CN114238424A - 一种大容量储能电池组低耗能快速筛选方法 - Google Patents

一种大容量储能电池组低耗能快速筛选方法 Download PDF

Info

Publication number
CN114238424A
CN114238424A CN202111549670.5A CN202111549670A CN114238424A CN 114238424 A CN114238424 A CN 114238424A CN 202111549670 A CN202111549670 A CN 202111549670A CN 114238424 A CN114238424 A CN 114238424A
Authority
CN
China
Prior art keywords
information
battery pack
historical
target
energy consumption
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
CN202111549670.5A
Other languages
English (en)
Inventor
陈宏学
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.)
Anhui Yangchen New Energy Technology Co ltd
Original Assignee
Anhui Yangchen New Energy Technology 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 Anhui Yangchen New Energy Technology Co ltd filed Critical Anhui Yangchen New Energy Technology Co ltd
Priority to CN202111549670.5A priority Critical patent/CN114238424A/zh
Publication of CN114238424A publication Critical patent/CN114238424A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2457—Query processing with adaptation to user needs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及电池组筛选技术的领域，具体涉及一种大容量储能电池组低耗能快速筛选方法及装置，包括获取第一电池组的历史参数信息；基于所述历史外部电力信息以及历史剩余电力信息，确定所述第一电池组的目标耗能模型；通过所述目标耗能模型，对所述第一电池组的第一耗能信息进行第一筛选计算，以得到目标耗能信息；基于所述目标耗能信息，确定目标电池组。本发明具有提高电池组筛选效率的效果。

