CN115389964B - 一种电池寿命预测方法 - Google Patents

一种电池寿命预测方法 Download PDF

Info

Publication number
CN115389964B
CN115389964B CN202211302537.4A CN202211302537A CN115389964B CN 115389964 B CN115389964 B CN 115389964B CN 202211302537 A CN202211302537 A CN 202211302537A CN 115389964 B CN115389964 B CN 115389964B
Authority
CN
China
Prior art keywords
battery
charging
discharging
value
discharge
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
Application number
CN202211302537.4A
Other languages
English (en)
Other versions
CN115389964A (zh
Inventor
刘爱华
王荣强
周建军
刘平根
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.)
Hangzhou Kegong Electronic Technology Co ltd
Original Assignee
Hangzhou Kegong Electronic 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 Hangzhou Kegong Electronic Technology Co ltd filed Critical Hangzhou Kegong Electronic Technology Co ltd
Priority to CN202211302537.4A priority Critical patent/CN115389964B/zh
Publication of CN115389964A publication Critical patent/CN115389964A/zh
Application granted granted Critical
Publication of CN115389964B publication Critical patent/CN115389964B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本发明公开了一种电池寿命预测方法，属于电池寿命预测技术领域。该方法通过寻找到的映射变量值与电池寿命衰减量间的映射关系以及映射变量值、指定期间内充放电次数、电池寿命衰减量与理论电池寿命期间的四者关联关系，在计算得到待测电池的映射变量值后，能够快速且准确地匹配到待测电池当前理应所处的理论电池寿命期间；利用根据待测电池累计已充放电次数估算的理想电池寿命期间与理论电池寿命期间的偏差去预测待测电池的第一寿命值，提高了电池寿命预测的准确度；通过对第一寿命值进行电池工作环境温、湿度补偿和环境盐度补偿，进一步提升了电池寿命预测的准确度。

