CN117368746B - 电池荷电状态的修正方法及装置、设备、存储介质 - Google Patents
电池荷电状态的修正方法及装置、设备、存储介质 Download PDFInfo
- Publication number
- CN117368746B CN117368746B CN202311673666.9A CN202311673666A CN117368746B CN 117368746 B CN117368746 B CN 117368746B CN 202311673666 A CN202311673666 A CN 202311673666A CN 117368746 B CN117368746 B CN 117368746B
- Authority
- CN
- China
- Prior art keywords
- charge
- capacity
- state
- sampling time
- charging
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 109
- 238000005070 sampling Methods 0.000 claims abstract description 299
- 238000007600 charging Methods 0.000 claims abstract description 250
- 230000032683 aging Effects 0.000 claims abstract description 16
- 238000012937 correction Methods 0.000 claims description 46
- 238000012216 screening Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 11
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 6
- 230000001960 triggered effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010277 constant-current charging Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method 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]
- G01R31/367—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]
- G01R31/382—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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
Abstract
本申请实施例公开了一种电池荷电状态的修正方法及装置、设备、存储介质,包括:获取目标电池在充电过程中的充电点集合,充电点集合中包括目标电池的最大可用容量和在充电过程中每一采样时刻的电池参数;根据最大可用容量和电池参数,确定充电点集合中的容量特征点;其中,在目标电池的老化过程中,目标电池在每一次充电时获取的容量特征点对应的荷电状态不变;根据容量特征点修正目标电池的荷电状态。
Description
技术领域
本申请实施例涉及储能技术,涉及但不限于一种电池荷电状态的修正方法及装置、设备、存储介质。
背景技术
电池的荷电状态(State of Charge,SOC)是电池管理中的一个重要参数,对电池荷电状态的估算是电池管理中的重要环节。
相关技术中对于电池荷电状态的估算方法,一般是采用安时积分进行估算的,并结合多种修正策略保证对电池荷电状态估算的精度。
其中,较为常用的修正策略主要有OCV修正和满充满放修正。但对于OVC修正而言,由于电池的电压平台特性,使得OCV修正仅能在电池的荷电状态在约30%以下才能使用,同时需要电池在进行充放电后搁置充分长的时间才能准确修正,而且精度受老化影响。
对于满充满放修正而言,其需要在满充或者满放条件下才能触发。
而在实际的应用场景中,电池在使用时,其荷电状态保持在30%-90%区间内是非常普遍的。也就是说,大部分时间电池都在平台区,即电池的荷电状态为30%-90%区间内运行。此时,OCV修正和满充满放修正是无法触发的,且电池产品的运行工况一般比较稳定,这使电池长期处于无法触发修正的工况,安时积分的累计误差使得电池荷电状态的估算精度逐渐变低,从而影响电池产品的使用体验。
因此,如何对电池的SOC进行估算并修正,是一个需要不断探究的问题。
发明内容
有鉴于此,本申请实施例提供的电池荷电状态的修正方法及装置、设备、存储介质,能够提高对电池荷电状态的修正精准度。本申请实施例提供的电池荷电状态的修正方法及装置、设备、存储介质是这样实现的:
本申请实施例提供的电池荷电状态的修正方法,包括:
获取目标电池在充电过程中的充电点集合,所述充电点集合中包括所述目标电池的最大可用容量和在所述充电过程中每一采样时刻的电池参数;
根据所述最大可用容量和所述电池参数,确定所述充电点集合中的容量特征点;其中,在所述目标电池的老化过程中,所述目标电池在每一次充电时获取的所述容量特征点对应的荷电状态不变;
根据所述容量特征点修正所述目标电池的荷电状态。
在一些实施例中,所述电池参数包括当前采样时刻的电流值、电压值和荷电状态,所述根据所述最大可用容量和所述电池参数,确定所述充电点集合中的容量特征点,包括:
根据所述充电点集合中每一采样时刻的电流值,确定所述充电点集合的中位电流值;
根据所述中位电流值、所述每一采样时刻的电流值、所述最大可用容量和每一采样时刻的荷电状态,对所述充电点集合进行筛选处理,得到第一子充电点集合;
确定所述第一子充电点集合中每一采样时刻对应的电压增量和容量增量;
根据所述每一采样时刻对应的电压增量和容量增量,从所述第一子充电点集合中确定所述容量特征点。
在一些实施例中,所述根据所述中位电流值、所述每一采样时刻的电流值、所述最大可用容量和每一采样时刻的荷电状态,对所述充电点集合进行筛选处理,得到第一子充电点集合,包括:
根据所述中位电流值、所述每一采样时刻的电流值和所述最大可用容量,对所述充电点集合进行筛选处理,得到第二子充电点集合,所述第二子充电点集合中的每一采样时刻的电流值与所述中位电流值之间的差值小于预设差值,所述预设差值是根据所述最大可用容量确定的;
根据所述第二子充电点集合中的每一采样时刻的荷电状态和所述最大可用容量,对所述第二子充电点集合进行筛选处理,得到所述第一子充电点集合,所述第一子充电点集合中的采样时刻的数量小于所述第二子充电点集合中的采样时刻的数量。
在一些实施例中,所述根据所述第二子充电点集合中的每一采样时刻的荷电状态和所述最大可用容量,对所述第二子充电点集合进行筛选处理,得到所述第一子充电点集合,包括:
确定所述第二子充电点集合中每一采样时刻的荷电状态中的最小荷电状态和最大荷电状态;
在所述最小荷电状态小于第一荷电状态阈值,所述最大荷电状态大于第二荷电状态阈值,以及所述中位电流值满足预设电流阈值的情况下,从所述第二子充电点集合中选取采样时刻对应的荷电状态在所述第一荷电状态阈值和所述第二荷电状态阈值之间的目标荷电状态,所述预设电流阈值是根据所述最大可用容量确定的;
根据所述目标荷电状态对应的采样时刻,构建所述第一子充电点集合。
在一些实施例中,确定所述第一子充电点集合中每一采样时刻对应的电压增量和容量增量,包括:
确定所述第一子充电点集合中每一采样时刻的累计充电容量;
根据预设电压增量阈值和每一采样时刻的电压值,查找与每一采样时刻对应的增量采样时刻;
根据每一采样时刻的电压值与对应的增量采样时刻的电压值,确定与所述每一采样时刻对应的电压增量;
根据每一采样时刻的累计充电容量和所述增量采样时刻的累计充电容量,确定与所述每一采样时刻对应的容量增量。
在一些实施例中,所述根据所述每一采样时刻对应的电压增量和容量增量,从所述第一子充电点集合中确定所述容量特征点,包括:
根据所述每一采样时刻对应的电压增量和容量增量,确定每一采样时刻对应的增量比值;
综合每一采样时刻对应的增量比值,得到容量增量曲线,所述容量增量曲线为非连续性曲线;
根据预设的截取时刻长度,依次对所述容量增量曲线进行线性拟合处理,得到多条拟合直线,所述预设的截取时刻长度是根据所述容量增量曲线中的采样时刻的数量确定的;
确定每一拟合直线的第一斜率;
根据每一所述第一斜率,从所述容量增量曲线所对应的多个采样时刻中确定出目标采样时刻,将所述目标采样时刻对应的充电点作为所述容量特征点。
在一些实施例中,所述根据每一所述第一斜率,从所述容量增量曲线所对应的多个采样时刻中确定出目标采样时刻,包括:
从多个所述第一斜率中选取小于斜率阈值的多个第二斜率;
