CN116908704B - 动力电池soh估算修正方法、设备和介质 - Google Patents
动力电池soh估算修正方法、设备和介质 Download PDFInfo
- Publication number
- CN116908704B CN116908704B CN202311145847.4A CN202311145847A CN116908704B CN 116908704 B CN116908704 B CN 116908704B CN 202311145847 A CN202311145847 A CN 202311145847A CN 116908704 B CN116908704 B CN 116908704B
- Authority
- CN
- China
- Prior art keywords
- power battery
- value
- soh
- ccct
- estimation model
- 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 66
- 238000012937 correction Methods 0.000 title claims abstract description 40
- 239000002245 particle Substances 0.000 claims abstract description 84
- 230000015556 catabolic process Effects 0.000 claims abstract description 18
- 238000006731 degradation reaction Methods 0.000 claims abstract description 18
- 238000013507 mapping Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 12
- 238000005562 fading Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000002411 adverse Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000001680 brushing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013179 statistical model Methods 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种动力电池SOH估算修正方法、设备和介质，方法包括：获取动力电池CCCT值与充电循环次数的第一关系；获取动力电池SOH值与充电循环次数的第二关系；基于第一关系和第二关系，建立动力电池CCCT值与动力电池SOH值的关联映射；建立动力电池容量衰减模型；基于关联映射与动力电池容量衰减模型，构建动力电池SOH估算模型；获取动力电池CCCT实际值和动力电池实际容量衰退值；基于动力电池CCCT实际值和动力电池实际容量衰退值，反推动力电池SOH估算模型的参数粒子集合；基于参数粒子集合，修正动力电池SOH估算模型。本申请可以提高估算的准确性和可靠性，准确地反映动力电池的实际寿命和性能。
Description
技术领域
本发明涉及车辆子系统的联合控制技术领域，尤其涉及一种动力电池SOH估算修正方法、设备和介质。
背景技术
目前，动力电池SOH（State of Health，健康状态）估算方法通过测量电池的容量衰减程度和寿命剩余情况来评估电池的健康状态。研究人员和工程师已经提出了各种各样的动力电池SOH估算方法，包括基于物理模型、统计模型、机器学习和深度学习等方法。
本申请发明人在实现本发明实施例技术方法的过程中，至少发现现有技术中存在如下技术问题：
现有的动力电池SOH估算方法在量产后就没有进行修正或优化，软件基本固化。
综上，现有技术没有对动力电池SOH估算方法进行修正。
发明内容
本发明实施例提供一种动力电池SOH估算修正方法、设备和介质，解决了现有技术没有对动力电池SOH估算方法进行修正的技术问题。
本发明实施例一方面提供了一种动力电池SOH估算修正方法，所述方法包括：获取动力电池CCCT值与充电循环次数的第一关系；获取动力电池SOH值与所述充电循环次数的第二关系；基于所述第一关系和所述第二关系，建立所述动力电池CCCT值与所述动力电池SOH值的关联映射；建立动力电池容量衰减模型；基于所述关联映射与所述动力电池容量衰减模型，构建动力电池SOH估算模型；获取动力电池CCCT实际值和动力电池实际容量衰退值；基于所述动力电池CCCT实际值和所述动力电池实际容量衰退值，反推所述动力电池SOH估算模型的参数粒子集合；基于所述参数粒子集合，修正所述动力电池SOH估算模型；
