CN117434463A - 动力电池的剩余寿命评估方法、装置、设备和存储介质 - Google Patents
动力电池的剩余寿命评估方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN117434463A CN117434463A CN202311224580.8A CN202311224580A CN117434463A CN 117434463 A CN117434463 A CN 117434463A CN 202311224580 A CN202311224580 A CN 202311224580A CN 117434463 A CN117434463 A CN 117434463A
- Authority
- CN
- China
- Prior art keywords
- failure probability
- power battery
- predicted
- parameter
- power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000004590 computer program Methods 0.000 claims abstract description 23
- 208000032953 Device battery issue Diseases 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 11
- 125000004122 cyclic group Chemical group 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000032683 aging Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000005315 distribution function Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 239000000306 component Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请涉及一种动力电池的剩余寿命评估方法、装置、计算机设备、存储介质和计算机程序产品。方法包括:获取待预测动力电池的至少一个运行参数的当前值,以及各运行参数各自关联的失效概率预测模型;基于各运行参数的当前值、以及相关联的失效概率预测模型,确定待预测动力电池的当前失效概率;将当前失效概率输入至各失效概率预测模型,得到各运行参数各自的预测值;根据待预测动力电池所属的类别,确定各运行参数的参数阈值;基于各运行参数的预测值和参数阈值,确定待预测动力电池的剩余寿命。采用不仅能够有效降低计算量,还能提高预测效率以及预测结果的准确性。
Description
技术领域
本申请涉及动力电池预测领域,特别是涉及一种动力电池的剩余寿命评估方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
动力电池是新能源汽车的核心部件,占新能源汽车成本的40%左右,其剩余寿命直接决定了新能源汽车的安全性和剩余价值,也是开展上述业务所必须的核心参数依据。因此,动力电池的剩余寿命的评估技术也就不可避免的成为支撑新能源汽车后市场发展的核心技术。
相关技术中,动力电池剩余寿命的预测,普遍聚焦于对电池寿命衰减过程的仿真和量化,对电池寿命衰减轨迹和历史数据的提炼和延申。然而由于影响动力电池剩余寿命衰减过程的因素众多,难以建立涵盖全部影响因素的模型体系,因此预测过程的不确定性较大,导致针对动力电池剩余寿命的评估结果的准确性低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高预测剩余寿命准确率的动力电池的剩余寿命评估方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种动力电池的剩余寿命评估方法。所述方法包括:
获取待预测动力电池的至少一个运行参数的当前值,以及各所述运行参数各自关联的失效概率预测模型;所述失效概率预测模型是基于所述待预测动力电池所属类别下的多个动力电池的运行数据构建的;
基于各所述运行参数的当前值、以及相关联的失效概率预测模型,确定所述待预测动力电池的当前失效概率;
将所述当前失效概率输入至各所述失效概率预测模型,得到各所述运行参数各自的预测值;
根据所述待预测动力电池所属的类别,确定各所述运行参数的参数阈值;
基于各所述运行参数的预测值和参数阈值,确定所述待预测动力电池的剩余寿命。
在其中一个实施例中,所述基于各所述运行参数的当前值、以及相关联的失效概率预测模型,确定所述待预测动力电池的当前失效概率,包括:
针对各所述运行参数,将所针对的运行参数的当前值输入至对应的失效概率预测模型,预测得到所针对的运行参数的预测失效概率;
选择所述预测失效概率中的最大预测失效概率,作为所述动力电池的当前失效概率。
在其中一个实施例中,所述基于各所述运行参数的预测值和参数阈值,确定所述动力电池的剩余寿命,包括:
针对每个运行参数,确定所针对的运行参数的预测值与参数阈值之间的差值;
基于多个所述差值,确定所述动力电池的剩余寿命。
在其中一个实施例中,在获取运行参数相关联的失效概率预测模型之前,还包括:
获取符合目标条件的多个动力电池的充电数据;
针对每个所述运行参数,在所针对的运行参数处于的不同数值下,基于所述充电数据,确定所述多个动力电池对应的群体失效概率;所述群体失效概率表征所述多个动力电池中失效的动力电池所占的比例;
基于所针对的运行参数处于不同数值下的群体失效概率,构建所针对的运行参数相关联的失效概率预测模型。
在其中一个实施例中,所述在所针对的运行参数处于的不同数值下,基于所述充电数据,确定所述多个动力电池对应的群体失效概率,包括:
针对每个动力电池,根据所针对的动力电池的充电数据,确定所针对的动力电池分别在不同运行参数下的剩余充电容量;
基于各所述动力电池各自的属性信息,以及各所述动力电池分别在不同运行参数下的剩余充电容量,构建动力电池剩余容量数据库;
基于所述动力电池剩余容量数据库,统计多个动力电池的群体失效概率。
在其中一个实施例中,所述基于所述动力电池剩余容量数据库,统计多个动力电池的群体失效概率,包括:
针对任一所述运行参数,基于所述运行参数的目标数值,从所述动力电池剩余容量数据库中,确定所述目标数值下的目标动力电池的第一数量,以及所述目标动力电池中剩余充电容量小于容量阈值的动力电池的第二数量,所述目标数值是预设数值中的任一数值;
