CN118131047A - 一种电芯性能测试方法、设备及存储介质 - Google Patents
一种电芯性能测试方法、设备及存储介质 Download PDFInfo
- Publication number
- CN118131047A CN118131047A CN202410243703.0A CN202410243703A CN118131047A CN 118131047 A CN118131047 A CN 118131047A CN 202410243703 A CN202410243703 A CN 202410243703A CN 118131047 A CN118131047 A CN 118131047A
- Authority
- CN
- China
- Prior art keywords
- battery cell
- tested
- test
- data
- test 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.)
- Pending
Links
- 238000012360 testing method Methods 0.000 title claims abstract description 240
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 238000011056 performance test Methods 0.000 claims abstract description 38
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 32
- 238000007599 discharging Methods 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 22
- 238000004140 cleaning Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 4
- 238000010998 test method Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000013543 active substance Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012795 verification Methods 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/3865—Arrangements for measuring battery or accumulator variables related to manufacture, e.g. testing after manufacture
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Secondary Cells (AREA)
Abstract
本申请涉及一种电芯性能测试方法、设备及存储介质，涉及电池技术领域，其包括：获取待测电芯在一次充放电过程中采集到的测试数据组，所述测试数据组包括但不限于待测电芯的电压数据、电流数据、内阻数据、容量数据和自放电率数据；预设待测电芯的循环充放电次数，根据循环充放电次数对待测电芯进行若干次循环充放电；获取待测电芯在若干次循环充放电过程中采集到的若干组测试数据组；对待测电芯的若干组测试数据组进行预处理，得到预处理后的测试数据组；构建电芯性能预测模型，将预处理后的测试数据组输入电芯性能预测模型，得到待测电芯的电芯性能测试结果。本申请具有提升电芯性能测试的效率和准确性的效果。
Description
技术领域
本申请涉及电池技术领域，尤其是涉及一种电芯性能测试方法、设备及存储介质。
背景技术
充电电池为目前最为常用的电池类型，由于其经济、环保、电量充足并且可充电，适合手机、笔记本电脑等长时间使用的电器。而电芯是充电电池中的蓄电部分，电芯的性能能够直接影响充电电池的性能和使用效果。因此在充电电池的制造过程中，需要对电芯进行性能测试，以确保电芯的电流、电压和内阻等性能参数符合充电电池的需求，从而确保充电电池使用时的可靠性。
目前对电芯进行性能测试的流程通常为人工借助内阻测试仪和万用表等设备，采用手动测试并通过肉眼观察得到参数数据，再将得到的参数数据与规定参数进行对比，最后根据对比结果判断电芯质量是否达标。然而，这种测试方式存在手动操作导致效率低下、肉眼观察导致可能存在误差、对比判断导致测试结果准确性较低等问题。
