CN117872167A - 一种电池性能影响因素分析方法 - Google Patents
一种电池性能影响因素分析方法 Download PDFInfo
- Publication number
- CN117872167A CN117872167A CN202410275663.8A CN202410275663A CN117872167A CN 117872167 A CN117872167 A CN 117872167A CN 202410275663 A CN202410275663 A CN 202410275663A CN 117872167 A CN117872167 A CN 117872167A
- Authority
- CN
- China
- Prior art keywords
- viscosity
- slurry
- factors
- characteristic
- correlation
- 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 43
- 238000000556 factor analysis Methods 0.000 title claims abstract description 20
- 239000002002 slurry Substances 0.000 claims abstract description 171
- 239000003292 glue Substances 0.000 claims abstract description 63
- 239000007787 solid Substances 0.000 claims abstract description 58
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims abstract description 33
- 229910001416 lithium ion Inorganic materials 0.000 claims abstract description 33
- 238000010791 quenching Methods 0.000 claims abstract description 19
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 230000000171 quenching effect Effects 0.000 claims abstract description 17
- RDJLIBMVLWBMKX-UHFFFAOYSA-N 1-(3,4-dihydro-2h-chromen-2-ylmethyl)piperidine Chemical compound C1CC2=CC=CC=C2OC1CN1CCCCC1 RDJLIBMVLWBMKX-UHFFFAOYSA-N 0.000 claims abstract description 13
- 238000003756 stirring Methods 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 31
- 238000001125 extrusion Methods 0.000 claims description 28
- 230000001364 causal effect Effects 0.000 claims description 25
- 230000005284 excitation Effects 0.000 claims description 25
- 238000004891 communication Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 7
- 230000007774 longterm Effects 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 238000012886 linear function Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 description 11
- 239000011267 electrode slurry Substances 0.000 description 9
- 239000000203 mixture Substances 0.000 description 8
- MUBZPKHOEPUJKR-UHFFFAOYSA-N Oxalic acid Chemical compound OC(=O)C(O)=O MUBZPKHOEPUJKR-UHFFFAOYSA-N 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012935 Averaging Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000012530 fluid Substances 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000010008 shearing Methods 0.000 description 4
- 229920002134 Carboxymethyl cellulose Polymers 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 239000001768 carboxy methyl cellulose Substances 0.000 description 3
- 235000010948 carboxy methyl cellulose Nutrition 0.000 description 3
- 239000008112 carboxymethyl-cellulose Substances 0.000 description 3
- 239000011248 coating agent Substances 0.000 description 3
