CN114935721A - 一种基于光纤光栅传感器的锂离子电池荷电状态估计方法 - Google Patents
一种基于光纤光栅传感器的锂离子电池荷电状态估计方法 Download PDFInfo
- Publication number
- CN114935721A CN114935721A CN202210598326.3A CN202210598326A CN114935721A CN 114935721 A CN114935721 A CN 114935721A CN 202210598326 A CN202210598326 A CN 202210598326A CN 114935721 A CN114935721 A CN 114935721A
- Authority
- CN
- China
- Prior art keywords
- time
- data set
- charge
- lithium ion
- time sequence
- 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.)
- Granted
Links
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 122
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 122
- 239000000835 fiber Substances 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012360 testing method Methods 0.000 claims abstract description 160
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000010606 normalization Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000002474 experimental method Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 7
- 239000010405 anode material Substances 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D5/00—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
- G01D5/26—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light
- G01D5/32—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light
- G01D5/34—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells
- G01D5/353—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells influencing the transmission properties of an optical fibre
- G01D5/35306—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells influencing the transmission properties of an optical fibre using an interferometer arrangement
- G01D5/35309—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells influencing the transmission properties of an optical fibre using an interferometer arrangement using multiple waves interferometer
- G01D5/35316—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells influencing the transmission properties of an optical fibre using an interferometer arrangement using multiple waves interferometer using a Bragg gratings
-
- 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]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- 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)
- Secondary Cells (AREA)
Abstract
本发明公开了一种基于光纤光栅传感器的锂离子电池荷电状态估计方法,方法包括:选取型号已知的锂离子电池,基于设置在锂离子电池上的光纤布拉格光栅传感器,采集测试参数;根据锂离子电池的型号信息,得到与型号信息对应的已知参数;根据测试参数建立时间序列测试数据集,以及根据已知参数建立时间序列目标数据集,对时间序列测试数据集进行归一化处理,并基于上下界算法,删除时间序列测试数据集中不匹配的时间序列,得到处理好的时间序列测试数据集;基于处理好的时间序列测试数据集训练动态时间规整模型,得到电池荷电状态估计模型,并根据电池荷电状态估计模型,得到电池荷电状态的估计数据。本发明有效提高了电池荷电状态的估计精度。
Description
技术领域
本发明设计电池分析技术领域,尤其涉及一种基于光纤光栅传感器的锂离子电池荷电状态估计方法。
背景技术
电池荷电状态(SOC)是指示锂离子电池内剩余电量的重要指标。精确而稳健的SOC估算技术可避免过荷电,过放电和过热,从而延长电池的使用寿命,现有荷电状态估计方法有着依赖电池模型精度或者估计结果不准确的缺陷,电池老化导致荷电容量减少也增加了现有技术准确估计荷电状态的困难。
因此,现有技术还有待改进和提高。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种基于光纤光栅传感器的锂离子电池荷电状态估计方法,旨在解决现有技术的荷电状态估计方法有着依赖电池模型精度或者估计结果不准确的缺陷,电池老化导致荷电容量减少也增加了现有技术准确估计荷电状态的困难的问题。
为了解决上述技术问题,本发明所采用的技术方案如下:
第一方面,本发明提供一种基于光纤光栅传感器的锂离子电池荷电状态估计方法,其中,所述方法包括:
选取型号已知的锂离子电池,对所述锂离子电池进行充放电实验,并基于设置在所述锂离子电池上的光纤布拉格光栅传感器,采集预设时间段内的电流、电压、时间、阳极应变数据、温度以及电池荷电状态,并将电流、电压、时间、阳极应变数据、温度以及电池荷电状态作为测试参数;
