动力电池的SOH估计方法及装置、电子设备和存储介质制造方法及图纸

本申请涉及一种动力电池的SOH估计方法及装置、电子设备和存储介质，该方法包括：根据所述动力电池充放电过程的起始时刻至当前时刻的数据，得到第一SOH；根据所述动力电池完整充放电过程的数据，得到第二SOH；根据所述第一SOH和所述第二SOH，得到所述动力电池当前时刻的SOH。的SOH。的SOH。

【技术实现步骤摘要】
动力电池的SOH估计方法及装置、电子设备和存储介质


[0001]本申请涉及电池
，特别是涉及一种动力电池的SOH估计方法及装5置、电子设备和存储介质。

技术介绍

[0002]在测算SOH的过程中，使用静态OCV
‑
SOC特征曲线进行SOH的计算时，
[0003]存在着计算误差较大的问题；使用动态OCV
‑
SOC特征曲线进行SOH的计算时，0浪费大量的实验资源和时间成本等。此外，在现有技术中，无法实现在动力电池充放电过程中，实时监控其动态SOH。

技术实现思路

[0004]鉴于上述问题，本申请提供一种动力电池的SOH估计方法及装置、电子设5备和存储介质，能够解决在电池充放电过程中，实时监控其动态SOH的问题。
[0005]第一方面，本申请提供了一种动力电池的SOH估计方法，包括：根据所述动力电池充放电过程的起始时刻至当前时刻的数据，得到第一SOH；根据所述动力电池完整充放电过程的数据，得到第二SOH；根据所述第一SOH和所述第二SOH，得到所述动力电池当前时刻的SOH。...

【技术保护点】

【技术特征摘要】
1.一种动力电池的SOH估计方法，其特征在于，包括：根据所述动力电池充放电过程的起始时刻至当前时刻的数据，得到第一SOH；根据所述动力电池完整充放电过程的数据，得到第二SOH；根据所述第一SOH和所述第二SOH，得到所述动力电池当前时刻的SOH。2.根据权利要求1所述的动力电池的SOH估计方法，其特征在于，所述根据所述动力电池充放电过程的起始时刻至当前时刻的数据，得到第一SOH，包括：获取所述动力电池充电起始时刻至当前时刻的第一数据；使用预设的第一模型对所述第一数据进行预测，得到所述第一SOH。3.根据权利要求3所述的动力电池的SOH估计方法，其特征在于，所述第一模型通过如下方式训练得到：获取电芯充放电数据的第一样本，其中，所述第一样本的标签为不同充放电数据的SOH值；根据所述第一样本对预设的循环神经网络模型进行训练，得到所述第一模型。4.根据权利要求3所述的动力电池的SOH估计方法，其特征在于，所述获取电芯充放电数据第一样本，包括：获取所述电芯充放电的电压
‑
时间曲线和电流
‑
时间曲线；在预设的时间范围内，在所述电压
‑
时间曲线和所述电流
‑
时间曲线内截取至少一个电压片段和至少一个电流片段；获取每个所述电压片段和每个所述电流片段对应的SOH值，将所述SOH值确认为标签信息；根据所述至少一个电压片段和至少一个电流片段，以及所述SOH值，得到所述第一样本。5.根据权利要求1所述的动力电池的SOH估计方法，其特征在于，所述根据所述动力电池完整充放电过程的数据，得到第二SOH，包括：获取所述动力电池完整充放电过程的第二数据；其中，所述第二数据包括温度和开路电压；使用预设的第二模型对所述第二数据进行预测，得到所述动力电池的SOC；根据所述SOC、所述动力电池充放电的起始电压和截止电压，得到所述第二SOH。6.根据权利要求5所述的动力电池的SOH估计方法，其特征在于，所述根据所述SOC、所述动力电池充放电的起始电压和截止电压，得到所以第二SOH，包括：根据所述SOC、所述动力电池充放电的起始电压和截止电压，计算所述动力电池的充放电安时积分，得到所述第二SOH。7.根据权利要求5所述的动力电池的SOH估计方法，其特征在于，所述第二模型通过如下方式训练得到：获取电芯完整充放电数据的第二样本，其中，所述第二样本包括不同型号电芯在至少一种温度和至少一种电流倍率组合的所述完整充放电数据；根据所述第二样本对预设的集成算法模型进行训练，得到所述第二模型。8.根据权利要求7所述的动力电池的SOH估计方法，其特征在于，所述获取电芯完整充放电数据的第二样本，包括：
获取随机噪声样本；将所述随机噪声样本输入至预设生成网络，得到所述第二样本。9.根据权利要求8所述的动力电池的SOH估计方法，其特征在于，所述所预设生成网络通过如下方式训练得到：将所述随机噪声样本输入至所述预设生成网络，得到假样本；将...

【专利技术属性】
技术研发人员：吴凯，夏伟，许金梅，成勇，范晓云，钟博宇，谢隆勇，
申请(专利权)人：宁德时代新能源科技股份有限公司，
类型：发明
国别省市：