Description

一种大容量储能电池组低耗能快速筛选方法
技术领域
本发明涉及电池组筛选技术的技术领域，尤其是涉及一种大容量储能电池组低耗能快速筛选方法及装置。
背景技术
目前锂电池作为安全性能好的绿色电源，锂离子电池应用日趋广泛，包括储能、动力等领域。高能量存储密度、长寿命、低自放电率、环境污染小等优点使得锂离子电池已逐渐成为数码产品，如手机、笔记本和摄像机等，以及新能源汽车等的主要动力源。由于锂电池单体的电压通常仅3.0V至4.0V(公称电压为3.6V)，且容量有限，所以在以其作为动力源的电动车及电动工具等大功率***中，往往需要将几十节乃至上百节的锂电池串联或并联成组使用，或将多个电池组组合使用。
现有的大容量畜电池电池在制备时，受制备工艺的限制，往往有电压、容量、内阻及自放电率等方面的差异性，即使是同批次生产出的单体电池，也会存在差异。若不经过筛选随意配组使用，就会严重降低整体电池组的使用寿命，同时也会增加安全隐患，所以对电池进行筛选具有重要意义。目前的筛选方法，存在操作繁锁、精确度不够的问题，无法快速准确地对电池进行筛选。
发明内容
针对现有技术存在的不足，本发明的目的是提供一种大容量储能电池组低耗能快速筛选方法及装置，能够快速筛选低耗能的电池组。
本发明的上述发明目的是通过以下技术方案得以实现的：一种大容量储能电池组低耗能快速筛选方法，包括：
获取第一电池组的历史参数信息，其中，所述历史参数信息包括所述第一电池组的历史外部电力信息以及历史剩余电力信息；
基于所述历史外部电力信息以及历史剩余电力信息，确定所述第一电池组的目标耗能模型；
通过所述目标耗能模型，对所述第一电池组的第一耗能信息进行第一筛选计算，以得到目标耗能信息；
基于所述目标耗能信息，确定目标电池组。
本发明在一较佳示例中可以进一步配置为：所述基于所述历史外部电力信息以及历史剩余电力信息，确定所述第一电池组的目标耗能模型包括：
对所述历史剩余电力信息进行第二筛选处理，以得到满足第一条件的第一历史外部信息；
对所述历史剩余电力信息以及所述第一历史外部信息进行联立计算，以得到信息关联矩阵；
基于所述关联矩阵进行卷积计算，以得到所述目标耗能模型。
本发明在一较佳示例中可以进一步配置为：所述基于所述关联矩阵进行卷积计算，以得到所述目标耗能模型包括：
对所述关联矩阵进行翻转处理，以得到第一矩阵；
将所述第一矩阵与预设的第二矩阵进行积和计算，以得到目标矩阵；
根据所述目标矩阵，确定所述目标耗能模型。
本发明在一较佳示例中可以进一步配置为：所述对所述历史剩余电力信息以及所述第一历史外部信息进行联立计算，以得到信息关联矩阵包括：
基于第一公式，对所述历史剩余电力信息以及所述第一历史外部信息进行联立计算,其中，所述第一公式包括：
Cim＝f(Sm,Um)
式中，Sm为所述历史剩余电力信息，Um为所述第一历史外部信息，Cim为所述信息关联矩阵。
本发明在一较佳示例中可以进一步配置为：所述基于所述目标耗能信息，确定目标电池组包括：
基于所述目标耗能信息，确定目标耗能曲线；
在所述目标耗能曲线的曲线值满足第一阈值的情况下，确定所述目标电池组。
在一个可选的实施例中，本发明还提供一种大容量储能电池组低耗能快速筛选装置，包括：
历史参数采集模块，用于获取第一电池组的历史参数信息，其中，所述历史参数信息包括所述第一电池组的历史外部电力信息以及历史剩余电力信息；
模型确定模块，用于基于所述历史外部电力信息以及历史剩余电力信息，确定所述第一电池组的目标耗能模型；
信息确定模块，用于通过所述目标耗能模型，对所述第一电池组的第一耗能信息进行第一筛选计算，以得到目标耗能信息；
电池组确定模块，用于基于所述目标耗能信息，确定目标电池组.
本发明在一较佳示例中可以进一步配置为：所述模型确定模块包括：
第二筛选单元，用于对所述历史剩余电力信息进行第二筛选处理，以得到满足第一条件的第一历史外部信息；
信息联立单元，用于对所述历史剩余电力信息以及所述第一历史外部信息进行联立计算，以得到信息关联矩阵；
模型确定单元，用于基于所述关联矩阵进行卷积计算，以得到所述目标耗能模型。
本发明在一较佳示例中可以进一步配置为：所述模型确定单元包括：
翻转子单元，用于对所述关联矩阵进行翻转处理，以得到第一矩阵；
积和子单元，用于将所述第一矩阵与预设的第二矩阵进行积和计算，以得到目标矩阵；
模型确定子单元，用于根据所述目标矩阵，确定所述目标耗能模型。
