CN117970128B - 一种实时反馈控制的电池综合实验调试方法及系统 - Google Patents
一种实时反馈控制的电池综合实验调试方法及系统 Download PDFInfo
- Publication number
- CN117970128B CN117970128B CN202410375855.6A CN202410375855A CN117970128B CN 117970128 B CN117970128 B CN 117970128B CN 202410375855 A CN202410375855 A CN 202410375855A CN 117970128 B CN117970128 B CN 117970128B
- Authority
- CN
- China
- Prior art keywords
- battery
- charging
- temperature
- real
- voltage
- 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
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000002474 experimental method Methods 0.000 title claims abstract description 71
- 238000007600 charging Methods 0.000 claims abstract description 92
- 238000007599 discharging Methods 0.000 claims abstract description 16
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000007613 environmental effect Effects 0.000 claims abstract description 8
- 238000004146 energy storage Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000010280 constant potential charging Methods 0.000 claims description 6
- 238000010277 constant-current charging Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 3
- 230000003442 weekly effect Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 9
- 238000012360 testing method Methods 0.000 description 13
- 230000032683 aging Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 3
- 238000001816 cooling Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 206010035148 Plague Diseases 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 239000011261 inert gas Substances 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction 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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及电池综合实验的技术领域，公开了一种实时反馈控制的电池综合实验调试方法及系统。该方法包括以下步骤：S1：进行电池充电实验、放电实验，并实时采集工作参数；S2：对所述工作参数进行预处理；S3：基于所述工作参数计算电池性能参数；S4：基于所述性能参数，采用神经网络模型预测电池寿命；S5：生成电池综合实验调试报告。本发明考虑了四季温度变化和充放电频率的影响，提高了寿命预测的准确性；实时监测电池参数和环境条件，提高了电池安全性，有助于优化电池使用方式，提高电池的利用率和性能。
Description
技术领域
本发明涉及电池综合实验的技术领域，具体涉及一种实时反馈控制的电池综合实验调试方法及系统。
背景技术
电池作为能量存储装置，在现代社会中扮演着至关重要的角色。从小型移动设备到大型电动汽车，电池都被广泛应用。然而，电池的寿命和性能问题一直是困扰业界的难题。传统上，电池寿命的预测通常基于物理模型，这些模型建立在对电池内部化学过程和热力学行为的理解之上。然而，这些物理模型往往需要大量复杂的数学计算，以及对电池内部参数的准确估计。由于电池是一个非常复杂的系统，受到许多因素的影响，如温度、电流、充放电速率等，传统的物理模型往往无法充分考虑这些因素的综合影响，导致预测精度不高。
