CN117293975B - 一种锂电池的充放电调节方法、装置、设备及存储介质 - Google Patents

一种锂电池的充放电调节方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117293975B
CN117293975B CN202311565946.8A CN202311565946A CN117293975B CN 117293975 B CN117293975 B CN 117293975B CN 202311565946 A CN202311565946 A CN 202311565946A CN 117293975 B CN117293975 B CN 117293975B
Authority
CN
China
Prior art keywords
temperature
random
lithium battery
optimal
preset
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311565946.8A
Other languages
English (en)
Other versions
CN117293975A (zh
Inventor
曾最林
王赟兵
曾雨舟
曾莘格
曾祉龙
李蒙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yunnan Wallbase Optoelectronics Co ltd
Original Assignee
Yunnan Wallbase Optoelectronics Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yunnan Wallbase Optoelectronics Co ltd filed Critical Yunnan Wallbase Optoelectronics Co ltd
Priority to CN202311565946.8A priority Critical patent/CN117293975B/zh
Publication of CN117293975A publication Critical patent/CN117293975A/zh
Application granted granted Critical
Publication of CN117293975B publication Critical patent/CN117293975B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
    • H02J7/007—Regulation of charging or discharging current or voltage
    • H02J7/007188—Regulation of charging or discharging current or voltage the charge cycle being controlled or terminated in response to non-electric parameters
    • H02J7/007192—Regulation of charging or discharging current or voltage the charge cycle being controlled or terminated in response to non-electric parameters in response to temperature
    • H02J7/007194—Regulation of charging or discharging current or voltage the charge cycle being controlled or terminated in response to non-electric parameters in response to temperature of the 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
    • 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
    • G06N3/045—Combinations of 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/44—Methods for charging or discharging
    • H01M10/443—Methods for charging or discharging in response to temperature
    • 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

Abstract

本申请公开了一种锂电池的充放电调节方法、装置、设备及存储介质，涉及电数字数据处理技术领域，方法包括对锂电池进行充放电，获取每次充电再放电的温度曲线；对所有温度曲线进行神经网络训练，得到温度预测曲线；获取温度预测曲线位于充电阶段的第一最大值以及位于放电阶段的第二最大值；响应于外部输入端设定的最大充电温度阈值以及最大放电温度阈值；通过全局寻优算法获取锂电池的最佳输入功率，以使第一最大值小于等于最大充电温度阈值、第二最大值小于等于最大放电温度阈值。本申请通过预测锂电池的最高温度来反向控制输入功率和输出功率，使得锂电池在充电阶段和放电阶段的实时温度均在安全范围内，防止锂电池产生不可逆损坏。

Description

一种锂电池的充放电调节方法、装置、设备及存储介质
技术领域
本申请涉及电数字数据处理技术领域，尤其涉及一种锂电池的充放电调节方法、装置、设备及存储介质。
背景技术
锂电池是一类由锂金属或锂合金为正/负极材料、使用非水电解质溶液的电池。锂电池的充放电过程其实就是锂离子和电子的往复运动过程，充电时，给电池施加电源，让锂离子和电子沿不同路径跑到石墨层，此时锂原子很不稳定；而放电就是给 电池施加负载，让锂离子和电子沿之前路径跑到金属氧化物侧，此时锂原子作为金属氧化物的一部分比较稳定。锂电池组在充电/放电过程中，基于不同材料的锂电池的自身电化学特性，会形成各自相近的充放电曲线平台，该曲线平台会随着电池模组充电/放电电流的大小和环境温度的变化而按其特有的电化学规律变化。
