CN117452236A - 新能源汽车的电池寿命检测方法及系统 - Google Patents
新能源汽车的电池寿命检测方法及系统 Download PDFInfo
- Publication number
- CN117452236A CN117452236A CN202311797476.8A CN202311797476A CN117452236A CN 117452236 A CN117452236 A CN 117452236A CN 202311797476 A CN202311797476 A CN 202311797476A CN 117452236 A CN117452236 A CN 117452236A
- Authority
- CN
- China
- Prior art keywords
- battery
- data
- battery life
- relation
- air pressure
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012360 testing method Methods 0.000 claims abstract description 133
- 239000013598 vector Substances 0.000 claims abstract description 108
- 238000010438 heat treatment Methods 0.000 claims abstract description 103
- 238000001514 detection method Methods 0.000 claims abstract description 91
- 239000002245 particle Substances 0.000 claims abstract description 51
- 238000000605 extraction Methods 0.000 claims abstract description 36
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 238000005259 measurement Methods 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 239000003570 air Substances 0.000 claims description 68
- 239000012080 ambient air Substances 0.000 claims description 39
- 238000010606 normalization Methods 0.000 claims description 20
- 230000002457 bidirectional effect Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 230000007613 environmental effect Effects 0.000 claims description 13
- 230000004927 fusion Effects 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 27
- 230000006870 function Effects 0.000 description 11
- 239000000243 solution Substances 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 6
- 230000004044 response Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000002035 prolonged effect Effects 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000036755 cellular response Effects 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011076 safety test Methods 0.000 description 1
- 238000013112 stability test Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000012085 test solution Substances 0.000 description 1
- 238000012549 training 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]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Secondary Cells (AREA)
Abstract
本申请涉及电池寿命检测技术领域,公开了一种新能源汽车的电池寿命检测方法及系统。所述方法包括:创建目标电池的第一电池寿命检测方案并进行方案解析,得到测试环境气压数据以及电池加热功率数据,以及进行电池测试;进行开启时间检测,得到安全阀开启时间数据以及进行电池热失控时间测定,得到电池热失控时间数据;进行关系测定和特征提取,得到第一关系特征集合和第二关系特征向量;通过电池寿命预测模型进行电池寿命预测分析,得到初始电池寿命预测数据;采用粒子群算法进行检测方案优化,得到第二电池寿命检测方案,并进行迭代测试,得到目标电池寿命预测数据,本申请提高了新能源汽车的电池寿命检测的准确率。
Description
技术领域
本申请涉及电池寿命检测技术领域,尤其涉及一种新能源汽车的电池寿命检测方法及系统。
背景技术
新能源汽车作为替代传统燃油汽车的重要选择之一,已经逐渐走进人们的生活。新能源汽车的核心组件之一是电池,电池的性能和寿命直接影响着车辆的续航能力和使用寿命。因此,电池寿命检测成为了新能源汽车研究领域的重要课题之一。
但电池系统的寿命管理仍然面临着一系列挑战和问题:多因素影响:电池寿命受到多种因素的综合影响,包括充放电循环、环境温度、充电速率等。因此,电池寿命的精确预测需要考虑这些多因素之间的复杂关系。数据获取难题:电池寿命的预测依赖于大量的数据,包括环境数据、电池参数等。但如何准确获取和处理这些数据一直是一个挑战,特别是在实际车辆运行中。精确性和实时性:电池寿命的精确预测需要准确的模型和算法,而且需要在实时性要求较高的汽车环境下进行。如何在保证精确性的同时提高实时性是一个复杂的问题。寿命管理策略:除了寿命预测,如何根据预测结果来制定合理的电池寿命管理策略也是一个重要问题。不同的车辆使用情况和用户需求需要不同的寿命管理策略。
发明内容
本申请提供了一种新能源汽车的电池寿命检测方法及系统,用于提高了新能源汽车的电池寿命检测的准确率。
第一方面,本申请提供了一种新能源汽车的电池寿命检测方法,所述新能源汽车的电池寿命检测方法包括:
创建目标电池的第一电池寿命检测方案,并对所述第一电池寿命检测方案进行方案解析,得到测试环境气压数据以及电池加热功率数据,以及根据所述测试环境气压数据和所述电池加热功率数据对所述目标电池进行电池测试;
对所述目标电池中的电池安全阀进行开启时间检测,得到安全阀开启时间数据,以及对所述目标电池进行电池热失控时间测定,得到电池热失控时间数据;
对所述测试环境气压数据和所述安全阀开启时间数据进行关系测定和特征提取,得到第一关系特征集合,并对所述第一关系特征集合进行向量编码,生成第一关系特征向量;
对所述电池加热功率数据和所述电池热失控时间数据进行关系测定和特征提取,得到第二关系特征集合,并对所述第二关系特征集合进行向量编码,生成第二关系特征向量;
将所述第一关系特征向量和所述第二关系特征向量输入预置的电池寿命预测模型进行电池寿命预测分析,得到初始电池寿命预测数据;
根据所述初始电池寿命预测数据,采用粒子群算法对所述第一电池寿命检测方案进行检测方案优化,得到第二电池寿命检测方案,并根据所述第二电池寿命检测方案对所述目标电池进行迭代测试,得到所述目标电池的目标电池寿命预测数据。
第二方面,本申请提供了一种新能源汽车的电池寿命检测系统,所述新能源汽车的电池寿命检测系统包括:
创建模块,用于创建目标电池的第一电池寿命检测方案,并对所述第一电池寿命检测方案进行方案解析,得到测试环境气压数据以及电池加热功率数据,以及根据所述测试环境气压数据和所述电池加热功率数据对所述目标电池进行电池测试;
检测模块,用于对所述目标电池中的电池安全阀进行开启时间检测,得到安全阀开启时间数据,以及对所述目标电池进行电池热失控时间测定,得到电池热失控时间数据;
测定模块,用于对所述测试环境气压数据和所述安全阀开启时间数据进行关系测定和特征提取,得到第一关系特征集合,并对所述第一关系特征集合进行向量编码,生成第一关系特征向量;
编码模块,用于对所述电池加热功率数据和所述电池热失控时间数据进行关系测定和特征提取,得到第二关系特征集合,并对所述第二关系特征集合进行向量编码,生成第二关系特征向量;
预测模块,用于将所述第一关系特征向量和所述第二关系特征向量输入预置的电池寿命预测模型进行电池寿命预测分析,得到初始电池寿命预测数据;
迭代模块,用于根据所述初始电池寿命预测数据,采用粒子群算法对所述第一电池寿命检测方案进行检测方案优化,得到第二电池寿命检测方案,并根据所述第二电池寿命检测方案对所述目标电池进行迭代测试,得到所述目标电池的目标电池寿命预测数据。
本申请提供的技术方案中,采用多种数据源和特征提取技术,包括环境气压、电池加热功率、安全阀开启时间和热失控时间等,通过复杂的分析和模型预测,能够提供更准确的电池寿命预测,有助于准确评估电池的使用寿命。通过粒子群算法的应用,能够对电池寿命检测方案进行优化,使其更加适应不同电池的特性和工作环境,提高了检测方案的效率和准确性。综合利用了环境气压和电池加热功率等多个数据源,通过关系测定和特征提取,将这些数据有机地结合起来,提供了更全面的电池性能评估。允许在初始寿命预测后对电池进行迭代测试,以不断改进预测准确性。这有助于提高电池管理的可操作性和效果。可以根据目标电池的参数属性信息自动适应不同型号和规格的电池,使其更具通用性和实用性。准确的电池寿命预测有助于提前预警电池的性能下降和故障,从而降低了维修成本,延长了电池的使用寿命,提高了新能源汽车电池的可靠性和可维护性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以基于这些附图获得其他的附图。
图1为本申请实施例中新能源汽车的电池寿命检测方法的一个实施例示意图;
图2为本申请实施例中新能源汽车的电池寿命检测系统的一个实施例示意图。
具体实施方式
本申请实施例提供了一种新能源汽车的电池寿命检测方法及系统。本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本申请实施例的具体流程进行描述,请参阅图1,本申请实施例中新能源汽车的电池寿命检测方法的一个实施例包括:
步骤S101、创建目标电池的第一电池寿命检测方案,并对第一电池寿命检测方案进行方案解析,得到测试环境气压数据以及电池加热功率数据,以及根据测试环境气压数据和电池加热功率数据对目标电池进行电池测试;
可以理解的是,本申请的执行主体可以为新能源汽车的电池寿命检测系统,还可以是终端或者服务器,具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。
具体的,首先,获取目标电池的参数属性信息,包括电池的类型、容量、设计寿命、使用环境等关键信息。基于这些参数属性信息,确定目标电池在不同工作条件下的环境气压范围和加热功率范围,电池的性能和寿命在不同的气压和温度条件下会有显著差异。确定这些范围后,根据环境气压范围和加热功率范围创建目标电池的第一电池寿命检测方案。这个方案将涵盖不同气压和加热条件下电池的预期表现和测试指标。接着,对第一电池寿命检测方案进行详细的方案解析,提炼出精确的测试环境气压数据和电池加热功率数据。解析过程中,需要考虑电池在实际使用过程中遇到的极端条件,以确保测试的全面性和准确性。在获取了这些关键数据之后,根据测试环境气压数据确定对应的多个测试环境气压值,同时根据电池加热功率数据确定对应的多个电池加热功率值。这些值应该覆盖从最低到最高的范围,以模拟电池在各种环境条件下的表现。最后,根据所确定的多个测试环境气压值及电池加热功率值对目标电池进行电池测试。这些测试应该包括电池的充放电循环性能、内阻变化、容量衰减、以及在不同气压和温度条件下的稳定性和安全性测试。
步骤S102、对目标电池中的电池安全阀进行开启时间检测,得到安全阀开启时间数据,以及对目标电池进行电池热失控时间测定,得到电池热失控时间数据;
具体的,首先,对目标电池中的电池安全阀进行开启时间检测,获取电池在达到临界压力或温度时安全阀开启的响应时间,这一数据反映了电池在安全临界点的反应速度和可靠性。同时,对目标电池进行电池热失控时间的测定,确定电池从开始出现温度异常到达到热失控状态所需的时间长度,这一数据有助于评估电池在极端条件下的安全性能和稳定性。接下来,分别对初始开启时间数据和初始热失控时间数据进行数据标准化处理。数据标准化将原始数据转换为一种更统一的格式,以便于更加准确和一致地进行比较和分析。这一过程将帮助消除来自不同电池或测试条件下的偏差,确保数据的一致性和可比性。通过标准化处理,可以获得标准开启时间数据和标准热失控时间数据,这些数据将为后续的分析和评估提供更可靠的基础。最后,对这些标准化后的数据进行离群点去除。离群点通常是由于测试误差、数据记录错误或电池本身的异常表现造成的,它们会对数据分析的准确性和电池性能的评估造成负面影响。通过识别和去除这些离群点,可以确保所得到的安全阀开启时间数据和电池热失控时间数据更加准确和可靠。
步骤S103、对测试环境气压数据和安全阀开启时间数据进行关系测定和特征提取,得到第一关系特征集合,并对第一关系特征集合进行向量编码,生成第一关系特征向量;