近年来，随着深度学习和人工智能技术的发展，基于数据驱动的方法开始受到关注。这些方法利用神经网络等技术，通过大量的历史数据进行训练，从中学习电池的特征和规律，实现对电池寿命的预测。相比传统的物理模型，数据驱动方法能够更好地处理电池的非线性特性和复杂关系，提高了预测的准确性。然而，当前基于数据驱动的电池寿命预测方法仍然存在一些问题和挑战。目前此类方法很少综合考虑温度变化和充放电频率等多种因素对电池性能的影响，难以适应不同环境条件下电池的工作状态。同时，在电池的综合实验调试中往往缺乏实时监测和反馈控制能力，无法及时对电池状态的变化做出相应调整，这在某些情况下可能导致电池性能下降甚至损坏。
如授权公告号为CN116859269B的中国专利公开了一种动力电池安全性综合评估方法及系统，该方法包括：将动力电池样品按照需求进行充放电测试操作，然后将处理过的动力电池样品固定在实验舱体内，并对实验舱体进行抽真空处理及惰性气体回填处理；根据预设条件逐级对实验舱体内的动力电池样品施加失效条件；所述失效条件包括针刺条件、挤压条件、加热条件以及过充条件；记录诱发实验舱体内的动力电池样品失效的临界参数条件，以及记录实验舱体内的动力电池样品失效后的实验数据；根据所述实验数据，评估动力电池样品的安全性。该发明能够人工诱发电池失效，研究电池失效的触发条件，并对失效过程伴随的理化性质变化进行监测。
如公开号为CN109116248A的专利公开了一种电池模块的老化测试方法及装置，该方法包括：若检测到老化测试指令，则可以按照预设测试流程对电池模块进行老化测试，其中，预设测试流程包括至少一轮充放电控制流程，而充放电控制流程依次可分为第一放电流程、第一充电流程、第一待机流程、第二放电流程、第二充电流程以及第二待机流程，进而可以根据电池模块进行老化测试的测试结果，确定该电池模块的老化程度。该申请在检测到老化测试指令后，可利用预设的至少一轮充放电测试流程对电池模块进行自动老化测试，无需人工参与，即可在电池模块出厂前对其进行智能老化测试，消除了电池模块产品质量隐患，也提高了存储系统稳定性和可靠性。
以上专利都存在本背景技术提出的问题：没有综合考虑温度变化和充放电频率等多种因素对电池性能的影响，难以适应不同环境条件下电池的工作状态；在电池的综合实验调试中往往缺乏实时监测和反馈控制能力，无法及时对电池状态的变化做出相应调整，可能会导致电池性能下降甚至损坏。
公开于该背景技术部分的信息仅仅旨在增加对本发明的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域普通技术人员所公知的现有技术。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷，提供一种实时反馈控制的电池综合实验调试方法及系统，考虑四季温度变化和充放电频率的影响，提高寿命预测的准确性；实时监测电池参数和环境条件，提高电池安全性，辅助优化电池使用方式，提高电池的利用率和性能。
为解决上述技术问题，本发明提供如下技术方案：
一方面，本发明提供一种实时反馈控制的电池综合实验调试方法，包括以下步骤：
S1：进行电池充电实验、放电实验，并实时采集工作参数；
S2：对所述工作参数进行预处理；
S3：基于所述工作参数计算电池性能参数；
S4：基于所述性能参数，采用神经网络模型预测电池寿命；
S5：生成电池综合实验调试报告。
作为本发明所述的实时反馈控制的电池综合实验调试方法的一种优选方案，其中：所述工作参数包括最大可用容量、充电电压、充电电流、放电电压、放电电流、电池内阻、电池温度；所述电池性能参数包括容量指标、功率指标、能量指标。
作为本发明所述的实时反馈控制的电池综合实验调试方法的一种优选方案，其中：所述最大可用容量的采集方法如下：
S100：将电池在满电状态下静置2小时；
S200：以的电流进行放电，直至电池电压下降到电池的下截止电压；其中，C为充电倍率；
S300：以的电流进行恒流充电，至电池电压达到电池的上截止电压；切换充电方式，以上截止电压进行恒压充电直至电池电量充满；记录充电过程所充的电池容量；
S400：重复执行m次步骤S100~S300，取m次充电过程所充的电池容量的平均值作为电池的最大可用容量；m为大于0的正整数。
作为本发明所述的实时反馈控制的电池综合实验调试方法的一种优选方案，其中：所述容量指标的计算方法如下：
；
其中，表示容量指标，/>表示最大可用容量，/>表示出厂额定容量。
作为本发明所述的实时反馈控制的电池综合实验调试方法的一种优选方案，其中：所述功率指标的计算方法如下：
；
其中，为功率指标，/>为充电电压，/>为充电电流；/>为放电电压，/>为放电电流；/>为充电额定功率，/>为放电额定功率；/>为充电功率权重，/>为放电功率权重。
作为本发明所述的实时反馈控制的电池综合实验调试方法的一种优选方案，其中：所述能量指标的计算方法如下：
；