目前对锂电池的充放电普遍存在过充过放现象，锂电池过充电容易导致电压随极化增大而迅速升高，会引起正极活性物质结构的不可逆变化，造成电解液分解，产生大量气体，放出大量热量，使电池温度和内压急剧升高，内部隔膜熔化或收缩，造成正、负极材料接触短路，存在爆炸、燃烧隐患导致锂电池使用寿命受到影响；而过放电会使电池的内压升高，正负极活性物质的可逆性被破坏，电解液的分解，负极锂的沉积，电阻的增加，从而导致电池温度急剧升高，即使充电只能部分恢复，容量也会有明显的衰减。
发明内容
本申请的主要目的在于提供一种锂电池的充放电调节方法、装置、设备及存储介质，以解决现有技术中锂电池过充过放影响使用寿命的问题。
为了实现上述目的，本申请提供了如下技术方案：
一种锂电池的充放电调节方法，所述充放电调节方法包括：
对所述锂电池进行预设输入功率的充电以及预设输出功率的放电，获取每次充电再放电的温度曲线；
对所有温度曲线进行神经网络训练，得到温度预测曲线；
获取所述温度预测曲线位于充电阶段的第一最大值以及位于放电阶段的第二最大值；
响应于外部输入端设定的最大充电温度阈值以及最大放电温度阈值；
通过全局寻优算法获取所述锂电池的最佳输入功率，以使所述第一最大值小于等于所述最大充电温度阈值；
通过全局寻优算法获取所述锂电池的最佳输出功率，以使所述第二最大值小于等于所述最大放电温度阈值；
输出所述最佳输入功率至外部充电端，以替换所述预设输入功率；
输出所述最佳输出功率至外部用电端，以替换所述预设输出功率。
作为本申请的进一步改进，对所有温度曲线进行神经网络训练，得到温度预测曲线，包括：
基于预设时间间隔分别采集每个温度曲线的若干个温度数据，并保存为一个温度数据集；
分别对每个温度数据集进行归一化处理，得到一个归一化数据集；
分别将每个归一化数据集按照预设比例划分为一个训练集、一个验证集、一个测试集；
定义神经网络模型的拓扑关系，所述拓扑关系包括依次信号连接的输入层、隐含层、输出层；
将所述训练集输出至所述输入层；
通过所述神经网络模型进行第一预设次数的训练，基于每次训练分别获取一次所述验证集与当前次的训练结果的均方根误差；
获取所有均方根误差中的极小值，并获取与所述极小值对应的训练结果作为所述温度预测曲线。
作为本申请的进一步改进，所述拓扑关系通过式（1）表征：
（1）；
其中，为所述神经网络模型；/>为所述输入层的第/>个输入节点，每个输入节点对应所述训练集的一组训练数据，/>为所述输入层的第/>个输入节点到所述隐含层的第/>个输入节点的预设权值；/>为连接于所述隐含层的第/>个输入节点的阈值；为传递函数，且/>。
作为本申请的进一步改进，所述均方根误差通过式（2）表征：
（2）；
其中，为所述均方根误差，/>为输入节点的个数，/>为第/>个训练数据的真实值，/>为第/>个训练数据训练完成后的训练结果。
作为本申请的进一步改进，通过全局寻优算法获取所述锂电池的最佳输入功率，以使所述第一最大值小于等于所述最大充电温度阈值，包括：
根据式（3）对所述最佳输入功率定义若干个第一随机解，并定义所有第一随机解的寻优结果为所述第一最大值小于等于所述最大充电温度阈值；
（3）；
其中，为所有第一随机解的集合，/>分别为每个第一随机解，/>为第一随机解的标号，/>为所有第一随机解的个数；/>为所有第一随机解的速度的集合，/>分别为每个第一随机解的速度；
初始化每个第一随机解的位置，并基于同一个第一随机解根据式（4）分别更新当前位置和当前速度：
（4）；
其中，为第/>个第一随机解在第/>步的速度，/>为第/>个第一随机解在第/>步的速度惯性，/>为惯性系数，/>为第/>个第一随机解的自我认知表征，/>为第/>个第一随机解的社会认知表征；/>与均为学习因子，/>为预设取值范围的随机数，/>为第/>个第一随机解已获得的个体最优解，/>为第/>个第一随机解已获得的全局最优解；
根据所述式（4）分别迭代每个第一随机解第二预设次数，以更新每个以及每个/>；
分别判断每个相比于上一步迭代的差值是否小于等于第一预设适应阈值；
若是，则分别判断每个相比于上一步迭代的差值是否小于等于第二预设适应阈值；
若是，则判定已获得所述最佳输入功率。
作为本申请的进一步改进，通过全局寻优算法获取所述锂电池的最佳输出功率，以使所述第二最大值小于等于所述最大放电温度阈值，包括：
根据式（5）对所述最佳输出功率定义若干个第二随机解，并定义所有第二随机解的寻优结果为所述第二最大值小于等于所述最大放电温度阈值；
（5）；
其中，为所有第二随机解的集合，/>分别为每个第二随机解，/>为第二随机解的标号，/>为所有第二随机解的个数；/>为所有第二随机解的速度的集合，/>分别为每个第二随机解的速度；
初始化每个第二随机解的位置，并基于同一个第二随机解根据式（6）分别更新当前位置和当前速度：
（6）；
其中，为第/>个第二随机解在第/>步的速度，/>为第/>个第二随机解在第/>步的速度惯性，/>为第/>个第二随机解的自我认知表征，为第/>个第二随机解的社会认知表征；/>为第/>个第二随机解已获得的个体最优解，/>为第/>个第二随机解已获得的全局最优解；
根据所述式（6）分别迭代每个第二随机解第三预设次数，以更新每个以及每个/>；
分别判断每个相比于上一步迭代的差值是否小于等于第一预设适应阈值；
若是，则分别判断每个相比于上一步迭代的差值是否小于等于第二预设适应阈值；
若是，则判定已获得所述最佳输出功率。
作为本申请的进一步改进，输出所述最佳输出功率值外部用电端，以替换所述预设输出功率，之后，包括：
发送所述温度曲线、所述温度预测曲线、所述最佳输入功率、所述最佳输出功率至外部可视化终端。
为了实现上述目的，本申请还提供了如下技术方案：
一种锂电池的充放电调节装置，所述充放电调节装置应用于如上述的锂电池的充放电调节方法，所述充放电调节装置包括：
温度曲线获取模块，用于对所述锂电池进行预设输入功率的充电以及预设输出功率的放电，获取每次充电再放电的温度曲线；
温度预测曲线获取模块，用于对所有温度曲线进行神经网络训练，得到温度预测曲线；
温度最大值获取模块，用于获取所述温度预测曲线位于充电阶段的第一最大值以及位于放电阶段的第二最大值；
外部阈值响应模块，用于响应于外部输入端设定的最大充电温度阈值以及最大放电温度阈值；
最佳输入功率获取模块，用于通过全局寻优算法获取所述锂电池的最佳输入功率，以使所述第一最大值小于等于所述最大充电温度阈值；
最佳输出功率获取模块，用于通过全局寻优算法获取所述锂电池的最佳输出功率，以使所述第二最大值小于等于所述最大放电温度阈值；
最佳输入功率输出模块，用于输出所述最佳输入功率至外部充电端，以替换所述预设输入功率；
