CN117613430A - 一种新能源电池综合测试能源管理方法及系统 - Google Patents
一种新能源电池综合测试能源管理方法及系统 Download PDFInfo
- Publication number
- CN117613430A CN117613430A CN202410088175.6A CN202410088175A CN117613430A CN 117613430 A CN117613430 A CN 117613430A CN 202410088175 A CN202410088175 A CN 202410088175A CN 117613430 A CN117613430 A CN 117613430A
- Authority
- CN
- China
- Prior art keywords
- temperature
- incubator
- model
- battery
- data
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 100
- 238000007726 management method Methods 0.000 title claims abstract description 27
- 230000007613 environmental effect Effects 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 59
- 238000004458 analytical method Methods 0.000 claims abstract description 48
- 230000033228 biological regulation Effects 0.000 claims description 27
- 238000009826 distribution Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 19
- 238000012544 monitoring process Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012417 linear regression Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 9
- 230000001105 regulatory effect Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000004146 energy storage Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000006641 stabilisation Effects 0.000 claims description 3
- 238000011105 stabilization Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000005265 energy consumption Methods 0.000 abstract description 8
- 230000008859 change Effects 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000013021 overheating Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000020169 heat generation Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 231100000817 safety factor Toxicity 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/48—Thermography; Techniques using wholly visual means
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/4285—Testing apparatus
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/60—Heating or cooling; Temperature control
- H01M10/63—Control systems
- H01M10/633—Control systems characterised by algorithms, flow charts, software details or the like
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Chemical & Material Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Electrochemistry (AREA)
- Manufacturing & Machinery (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Multimedia (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明涉及电池测试管理的技术领域,特别是涉及一种新能源电池综合测试能源管理方法及系统,其能够降低能耗,提高能源利用效率,降低测试成本、提高测试效率;方法包括:通过传感器获取新能源电池包充电数据信息以及恒温箱的热红外温度图像信息;由新能源电池包充电数据信息中提取出影响恒温箱环境温度的要因参数,要因参数包括电池温度、充电电压、充电电流以及电池容量;将要因参数输入至预先构建的恒温箱环境影响分析模型中,获得恒温箱温度影响因子;对热红外温度图像信息进行有限元分析,获得恒温箱环境温度特征;恒温箱环境温度特征与恒温箱温度影响因子对应时间相同;将同一时间获得的恒温箱环境温度特征和恒温箱温度影响因子。