从所述多个第二斜率对应的采样时刻中,确定中位采样时刻;
将所述中位采样时刻作为第一起始时刻,遍历采样时刻在所述第一起始时刻后的每一采样时刻,直至得到对比采样时刻,所述对比采样时刻对应的斜率大于所述斜率阈值;
将所述对比采样时刻作为第二起始时刻,从所述第二起始时刻至所述预设的截取时刻长度内的采样时刻所对应的多个增量比值中,确定出最小增量比值;
根据所述最小增量比值,从所述预设的截取时刻长度内的采样时刻中确定出所述目标采样时刻。
在一些实施例中,所述充电点集合中还包括所述目标电池在所述充电过程中的容量特征点对应的荷电状态,所述根据所述容量特征点修正所述目标电池的荷电状态,包括:
根据所述容量特征点对应的目标采样时刻下的荷电状态,所述容量特征点对应的荷电状态以及所述最大可用容量,确定估算误差;
根据所述估算误差和上一采样时刻的荷电状态,对下一采样时刻的荷电状态进行修正,得到下一采样时刻的修正荷电状态。
在一些实施例中,确定所述容量特征点对应的荷电状态,包括:
获取多个电池在不同充电温度下的候选充电点集合;
从每一所述候选充电点集合中提取得到对应的候选容量特征点所对应的候选荷电状态;
构建每一所述候选容量特征点对应的候选荷电状态与充电温度之间的映射关系;
在所述目标电池的充电过程中,确定所述目标电池的平均充电温度;
根据所述平均充电温度,从所述映射关系中确定所述目标电池的容量特征点所对应的荷电状态。
本申请实施例提供的电池荷电状态的修正装置,包括:
获取模块,用于获取目标电池在充电过程中的充电点集合,所述充电点集合中包括所述目标电池的最大可用容量和在所述充电过程中每一采样时刻的电池参数;
确定模块,用于根据所述最大可用容量和所述电池参数,确定所述充电点集合中的容量特征点;其中,在所述目标电池的老化过程中,所述目标电池在每一次充电时获取的所述容量特征点对应的荷电状态不变;
修正模块,用于根据所述容量特征点修正所述目标电池的荷电状态。
本申请实施例提供的计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述程序时实现本申请实施例所述的方法。
本申请实施例提供的计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现本申请实施例提供的所述的方法。
本申请实施例所提供的电池荷电状态的修正方法、装置、计算机设备和计算机可读存储介质,通过获取目标电池的最大可用容量和中充电过程中每一采样时刻的电池参数,并根据最大可用容量和电池参数,确定充电点集合中的容量特征点对应的目标采样时刻,并根据容量特征点修正目标电池的荷电状态。
在本申请实施例中,利用电池在每一次充电时获取到的容量特征点对应的荷电状态不变的特性,从目标电池在一次充电过程中的最大可用容量和获取到的每一采样时刻的电池参数,确定出目标电池中该次充电过程中的容量特征点所在的目标采样时刻,从而根据容量特征点的相关参数来修正目标电池的荷电状态。这种电池荷电状态的修正方法,一方面,充分利用了每一个采样时刻的电池参数,增大了数据样本,从而能够提高对电池荷电状态修正的准确度;另一方面,利用电池的容量特征点对应的荷电状态不变,与电池的老化程度无关的特征,在每一次对目标电池进行充电时,均能够精准查找到容量特征点在充电点集合中的位置,从而能够在精准查找到容量特征点后,利用容量特征点对目标电池的荷电状态进行修正,提高对电量修正结果的精度。
1.1.1附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本申请的实施例,并与说明书一起用于说明本申请的技术方案。
图1为本申请实施例提供的一种磷酸铁锂电芯的IC曲线的示意图;
图2为本申请实施例提供的电池荷电状态的修正方法的实现流程示意图;
图3为本申请实施例提供的电池荷电状态的修正方法的实现流程示意图;
图4为本申请实施例提供的筛选子充电点集合的实现流程示意图;
图5为本申请实施例提供的筛选子充电点集合的实现流程示意图;
图6为本申请实施例提供的确定电压增量和容量增量的实现流程示意图;
图7为本申请实施例提供的提取容量特征点的实现流程示意图;
图8为本申请实施例提供的一种容量增量曲线的示意图;
图9为本申请实施例提供的提取容量特征点的实现流程示意图;
图10为本申请实施例提供的提取容量特征点的实现流程示意图;
图11为本申请实施例提供的电池荷电状态的修正装置的结构示意图;
图12为本申请实施例提供的计算机设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请的具体技术方案做进一步详细描述。以下实施例用于说明本申请,但不用来限制本申请的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
需要指出,本申请实施例所涉及的术语“第一\第二\第三”用以区别类似或不同的对象,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,以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
电池的荷电状态(State of Charge,SOC)是电池管理中的一个重要参数,对电池荷电状态的估算是电池管理中的重要环节。
相关技术中对于电池荷电状态的估算方法,一般采用安时积分进行估算,结合多种修正策略保证SOC估算的精度。主流的修正策略主要有OCV修正、满充满放修正和卡尔曼滤波修正。
但是,由于电池的电压平台特性,使得OCV修正仅能在电池的荷电状态在约30%以下才能使用,同时需要电池在进行充放电后搁置充分长的时间才能准确修正,而且精度受老化影响。
而满充满放修正策略则需要在满充或者满放条件下才能触发。
至于卡尔曼滤波修正,其一般基于戴维宁等效电路模型的观测方程和状态方程进行计算,方程中的电芯参数需要通过电芯测试数据进行识别,电芯参数与众多因素相关,如SOC水平、温度和老化等,因此,在工程化应用存在一定困难。
在实际的应用场景,电池在使用时,其荷电状态保持在30%-90%区间内是非常普遍的。此时,OCV修正和满充满放修正是无法触发的,电池产品的运行工况一般比较稳定,这使电池长期处于无法触发修正的工况,安时积分的累计误差使得SOC估算精度逐渐变低,从而影响电池产品的使用体验。
有鉴于此,本申请实施例提供一种电池荷电状态的修正方法,该方法应用于终端设备,该终端设备可包括但不限于手机、可穿戴设备(如智能手表、智能手环、智能眼镜等)、平板电脑,笔记本电脑、车载终端、PC(Personal Computer,个人计算机)等。该方法所实现的功能可以通过电子设备中的处理器调用程序代码来实现,当然程序代码可以保存在计算机存储介质中,可见,该电子设备至少包括处理器和存储介质。
在介绍本申请实施例提供的电池荷电状态的修正方法之前,首先对容量特征点进行相关说明。
基于恒流充电曲线提取容量增量曲线(简称IC曲线)是锂电池老化分析的重要工具之一,IC曲线在电池(例如三元电芯和磷酸铁锂电芯)的老化过程中存在明显的区别。在本申请实施例中,以磷酸铁锂电芯为例进行说明,如图1所示,给出一种磷酸铁锂电芯的IC曲线的示意图。
该IC曲线是根据恒流充电过程的充电数据进行获取,横坐标为累计容量,纵坐标为容量对电压的导数。磷酸铁锂电芯独特的老化机理,使IC曲线中的容量特征点(图1中圆点标记)存在近似的不变性,即在老化过程,容量特征点对应的容量是几乎是不变,与充电倍率和老化程度无关。图1所示曲线来自280Ah的磷酸铁锂电芯在25℃下恒流满充数据,其容量特征点对应的荷电状态为166Ah。
基于上述原理,本申请实施例中提出一种通过IC曲线的容量特征点识别计算电池电量估算误差,从而消除电池荷电状态的误差的修正算法。
图2为本申请实施例提供的电池荷电状态的修正方法的实现流程示意图。如图2所示,该方法可以包括以下步骤201至步骤203:
步骤201,获取目标电池在充电过程中的充电点集合,充电点集合中包括目标电池的最大可用容量和在充电过程中每一采样时刻的电池参数。
在本申请实施例中,目标电池可为单个电芯。
在本申请实施例中,在完成对目标电池的一次充电过程时,可提取该目标电池的最大可用容量(Ah)以及目标电池在充电过程中的每一采样时刻的电池参数。
在一些实施例中,电池参数可包括每一采样时刻下的电流值/>(A)、电压值/>电压(V)和荷电状态SOC/>(%),其中/>1,…,n。
步骤202,根据最大可用容量和电池参数,确定充电点集合中的容量特征点;其中,在目标电池的老化过程中,目标电池在每一次充电时获取的容量特征点对应的荷电状态不变。
可以理解地,基于目标电池在每一次充电时获取到的容量特征点对应的荷电状态不变的特性,在一些实施例中,还可获取到目标电池的容量特征点对应的荷电状态(Ah)。
在本申请实施例中,对于确定充电点集合中的容量特征点的方式不作限定,如在一些实施例中,可直接根据容量特征点对应的荷电状态,从充电点集合中查找与容量特征点对应的荷电状态相同的数据点,将其作为容量特征点,并根据容量特征点修正目标电池的荷电状态。