其中，表示能量指标；H表示储能参数；p表示储能参数的阈值；/>表示电池的最大阈值电阻；R表示当前的电池内阻；/>表示电池的出厂额定电阻。
作为本发明所述的实时反馈控制的电池综合实验调试方法的一种优选方案，其中：所述储能参数的计算方法如下：对电池进行充电，每隔时间进行一次参数记录，要记录的参数包括充电电流、充电电压、电池温度、荷电状态；重复n次，并计算储能参数，公式如下：
；
其中，表示第i次采集的充电电流；/>表示第i次采集的充电电压；i的取值范围为1，2，……，n；/>表示电池的出厂额定满充能量；/>表示第n次采集的电池的荷电状态；/>表示第一次采集的电池的荷电状态；/>表示第n次采集到的电池温度的温补系数；/>表示第1次采集到的电池温度的温补系数。
作为本发明所述的实时反馈控制的电池综合实验调试方法的一种优选方案，其中：所述温补系数k的确定方法如下：将电池放置在不同的温度环境中，在每个温度下，对电池进行最大可用容量标定，记录电池在不同温度下的最大可用容量；计算温补系数，公式如下：
；
其中，表示温度为t时电池的最大可用容量；/>表示温度为25℃时电池的最大可用容量；
根据计算得到的不同温度的温补系数进行曲线拟合，得到电池的温补曲线；所述温补曲线的横坐标为温度，纵坐标为温补系数；实时采集电池温度，通过温补曲线获取每个电池温度对应的温补系数。
作为本发明所述的实时反馈控制的电池综合实验调试方法的一种优选方案，其中：所述神经网络模型的输入包括容量指标、功率指标、能量指标、环境温度序列、充电频率；输出为电池寿命的预测值；
所述环境温度序列的获取方法为收集电池使用地区的历史气温数据，通过时间序列预测算法，预测电池使用地区的月平均气温，并整理成序列形式；
所述充电频率的单位为次/每周，由测试人员手动编辑；设置不同的充电频率，通过所述神经网络模型得到不同充电频率下的电池寿命的预测值。
作为本发明所述的实时反馈控制的电池综合实验调试方法的一种优选方案，其中：在进行所述充电实验时对温度控制和充电策略进行实时反馈控制；其中，温度控制的方法为实时监测电池温度，当电池温度高于预设的阈值时，降低充电速率；当电池温度降低至不高于预设的阈值时，恢复充电速率；充电策略控制的方法为首先用恒流充电方式对电池进行充电，当电池电压达到电池的上截止电压时，切换成恒压充电的方式继续对电池进行充电；当电流降低为零值时，停止充电。
第二方面，本发明提供一种实时反馈控制的电池综合实验调试系统，包括电池实验模块、数据采集模块、反馈控制模块、数据处理模块、寿命预测模块、报告生成模块；其中：
电池实验模块用于进行电池的充电实验和放电试验；
数据采集模块用于实时采集工作参数；
反馈控制模块用于实时监控工作参数，进行温度和充电策略的反馈控制；
数据处理模块用于对采集到的工作参数进行预处理，并计算电池性能参数；
寿命预测模块采用神经网络模型，基于数据处理模块计算得到的性能参数预测电池的寿命；
报告生成模块用于生成电池综合实验调试报告，展示电池的工作参数、性能参数和寿命预测值。
第三方面，本发明提供一种电子设备，包括：存储器，用于存储指令；处理器，用于执行所述指令，使得所述设备执行实现本发明所述的实时反馈控制的电池综合实验调试方法的操作。
第四方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现本发明所述的实时反馈控制的电池综合实验调试方法。
与现有技术相比，本发明所达到的有益效果如下：利用神经网络模型进行电池寿命预测，能够更好地捕捉电池参数之间的复杂关系，考虑了四季温度变化和充放电频率的影响，能够更真实地模拟电池在不同环境下的工作状态，提高了寿命预测的准确性；通过实时监测电池参数和环境条件，可以及时调整充电速率，避免电池过热，提高电池安全性和寿命；采集和计算了多种反映电池性能的参数，有助于优化电池使用方式，延长电池寿命，提高电池的利用率和性能，在电动汽车、可再生能源等领域优化电池管理策略方面具有广泛的应用前景。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明提供的实时反馈控制的电池综合实验调试方法的流程图；
图2为本发明提供的实时反馈控制的电池综合实验调试系统的结构示意图；
图3为本发明提供的用于预测电池寿命的神经网络模型的结构示意图。
具体实施方式
下面通过附图以及具体实施例对本发明技术方案做详细地说明，应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明，而不是对本发明技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。
实施例1
本实施例介绍一种实时反馈控制的电池综合实验调试方法，参照图1，该方法包括以下步骤：
S1：进行电池充电实验、放电实验，并实时采集工作参数；
所述工作参数包括最大可用容量、充电电压、充电电流、放电电压、放电电流、电池内阻、电池温度；
其中，所述最大可用容量的采集方法如下：
S100：将电池在满电状态下静置2小时；确保每次进行容量采集时具有相同的起点，减轻系统误差的影响；
