CN115663311A - 电芯温度确定方法、装置、电子设备及存储介质 - Google Patents
电芯温度确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115663311A CN115663311A CN202211598058.1A CN202211598058A CN115663311A CN 115663311 A CN115663311 A CN 115663311A CN 202211598058 A CN202211598058 A CN 202211598058A CN 115663311 A CN115663311 A CN 115663311A
- Authority
- CN
- China
- Prior art keywords
- temperature
- cell
- battery cell
- battery
- tested
- 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
- 238000000034 method Methods 0.000 title claims abstract description 63
- 210000004027 cell Anatomy 0.000 claims abstract description 360
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 claims abstract description 199
- 229910052759 nickel Inorganic materials 0.000 claims abstract description 138
- 238000005259 measurement Methods 0.000 claims abstract description 29
- 238000012546 transfer Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 13
- 210000005056 cell body Anatomy 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 238000012544 monitoring process Methods 0.000 claims description 9
- 230000007613 environmental effect Effects 0.000 claims 2
- 238000012360 testing method Methods 0.000 claims 2
- 210000002569 neuron Anatomy 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000009529 body temperature measurement Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000020169 heat generation Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- Secondary Cells (AREA)
Abstract
本发明公开了一种电芯温度确定方法、装置、电子设备及存储介质。该方法包括：获取待测电芯的测量数据，待测电芯的测量数据包括电芯位置信息、荷电状态信息、模组电流和电芯镍带温度；将电芯位置信息、荷电状态信息、模组电流和电芯镍带温度输入至预先训练完成的电芯‑镍带温差模型，得到电芯‑镍带温差数据；基于电芯‑镍带温差数据和电芯温度模型，确定待测电芯的温度分布结果。上述方案，通过将电芯位置信息、荷电状态信息、模组电流和电芯外表温度输入至预先训练完成的电芯‑镍带温差模型，得到了准确的电芯‑镍带温差数据，进而根据准确的电芯‑镍带温差数据和电芯温度模型，确定待测电芯的温度分布结果，提高了电芯温度分布的测量准确度。
Description
技术领域
本发明涉及电池技术领域，尤其涉及一种电芯温度确定方法、装置、电子设备及存储介质。
背景技术
目前新能源产业发展迅速，越来越多的户外电源、不间断电源等储能产品需要在高温应用场景中进行高倍率充放电的工况。电池在环境温度较高下进行高倍率充放电时，电芯热功耗大且散热较困难，易出现电芯温度过温的问题。及时监测到电芯温度超限，进行电池充放电降流、停机，对保护使用者人生安全和维护产品使用寿命至关重要。
目前，电池的温度监测主要通过将热敏电阻测点布置在电芯正、负极镍带上，以监测整个电池的最高温度。
在实现本发明的过程中，发明人发现现有技术中至少存在以下技术问题：现有技术方案，存在温度测量不准确的问题。
发明内容
本发明提供了一种电芯温度确定方法、装置、电子设备及存储介质，以解决温度测量不准确的问题。
根据本发明的一方面，提供了一种电芯温度确定方法，包括：
获取待测电芯的测量数据，其中，所述待测电芯的测量数据包括电芯位置信息、荷电状态信息、模组电流和电芯镍带温度；
将所述电芯位置信息、所述荷电状态信息、所述模组电流和所述电芯镍带温度输入至预先训练完成的电芯-镍带温差模型，得到电芯-镍带温差数据；
基于所述电芯-镍带温差数据和电芯温度模型，确定所述待测电芯的温度分布结果。
根据本发明的另一方面，提供了一种电芯温度确定装置，包括：
测量数据获取模块，用于获取待测电芯的测量数据，其中，所述待测电芯的测量数据包括电芯位置信息、荷电状态信息、模组电流和电芯镍带温度；