根据所述锂离子电池的型号信息,得到与所述型号信息对应的电流、电压、时间、阳极应变数据、温度以及电池荷电状态,并将与所述型号信息对应的电流、电压、时间、阳极应变数据、温度以及电池荷电状态作为已知参数;
根据所述测试参数建立时间序列测试数据集,以及根据所述已知参数建立时间序列目标数据集,对所述时间序列测试数据集进行归一化处理,并基于上下界算法,删除所述时间序列测试数据集中与所述时间序列目标数据集不匹配的时间序列,得到处理好的时间序列测试数据集;
基于所述处理好的时间序列测试数据集训练动态时间规整模型,得到电池荷电状态估计模型,将电流、电压、阳极应变数据、温度输入至所述电池荷电状态估计模型中,得到电池荷电状态的估计数据。
在一种实现方式中,所述光纤布拉格光栅传感器至少设置有两个,其中一个贴附在所述锂离子电池的负极表面,用于测量电池阳极材料的阳极应变数据,另一个贴附在所述锂离子电池的中央位置,用于测量所述锂离子电池的温度变化。
在一种实现方式中,所述方法还包括:
将所述锂离子电池加热至指定温度,并对所述锂离子电池重复充放电,采集电流、电压、时间、阳极应变数据、温度以及电池荷电状态,并将采集到的电流、电压、时间、阳极应变数据、温度以及电池荷电状态作为所述测试参数。
在一种实现方式中,所述基于上下界算法,删除所述时间序列测试数据集中与所述时间序列目标数据集不匹配的时间序列,包括:
基于上下界算法,计算所述时间序列测试数据集与所述时间序列目标数据集中相同时间步之间的距离;
将所述距离与预设的阈值进行比较;
若所述距离大于预设的阈值,则判定所述时间序列测试数据集中所述距离大于预设的阈值的时间序列与所述时间序列目标数据集不匹配,并删除不匹配的时间序列。
在一种实现方式中,所述基于上下界算法,计算所述时间序列测试数据集与所述时间序列目标数据集中相同时间步之间的距离,包括:
获取所述时间序列目标数据集中每个时间序列的上界与下界;
获取所述时间序列测试数据集中每一个时间序列,并将每一个时间序列均与对应时间序列的上界以及下界通过对相同的时间步进行距离计算,得到所述时间序列测试数据集与所述时间序列目标数据集中相同时间步之间的距离。
在一种实现方式中,所述基于上下界算法,删除所述时间序列测试数据集中与所述时间序列目标数据集不匹配的时间序列,还包括:
针对所述时间序列测试数据集中的一个时间序列,获取已计算得到所述时间序列与所述时间序列目标数据集中相同时间步之间的距离之和;
将计算得到距离之和与预设的距离阈值进行比较;
若所述距离之和大于所述距离阈值,则停止所述时间序列的计算。
在一种实现方式中,所述基于所述处理好的时间序列测试数据集训练动态时间规整模型,得到电池荷电状态估计模型,将电流、电压、阳极应变数据、温度输入至所述电池荷电状态估计模型中,得到电池荷电状态的估计数据,包括:
将所述处理好的时间序列测试数据集中的电流、电压、时间、阳极应变数据、温度作为输入,将所述处理好的时间序列测试数据集中的电池荷电状态作为输出,训练所述动态时间规整模型,得到电池荷电状态估计模型;
将电流、电压、阳极应变数据、温度输入至所述电池荷电状态估计模型中,得到电池荷电状态的估计数据;
根据所述估计数据与所述处理好的时间序列测试数据集,对所述电池荷电状态估计模型进行参数调优。
第二方面,本发明实施例还提供一种基于光纤光栅传感器的锂离子电池荷电状态估计***,其中,所述***包括:
测试参数采集模块,用于选取型号已知的锂离子电池,对所述锂离子电池进行充放电实验,并基于设置在所述锂离子电池上的光纤布拉格光栅传感器,采集预设时间段内的电流、电压、时间、阳极应变数据、温度以及电池荷电状态,并将电流、电压、时间、阳极应变数据、温度以及电池荷电状态作为测试参数;
已知参数获取模块,用于根据所述锂离子电池的型号信息,得到与所述型号信息对应的电流、电压、时间、阳极应变数据、温度以及电池荷电状态,并将与所述型号信息对应的电流、电压、时间、阳极应变数据、温度以及电池荷电状态作为已知参数;
时间序列处理模块,用于根据所述测试参数建立时间序列测试数据集,以及根据所述已知参数建立时间序列目标数据集,对所述时间序列测试数据集进行归一化处理,并基于上下界算法,删除所述时间序列测试数据集与所述时间序列目标数据集中不匹配的时间序列,得到处理好的时间序列测试数据集;
荷电状态估计模块,用于基于所述处理好的时间序列测试数据集训练动态时间规整模型,得到电池荷电状态估计模型,将电流、电压、阳极应变数据、温度输入至所述电池荷电状态估计模型中,得到电池荷电状态的估计数据。
第三方面,本发明实施例还提供一种终端设备,终端设备包括存储器、处理器及存储在存储器中并可在处理器上运行的基于光纤光栅传感器的锂离子电池荷电状态估计程序,处理器执行基于光纤光栅传感器的锂离子电池荷电状态估计程序时,实现如上述方案中任一项的基于光纤光栅传感器的锂离子电池荷电状态估计方法的步骤。
第四方面,本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有基于光纤光栅传感器的锂离子电池荷电状态估计程序,基于光纤光栅传感器的锂离子电池荷电状态估计的程序被处理器执行时,实现如上述方案中任一项的基于光纤光栅传感器的锂离子电池荷电状态估计方法的步骤。
有益效果:与现有技术相比,本发明提供了一种基于光纤光栅传感器的锂离子电池荷电状态估计方法,本发明首先选取型号已知的锂离子电池,对所述锂离子电池进行充放电实验,基于设置在所述锂离子电池上的光纤布拉格光栅传感器,采集预设时间段内的电流、电压、时间、阳极应变数据、温度以及电池荷电状态,并将电流、电压、时间、阳极应变数据、温度以及电池荷电状态作为测试参数。然后,根据所述锂离子电池的型号信息,得到与所述型号信息对应的电流、电压、时间、阳极应变数据、温度以及电池荷电状态,并将与所述型号信息对应的电流、电压、时间、阳极应变数据、温度以及电池荷电状态作为已知参数。接着,根据所述测试参数建立时间序列测试数据集,以及根据所述已知参数建立时间序列目标数据集,对所述时间序列测试数据集进行归一化处理,并基于上下界算法,删除所述时间序列测试数据集中与所述时间序列目标数据集不匹配的时间序列,得到处理好的时间序列测试数据集。最后,基于所述处理好的时间序列测试数据集训练动态时间规整模型,得到电池荷电状态估计模型,将电流、电压、阳极应变数据、温度输入至所述电池荷电状态估计模型中,得到电池荷电状态的估计数据。本发明通过使用机器学习和高精度的光纤布拉格光栅传感器测量阳极应变和温度等数据,并对构建的时间序列测试数据集进行分析,删除其中与时间序列目标数据集不匹配的时间序列,从而训练出更为精确的电池荷电状态估计模型,有效提高了电池荷电状态的估计精度。
附图说明
图1为本发明实施例提供的基于光纤光栅传感器的锂离子电池荷电状态估计方法的具体实施方式的流程图。
图2为本发明实施例提供的基于光纤光栅传感器的锂离子电池荷电状态估计方法中基于上下界时间距离计算的示意图。
图3为本发明实施例提供的基于光纤光栅传感器的锂离子电池荷电状态估计***的原理框图。