最佳输出功率输出模块，用于输出所述最佳输出功率至外部用电端，以替换所述预设输出功率。
为了实现上述目的，本申请还提供了如下技术方案：
一种电子设备，包括处理器、以及与所述处理器耦接的存储器，所述存储器存储有可被所述处理器执行的程序指令；所述处理器执行所述存储器存储的所述程序指令时实现如上述的锂电池的充放电调节方法。
为实现上述目的，本申请还提供了如下技术方案：
一种存储介质，所述存储介质内存储有程序指令，所述程序指令被处理器执行时实现能够实现如上述的锂电池的充放电调节方法。
本申请对锂电池进行预设输入功率的充电以及预设输出功率的放电，获取每次充电再放电的温度曲线；对所有温度曲线进行神经网络训练，得到温度预测曲线；获取温度预测曲线位于充电阶段的第一最大值以及位于放电阶段的第二最大值；响应于外部输入端设定的最大充电温度阈值以及最大放电温度阈值；通过全局寻优算法获取锂电池的最佳输入功率，以使第一最大值小于等于最大充电温度阈值；通过全局寻优算法获取锂电池的最佳输出功率，以使第二最大值小于等于最大放电温度阈值；输出最佳输入功率至外部充电端，以替换预设输入功率；输出最佳输出功率至外部用电端，以替换预设输出功率。本申请通过预测锂电池的最高温度来反向控制输入功率和输出功率，使得锂电池在充电阶段和放电阶段的实时温度均在安全范围内，从而防止锂电池产生不可逆损坏。
附图说明
图1为本申请锂电池的充放电调节方法一个实施例的步骤流程示意图；
图2为本申请锂电池的充放电调节方法一个实施例的锂电池放电曲线图；
图3为本申请锂电池的充放电调节装置一个实施例的结构示意图；
图4为本申请电子设备一个实施例的结构示意图；
图5为本申请存储介质一个实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请中的术语“第一”“第二”“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”“第二”“第三”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，“多个”的含义是至 少两个，例如两个，三个等，除非另有明确具体的限定。本申请实施例中所有方向性指示（诸如上、下、左、右、前、后……）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。此外，术语“包括”和“具有”以及它们任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其他实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其他实施例相结合。
如图1所示，本实施例提供了锂电池的充放电调节方法的一个实施例，在本实施例中，该方法包括如下步骤：
步骤S1，对锂电池进行预设输入功率的充电以及预设输出功率的放电，获取每次充电再放电的温度曲线。
优选地，可根据锂电池的性能参数设置预设输入功率和预设输出功率。
举例说明：本实施例以7.4V的锂电池为例。
通常，7.4V的锂电池都由2片锂电池芯串联而成，即每片电芯的电压为3.7V。锂电池上标示的电压称为标称电压，是从平均工作电压获得。单片锂电池芯的实际电压为2.75～4.2V，锂电池上标的电容量是4.2V放电至2.75V所获得的电量。锂电池必须保持在2.75～4.2V这个电压范围内使用。如电压低于2.75V则属于过度放电，锂电池会膨胀，内部的化学液体会结晶，这些结晶有可能会刺穿内部结构层造成短路，甚至会让锂电池电压变为零。电压高于4.2V属于过度充电，内部化学反应过于激烈，锂电池会鼓气膨胀，若继续充电会膨胀、燃烧。无论是过放还是过充均会对锂电池产生很大的伤害。通过锂电池固定电流放电曲线图可清楚地了解锂电池的放电特性。参见图2，在合理的放电电流下，电压从静止时的4.2V开始下降，接着曲线趋向平缓，这段平缓的曲线是“放电平台”。放电至85%时曲线开始逐渐下滑，到95%时几乎是垂直下降到2.75V的位置。因此，锂电池实际使用范围是有效放电电压的部分，亦即80%的安全使用区内，电压急速下降区不应使用，容易导致过度放电，此时电量消耗已经超过80%。如果继续放电，电池的温度会迅速升高。以7.4V的锂电池为例，电量显示器显示的总电压高于7.0V即在安全放电范围，单片电压则应高于3.5V。其中，锂电池的放电倍率（C）越大，对制造技术的要求越高，成本也会增加。比如7.4V800mAh12C的锂电池，持续最大放电电流为0.8A*12=9.6A；比如7.4V800mAh15C的锂电池，持续最大放电电流为0.8A*15=12A；比如7.4V1300mAh15C的锂电池，持续最大放电电流为1.3A*15=19.5A。以0.5～1C电流充电，充电电流应为电池容量的0.5~1倍（C）为佳，最多不要超过2倍（C），即800mAh容量的锂电池的最佳充电电流为0.4～0.8A，最多不要超过1.0A，尽量减少快速充电的次数。刚用过的锂电池会有余温，即使表面已完全冷却，内部依然有一定温度。因此应至少静置锂电池40分钟再充电。同时也要避免充饱电存放，锂电池充饱电时内部的化学反应很活跃。如果维持在满电状态电压虽不会降低，但实际放电时化学反应会变得迟缓，放电平台下降，导致锂电池性能大不如前。就像一条橡皮圈长期紧绷，弹性便会受影响。因此，充满电的锂电池最好在24小时内使用，长时间不使用锂电池时必须让单节电压维持在3.7～3.9V之间，如果储存期间电压低于3.7V，就必须给电池充电至3.9V。
步骤S2，对所有温度曲线进行神经网络训练，得到温度预测曲线。
优选地，本实施例选用bp神经网络。
步骤S3，获取温度预测曲线位于充电阶段的第一最大值以及位于放电阶段的第二最大值。
步骤S4，响应于外部输入端设定的最大充电温度阈值以及最大放电温度阈值。
优选地，锂电池的安全温度范围为40℃至60℃，最大温度阈值优选45℃。
步骤S5，通过全局寻优算法获取锂电池的最佳输入功率，以使第一最大值小于等于最大充电温度阈值。
步骤S6，通过全局寻优算法获取锂电池的最佳输出功率，以使第二最大值小于等于最大放电温度阈值。
优选地，如果计算机设备算力充足，则步骤S5与步骤S6可同时进行，不分先后。
步骤S7，输出最佳输入功率至外部充电端，以替换预设输入功率。
步骤S8，输出最佳输出功率至外部用电端，以替换预设输出功率。
优选地，步骤S7和步骤S8可同时进行，不分先后。
进一步地，步骤S2具体包括如下步骤：
步骤S21，基于预设时间间隔分别采集每个温度曲线的若干个温度数据，并保存为一个温度数据集。
