CN108363016A - 基于人工神经网络的电池微短路定量诊断方法 - Google Patents
基于人工神经网络的电池微短路定量诊断方法 Download PDFInfo
- Publication number
- CN108363016A CN108363016A CN201810153882.3A CN201810153882A CN108363016A CN 108363016 A CN108363016 A CN 108363016A CN 201810153882 A CN201810153882 A CN 201810153882A CN 108363016 A CN108363016 A CN 108363016A
- Authority
- CN
- China
- Prior art keywords
- battery
- short circuit
- micro
- neural network
- artificial neural
- 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
- 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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种电池微短路定量诊断方法,其特征在于:该诊断方法在不同温度下,对不同老化程度的电池单体进行外接不同阻值的电阻的充电实验,获得预定电压区间段内的充电时间,将电池单体的温度、电池老化参数、预定电压区间段内的充电时间三个值作为一次人工神经网络的输入样本,外接电阻作为这次的输出样本。尽可能均匀、多的获得不同电池工作温度、老化程度、外接电阻阻值下的样本,然后训练微短路故障诊断网络,训练完后集成到现有电池管理系统中,在实车使用中,只需输入电池所处温度、容量、预设电压区间的充电时间,即可输出微短路阻值,进而可判断微短路有无及其严重程度。
Description
技术领域
本发明涉及电池技术领域,具体涉及一种基于人工神经网络的电池微短路定量诊断方法。
背景技术
在各种消费电子、动力装置等产品和设备中,很多都是用电池来存储和提供能量,如锂离子电池、镍氢电池、铅酸电池等。但是当电池发生故障时,会影响产品或设备的使用和性能,甚至对产品或设备的安全性构成威胁,发生电池起火、爆炸。电池短路是一种常见的故障,电池短路是指由于某种原因,致使电池的正负极在电阻非常小的情况下相互连接的非正常通路。电池短路又分为电池内短路和外短路。外部短路是最常见的电池被滥用的情况,正负极被直接短接引起强烈的外部短路。针刺、火烧、挤压等行为可直接引发电池剧烈内短路,造成电池起火爆炸。
除了这些强烈的外部短路和内部短路外,还有外部微短路和内部微短路。比如当电压测量线漏电就会导致电池的外部微短路;在由一些电池单体构成的电池组或电池包中,有时配置均衡装置来保持各个电池单体的一致性,但是当均衡装置出现故障时,也极易导致外部微短路。还有由于电池内部的隔膜缺陷,电极局部干涸,电极材料表面微刺等情况造成的电池内部自成回路,不断消耗电池电量的内部微短路。在电池的生产过程中,集流体等原材料存在毛刺或有粉尘落入,那么在电池以后的使用过程中就存在着隔膜会被破坏的隐患,形成内部微短路。即便是不存在制造缺陷的电池,在锂离子电池的使用过程中,如果面对过度放电、过度充电、超高温、超低温、剧烈振动等滥用情况时,电池的负极表面容易形成树枝状的锂支晶,这可能会刺破隔膜引发电池内部微短路。无论内部微短路还是外部微短路,随着微短路程度的升高后会导致电池自放电率逐渐提高,发热量增加,进而导致着火、甚至热失控等严重的安全问题。尤其是在充电过程、高温环境等情况下,微短路可能更加不可控。
因此需要及时发现微短路故障,防止热失控等严重安全问题的发生。
发明内容
本发明是为了解决上述问题而进行的,目的在于提供一种基于人工神经网络的电池微短路定量诊断方法。
本发明提供了一种基于人工神经网络的电池微短路定量诊断方法,具有这样的特征,包括以下步骤:步骤一,测量电池单体的电池老化参数;步骤二,将电池单体放置在设有预定温度的恒温箱中;步骤三,对电池单体的正负极进行外接电阻;步骤四,对接有外接电阻的电池单体进行充电并记录预定电压区间段内电池单体的充电时间,同时记录电池单体的电池老化参数、外接电阻的阻值以及预定温度,完成一次电池单体的样本数据采集;步骤五,更换不同阻值的电阻并重复四,得到不同阻值下的预定电压区间段内电池单体的充电时间,得到不同阻值下的电池单体的样本数据;步骤六,调整恒温箱得到不同的温度后重复步骤二至步骤五,得到不同温度、不同阻值下预定电压区间段内电池单体的充电时间,即不同温度、不同阻值下电池单体的样本数据;步骤七,更换不同老化程度的电池单体并重复步骤一至步骤六,得到不同温度、不同阻值下预定电压区间段内多个电池单体的充电时间,即、不同老化程度的电池单体在不同温度、外接有不同阻值的样本数据;步骤八,以电池单体的电池老化参数、所处温度、充电时间作为人工神经网络的输入量,电池单体的外接阻值作为人工神经网络的输出量根据步骤七中得到的样本数据进行人工神经网络训练,并将训练好的人工神经网络集成到电池管理系统中;步骤九,当电能存储设备进行充电时记录当前电池在预定电压区间段内的充电时间;步骤十,将当前电池的当前温度、当前电池老化参数以及当前充电时间输入至电池管理系统中的人工神经网络,经计算得到当前电池的微短路阻值;以及步骤十一,根据微短路阻值判定当前电池的微短路状态。
