CN107192956A - 一种电池短路漏液在线监测方法和装置 - Google Patents
一种电池短路漏液在线监测方法和装置 Download PDFInfo
- Publication number
- CN107192956A CN107192956A CN201710357286.2A CN201710357286A CN107192956A CN 107192956 A CN107192956 A CN 107192956A CN 201710357286 A CN201710357286 A CN 201710357286A CN 107192956 A CN107192956 A CN 107192956A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- leakage
- battery
- temperature
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种电池短路漏液在线监测方法和装置，通过监测电池初始荷电状态(SoC)、环境温度、电池放电量以及电池的温升速率，来进行漏液状态的在线识别。本发明引入了一种智能分类算法、适用性强，易于在线实施，不需要打开电池箱来观察即可判别电池是否发生了漏液现象。
Description
技术领域
本专利涉及电池安全技术领域，特别是涉及动力电池在发生外部短路故障时的漏液在线监测方法和装置。
技术背景
锂离子电池目前已经作为动力电源而广泛应用在了多种电气设备中，然而，随着锂离子电池的迅速普及，引发的电池安全问题也日益凸显。电池的安全性已经成为了一个亟待解决的问题。锂离子电池容易发生多种电池故障，例如电池过充、短路等，严重时会导致电池过热、自燃、甚至爆炸。
当动力电池发生外部短路故障时，可能会出现电池漏液现象。电池是否漏液，很大程度上影响到电池在外部短路故障中的电热特性。漏液的电池，往往会伴随着更高的温升，并迅速波及周围临近的电池，产生严重的后果。尽管漏液现象是可以用眼睛观测到的，然而由于实时控制的环境下操作者并不能随时打开电池箱进行观测，及时且准确的判断电池是否漏液成为亟待解决的技术难题。
发明内容
针对以上问题，本发明公开了一种电池短路漏液在线监测方法和装置。该方法和装置通过监测电池初始荷电状态(SoC)、环境温度、电池放电量以及电池的温升速率，来进行漏液状态的在线识别。本发明引入了智能分类算法、适用性强，易于在线实施，不需要打开电池箱来观察即可判别电池是否发生了漏液现象。
本发明的电池短路漏液在线监测方法，依次包括以下步骤：
第a步，采集当前时刻所述电池的电压值U；
第b步，比较第a步所测电压值U与电池短路电压阈值Us之间的大小关系，若U≤Us，进入第c步，否则，重复第a步，其中，电池短路电压阈值Us的选取须低于电池放电下截止电压。
第c步，开始计时，初始化系统的采样时间间隔Δt，时刻标记k＝0以及初始时刻t0＝0；
第d步，采集t0时刻电池环境温度T0、电池正极附近温度T1,0、电池负极附近温度T2,0，以及电流I0，并估计t0时刻电池SoC0；
第e步，进入下一时刻，更新公式如下：
第f步，采集tk时刻电池正极附近温度T1,k、电池负极附近温度T2,k以及电流Ik；
第g步，计算从t0时刻至tk时刻电池的累计放电量Qk，计算公式如下：
第h步，计算tk时刻电池的平均温升速率δk，计算公式如下：
第i步，比较当前时刻tk与漏液时间阈值ts之间的大小关系，若tk≥ts，进入第j步，否则返回第e步；
第j步，以Qk、δk、T0、SoC0作为输入，计算电池是否漏液。
优选地、第j步中，利用模糊神经网络判断电池是否漏液。
优选地、以Qk、δk、T0、SoC0作为输入，计算模糊神经网络的输出Γ；
优选地、所述的模糊神经网络包含BP神经网络和模糊系统两个模块，BP神经网络根据Qk与δk给出电池的漏液预估量模糊系统根据电池故障的初始SoC状态SoC0与环境温度T0计算电池漏液监测的修正因子μ；
所述输出Γ计算公式如下：
优选地、还包括第k步，根据第j步的输出量Γ计算电池漏液的监测结果Ψ，计算公式如下：
其中，Γ0为漏液故障分类阈值，计算公式如下：
其中，为BP神经网络训练样本中未漏液电池样本的输出值，为BP神经网络训练样本中漏液电池样本的输出值；
优选地、所述BP神经网络为：
设置两个以上实验环境温度、两个以上初始实验SoC状态，在每个所述实验环境温度和所述初始实验SoC状态下分别设置至少一个电池实验样本；
强制触发所有所述电池实验样本的短路故障，并在所述短路故障的过程中以采样时间间隔Δt采集电池实验样本的电压值、电流、温度，记录漏液结果及对应的漏液时刻；
根据实验样本的漏液时刻，确定漏液时间阈值ts，其中ts的选取在保证小于所有实验样本漏液时刻的最小值的前提下，选取越小，监测响应越快，选取越大，监测结果越准确；
计算所有所述电池实验样本在ts时刻的实验累计放电量和实验平均温升速率；
