,进行循环寿命指标的分析,预测储能电池的使用寿命,并且分析电芯数量对储能电池的影响,有助于优化电池组的配置和设计,减少电池之间的差异性,提高电池组的整体稳定性和均衡性,合理配置电芯数量有助于提高储能电池组的充放电效率,进而提高储能电池的充放电测试的准确率。
上面图5从模块化功能实体的角度对本发明实施例中的储能电池的充放电测试装置进行详细描述,下面从硬件处理的角度对本发明实施例中储能电池的充放电测试设备进行详细描述。
图6是本发明实施例提供的一种储能电池的充放电测试设备的结构示意图,该储能电池的充放电测试设备600可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)610(例如,一个或一个以上处理器)和存储器620,一个或一个以上存储应用程序633或数据632的存储介质630(例如一个或一个以上海量存储设备)。其中,存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对储能电池的充放电测试设备600中的一系列指令操作。更进一步地,处理器610可以设置为与存储介质630通信,在储能电池的充放电测试设备600上执行存储介质630中的一系列指令操作。
储能电池的充放电测试设备600还可以包括一个或一个以上电源640,一个或一个以上有线或无线网络接口650,一个或一个以上输入输出接口660,和/或,一个或一个以上操作系统631,例如Windows Server,Mac OS X,Unix,Linux,FreeBSD等等。本领域技术人员可以理解,图6示出的储能电池的充放电测试设备结构并不构成对储能电池的充放电测试设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
本发明还提供一种储能电池的充放电测试设备,所述储能电池的充放电测试设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述储能电池的充放电测试方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述储能电池的充放电测试方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种储能电池的充放电测试方法,其特征在于,所述储能电池的充放电测试方法包括:
基于预置的恒电位充放电测试方案确定多个不同初始电芯数量对应的待测试储能电池,并对所述待测试储能电池进行状态初始化,得到每个待测试储能电池的电池漏电流状态参数;
根据所述恒电位充放电测试方案和所述电池漏电流状态参数设置充放电循环次数,并基于所述充放电循环次数进行充放电循环测试,得到每个待测试储能电池的循环充放电测试数据以及环境温度数据;
对所述循环充放电测试数据进行测试数据解析,得到每个待测试储能电池的自放电电流数据和电芯开路电压数据,并对所述环境温度数据进行曲线拟合和温度影响因素分析,得到每个待测试储能电池的温度分布曲线;
根据所述自放电电流数据和所述电芯开路电压数据,计算每个待测试储能电池的容量衰减指标,并根据所述容量衰减指标和预设的容量损失门限计算每个待测试储能电池的循环寿命指标,以及根据所述温度分布曲线生成温度影响指标;
根据所述温度影响指标、所述容量衰减指标以及所述循环寿命指标,构建每个待测试储能电池的性能评价向量,并根据所述性能评价向量构建目标评价矩阵;
将所述目标评价矩阵输入预置的储能电池分析模型进行电芯数量性能影响分析,得到多个性能分析结果,并对所述多个性能分析结果进行电芯数量最优化分析,得到目标电芯数量。
2.根据权利要求1所述的储能电池的充放电测试方法,其特征在于,所述对所述循环充放电测试数据进行测试数据解析,得到每个待测试储能电池的自放电电流数据和电芯开路电压数据,并对所述环境温度数据进行曲线拟合和温度影响因素分析,得到每个待测试储能电池的温度分布曲线,包括:
对所述循环充放电测试数据进行特征提取,得到电流特征数据,并对所述循环充放电测试数据进行特征提取,得到电压特征数据;
将所述电流特征数据和所述电压特征数据输入测试数据解析模型,并通过预置的模型参数对所述电流特征数据和所述电压特征数据进行数据关联中心计算,得到电流初始数据关联中心以及电压初始数据关联中心;
对所述电流特征数据与所述电流初始数据关联中心的距离进行计算,得到多个电流特征中心距并对所述多个电流特征中心距进行平均值计算,得到电流平均中心距,以及对所述电压特征数据与所述电压初始数据关联中心的距离进行计算,得到多个电压特征中心距并对所述多个电压特征中心距进行平均值计算,得到电压平均中心距;
根据所述电流平均中心距对所述电流特征数据进行数据关联中心计算,得到电流目标数据关联中心,以及根据所述电压平均中心距对所述电压特征数据进行数据关联中心计算,得到电压目标数据关联中心;
对所述电流目标数据关联中心和所述电压目标数据关联中心进行测试数据分类提取,得到每个待测试储能电池的自放电电流数据和电芯开路电压数据;
通过预置的概率密度分布函数对所述环境温度数据进行曲线拟合,得到温度分布曲线。
3.根据权利要求1所述的储能电池的充放电测试方法,其特征在于,所述根据所述自放电电流数据和所述电芯开路电压数据,计算每个待测试储能电池的容量衰减指标,并根据所述容量衰减指标和预设的容量损失门限计算每个待测试储能电池的循环寿命指标,以及根据所述温度分布曲线生成温度影响指标,包括:
根据所述自放电电流数据和所述电芯开路电压数据,计算每个待测试储能电池的第一电容值;
根据所述充放电循环次数确定所述待测试储能电池的多个测试周期,并计算每个测试周期结束时每个待测试储能电池的第二电容值;
根据所述第一电容值和所述第二电容值,计算每个待测试储能电池的容量衰减指标;
根据每个待测试储能电池的初始电芯数量,设置对应的容量损失门限,并根据所述容量衰减指标和预设的容量损失门限计算每个待测试储能电池的循环寿命指标;
