一种电池容量分选方法、装置、电子设备及存储介质制造方法及图纸

本发明专利技术涉及一种电池容量分选方法、装置、电子设备及存储介质，所述方法包括：获取若干电池在不同SOC状态下的Bode图，根据所述Bode图得到特征值，获取所述特征值对应电池的剩余容量；构建神经网络模型，根据所述特征值和所述特征值对应电池的剩余容量对所述神经网络模型进行训练，得到训练完备的神经网络模型；获取待分选电池的实时特征值，根据所述实时特征值和所述训练完备的神经网络模型得到所述待分选电池的容量值，根据所述待分选电池的容量值进行电池分选。本发明专利技术公开的电池容量分选方法，使得电池容量分选快速且准确。使得电池容量分选快速且准确。使得电池容量分选快速且准确。

【技术实现步骤摘要】
一种电池容量分选方法、装置、电子设备及存储介质


[0001]本专利技术涉及电池分选
，尤其涉及一种电池容量分选方法、装置、电子设备及计算机可读存储介质。

技术介绍

[0002]锂离子电池具有电压高、比能量大、充放电寿命长等优点，因此被广泛应用于电子产品、便携式小型电器、储能系统等多个领域的产品中，在锂离子电池的生产过程中，需要对锂离子电池的实际容量进行评估，从而分选出实际容量不合格的锂离子电池。
[0003]在传统的锂离子电池容量分选方法中，应用最广泛的是方法是通过对锂离子电池进行多次充放电得出放电容量，然后根据放电容量来确定锂离子电池的实际容量是否合格，其中充放电工艺一般是先对锂离子电池恒流恒压充电至接近充电终止电压的截止电压(如4.35V)，然后再恒流放电至接近放电终止电压的截止电压(如3.0V)。
[0004]然而上述方法容量分选时间长，仅一次充放电就需6h
‑
12h小时，工作效率较低，而且需要投入大量的设备、人力资源，成本较高，分选结果也容易受到过程中很多不确定因素的影响，导致分选结果不准确。