图4为本发明实施例提供的终端设备的原理框图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本实施例提供一种基于光纤光栅传感器的锂离子电池荷电状态估计方法,具体应用时,本实施例首先选取型号已知的锂离子电池,对所述锂离子电池进行充放电实验,基于设置在所述锂离子电池上的光纤布拉格光栅传感器,采集预设时间段内的电流、电压、时间、阳极应变数据、温度以及电池荷电状态,并将电流、电压、时间、阳极应变数据、温度以及电池荷电状态作为测试参数。然后,根据所述锂离子电池的型号信息,得到与所述型号信息对应的电流、电压、时间、阳极应变数据、温度以及电池荷电状态,并将与所述型号信息对应的电流、电压、时间、阳极应变数据、温度以及电池荷电状态作为已知参数。接着,根据所述测试参数建立时间序列测试数据集,以及根据所述已知参数建立时间序列目标数据集,对所述时间序列测试数据集进行归一化处理,并基于上下界算法,删除所述时间序列测试数据集中与所述时间序列目标数据集不匹配的时间序列,得到处理好的时间序列测试数据集。最后,基于所述处理好的时间序列测试数据集训练动态时间规整模型,得到电池荷电状态估计模型,将电流、电压、阳极应变数据、温度输入至所述电池荷电状态估计模型中,得到电池荷电状态的估计数据。本实施例通过使用机器学习和高精度的光纤布拉格光栅传感器测量阳极应变和温度等数据,并对构建的时间序列测试数据集进行分析,删除其中与时间序列目标数据集不匹配的时间序列,从而训练出更为精确的电池荷电状态估计模型,有效提高了电池荷电状态(SOC)的估计精度。
示例性方法
本实施例的基于光纤光栅传感器的锂离子电池荷电状态估计方法可应用于终端设备,所述终端设备为用于对锂离子电池进行测试与监控,并且还可以对测试得到的数据进行采集与分析。比如可以为测试终端、电脑等终端设备。具体地,本实施例的基于光纤光栅传感器的锂电池荷电状态估计具体包括如下步骤:
步骤S100、选取型号已知的锂离子电池,对所述锂离子电池进行充放电实验,并基于设置在所述锂离子电池上的光纤布拉格光栅传感器,采集预设时间段内的电流、电压、时间、阳极应变数据、温度以及电池荷电状态,并将电流、电压、时间、阳极应变数据、温度以及电池荷电状态作为测试参数。
具体实施时,本实施例终端设备首先选取型号已知的锂离子电池,然后调取该锂离子电池并进行充放电实验,充放电实验的开始时间为t1,结束时间为t2,本实施例可记录充放电实验过程中各个时刻(即从t1到t2之间的时间)的电流以及电压。此外,本实施例还可以基于设置在所述锂离子电池上的光纤布拉格光栅传感器(Fiber Bragg Grating,FBG),采集锂离子电池的阳极应变数据以及温度。具体地,本实施例中的光纤布拉格光栅传感器至少设置有两个,其中一个贴附在所述锂离子电池的负极表面,用于测量电池阳极材料的阳极应变数据,另一个贴附在所述锂离子电池的中央位置,用于测量所述锂离子电池的温度变化。此外,本实施例还可对锂离子电池进行静置,并在静置足够长的时间后,测量开路电压,确定出该锂离子电池的电池荷电状态。所述电池荷电状态可反映出该锂离子电池的剩余容量状态,该数值可定义为电池剩余容量占电池总容量的比值,SOC=Q/CI,其中,Q为电池剩余容量,CI为电池以恒定电流I放电时所具有的容量。所述电池荷电状态是与电流、电压、时间、阳极应变数据以及温度有关的,在某种程度来说,电流、电压、时间、阳极应变数据以及温度可直接影响电池荷电状态,而电池荷电状态反映的是该锂离子电池的剩余容量状态,因此电池荷电状态可反映出该锂离子电池的剩余寿命。当采集得到电流、电压、时间、阳极应变数据、温度以及电池荷电状态后,本实施例将电流、电压、时间、阳极应变数据、温度以及电池荷电状态作为测试参数。本实施例中采集测试参数是用于反映出该锂离子电池在实际使用的过程中体现电池健康状态的数据,这些数据会影响锂离子电池的使用寿命。
在一种实现方式中,本实施例还可将所述锂离子电池加热至指定温度,并对所述锂离子电池重复充放电,采集电流、电压、时间、阳极应变数据、温度以及电池荷电状态,并将采集到的电流、电压、时间、阳极应变数据、温度以及电池荷电状态作为所述测试参数,这样可以得到更为丰富的测试参数。
步骤S200、根据所述锂离子电池的型号信息,得到与所述型号信息对应的电流、电压、时间、阳极应变数据、温度以及电池荷电状态,并将与所述型号信息对应的电流、电压、时间、阳极应变数据、温度以及电池荷电状态作为已知参数。
由于本实施例获取的锂离子电池的型号信息是已知的,因此本实施例可根据该型号信息确定出对应的电流、电压、时间、阳极应变数据、温度以及电池荷电状态,这些参数可从厂家提供的数据中直接获取到,比如产品使用说明书,或者产品介绍书册。本实施例将与所述型号信息对应的电流、电压、时间、阳极应变数据、温度以及电池荷电状态作为已知参数。本实施例中的已知参数中的每一个数据都是在出厂时基于不同的时刻进行检测得到的,也就是说该已知参数是在锂离子电池初始化之前测试的,这些参数是用于反映所述锂离子电池的正常使用情况下的正常数据,是可以用于衡量出该锂离子电池的健康状态的标准参数。
步骤S300、根据所述测试参数建立时间序列测试数据集,以及根据所述已知参数建立时间序列目标数据集,对所述时间序列测试数据集进行归一化处理,并基于上下界算法,删除所述时间序列测试数据集中与所述时间序列目标数据集不匹配的时间序列,得到处理好的时间序列测试数据集。
在本实施例中,由于该测试参数是基于开始时间为t1,结束时间为t2之间时间段来采集得到的,因此当采集得到测试参数后,本实施例可基于测试参数建立时间序列测试数据集,该建立时间序列测试数据集中具有不同时间序列,每个时间序列可用于反映不同数据的变化,比如温度时间序列反映的是温度随着时间的变化,电压时间序列反映的是电压随时间的变化。同样地,本实施例中已知参数中的每一个数据都是在出厂时基于不同的时刻进行检测得到的,因此本实施例基于已知参数建立时间序列目标数据集,该时间序列目标数据集中所包括的是已知参数中的电流、电压、阳极应变数据、温度以及电池荷电状态所对应的时间序列。当构建时间序列测试数据集后,本实施例对所述时间序列测试数据集进行归一化处理,并基于上下界算法,删除所述时间序列测试数据集中与所述时间序列目标数据集不匹配的时间序列,得到处理好的时间序列测试数据集。
为了及时发现所述时间序列测试数据集中与所述时间序列目标数据集不匹配的时间序列,本实施例基于距离算法,可通过两个序列之间中相同时间步之间的距离来判断出所述时间序列测试数据集中与所述时间序列目标数据集不匹配的时间序列。距离的计算方式为:
其中,Q和C为不同的时间序列,qi为Q序列中的i时刻的点,ci为C序列中的i时刻的点,可见qi和ci为相同时间步的两个点,因此通过计算两个时间序列相同时间步之间的距离就可以确定出两个时间序列的相似度。当两个序列按照时间步t完全对齐的时候,可以直接通过距离计算来评估两个算法的相似度。但是有些时候两个时间序列并未完全对齐,如果将某一时间序列进行压缩处理,此时会有信息损失,导致两个时间序列无法完全对齐。为此,本实施例引入动态时间规整算法(DTW算法),DTW算法的核心是将两个不同的时间序列按照最好的方式对齐,对齐的方式有很多,最好的对齐方式就是两个时间序列的距离最小,同时这个最小的距离就是这两个时间序列的距离。但是,当使用DTW算法的时候,需要计算两个时间序列之间不同时间步之间的距离,需要较大的计算量。为了减少计算量,本实施例引入上下界算法(Lower Bounding)。