确定所述第二数量与所述第一数量的比值,作为所述运行参数的目标数值下的群体失效概率。
在其中一个实施例中,所述运行参数包括以下至少之一:累计运行里程、累计运行时间、累计循环充电次数。
第二方面,本申请还提供了一种动力电池的剩余寿命评估装置。所述装置包括:
获取模块,用于获取待预测动力电池的至少一个运行参数的当前值,以及各所述运行参数各自关联的失效概率预测模型;所述失效概率预测模型是基于所述待预测动力电池所属类别下的多个其他动力电池的运行数据构建的;
第一确定模块,基于各所述运行参数的当前值、以及相关联的失效概率预测模型,确定所述待预测动力电池的当前失效概率;
预测模块,用于将所述当前失效概率输入至各所述失效概率预测模型,得到各所述运行参数各自的预测值;
第二确定模块,用于根据所述待预测动力电池所属的类别,确定各所述运行参数的参数阈值;
第三确定模块,用于基于各所述运行参数的预测值和参数阈值,确定所述待预测动力电池的剩余寿命。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待预测动力电池的至少一个运行参数的当前值,以及各所述运行参数各自关联的失效概率预测模型;所述失效概率预测模型是基于所述待预测动力电池所属类别下的多个其他动力电池的运行数据构建的;
基于各所述运行参数的当前值、以及相关联的失效概率预测模型,确定所述待预测动力电池的当前失效概率;
将所述当前失效概率输入至各所述失效概率预测模型,得到各所述运行参数各自的预测值;
根据所述待预测动力电池所属的类别,确定各所述运行参数的参数阈值;
基于各所述运行参数的预测值和参数阈值,确定所述待预测动力电池的剩余寿命。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取待预测动力电池的至少一个运行参数的当前值,以及各所述运行参数各自关联的失效概率预测模型;所述失效概率预测模型是基于所述待预测动力电池所属类别下的多个其他动力电池的运行数据构建的;
基于各所述运行参数的当前值、以及相关联的失效概率预测模型,确定所述待预测动力电池的当前失效概率;
将所述当前失效概率输入至各所述失效概率预测模型,得到各所述运行参数各自的预测值;
根据所述待预测动力电池所属的类别,确定各所述运行参数的参数阈值;
基于各所述运行参数的预测值和参数阈值,确定所述待预测动力电池的剩余寿命。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取待预测动力电池的至少一个运行参数的当前值,以及各所述运行参数各自关联的失效概率预测模型;所述失效概率预测模型是基于所述待预测动力电池所属类别下的多个其他动力电池的运行数据构建的;
基于各所述运行参数的当前值、以及相关联的失效概率预测模型,确定所述待预测动力电池的当前失效概率;
将所述当前失效概率输入至各所述失效概率预测模型,得到各所述运行参数各自的预测值;
根据所述待预测动力电池所属的类别,确定各所述运行参数的参数阈值;
基于各所述运行参数的预测值和参数阈值,确定所述待预测动力电池的剩余寿命。
上述动力电池的剩余寿命评估方法、装置、计算机设备、存储介质和计算机程序产品,基于多个运行参数的当前值,以及相应运行参数的失效概率预测模型,首先将多个运行参数的当前值输入至相对应的失效概率预测模型,得到待预测动力电池的当前失效概率,然后将当前失效概率再次输入至各个失效概率预测模型,反推得到待预测动力电池在当前失效概率下的各运行参数的预测值,最后,结合各运行参数各自对应的参数阈值,确定待预测动力电池的剩余寿命。如此,在进行动力电池剩余寿命评估时,只需将动力电池的多个运行参数代入相应的失效概率预测模型,即可获得相应的预测结果,不仅能够有效降低计算量,还能提高预测效率以及预测结果的准确性。
附图说明
图1为一个实施例中动力电池的剩余寿命评估方法的应用环境图;
图2为一个实施例中动力电池的剩余寿命评估方法的流程示意图;
图3为一个实施例中待预测电池的当前失效概率的确定方法流程示意图;
图4为一个实施例中失效概率预测模型的构建方法的流程示意图;
图5为一个实施例中运行参数关联的失效概率预测模型的示意图;
图6为一个实施例中群体失效概率的确定方法流程示意图;
图7为另一个实施例中动力电池的剩余寿命评估方法流程示意图;
图8为一个实施例中基于三个维度的动力电池的剩余寿命评估方式示意图;
图9为一个实施例中累计运行时间关联的失效概率预测模型的示意图;
图10为一个实施例中动力电池的剩余寿命评估装置的结构框图;
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的动力电池的剩余寿命评估方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。终端上承载有待预测动力电池,通过待预测动力电池提供动力,响应于用户针对待预测动力电池的剩余寿命预测请求,向服务器转发该剩余寿命预测请求,服务器接收到该剩余寿命预测请求后,获取待预测动力电池的至少一个运行参数的当前值,以及各运行参数各自关联的失效概率预测模型;基于各运行参数的当前值、以及相关联的失效概率预测,确定待预测动力电池的当前失效概率;将当前失效概率输入至各失效概率预测模型,得到各运行参数各自的预测值;根据待预测动力电池所属的类别,确定各运行参数的参数阈值;基于各运行参数的预测值和参数阈值,确定待预测动力电池的剩余寿命。并将待预测动力电池的剩余寿命返回至终端。其中,终端102可以但不限于是各种通过动力电池提供动力的设备,如电动汽车、电动列车、电动自行车等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种动力电池的剩余寿命评估方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,获取待预测动力电池的至少一个运行参数的当前值,以及各运行参数各自关联的失效概率预测模型。
其中,失效概率预测模型是基于所述待预测动力电池所属类别下的多个其他动力电池的运行数据构建的。
在实际实施时,运行参数包括以下至少之一:累计运行里程、累计运行时间、累计循环充放电次数。其中,累计运行时间也可称为累计服役时长。失效概率预测模型用于预测动力电池在相应运行参数下的失效概率。动力电池可以为多种载体提供动力,如新能源汽车、电动自行车等,新能源汽车关联有相应的运行数据,服务器根据运行数据,获取待预测动力电池的多个运行参数各自对应的当前值。还获取各运行参数各自关联的失效概率预测模型。需要说明的是,服务器预先通过待预测动力电池所属类别下的大量动力电池的运行数据,构建得到每个运行参数关联的失效概率预测模型。其中,待预测动力电池所属类别可以根据实际情况划分,如按照动力电池的用途划分。以目标地区的新能源汽车为例,根据用途的不同可划分为营运车辆群体和非营运车辆群体。若安装待预测动力电池的新能源汽车为营运车辆群体,则获取的失效概率预测模型应当是基于营运车辆群体的运行数据构建的。