可选的，所述建立动力电池容量衰减模型，具体包括：将动力电池做充放电试验，采集试验数据；处理所述试验数据，建立所述动力电池容量衰减模型。
可选的，所述获取动力电池CCCT实际值和动力电池实际容量衰退值，具体包括：商品车通过TBOX发送所述动力电池CCCT实际值和所述动力电池实际容量衰退值至TSP平台；数据中心通过所述TSP平台获取所述动力电池CCCT实际值和所述动力电池实际容量衰退值。
可选的，所述基于所述参数粒子集合，修正所述动力电池SOH估算模型，具体包括：从所述参数粒子集合中筛选出修正参数粒子；基于所述修正参数粒子，修正所述动力电池SOH估算模型。
可选的，在所述基于所述参数粒子集合，修正所述动力电池SOH估算模型之后，还包括：将修正后的动力电池SOH估算模型发送至TSP平台；将所述修正后的动力电池SOH估算模型发送至商品车的TBOX。
可选的，所述将所述修正后的动力电池SOH估算模型发送至商品车的TBOX，具体为：定期将所述修正后的动力电池SOH估算模型发送至所述商品车的TBOX。
另一方面，本发明实施例还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现前述实施例中动力电池SOH估算修正方法的步骤。
本发明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，所述计算机程序被处理器执行时实现前述实施例中动力电池SOH估算修正方法的步骤。
本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
一种动力电池SOH估算修正方法，应用于一动力电池SOH估算修正系统，所述动力电池SOH估算修正系统具有一动力电池SOH估算模型，所述方法包括：获取动力电池CCCT实际值和动力电池实际容量衰退值；基于所述动力电池CCCT实际值和所述动力电池实际容量衰退值，反推所述动力电池SOH估算模型的参数粒子集合；基于所述参数粒子集合，修正所述动力电池SOH估算模型。在充电时，动力电池CCCT值与动力电池SOH值这两个值没有直接关系，能够将充电循环次数作为中间桥梁，建立动力电池CCCT值与所述动力电池SOH值的关联映射。本申请能够通过动力电池的CCCT值来映射动力电池SOH值，无需考虑动力电池的环境因素变量的影响，能够降低估算难度，减小环境因素变量多样化带来的误差；本申请能够对动力电池SOH估算模型进行修正，解决了现有技术没有对动力电池SOH估算方法进行修正的技术问题；本申请基于动力电池CCCT实际值和动力电池实际容量衰退值对动力电池SOH估算模型进行修正，修正后的动力电池SOH估算模型能够更加贴近实际情况，减小估算误差，可以提高估算的准确性和可靠性，准确地反映动力电池的实际寿命和性能。
进一步，所述建立动力电池容量衰减模型，具体包括：将动力电池做充放电试验，采集试验数据；处理所述试验数据，建立所述动力电池容量衰减模型。能够通过充放电试验获得动力电池容量衰减模型。
再进一步，所述获取动力电池CCCT实际值和动力电池实际容量衰退值，具体包括：商品车通过TBOX发送所述动力电池CCCT实际值和所述动力电池实际容量衰退值至TSP平台；数据中心通过所述TSP平台获取所述动力电池CCCT实际值和所述动力电池实际容量衰退值。能够远程获取商品车在实际应用中的动力电池CCCT实际值和动力电池实际容量衰退值。
又进一步，所述基于所述参数粒子集合，修正所述动力电池SOH估算模型，具体包括：从所述参数粒子集合中筛选出修正参数粒子；基于所述修正参数粒子，修正所述动力电池SOH估算模型。能够避免收集到的错误的参数粒子对动力电池SOH估算模型的不良影响。
还进一步，在所述基于所述参数粒子集合，修正所述动力电池SOH估算模型之后，还包括：将修正后的动力电池SOH估算模型发送至TSP平台；将所述修正后的动力电池SOH估算模型发送至商品车的TBOX。能够自动更新商品车的动力电池SOH估算模型，减小售后工作量，提高电池的利用率。
再进一步，所述将所述修正后的动力电池SOH估算模型发送至商品车的TBOX，具体为：定期将所述修正后的动力电池SOH估算模型发送至所述商品车的TBOX。能够避免商品车经常自动更新导致的用户使用体验差的问题。
附图说明
图1为本发明一实施例中动力电池SOH估算修正方法的流程图；
图2为本发明一实施例中动力电池SOH估算修正方法的总体流程图;