Description

一种电池寿命预测方法
技术领域
本发明涉及电池寿命预测技术领域，具体涉及一种电池寿命预测方法。
背景技术
当前对于电池寿命的预测方法可以分为基于经验和性能两类。基于经验的方法通常使用一种统计方法，利用电池使用过程中的经验和知识对电池寿命进行预测，例如现有的循环周期数法、安时法与加权积分法等。基于经验的方法简便快捷，但只能在电池知识储备量大和特定条件下使用，在复杂的条件变化（如温度、电流等变化）下则很难预测。
基于性能的方法通过判断当前电池的性能和健康状态是否可以继续使用来预测电池寿命，预测过程主要分为以下二个步骤：
步骤一、通过已知的电池运行信息对电池当前老化状态进行识别；
步骤二、使用相应算法对电池未来性能衰退至失效阈值的剩余充放电循环次数进行预测，预测结果即为电池剩余寿命。
但部分现有的基于性能的电池寿命预测方法采用的相关算法（例如公开号为CN110059377B的专利采用深度卷积神经网络来预测燃料电池寿命）的运算过程较为复杂，且难以模拟电池真实工作环境，对电池剩余寿命的预测准确度也不够理想。
电池工作环境的温度、湿度、充放电时的电流大小、放电深度被认为是影响电池寿命的主要因素。但实际上，每次充放电时的电流波动程度、波动时长、电池所处环境的环境盐度同样是影响电池寿命的重要因素。在电池全寿命周期内，若出现电流波动的充放电次数大量，例如达到数百次甚至数千次，如此庞大数量的充放电电流波动会对电池寿命产生重大影响。但现有方法中，由于难以测量充放电波动次数、波动程度、波动时长对电池寿命的影响程度，因此，现有方法中直接忽略了这些因素对电池寿命的影响，导致对电池的寿命预测结果不够精准。
发明内容
本发明以提高电池寿命预测准确度和预测速度为目的提供了一种电池寿命预测方法。为达此目的，本发明采用以下技术方案：
提供一种电池寿命预测方法，所述方法包括：
采集待测电池在真实使用环境下的指定期间内每次充放电的充放电数据；
根据若干组所述充放电数据计算所述待测电池的映射变量值；
基于所述映射变量值与电池寿命衰减量的映射关系，得到所述待测电池经所述指定期间的若干次充放电后的电池寿命衰减量；
形成所述待测电池的映射变量值、指定期间内充放电次数、电池寿命衰减量数据对，然后将该数据对与四者关联关系库中的各元素进行数据匹配，以获取成功匹配的所述元素中记载的理论电池寿命期间；
根据所述待测电池的累计已充放电次数估算其理想电池寿命期间，并计算所述理论电池寿命期间与所述理想电池寿命期间的偏差，然后利用所述偏差计算所述待测电池的第一寿命值；
对所述第一寿命值进行温、湿度补偿和环境盐度补偿后得到第二寿命值作为对所述待测电池最终的寿命值预测结果。
作为优选，每组所述充放电数据包括一次充放电过程中的充电电流、放电电流、充电持续时长、放电持续时长、放电深度、充电电流波动值、放电电流波动值、充电波动时长、放电波动时长、电池所处环境温度、湿度以及电池所处环境的盐度。
作为优选，所述映射变量值与所述电池寿命衰减量的所述映射关系，以及所述四者关联关系通过以下方法建立：
获取与所述待测电池同批次出厂的实验电池在全基准充放电场景下的第一总寿命值；
将所述实验电池营造在突变充放电场景下；
采集所述实验电池在所述突变充放电场景下的所述指定期间内产生的若干组所述充放电数据并记录充放电次数，然后计算所述实验电池对应的所述映射变量值；
恢复所述实验电池处于全基准充放电场景下，以继续对所述实验电池进行寿命测试实验，得到其经历所述突变充放电场景后的第二总寿命值；
计算所述第一总寿命值与所述第二总寿命值的寿命差值作为与所述实验电池的所述映射变量值具有映射关系的所述电池寿命衰减量，并形成所述实验电池对应的所述映射关系加入到映射关系库中以及形成映射变量值、指定期间内充放电次数、电池寿命衰减量、理论电池寿命期间的四者关联关系分别加入到所述四者关联关系库中。
作为优选，营造所述突变充放电场景的方法为：
将所述实验电池接入到充放电电路中；
选定所述充放电电路中的任意一个波动调整电路为突变充放电场景营造电路；
计算所述指定期间对应的导通时长，然后计算在所述导通时长内每次充放电的充放电时长，并安排好每次充放电的顺序；
控制选定的所述波动调整电路导通并保持所述导通时长，所述波动调整电路导通期间，所述充放电电路为闭合回路；
控制所述实验电池按照安排好的充放电顺序和充放电时长在所述导通时长内执行若干次相应的充放电动作。
作为优选，营造所述突变充放电场景的方法为：
将所述实验电池接入到充放电电路中；
选定所述充放电电路中有能力营造电池在真实使用场景下的充放电电流波动特性的波动调整电路作为对应次充放电的突变充放电场景营造电路；
为被选定的每个所述波动调整电路确定充放电时长和充放电顺序，每个被选定的所述波动调整电路对应的充放电时长的和值等于所述充放电电路的导通时长；
在所述充放电电路导通期间，按照所述充放电顺序先后驱动对应的所述波动调整电路导通，并在导通期间完成执行相应的充放电动作。
作为优选，所述充放电电路中包括若干个相互间并联连接的具有相同或不同电流波动幅度调整能力和不同波动时长调整能力的所述波动调整电路，每个所述波动调整电路包括波动时长调整电路和波动幅度调整电路，所述波动时长调整电路为电感，每个所述波动调整电路中的所述电感的电感值不同。
作为优选，计算所述待测电池或所述实验电池在所述指定期间内或所述指定期间对应的导通时长内的所述映射变量值的方法包括：
分别计算在所述指定期间或所述导通时长内采集的若干组中的每组所述充放电数据中的充电电流波动值
Figure 668824DEST_PATH_IMAGE001
、放电电流波动值
Figure 418605DEST_PATH_IMAGE002
、放电深度
Figure 670726DEST_PATH_IMAGE003
、波动时长
Figure 40263DEST_PATH_IMAGE004
的均值，分别记为
Figure 883586DEST_PATH_IMAGE005
、
Figure 323925DEST_PATH_IMAGE006
、
Figure 894584DEST_PATH_IMAGE007
、
Figure 838400DEST_PATH_IMAGE008
，
Figure 380853DEST_PATH_IMAGE009
为每组充放电数据中的充电波动时长与放电波动时长的加权求和值；
Figure 839647DEST_PATH_IMAGE008
为若干组中的每组所述充放电数据对应的
Figure 964729DEST_PATH_IMAGE004
的均值；
判断每组所述充放电数据中的
Figure 294210DEST_PATH_IMAGE004
与
Figure 482265DEST_PATH_IMAGE008
的距离是否小于第一阈值且
Figure 631617DEST_PATH_IMAGE001
与
Figure 278499DEST_PATH_IMAGE005
的距离是否小于第二阈值且
Figure 196908DEST_PATH_IMAGE002
与
Figure 21776DEST_PATH_IMAGE006
的距离是否小于第三阈值且
Figure 642113DEST_PATH_IMAGE003
与
Figure 106068DEST_PATH_IMAGE007
的距离是否小于第四阈值，
若是，则将该组所述充放电数据加入到第一数据集中，
若否，则将该组所述充放电数据加入到第二数据集中；
对所述第一数据集和所述第二数据集中的若干组所述充放电数据分别进行充电量均值和放电量均值计算，得到所述第一数据集对应的第一充电量均值和第一放电量均值，并得到所述第二数据集对应的第二充电量均值和第二放电量均值，然后对所述第一充电量均值和所述第二充电量均值作加权求和计算得到第一和值，对所述第一放电量均值和所述第二放电量均值作加权求和计算得到第二和值，最后对所述第一和值和所述第二和值作加权求和计算，所得和值作为所述映射变量值。
作为优选，利用所述偏差计算所述待测电池的所述第一寿命值的方法为：
获取所述待测电池从出厂到经历所述突变充放电场景后的第一累计已充放电次数、全寿命周期的额定充放电次数和在四者关联关系库中成功匹配到的所述元素对应的实验电池在经历所述突变充放电场景后的第二累计已充放电次数；
计算所述第一累计已充放电次数和所述第二累计已充放电次数的比值；
计算所述额定充放电次数与所述第一累计已充放电次数的差值；
计算所述差值与所述比值的乘值；
计算所述乘值与所述第一累计已充放电次数的和值作为所述第一寿命值。
作为优选，对所述第一寿命值进行温、湿度和环境盐度补偿的方法为：
在所述指定期间内针对所述待测电池采集的若干组所述充放电电数据，计算所述待测电池在充放电过程中的环境温度的平均值
Figure 878983DEST_PATH_IMAGE010
、所处环境湿度平均值
Figure 812435DEST_PATH_IMAGE011
和所处环境盐度平均值
Figure 927591DEST_PATH_IMAGE012
；
将
Figure 667008DEST_PATH_IMAGE013
、
Figure 74855DEST_PATH_IMAGE011
、
Figure 241526DEST_PATH_IMAGE012
分别作为对应的拟合函数的自变量，求解得到分别对应的温度补偿系数
Figure 852767DEST_PATH_IMAGE014
、湿度补偿系数
Figure 392945DEST_PATH_IMAGE015
、环境盐度补偿系数
Figure 937190DEST_PATH_IMAGE016
；
对所述第一寿命值，分别计算其与
Figure 789608DEST_PATH_IMAGE014
、
Figure 435615DEST_PATH_IMAGE015
、
Figure 500523DEST_PATH_IMAGE016
的乘值，结果
Figure 449675DEST_PATH_IMAGE017
、
Figure 738573DEST_PATH_IMAGE018
、
Figure 947576DEST_PATH_IMAGE019
；
对
Figure 566907DEST_PATH_IMAGE020
、
Figure 444600DEST_PATH_IMAGE018
、
Figure 373242DEST_PATH_IMAGE019
进行加权求和得到所述寿命值预测结果；
作为优选，所述拟合函数通过以下公式（1）表达：
Figure 180792DEST_PATH_IMAGE021
公式（1）中，
Figure 338235DEST_PATH_IMAGE022
表示
Figure 429688DEST_PATH_IMAGE014
或
Figure 824504DEST_PATH_IMAGE015
或
Figure 634197DEST_PATH_IMAGE016
；
Figure 860910DEST_PATH_IMAGE023
表示所述自变量；
Figure 823181DEST_PATH_IMAGE024
、
Figure 844358DEST_PATH_IMAGE025
、
Figure 691747DEST_PATH_IMAGE026
分别表示二次项系数、一次项系数和常数项。
本发明具有以下有益效果：
1、提供了一种充放电电路，利用具有不同电感值的电感所具有的不同的电流缓释能力，赋予营造在突变充放电场景下的实验电池在充电或放电时具有不同的充放电波动时长，以模拟出电池真实的充放电波动时长特性；同时利用具有不同充放电电流波动幅度调整能力的波动幅度调整电路，赋予营造在突变充放电场景下的实验电池在充电或放电时具有不同的充放电电流波动值，以模拟出电池真实的充放电波动幅度特性，并将实验电池在突变充放电场景下的充放电波动时长特性和充放电波动幅度特性作为影响电池寿命的重要因素，由此而寻找到的映射变量值与电池寿命衰减量的映射关系更加准确，有利于提高电池寿命预测的准确度。
