CN118068199B - 一种电池充放电曲线预测方法、装置、电子设备和存储介质 - Google Patents
一种电池充放电曲线预测方法、装置、电子设备和存储介质Info
- Publication number
- CN118068199B CN118068199B CN202410466085.6A CN202410466085A CN118068199B CN 118068199 B CN118068199 B CN 118068199B CN 202410466085 A CN202410466085 A CN 202410466085A CN 118068199 B CN118068199 B CN 118068199B
- Authority
- CN
- China
- Prior art keywords
- battery
- capacity
- charge
- discharge curve
- predicted
- 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 64
- 238000012360 testing method Methods 0.000 claims abstract description 103
- 238000012545 processing Methods 0.000 claims description 35
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 17
- 230000005856 abnormality Effects 0.000 claims description 7
- 230000008030 elimination Effects 0.000 claims description 5
- 238000003379 elimination reaction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 abstract description 8
- 239000000523 sample Substances 0.000 abstract 2
- 239000013074 reference sample Substances 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 13
- 238000004891 communication Methods 0.000 description 8
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 6
- 238000011160 research Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000010280 constant potential charging Methods 0.000 description 2
- 238000010277 constant-current charging Methods 0.000 description 2
- 238000000840 electrochemical analysis Methods 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
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- FKNQFGJONOIPTF-UHFFFAOYSA-N Sodium cation Chemical compound [Na+] FKNQFGJONOIPTF-UHFFFAOYSA-N 0.000 description 1
- JDZCKJOXGCMJGS-UHFFFAOYSA-N [Li].[S] Chemical compound [Li].[S] JDZCKJOXGCMJGS-UHFFFAOYSA-N 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 229910001415 sodium ion Inorganic materials 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003797 telogen phase Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Abstract
本发明公开了一种电池充放电曲线预测方法、装置、电子设备和存储介质。预测方法包括:对多个同种类型的电池进行容量测试试验,并根据容量测试试验的试验数据建立电池充放电曲线样本库;根据样本库中充放电曲线对应的电池容量的最大值和最小值设置多个相同的容量区间,并根据每一容量区间确定一典型充放电曲线;确定待预测电池的当前容量,以及与其相邻的典型电池容量对应的典型充放电曲线;根据待预测电池的当前容量,以及与其相近的典型电池容量对应的典型充放电曲线确定待预测电池的充放电曲线。本发明可以确定任意电池容量的待预测电池的充放电曲线,通用性较强,计算复杂程度低,计算时间快,参考样本数量较少,进一步缩短了预测时间。
Description
技术领域
本发明涉及电池充放电预测技术领域,尤其涉及一种电池充放电曲线预测方法、装置、电子设备和存储介质。
背景技术