图3为本发明一实施例中动力电池SOH估算修正系统的架构图。
具体实施方式
本发明实施例提供一种动力电池SOH估算修正方法、设备和介质，解决了现有技术没有对动力电池SOH估算方法进行修正的技术问题。
本发明一实施例的技术方案为解决上述的问题，总体思路如下：
一种动力电池SOH估算修正方法，应用于一动力电池SOH估算修正系统，动力电池SOH估算修正系统具有一动力电池SOH估算模型，方法包括：获取动力电池CCCT实际值和动力电池实际容量衰退值；基于动力电池CCCT实际值和动力电池实际容量衰退值，反推动力电池SOH估算模型的参数粒子集合；基于参数粒子集合，修正动力电池SOH估算模型。在充电时，动力电池CCCT值与动力电池SOH值这两个值没有直接关系，能够将充电循环次数作为中间桥梁，建立动力电池CCCT值与动力电池SOH值的关联映射。本申请能够通过动力电池的CCCT值来映射动力电池SOH值，无需考虑动力电池的环境因素变量的影响，能够降低估算难度，减小环境因素变量多样化带来的误差；本申请能够对动力电池SOH估算模型进行修正，解决了现有技术没有对动力电池SOH估算方法进行修正的技术问题；本申请基于动力电池CCCT实际值和动力电池实际容量衰退值对动力电池SOH估算模型进行修正，修正后的动力电池SOH估算模型能够更加贴近实际情况，减小估算误差，可以提高估算的准确性和可靠性，准确地反映动力电池的实际寿命和性能。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。显然，本发明所描述的实施例是本发明一部分实施例，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，都属于本发明保护的范围。
请同时参考图1和图2，对本发明实施例中动力电池SOH估算修正方法进行详细的描述。
步骤101：获取动力电池CCCT实际值和动力电池实际容量衰退值；
步骤102：基于动力电池CCCT实际值和动力电池实际容量衰退值，反推动力电池SOH估算模型的参数粒子集合；
步骤103：基于参数粒子集合，修正动力电池SOH估算模型。
当启动动力电池SOH估算修正系统时，开始执行步骤101：获取动力电池CCCT实际值和动力电池实际容量衰退值。
在具体实施过程中，例如：将车主手中的商品车的实际充放电数据作为动力电池SOH估算模型的修正数据源，市面上的商品车能够提供一个真实而庞大的数据源，可以通过此数据源对动力电池SOH估算模型进行不断的优化。市面上的商品车经过日积月累的使用，可以获取不同车主的充放电真实数据，这些数据中包括动力电池CCCT实际值和动力电池实际容量衰退值。
可以通过多种方式获取动力电池CCCT实际值和动力电池实际容量衰退值，本申请不作限制。例如，可以在商品车运行过程中，实时采集动力电池CCCT实际值和动力电池实际容量衰退值，并将其直接发送至数据中心。
为了能够远程获取商品车在实际应用中的动力电池CCCT实际值和动力电池实际容量衰退值，步骤101的获取动力电池CCCT实际值和动力电池实际容量衰退值，具体包括：商品车通过TBOX发送动力电池CCCT实际值和动力电池实际容量衰退值至TSP平台；数据中心通过TSP平台获取动力电池CCCT实际值和动力电池实际容量衰退值。
步骤101在具体实施过程中，例如：通过TBOX和TSP平台作为媒介，将动力电池CCCT实际值和动力电池实际容量衰退值发送至数据中心。车主的商品车通过TBOX发送充放电真实数据，通过TSP平台作为载体，将充放电真实数据发送给整车厂的数据中心。
在获得动力电池CCCT实际值和动力电池实际容量衰退值之后，开始执行步骤102：基于动力电池CCCT实际值和动力电池实际容量衰退值，反推动力电池SOH估算模型的参数粒子集合。
步骤102在具体实施过程中，例如：动力电池SOH估算模型中包括动力电池CCCT值、动力电池实际容量衰退值和参数粒子，其中动力电池实际容量衰退值可以用于评估电池的健康状态。在动力电池CCCT实际值和动力电池实际容量衰退值为已知的前提下，将获得的动力电池CCCT实际值和动力电池实际容量衰退值代入动力电池SOH估算模型，可以反推出动力电池SOH估算模型的参数粒子。
每辆商务车都会根据整车的充放电性能来反推参数粒子，每辆商务车的放电深度不同，每辆商务车都会反馈参数粒子。将市面上流动的商务车反馈的参数粒子整合在一起，形成参数粒子集合。
在获得参数粒子集合之后，开始执行步骤103：基于参数粒子集合，修正动力电池SOH估算模型。
在具体应用过程中，例如：将参数粒子集合作为修正数据源，对动力电池SOH估算模型进行修正。