温差数据预测模块，用于将所述电芯位置信息、所述荷电状态信息、所述模组电流和所述电芯镍带温度输入至预先训练完成的电芯-镍带温差模型，得到电芯-镍带温差数据；
温度分布确定模块，用于基于所述电芯-镍带温差数据和电芯温度模型，确定所述待测电芯的温度分布结果。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的电芯温度确定方法。
根据本发明的另一方面，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存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的电芯温度确定方法。
本发明实施例的技术方案，通过将待测电芯的电芯位置信息、荷电状态信息、模组电流和电芯镍带温度输入至预先训练完成的电芯-镍带温差模型，得到了准确的待测电芯的电芯-镍带温差数据，进而根据准确的电芯-镍带温差数据和电芯温度模型，确定待测电芯的温度分布结果，提高了温度分布结果的测量准确度，解决了温度测量不准确的问题。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中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是根据本发明实施例一提供的一种电芯温度确定方法的流程图；
图2是根据本发明实施例一提供的一种圆柱电芯节点分布示意图；
图3是根据本发明实施例一提供的一种神经网络架构示意图；
图4是根据本发明实施例二提供的一种电芯温度确定方法的流程图；
图5是根据本发明实施例三提供的一种电芯温度确定方法的流程图；
图6是根据本发明实施例四提供的一种电芯温度确定装置的结构示意图；
图7是实现本发明实施例的电芯温度确定方法的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
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。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种电芯温度确定方法的流程图，本实施例可适用于对电池电芯内部温度自动预测的情况，该方法可以由电芯温度确定装置来执行，该电芯温度确定装置可以采用硬件和/或软件的形式实现，该电芯温度确定装置可配置于计算机终端中。如图1所示，该方法包括：
S110、获取待测电芯的测量数据，其中，所述待测电芯的测量数据包括电芯位置信息、荷电状态信息、模组电流和电芯镍带温度。
本实施例中，待测电芯是指待进行温度预测的电池电芯，待测电芯的数量可以为一个或多个。当待测电芯的数量为多个时，表明电池为组合电池，换而言之，电池可以包括多个电芯。待测电芯的测量数据是指可以通过信息采集设备采集得到的电芯关联数据，可以包括但不限于电芯位置信息、荷电状态信息、模组电流和电芯镍带温度。其中，电芯位置信息是指该电芯在电池中的部署位置。示例性的，电芯位置信息包括横列位序和纵列位序，横列位序为该电芯在电池中的横向位置信息，纵列位序为该电芯在电池中的纵向位置信息。荷电状态信息（State Of Charge，SOC）是指电芯的荷电状态信息。模组电流是指电池模组的整体电流。电芯镍带温度是指电芯镍带处的测量温度。
示例性的，待测电芯的测量数据可以从预设存储路径调取得到，或者，还可以通过信息采集设备实时采集得到，在此不做限定。例如电芯位置信息、荷电状态信息和模组电流可以从电池管理***的记录数据中获取；电芯镍带温度可以通过布置在电芯上的热电偶测量得到。
S120、将所述电芯位置信息、所述荷电状态信息、所述模组电流和所述电芯镍带温度输入至预先训练完成的电芯-镍带温差模型，得到电芯-镍带温差数据。
本实施例中，电芯-镍带温差模型是指预先训练完成的神经网络模型，可以用于预测电芯本体与正负极镍带的温差值。换而言之，电芯-镍带温差数据是指电芯本体与正负极镍带的温差值。可选的，电芯-镍带温差数据包括电芯本体-上镍带温差数据和/或电芯本体-下镍带温差数据。其中，电芯本体-上镍带温差数据可以是电芯本体与正极镍带的温差值，相应的，电芯本体-下镍带温差数据可以是电芯本体与负极镍带的温差值。
具体的，电芯温差模型包括输入层、隐藏层和输出层；相应的，将电芯位置信息、荷电状态信息、模组电流和电芯镍带温度输入至预先训练完成的电芯温差模型，得到电芯温差数据，包括：通过输入层，输入电芯位置信息、荷电状态信息、模组电流和电芯镍带温度；通过隐藏层，对电芯位置信息、荷电状态信息、模组电流和电芯镍带温度进行转换处理，得到隐藏特征数据；通过输出层，将隐藏特征数据输出，得到电芯本体-上镍带温差数据和电芯本体-下镍带温差数据。
S130、基于所述电芯-镍带温差数据和电芯温度模型，确定所述待测电芯的温度分布结果。
本实施例中，温度分布结果是指电芯内部各节点温度分布数据。可选的，温度分布结果可以为待测电芯任一时刻的温度分布数据。电芯温度模型可以用于实现待测电芯的温度分布结果的预测。
示例性的，图2为本实施例提供的一种圆柱电芯节点分布示意图。以圆柱电芯为例，该圆柱电芯包括[0,1,2,3,4,5,R]，具体而言，温度分布结果包括0号节点对应的温度、1号节点对应的温度、2号节点对应的温度、3号节点对应的温度、4号节点对应的温度、5号节点对应的温度和R号节点对应的温度，其中，0号节点为中心节点，R号节点为电芯表面节点。相应的，电芯温度模型可以为圆柱电芯在径上的温度模型。需要说明的是，在电芯发热过程中，温差主要体现在电芯从内到外的径向方向上，本实施例对电芯进行了一维的电芯温场简化，认为同一半径上各点温度相同。
