[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN114609523A - 一种电池容量的在线检测方法、电子设备及存储介质 - Google Patents

一种电池容量的在线检测方法、电子设备及存储介质 Download PDF

Info

Publication number
CN114609523A
CN114609523A CN202011417999.1A CN202011417999A CN114609523A CN 114609523 A CN114609523 A CN 114609523A CN 202011417999 A CN202011417999 A CN 202011417999A CN 114609523 A CN114609523 A CN 114609523A
Authority
CN
China
Prior art keywords
battery
value
capacity
charging
open
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
Application number
CN202011417999.1A
Other languages
English (en)
Inventor
钟雄武
周艳辉
彭再武
黄河
刘进程
袁柱
沈文喆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CRRC Electric Vehicle Co Ltd
Original Assignee
CRRC Electric Vehicle Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CRRC Electric Vehicle Co Ltd filed Critical CRRC Electric Vehicle Co Ltd
Priority to CN202011417999.1A priority Critical patent/CN114609523A/zh
Publication of CN114609523A publication Critical patent/CN114609523A/zh
Pending legal-status Critical Current

Links

Images

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
    • G01R31/005—Testing of electric installations on transport means
    • G01R31/008—Testing of electric installations on transport means on air- or spacecraft, railway rolling stock or sea-going vessels
    • 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]
    • G01R31/3644—Constructional arrangements
    • G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
    • 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
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
    • 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]
    • G01R31/389—Measuring internal impedance, internal conductance or related variables
    • 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)
  • Secondary Cells (AREA)

Abstract

本申请公开了一种电池容量的在线检测方法、电子设备及计算机可读存储介质，该方法包括：实时获取电池的充电状态参数数据；对充电状态参数数据归一化计算以实时获取对应的开路电压值；计算在开路电压值取值在预设电压区间内期间电池的充电容量值；预设电压区间为电池的容量衰减显著变化区间；调用容量识别模型，根据与预设电压区间对应的充电容量值确定电池的实际总容量值；容量识别模型预先基于样本测试数据训练生成。本申请对电池的实际充电状态进行数据监测和计算，进而利用预先训练生成的容量识别模型来匹配识别出电池的实际总容量值，不仅具有较高的检测效率和结果准确度，而且检测过程方便简捷，便于推广应用，并可在线使用。