S200：以的电流进行放电，直至电池电压下降到电池的下截止电压；其中，C为充电倍率；
S300：以的电流进行恒流充电，至电池电压达到电池的上截止电压；切换充电方式，以上截止电压进行恒压充电直至电池电量充满；记录充电过程所充的电池容量；
S400：重复执行m次步骤S100~S300，取m次充电过程所充的电池容量的平均值作为电池的最大可用容量；m为大于0的正整数。
S2：对所述工作参数进行预处理；
所述预处理包括缺失值填充、异常值替换、重复值删除、滤波降噪。
S3：基于所述工作参数计算电池性能参数；
所述电池性能参数包括容量指标、功率指标、能量指标；其中，所述容量指标的计算方法如下：
；
其中，表示容量指标，/>表示最大可用容量，/>表示出厂额定容量；
所述功率指标的计算方法如下：
；
其中，为功率指标，/>为充电电压，/>为充电电流；/>为放电电压，/>为放电电流；/>为充电额定功率，/>为放电额定功率；/>为充电功率权重，/>为放电功率权重；本实施例以汽车动力电池为例，由于汽车动力电池在实际使用中不可避免的会经常涉及充电，而使用过程中的电量消耗与放电试验的电量消耗情况有所不同，因此充电功率权重/>取较大值，设置为0.9；放电功率权重/>取较小值，设置为0.3；
所述能量指标的计算方法如下：
；
其中，表示能量指标；H表示储能参数；p表示储能参数的阈值；本实施例p取0.75，表示当H低于0.75时，电池的储能能力不足以继续投入使用；/>表示电池的最大阈值电阻，由本领域技术人员根据具体应用需求确定，当电池内阻不小于/>时，电池无法继续使用；R表示当前的电池内阻；/>表示电池的出厂额定电阻；
所述储能参数的计算方法如下：对电池进行充电，每隔时间进行一次参数记录，要记录的参数包括充电电流、充电电压、电池温度、荷电状态；重复n次，并计算储能参数，公式如下：
；
其中，表示第i次采集的充电电流；/>表示第i次采集的充电电压；i的取值范围为1，2，……，n；/>表示电池的出厂额定满充能量；/>表示第n次采集的电池的荷电状态；/>表示第一次采集的电池的荷电状态；/>表示第n次采集到的电池温度的温补系数；/>表示第1次采集到的电池温度的温补系数；
电池容量会受到温度的影响，通常情况下，在高温环境下，电池容量会减小，而在低温环境下，电池容量会增加。因此，在对电池进行满充能量的估计时，需要考虑到温度的影响，并进行相应的温度补偿。温补系数k的确定方法如下：
将电池放置在不同的温度环境中，在每个温度下，对电池进行最大可用容量标定，记录电池在不同温度下的最大可用容量；本实施例选择的温度包括0℃、5℃、10℃、15℃、20℃、25℃、30℃、35℃、40℃、45℃；
计算温补系数，公式如下：
；
其中，表示温度为t时电池的最大可用容量；/>表示温度为25℃时电池的最大可用容量；
根据计算得到的不同温度的温补系数进行曲线拟合，得到电池的温补曲线；所述温补曲线的横坐标为温度，纵坐标为温补系数；实时采集电池温度，通过温补曲线获取每个电池温度对应的温补系数。通过上述方法获取温补系数，可以更准确地估计电池在不同温度下的储能参数，提高电池综合实验调试的可靠性。
S4：基于所述电池性能参数，采用神经网络模型预测电池寿命；
所述神经网络模型结构如图3所示；输入包括容量指标、功率指标、能量指标、环境温度序列、充电频率；输出为电池寿命的预测值，单位可为月、周、日；
所述环境温度序列的获取方法为收集电池使用地区的历史气温数据，通过时间序列预测算法，预测电池使用地区的月平均气温，并整理成序列形式；
所述充电频率的单位为次/每周，由测试人员手动编辑；设置不同的充电频率，通过所述神经网络模型得到不同充电频率下的电池寿命的预测值；
S5：生成电池综合实验调试报告。
所述调试报告的内容包括电池内阻、电池内阻变化率；容量指标、容量指标参考值；功率指标、功率指标参考值；能量指标、能量指标参考值；电池寿命预测值，以表格的形式表示，所述表格内容包括不同的充电频率以及对应的电池寿命预测值。
在进行充电实验时，进行实时反馈控制；反馈控制包括温度控制和充电策略控制；
电池在充放电过程中会产生热量，温度的过高或过低都会影响电池的性能和寿命。因此，动态调整策略中的温度管理非常关键。其中，温度控制的方法为实时监测电池温度，当电池温度高于预设的阈值时，降低充电速率；同时，启动冷却系统（如风扇、液体冷却等）来降低电池温度。当电池温度降低至不高于预设的阈值时，恢复充电速率；此处预设的阈值用于判断充电时的电池温度是否在安全范围内。
电池的充放电策略直接影响其性能和寿命。充电策略控制方法为首先用恒流充电方式对电池进行充电，当电池电压达到电池的上截止电压时，切换成恒压充电的方式继续对电池进行充电；当电流降低为零值时，表示电池已经充满，停止充电。
实施例2
本实施例为本发明的第二个实施例；与实施例1基于相同的发明构思，参照图2，本实施例介绍一种实时反馈控制的电池综合实验调试系统，包括：电池实验模块、数据采集模块、反馈控制模块、数据处理模块、寿命预测模块、报告生成模块；其中：
电池实验模块用于进行电池的充电实验和放电试验；可以设置充电放电模式、充电放电速率。
数据采集模块包括传感器、数据采集设备，用于实时采集工作参数。