根据所述温度分布曲线、所述容量衰减指标以及所述循环寿命指标生成对应的温度影响指标。
4.根据权利要求3所述的储能电池的充放电测试方法,其特征在于,所述根据所述温度分布曲线、所述容量衰减指标以及所述循环寿命指标生成对应的温度影响指标,包括:
分别对所述容量衰减指标以及所述循环寿命指标进行特征提取,得到电池容量衰减速率和循环寿命缩减量;
对所述电池容量衰减速率和所述循环寿命缩减量分别与所述温度分布曲线进行映射匹配,构建温度变化参数集合;
对所述温度变化参数集合进行均值运算,生成每个待测试储能电池对应的温度影响指标。
5.根据权利要求1所述的储能电池的充放电测试方法,其特征在于,所述根据所述温度影响指标、所述容量衰减指标以及所述循环寿命指标,构建每个待测试储能电池的性能评价向量,并根据所述性能评价向量构建目标评价矩阵,包括:
分别对所述温度影响指标、所述容量衰减指标以及所述循环寿命指标进行离散化处理,得到多个离散化指标;
对所述多个离散化指标进行向量转换,生成每个待测试储能电池的性能评价向量;
基于每个待测试储能电池的初始电芯数量设置对应性能评价向量的目标权重;
根据所述目标权重和所述性能评价向量,构建对应的目标评价矩阵。
6.根据权利要求1所述的储能电池的充放电测试方法,其特征在于,所述将所述目标评价矩阵输入预置的储能电池分析模型进行电芯数量性能影响分析,得到多个性能分析结果,并对所述多个性能分析结果进行电芯数量最优化分析,得到目标电芯数量,包括:
将所述目标评价矩阵输入预置的储能电池分析模型,其中,所述储能电池分析模型包括编码网络和解码网络,所述编码网络包括多个第一门限循环网络,所述解码网络包括多个第二门限循环网络;
通过所述编码网络中的每个第一门限循环网络对所述目标评价矩阵进行特征编码运算,得到特征编码矩阵;
将所述特征编码矩阵输入所述解码网络中的多个第二门限循环网络进行电芯数量性能影响分析,得到每个第二门限循环网络的性能分析结果,其中,所述性能分析结果用于指示每个待测试储能电池的性能评价数据;
对所述多个性能分析结果进行电芯数量最优化分析,得到目标电芯数量。
7.根据权利要求6所述的储能电池的充放电测试方法,其特征在于,所述对所述多个性能分析结果进行电芯数量最优化分析,得到目标电芯数量,包括:
根据所述多个性能分析结果设定优化目标,并根据多个不同初始电芯数量和所述优化目标创建最优化函数;
将多个不同初始电芯数量作为初始种群,并通过所述最优化函数计算每一初始电芯数量的初始适应度;
根据所述性能分析结果对应的性能评价数据对所述初始适应度进行融合,得到融合适应度;
对所述融合适应度进行排序分析,得到目标适应度序列,并根据所述目标适应度序列对所述初始种群进行交叉和变异操作,得到目标种群;
对所述目标种群进行重复迭代分析,输出最优化时对应的目标电芯数量。
8.一种储能电池的充放电测试装置,其特征在于,所述储能电池的充放电测试装置包括:
初始化模块,用于基于预置的恒电位充放电测试方案确定多个不同初始电芯数量对应的待测试储能电池,并对所述待测试储能电池进行状态初始化,得到每个待测试储能电池的电池漏电流状态参数;
测试模块,用于根据所述恒电位充放电测试方案和所述电池漏电流状态参数设置充放电循环次数,并基于所述充放电循环次数进行充放电循环测试,得到每个待测试储能电池的循环充放电测试数据以及环境温度数据;
解析模块,用于对所述循环充放电测试数据进行测试数据解析,得到每个待测试储能电池的自放电电流数据和电芯开路电压数据,并对所述环境温度数据进行曲线拟合和温度影响因素分析,得到每个待测试储能电池的温度分布曲线;
计算模块,用于根据所述自放电电流数据和所述电芯开路电压数据,计算每个待测试储能电池的容量衰减指标,并根据所述容量衰减指标和预设的容量损失门限计算每个待测试储能电池的循环寿命指标,以及根据所述温度分布曲线生成温度影响指标;
构建模块,用于根据所述温度影响指标、所述容量衰减指标以及所述循环寿命指标,构建每个待测试储能电池的性能评价向量,并根据所述性能评价向量构建目标评价矩阵;
分析模块,用于将所述目标评价矩阵输入预置的储能电池分析模型进行电芯数量性能影响分析,得到多个性能分析结果,并对所述多个性能分析结果进行电芯数量最优化分析,得到目标电芯数量。
9.一种储能电池的充放电测试设备,其特征在于,所述储能电池的充放电测试设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述储能电池的充放电测试设备执行如权利要求1-7中任一项所述的储能电池的充放电测试方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-7中任一项所述的储能电池的充放电测试方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311472677.0A CN117289146A (zh) | 2023-11-07 | 2023-11-07 | 储能电池的充放电测试方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311472677.0A CN117289146A (zh) | 2023-11-07 | 2023-11-07 | 储能电池的充放电测试方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117289146A true CN117289146A (zh) | 2023-12-26 |
Family