技术实现思路

[0005]有鉴于此，有必要提供一种电池容量分选方法、装置、电子设备及计算机可读存储介质，用以解决现有技术中无法对电池容量进行快速且准确的分选的问题。
[0006]为了解决上述问题，本专利技术提供一种电池容量分选方法，包括：
[0007]获取若干电池在不同SOC状态下的Bode图，根据所述Bode图得到特征值，获取所述特征值对应电池的剩余容量；
[0008]构建神经网络模型，根据所述特征值和所述特征值对应电池的剩余容量对所述神经网络模型进行训练，得到训练完备的神经网络模型；
[0009]获取待分选电池的实时特征值，根据所述实时特征值和所述训练完备的神经网络模型得到所述待分选电池的容量值，根据所述待分选电池的容量值进行电池分选。
[0010]进一步地，根据所述Bode图得到特征值，包括：
[0011]利用所述Bode图获取初始特征值，获取所述初始特征值对应电池的剩余容量；
[0012]根据所述初始特征值对应电池的剩余容量对所述初始特征值进行筛选，得到筛选后的特征值。
[0013]进一步地，根据所述初始特征值对应电池的剩余容量对所述初始特征值进行筛选，包括：
[0014]利用皮尔逊相关系数计算所述初始特征值与所述初始特征值对应电池的剩余容量的相关性值；
[0015]若所述相关性值的绝对值小于设定阈值，则剔除所述初始特征值。
[0016]进一步地，构建神经网络模型，包括：
[0017]构建RBF神经网络模型。
[0018]进一步地，所述RBF神经网络模型的激活函数为高斯核函数，所述高斯核函数为
[0019]其中，x
‑
c为核函数中心，σ为核函数的宽度参数。
[0020]进一步地，根据所述特征值和所述特征值对应电池的剩余容量对所述神经网络模型进行训练，包括：
[0021]以所述特征值作为输入值输入，以所述特征值对应电池的剩余容量作为输出值输出对所述神经网络模型进行训练。
[0022]进一步地，根据所述待分选电池的容量值进行电池分选，包括：
[0023]将所述待分选电池的容量值按照预设规则进行电池分选。
[0024]本专利技术还提供了一种电池容量分选装置，包括数据获取模块、网络训练模块及电池分选模块；
[0025]所述数据获取模块，用于获取若干电池在不同SOC状态下的Bode图，根据所述Bode图得到特征值，获取所述特征值对应电池的剩余容量；
[0026]所述网络训练模块，用于构建神经网络模型，根据所述特征值和所述特征值对应电池的剩余容量对所述神经网络模型进行训练，得到训练完备的神经网络模型；
[0027]所述电池分选模块，用于获取待分选电池的实时特征值，根据所述实时特征值和所述训练完备的神经网络模型得到所述待分选电池的容量值，根据所述待分选电池的容量值进行电池分选。
[0028]本专利技术还提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如上述任一技术方案所述的电池容量分选方法。
[0029]本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机该程序被处理器执行时，实现如上述任一技术方案所述的电池容量分选方法。
[0030]采用上述实施例的有益效果是：本专利技术提供的电池容量分选方法，通过若干电池在不同SOC状态下的Bode图得到特征值，获取特征值对应电池的剩余容量，构建神经网络模型，根据特征值和特征值对应电池的剩余容量训练神经网络模型，得到训练完备的神经网络模型，利用训练完备的神经网络模型预测待分选电池的容量值从而进行电池容量分选，使得电池容量分选快速且准确。
附图说明
[0031]图1为本专利技术提供的电池容量分选方法一实施例的流程示意图；
[0032]图2为本专利技术提供的电池容量分选装置一实施例的结构框图；
[0033]图3为本专利技术提供的电子设备一实施例的结构框图。
具体实施方式
[0034]下面结合附图来具体描述本专利技术的优选实施例，其中，附图构成本申请一部分，并与本专利技术的实施例一起用于阐释本专利技术的原理，并非用于限定本专利技术的范围。
[0035]本专利技术提供了一种电池容量分选方法、装置、电子设备及计算机可读存储介质，以
下分别进行详细说明。
[0036]本专利技术实施例提供了一种电池容量分选方法，其流程示意图，如图1所示，所述电池容量分选方法包括：
[0037]步骤S101、获取若干电池在不同SOC状态下的Bode图，根据所述Bode图得到特征值，获取所述特征值对应电池的剩余容量；
[0038]步骤S102、构建神经网络模型，根据所述特征值和所述特征值对应电池的剩余容量对所述神经网络模型进行训练，得到训练完备的神经网络模型；
[0039]步骤S103、获取待分选电池的实时特征值，根据所述实时特征值和所述训练完备的神经网络模型得到所述待分选电池的容量值，根据所述待分选电池的容量值进行电池分选。
[0040]需要说明的是，与现有技术相比，本专利技术通过若干电池在不同SOC状态下的Bode图得到特征值，获取特征值对应电池的剩余容量，构建神经网络模型，根据特征值和特征值对应电池的剩余容量训练神经网络模型，得到训练完备的神经网络模型，利用训练完备的神经网络模型预测待分选电池的容量值从而进行电池容量分选，使得电池容量分选快速且准确。
[0041]一个具体的实施例中，在0.3～1C下将电池调整至同一SOC状态下，对于三元电池，调整至30～70％SOC状态下，对于磷酸铁锂电池，调整至10～30％或者70～90％SOC状态，利用阻抗谱测试仪在温度为(25
±
2)℃，频率为0.05～100KHz的条件下测试不同SOC状态下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电池容量分选方法，其特征在于，包括：获取若干电池在不同SOC状态下的Bode图，根据所述Bode图得到特征值，获取所述特征值对应电池的剩余容量；构建神经网络模型，根据所述特征值和所述特征值对应电池的剩余容量对所述神经网络模型进行训练，得到训练完备的神经网络模型；获取待分选电池的实时特征值，根据所述实时特征值和所述训练完备的神经网络模型得到所述待分选电池的容量值，根据所述待分选电池的容量值进行电池分选。2.根据权利要求1所述的电池容量分选方法，其特征在于，根据所述Bode图得到特征值，包括：利用所述Bode图获取初始特征值，获取所述初始特征值对应电池的剩余容量；根据所述初始特征值对应电池的剩余容量对所述初始特征值进行筛选，得到筛选后的特征值。3.根据权利要求2所述的电池容量分选方法，其特征在于，根据所述初始特征值对应电池的剩余容量对所述初始特征值进行筛选，包括：利用皮尔逊相关系数计算所述初始特征值与所述初始特征值对应电池的剩余容量的相关性值；若所述相关性值的绝对值小于设定阈值，则剔除所述初始特征值。4.根据权利要求1所述的电池容量分选方法，其特征在于，构建神经网络模型，包括：构建RBF神经网络模型。5.根据权利要求4所述的电池容量分选方法，其特征在于，所述RBF神经网络模型的激活函数为高斯核函数，所述高斯核函数为其中，x
‑
c为核函数中心，σ为核函数的宽度参数。6.根据权利要求1所述的电池容量分选方...

【专利技术属性】
技术研发人员：许开华，张宇平，刘虹灵，别传玉，张阳琳，阳婕，肖磊，宋华伟，
申请(专利权)人：武汉动力电池再生技术有限公司，
类型：发明
国别省市：