2、将影响电池寿命预测准确度的充电电流波动值、放电电流波动值、充电波动时长、放电波动时长、放电深度、充电电流、放电电流、充电持续时长、放电持续时长这9大因素用映射变量值来表征，并寻找映射变量值与电池寿命衰减量的映射关系，在预测经历指定期间的若干次充放电数据后对电池寿命的衰减量时，只需要根据指定期间内对待测电池采集的若干次的这些充放电数据计算得到映射变量值，即可基于这个映射关系快速匹配到这个电池寿命衰减量，大幅提升了电池寿命衰减量的预测速度。
3、根据事先总结的映射变量值、指定期间内充放电次数、电池寿命衰减量与理论电池寿命期间的四者关联关系，只要获取到待测电池的映射变量值、指定期间内充放电次数、电池寿命衰减量数据对，即可基于这个四者关联关系快速匹配到待测电池当前应当所处的理论电池寿命期间，然后根据待测电池的累计已充放电次数计算当前所处的理想电池寿命期间，然后利用理论电池寿命期间与理想电池寿命期间的偏差，可以快速且较为准确地计算出待测电池的第一寿命值；
4、考虑了电池工作环境温、湿度和环境盐度对电池寿命的影响，通过对第一寿命值进行温、湿度补偿和环境盐度补偿得到第二寿命值作为对待测电池最终的寿命值预测结果，预测结果更加准确。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍。显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的模拟电池真实使用环境的自动化模拟装置的设备构成图；
图2是本发明一实施例提供的充放电电路的电路结构示意图；
图3是将电池的全寿命周期划分为若干个电池寿命期间的示例图；
图4是本发明一实施例提供的电池寿命预测方法的实现步骤图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若出现术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
在本发明的描述中，除非另有明确的规定和限定，若出现术语“连接”等指示部件之间的连接关系，该术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个部件内部的连通或两个部件的相互作用关系。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
本发明快速且准确地预测电池寿命的原理为：
首先在待测电池在真实使用环境下，采集其在指定时段内的若干组充放电数据（一次充放电为一组），然后根据采集的若干组充放电数据计算对应的映射变量值，这个映射变量值考虑了每次充放电中充电电流波动值、放电电流波动值、充电波动时长、放电波动时长、放电深度、在该指定时段内的累计充电量、累计放电量对电池寿命预测结果的影响。
然后基于预先确定的映射变量值与电池寿命衰减量之间的映射关系，得到待测电池经指定期间的若干次充放电后的电池寿命衰减量。
在不同的电池寿命期间，为实验电池营造相同的突变充放电场景，执行相同数量的充放电次数，得到相同的映射变量值，但实验结果表明，在不同电池寿命期间得到的相同映射变量值通常对应不同的电池寿命衰减量。本发明利用这个特性，寻找到了映射变量值、指定期间内充放电次数、电池寿命衰减量数据对与理论电池寿命期间的关联关系，称之为四者关联关系。在待测电池的映射变量值、指定期间内充放电次数和电池寿命衰减量已知后，可以基于这个四者关联关系，快速匹配出待测电池当前应当所处的理论电池寿命期间。
这个理论电池寿命期间是在实验环境下总结而得的，未考虑真实环境下的全寿命周期内的每个阶段中的充放电电流波动幅度、波动时长对电池寿命周期估算准确度的影响。所以对待测电池计算的这个理论电池寿命期间与根据待测电池累计已充放电次数估算的理想电池寿命期间存在偏差。例如，待测电池的理论电池寿命期间为已进入图3中所示的成年期，而根据待测电池的实际累计已充放电次数，其还未经过成长期，即根据累计已充放电次数测算，理想条件下，该待测电池应当还尚处于成长期。本发明则利用这个理论电池寿命期间与理想电池寿命期间的偏差，去计算待测电池的第一寿命值。
在计算映射变量值、寻找映射变量值与电池寿命衰减量之间的映射关系、寻找映射变量值、指定期间内充放电次数、电池寿命衰减量、理论电池寿命期间的四者关联关系时，若将电池环境温湿度、环境盐度同样作为影响电池寿命的考量因素，映射变量值的计算、映射关系和四者关联关系的寻找难度会呈指数级上升，所以在计算映射变量值，寻找映射关系和四者关联关系时，本发明并未将环境温、湿度、环境盐度作为考量因素。但环境温、湿度、环境盐度又是影响电池寿命预测精度的重要因素，不可忽略，因此本发明在最后需要对第一寿命值进行温、湿度补偿和环境盐度补偿，得到第二寿命值作为对待测电池最终的寿命值预测结果。
根据上述的寿命预测原理，本发明实施例提供的电池寿命预测方法包括以下六个技术部分：
一、采集寿命预测所需的充放电数据
采集待测电池在真实使用环境下的指定期间内每次充放电的充放电数据。以某户用储能***的电池组充放电为例，例如，该户用储能的使用场景为每天上午8:00、8:30和下午17:00、17:30分别放电30分钟，每天的17:30、21:30分充电4个小时，即该户用储能***每天放电两次，每次放电时间为30分钟，每天充电1次，每次充电时间为240分钟。若要采集预测该电池组寿命所需的充放电数据，可以指定30天或15天为一个充放电数据采集的期间（即指定期间）。若选定15天为数据采集的指定期间，那么按照上面的应用场景，将采集30组放电数据和15组充电数据，每组放电数据的放电时长为30分钟，每组充电数据的充电时长为240分钟。但以15天为一个指定期间，需要15天后才能完成充放电数据采集，效率过于低下，因此，明确电池的充放电规律后，可以对指定期间进行压缩，以提高测试效率。例如，上面确定需要获取的充电数据为30组，每组30分钟，放电数据为15组、每组240分钟，且确定充放电方式为：一次充电240分钟+2次放电每次放电30分钟，则完成一次充放电需要的时长为30+30+240=300分钟，一天24小时可以充放电4.8次，一共15次充放电最短可以在15/4.8天内完成。不间断的充放电无法满足电池组完成一次充电或放电后的降温需求，因此，为了确保每次充电或放电完成后具有足够的时间对电池组进行降温，可以确定指定期间为4天，相比15/4.8多出的时间，可以以分段的形式***到每次充、放电的间隙中，以留足电池组降温时间。通过这样的充放电数据采集方式，既确保了采集场景与真实充放电场景尽可能一致，又提高了数据采集的效率。
采集待测电池在指定期间内每次充放电的充放电数据的目的是为了计算待测电池的映射变量值，这个映射变量值充分考虑了每次充放电中充电电流波动值、放电电流波动值、波动时长、放电深度、在该指定期间内的累计充电量、累计放电量对电池寿命预测结果产生的影响。因此，所要采集的每组充放电数据包括充放电过程中的充电电流、放电电流、充电持续时长、放电持续时长、放电深度、充电电流波动值、放电电流波动值、充电波动时长和放电波动时长，其中充电电流和放电电流指充电或放电过程稳定后的充、放电电流的稳定值；充电电流波动值和放电电流波动值分别指启动充电后、开始放电后并在达到稳流前的最大电流和最小电流的差值；充电波动时长和放电波动时长为充电或放电达到稳流前的持续时长。
这里需要强调的是，在寻找实验电池的映射变量值与电池寿命衰减量的映射关系，以及在寻找实验电池的映射变量值、指定时段内的充放电次数、电池寿命衰减量数据对与理论电池寿命期间的四者关联关系时，若将实验电池的环境温度、湿度和环境盐度纳入为影响电池寿命的考虑因素，映射关系和四者关联关系寻找的复杂度将呈指数级上升，实验过程会变得非常困难。因此，为了降低寻找这两个关系的复杂度，本发明在寻找这两个关系时并未将环境温度、湿度和环境盐度纳入到考虑因素中，即寻找这两个关系时，图1中所示的自动化模拟装置是不工作的。但环境温度、湿度和环境盐度对电池寿命会产生重要影响，是不可忽视的因素，因此本发明提供的最后一步是对未考虑环境温、湿度和环境盐度的情形下预测得到的第一寿命值进行温、湿度补偿和环境盐度补偿。由于最后一步需要进行温、湿度补偿和环境盐度补偿，所以在每次采集充放电数据时，还需要采集电池所处的环境温度、湿度以及环境盐度（盐溶液附着在电池表面可能腐蚀电池的极柱和外壳，使得内部活性物质和电解液进入杂质，这些杂质会影响电池寿命）。
二、计算待测电池的映射变量值
待测电池的映射变量值考虑了每次充放电中的充电电流波动值、放电电流波动值、充电波动时长、放电波动时长、放电深度、在指定时段内的累计充电量、累计放电量对电池寿命预测结果的影响以及这些影响因素各自的影响程度，其计算方法为：
分别计算在指定期间内采集的若干组中的每组充放电数据中的充电电流波动值
Figure 440260DEST_PATH_IMAGE001
、放电电流波动值
Figure 257037DEST_PATH_IMAGE002
、放电深度
Figure 449115DEST_PATH_IMAGE003
、波动时长
Figure 452974DEST_PATH_IMAGE004
的均值，分别记为
Figure 536337DEST_PATH_IMAGE005
、
Figure 204691DEST_PATH_IMAGE006
、
Figure 567670DEST_PATH_IMAGE007
、
Figure 308093DEST_PATH_IMAGE008
。充电电流波动值为充电启动后达到电流稳定前的最大电流和最小电流的差值；放电电流波动值为放电启动后达到电流稳定前的最大电流和最小电流的差值。举例而言，假设在指定期间内采集的每组充放电数据包括两组放电数据和一组充电数据，两组放电数据中的充电电流波动值
Figure 680300DEST_PATH_IMAGE001
若分别用
Figure 737249DEST_PATH_IMAGE027
、
Figure 934444DEST_PATH_IMAGE028
表示，一组充电数据中的放电电流波动值
Figure 912896DEST_PATH_IMAGE002
用
Figure 88793DEST_PATH_IMAGE029
表示，且若采集了10组充放电数据，这10组充放电波动数据表示为：（
Figure 466160DEST_PATH_IMAGE030
、
Figure 420210DEST_PATH_IMAGE031
、
Figure 417116DEST_PATH_IMAGE032
）、（
Figure 599967DEST_PATH_IMAGE033
、
Figure 349617DEST_PATH_IMAGE034
、
Figure 490879DEST_PATH_IMAGE035
）、（
Figure 509170DEST_PATH_IMAGE036
、
Figure 26870DEST_PATH_IMAGE037
、
Figure 53863DEST_PATH_IMAGE038
）、……、（
Figure 504042DEST_PATH_IMAGE027
、
Figure 709763DEST_PATH_IMAGE028
、
Figure 234416DEST_PATH_IMAGE029
）、……、（
Figure 224238DEST_PATH_IMAGE039