步骤204,基于各运行参数的当前值、以及相关联的失效概率预测模型,确定待预测动力电池的当前失效概率。
在实际实施时,以运行参数为累计运行里程、累计运行时间以及累计循环充放电次数为例,服务器读取待预测动力电池的累计运行里程的当前值,输入至运行里程对应的失效概率预测模型,得到运行里程维度下的第一预测失效概率;将待预测动力电池的累计运行时间的当前值输入至运行时间对应的失效概率预测模型,得到运行时间维度下的第二预测失效概率;将待预测动力电池的累计循环充放电次数的当前值输入至循环充放电次数对应的失效概率预测模型,得到循环充放电次数维度下的第三预测失效概率。并从第一预测失效概率、第二预测失效概率以及第三预测失效概率中选择合适失效概率作为待预测动力电池的当前失效概率。
步骤206,将当前失效概率输入至各失效概率预测模型,得到各运行参数各自的预测值。
在实际实施时,服务器再次将待预测动力电池的当前失效概率分别输入至各运行参数对应的失效概率预测模型,得到待预测动力电池在当前失效概率下,各运行参数各自的预测值。
步骤208,根据待预测动力电池所属的类别,确定各运行参数的参数阈值。
在实际实施时,服务器在构建各运行参数对应的失效概率预测模型时,同时确定与待预测动力电池属于同类的动力电池群的群体失效概率为100%时,同类动力电池的各运行参数的参数阈值。
步骤210,基于各运行参数的预测值和参数阈值,确定待预测动力电池的剩余寿命。
在实际实施时,服务器基于待预测动力电池在各运行参数的预测值以及相应运行参数的参数阈值,确定待预测动力电池的剩余寿命。其中,待预测动力电池的剩余寿命可以是待预测动力电池在失效前,剩余的运行里程、剩余的运行时间,以及剩余的循环充放电次数。其中,剩余的运行时间也称为动力电池的日历寿命,剩余的循环充放电次数也称为动力电池的循环寿命。
上述动力电池的剩余寿命评估方法中,基于多个运行参数的当前值,以及相应运行参数的失效概率预测模型,首先将多个运行参数的当前值输入至相对应的失效概率预测模型,得到待预测动力电池的当前失效概率,然后将当前失效概率再次输入至各个失效概率预测模型,反推得到待预测动力电池在当前失效概率下的各运行参数的预测值,最后,结合各运行参数各自对应的参数阈值,确定待预测动力电池的剩余寿命。如此,在进行动力电池剩余寿命评估时,只需将动力电池的多个运行参数代入相应的失效概率预测模型,即可获得相应的预测结果,不仅能够有效降低计算量,还能提高预测效率,同时因计算量小,计算效率高,便于实现在线预测。
在一个实施例中,如图3所示,基于各运行参数的当前值、以及相关联的失效概率预测模型,确定待预测动力电池的当前失效概率,包括:
步骤302,针对各运行参数,将所针对的运行参数的当前值输入至对应的失效概率预测模型,预测得到所针对的运行参数的预测失效概率。
在实际实施时,服务器将待预测动力电池的相对于各运行参数的当前值,输入至相应的失效概率预测模型,得到待预测动力电池相对于相应运行参数的预测失效概率。
示例性地,以运行参数为累计运行里程为例,服务器获取待预测动力电池的累计运行里程的当前值,然后通过累计运行里程的失效率预测模型,得到在累计运行里程的当前值下的预测失效概率。
步骤304,选择预测失效概率中的最大预测失效概率,作为待预测动力电池的当前失效概率。
在实际实施时,为了便于计算准确,服务器可以获取待预测动力电池在多个动力参数下的预测失效概率,并根据电池木桶原理,最大预测失效概率对于动力电池的剩余寿命的预测起重要作用,因此选择多个预测失效概率中的最大预测失效概率,作为待预测动力电池的当前失效概率。
本实施例中,从多个运行参数对应的预测失效概率中,依据电池木桶原理确定当前失效概率的方式,能够保证当前失效概率的准确性。
在一个实施例中,基于各运行参数的预测值和参数阈值,确定动力电池的剩余寿命,包括:针对每个运行参数,确定所针对的运行参数的预测值与参数阈值之间的差值;基于多个差值,确定动力电池的剩余寿命。
在实际实施时,服务器通过任一运行参数对应的失效概率模型,能够预测得到动力电池在当前失效概率下的该运行参数的当前值。基于预先获取的动力电池针对当前运行参数的群体失效概率为100%时,该运行参数的参数阈值,与当前值的差值,作为动力电池的剩余寿命。
在一个实施例中,如图4所示,服务器通过以下方式构建各运行参数对应的失效概率预测模型,包括:
步骤402,获取符合目标条件的多个动力电池的充电数据。
在实际实施时,服务器获取符合目标条件的动力电池的充电数据,其中,目标条件是指多个动力电池的类型相同,使用场景相同,如此,是为了保证针对同一类型的动力电池的剩余寿命的预测结果的准确性。
示例性地,以承载动力电池的载体为新能源汽车为例,服务器针对新能源车辆群体进行分类,得到同一车型以及同一应用场景下的新能源车辆群体的运行大数据。其中,针对新能源车辆群体进行分类的方式可以是,服务器采集新能源汽车运行大数据,提取新能源汽车日均充电次数、日均行驶里程、日均驾驶时长、日均启动次数等特征,利用分析软件进行聚类分析,得到多个不同车型的聚类结果。然后,分析新能源汽车的用户类型,准确将同一车型下的多个新能源汽车划分为非营运车辆群体和营运车辆群体。服务器获取非营运车辆群体的运行数据,并将运行数据所包括的动力电池的充电数据作为符合目标条件的动力电池的充电数据,其中,充电数据至少包括动力电池的充电时间、电流、电压、荷电状态(State of charge,SOC)值等。
步骤404,针对每个运行参数,在所针对的运行参数处于的不同数值下,基于充电数据,确定多个动力电池对应的群体失效概率。
其中,群体失效概率表征多个动力电池中失效的动力电池所占的比例。
在实际实施时,服务器采用SOC算法,对充电数据进行估算,得到动力电池的剩余充电容量,然后基于剩余充电容量,确定分组处理后的多个动力电池中失效的电池数量,进行确定多个动力电池的群体失效概率。
步骤406,基于所针对的运行参数的不同数值下的群体失效概率,构建所针对的运行参数相关联的失效概率预测模型。
在实际实施时,针对任一运行参数,服务器可以获取该运行参数的不同数值下的群体失效概率,即得到多个{运行参数的数值,群体失效概率}的数据对,服务器以这些数据对作为点,构建相应的散点图,其中,散点图的横轴为运行参数的不同数值,散点图的纵轴为不同数值下的群体失效概率。服务器采用预设拟合方式,对该散点图进行非线性拟合,得到一个连续的非线性的映射函数作为该与运行参数相关联的失效概率预测模型。