具体的,首先,计算测试环境气压数据的气压均值和气压标准差,这些数据代表了电池在测试过程中所处环境的平均气压条件以及气压波动的程度。同样,计算安全阀开启时间数据的均值和标准差,这些数据反映了电池在不同气压条件下安全阀响应时间的平均水平和变化范围。接下来,对气压均值数据、气压标准差数据、开启时间均值数据和开启时间标准差数据进行皮尔逊关系测定。皮尔逊关系系数是衡量两个变量之间线性相关程度的一个统计量,通过计算这一系数,可以定量地分析测试环境气压与安全阀开启时间之间的关联性,有助于揭示电池安全阀响应特性与外部环境气压之间的潜在联系。接着,对测试环境气压数据和安全阀开启时间数据进行特征提取,以形成第一关系特征集合。识别和提取那些对电池寿命和安全性能影响最大的数据特征,这包括气压和时间数据的极值、分布特性和波动模式。通过这些特征的提取,能够更深入地理解电池在不同测试条件下的行为和性能。最后,根据所得到的第一皮尔逊关系系数,对第一关系特征集合进行特征归一化和向量编码处理,从而生成第一关系特征向量。特征归一化是将不同量级和范围的特征数据转换为统一尺度的过程,这有助于消除数据间的偏差,提高后续模型分析的准确性。向量编码则是将这些归一化后的特征转换为一系列数值向量,使得它们能够被机器学习算法和模型更有效地处理和分析。
步骤S104、对电池加热功率数据和电池热失控时间数据进行关系测定和特征提取,得到第二关系特征集合,并对第二关系特征集合进行向量编码,生成第二关系特征向量;
具体的,首先,计算电池加热功率数据的功率均值和功率标准差,这些数据反映了电池在加热过程中的平均功率水平和功率变化的波动程度。同时,计算电池热失控时间数据的均值和标准差,这些数据展示了电池从开始加热到达到热失控状态的时间长度及其波动情况。接着,对功率均值数据、功率标准差数据、热失控时间均值数据和热失控时间标准差数据进行皮尔逊关系测定。皮尔逊关系系数能够量化这些变量之间的线性相关性,从而揭示电池加热功率与热失控时间之间的潜在联系。通过这一系数的计算,可以更准确地理解在不同加热功率下电池热失控时间的变化趋势。然后,对电池加热功率数据和电池热失控时间数据进行特征提取,从而得到第二关系特征集合。从原始数据中提取最能代表电池性能和安全特性的关键信息,如加热功率的极值、热失控时间的分布特性等。这些特征有助于更深入地理解电池在不同加热条件下的反应,还为后续的数据分析和模型训练提供基础。最后,根据获得的第二皮尔逊关系系数,对第二关系特征集合进行特征归一化和向量编码处理,生成第二关系特征向量。特征归一化是将不同特征的数据转换到同一标准,确保数据分析的一致性和准确性。向量编码则是将这些归一化后的特征转换成一系列数值向量,以便机器学习模型能够更有效地处理和分析。
步骤S105、将第一关系特征向量和第二关系特征向量输入预置的电池寿命预测模型进行电池寿命预测分析,得到初始电池寿命预测数据;
具体的,首先,将第一和第二关系特征向量输入预置的电池寿命预测模型进行电池寿命预测分析,电池寿命预测模型包括第一双向LSTM网络、第二双向LSTM网络、全连接网络和ReLU函数。将第一关系特征向量输入第一双向LSTM网络。双向LSTM网络能够有效捕捉时间序列数据中的前后关联特征,这有助于理解电池在不同环境条件下的行为模式。第一双向LSTM网络通过对第一关系特征向量进行时序关联特征提取,生成第一时序特征向量,这一向量包含了电池在特定测试环境气压和安全阀开启时间条件下的行为特征。随后,通过第二双向LSTM网络对第二关系特征向量进行时序关联特征提取,得到第二时序特征向量。通过第二双向LSTM网络的处理,可以从电池加热功率与热失控时间的关系中提取出重要的时序关联特征,形成第二时序特征向量。这一向量反映了电池在不同加热功率条件下的性能特征和热稳定性。接下来,通过全连接网络对这两个时序特征向量进行特征融合。全连接网络的作用在于将不同来源的特征数据合并,从而生成一个包含了电池全面性能特征的目标融合特征向量。特征融合能够整合电池在不同测试条件下的行为模式,为电池寿命预测提供更全面、更深入的数据支持。最后,通过ReLU(Rectified Linear Unit)函数对目标融合特征向量进行电池寿命预测求解。ReLU函数作为一种非线性激活函数,能够帮助模型更好地捕捉和解释特征数据中的非线性关系,从而提高电池寿命预测的准确性和可靠性。通过这个过程,模型最终生成了初始的电池寿命预测数据。这些数据反映了电池在当前测试条件下的预期寿命。
步骤S106、根据初始电池寿命预测数据,采用粒子群算法对第一电池寿命检测方案进行检测方案优化,得到第二电池寿命检测方案,并根据第二电池寿命检测方案对目标电池进行迭代测试,得到目标电池的目标电池寿命预测数据。
具体的,首先,基于初始电池寿命预测数据,确定目标电池所需的迭代测试次数。根据电池的初始性能评估来预测在不同测试条件下需要的测试次数,以便全面评估电池的寿命。接着,通过环境气压范围及加热功率范围,为目标电池的测试环境气压和电池加热功率生成一系列的随机初始值。这些随机值构成了随机测试环境气压值集合和随机电池加热功率值集合,为后续的粒子群算法提供了基础数据。随机化的方法有助于确保测试覆盖了电池遇到的各种不同环境条件,从而提高测试的全面性。通过粒子群算法,可以对随机生成的测试环境气压值集合和电池加热功率值集合进行粒子种群构建。粒子群算法通过模拟自然界中鸟群或鱼群的群体行为来寻找最优解,每个粒子代表了一个潜在的解决方案,即一套特定的测试条件组合。在构建了粒子种群之后,接下来对每个粒子的适应度进行计算,形成粒子适应度集合。这一计算过程考量的是每个粒子(即每套测试条件组合)对电池寿命预测准确度的影响。随后,对粒子适应度集合进行迭代计算和最优化求解。通过不断调整粒子的位置(即测试条件),根据粒子适应度的反馈信息寻找到最优的测试条件组合,即第二电池寿命检测方案。这个优化过程不仅提高了电池寿命预测的准确性,还增强了测试方案的适应性和灵活性。最终,根据得到的第二电池寿命检测方案和确定的迭代次数,对目标电池进行一系列的迭代测试。在这些迭代测试中,通过不断调整和优化测试条件,可以更加准确地模拟电池在实际使用中遇到的各种环境和负载条件。通过这些综合且深入的测试,最终获得目标电池的电池寿命预测数据。
本申请实施例中,采用多种数据源和特征提取技术,包括环境气压、电池加热功率、安全阀开启时间和热失控时间等,通过复杂的分析和模型预测,能够提供更准确的电池寿命预测,有助于准确评估电池的使用寿命。通过粒子群算法的应用,能够对电池寿命检测方案进行优化,使其更加适应不同电池的特性和工作环境,提高了检测方案的效率和准确性。综合利用了环境气压和电池加热功率等多个数据源,通过关系测定和特征提取,将这些数据有机地结合起来,提供了更全面的电池性能评估。允许在初始寿命预测后对电池进行迭代测试,以不断改进预测准确性。这有助于提高电池管理的可操作性和效果。可以根据目标电池的参数属性信息自动适应不同型号和规格的电池,使其更具通用性和实用性。准确的电池寿命预测有助于提前预警电池的性能下降和故障,从而降低了维修成本,延长了电池的使用寿命,提高了新能源汽车电池的可靠性和可维护性。
在一具体实施例中,执行步骤S101的过程可以具体包括如下步骤:
(1)获取目标电池的参数属性信息,并根据参数属性信息确定目标电池的环境气压范围以及加热功率范围;
(2)根据环境气压范围和加热功率范围创建目标电池的第一电池寿命检测方案;
(3)对第一电池寿命检测方案进行方案解析,得到测试环境气压数据以及电池加热功率数据;
(4)根据测试环境气压数据确定对应的多个测试环境气压值,并根据电池加热功率数据确定对应的多个电池加热功率值;
(5)根据多个测试环境气压值以及多个电池加热功率值,对目标电池进行电池测试。