在一些可选实施例中，电芯-镍带温差模型的训练过程，包括：获取多组训练样本数据，其中，所述训练样本数据包括电芯位置样本信息、荷电状态样本信息、模组样本电流和电芯外表样本温度，以及所述电芯位置样本信息、荷电状态样本信息、模组样本电流和电芯外表样本温度对应的电芯温差标签数据；基于所述电芯位置样本信息、荷电状态样本信息、模组样本电流和电芯外表样本温度，以及所述电芯位置样本信息、荷电状态样本信息、模组样本电流和电芯外表样本温度对应的电芯温差标签数据对初始模型进行训练，得到电芯温差模型；其中，所述电芯外表样本温度包括：电芯本体外表面温度、电芯上镍带温度、电芯下镍带温度。
示例性的，图3是本实施例提供的一种神经网络架构示意图。电芯-镍带温差模型的神经网络的样本输入维度为5，分别为横列位序、纵列位序、荷电状态信息、模组电流和电芯镍带温度；输出维度为2，分别为电芯本体-上镍带温差数据和电芯本体-下镍带温差数据；隐层节点数为s。下式中，（1）-（3）通过正向计算，得到网络计算误差；（4）-（7）通过反向计算，通过误差修正网络的连接权值矩阵和阈值向量。
其中，
表示第i个输入层神经元与第j个隐含层神经元的连接权值矩阵，
表示
第i个输入样本，f表示激活函数；
表示隐藏特征数据；
表示第j个隐含层神经元的阈值向
量。
其中，
表示第j个隐含层神经元与第k个输出层神经元的连接权值矩阵，
表示
第k个输出层神经元的阈值向量，s表示隐藏层节点数；
表示预测的电芯-镍带温差数据。
其中，
表示第k个输出层神经元的电芯温差标签数据，
表示网络计算误差。
其中，
表示修正第j个隐含层神经元与第k个输出层神经元的连接权值矩阵，
表示学习率。
其中，
表示修正后的第k个阈值向量。
其中，
表示修正后的第i个输入层神经元与第j个隐含层神经元的连接权值矩
阵。
其中，
表示修正后的第j个隐含层神经元的阈值向量。
本发明实施例的技术方案，通过将待测电芯的电芯位置信息、荷电状态信息、模组电流和电芯镍带温度输入至预先训练完成的电芯-镍带温差模型，得到了准确的待测电芯的电芯-镍带温差数据，进而根据准确的电芯-镍带温差数据和电芯温度模型，确定待测电芯的温度分布结果，提高了温度分布结果的测量准确度，解决了温度测量不准确的问题。
实施例二
图4为本发明实施例二提供的一种电芯温度确定方法的流程图，本实施例的方法与上述实施例中提供的电芯温度确定方法中各个可选方案可以结合。本实施例提供的电芯温度确定方法进行了进一步优化。可选的，在所述基于所述电芯-镍带温差数据和电芯温度模型，确定所述待测电芯的温度分布结果之前，所述方法还包括：获取历史时刻的待测电芯的各节点的温度，其中，所述历史时刻包括电池工作初始时刻以及所述电池工作初始时刻之后的任一时刻；相应的，所述基于所述电芯-镍带温差数据和电芯温度模型，确定所述待测电芯的温度分布结果，包括：基于所述历史时刻的待测电芯的各节点的温度、所述电芯-镍带温差数据和电芯温度模型，确定所述待测电芯的温度分布结果。
如图4所示，该方法包括：
S210、获取待测电芯的测量数据，其中，所述待测电芯的测量数据包括电芯位置信息、荷电状态信息、模组电流和电芯镍带温度。
S220、将所述电芯位置信息、所述荷电状态信息、所述模组电流和所述电芯镍带温度输入至预先训练完成的电芯-镍带温差模型，得到电芯-镍带温差数据。
S230、获取历史时刻的待测电芯的各节点的温度，其中，所述历史时刻包括电池工作初始时刻以及所述电池工作初始时刻之后的任一时刻。
S240、基于所述历史时刻的待测电芯的各节点的温度、所述电芯-镍带温差数据和电芯温度模型，确定所述待测电芯的温度分布结果。
本实施例中，历史时刻可以包括电池工作初始时刻以及所述电池工作初始时刻之后的任一时刻。换而言之，本实施例可以对待测电池任一时刻的温度进行监测，从而实现了对电池的实时监测。
在一些可选实施例中，所述获取历史时刻的待测电芯的各节点的温度，包括：获取所述待测电池所处的环境温度，将所述待测电池所处的环境温度确定为电池工作初始时刻的待测电芯的各节点的温度；相应的，所述基于所述历史时刻的待测电芯的各节点的温度、所述电芯-镍带温差数据和电芯温度模型，确定所述待测电芯的温度分布结果，包括：基于所述电池工作初始时刻的待测电芯的各节点的温度、所述电芯-镍带温差数据和电芯温度模型，确定所述待测电芯的温度分布结果。
其中，初始时刻下的电芯各节点的温度一致，且与环境温度一致。可以理解的是，在电池未工作的情况下，电池也未发热，电池温度处于常温状态，与环境温度一致，为可测量值。初始时刻之后的任一时刻可以为电池处于工作状态的任一时刻。可以理解的是，当电池处于工作状态时，电池会产生热量，并且电池中电芯的各半径节点的温度也并不一致，无法直接测量，可以根据初始时刻下的电芯各节点的温度预测得到。
在一些可选实施例中，所述电芯温度模型包括导热微分方程和传热边界条件；所述基于所述电池工作初始时刻的待测电芯的各节点的温度、所述电芯-镍带温差数据和电芯温度模型，确定所述待测电芯的温度分布结果，包括：对所述导热微分方程和所述传热边界条件进行离散化处理，得到离散导热微分方程和离散传热边界条件；基于所述电池工作初始时刻的待测电芯的各节点的温度和所述离散导热微分方程求解得到下一时刻的待测电芯的各半径节点的温度；基于所述下一时刻的待测电芯的各半径节点的温度和所述离散传热边界条件确定下一时刻的待测电芯的中心节点的温度；基于所述电芯镍带温度和所述电芯-镍带温差数据确定下一时刻的待测电芯的表面节点的温度；基于所述下一时刻的待测电芯的各半径节点的温度、所述下一时刻的待测电芯的中心节点的温度和所述下一时刻的待测电芯的表面节点的温度确定下一时刻的待测电芯的温度分布结果；若所述下一时刻为目标时刻，则将所述下一时刻的待测电芯的温度分布结果确定为待测电芯的温度分布结果；否则，基于所述下一时刻的待测电芯的温度分布结果、所述电芯-镍带温差数据和电芯温度模型继续循环求解，直至目标时刻，得到所述待测电芯的温度分布结果。