二次电池已被大规模用于工业实际中的储能或者动力装置。尽管电池容量估计对于电池的运行维护至关重要,但这种容量估计方法已经无法提供电池更丰富的状态信息,无法满足工业实际场景中,如电池出厂分容、电池状态在线估计、退役电池梯次分容过程的电池数据溯源要求。
因此,在估计出容量的情况下,还能预测出电池充放电曲线的变化对于电池运维具有更大的价值。但现有技术中的电池充放电曲线预测方法复杂度较高,耗时较长,且通用性低。
发明内容
本发明提供了一种电池充放电曲线预测方法、装置、电子设备和存储介质,以确定任意电池容量的待预测电池的充放电曲线,通用性较强,计算复杂程度低,计算时间快,所需参考样本数量较少,进一步缩短了对待测电池充放电曲线的预测时间。
根据本发明的一方面,提供了一种电池充放电曲线预测方法,电池充放电曲线预测方法包括:
对多个同种类型的电池进行满充满放的容量测试试验,并根据容量测试试验的试验数据建立电池充放电曲线样本库;其中,电池充放电曲线样本库包括多条充放电曲线;
根据电池充放电曲线样本库中充放电曲线对应的电池容量的最大值和最小值设置多个相同的容量区间,并根据每一容量区间确定一典型充放电曲线;
确定待预测电池的当前容量,以及与待预测电池的当前容量相邻的典型电池容量所对应的所述典型充放电曲线;其中,典型电池容量为典型充放电曲线对应的电池容量;
根据待预测电池的当前容量,以及与待预测电池的当前容量相近的典型电池容量对应的典型充放电曲线确定待预测电池的充放电曲线。
进一步的,根据所述电池充放电曲线样本库中充放电曲线的电池容量的最大值和最小值设置多个相同的容量区间,并根据每一容量区间确定一典型充放电曲线,包括:
根据电池充放电曲线样本库中充放电曲线的电池容量的最大值和最小值设置多个相同的容量区间;
在距离每一容量区间的端点小于或等于第一预值的范围内,确定一条在每一测试过程中电压随时间单调变化的代表性曲线;其中,代表性曲线为以等时间间隔对应的电压数据点形成的电压-时间曲线;
对形成的每一代表性曲线的电压时间测试数据进行第一插值处理,形成与代表性曲线对应的典型充放电曲线;其中,典型充放电曲线为以等电压间隔对应的时间数据点形成的电压-时间曲线。
进一步的,根据待预测电池的当前容量,以及与待预测电池的当前容量相近的典型电池容量所对应的所述典型充放电曲线确定待预测电池的充放电曲线,包括:
若待预测电池的当前容量在电池充放电曲线样本库中充放电曲线对应的最小电池容量与最大电池容量所组成的区间内,则确定待预测电池的当前容量与典型容量区间中最小端点容量的容量差值;其中,典型容量区间为与预测电池的当前容量相邻的两个典型电池容量之间的容量区间;
根据容量差值与容量区间差值确定第一占比;其中,容量区间差值为典型容量区间中最大端点容量与最小端点容量的差值;
根据第一占比,对与待预测电池的当前容量相邻的两个典型电池容量对应的两个典型充放电曲线进行等比例插值,确定待预测电池的充放电曲线。
进一步的,确定待预测电池的当前容量,以及与待预测电池的当前容量相近的典型电池容量所对应的典型充放电曲线,包括:
根据待预测电池的部分充放电数据和电池容量估计模型确定待预测电池的当前容量;
确定与待预测电池的当前容量相邻的典型电池容量所对应的所述典型充放电曲线。
进一步的,对多组同种类型的电池进行容量测试试验,并根据容量测试试验的试验数据建立电池充放电曲线样本库,包括:
对多个同种类型的电池进行满充满放的容量测试,并记录每一电池的试验数据;其中,试验数据包括电流数据、电压数据和时间数据;
对每一电池的试验数据进行异常排除处理,确定非异常试验数据;
根据非异常试验数据建立电池充放电曲线样本库,并确定每一电池的电池容量。
进一步的,根据待预测电池的当前容量,以及与待预测电池的当前容量相近的典型电池容量对应的典型充放电曲线确定待预测电池的充放电曲线,包括:
若待预测电池的当前容量小于电池充放电曲线样本库中充放电曲线对应的最小电池容量,则根据待预测电池的当前容量与最小电池容量确定第二占比;
根据第二占比,对与最小电池容量对应的典型充放电曲线进行等比例插值处理确定待预测电池的充放电曲线。
进一步的,根据所述待预测电池的当前容量,以及与待预测电池的当前容量相近的典型电池容量对应的典型充放电曲线确定待预测电池的充放电曲线,包括:
若待预测电池的当前容量大于电池充放电曲线样本库中充放电曲线对应的最大电池容量,则根据待预测电池的当前容量与最大电池容量确定第三占比;
根据第三占比,对与最大电池容量对应的典型充放电曲线进行等比例插值处理确定待预测电池的充放电曲线。
根据本发明的另一方面,提供了一种电池充放电曲线预测装置,电池充放电曲线预测装置包括:
样本库确定模块,用于对多个同种类型的电池进行满充满放的容量测试试验,并根据容量测试试验的试验数据建立电池充放电曲线样本库;其中,电池充放电曲线样本库包括多条充放电曲线;
典型曲线确定模块,用于根据电池充放电曲线样本库中充放电曲线对应的电池容量的最大值和最小值设置多个相同的容量区间,并根据每一容量区间确定一典型充放电曲线;
待预测电池处理模块,用于确定待预测电池的当前容量,以及与待预测电池的当前容量相邻的典型电池容量所对应的典型充放电曲线;其中,典型电池容量为典型充放电曲线对应的电池容量;
曲线预测模块,用于根据待预测电池的当前容量,以及与待预测电池的当前容量相近的典型电池容量对应的典型充放电曲线确定待预测电池的充放电曲线。
根据本发明的另一方面,提供了一种电子设备,所述电子设备包括: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;其中,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任一实施例所述的电池充放电曲线预测方法。