基于所述漏液结果，构建BP神经网络输出层的训练样本，对于未漏液的样本，对于出现漏液的样本，
以所述实验累计放电量和实验平均温升速率作为BP神经网络的两个输入维度，为BP神经网络的输出，构建训练样本并实施训练，得到训练好的BP神经网络。
本发明还涉及利用前述方法的监测装置，包括：
至少两个温度传感器，分别安装在电池正负两极附近；
环境温度测试系统，感测电池环境温度；
电流传感器、电压传感器、数据采集系统与控制系统。。
所述温度传感器、电流传感器、电压传感器与环境温度测试系统的信号经由数据采集系统处理后传送至控制系统，同时，控制系统亦向数据采集系统发送指令。
附图说明
图1动力电池短路漏液在线监测装置示意图
图2动力电池短路漏液在线监测方法流程图
图3本发明的模糊神经网络结构示意图
图4模糊系统输入和输出的模糊子集分布图
图5验证样本对应的模糊神经网络输出图
具体实施方式
下面结合附图对本发明内容进行详细介绍。
本发明的电池不限于车辆用动力电池，也不限于锂离子电池。
图1所示为本发明的在线监测装置示意图，主要包括至少两个温度传感器、电流传感器、电压传感器、环境温度测试系统、数据采集系统与控制系统。所述的温度传感器分别安装在动力电池正负两极附近；电流传感器与动力电池工作电路串联；电压传感器与动力电池并联；环境温度测试系统安装在动力电池工作电路附近。所述监测系统运行过程中，温度传感器、电流传感器、电压传感器与环境温度测试系统的信号经由数据采集系统处理后传送至控制系统，同时，控制系统亦向数据采集系统发送指令。
图2为本发明的在线监测方法流程图，在线监测方法具体包括以下步骤：
第a步，实时采集动力电池的电压值U；
第b步，比较第a步所测电压值U与动力电池短路电压阈值Us之间的大小关系，若U≤Us，进入第c步，否则，重复第a步；其中，动力电池短路电压阈值Us的选取须低于动力电池放电下截止电压。
第c步，开始计时，初始化系统的采样时间间隔Δt，时刻标记k＝0以及初始时刻t0＝0；
第d步，采集t0时刻动力电池环境温度T0、动力电池正极附近温度T1,0、动力电池负极附近温度T2,0，以及电流I0，并估计t0时刻动力电池SoC0，动力电池SoC的估计可以利用本领域公知的方法，如安时计数法、端电压估计法、卡尔曼滤波估计法等；其中所述电池环境温度T0由环境温度测试系统获得，动力电池正极附近温度T1,0、动力电池负极附近温度T2,0分别由安装在动力电池正负两极附近的温度传感器获得。
第e步，进入下一时刻，更新公式如下：
第f步，采集tk时刻动力电池正极附近温度T1,k、T2,k以及电流Ik；
第g步，计算从t0时刻至tk时刻动力电池的累计放电量Qk，计算公式如下：
第h步，计算tk时刻动力电池的平均温升速率δk，计算公式如下：
第i步，比较当前时刻tk与漏液时间阈值ts之间的大小关系，若tk≥ts，进入第j步，否则返回第e步；漏液时间阈值ts根据所有实验样本的最小漏液时刻的最小值确定
第j步，以Qk、δk以及第d步所得的T0、SoC0作为输入，计算模糊神经网络的输出Γ；
其中，所述的模糊神经网络包含BP神经网络和模糊系统两个模块，BP神经网络根据Qk与δk给出动力电池的漏液预估量模糊系统根据动力电池故障的初始SoC状态SoC0与环境温度T0计算动力电池漏液监测的修正因子μ。所述的模糊神经网络结构如图3，输出计算公式如下：
第k步，根据第j步的输出量Γ计算动力电池漏液的监测结果Ψ，计算公式如下：
其中，Γ0为漏液故障分类阈值计算公式如下：
其中，为BP神经网络训练样本中未漏液电池样本的输出值，为BP神经网络训练样本中漏液电池样本的输出值。
下面结合实验例对本发明进行详细说明，实施例中采用某公司18650型锂离子动力电池，本实施例对本发明不构成限定。
步骤一，实时采集动力电池的电压值U；
步骤二，比较步骤一所测电压值U与动力电池短路电压阈值Us之间的大小关系，若U≤Us，进入步骤三，否则，重复步骤一，Us的选取须低于本实施例中动力电池的放电下截止电压2.5V，这里Us取1.0V；
步骤三，开始计时，初始化系统的采样时间间隔Δt，时刻标记k＝0以及初始时刻t0＝0，本实施例中Δt取2.48s；
步骤四，采集t0时刻动力电池环境温度T0、动力电池正负极附近温度T1,0、T2,0以及电流I0，并估计t0时刻动力电池SoC0。
以安时计数法估计动力电池SoC为例，计算公式如下：
其中，C为LS1865SD型动力电池的标称容量，本实施例中C＝2.0Ah；
步骤五，进入下一时刻并根据公式(12)更新时刻和时刻标记；
步骤六，采集tk时刻动力电池正负极附近温度T1,k、T2,k以及电流Ik；
步骤七，根据公式(13)计算从t0时刻至tk时刻动力电池的累计放电量Qk；
步骤八，根据公式(14)计算tk时刻动力电池的平均温升速率δk，
步骤九，比较当前时刻tk与漏液时间阈值ts之间的大小关系，若tk≥ts，进入步骤十，否则返回步骤五，本实施例中ts＝9.92s；漏液时间阈值ts根据所有电池实验样本，即所有的18650锂离子动力电池的实验样本，漏液时刻的最小值为23s来确定，这里ts取9.92s；