在另一些实施例中,可以通过执行如下实施例中的步骤302至步骤304来实现步骤202。
步骤203,根据容量特征点修正目标电池的荷电状态。
在本申请实施例中,当确定出目标电池在充电过程中获取的充电点集合中的容量特征点后,即可基于该容量特征点来修正目标电池的荷电状态。
在一些实施例中,根据容量特征点修正目标电池的荷电状态,可为根据容量特征点对应的荷电状态,以及根据历史得到的与目标电池的充电温度相同的充电点集合对应的估算误差,来修正目标电池的荷电状态。
在另一些实施例中,可以通过执行如下实施例中的步骤306至步骤307来实现步骤203,以实现根据容量特征点修正目标电池的荷电状态。
在本申请实施例中,通过获取目标电池的最大可用容量和中充电过程中每一采样时刻的电池参数,并根据最大可用容量和电池参数,确定充电点集合中的容量特征点对应的目标采样时刻,并根据容量特征点修正目标电池的荷电状态。
在本申请实施例中,利用电池在每一次充电时获取到的容量特征点对应的荷电状态不变的特性,从目标电池在一次充电过程中的最大可用容量和获取到的每一采样时刻的电池参数,确定出目标电池中该次充电过程中的容量特征点所在的目标采样时刻,从而根据容量特征点的相关参数来修正目标电池的荷电状态。这种电池荷电状态的修正方法,一方面,充分利用了每一个采样时刻的电池参数,增大了数据样本,从而能够提高对电池荷电状态修正的准确度;另一方面,利用电池的容量特征点对应的荷电状态不变,与电池的老化程度无关的特征,在每一次对目标电池进行充电时,均能够精准查找到容量特征点在充电点集合中的位置,从而能够在精准查找到容量特征点后,利用容量特征点对目标电池的荷电状态进行修正,提高对电量修正结果的精度。
图3为本申请实施例提供的电池荷电状态的修正方法的实现流程示意图。如图3所示,该方法可以包括以下步骤301至步骤307:
步骤301,获取目标电池在充电过程中的充电点集合,充电点集合中包括目标电池的最大可用容量和在充电过程中每一采样时刻的电池参数,电池参数包括当前采样时刻的电流值、电压值和荷电状态。
在一些实施例中,最大可用容量=280、容量特征点/>=166 Ah。
获取到的充电过程中每一采样时刻的电池参数如下所示:
采样时刻包括:
DatetimeIndex(['2023‐03‐17 00:00:07', '2023‐03‐17 00:00:20',
'2023‐03‐17 00:00:30', '2023‐03‐17 00:00:43',
'2023‐03‐17 00:00:56', '2023‐03‐17 00:01:09',
'2023‐03‐17 00:01:22', '2023‐03‐17 00:01:35',
'2023‐03‐17 00:01:46', '2023‐03‐17 00:01:59',
...
'2023‐03‐17 06:11:46', '2023‐03‐17 06:11:59',
'2023‐03‐17 06:12:12', '2023‐03‐17 06:12:25',
'2023‐03‐17 06:12:37', '2023‐03‐17 06:12:50',
'2023‐03‐17 06:13:03', '2023‐03‐17 06:13:16',
'2023‐03‐17 06:13:29', '2023‐03‐17 06:13:42'],
dtype='datetime64[ns]',name='generation_time',length=1767, freq=None)
其中,DatetimeIndex表示采样时刻,dtype='datetime64[ns]表示数据类型为int64类型,generation_time表示采集一次数据的时间;length=1767表示采样时刻共有1767个。
电流值包括:
generation_time
2023‐03‐17 00:00:07 38.6
2023‐03‐17 00:00:20 38.5
2023‐03‐17 00:00:30 38.1
2023‐03‐17 00:00:43 38.2
2023‐03‐17 00:00:56 38.1
...
2023‐03‐17 06:12:50 34.8
2023‐03‐17 06:13:03 34.8
2023‐03‐17 06:13:16 35.1
2023‐03‐17 06:13:29 34.8
2023‐03‐17 06:13:42 34.7
Name: group_current,Length: 1767,dtype: float64
其中,Name: group_current表示该组数据为电流值数据;length:1767表示采集到的电流值共有1767个;dtype: float64表示数据类型float64类型。
电压值包括:
generation_time
2023‐03‐17 00:00:07 3.165
2023‐03‐17 00:00:20 3.179
2023‐03‐17 00:00:30 3.180
2023‐03‐17 00:00:43 3.184
2023‐03‐17 00:00:56 3.187
...
2023‐03‐17 06:12:50 3.385
2023‐03‐17 06:13:03 3.385
2023‐03‐17 06:13:16 3.385
2023‐03‐17 06:13:29 3.385
2023‐03‐17 06:13:42 3.385
Name: max_single_voltage,Length: 1767,dtype: float64
其中,Name: max_single_voltage表示该组数据为电压值数据;length:1767表示采集到的电压值共有1767个;dtype: float64表示数据类型float64类型。
荷电状态SOC包括:
generation_time
2023‐03‐17 00:00:0710.0
2023‐03‐17 00:00:2010.0
2023‐03‐17 00:00:3010.0
2023‐03‐17 00:00:4310.0
2023‐03‐17 00:00:5611.0
...
2023‐03‐17 06:12:5094.0
2023‐03‐17 06:13:0394.0
2023‐03‐17 06:13:1694.0
2023‐03‐17 06:13:2994.0
2023‐03‐17 06:13:4294.0
Name: group_soc,Length: 1767,dtype: float64,n=1767。
其中,Name: group_soc表示该组数据为荷电状态数据;length:1767表示采集到的荷电状态共有1767个;dtype: float64表示数据类型为float64类型。
步骤302,根据充电点集合中每一采样时刻的电流值,确定充电点集合的中位电流值。
所谓充电点集合的中位电流值,是指综合充电点集合中每一采样时刻的电流值,从多个电流值中查找出中位数作为中位电流值。
在一些实施例中,基于步骤301所提供的充电点集合中每一采样时刻的电流值,可计算得到充电点集合中的电流值的中位数=36.9A。
步骤303,根据中位电流值、每一采样时刻的电流值、最大可用容量和每一采样时刻的荷电状态,对充电点集合进行筛选处理,得到第一子充电点集合。
在本申请实施例中,当获取到中位电流值后,可基于该中位电流值和每一采样时刻的电流值,以及最大可用容量和每一采样时刻的荷电状态,对充电点集合进行筛选处理,得到第一子充电点集合。这样,可滤除掉充电点集合中不符合条件的充电点,从而降低计算量,提高修正速度。
在一些实施例中,为可根据充电点集合中的每一采样时刻的荷电状态,从中确定出异常值,将异常值滤除,并将滤除异常值的剩余充电点作为第一子充电点集合。
其中,异常值可为数据明显远离其他数据的值,也可为荷电状态最大的数值,或荷电状态最小的数值等,本申请实施例对此不作限定。
在另一些实施例中,可以通过执行如下实施例中的步骤401至步骤402来实现步骤303:
步骤401,根据中位电流值、每一采样时刻的电流值和最大可用容量,对充电点集合进行筛选处理,得到第二子充电点集合,第二子充电点集合中的每一采样时刻的电流值与中位电流值之间的差值小于预设差值,预设差值是根据最大可用容量确定的。
可选地,在本申请实施例中可先对充电点集合进行筛选,得到第二子充电点集合。在确定第二子充电点集合时,可以求取充电点集合中每一采样时刻的电流值与中位电流值之间的差值,若差值小于预设差值,则可将该采样时刻对应的充电点作为第二子充电点集合中的一个充电点。
在一些实施例中,预设差值时根据最大可用容量来确定的,预设差值可为最大可用容量与一实数的乘积。例如,预设差值=/>。
在一具体的实施例中,基于步骤301所提供的最大可用容量和充电点集合中每一采样时刻的电流值,筛选得到的第二子充电点集合,满足的样本下标结果如下:
array([1,2,3,...,1765,1766,1767],dtype=int64)。
步骤402,根据第二子充电点集合中的每一采样时刻的荷电状态和最大可用容量,对第二子充电点集合进行筛选处理,得到第一子充电点集合,第一子充电点集合中的采样时刻的数量小于第二子充电点集合中的采样时刻的数量。
这里,在筛选到第二子充电点集合后,即可根据第二子充电点集合中的每一采样时刻的荷电状态,对第二子充电点集合进行筛选处理,得到第一子充电点集合。需说明,一般情况下,筛选后的第一子充电点集合中的采样时刻的数量小于或等于第二子充电点集合中的采样时刻的数量。
在一些实施例中,可根据第二充电点集合中的每一采样时刻的荷电状态,从中确定出异常值,将异常值滤除,并将滤除异常值的剩余充电点作为第一子充电点集合。
其中,异常值可为数据明显远离其他数据的值,也可为荷电状态最大的数值,或荷电状态最小的数值等,本申请实施例对此不作限定。
在另一些实施例中,可以通过执行如下实施例中的步骤501至步骤503来实现步骤402:
步骤501,确定第二子充电点集合中每一荷电状态中的最小荷电状态和最大荷电状态。
这里,最小荷电状态可用表示,最大荷电状态可用表示。
步骤502,在最小荷电状态小于第一荷电状态阈值,最大荷电状态大于第二荷电状态阈值,以及中位电流值满足预设电流阈值的情况下,从第二子充电点集合中选取采样时刻对应的荷电状态在第一荷电状态阈值和第二荷电状态阈值之间的目标荷电状态,预设电流阈值是根据最大可用容量确定的。
在本申请实施例中,对于第一荷电状态阈值和第二荷电状态阈值的设定不作限定,其可根据实际情况任意设定。
另外,本申请实施例中的预设电流阈值时根据最大可用容量确定的,在一些实施例中,可设定预设电流阈值为,设置第一荷电状态阈值为40,第二荷电状态阈值为80。
这样,可判断最小荷电状态、最大荷电状态以及/>是否成立,如果上述判断条件均成立,则可截取荷电状态在[40,80]区间内的目标荷电状态。
如果上述判断条件不能够同时满足,则电池荷电状态的修正方法终止执行。
在一具体的实施例中,,/>,=140Ah,所以满足电池荷电状态的修正方法的计算条件,截取荷电状态在[40,80]区间内的目标荷电状态。
步骤503,根据目标荷电状态对应的采样时刻,构建第一子充电点集合。
在得到目标荷电状态后,即可根据目标荷电状态对应的采样时刻,将目标荷电状态对应的采样时刻下的充电点作为第一子充电点集合中的充电点。
在一具体的实施例中,为简化表示,得到的第一子充电点集合可表示为时间、电流值/>、电压值/>、荷电状态SOC/>,其中/>1,…,m:
时间包括:
DatetimeIndex(['2023‐03‐17 02:13:33','2023‐03‐17 02:13:45',
'2023‐03‐17 02:13:57','2023‐03‐17 02:14:09',
'2023‐03‐17 02:14:21','2023‐03‐17 02:14:34',
'2023‐03‐17 02:14:47','2023‐03‐17 02:15:00',
'2023‐03‐17 02:15:12','2023‐03‐17 02:15:25',
...
'2023‐03‐17 05:56:13','2023‐03‐17 05:56:26',
'2023‐03‐17 05:56:39','2023‐03‐17 05:56:51',
'2023‐03‐17 05:57:04','2023‐03‐17 05:57:17',
'2023‐03‐17 05:57:30','2023‐03‐17 05:57:43',
'2023‐03‐17 05:57:56','2023‐03‐17 05:58:09'],
dtype='datetime64[ns]',name='generation_time',length=1061, freq=None)
其中,DatetimeIndex表示采样时刻,dtype='datetime64[ns]表示数据类型为int64类型,generation_time表示采集一次数据的时间;length=1767表示采样时刻共有1061个。
电流值包括:
generation_time
2023‐03‐17 02:13:3336.8
2023‐03‐17 02:13:4536.9
2023‐03‐17 02:13:5736.6
2023‐03‐17 02:14:0936.6
2023‐03‐17 02:14:2136.7
...
2023‐03‐17 05:57:1735.3
2023‐03‐17 05:57:3035.5
2023‐03‐17 05:57:4335.3
2023‐03‐17 05:57:5635.3
2023‐03‐17 05:58:0935.2
Name: group_current,Length:1061,dtype: float64
其中,Name: group_current表示该组数据为电流值数据;length:1061表示采集到的电流值共有1061个;dtype: float64表示数据类型float64类型。
电压值包括:
generation_time
2023‐03‐17 02:13:333.339
2023‐03‐17 02:13:453.338
2023‐03‐17 02:13:573.338
2023‐03‐17 02:14:093.339
2023‐03‐17 02:14:213.339
...
2023‐03‐17 05:57:173.383
2023‐03‐17 05:57:303.383
2023‐03‐17 05:57:433.384
2023‐03‐17 05:57:563.383
2023‐03‐17 05:58:093.383
Name: max_single_voltage,Length: 1061,dtype: float64
其中,Name: max_single_voltage表示该组数据为电压值数据;length:1061表示采集到的电压值共有1061个;dtype: float64表示数据类型float64类型。
荷电状态SOC包括:
generation_time
2023‐03‐17 02:13:3340.0
2023‐03‐17 02:13:4540.0
2023‐03‐17 02:13:5740.0
2023‐03‐17 02:14:0940.0
2023‐03‐17 02:14:2140.0
...
2023‐03‐17 05:57:1780.0
2023‐03‐17 05:57:3080.0
2023‐03‐17 05:57:4380.0
2023‐03‐17 05:57:5680.0
2023‐03‐17 05:58:0980.0
Name: group_soc,Length: 1061,dtype:float64,m=1061。
其中,Name: group_ soc表示该组数据为荷电状态数据;length:1061表示采集到的荷电状态共有1061个;dtype: float64表示数据类型float64类型。
在本申请实施例中,根据中位电流值、每一采样时刻的电流值、最大可用容量和每一采样时刻的当前荷电状态,对包含有较多数据的充电点集合进行筛选处理,得到第一子充电点集合。这样,可先从充电点集合中筛选出满足算法运行的条件的数据量,能够在满足修正算法实施的基础上,使得到的第一子充电点集合中的数据量减少,从而提高修正速度和修正效率。
步骤304,确定第一子充电点集合中每一采样时刻对应的电压增量和容量增量。
在本申请实施例中,当获取出第一充电点集合后,即可计算该第一子充电点集合中每一采样时刻对应的电压增量和容量增量。
在一些实施例中,可以通过执行如下实施例中的步骤601至步骤604来实现步骤304:
步骤601,确定第一子充电点集合中每一采样时刻的累计充电容量。
在一些实施例中,可通过如下公式1来计算每一采样时刻的累计充电容量:
(公式1);
其中2,…,m,/>表示第i个采样时刻的累计充电容量,/>表示第i-1个采样时刻的累计充电容量,/>表示第i个采样时刻的采样时间,/>表示第i-1个采样时刻的采样时间,/>表示第i个采样时刻对应的电流间。
这里,令第一子充电点集合中的采样时刻1Ah,基于此,计算第一子充电点集合中采样时刻2的累计充电容量,如下公式2所示:
(公式2);/>
因为累积充电容量的单位为Ah,所以公式2中的时间差12秒需要除以3600将单位转成小时,基于该理论,对第一子充电点集合中每个采样时刻进行计算,得到如下累积容量序列Q:
generation_time
2023‐03‐17 02:13:330.000000
2023‐03‐17 02:13:450.123000
2023‐03‐17 02:13:570.245000
2023‐03‐17 02:14:090.367000
2023‐03‐17 02:14:210.489333
...