- 238000000576 coating method Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000011149 active material Substances 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000001035 drying Methods 0.000 description 2
- 235000006408 oxalic acid Nutrition 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 239000006257 cathode slurry Substances 0.000 description 1
- 238000009614 chemical analysis method Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 239000002003 electrode paste Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000001550 time effect Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本发明公开了一种电池性能影响因素分析方法,其中方法包括:测量各份电池胶液的PH值与胶液黏度作为第一特征因素;测试生产负极浆料在不同时间的浆料黏度与固含量、在不同温度下的浆料黏度、在不同温度下搅拌后的浆料黏度以及在多次先骤冷再骤热后的浆料黏度;计算特征因素及对应的衍生特征因素与电压、电流和容量的相关性,得到电池胶液与浆料的黏度影响因素。本发明从时间、温度、固含量、PH值方面分析影响锂离子电池胶液黏度和浆料黏度的因素,采用高阶平滑KL散度、PPMCC相关系数和GRA关联度作为评价特征因素的相关性,根据TCN卷积网络模型得到影响特征因素的影响大小,为锂离子电池的安全高效运行提供了重要决策依据。
Description
技术领域
本发明涉及锂离子电池技术领域,具体涉及一种电池性能影响因素分析方法。
背景技术
对于锂离子电池生产来说,涂布是电池生产的一道关键工序,直接影响电极及电池质量,所以对于电池浆料的控制相当重要。浆料属于非牛顿流体,黏度反映了非牛顿流体的基本特征,对于影响浆料黏度的因素,非牛顿流体黏度测定的研究具有重要的意义。材料的组成是影响黏度的一个重要参数,比如主材、添加剂等,当组成改变后,不管是组成物质的比率或其它物质的添加,黏度的改变都是可能的。关于影响黏度因素的研究有很多,最有可能影响材料流变行为的因素之一为温度。对于搅拌浆料,由于温度直接影响分子的扩散,从而影响黏度系数。时间明显地影响材料的摇变性质和流变性质,其黏度会随着时间而改变,因此在研究黏度影响因素时,时间的效应是必须做考量的。
关于锂离子电池浆料黏度的研究鲜有报道,申请号为202211190483 .7的中国专利,虽然公开了一种锂离子电池浆料黏度预测方法、装置及相关设备,方法包括:获取目标浆料在第一时段内的浆料状态数据,目标浆料是用于制备锂离子电池的浆料,浆料状态数据包括处理温度、处理剪切力、处理剪切速率及上述第一时段内的浆料黏度序列数据,第一时段包括上述锂离子电池的涂布时段;获取目标浆料在第二时段的目标温度、目标剪切力和目标剪切速率,第二时段在第一时段之后,第二时段包括涂膜干燥时段;根据目标温度、目标剪切力、目标剪切速率以及浆料状态数据,通过已训练的浆料黏度预测模型对目标浆料在第二时段内的黏度进行预测,并获得对应的浆料黏度预测数据。但是,该方法对于不同的浆料配方或处理参数,其模型预测准确性会下降,难以能够适应其他各种变化。并且,获取目标浆料在第一时段内的详细浆料状态数据(如处理剪切力、处理剪切速率)需要高度精确的测量技术,由于操作误差、温度变化以及设备漂移等因素的影响,导致难以确保数据的准确性和一致性,影响锂离子电池浆料黏度预测的可靠性。
本发明主要研究了影响浆料黏度的因素,除材料本身及组成的差别外,主要集中于对于温度、时间、固含量、PH 值等因素对于浆料黏度的影响,采用高阶平滑KL散度、PPMCC相关系数和GRA关联度作为评价指标,结合TCN卷积网络模型对电池胶液与浆料的黏度影响因素进行分析和预测。
发明内容
鉴于上述问题,提出了本发明以便提供一种电池性能影响因素分析方法。
根据本发明的一个方面,提供了一种电池性能影响因素分析方法,包括:
配制多份不同固含量的电池胶液,测量各份所述电池胶液的PH值与胶液黏度作为第一特征因素;
分别测试生产负极浆料在不同时间的第一浆料黏度与固含量、在不同温度下的第二浆料黏度、在不同温度下搅拌后的第三浆料黏度以及在多次先骤冷再骤热后的第四浆料黏度,将所述第一浆料黏度与固含量、第二浆料黏度、第三浆料黏度、第四浆料黏度作为第二特征因素,通过多次重复充放电获取所述锂离子电池的电压、电流和容量;
采用高阶平滑KL散度、PPMCC相关系数和GRA关联度作为评价所述第一特征因素、所述第二特征因素及对应的第一衍生特征因素、第二衍生特征因素与所述电压、电流和容量的相关性;将所述特征因素及所述衍生特征因素作为输入向量输入至TCN卷积网络模型,对电压、电流和容量进行多次预测,将多次预测结果的平均值作为预测误差,得到所述电池胶液与浆料的黏度影响因素,其中,所述TCN卷积网络模型包括分组卷积模块、多尺度空洞因果卷积模块以及挤压激励模块。
在一种可选的方式中,所述衍生特征因素包括所述特征因素对应的最大值、最小值、平均值、拐点值、最大变化值、最小变化值、方差以及标准差;
所述高阶平滑KL散度的计算公式为:
,
其中,,为任意两个特征因素或衍生特征因素的概率,为时间、温度、固
含量或PH值,为特征因素的维度,为任意两个特征因素或衍生特征因素的散
度,N为阶数,为平滑参数。
在一种可选的方式中,所述GRA关联度的计算步骤包括:
初始化样本序列,,其中,,,
n为样本数量,,均为样本数据;
定义样本序列,的GRA关联系数,其中,, 为分辨系数,为
时间、温度或固含量,i,j表示PH值、胶液黏度或浆料黏度,;
计算样本序列,的GRA关联度,,其中,i=1,2,…,n,为预设阈
值。
在一种可选的方式中,所述将所述特征因素及所述衍生特征因素作为输入向量输入至TCN卷积网络模型,对电压、电流和容量进行多次预测进一步包括:
将处理后的特征因素和衍生特征因素进行组合得到输入向量,将所述输入向量分成多组,并在各组内进行卷积操作;