为了能够避免收集到的错误的参数粒子对动力电池SOH估算模型的不良影响，步骤103的基于参数粒子集合，修正动力电池SOH估算模型，具体包括：从参数粒子集合中筛选出修正参数粒子；基于修正参数粒子，修正动力电池SOH估算模型。
在具体实施过程中，例如：将参数粒子集合中的参数粒子做数据处理，将参数粒子与原参数粒子做比较，正确的参数粒子的变动范围需要低于预设范围，并从变动范围低于预设范围的正确的参数粒子中选出最集中的点作为修正参数粒子，修正参数粒子为最适合用于修正动力电池SOH估算模型的参数粒子。在正常情况下，修正参数粒子的变化幅度非常小，如果参数粒子的变动范围超过预设范围，可认为此参数粒子的收集过程存在错误，需要排除这些错误的参数粒子的影响。
将修正参数粒子代入动力电池SOH估算模型中，完成动力电池SOH估算模型的修正。
为了能够通过动力电池的CCCT值来映射动力电池SOH值，无需考虑动力电池的环境因素变量的影响，能够降低估算难度，减小环境因素变量多样化带来的误差，在步骤101的获取动力电池CCCT实际值和动力电池实际容量衰退值之前，方法还包括构建动力电池SOH估算模型的过程，具体包括：建立动力电池CCCT值与动力电池SOH值的关联映射；建立动力电池容量衰减模型；基于关联映射与动力电池容量衰减模型，构建动力电池SOH估算模型。
在具体实施过程中，例如：分别建立动力电池CCCT值与动力电池SOH值的关联映射和动力电池容量衰减模型，需要对动力电池进行大量的充放电试验，根据大量的实验数据反推二者的参数粒子。随着参数粒子的增多，找出趋势性的数据代入模型。结合二者之间的关系，构建出动力电池SOH估算模型。其中，动力电池容量衰减模型可以通过充放电试验生成，也可以直接采用现有的动力电池容量衰减模型，本申请不作限定。
为了验证SOH估算模型是否趋于正确值，需要在充放电试验台架上验证。首先，根据验证结论得出的动力电池CCCT值反推出模型的SOH1值。其次，将动力电池实际容量值得出的动力电池SOH2值。最后，将SOH1值和SOH2值进行相互校核，完成动力电池SOH估算模型的构建过程。基于动力电池SOH估算模型形成的动力电池SOH估算软件，通过刷写，载入动力电池包内，搭载在整车上运行。
在充电时，动力电池CCCT值与动力电池SOH值这两个值没有直接关系，为了能够将充电循环次数作为中间桥梁，建立动力电池CCCT值与动力电池SOH值的关联映射。建立动力电池CCCT值与动力电池SOH值的关联映射的步骤，具体包括：获取动力电池CCCT值与充电循环次数的第一关系；获取动力电池SOH值与充电循环次数的第二关系；基于第一关系和第二关系，建立动力电池CCCT值与动力电池SOH值的关联映射。
在具体实施过程中，例如：随着动力电池包充电循环次数的增多，动力电池CCCT值降低，与此同时，动力电池SOH值也在不断地衰退，对应的动力电池实际可用容量值也在逐渐减小。动力电池CCCT值和动力电池实际的容量值都在随着动力电池的充电循环次数的增加而逐渐减小。
首先，可以建立动力电池CCCT值与充电循环次数的第一关系：
其中，k表示充电循环次数，CCCTk表示动力电池CCCT值，a、x、b、c表示参数粒子。
其次，可以建立动力电池SOH值与充电循环次数的第二关系：
其中，k表示充电次数，SOHk表示动力电池SOH值，a、x、b、c……e、f表示参数粒子。
最后，根据第一关系和第二关系，可以获得动力电池CCCT值与动力电池SOH值的关系：
其中，CCCT表示动力电池CCCT值，SOHk表示动力电池SOH值，a、b、c表示参数粒子。
为了能够通过充放电试验获得动力电池容量衰减模型，建立动力电池容量衰减模型，具体包括：将动力电池做充放电试验，采集试验数据；处理试验数据，建立动力电池容量衰减模型。
在具体实施过程中，例如：需要对动力电池进行大量的充放电试验，采集大量的试验数据，对大量的试验数据进行数据处理，根据大量的实验数据反推参数粒子。随着参数粒子的增多，找出趋势性的数据完成动力电池容量衰减模型的构建过程。
为了能够自动更新商品车的动力电池SOH估算模型，减小售后工作量，提高电池的利用率，在步骤103的基于参数粒子集合，修正动力电池SOH估算模型之后，还包括：将修正后的动力电池SOH估算模型发送至TSP平台；将修正后的动力电池SOH估算模型发送至商品车的TBOX。
在具体实施过程中，例如：动力电池SOH估算模型在修正后，需要由主机厂发送修正后的动力电池SOH估算模型至TSP平台，使用TSP平台作为载体，商品车通过TBOX接收修正后的动力电池SOH估算模型，完成整车的软件更新。在实际应用中，可以在动力电池SOH估算模型修正之后就将其发送至商品车的TBOX，也可以定期发送修正后的动力电池SOH估算模型，本申请不作限制。