具体的,首先,获取目标电池的参数属性信息,包括电池的化学类型、额定容量、标称电压、最大充电电流、设计寿命等关键参数。这些参数不仅决定了电池的基本工作原理,还影响着电池在不同环境条件下的性能表现。接下来,根据这些参数属性信息,确定目标电池在不同工作状态下所能承受的环境气压范围和加热功率范围。环境气压对电池的化学反应速率和散热能力有显著影响,而加热功率则直接关联到电池的热稳定性和安全性能。例如,如果一块电池在标准大气压下工作时表现良好,需要考虑在高海拔或低压环境中其性能的变化。接着,根据确定的环境气压范围和加热功率范围,创建目标电池的第一电池寿命检测方案。这个方案将详细规定在不同气压和温度条件下对电池进行的一系列测试,旨在全面评估电池在实际使用条件下的性能和安全性。然后,对第一电池寿命检测方案进行解析,以获取精确的测试环境气压数据和电池加热功率数据。通过对方案中的每个测试条件进行详细评估,确保测试能够覆盖电池在各种环境下的表现。例如,解析过程揭示在低气压条件下需要对电池进行更长时间的循环测试,或者在高加热功率下需要更频繁地监测电池的温度。随后,根据测试环境气压数据确定一系列具体的测试环境气压值,并根据电池加热功率数据确定相应的电池加热功率值。这些值应该覆盖从最低到最高的范围,以模拟电池在各种环境条件下的表现。最后,根据确定的多个测试环境气压值和多个电池加热功率值,对目标电池进行一系列电池测试。这些测试旨在模拟电池在实际使用过程中遇到的各种条件,以全面评估其性能和寿命。测试包括在不同气压和加热功率下进行的充放电循环测试、内阻测量、温度响应测试和安全性评估等。例如,在每个特定的气压和加热功率组合下,电池需要完成一定数量的充放电循环,同时监测其电压、电流、温度等关键参数的变化。通过这些综合的测试,可以获得关于电池在各种环境条件下的性能和预期寿命的数据。
在一具体实施例中,执行步骤S102的过程可以具体包括如下步骤:
(1)对目标电池中的电池安全阀进行开启时间检测,得到初始开启时间数据,并对目标电池进行电池热失控时间测定,得到初始热失控时间数据;
(2)分别对初始开启时间数据和初始热失控时间数据进行数据标准化处理,得到标准开启时间数据和标准热失控时间数据;
(3)分别对标准开启时间数据和标准热失控时间数据进行离群点去除,得到安全阀开启时间数据和电池热失控时间数据。
具体的,首先,对目标电池中的电池安全阀进行开启时间检测,测量从电池达到临界状态到安全阀实际开启的时间长度。接下来,对目标电池进行电池热失控时间的测定,测量电池从开始显著升温到达到热失控状态的时间长度。接下来,分别对初始开启时间数据和初始热失控时间数据进行数据标准化处理。数据标准化将原始数据转换为更一致的格式,以便于分析和比较。在这一过程中,可以使用标准化公式,如将每个测量值减去平均值后除以标准差,从而使数据符合标准正态分布。接着,对标准化后的开启时间数据和热失控时间数据进行离群点去除。离群点通常是由于实验误差、数据记录错误或电池本身的异常表现造成的,会扭曲整体数据分析的结果。例如,如果在一系列开启时间测试中的一个测试结果远远超出了其余测试的范围,这表明在该测试中出现了某种异常,应该从数据集中排除。离群点的去除通常采用统计方法,如基于标准差的方法,其中会剔除那些超出平均值两个标准差以上或以下的数据点。这样处理后,得到的安全阀开启时间数据和电池热失控时间数据将更加可靠和代表性。
在一具体实施例中,执行步骤S103的过程可以具体包括如下步骤:
(1)计算测试环境气压数据的气压均值数据和气压标准差数据,并计算安全阀开启时间数据的开启时间均值数据和开启时间标准差数据;
(2)对气压均值数据、气压标准差数据、开启时间均值数据和开启时间标准差数据进行皮尔逊关系测定,得到第一皮尔逊关系系数;
(3)对测试环境气压数据和安全阀开启时间数据进行特征提取,得到第一关系特征集合;
(4)根据第一皮尔逊关系系数,对第一关系特征集合进行特征归一化和向量编码处理,生成第一关系特征向量。
具体的,首先,计算测试环境气压数据的均值和标准差,以及安全阀开启时间数据的均值和标准差。接下来,对气压均值数据、气压标准差数据、开启时间均值数据和开启时间标准差数据进行皮尔逊关系测定。皮尔逊关系系数是衡量两个变量之间线性相关程度的统计量,可以揭示气压条件与安全阀开启时间之间的关联性。例如,如果皮尔逊关系系数接近1或-1,则意味着两者之间存在较强的正相关或负相关关系;如果系数接近0,则表明它们之间没有明显的线性关系。接着,对测试环境气压数据和安全阀开启时间数据进行特征提取,得到第一关系特征集合。从原始数据中识别出对电池寿命影响最大的特征,例如,气压和安全阀开启时间的极值、频率分布特性等。从而筛选出最能反映电池安全性能的关键指标,为后续的数据处理和分析提供依据。最后,根据第一皮尔逊关系系数,对第一关系特征集合进行特征归一化和向量编码处理,以生成第一关系特征向量。特征归一化是将特征数据调整到同一尺度上的过程,这有助于在后续分析中消除不同特征间的规模差异,确保每个特征对结果的贡献是平等的。向量编码则是将归一化后的特征转换为一系列数值向量,这些向量可以被机器学习模型有效处理。例如,如果第一关系特征集合中包含气压均值、气压标准差、开启时间均值和开启时间标准差四个特征,通过归一化和编码,这些特征将被转换为适用于模型输入的格式。
在一具体实施例中,执行步骤S104的过程可以具体包括如下步骤:
(1)计算电池加热功率数据的功率均值数据和功率标准差数据,并计算电池热失控时间数据的热失控时间均值数据和热失控时间标准差数据;
(2)对功率均值数据、功率标准差数据、热失控时间均值数据和热失控时间标准差数据进行皮尔逊关系测定,得到第二皮尔逊关系系数;
(3)对电池加热功率数据和电池热失控时间数据进行特征提取,得到第二关系特征集合;
(4)根据第二皮尔逊关系系数,对第二关系特征集合进行特征归一化和向量编码处理,生成第二关系特征向量。
具体的,首先,计算电池加热功率数据的功率均值和标准差,以及电池热失控时间数据的热失控时间均值和标准差。通过计算这些数据的均值和标准差,可以得到电池在不同加热条件下的平均热失控时间及其变化范围。接下来,对功率均值数据、功率标准差数据、热失控时间均值数据和热失控时间标准差数据进行皮尔逊关系测定。皮尔逊关系系数是衡量两组数据间线性相关程度的统计指标,能揭示电池加热功率与热失控时间之间的关联性。例如,如果计算得出的皮尔逊关系系数接近1,表明加热功率和热失控时间之间存在强正相关关系,即加热功率越高,电池越容易快速达到热失控状态。接着,对电池加热功率数据和电池热失控时间数据进行特征提取,以形成第二关系特征集合。从原始数据中提取最能代表电池在不同加热条件下反应的关键特征,如加热功率的峰值、热失控时间的平均值和变异系数等。这些特征能够提供关于电池在不同加热功率下的性能和安全性的深入见解。例如,通过分析在较高加热功率下电池热失控时间的减少幅度,可以评估电池的热稳定性和安全风险。最后,根据第二皮尔逊关系系数,对第二关系特征集合进行特征归一化和向量编码处理,生成第二关系特征向量。将提取的特征转化为机器学习模型可以有效处理的格式。特征归一化有助于消除不同特征间的规模差异,使得每个特征对最终模型的贡献平等。向量编码则是将归一化后的特征转换成数值向量,这些向量将作为电池寿命预测模型的输入。例如,如果第二关系特征集合包括了加热功率的均值和标准差、热失控时间的均值和标准差,这些数据将通过归一化和编码转换为一组数值,可以直接输入到电池寿命预测模型中。
