CN117907847A - 一种异常电池筛选方法、装置、设备及存储介质 - Google Patents
一种异常电池筛选方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117907847A CN117907847A CN202410111017.8A CN202410111017A CN117907847A CN 117907847 A CN117907847 A CN 117907847A CN 202410111017 A CN202410111017 A CN 202410111017A CN 117907847 A CN117907847 A CN 117907847A
- Authority
- CN
- China
- Prior art keywords
- constant
- determining
- data
- battery
- charging
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 66
- 238000012216 screening Methods 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000007600 charging Methods 0.000 claims abstract description 65
- 238000010280 constant potential charging Methods 0.000 claims abstract description 34
- 238000010277 constant-current charging Methods 0.000 claims abstract description 34
- 238000010281 constant-current constant-voltage charging Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 17
- 238000007599 discharging Methods 0.000 claims description 14
- 230000005856 abnormality Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 6
- 229910001416 lithium ion Inorganic materials 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000003466 welding Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种异常电池筛选方法、装置、设备及存储介质,方法包括:获取恒流恒压充电数据,根据恒流恒压充电数据确定恒流充电阶段结束时的第一电容数据,确定恒压充电阶段结束时的第二电容数据;根据第一电容数据、第二电容数据确定充电容量比;确定多个待测电池的充电容量比,根据多个的充电容量比确定充电容量比均值;针对一个待测电池,确定该待测电池的充电容量比与充电容量比均值的差值,记为充电容量差值;根据充电容量差值确定待测电池是否异常。
Description
技术领域
本发明实施例涉及电池技术领域,尤其涉及一种异常电池筛选方法、装置、设备及存储介质。
背景技术
近年来,锂离子电池在电动车、电动船、电动工具及储能等领域展现出良好的应用前景。方形锂离子电池制造工序分为极片制造、组装制造、化成制造,存在生产周期长,质量要求高,尤其以组装工序最为复杂,生产过程经常出现极耳焊接不良(撕裂、虚焊、漏焊等问题),以上极耳焊接不良极大影响锂离子电池内阻一致性、容量一致性、电压一致性。
针对锂离子电池极耳焊接不良的问题,需要对锂电池电池进行检测,以确定是否存在极耳焊接不良等异常,现有技术中,通常基于化成前电压、内阻进行筛选检测;基于化成后电压、内阻、容量进行筛选检测。
上述筛选方法存在如下问题:依赖多步筛选方法进行异常电芯筛选,即筛选检测过程需要多步完成,筛选耗时长,对异常电芯检测灵敏度不足。
发明内容
本发明提供一种异常电池筛选方法、装置、设备及存储介质,以达到实现快速、有效实现异常电池筛选的目的。
第一方面,本发明实施例提供了一种异常电池筛选方法,包括:
获取恒流恒压充电数据,根据所述恒流恒压充电数据确定恒流充电阶段结束时的第一电容数据,确定恒压充电阶段结束时的第二电容数据;
根据所述第一电容数据、第二电容数据确定充电容量比;
确定多个待测电池的所述充电容量比,根据多个所述的充电容量比确定充电容量比均值;
针对一个所述待测电池,确定该待测电池的所述充电容量比与所述充电容量比均值的差值,记为充电容量差值;
根据所述充电容量差值确定所述待测电池是否异常。
可选的,获取恒流恒压充电数据包括:
获取电池分容过程数据,根据所述电池分容过程数据确定所述恒流恒压充电数据。
可选的,若满足下式,则确定所述待测电池异常:
Qn-Q≥2%
式中,Qn为待测电池的充电容量比,Q为充电容量比均值。
可选的,还包括确定恒流放电数据:
根据所述恒流放电数据确定放电电压变化量;
根据所述充电容量差值大于或等于差值阈值,且所述放电电压变化量大于电压变化量阈值,则确定所述待测电池异常。
可选的,所述电压变化量阈值包括1mv。
可选的,根据所述恒流放电数据确定放电电压变化量包括:
获取预设时长内的所述恒流放电数据,确定所述预设时长内的放电电压变化量。
可选的,所述预设时长包括1~5秒。
第二方面,本发明实施例还提供了一种异常电芯筛选装置,包括数据获取模块、计算模块、异常判断模块;
所述数据获取模块用于:获取恒流恒压充电数据,根据所述恒流恒压充电数据确定恒流充电阶段结束时的第一电容数据,确定恒压充电阶段结束时的第二电容数据;
所述计算模块用于:根据所述第一电容数据、第二电容数据确定充电容量比;
确定多个待测电池的所述充电容量比,根据多个所述的充电容量比确定充电容量比均值;
针对一个所述待测电池,确定该待测电池的所述充电容量比与所述充电容量比均值的差值,记为充电容量差值;
所述异常判断模块用于:根据所述充电容量差值确定所述待测电池是否异常。
第三方面,本发明实施例还提供了一种电子设备,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明实施例记载的任意一种异常电池筛选方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明实施例记载的任意一种异常电池筛选方法。
与现有技术相比,本发明的有益效果在于:本发明提出一种异常电池筛选方法,该方法中,获取待测电池恒流恒压充电过程中的恒流恒压充电数据,基于恒流恒压充电数据确定第一电容数据、第二电容数据,进而确定充电容量比,随后根据多个电池的充电容量比确定充电容量比均值,根据一个电池的充电容量比和该电池的充电容量比均值确定该电池的充电容量差值,根据充电容量差值确定该电池是否异常,该方法中,仅需获取电池经过单步的恒流恒压充电过程,试验步骤少,且仅通过恒流恒压充电数据确定出的充电容量比及充电容量差值即可确定电池是否存在异常,计算快速、效率高,同时可以有效实现异常电池的筛选。
附图说明
图1是实施例中的异常电芯筛选方法流程图;
图2是实施例中的另一种异常电芯筛选方法流程图;
图3是实施例中的分容电压-时间曲线示意图;
图4是实施例中的电子设备结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是实施例中的异常电芯筛选方法流程图,参考图1,异常电池筛选方法包括:
S101.获取恒流恒压充电数据,根据恒流恒压充电数据确定恒流充电阶段结束时的第一电容数据,确定恒压充电阶段结束时的第二电容数据。
示例性的,本实施例中,恒流恒压充电具体分为两个阶段:恒流恒压充电第一阶段以恒定电流充电;
当电压达到预定值时转入第二阶段进行恒压充电,此时电流逐渐减小,当充电电流达到下降到零或指定电流值时,认为蓄电池完全充满。
示例性的,本实施例中,根据电池型号的不同,在恒流恒压充电阶段,对应的电压预定值和指定电流值可以根据需求设定;
例如,针对某型电池,电压预定值可以为3.65V,指定电流值可以为0.05C。
示例性的,本实施例中,第一电容数据表示恒流充电阶段结束时的充电容量,第二电容数据表示恒压充电阶段结束时的充电容量。
示例性的,本实施例中,设定恒流恒压充电数据可以为充放电试验过程中记录的数据,恒流恒压充电数据可以包括第一电容数据、第二电容数据。
示例性的,本方案中,第一电容数据与第二电容数据分别对应恒流恒压充电的前后两个阶段,第一电容数据和第二电容数据的获取顺序一般不进行调换。
S102.根据第一电容数据、第二电容数据确定充电容量比。
示例性的,本方案中,充电容量比可以为第一容量数据对应的充电容量与第二容量数据对应的充电容量的比值;
或者,充电容量比也可以为第二容量数据对应的充电容量与第一容量数据对应的充电容量的比值。
S103.确定多个待测电池的充电容量比,根据多个的充电容量比确定充电容量比均值。
示例性的,本实施例中,可以批量对指定数量的电池进行异常筛选,此时,确定每个待测电池的充电容量比后,计算多个充电容量比的均值,作为充电容量比均值。
S104.针对一个待测电池,确定该待测电池的充电容量比与充电容量比均值的差值,记为充电容量差值。
S105.根据充电容量差值确定待测电池是否异常。
示例性的,本方案中,基于充电容量差值,可以通过神经网路模型、机器学习模型等模型确定电池是否异常,其中,将充电容量差值作为输入,利用上述模型进行异常或正常的分类,进而确定电池是否异常;
或者,也可以通过与指定阈值比较的方式,确定电池是否异常,例如,当充电容量差值大于或小于指定阈值时,可以判定电池异常,其中,指定阈值可以通过经验、仿真试验或标定试验等方式确定。
本实施例提出一种异常电池筛选方法,该方法中,获取待测电池恒流恒压充电过程中的恒流恒压充电数据,基于恒流恒压充电数据确定第一电容数据、第二电容数据,进而确定充电容量比,随后根据多个电池的充电容量比确定充电容量比均值,根据一个电池的充电容量比和该电池的充电容量比均值确定该电池的充电容量差值,根据充电容量差值确定该电池是否异常,该方法中,仅需获取电池经过单步的恒流恒压充电过程,试验步骤少,且仅通过恒流恒压充电数据确定出的充电容量比及充电容量差值即可确定电池是否存在异常,计算快速、效率高,同时可以有效实现异常电池的筛选。
在图1所示方案的基础上,在一种可实施方案中,获取恒流恒压充电数据包括:
获取电池分容过程数据,根据电池分容过程数据确定恒流恒压充电数据。
本方案中,设定恒流恒压充电数据采用针对电池进行分容时,记录的对应的恒流恒压充电数据。
示例性的,本方案中,电池分容过程数据至少包括恒流恒压充电数据,例如,电池分容过程数据可以包括恒流恒压充电数据、电池静置时长、充电电流、充电截止电压、充电截止电流等。
示例性的,本方案中,对电池分容的过程不做限定,例如,可以按照如下方式进行电池分容(测试):
工步1:静置1min;
工步2:恒流恒压充电,0.2-0.5C恒流充电至3.65V,随后恒压充电,截止电流0.05C;
工步3:静置1min;
工步4:0.2-0.5C恒流放电至2.5V;
工步5::静置1min;
工步6:0.1-0.2C恒流放电至2.0V;
工步7:静置1min;
工步8:0.01-0.05C恒流放电至2.0V;
工步9:静置1min;
工步10:结束。
在图1所示方案的基础上,在一种可实施方案中,若满足下式,则确定待测电池异常:
Qn-Q≥2%
式中,Qn为待测电池的充电容量比,Q为充电容量比均值。
示例性的,本方案中,设定充电容量比为百分比数值,相应的,充电容量比均值为百分比数值;
其中,设定2%为差值阈值,即当电容量差值大于差值阈值时判定当前的待测电池异常。
示例性的,本方案中,差值阈值可以通过经验、仿真试验或者标定试验确定。
在图1所示方案的基础上,在一种可实施方案中,异常电芯筛选方法还包括确定恒流放电数据:
根据恒流放电数据确定放电电压变化量;
根据充电容量差值大于或等于差值阈值,且放电电压变化量大于电压变化量阈值,则确定待测电池异常。
示例性的,本方案中,设定恒流放电数据可以为放电试验过程中记录的数据,恒流放电数据可以包括恒流放电值、放电起始时刻、放电终止时刻、电池电压值等。
示例性的,本方案中,放电电压变化量可以为恒流放电过程中,指定时段内的电池电压的变化量,其中,指定时段可以根据需求设定,例如,指定时段可以为恒流放电过程中,任意的1~5秒;
其中,放电电压变化量可以具体为:在指定时段内的,相邻两个电池电压采样点的差值,或者,在指定时段内的,起始时刻和终止时刻对应的两个电池电压采样点的差值。
示例性的,本方案中,电压变化量阈值可以根据经验、仿真试验或标定试验确定,例如,电压变化量阈值可以为1mv。
图2是实施例中的另一种异常电芯筛选方法流程图,参考图2,在一种可实施方案中,异常电芯筛选方法包括:
S101.获取恒流恒压充电数据,根据恒流恒压充电数据确定恒流充电阶段结束时的第一电容数据,确定恒压充电阶段结束时的第二电容数据。
本方案中,获取电池分容过程数据,根据电池分容过程数据确定恒流恒压充电数据。
其中,电池分容过程包括:
工步1:静置1min;
工步2:恒流恒压充电,0.2-0.5C恒流充电至3.65V,随后恒压充电,截止电流0.05C;
工步3:静置1min;
工步4:0.2-0.5C恒流放电至2.5V;
工步5::静置1min;
工步6:0.1-0.2C恒流放电至2.0V;
工步7:静置1min;
工步8:0.01-0.05C恒流放电至2.0V;
工步9:静置1min;
工步10:结束。
其中,第一电容数据、第二电容数据分别对应为工步2中恒流充电阶段结束时的电池容量,恒压充电阶段结束时的电池容量。
S102.根据第一电容数据、第二电容数据确定充电容量比。
本方案中,通过下式确定充电容量比:
式中,Q表示充电容量比,C1表示第一电容数据,C2表示第二电容数据。
S103.确定全部待测电池的充电容量比,根据全部的充电容量比确定充电容量比均值。
本方案中,设定异常电池筛选方法具体针对电池分容过程中,一个托盘内的电池的异常筛选;
相应的,以托盘为单位计算所有电池的充电容量比,记为Q1、Q2、Q3、....Qn,取Q1~Qn计算充电容量比均值,记为Qa。
S104.针对一个待测电池,确定该待测电池的充电容量比与充电容量比均值的差值,记为充电容量差值。
S106.确定恒流放电数据,根据恒流放电数据确定放电电压变化量。
本方案中,恒流放电数据对应工步8的恒流放电过程,在工步8的过程中,设定放电过程电压采集时间为1~5s,获取该时段内的电压特征值,作为放电电压;
其中,上述电压特征值可以在分容过程中,由指定的电压采集设备采集,使用时,从指定的存储空间中读取需求的电压特征值。
S107.根据充电容量差值大于或等于差值阈值,且放电电压变化量大于电压变化量阈值,则确定待测电池异常。
本方案中,设定放电电压变化量表示放电电压瞬时上升量,将放电电压变化量记为Vins。
本方案中,若同时满足如下条件,则判断电池异常:
Qi-Qa≥2%
Vins<1mv
图3是实施例中的分容电压-时间曲线示意图,参考图3,本方案中,2%为差值阈值,1mv为电压变化量阈值,差值阈值和电压变化量阈值可以根据分容电压-时间曲线确定。
在图1所示方案的基础上,本方案的有益效果还包括,该方法利用分容工艺流程确定充电容量比以及放电电压变化量,进而进行异常电池的筛选,可以将异常电池的筛选过程直接导入锂离子电池生产工艺分容流程,无需额外增加设备,其中,根据充电容量比以及放电电压变化量进行电池筛选的基准通过分容电压-时间曲线确定,对充放电过程电压及容量波动敏感度高,能够有效识别锂离子电池极耳焊接问题电芯。
实施例二
本实施例提出一种异常电芯筛选装置,包括数据获取模块、计算模块、异常判断模块;
数据获取模块用于:获取恒流恒压充电数据,根据恒流恒压充电数据确定恒流充电阶段结束时的第一电容数据,确定恒压充电阶段结束时的第二电容数据;
计算模块用于:根据第一电容数据、第二电容数据确定充电容量比;
确定多个待测电池的充电容量比,根据多个的充电容量比确定充电容量比均值;
针对一个待测电池,确定该待测电池的充电容量比与充电容量比均值的差值,记为充电容量差值;
异常判断模块用于:根据充电容量差值确定待测电池是否异常。
示例性的,本实施例中,数据获取模块可以具体配置为按照实施例一中记载的任意一种方式获取第一电容数据、第二电容数据;计算模块可以具体配置为按照实施例一中记载的任意一种方式确定充电容量比,充电容量比均值;异常判断模块可以具体配置为按照实施例一中记载的任意一种方式判断电池是否异常;
上述过程的实施方式和有益效果与实施例一中记载的对应内容相同,在此不再详述。
实施例三
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如异常电池筛选方法。
在一些实施例中,异常电池筛选方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的异常电池筛选方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行异常电池筛选方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的系统和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种异常电池筛选方法,其特征在于,包括:
获取恒流恒压充电数据,根据所述恒流恒压充电数据确定恒流充电阶段结束时的第一电容数据,确定恒压充电阶段结束时的第二电容数据;
根据所述第一电容数据、第二电容数据确定充电容量比;
确定多个待测电池的所述充电容量比,根据多个所述的充电容量比确定充电容量比均值;
针对一个所述待测电池,确定该待测电池的所述充电容量比与所述充电容量比均值的差值,记为充电容量差值;
根据所述充电容量差值确定所述待测电池是否异常。
2.如权利要求1所述的异常电池筛选方法,其特征在于,获取恒流恒压充电数据包括:
获取电池分容过程数据,根据所述电池分容过程数据确定所述恒流恒压充电数据。
3.如权利要求1所述的异常电池筛选方法,其特征在于,若满足下式,则确定所述待测电池异常:
Qn-Q≥2%
式中,Qn为待测电池的充电容量比,Q为充电容量比均值。
4.如权利要求1所述的异常电池筛选方法,其特征在于,还包括确定恒流放电数据:
根据所述恒流放电数据确定放电电压变化量;
根据所述充电容量差值大于或等于差值阈值,且所述放电电压变化量大于电压变化量阈值,则确定所述待测电池异常。
5.如权利要求4所述的异常电池筛选方法,其特征在于,所述电压变化量阈值包括1mv。
6.如权利要求4所述的异常电池筛选方法,其特征在于,根据所述恒流放电数据确定放电电压变化量包括:
获取预设时长内的所述恒流放电数据,确定所述预设时长内的放电电压变化量。
7.如权利要求6所述的异常电池筛选方法,其特征在于,所述预设时长包括1~5秒。
8.一种异常电芯筛选装置,其特征在于,包括数据获取模块、计算模块、异常判断模块;
所述数据获取模块用于:获取恒流恒压充电数据,根据所述恒流恒压充电数据确定恒流充电阶段结束时的第一电容数据,确定恒压充电阶段结束时的第二电容数据;
所述计算模块用于:根据所述第一电容数据、第二电容数据确定充电容量比;
确定多个待测电池的所述充电容量比,根据多个所述的充电容量比确定充电容量比均值;
针对一个所述待测电池,确定该待测电池的所述充电容量比与所述充电容量比均值的差值,记为充电容量差值;
所述异常判断模块用于:根据所述充电容量差值确定所述待测电池是否异常。
9.一种电子设备,其特征在于,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;
所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的异常电池筛选方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的异常电池筛选方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410111017.8A CN117907847A (zh) | 2024-01-24 | 2024-01-24 | 一种异常电池筛选方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410111017.8A CN117907847A (zh) | 2024-01-24 | 2024-01-24 | 一种异常电池筛选方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117907847A true CN117907847A (zh) | 2024-04-19 |
Family
ID=90694936
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410111017.8A Pending CN117907847A (zh) | 2024-01-24 | 2024-01-24 | 一种异常电池筛选方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117907847A (zh) |
-
2024
- 2024-01-24 CN CN202410111017.8A patent/CN117907847A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116008827A (zh) | 一种锂离子电池析锂电位的确定方法、装置及电子设备 | |
CN115718265A (zh) | 电池直流电阻测试值的修正方法、电子设备及存储介质 | |
CN114954105A (zh) | 电池换电方法、装置、电子设备及存储介质 | |
CN117031322A (zh) | 锂离子电池高自放电筛选方法、装置、电子设备及介质 | |
CN115395613B (zh) | 电池充电管理方法、装置、电子设备及存储介质 | |
CN115754772A (zh) | 一种电池容量衰减处理方法、装置、设备和存储介质 | |
CN115656858A (zh) | 电池寿命确定方法、装置、电子设备及存储介质 | |
CN117907847A (zh) | 一种异常电池筛选方法、装置、设备及存储介质 | |
CN116243195A (zh) | 一种电池模组寿命确定方法、装置、设备及存储介质 | |
CN115128476A (zh) | 一种锂离子电池预锂量估计方法、装置、设备及存储介质 | |
CN118068199B (zh) | 一种电池充放电曲线预测方法、装置、电子设备和存储介质 | |
CN115007503B (zh) | 一种电芯分选方法、装置、设备及存储介质 | |
CN115291111B (zh) | 电池静置时间预测模型的训练方法以及静置时间预测方法 | |
CN116679217B (zh) | 基于二阶等效电路的soh检测方法、装置、设备及介质 | |
CN116027197A (zh) | 一种电池自放电一致性评估方法、装置、设备及存储介质 | |
CN116424155A (zh) | 电池荷电状态的确定方法、装置、设备、介质及车辆 | |
CN117007981A (zh) | 一种锂离子蓄电池热失控确定方法、装置、设备及介质 | |
CN116298976A (zh) | 电池检测系统的数据采集方式确定方法及装置 | |
CN118641953A (zh) | 一种电池均衡功能的测试方法、装置、设备及存储介质 | |
CN115792628A (zh) | 一种动力电池安全性评估方法、装置、设备和存储介质 | |
CN116087807A (zh) | 电池充电截止电压测试方法、装置、电子设备及存储介质 | |
CN116148694A (zh) | 一种锂离子电芯的筛选方法、装置、设备及存储介质 | |
CN114527395A (zh) | 电芯电性能评估方法、装置、电子设备和存储介质 | |
CN118169563A (zh) | 铅酸电池的异常预警方法、装置、设备和介质 | |
CN117054896A (zh) | 一种sop功能测试方法、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 |