发明内容
本申请的目的是提供一种电芯性能测试方法、设备及存储介质，提升电芯性能测试的效率和准确性。
第一方面，本申请提供的一种电芯性能测试方法采用如下的技术方案：
一种电芯性能测试方法，包括：
获取待测电芯在一次充放电过程中采集到的测试数据组，所述测试数据组包括但不限于待测电芯的电压数据、电流数据、内阻数据、容量数据和自放电率数据；
预设待测电芯的循环充放电次数，根据循环充放电次数对待测电芯进行若干次循环充放电；
获取待测电芯在若干次循环充放电过程中采集到的若干组测试数据组；
对待测电芯的若干组测试数据组进行预处理，得到预处理后的测试数据组；
构建电芯性能预测模型，将预处理后的测试数据组输入电芯性能预测模型，得到待测电芯的电芯性能测试结果。
通过采用上述技术方案，本申请的电芯性能测试方法通过对待测电芯进行循环充放电，在循环充放电过程中获取测试数据组，通过测试数据组能够更为全面获取电芯的性能影响情况，无需人工操作和记录数据，有效提升电芯性能测试过程的效率以及测试数据采集过程的准确性。并且，本申请通过构建电芯性能预测模型对测试数据组进行分析，得到模型预测的测试结果，能够提升测试结果的准确性。
进一步的，所述获取待测电芯在一次充放电过程中采集到的测试数据组，所述测试数据组包括但不限于待测电芯的电压数据、电流数据、内阻数据、容量数据和自放电率数据，具体包括：
获取电压采集模块在待测电芯充放电过程中采集到的电压数据；
获取电流采集模块在待测电芯充放电过程中采集到的电流数据；
获取内阻采集模块在待测电芯充放电过程中采集到的内阻数据；
根据待测电芯充放电过程中电压数据和电流数据得到待测电芯的容量数据；
将待测电芯的电压数据、电流数据、内阻数据和容量数据构建为待测电芯的测试数据组。
通过采用上述技术方案，电压数据、电流数据、内阻数据和容量数据为对电芯性能影响较大的参数数据，其中，通过电压数据、电流数据、内阻数据能够监测充放电过程是否存在异常，容量数据为电芯能够蓄电的容量大小，能够反映充电电池的容量，直接影响充电电池的使用体验，因此本申请将电压数据、电流数据、内阻数据和容量数据作为待测电芯的测试数据组，能够更为全面体现待测电芯的性能，确保测试结果的准确性。
进一步的，所述对待测电芯的若干组测试数据组进行预处理，得到预处理后的测试数据组，具体包括：
根据待测电芯的测试数据组进行数据清洗，得到数据清洗后的测试数据组；
将数据清洗后的测试数据组作为预处理后的测试数据组。
通过采用上述技术方案，数据清洗能够对测试数据组进行重新审查和校验，目的在于删除重复信息、纠正存在的错误，并提供数据一致性，对待测电芯的测试数据组进行数据清洗，能够进一步确保测试数据的准确性。
进一步的，所述对待测电芯的若干组测试数据组进行预处理，得到预处理后的测试数据组，还包括：
根据数据清洗后的测试数据组自适应矫正，得到自适应矫正后的测试数据组；
将自适应矫正后的测试数据组作为预处理后的测试数据组。
通过采用上述技术方案，自适应矫正过程是使数据不断逼近目标的过程，通过对测试数据组进行自适应矫正能够进一步确保测试数据的准确性，从而提升测试结果的准确性。
进一步的，所述构建电芯性能预测模型，将预处理后的测试数据组输入电芯性能预测模型，得到待测电芯的电芯性能测试结果，具体包括：
构建电芯性能预测初始模型；
获取电芯性能测试数据库内的测试数据组样本和对应的测试结果样本，将测试数据组样本和对应的测试结果样本构建为样本集；
根据样本集对电芯性能预测初始模型进行训练，得到训练完成的电芯性能预测模型；
将预处理后的测试数据组输入训练完成的电芯性能预测模型，得到待测电芯的电芯性能测试结果。
通过采用上述技术方案，本申请通过使用测试数据组样本和对应的测试结果样本对模型进行训练，再使用训练好的电芯性能预测模型对待测电芯的性能测试结果进行预测，与单纯的通过阈值对比判断结果相比，使用模型进行分析能够考虑到更为全面的数据情况，能够有效提升电芯性能测试结果预测的准确性和智能性。
进一步的，所述构建电芯性能预测初始模型，具体包括：
基于LSTM构建电芯性能预测初始模型，配置电芯性能预测初始模型的模型参数，所述模型参数包括但不限于LSTM单元数量、激活函数和输入序列长度。
通过采用上述技术方案，LSTM是一种时间循环神经网络，LSTM能够学习并记忆长期依赖关系，解决普通RNN难以捕捉长序列的问题，同时LSTM的设计结构有助于保持梯度流，有效解决传统RNN在训练过程中梯度消失的问题，能够在复杂的序列预测任务中表现优异，因此本申请利用LSTM构建电芯性能预测初始模型，能够确保模型的可靠性。