在一具体实施例中,执行步骤S105的过程可以具体包括如下步骤:
(1)将第一关系特征向量和第二关系特征向量输入预置的电池寿命预测模型,电池寿命预测模型包括:第一双向LSTM网络、第二双向LSTM网络、全连接网络和ReLU函数;
(2)通过第一双向LSTM网络对第一关系特征向量进行时序关联特征提取,得到第一时序特征向量;
(3)通过第二双向LSTM网络对第二关系特征向量进行时序关联特征提取,得到第二时序特征向量;
(4)通过全连接网络对第一时序特征向量和第二时序特征向量进行特征融合,得到目标融合特征向量;
(5)通过ReLU函数对目标融合特征向量进行电池寿命预测求解,得到初始电池寿命预测数据。
具体的,首先,将第一和第二关系特征向量输入到一个预置的电池寿命预测模型中。这个模型包括第一双向LSTM网络和第二双向LSTM网络,以及后续的全连接网络和ReLU函数。双向LSTM网络是一种特殊类型的循环神经网络(RNN),它能够有效地处理和分析时间序列数据。不同于传统的RNN,双向LSTM可以同时考虑过去和未来的信息,从而提高特征提取的准确性。例如,假设第一关系特征向量包含了电池在不同测试环境气压下的安全阀开启时间数据,第一双向LSTM网络就能够捕捉这些时间序列数据中的关键时序关联特征,生成第一时序特征向量。这个向量包含了从历史数据到未来趋势的全面信息,为理解电池在不同气压条件下的行为提供了深入的视角。同样的处理也适用于第二关系特征向量,它包含了电池在不同加热功率下的热失控时间数据。通过第二双向LSTM网络的处理,可以提取出电池在不同加热条件下的时序关联特征,生成第二时序特征向量。这一向量揭示了电池的热反应模式,帮助理解加热功率如何影响电池的热稳定性和安全性能。接下来,通过全连接网络对这两个时序特征向量进行特征融合。全连接网络的作用是将不同的特征数据整合到一起,生成一个包含电池综合性能特征的目标融合特征向量。例如,这个融合过程可以结合气压下的安全反应特征和加热条件下的热稳定性特征,为电池寿命预测提供更全面的视角。最后,通过ReLU(Rectified Linear Unit)函数对目标融合特征向量进行电池寿命预测求解。ReLU函数作为一种非线性激活函数,可以帮助模型更好地捕捉和解释特征数据中的非线性关系,从而提高电池寿命预测的准确性。通过这个过程,模型最终生成了初始的电池寿命预测数据。这些数据反映了电池在当前测试条件下的预期寿命。
在一具体实施例中,执行步骤S106的过程可以具体包括如下步骤:
(1)根据初始电池寿命预测数据生成目标电池的迭代次数;
(2)通过环境气压范围以及加热功率范围对目标电池的测试环境气压和电池加热功率进行随机初始值生成,得到对应的随机测试环境气压值集合以及随机电池加热功率值集合;
(3)通过粒子群算法对随机测试环境气压值集合以及随机电池加热功率值集合进行粒子种群构建,得到粒子种群;
(4)对粒子种群进行粒子适应度计算,得到粒子种群对应的粒子适应度集合,并对粒子适应度集合进行迭代计算和最优化求解,得到第二电池寿命检测方案;
(5)根据第二电池寿命检测方案和迭代次数,对目标电池进行迭代测试,得到目标电池的目标电池寿命预测数据。
具体的,首先,根据初始电池寿命预测数据确定目标电池需要进行的迭代测试次数。例如,如果初始预测显示电池在标准测试条件下的寿命较短,需要更多的迭代测试来精确评估电池在各种条件下的实际表现。接着,根据环境气压范围以及加热功率范围,对目标电池的测试环境气压和电池加热功率进行随机初始值生成。这些随机生成的值构成了随机测试环境气压值集合和随机电池加热功率值集合,为后续的粒子群优化提供了基础。随后,通过粒子群算法对随机测试环境气压值集合以及随机电池加热功率值集合进行粒子种群构建。粒子群算法是一种基于群体智能的优化算法,通过将随机测试环境气压值集合和随机电池加热功率值集合作为粒子种群的初始位置,可以构建一个多样化的解空间。每个粒子代表了一种特定的测试条件组合,即一种的电池寿命检测方案。随后,对每个粒子的适应度进行计算。粒子的适应度是衡量其代表的测试方案对于提高电池寿命预测准确性的有效性。适应度计算可以基于多种因素,如电池在特定测试条件下的性能指标和预期寿命。例如,如果某个粒子代表的测试条件能够更准确地模拟电池在实际使用中的表现,那么这个粒子的适应度将会更高。接着,进行粒子适应度集合的迭代计算和最优化求解,目的是找到最优的电池寿命检测方案。这个过程通过不断调整粒子的位置和速度(即调整测试条件),根据适应度反馈来搜索最佳的测试方案。最终,根据得到的第二电池寿命检测方案和确定的迭代次数,对目标电池进行迭代测试。通过模拟电池在实际使用过程中遇到的各种条件,以全面评估其性能和预期寿命。
上面对本申请实施例中新能源汽车的电池寿命检测方法进行了描述,下面对本申请实施例中新能源汽车的电池寿命检测系统进行描述,请参阅图2,本申请实施例中新能源汽车的电池寿命检测系统一个实施例包括:
创建模块201,用于创建目标电池的第一电池寿命检测方案,并对所述第一电池寿命检测方案进行方案解析,得到测试环境气压数据以及电池加热功率数据,以及根据所述测试环境气压数据和所述电池加热功率数据对所述目标电池进行电池测试;
检测模块202,用于对所述目标电池中的电池安全阀进行开启时间检测,得到安全阀开启时间数据,以及对所述目标电池进行电池热失控时间测定,得到电池热失控时间数据;
测定模块203,用于对所述测试环境气压数据和所述安全阀开启时间数据进行关系测定和特征提取,得到第一关系特征集合,并对所述第一关系特征集合进行向量编码,生成第一关系特征向量;
编码模块204,用于对所述电池加热功率数据和所述电池热失控时间数据进行关系测定和特征提取,得到第二关系特征集合,并对所述第二关系特征集合进行向量编码,生成第二关系特征向量;
预测模块205,用于将所述第一关系特征向量和所述第二关系特征向量输入预置的电池寿命预测模型进行电池寿命预测分析,得到初始电池寿命预测数据;
迭代模块206,用于根据所述初始电池寿命预测数据,采用粒子群算法对所述第一电池寿命检测方案进行检测方案优化,得到第二电池寿命检测方案,并根据所述第二电池寿命检测方案对所述目标电池进行迭代测试,得到所述目标电池的目标电池寿命预测数据。
通过上述各个组成部分的协同合作,采用多种数据源和特征提取技术,包括环境气压、电池加热功率、安全阀开启时间和热失控时间等,通过复杂的分析和模型预测,能够提供更准确的电池寿命预测,有助于准确评估电池的使用寿命。通过粒子群算法的应用,能够对电池寿命检测方案进行优化,使其更加适应不同电池的特性和工作环境,提高了检测方案的效率和准确性。综合利用了环境气压和电池加热功率等多个数据源,通过关系测定和特征提取,将这些数据有机地结合起来,提供了更全面的电池性能评估。允许在初始寿命预测后对电池进行迭代测试,以不断改进预测准确性。这有助于提高电池管理的可操作性和效果。可以根据目标电池的参数属性信息自动适应不同型号和规格的电池,使其更具通用性和实用性。准确的电池寿命预测有助于提前预警电池的性能下降和故障,从而降低了维修成本,延长了电池的使用寿命,提高了新能源汽车电池的可靠性和可维护性。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,系统和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random acceS memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (8)