Description
技术领域
本发明涉及电池测试管理的技术领域,特别是涉及一种新能源电池综合测试能源管理方法及系统。
背景技术
随着新能源技术的快速发展,新能源电池在各种领域的应用越来越广泛。为了保证新能源电池的性能和质量,需要对电池进行综合测试和能源管理。在综合测试方面,温度是影响新能源电池性能的重要因素之一,因此对恒温箱的温度进行精确控制和调整是保证测试结果准确性的关键。在能源管理方面,如何有效地利用和管理能源,降低能耗和提高能源利用效率是当前研究的重点。
现有的新能源电池综合测试能源管理方法在恒温箱的温度控制方面,由于温度变化具有非线性和时变性,因此难以实现精确控制。其次,在能源管理方面,缺乏有效的能源管理方法和技术手段,导致能源利用效率低下,能耗较高。
发明内容
为解决上述技术问题,本发明提供一种能够降低能耗,提高能源利用效率,降低测试成本、提高测试效率的新能源电池综合测试能源管理方法。
第一方面,本发明提供了一种新能源电池综合测试能源管理方法,所述方法包括:
通过传感器获取新能源电池包充电数据信息以及恒温箱的热红外温度图像信息;
由新能源电池包充电数据信息中提取出影响恒温箱环境温度的要因参数,所述要因参数包括电池温度、充电电压、充电电流以及电池容量;
将要因参数输入至预先构建的恒温箱环境影响分析模型中,获得恒温箱温度影响因子;
对热红外温度图像信息进行有限元分析,获得恒温箱环境温度特征;所述恒温箱环境温度特征与所述恒温箱温度影响因子对应时间相同;
将同一时间获得的恒温箱环境温度特征和恒温箱温度影响因子,输入至预先构建的恒温箱温度预测模型中,获得未来预设时间内的恒温箱温度;
根据设定的充电测试温度与未来预设时间内的恒温箱温度之间的温差,生成温度调控参数;并根据温度调控参数对恒温箱进行温度调控。
进一步地,所述新能源电池包充电数据信息获取方法包括:
在新能源电池包上安装温度传感器,使传感器覆盖电池表面;
将电压和电流传感器连接到电池包,实时测量充电电压和电流;
使用集成容量传感器监测电池的容量,获得电池储能能力的信息;
对所有传感器进行时间同步,使充电数据信息的时间戳保持一致;
使用嵌入式系统,高频率、高精度的记录传感器生成的数据。
进一步地,所述恒温箱的热红外温度图像信息获取方法包括:
在恒温箱内部安装热红外传感器,捕捉表面温度的空间分布;
结合热红外传感器,使用红外摄像头辅助,获取实时的恒温箱内部图像;
使用嵌入式系统,高频率、高精度的记录红外传感器和摄像头生成的数据。
进一步地,所述恒温箱环境影响分析模型构建方法包括:
收集与电池充电过程相关的数据,包括电池温度、充电电压、充电电流和电池容量;
对数据进行清理,包括处理缺失值、异常值和离群点;
根据问题的复杂性和数据的性质选择模型,所述模型包括线性回归、多元线性回归、支持向量回归、决策树回归、神经网络;
利用收集到的数据对选定的模型进行训练,包括调整模型的参数以最小化实际温度和模型预测之间的差异;
使用独立的测试数据集来评估模型的性能,衡量模型的预测准确度;
根据评估结果对模型进行调整和优化;
将训练好的模型应用于实际数据,预测未来恒温箱温度影响因子。
进一步地,所述热红外温度图像信息有限元分析方法包括:
获取红外相机和热红外传感器采集的恒温箱的热红外温度图像信息作为输入数据;
对热红外温度图像进行预处理,所述预处理包括去除噪声、图像校准和纠偏;
利用有限元分析方法,建立恒温箱的温度传导模型;
运用数值求解方法,对建立的有限元模型进行求解,获得在恒温箱内部不同位置的温度分布;
在获得的有限元分析结果中,提取与恒温箱环境温度相关的恒温箱环境温度特征,所述特征包括整体温度分布图、温度梯度、热点位置。
进一步地,所述恒温箱温度预测模型构建方法包括:
收集相关的数据,包括历史温度数据、外部温度、湿度和工作状态;
对数据进行清洗,处理缺失值、异常值,进行数据预处理,包括标准化、归一化、时间序列的平稳化;
选择并提取影响温度的特征,包括历史温度数据、外部环境因素;
根据问题的性质选择预测模型,所述模型包括线性回归、支持向量机、决策树、随机森林、神经网络;
使用历史数据对选择的模型进行训练,调整模型的参数以最小化预测误差;
使用独立的测试数据集对模型进行评估,检查其在新数据上的泛化性能;
根据评估结果对模型进行调优,包括调整特征选择、模型参数;
将训练好的模型部署到实际系统中,并建立监控机制,确保模型在实际应用中的性能稳定。
进一步地,所述充电测试温度设定影响因素包括电池类型和化学组成、充电速率、电池状态、环境温度、安全性考虑、应用场景要求和测试目的。
另一方面,本申请还提供了一种新能源电池综合测试能源管理系统,所述系统包括:
数据采集模块,通过传感器获取新能源电池包充电数据信息以及恒温箱的热红外温度图像信息,并发送;
参数提取模块,用于接收新能源电池包充电数据信息,从新能源电池包充电数据信息中提取出影响恒温箱环境温度的要因参数,并发送;所述要因参数包括电池温度、充电电压、充电电流以及电池容量;
环境影响分析模块,用于接收要因参数,将要因参数输入至预先构建的恒温箱环境影响分析模型中,获得恒温箱温度影响因子,并发送;
有限元分析模块,用于接收恒温箱的热红外温度图像信息,对热红外温度图像信息进行有限元分析,获得恒温箱环境温度特征,并发送;所述恒温箱环境温度特征与所述恒温箱温度影响因子对应时间相同;
温度预测模块,用于接收恒温箱温度影响因子和恒温箱环境温度特征,将同一时间获得的恒温箱环境温度特征和恒温箱温度影响因子,输入至预先构建的恒温箱温度预测模型中,获得未来预设时间内的恒温箱温度,并发送;
温度调控模块,用于接收未来预设时间内的恒温箱温度,根据设定的充电测试温度与未来预设时间内的恒温箱温度之间的温差,生成温度调控参数;并根据温度调控参数对恒温箱进行温度调控。
第三方面,本申请提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,所述计算机程序被所述处理器执行时实现上述任意一项所述方法中的步骤。