ID=89258756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311472677.0A Pending CN117289146A (zh) | 2023-11-07 | 2023-11-07 | 储能电池的充放电测试方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117289146A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117577981A (zh) * | 2024-01-16 | 2024-02-20 | 深圳市名洋能源科技有限公司 | 光伏发电储能控制方法及系统 |
CN117613430A (zh) * | 2024-01-22 | 2024-02-27 | 无锡冠亚恒温制冷技术有限公司 | 一种新能源电池综合测试能源管理方法及系统 |
CN117761567A (zh) * | 2024-02-22 | 2024-03-26 | 天津瑞芯源智能科技有限责任公司 | 一种智能电能表电池电流测试的数据分析方法 |
-
2023
- 2023-11-07 CN CN202311472677.0A patent/CN117289146A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117577981A (zh) * | 2024-01-16 | 2024-02-20 | 深圳市名洋能源科技有限公司 | 光伏发电储能控制方法及系统 |
CN117577981B (zh) * | 2024-01-16 | 2024-04-02 | 深圳市名洋能源科技有限公司 | 光伏发电储能控制方法及系统 |
CN117613430A (zh) * | 2024-01-22 | 2024-02-27 | 无锡冠亚恒温制冷技术有限公司 | 一种新能源电池综合测试能源管理方法及系统 |
CN117613430B (zh) * | 2024-01-22 | 2024-04-12 | 无锡冠亚恒温制冷技术有限公司 | 一种新能源电池综合测试能源管理方法及系统 |
CN117761567A (zh) * | 2024-02-22 | 2024-03-26 | 天津瑞芯源智能科技有限责任公司 | 一种智能电能表电池电流测试的数据分析方法 |
CN117761567B (zh) * | 2024-02-22 | 2024-04-26 | 天津瑞芯源智能科技有限责任公司 | 一种智能电能表电池电流测试的数据分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117289146A (zh) | 储能电池的充放电测试方法、装置、设备及存储介质 | |
CN106842045B (zh) | 一种基于自适应权重方法的电池多模型融合建模方法和电池管理系统 | |
WO2022253038A1 (zh) | 基于弹性网的锂电池健康状态预测方法、系统、设备及介质 | |
CN111239630A (zh) | 一种储能电池寿命预测方法及管理系统 | |
CN112630662B (zh) | 一种基于数据驱动及多参数融合的动力电池soh估算方法 | |
CN111366848A (zh) | 一种基于pso-elm算法的电池健康状态预测方法 | |
CN112198434B (zh) | 电池容量衰减模型参数的辨识方法、系统、设备、装置及介质 | |
CN116449218B (zh) | 一种锂电池健康状态的估计方法 | |
CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
CN109061478A (zh) | 一种利用eis测试进行锂离子电池寿命定性预测的方法 | |
Han et al. | State of power prediction for battery systems with parallel-connected units | |
CN116660759B (zh) | 基于bms电池管理系统的电池寿命预测方法及装置 | |
KR20140137181A (ko) | 배터리의 두께 예측 시스템 및 배터리의 두께 예측 방법 | |
CN115308628A (zh) | 一种电池健康状态监测方法 | |
CN114156552A (zh) | 一种考虑老化的串联电池组的均衡控制策略 | |
CN116626502A (zh) | 电池容量预测方法、装置、设备及存储介质 | |
CN113253125B (zh) | 一种基于信息融合的磷酸铁锂电池热失控监测方法及系统 | |
CN113805060B (zh) | 基于相关向量回归的锂电池剩余寿命检测方法 | |
CN116643178B (zh) | 一种电池管理系统的soc估算方法及相关装置 | |
Rodriguez et al. | Discovering governing equations of li-ion batteries pertaining state of charge using input-output data | |
Ma et al. | A novel health index for battery RUL degradation modeling and prognostics | |
CN116953547A (zh) | 一种储能电池健康度评估方法、系统、设备及存储介质 | |
CN115800433A (zh) | 电池组一致性评估与等级评价方法及装置 | |
Luzi et al. | A PSO algorithm for transient dynamic modeling of lithium cells through a nonlinear RC filter | |
CN116068402A (zh) | 新能源汽车锂电池状态预测方法、装置、设备及存储介质 |
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 |