步骤十，以Qk、δk及步骤四所得的T0、SoC0作为输入，计算模糊神经网络的输出Γ；
步骤十一，根据模糊神经网络的输出结果Γ计算动力电池漏液的监测结果Ψ，本实施例中，取0，取1，由公式(17)计算漏液分类阈值Γ0为0.5。
其中，所述的模糊神经网络构建的具体步骤如下：
步骤1，确定动力电池外部短路实验样本，本实施例中，选用了3个实验环境温度(20℃、30℃及45℃)，每个环境温度下分别设置了5个初始SoC状态(20％、40％、60％、80％及100％)，在每个特定的温度和初始SoC状态下分别设置了2个动力电池样本，见表1；
表1动力电池外部短路实验样本编号对照表
步骤2，对步骤1中的所有样本实施外部短路试验，外部短路试验强制触发电池样本的短路故障并在故障的过程中以采样时间间隔Δt采集电压、电流及温度数据，最后记录漏液结果及对应的漏液时刻，该漏液结果指有无漏液情况发生；
步骤3，确定漏液时间阈值ts，本实施例中所有实验样本漏液时刻的最小值为23s，这里ts取9.92s；
步骤4，根据公式(13)和(14)分别计算各样本在漏液时间阈值ts＝9.92s的累计放电量Q和平均温升速率δ，计算结果见表2～4；
表2 20℃外部短路实验计算结果
表3 30℃外部短路实验计算结果
表4 45℃外部短路实验计算结果
步骤5，构建BP神经网络，该网络为由输入层、隐含层和输出层组成的三层结构，其中输入层节点数n1为2，输出层节点数n3为1，隐含层节点数n2计算公式如下：
n2∈整数 (19)
其中，α可取1～10之间的整数，在本实施例中，n2取5；
步骤6，基于步骤2所记录的电池漏液结果，构建BP神经网络输出的训练样本，对于未漏液的样本，对于出现漏液的样本，
步骤7，以步骤4中各样本的Q和δ分别作为BP神经网络的两个输入维度，步骤6所得的为BP神经网络的输出，构建训练样本并实施训练，得到已训练好的BP神经网络，本实施例的训练误差精度设为10-6，采用levenberg-marquardt学习算法，Hessian矩阵可以近似表示为：
H＝JTJ (20)
梯度的计算表达式为：
g＝JTe (21)
其中，H是包含网络误差函数对权值和阈值一阶导数的雅克比矩阵，J为雅克比矩阵，e是网络的误差向量。
训练的迭代计算公式如下：
x(k+1)＝x(k)-[JTJ+μI]-1JTe (22)
其中，k为迭代次数，x(k)为第k次迭代各层之间的连接权向量或阈值向量，I为单位矩阵，系数μ在每一次成功的迭代后(误差性能减少)减少，在进行尝试性迭代后的误差性能增加的情况下增大；
步骤8，定义双输入-单输出的模糊系统，其中，动力电池初始SoC状态SoC0与环境温度T0为模糊系统输入的两个维度，漏液监测修正因子μ为模糊系统的输出，论域设置如下：
步骤9，设置模糊系统输入和输出的模糊子集分布，如图4；
步骤10，建立模糊规则：(1)如果SoC0为L，T0为L，则μ为L；(2)如果SoC0为M，T0为M，则μ为M；(3)如果SoC0为H，T0为H，则μ为H；
步骤11，设置反模糊化计算，本实施例中采用面积中心法作为反模糊化计算方法，模糊集合代表值ucen表达式如下：
其中，离散论域D＝{u1,u2,…,un}，uj处的隶属度为A(uj)。
为了验证模糊神经网络的应用效果，本实施例选取了6个与训练样本相同型号的电池样本对本发明进行实验验证，验证样本的检测结果对照见表5，各样本对应的模糊神经网络输出值如图5，可见，本发明能够准确监测各样本的漏液现象。
表5电池验证样本监测结果对照表
以上所述，仅是本发明较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明以较佳实施例公开如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当利用上述揭示的技术内容作出些许变更或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明技术是指对以上实施例所作的任何简单修改、等同变化与修饰，均属于本发明技术方案的范围内。
Claims (7)
1.一种电池短路漏液在线监测方法，其特征在于：
该方法依次包括以下步骤：
第a步，采集当前时刻所述电池的电压值U；
第b步，比较第a步所测电压值U与短路电压阈值Us之间的大小关系，若U≤Us，进入第c步，否则，重复第a步；
第c步，开始计时，初始化系统的采样时间间隔Δt，时刻标记k＝0以及初始时刻t0＝0；
第d步，采集t0时刻动力电池环境温度T0、电池正极附近温度T1,0、电池负极附近温度T2,0，以及电流I0，并估计t0时刻电池SoC0；
第e步，进入下一时刻，更新公式如下：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>t</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<msub>