第四方面,本申请还提供了一种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上述任意一项所述方法中的步骤。
与现有技术相比本发明的有益效果为:该方法通过综合考虑影响恒温箱环境温度的要因参数,采用恒温箱环境影响分析模型,实现对温度的精确控制,能够在测试过程中模拟真实工作环境,提高测试结果的准确性;通过对充电数据信息和热红外温度图像信息的综合分析,考虑多个因素对温度的影响,能够更全面地了解电池工作状态,提高测试的全面性和代表性;
采用恒温箱温度预测模型,能够预测未来预设时间内的恒温箱温度,进而在测试过程中能够提前做好温度调控准备,避免温度波动对测试结果的影响;通过对能源的分析和管理,根据设定的充电测试温度与未来预设时间内的恒温箱温度之间的温差生成温度调控参数,实现对恒温箱的智能温度调控,能够降低能耗,提高能源利用效率;
采用有限元分析对热红外温度图像进行处理,获得恒温箱环境温度特征,能够更直观地反映温度分布情况,进而准确地进行温度调控;
综上所述,本方法通过综合利用多种数据和模型,实现了对新能源电池综合测试过程中温度控制和能源管理的全面考虑,能够降低能耗,提高能源利用效率,降低测试成本、提高测试效率。
附图说明
图1是本发明的流程图;
图2是恒温箱环境影响分析模型构建方法的流程图;
图3是新能源电池综合测试能源管理系统的结构图。
具体实施方式
在本申请的描述中,所属技术领域的技术人员应当知道,本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此,本申请可以具体实现为以下形式:完全的硬件、完全的软件(包括固件、驻留软件、微代码等)、硬件和软件结合的形式。此外,在一些实施例中,本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式,该计算机可读存储介质中包含计算机程序代码。
上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括:电、磁、光、电磁、红外或半导体的系统、装置或器件,或者以上任意的组合。计算机可读存储介质更具体的例子包括:便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中,计算机可读存储介质可以是任意包含或存储程序的有形介质,该程序可以被指令执行系统、装置、器件使用或与其结合使用。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。
本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。
应当理解,流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合,都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,从而生产出一种机器,这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行,产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。
也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样,存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。
也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。
下面结合本申请中的附图对本申请进行描述。
实施例一:如图1至图2所示,本发明的一种新能源电池综合测试能源管理方法,具体包括以下步骤:
S1、通过传感器获取新能源电池包充电数据信息以及恒温箱的热红外温度图像信息;
S1步骤是通过传感器获取新能源电池包充电数据信息和恒温箱的热红外温度图像信息,收集与电池性能和环境温度相关的关键数据,为后续的分析和控制提供基础;
所述新能源电池包充电数据信息获取方法包括:
S111、在新能源电池包上安装温度传感器,使传感器覆盖电池表面,实时测量温度;
S112、将电压和电流传感器连接到电池包,实时测量充电电压和电流;
S113、使用集成容量传感器监测电池的容量,获得电池储能能力的信息;
S114、对所有传感器进行时间同步,使充电数据信息的时间戳保持一致;
S115、使用嵌入式系统,高频率、高精度的记录传感器生成的数据;
所述恒温箱的热红外温度图像信息获取方法包括:
S121、在恒温箱内部的关键位置安装热红外传感器,捕捉表面温度的空间分布;
S122、结合热红外传感器,使用红外摄像头辅助,获取实时的恒温箱内部图像;
S123、使用嵌入式系统,高频率、高精度的记录红外传感器和摄像头生成的数据。
在本步骤中,通过在电池表面安装温度传感器,能够实时测量电池的温度,检测电池在充电过程中的温度变化,为温度控制提供及时的反馈;通过连接电压和电流传感器,能够实时测量充电电压和电流,提供了电池的电气特性信息;利用集成容量传感器监测电池容量,提供电池储能能力的信息,能够了解电池的实际储能情况,对电池性能进行综合评估;通过对所有传感器进行时间同步和使用嵌入式系统进行高频率记录,确保各传感器生成的数据在时间上保持一致,且数据采集频率高,能够精确分析电池在不同时间段内的性能变化;
通过在恒温箱内安装热红外传感器,能够捕捉电池和箱体表面温度的空间分布情况,进而检测电池内部的温度分布不均匀性和热点;结合热红外传感器和红外摄像头,获取恒温箱内部的实时图像,提供了更全面的环境监测,有助于检测影响电池性能的各种因素;与电池数据信息一样,对热红外传感器和摄像头进行时间同步和高频率记录,确保数据的准确性和及时性;
将电池充电数据和热红外温度图像信息结合,提供了更全面的电池测试环境描述,为后续的分析和建模提供了更多维度的数据;高频率、高精度的数据记录确保了对电池和测试环境的准确监测,能够追踪电池性能的动态变化,并及时采取措施进行调整;所采集的数据可用于建立预测模型,提高对电池行为的理解和预测能力;