根据本发明的另一方面,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任一实施例所述的电池充放电曲线预测方法。
本发明实施例设计的电池充放电曲线预测方法,通过对多个同种类型的电池进行满充满放的容量测试试验,并根据容量测试试验的试验数据建立电池充放电曲线样本库,根据电池充放电曲线样本库中充放电曲线对应的电池容量的最大值和最小值设置多个相同的容量区间,并根据每一容量区间确定一典型充放电曲线,确定待预测电池的当前容量,以及与待预测电池的当前容量相邻的典型电池容量所对应的典型充放电曲线,根据待预测电池的当前容量,以及与待预测电池的当前容量相近的典型电池容量对应的典型充放电曲线确定待预测电池的充放电曲线,使得本发明实施例设计的电池充放电曲线预测方法可以确定任意电池容量的待预测电池的充放电曲线,且无需建立电池模型,不需要任何电池电化学试验知识,即可广泛应用于多种类型的电池,通用性较强;且本发明实施例设计的电池充放电曲线预测方法通过待预测电池的当前容量,以及与待预测电池的当前容量相近的典型电池容量对应的典型充放电曲线即可确定待预测电池的充放电曲线,计算复杂程度低,计算时间快,仅需要根据多组容量区间选出的典型充放电曲线即可完成对待测电池充放电曲线的预测,所需参考样本数量较少,进一步缩短了对待测电池充放电曲线的预测时间。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例提供的一种电池充放电曲线预测方法的流程图。
图2是根据本发明实施例提供的一种电池充放电曲线样本库的示意图。
图3是根据本发明实施例提供的一种典型充放电曲线的示意图。
图4是根据本发明实施例提供的一种典型充放电曲线的部分示意图。
图5是根据本发明实施例提供的一种预测充放电曲线的示意图。
图6是根据本发明实施例提供的一种待预测电池的实际曲线与放电曲线的对比示意图。
图7是根据本发明实施例提供的一种待预测电池的实际曲线与放电曲线的误差示意图。
图8是根据本发明实施例提供的一种电池充放电曲线预测装置的结构示意图。
图9示出了可以用来实施本发明的实施例的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明实施例提供了一种电池充放电曲线预测方法,图1是根据本发明实施例提供的一种电池充放电曲线预测方法的流程图,参考图1,电池充放电曲线预测方法包括:
S110、对多个同种类型的电池进行满充满放的容量测试试验,并根据容量测试试验的试验数据建立电池充放电曲线样本库;其中,电池充放电曲线样本库包括多条充放电曲线。
其中,多个可以理解为两个及两个以上;电池充放电曲线样本库中的每一充放电曲线对应一进行满充满放的容量测试试验的电池。示例性的,本发明实施例提供的电池可以为磷酸铁锂电池、三元锂电池、钠离子电池、铅酸电池、锂硫电池等,本发明实施例对此不进行限制。
具体的,图2是根据本发明实施例提供的电池充放电曲线样本库的示意图,参考图2,可以对多个同种类型的电池进行满充满放的容量测试,并记录每一电池的试验数据,其中,试验数据包括电流数据、电压数据和时间数据,即每一设定时间间隔对应的电流数据和每一设定时间间隔对应的电压数据。对每一电池的试验数据进行异常排除处理,排出具有明显异常的实验数据,示例性的,明显异常的实验数据可以为电压异常增高的实验数据、电压异常减小的实验数据等,本发明实施例对此不进行限制,进而确定非异常试验数据,并根据非异常试验数据建立如图2所示的电池充放电曲线样本库,并同时确定每一电池的电池容量,示例性的,可以根据进行异常排出处理的非异常试验数据计算出每一电池的电池容量,也可以在记录每一电池的试验数据后计算出每一电池的电池容量,本发明实施例对此不进行限制。
S120、根据电池充放电曲线样本库中充放电曲线对应的电池容量的最大值和最小值设置多个相同的容量区间,并根据每一容量区间确定一典型充放电曲线。
具体的,图3是根据本发明实施例提供的一种典型充放电曲线的示意图,参考图3,根据电池充放电曲线样本库中充放电曲线的电池容量的最大值和最小值设置容量间隔,并根据容量间隔等分出多个相同的容量区间,可以在距离每一容量区间的端点小于或等于第一预值的范围内,确定一条在每一测试过程中电压随时间单调变化的代表性曲线,也可以在每一容量区间内确定一条在每一测试过程中电压随时间单调变化的代表性曲线,本发明实施例对此不进行限制;其中,代表性曲线为以等时间间隔对应的电压数据点形成的电压-时间曲线,第一预值可以根据实际情况进行设置,本发明实施例对此不进行限制;对形成的每一代表性曲线的电压时间测试数据进行第一插值处理,示例性的,形成代表性曲线的数据点是等时间间隔对应的电压数据点,而此时每一两个电压数据之间的差值并不相同,此时可根据实际情况设置所需要的电压间隔,并根据所需要的电压间隔对上述形成代表性曲线的数据点进行第一插值处理,形成等电压间隔对应的时间数据点,进而根据等电压间隔对应的时间数据点形成与代表性曲线对应的如图3所示的典型充放电曲线;其中,典型充放电曲线为以等电压间隔对应的时间数据点形成的电压-时间曲线。
S130、确定待预测电池的当前容量,以及与待预测电池的当前容量相邻的典型电池容量所对应的典型充放电曲线;其中,典型电池容量为典型充放电曲线对应的电池容量。
具体的,可以根据待预测电池的部分充放电数据和电池容量估计模型确定待预测电池的当前容量,进而确定出与待预测电池的当前容量相邻的典型电池容量所对应的典型充放电曲线。
S140、根据待预测电池的当前容量,以及与待预测电池的当前容量相近的典型电池容量对应的典型充放电曲线确定待预测电池的充放电曲线。