反馈控制模块用于实时监控工作参数，进行温度和充电策略的反馈控制；
数据处理模块用于对采集到的工作参数进行预处理，并计算电池性能参数；包括数据清洗、异常值处理、数据归一化等预处理技术，以及容量指标、功率指标计算、能量指标计算的算法；
寿命预测模块采用神经网络模型，基于数据处理模块计算得到的性能参数预测电池的寿命；
报告生成模块用于生成电池综合实验调试报告，展示电池的工作参数、性能参数和寿命预测值。
上述各模块的具体功能实现参考实施例1所述的一种实时反馈控制的电池综合实验调试方法中的相关内容，不予赘述。
实施例3
与其它实施例基于相同的发明构思，本实施例介绍一种电子设备，包括存储器和处理器，存储器用于存储指令，处理器用于执行该指令，使得计算机设备执行实现上述实施例所提供的一种实时反馈控制的电池综合实验调试方法。
由于本实施例所介绍的电子设备为实施本申请实施例中一种实时反馈控制的电池综合实验调试方法所采用的电子设备，故而基于本申请实施例中所介绍的一种实时反馈控制的电池综合实验调试方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中一种实时反馈控制的电池综合实验调试方法所采用的电子设备，都属于本申请所欲保护的范围。
实施例4
与其它实施例基于相同的发明构思，本实施例介绍一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，实现上述实施例所提供的一种实时反馈控制的电池综合实验调试方法。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
以上结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (7)
1.一种实时反馈控制的电池综合实验调试方法，其特征在于：包括以下步骤：
S1：进行电池充电实验、放电实验，并实时采集工作参数；
所述工作参数包括最大可用容量、充电电压、充电电流、放电电压、放电电流、电池内阻、电池温度；
S2：对所述工作参数进行预处理；
S3：基于所述工作参数计算电池性能参数；
所述电池性能参数包括容量指标、功率指标、能量指标；
所述功率指标的计算方法如下：
；
其中，为功率指标，/>为充电电压，/>为充电电流；/>为放电电压，/>为放电电流；/>为充电额定功率，/>为放电额定功率；/>为充电功率权重，/>为放电功率权重；
所述能量指标的计算方法如下：
；
其中，表示能量指标；H表示储能参数；p表示储能参数的阈值；/>表示电池的最大阈值电阻；R表示当前的电池内阻；/>表示电池的出厂额定电阻；
所述储能参数的计算方法如下：对电池进行充电，每隔时间进行一次参数记录，要记录的参数包括充电电流、充电电压、电池温度、荷电状态；重复n次，并计算储能参数，公式如下：
；
其中，表示第i次采集的充电电流；/>表示第i次采集的充电电压；i的取值范围为1，2，……，n；/>表示电池的出厂额定满充能量；/>表示第n次采集的电池的荷电状态；表示第一次采集的电池的荷电状态；/>表示第n次采集到的电池温度的温补系数；表示第1次采集到的电池温度的温补系数；
所述温补系数k的确定方法如下：将电池放置在不同的温度环境中，在每个温度下，对电池进行最大可用容量标定，记录电池在不同温度下的最大可用容量；计算温补系数，公式如下：
；
其中，表示温度为t时电池的最大可用容量；/>表示温度为25℃时电池的最大可用容量；
根据计算得到的不同温度的温补系数进行曲线拟合，得到电池的温补曲线；所述温补曲线的横坐标为温度，纵坐标为温补系数；实时采集电池温度，通过温补曲线获取每个电池温度对应的温补系数；
S4：基于所述性能参数，采用神经网络模型预测电池寿命；
所述神经网络模型的输入包括容量指标、功率指标、能量指标、环境温度序列、充电频率；输出为电池寿命的预测值；
所述环境温度序列的获取方法为收集电池使用地区的历史气温数据，通过时间序列预测算法，预测电池使用地区的月平均气温，并整理成序列形式；
所述充电频率的单位为次/每周，由测试人员手动编辑；设置不同的充电频率，通过所述神经网络模型得到不同充电频率下的电池寿命的预测值；
S5：生成电池综合实验调试报告。
2.如权利要求1所述的一种实时反馈控制的电池综合实验调试方法，其特征在于：所述最大可用容量的采集方法如下：
S100：将电池在满电状态下静置2小时；
S200：以的电流进行放电，直至电池电压下降到电池的下截止电压；其中，C为充电倍率；
S300：以的电流进行恒流充电，至电池电压达到电池的上截止电压；切换充电方式，以上截止电压进行恒压充电直至电池电量充满；记录充电过程所充的电池容量；
S400：重复执行m次步骤S100~S300，取m次充电过程所充的电池容量的平均值作为电池的最大可用容量；m为大于0的正整数。
3.如权利要求2所述的一种实时反馈控制的电池综合实验调试方法，其特征在于：所述容量指标的计算方法如下：
；
其中，表示容量指标，/>表示最大可用容量，/>表示出厂额定容量。