综上所述,S1步骤提供了全面、准确、时效的数据基础,为后续的电池测试和能源管理提供了可靠的支持。
S2、由新能源电池包充电数据信息中提取出影响恒温箱环境温度的要因参数,所述要因参数包括电池温度、充电电压、充电电流以及电池容量;
在步骤S2中,通过提取新能源电池包充电数据信息中的要因参数,即影响恒温箱环境温度的关键因素,是为了更准确地了解电池充电过程中的影响因素,从而进行精确的温度控制和管理;以下是对S2的详细介绍:
通过对新能源电池包的充电数据信息进行分析,提取出与恒温箱环境温度密切相关的要因参数,主要的要因参数包括:
A、电池温度,温度直接影响电池的性能和寿命,高温会导致电池过热,降低性能并缩短寿命,而低温则可能减缓电池反应速率;
B、充电电压,充电电压是电池充电过程中的一个关键参数,不同的电压水平会影响电池内部反应的进行,也会影响电池产生的热量;
C、充电电流,充电电流表示电流通过电池的速率,电流的大小直接关联到电池内部的能量变化和热量产生;
D、电池容量,电池容量是电池存储能量的能力,电池容量的变化会直接影响充电过程中电池内部的能量转换和热量生成;
采集到的数据将提供电池在不同工作状态下的实时性能信息,为后续的分析提供基础,这样的实时监测系统有助于更好地理解电池的热特性,为温度控制提供准确的输入参数。
在本步骤中,通过提取电池温度、充电电压、充电电流以及电池容量等要因参数,系统能够更全面、深入地了解电池在不同工作状态下的性能特征,为恒温箱的温度控制提供了更精准的基础;通过实时监测电池温度,系统能够及时响应并采取措施,防止电池过热,从而延长电池的寿命;充电电压、电流和容量等要因参数的实时监测,使系统能够根据电池的实际状态进行动态调整,以优化电池性能,提高电池的效率和稳定性;
通过对要因参数的实时监测,系统能够识别电池性能下降或异常的趋势,实现预测性维护,提前发现并解决问题,有助于减少维修成本和系统停机时间;采集到的实时性能信息为后续的分析和决策提供了坚实的数据基础,在电池测试管理中能够更加科学、数据驱动地制定温度控制策略和能源管理方案,提高整体测试效率和能源利用效率;
综上所述,S2步骤有助于提高新能源电池综合测试的准确性、可靠性和效率,为新能源电池的广泛应用提供了坚实的基础。
S3、将要因参数输入至预先构建的恒温箱环境影响分析模型中,获得恒温箱温度影响因子;
S3步骤是将实际从新能源电池包充电数据中提取的关键参数,通过恒温箱环境影响分析模型进行处理,从而得到了恒温箱温度影响因子,影响因子为后续的温度预测和控制提供了关键的数据支持,提高测试准确性和效率;
所述恒温箱环境影响分析模型构建方法包括:
S31、收集与电池充电过程相关的数据,包括电池温度、充电电压、充电电流和电池容量;
S32、对数据进行清理,包括处理缺失值、异常值和离群点;
S33、根据问题的复杂性和数据的性质选择模型,所述模型包括线性回归、多元线性回归、支持向量回归、决策树回归、神经网络;
S34、利用收集到的数据对选定的模型进行训练,包括调整模型的参数以最小化实际温度和模型预测之间的差异;
S35、使用独立的测试数据集来评估模型的性能,衡量模型的预测准确度;
S36、根据评估结果对模型进行调整和优化,提高其性能;
S37、将训练好的模型应用于实际数据,用于预测未来恒温箱温度影响因子。
在本步骤中,通过数据收集,模型综合了与电池充电过程相关的多个要因参数,使得模型更全面地考虑了影响恒温箱温度的各种因素;数据清理有助于提高数据的质量,确保了输入模型的数据是准确、完整、可靠的,避免模型受到低质量数据的干扰,提高模型的稳健性;
根据问题的复杂性和数据性质选择不同类型的模型,允许根据实际情况选择最适合问题的模型,提高了模型的适应性和泛化能力;通过模型训练、调整和优化,模型能够更好地拟合实际温度和要因参数之间的关系,减小预测误差,提高了模型的准确性和可靠性;使用独立的测试数据集进行性能评估,有助于验证模型的泛化能力,确保模型对未见过的数据也能做出准确的预测,提高模型在实际应用中的可信度;
将训练好的模型应用于实际数据,用于预测未来恒温箱温度影响因子,为后续的温度预测和控制提供了关键的数据支持,从而提高了测试准确性和效率;
综上所述,在整个建模过程中注重了数据质量、模型选择的灵活性、参数的优化以及性能评估,提高了恒温箱温度影响因子的准确性和模型的实用性。
S4、对热红外温度图像信息进行有限元分析,获得恒温箱环境温度特征;所述恒温箱环境温度特征与所述恒温箱温度影响因子对应时间相同;
在步骤S4中,通过对热红外温度图像信息进行有限元分析,旨在获取恒温箱环境温度特征,热红外温度图像是通过红外相机和热红外传感器获取的,用于表征恒温箱内部的温度分布情况,由于温度对电池性能有着直接的影响,因此了解恒温箱内的温度分布对电池测试的准确性至关重要;所述热红外温度图像信息有限元分析方法包括:
S41、获取红外相机和热红外传感器采集的恒温箱的热红外温度图像信息作为输入数据;
S42、对热红外温度图像进行预处理,所述预处理包括去除噪声、图像校准和纠偏,确保获得准确的温度分布信息;
S43、利用有限元分析方法,建立恒温箱的温度传导模型;
S44、运用数值求解方法,对建立的有限元模型进行求解,获得在恒温箱内部不同位置的温度分布;
S45、在获得的有限元分析结果中,提取与恒温箱环境温度相关的恒温箱环境温度特征,所述特征包括整体温度分布图、温度梯度、热点位置。
在本步骤中,通过对数据进行预处理,去除了图像中的噪声,进行了校准和纠偏,从而提高了热红外温度图像的质量和准确性;利用有限元分析方法,建立恒温箱的温度传导模型,并对其进行数值求解,能够准确地模拟和预测恒温箱内部不同位置的温度分布情况;通过特征提取,获得了恒温箱环境温度特征,包括整体温度分布图、温度梯度和热点位置,使得测试人员能够全面了解恒温箱内温度的空间分布,从而更好地理解测试环境中的温度变化;