具体的,可以根据待预测电池的当前容量,对待预测电池的当前容量相邻的两个典型电池容量对应的两个典型充放电曲线进行插值处理,进而确定待预测电池的充放电曲线,示例性的,可以根据待预测电池的当前容量,对待预测电池的当前容量相邻的两个典型电池容量对应的两个典型充放电曲线进行拉格朗日插值处理,也可以根据待预测电池的当前容量,对待预测电池的当前容量相邻的两个典型电池容量对应的两个典型充放电曲线进行等比例插值处理,本发明实施例对此不进行限制,示例性的,本发明实施例以采用等比例差值方法为例进行说明,具体描述如下:若待预测电池的当前容量在电池充放电曲线样本库中充放电曲线对应的最小电池容量与最大电池容量所组成的区间内,则确定待预测电池的当前容量与典型容量区间中最小端点容量的容量差值,其中,典型容量区间为与预测电池的当前容量相邻的两个典型电池容量之间的容量区间,并根据容量差值与容量区间差值确定第一占比,其中,容量区间差值为典型容量区间中最大端点容量与最小端点容量的差值,最后根据第一占比,对与待预测电池的当前容量相邻的两个典型电池容量对应的两个典型充放电曲线进行等比例插值,确定待预测电池的充放电曲线;若待预测电池的当前容量小于电池充放电曲线样本库中充放电曲线对应的最小电池容量,则根据待预测电池的当前容量与最小电池容量确定第二占比,最后根据第二占比,对与最小电池容量对应的典型充放电曲线进行等比例插值处理确定待预测电池的充放电曲线;若待预测电池的当前容量大于电池充放电曲线样本库中充放电曲线对应的最大电池容量,则根据待预测电池的当前容量与最大电池容量确定第三占比,最后根据第三占比,对与最大电池容量对应的典型充放电曲线进行等比例插值处理确定待预测电池的充放电曲线。
本发明实施例设计的电池充放电曲线预测方法,通过对多个同种类型的电池进行满充满放的容量测试试验,并根据容量测试试验的试验数据建立电池充放电曲线样本库,根据电池充放电曲线样本库中充放电曲线对应的电池容量的最大值和最小值设置多个相同的容量区间,并根据每一容量区间确定一典型充放电曲线,确定待预测电池的当前容量,以及与待预测电池的当前容量相邻的典型电池容量所对应的典型充放电曲线,根据待预测电池的当前容量,以及与待预测电池的当前容量相近的典型电池容量对应的典型充放电曲线确定待预测电池的充放电曲线,使得本发明实施例设计的电池充放电曲线预测方法可以确定任意电池容量的待预测电池的充放电曲线,且无需建立电池模型,不需要任何电池电化学试验知识,即可广泛应用于多种类型的电池,通用性较强;且本发明实施例设计的电池充放电曲线预测方法通过待预测电池的当前容量,以及与待预测电池的当前容量相近的典型电池容量对应的典型充放电曲线即可确定待预测电池的充放电曲线,计算复杂程度低,计算时间快,仅需要根据多组容量区间选出的典型充放电曲线即可完成对待测电池充放电曲线的预测,所需参考样本数量较少,进一步缩短了对待测电池充放电曲线的预测时间。
进一步的,参考图3,根据电池充放电曲线样本库中充放电曲线的电池容量的最大值和最小值设置多个相同的容量区间,并根据每一容量区间确定一典型充放电曲线,包括:根据电池充放电曲线样本库中充放电曲线的电池容量的最大值和最小值设置多个相同的容量区间;在距离每一容量区间的端点小于或等于第一预值的范围内,确定一条在每一测试过程中电压随时间单调变化的代表性曲线;其中,代表性曲线为以等时间间隔对应的电压数据点形成的电压-时间曲线;对形成的每一代表性曲线的电压时间测试数据进行第一插值处理,形成与代表性曲线对应的典型充放电曲线;其中,典型充放电曲线为以等电压间隔对应的时间数据点形成的电压-时间曲线。
示例性的,本发明实施例以选用额定容量为2.5Ah的磷酸铁锂电池作为研究对象为例,对建立电池充放电曲线样本库的具体方法进行详细说明,具体描述如下:如图3所示,在得到的电池充放电曲线样本库中,电池充放电曲线样对应的最小电池容量和最大电池容量分别为1.879Ah和2.261Ah。以最大电池容量作为上限,以最小电池容量作为下限,并根据最大电池容量和最小电池容量划分容量间隔,示例性的,容量间隔可以为0.12Ah,并根据容量间隔等分出多个相同的容量区间,并在距离每一容量区间的端点小于或等于第一预值的范围内,确定一条在每一测试过程中电压随时间单调变化的代表性曲线,形成每一代表性曲线的电压时间测试数据进行第一插值处理,示例性的,形成代表性曲线的数据点是等时间间隔对应的电压数据点,而此时每一两个电压数据之间的差值并不相同,此时可根据实际情况设置所需要的电压间隔,示例性的,电压间隔可以为1mV,并根据所需要的电压间隔对上述形成代表性曲线的数据点进行第一插值处理,形成等电压间隔对应的时间数据点,进而根据等电压间隔对应的时间数据点形成与代表性曲线对应的如图3所示的典型充放电曲线,即电池容量为1.879 Ah的第一典型充放电曲线Q1、电池容量为1.966 Ah的第二典型充放电曲线Q2、电池容量为2.110 Ah的第三典型充放电曲线Q3和电池容量为2.261 Ah的第四典型充放电曲线Q4。特别地,图4是根据本发明实施例提供的一种典型充放电曲线的部分示意图,如图4所示,可以看出电池容量越大,放电曲线的放电时间越长。
进一步的,图5是根据本发明实施例提供的一种预测充放电曲线的示意图,参考图5,根据待预测电池的当前容量,以及与待预测电池的当前容量相近的典型电池容量所对应的典型充放电曲线确定待预测电池的充放电曲线,包括:若待预测电池的当前容量在电池充放电曲线样本库中充放电曲线对应的最小电池容量与最大电池容量所组成的区间内,则确定待预测电池的当前容量与典型容量区间中最小端点容量的容量差值;其中,典型容量区间为与预测电池的当前容量相邻的两个典型电池容量之间的容量区间;根据容量差值与容量区间差值确定第一占比;其中,容量区间差值为典型容量区间中最大端点容量与最小端点容量的差值;根据第一占比,对与待预测电池的当前容量相邻的两个典型电池容量对应的两个典型充放电曲线进行等比例插值,确定预测电池的充放电曲线。
