CN117517993B - 基于电芯性能评估的车辆电池能量智能管理方法及系统 - Google Patents
基于电芯性能评估的车辆电池能量智能管理方法及系统 Download PDFInfo
- Publication number
- CN117517993B CN117517993B CN202311466393.0A CN202311466393A CN117517993B CN 117517993 B CN117517993 B CN 117517993B CN 202311466393 A CN202311466393 A CN 202311466393A CN 117517993 B CN117517993 B CN 117517993B
- Authority
- CN
- China
- Prior art keywords
- battery
- performance
- performance data
- data
- battery cell
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 84
- 238000007726 management method Methods 0.000 title claims abstract description 60
- 230000002159 abnormal effect Effects 0.000 claims abstract description 110
- 238000012937 correction Methods 0.000 claims abstract description 83
- 230000008859 change Effects 0.000 claims description 57
- 208000028659 discharge Diseases 0.000 claims description 53
- 238000000034 method Methods 0.000 claims description 48
- 230000008569 process Effects 0.000 claims description 31
- 238000007599 discharging Methods 0.000 claims description 22
- 125000004122 cyclic group Chemical group 0.000 claims description 16
- 238000012549 training Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 12
- 238000013480 data collection Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000010835 comparative analysis Methods 0.000 claims description 6
- 230000007423 decrease Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 230000005587 bubbling Effects 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000015654 memory Effects 0.000 abstract description 6
- 238000012423 maintenance Methods 0.000 description 24
- 230000005856 abnormality Effects 0.000 description 12
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005059 dormancy Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 239000002699 waste material Substances 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]
- G01R31/385—Arrangements for measuring battery or accumulator 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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种基于电芯性能评估的车辆电池能量智能管理方法及系统,旨在实现对电芯的性能数据进行自适应校正操作,减小对电芯性能数据采集的误差,提供高效的电池管理策略。首先,通过收集车辆行车电脑中采集的性能数据与电芯实际性能数据进行比较分析,计算电芯性能数据的采集误差率,对采集的电芯性能数据自适应校正。随后,采用长短时记忆网络构建电芯性能预测模型,对电芯性能进行预测。最后,基于异常性能预警信息和电芯性能预测结果,生成车辆电池的能量动态管理策略,本发明提供了一种全面、智能的车辆电池管理方法,可提高电池性能的有效利用,延长电池寿命,以及提供更可靠的电池性能预测。
Description
技术领域
本发明涉及电芯性能评估技术领域,特别涉及一种基于电芯性能评估的车辆电池能量智能管理方法及系统。
背景技术
目前汽车已经在电子电气化、网联化上持续发展,车辆的电子电气技术的发展使车辆更加智能化和复杂化,随着新能源汽车环保、轻量化、防止电池馈电的需求,汽车电池能够满足环保、低温启动、远程监控、定时补电以及0TA的功能。由于电芯的性能数据的采集作为车辆的重要参数决定电池系统控制逻辑,如补电、休眠控制、均衡控制等策略,车辆电池性能的有效管理和维护对于延长电池寿命、提高车辆续航里程、降低维护成本至关重要。电池性能受多种因素影响,包括充放电循环次数、电流、电压负载等。由于这些因素的复杂性,电池性能的监测和管理变得复杂而具有挑战性。
传统的电池管理方法通常基于电池的理论寿命进行简单的估算,但这种方法无法精确反映电池实际性能的变化,因此可能导致电池寿命的浪费和电池性能的下降,进而影响车辆行车电脑对车辆元器件的控制逻辑。另外,电池的性能数据采集由于ADC偏移,造成增益误差,采样线束上数据传输损耗,造成数据采集误差。因此需要一种更为智能、精确的电池管理方法。
因此,有必要提供一种基于电芯性能评估的车辆电池能量智能管理方法及系统,以克服上述问题,提高电池管理的精确性和效率,延长电池寿命,降低电芯性能数据的采集误差,确保电芯性能数据的采集精度,保证车辆行车电脑对电池控制逻辑的准确性。
发明内容
为了解决上述至少一个技术问题,本发明提出了一种基于电芯性能评估的车辆电池能量智能管理方法及系统。
本发明第一方面提供了一种基于电芯性能评估的车辆电池能量智能管理方法,包括:
获取车辆电池中电芯的采集性能数据和循环充放电次数,所述性能数据包括电芯的电压、电流、容量、内阻、自放电率;