具体地,本实施例可获取所述时间序列目标数据集中每个时间序列的上界与下界,然后获取所述时间序列测试数据集中每一个时间序列,并将每一个时间序列均与对应时间序列的上界以及下界通过对相同的时间步进行距离计算,得到所述时间序列测试数据集与所述时间序列目标数据集中相同时间步之间的距离,然后将所述距离与预设的阈值进行比较;若所述距离大于预设的阈值,则判定所述时间序列测试数据集中所述距离大于预设的阈值的时间序列与所述时间序列目标数据集不匹配,并删除不匹配的时间序列。举例说明,并结合图2进行说明,针对时间序列目标数据集中的Q时间序列(如温度时间序列),本实施例可对Q时间序列设置上界U和下界L,如图2所示,图2中的A图为不设置上界U和下界L时,Q时间序列和C时间序列进行距离计算时的示意图,图2中的B图为设置上界U和下界L时,Q时间序列和C时间序列进行距离计算时的示意图。从图2中可以看出,所述上界U是基于Q时间序列的峰值设置的,所述下界L是基于Q时间序列的谷值设置的。在时间序列测试数据集中与Q时间序列对应的是C时间序列,因此,可将C时间序列分别与上界U和下界L进行距离计算,计算的时候同样是基于两个序列相同的时间步进行计算。此时,C序列和上界U、下界L之间直接通过对应时间步计算,不用对齐,如果计算出的距离大于设置阈值,则就认为Q时间序列和C时间序列之间的差距太大了,二者不匹配,因此此时的C时间序列就属于不匹配的时间序列了,需要进行删除。
在另一种实现方式中,本实施例在计算两个时间序列的距离时,还可以基于四个对应的点进行计算。比如,直接找到Q时间序列和C时间序列中的四个对应的点,分别为起始点,终点,最高点,最低点,然后针对这四个点分别计算这四个点的距离和,如果超过阈值,则就认为Q时间序列和C时间序列不匹配。此外,本实施例还可以基于两个对应的点进行距离计算,比如,直接找到Q时间序列和C时间序列的两个对应的点,分别为最高点和最低点,然后针对这两个点分别计算这两个个点的距离和,如果超过阈值,则就认为Q时间序列和C时间序列不匹配,有利于减少计算量,提高计算效率。
在另一种实现方式中,本实施例还可以针对所述时间序列测试数据集中的一个时间序列,获取已计算得到所述时间序列与所述时间序列目标数据集中相同时间步之间的距离之和。然后将计算得到距离之和与预设的距离阈值进行比较。若所述距离之和大于所述距离阈值,则停止所述时间序列的计算。比如,针对某个时间序列,只计算了五个时间步的距离后就发现,距离之和已经超过距离阈值,则就可以确定出两个时间序列是不匹配的,此时就可以直接终止计算,减少计算量,提高计算效率,以便更快速地确定出所述时间序列测试数据集中不匹配的时间序列。此外,本实施例将归一化处理以及找出并删除不匹配的时间序列的步骤同时进行,也就是每归一化处理一个时间序列就可以立即进行距离计算,如果计算过程中距离之和一旦超过距离阈值,则立即停止计算,以后的也不用进行归一化处理了,计算量就减少了。当将不匹配的时间序列删除后,就得到了处理好的时间序列测试数据集。
步骤S400、基于所述处理好的时间序列测试数据集训练动态时间规整模型,得到电池荷电状态估计模型,将电流、电压、阳极应变数据、温度输入至所述电池荷电状态估计模型中,得到电池荷电状态的估计数据。
具体地,本实施例可将所述处理好的时间序列测试数据集中的电流、电压、时间、阳极应变数据、温度作为输入,将所述处理好的时间序列测试数据集中的电池荷电状态作为输出,训练动态时间规整模型,得到电池荷电状态估计模型。由于所述电池荷电状态是与电流、电压、时间、阳极应变数据以及温度有关的,在某种程度来说,电流、电压、时间、阳极应变数据以及温度可直接影响电池荷电状态,而电池荷电状态反映的是该锂离子电池的剩余容量状态,因此电池荷电状态可反映出该锂离子电池的剩余寿命。因此将电流、电压、时间、阳极应变数据、温度与电池荷电状态之间的对应关系均输入至动态时间规整模型中进行训练,就可以得到电池荷电状态估计模型。因此当将电流、电压、阳极应变数据、温度输入至所述电池荷电状态估计模型中,得到电池荷电状态的估计数据,从而实现对锂离子电池的电池荷电状态的估计。此外,本实施例还可将根据所述估计数据与所述处理好的时间序列测试数据集进行整合,整合时保证时间维度一致,然后将整个的数据输入至电池荷电状态估计模型中,得到对应电池荷电状态的预测值,根据该电池荷电状态的预测值来对所述电池荷电状态估计模型进行参数调优,从而提高该电池荷电状态估计模型的准确性。
综上,本实施例首先选取型号已知的锂离子电池,对所述锂离子电池进行充放电实验,基于设置在所述锂离子电池上的光纤布拉格光栅传感器,采集预设时间段内的电流、电压、时间、阳极应变数据、温度以及电池荷电状态,并将电流、电压、时间、阳极应变数据、温度以及电池荷电状态作为测试参数。然后,根据所述锂离子电池的型号信息,得到与所述型号信息对应的电流、电压、时间、阳极应变数据、温度以及电池荷电状态,并将与所述型号信息对应的电流、电压、时间、阳极应变数据、温度以及电池荷电状态作为已知参数。接着,根据所述测试参数建立时间序列测试数据集,以及根据所述已知参数建立时间序列目标数据集,对所述时间序列测试数据集进行归一化处理,并基于上下界算法,删除所述时间序列测试数据集中与所述时间序列目标数据集不匹配的时间序列,得到处理好的时间序列测试数据集。最后,基于所述处理好的时间序列测试数据集训练动态时间规整模型,得到电池荷电状态估计模型,将电流、电压、阳极应变数据、温度输入至所述电池荷电状态估计模型中,得到电池荷电状态的估计数据。本实施例通过使用机器学习和高精度的光纤布拉格光栅传感器测量阳极应变和温度等数据,并对构建的时间序列测试数据集进行分析,删除其中与时间序列目标数据集不匹配的时间序列,从而训练出更为精确的电池荷电状态估计模型,有效提高了电池荷电状态(SOC)的估计精度。
示例性***
基于上述实施例,本发明还提供一种基于光纤光栅传感器的锂离子电池荷电状态估计***,如图3中所示,所述***包括:测试参数采集模块10、已知参数获取模块20、时间序列处理模块30以及荷电状态估计模块40。具体地,所述测试参数采集模块,用于选取型号已知的锂离子电池,对所述锂离子电池进行充放电实验,并基于设置在所述锂离子电池上的光纤布拉格光栅传感器,采集预设时间段内的电流、电压、时间、阳极应变数据、温度以及电池荷电状态,并将电流、电压、时间、阳极应变数据、温度以及电池荷电状态作为测试参数。所述已知参数获取模块20,用于根据所述锂离子电池的型号信息,得到与所述型号信息对应的电流、电压、时间、阳极应变数据、温度以及电池荷电状态,并将与所述型号信息对应的电流、电压、时间、阳极应变数据、温度以及电池荷电状态作为已知参数。所述时间序列处理模块30,用于根据所述测试参数建立时间序列测试数据集,以及根据所述已知参数建立时间序列目标数据集,对所述时间序列测试数据集进行归一化处理,并基于上下界算法,删除所述时间序列测试数据集与所述时间序列目标数据集中不匹配的时间序列,得到处理好的时间序列测试数据集。所述荷电状态估计模块40,用于基于所述处理好的时间序列测试数据集训练动态时间规整模型,得到电池荷电状态估计模型,将电流、电压、阳极应变数据、温度输入至所述电池荷电状态估计模型中,得到电池荷电状态的估计数据。
在一种实现方式中,所述光纤布拉格光栅传感器至少设置有两个,其中一个贴附在所述锂离子电池的负极表面,用于测量电池阳极材料的阳极应变数据,另一个贴附在所述锂离子电池的中央位置,用于测量所述锂离子电池的温度变化。
在一种实现方式中,所述***还包括:
参数扩充模块,用于将所述锂离子电池加热至指定温度,并对所述锂离子电池重复充放电,采集电流、电压、时间、阳极应变数据、温度以及电池荷电状态,并将采集到的电流、电压、时间、阳极应变数据、温度以及电池荷电状态作为所述测试参数。
在一种实现方式中,所述时间序列处理模块30,包括:
距离计算单元,用于基于上下界算法,计算所述时间序列测试数据集与所述时间序列目标数据集中相同时间步之间的距离;
第一距离比较单元,用于将所述距离与预设的阈值进行比较;
时间序列删除单元,用于若所述距离大于预设的阈值,则判定所述时间序列测试数据集中所述距离大于预设的阈值的时间序列与所述时间序列目标数据集不匹配,并删除不匹配的时间序列。
在一种实现方式中,所述距离计算单元,包括:
上下界获取子单元,用于获取所述时间序列目标数据集中每个时间序列的上界与下界;
距离确定子单元,用于获取所述时间序列测试数据集中每一个时间序列,并将每一个时间序列均与对应时间序列的上界以及下界通过对相同的时间步进行距离计算,得到所述时间序列测试数据集与所述时间序列目标数据集中相同时间步之间的距离。
在一种实现方式中,所述时间序列处理模块30,还包括:
距离之后获取单元,用于针对所述时间序列测试数据集中的一个时间序列,获取已计算得到所述时间序列与所述时间序列目标数据集中相同时间步之间的距离之和;
第二距离比较单元,用于将计算得到距离之和与预设的距离阈值进行比较;
计算停止子单元,用于若所述距离之和大于所述距离阈值,则停止所述时间序列的计算。
在一种实现方式中,所述荷电状态估计模块40,包括:
模型训练单元,用于将所述处理好的时间序列测试数据集中的电流、电压、时间、阳极应变数据、温度作为输入,将所述处理好的时间序列测试数据集中的电池荷电状态作为输出,训练所述动态时间规整模型,得到电池荷电状态估计模型;
估计数据确定单元,用于将电流、电压、阳极应变数据、温度输入至所述电池荷电状态估计模型中,得到电池荷电状态的估计数据;
参数调优单元,用于根据所述估计数据与所述处理好的时间序列测试数据集,对所述电池荷电状态估计模型进行参数调优。
本实施例的基于光纤光栅传感器的锂离子电池荷电状态估计***中各个模块的工作原理与上述方法实施例中各个步骤的原理相同,此处不再赘述。
基于上述实施例,本发明还提供了一种终端设备,该终端设备为用于对锂离子电池进行测试与监控,比如可以为测试终端、电脑等终端设备,并且还可以对测试得到的数据进行采集与分析。比如可以为测试终端、电脑等终端设备。该终端设备的原理框图可以如图4所示。该终端设备包括通过***总线连接的处理器、存储器,处理器与存储器设置在主机中。其中,该终端设备的处理器用于提供计算和控制能力。该终端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***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该终端设备的网络接口用于与外部的终端通过网络通讯连接通信。该计算机程序被处理器执行时以实现一种基于光纤光栅传感器的锂离子电池荷电状态估计方法。
本领域技术人员可以理解,图4中示出的原理框图,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的终端设备的限定,具体的终端设备以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种终端设备,终端设备包括存储器、处理器及存储在存储器中并可在处理器上运行的基于光纤光栅传感器的锂离子电池荷电状态估计的方法程序,处理器执行基于光纤光栅传感器的锂离子电池荷电状态估计的方法程序时,实现如下操作指令:
选取型号已知的锂离子电池,对所述锂离子电池进行充放电实验,并基于设置在所述锂离子电池上的光纤布拉格光栅传感器,采集预设时间段内的电流、电压、时间、阳极应变数据、温度以及电池荷电状态,并将电流、电压、时间、阳极应变数据、温度以及电池荷电状态作为测试参数;
根据所述锂离子电池的型号信息,得到与所述型号信息对应的电流、电压、时间、阳极应变数据、温度以及电池荷电状态,并将与所述型号信息对应的电流、电压、时间、阳极应变数据、温度以及电池荷电状态作为已知参数;
根据所述测试参数建立时间序列测试数据集,以及根据所述已知参数建立时间序列目标数据集,对所述时间序列测试数据集进行归一化处理,并基于上下界算法,删除所述时间序列测试数据集中与所述时间序列目标数据集不匹配的时间序列,得到处理好的时间序列测试数据集;
基于所述处理好的时间序列测试数据集训练动态时间规整模型,得到电池荷电状态估计模型,将电流、电压、阳极应变数据、温度输入至所述电池荷电状态估计模型中,得到电池荷电状态的估计数据。
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的,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,本发明所提供的各实施例中所使用的对存储器、存储、运营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)、双运营数据率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。
综上,本发明公开了一种基于光纤光栅传感器的锂离子电池荷电状态估计方法,方法包括:选取型号已知的锂离子电池,基于设置在锂离子电池上的光纤布拉格光栅传感器,采集测试参数;根据锂离子电池的型号信息,得到与型号信息对应的已知参数;根据测试参数建立时间序列测试数据集,以及根据已知参数建立时间序列目标数据集,对时间序列测试数据集进行归一化处理,并基于上下界算法,删除时间序列测试数据集中不匹配的时间序列,得到处理好的时间序列测试数据集;基于处理好的时间序列测试数据集训练动态时间规整模型,得到电池荷电状态估计模型,并根据电池荷电状态估计模型,得到电池荷电状态的估计数据。本发明有效提高了电池荷电状态的估计精度。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于光纤光栅传感器的锂离子电池荷电状态估计方法,其特征在于,所述方法包括:
选取型号已知的锂离子电池,对所述锂离子电池进行充放电实验,并基于设置在所述锂离子电池上的光纤布拉格光栅传感器,采集预设时间段内的电流、电压、时间、阳极应变数据、温度以及电池荷电状态,并将电流、电压、时间、阳极应变数据、温度以及电池荷电状态作为测试参数;
根据所述锂离子电池的型号信息,得到与所述型号信息对应的电流、电压、时间、阳极应变数据、温度以及电池荷电状态,并将与所述型号信息对应的电流、电压、时间、阳极应变数据、温度以及电池荷电状态作为已知参数;
根据所述测试参数建立时间序列测试数据集,以及根据所述已知参数建立时间序列目标数据集,对所述时间序列测试数据集进行归一化处理,并基于上下界算法,删除所述时间序列测试数据集中与所述时间序列目标数据集不匹配的时间序列,得到处理好的时间序列测试数据集;
基于所述处理好的时间序列测试数据集训练动态时间规整模型,得到电池荷电状态估计模型,将电流、电压、阳极应变数据、温度输入至所述电池荷电状态估计模型中,得到电池荷电状态的估计数据。
2.根据权利要求1所述的基于光纤光栅传感器的锂离子电池荷电状态估计方法,其特征在于,所述光纤布拉格光栅传感器至少设置有两个,其中一个贴附在所述锂离子电池的负极表面,用于测量电池阳极材料的阳极应变数据,另一个贴附在所述锂离子电池的中央位置,用于测量所述锂离子电池的温度变化。