其中，导热微分方程可以是极坐标系径向上的导热微分方程。传热边界条件是指在求解区域边界上所求解的变量或其导数随时间和位置的变化规律表示。目标时刻可以为实时变化值，以实现对待测电芯的温度进行实时监测。
示例性的，导热微分方程可以为：
传热边界条件可以为：
其中，
表示电芯密度，C表示电芯比热容，
表示电芯在径向上的导热系数，q表示
电芯生热率，t表示时间，r表示半径，T表示电芯不同在不同径向上的温度，
表示电芯本体
表面温度，NET_output表示电芯温差数据，
表示电芯镍带位置处的温度测量值。需要说
明的是，传热边界条件认为电芯内部中心绝热。
进一步的，可以通过有限差分法对导热微分方程和传热边界条件进行离散化处理，离散导热微分方程为：
对应和离散传热边界条件为：
其中，n表示时间，k表示电芯半径，kmax表示最大电芯半径，电芯生热率q可通过下式求解得到：
其中，
表示电芯体积；
表示电芯开路电压，其可以通过电芯SOC-开路电压曲线
测量得到；
表示电芯端电压，I表示电芯电流；
为电芯熵热系数，其可以通过电芯SOC-熵
热系数曲线测量得到。电芯电流、电芯端电压和SOC可通过电池管理***实时获得。
进一步的，迭代计算出每一时刻下电芯内部的电芯温度分布结果，迭代过程如下：
对于初始时刻，获取待测电池所处的环境温度，将待测电池所处的环境温度确定为电池工作初始时刻的待测电芯的各节点的温度；
基于电池工作初始时刻的待测电芯的各节点的温度和离散导热微分方程求解得到下一时刻的待测电芯的各半径节点的温度；
基于下一时刻的待测电芯的各半径节点的温度和离散传热边界条件确定下一时刻的待测电芯的中心节点的温度；
基于电芯镍带温度和电芯-镍带温差数据确定下一时刻的待测电芯的表面节点的温度；
基于下一时刻的待测电芯的各半径节点的温度、下一时刻的待测电芯的中心节点的温度和下一时刻的待测电芯的表面节点的温度确定下一时刻的待测电芯的温度分布结果；
若下一时刻为目标时刻，则将下一时刻的待测电芯的温度分布结果确定为待测电芯的温度分布结果；否则，基于下一时刻的待测电芯的温度分布结果、电芯-镍带温差数据和电芯温度模型继续循环求解，直至目标时刻，得到待测电芯的温度分布结果。
具体运算过程如下：
用矩阵的形式表示为：
令
，
，
，
；
则：
根据上述迭代过程，可依次迭代计算出每个时刻下的电芯温度分布结果，实现实时获得电芯整体在每一时刻下的温度数值，电池管理***能够实时进行数值监测，以及时实施过温保护措施。
本发明实施例的技术方案，通过获取历史时刻的待测电芯的各节点的温度，其中，历史时刻包括电池工作初始时刻以及电池工作初始时刻之后的任一时刻，进而基于历史时刻的待测电芯的各节点的温度、电芯-镍带温差数据和电芯温度模型，确定待测电芯的温度分布结果，本实施例可以对待测电池任一时刻的温度进行监测，从而实现了对电池的实时监测，以及时实施过温保护措施。
实施例三
图5为本发明实施例三提供的一种电芯温度确定方法的流程图，本实施例的方法与上述实施例中提供的电芯温度确定方法中各个可选方案可以结合。本实施例提供的电芯温度确定方法进行了进一步优化。可选的，在所述基于所述电芯-镍带温差数据和电芯温度模型，确定所述待测电芯的温度分布结果之后，所述方案还包括：将所述待测电芯的温度分布结果中的最高温度传输至电池管理***，所述电池管理***基于所述待测电芯的温度分布结果中的最高温度进行温度监测。
如图5所示，该方法包括：
S310、获取待测电芯的测量数据，其中，所述待测电芯的测量数据包括电芯位置信息、荷电状态信息、模组电流和电芯镍带温度。
S320、将所述电芯位置信息、所述荷电状态信息、所述模组电流和所述电芯镍带温度输入至预先训练完成的电芯-镍带温差模型，得到电芯-镍带温差数据。
S330、基于所述电芯-镍带温差数据和电芯温度模型，确定所述待测电芯的温度分布结果。
S340、将所述待测电芯的温度分布结果中的最高温度传输至电池管理***，所述电池管理***基于所述待测电芯的温度分布结果中的最高温度进行温度监测。
其中，待测电芯的温度分布结果中的最高温度可以作为电池管理***的温度监测数值，电池管理***可以根据该温度实施充、放电降流，过温保护等措施。
本发明实施例的技术方案，通过将待测电芯的温度分布结果中的最高温度传输至电池管理***，从而电池管理***可以根据基于待测电芯的温度分布结果中的最高温度进行温度监测，从而避免由于电芯镍带与电芯内部的温度差异，造成温度超限时电池停机的延时、滞后问题，有利于提高电芯的循环使用寿命和电芯的长期稳定工作。
实施例四
图6为本发明实施例四提供的一种电芯温度确定装置的结构示意图。如图6所示，该装置包括：
测量数据获取模块410，用于获取待测电芯的测量数据，其中，所述待测电芯的测量数据包括电芯位置信息、荷电状态信息、模组电流和电芯镍带温度；
温差数据预测模块420，用于将所述电芯位置信息、所述荷电状态信息、所述模组电流和所述电芯镍带温度输入至预先训练完成的电芯-镍带温差模型，得到电芯-镍带温差数据；
温度分布确定模块430，用于基于所述电芯-镍带温差数据和电芯温度模型，确定所述待测电芯的温度分布结果。
本发明实施例的技术方案，通过将待测电芯的电芯位置信息、荷电状态信息、模组电流和电芯镍带温度输入至预先训练完成的电芯-镍带温差模型，得到了准确的待测电芯的电芯-镍带温差数据，进而根据准确的电芯-镍带温差数据和电芯温度模型，确定待测电芯的温度分布结果，提高了温度分布结果的测量准确度，解决了温度测量不准确的问题。
在一些可选的实施方式中，所述电芯-镍带温差数据包括电芯本体-上镍带温差数据和/或电芯本体-下镍带温差数据。
在一些可选的实施方式中，装置还包括：