2023‐03‐17 05:57:17137.431472
2023‐03‐17 05:57:30137.559667
2023‐03‐17 05:57:43137.687139
2023‐03‐17 05:57:56137.814611
2023‐03‐17 05:58:09137.941722
Name: cap_ah,Length: 1061,dtype: float64
其中,Name: group_current表示该组数据为电流值数据;length:1767表示采集到的电流值共有1767个;dtype: float64表示数据类型float64类型。
步骤602,根据预设电压增量阈值和每一采样时刻的电压值,查找与每一采样时刻对应的增量采样时刻。
在本申请实施例中,对于预设电压增量阈值的取值不作限定。如在一可选的实施例中,该预设电压增量阈值可设定为0.01V。
在本申请实施例中,对于第一子充电点集合,可针对该充电点集合中的每一采样时刻的电压值和预设电压增量阈值,查找与每一采样时刻对应的增量采样时刻。
在本申请实施例中,对每个充电点,在所有充电点集合/>中求出与/>相邻最近的充电点/>,即/>中求出每个充电点的最邻近充电点下标/>。
例如,对第一个充电点=3.339V,在所有充电点集合/>中求出与相邻最近的充电点,结果为/>=3.349V。
根据该原则,查找出每一采样时刻对应的增量采样时刻。
步骤603,根据每一采样时刻的电压值与对应的增量采样时刻的电压值,确定与每一采样时刻对应的电压增量。
在查找到第一子充电点集合中每一采样时刻对应的增量采样时刻后,即可根据每一采样时刻的电压值与对应的增量采样时刻的电压值,确定与每一采样时刻对应的电压增量。
这里,以作为电压增量,则电压增量/>=/>。
步骤604,根据每一采样时刻的累计充电容量和增量采样时刻的累计充电容量,确定与每一采样时刻对应的容量增量。
在确定出每一采样时刻的累计充电容量Q后,即可根据每一采样时刻的累计充电容量和增量采样时刻的累计充电容量,确定与每一采样时刻对应的容量增量。
这里,以作为容量增量,则容量增量/>=/>。
在本申请实施例中,通过提供一种利用每一采样时刻的电压值与对应的增量采样时刻的电压值,确定与每一采样时刻对应的电压增量,以及利用每一采样时刻的累计充电容量和增量采样时刻的累计充电容量,确定与每一采样时刻对应的容量增量的方式,从而能够在确定出电压增量和容量增量后,方便后续构造出与目标电池在本次充电过程中对应的容量增量曲线,以根据容量增量曲线对目标电池的荷电状态进行修正。
步骤305,根据每一采样时刻对应的电压增量和容量增量,从第一子充电点集合中确定容量特征点。
在一些实施例中,可以通过执行如下实施例中的步骤701至步骤703来实现步骤305:
步骤701,根据每一采样时刻对应的电压增量和容量增量,确定每一采样时刻对应的增量比值。
基于上述步骤603和步骤604,这里,每一采样时刻的增量比值如下公式3所示:
(公式3);
其中,为容量增量,/>为电压增量。
在一具体的实施例中,对第一个充电点=3.339V,在所有充电点集合中求出与/>相邻最近的电压样本点,结果为=3.349V。计算该充电点的最邻近充电点的下标448,来计算该充电点(采样时刻1)对应点增量比值:
=5.812Ah/mV。
步骤702,综合每一采样时刻对应的增量比值,得到容量增量曲线。
在得到每一采样时刻对应点增量比值后,即可确定出容量增量曲线。如图8所示,容量增量曲线为非连续性曲线。
容量增量曲线S点构成如下所示,NaN表示缺失值:
generation_time
2023‐03‐17 02:13:33 5.812278
2023‐03‐17 02:13:45 5.681731
2023‐03‐17 02:13:57 5.669531
2023‐03‐17 02:14:09 5.775578
2023‐03‐17 02:14:21 5.763344
...
2023‐03‐17 05:57:17 NaN
2023‐03‐17 05:57:30 NaN
2023‐03‐17 05:57:43 NaN
2023‐03‐17 05:57:56 NaN
2023‐03‐17 05:58:09 NaN
Name: cell_000, Length: 1061, dtype: float64
其中,Name: cell_000,表示该组数据为容量增量曲线数据;length:1061表示采集到的数据共有1061个;dtype: float64表示数据类型float64类型。
步骤703,对容量增量曲线进行拟合处理,提取得到容量特征点。
在得到容量增量曲线后,即可以拟合处理点方式对容量增量曲线进行拟合,从而提取出容量增量曲线中的容量特征点。
在一些实施例中,可以通过执行如下实施例中的步骤901至步骤903来实现步骤703:
步骤901,根据预设的截取时刻长度,依次对容量增量曲线进行线性拟合处理,得到多条拟合直线,预设的截取时刻长度是根据容量增量曲线中的采样时刻的数量确定的。
在本申请实施例中,预设的截取时刻长度又称为滑动窗口,即基于该滑动窗口依次对容量增量曲线中点各个采样时刻进行线性拟合处理,得到多条拟合直线。
在本申请实施例中,预设的截取时刻长度是根据容量增量曲线中的采样时刻的数量确定的。如在一可选的实施例中,可设置预设的截取时刻长度),即采样时刻总数量的8%的取整。
在一具体的实施例中,预设的截取时刻长度=84。
步骤902,确定每一拟合直线的第一斜率。
这里,确定每一拟合直线的第一斜率,可为对预设的截取时刻长度内的采样时刻进行线性拟合,计算拟合直线的斜率,如公式4所示:
(公式4);
其中,,/>,i为从容量增量曲线中的任意一个采样时刻,采样时刻{i ,…,i+d-1}构成预设的截取时刻长度d。/>表示拟合直线的斜率,/>表示采样时刻j的累计充电容量,/>表示第j个采样时刻的增量比值。
这样,在对容量增量曲线中的每一采样时刻依次拟合之后,可计算得到的第一斜率序列计算结果如下所示:
generation_time
2023‐03‐17 02:13:33 ‐0.094278
2023‐03‐17 02:13:45 ‐0.094054
2023‐03‐17 02:13:57 ‐0.094624
2023‐03‐17 02:14:09 ‐0.095213
2023‐03‐17 02:14:21 ‐0.095025
...
2023‐03‐17 05:57:17 NaN
2023‐03‐17 05:57:30 NaN
2023‐03‐17 05:57:43 NaN
2023‐03‐17 05:57:56 NaN
2023‐03‐17 05:58:09 NaN
Name: k_list, Length: 1061, dtype: float64
其中,Name: k_list表示该组数据为斜率序列数据;length:1061表示采集到的数据共有1061个;dtype: float64表示数据类型float64类型。
步骤903,根据每一第一斜率,从容量增量曲线所对应的多个采样时刻中确定出目标采样时刻,将目标采样时刻对应的充电点作为容量特征点。
在本申请实施例中,采用对预设的截取时刻长度内的采样时刻进行线性拟合以得到每一拟合直线的斜率,这种线性回归的计算方式,能够有效对数据进行降噪,从而提高对容量特征点识别的精度。
在一些实施例中,可以通过执行如下实施例中的步骤1001至步骤1005来实现步骤903:
步骤1001,从多个第一斜率中选取小于斜率阈值的多个第二斜率。
这里,对于斜率阈值的取值不作限定,如可设定该斜率阈值为0。
这样,从多个第一斜率中选取小于斜率阈值的多个第二斜率,即为选择斜率小于0的第一斜率作为第二斜率。
步骤1002,从多个第二斜率对应的采样时刻中,确定中位采样时刻。
这里,可计算斜率小于0的采样时刻的中位数并进行取整,即。其中,/>为拟合直线的斜率,/>为中位采样时刻。
在一具体的实施例中,该中位采样时刻为253。
步骤1003,将中位采样时刻作为第一起始时刻,遍历采样时刻在第一起始时刻后的每一采样时刻,直至得到对比采样时刻,对比采样时刻对应的斜率大于斜率阈值。
这里,以中位采样时刻作为起始时刻,即由中位采样时刻作为起始时刻,遍历采样时刻在该起始时刻后的每一采样时刻的第二斜率,直至得到第二斜率大于斜率阈值的对比采样时刻。
在一具体的实施例中,以作为起始时刻开始,向后遍历每一采样时刻,直至得到的采样时刻的第二斜率/>,记录此时的采样时刻的下标为/>=511。
步骤1004,将对比采样时刻作为第二起始时刻,从第二起始时刻至预设的截取时刻长度内的采样时刻所对应的多个增量比值中,确定出最小增量比值。
在一具体的实施例中,可计算从采样时刻为=511(对比采样时刻,即第二起始时刻)开始,至截取时刻长度内的采样时刻所对应的多个增量比值中的最小增量比值,即/>=0.699。
步骤1005,根据最小增量比值,从预设的截取时刻长度内的采样时刻中确定出目标采样时刻。
在一些实施例中,可通过执行如下公式5来确定目标采样时刻:/>
(公式5);
即。
也就是说,目标采样时刻为采样时刻为583的时刻,该采样时刻对应的充电点即为容量特征点。
在本申请实施例中,在基于线性拟合得到多个第一斜率后,通过对第一斜率进行筛选,可有效降低后续对斜率进行计算时的数据量,从而提高对容量特征点识别的处理速度。
步骤306,根据容量特征点对应的目标采样时刻下的荷电状态,容量特征点对应的荷电状态以及最大可用容量,确定估算误差。
在一些实施例中,可通过执行如下公式6来确定估算误差:
(公式6);
其中,为估算误差,/>为目标采样时刻的荷电状态,/>为最大可用容量,/>为容量特征点对应的荷电状态。
即。
步骤307,根据估算误差和上一采样时刻的荷电状态,对下一采样时刻的荷电状态进行修正,得到下一采样时刻的修正荷电状态。
在本申请实施例中,在确定出估算误差后,即可根据估算误差和上一采样时刻的当前荷电状态,对下一采样时刻的当前荷电状态进行修正,得到下一采样时刻的修正荷电状态。下一采样时刻的修正荷电状态具体可如下公式7所示:
(公式7);