根据本发明的又一个实施例，还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中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
综上所述，本发明包括以下至少一种有益技术效果：
1.通过机器学习模型，能够快速从大数据中确定耗能满足需求的电池组，从而提高电池组筛选效率。
附图说明
图1是一种大容量储能电池组低耗能快速筛选方法的移动终端的硬件结构框图。
图2是实施例的流程图。
图3是实施例的结构框图。
具体实施方式
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。
本申请实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种大容量储能电池组低耗能快速筛选方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的一种大容量储能电池组低耗能快速筛选方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输装置106包括一个网络适配器(Network Interface Controller，简称为NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置106可以为射频(Radio Frequency，简称为RF)模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种大容量储能电池组低耗能快速筛选方法，图2是根据本发明实施例的一种大容量储能电池组低耗能快速筛选的流程图，如图2所示，该流程包括如下步骤：
步骤S202，获取第一电池组的历史参数信息，其中，历史参数信息包括第一电池组的历史外部电力信息以及历史剩余电力信息；
在本实施例中，获取历史外部电力信息是为了确定外部环境对电池组耗电量的影响，而获取历史剩余电力信息也是为了确定在不同场景下在不同时间点的耗电情况。
其中，历史外部电力信息包括(但不限于)外部电压、电流，历史剩余电力信息包括(但不限于)在预设时间点的剩余电量，初次之外，历史参数信息还包括(但不限于)第一电池组在多个充放电倍率下的表观电阻值、电池内部还原反应、副反应、荷电状态SOCim，电池内阻RΩim，电池温度Tim，电池端电压Uoim等信息，其中，电池剩余容量Cim与电池荷电状态SOCim、电池内阻RΩim、环境温度Tim及电池端电压Uoim的关系可表示为Sim＝f(SOCim,RΩim,Tim,…,Uoim)。
获取历史电力信息的方式可以是通过对不同的第一电池组进行不同监测获得的，还可以通过其他方式获得。
步骤S204，基于历史外部电力信息以及历史剩余电力信息，确定第一电池组的目标耗能模型；
在本实施例中，利用历史外部电力信息以及历史剩余电力信息对神经网络模型进行训练，在进行无监督训练后以获得目标耗能模型。
其中，神经网络模型可以是yolo5模型，也可以是其它模型；对应的，确定目标功能模型的方式可以是对神经网络模型的方式进行训练的，也可以是通过预定的算法对历史外部电力信息和历史剩余电力信息进行卷积计算，再利用卷积计算结果进行模拟获得的，还可以是通过其他方式获得的。
步骤S206，通过目标耗能模型，对第一电池组的第一耗能信息进行第一筛选计算，以得到目标耗能信息；
在本实施例中，对对第一耗能信息进行第一筛选计算是为了对第一电池组的耗能情况下进行筛选，以将不符合要求的数据进行筛选，以提高计算结果的准确性。
其中，第一耗能信息包括但不限于第一电池组在不同外部电力下的耗电情况、不同充放电率下的耗电情况等信息，对应的，第一筛选计算包括的但不限于将耗电量大于第一阈值、以及小于第二阈值的耗电量去除，或者短时间内耗电量大于第一阈值或小于第二阈值的耗电量去除等情况。
步骤S208，基于目标耗能信息，确定目标电池组。
在本实施例中，在获得目标耗能信息后，根据目标耗能信息与预设的第三阈值进行比较计算，即可确定目标电池组。
其中，上述步骤的执行主体可以为基站、终端等，但不限于此。
在一个可选的实施例中，所述基于所述历史外部电力信息以及历史剩余电力信息，确定所述第一电池组的目标耗能模型包括：
步骤S2042，对历史剩余电力信息进行第二筛选处理，以得到满足第一条件的第一历史外部信息；
步骤S2044，对历史剩余电力信息以及第一历史外部信息进行联立计算，以得到信息关联矩阵；
步骤S2046，基于关联矩阵进行卷积计算，以得到目标耗能模型