为了能够避免商品车经常自动更新导致的用户使用体验差的问题，将修正后的动力电池SOH估算模型发送至商品车的TBOX，具体为：定期将修正后的动力电池SOH估算模型发送至商品车的TBOX。
在具体实施过程中，例如：动力电池SOH估算模型在修正后，需要由主机厂定期发送修正后的动力电池SOH估算模型至TSP平台，使用TSP平台作为载体，商品车通过TBOX接收修正后的动力电池SOH估算模型，完成整车的软件更新。
如图3所示，动力电池SOH估算修正系统包括TBOX、TSP平台、监控平台、用户处理软件。在车辆数据上传过程中，依次经过TBOX、TSP平台、监控软件和用户处理软件。修正模型下发过程中，依次经过用户处理软件、监控软件、TSP平台和TBOX。其中，车辆数据包括动力电池CCCT实际值和动力电池实际容量衰退值。
本发明另一实施例提供一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现前述实施例中动力电池SOH估算修正方法的步骤。
本发明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执行时实现前述实施例中动力电池SOH估算修正方法的步骤。
本发明实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
一种动力电池SOH估算修正方法，应用于一动力电池SOH估算修正系统，动力电池SOH估算修正系统具有一动力电池SOH估算模型，方法包括：获取动力电池CCCT实际值和动力电池实际容量衰退值；基于动力电池CCCT实际值和动力电池实际容量衰退值，反推动力电池SOH估算模型的参数粒子集合；基于参数粒子集合，修正动力电池SOH估算模型。在充电时，动力电池CCCT值与动力电池SOH值这两个值没有直接关系，能够将充电循环次数作为中间桥梁，建立动力电池CCCT值与动力电池SOH值的关联映射。本申请能够通过动力电池的CCCT值来映射动力电池SOH值，无需考虑动力电池的环境因素变量的影响，能够降低估算难度，减小环境因素变量多样化带来的误差；本申请能够对动力电池SOH估算模型进行修正，解决了现有技术没有对动力电池SOH估算方法进行修正的技术问题；本申请基于动力电池CCCT实际值和动力电池实际容量衰退值对动力电池SOH估算模型进行修正，修正后的动力电池SOH估算模型能够更加贴近实际情况，减小估算误差，可以提高估算的准确性和可靠性，准确地反映动力电池的实际寿命和性能。
进一步，建立动力电池容量衰减模型，具体包括：将动力电池做充放电试验，采集试验数据；处理试验数据，建立动力电池容量衰减模型。能够通过充放电试验获得动力电池容量衰减模型。
再进一步，获取动力电池CCCT实际值和动力电池实际容量衰退值，具体包括：商品车通过TBOX发送动力电池CCCT实际值和动力电池实际容量衰退值至TSP平台；数据中心通过TSP平台获取动力电池CCCT实际值和动力电池实际容量衰退值。能够远程获取商品车在实际应用中的动力电池CCCT实际值和动力电池实际容量衰退值。
又进一步，基于参数粒子集合，修正动力电池SOH估算模型，具体包括：从参数粒子集合中筛选出修正参数粒子；基于修正参数粒子，修正动力电池SOH估算模型。能够避免收集到的错误的参数粒子对动力电池SOH估算模型的不良影响。
还进一步，在基于参数粒子集合，修正动力电池SOH估算模型之后，还包括：将修正后的动力电池SOH估算模型发送至TSP平台；将修正后的动力电池SOH估算模型发送至商品车的TBOX。能够自动更新商品车的动力电池SOH估算模型，减小售后工作量，提高电池的利用率。
再进一步，将修正后的动力电池SOH估算模型发送至商品车的TBOX，具体为：定期将修正后的动力电池SOH估算模型发送至商品车的TBOX。能够避免商品车经常自动更新导致的用户使用体验差的问题。
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和光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种动力电池SOH估算修正方法，其特征在于，所述方法包括：
获取动力电池CCCT值与充电循环次数的第一关系：，其中，k表示充电循环次数，CCCTk表示动力电池CCCT值，a、x、b、c表示参数粒子；
获取动力电池SOH值与所述充电循环次数的第二关系：
，
其中，k表示充电次数，SOHk表示动力电池SOH值，a、x、b、c……e、f表示参数粒子；
基于所述第一关系和所述第二关系，建立所述动力电池CCCT值与所述动力电池SOH值的关联映射；
建立动力电池容量衰减模型；