示例性的,本发明实施例以选用额定容量为2.5Ah的磷酸铁锂电池作为研究对象为例,对建立电池充放电曲线样本库的具体方法进行详细说明,具体描述如下:若待测电池的容量估计值为2.045Ah,则可确定与待预测电池的当前容量相邻的典型电池容量所对应的典型充放电曲线分别为电池容量为1.966Ah的典型充放电曲线和电池容量为2.110Ah的典型充放电曲线。此时待预测电池的当前容量在电池充放电曲线样本库中充放电曲线对应的最小电池容量与最大电池容量所组成的区间内,待预测电池的当前容量与典型容量区间中最小端点容量的容量差值m1=2.045Ah-1.966Ah=0.079Ah,而容量区间差值m2=2.110Ah-1.966Ah=0.144Ah,根据容量差值与容量区间差值确定出第一占比m= m1/ m2=0.549,最后根据第一占比,对与待预测电池的当前容量相邻的两个典型电池容量对应的两个典型充放电曲线进行等比例插值,确定待预测电池的充放电曲线Q,示例性的,在电压数据不变的条件下,可以根据第二典型充放电曲线Q2对应的时间数据、以及第三典型充放电曲线Q3对应的时间数据以及第一占比,采用计算第一占比的方法计算出每一电压数据点所对应的时间数据点,进而根据每一电压数据点对应的时间数据点确定如图5所示的待预测电池的充放电曲线Q。示例性的,可以将以等电压间隔对应的时间数据点形成的待预测电池的充放电曲线Q转化为以等时间间隔对应的电压数据点形成的待预测电池的充放电曲线Q。
最后,将待预测电池的实际曲线和预测曲线进行对比,图6是根据本发明实施例提供的一种待预测电池的实际曲线与放电曲线的对比示意图,如图6所示。可以看出预测曲线非常贴近于实际曲线,并且在电压快速下降阶段仍能很好地跟踪实际曲线的下降趋势,进而可以表明预测曲线的准确性。图7是根据本发明实施例提供的一种待预测电池的实际曲线与放电曲线的误差示意图,如图7所示,在大部分的时间点,待预测电池的电压预测误差都小于30 mV。电压曲线预测的平均误差仅为6 mV,最大误差为54 mV。进一步表明了本发明实施例设计的电池充放电曲线预测的准确性。
进一步的,确定待预测电池的当前容量,以及与待预测电池的当前容量相近的典型电池容量所对应的典型充放电曲线,包括:根据待预测电池的部分充放电数据和电池容量估计模型确定待预测电池的当前容量;确定与待预测电池的当前容量相邻的典型电池容量所对应的典型充放电曲线。
示例性的,本发明实施例以选用额定容量为2.5Ah的磷酸铁锂电池作为研究对象为例,对建立电池充放电曲线样本库的具体方法进行详细说明,具体描述如下:
可以将待预测电池的部分充放电数据输入进提前建立好的电池容量估计模型,进而确定出电池容量估计值。其中,电池容量估计模型可以为数据驱动模型,如机器学习模型或者神经网络模型,也可以为基于滤波的估计模型,也可以为电化学模型,本发明实施例对比不进行限制。示例性的,如图4所示,若待测电池的容量估计值为2.045Ah,则可确定与待预测电池的当前容量相邻的典型电池容量所对应的典型充放电曲线分别为电池容量为1.966Ah的典型充放电曲线和电池容量为2.110Ah的典型充放电曲线。
进一步的,参考图2,对多组同种类型的电池进行容量测试试验,并根据容量测试试验的试验数据建立电池充放电曲线样本库,包括:对多个同种类型的电池进行满充满放的容量测试,并记录每一电池的试验数据;其中,试验数据包括电流数据、电压数据和时间数据;对每一电池的试验数据进行异常排除处理,确定非异常试验数据;根据非异常试验数据建立电池充放电曲线样本库,并确定每一电池的电池容量。
示例性的,本发明实施例以选用额定容量为2.5Ah的磷酸铁锂电池作为研究对象为例,对建立电池充放电曲线样本库的具体方法进行详细说明,具体描述如下:选择一批额定容量为2.5 Ah的磷酸铁锂电池作为研究对象,对其进行一次满充满放的容量测试,并记录测试过程的每一设定时间间隔对应的电流数据和每一设定时间间隔对应的电压数据。此时可通过安时积分法对电池的放电电流和时间进行积分运算,计算出电池的放电容量,即实际的电池容量。如果测试过程有电压、电流或者容量值出现异常数据,则将其去除,进而确定非异常试验数据,并根据非异常试验数据建立如图2所示的电池充放电曲线样本库。示例性的,如图2所述,电池经历了恒流充电阶段a1、恒压充电阶段a2、搁置阶段a3和恒流放电阶段a4的测试过程,其中,恒流充电阶段a1可以理解为图2中电压曲线的上升阶段;恒压充电阶段a2可以理解为电压曲线的水平阶段;搁置阶段a3可以理解为第一次电压下降阶段;恒流放电阶段a4可以理解为第二次电压下降阶段。
进一步的,根据待预测电池的当前容量,以及与待预测电池的当前容量相近的典型电池容量对应的典型充放电曲线确定待预测电池的充放电曲线,包括:若待预测电池的当前容量小于电池充放电曲线样本库中充放电曲线对应的最小电池容量,则根据待预测电池的当前容量与最小电池容量确定第二占比;根据第二占比,对与最小电池容量对应的典型充放电曲线进行等比例插值处理确定待预测电池的充放电曲线。
具体的,若待预测电池的当前容量小于电池充放电曲线样本库中充放电曲线对应的最小电池容量,此时可根据待预测电池的当前容量与最小电池容量确定第二占比,示例性的,如图4所示,若待测电池的容量估计值为1.708Ah,电池充放电曲线样本库中充放电曲线对应的最小电池容量为1.879Ah,则第二占比q=1.708Ah/1.879Ah=0.9,此时根据第二占比,对与最小电池容量对应的典型充放电曲线进行等比例插值处理确定待预测电池的充放电曲线,示例性的,在电压数据不变的条件下,可以根据最小电池容量对应的典型充放电曲线对应的时间数据以及第二占比,采用计算第二占比的方法计算出待预测电池的充放电曲线的每一电压数据点所对应的时间数据点,进而根据每一电压数据点对应的时间数据点确定待预测电池的充放电曲线。示例性的,可以将以等电压间隔对应的时间数据点形成的待预测电池的充放电曲线转化为以等时间间隔对应的电压数据点形成的待预测电池的充放电曲线。