、
Figure 254773DEST_PATH_IMAGE040
、
Figure 431676DEST_PATH_IMAGE041
），则
Figure 22670DEST_PATH_IMAGE042
，
Figure 352152DEST_PATH_IMAGE043
。放电深度
Figure 599593DEST_PATH_IMAGE003
若用
Figure 14525DEST_PATH_IMAGE044
表示，则10组放电深度表达为（
Figure 415069DEST_PATH_IMAGE045
、
Figure 599057DEST_PATH_IMAGE046
），则
Figure 220662DEST_PATH_IMAGE047
。
Figure 106579DEST_PATH_IMAGE004
为每组充放电数据中的充电波动时长与放电波动时长的加权求和值。以充放电波动数据（
Figure 307884DEST_PATH_IMAGE030
、
Figure 609028DEST_PATH_IMAGE031
、
Figure 401535DEST_PATH_IMAGE032
）为例，其中的
Figure 525480DEST_PATH_IMAGE030
、
Figure 796055DEST_PATH_IMAGE031
对应的充电波动时长分别记为
Figure 742584DEST_PATH_IMAGE048
、
Figure 174833DEST_PATH_IMAGE049
，
Figure 51653DEST_PATH_IMAGE032
对应的放电波动时长记为
Figure 594761DEST_PATH_IMAGE050
，则
Figure 857115DEST_PATH_IMAGE051
，其中，
Figure 191757DEST_PATH_IMAGE052
、
Figure 24715DEST_PATH_IMAGE053
、
Figure 355202DEST_PATH_IMAGE054
分别表示
Figure 19533DEST_PATH_IMAGE048
、
Figure 793585DEST_PATH_IMAGE049
、
Figure 382348DEST_PATH_IMAGE050
在计算
Figure 1679DEST_PATH_IMAGE004
时所占的权重，为了便于
Figure 973046DEST_PATH_IMAGE004
的计算，优选地，
Figure 262208DEST_PATH_IMAGE052
+
Figure 801249DEST_PATH_IMAGE053
+
Figure 739118DEST_PATH_IMAGE055
。
而
Figure 846882DEST_PATH_IMAGE008
为若干组中的每组充放电数据对应的
Figure 759475DEST_PATH_IMAGE004
值的均值。例如记（
Figure 585479DEST_PATH_IMAGE030
、
Figure 826841DEST_PATH_IMAGE031
、
Figure 257953DEST_PATH_IMAGE032
）对应的
Figure 528398DEST_PATH_IMAGE004
为
Figure 576119DEST_PATH_IMAGE056
、（
Figure 137682DEST_PATH_IMAGE027
、
Figure 420371DEST_PATH_IMAGE028
、
Figure 143607DEST_PATH_IMAGE029
）对应的
Figure 209784DEST_PATH_IMAGE004
为
Figure 778299DEST_PATH_IMAGE057
，则10组
Figure 433272DEST_PATH_IMAGE004
对应的
Figure 64760DEST_PATH_IMAGE058
。
通常情况下，每次充放电电流波动值越大、放电深度越深、波动时长越久对电池寿命的影响越大。因此，本发明对具有高波动性、高放电深度、波动时长久的充放电数据在表征对电池寿命影响量时给予更大的权重，权重给予方式为：
判断每组充放电数据中的
Figure 87074DEST_PATH_IMAGE004
与
Figure 459280DEST_PATH_IMAGE008
的距离是否小于第一阈值且
Figure 654245DEST_PATH_IMAGE001
与
Figure 188125DEST_PATH_IMAGE005
的距离是否小于第二阈值且
Figure 963315DEST_PATH_IMAGE002
与
Figure 122900DEST_PATH_IMAGE006
的距离小于第三阈值且
Figure 503197DEST_PATH_IMAGE003
与
Figure 730349DEST_PATH_IMAGE007
的距离小于第四阈值，
若是，则将该组充放电数据加入到第一数据集中，
若否，则将该组充放电数据加入到第二数据集中；
这里需要说明的是，
Figure 196096DEST_PATH_IMAGE004
与
Figure 972422DEST_PATH_IMAGE008
的距离、
Figure 269543DEST_PATH_IMAGE001
与
Figure 204613DEST_PATH_IMAGE005
的距离、
Figure 423236DEST_PATH_IMAGE002
与
Figure 409778DEST_PATH_IMAGE006
的距离、
Figure 30246DEST_PATH_IMAGE003
与
Figure 591677DEST_PATH_IMAGE007
的距离为两者数值间的差值绝对值，例如
Figure 34947DEST_PATH_IMAGE004
与
Figure 90759DEST_PATH_IMAGE008
的差值绝对值。实际上，在满足
Figure 831313DEST_PATH_IMAGE004
与
Figure 563645DEST_PATH_IMAGE008
的距离小于第一阈值，而
Figure 629297DEST_PATH_IMAGE001
与
Figure 754379DEST_PATH_IMAGE005
、
Figure 83860DEST_PATH_IMAGE002
与
Figure 268985DEST_PATH_IMAGE006
、
Figure 964145DEST_PATH_IMAGE003
与
Figure 689655DEST_PATH_IMAGE007
的任意一个或多个距离不满足小于相应阈值的条件时，以数据集归集的方法求解得到的映射变量值通常并不一致，对于电池寿命预测准确度的影响也会产生不同偏差，理想情况下应当考虑这些不同情形对电池寿命预测结果的影响程度，以提高电池寿命预测准确度，但若将这些情形都考虑进来，寻找映射变量值与电池寿命衰减量之间的映射关系，以及寻找映射变量值、在指定期间内的充放电次数、电池寿命衰减量与理论电池寿命期间的四者关联关系的复杂度会呈指数级上升，实验过程将变得异常复杂，所以本申请中，以
Figure 139222DEST_PATH_IMAGE004
与
Figure 229669DEST_PATH_IMAGE008
的距离小于第一阈值且
Figure 660126DEST_PATH_IMAGE001
与
Figure 861431DEST_PATH_IMAGE005
的距离小于第二阈值且
Figure 165505DEST_PATH_IMAGE002
与
Figure 161274DEST_PATH_IMAGE006
的距离小于第三阈值且
Figure 268907DEST_PATH_IMAGE003
与
Figure 11254DEST_PATH_IMAGE007
的距离小于第四阈值为数据集归集条件，将满足该条件的充放电数据加入到第一数据集中，将不满足该条件的充放电数据加入到第二数据集中。加入到第一数据集中的充放电数据，我们认为其充放电电流波动值、放电深度、波动时长对电池寿命预测结果准确性的影响相较第二数据集中的充放电数据更低。
最后，对第一数据集中的若干组充放电数据分别进行充电量均值和放电量均值计算，得到第一充电量均值和第一放电量均值，并对第二数据集中的若干组充放电数据分别进行充电量均值和放电量均值计算，得到第二充电量均值和第二放电量均值，然后对第一充电量均值和第二充电量均值作加权求和计算，得到第一和值，对第一放电量均值和第二放电量均值作加权求和计算，得到第二和值，然后再对第一和值和第二和值作加权求和计算，所得和值为求解得到的映射变量值。
这里需要说明的是，在求解第一和值和第二和值时，第二充电量均值的权重大于第一充电量的权重，第二放电量的权重大于第一放电量的权重，权重分别赋予多少根据第一数据集与第二数据集之间的距离大小决定，而第一数据集与第二数据集之间的距离例如可以通过计算第一数据集与第二数据集之间的充电电流波动量均值间的差距来表征，也可以用其他变量值来表征，计算两个数据集之间的距离的具体方法由于并非本发明要求权利保护的范围，因此不做具体说明。同样地，求解映射变量值时，第二和值的权重大于第一和值的权重，具体的权重赋予方式以两个数据集之间的距离为依据，在此同样不做具体说明。
三、求解电池寿命衰减量
建立映射变量值与电池寿命衰减量的映射关系是本申请预测电池寿命的技术关键，本发明通过以下方法构建两者间的映射关系：
（1）获取与待测电池同批次出厂的实验电池在全基准充放电场景下的第一总寿命值；选择与待测电池同批次出厂的实验电池是因为该实验电池与待测电池的类型、电池出厂性能一致，以该实验电池为对象构建起的映射变量值与电池寿命衰减量间的映射关系才具有可依据性。全基准充放电场景是一种理想的充放电场景。在理想充放电场景中，电池使用环境的温、湿度和环境盐度是恒定的，因此全基准充放电场景通常只能在实验室内完成。例如，在实验室中，对实验电池每天在晚上17:30充一次电，每次充电240分钟，每天放两次电，一次在上午8:00、8:30，另一次在下午17:00、17:30，从电池出厂到电池寿命终结，每天都执行一次这样的充放电，这个充放电场景即被认定为全基准充放电场景。而全基准充放电场景以外的充放电场景即为非基准充放电场景，也就是下述内容中提及的突变充放电场景。实验电池在全基准充放电场景下的第一总寿命值可以通过不间断的充放电实验总结而得。这里需要说明的是，针对上述一天两次放电一次充电的电池使用场景，若实验电池完全按照每天的上午8:00、8:30、下午17:00、17:30放电，下午17:30、21:30分充电进行一次充放电，等实验电池寿命终结可能需要花费数年时间，显然这样的实验过程效率过于低下。因此，可以采用上述部分一中在对指定期间进行压缩后再对待测电池进行充放电数据采集的方式来提高实验中的充放电效率。
（2）将实验电池营造在突变充放电场景下并保持持续时长为上述对待测电池的指定期间或指定期间对应的导通时长。本发明通过图2中所示的充放电电路来为实验电池营造突变充放电场景，具体营造方法有以下两种：
方法一