1.一种新能源汽车的电池寿命检测方法,其特征在于,所述新能源汽车的电池寿命检测方法包括:
创建目标电池的第一电池寿命检测方案,并对所述第一电池寿命检测方案进行方案解析,得到测试环境气压数据以及电池加热功率数据,以及根据所述测试环境气压数据和所述电池加热功率数据对所述目标电池进行电池测试;
对所述目标电池中的电池安全阀进行开启时间检测,得到安全阀开启时间数据,以及对所述目标电池进行电池热失控时间测定,得到电池热失控时间数据;
对所述测试环境气压数据和所述安全阀开启时间数据进行关系测定和特征提取,得到第一关系特征集合,并对所述第一关系特征集合进行向量编码,生成第一关系特征向量;
对所述电池加热功率数据和所述电池热失控时间数据进行关系测定和特征提取,得到第二关系特征集合,并对所述第二关系特征集合进行向量编码,生成第二关系特征向量;
将所述第一关系特征向量和所述第二关系特征向量输入预置的电池寿命预测模型进行电池寿命预测分析,得到初始电池寿命预测数据;
根据所述初始电池寿命预测数据,采用粒子群算法对所述第一电池寿命检测方案进行检测方案优化,得到第二电池寿命检测方案,并根据所述第二电池寿命检测方案对所述目标电池进行迭代测试,得到所述目标电池的目标电池寿命预测数据。
2.根据权利要求1所述的新能源汽车的电池寿命检测方法,其特征在于,所述创建目标电池的第一电池寿命检测方案,并对所述第一电池寿命检测方案进行方案解析,得到测试环境气压数据以及电池加热功率数据,以及根据所述测试环境气压数据和所述电池加热功率数据对所述目标电池进行电池测试,包括:
获取目标电池的参数属性信息,并根据所述参数属性信息确定所述目标电池的环境气压范围以及加热功率范围;
根据所述环境气压范围和所述加热功率范围创建所述目标电池的第一电池寿命检测方案;
对所述第一电池寿命检测方案进行方案解析,得到测试环境气压数据以及电池加热功率数据;
根据所述测试环境气压数据确定对应的多个测试环境气压值,并根据所述电池加热功率数据确定对应的多个电池加热功率值;
根据所述多个测试环境气压值以及所述多个电池加热功率值,对所述目标电池进行电池测试。
3.根据权利要求1所述的新能源汽车的电池寿命检测方法,其特征在于,所述对所述目标电池中的电池安全阀进行开启时间检测,得到安全阀开启时间数据,以及对所述目标电池进行电池热失控时间测定,得到电池热失控时间数据,包括:
对所述目标电池中的电池安全阀进行开启时间检测,得到初始开启时间数据,并对所述目标电池进行电池热失控时间测定,得到初始热失控时间数据;
分别对所述初始开启时间数据和所述初始热失控时间数据进行数据标准化处理,得到标准开启时间数据和标准热失控时间数据;
分别对所述标准开启时间数据和所述标准热失控时间数据进行离群点去除,得到安全阀开启时间数据和电池热失控时间数据。
4.根据权利要求1所述的新能源汽车的电池寿命检测方法,其特征在于,所述对所述测试环境气压数据和所述安全阀开启时间数据进行关系测定和特征提取,得到第一关系特征集合,并对所述第一关系特征集合进行向量编码,生成第一关系特征向量,包括:
计算所述测试环境气压数据的气压均值数据和气压标准差数据,并计算所述安全阀开启时间数据的开启时间均值数据和开启时间标准差数据;
对所述气压均值数据、所述气压标准差数据、所述开启时间均值数据和所述开启时间标准差数据进行皮尔逊关系测定,得到第一皮尔逊关系系数;
对所述测试环境气压数据和所述安全阀开启时间数据进行特征提取,得到第一关系特征集合;
根据所述第一皮尔逊关系系数,对所述第一关系特征集合进行特征归一化和向量编码处理,生成第一关系特征向量。
5.根据权利要求1所述的新能源汽车的电池寿命检测方法,其特征在于,所述对所述电池加热功率数据和所述电池热失控时间数据进行关系测定和特征提取,得到第二关系特征集合,并对所述第二关系特征集合进行向量编码,生成第二关系特征向量,包括:
计算所述电池加热功率数据的功率均值数据和功率标准差数据,并计算所述电池热失控时间数据的热失控时间均值数据和热失控时间标准差数据;
对所述功率均值数据、所述功率标准差数据、所述热失控时间均值数据和所述热失控时间标准差数据进行皮尔逊关系测定,得到第二皮尔逊关系系数;
对所述电池加热功率数据和所述电池热失控时间数据进行特征提取,得到第二关系特征集合;
根据所述第二皮尔逊关系系数,对所述第二关系特征集合进行特征归一化和向量编码处理,生成第二关系特征向量。
6.根据权利要求1所述的新能源汽车的电池寿命检测方法,其特征在于,所述将所述第一关系特征向量和所述第二关系特征向量输入预置的电池寿命预测模型进行电池寿命预测分析,得到初始电池寿命预测数据,包括:
将所述第一关系特征向量和所述第二关系特征向量输入预置的电池寿命预测模型,所述电池寿命预测模型包括:第一双向LSTM网络、第二双向LSTM网络、全连接网络和ReLU函数;
通过所述第一双向LSTM网络对所述第一关系特征向量进行时序关联特征提取,得到第一时序特征向量;
通过所述第二双向LSTM网络对所述第二关系特征向量进行时序关联特征提取,得到第二时序特征向量;
通过所述全连接网络对所述第一时序特征向量和所述第二时序特征向量进行特征融合,得到目标融合特征向量;
通过所述ReLU函数对所述目标融合特征向量进行电池寿命预测求解,得到初始电池寿命预测数据。
7.根据权利要求2所述的新能源汽车的电池寿命检测方法,其特征在于,所述根据所述初始电池寿命预测数据,采用粒子群算法对所述第一电池寿命检测方案进行检测方案优化,得到第二电池寿命检测方案,并根据所述第二电池寿命检测方案对所述目标电池进行迭代测试,得到所述目标电池的目标电池寿命预测数据,包括:
根据所述初始电池寿命预测数据生成所述目标电池的迭代次数;
通过所述环境气压范围以及加热功率范围对所述目标电池的测试环境气压和电池加热功率进行随机初始值生成,得到对应的随机测试环境气压值集合以及随机电池加热功率值集合;
通过粒子群算法对所述随机测试环境气压值集合以及所述随机电池加热功率值集合进行粒子种群构建,得到粒子种群;
对所述粒子种群进行粒子适应度计算,得到所述粒子种群对应的粒子适应度集合,并对所述粒子适应度集合进行迭代计算和最优化求解,得到第二电池寿命检测方案;
根据所述第二电池寿命检测方案和所述迭代次数,对所述目标电池进行迭代测试,得到所述目标电池的目标电池寿命预测数据。
8.一种新能源汽车的电池寿命检测系统,其特征在于,所述新能源汽车的电池寿命检测系统包括:
创建模块,用于创建目标电池的第一电池寿命检测方案,并对所述第一电池寿命检测方案进行方案解析,得到测试环境气压数据以及电池加热功率数据,以及根据所述测试环境气压数据和所述电池加热功率数据对所述目标电池进行电池测试;
检测模块,用于对所述目标电池中的电池安全阀进行开启时间检测,得到安全阀开启时间数据,以及对所述目标电池进行电池热失控时间测定,得到电池热失控时间数据;
测定模块,用于对所述测试环境气压数据和所述安全阀开启时间数据进行关系测定和特征提取,得到第一关系特征集合,并对所述第一关系特征集合进行向量编码,生成第一关系特征向量;