历史温度获取模块，用于获取历史时刻的待测电芯的各节点的温度，其中，所述历史时刻包括电池工作初始时刻以及所述电池工作初始时刻之后的任一时刻；
相应的，温度分布确定模块430，包括：
电芯温度分布确定单元，用于基于所述历史时刻的待测电芯的各节点的温度、所述电芯-镍带温差数据和电芯温度模型，确定所述待测电芯的温度分布结果。
在一些可选的实施方式中，历史温度获取模块，具体用于：
获取所述待测电池所处的环境温度，将所述待测电池所处的环境温度确定为电池工作初始时刻的待测电芯的各节点的温度；
相应的，电芯温度分布确定单元，包括：
待测电芯温度分布确定子单元，用于基于所述电池工作初始时刻的待测电芯的各节点的温度、所述电芯-镍带温差数据和电芯温度模型，确定所述待测电芯的温度分布结果。
在一些可选的实施方式中，所述电芯温度模型包括导热微分方程和传热边界条件；待测电芯温度分布确定子单元，具体用于：
对所述导热微分方程和所述传热边界条件进行离散化处理，得到离散导热微分方程和离散传热边界条件；
基于所述电池工作初始时刻的待测电芯的各节点的温度和所述离散导热微分方程求解得到下一时刻的待测电芯的各半径节点的温度；
基于所述下一时刻的待测电芯的各半径节点的温度和所述离散传热边界条件确定下一时刻的待测电芯的中心节点的温度；
基于所述电芯镍带温度和所述电芯-镍带温差数据确定下一时刻的待测电芯的表面节点的温度；
基于所述下一时刻的待测电芯的各半径节点的温度、所述下一时刻的待测电芯的中心节点的温度和所述下一时刻的待测电芯的表面节点的温度确定下一时刻的待测电芯的温度分布结果；
若所述下一时刻为目标时刻，则将所述下一时刻的待测电芯的温度分布结果确定为待测电芯的温度分布结果；否则，基于所述下一时刻的待测电芯的温度分布结果、所述电芯-镍带温差数据和电芯温度模型继续循环求解，直至目标时刻，得到所述待测电芯的温度分布结果。
在一些可选的实施方式中，所述装置还包括：
温度监测模块，用于将所述待测电芯的温度分布结果中的最高温度传输至电池管理***，所述电池管理***基于所述待测电芯的温度分布结果中的最高温度进行温度监测。
在一些可选的实施方式中，所述电芯-镍带温差模型的训练过程，包括：
获取多组训练样本数据，其中，所述训练样本数据包括电芯位置样本信息、荷电状态样本信息、模组样本电流和电芯外表样本温度，以及所述电芯位置样本信息、荷电状态样本信息、模组样本电流和电芯外表样本温度对应的电芯温差标签数据；
基于所述电芯位置样本信息、荷电状态样本信息、模组样本电流和电芯外表样本温度，以及所述电芯位置样本信息、荷电状态样本信息、模组样本电流和电芯外表样本温度对应的电芯温差标签数据对初始模型进行训练，得到电芯温差模型；
其中，所述电芯外表样本温度包括：电芯本体外表面温度、电芯上镍带温度、电芯下镍带温度。
本发明实施例所提供的电芯温度确定装置可执行本发明任意实施例所提供的电芯温度确定方法，具备执行方法相应的功能模块和有益效果。
实施例五
图7示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字助理、蜂窝电话、智能电话、可穿戴设备（如头盔、眼镜、手表等）和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图7所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器（ROM）12、随机访问存储器（RAM）13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器（ROM）12中的计算机程序或者从存储单元18加载到随机访问存储器（RAM）13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出（I/O）接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如电芯温度确定方法，该方法包括：
获取待测电芯的测量数据，其中，所述待测电芯的测量数据包括电芯位置信息、荷电状态信息、模组电流和电芯镍带温度；
将所述电芯位置信息、所述荷电状态信息、所述模组电流和所述电芯镍带温度输入至预先训练完成的电芯-镍带温差模型，得到电芯-镍带温差数据；
基于所述电芯-镍带温差数据和电芯温度模型，确定所述待测电芯的温度分布结果。
在一些实施例中，电芯温度确定方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的电芯温度确定方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行电芯温度确定方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上***的***（SOC）、复杂可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的***和技术，该电子设备具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***（例如，作为数据服务器）、或者包括中间件部件的计算***（例如，应用服务器）、或者包括前端部件的计算***（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将***的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (10)
1.一种电芯温度确定方法，其特征在于，包括：
获取待测电芯的测量数据，其中，所述待测电芯的测量数据包括电芯位置信息、荷电状态信息、模组电流和电芯镍带温度；
