(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202211106763.5 (22)申请日 2022.09.13 (65)同一申请的已公布的文献号 申请公布号 CN 115184831 A (43)申请公布日 2022.10.14 (73)专利权人 南通云锦微电子科技有限公司 地址 226000 江苏省南 通市崇川区永兴街 道深南路19 9号天安数码城6幢709室 (72)发明人 王文艺　高瞻　 (74)专利代理 机构 邯郸泽科知识产权代理有限 公司 13169 专利代理师 邹冰 (51)Int.Cl. G01R 31/396(2019.01) G01R 31/367(2019.01)H01M 10/48(2006.01) G06F 17/11(2006.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) B60L 58/10(2019.01) 审查员 王倪颖 (54)发明名称 用于梯次锂电池组的预警方法 (57)摘要 本发明涉及测量电变量技术领域， 具体涉及 一种用于梯次锂电池组的预警方法， 该方法通过 对梯次电池组中各个梯次电池在过去各个设定 时段对应的第一测试数据进行测量， 并基于测量 得到的第一测试数据， 确定梯次电池组中各个梯 次电池在过去各个 设定时段对应的可用程度， 进 而基于确定的这些可用程度， 利用预测网络对梯 次电池在未来下一个设定时段对应的可用程度 进行预测， 根据预测的可用程度， 确定梯次电池 组中各个梯次电池在未来下一个设定时段对应 的不可用的梯次电池， 并进行相应的预警。 由于 本发明可以提前检测到梯次电池在未来时段的 可用程度， 进而可实现提前预警， 有效解决了现 有的梯次电池性能检测具有一定滞后性的问题。 权利要求书4页 说明书13页 附图2页 CN 115184831 B 2022.11.29 CN 115184831 B 1.一种用于梯次锂电池组的预警方法， 其特 征在于， 包括以下步骤： 获取梯次电池组中各个梯次电池在过去各个设定时段对应的第 一测试数据， 所述第 一 测试数据包括： 在充放电测试 过程中不同充电量情况 下的开路电压和充放电效率； 根据梯次电池组中各个梯次电池在过去各个设定时段对应的第 一测试数据， 确定梯次 电池组中各个梯次电池在过去各个设定时段对应的可用程度； 将梯次电池组中每个梯次电池在过去各个设定时段对应的可用程度输入到预先获取 的梯次电池可用程度预测网络中， 由梯次电池可用程度预测网络对每个梯次电池在未来下 一个设定时段对应的可用程度进 行预测， 从而得到梯次电池组中各个梯次电池在未来下一 个设定时段对应的可用程度预测值； 根据梯次电池组中各个梯次电池在未来下一个设定时段对应的可用程度 预测值， 确定 梯次电池组中各个梯次电池在未来下一个设定时段对应的不可用的梯次电池， 进而确定当 前的预警等级； 其中， 可用程度的获取方法为： 根据梯次电池组中各个梯次电池在过去各个设定时段 对应的第一测试数据， 确定梯次电池组中各个梯次电池在过去各个设定时段对应的开路电 压均值和充放电效率均值； 根据梯次电池组中各个梯次电池在过去各个设定时段对应的开 路电压均值和充放电效率均值， 计算梯次电池组中各个梯次电池在过去 各个设定时段对应 的可用程度； 计算梯次电池组中各个梯次电池在过去各个设定时段对应的可用程度对应的计算公 式为： 其中， 为梯次电池组中每个梯次电池在过去每个设定时段对应的可用程度， 为 梯次电池组中每个梯次电池在过去每个设定时段对应的充 放电效率均值， 为梯次电池组 中每个梯次电池在过去每个设定时段对应的开路电压均值， 为梯次电池的开路电压 下限值； 其中， 训练样本的确定方法为： 在构建好该梯次电池可用程度 预测网络之后， 为了对该 预测网络进行训练以便于后续对梯次电池的可用程度进行预测， 需要获取该预测网络的训 练样本并确定该预测网络的损失函数； 