通过所述TCN卷积网络模型对同一组输入向量进行多次预测,将多次预测结果的平均值与实际观测值之间的差异作为预测误差,其中,所述多尺度空洞因果卷积模块使用不同空洞率的因果卷积捕捉输入向量的长期依赖关系,所述挤压激励模块学习输入特征通道之间的关系并加权。
在一种可选的方式中,所述挤压激励模块在挤压操作中使用全局平均池化挤压空间维度,以及,在激励操作中使用跨通道的卷积增强特征之间的交互。
在一种可选的方式中,所述分组卷积模块中输出与输入序列的表达式为:
,
其中,为输出值,为时间、温度或固含量,为分层的层数,为第层的分组数,为第层每个分组的元素数,为第层的输入数据中第个元素,为第层第组的
权重,b为偏置项。
在一种可选的方式中,所述多尺度空洞因果卷积模块的卷积表达式为:
,
其中,为滤波器的当前输出,f()为非线性函数,L为滤波器的尺度数量,为当
前尺度的索引,K为每个尺度上滤波器的长度,为第个尺度上第j个滤波器的系数,
为第个尺度上与第j个系数相关的延迟,M为递归记忆阶数,为第m个递归系数。
在一种可选的方式中,所述挤压激励模块的输出表达式为:
,
其中,为输出,x为输入,为激活函数,为x的线性关系函数。
根据本发明的另一方面,提供了一种锂离子电池胶液黏度和浆料黏度的因素分析装置,包括:
第一特征因素测量模块,用于配制多份不同固含量的电池胶液,测量各份所述电池胶液的PH值与胶液黏度作为第一特征因素;
第二特征因素测量模块,用于分别测试生产负极浆料在不同时间的第一浆料黏度与固含量、在不同温度下的第二浆料黏度、在不同温度下搅拌后的第三浆料黏度以及在多次先骤冷再骤热后的第四浆料黏度,将所述第一浆料黏度与固含量、第二浆料黏度、第三浆料黏度、第四浆料黏度作为第二特征因素,通过多次重复充放电获取所述锂离子电池的电压、电流和容量;
影响因素分析模块,用于采用高阶平滑KL散度、PPMCC相关系数和GRA关联度作为评价所述第一特征因素、所述第二特征因素及对应的第一衍生特征因素、第二衍生特征因素与所述电压、电流和容量的相关性;将所述特征因素及所述衍生特征因素作为输入向量输入至TCN卷积网络模型,对电压、电流和容量进行多次预测,将多次预测结果的平均值作为预测误差,得到所述电池胶液与浆料的黏度影响因素,其中,所述TCN卷积网络模型包括分组卷积模块、多尺度空洞因果卷积模块以及挤压激励模块。
根据本发明的又一方面,提供了一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述电池性能影响因素分析方法对应的操作。
根据本发明提供的方案,配制多份不同固含量的电池胶液,测量各份所述电池胶液的PH值与胶液黏度作为第一特征因素;分别测试生产负极浆料在不同时间的第一浆料黏度与固含量、在不同温度下的第二浆料黏度、在不同温度下搅拌后的第三浆料黏度以及在多次先骤冷再骤热后的第四浆料黏度,将所述第一浆料黏度与固含量、第二浆料黏度、第三浆料黏度、第四浆料黏度作为第二特征因素;通过多次重复充放电获取所述锂离子电池的电压、电流和容量;计算所述第一特征因素、所述第二特征因素及对应的第一衍生特征因素、第二衍生特征因素与所述电压、电流和容量的相关性,得到所述电池胶液与浆料的黏度影响因素。本发明从时间、温度、固含量、PH值方面分析影响锂离子电池胶液黏度和浆料黏度的因素,采用高阶平滑KL散度、PPMCC相关系数和GRA关联度作为评价特征因素的相关性,根据TCN卷积网络模型得到影响特征因素的影响大小,为锂离子电池的安全高效运行提供了重要决策依据。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例的电池性能影响因素分析方法的流程示意图;
图2示出了本发明实施例的锂离子电池胶液黏度和浆料黏度的因素分析装置的结构示意图;
图3示出了本发明实施例的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了本发明实施例的电池性能影响因素分析方法的流程示意图。本发明从时间、温度、固含量、PH值方面分析影响锂离子电池胶液黏度和浆料黏度的因素,采用高阶平滑KL散度、PPMCC相关系数和GRA关联度作为评价特征因素的相关性,根据TCN卷积网络模型得到影响特征因素的影响大小,为锂离子电池的安全高效运行提供了重要决策依据。具体地,如图1所示,包括以下步骤:
步骤S101,配制多份不同固含量的电池胶液,测量各份所述电池胶液的PH值与胶液黏度作为第一特征因素。
例如,取2.2%浓度的分散好的CMC(羧甲基纤维素)胶液,测其PH值和黏度,分别配制5份不同PH值的草酸溶液,加入到5份CMC胶液中,将固含量稀释至1.8%的浓度,测试黏度的变化。分别配制多份不同固含量的电池胶液,测量各份电池胶液的PH值与胶液黏度作为第一特征因素。
步骤S102,分别测试生产负极浆料在不同时间的第一浆料黏度与固含量、在不同温度下的第二浆料黏度、在不同温度下搅拌后的第三浆料黏度以及在多次先骤冷再骤热后的第四浆料黏度,将所述第一浆料黏度与固含量、第二浆料黏度、第三浆料黏度、第四浆料黏度作为第二特征因素, 通过多次重复充放电获取所述锂离子电池的电压、电流和容量。
具体地,取生产负极浆料,静置,测试不同时间下浆料黏度的变化,并取上部和底部静置浆料测试其固含量。取生产的负极浆料,测试在不同时间的浆料黏度(称为第一浆料黏度)与固含量,在不同温度下的浆料黏度(称为第二浆料黏度),对负极浆料进行不同温度搅拌后,测试浆料的黏度(称为第三浆料黏度),负极浆料在同一温度搅拌不同时间后,测试浆料黏度的变化,负极浆料先骤冷再骤热的实验中测试的浆料黏度(称为第四浆料黏度)。将第一浆料黏度与固含量、第二浆料黏度、第三浆料黏度、第四浆料黏度作为第二特征因素。然后,通过多次重复充放电获取所述锂离子电池的电压、电流和容量。
例如,测试第一浆料黏度与固含量时,取生产出的负极浆料样品,将其静置在容器中。在不同的时间点(如0小时、2小时、4小时、8小时)使用黏度计测量浆料的黏度,记录变化。同时,在每个时间点取上部和底部的静置浆料,通过干燥法或化学分析法测试其固含量,并比较不同位置的固含量差异。
测试第二浆料黏度时,取另一份负极浆料样品,将其放置在不同的温度环境中(如0°C、25°C、50°C)。在每个温度下稳定一段时间后,使用黏度计测量浆料的黏度,并记录结果。
测试第三浆料黏度时,取负极浆料样品,在不同的温度下进行搅拌处理(如低温搅拌、室温搅拌、高温搅拌)。搅拌结束后,立即测量浆料的黏度,并比较不同温度下搅拌对黏度的影响。