在本发明提供的基于人工神经网络的电池微短路定量诊断方法中,还可以具有这样的特征:其中,人工神经网络为BP神经网络或RBF神经网络。
在本发明提供的基于人工神经网络的电池微短路定量诊断方法中,还可以具有这样的特征:其中,当前电池为电池单体或电池组内的所有电池单体。
在本发明提供的基于人工神经网络的电池微短路定量诊断方法中,还可以具有这样的特征:其中,电池老化参数为电池单体的电池容量、电池健康状态、循环次数、日历寿命或电池累计充放电电量中的任意一至多种参数。
发明的作用与效果
根据本发明所涉及的基于人工神经网络的电池微短路定量诊断方法中,因为该诊断方法在不同温度下,对不同电池老化参数的电池单体进行外接不同阻值的电阻的充电实验,获得预定电压区间段内的充电时间,将电池单体的温度、电池老化参数、预定电压区间段内的充电时间三个值作为一次人工神经网络的输入样本,外接电阻阻值作为这次的输出样本。尽可能均匀、多的获得不同电池工作温度、老化程度、外接电阻阻值的样本,然后训练微短路故障诊断网络,训练完后集成到现有电池管理系统中,在实车使用中,只需输入电池所处温度、电池老化参数、预定电压区间的充电时间,即可输出微短路阻值,这样不仅可判断微短路有无,还可以根据阻值的大小定量诊断故障的严重程度,为故障等级判定及应对措施提供依据。另外,因为神经网络在电池管理系统研制时已经训练好,在线使用时直接调用,这样的在线计算量较小,适用于各种电池和电池管理系统,不仅如此,本发明的诊断方法在当前电池仅进行一次充电就可以进行诊断,无需多次,且保证在当前电池的任意微短路程度、全生命周期、任意环境温度下进行可靠诊断。
此外,该方法适用于电池单体进行诊断,也可对电池包内的所有单体同时进行诊断,且无需用一个正常单体作为参照。当电池包内有多个电池都存在微短路故障时,方法依然有效,故障单体均能被识别出来并估计出短路阻值大小。
附图说明
图1是本发明的实施例中基于人工神经网络的电池微短路定量诊断方法的流程图;
图2是本发明的实施例中基于人工神经网络的电池微短路定量诊断方法得到的微短路诊断示意图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,以下实施例结合附图对本发明基于人工神经网络的电池微短路定量诊断方法作具体阐述。
本发明的基于人工神经网络的电池微短路定量诊断方法用于对当前电池的微短路状态进行诊断,当前电池可以为单独的电池单体也可以为电池包中的所有的电池单体。
图1是本发明的实施例中基于人工神经网络的电池微短路定量诊断方法的流程图。
如图1所示,该诊断方法主要包括以下步骤:
步骤一,测量电池单体的电池老化参数,电池老化参数为电池单体的电池容量、电池健康状态(state of health,SOH)、循环次数、日历寿命或电池累计充放电电量。在本实施例中,电池老化参数为电池单体的电池容量,获取电池单体的容量的方法为在规定的某一温度下以标准充放电倍率把电池单体从零电量充到满电量,或者把电池从满电量放到零电量都行,对充电或放电过程中电量进行安时积分等方法获得电池容量。
步骤二,将电池单体放置在恒温箱中,恒温箱的温度设定为45℃。
步骤三,在电池单体的正负极之间外接1000Ω的电阻。
步骤四,对外接有1000Ω电阻的电池单体进行充电并记录预定电压区间段内电池单体的充电时间。即得到电池微短路诊断人工神经网络的输入量:电池单体的所处的温度,电池单体的容量,电池单体在预定电压区间段内的充电时间,电池微短路诊断人工神经网络的输出量:电池单体外接电阻的阻值。这三个输入量和一个输出量就是电池微短路诊断人工神经网络的一个训练样本。预定电压区间段的选取原则:选择的是电池被充入同样的电量,电压升高较小的区间段。在本实施例中,选定的预定电压区间段为3.5V~4V。
步骤五,更换不同阻值如500Ω、330Ω、200Ω、100Ω、80Ω、50Ω、25Ω、10Ω、5Ω的电阻并重复步骤四,得到同一温度不同外接电阻阻值下的3.5V~4V电压区间段内的电池单体的充电时间。也就得到了不同外接电阻阻值下的电池微短路诊断人工神经网络的训练样本。