进一步的，所述根据样本集对电芯性能预测初始模型进行训练，得到训练完成的电芯性能预测模型，具体包括：
将样本集分为训练集和测试集，预设训练轮数；
将训练集输入电芯性能预测初始模型，按照预设的训练轮数进行训练；
当电芯性能预测初始模型达到预设的训练轮数时，得到训练后的电芯性能预测模型；
将测试集中的测试数据组样本输入训练后的电芯性能预测模型，得到测试结果预测样本；
根据测试集中的测试结果样本和对应的测试结果预测样本调整电芯性能预测模型的模型参数，根据调整后的模型参数得到训练完成的电芯性能预测模型。
通过采用上述技术方案，本申请通过构建的样本集对电芯性能预测初始模型进行训练，使其能够学习测试数据组样本和测试结果样本的特征关系，当训练结束后还需要对模型进行测试，以判断其准确性，当准确性不达标时对模型参数进行相应的调整，以确保最终得到的电芯性能预测模型符合需求。
进一步的，所述根据测试集中的测试结果和对应的测试结果预测样本调整电芯性能预测模型的模型参数，根据调整后的模型参数得到训练完成的电芯性能预测模型，具体包括：
根据测试集中的测试结果样本和对应的测试结果预测样本得到测试结果均方误差；
当测试结果均方误差大于预设的误差值时，循环调整电芯性能预测模型的模型参数，直至测试结果均方误差小于预设的误差值；
当测试结果均方误差小于预设的误差值时，将根据当前的模型参数得到训练完成的电芯性能预测模型。
通过采用上述技术方案，本申请通过测试集测试结果的均方误差判断模型的准确性，当模型的准确性不符合需求则对模型参数进行调整，以确保最终得到的电芯性能预测模型符合需求，从而确保通过模型预测的待测电芯性能测试结果足够准确。
第二方面，本申请提供的一种计算机设备采用如下的技术方案：
一种计算机设备，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行如第一方面所述的一种电芯性能测试方法。
通过采用上述技术方案，本申请考虑到对电芯性能产生影响的多种参数，通过构建测试数据组和电芯性能预测模型，并根据测试数据组输入电芯性能预测模型对待测电芯性能测试结果进行预测，提升电芯性能测试的效率和准确性。
第三方面，本申请提供的一种计算机可读存储介质采用如下的技术方案：
一种计算机可读存储介质，存储有能够被处理器加载并执行如第一方面所述的一种电芯性能测试方法的计算机程序。
通过采用上述技术方案，本申请通过处理器获取测试数据并对测试数据进行分析得到测试结果，能够有效提升电芯性能测试的准确性和智能性。
综上所述，本申请包括以下至少一种有益技术效果：
1.本申请的电芯性能测试方法通过对待测电芯进行循环充放电，在循环充放电过程中获取测试数据组，通过测试数据组能够更为全面获取电芯的性能影响情况，无需人工操作和记录数据，有效提升电芯性能测试过程的效率以及测试数据采集过程的准确性；
2.本申请通过构建电芯性能预测模型对测试数据组进行分析，得到模型预测的测试结果，能够提升测试结果的准确性；
3.本申请通过使用测试数据组样本和对应的测试结果样本对模型进行训练，再使用训练好的电芯性能预测模型对待测电芯的性能测试结果进行预测，与单纯的通过阈值对比判断结果相比，使用模型进行分析能够考虑到更为全面的数据情况，能够有效提升电芯性能测试结果预测的准确性和智能性；
4.本申请通过测试集测试结果的均方误差判断模型的准确性，当模型的准确性不符合需求则对模型参数进行调整，以确保最终得到的电芯性能预测模型符合需求，从而确保通过模型预测的待测电芯性能测试结果足够准确。
附图说明
图1是本申请实施例的方法流程图；
图2是本申请实施例的模型构建方法流程图；
图3是本申请实施例的处理器连接示意图；
图中，1、处理器；2、电压采集模块；3、电流采集模块；4、内阻采集模块。
具体实施方式
以下结合附图1-附图3，对本申请作进一步详细说明。
目前对电芯进行性能测试的流程通常为人工借助内阻测试仪和万用表等设备，采用手动测试并通过肉眼观察得到参数数据，再将得到的参数数据与规定参数进行对比，最后根据对比结果判断电芯质量是否达标。然而，这种测试方式存在手动操作导致效率低下、肉眼观察导致可能存在误差、对比判断导致测试结果准确性较低等问题，因此本申请实施例提供一种电芯性能测试方法，参照图1，步骤包括：
S1、获取待测电芯在一次充放电过程中采集到的测试数据组。
具体的，测试数据组包括但不限于待测电芯的电压数据、电流数据、内阻数据、容量数据和自放电率数据。其中，通过电压数据、电流数据、内阻数据能够监测充放电过程是否存在异常，容量数据为电芯能够蓄电的容量大小，能够反映充电电池的容量，直接影响充电电池的使用体验。