<mi>t</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<mi>&Delta;</mi>
<mi>t</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
第f步，采集tk时刻电池正极附近温度T1,k、电池负极附近温度T2,k以及电流Ik；
第g步，计算从t0时刻至tk时刻电池的累计放电量Qk，计算公式如下：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>Q</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<msub>
<mi>Q</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<mfrac>
<mrow>
<mi>&Delta;</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>I</mi>
<mi>k</mi>
</msub>
<mo>+</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</mfrac>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>Q</mi>
<mn>0</mn>
</msub>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
第h步，计算tk时刻电池的平均温升速率δk，计算公式如下：
<mrow>
<msub>
<mi>&delta;</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mo>(</mo>
<msub>
<mi>T</mi>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>T</mi>
<mrow>
<mn>1</mn>
<mo>,</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
<mo>+</mo>
<mo>(</mo>
<msub>
<mi>T</mi>
<mrow>
<mn>2</mn>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>T</mi>
<mrow>
<mn>2</mn>
<mo>,</mo>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mn>2</mn>
<mi>&Delta;</mi>
<mi>t</mi>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
第i步，比较当前时刻tk与漏液时间阈值ts之间的大小关系，若tk≥ts，进入第j步，否则返回第e步；
第j步，以Qk、δk、T0、SoC0作为输入，判断电池是否漏液。
2.根据权利要求1所述的方法，其特征在于：第j步中，利用模糊神经网络判断电池是否漏液。
3.根据权利要求2所述的方法，其特征在于：以Qk、δk、T0、SoC0作为输入，计算模糊神经网络的输出Γ。
4.根据权利要求2所述的方法，其特征在于：
所述的模糊神经网络包含BP神经网络和模糊系统两个模块，BP神经网络根据Qk与δk给出电池的漏液预估量模糊系统根据电池故障的初始SoC状态SoC0与t0时刻动力电池环境温度T0计算电池漏液监测的修正因子μ；
所述输出Γ计算公式如下：
<mrow>
<mi>&Gamma;</mi>
<mo>=</mo>
<mi>&mu;</mi>
<mover>
<mi>&Gamma;</mi>
<mo>^</mo>
</mover>
<mo>.</mo>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
5.根据权利要求3或4所述的方法，其特征在于：还包括第k步，根据第j步的输出量Γ计算电池漏液的监测结果Ψ，计算公式如下：
其中，Γ0为漏液故障分类阈值。
6.根据权利要求4所述的方法，其特征在于：所述BP神经网络为：
设置两个以上实验环境温度、两个以上初始实验SoC状态，在每个所述实验环境温度和所述初始实验SoC状态下分别设置至少一个电池实验样本；
强制触发所有所述电池实验样本的短路故障，并在所述短路故障的过程中以采样时间间隔Δt采集电池实验样本的电压值、电流、温度，记录漏液结果及对应的漏液时刻；
根据所有所述实验样本的漏液时刻，确定漏液时间阈值ts；
计算所有所述电池实验样本在ts时刻的实验累计放电量和实验平均温升速率；
基于所述漏液结果，构建BP神经网络输出层的训练样本，对于未漏液的样本，对于出现漏液的样本，