对车辆电池中电芯的实际性能进行检测,得到实际性能数据,根据实际性能数据与采集性能数据进行对比分析,计算采集性能数据与实际性能数据的误差,得到电芯的性能数据采集误差率;
根据所述电芯的性能数据采集误差率,对行车电脑中采集的电芯性能数据进行自适应校正,得到自适应校正电芯性能数据;
基于自适应校正电芯性能数据对电芯进行性能评估,得到电芯性能评估结果,根据所述电芯性能评估结果对车辆电池进行异常性能预警,得到电池异常性能预警信息;
基于LSTM构建电芯性能预测模型,将所述自适应校正电芯性能数据导入所述电芯性能预测模型中对电芯的性能进行预测,得到电芯性能预测结果;
根据异常性能预警信息和电芯性能预测结果生成车辆电池的能量动态管理策略。
本方案中,所述获取车辆电池中电芯的采集性能数据和循环充放电次数,所述性能数据包括电芯的电压、电流、容量、内阻、自放电率,具体为:
通过车辆行车电脑中基于冒泡算法滤波采集的数据记录获取车辆电池中每个电芯的电流、电压、内阻数据;
对电压和电流数据进行计算,得到每个电芯的容量,并根据电芯的容量和自放电时长计算电芯的自放电率;
根据电池的循环充放电记录获取电芯的循环充放电次数;
将电芯的电压、电流、容量、自放电率综合为电芯的采集性能数据。
本方案中,所述对车辆电池中电芯的实际性能进行检测,得到实际性能数据,根据实际性能数据与采集性能数据进行对比分析,计算采集性能数据与实际性能数据的误差,得到电芯的性能数据采集误差率,具体为:
通过电池检测设备对车辆电池中电芯的实际性能进行检测,得到实际性能数据;
根据实际性能数据与采集性能数据进行对比分析,将实际性能数据中的每项数据与采集性能数据中的每项数据进行相同性能数据的误差百分比计算,得到每项性能数据实际值与采集值的误差百分比;
根据所述每项性能数据实际值与采集值的误差百分比进行综合分析,得到电芯的性能数据采集误差率。
本方案中,所述根据所述电芯的性能数据采集误差率,对行车电脑中采集的电芯性能数据进行自适应校正,得到自适应校正电芯性能数据,具体为:
周期性对预设时间段内电芯的采集性能数据的误差百分比进行计算,得到每个性能数据的误差百分比变化趋势;
基于每个性能数据的误差百分比变化趋势进行综合分析,得到电芯的性能数据采集误差率变化趋势;
基于线性插值法,通过对误差百分比变化趋势和性能数据采集误差率变化趋势进行分析,得到每个性能数据的插值校正因子;
通过对每个周期获得的插值校正因子,将上一周期得到的插值校正因子对下一周期行车电脑中采集的电芯性能数据进行自适应校正,得到自适应校正电芯性能数据。
本方案中,所述基于自适应校正电芯性能数据对电芯进行性能评估,得到电芯性能评估结果,根据所述电芯性能评估结果对车辆电池进行异常性能预警,得到电池异常性能预警信息,具体为:
对车辆电池进行预设次数循环充放电处理,记录每次充放电过程中的自适应校正电芯数据;
基于自适应电芯性能数据提取电芯的电压、电流数据,基于电流电压数据计算电芯的容量;
绘制车辆电池中的每个电芯充放电过程中的电压变化曲线图和电流变化曲线图,基于电压变化曲线和电流变化进行计算,得到电芯的实际容量;
将电芯的电压与容量的变化绘制为电压-容量曲线图,对所述电压-容量曲线图进行分析,确定电芯的额定容量;
设定电芯的电压、电流安全变化范围,根据所述实际容量和额定容量进行对比,并对电芯的充放电过程中电压、电流与所述电压、电流安全变化范围进行对比,得到对比结果,根据对比结果对电芯进行性能评估,得到电芯性能评估结果;
根据电芯的性能评估结果,对性能异常的电芯进行标记,判断异常性能电芯对车辆电池的累积性能影响,若累积性能影响大于预设影响,对车辆电池进行异常性能预警,得到电池异常性能预警信息;
将所述电池异常性能预警信息通过CAN数据发送至车载智能终端,并保存至行车电脑中,预设周期对所述保存至行车电脑中的电池异常性能预警信息进行更新。
本方案中,所述基于LSTM构建电芯性能预测模型,将所述自适应校正电芯性能数据导入所述电芯性能预测模型中对电芯的性能进行预测,得到电芯性能预测结果,具体为:
基于LSTM构建电芯性能预测模型,配置电芯性能预测模型中的LSTM单元数量、激活函数、输入序列长度;
将预设次数的充放电过程中的自适应校正电芯数据按照时间先后序列进行排序,得到自适应电芯序列数据;
将自适应电芯序列数据中的电芯的电压、电流、容量数据作为电芯性能预测模型中的预测特征;
将自适应电芯序列数据分为训练集数据和测试集数据,将训练集数据导入电芯性能预测模型中进行迭代训练,对自适应电芯序列数据的模式和特征进行学习;
当电芯性能预测模型达到预设训练轮数,停止对电芯性能预测模型的训练,并将测试集数据导入训练后的电芯性能预测模型中,计算对电芯性能预测的均方误差,若所述均方误差大于预设值,循环调正模型参数,直至均方误差小于预设值;
实时获取当前电芯的性能数据,将当前电芯的性能数据导入电芯性能预测模型中,对未来预设时间段内的电芯性能变化情况进行预测,得到电芯性能预测结果。
本方案中,所述根据异常性能预警信息和电芯性能预测结果生成车辆电池的能量动态管理策略,具体为:
根据异常性能预警信息提取电芯的异常性能类型,根据异常性能类型和异常性能数据判断所述异常性能类型对车辆电池的安全风险;
若车辆电池存在安全风险,生成对不同类型的异常性能生成异常性能处理方案,所述异常性能处理方案包括限制汽车电池能量输出功率、调整充放电过程中的电压、电流;
根据电芯性能预测结果,判断车辆电池中电芯性能下降趋势,根据性能下降趋势判断电池寿命到达时间;
基于电芯的性能下降趋势和电池寿命到达时间生成电芯性能管理方案,所述电芯性能管理方案包括调整电池充放电时间、实时根据车辆行驶状况调整电池输出功率;
根据异常性能处理方案和电芯性能管理方案生成车辆电池的能量动态管理策略。
本发明第二方面还提供了一种基于电芯性能评估的车辆电池能量智能管理系统,该系统包括:存储器、处理器,所述存储器中包括基于电芯性能评估的车辆电池能量智能管理方法程序,所述基于电芯性能评估的车辆电池能量智能管理方法程序被所述处理器执行时,实现如下步骤:
获取车辆电池中电芯的采集性能数据和循环充放电次数,所述性能数据包括电芯的电压、电流、容量、内阻、自放电率;
对车辆电池中电芯的实际性能进行检测,得到实际性能数据,根据实际性能数据与采集性能数据进行对比分析,计算采集性能数据与实际性能数据的误差,得到电芯的性能数据采集误差率;
根据所述电芯的性能数据采集误差率,对行车电脑中采集的电芯性能数据进行自适应校正,得到自适应校正电芯性能数据;
基于自适应校正电芯性能数据对电芯进行性能评估,得到电芯性能评估结果,根据所述电芯性能评估结果对车辆电池进行异常性能预警,得到电池异常性能预警信息;
基于LSTM构建电芯性能预测模型,将所述自适应校正电芯性能数据导入所述电芯性能预测模型中对电芯的性能进行预测,得到电芯性能预测结果;
根据异常性能预警信息和电芯性能预测结果生成车辆电池的能量动态管理策略。
本方案中,所述根据所述电芯的性能数据采集误差率,对行车电脑中采集的电芯性能数据进行自适应校正,得到自适应校正电芯性能数据,具体为:
周期性对预设时间段内电芯的采集性能数据的误差百分比进行计算,得到每个性能数据的误差百分比变化趋势;