通过确保提取的恒温箱环境温度特征与温度影响因子在相同时间点上,确保了模型输入的一致性,能够在综合测试中更准确地理解温度与其他测试因子之间的关系;由于温度对电池性能有直接影响,通过更准确地获取恒温箱环境温度特征,测试人员能够更精确地评估电池在不同温度条件下的性能表现,从而提高了测试的精度和可靠性;
综上所述,S4步骤有助于提高测试的准确性、全面性,使得新能源电池综合测试能源管理方法更加可信和实用。
S5、将同一时间获得的恒温箱环境温度特征和恒温箱温度影响因子,输入至预先构建的恒温箱温度预测模型中,获得未来预设时间内的恒温箱温度;
S5步骤利用已有的数据特征和影响因子,结合适当的预测模型和算法,预测未来时间段内的恒温箱温度,然后根据预测结果生成温度调控参数,从而实现对恒温箱温度的精确调节;
所述恒温箱温度预测模型构建方法包括:
S51、收集相关的数据,包括历史温度数据、外部温度、湿度和工作状态;
S52、对数据进行清洗,处理缺失值、异常值,进行数据预处理,包括标准化、归一化、时间序列的平稳化;
S53、选择并提取影响温度的特征,包括历史温度数据、外部环境因素;
S54、根据问题的性质选择预测模型,所述模型包括线性回归、支持向量机、决策树、随机森林、神经网络;
S55、使用历史数据对选择的模型进行训练,调整模型的参数以最小化预测误差;
S56、使用独立的测试数据集对模型进行评估,检查其在新数据上的泛化性能;
S57、根据评估结果对模型进行调优,包括调整特征选择、模型参数;
S58、将训练好的模型部署到实际系统中,并建立监控机制,确保模型在实际应用中的性能稳定。
在本步骤中,通过预测未来时间段内的恒温箱温度,系统能够生成相应的温度调控参数,从而实现对恒温箱温度的精确调节,确保恒温箱内部环境始终维持在预设的温度范围内,满足对温度精度要求较高的应用场景;通过在数据处理阶段进行清洗、预处理等操作,能够提高输入数据的质量,减少模型训练过程中的噪声和不确定性,从而提高了模型的可靠性和稳定性;该步骤综合利用了同一时间点获得的恒温箱环境温度特征和温度影响因子,通过预测模型将它们结合起来进行温度预测,能够更全面地考虑各种因素对温度的影响,提高了模型的预测精度;
通过将训练好的模型部署到实际系统中,并建立监控机制,能够实现对温度预测模型的实时监控,使得系统能够及时捕捉到模型性能的变化,并进行相应的调整和优化,确保模型在实际应用中的性能稳定;
综上所述,本步骤能够提高系统的温度控制精度、数据质量和资源利用效率,同时降低了维护成本,为实际应用带来了经济效益。
S6、根据设定的充电测试温度与未来预设时间内的恒温箱温度之间的温差,生成温度调控参数;并根据温度调控参数对恒温箱进行温度调控;
所述充电测试温度设定影响因素包括:
A、电池类型和化学组成,不同类型的电池以及其具体的化学组成对适宜的充电温度范围有不同的要求;
B、充电速率,充电速率的变化会导致电池温度升高,因此在设定充电测试温度时,应考虑所使用的充电速率;
C、电池状态,电池的充电状态对温度敏感,因此充电测试温度设定需要考虑电池的当前充电状态;
D、环境温度,外部环境温度会对电池充电过程中的温度产生影响;在测试时,需要考虑环境温度对电池温度的影响;
E、安全性考虑,高温会导致电池过热,而低温则会影响充电效率;因此安全性考虑是设定充电测试温度时的一个关键因素;
F、应用场景要求,不同的应用场景对电池性能有不同的要求;
G、测试目的,充电测试的具体目的也会影响充电温度的设定;
在本步骤中,通过根据多个影响因素设定充电测试温度,能够更精确地控制恒温箱的温度,在测试过程中维持稳定的温度条件,提高测试的准确性和可重复性;
考虑到不同电池类型、充电速率、电池状态等因素,通过合理设定充电测试温度,能够最大程度地优化电池的充电性能,实现电池的高效充电、延长寿命,确保其在各种应用场景下表现良好;考虑外部环境温度和应用场景要求能够使系统更好地适应不同的测试环境,确保测试结果更具代表性;考虑安全性因素,系统能够避免设定过高的充电测试温度,从而降低电池过热的风险,能够防止电池损坏,提高测试设备的安全性;充电测试温度的合理设定能够提高能源利用效率,避免不必要的能耗,在测试过程中降低能源成本,同时减少对环境的影响;通过考虑测试目的,系统能够根据不同的测试目标来调整充电测试温度,确保测试条件与实际应用场景匹配;
综上所述,通过综合考虑多个因素设定充电测试温度,并根据温度调控参数对恒温箱进行调控,能够实现更精确、安全、高效的新能源电池综合测试,进而提高测试结果的可信度,为新能源电池的研发和应用提供更有力的支持。
实施例二:如图3所示,本发明的一种新能源电池综合测试能源管理系统,具体包括以下模块;
数据采集模块,通过传感器获取新能源电池包充电数据信息以及恒温箱的热红外温度图像信息,并发送;
参数提取模块,用于接收新能源电池包充电数据信息,从新能源电池包充电数据信息中提取出影响恒温箱环境温度的要因参数,并发送;所述要因参数包括电池温度、充电电压、充电电流以及电池容量;
环境影响分析模块,用于接收要因参数,将要因参数输入至预先构建的恒温箱环境影响分析模型中,获得恒温箱温度影响因子,并发送;
有限元分析模块,用于接收恒温箱的热红外温度图像信息,对热红外温度图像信息进行有限元分析,获得恒温箱环境温度特征,并发送;所述恒温箱环境温度特征与所述恒温箱温度影响因子对应时间相同;
温度预测模块,用于接收恒温箱温度影响因子和恒温箱环境温度特征,将同一时间获得的恒温箱环境温度特征和恒温箱温度影响因子,输入至预先构建的恒温箱温度预测模型中,获得未来预设时间内的恒温箱温度,并发送;
温度调控模块,用于接收未来预设时间内的恒温箱温度,根据设定的充电测试温度与未来预设时间内的恒温箱温度之间的温差,生成温度调控参数;并根据温度调控参数对恒温箱进行温度调控。
该系统通过数据采集模块和参数提取模块,能够实时获取新能源电池包充电数据和影响恒温箱环境温度的要因参数,有助于精确控制恒温箱的温度,确保测试结果的准确性;系统采用了多模块的设计,多模块协同工作,提供了全面而深入的温度分析,增强了对温度变化的理解和预测准确性;数据采集模块通过传感器实时获取充电数据和热红外温度图像信息,有助于系统及时响应变化,并确保对电池测试过程中温度的实时监控和调整;