以所述实验累计放电量和实验平均温升速率作为BP神经网络的两个输入维度，为BP神经网络的输出，构建训练样本并实施训练，得到训练好的BP神经网络。
7.一种利用如权利要求1至6任一项所述的方法的监测装置，其特征在于：包括
至少两个温度传感器，分别安装在电池正负两极附近；
环境温度测试系统，感测电池环境温度；
电流传感器、电压传感器、数据采集系统与控制系统。。
所述温度传感器、电流传感器、电压传感器与环境温度测试系统的信号经由数据采集系统处理后传送至控制系统，同时，控制系统亦向数据采集系统发送指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710357286.2A CN107192956B (zh) | 2017-05-19 | 2017-05-19 | 一种电池短路漏液在线监测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710357286.2A CN107192956B (zh) | 2017-05-19 | 2017-05-19 | 一种电池短路漏液在线监测方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107192956A true CN107192956A (zh) | 2017-09-22 |
| CN107192956B CN107192956B (zh) | 2019-06-04 |
Family
ID=59875293
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710357286.2A Active CN107192956B (zh) | 2017-05-19 | 2017-05-19 | 一种电池短路漏液在线监测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107192956B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108693478A (zh) * | 2018-04-17 | 2018-10-23 | 北京理工大学 | 一种锂离子动力电池的漏液检测方法 |
| CN109884534A (zh) * | 2019-02-28 | 2019-06-14 | 蜂巢能源科技有限公司 | 动力电池包参数检测方法及检测装置 |
| CN112433157A (zh) * | 2020-10-29 | 2021-03-02 | 云南电网有限责任公司丽江供电局 | 动力锂电池的内短路与漏液故障的在线监测与区分系统 |
| CN112924119A (zh) * | 2019-12-06 | 2021-06-08 | 微宏动力系统（湖州）有限公司 | 电池模组漏液检测方法 |
| CN112946484A (zh) * | 2021-02-07 | 2021-06-11 | 中南大学 | 一种基于bp神经网络的soc估计方法、系统、终端设备及可读存储介质 |
| WO2023098521A1 (zh) * | 2021-11-30 | 2023-06-08 | 长春捷翼汽车科技股份有限公司 | 新能源车、车载充电装置、温度检测电路及温度检测方法 |
| CN116429339A (zh) * | 2023-06-07 | 2023-07-14 | 海斯坦普汽车组件(北京)有限公司 | 一种新能源电池盒泄露检测方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FI20116257A (fi) * | 2011-12-09 | 2013-06-10 | Waertsilae Finland Oy | Menetelmä ja järjestely kiinteän oksidin kennojen toimintaolosuhteiden diagnoosia varten |
| US20130314094A1 (en) * | 2012-05-23 | 2013-11-28 | Lawrence Livermore National Security, Llc | Battery management system with distributed wireless sensors |
| CN104375087A (zh) * | 2014-09-23 | 2015-02-25 | 中国检验检疫科学研究院 | 一种动力电池组安全性的评价方法 |
| CN104714175A (zh) * | 2013-12-12 | 2015-06-17 | 北京有色金属研究总院 | 电池系统故障诊断方法及系统 |
| CN106124999A (zh) * | 2016-08-11 | 2016-11-16 | 深圳市柏特瑞电子有限公司 | 一种在线检测蓄电池组中某一电池漏液的方法和装置 |