4.如权利要求3所述的一种实时反馈控制的电池综合实验调试方法，其特征在于：在进行所述充电实验时对温度控制和充电策略进行实时反馈控制；其中，温度控制的方法为实时监测电池温度，当电池温度高于预设的阈值时，降低充电速率；当电池温度降低至不高于预设的阈值时，恢复充电速率；充电策略控制的方法为首先用恒流充电方式对电池进行充电，当电池电压达到电池的上截止电压时，切换成恒压充电的方式继续对电池进行充电；当电流降低为零值时，停止充电。
5.一种实时反馈控制的电池综合实验调试系统，基于权利要求1-4中任一项所述的实时反馈控制的电池综合实验调试方法实现，其特征在于：包括电池实验模块、数据采集模块、反馈控制模块、数据处理模块、寿命预测模块、报告生成模块；其中：
电池实验模块用于进行电池的充电实验和放电试验；
数据采集模块用于实时采集工作参数；
反馈控制模块用于实时监控工作参数，进行温度和充电策略的反馈控制；
数据处理模块用于对采集到的工作参数进行预处理，并计算电池性能参数；
寿命预测模块采用神经网络模型，基于数据处理模块计算得到的性能参数预测电池的寿命；
报告生成模块用于生成电池综合实验调试报告，展示电池的工作参数、性能参数和寿命预测值。
6.一种电子设备，其特征在于，包括：存储器，用于存储指令；处理器，用于执行所述指令，使得所述设备执行实现如权利要求1-4中任一项所述的实时反馈控制的电池综合实验调试方法的操作。
7.一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，该计算机程序被处理器执行时，实现如权利要求1-4中任一项所述的实时反馈控制的电池综合实验调试方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410375855.6A CN117970128B (zh) | 2024-03-29 | 2024-03-29 | 一种实时反馈控制的电池综合实验调试方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410375855.6A CN117970128B (zh) | 2024-03-29 | 2024-03-29 | 一种实时反馈控制的电池综合实验调试方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117970128A CN117970128A (zh) | 2024-05-03 |
| CN117970128B true CN117970128B (zh) | 2024-05-28 |
Family
ID=90864926
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410375855.6A Active CN117970128B (zh) | 2024-03-29 | 2024-03-29 | 一种实时反馈控制的电池综合实验调试方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117970128B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103308864A (zh) * | 2013-07-09 | 2013-09-18 | 中国人民解放军国防科学技术大学 | 二次电池soh值估算和剩余寿命测试方法 |
| CN103529394A (zh) * | 2013-10-24 | 2014-01-22 | 国家电网公司 | 一种储能系统容量检测装置及方法 |
| CN108680869A (zh) * | 2018-06-29 | 2018-10-19 | 上海科列新能源技术有限公司 | 一种动力电池健康状态的评估方法和装置 |
| CN111201444A (zh) * | 2017-11-02 | 2020-05-26 | 株式会社半导体能源研究所 | 蓄电装置的电容推测方法及电容推测系统 |
| WO2020160369A1 (en) * | 2019-01-31 | 2020-08-06 | General Electric Company | Battery charge and discharge power control in a power grid |
| CN112436580A (zh) * | 2020-12-14 | 2021-03-02 | 国网北京市电力公司 | 一种手提箱式便携储能装置及其充电方法 |
| CN112883637A (zh) * | 2021-01-29 | 2021-06-01 | 南昌师范学院 | 锂离子电池rul的混沌时序非线性组合预测方法 |
| CN113595174A (zh) * | 2021-06-29 | 2021-11-02 | 摩拜(北京)信息技术有限公司 | 电池管理方法、装置、设备和服务器 |
| CN114942391A (zh) * | 2022-02-22 | 2022-08-26 | 苏州平峰科技有限公司 | 一种储能装置健康状态评估方法 |