基于所述关联映射与所述动力电池容量衰减模型，构建动力电池SOH估算模型；
获取动力电池CCCT实际值和动力电池实际容量衰退值；
基于所述动力电池CCCT实际值和所述动力电池实际容量衰退值，反推所述动力电池SOH估算模型的参数粒子集合；
基于所述参数粒子集合，修正所述动力电池SOH估算模型，具体包括：从所述参数粒子集合中筛选出修正参数粒子；基于所述修正参数粒子，修正所述动力电池SOH估算模型的参数粒子；其中，将参数粒子集合中的参数粒子做数据处理，将参数粒子与原参数粒子做比较，正确的参数粒子的变动范围需要低于预设范围，并从变动范围低于预设范围的正确的参数粒子中选出最集中的点作为修正参数粒子，修正参数粒子为最适合用于修正动力电池SOH估算模型的参数粒子；
所述建立动力电池容量衰减模型，具体包括：
将动力电池做充放电试验，采集试验数据；
处理所述试验数据，建立所述动力电池容量衰减模型。
2.如权利要求1所述的方法，其特征在于，所述获取动力电池CCCT实际值和动力电池实际容量衰退值，具体包括：
商品车通过TBOX发送所述动力电池CCCT实际值和所述动力电池实际容量衰退值至TSP平台；
数据中心通过所述TSP平台获取所述动力电池CCCT实际值和所述动力电池实际容量衰退值。
3.如权利要求1所述的方法，其特征在于，在所述基于所述参数粒子集合，修正所述动力电池SOH估算模型之后，还包括：
将修正后的动力电池SOH估算模型发送至TSP平台；
将所述修正后的动力电池SOH估算模型发送至商品车的TBOX。
4.如权利要求3所述的方法，其特征在于，所述将所述修正后的动力电池SOH估算模型发送至商品车的TBOX，具体为：
定期将所述修正后的动力电池SOH估算模型发送至所述商品车的TBOX。
5.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-4中任一项所述的方法的步骤。
6.一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，所述计算机程序被处理器执行时实现权利要求1-4中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311145847.4A CN116908704B (zh) | 2023-09-07 | 2023-09-07 | 动力电池soh估算修正方法、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311145847.4A CN116908704B (zh) | 2023-09-07 | 2023-09-07 | 动力电池soh估算修正方法、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116908704A CN116908704A (zh) | 2023-10-20 |
| CN116908704B true CN116908704B (zh) | 2024-04-09 |
Family
ID=88365246
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311145847.4A Active CN116908704B (zh) | 2023-09-07 | 2023-09-07 | 动力电池soh估算修正方法、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116908704B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4689756B1 (ja) * | 2010-03-31 | 2011-05-25 | 古河電気工業株式会社 | 電池内部状態推定装置および電池内部状態推定方法 |
| CN103576097A (zh) * | 2013-11-19 | 2014-02-12 | 清华大学 | 电池的健康状态soh的估计方法及系统 |
| CN105979532A (zh) * | 2016-04-15 | 2016-09-28 | 北京思特奇信息技术股份有限公司 | 一种业务处理系统的性能容量分析预警方法及装置 |
| CN107091992A (zh) * | 2017-05-15 | 2017-08-25 | 安徽锐能科技有限公司 | 电池组荷电状态soc估计方法及估计系统 |
| WO2018014506A1 (zh) * | 2016-07-20 | 2018-01-25 | 美的集团股份有限公司 | 健康评估方法、系统及服务器 |