环境影响分析模块通过将要因参数输入事先构建的模型,获得了恒温箱温度影响因子,综合分析有助于理解温度变化的原因,从而更好地制定调控策略;有限元分析模块对热红外温度图像进行分析,获得了恒温箱环境温度特征,提供了对温度分布的详细了解,有助于更准确地预测未来的温度变化;
温度预测模块结合了恒温箱温度影响因子和环境温度特征,通过预测模型获得未来预设时间内的恒温箱温度,温度调控模块根据预测结果生成温度调控参数,实现对恒温箱的及时调控,能够避免温度波动对测试结果的影响;
综上所述,系统通过综合的能源管理方法,能够有效地利用和管理能源,降低能耗,提高能源利用效率,进而降低测试成本、提高测试效率。
前述实施例一中的新能源电池综合测试能源管理方法的各种变化方式和具体实施例同样适用于本实施例的新能源电池综合测试能源管理系统,通过前述对新能源电池综合测试能源管理方法的详细描述,本领域技术人员可以清楚的知道本实施例中新能源电池综合测试能源管理系统的实施方法,所以为了说明书的简洁,在此不再详述。
此外,本申请还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连,计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (9)
1.一种新能源电池综合测试能源管理方法,其特征在于,所述方法包括:
通过传感器获取新能源电池包充电数据信息以及恒温箱的热红外温度图像信息;
由新能源电池包充电数据信息中提取出影响恒温箱环境温度的要因参数,所述要因参数包括电池温度、充电电压、充电电流以及电池容量;
将要因参数输入至预先构建的恒温箱环境影响分析模型中,获得恒温箱温度影响因子;
对热红外温度图像信息进行有限元分析,获得恒温箱环境温度特征;所述恒温箱环境温度特征与所述恒温箱温度影响因子对应时间相同;
将同一时间获得的恒温箱环境温度特征和恒温箱温度影响因子,输入至预先构建的恒温箱温度预测模型中,获得未来预设时间内的恒温箱温度;
根据设定的充电测试温度与未来预设时间内的恒温箱温度之间的温差,生成温度调控参数;并根据温度调控参数对恒温箱进行温度调控;
所述恒温箱环境影响分析模型构建方法包括:
收集与电池充电过程相关的数据,包括电池温度、充电电压、充电电流和电池容量;
对数据进行清理,包括处理缺失值、异常值和离群点;
根据问题的复杂性和数据的性质选择模型,所述模型包括线性回归、多元线性回归、支持向量回归、决策树回归、神经网络;
利用收集到的数据对选定的模型进行训练,包括调整模型的参数以最小化实际温度和模型预测之间的差异;
使用独立的测试数据集来评估模型的性能,衡量模型的预测准确度;
根据评估结果对模型进行调整和优化;
将训练好的模型应用于实际数据,预测未来恒温箱温度影响因子。
2.如权利要求1所述的一种新能源电池综合测试能源管理方法,其特征在于,所述新能源电池包充电数据信息获取方法包括:
在新能源电池包上安装温度传感器,使传感器覆盖电池表面;
将电压和电流传感器连接到电池包,实时测量充电电压和电流;
使用集成容量传感器监测电池的容量,获得电池储能能力的信息;
对所有传感器进行时间同步,使充电数据信息的时间戳保持一致;
使用嵌入式系统,高频率、高精度的记录传感器生成的数据。
3.如权利要求1所述的一种新能源电池综合测试能源管理方法,其特征在于,所述恒温箱的热红外温度图像信息获取方法包括:
在恒温箱内部安装热红外传感器,捕捉表面温度的空间分布;
结合热红外传感器,使用红外摄像头辅助,获取实时的恒温箱内部图像;
使用嵌入式系统,高频率、高精度的记录红外传感器和摄像头生成的数据。
4.如权利要求1所述的一种新能源电池综合测试能源管理方法,其特征在于,所述热红外温度图像信息有限元分析方法包括:
获取红外相机和热红外传感器采集的恒温箱的热红外温度图像信息作为输入数据;
对热红外温度图像进行预处理,所述预处理包括去除噪声、图像校准和纠偏;
利用有限元分析方法,建立恒温箱的温度传导模型;
运用数值求解方法,对建立的有限元模型进行求解,获得在恒温箱内部不同位置的温度分布;
在获得的有限元分析结果中,提取与恒温箱环境温度相关的恒温箱环境温度特征,所述特征包括整体温度分布图、温度梯度、热点位置。
5.如权利要求1所述的一种新能源电池综合测试能源管理方法,其特征在于,所述恒温箱温度预测模型构建方法包括:
收集相关的数据,包括历史温度数据、外部温度、湿度和工作状态;
对数据进行清洗,处理缺失值、异常值,进行数据预处理,包括标准化、归一化、时间序列的平稳化;
选择并提取影响温度的特征,包括历史温度数据、外部环境因素;
根据问题的性质选择预测模型,所述模型包括线性回归、支持向量机、决策树、随机森林、神经网络;
使用历史数据对选择的模型进行训练,调整模型的参数以最小化预测误差;
使用独立的测试数据集对模型进行评估,检查其在新数据上的泛化性能;
根据评估结果对模型进行调优,包括调整特征选择、模型参数;
将训练好的模型部署到实际系统中,并建立监控机制,确保模型在实际应用中的性能稳定。
6.如权利要求1所述的一种新能源电池综合测试能源管理方法,其特征在于,所述充电测试温度设定影响因素包括电池类型和化学组成、充电速率、电池状态、环境温度、安全性考虑、应用场景要求和测试目的。
7.一种新能源电池综合测试能源管理系统,其特征在于,所述系统包括:
数据采集模块,通过传感器获取新能源电池包充电数据信息以及恒温箱的热红外温度图像信息,并发送;
参数提取模块,用于接收新能源电池包充电数据信息,从新能源电池包充电数据信息中提取出影响恒温箱环境温度的要因参数,并发送;所述要因参数包括电池温度、充电电压、充电电流以及电池容量;
环境影响分析模块,用于接收要因参数,将要因参数输入至预先构建的恒温箱环境影响分析模型中,获得恒温箱温度影响因子,并发送;
有限元分析模块,用于接收恒温箱的热红外温度图像信息,对热红外温度图像信息进行有限元分析,获得恒温箱环境温度特征,并发送;所述恒温箱环境温度特征与所述恒温箱温度影响因子对应时间相同;
温度预测模块,用于接收恒温箱温度影响因子和恒温箱环境温度特征,将同一时间获得的恒温箱环境温度特征和恒温箱温度影响因子,输入至预先构建的恒温箱温度预测模型中,获得未来预设时间内的恒温箱温度,并发送;