| CN106526493A (zh) * | 2016-11-01 | 2017-03-22 | 北京理工大学 | 基于bp神经网络的动力电池外部短路故障诊断及温升预测方法和系统 |
-
2017
- 2017-05-19 CN CN201710357286.2A patent/CN107192956B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FI20116257A (fi) * | 2011-12-09 | 2013-06-10 | Waertsilae Finland Oy | Menetelmä ja järjestely kiinteän oksidin kennojen toimintaolosuhteiden diagnoosia varten |
| US20130314094A1 (en) * | 2012-05-23 | 2013-11-28 | Lawrence Livermore National Security, Llc | Battery management system with distributed wireless sensors |
| CN104714175A (zh) * | 2013-12-12 | 2015-06-17 | 北京有色金属研究总院 | 电池系统故障诊断方法及系统 |
| CN104375087A (zh) * | 2014-09-23 | 2015-02-25 | 中国检验检疫科学研究院 | 一种动力电池组安全性的评价方法 |
| CN106124999A (zh) * | 2016-08-11 | 2016-11-16 | 深圳市柏特瑞电子有限公司 | 一种在线检测蓄电池组中某一电池漏液的方法和装置 |
| CN106526493A (zh) * | 2016-11-01 | 2017-03-22 | 北京理工大学 | 基于bp神经网络的动力电池外部短路故障诊断及温升预测方法和系统 |
Non-Patent Citations (1)
| Title |
|---|
| 侯福平 等: "通信用铅酸蓄电池电气短路故障及漏液隐患分析和检测", 《电信技术》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108693478A (zh) * | 2018-04-17 | 2018-10-23 | 北京理工大学 | 一种锂离子动力电池的漏液检测方法 |
| CN109884534A (zh) * | 2019-02-28 | 2019-06-14 | 蜂巢能源科技有限公司 | 动力电池包参数检测方法及检测装置 |
| CN109884534B (zh) * | 2019-02-28 | 2021-04-13 | 蜂巢能源科技有限公司 | 动力电池包参数检测方法及检测装置 |
| CN112924119A (zh) * | 2019-12-06 | 2021-06-08 | 微宏动力系统（湖州）有限公司 | 电池模组漏液检测方法 |
| CN112433157A (zh) * | 2020-10-29 | 2021-03-02 | 云南电网有限责任公司丽江供电局 | 动力锂电池的内短路与漏液故障的在线监测与区分系统 |
| CN112433157B (zh) * | 2020-10-29 | 2024-03-01 | 云南电网有限责任公司丽江供电局 | 动力锂电池的内短路与漏液故障的在线监测与区分系统 |
| CN112946484A (zh) * | 2021-02-07 | 2021-06-11 | 中南大学 | 一种基于bp神经网络的soc估计方法、系统、终端设备及可读存储介质 |
| CN112946484B (zh) * | 2021-02-07 | 2022-12-23 | 中南大学 | 一种基于bp神经网络的soc估计方法、系统、终端设备及可读存储介质 |
| WO2023098521A1 (zh) * | 2021-11-30 | 2023-06-08 | 长春捷翼汽车科技股份有限公司 | 新能源车、车载充电装置、温度检测电路及温度检测方法 |
| CN116429339A (zh) * | 2023-06-07 | 2023-07-14 | 海斯坦普汽车组件(北京)有限公司 | 一种新能源电池盒泄露检测方法及系统 |
| CN116429339B (zh) * | 2023-06-07 | 2023-09-01 | 海斯坦普汽车组件(北京)有限公司 | 一种新能源电池盒泄露检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107192956B (zh) | 2019-06-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107192956A (zh) | 一种电池短路漏液在线监测方法和装置 | |