3.根据权利要求1所述的基于光纤光栅传感器的锂离子电池荷电状态估计方法,其特征在于,所述方法还包括:
将所述锂离子电池加热至指定温度,并对所述锂离子电池重复充放电,采集电流、电压、时间、阳极应变数据、温度以及电池荷电状态,并将采集到的电流、电压、时间、阳极应变数据、温度以及电池荷电状态作为所述测试参数。
4.根据权利要求1所述的基于光纤光栅传感器的锂离子电池荷电状态估计方法,其特征在于,所述基于上下界算法,删除所述时间序列测试数据集中与所述时间序列目标数据集不匹配的时间序列,包括:
基于上下界算法,计算所述时间序列测试数据集与所述时间序列目标数据集中相同时间步之间的距离;
将所述距离与预设的阈值进行比较;
若所述距离大于预设的阈值,则判定所述时间序列测试数据集中所述距离大于预设的阈值的时间序列与所述时间序列目标数据集不匹配,并删除不匹配的时间序列。
5.根据权利要求4所述的基于光纤光栅传感器的锂离子电池荷电状态估计方法,其特征在于,所述基于上下界算法,计算所述时间序列测试数据集与所述时间序列目标数据集中相同时间步之间的距离,包括:
获取所述时间序列目标数据集中每个时间序列的上界与下界;
获取所述时间序列测试数据集中每一个时间序列,并将每一个时间序列均与对应时间序列的上界以及下界通过对相同的时间步进行距离计算,得到所述时间序列测试数据集与所述时间序列目标数据集中相同时间步之间的距离。
6.根据权利要求4所述的基于光纤光栅传感器的锂离子电池荷电状态估计方法,其特征在于,所述基于上下界算法,删除所述时间序列测试数据集中与所述时间序列目标数据集不匹配的时间序列,还包括:
针对所述时间序列测试数据集中的一个时间序列,获取已计算得到所述时间序列与所述时间序列目标数据集中相同时间步之间的距离之和;
将计算得到距离之和与预设的距离阈值进行比较;
若所述距离之和大于所述距离阈值,则停止所述时间序列的计算。
7.根据权利要求1所述的基于光纤光栅传感器的锂离子电池荷电状态估计方法,其特征在于,所述基于所述处理好的时间序列测试数据集训练动态时间规整模型,得到电池荷电状态估计模型,将电流、电压、阳极应变数据、温度输入至所述电池荷电状态估计模型中,得到电池荷电状态的估计数据,包括:
将所述处理好的时间序列测试数据集中的电流、电压、时间、阳极应变数据、温度作为输入,将所述处理好的时间序列测试数据集中的电池荷电状态作为输出,训练所述动态时间规整模型,得到电池荷电状态估计模型;
将电流、电压、阳极应变数据、温度输入至所述电池荷电状态估计模型中,得到电池荷电状态的估计数据;
根据所述估计数据与所述处理好的时间序列测试数据集,对所述电池荷电状态估计模型进行参数调优。
8.一种基于光纤光栅传感器的锂离子电池荷电状态估计***,其特征在于,所述***包括:
测试参数采集模块,用于选取型号已知的锂离子电池,对所述锂离子电池进行充放电实验,并基于设置在所述锂离子电池上的光纤布拉格光栅传感器,采集预设时间段内的电流、电压、时间、阳极应变数据、温度以及电池荷电状态,并将电流、电压、时间、阳极应变数据、温度以及电池荷电状态作为测试参数;
已知参数获取模块,用于根据所述锂离子电池的型号信息,得到与所述型号信息对应的电流、电压、时间、阳极应变数据、温度以及电池荷电状态,并将与所述型号信息对应的电流、电压、时间、阳极应变数据、温度以及电池荷电状态作为已知参数;
时间序列处理模块,用于根据所述测试参数建立时间序列测试数据集,以及根据所述已知参数建立时间序列目标数据集,对所述时间序列测试数据集进行归一化处理,并基于上下界算法,删除所述时间序列测试数据集与所述时间序列目标数据集中不匹配的时间序列,得到处理好的时间序列测试数据集;
荷电状态估计模块,用于基于所述处理好的时间序列测试数据集训练动态时间规整模型,得到电池荷电状态估计模型,将电流、电压、阳极应变数据、温度输入至所述电池荷电状态估计模型中,得到电池荷电状态的估计数据。
9.一种终端设备,其特征在于,所述终端设备包括存储器、处理器及存储在所述存储器中并可在所述处理器上运行的基于光纤光栅传感器的锂离子电池荷电状态估计程序,所述处理器执行基于光纤光栅传感器的锂离子电池荷电状态估计程序时,实现如权利要求1-7任一项的基于光纤光栅传感器的锂离子电池荷电状态估计方法的步骤。
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上存储有基于光纤光栅传感器的锂离子电池荷电状态估计程序,基于光纤光栅传感器的锂离子电池荷电状态估计的程序被处理器执行时,实现如权利要求1-7任一项的基于光纤光栅传感器的锂离子电池荷电状态估计方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210598326.3A CN114935721B (zh) | 2022-05-30 | 2022-05-30 | 一种基于光纤光栅传感器的锂离子电池荷电状态估计方法 |
PCT/CN2022/137071 WO2023231356A1 (zh) | 2022-05-30 | 2022-12-06 | 一种基于光纤光栅传感器的锂离子电池荷电状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210598326.3A CN114935721B (zh) | 2022-05-30 | 2022-05-30 | 一种基于光纤光栅传感器的锂离子电池荷电状态估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114935721A true CN114935721A (zh) | 2022-08-23 |
CN114935721B CN114935721B (zh) | 2023-03-24 |
Family
ID=82866061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210598326.3A Active CN114935721B (zh) | 2022-05-30 | 2022-05-30 | 一种基于光纤光栅传感器的锂离子电池荷电状态估计方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114935721B (zh) |
WO (1) | WO2023231356A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116643181A (zh) * | 2022-08-25 | 2023-08-25 | 浙江长兴震革科技有限公司 | 一种蓄电池状态监测*** |
WO2023231356A1 (zh) * | 2022-05-30 | 2023-12-07 | 深圳先进技术研究院 | 一种基于光纤光栅传感器的锂离子电池荷电状态估计方法 |
CN117521857A (zh) * | 2024-01-05 | 2024-02-06 | 宁德时代新能源科技股份有限公司 | 一种电芯析锂分析方法、装置、可读存储介质及电子设备 |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103226513A (zh) * | 2013-04-25 | 2013-07-31 | 中国人民解放军信息工程大学 | 基于二次规划模型的非线性下标表达式的依赖测试方法 |