Description

一种电池容量的在线检测方法、电子设备及存储介质
技术领域
本申请涉及电池技术领域，特别涉及一种电池容量的在线检测方法、电子设备及计算机可读存储介质。
背景技术
如今，锂离子(Li-ion)电池作为电动汽车和电站的主要储能设备之一，在交通电气化和可再生能源系统中发挥着关键作用。
容量是电池的一个非常基本的指标，用于指示可存储的最大能量。其直接影响着电池的荷电状态和健康状态。一般而言，电池在充电和放电条件下会持续老化，其衰减速度随着环境温度、负载工况的变化而变化。在实际使用过程中准确识别电池的最大可用容量是现阶段动力电池研究的重点和难点。
近年来，现有技术中出现了一些电池容量的评估/预测方法。其中一类是基于经验模型的方法，利用经验模型如容量损失模型，预测过程简单易计算，但估计的精度较低。另一类是基于物理模型的方法，其使用偏微分方程式来量化电化学状态，包括对活性物质的总数、固体电解质界面膜的电阻、扩散系数等参数的计算等；此类方法是对电池劣化机理的复杂过程仿真，因此精确较高，但是计算量大，无法实际工程化应用。
鉴于此，提供一种解决上述技术问题的方案，已经是本领域技术人员所亟需关注的。
发明内容
本申请的目的在于提供一种电池容量的在线检测方法、电子设备及计算机可读存储介质，以使电池容量的检测过程计算量小、方便易推广且结果精确度高。
为解决上述技术问题，第一方面，本申请公开了一种电池容量的在线检测方法，包括：
实时获取所述电池的充电状态参数数据；
对所述充电状态参数数据归一化计算以实时获取对应的开路电压值；
计算在所述开路电压值取值在预设电压区间内期间所述电池的充电容量值；所述预设电压区间为所述电池的容量衰减显著变化区间；
调用容量识别模型，根据与所述预设电压区间对应的所述充电容量值确定所述电池的实际总容量值；所述容量识别模型预先基于样本测试数据训练生成。
可选地，所述实时获取所述电池的充电状态参数数据，包括：
实时获取所述电池在充电时的电池电压、电池电流、温度、电池荷电状态。
可选地，所述对所述充电状态参数数据归一化计算以实时获取对应的开路电压值，包括：
基于样本测试数据建立目标型号电池的直流内阻估计模型；
基于下述归一化计算公式获取实时对应的所述开路电压值：
OCV(T，SOC)＝V–I*R(T，SOC)；
其中，V为电池电压；I为电池电流；T为温度；SOC为电池荷电状态；OCV(T，SOC)为开路电压值；R(T，SOC)为直流内阻估计值。
可选地，所述预设电压区间预先通过下述过程而确定：
基于样本测试数据建立目标型号电池的开路电压估计模型；
对目标型号电池进行多次循环充放电测试，在充电过程中监测电池容量并计算开路电压估计值；
生成不同循环充放电次数下的IC曲线并确定各个曲线峰值；其中，所述IC曲线的纵坐标为所述电池容量对所述开路电压估计值的求导值，横坐标为所述开路电压估计值；
将不同循环充放电次数下变化最显著的曲线峰值确定为目标峰值；
将所述目标峰值的电压变化区间确定为所述预设电压区间。
可选地，所述容量识别模型预先通过下述过程而确定：
对实际总容量值已知的目标型号电池进行多次循环充放电测试，并在充电过程中实时监测充电状态参数数据；
通过归一化计算实时获取对应的开路电压值；
计算在所述开路电压值取值在所述预设电压区间内期间所述目标型号电池的充电容量值；
以所述目标型号电池的所述充电容量值为样本输入数据、以所述目标型号电池的所述实际总容量值为样本输出数据，训练生成所述目标型号电池的所述容量识别模型。
可选地，所述训练生成所述目标型号电池的所述容量识别模型，包括：
采用数据拟合方式或者神经网络模型训练方式生成所述目标型号电池的所述容量识别模型。
可选地，所述对实际总容量值已知的目标型号电池进行多次循环充放电测试，包括：
分别设定不同的温度条件、充电电流条件，对实际总容量值已知的目标型号电池执行多次充放电测试。
可选地，所述计算在所述开路电压值取值在预设电压区间内期间所述电池的充电容量值，包括：
在所述开路电压值取值在所述预设电压区间内期间，采用安时积分法计算所述电池的充电容量值。
又一方面，本申请还公开了一种电子设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现如上所述的任一种电池容量的在线检测方法的步骤。