| CN218102613U (zh) * | 2022-03-11 | 2022-12-20 | 江苏谷峰电力科技股份有限公司 | 一种新型电池充放电管理装置 |
| CN115809593A (zh) * | 2022-11-22 | 2023-03-17 | 国家电网有限公司 | 一种包含多元储能装置的综合能源系统的运行控制方法 |
| CN116191474A (zh) * | 2023-03-20 | 2023-05-30 | 国网辽宁省电力有限公司经济技术研究院 | 一种考虑电动汽车参与的虚拟电厂调频方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11921163B2 (en) * | 2021-12-16 | 2024-03-05 | Volkswagen Aktiengesellschaft | Modular machine learning structure for electric vehicle battery state of health estimation |
| KR20230153096A (ko) * | 2022-04-28 | 2023-11-06 | 삼성에스디아이 주식회사 | 배터리의 건강 상태를 추정하는 방법 및 장치 |
-
2024
- 2024-03-29 CN CN202410375855.6A patent/CN117970128B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103308864A (zh) * | 2013-07-09 | 2013-09-18 | 中国人民解放军国防科学技术大学 | 二次电池soh值估算和剩余寿命测试方法 |
| CN103529394A (zh) * | 2013-10-24 | 2014-01-22 | 国家电网公司 | 一种储能系统容量检测装置及方法 |
| CN111201444A (zh) * | 2017-11-02 | 2020-05-26 | 株式会社半导体能源研究所 | 蓄电装置的电容推测方法及电容推测系统 |
| CN108680869A (zh) * | 2018-06-29 | 2018-10-19 | 上海科列新能源技术有限公司 | 一种动力电池健康状态的评估方法和装置 |
| WO2020160369A1 (en) * | 2019-01-31 | 2020-08-06 | General Electric Company | Battery charge and discharge power control in a power grid |
| CN112436580A (zh) * | 2020-12-14 | 2021-03-02 | 国网北京市电力公司 | 一种手提箱式便携储能装置及其充电方法 |
| CN112883637A (zh) * | 2021-01-29 | 2021-06-01 | 南昌师范学院 | 锂离子电池rul的混沌时序非线性组合预测方法 |
| CN113595174A (zh) * | 2021-06-29 | 2021-11-02 | 摩拜(北京)信息技术有限公司 | 电池管理方法、装置、设备和服务器 |
| CN114942391A (zh) * | 2022-02-22 | 2022-08-26 | 苏州平峰科技有限公司 | 一种储能装置健康状态评估方法 |
| CN218102613U (zh) * | 2022-03-11 | 2022-12-20 | 江苏谷峰电力科技股份有限公司 | 一种新型电池充放电管理装置 |
| CN115809593A (zh) * | 2022-11-22 | 2023-03-17 | 国家电网有限公司 | 一种包含多元储能装置的综合能源系统的运行控制方法 |
| CN116191474A (zh) * | 2023-03-20 | 2023-05-30 | 国网辽宁省电力有限公司经济技术研究院 | 一种考虑电动汽车参与的虚拟电厂调频方法 |
Non-Patent Citations (1)
| Title |
|---|
| "基于数据驱动的锂离子电池荷电状态及健康状态估计研究";何复兴;《中国优秀硕士学位论文全文数据库》;20220115;第1-77页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117970128A (zh) | 2024-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Big data driven lithium-ion battery modeling method based on SDAE-ELM algorithm and data pre-processing technology | |
| JP5683175B2 (ja) | 電気化学システムの計測不能な特性を推定する改良された方法 | |