CN204215026U (zh) * | 2014-11-27 | 2015-03-18 | 温州大学 | 车用蓄电池充放电参数实时检测装置 |
CN105134484A (zh) * | 2015-07-28 | 2015-12-09 | 国家电网公司 | 风电功率异常数据点的识别方法 |
CN106655250A (zh) * | 2016-10-31 | 2017-05-10 | 国家电网公司 | 一种大型光伏电站直流***过电压风险指数预测方法 |
CN107169062A (zh) * | 2017-05-02 | 2017-09-15 | 江苏大学 | 一种基于始末距离的时间序列符号聚合近似表示方法 |
CN107546809A (zh) * | 2017-09-29 | 2018-01-05 | 北京航空航天大学 | 一种基于应变及温度和电压调控的智能充电***及方法 |
CN107592422A (zh) * | 2017-09-20 | 2018-01-16 | 上海交通大学 | 一种基于手势特征的身份认证方法及*** |
CN108197011A (zh) * | 2018-01-29 | 2018-06-22 | 上海洞识信息科技有限公司 | 一种基于人工智能大数据平台的单指标预测和预警方法 |
AU2019200162A1 (en) * | 2012-07-20 | 2019-01-31 | Verinata Health, Inc. | Detecting and classifying copy number variation |
CN109325060A (zh) * | 2018-07-27 | 2019-02-12 | 山东大学 | 一种基于数据特征的时间序列流数据快速搜索方法 |
CN110308403A (zh) * | 2019-07-03 | 2019-10-08 | 中国民用航空飞行学院 | 动力锂离子电池多参数探测与采集方法 |
CN111092257A (zh) * | 2019-12-17 | 2020-05-01 | 天津力神电池股份有限公司 | 一种智能锂离子电池 |
CN111241208A (zh) * | 2019-12-31 | 2020-06-05 | 安徽中科大国祯信息科技有限责任公司 | 一种周期性时序数据的异常监测方法及装置 |
CN111812515A (zh) * | 2020-07-17 | 2020-10-23 | 广西师范大学 | 基于XGboost模型的锂离子电池荷电状态估算 |
CN112067998A (zh) * | 2020-09-10 | 2020-12-11 | 昆明理工大学 | 一种基于深度神经网络的锂离子电池荷电状态估计方法 |
CN112083333A (zh) * | 2020-08-11 | 2020-12-15 | 昆明理工大学 | 一种基于机器学习模型的动力电池组荷电状态估计方法 |
US20210190867A1 (en) * | 2018-12-21 | 2021-06-24 | Cummins Inc. | Soc and soh co-estimation systems and methods for electric vehicles |
CN113076349A (zh) * | 2020-01-06 | 2021-07-06 | 阿里巴巴集团控股有限公司 | 数据异常检测方法、装置、***及电子设备 |
CN113312527A (zh) * | 2021-07-28 | 2021-08-27 | 太平金融科技服务(上海)有限公司深圳分公司 | 采购数据处理方法、装置、计算机设备和存储介质 |
CN114280490A (zh) * | 2021-09-08 | 2022-04-05 | 国网湖北省电力有限公司荆门供电公司 | 一种锂离子电池荷电状态估计方法及*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019144211A (ja) * | 2018-02-23 | 2019-08-29 | 株式会社デンソーテン | 推定装置および推定方法 |
CN112014738B (zh) * | 2020-10-13 | 2021-01-26 | 北京理工大学 | 一种基于内嵌光纤传感器的锂离子电池荷电状态估计方法 |
CN114935721B (zh) * | 2022-05-30 | 2023-03-24 | 深圳先进技术研究院 | 一种基于光纤光栅传感器的锂离子电池荷电状态估计方法 |
-
2022
- 2022-05-30 CN CN202210598326.3A patent/CN114935721B/zh active Active
- 2022-12-06 WO PCT/CN2022/137071 patent/WO2023231356A1/zh unknown
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2019200162A1 (en) * | 2012-07-20 | 2019-01-31 | Verinata Health, Inc. | Detecting and classifying copy number variation |
CN103226513A (zh) * | 2013-04-25 | 2013-07-31 | 中国人民解放军信息工程大学 | 基于二次规划模型的非线性下标表达式的依赖测试方法 |
CN204215026U (zh) * | 2014-11-27 | 2015-03-18 | 温州大学 | 车用蓄电池充放电参数实时检测装置 |
CN105134484A (zh) * | 2015-07-28 | 2015-12-09 | 国家电网公司 | 风电功率异常数据点的识别方法 |
CN106655250A (zh) * | 2016-10-31 | 2017-05-10 | 国家电网公司 | 一种大型光伏电站直流***过电压风险指数预测方法 |
CN107169062A (zh) * | 2017-05-02 | 2017-09-15 | 江苏大学 | 一种基于始末距离的时间序列符号聚合近似表示方法 |
CN107592422A (zh) * | 2017-09-20 | 2018-01-16 | 上海交通大学 | 一种基于手势特征的身份认证方法及*** |
CN107546809A (zh) * | 2017-09-29 | 2018-01-05 | 北京航空航天大学 | 一种基于应变及温度和电压调控的智能充电***及方法 |
CN108197011A (zh) * | 2018-01-29 | 2018-06-22 | 上海洞识信息科技有限公司 | 一种基于人工智能大数据平台的单指标预测和预警方法 |
CN109325060A (zh) * | 2018-07-27 | 2019-02-12 | 山东大学 | 一种基于数据特征的时间序列流数据快速搜索方法 |