首先将实验电池接入到该充放电电路中。如图2所示，本发明提供的充放电电路包括驱动电路300、若干个相互间并联连接的波动调整电路400、开关电路500和控制器16（优选为BMS电池管理***）。实验电池接入后，驱动电路300根据控制器16发送的驱动指令驱动任意一个波动调整电路400导通（导通时长与采集待测电池充放电数据的指定期间相对应，达到导通时长后，驱动电路根据控制器16的驱动指令驱动该波动调整电路400截止，使得充放电电路断开），并驱动开关电路500导通，以在实验电池的正极、波动调整电路、开关电路和实验电池的负极之间形成闭合回路，然后控制器16按照预设策略控制实验电池执行充放电动作，并采集每次充放电的充放电数据。这里需要特别说明的是，实验电池充放电动作的执行策略与待测电池的实际使用场景有关。例如，待测电池的实际使用场景为：一天充一次电，每天的17:30分充电240分钟，每天放电两次，一次在上午8:00、8:30，另一次在下午17:00、17:30，那么其充放电顺序为先放电2次再充电一次，为了消除前一次放电产生的电池温度对后一次放电数据的影响，两次放电间需要留足闲置时间供前一次放电完成后进行电池降温，后一次放电完成后同样需要留足闲置时间以避免对充电数据采集产生影响。若充放电间的闲置时间为30分钟，则对于实验电池，其充放电一次的动作可以为第一次放电30分钟、闲置30分钟、第二次放电30分钟、闲置30分钟、充电240分钟、闲置30分钟，这样该实验电池完成一次充放电需要390分钟。若需要采集该实验电池20组充放电数据，则需要7800分钟，这7800分钟即为用于营造突变充放电场景的该波动调整电路需要导通的时长，这个导通时长对应待测电池在真实使用环境下的指定期间为20天。
本申请提供的如图2所示的充放电电路中，每个波动调整电路具有不同的充放电电流波动调整幅度和调整时长，方法一中，是采集某一个波动调整电路导通后（其他波动调整电路保持断开状态）的充放电数据，因此方法一适用电池在指定期间内每次充放电的充放电电流波动幅度和波动时长相对稳定的情形。而对于电池在指定期间内每次充放电的充放电电流波动幅度和波动时长不稳定的情形，若使用方法一采集到的若干组充放电数据去计算映射变量值并寻找该映射变量值与电池寿命衰减量之间的映射关系，然后基于这个映射关系去预测电池寿命，显然得到的预测结果并不准确。为了解决这个问题，本申请提供了第二种营造方法，即：
方法二
首先还是将实验电池接入到图2所示的充放电电路中；
然后根据电池在真实使用场景下的历史指定期间内的每次充放电电流波动特性，选定相应的波动调整电路作为对应次充放电的突变充放电场景营造电路，选定过程具体为：例如，电池在历史的指定期间内的某次充放电中，其充电电流波动值
Figure 169834DEST_PATH_IMAGE059
与图2中所示的充放电电路中的某个波动调整电路可实现的充电电流波动调整幅度的差值小于预设的差值阈值，则选定该波动调整电路为该次充放电的突变充放电场景营造电路；
为被选定的每个波动调整电路确定充放电的充放电时长和充放电顺序，该充放电时长即为历史指定期间内对应次充放电的充放电时长，每个被选定的波动调整电路对应的充放电时长的和值与充放电电路的导通时长相等；
这里需要说明的是，每个波动调整电路的充放电顺序基于电池的真实使用情况确定。例如真实场景下，电池历史连续3次充放电的充电电流波动幅度分别为第一波动幅度、第二波动幅度和第三波动幅度，则首先使用具有第一波动幅度营造能力的波动调整电路为实验电池营造突变充放电场景，并在该突变充放电场景下首先执行一次充放电动作，该次充放电完成后，再使用具有第二波动幅度营造能力的波动调整电路为实验电池营造相应的突变充放电场景，并在该突变充放电场景下再次执行一次充放电动作，最后使用具有第三波动幅度营造能力的波动调整电路为实验电池营造突变充放电场景并执行最后的充放电动作。
这里需要说明的是，图2中所示的充放电电路中的每个波动调整电路包括波动幅度调整电路和波动时长调整电路，波动幅度调整电路可以为现有的具有不同充放电电流波动幅度调整能力的电阻电路构成，波动时长调整电路则为电感，每个波动调整电路中的电感的电感值并不相同。本发明利用具有不同电感值的电感所具有的不同的电流缓释能力，赋予营造在突变充放电场景下的实验电池在充电或放电时具有不同的充放电波动时长，以模拟出电池真实的充放电波动时长特性。同时利用具有不同充放电电流波动幅度调整能力的波动幅度调整电路，赋予营造在突变充放电场景下的实验电池在充电或放电时具有不同的充放电电流波动值，以模拟出电池真实的充放电波动幅度特性，并将实验电池在突变充放电场景下的充放电波动时长特性和充放电波动幅度特性作为影响电池寿命的重要因素，提高了电池寿命预测的准确度。
（3）采集实验电池在突变充放电场景下的若干组充放电数据并记录充放电次数，然后计算实验电池对应的映射变量值。实验电池的映射变量值的计算方法与部分二中计算待测电池的映射变量值的方法相同，在此不再赘述。
（4）恢复实验电池处于全基准充放电场景下，以继续对该实验电池进行寿命测试实验，得到其经历突变充放电场景后的第二总寿命值；
（5）计算第一总寿命值与第二总寿命值的寿命差值作为与实验电池的映射变量值具有映射关系的电池寿命衰减量，并形成该实验电池对应的映射变量值、电池寿命衰减量的映射关系加入到映射关系库中。
四、获取待测电池的理论电池寿命期间
实验电池除营造的突变充放电场景，在实验过程中的其他时间一直工作在全基准充放电场景。假设在全基准充放电场景下按照固定的充放电规律进行充放电，该实验电池的额定寿命为如图3所示的累计循环充放电800次，其中从出厂到累计已充放电次数250次以内定义电池处于成长期，250次到700次之间定义电池处于成年期，700、800次之间定义电池处于老年期。假定在实验电池进入突变充放电场景之前，已经在全基础充放电场景下累计充放电280次，而在突变充放电场景的充放电次数为30次，则完成在突变充放电场景下的30次充放电后，其累计已充放电次数为310次，310次对应的电池寿命期间为图3中成年期，则这个成年期即为理论电池寿命期间。这里理论电池寿命期间与实验电池在突变充放电场景下计算的映射变量值、充放电次数、电池寿命衰减量四者之间形成了四者关联关系并存储到四者关联关系库中，同时保存了这个310次的累计已充放电次数，保存这个累计已充放电次数的目的是为了后续计算理论电池寿命期间与理想电池寿命期间的偏差。
五、计算待测电池的第一寿命值
在实验过程中我们发现，对于处于不同电池寿命期间的实验电池，即便营造相同的突变充放电场景、在突变场景下执行完全相同的充放电行为、得到完全相同的映射变量值，最终得到的电池寿命衰减量也往往不同。由此而证明了在预测待测电池寿命的当时，待测电池所处的电池寿命期间对于电池寿命预测结果会产生直接影响。为了减少该因素对电池寿命预测结果的影响，本申请经反复实验总结，寻找到了映射变量值、指定期间内充放电次数、电池寿命衰减量与理论电池寿命期间四者间的四者关联关系。后续只要获得待测电池在突变充放电场景下计算的映射变量值、充放电次数、电池寿命衰减量，然后基于这个四者关联关系即可快速匹配出其当前所处的理论电池寿命期间。四者关联关系的寻找过程简述如下：
如图3所示，若将电池的全寿命周期划分为成长期、成年期和老年期（可以对全寿命周期进行更小粒度的划分，划分粒度越小，电池寿命阶段越多，四者关联关系越紧致，后续预测的第一寿命值将更为准确），实验电池在全基准充放电场景下的第一总寿命值假设为可循环充放电800次，根据对电池在不同阶段性能的实验总结，将前250次定义为成长期、中间450次为成年期，最后100次为老年期。对于相同的实验电池，在成长期多次营造相同的突变充放电场景（例如在实验电池在全基准充放电场景下累计已充放电次数达到100次时或160次时或220次时等分别营造相同的突变充放电场景，相同的突变充放电场景指充放电的指定期间相同，在指定期间内的充放电次数相同，得到的映射变量值也相同），然后实验总结每次营造突变充放电场景后，实验电池的电池寿命衰减量。
以在成长期营造突变充放电场景并统计电池寿命衰减量为例，例如，在成长期累计已充放电次数达到100次时营造突变充放电场景，得到的电池寿命衰减量为全寿命周期循环充放电次数减少了5次，在成长期累计已充放电次数达到160次时营造突变充放电场景，得到的电池寿命衰减量为在全寿命周期循环充放电次数减少了10次，在成长期累计已充放电次数达到220次时营造突变充放电场景，得到的电池寿命衰减量为在全寿命周期循环充放电次数减少了15次，那么可以取电池寿命衰减量的均值为10次作为在成长期营造该突变充放电场景的平均电池寿命衰减量，这样就可以形成映射变量值、在指定期间内的充放电次数、电池寿命衰减量（为平均电池寿命衰减量，即10次）、理论电池寿命期间（为成长期）的四者关联关系，只要实验的映射变量值、指定期间充放电次数、电池寿命衰减量、理论电池寿命期间的数据对数量足够多，这个四者关联关系便更加精准。其他电池寿命期间的四者关联关系可使用上述相同的方法总结而得。后续可以在形成待测电池的映射变量值、指定期间充放电次数、电池寿命衰减量数据对后，将该数据对与四者关联关系库中的每个元素进行数据匹配，将获取匹配到的元素中记载的理论电池寿命期间作为该待测电池的当前理论应当所处的理论电池寿命期间。
这里需要说明的是，对待测电池的映射变量值、指定期间充放电次数、电池寿命衰减量数据对与四者关联关系库中的每个元素进行匹配的匹配成功的标准为：待测电池中的映射变量值与某个元素中的映射变量值的差值绝对值、电池寿命衰减量之间的差值绝对值均小于相对应的差值阈值且在指定期间内的充放电次数相同，即判定为匹配成功。
另外需要说明的是，在形成四者关联关系时，实验电池除了在指定期间内工作在所营造的突变充放电场景下，其他时间都是工作在全基准充放电场景下的，因此将基于这个四者关联关系匹配到的电池寿命期间定义为待测电池的“理论电池寿命期间”，与其在真实环境下经累计已充放电次数后的理想电池寿命期间会存在偏差。理论电池寿命期间和理想电池寿命期间都不能代表对电池寿命的预测结果，但两者间产生这个偏差又恰好能够表征在实验环境与真实使用环境下对电池进行寿命预测的差异。因此，本发明利用这个偏差去计算待测电池的第一寿命值，计算方法具体为：
首先，获取待测电池从出厂到经历突变充放电场景后的第一累计已充放电次数（例如为523次）、全寿命周期内的每个电池寿命期间的额定充放电次数（例如图3中所示成长期、成年期、老年期的额定充放电次数分别为250次、450次和100次）和在四联关系库中成功匹配到的元素对应的实验电池在经历突变充放电场景后的第二累计已充放电次数（例如为582次）；
然后，计算第一累计已充放电次数和第二已充放电次数的比值，即523/582；
计算全寿命周期的额定充放电次数与第一累计已充放电次数的差值，即800、523=277；
计算比值523/582与差值的277的乘值，即
Figure 133242DEST_PATH_IMAGE060
；
计算乘值与第一累计已充放电次数的和值作为第一寿命值，即523+249=772。
六、对第一寿命值进行环境温湿度和环境盐度补偿
上述的部分一到五中已经说明，为了降低寻找映射关系以及四者关联关系的复杂度，在寻找过程中并未将电池环境的温、湿度和环境盐度纳入到影响电池寿命的考量因素中。但环境温、湿度和环境盐度是影响电池寿命的重要因素，不能被忽略。因此最后一步，本发明需要对第一寿命值作温、湿度和环境盐度补偿，以校正该第一寿命值，校正后得到的第二寿命值作为对待测电池寿命的最终预测结果。对第一寿命值进行温、湿度和环境盐度补偿的方法为：在指定期间内针对待测电池采集的若干组充放电，计算待测电池在充放电过程中的环境温度的平均值
Figure 744483DEST_PATH_IMAGE010
、所处环境湿度平均值
Figure 612557DEST_PATH_IMAGE011
和环境盐度平均值
Figure 360064DEST_PATH_IMAGE012
；例如其中一次充放电过程的环境温度为
Figure 946903DEST_PATH_IMAGE061
，另一次为
Figure 45440DEST_PATH_IMAGE062
，则两次充放电的环境温度的平均值为