在一个可选的实施例中，所述基于所述关联矩阵进行卷积计算，以得到所述目标耗能模型包括：
步骤S20462，对所述关联矩阵进行翻转处理，以得到第一矩阵；
步骤S20464，将所述第一矩阵与预设的第二矩阵进行积和计算，以得到目标矩阵；
步骤S20466，根据所述目标矩阵，确定所述目标耗能模型
在一个可选的实施例中，所述对所述历史剩余电力信息以及所述第一历史外部信息进行联立计算，以得到信息关联矩阵包括：
步骤S20442，基于第一公式，对所述历史剩余电力信息以及所述第一历史外部信息进行联立计算,其中，所述第一公式包括：
Cim＝f(Sm,Um)
式中，Sm为所述历史剩余电力信息，Um为所述第一历史外部信息，Cim为所述信息关联矩阵。
在一个可选的实施例中，所述基于所述目标耗能信息，确定目标电池组包括：
步骤S2082，基于所述目标耗能信息，确定目标耗能曲线；
步骤S2084，在所述目标耗能曲线的曲线值满足第一阈值的情况下，确定所述目标电池组
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
在本实施例中还提供了一种大容量储能电池组低耗能快速筛选装置装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图3是根据本发明实施例的大容量储能电池组低耗能快速筛选装置的结构框图，如图3所示，该装置包括：
历史参数采集模块32，用于获取第一电池组的历史参数信息，其中，所述历史参数信息包括所述第一电池组的历史外部电力信息以及历史剩余电力信息；
模型确定模块34，用于基于所述历史外部电力信息以及历史剩余电力信息，确定所述第一电池组的目标耗能模型；
信息确定模块36，用于通过所述目标耗能模型，对所述第一电池组的第一耗能信息进行第一筛选计算，以得到目标耗能信息；
电池组确定模块38，用于基于所述目标耗能信息，确定目标电池组
在一个可选的实施例中，模型确定模块34包括：
第二筛选单元342，用于对所述历史剩余电力信息进行第二筛选处理，以得到满足第一条件的第一历史外部信息；
信息联立单元344，用于对所述历史剩余电力信息以及所述第一历史外部信息进行联立计算，以得到信息关联矩阵；
模型确定单元346，用于基于所述关联矩阵进行卷积计算，以得到所述目标耗能模型
在一个可选的实施例中，模型确定单元346包括：
翻转子单元3462，用于对所述关联矩阵进行翻转处理，以得到第一矩阵；
积和子单元3464，用于将所述第一矩阵与预设的第二矩阵进行积和计算，以得到目标矩阵；
模型确定子单元3466，用于根据所述目标矩阵，确定所述目标耗能模型。
在一个可选的实施例中，信息联立单元344包括：
联立子单元3442，用于基于第一公式，对所述历史剩余电力信息以及所述第一历史外部信息进行联立计算,其中，所述第一公式包括：
Cim＝f(Sm,Um)
式中，Sm为所述历史剩余电力信息，Um为所述第一历史外部信息，Cim为所述信息关联矩阵
在一个可选的实施例中，电池组确定模块38包括：
曲线确定单元382，用于基于所述目标耗能信息，确定目标耗能曲线；
电池组确定单元384，用于在所述目标耗能曲线的曲线值满足第一阈值的情况下，确定所述目标电池组
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
本发明的实施例还提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
在一个示例性实施例中，上述计算机可读存储介质可以包括但不限于：U盘、只读存储器(Read-Only Memory，简称为ROM)、随机存取存储器(Random Access Memory，简称为RAM)、移动硬盘、磁碟或者光盘等各种可以存储计算机程序的介质。
本发明的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
在一个示例性实施例中，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
本实施例中的具体示例可以参考上述实施例及示例性实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
本具体实施方式的实施例均为本发明的较佳实施例，并非依此限制本发明的保护范围，故：凡依本发明的结构、形状、原理所做的等效变化，均应涵盖于本发明的保护范围之内。