测试第四浆料黏度时,取负极浆料样品,先进行骤冷处理(如从室温迅速降温至-20°C)。保持一段时间后,再进行骤热处理(如从-20°C迅速升温至50°C)。在骤冷骤热过程中及之后,测量浆料的黏度,并记录变化。
本实施例中,由于浆料的粘度影响电池的循环稳定性和容量衰减率,粘度过高的浆料在电池充放电循环过程中,活性物质的扩散速度较慢,导致电池内部电化学反应的速率变慢,从而影响电池的循环稳定性。而粘度过低的浆料则会导致电池中活性物质的流失,进而导致电池容量衰减率增加。通过重复充放电循环可以加速电池老化,根据获取锂离子电池的电压、电流和容量,可以提取出更多的评价指标以丰富模型的输入参数。通过对负极浆料在不同时间、不同温度以及搅拌和骤冷骤热条件下的黏度进行测试,可以全面评估浆料的流变性能。将浆料黏度与锂离子电池的电压、电流和容量数据进行关联分析,可以预测不同浆料配方和工艺条件下电池的性能表现。
步骤S103,采用高阶平滑KL散度、PPMCC相关系数和GRA关联度作为评价所述第一特征因素、所述第二特征因素及对应的第一衍生特征因素、第二衍生特征因素与所述电压、电流和容量的相关性;将所述特征因素及所述衍生特征因素作为输入向量输入至TCN卷积网络模型,对电压、电流和容量进行多次预测,将多次预测结果的平均值作为预测误差,得到所述电池胶液与浆料的黏度影响因素,其中,所述TCN卷积网络模型包括分组卷积模块、多尺度空洞因果卷积模块以及挤压激励模块。
具体地,相关分析是指对两个或多个具备相关性的变量元素进行分析,从而衡量两个因素的的相关密切程度,相关性的元素之间需要存在一定的联系或者概率才可以进行相关性分析。例如,在温度一定的情况下,随着草酸浓度的增加,胶液PH值逐渐降低,胶液黏度也随之降低。静置状态的负极浆料在一定时间内黏度变化不大,但负极水系浆料静置48小时后上下层固含量差值很大,分层很明显,浆料不可再使用。在10~90℃区间内,负极水系浆料黏度随温度的升高而逐渐降低,随温度的降低而逐渐升高。本实施例中,通过计算第一特征因素、第二特征因素及对应的第一衍生特征因素、第二衍生特征因素与电压、电流和容量的相关性,得到电池胶液与浆料的黏度影响因素。
然后,将所述特征因素及所述衍生特征因素作为输入向量输入至TCN卷积网络模型,对电压、电流和容量进行多次预测,将多次预测结果的平均值作为预测误差,得到所述电池胶液与浆料的黏度影响因素,其中,所述TCN卷积网络模型包括分组卷积模块、多尺度空洞因果卷积模块以及挤压激励模块。TCN卷积网络模型能够捕获时间序列数据中的复杂依赖关系,结合分组卷积和多尺度空洞因果卷积,进一步提高了对电池性能预测的准确性。具体地,将黏度、固含量等特征以及它们的衍生特征(如变化率)整理成时间序列格式。构建TCN模型,包括分组卷积层、多尺度空洞因果卷积层和挤压激励层,并设置适当的超参数。使用历史数据训练TCN模型,通过调整模型参数最小化预测误差。对新的电池胶液与浆料数据进行多次预测,并计算预测结果的平均值。分析预测结果与实际观测值之间的差异,确定影响电池性能的关键因素,如特定时间点的黏度或固含量变化。
在一种可选的方式中,所述衍生特征因素包括所述特征因素对应的最大值、最小值、平均值、拐点值、最大变化值、最小变化值、方差以及标准差。
衍生变量是指随原始变量变化而变化的变量,通过一定的变换或者组合后往往具有较强的信息价值。以拐点值为例,胶液黏度开始出现大幅度降低的拐点位置是在胶液的PH值降低至小于4.5时,因此,浆料的有效PH值要大于4.5。可选地,对最大值、最小值、平均值、拐点值、最大变化值、最小变化值、方差以及标准差进行组合生成其他无因次中间统计量。对于一些复杂的模型中(特别是流体力学和热学中),由于可变参数数量较多, 无法进行有效的定量研究,通过将一些参数组合在一起作为无因次中间统计量,可以有效的研究一些具有相似性质的物理现象。
在一种可选的方式中,所述计算所述第一特征因素、所述第二特征因素及对应的第一衍生特征因素、第二衍生特征因素与所述电压、电流和容量的相关性,得到所述电池胶液与浆料的黏度影响因素进一步包括:
采用高阶平滑KL散度、PPMCC相关系数和GRA关联度作为评价所述第一特征因素、所述第二特征因素及对应的第一衍生特征因素、第二衍生特征因素与所述电压、电流和容量的相关性;
将所述特征因素及所述衍生特征因素作为输入向量输入至TCN卷积网络模型,对电压、电流和容量进行多次预测,将多次预测结果的平均值作为预测误差,得到所述电池胶液与浆料的黏度影响因素。
其中,高阶平滑KL散度用于衡量两个随机分布之间的距离,当两个随机分布相同时,它们的相对熵为零,当两个随机分布的差别增大时,它们的相对熵也会增大。PPMCC相关系数的计算速度快、易于计算,更适于线性相关性的分析,并且可以衡量两个变量之间的线性关系强度和方向。GRA关联度是一种用于多指标决策评价的方法,由灰色系统理论发展而来,用于分析和评价多个指标之间的相关性和影响程度,例如,通过比较关联度的大小来判断待识别对象对研究对象的影响程度。TCN卷积网络模型具有相同输入和输出长度的扩张的、因果的卷积层组成,比典型的递归网络(如LSTM和GRU)更精确,而且更简单、更清晰,更适合于较长历史记录的领域。
在一种可选的方式中,所述高阶平滑KL散度的计算公式为:
,
其中,,为任意两个特征因素或衍生特征因素的概率,为时间、温度、固
含量或PH值,为特征因素的维度,为任意两个特征因素或衍生特征因素的散
度,N为阶数,为平滑参数。
在一种可选的方式中,所述特征因素或衍生特征因素的概率的计算公式为:
,
其中,,为特征因素或衍生特征因素的概率,h为预设的正数,K(u)为高斯
核函数,,u为期望值,,n为样本数量,为时间、温度、固含量或PH值,
为第i个样本。
在一种可选的方式中,所述PPMCC相关系数的计算公式为:
,
其中,,分别为变量,的期望值,,表示两变量正相关,表示两变量负相关,表示两变量无线性相关关系,表示两变量为完全
线性相关关系。
在一种可选的方式中,所述GRA关联度的计算步骤包括:
初始化样本序列,,其中,,,
n为样本数量,,均为样本数据;
定义样本序列,的GRA关联系数,其中,, 为分辨系数,为
时间、温度或固含量,i,j表示PH值、胶液黏度或浆料黏度,;
计算样本序列,的GRA关联度,,其中,i=1,2,…,n,为预设阈
值。
在一种可选的方式中,所述将所述特征因素及所述衍生特征因素作为输入向量输入至TCN卷积网络模型,对电压、电流和容量进行多次预测进一步包括:
将处理后的特征因素和衍生特征因素进行组合得到输入向量,将所述输入向量分成多组,并在各组内进行卷积操作;
通过所述TCN卷积网络模型对同一组输入向量进行多次预测,将多次预测结果的平均值与实际观测值之间的差异作为预测误差,其中,所述多尺度空洞因果卷积模块使用不同空洞率的因果卷积捕捉输入向量的长期依赖关系,所述挤压激励模块学习输入特征通道之间的关系并加权。
本实施例中,将输入向量分成多组并在各组内进行卷积操作,可以有效减少计算负担,在保持较高性能的同时,降低了参数数量和计算复杂度。以及,通过对同一组输入向量进行多次预测并取平均值,减少了模型随机性(如dropout)或数据噪声对预测结果的影响,增强了模型预测的稳定性。通过多尺度空洞因果卷积模块能够捕捉输入向量中的长期依赖关系,在不同空洞率下应用因果卷积,模型能够关注到过去不同时间点的信息。
在一种可选的方式中,所述挤压激励模块在挤压操作中使用全局平均池化挤压空间维度,以及,在激励操作中使用跨通道的卷积增强特征之间的交互。
本实施例中,通过全局平均池化挤压空间维度,能够显著降低模型的计算复杂度。通过全局平均池化将每个特征通道的空间维度压缩为一个单一的数值,去除了空间冗余信息。在激励操作中使用跨通道的卷积能够增强不同特征通道之间的交互。通过组合挤压和激励使得模型能够更有效地学习和利用输入数据中的有用特征。
在一种可选的方式中,所述分组卷积模块中输出与输入序列的表达式为:
,
其中,为输出值,为时间、温度或固含量,为分层的层数,为第层的分组数,为第层每个分组的元素数,为第层的输入数据中第个元素,为第层第组的
权重,b为偏置项。
本实施例中,通过分组卷积可以在同一层内的不同分组之间共享权重,减少了模型参数的数量,有助于防止过拟合,并提高了模型的泛化能力。通过对每个分组内的元素进行平均池化,能够提取出每个分组内的代表性特征,有助于模型学习到输入数据中的关键信息,并忽略不相关或冗余的细节。
在一种可选的方式中,所述多尺度空洞因果卷积模块的卷积表达式为:
,
其中,为滤波器的当前输出,f()为非线性函数,L为滤波器的尺度数量,为当
前尺度的索引,K为每个尺度上滤波器的长度,为第个尺度上第j个滤波器的系数,
为第个尺度上与第j个系数相关的延迟,M为递归记忆阶数,为第m个递归系数。
本实施例中,引入多个尺度,每个尺度上具有不同的空洞率,有助于同时关注到短期和长期的依赖关系。因果卷积确保在预测当前时刻的输出时,只依赖于过去的信息,而不使用未来的信息。
所述挤压激励模块的输出表达式为:
,
其中,为输出,x为输入,为激活函数,为x的线性关系函数。
本实施例中,通过挤压激励模块提高网络产生的表示质量,挤压激励模块主要包含两个关键的操作:挤压和激励。挤压操作通过使用全局平均池化将空间上的信息压缩,相当于将每一个通道直接压缩成一个标量,目的是获取全局信息,为后续的激励操作提供输入。激励操作通过两个全连接层实现。首先对挤压操作得到的全局信息进行非线性变换,然后学习通道间的依赖关系,得到每个通道的权重。
根据本发明提供的方案,配制多份不同固含量的电池胶液,测量各份所述电池胶液的PH值与胶液黏度作为第一特征因素;分别测试生产负极浆料在不同时间的第一浆料黏度与固含量、在不同温度下的第二浆料黏度、在不同温度下搅拌后的第三浆料黏度以及在多次先骤冷再骤热后的第四浆料黏度,将所述第一浆料黏度与固含量、第二浆料黏度、第三浆料黏度、第四浆料黏度作为第二特征因素;通过多次重复充放电获取所述锂离子电池的电压、电流和容量;计算所述第一特征因素、所述第二特征因素及对应的第一衍生特征因素、第二衍生特征因素与所述电压、电流和容量的相关性,得到所述电池胶液与浆料的黏度影响因素。本发明从时间、温度、固含量、PH值方面分析影响锂离子电池胶液黏度和浆料黏度的因素,采用高阶平滑KL散度、PPMCC相关系数和GRA关联度作为评价特征因素的相关性,根据TCN卷积网络模型得到影响特征因素的影响大小,为锂离子电池的安全高效运行提供了重要决策依据。
图2示出了本发明实施例的锂离子电池胶液黏度和浆料黏度的因素分析装置的结构示意图。锂离子电池胶液黏度和浆料黏度的因素分析装置包括:第一特征因素测量模块210、第二特征因素测量模块220以及影响因素分析模块230。
所述第一特征因素测量模块210,用于配制多份不同固含量的电池胶液,测量各份所述电池胶液的PH值与胶液黏度作为第一特征因素;
所述第二特征因素测量模块220,用于分别测试生产负极浆料在不同时间的第一浆料黏度与固含量、在不同温度下的第二浆料黏度、在不同温度下搅拌后的第三浆料黏度以及在多次先骤冷再骤热后的第四浆料黏度,将所述第一浆料黏度与固含量、第二浆料黏度、第三浆料黏度、第四浆料黏度作为第二特征因素,通过多次重复充放电获取所述锂离子电池的电压、电流和容量;
所述影响因素分析模块230,用于采用高阶平滑KL散度、PPMCC相关系数和GRA关联度作为评价所述第一特征因素、所述第二特征因素及对应的第一衍生特征因素、第二衍生特征因素与所述电压、电流和容量的相关性;将所述特征因素及所述衍生特征因素作为输入向量输入至TCN卷积网络模型,对电压、电流和容量进行多次预测,将多次预测结果的平均值作为预测误差,得到所述电池胶液与浆料的黏度影响因素,其中,所述TCN卷积网络模型包括分组卷积模块、多尺度空洞因果卷积模块以及挤压激励模块。
在一种可选的方式中,所述衍生特征因素包括所述特征因素对应的最大值、最小值、平均值、拐点值、最大变化值、最小变化值、方差以及标准差;
所述高阶平滑KL散度的计算公式为:
,
其中,,为任意两个特征因素或衍生特征因素的概率,为时间、温度、固
含量或PH值,为特征因素的维度,为任意两个特征因素或衍生特征因素的散
度,N为阶数,为平滑参数。
在一种可选的方式中,所述GRA关联度的计算步骤包括:
初始化样本序列,,其中,,,
n为样本数量,,均为样本数据;
定义样本序列,的GRA关联系数,其中,, 为分辨系数,为
时间、温度或固含量,i,j表示PH值、胶液黏度或浆料黏度,;
计算样本序列,的GRA关联度,,其中,i=1,2,…,n,为预设阈
值。
在一种可选的方式中,所述将所述特征因素及所述衍生特征因素作为输入向量输入至TCN卷积网络模型,对电压、电流和容量进行多次预测进一步包括:
将处理后的特征因素和衍生特征因素进行组合得到输入向量,将所述输入向量分成多组,并在各组内进行卷积操作;
通过所述TCN卷积网络模型对同一组输入向量进行多次预测,将多次预测结果的平均值与实际观测值之间的差异作为预测误差,其中,所述多尺度空洞因果卷积模块使用不同空洞率的因果卷积捕捉输入向量的长期依赖关系,所述挤压激励模块学习输入特征通道之间的关系并加权。