将所述电芯位置信息、所述荷电状态信息、所述模组电流和所述电芯镍带温度输入至预先训练完成的电芯-镍带温差模型，得到电芯-镍带温差数据；
基于所述电芯-镍带温差数据和电芯温度模型，确定所述待测电芯的温度分布结果。
2.根据权利要求1所述的方法，其特征在于，所述电芯-镍带温差数据包括电芯本体-上镍带温差数据和/或电芯本体-下镍带温差数据。
3.根据权利要求1所述的方法，其特征在于，在所述基于所述电芯-镍带温差数据和电芯温度模型，确定所述待测电芯的温度分布结果之前，所述方法还包括：
获取历史时刻的待测电芯的各节点的温度，其中，所述历史时刻包括电池工作初始时刻以及所述电池工作初始时刻之后的任一时刻；
相应的，所述基于所述电芯-镍带温差数据和电芯温度模型，确定所述待测电芯的温度分布结果，包括：
基于所述历史时刻的待测电芯的各节点的温度、所述电芯-镍带温差数据和电芯温度模型，确定所述待测电芯的温度分布结果。
4.根据权利要求3所述的方法，其特征在于，所述获取历史时刻的待测电芯的各节点的温度，包括：
获取所述待测电池所处的环境温度，将所述待测电池所处的环境温度确定为电池工作初始时刻的待测电芯的各节点的温度；
相应的，所述基于所述历史时刻的待测电芯的各节点的温度、所述电芯-镍带温差数据和电芯温度模型，确定所述待测电芯的温度分布结果，包括：
基于所述电池工作初始时刻的待测电芯的各节点的温度、所述电芯-镍带温差数据和电芯温度模型，确定所述待测电芯的温度分布结果。
5.根据权利要求3所述的方法，其特征在于，所述电芯温度模型包括导热微分方程和传热边界条件；
所述基于所述电池工作初始时刻的待测电芯的各节点的温度、所述电芯-镍带温差数据和电芯温度模型，确定所述待测电芯的温度分布结果，包括：
对所述导热微分方程和所述传热边界条件进行离散化处理，得到离散导热微分方程和离散传热边界条件；
基于所述电池工作初始时刻的待测电芯的各节点的温度和所述离散导热微分方程求解得到下一时刻的待测电芯的各半径节点的温度；
基于所述下一时刻的待测电芯的各半径节点的温度和所述离散传热边界条件确定下一时刻的待测电芯的中心节点的温度；
基于所述电芯镍带温度和所述电芯-镍带温差数据确定下一时刻的待测电芯的表面节点的温度；
基于所述下一时刻的待测电芯的各半径节点的温度、所述下一时刻的待测电芯的中心节点的温度和所述下一时刻的待测电芯的表面节点的温度确定下一时刻的待测电芯的温度分布结果；
若所述下一时刻为目标时刻，则将所述下一时刻的待测电芯的温度分布结果确定为待测电芯的温度分布结果；否则，基于所述下一时刻的待测电芯的温度分布结果、所述电芯-镍带温差数据和电芯温度模型继续循环求解，直至目标时刻，得到所述待测电芯的温度分布结果。
6.根据权利要求1所述的方法，其特征在于，在所述基于所述电芯-镍带温差数据和电芯温度模型，确定所述待测电芯的温度分布结果之后，所述方法还包括：
将所述待测电芯的温度分布结果中的最高温度传输至电池管理***，所述电池管理***基于所述待测电芯的温度分布结果中的最高温度进行温度监测。
7.根据权利要求1所述的方法，其特征在于，所述电芯-镍带温差模型的训练过程，包括：
获取多组训练样本数据，其中，所述训练样本数据包括电芯位置样本信息、荷电状态样本信息、模组样本电流和电芯外表样本温度，以及所述电芯位置样本信息、荷电状态样本信息、模组样本电流和电芯外表样本温度对应的电芯温差标签数据；
基于所述电芯位置样本信息、荷电状态样本信息、模组样本电流和电芯外表样本温度，以及所述电芯位置样本信息、荷电状态样本信息、模组样本电流和电芯外表样本温度对应的电芯温差标签数据对初始模型进行训练，得到电芯温差模型；
其中，所述电芯外表样本温度包括：电芯本体外表面温度、电芯上镍带温度、电芯下镍带温度。
8.一种电芯温度确定装置，其特征在于，包括：
测量数据获取模块，用于获取待测电芯的测量数据，其中，所述待测电芯的测量数据包括电芯位置信息、荷电状态信息、模组电流和电芯镍带温度；
温差数据预测模块，用于将所述电芯位置信息、所述荷电状态信息、所述模组电流和所述电芯镍带温度输入至预先训练完成的电芯-镍带温差模型，得到电芯-镍带温差数据；
温度分布确定模块，用于基于所述电芯-镍带温差数据和电芯温度模型，确定所述待测电芯的温度分布结果。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的电芯温度确定方法。
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存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的电芯温度确定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211598058.1A CN115663311B (zh) | 2022-12-14 | 2022-12-14 | 电芯温度确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211598058.1A CN115663311B (zh) | 2022-12-14 | 2022-12-14 | 电芯温度确定方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115663311A true CN115663311A (zh) | 2023-01-31 |
| CN115663311B CN115663311B (zh) | 2023-05-05 |
Family
ID=85023187