步骤S22，分别对每个温度数据集进行归一化处理，得到一个归一化数据集。
步骤S23，分别将每个归一化数据集按照预设比例划分为一个训练集、一个验证集、一个测试集。
步骤S24，定义神经网络模型的拓扑关系，拓扑关系包括依次信号连接的输入层、隐含层、输出层。
步骤S25，将训练集输出至输入层。
步骤S26，通过神经网络模型进行第一预设次数的训练，基于每次训练分别获取一次验证集与当前次的训练结果的均方根误差。
步骤S27，获取所有均方根误差中的极小值，并获取与极小值对应的训练结果作为温度预测曲线。
进一步地，拓扑关系通过式（1）表征：
（1）。
其中，为神经网络模型；/>为输入层的第/>个输入节点，每个输入节点对应训练集的一组训练数据，/>为输入层的第/>个输入节点到隐含层的第/>个输入节点的预设权值；/>为连接于隐含层的第/>个输入节点的阈值；/>为传递函数，且。
优选地，本实施例的式（1）中符号角标的括号内的数字为层数，例如中的上角标（2）为第二层，即隐含层，/>的上角标（1，2）为第一层到第二层，即输入层到隐含层。
优选地，本实施例的训练目的在于通过对锂电池的实时温度以自然秒、自然分、自然小时为时间节点，通过在每个时间节点采集到实时温度进行训练，以能够总结、预测该锂电池温度规律。
优选地，训练模型训练一个神经网络通常需要提供大量的数据，即数据集；数据集一般被分为三类，即上述的训练集(training set)、验证集(validation set)和测试集(test set)。
其中，一个epoch（数量增加）就是等于使用训练集中的全部样本训练一次的过程，所谓训练一次，指的是进行一次正向传播(forward pass)和反向传播(back pass)；当一个epoch的样本(即训练集)数量太过庞大的时候，进行一次训练可能会消耗过多的时间，并且每次训练都使用训练集的全部数据不全是必要的，则需要把整个训练集分成多个小块，也就是分成多个batch（批次）进行训练；一个epoch由一个或多个batch构成，batch为训练集的一部分，每次训练的过程只使用一部分数据，即一个batch，训练一个batch的过程为一个iteration（迭代）。
优选地，神经网络训练具体包括感知机(Perceptron)，感知机由两层神经元组成，输入层接受外界输入信号后传递给输出层，输出层为M-P神经元，设为阶跃函数，并给定训练数据集，则权重/>(/>=1,2,...,n)以及训练阈值/>可通过学习得到，/>可理解为一个固定输入为-1,0的固定值所对应的权重/>。
需要注意的是，此处的阶跃函数不与实施例其他公式的符号含义互通，此阶跃函数仅作原理性说明，不参与其他公式的计算。
优选地，本实施例中神经网络训练次数可设置为500次。
优选地，第1个至第250个epoch的学习率可设置为0.01，第251个至第325个epoch的学习率可设置为0.001，第326个至第1000个epoch的学习率可设置为0.0001。
可以理解为，本实施例的神经网络训练主要包括如下思路：
①初始化网络中的权值和偏置项，初始化参数值(输出单元权值、偏置项和隐藏单元权值、偏置项均为模型的参数)，是为激活前向传播，得到每一层元素的输出值，进而得到损失函数的值。
②激活前向传播，得到各层输出值以及各层损失函数的期望值。
③根据损失函数，计算输出单元的误差项和隐藏单元的误差项，计算各项误差，计算参数关于损失函数的梯度或根据微积分链式法则计算偏导数。 对于复合函数中的向量或矩阵求偏导，复合函数内部函数的编导总是左乘；对于复合函数中的标量求偏导，复合函数内部函数的编导左乘或者右乘均可。
④更新神经网络中的权值和偏置项。
⑤重复②~④，直到损失函数小于预设阈值或迭代次数用完为止，输出此时的参数即为目前最佳参数。
进一步地，均方根误差通过式（2）表征：
（2）。
其中，为均方根误差，/>为输入节点的个数，/>为第/>个训练数据的真实值，/>为第/>个训练数据训练完成后的训练结果。
进一步地，步骤S5具体包括如下步骤：
步骤S51，根据式（3）对最佳输入功率定义若干个第一随机解，并定义所有第一随机解的寻优结果为第一最大值小于等于最大充电温度阈值。
（3）。
其中，为所有第一随机解的集合，/>分别为每个第一随机解，/>为第一随机解的标号，/>为所有第一随机解的个数；/>为所有第一随机解的速度的集合，/>分别为每个第一随机解的速度。
步骤S52，初始化每个第一随机解的位置，并基于同一个第一随机解根据式（4）分别更新当前位置和当前速度：
（4）。
其中，为第/>个第一随机解在第/>步的速度，/>为第/>个第一随机解在第/>步的速度惯性，/>为惯性系数，/>为第/>个第一随机解的自我认知表征，/>为第/>个第一随机解的社会认知表征；/>与/>均为学习因子，/>为预设取值范围的随机数，/>为第/>个第一随机解已获得的个体最优解，/>为第/>个第一随机解已获得的全局最优解。
优选地，为预设取值范围为/>，/>的取值范围为/>，优选/>；/>的取值范围为/>，优选/>；由于两次全局寻优算法基于同一个锂电池，则下文中的第二次全局寻优算法可采用相同的参数设置。
步骤S53，根据式（4）分别迭代每个第一随机解第二预设次数，以更新每个以及每个/>。
步骤S54，分别判断每个相比于上一步迭代的差值是否小于等于第一预设适应阈值，若每个/>相比于上一步迭代的差值均小于等于第一预设适应阈值，则执行步骤S55。
步骤S55，分别判断每个相比于上一步迭代的差值是否小于等于第二预设适应阈值，若每个/>相比于上一步迭代的差值均小于等于第二预设适应阈值，则执行步骤S56。
步骤S56，判定已获得最佳输入功率。
进一步地，步骤S6具体包括如下步骤：
步骤S61，根据式（5）对最佳输出功率定义若干个第二随机解，并定义所有第二随机解的寻优结果为第二最大值小于等于最大放电温度阈值。
（5）。
其中，为所有第二随机解的集合，/>分别为每个第二随机解，/>为第二随机解的标号，/>为所有第二随机解的个数；/>为所有第二随机解的速度的集合，/>分别为每个第二随机解的速度。
步骤S62，初始化每个第二随机解的位置，并基于同一个第二随机解根据式（6）分别更新当前位置和当前速度：
（6）。
其中，为第/>个第二随机解在第/>步的速度，/>为第/>个第二随机解在第/>步的速度惯性，/>为第/>个第二随机解的自我认知表征，为第/>个第二随机解的社会认知表征；/>为第/>个第二随机解已获得的个体最优解，/>为第/>个第二随机解已获得的全局最优解。
步骤S63，根据式（6）分别迭代每个第二随机解第三预设次数，以更新每个以及每个/>。