基于每个性能数据的误差百分比变化趋势进行综合分析,得到电芯的性能数据采集误差率变化趋势;
基于线性插值法,通过对误差百分比变化趋势和性能数据采集误差率变化趋势进行分析,得到每个性能数据的插值校正因子;
通过对每个周期获得的插值校正因子,将上一周期得到的插值校正因子对下一周期行车电脑中采集的电芯性能数据进行自适应校正,得到自适应校正电芯性能数据。
本方案中,所述基于自适应校正电芯性能数据对电芯进行性能评估,得到电芯性能评估结果,根据所述电芯性能评估结果对车辆电池进行异常性能预警,得到电池异常性能预警信息,具体为:
对车辆电池进行预设次数循环充放电处理,记录每次充放电过程中的自适应校正电芯数据;
基于自适应电芯性能数据提取电芯的电压、电流数据,基于电流电压数据计算电芯的容量;
绘制车辆电池中的每个电芯充放电过程中的电压变化曲线图和电流变化曲线图,基于电压变化曲线和电流变化进行计算,得到电芯的实际容量;
将电芯的电压与容量的变化绘制为电压-容量曲线图,对所述电压-容量曲线图进行分析,确定电芯的额定容量;
设定电芯的电压、电流安全变化范围,根据所述实际容量和额定容量进行对比,并对电芯的充放电过程中电压、电流与所述电压、电流安全变化范围进行对比,得到对比结果,根据对比结果对电芯进行性能评估,得到电芯性能评估结果;
根据电芯的性能评估结果,对性能异常的电芯进行标记,判断异常性能电芯对车辆电池的累积性能影响,若累积性能影响大于预设影响,对车辆电池进行异常性能预警,得到电池异常性能预警信息;
将所述电池异常性能预警信息通过CAN数据发送至车载智能终端,并保存至行车电脑中,预设周期对所述保存至行车电脑中的电池异常性能预警信息进行更新。
本发明公开了一种基于电芯性能评估的车辆电池能量智能管理方法及系统,旨在实现对电芯的性能数据进行自适应校正操作,减小对电芯性能数据采集的误差,提供高效的电池管理策略。首先,通过收集车辆行车电脑中采集的性能数据与电芯实际性能数据进行比较分析,计算电芯性能数据的采集误差率,对采集的电芯性能数据自适应校正。随后,采用长短时记忆网络构建电芯性能预测模型,对电芯性能进行预测。最后,基于异常性能预警信息和电芯性能预测结果,生成车辆电池的能量动态管理策略,本发明提供了一种全面、智能的车辆电池管理方法,可提高电池性能的有效利用,延长电池寿命,以及提供更可靠的电池性能预测。
附图说明
图1示出了本发明一种基于电芯性能评估的车辆电池能量智能管理方法的流程图;
图2示出了本发明得到自适应校正电芯性能数据的流程图;
图3示出了本发明得到电池异常性能预警信息的流程图;
图4示出了本发明一种基于电芯性能评估的车辆电池能量智能管理系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于电芯性能评估的车辆电池能量智能管理方法的流程图。
如图1所示,本发明第一方面提供了一种基于电芯性能评估的车辆电池能量智能管理方法,包括:
S102,获取车辆电池中电芯的采集性能数据和循环充放电次数,所述性能数据包括电芯的电压、电流、容量、内阻、自放电率;
S104,对车辆电池中电芯的实际性能进行检测,得到实际性能数据,根据实际性能数据与采集性能数据进行对比分析,计算采集性能数据与实际性能数据的误差,得到电芯的性能数据采集误差率;
S106,根据所述电芯的性能数据采集误差率,对行车电脑中采集的电芯性能数据进行自适应校正,得到自适应校正电芯性能数据;
S108,基于自适应校正电芯性能数据对电芯进行性能评估,得到电芯性能评估结果,根据所述电芯性能评估结果对车辆电池进行异常性能预警,得到电池异常性能预警信息;
S110,基于LSTM构建电芯性能预测模型,将所述自适应校正电芯性能数据导入所述电芯性能预测模型中对电芯的性能进行预测,得到电芯性能预测结果;
S112,根据异常性能预警信息和电芯性能预测结果生成车辆电池的能量动态管理策略。
需要说明的是,由于车辆行车电脑在采集电芯的性能数据会存在采集误差,通过对车辆电池中电芯的采集性能数据与电芯的实际性能数据进行对比分析,得到电芯的性能数据采集误差率,根据电芯的性能数据采集误差率对采集的电芯性能数据进行自适应校正,有助于减低电芯性能数据的采集误差;对电芯进行性能评估,根据评估结果判断存在异常的电芯,形成电池异常性能预警信息,并基于LSTM构建电芯性能预测模型,对电芯性能进行预测,最终实现对车辆电池的能量动态管理;通过本发明实施例能够有效的对车辆电池的进行能量的动态管理,延长电池寿命,提高车辆的续航里程,并最大确保电池在使用过程中的安全;所述采集性能数据为车辆行车电脑中所采集的电芯性能数据,所述实际性能数据为电池电芯的实际检测得到的准确电芯性能数据。
根据本发明实施例,所述获取车辆电池中电芯的采集性能数据和循环充放电次数,所述性能数据包括电芯的电压、电流、容量、内阻、自放电率,具体为:
通过车辆行车电脑中基于冒泡算法滤波采集的数据记录获取车辆电池中每个电芯的电流、电压、内阻数据;
对电压和电流数据进行计算,得到每个电芯的容量,并根据电芯的容量和自放电时长计算电芯的自放电率;
根据电池的循环充放电记录获取电芯的循环充放电次数;
将电芯的电压、电流、容量、自放电率综合为电芯的采集性能数据。
需要说明的是,所述电芯的容量通过绘制电池在放电过程中的电流电压曲线图,对电流电压曲线下方的面积进行积分得到;对车辆电池中电芯的采集性能数据和循环充放电次数进行获取,为后续的电芯性能数据校正、评估提供数据基础。
根据本发明实施例,所述对车辆电池中电芯的实际性能进行检测,得到实际性能数据,根据实际性能数据与采集性能数据进行对比分析,计算采集性能数据与实际性能数据的误差,得到电芯的性能数据采集误差率,具体为:
通过电池检测设备对车辆电池中电芯的实际性能进行检测,得到实际性能数据;
根据实际性能数据与采集性能数据进行对比分析,将实际性能数据中的每项数据与采集性能数据中的每项数据进行相同性能数据的误差百分比计算,得到每项性能数据实际值与采集值的误差百分比;
根据所述每项性能数据实际值与采集值的误差百分比进行综合分析,得到电芯的性能数据采集误差率。
需要说明的是,通过对车辆电池中电芯的实际性能进行检测,并计算实行性能数据与采集性能数据的误差进行计算,得到误差百分比,所述误差百分比表示实际值与采集值之间的相对差异;通过每项性能数据的误差百分比进行综合,得到电芯的性能数据采集误差率,所述性能数据采集误差率是综合分析了每项性能参数的误差百分比后得到的值,是对各个误差百分比的加权平均,性能数据采集误差率能够很好的描述车辆行车电脑所采集的性能数据的与实际性能数据的总体误差。
图2示出了本发明得到自适应校正电芯性能数据的流程图。
根据本发明实施例,所述根据所述电芯的性能数据采集误差率,对行车电脑中采集的电芯性能数据进行自适应校正,得到自适应校正电芯性能数据,具体为:
S202,周期性对预设时间段内电芯的采集性能数据的误差百分比进行计算,得到每个性能数据的误差百分比变化趋势;
S204,基于每个性能数据的误差百分比变化趋势进行综合分析,得到电芯的性能数据采集误差率变化趋势;
S206,基于线性插值法,通过对误差百分比变化趋势和性能数据采集误差率变化趋势进行分析,得到每个性能数据的插值校正因子;