编码模块,用于对所述电池加热功率数据和所述电池热失控时间数据进行关系测定和特征提取,得到第二关系特征集合,并对所述第二关系特征集合进行向量编码,生成第二关系特征向量;
预测模块,用于将所述第一关系特征向量和所述第二关系特征向量输入预置的电池寿命预测模型进行电池寿命预测分析,得到初始电池寿命预测数据;
迭代模块,用于根据所述初始电池寿命预测数据,采用粒子群算法对所述第一电池寿命检测方案进行检测方案优化,得到第二电池寿命检测方案,并根据所述第二电池寿命检测方案对所述目标电池进行迭代测试,得到所述目标电池的目标电池寿命预测数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311797476.8A CN117452236B (zh) | 2023-12-26 | 2023-12-26 | 新能源汽车的电池寿命检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311797476.8A CN117452236B (zh) | 2023-12-26 | 2023-12-26 | 新能源汽车的电池寿命检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117452236A true CN117452236A (zh) | 2024-01-26 |
CN117452236B CN117452236B (zh) | 2024-03-15 |
Family
ID=89595222
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311797476.8A Active CN117452236B (zh) | 2023-12-26 | 2023-12-26 | 新能源汽车的电池寿命检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117452236B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180143257A1 (en) * | 2016-11-21 | 2018-05-24 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
JP2018098032A (ja) * | 2016-12-13 | 2018-06-21 | トヨタ自動車株式会社 | 電池システム |
CN108732499A (zh) * | 2017-04-13 | 2018-11-02 | 中国电力科学研究院 | 一种检测锂离子电池循环寿命的方法和系统 |
CN110389300A (zh) * | 2019-08-16 | 2019-10-29 | 福建易动力电子科技股份有限公司 | 一种锂电池热扩散试验装置与试验方法 |
DE102019204284A1 (de) * | 2019-03-27 | 2020-07-23 | Vitesco Technologies GmbH | Verfahren und Anordnung zur Zustandsbestimmung einer Batterievorrichtung |
KR20200102923A (ko) * | 2019-02-22 | 2020-09-01 | 주식회사 엘지화학 | 배터리 상태 추정 장치 및 방법 |
CN211786001U (zh) * | 2020-01-16 | 2020-10-27 | 湖州师范学院 | 一种锂电池老化检测装置 |
CN112379297A (zh) * | 2020-10-22 | 2021-02-19 | 欣旺达电动汽车电池有限公司 | 电池系统寿命预测方法、装置、设备及存储介质 |
CN113671394A (zh) * | 2021-08-16 | 2021-11-19 | 中国华能集团清洁能源技术研究院有限公司 | 一种锂离子电池期望寿命预测方法及系统 |
CN113985294A (zh) * | 2021-12-29 | 2022-01-28 | 山东大学 | 一种电池剩余寿命的预估方法及装置 |
CN114705999A (zh) * | 2022-03-01 | 2022-07-05 | 广州小鹏汽车科技有限公司 | 电池热失控测试方法和电池热失控测试设备 |
WO2022268043A1 (zh) * | 2021-06-22 | 2022-12-29 | 重庆邮电大学工业互联网研究院 | 一种基于混合神经模型的数控机床刀具剩余寿命预测方法 |
WO2023001828A1 (de) * | 2021-07-22 | 2023-01-26 | Vitesco Technologies GmbH | Batteriemanagement-verfahren und batteriemanagement-system für eine bordnetz-batterie eines hybrid-kraftfahrzeugs |
CN116973761A (zh) * | 2023-07-11 | 2023-10-31 | 黄河交通学院 | 基于粒子群算法下的动力电池剩余使用寿命预测方法 |
CN117192383A (zh) * | 2023-11-06 | 2023-12-08 | 宁德时代新能源科技股份有限公司 | 电池寿命的确定方法、装置、设备及介质 |
-
2023
- 2023-12-26 CN CN202311797476.8A patent/CN117452236B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180143257A1 (en) * | 2016-11-21 | 2018-05-24 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
JP2018098032A (ja) * | 2016-12-13 | 2018-06-21 | トヨタ自動車株式会社 | 電池システム |
CN108732499A (zh) * | 2017-04-13 | 2018-11-02 | 中国电力科学研究院 | 一种检测锂离子电池循环寿命的方法和系统 |
KR20200102923A (ko) * | 2019-02-22 | 2020-09-01 | 주식회사 엘지화학 | 배터리 상태 추정 장치 및 방법 |
DE102019204284A1 (de) * | 2019-03-27 | 2020-07-23 | Vitesco Technologies GmbH | Verfahren und Anordnung zur Zustandsbestimmung einer Batterievorrichtung |
CN110389300A (zh) * | 2019-08-16 | 2019-10-29 | 福建易动力电子科技股份有限公司 | 一种锂电池热扩散试验装置与试验方法 |
CN211786001U (zh) * | 2020-01-16 | 2020-10-27 | 湖州师范学院 | 一种锂电池老化检测装置 |