示例性地,如图5,所示,图中(a)示出的是运行参数为累计运行里程所对应的失效概率预测模型,图中(b)示出的是运行参数为循环充放电次数所对应的失效概率预测模型,图中(c)示出的是运行参数为累计运行时间所对应的失效概率预测模型。
本实施例中,以任一运行参数的不同数值构建相应的失效概率预测模型,能够降低模型构建过程中的计算量,提高模型构建效率。
在一个实施例中,如图6所示,在所针对的运行参数处于的不同数值下,基于充电数据,确定多个动力电池对应的群体失效概率,包括:
步骤502,针对每个动力电池,根据所针对的动力电池的充电数据,确定所针对的动力电池分别在不同运行参数下的剩余充电容量。
在实际实施时,服务器采用预设的估算电池荷电状态的估算方式,基于动力电池的充电数据,分别确定动力电池在不同运行参数(如累计运行里程、累计运行时间、累计循环充电次数)下的剩余充电容量。其中,电池荷电状态的估算方式至少包括安时积分法。
步骤504,基于各动力电池各自的属性信息,以及各动力电池分别在不同运行参数下的剩余充电容量,构建动力电池剩余容量数据库。
在实际实施时,服务器将不同参数下的电池的剩余充电容量作为一个新的属性信息与动力电池的其它属性(如电池的型号、电池的电压等)信息字段整合,构建动力电池剩余容量数据库。
步骤506,基于动力电池剩余容量数据库,统计多个动力电池的群体失效概率。
在实际实施时,服务器以任一运行参数(累计运行里程、累计运行时间、累计循环充电次数)的不同数值为索引,在动力电池剩余容量数据库,分组查询该运行参数的目标数值下的动力电池的总数量,以及该目标数值下失效的动力电池的数量,确定两个数量的比值作为该运行参数的目标数值下的动力电池的群体失效概率q失效。其中,目标数值是不同数值中的任一数值。
本实施例中,通过建立动力电池剩余容量数据库,将动力电池剩余寿命预测过程的计算量转移至平台的日常运营过程之中,能够有效降低服务器的计算量,并提高计算效率。
在一个实施例中,基于动力电池剩余容量数据库,统计多个动力电池的群体失效概率,包括:针对任一运行参数,基于运行参数的目标数值,从动力电池剩余容量数据库中,确定目标数值下的目标动力电池的第一数量,以及目标动力电池中剩余充电容量小于容量阈值的动力电池的第二数量,目标数值是预设数值中的任一数值;确定第二数量与第一数量的比值,作为运行参数的目标数值下的群体失效概率。
在实际实施时,针对任一运行参数(累计运行里程、累计运行时间、累计循环充电次数),服务器以该运行参数的不同数值为索引,在动力电池剩余容量数据库,分组查询该运行参数的各不同数值所对应的多条数据,由于每条数据关联一个动力电池。该运行参数的目标数值下的N(N为正整数)条数据,即为该目标数值下的N个(即第一数量)动力电池。然后,从这N个动力电池中,依据相应的剩余充电量,选择M(M为正整数)个(即第二数量)失效的动力电池。其中,可以将剩余充电量为零的动力电池作为失效的动力电池,也可以将剩余充电容量小于预设的容量阈值的动力电池作为失效的动力电池。最后,将M与N的比值,作为动力电池在该运行参数的目标数值下的群体失效概率。如此,该运行参数的每个数值下都对应一个群体失效概率。
示例性地,以运行参数为动力电池的累计运行里程为例,服务器针对同一类型的动力电池,从动力电池剩余容量数据库中,以累计运行里程的不同数值为索引,进行分组查询,得到不同累计运行里程下的多条数据。如针对1000挂载于新能源汽车上的相同型号的动力电池,累计运行里程为10万公里的电池数量为200,其中,失效的动力电池数量为20,则累计运行里程为10万公里,失效概率为10%;累计运行里程为15万公里的电池数量为100,其中,失效的动力电池数量为12,则累计运行里程为15万公里,失效概率为12%;如此,可以得到多个{累计运行里程的数值,失效概率的数值}的数据对。
本实施例中,以任一运行参数的不同数值为索引,在动力电池剩余容量数据库中进行分组查询,基于查询结果进一步确定群体失效概率,不仅能够提高查询效率,还能够有效降低服务器的计算量。
在一个实施例中,以基于累计运行里程、循环充放电次数、累计运行时间三个运行参数,协同预测新能源汽车中的动力电池的剩余寿命为例进行说明。具体方法如下:
首先,基于地区(市级)新能源汽车运行大数据构建动力电池容量衰减特性数据库,获取各车型群体的动力电池剩余容量衰减规律;并将同一车型群体根据用途的不同划分为营运车辆群体和非营运车辆群体。
其次,构建同一车辆群体全生命周期内,在运行里程、服役时长(即前文中的运行时间)、电池循环充电次数三个维度下的各自对应的失效概率模型,并确定各失效概率模型中群体失效概率达到100%时对应的参数的值为群体寿命参数值(即前文中的参数阈值)。
再次,对新能源汽车中的动力电池的剩余寿命进行预测时,将汽车当前的运行里程、服役时长、电池循环充电次数三个运行参数分别代入相应的失效概率模型,计算得到三个失效概率并取失效概率最高值作为汽车的当前失效概率。
最后,将当前失效概率分别代入三个失效概率模型,计算相应的理论运行里程(即前文中运行里程的预测值)、理论服役时长(即前文中运行时间的预测值)、理论电池循环充电次数(即前文中循环充电次数的预测值),并将其与群体寿命参数做差,作为汽车当前的剩余里程、剩余服役时长和剩余循环充电次数。
针对上述三个运行参数各自对应的失效概率预测模型的构建过程进行说明。如图7所示,服务器基于新能源汽车运行数据,根据不同的用户行为进行聚类分析,分析新能源汽车的用户类型,准确将同一车型下的新能源汽车划分为非营运车辆群体和营运车辆群体两个部分。以构建非营运车辆下的三个运行参数对应的失效概率预测模型为例,服务器基于非营运车辆数据库中新能源汽车的充电数据,采用安时积分法计算新能源汽车在不同维度(即上述运行参数)下动力电池的充电容量,构建动力电池剩余容量数据库;基于动力电池剩余容量数据库,统计不同维度下动力电池失效概率,构建上述三个维度下的失效概率分布函数模型(即前文中的失效概率预测模型,如图5所示)。同时根据失效概率分布函数模型,确定同一类电池群体失效概率达到100%时各运行参数的参数阈值(如图5中的运行里程失效阈值、循环充放电次数失效阈值、运行时间失效阈值)。其中,基于动力电池剩余容量数据库,统计不同维度下动力电池失效概率的实现过程(以累计运行时间对应的失效概率的统计为例说明),针对同一车型且处于相同应用场景的新能源汽车群体运行数据。统计处于不同服役时长下动力电池达到失效概率的新能源汽车数量,取失效新能源汽车的数量与该群体内新能源汽车总数量的比值作为该服役时长下新能源汽车的失效概率q失效。采用类似方式,分别以1000公里、月和100次循环为梯度,分段拟合三个维度下动力电池失效概率分布函数得到相应失效概率预测模型(如图)。另外,也可以采用matlab、origin等电脑软件进行回归拟合,得到相应失效概率预测模型。同时,获取群体动力电池失效概率函数值达到100%时,三个维度下的各自对应的群体失效阈值(即前述相应运行参数的参数阈值)T失效。