步骤S64，分别判断每个相比于上一步迭代的差值是否小于等于第一预设适应阈值，若每个/>相比于上一步迭代的差值均小于等于第一预设适应阈值，则执行步骤S65。
步骤S65，分别判断每个相比于上一步迭代的差值是否小于等于第二预设适应阈值，若每个/>相比于上一步迭代的差值均小于等于第二预设适应阈值，则执行步骤S66。
步骤S66，判定已获得最佳输出功率。
需要说明的是，步骤S5、步骤S6及其详细步骤在本质上为同一个算法，区别点在于步骤S5、步骤S6的计算客体不同，一个是充电阶段，另一个是放电阶段。
优选地，步骤S53和步骤S63均可采用线性递减的方式迭代惯性系数。
进一步地，步骤S8之后，还包括如下步骤：
步骤S9，发送温度曲线、温度预测曲线、最佳输入功率、最佳输出功率至外部可视化终端。
本实施例对锂电池进行预设输入功率的充电以及预设输出功率的放电，获取每次充电再放电的温度曲线；对所有温度曲线进行神经网络训练，得到温度预测曲线；获取温度预测曲线位于充电阶段的第一最大值以及位于放电阶段的第二最大值；响应于外部输入端设定的最大充电温度阈值以及最大放电温度阈值；通过全局寻优算法获取锂电池的最佳输入功率，以使第一最大值小于等于最大充电温度阈值；通过全局寻优算法获取锂电池的最佳输出功率，以使第二最大值小于等于最大放电温度阈值；输出最佳输入功率至外部充电端，以替换预设输入功率；输出最佳输出功率至外部用电端，以替换预设输出功率。本实施例通过预测锂电池的最高温度来反向控制输入功率和输出功率，使得锂电池在充电阶段和放电阶段的实时温度均在安全范围内，从而防止锂电池产生不可逆损坏。
如图3所示，本实施例提供了锂电池的充放电调节装置的一个实施例，在本实施例中，该装置应用于如上述实施例中的方法，该装置包括依次电性连接的温度曲线获取模块1、温度预测曲线获取模块2、温度最大值获取模块3、外部阈值响应模块4、最佳输入功率获取模块5、最佳输出功率获取模块6、最佳输入功率输出模块7、最佳输出功率输出模块8。
其中，温度曲线获取模块1用于对锂电池进行预设输入功率的充电以及预设输出功率的放电，获取每次充电再放电的温度曲线；温度预测曲线获取模块2用于对所有温度曲线进行神经网络训练，得到温度预测曲线；温度最大值获取模块3用于获取温度预测曲线位于充电阶段的第一最大值以及位于放电阶段的第二最大值；外部阈值响应模块4用于响应于外部输入端设定的最大充电温度阈值以及最大放电温度阈值；最佳输入功率获取模块5用于通过全局寻优算法获取锂电池的最佳输入功率，以使第一最大值小于等于最大充电温度阈值；最佳输出功率获取模块6用于通过全局寻优算法获取锂电池的最佳输出功率，以使第二最大值小于等于最大放电温度阈值；最佳输入功率输出模块7用于输出最佳输入功率至外部充电端，以替换预设输入功率；最佳输出功率输出模块8用于输出最佳输出功率至外部用电端，以替换预设输出功率。
进一步地，温度预测曲线获取模块包括依次电性连接的第一温度预测曲线获取子模块、第二温度预测曲线获取子模块、第三温度预测曲线获取子模块、第四温度预测曲线获取子模块、第五温度预测曲线获取子模块、第六温度预测曲线获取子模块、第七温度预测曲线获取子模块；第一温度预测曲线获取子模块与温度曲线获取模块电性连接，第七温度预测曲线获取子模块与温度最大值获取模块电性连接。
其中，第一温度预测曲线获取子模块用于基于预设时间间隔分别采集每个温度曲线的若干个温度数据，并保存为一个温度数据集。
第二温度预测曲线获取子模块用于分别对每个温度数据集进行归一化处理，得到一个归一化数据集。
第三温度预测曲线获取子模块用于分别将每个归一化数据集按照预设比例划分为一个训练集、一个验证集、一个测试集。
第四温度预测曲线获取子模块用于定义神经网络模型的拓扑关系，拓扑关系包括依次信号连接的输入层、隐含层、输出层。
第五温度预测曲线获取子模块用于将训练集输出至输入层。
第六温度预测曲线获取子模块用于通过神经网络模型进行第一预设次数的训练，基于每次训练分别获取一次验证集与当前次的训练结果的均方根误差。
第七温度预测曲线获取子模块用于获取所有均方根误差中的极小值，并获取与极小值对应的训练结果作为温度预测曲线。
进一步地，第四温度预测曲线获取子模块还搭载有通过式（1）表征的拓扑关系：
（1）。
其中，为神经网络模型；/>为输入层的第/>个输入节点，每个输入节点对应训练集的一组训练数据，/>为输入层的第/>个输入节点到隐含层的第/>个输入节点的预设权值；/>为连接于隐含层的第/>个输入节点的阈值；/>为传递函数，且。
进一步地，第六温度预测曲线获取子模块还搭载有通过式（2）表征的均方根误差：
（2）。
其中，为均方根误差，/>为输入节点的个数，/>为第/>个训练数据的真实值，/>为第/>个训练数据训练完成后的训练结果。
进一步地，最佳输入功率获取模块包括依次电性连接的第一最佳输入功率获取子模块、
第一最佳输入功率获取子模块用于根据式（3）对最佳输入功率定义若干个第一随机解，并定义所有第一随机解的寻优结果为第一最大值小于等于最大充电温度阈值。
（3）。
其中，为所有第一随机解的集合，/>分别为每个第一随机解，/>为第一随机解的标号，/>为所有第一随机解的个数；/>为所有第一随机解的速度的集合，/>分别为每个第一随机解的速度。
第二最佳输入功率获取子模块用于初始化每个第一随机解的位置，并基于同一个第一随机解根据式（4）分别更新当前位置和当前速度：
（4）。
其中，为第/>个第一随机解在第/>步的速度，/>为第/>个第一随机解在第/>步的速度惯性，/>为惯性系数，/>为第/>个第一随机解的自我认知表征，/>为第/>个第一随机解的社会认知表征；/>与均为学习因子，/>为预设取值范围的随机数，/>为第/>个第一随机解已获得的个体最优解，/>为第/>个第一随机解已获得的全局最优解。
第三最佳输入功率获取子模块用于根据式（4）分别迭代每个第一随机解第二预设次数，以更新每个以及每个/>。
第四最佳输入功率获取子模块用于分别判断每个相比于上一步迭代的差值是否小于等于第一预设适应阈值。
第五最佳输入功率获取子模块用于若每个相比于上一步迭代的差值均小于等于第一预设适应阈值，则分别判断每个/>相比于上一步迭代的差值是否小于等于第二预设适应阈值。
第六最佳输入功率获取子模块用于若每个相比于上一步迭代的差值均小于等于第二预设适应阈值，则判定已获得最佳输入功率。
进一步地，最佳输出功率获取模块包括依次电性连接的
第一最佳输出功率获取子模块用于根据式（5）对最佳输出功率定义若干个第二随机解，并定义所有第二随机解的寻优结果为第二最大值小于等于最大放电温度阈值。
（5）。
其中，为所有第二随机解的集合，/>分别为每个第二随机解，/>为第二随机解的标号，/>为所有第二随机解的个数；/>为所有第二随机解的速度的集合，/>分别为每个第二随机解的速度。