S2、预设待测电芯的循环充放电次数，根据循环充放电次数对待测电芯进行若干次循环充放电。
具体的，由于电芯为充电电池的重要组成部分，充电电池的充放电次数为有限次，通过根据预设的循环充放电次数对待测电芯进行若干次循环充放电测试，可以模拟充电电池在实际使用时的充放电过程中电芯的状态。
S3、获取待测电芯在若干次循环充放电过程中采集到的若干组测试数据组。
具体的，通过循环充放电模拟电芯实际使用状态，并记录每次充放电过程的测试数据，从而得到若干组测试数据组。
S4、对待测电芯的若干组测试数据组进行预处理，得到预处理后的测试数据组。
具体的，预处理过程包括对待测电芯的测试数据组进行数据清洗和自适应矫正等操作，使测试数据组内的干扰数据减少，使测试数据更加准确。
S5、构建电芯性能预测模型，将预处理后的测试数据组输入电芯性能预测模型，得到待测电芯的电芯性能测试结果。
具体的，基于LSTM构建电芯性能预测模型，长短期记忆网络（LSTM，Long Short-Term Memory）是一种时间循环神经网络，LSTM能够学习并记忆长期依赖关系，解决普通RNN难以捕捉长序列的问题，同时LSTM的设计结构有助于保持梯度流，有效解决传统RNN在训练过程中梯度消失的问题，能够在复杂的序列预测任务中表现优异，利用LSTM构建电芯性能预测模型，能够确保模型的可靠性。
本申请实施例的实施原理为：通过对待测电芯进行循环充放电，在循环充放电过程中获取测试数据组，通过测试数据组能够更为全面获取电芯的性能影响情况，无需人工操作和记录数据，有效提升电芯性能测试过程的效率以及测试数据采集过程的准确性。并且通过构建电芯性能预测模型对测试数据组进行分析，得到模型预测的测试结果，能够提升测试结果的准确性。
本实施例与现有技术中的电芯性能测试方法的不同之处在于通过自动获取测试数据组进行分析得到测试结果，无需人工手动操作也无需肉眼观察数据，有效提升电芯性能测试的效率，减少肉眼观察过程中容易产生误差的情况，因此本实施例步骤S1具体包括：
S11、获取电压采集模块在待测电芯充放电过程中采集到的电压数据。
具体的，在充放电过程中，电芯的电压会随着充放电过程变化，电压采集模块按照预设的周期采集电压数据。在具体实施过程中，电压采集模块可以采用电压表。
S12、获取电流采集模块在待测电芯充放电过程中采集到的电流数据。
具体的，在充放电过程中，电芯的电流会随着充放电过程变化，电流采集模块按照预设的周期采集电流数据。在具体实施过程中，电流采集模块可以采用电流表。
S13、获取内阻采集模块在待测电芯充放电过程中采集到的内阻数据。
具体的，在充放电过程中，电芯的内阻会随着充放电过程变化，是由于电芯内活性物质的组成，电解液的浓度和温度都在不断的改变，欧姆内阻遵守欧姆定律，极化内阻随电流密度增加而增大，但不是线性变化关系，内阻数据常随电流密度的对数增大而线性增加，内阻采集模块按照预设的周期采集内阻数据。在具体实施过程中，内阻采集模块可以采用内阻测试仪。
S14、根据待测电芯充放电过程中电压数据和电流数据得到待测电芯的容量数据。
具体的，电芯的容量数据通过绘制电芯在充放电过程中的电流电压曲线图，对电流电压曲线下方的面积进行积分得到。
S15、将待测电芯的电压数据、电流数据、内阻数据和容量数据构建为待测电芯的测试数据组。
本申请实施例的实施原理为：将电压数据、电流数据、内阻数据和容量数据作为待测电芯的测试数据组，能够更为全面体现待测电芯的性能，确保测试结果的准确性。
在另一种实施方式中，电芯的自放电为未使用时在不与外部电路连接时，由内部自发反应引起的容量损失，由于电芯的自放电率也会对电池性能产生影响，因此本实施例的测试数据组还可以包括自放电率，自放电率可以通过将电芯存储一定的时间后，记录电芯开始存储时的电压和结束存储时的电压，将开始存储时的电压减去结束存储时的电压再除以存储的时间即可得到电芯的自放电率。
为了进一步确保测试数据组的精确性，需要对测试数据组进行预处理，因此步骤S4包括对测试数据组进行数据清洗和自适应矫正。数据清洗能够对测试数据组进行重新审查和校验，目的在于删除重复信息、纠正存在的错误，并提供数据一致性，对待测电芯的测试数据组进行数据清洗，能够进一步确保测试数据的准确性。还包括对待测电芯的测试数据组进行自适应矫正，自适应矫正过程是使数据不断逼近目标的过程，通过对测试数据组进行自适应矫正能够进一步确保测试数据的准确性，从而提升测试结果的准确性。在具体实施过程中，在进行自适应矫正时所使用的自适应算法通常采用基于梯度的算法，具体可采用最小均方误差算法(即LMS算法)。
在利用神经网络模型进行预测时，首先需要进行模型构建，参照图2，本实施例步骤S5具体包括：
S51、构建电芯性能预测初始模型。