针对待预测动力电池进行剩余寿命的预测过程进行说明,如图8所示,在对新能源汽车动力电池进行剩余寿命预测时,根据新能源汽车当前的运行参数(累计运行里程、累计循环充电次数、累计运行时间),通过相应运行参数的失效概率预测模型(如图9所示的运行时间对应的失效概率预测模型)分别确定待预测动力电池在三个维度下的失效概率(里程失效概率、循环充电次数失效概率、运行时间失效概率,其中,循环充电次数失效概率也称为循环寿命失效概率,运行时间失效概率也可称为日历寿命失效概率),并将三个失效概率的最大值(图中最高失效概率)作为动力电池的当前失效概率;并将动力电池当前的失效概率作为反馈值,再次输入各自对应的失效概率预测模型,得到各个运行参数的预测值,并结合各运行参数下的电池失效阈值(即前文中的参数阈值)与相应维度下的预测值间的差值,得到动力电池的剩余寿命。
应用本实施例具有如下有益效果:
1)根据车型、电池类型、车辆用途对区域性新能源汽车运行大数据进行群体性划分,并利用电池群体衰减特性规律进行寿命预测,规避区域环境差异和使用习惯造成的预测误差增大的风险,充分发挥区域大数据优势,提高预测精度。
在实际应用中,动力电池的老化过程及其剩余寿命和电池所处的工作环境和使用条件密切相关,过高过低的工作温度和潮湿的环境都将导致电池老化加快,同时用户的充放电行为、日常驾驶习惯都将造成电池的老化特性差异。因此采用通用性的预测方法对不同区域、不同类型、不同用途的新能源汽车动力电池的剩余寿命进行预测时,将出现预测精度下降风险,尤其对于气候和环境条件相对极端的城市,预测精度将大幅度降低。而本实施例基于市级区域性的新能源汽车大数据并详细划分汽车群体进行寿命预测,能够有效避免区域环境差异和用户驾驶行为对电池老化过程的差异化影响,提高预测精度,具有明显的优越性。
2)能够在对车辆剩余寿命进行预测的同时,有效获取车辆失效概率并了解车型的极限寿命参数和电池健康状况快速劣化区段,有利于车型的长期维修保养。
常规动力电池剩余寿命预测方法通常仅能够基于电池历史容量衰减规律,计算电池未来的剩余寿命参数。而本实施例依据地区新能源汽车运行大数据,基于每一个车辆群体单独构建车辆累计运行里程、累计服役时长、电池累计循环充放电次数三个关键维度下的群体失效概率模型进行动力电池剩余寿命预测,能够基于大数据优势同时获取动力电池当前的剩余寿命参数和失效概率。此外,除了预测分析外,基于车辆动力电池群体剩余容量的衰减规律能够获取车辆群体的极限运行里程、极限循环充放电次数和极限服役时长等群体寿命参数。同时基于群体容量衰减规律,能够帮助车主准确捕捉车辆失效概率快速衰减节点,辅助车主及时开展保养维护,延长车辆使用寿命。
3)基于汽车和电池全生命周期真实运行数据构建模型,规避常规方法随着时间延长预测精度降低的技术缺陷。
常规动力电池剩余寿命预测方法通常是基于电池容量历史衰减规律,推测未来容量衰减趋势。因此,随着预测时间跨度的延长,预测的精度降低,误差增大。
而本实施例基于区域新能源汽车运行大数据对新能源汽车的剩余寿命参数进行预测。由于大数据可覆盖同一类车辆不同服役阶段的数据,尤其是新能源汽车服役末期(临近报废阶段)的运行数据。因此,基于新能源汽车运行大数据构建的失效概率模型能够覆盖同一类车型的全生命周期各个阶段。在利用模型对汽车的剩余寿命进行预测时能够对处于各个阶段的车辆的剩余寿命进行有效预测,预测精度不会随着预测时间跨度的延长而降低。因此本实施例能够有效规避传统预测技术随着时间延长,预测精度下降的技术缺陷。
本实施例所构建的失效概率预测模型均是基于汽车和电池的真实运行参数建立的,规避了传统预测方法中外延、推测造成的不确定性,预测精度和和可信度更高。
4)预测过程中计算量较少,工程应用性强。
本实施例基于新能源汽车运行大数据,通过建立动力电池剩余容量衰减特征数据库,将动力电池剩余寿命预测过程的主要计算量转移至数据库的日常运算和构建过程之中。本实施例通过基于容量衰减特性数据库构建三个维度下动力电池群体失效概率分布函数体系,获取群体剩余寿命参数。在开展动力电池剩余寿命评估时,只需将车辆当前的运行参数代入相应失效概率模型即可获得相应的预测结果。与传统预测方法相比,本实施例能够有效降低预测过程的计算量,有利于实现动力电池寿命的在线实时评估,工程应用性强。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的动力电池的剩余寿命评估方法的动力电池的剩余寿命评估装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个动力电池的剩余寿命评估装置实施例中的具体限定可以参见上文中对于动力电池的剩余寿命评估方法的限定,在此不再赘述。
在一个实施例中,如图10所示,提供了一种动力电池的剩余寿命评估装置,包括:获取模块、第一确定模块、预测模块、第二确定模块以及第三确定模块,其中:
获取模块,用于获取待预测动力电池的至少一个运行参数的当前值,以及各运行参数各自关联的失效概率预测模型;所述失效概率预测模型是基于所述待预测动力电池所属类别下的多个动力电池的运行数据构建的;
第一确定模块,基于各运行参数的当前值、以及相关联的失效概率预测模型,确定待预测动力电池的当前失效概率;
预测模块,用于将当前失效概率输入至各失效概率预测模型,得到各运行参数各自的预测值;
第二确定模块,用于根据待预测动力电池所属的类别,确定各运行参数的参数阈值;
第三确定模块,用于基于各运行参数的预测值和参数阈值,确定待预测动力电池的剩余寿命。
在一个实施例中,第一确定模块,用于针对各运行参数,将所针对的运行参数的当前值输入至对应的失效概率预测模型,预测得到所针对的运行参数的预测失效概率;选择预测失效概率中的最大预测失效概率,作为动力电池的当前失效概率。
在一个实施例中,第三确定模块,还用于针对每个运行参数,确定所针对的运行参数的预测值与参数阈值之间的差值;基于多个差值,确定待预测动力电池的剩余寿命。
在一个实施例中,获取模块,还用于获取符合目标条件的多个动力电池的充电数据;针对每个运行参数,在所针对的运行参数处于的不同数值下,基于充电数据,确定多个动力电池对应的群体失效概率;群体失效概率表征多个动力电池中失效的动力电池所占的比例;基于所针对的运行参数处于不同数值下的群体失效概率,构建所针对的运行参数相关联的失效概率预测模型。