温度调控模块,用于接收未来预设时间内的恒温箱温度,根据设定的充电测试温度与未来预设时间内的恒温箱温度之间的温差,生成温度调控参数;并根据温度调控参数对恒温箱进行温度调控;
其中,所述恒温箱环境影响分析模型构建方法包括:
收集与电池充电过程相关的数据,包括电池温度、充电电压、充电电流和电池容量;
对数据进行清理,包括处理缺失值、异常值和离群点;
根据问题的复杂性和数据的性质选择模型,所述模型包括线性回归、多元线性回归、支持向量回归、决策树回归、神经网络;
利用收集到的数据对选定的模型进行训练,包括调整模型的参数以最小化实际温度和模型预测之间的差异;
使用独立的测试数据集来评估模型的性能,衡量模型的预测准确度;
根据评估结果对模型进行调整和优化;
将训练好的模型应用于实际数据,预测未来恒温箱温度影响因子。
8.一种新能源电池综合测试能源管理方法电子设备,包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述收发器、所述存储器和所述处理器通过所述总线相连,其特征在于,所述计算机程序被所述处理器执行时实现如权利要求1-6中任一项所述方法中的步骤。
9.一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如权利要求1-6中任一项所述方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410088175.6A CN117613430B (zh) | 2024-01-22 | 2024-01-22 | 一种新能源电池综合测试能源管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410088175.6A CN117613430B (zh) | 2024-01-22 | 2024-01-22 | 一种新能源电池综合测试能源管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117613430A true CN117613430A (zh) | 2024-02-27 |
CN117613430B CN117613430B (zh) | 2024-04-12 |
Family
ID=89944702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410088175.6A Active CN117613430B (zh) | 2024-01-22 | 2024-01-22 | 一种新能源电池综合测试能源管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117613430B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118153462A (zh) * | 2024-05-11 | 2024-06-07 | 无锡冠亚恒温制冷技术有限公司 | 基于深度学习的恒温系统能效评估方法及系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111398837A (zh) * | 2020-04-01 | 2020-07-10 | 重庆大学 | 一种基于数据驱动的车用电池健康状态估计方法 |
WO2022253038A1 (zh) * | 2021-06-02 | 2022-12-08 | 上海玫克生储能科技有限公司 | 基于弹性网的锂电池健康状态预测方法、系统、设备及介质 |
CN116861694A (zh) * | 2023-07-24 | 2023-10-10 | 四川威鹏电缆制造股份有限公司 | 一种基于人工智能的电缆温度预测方法 |
CN116933666A (zh) * | 2023-09-19 | 2023-10-24 | 深圳康普盾科技股份有限公司 | 一种集装箱储能系统的热管理优化方法、系统及介质 |
CN117074963A (zh) * | 2023-09-26 | 2023-11-17 | 苏州恩诺测试科技有限公司 | 环境可控智能新能源电池包综合测试系统 |
CN117134007A (zh) * | 2023-10-23 | 2023-11-28 | 深圳市神通天下科技有限公司 | 一种锂离子电池温度控制方法及系统 |
CN117289146A (zh) * | 2023-11-07 | 2023-12-26 | 深圳市优界科技有限公司 | 储能电池的充放电测试方法、装置、设备及存储介质 |
CN117284151A (zh) * | 2023-09-19 | 2023-12-26 | 湖北德普电气股份有限公司 | 一种自适应新能源车辆电池电量监测方法及系统 |
CN117318255A (zh) * | 2023-11-30 | 2023-12-29 | 北京中铁建电气化设计研究院有限公司 | 一种基于大数据可视化的电池状态分析系统及方法 |
CN117317408A (zh) * | 2023-09-07 | 2023-12-29 | 大庆恒驰电气有限公司 | 基于大数据和人工智能的电池及热量优化管理方法 |
-
2024
- 2024-01-22 CN CN202410088175.6A patent/CN117613430B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111398837A (zh) * | 2020-04-01 | 2020-07-10 | 重庆大学 | 一种基于数据驱动的车用电池健康状态估计方法 |
WO2022253038A1 (zh) * | 2021-06-02 | 2022-12-08 | 上海玫克生储能科技有限公司 | 基于弹性网的锂电池健康状态预测方法、系统、设备及介质 |
CN116861694A (zh) * | 2023-07-24 | 2023-10-10 | 四川威鹏电缆制造股份有限公司 | 一种基于人工智能的电缆温度预测方法 |