S208,通过对每个周期获得的插值校正因子,将上一周期得到的插值校正因子对下一周期行车电脑中采集的电芯性能数据进行自适应校正,得到自适应校正电芯性能数据。
需要说明的是,基于线性插值法对误差百分比变化趋势和性能数据采集误差率变化趋势进行分析,判断电芯的性能数据的变化趋势和与实际性能的差距,得到每个性能数据的插值校正因子,所述插值校正因子是一种用于调整数据的参数,它根据误差情况和趋势来决定对采集的数据进行多大程度的校正;通过对每个周期采集的电芯的性能数据的变化趋势的不同,对插值校正因子也进行周期性更新,对每一周期的电芯性能数据进行自适应校正,得到自适应校正电芯性能数据;通过对电芯的性能数据进行自适应校正,最大程度降低了数据采集的误差,并通过每个数据采集周期的数据变化趋势的不同,对性能数据进行自适应校正,能够根据性能数据的变化进行数据校正,使本发明实施例能够更加灵活的适应各种数据变化场景,进一步提高数据校正的准确率。
图3示出了本发明得到电池异常性能预警信息的流程图。
根据本发明实施例,所述基于自适应校正电芯性能数据对电芯进行性能评估,得到电芯性能评估结果,根据所述电芯性能评估结果对车辆电池进行异常性能预警,得到电池异常性能预警信息,具体为:
S302,对车辆电池进行预设次数循环充放电处理,记录每次充放电过程中的自适应校正电芯数据;
S304,基于自适应电芯性能数据提取电芯的电压、电流数据,基于电流电压数据计算电芯的容量;
S306,绘制车辆电池中的每个电芯充放电过程中的电压变化曲线图和电流变化曲线图,基于电压变化曲线和电流变化进行计算,得到电芯的实际容量;
S308,将电芯的电压与容量的变化绘制为电压-容量曲线图,对所述电压-容量曲线图进行分析,确定电芯的额定容量;
S310,设定电芯的电压、电流安全变化范围,根据所述实际容量和额定容量进行对比,并对电芯的充放电过程中电压、电流与所述电压、电流安全变化范围进行对比,得到对比结果,根据对比结果对电芯进行性能评估,得到电芯性能评估结果;
S312,根据电芯的性能评估结果,对性能异常的电芯进行标记,判断异常性能电芯对车辆电池的累积性能影响,若累积性能影响大于预设影响,对车辆电池进行异常性能预警,得到电池异常性能预警信息;
S314,将所述电池异常性能预警信息通过CAN数据发送至车载智能终端,并保存至行车电脑中,预设周期对所述保存至行车电脑中的电池异常性能预警信息进行更新。
需要说明的是,对电芯的实际容量进行计算,通过对实际容量和额定容量进行对比,并判断电芯在充放电过程中的电压、电流变化是否在安全电压、电流变化范围之内,得到电芯的性能评估结果,所述性能评估结果是对电芯的性能是否正常工作、性能退化程度来进行评判所得;最后根据电芯的性能评估结果生成电池异常性能预警信息,所述电池异常预警信息包括异常性能类型、异常性能对电池造成的安全风险;通过电池异常性能预警信息能够准确的发现电池存在的异常问题和存在的安全风险,使维护人员能够及早采取措施来防止电池故障或性能下降,从而提高电池寿命、降低维护成本,确保车辆电池的可靠性;行车电脑可以通过CAN数据发送给车载智能终端上传平台并通知客户去服务站进行检修,并且可帮助技术开发人员进行监控市场车辆状态;所述CAN数据是Controller AreaNetwork的缩写,是ISO国际标准化的串行通信协议。
根据本发明实施例,所述基于LSTM构建电芯性能预测模型,将所述自适应校正电芯性能数据导入所述电芯性能预测模型中对电芯的性能进行预测,得到电芯性能预测结果,具体为:
基于LSTM构建电芯性能预测模型,配置电芯性能预测模型中的LSTM单元数量、激活函数、输入序列长度;
将预设次数的充放电过程中的自适应校正电芯数据按照时间先后序列进行排序,得到自适应电芯序列数据;
将自适应电芯序列数据中的电芯的电压、电流、容量数据作为电芯性能预测模型中的预测特征;
将自适应电芯序列数据分为训练集数据和测试集数据,将训练集数据导入电芯性能预测模型中进行迭代训练,对自适应电芯序列数据的模式和特征进行学习;
当电芯性能预测模型达到预设训练轮数,停止对电芯性能预测模型的训练,并将测试集数据导入训练后的电芯性能预测模型中,计算对电芯性能预测的均方误差,若所述均方误差大于预设值,循环调正模型参数,直至均方误差小于预设值;
实时获取当前电芯的性能数据,将当前电芯的性能数据导入电芯性能预测模型中,对未来预设时间段内的电芯性能变化情况进行预测,得到电芯性能预测结果。
需要说明的是,基于LSTM网络构建电芯性能预测模型,对电芯未来时间段内的性能进行预测,得到电芯性能预测结果,所述电芯性能预测结果包括电芯在未来时间段内的性能变化、达到性能异常的时间点、电芯的寿命预测;所述自适应电芯序列数据是为了确保数据的时序性,以便LSTM模型能够理解数据的时间相关性;通过使用LSTM模型对电芯性能进行预测,提高了性能预测的准确性,提前对未来性能的预测能够有效的提前发现潜在的电池异常性能,使车辆管理人员能够提前及早识别电芯问题,采取预防措施;所述LSTM为长短时记忆网络。
根据本发明实施例,所述根据异常性能预警信息和电芯性能预测结果生成车辆电池的能量动态管理策略,具体为:
根据异常性能预警信息提取电芯的异常性能类型,根据异常性能类型和异常性能数据判断所述异常性能类型对车辆电池的安全风险;
若车辆电池存在安全风险,生成对不同类型的异常性能生成异常性能处理方案,所述异常性能处理方案包括限制汽车电池能量输出功率、调整充放电过程中的电压、电流;
根据电芯性能预测结果,判断车辆电池中电芯性能下降趋势,根据性能下降趋势判断电池寿命到达时间;
基于电芯的性能下降趋势和电池寿命到达时间生成电芯性能管理方案,所述电芯性能管理方案包括调整电池充放电时间、实时根据车辆行驶状况调整电池输出功率;
根据异常性能处理方案和电芯性能管理方案生成车辆电池的能量动态管理策略。
需要说明的是,通过生成能量动态管理策略,能够在不同情况下对车辆电池进行智能管理,以提高性能、降低风险,确保电池的可靠性;对异常性能问题的及时处理和对电池性能的有效管理,有助于延长电池的使用寿命,减少维护成本,并提高车辆的效率和可靠性;能量动态管理策略根据电池性能和车辆行驶条件进行实时调整,以适应不同情况下的需求;所述异常性能类型包括过度放电、容量下降、电压电流不稳定、内阻增加等。
根据本发明实施例,还包括:
基于区块链技术构建电芯性能故障共享维修站点网络,收集每个维修站点的基本信息,所述基本信息包括维修站点的位置、故障类型维修能力,将每个维修站点的基本信息导入电芯性能故障共享维修站点网络中;
实时监测电芯性能预测模型中对电芯性能的预测结果,根据预测结果识别异常性能,得到异常性能数据,所述异常性能数据包括异常类型、异常预测达到时间;
获取车辆运行数据,若车辆处于运行状态,获取车辆行驶路径、预计行驶时间;
若电芯预测在车辆行驶的过程中出现性能异常,根据异常类型和车辆行驶路径,在电芯性能故障共享维修站点网络中搜索具有该异常类型维修能力的维修站点,得到推荐维修站点信息;
对异常性能的处理紧急程度进行评估,得到性能异常紧急程度信息;
将所述推荐维修站点信息和性能异常紧急程度信息形成故障预警信息发送至车辆显示屏幕中。