每个样本梯次电池在过去 各个设定时段都有其对应 的可用程度， 此时对于每个样本梯次电池， 按照过去 各个设定时段的时间先后顺序， 对该样 本梯次电池的可用程度进行排列， 从而可以得到一个可用程度序列， 该可用程度序列中的 每个可用程度即为一个训练样本； 对于不同的样本梯次电池， 可以得到多个可用程度序列， 从而可以得到该 预测网络的多个训练样本； 其中， 预测网络的训练方法为： 在确定梯次电池可用程度预测网络的训练样本和损 失 函数后， 根据确定的训练样本和损失函数， 对该预测网络进行训练， 在进行训练时， 该预测 网络会根据每个可用程度序列中的每前n个训练样本， 对这n个训练样本的后n个训练样本 进行预测， 并根据后n个训练样本的实际值和预测值之 间的差异 值以及后n个训练样本的可 信程度， 确定损失函数的取值， 进而根据确定的损失函数的取值， 对预测网络参数进行调权　利　要　求　书 1/4 页 2 CN 115184831 B 2整， 从而最终得到训练好的预测网络 。 2.根据权利要求1所述的用于梯次锂电池组 的预警方法， 其特征在于， 梯次电池可用程 度预测网络的预 先获取过程包括： 获取各个样本梯次电池组中各个样本梯次电池在过去各个设定时段对应的第二测试 数据， 所述第二测试数据包括： 充电容量与电压微分曲线、 电池容量、 在自放电测试过程中 的常温荷电保持率以及在不同充电量情况下的开路电压、 充放电效率、 极化电阻、 欧姆电阻 和极化电容； 根据各个样本梯次电池组中各个样本梯次电池在过去各个设定时段对应的第二测试 数据中的充电容量与电压微分曲线、 电池容量以及在自放电测试过程中的常温荷电保持 率， 对在过去各个设定时段中所有样本梯次电池进行分类， 从而得到在过去各个设定时段 中各个样本梯次电池类别； 根据各个样本梯次电池组中各个样本梯次电池在过去各个设定时段对应的第二测试 数据中的在不同充电量情况下的开路电压和充放电效率， 确定在过去 各个设定时段中所有 样本梯次电池的可用程度； 根据在过去各个设定时段中各个样本梯次电池类别中的各个样本梯次电池的可用程 度， 确定在过去各个设定时段中各个样本梯次电池类别对应的可用权 重； 根据各个样本梯次电池组中各个样本梯次电池在过去各个设定时段对应的第二测试 数据中的在不同充电量情况下 的极化电阻、 欧姆电阻和极化电容， 确定在过去各个设定时 段中所有样本梯次电池的偏差率； 根据在过去各个设定时段中各个样本梯次电池类别对应的可用权重以及每个样本梯 次电池类别中各个样本梯次电池的偏差率， 确定在过去各个设定时段中所有样本梯次电池 的可信程度； 利用神经网络构建梯次电池可用程度 预测网络， 并根据在过去各个设定时段中所有样 本梯次电池的可用程度和可信程度， 构造梯次电池可用程度预测网络的训练样本和损失函 数； 根据梯次电池可用程度 预测网络的训练样本和损失函数， 对梯次电池可用程度 预测网 络进行训练， 从而得到最终的训练好的梯次电池可用程度预测网络 。 3.根据权利要求2所述的用于梯次锂电池组 的预警方法， 其特征在于， 对在过去各个设 定时段中所有样本梯次电池进 行分类， 从而得到在过去各个设定时段中各个样本梯次电池 类别， 包括： 根据各个样本梯次电池组中各个样本梯次电池在过去各个设定时段对应的第二测试 数据中的充电容量与电压微分曲线、 电池容量以及在自放电测试过程中的常温荷电保持 率， 确定在过去 各个设定时段中所有样本梯次电池中的任意两个样本梯次电池之 间的差异 距离； 根据在过去各个设定时段中所有样本梯次电池中的任意两个样本梯次电池之间的差 异距离， 对在过去各个设定时段中所有样本梯次电池进行分类， 从而得到在过去各个设定 时段中各个样本梯次电池类别。 4.根据权利要求3所述的用于梯次锂电池组 的预警方法， 其特征在于， 确定在过去各个 设定时段中所有样本梯次电池中的任意两个样本梯次电池之间的差异距离对应的计算公权　利　要　求　书 2/4 页 3 CN 115184831 B 3