步骤六,调整恒温箱得到不同的温度如40℃、35℃、30℃、25℃、10℃、0℃、-5℃、-15℃、-20℃后,重复步骤三至步骤五,得到不同温度、不同阻值下3.5V~4V电压区间段内电池单体的充电时间。也就得到了不同温度下、不同外接电阻阻值下的电池微短路诊断人工神经网络的训练样本。
步骤七,更换不同容量如电池衰减了2%、5%、8%、10%、12%、15%、17%、20%的电池单体并重复步骤一至步骤六,得到不同温度、不同阻值下3.5V~4V电压区间段内多个电池单体的充电时间。也就得到了不同容量、不同温度下、不同外接电阻阻值下的电池微短路诊断人工神经网络的训练样本。
在本实施例中,步骤一至步骤七均在实验室内进行操作。
图2是本发明的实施例中基于人工神经网络的电池微短路定量诊断方法得到的微短路诊断示意图。
步骤八,得到训练样本后对电池微短路诊断人工神经网络进行训练,电池微短路诊断人工神经网络可以是BP神经网络或RBF神经网络。得到的训练后的人工神经网络示意图如图2所示,采用BP神经网络或RBF神经网络,这里以最简单的具有三层网络的人工神经网络为例进行说明,第一层为输入层,包括电池单体的温度、容量、充电时间,第二层为隐含层,第三层为输出层,为电池单体的外接电阻的阻值。将训练后的电池微短路诊断人工神经网络集成在电池管理系统中。在本实施例中,人工神经网络为具有三层网络的BP神经网络或RBF神经网络,在实际应用中,可以根据实际情况需求使用其他不同的人工神经网络。
在本实施例中,步骤八在电池管理系统研制过程中进行操作。
步骤九,在电能存储设备(比如电动汽车等)的实际使用过程中进行充电时,记录当前电池在3.5V~4V电压区间段内的充电时间。
步骤十,根据电池管理系统中具有的容量估计功能(SOH估计)和温度监测功能,能够得到当前电池的当前容量和温度。将得到的当前电池的充电时间、当前容量以及温度作为电池微短路人工神经网络进行微短路诊断的三个输入量。将三个输入量输入电池管理系统中的微短路诊断人工神经网络,网络进行计算后输出微短路阻值。
步骤十一,根据微短路阻值判定当前电池的微短路状态。
根据微短路阻值的大小可以进行微短路危险等级的判定,具体的危险等级可以根据工程经验进行标定。
在本实施例中,步骤九、步骤十以及步骤十一在电能存储设备(比如电动汽车等)在实际使用过程中进行操作。
实施例的作用与效果
根据上述实施例中的基于人工神经网络的电池微短路定量诊断方法中,因为该诊断方法在不同温度下,对不同电池老化参数的电池单体进行外接不同阻值的电阻的充电实验,获得预定电压区间段内的充电时间,将电池单体的温度、电池老化参数、预定电压区间段内的充电时间三个值作为一次人工神经网络的输入样本,外接电阻阻值作为这次的输出样本。尽可能均匀、多的获得不同电池工作温度、老化程度、外接电阻阻值的样本,然后训练微短路故障诊断网络,训练完后集成到现有电池管理系统中,在实车使用中,只需输入电池所处温度、电池老化参数、预定电压区间的充电时间,即可输出微短路阻值,这样不仅可判断微短路有无,还可以根据阻值的大小定量诊断故障的严重程度,为故障等级判定及应对措施提供依据。另外,因为神经网络在电池管理系统研制时已经训练好,在线使用时直接调用,这样的在线计算量较小,适用于各种电池和电池管理系统,不仅如此,本发明的诊断方法在当前电池仅进行一次充电就可以进行诊断,无需多次,且保证在当前电池的任意微短路程度、全生命周期、任意环境温度下进行可靠诊断。
另外,在本实施例中,使用的电池老化参数为电池容量,能够方便快捷准确的得到电池的老化程度,也可以使用其他的老化参数如,电池健康状态、循环次数、日历寿命或电池累计充放电电量作为输入量来进行诊断。
此外,该方法适用于电池单体进行诊断,也可对电池包内的所有单体同时进行诊断,且无需用一个正常单体作为参照。当电池包内有多个电池都存在微短路故障时,方法依然有效,故障单体均能被识别出来并估计出短路阻值大小。
上述实施方式为本发明的优选案例,并不用来限制本发明的保护范围。
Claims (4)
1.一种基于人工神经网络的电池微短路定量诊断方法,其特征在于,包括:
步骤一,测量电池单体的电池老化参数;
步骤二,将所述电池单体放置在设有预定温度的恒温箱中;
步骤三,对所述电池单体的正负极进行外接电阻;
步骤四,对接有所述外接电阻的所述电池单体进行充电并记录预定电压区间段内所述电池单体的充电时间,同时记录所述电池单体的所述电池老化参数、所述外接电阻的阻值以及所述预定温度,完成一次所述电池单体的样本数据采集;
步骤五,更换不同阻值的电阻并重复四,得到不同阻值下的所述预定电压区间段内所述电池单体的充电时间,得到不同阻值下的所述电池单体的样本数据;
步骤六,调整所述恒温箱得到不同的温度后重复步骤二至步骤五,得到不同温度、不同阻值下所述预定电压区间段内所述电池单体的充电时间,即不同温度、不同阻值下所述电池单体的样本数据;