又一方面，本申请还公开了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用以实现如上所述的任一种电池容量的在线检测方法的步骤。
本申请所提供的电池容量的在线检测方法包括：实时获取所述电池的充电状态参数数据；对所述充电状态参数数据归一化计算以实时获取对应的开路电压值；计算在所述开路电压值取值在预设电压区间内期间所述电池的充电容量值；所述预设电压区间为所述电池的容量衰减显著变化区间；调用容量识别模型，根据与所述预设电压区间对应的所述充电容量值确定所述电池的实际总容量值；所述容量识别模型预先基于样本测试数据训练生成。
本申请所提供的电池容量的在线检测方法、电子设备及计算机可读存储介质所具有的有益效果是：本申请对电池的实际充电状态进行数据监测和计算，进而利用预先训练生成的容量识别模型，根据预设电压区间内的充电容量值来匹配识别出电池的实际总容量值，不仅具有较高的检测效率和结果准确度，而且，整个检测过程方便简捷，便于推广应用，并可在线使用，特别适用于一些大型轨道机车中不便拆卸的车载电池系统的电池容量检测。
附图说明
为了更清楚地说明现有技术和本申请实施例中的技术方案，下面将对现有技术和本申请实施例描述中需要使用的附图作简要的介绍。当然，下面有关本申请实施例的附图描述的仅仅是本申请中的一部分实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图，所获得的其他附图也属于本申请的保护范围。
图1为本申请实施例公开的一种电池容量的在线检测方法的流程图；
图2为本申请实施例公开的一种电池容量随循环充放电次数的衰减曲线图；
图3为本申请实施例公开的一种电池在不同循环充放电次数下的充电电压曲线图；
图4为本申请实施例公开的一种确定预设电压区间的方法流程图；
图5为本申请实施例公开的一种IC曲线的示意图；
图6为本申请实施例公开的一种训练生成容量识别模型的方法流程图；
图7为本申请实施例公开的一种电子设备的结构框图。
具体实施方式
本申请的核心在于提供一种电池容量的在线检测方法、电子设备及计算机可读存储介质，以使电池容量的检测过程计算量小、方便易推广且结果精确度高。
为了对本申请实施例中的技术方案进行更加清楚、完整地描述，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行介绍。基于本申请中的实施例，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，都属于本申请保护的范围。
容量是电池的一个非常基本的指标，用于指示可存储的最大能量。其直接影响着电池的荷电状态和健康状态。一般而言，电池在充电和放电条件下会持续老化，其衰减速度随着环境温度、负载工况的变化而变化。在实际使用过程中准确识别电池的最大可用容量是现阶段动力电池研究的重点和难点。
近年来，现有技术中出现了一些电池容量的评估/预测方法。其中一类是基于经验模型的方法，利用经验模型如容量损失模型，预测过程简单易计算，但估计的精度较低。另一类是基于物理模型的方法，其使用偏微分方程式来量化电化学状态，包括对活性物质的总数、固体电解质界面膜的电阻、扩散系数等参数的计算等；此类方法是对电池劣化机理的复杂过程仿真，因此精确较高，但是计算量大，无法实际工程化应用。鉴于此，本申请提供了一种电池容量的在线检测的方案，可有效解决上述问题。
参见图1所示，本申请实施例公开了一种电池容量的在线检测方法，主要包括：
S101：实时获取电池的充电状态参数数据。
S102：对充电状态参数数据归一化计算以实时获取对应的开路电压值。
S103：计算在开路电压值取值在预设电压区间内期间电池的充电容量值；预设电压区间为电池的容量衰减显著变化区间。
S104：调用容量识别模型，根据与预设电压区间对应的充电容量值确定电池的实际总容量值；容量识别模型预先基于样本测试数据训练生成。
具体地，动力电池在使用过程中其电池容量会逐渐衰减。具体可参考图2，图2为本申请实施例公开的一种电池容量随循环充放电次数的衰减曲线图。同时，申请人在实际应用中还发现，随着电池循环充放电次数的增加，电池的充电电压曲线也发生变化，主要表现为充电电压平台期缩短。具体可参考图3，图3为本申请实施例公开的一种电池在不同循环充放电次数下的充电电压曲线图。
对此，申请人通过结合上述两个变化曲线进行综合分析而得到，与循环充放电次数相关的充电电压平台期的变化与电池容量的衰减有着一定的对应关系。由此，本申请提出了利用电池在充电电压平台期间的充电特征来识别该电池实际容量的技术方案。