Figure 126660DEST_PATH_IMAGE063
，
Figure 977941DEST_PATH_IMAGE011
、
Figure 477625DEST_PATH_IMAGE012
的计算方法同
Figure 329038DEST_PATH_IMAGE010
，在此不再赘述；
将
Figure 213948DEST_PATH_IMAGE013
、
Figure 919736DEST_PATH_IMAGE011
、
Figure 533864DEST_PATH_IMAGE012
分别作为对应的拟合函数的自变量，求解得到分别对应的温度补偿系数
Figure 685622DEST_PATH_IMAGE014
、湿度补偿系数
Figure 374223DEST_PATH_IMAGE015
、环境盐度补偿系数
Figure 934517DEST_PATH_IMAGE016
；
对第一寿命值，分别计算其与
Figure 928668DEST_PATH_IMAGE014
、
Figure 223514DEST_PATH_IMAGE015
、
Figure 715806DEST_PATH_IMAGE016
的乘值，结果记为
Figure 471885DEST_PATH_IMAGE020
、
Figure 289800DEST_PATH_IMAGE018
、
Figure 337521DEST_PATH_IMAGE019
；
对
Figure 633505DEST_PATH_IMAGE020
、
Figure 433970DEST_PATH_IMAGE018
、
Figure 171855DEST_PATH_IMAGE019
进行加权求和得到寿命值预测结果；
用于求解补偿系数
Figure 441294DEST_PATH_IMAGE014
、
Figure 275389DEST_PATH_IMAGE015
、
Figure 477831DEST_PATH_IMAGE016
的拟合函数通过以下公式（1）表达：
Figure 775564DEST_PATH_IMAGE064
公式（1）中，
Figure 63457DEST_PATH_IMAGE022
表示
Figure 701243DEST_PATH_IMAGE014
或
Figure 229963DEST_PATH_IMAGE015
或
Figure 29423DEST_PATH_IMAGE016
；
Figure 257142DEST_PATH_IMAGE023
表示自变量；
Figure 901881DEST_PATH_IMAGE024
、
Figure 547757DEST_PATH_IMAGE025
、
Figure 501806DEST_PATH_IMAGE026
分别表示二次项系数、一次项系数和常数项。
公式（1）表达的拟合函数在
Figure 964624DEST_PATH_IMAGE010
与
Figure 22841DEST_PATH_IMAGE014
间、
Figure 772491DEST_PATH_IMAGE011
与
Figure 913754DEST_PATH_IMAGE015
间、
Figure 123588DEST_PATH_IMAGE012
与
Figure 375709DEST_PATH_IMAGE016
间建立了映射关系，后续，只要计算得到待测电池的
Figure 996177DEST_PATH_IMAGE010
、
Figure 557608DEST_PATH_IMAGE011
、
Figure 263527DEST_PATH_IMAGE012
，便可以基于这个映射关系快速计算出相应的补偿系数
Figure 316409DEST_PATH_IMAGE022
。这个映射关系是否准确与公式（1）中的二次项系数、一次项系数和常数项这些参数的值的是否准确直接相关。所以，为了能够方便快捷且准确地得到各参数的参数值，本发明采取了以下两个手段：
（1）专门提供了图1所示的自动化模拟装置；
（2）通过拉格朗日多项式的插值方法拟合得到各参数的参数值。
以下对如何方便快捷且准确地得到各参数的参数值的方法进行着重说明：如图1所示，该自动化模拟装置包括水箱1、混合气体生成室2、混合气体处理室3和用于放置待测电池100的透明测试室4（将测试室设置为透明是为了营造真实的光环境）以及用于自动化模拟电池真实使用环境的自动化控制设备。该自动化控制设备包括图1中所示的设置在混合气体生成室2的每条输入管道上的用于切换管道通闭的第一电磁阀5、设置在混合气体生成室2内的底部的风扇21、设置在水箱1和透明测试室4之间的管路上的阀门6、第二电磁阀7、抽水泵200、带温度传感功能的速热器8以及设置在混合气体处理室3和透明测试室4之间的管路上的第三电磁阀9、抽气泵20，混合气体生成室2的输出管路通过第四电磁阀18连接到混合气体处理室3的混合气体输入口31。该自动化控制设备还包括图1中所示的设置在混合气体处理室3底部的加温设备10和设置在顶部的盐度检测器17、设置在混合气体处理室3内部的温度传感器11、设置在透明测试室4内的雾化喷头12、温度传感器13、湿度传感器14、盐度检测器15和加热设备19以及与第一电磁阀5、风扇21、第二电磁阀7、抽水泵200、速热器8、第三电磁阀9、抽气泵20、第四电磁阀18、加热设备10、盐度检测器17、温度传感器11、雾化喷头12、温度传感器13、湿度传感器14、盐度检测器15和加热设备19通信连接的控制器16。
本发明通过自动化模拟装置为实验电池模拟电池真实使用环境的方法如下：
用户打开图1中所示的阀门6，然后在智能终端输入电池使用环境温度控制量、湿度控制量和盐度控制量形成控制指令后发送给控制器16，控制器16接收到控制指令后首先控制图1中用于通入测试环境的空气的管道上的第一电磁阀5打开，第一电磁阀5打开后，外界空气通入到混合气体生成室2中，然后控制打开图1中的风扇21再打开图1中的第四电磁阀18，混合气体生成室2中的空气在风扇21的风力作用下经过第四电磁阀18所在的管路经混合气体处理室3的混合气体输入口31输入到混合气体处理室3中。设置在混合气体处理室3内的盐度检测器17实时检测室内盐度并反馈给控制器16，控制器16判定混合气体处理室3内的盐度未达到预设的盐度控制量时，控制器16控制图1中设置在分别用于通入盐雾和空气的管道上的两个电磁阀51、52打开，控制器16根据预先确定的管道单位时间内通入的气体量和环境盐度量分别计算电磁阀51、52的打开时间（即分别计算环境盐度和空气的通入时间），在达到通入时间后控制对应的电磁阀51或52关闭。设置在混合气体生成室2中的混合设备对通入的盐雾和空气进行充分混合得到混合盐雾，并在风扇21的风力作用下通入混合气体处理室3中。混合气体处理室3中的盐度检测器17再次检测盐度，当达到预设的盐度控制量时，控制闭合第一电磁阀5、51、52和第四电磁阀18以及风扇21，然后控制混合气体处理室3中的加热设备10对室内混合气体进行加热（加热量即为用户输入的电池使用环境温度控制量）。混合气体处理室3中的温度传感器11实时检测室内温度并将检测值发送给控制器16，控制器16判定该温度达到用户输入的电池使用环境温度控制量时，控制加热设备11停止加热，然后控制图1中的第三电磁阀9和抽气泵20打开，以将混合气体处理室3中的混合气体抽至透明测试室4中。然后控制图1中所示的第二电磁阀7打开并控制带温度传感功能的速热器8将速热温度调整到用户输入的电池使用环境温度控制量，随后控制启动抽水泵200，以将水箱1中的水泵给雾化喷头12，经雾化喷头雾化后喷洒在透明测试室4内。在雾化喷头12喷雾中，透明测试室4内的温度传感器13、湿度传感器14和盐度检测器15同时工作，将实时检测的结果分别发送给控制器16，控制器16判定湿度传感器14检测到的湿度达到用户输入的湿度控制量时，控制第二电磁阀7自动关闭并控制抽水泵200和速热器8停止工作。当温度传感器13检测到透明测试室4内的温度低于用户输入的电池使用环境温度控制量达到预设的温差阈值时，控制器16控制透明测试室4内的加热设备19自动启动加热，并在温度传感器13检测到室内温度达到电池使用环境温度控制量时控制加热设备19停止加热。当盐度检测器15检测到透明测试室4内的盐度未达到预设的盐度控制量时，重复上述的控制过程，直至透明测试室4内的温度、湿度、盐度均达到控制量要求。
为了分别获得以
Figure 525805DEST_PATH_IMAGE065
为自变量，以
Figure 805608DEST_PATH_IMAGE014
为因变量的第一拟合函数，以
Figure 733244DEST_PATH_IMAGE011
为自变量，以
Figure 107593DEST_PATH_IMAGE015
为因变量的第二拟合函数，以
Figure 174425DEST_PATH_IMAGE012
为自变量，以
Figure 93970DEST_PATH_IMAGE016
为因变量的第三拟合函数，在使用自动化模拟装置时，对实验电池分别进行环境温度、环境湿度、环境盐度模拟，具体方法为：经前述部分一到五的技术方案，已经预测得到了第一寿命值，这个第一寿命值的预测过程是未考虑环境温、湿度和环境盐度对电池寿命的影响的。为了逐一找到环境温度、湿度和环境盐度对电池寿命预测结果的影响程度，以获得第一拟合函数为例，对于同个第一寿命值，通过图1所示的自动化模拟装置在透明测试室4中模拟不同的温度，然后获得每个模拟温度
Figure 508902DEST_PATH_IMAGE066
下实验电池的真实寿命值，真实寿命值与第一寿命值的除值就是这个该模拟温度下的
Figure 906517DEST_PATH_IMAGE014
值，这个
Figure 605351DEST_PATH_IMAGE014
值与模拟温度之间是具有映射关系的，这个映射关系的准确性由其第一拟合函数的各参数的参数值来表征。
为了得到第一拟合函数中的各参数的参数值，本发明优选采用拉格朗日多项式的插值方法以每个模拟温度
Figure 427289DEST_PATH_IMAGE066
和对应的
Figure 1621DEST_PATH_IMAGE014
值为拟合点，将各拟合点拟合为一条曲线，然后根据该拟合曲线反推得到第一拟合函数中的各参数的参数值。同样地，获取第二拟合函数和第三拟合函数的方法与获得第一拟合函数的原理相同，在此不再赘述。
综合以上六个部分的技术方案，总结得到本申请提供的电池寿命预测方法的实现过程如图4所示，包括以下几个步骤：
S1，采集待测电池在真实使用环境下的指定期间内每次充放电的充放电数据；
S2，根据若干组充放电数据计算待测电池的映射变量值；
S3，基于映射变量值与电池寿命衰减量的映射关系，得到待测电池经指定期间的若干次充放电后的电池寿命衰减量；
S4，形成待测电池的映射变量值、指定期间内充放电次数、电池寿命衰减量数据对，然后将该数据对与四者关联关系库中的各元素进行数据匹配，以获取成功匹配的元素中的记载的理论电池寿命期间；
S5，根据待测电池的累计已充放电次数估算其理想电池寿命期间，并计算理论电池寿命期间与理想电池寿命期间的偏差，然后利用偏差计算待测电池的第一寿命值；
S6，对第一寿命值进行温、湿度补偿和环境盐度补偿后得到第二寿命值作为对待测电池最终的寿命值预测结果。
需要声明的是，上述具体实施方式仅仅为本发明的较佳实施例及所运用技术原理。本领域技术人员应该明白，还可以对本发明做各种修改、等同替换、变化等等。但是，这些变换只要未背离本发明的精神，都应在本发明的保护范围之内。另外，本申请说明书和权利要求书所使用的一些术语并不是限制，仅仅是为了便于描述。