第二最佳输出功率获取子模块用于初始化每个第二随机解的位置，并基于同一个第二随机解根据式（6）分别更新当前位置和当前速度：
（6）。
其中，为第/>个第二随机解在第/>步的速度，/>为第/>个第二随机解在第/>步的速度惯性，/>为第/>个第二随机解的自我认知表征，为第/>个第二随机解的社会认知表征；/>为第/>个第二随机解已获得的个体最优解，/>为第/>个第二随机解已获得的全局最优解。
第三最佳输出功率获取子模块用于根据式（6）分别迭代每个第二随机解第三预设次数，以更新每个以及每个/>。
第四最佳输出功率获取子模块用于分别判断每个相比于上一步迭代的差值是否小于等于第一预设适应阈值。
第五最佳输出功率获取子模块用于若每个相比于上一步迭代的差值均小于等于第一预设适应阈值，则分别判断每个/>相比于上一步迭代的差值是否小于等于第二预设适应阈值。
第六最佳输出功率获取子模块用于若每个相比于上一步迭代的差值均小于等于第二预设适应阈值，则判定已获得最佳输出功率。
优选地，由于两个计算模块的算法相同，只是计算客体不同，则第一最佳输出功率获取子模块至第六最佳输出功率获取子模块可共用第一最佳输入功率获取子模块至第六最佳输入功率获取子模块，以减少模块数量。
进一步地，该装置还包括电性连接于最佳输出功率输出模块的数据发送模块。
其中，数据发送模块用于发送温度曲线、温度预测曲线、最佳输入功率、最佳输出功率至外部可视化终端。
需要说明的是，本实施例为基于上述方法实施例的装置实施例，本实施例的优选、拓展、限定、举例说明等额外内容参见上述方式实施例即可，本实施例不再赘述。
本实施例对锂电池进行预设输入功率的充电以及预设输出功率的放电，获取每次充电再放电的温度曲线；对所有温度曲线进行神经网络训练，得到温度预测曲线；获取温度预测曲线位于充电阶段的第一最大值以及位于放电阶段的第二最大值；响应于外部输入端设定的最大充电温度阈值以及最大放电温度阈值；通过全局寻优算法获取锂电池的最佳输入功率，以使第一最大值小于等于最大充电温度阈值；通过全局寻优算法获取锂电池的最佳输出功率，以使第二最大值小于等于最大放电温度阈值；输出最佳输入功率至外部充电端，以替换预设输入功率；输出最佳输出功率至外部用电端，以替换预设输出功率。本实施例通过预测锂电池的最高温度来反向控制输入功率和输出功率，使得锂电池在充电阶段和放电阶段的实时温度均在安全范围内，从而防止锂电池产生不可逆损坏。
图4是本申请一实施例的电子设备的结构示意图。如图4所示，该电子设备9包括处理器91及和处理器91耦接的存储器92。
存储器92存储有用于实现上述任一实施例的锂电池的充放电调节方法的程序指令。
处理器91用于执行存储器92存储的程序指令以进行锂电池的充放电调节。
其中，处理器91还可以称为CPU（Central Processing Unit，中央处理单元）。处理器91可能是一种集成电路芯片，具有信号的处理能力。处理器91还可以是通用处理器、数字信号处理器（DSP)、专用集成电路（ASIC)、现场可编程门阵列（FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
进一步地，图5为本申请一实施例的存储介质的结构示意图，参见图5，本申请实施例的存储介质10存储有能够实现上述所有方法的程序指令101，其中，该程序指令101可以以软件产品的形式存储在上述存储介质中，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）或处理器（processor）执行本申请各个实施方式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（ROM，Read-Only Memory)、随机存取存储器（RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所做的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围。

Claims (8)

1.一种锂电池的充放电调节方法，其特征在于，所述充放电调节方法包括：
对所述锂电池进行预设输入功率的充电以及预设输出功率的放电，获取每次充电再放电的温度曲线；
对所有温度曲线进行神经网络训练，得到温度预测曲线；
获取所述温度预测曲线位于充电阶段的第一最大值以及位于放电阶段的第二最大值；
响应于外部输入端设定的最大充电温度阈值以及最大放电温度阈值；
通过全局寻优算法获取所述锂电池的最佳输入功率，以使所述第一最大值小于等于所述最大充电温度阈值；
通过全局寻优算法获取所述锂电池的最佳输出功率，以使所述第二最大值小于等于所述最大放电温度阈值；
输出所述最佳输入功率至外部充电端，以替换所述预设输入功率；
输出所述最佳输出功率至外部用电端，以替换所述预设输出功率;
通过全局寻优算法获取所述锂电池的最佳输入功率，以使所述第一最大值小于等于所述最大充电温度阈值，包括：
根据式（3）对所述最佳输入功率定义若干个第一随机解，并定义所有第一随机解的寻优结果为所述第一最大值小于等于所述最大充电温度阈值；
（3）；
其中，为所有第一随机解的集合，/>分别为每个第一随机解，/>为第一随机解的标号，/>为所有第一随机解的个数；/>为所有第一随机解的速度的集合，/>分别为每个第一随机解的速度；
初始化每个第一随机解的位置，并基于同一个第一随机解根据式（4）分别更新当前位置和当前速度：
（4）；
其中，为第/>个第一随机解在第/>步的速度，/>为第/>个第一随机解在第步的速度惯性，/>为惯性系数，/>为第/>个第一随机解的自我认知表征，/>为第/>个第一随机解的社会认知表征；/>与/>均为学习因子，/>为预设取值范围的随机数，/>为第/>个第一随机解已获得的个体最优解，/>为第/>个第一随机解已获得的全局最优解；
根据所述式（4）分别迭代每个第一随机解第二预设次数，以更新每个以及每个；
分别判断每个相比于上一步迭代的差值是否小于等于第一预设适应阈值；
若是，则分别判断每个相比于上一步迭代的差值是否小于等于第二预设适应阈值；
若是，则判定已获得所述最佳输入功率；
通过全局寻优算法获取所述锂电池的最佳输出功率，以使所述第二最大值小于等于所述最大放电温度阈值，包括：
根据式（5）对所述最佳输出功率定义若干个第二随机解，并定义所有第二随机解的寻优结果为所述第二最大值小于等于所述最大放电温度阈值；
（5）；
其中，为所有第二随机解的集合，/>分别为每个第二随机解，/>为第二随机解的标号，/>为所有第二随机解的个数；/>为所有第二随机解的速度的集合，/>分别为每个第二随机解的速度；