| How et al. | State of charge estimation for lithium-ion batteries using model-based and data-driven methods: A review | |
| Fotouhi et al. | Lithium–sulfur battery state-of-charge observability analysis and estimation | |
| JP4587306B2 (ja) | 二次電池の残存容量演算方法 | |
| CN108445406A (zh) | 一种动力电池健康状态估计方法 | |
| CN104392080B (zh) | 一种锂电池分数阶变阶等效电路模型及其辨识方法 | |
| CN106526493B (zh) | 动力电池外部短路故障诊断及温升预测方法和系统 | |
| CN106802396A (zh) | 一种电池内短路的诊断方法 | |
| CN105277896B (zh) | 基于elm‑mukf的锂电池剩余寿命预测方法 | |
| CN109828220B (zh) | 一种锂离子电池健康状态线性评估方法 | |
| CN108872869B (zh) | 一种基于bp神经网络的锂离子电池劣化分类方法 | |
| CN110133505A (zh) | 一种基于变参数模型的动力电池充放电状态观测方法 | |
| CN106646253A (zh) | 一种在线辨识电池内部参数的方法 | |
| Gurjer et al. | Detailed modelling procedure for lithium-ion battery using thevenin equivalent | |
| Tian et al. | A comparative study of state-of-charge estimation algorithms for lithium-ion batteries in wireless charging electric vehicles | |
| Shen et al. | Source-free cross-domain state of charge estimation of lithium-ion batteries at different ambient temperatures | |
| Shen et al. | Research on degradation modeling and life prediction method of lithium-ion battery in dynamic environment | |
| Han et al. | Modeling for lithium-ion battery used in electric vehicles | |
| Jiani et al. | Li-ion battery SOC estimation using EKF based on a model proposed by extreme learning machine | |
| Tian et al. | An optimal nonlinear observer for state-of-charge estimation of lithium-ion batteries | |
| Hu et al. | Lithium battery soc estimation based on improved unscented kalman filter | |
| Duru et al. | Lithium-Ion Battery Model Parameters Estimation Using Equivalent Circuit Model for E-mobility Applications | |
| Seo et al. | Detection of internal short circuit for lithium-ion battery using convolutional neural networks with data pre-processing | |
| Chen et al. | Robust sliding mode observer using RBF neural network for lithium-ion battery state of charge estimation in electric vehicles | |
| Liu et al. | Research on fault diagnosis of external short circuit of lithium battery for electric vehicle |
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 |