具体的，基于LSTM构建电芯性能预测初始模型，配置电芯性能预测初始模型的模型参数，模型参数包括但不限于LSTM单元数量、激活函数和输入序列长度。
S52、获取电芯性能测试数据库内的测试数据组样本和对应的测试结果样本，将测试数据组样本和对应的测试结果样本构建为样本集。
具体的，电芯性能测试数据库内包括以往对电芯进行性能测试时统计记录的测试数据以及根据测试数据综合分析得到的测试结果，选取测试数据组样本和对应的测试结果样本构建为样本集。
S53、根据样本集对电芯性能预测初始模型进行训练，得到训练完成的电芯性能预测模型。
具体的，使用样本集对电芯性能预测初始模型，其中测试数据组样本作为输入数据，测试结果样本作为输出数据，使模型能够学习测试数据组样本和测试结果样本之间的特征关系。
S54、将预处理后的测试数据组输入训练完成的电芯性能预测模型，得到待测电芯的电芯性能测试结果。
具体的，电芯性能预测模型根据学习得到的特征关系，根据输入的测试数据组预测其对应的测试结果，并将测试结果进行输出。
在进行模型构建的过程中，除了需要对模型进行训练外，还需要通过测试判断模型的准确性是否达标，因此本实施例步骤S53具体包括：
S531、将样本集分为训练集和测试集，预设训练轮数。
具体的，通常将样本集的70%作为训练集，30%作为测试集。
S532、将训练集输入电芯性能预测初始模型，按照预设的训练轮数进行训练。
具体的，在进行训练时，将训练集的测试数据组样本作为输入数据，测试结果样本作为输出数据，对电芯性能预测初始模型进行训练。
S533、当电芯性能预测初始模型达到预设的训练轮数时，得到训练后的电芯性能预测模型。
S534、将测试集中的测试数据组样本输入训练后的电芯性能预测模型，得到测试结果预测样本。
具体的，对模型进行训练后，使用已知输出数据的样本集中的输入数据对模型的输出结果进行测试。
S535、根据测试集中的测试结果样本和对应的测试结果预测样本得到测试结果均方误差。
具体的，均方误差（mean-square error, MSE）是反映估计量与被估计量，即测试结果样本和对应的测试结果预测样本之间差异程度的一种度量，根据均方误差判断测试结果样本和对应的测试结果预测样本之间的差异，从而判断训练后的电芯性能预测模型是否符合需求。
S536、当测试结果均方误差大于预设的误差值时，循环调整电芯性能预测模型的模型参数，直至测试结果均方误差小于预设的误差值。
具体的，测试结果均方误差大于预设的误差值则训练后的电芯性能预测模型的准确性较低，不符合需求，需要对模型参数进行调整。
S537、当测试结果均方误差小于预设的误差值时，将根据当前的模型参数得到训练完成的电芯性能预测模型。
具体的，根据测试集中的测试结果样本和对应的测试结果预测样本调整电芯性能预测模型的模型参数，根据调整后的模型参数得到训练完成的电芯性能预测模型。
在具体实施过程中，电芯性能测试结果可以包括电芯性能是否符合需求、电芯在未来时间段内的性能变化、达到性能异常的时间点、电芯的寿命预测等。通过模型提前对电芯未来性能的预测能够提前发现潜在的异常问题，从而能够更加全面的分析电芯的性能情况。
本申请实施例还提供一种计算机设备，包括存储器和处理器1，所述存储器上存储有能够被处理器1加载并执行一种电芯性能测试方法的计算机程序，具体包括：
S1、获取待测电芯在一次充放电过程中采集到的测试数据组。
S2、预设待测电芯的循环充放电次数，根据循环充放电次数对待测电芯进行若干次循环充放电。
S3、获取待测电芯在若干次循环充放电过程中采集到的若干组测试数据组。
S4、对待测电芯的若干组测试数据组进行预处理，得到预处理后的测试数据组。
S5、构建电芯性能预测模型，将预处理后的测试数据组输入电芯性能预测模型，得到待测电芯的电芯性能测试结果。
另外，该计算机设备中的处理器1执行计算机程序时执行上述所有电芯性能测试方法的步骤。
其中，该计算机是服务器，该计算机设备包括通过系统总线连接的处理器1、存储器、网络接口和数据库。其中，该计算机设备的处理器1用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于电芯性能测试数据库、测试数据组、循环充放电次数、电芯性能预测模型等。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器1执行时可以实现一种电芯性能测试方法。