需要说明的是,电芯的性能异常可能会出现在车辆行驶的过程中,基于区块链技术构建电芯性能故障共享维修站点网络,通过对车辆的行驶路径和异常类型在电芯性能故障共享维修站点网络中匹配具有性能异常处理能力的维修站点,与异常性能的处理进行程度形成故障预警信息发送至车辆显示屏幕中,提醒车辆驾驶人员对异常性能进行处理,并将最优的维修站点推荐给车辆驾驶人员,有助于减少驾驶人员的行车安全风险;通过提供实时的维修建议,有助于驾驶人员体现发现故障,并提前采取维修措施,避免因故障造成不必要的损失。
根据本发明实施例,还包括:
获取车辆历史行驶记录和在行驶过程中的电池放电情况,所述行驶情况包括行驶速度、行驶时间、行驶路况;
根据历史行驶记录和电池放电情况计算车辆的平均行驶电池能量消耗数据,得到车辆在不同路况下的行驶能耗;
实时获取车辆即将行驶的路线信息,基于路线信息在地理信息系统中获取行驶路线的路线实况信息;
基于路线实况信息计算车辆行驶所需消耗的电能,获取当前车辆剩余电量信息,基于剩余电量信息和行驶所需消耗的电能进行判断,车辆是否有充足的电量行驶至目的地;
若车辆电量不足以行驶至目的地,获取车辆行驶路线中的充电站位置,实时推荐车辆行驶过程中的充电站位置,形成行驶电量补充建议信息。
需要说明的是,由于每辆车辆的元器件的使用磨损情况不同,导致每辆车辆行驶的电能损耗不同,通过对当前车辆的历史行驶记录进行分析,判断车辆历史行驶在不同路况中能量损耗,实时根据车辆即将行驶的路线信息判断车辆是否能够到达目的地,并形成个性化行驶电量补充建议,避免了车辆在行驶过程中电量耗尽,无法到达目的地,实现了对车辆不同的电能损耗,适应了不同车辆的情况,使对车辆行驶电能的损耗更精准的计算,避免了电量虚标问题。
图4示出了本发明一种基于电芯性能评估的车辆电池能量智能管理系统的框图。
本发明第二方面还提供了一种基于电芯性能评估的车辆电池能量智能管理系统4,该系统包括:存储器41、处理器42,所述存储器中包括基于电芯性能评估的车辆电池能量智能管理方法程序,所述基于电芯性能评估的车辆电池能量智能管理方法程序被所述处理器执行时,实现如下步骤:
获取车辆电池中电芯的采集性能数据和循环充放电次数,所述性能数据包括电芯的电压、电流、容量、内阻、自放电率;
对车辆电池中电芯的实际性能进行检测,得到实际性能数据,根据实际性能数据与采集性能数据进行对比分析,计算采集性能数据与实际性能数据的误差,得到电芯的性能数据采集误差率;
根据所述电芯的性能数据采集误差率,对行车电脑中采集的电芯性能数据进行自适应校正,得到自适应校正电芯性能数据;
基于自适应校正电芯性能数据对电芯进行性能评估,得到电芯性能评估结果,根据所述电芯性能评估结果对车辆电池进行异常性能预警,得到电池异常性能预警信息;
基于LSTM构建电芯性能预测模型,将所述自适应校正电芯性能数据导入所述电芯性能预测模型中对电芯的性能进行预测,得到电芯性能预测结果;
根据异常性能预警信息和电芯性能预测结果生成车辆电池的能量动态管理策略。
需要说明的是,由于车辆行车电脑在采集电芯的性能数据会存在采集误差,通过对车辆电池中电芯的采集性能数据与电芯的实际性能数据进行对比分析,得到电芯的性能数据采集误差率,根据电芯的性能数据采集误差率对采集的电芯性能数据进行自适应校正,有助于减低电芯性能数据的采集误差;对电芯进行性能评估,根据评估结果判断存在异常的电芯,形成电池异常性能预警信息,并基于LSTM构建电芯性能预测模型,对电芯性能进行预测,最终实现对车辆电池的能量动态管理;通过本发明实施例能够有效的对车辆电池的进行能量的动态管理,延长电池寿命,提高车辆的续航里程,并最大确保电池在使用过程中的安全;所述采集性能数据为车辆行车电脑中所采集的电芯性能数据,所述实际性能数据为电池电芯的实际检测得到的准确电芯性能数据。
以上所述,仅为本发明的具体实施方式,但本发明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发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于电芯性能评估的车辆电池能量智能管理方法,其特征在于,包括以下步骤:
获取车辆电池中电芯的采集性能数据和循环充放电次数,所述性能数据包括电芯的电压、电流、容量、内阻、自放电率;
对车辆电池中电芯的实际性能进行检测,得到实际性能数据,根据实际性能数据与采集性能数据进行对比分析,计算采集性能数据与实际性能数据的误差,得到电芯的性能数据采集误差率;
根据所述电芯的性能数据采集误差率,对行车电脑中采集的电芯性能数据进行自适应校正,得到自适应校正电芯性能数据;
基于自适应校正电芯性能数据对电芯进行性能评估,得到电芯性能评估结果,根据所述电芯性能评估结果对车辆电池进行异常性能预警,得到电池异常性能预警信息;
基于LSTM构建电芯性能预测模型,将所述自适应校正电芯性能数据导入所述电芯性能预测模型中对电芯的性能进行预测,得到电芯性能预测结果;
根据异常性能预警信息和电芯性能预测结果生成车辆电池的能量动态管理策略;
所述获取车辆电池中电芯的采集性能数据和循环充放电次数,所述性能数据包括电芯的电压、电流、容量、内阻、自放电率,具体为:
通过车辆行车电脑中基于冒泡算法滤波采集的数据记录获取车辆电池中每个电芯的电流、电压、内阻数据;
对电压和电流数据进行计算,得到每个电芯的容量,并根据电芯的容量和自放电时长计算电芯的自放电率;
根据电池的循环充放电记录获取电芯的循环充放电次数;
将电芯的电压、电流、容量、自放电率综合为电芯的采集性能数据;
所述对车辆电池中电芯的实际性能进行检测,得到实际性能数据,根据实际性能数据与采集性能数据进行对比分析,计算采集性能数据与实际性能数据的误差,得到电芯的性能数据采集误差率,具体为:
通过电池检测设备对车辆电池中电芯的实际性能进行检测,得到实际性能数据;
根据实际性能数据与采集性能数据进行对比分析,将实际性能数据中的每项数据与采集性能数据中的每项数据进行相同性能数据的误差百分比计算,得到每项性能数据实际值与采集值的误差百分比;
根据所述每项性能数据实际值与采集值的误差百分比进行综合分析,得到电芯的性能数据采集误差率。
2.根据权利要求1所述的一种基于电芯性能评估的车辆电池能量智能管理方法,其特征在于,所述根据所述电芯的性能数据采集误差率,对行车电脑中采集的电芯性能数据进行自适应校正,得到自适应校正电芯性能数据,具体为:
周期性对预设时间段内电芯的采集性能数据的误差百分比进行计算,得到每个性能数据的误差百分比变化趋势;
基于每个性能数据的误差百分比变化趋势进行综合分析,得到电芯的性能数据采集误差率变化趋势;
基于线性插值法,通过对误差百分比变化趋势和性能数据采集误差率变化趋势进行分析,得到每个性能数据的插值校正因子;
通过对每个周期获得的插值校正因子,将上一周期得到的插值校正因子对下一周期行车电脑中采集的电芯性能数据进行自适应校正,得到自适应校正电芯性能数据。
3.根据权利要求1所述的一种基于电芯性能评估的车辆电池能量智能管理方法,其特征在于,所述基于自适应校正电芯性能数据对电芯进行性能评估,得到电芯性能评估结果,根据所述电芯性能评估结果对车辆电池进行异常性能预警,得到电池异常性能预警信息,具体为:
对车辆电池进行预设次数循环充放电处理,记录每次充放电过程中的自适应校正电芯数据;