Claims (6)

1.一种电池寿命预测方法，其特征在于，所述方法包括：
采集待测电池在真实使用环境下的指定期间内每次充放电的充放电数据；
根据若干组所述充放电数据计算所述待测电池的映射变量值；
基于所述映射变量值与电池寿命衰减量的映射关系，得到所述待测电池经所述指定期间的若干次充放电后的电池寿命衰减量；
形成所述待测电池的映射变量值、指定期间内充放电次数、电池寿命衰减量数据对，然后将该数据对与四者关联关系库中的各元素进行数据匹配，以获取成功匹配的所述元素中记载的理论电池寿命期间；
根据所述待测电池的累计已充放电次数估算其理想电池寿命期间，并计算所述理论电池寿命期间与所述理想电池寿命期间的偏差，然后利用所述偏差计算所述待测电池的第一寿命值；
对所述第一寿命值进行温、湿度补偿和环境盐度补偿后得到第二寿命值作为对所述待测电池最终的寿命值预测结果；
每组所述充放电数据包括一次充放电过程中的充电电流、放电电流、充电持续时长、放电持续时长、放电深度、充电电流波动值、放电电流波动值、充电波动时长、放电波动时长、电池所处环境温度、湿度以及电池所处环境的盐度；
所述映射变量值与所述电池寿命衰减量的所述映射关系，以及所述四者关联关系通过以下方法建立：
获取与所述待测电池同批次出厂的实验电池在全基准充放电场景下的第一总寿命值；
将所述实验电池营造在突变充放电场景下；
采集所述实验电池在所述突变充放电场景下的所述指定期间内产生的若干组所述充放电数据并记录充放电次数，然后计算所述实验电池对应的所述映射变量值；
恢复所述实验电池处于全基准充放电场景下，以继续对所述实验电池进行寿命测试实验，得到其经历所述突变充放电场景后的第二总寿命值；
计算所述第一总寿命值与所述第二总寿命值的寿命差值作为与所述实验电池的所述映射变量值具有映射关系的所述电池寿命衰减量，并形成所述实验电池对应的所述映射关系加入到映射关系库中，以及形成映射变量值、指定期间内充放电次数、电池寿命衰减量、理论电池寿命期间的四者关联关系分别加入到所述四者关联关系库中；
计算所述待测电池或所述实验电池在所述指定期间内或所述指定期间对应的导通时长内的所述映射变量值的方法包括：
分别计算在所述指定期间或所述导通时长内采集的若干组中的每组所述充放电数据 中的充电电流波动值
Figure 919520DEST_PATH_IMAGE001
、放电电流波动值
Figure 453532DEST_PATH_IMAGE002
、放电深度
Figure 916743DEST_PATH_IMAGE003
、波动时长
Figure 991358DEST_PATH_IMAGE004
的均值，分别记为
Figure 212124DEST_PATH_IMAGE005
、
Figure 143302DEST_PATH_IMAGE006
、
Figure 431326DEST_PATH_IMAGE007
、
Figure 429238DEST_PATH_IMAGE008
，
Figure 966661DEST_PATH_IMAGE009
为每组充放电数据中的充电波动时长与放电波动时长的加权求和值；
Figure 576896DEST_PATH_IMAGE008
为若干组中的每组所述充放电数据对应的
Figure 499853DEST_PATH_IMAGE004
的均值；
判断每组所述充放电数据中的
Figure 29185DEST_PATH_IMAGE004
与
Figure 726008DEST_PATH_IMAGE008
的距离是否小于第一阈值且
Figure 638469DEST_PATH_IMAGE010
与
Figure 827050DEST_PATH_IMAGE005
的距离是 否小于第二阈值且
Figure 432344DEST_PATH_IMAGE011
与
Figure 85304DEST_PATH_IMAGE012
的距离是否小于第三阈值且
Figure 660511DEST_PATH_IMAGE003
与
Figure 715317DEST_PATH_IMAGE013
的距离是否小于第四阈 值，
若是，则将该组所述充放电数据加入到第一数据集中，
若否，则将该组所述充放电数据加入到第二数据集中；
对所述第一数据集和所述第二数据集中的若干组所述充放电数据分别进行充电量均值和放电量均值计算，得到所述第一数据集对应的第一充电量均值和第一放电量均值，并得到所述第二数据集对应的第二充电量均值和第二放电量均值，然后对所述第一充电量均值和所述第二充电量均值作加权求和计算得到第一和值，对所述第一放电量均值和所述第二放电量均值作加权求和计算得到第二和值，最后对所述第一和值和所述第二和值作加权求和计算，所得和值作为所述映射变量值；
利用所述偏差计算所述待测电池的所述第一寿命值的方法为：
获取所述待测电池从出厂到经历所述突变充放电场景后的第一累计已充放电次数、全寿命周期的额定充放电次数和在四者关联关系库中成功匹配到的所述元素对应的实验电池在经历所述突变充放电场景后的第二累计已充放电次数；
计算所述第一累计已充放电次数和所述第二累计已充放电次数的比值；
计算所述额定充放电次数与所述第一累计已充放电次数的差值；
计算所述差值与所述比值的乘值；
计算所述乘值与所述第一累计已充放电次数的和值作为所述第一寿命值。
2.根据权利要求1所述的电池寿命预测方法，其特征在于，营造所述突变充放电场景的方法为：
将所述实验电池接入到充放电电路中；
选定所述充放电电路中的任意一个波动调整电路为突变充放电场景营造电路；
计算所述指定期间对应的导通时长，然后计算在所述导通时长内每次充放电的充放电时长，并安排好每次充放电的顺序；
控制选定的所述波动调整电路导通并保持所述导通时长，所述波动调整电路导通期间，所述充放电电路为闭合回路；
控制所述实验电池按照安排好的充放电顺序和充放电时长在所述导通时长内执行若干次相应的充放电动作。
3.根据权利要求1所述的电池寿命预测方法，其特征在于，营造所述突变充放电场景的方法为：
将所述实验电池接入到充放电电路中；
选定所述充放电电路中有能力营造电池在真实使用场景下的充放电电流波动特性的波动调整电路作为对应次充放电的突变充放电场景营造电路；
为被选定的每个所述波动调整电路确定充放电时长和充放电顺序，每个被选定的所述波动调整电路对应的充放电时长的和值等于所述充放电电路的导通时长；
在所述充放电电路导通期间，按照所述充放电顺序先后驱动对应的所述波动调整电路导通，并在导通期间完成执行相应的充放电动作。
4.根据权利要求2所述的电池寿命预测方法，其特征在于，所述充放电电路中包括若干个相互间并联连接的具有相同或不同电流波动幅度调整能力和不同波动时长调整能力的所述波动调整电路，每个所述波动调整电路包括波动时长调整电路和波动幅度调整电路，所述波动时长调整电路为电感，每个所述波动调整电路中的所述电感的电感值不同。
5.根据权利要求1所述的电池寿命预测方法，其特征在于，对所述第一寿命值进行温、湿度和环境盐度补偿的方法为：
在所述指定期间内针对所述待测电池采集的若干组所述充放电电数据，计算所述待测 电池在充放电过程中的环境温度的平均值
Figure 225933DEST_PATH_IMAGE014
、所处环境湿度平均值
Figure 756402DEST_PATH_IMAGE015
和所处环境的环境盐 度平均值
Figure 512131DEST_PATH_IMAGE016
；
将
Figure 185558DEST_PATH_IMAGE014
、
Figure 227594DEST_PATH_IMAGE015
、
Figure 822524DEST_PATH_IMAGE016
分别作为对应的拟合函数的自变量，求解得到分别对应的温度补偿系数
Figure 975419DEST_PATH_IMAGE017
、 湿度补偿系数
Figure 598292DEST_PATH_IMAGE018
、环境盐度补偿系数
Figure 822949DEST_PATH_IMAGE019
；
对所述第一寿命值，分别计算其与
Figure 531273DEST_PATH_IMAGE017
、
Figure 720814DEST_PATH_IMAGE020
、
Figure 198194DEST_PATH_IMAGE019
的乘值，结果记为
Figure 722979DEST_PATH_IMAGE021
、
Figure 417134DEST_PATH_IMAGE022
、
Figure 52777DEST_PATH_IMAGE023
；
对
Figure 555303DEST_PATH_IMAGE021
、
Figure 375622DEST_PATH_IMAGE022
、
Figure 261801DEST_PATH_IMAGE023
进行加权求和得到所述寿命值预测结果。
6.根据权利要求5所述的电池寿命预测方法，其特征在于，所述拟合函数通过以下公式（1）表达：
Figure 199670DEST_PATH_IMAGE024
公式（1）中，
Figure 182801DEST_PATH_IMAGE025
表示
Figure 772090DEST_PATH_IMAGE017
或
Figure 847362DEST_PATH_IMAGE020
或
Figure 215021DEST_PATH_IMAGE019
；
Figure 426559DEST_PATH_IMAGE026
表示所述自变量；
Figure 729627DEST_PATH_IMAGE027
、
Figure 292195DEST_PATH_IMAGE028
、
Figure 73332DEST_PATH_IMAGE029
分别表示二次项系数、一次项系数和常数项。
CN202211302537.4A 2022-10-24 2022-10-24 一种电池寿命预测方法 Active CN115389964B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211302537.4A CN115389964B (zh) 2022-10-24 2022-10-24 一种电池寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211302537.4A CN115389964B (zh) 2022-10-24 2022-10-24 一种电池寿命预测方法