进一步的,根据待预测电池的当前容量,以及与待预测电池的当前容量相近的典型电池容量对应的典型充放电曲线确定待预测电池的充放电曲线,包括:若待预测电池的当前容量大于电池充放电曲线样本库中充放电曲线对应的最大电池容量,则根据待预测电池的当前容量与最大电池容量确定第三占比;根据第三占比,对与最大电池容量对应的典型充放电曲线进行等比例插值处理确定预测电池的充放电曲线。
具体的,若待预测电池的当前容量大于电池充放电曲线样本库中充放电曲线对应的最大电池容量,此时可根据待预测电池的当前容量与最大电池容量确定第三占比,示例性的,如图4所示,若待测电池的容量估计值为2.4Ah,电池充放电曲线样本库中充放电曲线对应的最大电池容量为2.261Ah,则第二占比q=2.4Ah/2.261Ah=1.06,此时根据第三占比,对与最大电池容量对应的典型充放电曲线进行等比例插值处理确定待预测电池的充放电曲线,示例性的,在电压数据不变的条件下,可以根据最大电池容量对应的典型充放电曲线对应的时间数据以及第三占比,采用计算第三占比的方法计算出待预测电池的充放电曲线的每一电压数据点所对应的时间数据点,进而根据每一电压数据点对应的时间数据点确定待预测电池的充放电曲线。示例性的,可以将以等电压间隔对应的时间数据点形成的待预测电池的充放电曲线转化为以等时间间隔对应的电压数据点形成的待预测电池的充放电曲线。
本发明实施例提供了一种电池充放电曲线预测装置,图8是根据本发明实施例提供的一种电池充放电曲线预测装置的结构示意图,参考图8,电池充放电曲线预测装置200包括:样本库确定模块210,用于对多个同种类型的电池进行满充满放的容量测试试验,并根据容量测试试验的试验数据建立电池充放电曲线样本库;其中,电池充放电曲线样本库包括多条充放电曲线;典型曲线确定模块220,用于根据电池充放电曲线样本库中充放电曲线对应的电池容量的最大值和最小值设置多个相同的容量区间,并根据每一容量区间确定一典型充放电曲线;待预测电池处理模块230,用于确定待预测电池的当前容量,以及与待预测电池的当前容量相邻的典型电池容量所对应的典型充放电曲线;其中,典型电池容量为典型充放电曲线对应的电池容量;曲线预测模块240,用于根据待预测电池的当前容量,以及与待预测电池的当前容量相近的典型电池容量对应的典型充放电曲线确定待预测电池的充放电曲线。
进一步的,典型曲线确定模块220包括:容量区间设置单元,用于根据电池充放电曲线样本库中充放电曲线的电池容量的最大值和最小值设置多个相同的容量区间;代表性曲线确定单元,用于在距离每一容量区间的端点小于或等于第一预值的范围内,确定一条在每一测试过程中电压随时间单调变化的代表性曲线;其中,代表性曲线为以等时间间隔对应的电压数据点形成的电压-时间曲线;典型曲线形成单元,用于对形成的每一代表性曲线的电压时间测试数据进行第一插值处理,形成与代表性曲线对应的典型充放电曲线;其中,典型充放电曲线为以等电压间隔对应的时间数据点形成的电压-时间曲线。
进一步的,曲线预测模块240包括:容量差值确定单元,用于若待预测电池的当前容量在电池充放电曲线样本库中充放电曲线对应的最小电池容量与最大电池容量所组成的区间内,则确定待预测电池的当前容量与典型容量区间中最小端点容量的容量差值;其中,典型容量区间为与预测电池的当前容量相邻的两个典型电池容量之间的容量区间;第一占比确定单元,用于根据容量差值与容量区间差值确定第一占比;其中,容量区间差值为典型容量区间中最大端点容量与最小端点容量的差值;第一充放电曲线确定单元,用于根据第一占比,对与待预测电池的当前容量相邻的两个典型电池容量对应的两个典型充放电曲线进行等比例插值,确定待预测电池的充放电曲线。
进一步的,待预测电池处理模块230包括:当前容量确定单元,用于根据待预测电池的部分充放电数据和电池容量估计模型确定待预测电池的当前容量;典型曲线确定单元,用于确定与待预测电池的当前容量相邻的典型电池容量所对应的典型充放电曲线。
进一步的,样本库确定模块210包括:实验数据确定单元,用于对多个同种类型的电池进行满充满放的容量测试,并记录每一电池的试验数据;其中,试验数据包括电流数据、电压数据和时间数据;非异常数据确定单元,用于对每一电池的试验数据进行异常排除处理,确定非异常试验数据;电池容量确定单元,用于根据非异常试验数据建立电池充放电曲线样本库,并确定每一电池的电池容量。
进一步的,曲线预测模块240还包括:第二占比确定单元,用于在待预测电池的当前容量小于电池充放电曲线样本库中充放电曲线对应的最小电池容量时,根据待预测电池的当前容量与最小电池容量确定第二占比;第二充放电曲线确定单元,用于根据第二占比,对与最小电池容量对应的典型充放电曲线进行等比例插值处理确定待预测电池的充放电曲线。
进一步的,曲线预测模块240还包括:第三占比确定单元,用于若待预测电池的当前容量大于电池充放电曲线样本库中充放电曲线对应的最大电池容量,则根据待预测电池的当前容量与最大电池容量确定第三占比;第三充放电曲线确定单元,用于根据第三占比,对与最大电池容量对应的典型充放电曲线进行等比例插值处理确定待预测电池的充放电曲线。
本发明实施例所提供的电池充放电曲线预测装置可执行本发明任意实施例所提供的电池充放电曲线预测方法,具备执行方法相应的功能模块和有益效果。