基于自适应电芯性能数据提取电芯的电压、电流数据,基于电流电压数据计算电芯的容量;
绘制车辆电池中的每个电芯充放电过程中的电压变化曲线图和电流变化曲线图,基于电压变化曲线和电流变化进行计算,得到电芯的实际容量;
将电芯的电压与容量的变化绘制为电压-容量曲线图,对所述电压-容量曲线图进行分析,确定电芯的额定容量;
设定电芯的电压、电流安全变化范围,根据所述实际容量和额定容量进行对比,并对电芯的充放电过程中电压、电流与所述电压、电流安全变化范围进行对比,得到对比结果,根据对比结果对电芯进行性能评估,得到电芯性能评估结果;
根据电芯的性能评估结果,对性能异常的电芯进行标记,判断异常性能电芯对车辆电池的累积性能影响,若累积性能影响大于预设影响,对车辆电池进行异常性能预警,得到电池异常性能预警信息;
将所述电池异常性能预警信息通过CAN数据发送至车载智能终端,并保存至行车电脑中,预设周期对所述保存至行车电脑中的电池异常性能预警信息进行更新。
4.根据权利要求3所述的一种基于电芯性能评估的车辆电池能量智能管理方法,其特征在于,所述基于LSTM构建电芯性能预测模型,将所述自适应校正电芯性能数据导入所述电芯性能预测模型中对电芯的性能进行预测,得到电芯性能预测结果,具体为:
基于LSTM构建电芯性能预测模型,配置电芯性能预测模型中的LSTM单元数量、激活函数、输入序列长度;
将预设次数的充放电过程中的自适应校正电芯数据按照时间先后序列进行排序,得到自适应电芯序列数据;
将自适应电芯序列数据中的电芯的电压、电流、容量数据作为电芯性能预测模型中的预测特征;
将自适应电芯序列数据分为训练集数据和测试集数据,将训练集数据导入电芯性能预测模型中进行迭代训练,对自适应电芯序列数据的模式和特征进行学习;
当电芯性能预测模型达到预设训练轮数,停止对电芯性能预测模型的训练,并将测试集数据导入训练后的电芯性能预测模型中,计算对电芯性能预测的均方误差,若所述均方误差大于预设值,循环调正模型参数,直至均方误差小于预设值;
实时获取当前电芯的性能数据,将当前电芯的性能数据导入电芯性能预测模型中,对未来预设时间段内的电芯性能变化情况进行预测,得到电芯性能预测结果。
5.根据权利要求1所述的一种基于电芯性能评估的车辆电池能量智能管理方法,其特征在于,所述根据异常性能预警信息和电芯性能预测结果生成车辆电池的能量动态管理策略,具体为:
根据异常性能预警信息提取电芯的异常性能类型,根据异常性能类型和异常性能数据判断所述异常性能类型对车辆电池的安全风险;
若车辆电池存在安全风险,生成对不同类型的异常性能生成异常性能处理方案,所述异常性能处理方案包括限制汽车电池能量输出功率、调整充放电过程中的电压、电流;
根据电芯性能预测结果,判断车辆电池中电芯性能下降趋势,根据性能下降趋势判断电池寿命到达时间;
基于电芯的性能下降趋势和电池寿命到达时间生成电芯性能管理方案,所述电芯性能管理方案包括调整电池充放电时间、实时根据车辆行驶状况调整电池输出功率;
根据异常性能处理方案和电芯性能管理方案生成车辆电池的能量动态管理策略。
6.一种基于电芯性能评估的车辆电池能量智能管理系统,其特征在于,所述基于电芯性能评估的车辆电池能量智能管理系统包括储存器以及处理器,所述储存器包括基于电芯性能评估的车辆电池能量智能管理方法程序,所述基于电芯性能评估的车辆电池能量智能管理方法程序被所述处理器执行时,实现如下步骤:
获取车辆电池中电芯的采集性能数据和循环充放电次数,所述性能数据包括电芯的电压、电流、容量、内阻、自放电率;
对车辆电池中电芯的实际性能进行检测,得到实际性能数据,根据实际性能数据与采集性能数据进行对比分析,计算采集性能数据与实际性能数据的误差,得到电芯的性能数据采集误差率;
根据所述电芯的性能数据采集误差率,对行车电脑中采集的电芯性能数据进行自适应校正,得到自适应校正电芯性能数据;
基于自适应校正电芯性能数据对电芯进行性能评估,得到电芯性能评估结果,根据所述电芯性能评估结果对车辆电池进行异常性能预警,得到电池异常性能预警信息;
基于LSTM构建电芯性能预测模型,将所述自适应校正电芯性能数据导入所述电芯性能预测模型中对电芯的性能进行预测,得到电芯性能预测结果;
根据异常性能预警信息和电芯性能预测结果生成车辆电池的能量动态管理策略;
所述获取车辆电池中电芯的采集性能数据和循环充放电次数,所述性能数据包括电芯的电压、电流、容量、内阻、自放电率,具体为:
通过车辆行车电脑中基于冒泡算法滤波采集的数据记录获取车辆电池中每个电芯的电流、电压、内阻数据;
对电压和电流数据进行计算,得到每个电芯的容量,并根据电芯的容量和自放电时长计算电芯的自放电率;
根据电池的循环充放电记录获取电芯的循环充放电次数;
将电芯的电压、电流、容量、自放电率综合为电芯的采集性能数据;
所述对车辆电池中电芯的实际性能进行检测,得到实际性能数据,根据实际性能数据与采集性能数据进行对比分析,计算采集性能数据与实际性能数据的误差,得到电芯的性能数据采集误差率,具体为:
通过电池检测设备对车辆电池中电芯的实际性能进行检测,得到实际性能数据;
根据实际性能数据与采集性能数据进行对比分析,将实际性能数据中的每项数据与采集性能数据中的每项数据进行相同性能数据的误差百分比计算,得到每项性能数据实际值与采集值的误差百分比;
根据所述每项性能数据实际值与采集值的误差百分比进行综合分析,得到电芯的性能数据采集误差率。
7.根据权利要求6所述的一种基于电芯性能评估的车辆电池能量智能管理系统,其特征在于,所述根据所述电芯的性能数据采集误差率,对行车电脑中采集的电芯性能数据进行自适应校正,得到自适应校正电芯性能数据,具体为:
周期性对预设时间段内电芯的采集性能数据的误差百分比进行计算,得到每个性能数据的误差百分比变化趋势;
基于每个性能数据的误差百分比变化趋势进行综合分析,得到电芯的性能数据采集误差率变化趋势;
基于线性插值法,通过对误差百分比变化趋势和性能数据采集误差率变化趋势进行分析,得到每个性能数据的插值校正因子;
通过对每个周期获得的插值校正因子,将上一周期得到的插值校正因子对下一周期行车电脑中采集的电芯性能数据进行自适应校正,得到自适应校正电芯性能数据。
8.根据权利要求6所述的一种基于电芯性能评估的车辆电池能量智能管理系统,其特征在于,所述基于自适应校正电芯性能数据对电芯进行性能评估,得到电芯性能评估结果,根据所述电芯性能评估结果对车辆电池进行异常性能预警,得到电池异常性能预警信息,具体为:
对车辆电池进行预设次数循环充放电处理,记录每次充放电过程中的自适应校正电芯数据;
基于自适应电芯性能数据提取电芯的电压、电流数据,基于电流电压数据计算电芯的容量;
绘制车辆电池中的每个电芯充放电过程中的电压变化曲线图和电流变化曲线图,基于电压变化曲线和电流变化进行计算,得到电芯的实际容量;
将电芯的电压与容量的变化绘制为电压-容量曲线图,对所述电压-容量曲线图进行分析,确定电芯的额定容量;
设定电芯的电压、电流安全变化范围,根据所述实际容量和额定容量进行对比,并对电芯的充放电过程中电压、电流与所述电压、电流安全变化范围进行对比,得到对比结果,根据对比结果对电芯进行性能评估,得到电芯性能评估结果;