在一些实施例中,获取模块,还用于针对每个动力电池,根据所针对的动力电池的充电数据,确定所针对的动力电池分别在不同运行参数下的剩余充电容量;基于各动力电池各自的属性信息,以及各动力电池分别在不同运行参数下的剩余充电容量,构建动力电池剩余容量数据库;基于动力电池剩余容量数据库,统计多个动力电池的群体失效概率。
在一些实施例中,获取模块,还用于针对任一所述运行参数,基于运行参数的目标数值,从动力电池剩余容量数据库中,确定目标数值下的目标动力电池的第一数量,以及目标动力电池中剩余充电容量小于容量阈值的动力电池的第二数量;确定第二数量与第一数量的比值,作为运行参数的目标数值下的群体失效概率。
在一些实施例中,运行参数包括以下至少之一:累计运行里程、累计运行时间、累计循环充电次数。
上述动力电池的剩余寿命评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图11所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。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和内存储器。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动力电池的运行数据、动力电池的充电数据等。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信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一种动力电池的剩余寿命评估方法。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种动力电池的剩余寿命评估方法,其特征在于,所述方法包括:
获取待预测动力电池的至少一个运行参数的当前值,以及各所述运行参数各自关联的失效概率预测模型;所述失效概率预测模型是基于所述待预测动力电池所属类别下的多个动力电池的运行数据构建的;
基于各所述运行参数的当前值、以及相关联的失效概率预测模型,确定所述待预测动力电池的当前失效概率;
将所述当前失效概率输入至各所述失效概率预测模型,得到各所述运行参数各自的预测值;
根据所述待预测动力电池所属的类别,确定各所述运行参数的参数阈值;
基于各所述运行参数的预测值和参数阈值,确定所述待预测动力电池的剩余寿命。
2.根据权利要求1所述的方法,其特征在于,所述基于各所述运行参数的当前值、以及相关联的失效概率预测模型,确定所述待预测动力电池的当前失效概率,包括:
针对各所述运行参数,将所针对的运行参数的当前值输入至对应的失效概率预测模型,预测得到所针对的运行参数的预测失效概率;
选择所述预测失效概率中的最大预测失效概率,作为所述动力电池的当前失效概率。
3.根据权利要求1所述的方法,其特征在于,所述基于各所述运行参数的预测值和参数阈值,确定所述动力电池的剩余寿命,包括:
针对每个运行参数,确定所针对的运行参数的预测值与参数阈值之间的差值;
基于多个所述差值,确定所述待预测动力电池的剩余寿命。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取符合目标条件的多个动力电池的充电数据;
针对每个所述运行参数,在所针对的运行参数处于的不同数值下,基于所述充电数据,确定所述多个动力电池对应的群体失效概率;所述群体失效概率表征所述多个动力电池中失效的动力电池所占的比例;
基于所针对的运行参数处于不同数值下的群体失效概率,构建所针对的运行参数相关联的失效概率预测模型。
5.根据权利要求4所述的方法,其特征在于,所述在所针对的运行参数处于的不同数值下,基于所述充电数据,确定所述多个动力电池对应的群体失效概率,包括:
针对每个动力电池,根据所针对的动力电池的充电数据,确定所针对的动力电池分别在不同运行参数下的剩余充电容量;
基于各所述动力电池各自的属性信息,以及各所述动力电池分别在不同运行参数下的剩余充电容量,构建动力电池剩余容量数据库;
基于所述动力电池剩余容量数据库,统计多个动力电池的群体失效概率。
6.根据权利要求5所述的方法,其特征在于,所述基于所述动力电池剩余容量数据库,统计多个动力电池的群体失效概率,包括:
针对任一所述运行参数,基于所述运行参数的目标数值,从所述动力电池剩余容量数据库中,确定所述目标数值下的目标动力电池的第一数量,以及所述目标动力电池中剩余充电容量小于容量阈值的动力电池的第二数量;所述目标数值是预设数值中的任一数值;
确定所述第二数量与所述第一数量的比值,作为所述运行参数的目标数值下的群体失效概率。
7.根据权利要求1-6中任意一项所述的方法,其特征在于,所述运行参数包括以下至少之一:
累计运行里程、累计运行时间、累计循环充电次数。
8.一种动力电池的剩余寿命评估装置,其特征在于,所述装置包括:
获取模块,用于获取待预测动力电池的至少一个运行参数的当前值,以及各所述运行参数各自关联的失效概率预测模型;所述失效概率预测模型是基于所述待预测动力电池所属类别下的多个动力电池的运行数据构建的;
第一确定模块,基于各所述运行参数的当前值、以及相关联的失效概率预测模型,确定所述待预测动力电池的当前失效概率;
预测模块,用于将所述当前失效概率输入至各所述失效概率预测模型,得到各所述运行参数各自的预测值;
第二确定模块,用于根据所述待预测动力电池所属的类别,确定各所述运行参数的参数阈值;
第三确定模块,用于基于各所述运行参数的预测值和参数阈值,确定所述待预测动力电池的剩余寿命。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311224580.8A CN117434463A (zh) | 2023-09-21 | 2023-09-21 | 动力电池的剩余寿命评估方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311224580.8A CN117434463A (zh) | 2023-09-21 | 2023-09-21 | 动力电池的剩余寿命评估方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117434463A true CN117434463A (zh) | 2024-01-23 |
Family
ID=89550602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311224580.8A Pending CN117434463A (zh) | 2023-09-21 | 2023-09-21 | 动力电池的剩余寿命评估方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117434463A (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108445398A (zh) * | 2018-02-07 | 2018-08-24 | 江苏大学 | 一种基于威布尔分布的串联电池组剩余寿命预测方法 |