具体地，本申请通过预先对大量实际容量值已知的电池进行充放电测试和状态监测，以获取大量样本测试数据，样本测试数据包括这些样本电池在预设电压区间内的充电容量值以及实际容量值，然后利用样本测试数据中不同电池的实际容量值与其充电容量值的对应关系进行训练，得到容量识别模型，从而可根据指定型号电池在预设电压区间内的充电容量值，匹配识别得到该电池在当前状态下的实际容量值。
其中，预设电压区间对应于充电电压曲线中的充电电压平台期，也是该电池的容量衰减显著变化区间。需要说明的是，容量衰减显著变化区间是电池开路电压的一个取值区间，当电池的开路电压位于该取值区间内期间，可明显看出电池的容量衰减情况随着循环充放电次数的不同而显著变化，即，不同循环充放电次数下的dQ/dV-V曲线将在这一预设电压区间内出现明显的不重合现象。其中，Q表示电池容量，V为电池电压。
需要补充说明的是，本申请利用在预设电压区间的充电容量值来识别电池的实际总容量值，电池充电起始时的荷电状态值不超过60％即可实现本申请的检测效果，而不必完全要求电池从0V状态开始充电。可见，本申请更加符合实际应用情况，具有实用性。
由此，本申请所公开的电池容量的在线检测方法，可先获取电池在充电过程中的充电状态参数数据，进而通过归一化处理，计算得到该电池实时的开路电压值。设预设电压区间为[Vmin，Vmax]，当开路电压值上升至预设电压区间的左端点Vmin时，开启充电电量计量，当开路电压值继续上升至预设电压区间的右端点Vmax时，关闭充电电量计量，如此即得到了开路电压值取值在该预设电压区间内期间电池的充电容量值。进而，通过调用预先训练生成的容量识别模型，即可根据该充电容量值匹配识别出该电池的实际总容量值。
还需要说明的是，本申请所公开的电池容量的在线检测方法，可具体应用在一些车载设备上，例如车载电池电量检测终端，或者动力电池管理系统等；此外，还可具体应用在云平台等可与车载网络通信的云端设备中，本领域技术人员可根据实际应用情况而自行选择，本申请对此并不进行限定。
可见，本申请所提供的电池容量的在线检测方法，对电池的实际充电状态进行数据监测和计算，进而利用预先训练生成的容量识别模型，根据预设电压区间内的充电容量值来匹配识别出电池的实际总容量值，不仅具有较高的检测效率和结果准确度，而且，整个检测过程方便简捷，便于推广应用，并可在线使用，特别适用于一些大型轨道机车中不便拆卸的车载电池系统的电池容量检测。
作为一种具体实施例，本申请实施例所提供的电池容量的在线检测方法在上述内容的基础上，实时获取电池的充电状态参数数据，包括：实时获取电池在充电时的电池电压、电池电流、温度、电池荷电状态。
而进一步地，对充电状态参数数据归一化计算以实时获取对应的开路电压值，具体可以包括：
基于样本测试数据建立目标型号电池的直流内阻估计模型；
基于下述归一化计算公式获取实时对应的开路电压值：
OCV(T，SOC)＝V–I*R(T，SOC)；
其中，V为电池电压；I为电池电流；T为温度；SOC为电池荷电状态；OCV(T，SOC)为开路电压值；R(T，SOC)为直流内阻估计值。
其中，需要说明的是，对于直流内阻估计模型，可具体基于对已知容量的样本电池进行直流内阻相关测试以建立特征数据库，记录在不同温度、不同荷电状态下的测试数据，进而基于对直流内阻的样本测试数据建立直流内阻估计模型：
R(T，SOC)＝Function1(T，SOC)。
参见图4所示，图4为本申请实施例公开的一种确定预设电压区间的方法流程图。作为一种具体实施例，如图4所示，预设电压区间可预先通过下述过程而确定：
S201：基于样本测试数据建立目标型号电池的开路电压估计模型。
具体地，对于某一目标型号电池的开路电压估计模型，可具体基于对已知容量的样本电池进行相关参数测试以建立特征数据库，记录在不同温度、不同荷电状态下的测试数据，进而基于对开路电压的样本测试数据建立开路电压估计模型：
OCV(T，SOC)＝Function2(T，SOC)。
需要补充说明的是，相比于前文提及的归一化计算公式，这里的开路电压估计模型仅用于在确定预设电压区间时粗略估计开路电压值，精确度有限。
S202：对目标型号电池进行多次循环充放电测试，在充电过程中监测电池容量并计算开路电压估计值。