步骤七,更换不同老化程度的电池单体并重复步骤一至步骤六,得到不同温度、不同阻值下所述预定电压区间段内多个电池单体的充电时间,即、不同老化程度的电池单体在不同温度、外接有不同阻值的样本数据;
步骤八,以电池单体的电池老化参数、所处温度、充电时间作为人工神经网络的输入量,电池单体的外接阻值作为人工神经网络的输出量根据步骤七中得到的样本数据进行人工神经网络训练,并将训练好的人工神经网络集成到电池管理系统中;
步骤九,当电能存储设备进行充电时记录当前电池在所述预定电压区间段内的充电时间;
步骤十,将所述当前电池的当前温度、当前电池老化参数以及当前充电时间输入至所述电池管理系统中的人工神经网络,经计算得到所述当前电池的微短路阻值;以及
步骤十一,根据所述微短路阻值判定所述当前电池的微短路状态。
2.根据权利要求1所述的基于人工神经网络的电池微短路定量诊断方法,其特征在于:
其中,所述人工神经网络为BP神经网络或RBF神经网络。
3.根据权利要求1所述的基于人工神经网络的电池微短路定量诊断方法,其特征在于:
其中,所述当前电池为电池单体或电池组内的所有电池单体。
4.根据权利要求1所述的基于人工神经网络的电池微短路定量诊断方法,其特征在于:
其中,所述电池老化参数为所述电池单体的电池容量、电池健康状态、循环次数、日历寿命以及电池累计充放电电量中的任意一至多种参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810153882.3A CN108363016B (zh) | 2018-02-22 | 2018-02-22 | 基于人工神经网络的电池微短路定量诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810153882.3A CN108363016B (zh) | 2018-02-22 | 2018-02-22 | 基于人工神经网络的电池微短路定量诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108363016A true CN108363016A (zh) | 2018-08-03 |
CN108363016B CN108363016B (zh) | 2021-02-26 |
Family
ID=63002551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810153882.3A Active CN108363016B (zh) | 2018-02-22 | 2018-02-22 | 基于人工神经网络的电池微短路定量诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108363016B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109283469A (zh) * | 2018-09-21 | 2019-01-29 | 四川长虹电器股份有限公司 | 电池管理系统故障预测方法、装置及可读存储介质 |
CN109738811A (zh) * | 2019-01-28 | 2019-05-10 | 东北大学 | 基于双级模型预测的锂离子电池组外部短路故障诊断方法 |
WO2021066126A1 (ja) * | 2019-10-03 | 2021-04-08 | 株式会社Gsユアサ | 推定装置、推定方法及びコンピュータプログラム |
CN112924873A (zh) * | 2021-02-04 | 2021-06-08 | 上海玫克生储能科技有限公司 | 电池包微短路的在线诊断方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6928371B1 (en) * | 2000-02-08 | 2005-08-09 | Paul T. Roshau | Monitoring system of VRLA battery capacitance |
CN104614632A (zh) * | 2015-01-19 | 2015-05-13 | 清华大学 | 一种电池微短路的识别方法 |
CN104767482A (zh) * | 2014-01-02 | 2015-07-08 | 上海岩芯电子科技有限公司 | 一种光伏组件老化和短路故障在线诊断方法 |
CN106067758A (zh) * | 2016-05-25 | 2016-11-02 | 河海大学常州校区 | 基于参数辨识的光伏发电系统故障诊断方法及系统 |
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 |