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211598058.1A Active CN115663311B (zh) | 2022-12-14 | 2022-12-14 | 电芯温度确定方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115663311B (zh) |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101013765A (zh) * | 2007-01-26 | 2007-08-08 | 清华大学 | 一种实时估计镍氢动力电池内外温差的方法 |
| JP2018147680A (ja) * | 2017-03-03 | 2018-09-20 | 住友電気工業株式会社 | 温度異常判定装置、温度異常判定方法及びコンピュータプログラム |
| US20190058336A1 (en) * | 2017-08-15 | 2019-02-21 | Dell Products L.P. | Battery management using battery temperature distribution |
| CN110118617A (zh) * | 2019-05-30 | 2019-08-13 | 上海元城汽车技术有限公司 | 电池模组的内部温度确定方法、装置及智能终端 |
| CN111725573A (zh) * | 2019-03-22 | 2020-09-29 | 东莞新能安科技有限公司 | 温度补偿方法、具有充电电池的设备及存储介质 |
| CN112016190A (zh) * | 2020-08-04 | 2020-12-01 | 华人运通(上海)新能源驱动技术有限公司 | 动力电池温度修正方法、装置及计算机可读存储介质 |
| CN113420471A (zh) * | 2021-06-01 | 2021-09-21 | 上海交通大学 | 基于电化学机理的动力锂电池热模型构建建立方法及*** |
| CN113895309A (zh) * | 2021-10-09 | 2022-01-07 | 北京理工大学 | 一种应用数字孪生技术的电池热管理方法 |
| CN114638156A (zh) * | 2022-02-25 | 2022-06-17 | 香港科技大学 | 一种锂电池温度预测方法、装置、设备及存储介质 |
| WO2022164127A1 (ko) * | 2021-02-01 | 2022-08-04 | 한국전기연구원 | 디지털트윈 장치 및 디지털트윈 기반의 배터리 온도감시방법 |
| CN114966428A (zh) * | 2022-05-12 | 2022-08-30 | 湖北亿纬动力有限公司 | 电池性能参数的测试方法 |
| CN115436821A (zh) * | 2022-09-02 | 2022-12-06 | 四川新能源汽车创新中心有限公司 | 电池***产热异常识别方法及装置 |
-
2022
- 2022-12-14 CN CN202211598058.1A patent/CN115663311B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101013765A (zh) * | 2007-01-26 | 2007-08-08 | 清华大学 | 一种实时估计镍氢动力电池内外温差的方法 |
| JP2018147680A (ja) * | 2017-03-03 | 2018-09-20 | 住友電気工業株式会社 | 温度異常判定装置、温度異常判定方法及びコンピュータプログラム |
| US20190058336A1 (en) * | 2017-08-15 | 2019-02-21 | Dell Products L.P. | Battery management using battery temperature distribution |
| CN111725573A (zh) * | 2019-03-22 | 2020-09-29 | 东莞新能安科技有限公司 | 温度补偿方法、具有充电电池的设备及存储介质 |
| CN110118617A (zh) * | 2019-05-30 | 2019-08-13 | 上海元城汽车技术有限公司 | 电池模组的内部温度确定方法、装置及智能终端 |
| CN112016190A (zh) * | 2020-08-04 | 2020-12-01 | 华人运通(上海)新能源驱动技术有限公司 | 动力电池温度修正方法、装置及计算机可读存储介质 |
| WO2022164127A1 (ko) * | 2021-02-01 | 2022-08-04 | 한국전기연구원 | 디지털트윈 장치 및 디지털트윈 기반의 배터리 온도감시방법 |
| CN113420471A (zh) * | 2021-06-01 | 2021-09-21 | 上海交通大学 | 基于电化学机理的动力锂电池热模型构建建立方法及*** |
| CN113895309A (zh) * | 2021-10-09 | 2022-01-07 | 北京理工大学 | 一种应用数字孪生技术的电池热管理方法 |
| CN114638156A (zh) * | 2022-02-25 | 2022-06-17 | 香港科技大学 | 一种锂电池温度预测方法、装置、设备及存储介质 |
| CN114966428A (zh) * | 2022-05-12 | 2022-08-30 | 湖北亿纬动力有限公司 | 电池性能参数的测试方法 |