其中,为下一采样时刻的修正荷电状态,/>为上一采样时刻的荷电状态,为估算误差。
即;
即将下一时刻的修正荷电状态为85%。
在一些实施例中,由于容量增量曲线(IC曲线)的容量特征点随温度变化而变化,尽管热管理系统在大部分场景下能够使电池系统保持在常温25℃附近,但对于个别低温或高温应用场景,则需要对容量特征点的取值作以下优化:
获取多个电池在不同充电温度下的候选充电点集合;从每一所述候选充电点集合中提取得到对应的候选容量特征点所对应的候选荷电状态;构建每一候选容量特征点对应的候选荷电状态与充电温度之间的映射关系;在目标电池的充电过程中,确定目标电池的平均充电温度;根据平均充电温度,从映射关系中确定目标电池的容量特征点所对应的荷电状态。
在本申请实施例中,通过不同温度的恒流充电数据提取对应的容量特征点,然后建立容量特征点与温度的映射函数。这样,在步骤306中进行估算误差的计算时,可根据当前的平均温度获取对应的容量特征点进行计算。
本申请实施例所提供的电池的电流修正方法,是针对单串电芯的修正方法,对于多串电芯组成的系统,则可以对每个电芯使用上述方法计算每串电芯的SOC,然后根据最高SOC最低SOC/>对系统SOC进行计算,如下公式8所示:
(公式8);
其中,为多个电芯的修正荷电状态,/>为多个电芯中的最低修正荷电状态,/>为多个电芯中的最高修正荷电状态。
在本申请实施例中,利用电池在每一次充电时获取到的容量特征点对应的荷电状态不变的特性,从目标电池在一次充电过程中的最大可用容量和获取到的每一采样时刻的电池参数,确定出目标电池中该次充电过程中的容量特征点所在的目标采样时刻,从而根据容量特征点的相关参数来修正目标电池的荷电状态。这种电池荷电状态的修正方法,一方面,充分利用了每一个采样时刻的电池参数,增大了数据样本,从而能够提高对电池荷电状态修正的准确度;另一方面,利用电池的容量特征点对应的荷电状态不变,与电池的老化程度无关的特征 ,在每一次对目标电池进行充电时,均能够精准查找到容量特征点在充电点集合中的位置,从而能够在精准查找到容量特征点后,利用容量特征点对目标电池的荷电状态进行修正,提高对电量修正结果的精度。
本申请实施例所提供的电池荷电状态的修正方法,在求解时充分利用了每一个采样时刻对应的充电点,使得求解精度高;且对采样时刻的间隔要求较宽松。
另外,在识别容量特征点时,采用线性回归对数据进行降噪,提高特征点识别的精度;且本方案执行时点触发条件对比其他SOC修正策略的触发难度更低,精度更高。
应该理解的是,虽然上述各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,上述各流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子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,这些子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的子步骤或者阶段的至少一部分轮流或者交替地执行。
基于前述的实施例,本申请实施例提供一种电池荷电状态的修正装置,该装置包括所包括的各模块、以及各模块所包括的各单元,可以通过处理器来实现;当然也可通过具体的逻辑电路实现;在实施的过程中,处理器可以为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)或现场可编程门阵列(FPGA)等。
图11为本申请实施例提供的电池荷电状态的修正装置的结构示意图,如图11所示,所述装置1100包括获取模块1101、确定模块1102和修正模块1103,其中:
获取模块1101,用于获取目标电池在充电过程中的充电点集合,所述充电点集合中包括所述目标电池的最大可用容量和在所述充电过程中每一采样时刻的电池参数;
确定模块1102,用于根据所述最大可用容量和所述电池参数,确定所述充电点集合中的容量特征点;其中,在所述目标电池的老化过程中,所述目标电池在每一次充电时获取的所述容量特征点对应的荷电状态不变;
修正模块1103,用于根据所述容量特征点修正所述目标电池的荷电状态。
在一些实施例中,确定模块1102包括第一子确定模块,筛选模块、第二子确定模块和第三子确定模块;
第一子确定模块,用于根据所述充电点集合中每一采样时刻的电流值,确定所述充电点集合的中位电流值;
筛选模块,用于根据所述中位电流值、所述每一采样时刻的电流值、所述最大可用容量和每一采样时刻的当前荷电状态,对所述充电点集合进行筛选处理,得到第一子充电点集合;
第二子确定模块,用于确定所述第一子充电点集合中每一采样时刻对应的电压增量和容量增量;
第三子确定模块,用于根据所述每一采样时刻对应的电压增量和容量增量,从所述第一子充电点集合中确定所述容量特征点。
在一些实施例中,筛选模块包括第一子筛选模块和第二子筛选模块;
第一子筛选模块,用于根据所述中位电流值、所述每一采样时刻的电流值和所述最大可用容量,对所述充电点集合进行筛选处理,得到第二子充电点集合,所述第二子充电点集合中的每一采样时刻的电流值与所述中位电流值之间的差值小于预设差值,所述预设差值是根据所述最大可用容量确定的;
第二子筛选模块,用于根据所述第二子充电点集合中的每一采样时刻的荷电状态和所述最大可用容量,对所述第二子充电点集合进行筛选处理,得到所述第一子充电点集合,所述第一子充电点集合中的采样时刻的数量小于所述第二子充电点集合中的采样时刻的数量。
在一些实施例中,第二子筛选模块,具体用于确定所述第二子充电点集合中每一采样时刻的荷电状态中的最小荷电状态和最大荷电状态;
在所述最小荷电状态小于第一荷电状态阈值,所述最大荷电状态大于第二荷电状态阈值,以及所述中位电流值满足预设电流阈值的情况下,从所述第二子充电点集合中选取采样时刻对应的荷电状态在所述第一荷电状态阈值和所述第二荷电状态阈值之间的目标荷电状态,所述预设电流阈值是根据所述最大可用容量确定的;
根据所述目标荷电状态对应的采样时刻,构建所述第一子充电点集合。
在一些实施例中,第二子确定模块,具体用于确定所述第一子充电点集合中每一采样时刻的累计充电容量;
根据预设电压增量阈值和每一采样时刻的电压值,查找与每一采样时刻对应的增量采样时刻;
根据每一采样时刻的电压值与对应的增量采样时刻的电压值,确定与所述每一采样时刻对应的电压增量;
根据每一采样时刻的累计充电容量和所述增量采样时刻的累计充电容量,确定与所述每一采样时刻对应的容量增量。
在一些实施例中,第三子确定模块包括处理模块、综合模块和拟合模块;
处理模块,用于用于根据所述每一采样时刻对应的电压增量和容量增量,确定每一采样时刻对应的增量比值;
综合模块,综合每一采样时刻对应的增量比值,得到容量增量曲线,所述容量增量曲线为非连续性曲线;
拟合模块,用于根据预设的截取时刻长度,依次对所述容量增量曲线进行线性拟合处理,得到多条拟合直线,所述预设的截取时刻长度是根据所述容量增量曲线中的采样时刻的数量确定的;
确定每一拟合直线的第一斜率;
根据每一所述第一斜率,从所述容量增量曲线所对应的多个采样时刻中确定出目标采样时刻,将所述目标采样时刻对应的充电点作为所述容量特征点。
在一些实施例中,拟合模块,具体还用于从多个所述第一斜率中选取小于斜率阈值的多个第二斜率;
从所述多个第二斜率对应的采样时刻中,确定中位采样时刻;
将所述中位采样时刻作为第一起始时刻,遍历采样时刻在所述第一起始时刻后的每一采样时刻,直至得到对比采样时刻,所述对比采样时刻对应的斜率大于所述斜率阈值;
将所述对比采样时刻作为第二起始时刻,从所述第二起始时刻至所述预设的截取时刻长度内的采样时刻所对应的多个增量比值中,确定出最小增量比值;
根据所述最小增量比值,从所述预设的截取时刻长度内的采样时刻中确定出所述目标采样时刻。
在一些实施例中,修正模块1103,具体用于根据所述容量特征点对应的目标采样时刻下的荷电状态,所述容量特征点对应的荷电状态以及所述最大可用容量,确定估算误差;
根据所述估算误差和上一采样时刻的荷电状态,对下一采样时刻的荷电状态进行修正,得到下一采样时刻的修正荷电状态。
在一些实施例中,所述获取模块1101,还用于获取多个电池在不同充电温度下的候选充电点集合;
所述确定模块1102,还用于从每一所述候选充电点集合中提取得到对应的候选容量特征点所对应的候选荷电状态;
构建每一所述候选容量特征点对应的候选荷电状态与充电温度之间的映射关系;
在所述目标电池的充电过程中,确定所述目标电池的平均充电温度;
根据所述平均充电温度,从所述映射关系中确定所述目标电池的容量特征点所对应的荷电状态。
以上装置实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请装置实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
需要说明的是,本申请实施例中图11所示的电池荷电状态的修正装置对模块的划分是示意性的,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。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。也可以采用软件和硬件结合的形式实现。
需要说明的是,本申请实施例中,如果以软件功能模块的形式实现上述的方法,并作为独立的产品销售或使用时,也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,本申请实施例的技术方案本质上或者说对相关技术做出贡献的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电子设备执行本申请各个实施例所述方法的全部或部分。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)、磁碟或者光盘等各种可以存储程序代码的介质。这样,本申请实施例不限制于任何特定的硬件和软件结合。