CN117317408A (zh) * | 2023-09-07 | 2023-12-29 | 大庆恒驰电气有限公司 | 基于大数据和人工智能的电池及热量优化管理方法 |
CN116933666A (zh) * | 2023-09-19 | 2023-10-24 | 深圳康普盾科技股份有限公司 | 一种集装箱储能系统的热管理优化方法、系统及介质 |
CN117284151A (zh) * | 2023-09-19 | 2023-12-26 | 湖北德普电气股份有限公司 | 一种自适应新能源车辆电池电量监测方法及系统 |
CN117074963A (zh) * | 2023-09-26 | 2023-11-17 | 苏州恩诺测试科技有限公司 | 环境可控智能新能源电池包综合测试系统 |
CN117134007A (zh) * | 2023-10-23 | 2023-11-28 | 深圳市神通天下科技有限公司 | 一种锂离子电池温度控制方法及系统 |
CN117289146A (zh) * | 2023-11-07 | 2023-12-26 | 深圳市优界科技有限公司 | 储能电池的充放电测试方法、装置、设备及存储介质 |
CN117318255A (zh) * | 2023-11-30 | 2023-12-29 | 北京中铁建电气化设计研究院有限公司 | 一种基于大数据可视化的电池状态分析系统及方法 |
Non-Patent Citations (1)
Title |
---|
朱攀峰;: "锂离子动力电池充放电特性的试验分析", 科学技术创新, no. 19, 1 July 2020 (2020-07-01) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118153462A (zh) * | 2024-05-11 | 2024-06-07 | 无锡冠亚恒温制冷技术有限公司 | 基于深度学习的恒温系统能效评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117613430B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117613430B (zh) | 一种新能源电池综合测试能源管理方法及系统 | |
TWI385492B (zh) | 機台設備的維護分析系統及其方法 | |
JP7497432B2 (ja) | バッテリー性能予測 | |
CN113656938A (zh) | 配电网变压器的监管方法、控制装置、及存储介质 | |
JP2020061575A (ja) | 高次元変数選択モデルを使用した重要なパラメータの決定システム | |
CN116882301B (zh) | 存储芯片的电阻补偿方法、装置、设备及存储介质 | |
CN117590159A (zh) | 一种基于深度学习的隧道电缆供电状态监测方法及系统 | |
CN114062886A (zh) | 量子芯片测试方法、装置及系统 | |
KR20150003174A (ko) | 보존 전압 감소(cvr) 시스템 및 volt/var 최적화 시스템의 성능 메트릭을 추정하기 위한 시스템 및 방법 | |
CN104154970A (zh) | 用于物位测量设备的维护模块和自动化维护方法 | |
CN117574176A (zh) | 一种bipv光伏玻璃生产工艺优化方法 | |
KR20220125445A (ko) | Bms, 이를 위한 적응형 모델 제공 장치 및 방법 | |
CN117609716A (zh) | 基于状态健康信息的电力设备剩余寿命远程预测方法及系统 | |
CN117893059A (zh) | 基于传感器的储能数据采集分析方法及系统 | |
CN110318953A (zh) | 风电机组电控系统的温度监控方法和设备 | |
Tang et al. | An IoT inspired semiconductor Reliability test system integrated with data-mining applications | |
CN113627621B (zh) | 一种面向光网络传输质量回归估计的主动学习方法 | |
Feng et al. | A Data Compensation Model for Predicting SOH and RUL of Lithium–Ion Battery | |
CN117272844B (zh) | 配电盘工作寿命的预测方法及系统 | |
CN117724933B (zh) | 一种数据中心通信热管理检测方法及系统 | |
Li et al. | An online state-of-health estimation method for lithium-ion battery based on linear parameter-varying modeling framework | |
Chen et al. | A self-attention knowledge domain adaptation network for commercial lithium-ion batteries state-of-health estimation under shallow cycles | |
Jiang et al. | Fault Diagnosis and Prediction Method of SPC for Engine Block Based on LSTM Neural Network | |
CN116643170B (zh) | 电机轴系振动测试方法、装置和计算机设备 | |
CN116774058B (zh) | 电池寿命预测方法、装置、设备及存储介质 |
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 |