| WO2018019101A1 (zh) * | 2016-07-28 | 2018-02-01 | 中兴通讯股份有限公司 | 一种蓄电池实时荷电状态的测算方法及测算装置、存储介质 |
| KR20180043048A (ko) * | 2016-10-19 | 2018-04-27 | 현대자동차주식회사 | 배터리 soh 추정 방법 |
| CN112557906A (zh) * | 2020-12-14 | 2021-03-26 | 湖南大学 | 一种动力电池全生命周期内soc和容量在线联合估计方法 |
| KR102412606B1 (ko) * | 2022-02-10 | 2022-06-22 | 이중휘 | 배터리의 soh 추정 장치 및 방법 |
| CN116184213A (zh) * | 2023-02-21 | 2023-05-30 | 江南大学 | 一种基于改进粒子滤波的锂离子电池剩余寿命预测方法 |
| CN116299010A (zh) * | 2023-03-24 | 2023-06-23 | 国网山东省电力公司聊城供电公司 | 基于集合模型和联合算法的锂电池soh预测方法及系统 |
| WO2023116531A1 (zh) * | 2021-12-24 | 2023-06-29 | 长城汽车股份有限公司 | 确定电池soc初始值的方法及相关装置 |
| CN116413613A (zh) * | 2021-12-30 | 2023-07-11 | 比亚迪股份有限公司 | 动力电池的soc估算方法、系统、车辆及介质 |
| CN116699415A (zh) * | 2023-05-26 | 2023-09-05 | 云储新能源科技有限公司 | 一种动态可重构电池系统电量估计方法、系统及电子设备 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9411019B2 (en) * | 2013-12-16 | 2016-08-09 | Automotive Research & Testing Center | Method and system for estimating state of health of battery set |
-
2023
- 2023-09-07 CN CN202311145847.4A patent/CN116908704B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4689756B1 (ja) * | 2010-03-31 | 2011-05-25 | 古河電気工業株式会社 | 電池内部状態推定装置および電池内部状態推定方法 |
| CN103576097A (zh) * | 2013-11-19 | 2014-02-12 | 清华大学 | 电池的健康状态soh的估计方法及系统 |
| CN105979532A (zh) * | 2016-04-15 | 2016-09-28 | 北京思特奇信息技术股份有限公司 | 一种业务处理系统的性能容量分析预警方法及装置 |
| WO2018014506A1 (zh) * | 2016-07-20 | 2018-01-25 | 美的集团股份有限公司 | 健康评估方法、系统及服务器 |
| WO2018019101A1 (zh) * | 2016-07-28 | 2018-02-01 | 中兴通讯股份有限公司 | 一种蓄电池实时荷电状态的测算方法及测算装置、存储介质 |
| KR20180043048A (ko) * | 2016-10-19 | 2018-04-27 | 현대자동차주식회사 | 배터리 soh 추정 방법 |
| CN107091992A (zh) * | 2017-05-15 | 2017-08-25 | 安徽锐能科技有限公司 | 电池组荷电状态soc估计方法及估计系统 |
| CN112557906A (zh) * | 2020-12-14 | 2021-03-26 | 湖南大学 | 一种动力电池全生命周期内soc和容量在线联合估计方法 |
| WO2023116531A1 (zh) * | 2021-12-24 | 2023-06-29 | 长城汽车股份有限公司 | 确定电池soc初始值的方法及相关装置 |
| CN116413613A (zh) * | 2021-12-30 | 2023-07-11 | 比亚迪股份有限公司 | 动力电池的soc估算方法、系统、车辆及介质 |
| KR102412606B1 (ko) * | 2022-02-10 | 2022-06-22 | 이중휘 | 배터리의 soh 추정 장치 및 방법 |