CN112379297A (zh) * | 2020-10-22 | 2021-02-19 | 欣旺达电动汽车电池有限公司 | 电池系统寿命预测方法、装置、设备及存储介质 |
WO2022268043A1 (zh) * | 2021-06-22 | 2022-12-29 | 重庆邮电大学工业互联网研究院 | 一种基于混合神经模型的数控机床刀具剩余寿命预测方法 |
WO2023001828A1 (de) * | 2021-07-22 | 2023-01-26 | Vitesco Technologies GmbH | Batteriemanagement-verfahren und batteriemanagement-system für eine bordnetz-batterie eines hybrid-kraftfahrzeugs |
CN113671394A (zh) * | 2021-08-16 | 2021-11-19 | 中国华能集团清洁能源技术研究院有限公司 | 一种锂离子电池期望寿命预测方法及系统 |
CN113985294A (zh) * | 2021-12-29 | 2022-01-28 | 山东大学 | 一种电池剩余寿命的预估方法及装置 |
CN114705999A (zh) * | 2022-03-01 | 2022-07-05 | 广州小鹏汽车科技有限公司 | 电池热失控测试方法和电池热失控测试设备 |
CN116973761A (zh) * | 2023-07-11 | 2023-10-31 | 黄河交通学院 | 基于粒子群算法下的动力电池剩余使用寿命预测方法 |
CN117192383A (zh) * | 2023-11-06 | 2023-12-08 | 宁德时代新能源科技股份有限公司 | 电池寿命的确定方法、装置、设备及介质 |
Non-Patent Citations (3)
Title |
---|
SIDDHI MARATHE ET AL.: "Numerical Investigations on Air Cooled Li-Ion Battery Modules for Effective Thermal Management", 2021 IEEE TRANSPORTATION ELECTRIFICATION CONFERENCE (ITEC-INDIA), 9 November 2022 (2022-11-09), pages 1 - 6 * |
廖成龙 等: "动力锂电池系统运行环境条件对其性能影响的研究", 化工新型材料, no. 07, 15 July 2020 (2020-07-15), pages 173 - 176 * |
贺元骅 等: "热处理对锂离子电池热安全特性的影响", 科学技术与工程, no. 20, 18 July 2020 (2020-07-18), pages 447 - 451 * |
Also Published As
Publication number | Publication date |
---|---|
CN117452236B (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
CN112763929B (zh) | 一种储能电站系统电池单体健康预测方法及装置 | |
KR102354112B1 (ko) | 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법 | |
Widodo et al. | Intelligent prognostics for battery health monitoring based on sample entropy | |
Chen et al. | Remaining useful life prediction of battery using a novel indicator and framework with fractional grey model and unscented particle filter | |
CN112630662B (zh) | 一种基于数据驱动及多参数融合的动力电池soh估算方法 | |
CN113447828B (zh) | 一种基于贝叶斯神经网络的锂电池温度估计方法及系统 | |
CN113109715A (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 | |
CN116643178B (zh) | 一种电池管理系统的soc估算方法及相关装置 | |
CN117074965B (zh) | 一种锂离子电池剩余寿命预测方法及系统 | |
Li et al. | A comparative study of data-driven prognostic approaches: Stochastic and statistical models | |
CN117368745B (zh) | 基于深度学习的硬包锂电池安全监测方法及装置 | |
CN116660759B (zh) | 基于bms电池管理系统的电池寿命预测方法及装置 | |
CN117452236B (zh) | 新能源汽车的电池寿命检测方法及系统 | |
Sohn et al. | CNN-based Online Diagnosis of Knee-point in Li-ion Battery Capacity Fade Curve | |
CN117169761A (zh) | 电池状态评估方法、装置、设备、存储介质和程序产品 | |
Melendez et al. | Self-supervised Multi-stage Estimation of Remaining Useful Life for Electric Drive Units | |
CN116658412A (zh) | 压缩机气缸故障监测方法及氢气压缩机 | |
CN117330987B (zh) | 基于时间的电池健康状态评估的方法、系统、介质和设备 | |
CN111337764A (zh) | 充电桩故障诊断系统、方法及存储介质 | |
CN117554825B (zh) | 电动汽车的充电安全性能检测方法及系统 | |
CN117708508B (zh) | 隔离开关刀闸寿命预测方法、装置、设备及存储介质 | |
CN117439146B (zh) | 充电桩的数据分析控制方法及系统 | |
CN117743970A (zh) | 基于ai数据重构和整数优化的退役电池热失控预警方法 | |
CN117471346A (zh) | 用于确定退役电池模组剩余寿命和健康状态的方法及系统 |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Zhou Yehua Inventor after: Liao Wuming Inventor after: Wang Haofeng Inventor after: Li Yuansheng Inventor before: Zhou Yehua Inventor before: Chen Meng Inventor before: Ling Xinyin Inventor before: Luo Xiaojuan |