US20210190867A1 (en) * | 2018-12-21 | 2021-06-24 | Cummins Inc. | Soc and soh co-estimation systems and methods for electric vehicles |
CN110308403A (zh) * | 2019-07-03 | 2019-10-08 | 中国民用航空飞行学院 | 动力锂离子电池多参数探测与采集方法 |
CN111092257A (zh) * | 2019-12-17 | 2020-05-01 | 天津力神电池股份有限公司 | 一种智能锂离子电池 |
CN111241208A (zh) * | 2019-12-31 | 2020-06-05 | 安徽中科大国祯信息科技有限责任公司 | 一种周期性时序数据的异常监测方法及装置 |
CN113076349A (zh) * | 2020-01-06 | 2021-07-06 | 阿里巴巴集团控股有限公司 | 数据异常检测方法、装置、***及电子设备 |
CN111812515A (zh) * | 2020-07-17 | 2020-10-23 | 广西师范大学 | 基于XGboost模型的锂离子电池荷电状态估算 |
CN112083333A (zh) * | 2020-08-11 | 2020-12-15 | 昆明理工大学 | 一种基于机器学习模型的动力电池组荷电状态估计方法 |
CN112067998A (zh) * | 2020-09-10 | 2020-12-11 | 昆明理工大学 | 一种基于深度神经网络的锂离子电池荷电状态估计方法 |
CN113312527A (zh) * | 2021-07-28 | 2021-08-27 | 太平金融科技服务(上海)有限公司深圳分公司 | 采购数据处理方法、装置、计算机设备和存储介质 |
CN114280490A (zh) * | 2021-09-08 | 2022-04-05 | 国网湖北省电力有限公司荆门供电公司 | 一种锂离子电池荷电状态估计方法及*** |
Non-Patent Citations (2)
Title |
---|
SITAO HUANG: "DTW-Based Subsequence Similarity Search on AMD Heterogeneous Computing Platform", 《2013 IEEE 10TH INTERNATIONAL CONFERENCE ON HIGH PERFORMANCE COMPUTING AND COMMUNICATIONS & 2013 IEEE INTERNATIONAL CONFERENCE ON EMBEDDED AND UBIQUITOUS COMPUTING》 * |
陈艳: "铅酸蓄电池容量光纤在线智能传感器研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023231356A1 (zh) * | 2022-05-30 | 2023-12-07 | 深圳先进技术研究院 | 一种基于光纤光栅传感器的锂离子电池荷电状态估计方法 |
CN116643181A (zh) * | 2022-08-25 | 2023-08-25 | 浙江长兴震革科技有限公司 | 一种蓄电池状态监测*** |
CN116643181B (zh) * | 2022-08-25 | 2024-04-16 | 浙江长兴震革科技有限公司 | 一种蓄电池状态监测*** |
CN117521857A (zh) * | 2024-01-05 | 2024-02-06 | 宁德时代新能源科技股份有限公司 | 一种电芯析锂分析方法、装置、可读存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2023231356A1 (zh) | 2023-12-07 |
CN114935721B (zh) | 2023-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114935721B (zh) | 一种基于光纤光栅传感器的锂离子电池荷电状态估计方法 | |
KR102106775B1 (ko) | 딥러닝을 이용한 전지 진단 방법 | |
KR102633335B1 (ko) | 리튬이온 배터리팩의 비정상 셀 검출 및 soh 예측 방법 | |
CN111679199B (zh) | 一种锂离子电池soc估计方法及装置 | |
CN111448467A (zh) | 用于对电池容量进行建模和估计的方法及*** | |
US20240027535A1 (en) | Battery state determination method and battery state determination device | |
CN110376536B (zh) | 电池***soh检测方法、装置、计算机设备和存储介质 | |
CN110888065B (zh) | 电池包荷电状态修正方法和装置 | |
JP7505049B2 (ja) | 電池状態の計算方法及び計算装置並びに記憶媒体 | |
CN112433898A (zh) | 固态硬盘功耗数值的测试方法、装置、计算机设备及存储介质 | |
US20240168097A1 (en) | Methods and Systems for Determining a Capacity Loss of a Battery Storage Device | |
CN110806540B (zh) | 电芯测试数据处理方法、装置、***和存储介质 | |
CN113820615B (zh) | 一种电池健康度检测方法与装置 | |
KR102481221B1 (ko) | 에너지 저장 시스템의 충전 상태 추정장치 및 방법 | |
CN111092470A (zh) | 获取电池组中各电池容量差的方法、装置以及存储介质 | |
CN116819346B (zh) | 电池soc估算方法、装置、设备及存储介质 | |
CN113391216A (zh) | 基于响应曲面设计的铅酸电池可用容量估算方法和装置 | |
CN116203490A (zh) | 传感器故障诊断方法、装置、设备及存储介质 | |
CN113125965B (zh) | 电池析锂检测方法、装置、设备及存储介质 | |
JP2023016707A (ja) | 蓄電池の容量損失を算定する方法、装置およびコンピュータプログラム製品 | |
US20230037677A1 (en) | System and method for estimating battery cell surface temperature | |
CN117805649A (zh) | 基于soh量化电池容量衰减对异常电芯进行识别的方法 | |
CN112394290B (zh) | 电池包soh的估算方法、装置、计算机设备和存储介质 | |
CN116047339A (zh) | 基于热电耦合模型的锂离子电池组soc估计方法及装置 | |
CN114720901A (zh) | 一种锂离子电池健康状态估计的方法 |
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 |