| CN116184213A (zh) * | 2023-02-21 | 2023-05-30 | 江南大学 | 一种基于改进粒子滤波的锂离子电池剩余寿命预测方法 |
| CN116299010A (zh) * | 2023-03-24 | 2023-06-23 | 国网山东省电力公司聊城供电公司 | 基于集合模型和联合算法的锂电池soh预测方法及系统 |
| CN116699415A (zh) * | 2023-05-26 | 2023-09-05 | 云储新能源科技有限公司 | 一种动态可重构电池系统电量估计方法、系统及电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| SOH estimation for lithium-ion batteries: A cointegration and error correction approach;Chen Kunlong 等;《2016 IEEE International Conference on Prognostics and Health Management (ICPHM)》;20160815;全文 * |
| 深度神经网络与卡尔曼滤波融合估算动力电池SOH的方法;龚循飞 等;《汽车实用技术》;20230815;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116908704A (zh) | 2023-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110068774B (zh) | 锂电池健康状态的估计方法、装置及存储介质 | |
| CN110412470B (zh) | 电动汽车动力电池soc估计方法 | |
| CN104239194A (zh) | 基于bp神经网络的任务完成时间预测方法 | |
| CN109933852A (zh) | 预测车辆尺寸偏差的方法、装置、存储介质及电子设备 | |
| CN110147367A (zh) | 一种温度缺失数据填补方法、系统及电子设备 | |
| CN112816875A (zh) | 电动车辆电池云端管理系统、方法、介质及云端服务器 | |
| CN109507625A (zh) | 电池模拟器的自动校准方法及终端设备 | |
| CN116500458B (zh) | 动力电池容量评估方法、装置、车辆及电子装置 | |
| CN113743661A (zh) | 锂离子电池在线容量预测的方法、系统、设备及存储介质 | |
| CN110674569A (zh) | 基于决策树的充电剩余时间估算方法及系统 | |
| CN115496201A (zh) | 一种基于深度强化学习的列车精确停车控制方法 | |
| CN116908704B (zh) | 动力电池soh估算修正方法、设备和介质 | |
| CN116990691A (zh) | 一种电池剩余满充时间的评估方法、装置、设备和介质 | |
| CN116243178A (zh) | 动力电池的剩余充电时间估算方法及装置 | |
| CN115221153A (zh) | 一种缺失数据填补方法、装置和计算机可读存储介质 | |
| CN115422826A (zh) | 数据中心智能节能调控方法、装置、设备及存储介质 | |
| CN116027215A (zh) | 一种水下大规模储能锂电池组soc估算和评价方法 | |
| CN112463899A (zh) | 一种车辆轨迹点纠偏方法、系统、服务器和存储介质 | |
| CN111098743B (zh) | 一种充电时间的预测方法、装置及电子设备 | |
| CN109240927B (zh) | 基于gde3的多阶段动态多目标测试资源分配方法 | |
| CN116484742A (zh) | 车辆动力学建模与车辆状态预测方法、系统、设备及介质 | |
| CN117148161A (zh) | 一种基于云端神经网络的电池soc估算方法及装置 | |
| CN114779092A (zh) | 一种基于车辆电池健康度预测电池寿命的方法及系统 | |
| CN113671386A (zh) | 一种氢燃料电池耐久性能分析方法及装置 | |
| CN109409655B (zh) | 一种基于mwo的可靠性抽样验收试验方案的优化方法 |
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 |