Claims (10)

1.一种大容量储能电池组低耗能快速筛选方法，其特征在于：
获取第一电池组的历史参数信息，其中，所述历史参数信息包括所述第一电池组的历史外部电力信息以及历史剩余电力信息；
基于所述历史外部电力信息以及历史剩余电力信息，确定所述第一电池组的目标耗能模型；
通过所述目标耗能模型，对所述第一电池组的第一耗能信息进行第一筛选计算，以得到目标耗能信息；
基于所述目标耗能信息，确定目标电池组。
2.根据权利要求1所述的大容量储能电池组低耗能快速筛选方法，其特征在于：所述基于所述历史外部电力信息以及历史剩余电力信息，确定所述第一电池组的目标耗能模型包括：
对所述历史剩余电力信息进行第二筛选处理，以得到满足第一条件的第一历史外部信息；
对所述历史剩余电力信息以及所述第一历史外部信息进行联立计算，以得到信息关联矩阵；
基于所述关联矩阵进行卷积计算，以得到所述目标耗能模型。
3.根据权利要求1所述的大容量储能电池组低耗能快速筛选方法，其特征在于：所述基于所述关联矩阵进行卷积计算，以得到所述目标耗能模型包括：
对所述关联矩阵进行翻转处理，以得到第一矩阵；
将所述第一矩阵与预设的第二矩阵进行积和计算，以得到目标矩阵；
根据所述目标矩阵，确定所述目标耗能模型。
4.根据权利要求1所述的大容量储能电池组低耗能快速筛选方法，其特征在于：所述对所述历史剩余电力信息以及所述第一历史外部信息进行联立计算，以得到信息关联矩阵包括：
基于第一公式，对所述历史剩余电力信息以及所述第一历史外部信息进行联立计算,其中，所述第一公式包括：
Cim＝f(Sm,Um)
式中，Sm为所述历史剩余电力信息，Um为所述第一历史外部信息，Cim为所述信息关联矩阵。
5.根据权利要求1所述的大容量储能电池组低耗能快速筛选方法，其特征在于：所述基于所述目标耗能信息，确定目标电池组包括：
基于所述目标耗能信息，确定目标耗能曲线；
在所述目标耗能曲线的曲线值满足第一阈值的情况下，确定所述目标电池组。
6.一种大容量储能电池组低耗能快速筛选装置，其特征在于：包括：
历史参数采集模块，用于获取第一电池组的历史参数信息，其中，所述历史参数信息包括所述第一电池组的历史外部电力信息以及历史剩余电力信息；
模型确定模块，用于基于所述历史外部电力信息以及历史剩余电力信息，确定所述第一电池组的目标耗能模型；
信息确定模块，用于通过所述目标耗能模型，对所述第一电池组的第一耗能信息进行第一筛选计算，以得到目标耗能信息；
电池组确定模块，用于基于所述目标耗能信息，确定目标电池组。
7.根据权利要求6所述的大容量储能电池组低耗能快速筛选装置，其特征在于：所述模型确定模块包括：
第二筛选单元，用于对所述历史剩余电力信息进行第二筛选处理，以得到满足第一条件的第一历史外部信息；
信息联立单元，用于对所述历史剩余电力信息以及所述第一历史外部信息进行联立计算，以得到信息关联矩阵；
模型确定单元，用于基于所述关联矩阵进行卷积计算，以得到所述目标耗能模型。
8.根据权利要求7所述的大容量储能电池组低耗能快速筛选方法，其特征在于：所述模型确定单元包括：
翻转子单元，用于对所述关联矩阵进行翻转处理，以得到第一矩阵；
积和子单元，用于将所述第一矩阵与预设的第二矩阵进行积和计算，以得到目标矩阵；
模型确定子单元，用于根据所述目标矩阵，确定所述目标耗能模型。
9.一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，其中，所述计算机程序被设置为运行时执行所述权利要求1至5任一项中所述的方法。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至5任一项中所述的方法。
CN202111549670.5A 2021-12-17 2021-12-17 一种大容量储能电池组低耗能快速筛选方法 Pending CN114238424A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111549670.5A CN114238424A (zh) 2021-12-17 2021-12-17 一种大容量储能电池组低耗能快速筛选方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111549670.5A CN114238424A (zh) 2021-12-17 2021-12-17 一种大容量储能电池组低耗能快速筛选方法

Publications (1)

Publication Number Publication Date
CN114238424A true CN114238424A (zh) 2022-03-25

Family

ID=80757979

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111549670.5A Pending CN114238424A (zh) 2021-12-17 2021-12-17 一种大容量储能电池组低耗能快速筛选方法

Country Status (1)