根据电芯的性能评估结果,对性能异常的电芯进行标记,判断异常性能电芯对车辆电池的累积性能影响,若累积性能影响大于预设影响,对车辆电池进行异常性能预警,得到电池异常性能预警信息;
将所述电池异常性能预警信息通过CAN数据发送至车载智能终端,并保存至行车电脑中,预设周期对所述保存至行车电脑中的电池异常性能预警信息进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311466393.0A CN117517993B (zh) | 2023-11-02 | 2023-11-02 | 基于电芯性能评估的车辆电池能量智能管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311466393.0A CN117517993B (zh) | 2023-11-02 | 2023-11-02 | 基于电芯性能评估的车辆电池能量智能管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117517993A CN117517993A (zh) | 2024-02-06 |
CN117517993B true CN117517993B (zh) | 2024-05-17 |
Family
ID=89754250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311466393.0A Active CN117517993B (zh) | 2023-11-02 | 2023-11-02 | 基于电芯性能评估的车辆电池能量智能管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117517993B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118131047A (zh) * | 2024-03-04 | 2024-06-04 | 东莞市高能电池有限公司 | 一种电芯性能测试方法、设备及存储介质 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103616647A (zh) * | 2013-12-09 | 2014-03-05 | 天津大学 | 一种用于电动汽车电池管理系统的电池剩余电量估计方法 |
CN107102268A (zh) * | 2017-04-24 | 2017-08-29 | 国网江苏省电力公司泰州供电公司 | 一种电池管理系统的电池充电倍率估算方法 |
KR20180033766A (ko) * | 2016-09-26 | 2018-04-04 | 주식회사 엘지화학 | 인공지능형 연료전지 시스템 |
CN109856548A (zh) * | 2018-12-19 | 2019-06-07 | 安徽江淮汽车集团股份有限公司 | 动力电池容量估算方法 |
CN110967645A (zh) * | 2019-05-24 | 2020-04-07 | 宁德时代新能源科技股份有限公司 | Soc修正方法和装置、电池管理系统和存储介质 |
CN111751737A (zh) * | 2020-07-07 | 2020-10-09 | 安徽江淮汽车集团股份有限公司 | 动力电池的自放电电流计算方法、装置、设备及存储介质 |
CN111832169A (zh) * | 2020-07-10 | 2020-10-27 | 的卢技术有限公司 | 一种电芯寿命模型自动校正方法 |
CN112415411A (zh) * | 2019-08-23 | 2021-02-26 | 比亚迪股份有限公司 | 估算电池soc的方法和装置及车辆、存储介质 |
KR20210119329A (ko) * | 2020-03-24 | 2021-10-05 | 주식회사 엘지에너지솔루션 | 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법 |
KR20210156006A (ko) * | 2020-06-17 | 2021-12-24 | 주식회사 엘지에너지솔루션 | 배터리 셀 표면 온도 추정 시스템 및 방법 |
CN115327417A (zh) * | 2022-07-11 | 2022-11-11 | 岚图汽车科技有限公司 | 一种动力电池单体异常的预警方法、系统及电子设备 |
CN115356636A (zh) * | 2022-07-31 | 2022-11-18 | 常伟 | 一种数据驱动的新能源汽车电池故障报警和故障预警模型 |
CN218383214U (zh) * | 2022-04-11 | 2023-01-24 | 上海聚信海聚新能源科技有限公司 | 一种电池模组的检测系统 |
CN115902635A (zh) * | 2022-11-04 | 2023-04-04 | 上海优续新能源科技有限公司 | 基于电池ocv数据库的电池不均衡度评估方法 |
CN116381514A (zh) * | 2023-06-07 | 2023-07-04 | 广汽埃安新能源汽车股份有限公司 | 一种电芯压差预警方法、装置、存储介质及设备 |
WO2023122961A1 (zh) * | 2021-12-28 | 2023-07-06 | 宁德时代新能源科技股份有限公司 | 低压电池的状态校准方法及装置、电动车辆 |
CN116400241A (zh) * | 2022-12-09 | 2023-07-07 | 国网信息通信产业集团有限公司 | 基于全生命周期运行数据的电池健康评估方法及装置 |
CN116699447A (zh) * | 2023-06-10 | 2023-09-05 | 江钱城 | 一种电池模组的检测电路及其检测系统 |
CN116953547A (zh) * | 2023-06-02 | 2023-10-27 | 苏州生利新能能源科技有限公司 | 一种储能电池健康度评估方法、系统、设备及存储介质 |
-
2023
- 2023-11-02 CN CN202311466393.0A patent/CN117517993B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103616647A (zh) * | 2013-12-09 | 2014-03-05 | 天津大学 | 一种用于电动汽车电池管理系统的电池剩余电量估计方法 |
KR20180033766A (ko) * | 2016-09-26 | 2018-04-04 | 주식회사 엘지화학 | 인공지능형 연료전지 시스템 |
CN107102268A (zh) * | 2017-04-24 | 2017-08-29 | 国网江苏省电力公司泰州供电公司 | 一种电池管理系统的电池充电倍率估算方法 |
CN109856548A (zh) * | 2018-12-19 | 2019-06-07 | 安徽江淮汽车集团股份有限公司 | 动力电池容量估算方法 |