本申请实施例提供一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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、计算机程序和数据库。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。该计算机设备的数据库用于存储数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法。
本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中提供的方法中的步骤。
本申请实施例提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述方法实施例提供的方法中的步骤。
本领域技术人员可以理解,图12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,本申请提供的电池荷电状态的修正装置可以实现为一种计算机程序的形式,计算机程序可在如图12所示的计算机设备上运行。计算机设备的存储器中可存储组成上述装置的各个程序模块。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的方法中的步骤。
这里需要指出的是:以上存储介质和设备实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请存储介质、存储介质和设备实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”或“一些实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”或“在一些实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考,为了简洁,本文不再赘述。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如对象A和/或对象B,可以表示:单独存在对象A,同时存在对象A和对象B,单独存在对象B这三种情况。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者设备中还存在另外的相同要素。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的实施例仅仅是示意性的,例如,所述模块的划分,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,如:多个模块或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或模块的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的模块可以是、或也可以不是物理上分开的,作为模块显示的部件可以是、或也可以不是物理模块;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部模块来实现本实施例方案的目的。
另外,在本申请各实施例中的各功能模块可以全部集成在一个处理单元中,也可以是各模块分别单独作为一个单元,也可以两个或两个以上模块集成在一个单元中;上述集成的模块既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本申请上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也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,本申请实施例的技术方案本质上或者说对相关技术做出贡献的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电子设备执行本申请各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
本申请所提供的几个方法实施例中所揭露的方法,在不冲突的情况下可以任意组合,得到新的方法实施例。
本申请所提供的几个产品实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的产品实施例。
本申请所提供的几个方法或设备实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的方法实施例或设备实施例。
以上所述,仅为本申请的实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种电池荷电状态的修正方法,其特征在于,所述方法包括:
获取目标电池在充电过程中的充电点集合,所述充电点集合中包括所述目标电池的最大可用容量和在所述充电过程中每一采样时刻的电池参数;
根据所述最大可用容量和所述电池参数,确定所述充电点集合中的容量特征点;其中,在所述目标电池的老化过程中,所述目标电池在每一次充电时获取的所述容量特征点对应的荷电状态不变;
根据所述容量特征点修正所述目标电池的荷电状态;
其中,所述电池参数包括当前采样时刻的电流值、电压值和荷电状态,所述根据所述最大可用容量和所述电池参数,确定所述充电点集合中的容量特征点,包括:
根据所述充电点集合中每一采样时刻的电流值,确定所述充电点集合的中位电流值;根据所述中位电流值、所述每一采样时刻的电流值、所述最大可用容量和每一采样时刻的荷电状态,对所述充电点集合进行筛选处理,得到第一子充电点集合;确定所述第一子充电点集合中每一采样时刻对应的电压增量和容量增量;根据所述每一采样时刻对应的电压增量和容量增量,从所述第一子充电点集合中确定所述容量特征点;
其中,所述根据所述中位电流值、所述每一采样时刻的电流值、所述最大可用容量和每一采样时刻的荷电状态,对所述充电点集合进行筛选处理,得到第一子充电点集合,包括:
根据所述中位电流值、所述每一采样时刻的电流值和所述最大可用容量,对所述充电点集合进行筛选处理,得到第二子充电点集合,所述第二子充电点集合中的每一采样时刻的电流值与所述中位电流值之间的差值小于预设差值,所述预设差值是根据所述最大可用容量确定的;根据所述第二子充电点集合中的每一采样时刻的荷电状态和所述最大可用容量,对所述第二子充电点集合进行筛选处理,得到所述第一子充电点集合,所述第一子充电点集合中的采样时刻的数量小于所述第二子充电点集合中的采样时刻的数量;
所述根据所述第二子充电点集合中的每一采样时刻的荷电状态和所述最大可用容量,对所述第二子充电点集合进行筛选处理,得到所述第一子充电点集合,包括:
确定所述第二子充电点集合中每一采样时刻的荷电状态中的最小荷电状态和最大荷电状态;在所述最小荷电状态小于第一荷电状态阈值,所述最大荷电状态大于第二荷电状态阈值,以及所述中位电流值满足预设电流阈值的情况下,从所述第二子充电点集合中选取采样时刻对应的荷电状态在所述第一荷电状态阈值和所述第二荷电状态阈值之间的目标荷电状态,所述预设电流阈值是根据所述最大可用容量确定的;根据所述目标荷电状态对应的采样时刻,构建所述第一子充电点集合;
所述确定所述第一子充电点集合中每一采样时刻对应的电压增量和容量增量,包括:
确定所述第一子充电点集合中每一采样时刻的累计充电容量;根据预设电压增量阈值和每一采样时刻的电压值,查找与每一采样时刻对应的增量采样时刻;根据每一采样时刻的电压值与对应的增量采样时刻的电压值,确定与所述每一采样时刻对应的电压增量;根据每一采样时刻的累计充电容量和所述增量采样时刻的累计充电容量,确定与所述每一采样时刻对应的容量增量;
所述根据所述每一采样时刻对应的电压增量和容量增量,从所述第一子充电点集合中确定所述容量特征点,包括:
根据所述每一采样时刻对应的电压增量和容量增量,确定每一采样时刻对应的增量比值;综合每一采样时刻对应的增量比值,得到容量增量曲线;根据预设的截取时刻长度,依次对所述容量增量曲线进行线性拟合处理,得到多条拟合直线,所述预设的截取时刻长度是根据所述容量增量曲线中的采样时刻的数量确定的;确定每一拟合直线的第一斜率;根据每一所述第一斜率,从所述容量增量曲线所对应的多个采样时刻所对应的多个增量比值中确定出最小增量比值;根据所述最小增量比值,从所述预设的截取时刻长度内的采样时刻中确定出所述目标采样时刻,公式为:,其中,/>为截取时刻长度内的采样时刻所对应的多个增量比值,/>为截取时刻长度内的采样时刻所对应的多个增量比值中的最小增量比值,/>为采样时刻,将所述目标采样时刻对应的充电点作为所述容量特征点。
2.根据权利要求1所述的方法,其特征在于,所述根据每一所述第一斜率,从所述容量增量曲线所对应的多个采样时刻所对应的多个增量比值中确定出最小增量比值,包括:
从多个所述第一斜率中选取小于斜率阈值的多个第二斜率;
从所述多个第二斜率对应的采样时刻中,确定中位采样时刻;
将所述中位采样时刻作为第一起始时刻,遍历采样时刻在所述第一起始时刻后的每一采样时刻,直至得到对比采样时刻,所述对比采样时刻对应的斜率大于所述斜率阈值;
将所述对比采样时刻作为第二起始时刻,从所述第二起始时刻至所述预设的截取时刻长度内的采样时刻所对应的多个增量比值中,确定出所述最小增量比值。
3.根据权利要求1所述的方法,其特征在于,所述充电点集合中还包括所述目标电池在所述充电过程中的容量特征点对应的荷电状态,所述根据所述容量特征点修正所述目标电池的荷电状态,包括:
根据所述容量特征点对应的目标采样时刻下的荷电状态,所述容量特征点对应的荷电状态以及所述最大可用容量,确定估算误差;
根据所述估算误差和上一采样时刻的荷电状态,对下一采样时刻的荷电状态进行修正,得到下一采样时刻的修正荷电状态。
4.根据权利要求1所述的方法,其特征在于,确定所述容量特征点对应的荷电状态,包括:
获取多个电池在不同充电温度下的候选充电点集合;
从每一所述候选充电点集合中提取得到对应的候选容量特征点所对应的候选荷电状态;