通常，可选择计算获取在指定温度T0下的开路电压估计值，其中，T0可具体为室温25℃。
S203：生成不同循环充放电次数下的IC曲线并确定各个曲线峰值；其中，IC曲线的纵坐标为电池容量对开路电压估计值的求导值，横坐标为开路电压估计值。
如前所述，电池的充电电压平台期的长短与容量的衰减存在一定的关系，本申请便是利用在充电电压平台期的充电容量值来确定电池的实际总容量值的。具体地，为了确定与充电电压平台期对应的预设电压区间，本申请绘出在不同循环充放电次数下电池容量对开路电压估计值的求导值dQ/dV-V曲线，又称IC曲线。其中，Q表示电池容量，V为电池电压。
具体可参见图5，图5为本申请实施例公开的一种IC曲线的示意图。如图5所示，dQ/dV-V曲线中出现了三个曲线峰值：peak1、peak2、peak3。其中，随着循环充放电次数的增加，曲线峰值peak2的变化最明显，曲线的不重合度最大，所跨越的电压区间宽度最大。由此，曲线峰值peak2即为目标峰值；而该目标峰值peak2所跨越的电压变化区间即被确定为预设电压区间。
S204：将不同循环充放电次数下变化最显著的曲线峰值确定为目标峰值。
S205：将目标峰值的电压变化区间确定为预设电压区间。
参见图6所示，图6为本申请实施例公开的一种训练生成容量识别模型的方法流程图。作为一种具体实施例，如图6所示，容量识别模型可预先通过下述过程而确定：
S301：对实际总容量值已知的目标型号电池进行多次循环充放电测试，并在充电过程中实时监测充电状态参数数据。
S302：通过归一化计算实时获取对应的开路电压值。
S303：计算在开路电压值取值在预设电压区间内期间目标型号电池的充电容量值。
S304：以目标型号电池的充电容量值为样本输入数据、以目标型号电池的实际总容量值为样本输出数据，训练生成目标型号电池的容量识别模型。
其中，进一步地，作为一种具体实施例，训练生成目标型号电池的容量识别模型，包括：采用数据拟合方式或者神经网络模型训练方式生成目标型号电池的容量识别模型。
作为一种具体实施例，本申请实施例所提供的电池容量的在线检测方法在训练生成容量识别模型时，对实际总容量值已知的目标型号电池进行多次循环充放电测试，可具体包括：分别设定不同的温度条件、充电电流条件，对实际总容量值已知的目标型号电池执行单次充放电测试。
其中，为了排除多因素干扰，避免导致计算结果不准确，在每次对目标型号电池进行充放电测试时，可选择在恒定温度下以恒定电流的方式进行充放电，以便计算得到在该恒定温度、该恒定电流情况下的充电容量值。然后再继续单一更换温度、电流中某个变量，从而获取在多种条件下的测试数据去训练容量识别模型，以便在不同条件下均可得到较为精确的结果。
作为一种具体实施例，本申请实施例所提供的电池容量的在线检测方法在上述内容的基础上，计算在开路电压值取值在预设电压区间内期间电池的充电容量值，包括：在开路电压值取值在预设电压区间内期间，采用安时积分法计算电池的充电容量值。
其中，容易理解的是，在IC曲线图中，曲线在预设电压区间内的面积大小，即为待计算的充电容量值。
参见图7所示，本申请实施例公开了一种电子设备，包括：
存储器401，用于存储计算机程序；
处理器402，用于执行所述计算机程序以实现如上所述的任一种电池容量的在线检测方法的步骤。
进一步地，本申请实施例还公开了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时用以实现如上所述的任一种电池容量的在线检测方法的步骤。
关于上述电子设备和计算机可读存储介质的具体内容，可参考前述关于电池容量的在线检测方法的详细介绍，这里就不再赘述。
本申请中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的设备而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需说明的是，在本申请文件中，诸如“第一”和“第二”之类的关系术语，仅仅用来将一个实体或者操作与另一个实体或者操作区分开来，而不一定要求或者暗示这些实体或者操作之间存在任何这种实际的关系或者顺序。此外，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的技术方案进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请的保护范围内。