初始化每个第二随机解的位置，并基于同一个第二随机解根据式（6）分别更新当前位置和当前速度：
（6）；
其中，为第/>个第二随机解在第/>步的速度，/>为第/>个第二随机解在第/>步的速度惯性，/>为第/>个第二随机解的自我认知表征，为第/>个第二随机解的社会认知表征；/>为第/>个第二随机解已获得的个体最优解，/>为第/>个第二随机解已获得的全局最优解；
根据所述式（6）分别迭代每个第二随机解第三预设次数，以更新每个以及每个；
分别判断每个相比于上一步迭代的差值是否小于等于第一预设适应阈值；
若是，则分别判断每个相比于上一步迭代的差值是否小于等于第二预设适应阈值；
若是，则判定已获得所述最佳输出功率。
2.根据权利要求1所述的充放电调节方法，其特征在于，对所有温度曲线进行神经网络训练，得到温度预测曲线，包括：
基于预设时间间隔分别采集每个温度曲线的若干个温度数据，并保存为一个温度数据集；
分别对每个温度数据集进行归一化处理，得到一个归一化数据集；
分别将每个归一化数据集按照预设比例划分为一个训练集、一个验证集、一个测试集；
定义神经网络模型的拓扑关系，所述拓扑关系包括依次信号连接的输入层、隐含层、输出层；
将所述训练集输出至所述输入层；
通过所述神经网络模型进行第一预设次数的训练，基于每次训练分别获取一次所述验证集与当前次的训练结果的均方根误差；
获取所有均方根误差中的极小值，并获取与所述极小值对应的训练结果作为所述温度预测曲线。
3.根据权利要求2所述的充放电调节方法，其特征在于，所述拓扑关系通过式（1）表征：
（1）；
其中，为所述神经网络模型；/>为所述输入层的第/>个输入节点，每个输入节点对应所述训练集的一组训练数据，/>为所述输入层的第/>个输入节点到所述隐含层的第个输入节点的预设权值；/>为连接于所述隐含层的第/>个输入节点的阈值；为传递函数，且/>。
4.根据权利要求2所述的充放电调节方法，其特征在于，所述均方根误差通过式（2）表征：
（2）；
其中，为所述均方根误差，/>为输入节点的个数，/>为第/>个训练数据的真实值，/>为第/>个训练数据训练完成后的训练结果。
5.根据权利要求1所述的充放电调节方法，其特征在于，输出所述最佳输出功率值外部用电端，以替换所述预设输出功率，之后，包括：
发送所述温度曲线、所述温度预测曲线、所述最佳输入功率、所述最佳输出功率至外部可视化终端。
6.一种锂电池的充放电调节装置，所述充放电调节装置应用于如权利要求1至5之一所述的锂电池的充放电调节方法，其特征在于，所述充放电调节装置包括：
温度曲线获取模块，用于对所述锂电池进行预设输入功率的充电以及预设输出功率的放电，获取每次充电再放电的温度曲线；
温度预测曲线获取模块，用于对所有温度曲线进行神经网络训练，得到温度预测曲线；
温度最大值获取模块，用于获取所述温度预测曲线位于充电阶段的第一最大值以及位于放电阶段的第二最大值；
外部阈值响应模块，用于响应于外部输入端设定的最大充电温度阈值以及最大放电温度阈值；
最佳输入功率获取模块，用于通过全局寻优算法获取所述锂电池的最佳输入功率，以使所述第一最大值小于等于所述最大充电温度阈值；
最佳输出功率获取模块，用于通过全局寻优算法获取所述锂电池的最佳输出功率，以使所述第二最大值小于等于所述最大放电温度阈值；
最佳输入功率输出模块，用于输出所述最佳输入功率至外部充电端，以替换所述预设输入功率；
最佳输出功率输出模块，用于输出所述最佳输出功率至外部用电端，以替换所述预设输出功率。
7.一种电子设备，其特征在于，包括处理器、以及与所述处理器耦接的存储器，所述存储器存储有可被所述处理器执行的程序指令；所述处理器执行所述存储器存储的所述程序指令时实现如权利要求1至5中任一项所述的锂电池的充放电调节方法。
8.一种存储介质，其特征在于，所述存储介质内存储有程序指令，所述程序指令被处理器执行时实现能够实现如权利要求1至5中任一项所述的锂电池的充放电调节方法。
CN202311565946.8A 2023-11-22 2023-11-22 一种锂电池的充放电调节方法、装置、设备及存储介质 Active CN117293975B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311565946.8A CN117293975B (zh) 2023-11-22 2023-11-22 一种锂电池的充放电调节方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311565946.8A CN117293975B (zh) 2023-11-22 2023-11-22 一种锂电池的充放电调节方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN117293975A CN117293975A (zh) 2023-12-26
CN117293975B true CN117293975B (zh) 2024-02-02

Family

ID=89257449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311565946.8A Active CN117293975B (zh) 2023-11-22 2023-11-22 一种锂电池的充放电调节方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117293975B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109769400A (zh) * 2016-07-22 2019-05-17 Eos能源储存有限责任公司 蓄电池管理系统
CN110011374A (zh) * 2019-03-29 2019-07-12 深圳猛犸电动科技有限公司 一种电池充放电电流的控制方法、系统及终端设备
CN113240194A (zh) * 2021-06-04 2021-08-10 河北工业大学 储能电池容量预测方法、服务端及计算机可读存储介质
CN115632179A (zh) * 2022-12-20 2023-01-20 国网天津市电力公司电力科学研究院 一种锂离子电池智能快速充电方法及系统
CN115800438A (zh) * 2022-11-21 2023-03-14 北京昇科能源科技有限责任公司 锂离子电池快充标定设备及方法