CN106802396A (zh) * | 2017-03-28 | 2017-06-06 | 上海理工大学 | 一种电池内短路的诊断方法 |
CN107422266A (zh) * | 2017-03-15 | 2017-12-01 | 中国电力科学研究院 | 一种大容量电池储能系统的故障诊断方法及装置 |
CN107656216A (zh) * | 2017-11-15 | 2018-02-02 | 国网辽宁省电力有限公司鞍山供电公司 | 一种铅酸蓄电池在线监测维护及预警系统及性能评估方法 |
-
2018
- 2018-02-22 CN CN201810153882.3A patent/CN108363016B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6928371B1 (en) * | 2000-02-08 | 2005-08-09 | Paul T. Roshau | Monitoring system of VRLA battery capacitance |
CN104767482A (zh) * | 2014-01-02 | 2015-07-08 | 上海岩芯电子科技有限公司 | 一种光伏组件老化和短路故障在线诊断方法 |
CN104614632A (zh) * | 2015-01-19 | 2015-05-13 | 清华大学 | 一种电池微短路的识别方法 |
CN106067758A (zh) * | 2016-05-25 | 2016-11-02 | 河海大学常州校区 | 基于参数辨识的光伏发电系统故障诊断方法及系统 |
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 |
CN107422266A (zh) * | 2017-03-15 | 2017-12-01 | 中国电力科学研究院 | 一种大容量电池储能系统的故障诊断方法及装置 |
CN106802396A (zh) * | 2017-03-28 | 2017-06-06 | 上海理工大学 | 一种电池内短路的诊断方法 |
CN107656216A (zh) * | 2017-11-15 | 2018-02-02 | 国网辽宁省电力有限公司鞍山供电公司 | 一种铅酸蓄电池在线监测维护及预警系统及性能评估方法 |
Non-Patent Citations (1)
Title |
---|
郑岳久: "车用锂离子动力电池组的一致性研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109283469A (zh) * | 2018-09-21 | 2019-01-29 | 四川长虹电器股份有限公司 | 电池管理系统故障预测方法、装置及可读存储介质 |
CN109738811A (zh) * | 2019-01-28 | 2019-05-10 | 东北大学 | 基于双级模型预测的锂离子电池组外部短路故障诊断方法 |
CN109738811B (zh) * | 2019-01-28 | 2020-12-01 | 东北大学 | 基于双级模型预测的锂离子电池组外部短路故障诊断方法 |
WO2021066126A1 (ja) * | 2019-10-03 | 2021-04-08 | 株式会社Gsユアサ | 推定装置、推定方法及びコンピュータプログラム |
JP2021060228A (ja) * | 2019-10-03 | 2021-04-15 | 株式会社Gsユアサ | 推定装置、推定方法及びコンピュータプログラム |
EP4033586A4 (en) * | 2019-10-03 | 2022-11-23 | GS Yuasa International Ltd. | ESTIMATING DEVICE, ESTIMATING METHOD AND COMPUTER PROGRAM |
JP7451923B2 (ja) | 2019-10-03 | 2024-03-19 | 株式会社Gsユアサ | 推定装置、推定方法及びコンピュータプログラム |
CN112924873A (zh) * | 2021-02-04 | 2021-06-08 | 上海玫克生储能科技有限公司 | 电池包微短路的在线诊断方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108363016B (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kong et al. | Fault diagnosis and quantitative analysis of micro-short circuits for lithium-ion batteries in battery packs | |