Claims (10)

1.一种电池容量的在线检测方法，其特征在于，包括：
实时获取所述电池的充电状态参数数据；
对所述充电状态参数数据归一化计算以实时获取对应的开路电压值；
计算在所述开路电压值取值在预设电压区间内期间所述电池的充电容量值；所述预设电压区间为所述电池的容量衰减显著变化区间；
调用容量识别模型，根据与所述预设电压区间对应的所述充电容量值确定所述电池的实际总容量值；所述容量识别模型预先基于样本测试数据训练生成。
2.根据权利要求1所述的在线检测方法，其特征在于，所述实时获取所述电池的充电状态参数数据，包括：
实时获取所述电池在充电时的电池电压、电池电流、温度、电池荷电状态。
3.根据权利要求2所述的在线检测方法，其特征在于，所述对所述充电状态参数数据归一化计算以实时获取对应的开路电压值，包括：
基于样本测试数据建立目标型号电池的直流内阻估计模型；
基于下述归一化计算公式获取实时对应的所述开路电压值：
OCV(T，SOC)＝V–I*R(T，SOC)；
其中，V为电池电压；I为电池电流；T为温度；SOC为电池荷电状态；OCV(T，SOC)为开路电压值；R(T，SOC)为直流内阻估计值。
4.根据权利要求3所述的在线检测方法，其特征在于，所述预设电压区间预先通过下述过程而确定：
基于样本测试数据建立目标型号电池的开路电压估计模型；
对目标型号电池进行多次循环充放电测试，在充电过程中监测电池容量并计算开路电压估计值；
生成不同循环充放电次数下的IC曲线并确定各个曲线峰值；其中，所述IC曲线的纵坐标为所述电池容量对所述开路电压估计值的求导值，横坐标为所述开路电压估计值；
将不同循环充放电次数下变化最显著的曲线峰值确定为目标峰值；
将所述目标峰值的电压变化区间确定为所述预设电压区间。
5.根据权利要求4所述的在线检测方法，其特征在于，所述容量识别模型预先通过下述过程而确定：
对实际总容量值已知的目标型号电池进行多次循环充放电测试，并在充电过程中实时监测充电状态参数数据；
通过归一化计算实时获取对应的开路电压值；
计算在所述开路电压值取值在所述预设电压区间内期间所述目标型号电池的充电容量值；
以所述目标型号电池的所述充电容量值为样本输入数据、以所述目标型号电池的所述实际总容量值为样本输出数据，训练生成所述目标型号电池的所述容量识别模型。
6.根据权利要求5所述的在线检测方法，其特征在于，所述训练生成所述目标型号电池的所述容量识别模型，包括：
采用数据拟合方式或者神经网络模型训练方式生成所述目标型号电池的所述容量识别模型。
7.根据权利要求5所述的在线检测方法，其特征在于，所述对实际总容量值已知的目标型号电池进行多次循环充放电测试，包括：
分别设定不同的温度条件、充电电流条件，对实际总容量值已知的目标型号电池执行多次充放电测试。
8.根据权利要求1至7任一项所述的在线检测方法，其特征在于，所述计算在所述开路电压值取值在预设电压区间内期间所述电池的充电容量值，包括：
在所述开路电压值取值在所述预设电压区间内期间，采用安时积分法计算所述电池的充电容量值。
9.一种电子设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序以实现如权利要求1至8任一项所述的电池容量的在线检测方法的步骤。
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中存储有计算机程序，所述计算机程序被处理器执行时用以实现如权利要求1至8任一项所述的电池容量的在线检测方法的步骤。
CN202011417999.1A 2020-12-07 2020-12-07 一种电池容量的在线检测方法、电子设备及存储介质 Pending CN114609523A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011417999.1A CN114609523A (zh) 2020-12-07 2020-12-07 一种电池容量的在线检测方法、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011417999.1A CN114609523A (zh) 2020-12-07 2020-12-07 一种电池容量的在线检测方法、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN114609523A true CN114609523A (zh) 2022-06-10