| CN115436821A (zh) * | 2022-09-02 | 2022-12-06 | 四川新能源汽车创新中心有限公司 | 电池***产热异常识别方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115663311B (zh) | 2023-05-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Extreme learning machine-based thermal model for lithium-ion batteries of electric vehicles under external short circuit | |
| Xu et al. | Remaining useful life prediction of lithium-ion batteries based on wiener process under time-varying temperature condition | |
| US11243262B2 (en) | Degradation estimation apparatus, computer program, and degradation estimation method | |
| EP3904894B1 (en) | Training device, estimation device, training method, estimation method, training program, and estimation program | |
| WO2019114240A1 (zh) | 一种电池荷电状态预测方法和*** | |
| CN108627766B (zh) | 电池模组中电芯内部温度的实时测量方法及电池包 | |
| US20210033675A1 (en) | Degradation estimation apparatus, computer program, and degradation estimation method | |
| WO2014119328A1 (ja) | 電池状態推定装置 | |
| US20220357399A1 (en) | Battery temperature estimation method and apparatus, electronic device, and storage medium | |
| US11619674B2 (en) | State estimation method and state estimation apparatus | |
| Sun et al. | Adaptive evolution enhanced physics-informed neural networks for time-variant health prognosis of lithium-ion batteries | |
| Ozcan et al. | Online state of charge estimation for Lithium-ion batteries using Gaussian process regression | |
| CN113447828A (zh) | 一种基于贝叶斯神经网络的锂电池温度估计方法及*** | |
| Chang et al. | Lithium-ion battery state of health estimation based on electrochemical impedance spectroscopy and cuckoo search algorithm optimized elman neural network | |
| JP2022169917A (ja) | 電池管理装置、電力システム | |
| CN115214424A (zh) | 电池热管理***的温度确定方法、装置及电子设备 | |
| CN109814037A (zh) | 锂离子电池熵热系数的获取方法、终端设备及介质 | |
| Li et al. | Lithium-ion battery state of health estimation based on multi-source health indicators extraction and sparse Bayesian learning | |
| CN115630502A (zh) | 电池膨胀力确定方法、电子设备及存储介质 | |
| JP2019190905A (ja) | 状態推定方法、及び状態推定装置 | |
| Liu et al. | A novel Kalman-filter-based battery internal temperature estimation method based on an enhanced electro-thermal coupling model | |
| Ma et al. | A novel health index for battery RUL degradation modeling and prognostics | |
| EP4293373A1 (en) | Method and apparatus with battery short detection | |
| CN116859255A (zh) | 一种储能电池健康状态的预测方法、装置、设备及介质 | |
| CN115663311B (zh) | 电芯温度确定方法、装置、电子设备及存储介质 |
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 |