CN109613431A (zh) * | 2018-11-27 | 2019-04-12 | 北京长城华冠汽车科技股份有限公司 | 一种锂离子电池的可靠度验证方法和装置 |
DE102018213991A1 (de) * | 2018-08-20 | 2020-02-20 | Audi Ag | Verfahren zur Ermittlung einer Lebensdauer einer Batterie sowie Fahrzeug mit einer Batterie |
DE102019126245A1 (de) * | 2019-09-30 | 2021-04-01 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | System und Verfahren zur Bestimmung des Funktionszustandes und/oder Gesundheitszustandes einer elektrischen Batterie |
DE102020201697B3 (de) * | 2020-02-11 | 2021-04-29 | Volkswagen Aktiengesellschaft | Verfahren zur Kategorisierung einer Batterie hinsichtlich ihrer weiteren Handhabungseignung, Batterie, Batterieverwertungssystem und Kraftfahrzeug |
WO2021208079A1 (zh) * | 2020-04-17 | 2021-10-21 | 中国科学院深圳先进技术研究院 | 获取动力电池寿命数据的方法、装置、计算机设备及介质 |
US20210349155A1 (en) * | 2020-05-07 | 2021-11-11 | Zitara Technologies, Inc. | Battery analysis system and method |
CN114295998A (zh) * | 2021-12-28 | 2022-04-08 | 东软睿驰汽车技术(沈阳)有限公司 | 动力电池寿命的预测方法、装置、设备及存储介质 |
CN114764600A (zh) * | 2022-04-24 | 2022-07-19 | 东软睿驰汽车技术(沈阳)有限公司 | 新能源车电池包的寿命预测方法、装置和电子设备 |
CN115267575A (zh) * | 2022-06-23 | 2022-11-01 | 上海乐驾智慧能源科技有限公司 | 一种基于Transformer的储能电池寿命预测算法 |
CN115308611A (zh) * | 2022-10-11 | 2022-11-08 | 中国人民解放军国防科技大学 | 考虑温度补偿的锂离子电池剩余寿命预测方法 |
CN115616414A (zh) * | 2022-11-09 | 2023-01-17 | 中国华能集团清洁能源技术研究院有限公司 | 储能锂电池剩余寿命长时间序列预测方法及装置 |
WO2023284453A1 (zh) * | 2021-07-15 | 2023-01-19 | 崔跃芹 | 一种基于累计耗损量的充电电池寿命预测方法、装置、电子设备及可读存储介质 |
CN115659814A (zh) * | 2022-10-31 | 2023-01-31 | 重庆长安新能源汽车科技有限公司 | 预测电池剩余寿命概率分布的方法、系统、设备、汽车及介质 |
CN115684936A (zh) * | 2022-08-03 | 2023-02-03 | 北京航空航天大学 | 一种基于机器学习的动力电池健康失效概率计算与健康失效图谱建立方法 |
CN116243178A (zh) * | 2023-03-31 | 2023-06-09 | 重庆长安新能源汽车科技有限公司 | 动力电池的剩余充电时间估算方法及装置 |
CN116381500A (zh) * | 2023-02-23 | 2023-07-04 | 青岛腾信汽车网络科技服务有限公司 | 基于大数据分析的纯电动汽车动力电池评价指标构建方法 |
-
2023
- 2023-09-21 CN CN202311224580.8A patent/CN117434463A/zh active Pending
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108445398A (zh) * | 2018-02-07 | 2018-08-24 | 江苏大学 | 一种基于威布尔分布的串联电池组剩余寿命预测方法 |
DE102018213991A1 (de) * | 2018-08-20 | 2020-02-20 | Audi Ag | Verfahren zur Ermittlung einer Lebensdauer einer Batterie sowie Fahrzeug mit einer Batterie |
CN109613431A (zh) * | 2018-11-27 | 2019-04-12 | 北京长城华冠汽车科技股份有限公司 | 一种锂离子电池的可靠度验证方法和装置 |
DE102019126245A1 (de) * | 2019-09-30 | 2021-04-01 | Dr. Ing. H.C. F. Porsche Aktiengesellschaft | System und Verfahren zur Bestimmung des Funktionszustandes und/oder Gesundheitszustandes einer elektrischen Batterie |
DE102020201697B3 (de) * | 2020-02-11 | 2021-04-29 | Volkswagen Aktiengesellschaft | Verfahren zur Kategorisierung einer Batterie hinsichtlich ihrer weiteren Handhabungseignung, Batterie, Batterieverwertungssystem und Kraftfahrzeug |