CN110967645A (zh) * | 2019-05-24 | 2020-04-07 | 宁德时代新能源科技股份有限公司 | Soc修正方法和装置、电池管理系统和存储介质 |
CN112415411A (zh) * | 2019-08-23 | 2021-02-26 | 比亚迪股份有限公司 | 估算电池soc的方法和装置及车辆、存储介质 |
KR20210119329A (ko) * | 2020-03-24 | 2021-10-05 | 주식회사 엘지에너지솔루션 | 전기차 충전 스테이션을 이용한 배터리 성능관리 시스템 및 방법 |
KR20210156006A (ko) * | 2020-06-17 | 2021-12-24 | 주식회사 엘지에너지솔루션 | 배터리 셀 표면 온도 추정 시스템 및 방법 |
CN111751737A (zh) * | 2020-07-07 | 2020-10-09 | 安徽江淮汽车集团股份有限公司 | 动力电池的自放电电流计算方法、装置、设备及存储介质 |
CN111832169A (zh) * | 2020-07-10 | 2020-10-27 | 的卢技术有限公司 | 一种电芯寿命模型自动校正方法 |
WO2023122961A1 (zh) * | 2021-12-28 | 2023-07-06 | 宁德时代新能源科技股份有限公司 | 低压电池的状态校准方法及装置、电动车辆 |
CN218383214U (zh) * | 2022-04-11 | 2023-01-24 | 上海聚信海聚新能源科技有限公司 | 一种电池模组的检测系统 |
CN115327417A (zh) * | 2022-07-11 | 2022-11-11 | 岚图汽车科技有限公司 | 一种动力电池单体异常的预警方法、系统及电子设备 |
CN115356636A (zh) * | 2022-07-31 | 2022-11-18 | 常伟 | 一种数据驱动的新能源汽车电池故障报警和故障预警模型 |
CN115902635A (zh) * | 2022-11-04 | 2023-04-04 | 上海优续新能源科技有限公司 | 基于电池ocv数据库的电池不均衡度评估方法 |
CN116400241A (zh) * | 2022-12-09 | 2023-07-07 | 国网信息通信产业集团有限公司 | 基于全生命周期运行数据的电池健康评估方法及装置 |
CN116953547A (zh) * | 2023-06-02 | 2023-10-27 | 苏州生利新能能源科技有限公司 | 一种储能电池健康度评估方法、系统、设备及存储介质 |
CN116381514A (zh) * | 2023-06-07 | 2023-07-04 | 广汽埃安新能源汽车股份有限公司 | 一种电芯压差预警方法、装置、存储介质及设备 |
CN116699447A (zh) * | 2023-06-10 | 2023-09-05 | 江钱城 | 一种电池模组的检测电路及其检测系统 |
Non-Patent Citations (1)
Title |
---|
基于深度学习的混合动力汽车预测能量管理;韩少剑;《中国公路学报》;20201231;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117517993A (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8519674B2 (en) | Method for estimating battery degradation in a vehicle battery pack | |
CN111257775A (zh) | 基于充电过程监控电池阻抗异常的方法、系统以及装置 | |
EP2629109B1 (en) | Electrical storage device | |
CN102749588B (zh) | 基于蓄电池soc和soh的故障诊断方法 | |
CN117517993B (zh) | 基于电芯性能评估的车辆电池能量智能管理方法及系统 | |
CN109116242B (zh) | 一种动力电池的数据处理方法和装置 | |
US11653127B2 (en) | Monitoring voltage measurements for a vehicle battery | |
WO2010014337A2 (en) | Method and apparatus for telematics-based vehicle no-start prognosis | |
CN112487031B (zh) | 单体电池故障检测方法、装置、可读存储介质及电子设备 | |
CN112924866B (zh) | 容量保持率的检测方法、检测装置、车辆及存储介质 | |
US20230059529A1 (en) | Characterization of Rechargeable Batteries Using Machine-Learned Algorithms | |
CN112255560B (zh) | 一种电池电芯健康度预测方法 | |
CN114675188A (zh) | 一种电池健康状态信息确定方法、装置及电池系统 | |
CN117203541A (zh) | 电池状态评估方法、装置、电子设备及存储介质 | |
CN115718258B (zh) | 电池故障检测 | |
CN114204626B (zh) | 充电控制方法及相关设备 | |
US20220187376A1 (en) | Method and Device for Predicting a State of Health of an Energy Storage System | |
CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
CN116609676A (zh) | 一种基于大数据处理的混合储能电池状态监控方法及系统 | |
WO2022016862A1 (zh) | 用于监控电池组健康状况的方法和系统 | |
WO2020016522A1 (fr) | Procédé et dispositif de détermination d'une durée limite d'utilisation d'une batterie | |
CN116893366A (zh) | 用于运行系统以识别设备的电蓄能器的异常的方法和装置 | |
CN116466239A (zh) | 车载低压电源健康状态检测方法、系统、装置及存储介质 | |
CN116803749A (zh) | 根据用户的使用概况依据用户地选择电池驱动技术设备的方法和设备 | |
Dunn et al. | A P-Value Approach for Real-Time Identifying the Capacity Regeneration Phenomenon of Lithium-ion Batteries |
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 |