如图3所示，本申请实施例的电压采集模块2、电流采集模块3和内阻采集模块4均与处理器1通信连接。电压采集模块2将采集到的电压数据上传至处理器1，以使处理器1获取待测电芯的电压数据。电流采集模块3将采集到的电流数据上传至处理器1，以使处理器1获取待测电芯的电流数据。内阻采集模块4将采集到的内阻数据上传至处理器1，以使处理器1获取待测电芯的内阻数据。从而使处理器1能够接收并统计所有测试数据并构建为测试数据组。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器1执行时实现以下步骤：
S1、获取待测电芯在一次充放电过程中采集到的测试数据组。
S2、预设待测电芯的循环充放电次数，根据循环充放电次数对待测电芯进行若干次循环充放电。
S3、获取待测电芯在若干次循环充放电过程中采集到的若干组测试数据组。
S4、对待测电芯的若干组测试数据组进行预处理，得到预处理后的测试数据组。
S5、构建电芯性能预测模型，将预处理后的测试数据组输入电芯性能预测模型，得到待测电芯的电芯性能测试结果。
另外，该计算机设备中的处理器1执行计算机程序时执行上述所有电芯性能测试方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）以及存储器总线动态RAM（RDRAM）等。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
本具体实施方式的实施例均为本申请的较佳实施例，并非依此限制本申请的保护范围，其中相同的零部件用相同的附图标记表示。故：凡依本申请的结构、形状、原理所做的等效变化，均应涵盖于本申请的保护范围之内。
Claims (10)
1.一种电芯性能测试方法，其特征在于，包括：
获取待测电芯在一次充放电过程中采集到的测试数据组，所述测试数据组包括但不限于待测电芯的电压数据、电流数据、内阻数据和容量数据；
预设待测电芯的循环充放电次数，根据循环充放电次数对待测电芯进行若干次循环充放电；
获取待测电芯在若干次循环充放电过程中采集到的若干组测试数据组；
对待测电芯的若干组测试数据组进行预处理，得到预处理后的测试数据组；
构建电芯性能预测模型，将预处理后的测试数据组输入电芯性能预测模型，得到待测电芯的电芯性能测试结果。
2.根据权利要求1所述的一种电芯性能测试方法，其特征在于，所述获取待测电芯在一次充放电过程中采集到的测试数据组，所述测试数据组包括但不限于待测电芯的电压数据、电流数据、内阻数据和容量数据，具体包括：
获取电压采集模块在待测电芯充放电过程中采集到的电压数据；
获取电流采集模块在待测电芯充放电过程中采集到的电流数据；
获取内阻采集模块在待测电芯充放电过程中采集到的内阻数据；
根据待测电芯充放电过程中电压数据和电流数据得到待测电芯的容量数据；
将待测电芯的电压数据、电流数据、内阻数据和容量数据构建为待测电芯的测试数据组。
3.根据权利要求2所述的一种电芯性能测试方法，其特征在于，所述对待测电芯的若干组测试数据组进行预处理，得到预处理后的测试数据组，具体包括：
根据待测电芯的测试数据组进行数据清洗，得到数据清洗后的测试数据组；
将数据清洗后的测试数据组作为预处理后的测试数据组。
4.根据权利要求3所述的一种电芯性能测试方法，其特征在于，所述对待测电芯的若干组测试数据组进行预处理，得到预处理后的测试数据组，还包括：
根据数据清洗后的测试数据组自适应矫正，得到自适应矫正后的测试数据组；
将自适应矫正后的测试数据组作为预处理后的测试数据组。
5.根据权利要求1-4任一项所述的一种电芯性能测试方法，其特征在于，所述构建电芯性能预测模型，将预处理后的测试数据组输入电芯性能预测模型，得到待测电芯的电芯性能测试结果，具体包括：
构建电芯性能预测初始模型；
获取电芯性能测试数据库内的测试数据组样本和对应的测试结果样本，将测试数据组样本和对应的测试结果样本构建为样本集；
根据样本集对电芯性能预测初始模型进行训练，得到训练完成的电芯性能预测模型；
将预处理后的测试数据组输入训练完成的电芯性能预测模型，得到待测电芯的电芯性能测试结果。
6.根据权利要求5所述的一种电芯性能测试方法，其特征在于，所述构建电芯性能预测初始模型，具体包括：
基于LSTM构建电芯性能预测初始模型，配置电芯性能预测初始模型的模型参数，所述模型参数包括但不限于LSTM单元数量、激活函数和输入序列长度。
7.根据权利要求6所述的一种电芯性能测试方法，其特征在于，所述根据样本集对电芯性能预测初始模型进行训练，得到训练完成的电芯性能预测模型，具体包括：
将样本集分为训练集和测试集，预设训练轮数；
将训练集输入电芯性能预测初始模型，按照预设的训练轮数进行训练；
当电芯性能预测初始模型达到预设的训练轮数时，得到训练后的电芯性能预测模型；
将测试集中的测试数据组样本输入训练后的电芯性能预测模型，得到测试结果预测样本；