WO2021208079A1 (zh) * | 2020-04-17 | 2021-10-21 | 中国科学院深圳先进技术研究院 | 获取动力电池寿命数据的方法、装置、计算机设备及介质 |
US20210349155A1 (en) * | 2020-05-07 | 2021-11-11 | Zitara Technologies, Inc. | Battery analysis system and method |
WO2023284453A1 (zh) * | 2021-07-15 | 2023-01-19 | 崔跃芹 | 一种基于累计耗损量的充电电池寿命预测方法、装置、电子设备及可读存储介质 |
CN114295998A (zh) * | 2021-12-28 | 2022-04-08 | 东软睿驰汽车技术(沈阳)有限公司 | 动力电池寿命的预测方法、装置、设备及存储介质 |
CN114764600A (zh) * | 2022-04-24 | 2022-07-19 | 东软睿驰汽车技术(沈阳)有限公司 | 新能源车电池包的寿命预测方法、装置和电子设备 |
CN115267575A (zh) * | 2022-06-23 | 2022-11-01 | 上海乐驾智慧能源科技有限公司 | 一种基于Transformer的储能电池寿命预测算法 |
CN115684936A (zh) * | 2022-08-03 | 2023-02-03 | 北京航空航天大学 | 一种基于机器学习的动力电池健康失效概率计算与健康失效图谱建立方法 |
CN115308611A (zh) * | 2022-10-11 | 2022-11-08 | 中国人民解放军国防科技大学 | 考虑温度补偿的锂离子电池剩余寿命预测方法 |
CN115659814A (zh) * | 2022-10-31 | 2023-01-31 | 重庆长安新能源汽车科技有限公司 | 预测电池剩余寿命概率分布的方法、系统、设备、汽车及介质 |
CN115616414A (zh) * | 2022-11-09 | 2023-01-17 | 中国华能集团清洁能源技术研究院有限公司 | 储能锂电池剩余寿命长时间序列预测方法及装置 |
CN116381500A (zh) * | 2023-02-23 | 2023-07-04 | 青岛腾信汽车网络科技服务有限公司 | 基于大数据分析的纯电动汽车动力电池评价指标构建方法 |
CN116243178A (zh) * | 2023-03-31 | 2023-06-09 | 重庆长安新能源汽车科技有限公司 | 动力电池的剩余充电时间估算方法及装置 |
Non-Patent Citations (1)
Title |
---|
孟祥峰;孙逢春;林程;王震坡;: "动力电池循环寿命预测方法研究", 电源技术, no. 11, 20 November 2009 (2009-11-20) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5343168B2 (ja) | 電池の劣化度を取得するための方法及びそのシステム | |
CN112213643B (zh) | 电池初始容量、电池健康状态的预测方法、系统及设备 | |
CN113064089B (zh) | 动力电池的内阻检测方法、装置、介质以及系统 | |
CN112068004A (zh) | 一种电池异常、电池充电剩余时间的确定方法及装置 | |
Wu et al. | SOC prediction method based on battery pack aging and consistency deviation of thermoelectric characteristics | |
JP2014013245A (ja) | 電池劣化度モデルの生成及び更新方法 | |
CN110658460A (zh) | 一种电池包的电池寿命预测方法及装置 | |
AU2021101964A4 (en) | Artificial intelligence based smart electric vehicle battery management system | |
CN114692827A (zh) | 面向边缘联邦学习的电动汽车锂电池soh在线预测方法 | |
CN114290960A (zh) | 获取动力电池的电池健康度的方法、装置和车辆 | |
CN115808922B (zh) | 商用电动车辆能耗预测方法、装置和计算机设备 | |
CN115700717A (zh) | 一种基于电动汽车用电需求的配电分析方法 | |
CN115754726A (zh) | 一种电池寿命预测及维持方法、电子设备和存储介质 | |
CN116482540A (zh) | 电池电压不一致性的分析预测方法、装置及系统 | |
CN115684936A (zh) | 一种基于机器学习的动力电池健康失效概率计算与健康失效图谱建立方法 | |
CN114924203A (zh) | 一种电池soh预测分析方法及电动汽车 | |
CN113406496B (zh) | 基于模型迁移的电池容量预测方法、系统、装置及介质 | |
CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
Tian et al. | Method for predicting the remaining mileage of electric vehicles based on dimension expansion and model fusion | |
Zhou et al. | A light-weight feature extractor for lithium-ion battery health prognosis | |
CN113435663A (zh) | 一种考虑电动汽车充电负荷影响的cnn-lstm联合负荷预测方法 | |
CN117434463A (zh) | 动力电池的剩余寿命评估方法、装置、设备和存储介质 | |
CN114200328B (zh) | 一种非高斯Lévy噪声下的锂离子电池SOC估计方法 | |
CN116203427A (zh) | 车载电池健康状态的预测方法、装置、设备和存储介质 | |
CN114764600A (zh) | 新能源车电池包的寿命预测方法、装置和电子设备 |
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 |