Publications (2)

Publication Number Publication Date
CN115389964A CN115389964A (zh) 2022-11-25
CN115389964B true CN115389964B (zh) 2023-01-31

Family

ID=84129225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211302537.4A Active CN115389964B (zh) 2022-10-24 2022-10-24 一种电池寿命预测方法

Country Status (1)

Country Link
CN (1) CN115389964B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115993552B (zh) * 2023-03-23 2023-07-18 杭州科工电子科技有限公司 电池内阻估算方法
CN117236082B (zh) * 2023-11-15 2024-01-23 中汽研新能源汽车检验中心(天津)有限公司 一种基于大数据平台的燃料电池性能衰减预测方法和***

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009105032A (ja) * 2007-10-02 2009-05-14 Panasonic Corp 電池寿命判定装置及び電池寿命判定方法
JP2013181875A (ja) * 2012-03-02 2013-09-12 Honda Motor Co Ltd 二次電池の劣化率算出方法、二次電池の寿命予測方法、二次電池の劣化率算出システムおよび二次電池の寿命予測システム
CN103308864A (zh) * 2013-07-09 2013-09-18 中国人民解放军国防科学技术大学 二次电池soh值估算和剩余寿命测试方法
CN104237798A (zh) * 2014-08-28 2014-12-24 浙江天能电池江苏新能源有限公司 一种铅蓄电池加速寿命检测方法
CN109633475A (zh) * 2018-11-30 2019-04-16 天合光能股份有限公司 一种磷酸铁锂能量型电池寿命预估方法
CN110208705A (zh) * 2019-05-09 2019-09-06 赛尔网络有限公司 一种锂电池剩余寿命预测方法及装置
CN111239630A (zh) * 2020-03-09 2020-06-05 江苏中兴派能电池有限公司 一种储能电池寿命预测方法及管理***
CN114444370A (zh) * 2021-10-11 2022-05-06 崔跃芹 一种考虑运行工况的充电电池累计损耗寿命预测方法、装置、电子设备及可读存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1990646A4 (en) * 2006-02-28 2009-11-25 Panasonic Corp DEVICE FOR ESTIMATING THE LIFETIME OF A BATTERY AND METHOD FOR ESTIMATING THE LIFETIME OF LIFE OF A BATTERY
TWI286218B (en) * 2006-04-27 2007-09-01 Ablerex Electronics Co Ltd Method for determining state-of-health of batteries
CN106772063B (zh) * 2016-11-21 2018-03-20 华中科技大学 一种监测锂离子电池荷电状态和健康状态的方法及其装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009105032A (ja) * 2007-10-02 2009-05-14 Panasonic Corp 電池寿命判定装置及び電池寿命判定方法
JP2013181875A (ja) * 2012-03-02 2013-09-12 Honda Motor Co Ltd 二次電池の劣化率算出方法、二次電池の寿命予測方法、二次電池の劣化率算出システムおよび二次電池の寿命予測システム
CN103308864A (zh) * 2013-07-09 2013-09-18 中国人民解放军国防科学技术大学 二次电池soh值估算和剩余寿命测试方法
CN104237798A (zh) * 2014-08-28 2014-12-24 浙江天能电池江苏新能源有限公司 一种铅蓄电池加速寿命检测方法
CN109633475A (zh) * 2018-11-30 2019-04-16 天合光能股份有限公司 一种磷酸铁锂能量型电池寿命预估方法
CN110208705A (zh) * 2019-05-09 2019-09-06 赛尔网络有限公司 一种锂电池剩余寿命预测方法及装置
CN111239630A (zh) * 2020-03-09 2020-06-05 江苏中兴派能电池有限公司 一种储能电池寿命预测方法及管理***
CN114444370A (zh) * 2021-10-11 2022-05-06 崔跃芹 一种考虑运行工况的充电电池累计损耗寿命预测方法、装置、电子设备及可读存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Combined State of Charge and State of Health estimation over lithium-ion battery cell cycle lifespan for electric vehicles;Yuan Zou等;《Journal of Power Sources》;20151231;全文 *
锂离子电池的老化特性分析;丁黎等;《电源技术研究与设计》;20191231;全文 *

Also Published As

Publication number Publication date
CN115389964A (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
CN115389964B (zh) 一种电池寿命预测方法
Chu et al. Non-destructive fast charging algorithm of lithium-ion batteries based on the control-oriented electrochemical model
Świerczyński et al. Selection and performance-degradation modeling of limo $ _ {2} $/Li $ _ {4} $ Ti $ _ {5} $ O $ _ {12} $ and lifepo $ _ {4} $/C battery cells as suitable energy storage systems for grid integration with wind power plants: an example for the primary frequency regulation service
US9236748B2 (en) Method and apparatus of charging the battery with globally minimized integral degradation possible for predefined charging duration
US6016047A (en) Battery management system and battery simulator
Beltran et al. Levelized cost of storage for li-ion batteries used in PV power plants for ramp-rate control
Chen et al. Modelling of lithium-ion battery for online energy management systems
Xia et al. Evaluation of parameter variations of equivalent circuit model of lithium-ion battery under different SOH conditions
Hussein Adaptive artificial neural network-based models for instantaneous power estimation enhancement in electric vehicles’ Li-ion batteries
KR102646875B1 (ko) 모의전지 구축 방법 및 모의전지 구축 장치
CN109782190A (zh) 用于估计单颗电池或单批电池的剩余使用寿命的方法
Lu et al. Modeling discharge characteristics for predicting battery remaining life
Cheng et al. Extraction of intrinsic parameters of lead–acid batteries using energy recycling technique
CN116368707A (zh) 智能电池管理***和方法
CN113255205A (zh) 基于电动汽车电池的生命周期成本和电池温度优化方法
Marcis et al. Analysis of CT-CV charging technique for lithium-ion and NCM 18650 cells over temperature range
CN116804711A (zh) 基于预测的使用模式来提供设备电池组的预测健康状态的方法和装置
Duong et al. State estimation technique for VRLA batteries for automotive applications
US20240162736A1 (en) Method and device for controlling a charging signal for charging a rechargeable battery cell or battery
JP2003243017A (ja) 二次電池の電気的等価回路モデル作成方法、これを用いたシミュレーション方法およびプログラム
Magnor et al. Analysis of the model dynamics for the battery and battery converter in a grid-connected 5kW photovoltaic system
Gaetani-Liseo et al. Identification of ESS Degradations Related to their Uses in Micro-Grids: application to a building lighting network with VRLA batteries
CN115219904A (zh) 用于运行用来提供电化学电池组模型的***的方法和装置
Romero et al. Fast charge of Li-ion batteries using a two-layer distributed MPC with electro-chemical and thermal constraints
WO2020186269A1 (en) Battery monitoring system

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
CP03 Change of name, title or address

Address after: Building 5, 5th Floor, No. 6 Xiyuan 9th Road, Sandun Town, Xihu District, Hangzhou City, Zhejiang Province, 310030

Patentee after: Hangzhou Kegong Electronic Technology Co.,Ltd.

Address before: 310013 Room 201, Building 1, No. 358, Jinpeng Street, Sandun Town, Xihu District, Hangzhou City, Zhejiang Province

Patentee before: HANGZHOU KEGONG ELECTRONIC TECHNOLOGY CO.,LTD.

CP03 Change of name, title or address