Family

ID=81855891

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011417999.1A Pending CN114609523A (zh) 2020-12-07 2020-12-07 一种电池容量的在线检测方法、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN114609523A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116449209A (zh) * 2023-01-12 2023-07-18 帕诺(常熟)新能源科技有限公司 一种基于lstm的实际运营储能锂电容量预测方法
CN116893357A (zh) * 2023-07-07 2023-10-17 中国人民解放军国防科技大学 关键电池筛选方法、系统及存储介质
CN116908723A (zh) * 2023-06-08 2023-10-20 武汉亿纬储能有限公司 一种电池循环次数的计算方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116449209A (zh) * 2023-01-12 2023-07-18 帕诺(常熟)新能源科技有限公司 一种基于lstm的实际运营储能锂电容量预测方法
CN116908723A (zh) * 2023-06-08 2023-10-20 武汉亿纬储能有限公司 一种电池循环次数的计算方法及装置
CN116893357A (zh) * 2023-07-07 2023-10-17 中国人民解放军国防科技大学 关键电池筛选方法、系统及存储介质
CN116893357B (zh) * 2023-07-07 2024-03-19 中国人民解放军国防科技大学 关键电池筛选方法、系统及存储介质

Similar Documents

Publication Publication Date Title
CN110568361B (zh) 一种动力电池健康状态的预测方法
Chen et al. A new state-of-health estimation method for lithium-ion batteries through the intrinsic relationship between ohmic internal resistance and capacity
Eddahech et al. Behavior and state-of-health monitoring of Li-ion batteries using impedance spectroscopy and recurrent neural networks
Hua et al. Finding a better fit for lithium ion batteries: A simple, novel, load dependent, modified equivalent circuit model and parameterization method
CN109557477B (zh) 一种电池系统健康状态估算方法
CN106443474B (zh) 一种动力电池系统寿命衰退特征快速识别的方法
Gholizadeh et al. Estimation of state of charge, unknown nonlinearities, and state of health of a lithium-ion battery based on a comprehensive unobservable model
Goud et al. An online method of estimating state of health of a Li-ion battery
Takyi-Aninakwa et al. An optimized relevant long short-term memory-squared gain extended Kalman filter for the state of charge estimation of lithium-ion batteries
Zhong et al. State of charge estimation of lithium-ion batteries using fractional order sliding mode observer
Leng et al. A practical framework of electrical based online state-of-charge estimation of lithium ion batteries
Tsang et al. State of health detection for Lithium ion batteries in photovoltaic system
Hussein Adaptive artificial neural network-based models for instantaneous power estimation enhancement in electric vehicles’ Li-ion batteries
Hossain et al. A parameter extraction method for the Thevenin equivalent circuit model of Li-ion batteries
CN112051511A (zh) 基于多通道技术的动力电池健康状态的估计方法及系统
KR102572652B1 (ko) 배터리의 충전상태를 추정하는 방법
CN114609523A (zh) 一种电池容量的在线检测方法、电子设备及存储介质
Qiuting et al. State of health estimation for lithium-ion battery based on D-UKF
CN115308616A (zh) Ocv-soc标定及估算方法、装置、介质和车辆
Tao et al. State of charge estimation of lithium Batteries: Review for equivalent circuit model methods
Cheng et al. Extraction of intrinsic parameters of lead–acid batteries using energy recycling technique
CN115754724A (zh) 一种适用于未来不确定性动态工况放电的动力电池健康状态估计方法
Yang et al. Lithium-ion battery life cycle prediction with deep learning regression model
Cai et al. D-ukf based state of health estimation for 18650 type lithium battery
Han et al. Modeling for lithium-ion battery used in electric vehicles

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