构建每一所述候选容量特征点对应的候选荷电状态与充电温度之间的映射关系;
在所述目标电池的充电过程中,确定所述目标电池的平均充电温度;
根据所述平均充电温度,从所述映射关系中确定所述目标电池的容量特征点所对应的荷电状态。
5.一种电池荷电状态的修正装置,其特征在于,包括用于实现如权利要求1至4中任一项所述方法的模块。
6.一种计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至4任一项所述方法的步骤。
7.一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,该计算机程序被处理器执行时实现如权利要求1至4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311673666.9A CN117368746B (zh) | 2023-12-07 | 2023-12-07 | 电池荷电状态的修正方法及装置、设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311673666.9A CN117368746B (zh) | 2023-12-07 | 2023-12-07 | 电池荷电状态的修正方法及装置、设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117368746A CN117368746A (zh) | 2024-01-09 |
CN117368746B true CN117368746B (zh) | 2024-03-29 |
Family
ID=89404512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311673666.9A Active CN117368746B (zh) | 2023-12-07 | 2023-12-07 | 电池荷电状态的修正方法及装置、设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117368746B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110780204A (zh) * | 2019-11-11 | 2020-02-11 | 北京理工大学 | 一种电动汽车电池组soc估值方法 |
CN112557928A (zh) * | 2020-12-04 | 2021-03-26 | 湖北亿纬动力有限公司 | 一种计算电池荷电状态的方法、装置和动力电池 |
CN113484774A (zh) * | 2021-08-18 | 2021-10-08 | 昆明理工大学 | 一种基于温度校准和神经网络的锂电池组容量估计方法 |
CN113759251A (zh) * | 2021-08-17 | 2021-12-07 | 江苏大学 | 基于类容量增量曲线的云端电池组容量一致性分析方法 |
CN113933722A (zh) * | 2021-11-30 | 2022-01-14 | 东风汽车有限公司东风日产乘用车公司 | 电池电量soc误判的修正方法、装置、设备及存储介质 |
CN115061045A (zh) * | 2022-07-08 | 2022-09-16 | 青岛乾程科技股份有限公司 | 一种应用在bms中的soc充放电末端校准的方法及设备 |
CN116008811A (zh) * | 2022-11-08 | 2023-04-25 | 中国科学院广州能源研究所 | 电池剩余容量、soc及自放电量在线联合估计方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10335928B4 (de) * | 2003-08-06 | 2006-11-09 | Vb Autobatterie Gmbh | Verfahren zur Ermittlung einer von der Elektrolytkonzentration und/oder Elektrolytverteilung abhängigen auf den Ladezustand einer Speicherbatterie bezogenen Kenngröße |
US7928735B2 (en) * | 2007-07-23 | 2011-04-19 | Yung-Sheng Huang | Battery performance monitor |
-
2023
- 2023-12-07 CN CN202311673666.9A patent/CN117368746B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110780204A (zh) * | 2019-11-11 | 2020-02-11 | 北京理工大学 | 一种电动汽车电池组soc估值方法 |
CN112557928A (zh) * | 2020-12-04 | 2021-03-26 | 湖北亿纬动力有限公司 | 一种计算电池荷电状态的方法、装置和动力电池 |
CN113759251A (zh) * | 2021-08-17 | 2021-12-07 | 江苏大学 | 基于类容量增量曲线的云端电池组容量一致性分析方法 |
CN113484774A (zh) * | 2021-08-18 | 2021-10-08 | 昆明理工大学 | 一种基于温度校准和神经网络的锂电池组容量估计方法 |
CN113933722A (zh) * | 2021-11-30 | 2022-01-14 | 东风汽车有限公司东风日产乘用车公司 | 电池电量soc误判的修正方法、装置、设备及存储介质 |
CN115061045A (zh) * | 2022-07-08 | 2022-09-16 | 青岛乾程科技股份有限公司 | 一种应用在bms中的soc充放电末端校准的方法及设备 |
CN116008811A (zh) * | 2022-11-08 | 2023-04-25 | 中国科学院广州能源研究所 | 电池剩余容量、soc及自放电量在线联合估计方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于人工智能的锂电池SOC预测建模与优化;刘聪聪 等;无线电通信技术;第45卷(第03期);第237-242页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117368746A (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102343967B1 (ko) | 배터리의 상태를 추정하는 방법 및 장치 | |
EP3232216A1 (en) | Power storage element state estimation device and power storage element state estimation method | |
CN113109715B (zh) | 基于特征选择和支持向量回归的电池健康状况预测方法 | |
CN111679199B (zh) | 一种锂离子电池soc估计方法及装置 | |
CN112540318B (zh) | 一种起动内燃机的铅酸蓄电池健康状态估算方法 | |
CN108445418A (zh) | 一种电池剩余电量估算方法及存储介质 | |
CN112611976A (zh) | 一种基于双差分曲线的动力电池健康状态估计方法 | |
CN113341330A (zh) | 基于ocv修正和卡尔曼滤波算法的锂硫动力电池soc估算方法 | |
CN115754724A (zh) | 一种适用于未来不确定性动态工况放电的动力电池健康状态估计方法 | |
CN113125967B (zh) | 一种基于温升预测的锂电池soe计算方法 | |
CN114545275A (zh) | 一种锂离子电池剩余使用寿命间接预测方法 | |
CN117368746B (zh) | 电池荷电状态的修正方法及装置、设备、存储介质 | |
CN113866655A (zh) | 融合车联网运行数据与测试数据的动力电池容量评估方法 | |
CN115421046B (zh) | 动力电池梯度利用筛选方法、装置、设备及存储介质 | |
CN116953547A (zh) | 一种储能电池健康度评估方法、系统、设备及存储介质 | |
CN117233636A (zh) | 锂电池的健康状态确定方法、装置、设备和存储介质 | |
CN116754960A (zh) | 钠离子电池云端soh估计和剩余寿命预测方法、装置及程序 | |
Wang et al. | A novel capacity estimation method for li-ion battery cell by applying ensemble learning to extremely sparse significant points | |
CN116520172A (zh) | 电池组剩余容量估算方法、装置、电子设备和存储介质 | |
CN115358484A (zh) | 电池组容量预测方法及相关设备 | |
CN115980607A (zh) | 基于增量容量曲线特征点的电池健康状态soh估算方法 | |
CN115389954A (zh) | 一种电池容量的估算方法、电子设备及可读存储介质 | |
CN113733980B (zh) | 确定动力电池容量的方法、装置、介质及电子设备 | |
CN114325449A (zh) | 一种锂离子电池soh预测方法 | |
CN111239628B (zh) | 一种检测二次蓄电池及串联模块衰减程度的方法及系统 |
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 |