Country Link
CN (1) CN114238424A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116359763A (zh) * 2023-06-01 2023-06-30 深圳和润达科技有限公司 一种化成分容能耗的智能分析方法及装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109465209A (zh) * 2018-10-24 2019-03-15 中通服咨询设计研究院有限公司 一种基于光伏基站的动力电池梯级利用方法
CN110323508A (zh) * 2018-03-30 2019-10-11 比亚迪股份有限公司 电动汽车中动力电池的回收***和方法
US20200160619A1 (en) * 2018-11-17 2020-05-21 International Business Machines Corporation Dynamic driving range prediction for electric vehicles
CN111695642A (zh) * 2020-06-22 2020-09-22 沈阳工业大学 一种适用于梯次利用的电池模组筛选方法
CN112345956A (zh) * 2020-11-24 2021-02-09 广州橙行智动汽车科技有限公司 一种电池组荷电状态检测方法和装置
KR20210073497A (ko) * 2021-05-31 2021-06-18 (주)블루네트웍스 전기차의 배터리의 상태를 실시간으로 모니터링 할 수 있는 방법 및 전기차 충전 단말

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110323508A (zh) * 2018-03-30 2019-10-11 比亚迪股份有限公司 电动汽车中动力电池的回收***和方法
CN109465209A (zh) * 2018-10-24 2019-03-15 中通服咨询设计研究院有限公司 一种基于光伏基站的动力电池梯级利用方法
US20200160619A1 (en) * 2018-11-17 2020-05-21 International Business Machines Corporation Dynamic driving range prediction for electric vehicles
CN111695642A (zh) * 2020-06-22 2020-09-22 沈阳工业大学 一种适用于梯次利用的电池模组筛选方法
CN112345956A (zh) * 2020-11-24 2021-02-09 广州橙行智动汽车科技有限公司 一种电池组荷电状态检测方法和装置
KR20210073497A (ko) * 2021-05-31 2021-06-18 (주)블루네트웍스 전기차의 배터리의 상태를 실시간으로 모니터링 할 수 있는 방법 및 전기차 충전 단말

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116359763A (zh) * 2023-06-01 2023-06-30 深圳和润达科技有限公司 一种化成分容能耗的智能分析方法及装置
CN116359763B (zh) * 2023-06-01 2023-08-04 深圳和润达科技有限公司 一种化成分容能耗的智能分析方法及装置

Similar Documents

Publication Publication Date Title
Kim et al. A hybrid battery model capable of capturing dynamic circuit characteristics and nonlinear capacity effects
US20170276732A1 (en) Method for screening lithium ion battery
WO2021077272A1 (zh) 充电方法、电子装置以及存储介质
CN112666480A (zh) 一种基于充电过程特征注意力的电池寿命预测方法
CN109888420B (zh) 一种锂离子电池包的充电方法、装置及终端设备
CN109713762B (zh) 一种充电控制方法、装置及终端设备
WO2021077273A1 (zh) 充电方法、电子装置以及存储介质
CN112798968B (zh) 估算电池并联***soc的方法、用电设备及介质
CN109818396B (zh) 一种锂离子电池包的充电方法、装置及终端设备
CN111142038A (zh) 一种蓄电池健康状态评估方法及装置
CN114238424A (zh) 一种大容量储能电池组低耗能快速筛选方法
CN114384436A (zh) 退役锂离子动力电池的筛选方法、装置、设备和存储介质
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
CN109459700B (zh) 一种变形锂电池检测方法、装置和电子设备
WO2021077271A1 (zh) 充电方法、电子装置以及存储介质
CN111199104B (zh) 一种电池残余性能分析方法、装置、设备及存储介质
CN115629325B (zh) 电芯衰减程度辨识方法、装置、介质及设备
CN111106415A (zh) 一种电池管理方法、装置、电池及云服务器
CN111354989A (zh) 一种可重构电池组控制方法、***及存储介质
CN112578282B (zh) 估算电池soc的方法、用电设备以及存储介质
CN114994538A (zh) 单粒子电化学模型计算装置及方法
CN115395613A (zh) 电池充电管理方法、装置、电子设备及存储介质
CN116533817A (zh) 一种充电剩余时间的预测方法、装置及存储介质
CN114117737A (zh) 锂离子电池仿真方法、装置、电子设备及可读存储介质
Scott et al. An intelligence-based state of charge prediction for VRLA batteries

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