根据测试集中的测试结果样本和对应的测试结果预测样本调整电芯性能预测模型的模型参数，根据调整后的模型参数得到训练完成的电芯性能预测模型。
8.根据权利要求7所述的一种电芯性能测试方法，其特征在于，所述根据测试集中的测试结果和对应的测试结果预测样本调整电芯性能预测模型的模型参数，根据调整后的模型参数得到训练完成的电芯性能预测模型，具体包括：
根据测试集中的测试结果样本和对应的测试结果预测样本得到测试结果均方误差；
当测试结果均方误差大于预设的误差值时，循环调整电芯性能预测模型的模型参数，直至测试结果均方误差小于预设的误差值；
当测试结果均方误差小于预设的误差值时，将根据当前的模型参数得到训练完成的电芯性能预测模型。
9.一种计算机设备，其特征在于，包括存储器和处理器，所述存储器上存储有能够被处理器加载并执行如权利要求1-8任一项所述的一种电芯性能测试方法。
10.一种计算机可读存储介质，其特征在于，存储有能够被处理器加载并执行如权利要求1-8任一项所述的一种电芯性能测试方法的计算机程序。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410243703.0A CN118131047A (zh) | 2024-03-04 | 2024-03-04 | 一种电芯性能测试方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410243703.0A CN118131047A (zh) | 2024-03-04 | 2024-03-04 | 一种电芯性能测试方法、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118131047A true CN118131047A (zh) | 2024-06-04 |
Family
ID=91238799
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410243703.0A Pending CN118131047A (zh) | 2024-03-04 | 2024-03-04 | 一种电芯性能测试方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118131047A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105375071A (zh) * | 2015-12-02 | 2016-03-02 | 南通沃能新能源科技有限公司 | 一种锂电池配组方法 |
| CN113406502A (zh) * | 2021-08-19 | 2021-09-17 | 四川新能源汽车创新中心有限公司 | 基于机器学习的缺陷电池筛选方法、设备及介质 |
| CN115308562A (zh) * | 2021-05-08 | 2022-11-08 | 腾讯科技（深圳）有限公司 | 芯片测试方法及相关设备 |
| WO2023184258A1 (zh) * | 2022-03-30 | 2023-10-05 | 京东方科技集团股份有限公司 | 模型训练方法、性能预测方法、装置、设备及介质 |
| CN117031318A (zh) * | 2022-09-15 | 2023-11-10 | 腾讯云计算（北京）有限责任公司 | 电池性能预测方法、装置、计算机设备和存储介质 |
| CN117310532A (zh) * | 2023-08-15 | 2023-12-29 | 浙江工业大学 | 一种基于BiLSTM的锂电池剩余使用寿命预测方法 |
| CN117517993A (zh) * | 2023-11-02 | 2024-02-06 | 安徽智途科技有限公司 | 基于电芯性能评估的车辆电池能量智能管理方法及系统 |
-
2024
- 2024-03-04 CN CN202410243703.0A patent/CN118131047A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105375071A (zh) * | 2015-12-02 | 2016-03-02 | 南通沃能新能源科技有限公司 | 一种锂电池配组方法 |
| CN115308562A (zh) * | 2021-05-08 | 2022-11-08 | 腾讯科技（深圳）有限公司 | 芯片测试方法及相关设备 |
| CN113406502A (zh) * | 2021-08-19 | 2021-09-17 | 四川新能源汽车创新中心有限公司 | 基于机器学习的缺陷电池筛选方法、设备及介质 |