在一种可选的方式中,所述挤压激励模块在挤压操作中使用全局平均池化挤压空间维度,以及,在激励操作中使用跨通道的卷积增强特征之间的交互。
在一种可选的方式中,所述分组卷积模块中输出与输入序列的表达式为:
,
其中,为输出值,为时间、温度或固含量,为分层的层数,为第层的分组数,为第层每个分组的元素数,为第层的输入数据中第个元素,为第层第组的
权重,b为偏置项。
在一种可选的方式中,所述多尺度空洞因果卷积模块的卷积表达式为:
,
其中,为滤波器的当前输出,f()为非线性函数,L为滤波器的尺度数量,为当
前尺度的索引,K为每个尺度上滤波器的长度,为第个尺度上第j个滤波器的系数,
为第个尺度上与第j个系数相关的延迟,M为递归记忆阶数,为第m个递归系数。
在一种可选的方式中,所述挤压激励模块的输出表达式为:
,
其中,为输出,x为输入,为激活函数,为x的线性关系函数。
图3示出了本发明计算设备实施例的结构示意图,本发明具体实施例并不对计算设备的具体实现做限定。
如图3所示,该计算设备可以包括:处理器(processor)302、通信接口(Communications Interface)304、存储器(memory)306、以及通信总线308。
其中:处理器302、通信接口304、以及存储器306通过通信总线308完成相互间的通信。通信接口304,用于与其它设备比如客户端或其它服务器等的网元通信。处理器302,用于执行程序310,具体可以执行上述电池性能影响因素分析方法实施例中的相关步骤。
具体地,程序310可以包括程序代码,该程序代码包括计算机操作指令。
处理器302可能是中央处理器CPU,或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit),或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器306,用于存放程序310。存储器306可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
根据本发明提供的方案,配制多份不同固含量的电池胶液,测量各份所述电池胶液的PH值与胶液黏度作为第一特征因素;分别测试生产负极浆料在不同时间的第一浆料黏度与固含量、在不同温度下的第二浆料黏度、在不同温度下搅拌后的第三浆料黏度以及在多次先骤冷再骤热后的第四浆料黏度,将所述第一浆料黏度与固含量、第二浆料黏度、第三浆料黏度、第四浆料黏度作为第二特征因素;通过多次重复充放电获取所述锂离子电池的电压、电流和容量;计算所述第一特征因素、所述第二特征因素及对应的第一衍生特征因素、第二衍生特征因素与所述电压、电流和容量的相关性,得到所述电池胶液与浆料的黏度影响因素。本发明从时间、温度、固含量、PH值方面分析影响锂离子电池胶液黏度和浆料黏度的因素,采用高阶平滑KL散度、PPMCC相关系数和GRA关联度作为评价特征因素的相关性,根据TCN卷积网络模型得到影响特征因素的影响大小,为锂离子电池的安全高效运行提供了重要决策依据。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明实施例也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (10)
1.一种电池性能影响因素分析方法,其特征在于,包括:
配制多份不同固含量的电池胶液,测量各份所述电池胶液的PH值与胶液黏度作为第一特征因素;
分别测试生产负极浆料在不同时间的第一浆料黏度与固含量、在不同温度下的第二浆料黏度、在不同温度下搅拌后的第三浆料黏度以及在多次先骤冷再骤热后的第四浆料黏度,将所述第一浆料黏度与固含量、第二浆料黏度、第三浆料黏度、第四浆料黏度作为第二特征因素,通过多次重复充放电获取所述锂离子电池的电压、电流和容量;
采用高阶平滑KL散度、PPMCC相关系数和GRA关联度作为评价所述第一特征因素、所述第二特征因素及对应的第一衍生特征因素、第二衍生特征因素与所述电压、电流和容量的相关性;将所述特征因素及所述衍生特征因素作为输入向量输入至TCN卷积网络模型,对电压、电流和容量进行多次预测,将多次预测结果的平均值作为预测误差,得到所述电池胶液与浆料的黏度影响因素,其中,所述TCN卷积网络模型包括分组卷积模块、多尺度空洞因果卷积模块以及挤压激励模块。
2.根据权利要求1所述的电池性能影响因素分析方法,其特征在于,所述衍生特征因素包括所述特征因素对应的最大值、最小值、平均值、拐点值、最大变化值、最小变化值、方差以及标准差;
所述高阶平滑KL散度的计算公式为:
,
其中,,/>为任意两个特征因素或衍生特征因素的概率,/>为时间、温度、固含量或PH值,/>为特征因素的维度,/>为任意两个特征因素或衍生特征因素的散度,N为阶数,/>为平滑参数。
3.根据权利要求1所述的电池性能影响因素分析方法,其特征在于,所述GRA关联度的计算步骤包括:
初始化样本序列,/>,其中,/>,/>,n为样本数量,/>,/>均为样本数据;
定义样本序列,/>的GRA关联系数/>,其中,, />为分辨系数,/>为时间、温度或固含量,i,j表示PH值、胶液黏度或浆料黏度,/>;
计算样本序列,/>的GRA关联度/>,/>,其中,i=1,2,…,n,/>为预设阈值。
4.根据权利要求1所述的电池性能影响因素分析方法,其特征在于,所述将所述特征因素及所述衍生特征因素作为输入向量输入至TCN卷积网络模型,对电压、电流和容量进行多次预测进一步包括:
将处理后的特征因素和衍生特征因素进行组合得到输入向量,将所述输入向量分成多组,并在各组内进行卷积操作;
通过所述TCN卷积网络模型对同一组输入向量进行多次预测,将多次预测结果的平均值与实际观测值之间的差异作为预测误差,其中,所述多尺度空洞因果卷积模块使用不同空洞率的因果卷积捕捉输入向量的长期依赖关系,所述挤压激励模块学习输入特征通道之间的关系并加权。
5.根据权利要求1或4所述的电池性能影响因素分析方法,其特征在于,所述挤压激励模块在挤压操作中使用全局平均池化挤压空间维度,以及,在激励操作中使用跨通道的卷积增强特征之间的交互。
6.根据权利要求1或4所述的电池性能影响因素分析方法,其特征在于,所述分组卷积模块中输出与输入序列的表达式为:
,
其中,为输出值,/>为时间、温度或固含量,/>为分层的层数,/>为第/>层的分组数,/>为第/>层每个分组的元素数,/>为第/>层的输入数据中第/>个元素,/>为第/>层第/>组的权重,b为偏置项。
7.根据权利要求1或4所述的电池性能影响因素分析方法,其特征在于,所述多尺度空洞因果卷积模块的卷积表达式为:
,
其中,为滤波器的当前输出,f()为非线性函数,L为滤波器的尺度数量,/>为当前尺度的索引,K为每个尺度上滤波器的长度,/>为第/>个尺度上第j个滤波器的系数,/>为第/>个尺度上与第j个系数相关的延迟,M为递归记忆阶数,/>为第m个递归系数。
8.根据权利要求1或4所述的电池性能影响因素分析方法,其特征在于,所述挤压激励模块的输出表达式为:
,
其中,为输出,x为输入,/>为激活函数,/>为x的线性关系函数。
9.使用权利要求1-8任一项所述电池性能影响因素分析方法的分析装置,其特征在于,包括:
第一特征因素测量模块,用于配制多份不同固含量的电池胶液,测量各份所述电池胶液的PH值与胶液黏度作为第一特征因素;
第二特征因素测量模块,用于分别测试生产负极浆料在不同时间的第一浆料黏度与固含量、在不同温度下的第二浆料黏度、在不同温度下搅拌后的第三浆料黏度以及在多次先骤冷再骤热后的第四浆料黏度,将所述第一浆料黏度与固含量、第二浆料黏度、第三浆料黏度、第四浆料黏度作为第二特征因素,通过多次重复充放电获取所述锂离子电池的电压、电流和容量;
影响因素分析模块,用于采用高阶平滑KL散度、PPMCC相关系数和GRA关联度作为评价所述第一特征因素、所述第二特征因素及对应的第一衍生特征因素、第二衍生特征因素与所述电压、电流和容量的相关性;将所述特征因素及所述衍生特征因素作为输入向量输入至TCN卷积网络模型,对电压、电流和容量进行多次预测,将多次预测结果的平均值作为预测误差,得到所述电池胶液与浆料的黏度影响因素,其中,所述TCN卷积网络模型包括分组卷积模块、多尺度空洞因果卷积模块以及挤压激励模块。
10.一种计算设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-8中任一项所述的电池性能影响因素分析方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410275663.8A CN117872167B (zh) | 2024-03-12 | 2024-03-12 | 一种电池性能影响因素分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410275663.8A CN117872167B (zh) | 2024-03-12 | 2024-03-12 | 一种电池性能影响因素分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117872167A true CN117872167A (zh) | 2024-04-12 |
CN117872167B CN117872167B (zh) | 2024-05-14 |
Family
ID=90579544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410275663.8A Active CN117872167B (zh) | 2024-03-12 | 2024-03-12 | 一种电池性能影响因素分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117872167B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140073888A (ko) * | 2012-12-07 | 2014-06-17 | 현대자동차주식회사 | 리튬황 배터리 잔존 용량 측정 방법 |
JP2016109466A (ja) * | 2014-12-02 | 2016-06-20 | 古河電気工業株式会社 | 二次電池状態検出装置および二次電池状態検出方法 |
JP2017188203A (ja) * | 2016-04-01 | 2017-10-12 | 住友金属鉱山株式会社 | リチウムイオン二次電池用正極材スラリーの安定性評価方法 |
CN108627768A (zh) * | 2017-03-22 | 2018-10-09 | 中国科学院金属研究所 | 一种全钒液流电池系统soc在线检测方法 |
CN113720732A (zh) * | 2021-08-20 | 2021-11-30 | 中南大学 | 负极浆料稳定性的预测方法、系统及存储介质 |
CN114112821A (zh) * | 2021-11-03 | 2022-03-01 | 元能科技(厦门)有限公司 | 一种电池浆料的沉降特性评估方法 |
KR20220117035A (ko) * | 2021-02-16 | 2022-08-23 | 연세대학교 산학협력단 | 유동 채널과 다공성 전극을 갖는 흐름 전지 시뮬레이션 장치 및 방법 |
CN115274025A (zh) * | 2022-09-28 | 2022-11-01 | 深圳先进技术研究院 | 锂离子电池浆料黏度预测方法、装置及相关设备 |
CN115963420A (zh) * | 2023-01-14 | 2023-04-14 | 中国科学院电工研究所 | 一种电池soh影响因素分析方法 |
CN116224118A (zh) * | 2023-01-14 | 2023-06-06 | 中国科学院电工研究所 | 一种基于tcn的电池剩余循环寿命预测方法 |
-
2024
- 2024-03-12 CN CN202410275663.8A patent/CN117872167B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140073888A (ko) * | 2012-12-07 | 2014-06-17 | 현대자동차주식회사 | 리튬황 배터리 잔존 용량 측정 방법 |
JP2016109466A (ja) * | 2014-12-02 | 2016-06-20 | 古河電気工業株式会社 | 二次電池状態検出装置および二次電池状態検出方法 |
JP2017188203A (ja) * | 2016-04-01 | 2017-10-12 | 住友金属鉱山株式会社 | リチウムイオン二次電池用正極材スラリーの安定性評価方法 |
CN108627768A (zh) * | 2017-03-22 | 2018-10-09 | 中国科学院金属研究所 | 一种全钒液流电池系统soc在线检测方法 |
KR20220117035A (ko) * | 2021-02-16 | 2022-08-23 | 연세대학교 산학협력단 | 유동 채널과 다공성 전극을 갖는 흐름 전지 시뮬레이션 장치 및 방법 |
CN113720732A (zh) * | 2021-08-20 | 2021-11-30 | 中南大学 | 负极浆料稳定性的预测方法、系统及存储介质 |
CN114112821A (zh) * | 2021-11-03 | 2022-03-01 | 元能科技(厦门)有限公司 | 一种电池浆料的沉降特性评估方法 |
CN115274025A (zh) * | 2022-09-28 | 2022-11-01 | 深圳先进技术研究院 | 锂离子电池浆料黏度预测方法、装置及相关设备 |
CN115963420A (zh) * | 2023-01-14 | 2023-04-14 | 中国科学院电工研究所 | 一种电池soh影响因素分析方法 |
CN116224118A (zh) * | 2023-01-14 | 2023-06-06 | 中国科学院电工研究所 | 一种基于tcn的电池剩余循环寿命预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117872167B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113361197B (zh) | 一种锂电池剩余使用寿命预测方法及系统 | |
Wang et al. | High-efficient prediction of state of health for lithium-ion battery based on AC impedance feature tuned with Gaussian process regression | |
WO2022041974A1 (zh) | 量子噪声过程分析方法、系统及存储介质和电子设备 | |
Armstrong et al. | Dynamic shear rheology and structure kinetics modeling of a thixotropic carbon black suspension | |
CN111290967A (zh) | 一种软件缺陷预测方法、装置、设备及存储介质 | |
Shirmohammadi et al. | Machine learning in measurement part 1: Error contribution and terminology confusion | |
CN114594378A (zh) | 一种锂电池soh模型训练方法、预测方法、装置及设备 | |
CN115841046A (zh) | 基于维纳过程的加速退化试验数据处理方法和装置 | |
Armstrong et al. | A simple approach for adding thixotropy to an elasto-visco-plastic rheological model to facilitate structural interrogation of human blood | |
CN114167284A (zh) | 基于bms大数据和集成学习的锂电池rul预测方法及设备 | |
Tan et al. | Intelligent online health estimation for lithium-ion batteries based on a parallel attention network combining multivariate time series | |
CN117434429B (zh) | 芯片的稳定性测试方法及相关装置 | |
CN113203953B (zh) | 基于改进型极限学习机的锂电池剩余使用寿命预测方法 | |
Gao et al. | A Novel Remaining Useful Life Prediction Method for Capacity Diving Lithium-Ion Batteries | |
CN117872167B (zh) | 一种电池性能影响因素分析方法 | |
Zhang et al. | Indirect prediction of remaining useful life for lithium-ion batteries based on improved multiple kernel extreme learning machine | |
CN113110961A (zh) | 设备异常检测方法、装置、计算机设备及可读存储介质 | |
CN112307638A (zh) | 一种电容器寿命估算方法、装置及电子设备 | |
Ding et al. | Degradation analysis with nonlinear exponential‐dispersion process: Bayesian offline and online perspectives | |
CN115963420A (zh) | 一种电池soh影响因素分析方法 | |
CN114814618A (zh) | 锂离子电池剩余容量估算方法、装置、设备和存储介质 | |
CN114740377A (zh) | 一种基于退役动力电池快速分拣方法及存储介质 | |
Dong et al. | State of health estimation and remaining useful life estimation for Li-ion batteries based on a hybrid kernel function relevance vector machine | |
CN112836433A (zh) | 高温合金晶粒尺寸识别模型的构建方法及尺寸识别方法 | |
CN112100902A (zh) | 一种基于流数据的锂离子电池寿命预测方法 |
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 |