Qiao et al. | Online quantitative diagnosis of internal short circuit for lithium-ion batteries using incremental capacity method | |
CN109031145B (zh) | 一种考虑不一致性的串并联电池组模型及实现方法 | |
CN114050633A (zh) | 一种锂电池储能系统的动态管控方法、装置和电子设备 | |
CN108363016A (zh) | 基于人工神经网络的电池微短路定量诊断方法 | |
WO2020147315A1 (zh) | 一种并联电池自放电快速筛选的方法 | |
CN107843853A (zh) | 一种动力电池组串联连接故障诊断方法 | |
CN109143108A (zh) | 一种基于电化学阻抗谱的锂离子电池soh的估计方法 | |
CN106597289A (zh) | 电池健康状态测算方法 | |
CN116027199B (zh) | 基于电化学模型参数辨识检测电芯全寿命内短路的方法 | |
CN105759212A (zh) | 电池包故障模拟方法及故障检测方法 | |
Chang et al. | Electric vehicle battery pack micro-short circuit fault diagnosis based on charging voltage ranking evolution | |
Zheng et al. | Quantitative short circuit identification for single lithium-ion cell applications based on charge and discharge capacity estimation | |
Zhang et al. | An early soft internal short-circuit fault diagnosis method for lithium-ion battery packs in electric vehicles | |
CN113093016A (zh) | 基于不确定噪声滤波的动力电池管理系统故障诊断方法 | |
Lazreg et al. | Soc estimation of li-ion battery pack for light electric vehicles using enhanced coulomb counting algorithm | |
Saqli et al. | Lithium-ion battery electro-thermal modelling and internal states co-estimation for electric vehicles | |
Yu et al. | Multi-Fault Diagnosis of Lithium-Ion battery systems based on correlation Coefficient and similarity Approaches | |
Wang et al. | Battery pack topology structure on state-of-charge estimation accuracy in electric vehicles | |
Wang et al. | Quantitative diagnosis of the soft short circuit for LiFePO4 battery packs between voltage plateaus | |
Kaypmaz et al. | An advanced cell model for diagnosing faults in operation of Li-ion Polymer batteries | |
CN117269768A (zh) | 基于容量增量曲线的并联电池组短路故障诊断方法及装置 | |
Tang et al. | An aging-and load-insensitive method for quantitatively detecting the battery internal-short-circuit resistance | |
CN113884922B (zh) | 一种基于电压和电量离群系数的电池内短路定量诊断方法 | |
CN113465773B (zh) | 一种测算锂离子电池内部温度的方法 |
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 |