CN116960989A (zh) * 2023-09-20 2023-10-27 云南电投绿能科技有限公司 一种发电站的电力负荷预测方法、装置、设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3995346A1 (en) * 2020-11-10 2022-05-11 Tata Consultancy Services Limited Method and system for optimizing operation of battery pack of an electric vehicle

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109769400A (zh) * 2016-07-22 2019-05-17 Eos能源储存有限责任公司 蓄电池管理系统
CN110011374A (zh) * 2019-03-29 2019-07-12 深圳猛犸电动科技有限公司 一种电池充放电电流的控制方法、系统及终端设备
CN113240194A (zh) * 2021-06-04 2021-08-10 河北工业大学 储能电池容量预测方法、服务端及计算机可读存储介质
CN115800438A (zh) * 2022-11-21 2023-03-14 北京昇科能源科技有限责任公司 锂离子电池快充标定设备及方法
CN115632179A (zh) * 2022-12-20 2023-01-20 国网天津市电力公司电力科学研究院 一种锂离子电池智能快速充电方法及系统
CN116960989A (zh) * 2023-09-20 2023-10-27 云南电投绿能科技有限公司 一种发电站的电力负荷预测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN117293975A (zh) 2023-12-26

Similar Documents

Publication Publication Date Title
US20210328449A1 (en) Battery charging method and apparatus
US10557892B2 (en) Energy storage device state estimation device and energy storage device state estimation method
Lee et al. Soft computing for battery state-of-charge (BSOC) estimation in battery string systems
JP3669673B2 (ja) 電気化学素子の劣化検出方法、残容量検出方法、並びにこれらを用いた充電器および放電制御装置
CN107196371B (zh) 电池充电方法、装置、设备和存储介质
CN107064805A (zh) 蓄电池容量测量系统和蓄电池容量测量方法
Azis et al. State of charge (SoC) and state of health (SoH) estimation of lithium-ion battery using dual extended kalman filter based on polynomial battery model
US9583959B2 (en) Charging apparatus
CN109633454A (zh) 一种实现锂离子电池等效温度在线估计的方法
US11316212B2 (en) Method, system and device for active balance control of battery pack
EP4033585A1 (en) Estimation device, estimation method, and computer program
Lu et al. Modeling discharge characteristics for predicting battery remaining life
Ozcan et al. Online state of charge estimation for Lithium-ion batteries using Gaussian process regression
CN108583326A (zh) 一种电动汽车电池组均衡控制方法
TWI465939B (zh) A Multi - stage Fast Charge Method for Optimizing Lithium Batteries
CN117293975B (zh) 一种锂电池的充放电调节方法、装置、设备及存储介质
CN115792625A (zh) 基于神经网络的锂电池soc估计方法、系统、设备及介质
EP4057017A1 (en) Method and device for controlling a charging signal for charging a rechargeable battery cell
Lu et al. Optimal Charging of Lithium-ion Batteries Based on Model Predictive Control Considering Lithium Plating and Cell Temperature
CN113632290B (zh) 改善电池循环性能的方法和电子装置
CN113884924A (zh) 基于卷积神经网络的锂离子电池内部短路诊断方法及系统
Lin et al. Forecasting the state-of-charge of Li-ion batteries using fuzzy inference system and fuzzy identification
Romero et al. Fast charge of Li-ion batteries using a two-layer distributed MPC with electro-chemical and thermal constraints
Moura et al. Control of film growth in lithium ion battery packs via switches
CN113391225B (zh) 一种考虑容量退化的锂电池荷电状态估计方法

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