图9示出了可以用来实施本发明的实施例的电子设备的结构示意图。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9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,例如电池充放电曲线预测方法。
在一些实施例中,电池充放电曲线预测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电池充放电曲线预测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)而被配置为执行电池充放电曲线预测方法。
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。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (6)
1.一种电池充放电曲线预测方法,其特征在于,包括:
对多个同种类型的电池进行满充满放的容量测试试验,并根据所述容量测试试验的试验数据建立电池充放电曲线样本库;其中,电池充放电曲线样本库包括多条充放电曲线;
根据所述电池充放电曲线样本库中充放电曲线对应的电池容量的最大值和最小值设置多个相同的容量区间,并根据每一所述容量区间确定一典型充放电曲线;
确定待预测电池的当前容量,以及与所述待预测电池的当前容量相邻的典型电池容量所对应的所述典型充放电曲线;其中,典型电池容量为所述典型充放电曲线对应的电池容量;
根据所述待预测电池的当前容量,以及与所述待预测电池的当前容量相近的典型电池容量对应的所述典型充放电曲线确定所述待预测电池的充放电曲线;
所述根据所述电池充放电曲线样本库中充放电曲线的电池容量的最大值和最小值设置多个相同的容量区间,并根据每一所述容量区间确定一典型充放电曲线,包括:
根据所述电池充放电曲线样本库中充放电曲线的电池容量的最大值和最小值设置多个相同的容量区间;
在距离每一所述容量区间的端点小于或等于第一预值的范围内,确定一条在每一测试过程中电压随时间单调变化的代表性曲线;其中,代表性曲线为以等时间间隔对应的电压数据点形成的电压-时间曲线;
对形成的每一所述代表性曲线的电压时间测试数据进行第一插值处理,形成与所述代表性曲线对应的典型充放电曲线;其中,典型充放电曲线为以等电压间隔对应的时间数据点形成的电压-时间曲线;
所述根据所述待预测电池的当前容量,以及与所述待预测电池的当前容量相近的典型电池容量所对应的所述典型充放电曲线确定所述待预测电池的充放电曲线,包括:
若所述待预测电池的当前容量在所述电池充放电曲线样本库中充放电曲线对应的最小电池容量与最大电池容量所组成的区间内,则确定所述待预测电池的当前容量与典型容量区间中最小端点容量的容量差值;其中,所述典型容量区间为与所述预测电池的当前容量相邻的两个典型电池容量之间的容量区间;
根据所述容量差值与容量区间差值确定第一占比;其中,所述容量区间差值为所述典型容量区间中最大端点容量与最小端点容量的差值;
根据所述第一占比,对与所述待预测电池的当前容量相邻的两个典型电池容量对应的两个所述典型充放电曲线进行等比例插值,确定待预测电池的充放电曲线;
所述根据所述待预测电池的当前容量,以及与所述待预测电池的当前容量相近的典型电池容量对应的所述典型充放电曲线确定所述待预测电池的充放电曲线,包括:
若所述待预测电池的当前容量大于所述电池充放电曲线样本库中充放电曲线对应的最大电池容量,则根据所述待预测电池的当前容量与所述最大电池容量确定第三占比;
根据所述第三占比,对与所述最大电池容量对应的所述典型充放电曲线进行等比例插值处理确定待预测电池的充放电曲线;
所述根据所述待预测电池的当前容量,以及与所述待预测电池的当前容量相近的典型电池容量对应的所述典型充放电曲线确定所述待预测电池的充放电曲线,包括:
若所述待预测电池的当前容量大于所述电池充放电曲线样本库中充放电曲线对应的最大电池容量,则根据所述待预测电池的当前容量与所述最大电池容量确定第三占比;
根据所述第三占比,对与所述最大电池容量对应的所述典型充放电曲线进行等比例插值处理确定待预测电池的充放电曲线。
2.根据权利要求1所述的电池充放电曲线预测方法,其特征在于,所述确定待预测电池的当前容量,以及与所述待预测电池的当前容量相近的典型电池容量所对应的所述典型充放电曲线,包括:
根据待预测电池的部分充放电数据和电池容量估计模型确定待预测电池的当前容量;
确定与所述待预测电池的当前容量相邻的典型电池容量所对应的所述典型充放电曲线。
3.根据权利要求1所述的电池充放电曲线预测方法,其特征在于,所述对多个同种类型的电池进行容量测试试验,并根据所述容量测试试验的试验数据建立电池充放电曲线样本库,包括:
对多个同种类型的电池进行满充满放的容量测试,并记录每一电池的试验数据;其中,试验数据包括电流数据、电压数据和时间数据;
对每一电池的所述试验数据进行异常排除处理,确定非异常试验数据;
根据所述非异常试验数据建立电池充放电曲线样本库,并确定每一电池的电池容量。
4.一种电池充放电曲线预测装置,其特征在于,包括:
样本库确定模块,用于对多个同种类型的电池进行满充满放的容量测试试验,并根据所述容量测试试验的试验数据建立电池充放电曲线样本库;其中,电池充放电曲线样本库包括多条充放电曲线;
典型曲线确定模块,用于根据所述电池充放电曲线样本库中充放电曲线对应的电池容量的最大值和最小值设置多个相同的容量区间,并根据每一所述容量区间确定一典型充放电曲线;
待预测电池处理模块,用于确定待预测电池的当前容量,以及与所述待预测电池的当前容量相邻的典型电池容量所对应的所述典型充放电曲线;其中,典型电池容量为所述典型充放电曲线对应的电池容量;