| WO2023184258A1 (zh) * | 2022-03-30 | 2023-10-05 | 京东方科技集团股份有限公司 | 模型训练方法、性能预测方法、装置、设备及介质 |
| CN117031318A (zh) * | 2022-09-15 | 2023-11-10 | 腾讯云计算（北京）有限责任公司 | 电池性能预测方法、装置、计算机设备和存储介质 |
| CN117310532A (zh) * | 2023-08-15 | 2023-12-29 | 浙江工业大学 | 一种基于BiLSTM的锂电池剩余使用寿命预测方法 |
| CN117517993A (zh) * | 2023-11-02 | 2024-02-06 | 安徽智途科技有限公司 | 基于电芯性能评估的车辆电池能量智能管理方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 戴春怡: "交直流电源与测量表计 第5册", 31 August 2005, 中国电力出版社, pages: 16 * |
| 陈琦: "航天器电源技术", 31 March 2018, 北京理工大学出版社, pages: 267 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108254696B (zh) | 电池的健康状态评估方法及系统 | |
| US8306781B2 (en) | Professional diagnosis method of battery performance analysis | |
| US8340934B2 (en) | Method of performance analysis for VRLA battery | |
| CN112883531B (zh) | 锂离子电池数据处理方法、计算机设备和存储介质 | |
| CN109800446B (zh) | 一种锂离子电池放电过程电压不一致性估计方法及装置 | |
| CN115032540B (zh) | 锂离子电池健康状态估计方法、装置、设备及介质 | |
| CN110988723B (zh) | 一种基于lstm的电池内阻预测及故障预警方法 | |
| CN114325399B (zh) | 电池的内阻预测方法、健康状态的评估方法、装置及设备 | |
| CN110806540B (zh) | 电芯测试数据处理方法、装置、系统和存储介质 | |
| CN117054892B (zh) | 一种储能电站电池健康状态的评估方法、装置及管理方法 | |
| CN114720899A (zh) | 退役电池梯次利用分选方法及系统、电子设备、存储介质 | |
| CN112733427A (zh) | 锂离子电池的负极电位估算模型建立方法及计算机设备 | |
| CN115267557A (zh) | 一种锂电池电解液泄露故障诊断方法、装置和电子设备 | |
| CN108761347B (zh) | 一种处理方法、装置及电子设备 | |
| CN113125965B (zh) | 电池析锂检测方法、装置、设备及存储介质 | |
| CN113189500B (zh) | 电池电量计算方法、装置、计算机设备和存储介质 | |
| CN111856307B (zh) | 估算电池SoH的方法、装置、存储介质及智能设备 | |
| CN117074953A (zh) | 一种电池循环寿命的预测方法及装置、计算机存储介质 | |
| CN118131047A (zh) | 一种电芯性能测试方法、设备及存储介质 | |
| US20240006670A1 (en) | Battery management apparatus and method | |
| CN115308630A (zh) | 一种电池寿命的衰减分析方法 | |
| CN114879043A (zh) | 锂离子电池析锂诊断方法、装置、设备和介质 | |
| CN114280479B (zh) | 一种基于电化学阻抗谱的退役电池快速分选方法 | |
| US20220382940A1 (en) | Simulation of a performance of an energy storage | |
| CN118244118A (zh) | 一种电池充放电保护检测方法、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 |