| US11965935B2 (en) | Method and apparatus for operating a system for providing predicted states of health of electrical energy stores for a device using machine learning methods | |
| CN104773086B (zh) | 使用滚动时域回归分析来估计电池阻抗参数的方法和系统 | |
| KR102297343B1 (ko) | 하이브리드 varma 및 lstm을 이용한 배터리의 출력 전압 응답 및 충전 상태 예측 방법 | |
| Bockrath et al. | State of charge estimation using recurrent neural networks with long short-term memory for lithium-ion batteries | |
| US20230059529A1 (en) | Characterization of Rechargeable Batteries Using Machine-Learned Algorithms | |
| CN116540108B (zh) | 一种电芯容量衰减预警方法、装置、存储介质及设备 | |
| CN117445755A (zh) | 基于云计算的电动汽车电池远程监控系统 | |
| Zhu et al. | Battery voltage prediction using neural networks | |
| Peng et al. | Real-time state of charge estimation of the extended Kalman filter and unscented Kalman filter algorithms under different working conditions | |
| Jiang et al. | Advances in battery state estimation of battery management system in electric vehicles | |
| US20230324463A1 (en) | Method and Apparatus for Operating a System for Detecting an Anomaly of an Electrical Energy Store for a Device by Means of Machine Learning Methods | |
| CN117970128B (zh) | 一种实时反馈控制的电池综合实验调试方法及系统 | |
| CN116819364A (zh) | 电池健康度的确定方法、应用方法、电子设备及存储介质 | |
| CN116482539A (zh) | 基于多维数据驱动的电池荷电状态估计方法、系统、设备及介质 | |
| Basia et al. | Comparison of data driven algorithms for SoH estimation of Lithium-ion batteries | |
| Chmielewski et al. | Battery voltage estimation using NARX recurrent neural network model | |
| Zheng | Development of lithium-ion battery state estimation techniques for battery management systems | |
| CN105759215B (zh) | 一种数据驱动的铅酸蓄电池荷电容量预测方法 | |
| CN111983476B (zh) | 一种基于卡尔曼滤波法的电池安全度估算方法及装置 | |
| Dong et al. | Battery Doctor‐next generation battery health assessment: Definition, approaches, challenges and opportunities | |
| CN118572757B (zh) | 一种基于数字孪生的智能储能系统调控与运维方法及设备 | |
| Shrivastava | Advanced Online Battery States Co-Estimation Using Kalman Filter for Electric Vehicle Applications | |
| Palacio-Fernández et al. | Kalman filter applied to Thevenin’s modeling of a lead-acid battery |
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 |