曲线预测模块,用于根据所述待预测电池的当前容量,以及与所述待预测电池的当前容量相近的典型电池容量对应的所述典型充放电曲线确定所述待预测电池的充放电曲线;
所述电池充放电曲线预测装置用于执行权利要求1至3任一所述电池充放电曲线预测方法。
5.一种电子设备,其特征在于,所述电子设备包括:
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;其中,
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1-3中任一项所述的电池充放电曲线预测方法。
6.一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1-3中任一项所述的电池充放电曲线预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410466085.6A CN118068199B (zh) | 2024-04-18 | 一种电池充放电曲线预测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410466085.6A CN118068199B (zh) | 2024-04-18 | 一种电池充放电曲线预测方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118068199A CN118068199A (zh) | 2024-05-24 |
CN118068199B true CN118068199B (zh) | 2024-07-02 |
Family
ID=
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109193720A (zh) * | 2018-09-12 | 2019-01-11 | 华南理工大学 | 基于企业用户典型日负荷曲线的用户侧储能容量配置方法 |
CN113139583A (zh) * | 2021-03-26 | 2021-07-20 | 深圳供电局有限公司 | 电池分选参数的选取方法、装置、计算机设备和存储介质 |
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109193720A (zh) * | 2018-09-12 | 2019-01-11 | 华南理工大学 | 基于企业用户典型日负荷曲线的用户侧储能容量配置方法 |
CN113139583A (zh) * | 2021-03-26 | 2021-07-20 | 深圳供电局有限公司 | 电池分选参数的选取方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
CN109471040B (zh) | 容量判定方法、装置、电子设备及计算机可读存储介质 | |
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 | |
CN115221795A (zh) | 容量预测模型的训练方法、预测方法、装置、设备及介质 | |
CN108445422A (zh) | 基于极化电压恢复特性的电池荷电状态估算方法 | |
CN115932634A (zh) | 一种对电池健康状态评估的方法、装置、设备及存储介质 | |
CN115372841A (zh) | 一种锂离子电池单体热失控风险评价方法及装置 | |
CN114954105A (zh) | 电池换电方法、装置、电子设备及存储介质 | |
CN117805621A (zh) | 一种电池容量估计方法、装置、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 | |
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 | |
CN115692885A (zh) | 一种电池析锂保护方法、装置、电子设备和存储介质 | |
CN118068199A (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 | |
CN115656858A (zh) | 电池寿命确定方法、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 | |
CN116359749A (zh) | 磷酸铁锂电池包异常检测方法、设备及可读存储介质 | |
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 | |
CN117289140A (zh) | 一种电池故障诊断方法、装置、设备及存储介质 | |
CN116819342A (zh) | 一种电池寿命曲线确定方法、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 | |
Yang et al. | Second Life Battery Life Cycle Estimation | |
CN116148694A (zh) | 一种锂离子电芯的筛选方法、装置、设备及存储介质 | |
CN114633833A (zh) | 电动自行车的行驶参数确定方法、装置、设备和存储介质 | |
CN117007981A (zh) | 一种锂离子蓄电池热失控确定方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |