CN108562855A - 电池内短路检测方法、装置和计算机可读存储介质 - Google Patents
电池内短路检测方法、装置和计算机可读存储介质 Download PDFInfo
- Publication number
- CN108562855A CN108562855A CN201711367874.0A CN201711367874A CN108562855A CN 108562855 A CN108562855 A CN 108562855A CN 201711367874 A CN201711367874 A CN 201711367874A CN 108562855 A CN108562855 A CN 108562855A
- Authority
- CN
- China
- Prior art keywords
- battery
- battery pack
- short circuit
- state
- parameter
- 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
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000001514 detection method Methods 0.000 claims abstract description 47
- 230000020169 heat generation Effects 0.000 claims description 68
- 230000002159 abnormal effect Effects 0.000 claims description 63
- 230000005856 abnormality Effects 0.000 claims description 32
- 230000008859 change Effects 0.000 claims description 18
- 238000004519 manufacturing process Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 10
- 238000009825 accumulation Methods 0.000 claims description 9
- 239000000178 monomer Substances 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 5
- 230000005518 electrochemistry Effects 0.000 claims description 3
- 230000017525 heat dissipation Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 229910001416 lithium ion Inorganic materials 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000012528 membrane Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种电池内短路检测方法,能够根据实时获取电池组的状态参数,判断在无负载工况下和车载变电流工况下的电池内短路的情况。所述方法获取车载变电流工况下电池组的第二状态参数,对所述第二状态参数进行参数辨识。针对所述参数辨识的结果基于“平均+差异”模型进一步判断电动车车载变电流工况下电池组是否发生内短路。该方法适用于车载无电流工况和车载变电流工况,突破了当前技术难点,又实际可行,为动力电池车载全工况条件下的内短路故障检测提供了有效的方案。该方法能够及时稳定的获得电池内短路检测效果。该方法至少可以提前30分钟将可能造成严重热失控的内短路故障检测出来。
Description
技术领域
本发明涉及电池技术领域,特别涉及一种电池内短路检测方法、装置和计算机可读存储介质。
背景技术
锂离子电池因其能量密度和循环寿命方面的优势,是新能源汽车动力来源的主要选择之一。锂离子电池作为车用动力电池使用时,可能会工作故障或安全问题。作为动力电池经常出现的一种安全故障即电池内短路。锂离子动力电池(以下简称“动力电池”)的内短路一般是指由于在动力电池内部产生电流回路,引发不正常放电的现象。一般地,认为电池内短路的关键因素之一是隔膜失效。目前发现,隔膜失效在动力电池使用过程中是有可能发生的。即动力电池在使用过程中,存在内短路风险。内短路的异常产热可能导致动力电池发生热失控、起火、爆炸等危险的情况,因此,动力电池内短路必须得到有效的防控。最为直接的方法就是内短路检测。
动力电池在车载条件下,使用工况复杂,内短路检测必须在各类工况条件下都能够将动力电池的内短路故障检测出来,不能出现遗漏。一般地,根据动力电池的使用条件,可以将内短路检测需要考虑的工况分为“无外接负载/无电流输出”和“有外接负载/有电流输出”两类。还可以根据是否装车,分为“出厂前的电池筛选情况”,“出厂后电池车载安装的情况”两类。两两相组合,一共是四种情况。
如果属于“无外接负载/无电流输出”的情况,电池可以趋近于其平衡状态,可以简单地将平衡状态作为检测基准值/阈值,持续偏离平衡状态/超出阈值的电池可判定为内短路,此种条件下,检测难度低,现有手段多;如果属于“出厂前的电池筛选情况”,可用的测试资源丰富,测试信号获取与处理均非常方便,检测难度亦低。
动力电池装车后,由于成本限制,可用的内短路检测信号资源仅限于电压、温度等信息,检测难度加大。进一步地,如果是“出厂后电池车载安装的情况”且“有外接负载/有电流输”的情况,即一般常见的车载变电流工况,由于车载电流不断变化,电池包高速移动环境不断改变,各节电池的状态也随之变化,检测基准值/阈值不断变化,检测难度加大。
在车载变电流工况的情况下,动力电池的内短路检测难度还体现在,车载电池管理系统可用于内短路检测的信号是电压、温度等,但是实际能够反应内短路的电池状态、电池参数需要通过基于模型的方法进行在线故障诊断。基于模型的在线故障诊断依赖于对内短路机理的充分了解和认识。仅通过电压、温度简单作差的方式,在有负载电流干扰的情况下,难以准确稳定快速的判断电池内短路发生与否。
另外,在车载安装情况下,动力电池数量较多,为挑出具有内短路故障的单体电池,需要对于各节单体电池的状态进行判断,如果每节电池单体都进行相关检测,计算量和花费时间巨大,也构成在车载变电流工况下,动力电池的内短路检测的难点。
因此,动力电池内短路故障是一种可能危害行车安全的常见故障。目前由于车载工况复杂,车载变电流工况下进行内短路检测较为困难。这使得行车过程中,电池突发内短路的情况没有安全保障。
发明内容
基于此,有必要针对动力电池内短路故障检测困难的问题,提供一种电池内短路检测方法。
一种电池内短路检测方法,包括以下步骤:
S10,在电动车开机上电状态时,获取电池组的第一状态参数,根据所述第一状态参数判断电池组是否发生无负载工况下的内短路;
S20,如果电池组没有发生无负载工况下的内短路,则在电动车加负载状态时,获取电池组的第二状态参数,并对所述第二状态参数进行参数辨识,针对所述参数辨识的结果基于“平均+差异”模型进一步判断电动车车载变电流工况下电池组是否发生内短路。
在一个实施例中,所述步骤S10包括:
S110,读取电动车停机前电池组的状态参数;
S120,获取电动车开机上电后电池组的状态参数,电动车开机上电后的状态为无负载、无电流充放电的状态;
S130,比较所述电动车停机前电池组的状态参数和所述电动车开机上电后电池组的状态参数,如果所述电动车停机前电池组的状态参数和所述电动车开机上电后电池组的状态参数不同,且符合内短路的时间累积特征,则判定电池组发生无负载工况下的内短路。
在一个实施例中,所述步骤S20包括:
S21,实时获取电池的温度,及电池的电流;
S22,将电池的所述温度和所述电流数据带入电池产热模型,得到电池组平均等效产热内阻RΩ,avg,电池组平均熵变产热系数UT,avg,最差电池的等效产热内阻RΩ,max和最差电池的熵变产热系数UT,max;
S23,针对所述平均热参数值RΩ,avg和UT,avg和所述电池组的最差参数值RΩ,max和UT,max,基于“平均+差异”模型对电池组的产热异常进行判定。
在一个实施例中,所述电池产热模型为:
其中,M为电池质量,单位为kg;Cp为电池比热容,单位为J·kg-1·K-1;为电池温度T对时间的导数,单位为℃·s-1;h为电池对环境的平均换热系数,单位为W·m2·K-1;A为电池的平均散热面积,单位为m2;T为电池温度值,单位为℃;T∞为环境温度,单位为℃;I为电池电流值,单位为A;RΩ代表所述电池等效产热内阻参数,单位为Ω;TK为换算为开氏温度的电池温度,单位为K,TK=T+273.15;UT代表所述电池熵变产热参数,单位为V·K-1。
在一个实施例中,所述“平均+差异”模型为:
计算异常因子YT的值。
在一个实施例中,所述步骤S20包括:
S24,实时获取电池的电流和电池的端电压;
S25,将所述电流和所述端电压数据带入电池电化学模型,得到电池的复数阻抗RZ,对所述电池的复数阻抗RZ进行参数辨识,得到电池组平均荷电状态SOCavg,电池组平均电化学参数RZ,avg,最差电池的荷电状态SOCmin和最差电池的电化学阻抗参数RZ,min;
S26,针对所述电池组平均荷电状态SOCavg,所述电池组平均电化学参数RZ,avg,所述最差电池的荷电状态SOCmin和所述最差电池的电化学阻抗参数RZ,min,基于“平均+差异”模型对电池组的电化学异常进行判定。
在一个实施例中,所述电池电化学模型为:V=OCV+I·RZ
其中,V代表电池端电压,OCV代表电池的开路电压,I代表电池电流,RZ代表线性化之后的电池复数阻抗。
在一个实施例中,所述“平均+差异”模型为:
YV,SOC=|SOCavg-SOCmin|
计算异常因子YV,SOC的值。
在一个实施例中,所述“平均+差异”模型为:
计算异常因子YV,R的值。
在一个实施例中,在所述步骤S20之后,进一步包括:
S30,针对所述产热异常状态进行报警,或针对所述电化学异常状态进行报警。
在一个实施例中,所述步骤S20包括:
S210,实时获取电池的温度,电池的电流和电池的端电压;
S220,将所述电池的温度和所述电池的电流带入电池产热模型,进行基于温度的参数辨识,得到电池组平均等效产热内阻RΩ,avg,电池组平均熵变产热系数UT,avg,最差电池的等效产热内阻RΩ,max和最差电池的熵变产热系数UT,max;
将所述电池的电流和所述电池的端电压带入电池电化学模型,进行基于电压的参数辨识,得到电池组平均荷电状态SOCavg,电池组平均电化学参数RZ,avg,最差电池的荷电状态SOCmin和最差电池的电化学阻抗参数RZ,min;
S230,针对所述电池产热模型和所述电池电化学模型得到的结果,基于“平均+差异”模型对电池组的热参数异常进行判定,得出电池组是否发生产热异常和电池组是否发生电化学异常;
S240,若判断电池组同时发生产热异常和电化学异常,则进一步判断发生产热异常和电化学异常的电池单体是否为同一个电池单体;
S250,若发生产热异常和发生电化学异常的电池单体为同一电池单体,则同时执行停机检查和报警的动作。
一种电池内短路检测装置,包括电池内短路检测设备和计算机,其中计算机包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时采用电池内短路检测方法,所述方法包括:
S10,在电动车开机上电状态时,获取电池组的第一状态参数,根据所述第一状态参数判断电池组是否发生无负载工况下的内短路;
S20,如果电池组没有发生无负载工况下的内短路,则在电动车加负载状态时,获取电池组的第二状态参数,并对所述第二状态参数进行参数辨识,针对所述参数辨识的结果基于“平均+差异”模型进一步判断电动车车载变电流工况下电池组是否发生内短路。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时可用于执行上述任一项所述方法的步骤。
本发明提供的所述电池内短路检测方法,能够根据实时获取电池组的状态参数,判断在无负载工况下和车载变电流工况下的电池内短路的情况。所述方法获取车载变电流工况下电池组的第二状态参数,对所述第二状态参数进行参数辨识。针对所述参数辨识的结果基于“平均+差异”模型进一步判断电动车车载变电流工况下电池组是否发生内短路。该方法适用于车载无电流工况和车载变电流工况,突破了当前技术难点,又实际可行,为动力电池车载全工况条件下的内短路故障检测提供了有效的方案。该方法能够及时稳定的获得电池内短路检测效果。该方法至少可以提前30分钟将可能造成严重热失控的内短路故障检测出来。
附图说明
图1为一个实施例中所述电池内短路检测方法的流程图;
图2为一个实施例中所述电池内短路检测方法的流程图;
图3为一个实施例中所述电池内短路检测方法中,电池内短路电池电压异常降低与温度异常升高情况示意图;
图4为一个实施例中所述电池内短路检测方法中,基于产热模型的电池热参数辨识结果;
图5为一个实施例中所述电池内短路检测方法中,电池产热异常因子YT的实时计算结果;
图6为一个实施例中所述电池内短路检测方法中,基于电化学模型的电池状态估计结果;
图7为一个实施例中所述电池内短路检测方法中,电化学状态异常因子YV,SOC的计算结果;
图8为一个实施例中所述电池内短路检测方法的流程图;
图9为一个实施例中所述电池内短路检测装置的结构示意图。
附图标记说明:
电池内短路检测装置 10
电池内短路检测设备 11
计算机 12
存储器 100
处理器 200
计算机程序 300
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例对本发明的电池内短路检测方法、装置和计算机可读存储介质进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
请参阅图1,一种电池内短路检测方法,包括以下步骤:
S10,在电动车开机上电状态时,获取电池组的第一状态参数,根据所述第一状态参数判断电池组是否发生无负载工况下的内短路;
S20,如果电池组没有发生无负载工况下的内短路,则在电动车加负载状态时,获取电池组的第二状态参数,并对所述第二状态参数进行参数辨识,针对所述参数辨识的结果基于“平均+差异”模型进一步判断电动车车载变电流工况下电池组是否发生内短路。
可以理解,对电动车用动力电池内短路检测时可以包括:电池组开机上电无负载情况下的内短路检测和车载变电流工况下的内短路检测。
具体的,在电池系统开机后持续运行,用于在车载变电流复杂工况下实现对电池内短路的检测。在一个实施例中,车载变电流工况下的内短路检测可分为两个并行运算的模型去完成。具体的,可以采用基于温度信号的内短路检测模型和基于电压信号的内短路检测模型。采用基于温度信号的内短路检测模型和基于电压信号的内短路检测模型对所述电池组的状态检测结果进行参数辨识。针对所述参数辨识的结果基于“平均+差异”模型进一步判断车载变电流工况下电池组是否发生内短路。
本实施例中,提供的所述电池内短路检测方法,能够根据实时获取电池组的状态参数,判断在无负载工况下和车载变电流工况下的电池内短路的情况。所述方法获取车载变电流工况下电池组的第二状态参数,对所述第二状态参数进行参数辨识。针对所述参数辨识的结果基于“平均+差异”模型进一步判断电动车车载变电流工况下电池组是否发生内短路。该方法适用于车载无电流工况和车载变电流工况,突破了当前技术难点,又实际可行,为动力电池车载全工况条件下的内短路故障检测提供了有效的方案。该方法能够及时稳定的获得电池内短路检测效果。该方法至少可以提前30分钟将可能造成严重热失控的内短路故障检测出来。
在一个实施例中,所述步骤S10包括:
S110,读取电动车停机前电池组的状态参数;
S120,获取电动车开机上电后电池组的状态参数,电动车开机上电后的状态为无负载、无电流充放电的状态;
S130,比较所述电动车停机前电池组的状态参数和所述电动车开机上电后电池组的状态参数,如果所述电动车停机前电池组的状态参数和所述电动车开机上电后电池组的状态参数不同,且符合内短路的时间累积特征,则判定电池组发生无负载工况下的内短路。
具体的,在电动车系统中,可以设置控制器和检测器。检测器可以实时获取电池组的各种状态信息。检测器可以为温度传感器、电压传感器、绝缘检测传感器、火焰检测传感器和碰撞信号传感器等。控制器中可以存储电池组的各种状态信息。控制器还可以对电池组的状态信息进行分析和计算。停机前对电池组电压、温度、状态、参数进行记录,作为电动车停机前电池组的状态参数。
电动车开机上电后,在无负载无电流充放电的条件下,对电池组电压、温度、状态、参数进行记录,电动车开机上电后电池组的状态参数。并将所述电动车停机前电池组的状态参数和所述电动车开机上电后电池组的状态参数进行比较。
如果开机上电后,电池组内如有单体电池的电压、温度、状态或参数与停机前明显不同,且符合内短路的时间累积特征,则可判定电池发生内短路。即如果所述电动车停机前电池组的状态参数和所述电动车开机上电后电池组的状态参数明显不相同,并且符合内短路的时间积累特征,则判定电池组发生无负载工况下的内短路。这里的应用场景可以有多种,比如:电动车在前一天关闭发动机以后,电池组在无负载的情况下,检测所述电动车停机前电池组的状态参数。第二天在用车时,开机上电但没有带动负载的情况下检测到所述电动车开机上电后电池组的状态参数。比较电池组的两组状态参数的值是否相同,如果电池组的两组状态参数不相同并且符合内短路的时间积累特征,则认为电池组发生无负载工况下的内短路。
在另一种应用场景下,电动车在充电前,通过检测器检测电动车充电前电池组的状态参数。并可以将充电前的电池组状态参数记录在控制器中。待电动车充电完毕后,检测充电完成后电池组的状态参数。比较充电前电池组状态参数和充电后电池组状态参数,并判断两组的状态参数是否符合内短路的时间积累特征。如果电池组充电前后的两组状态参数不相同并且符合内短路的时间积累特征,则认为电池组发生无负载工况下的内短路。
具体的,所述电动车停机前电池组的状态参数和所述电动车开机上电后电池组的状态参数的差别符合内短路的时间累积特征,可以为多个与内短路相关的特征参数,并不做具体特征的限制。更具体的,比如:单体电池的信息与停机前明显不同,可以设定为停机前后的电压差大于300mV,则判定电池组发生无负载工况下的内短路。或者可以通过静置电压测定的电池荷电状态停机后明显下降,且差异值大于15%则判定电池组发生无负载工况下的内短路等。
请参阅图2,在一个实施例中,所述步骤S20包括:
S21,实时获取电池的温度,及电池的电流;
S22,将电池的所述温度和所述电流数据带入电池产热模型,得到电池组平均等效产热内阻RΩ,avg,电池组平均熵变产热系数UT,avg,最差电池的等效产热内阻RΩ,max和最差电池的熵变产热系数UT,max;
S23,针对所述平均热参数值RΩ,avg和UT,avg和所述电池组的最差参数值RΩ,max和UT,max,基于“平均+差异”模型对电池组的产热异常进行判定。
在一个实施例中,所述电池产热模型为:
其中,M为电池质量,单位为kg;Cp为电池比热容,单位为J·kg-1·K-1;为电池温度T对时间的导数,单位为℃·s-1;h为电池对环境的平均换热系数,单位为W·m2·K-1;A为电池的平均散热面积,单位为m2;T为电池温度值,单位为℃;T∞为环境温度,单位为℃;I为电池电流值,单位为A;RΩ代表所述电池等效产热内阻参数,单位为Ω;TK为换算为开氏温度的电池温度,单位为K,TK=T+273.15;UT代表所述电池熵变产热参数,单位为V·K-1。
在本发明的一个实施例中M=0.75kg,Cp=1100J·kg-1·K-1,h=15W·m2·K-1,A=0.02m2。电池热参数辨识一般采用的方法是基于模型的参数辨识法。基于模型的参数辨识方法满足式(2)-式(11)。
式(2)为基于模型的参数辨识方法的基本公式,其中z表示观测量,在本发明中,z满足式(3);表示信号输入量,是一个列向量,具有两个分量和即参照式(1),满足式(4),满足式(5);θ表示待辨识的电池热参数,θ也具有两个分量θ1和θ2,即θ=[θ1,θ2]T,参照式(1),θ1满足式(6),θ2满足式(7)。
θ1=RΩ (6)
θ2=UT (7)
使用下标k来表示k时刻对应的物理量,如zk表示k时刻的观测量,表示k时刻的信号观测量,θk表示k时刻的参数辨识结果。zk,和θk满足式(8)。
但是事实上,由于θk是通过参数辨识获得,只能通过上一时刻的参数估计值获得θk-1,以及zk的估计值zk *:
定义k时刻的估计误差εk为:
则k时刻参数θk的辨识方程为:
其中Pk为用于递归辨识θk的二阶矩阵。Pk可以通过最速下降法获得,也可以通过递归最小二乘法获得。
通过参数辨识算法计算获得的RΩ和UT即为反映电池本质产热信息的热参数。RΩ和UT的异常即直接对应着电池本身产热的异常。并用于车载变电流工况下的电池内短路检测方法。
在本发明的一个实施例中,由多节电池串联的组成电池组。其中某节电池内部含有内短路可控触发元件,并在第3598s触发较为严重的内短路。请参阅图3,内短路触发后,电池组内的温度出现异常上升,异常单体电池温度Tmax的上升速率远高于平均温度Tavg的上升速率,异常单体电池的电压Vmin逐渐偏离电池组的平均电压Vavg。
基于电池产热模型,对电池组的平均热参数进行辨识,是指将电池组平均温度Tavg作为式(1)中的T和TK,并进行电池组平均热参数RΩ,avg和UT,avg辨识。平均热参数RΩ,avg和UT,avg是通过电池组实际数据获得的判断基准值,基准值随电池工作条件的变化而变化,反映了电池组的平均产热能力。
基于电池产热模型,对电池组内最差电池的热参数进行辨识,是指将电池组最高温度Tmax作为式(1)中的T和TK,并进行电池组内最差电池的热参数RΩ,max和UT,max辨识。
请参阅图4,为通过式(1)-(11)辨识获得的电池组平均热参数RΩ,avg和UT,avg,以及电池组内最差电池的热参数RΩ,max和UT,max。辨识获得的电池本质属性参数收到信号采样的噪声影响很小,用于判定故障较为可靠。
在一个实施例中,基于“平均+差异”假设的热参数异常判定。首先确定电池组内最差电池,即具有最高温度的电池单体在很长的一段时间内为同一节电池单体。其次,若通过辨识获得的电池组最差电池的热参数RΩ,max和UT,max所反映的电池产热状态明显大于电池组平均热参数RΩ,avg和UT,avg所反映的电池产热状态时,判定电池组内最差电池存在严重的产热异常情况,并很有可能是内短路造成。
在一个实施例中,所述“平均+差异”模型为:
计算异常因子YT的值。
最差电池的热参数RΩ,max和UT,max所反映的电池产热状态明显大于电池组平均热参数RΩ,avg和UT,avg,可以通过定义异常因子YT来进行定量判定。当异常因子YT大于一定的阈值ΛT时,判定电池组内最差电池存在严重的产热异常情况。
请参阅图5,为通过式(12)实时计算的电池产热异常因子YT的结果。可以看出,在3598s触发电池内短路之后,异常因子明显上升,且趋势单调,可以用于判定电池的异常产热状态。优选地,认为YT>2.5时(时间为4034s),电池异常产热已经非常明显(比正常产热大150%以上),应判定为异常产热,以及疑似内短路状态。此时根据图3,电池最高温度与平均温度之差仅6℃,若不使用本发明中的方法,此时还不能判定电池发生异常。因此,本方法能够及时、准确的判断在有负载和无负载状态下电池组是否发生内短路的情况。
在一个实施例中,所述步骤S20包括:
S24,实时获取电池的电流和电池的端电压;
S25,将所述电流和所述端电压数据带入电池电化学模型,得到电池的复数阻抗RZ,对所述电池的复数阻抗RZ进行参数辨识,得到电池组平均荷电状态SOCavg,电池组平均电化学参数RZ,avg,最差电池的荷电状态SOCmin和最差电池的电化学阻抗参数RZ,min;
S26,针对所述电池组平均荷电状态SOCavg,所述电池组平均电化学参数RZ,avg,所述最差电池的荷电状态SOCmin和所述最差电池的电化学阻抗参数RZ,min,基于“平均+差异”模型对电池组的电化学异常进行判定。
基于电化学模型的电池状态估计与参数辨识。在一个实施例中,所述电池电化学模型是指等效电路模型,满足式(13),其中V代表电池端电压,OCV代表电池的开路电压,I代表电池电流,RZ代表线性化之后的电池复数阻抗。
V=OCV+I·RZ (13)
基于电化学模型的参数辨识是指将式(13)中的模型转化为式(2)的形式,并利用式(9)-(11)的方式,对复数阻抗RZ当中的电阻、电容、时间常数等参数进行辨识。
在本发明的一个实施例中,不对复数阻抗RZ进行参数辨识,而是通过离线标定获得电池的复数阻抗RZ。基于电化学模型的状态估计是指,利用OCV与电池荷电状态SOC的相互关系,以及模型预测得到的电池端电压Vmdl和实际测得的电池端电压Vexp之间的差值,对于SOC的估计值进行反馈修正,以获得准确的电池荷电状态SOC。基于电化学模型的状态估计需要用到式(14)-(19)。
OCV=f(SOC) (14)
式(14)表示OCV是SOC的函数f,函数f单调且1阶可导。
使用上标“-”代表SOC的先验估计值,使用上标“+”代表SOC的后验修正值。k时刻电池SOC的先验估计值为:
其中,表示k时刻SOC的先验估计值;为k-1时刻SOC的后验修正值;Δtk-1为k-1时刻的采样时间间隔;Qst为单体电池的额定容量;ηC为电池充放电的库伦效率;Ik-1为k-1时刻电池的电流。
根据k时刻SOC的先验估计值查公式(14),获得k时刻的OCV模型预测值OCVmdl,k:
根据公式(13)。计算获得k时刻模型对电池端电压V的预测值Vmdl,k:
Vmdl,k=OCVmdl,k+I·RZ (17)
与实际k时刻电池端电压测量值Vexp,k相对比,获得电压估计误差Ek:
Ek=Vexp,k-Vmdl,k (18)
进一步地,根据式(19),对SOC的先验估计值SOCk -进行修正,获得k时刻的SOC后验估计值,也即算法输出的电池SOC估计值。
其中Lk为正比例反馈系数,在本发明的实施例中,使用了最优估计中的卡尔曼滤波法计算获得。
基于电化学模型,进行电池组平均状态估计。是指在进行电池组平均状态估计过程中,使用电池组的平均电压Vavg来作为算法中使用的电池端电压Vexp。估计获得的电池组平均SOC记为SOCavg。
基于电化学模型,进行电池组最差电池状态估计。是指在进行最差电池状态估计过程中,使用电池组的最低电压Vmin来作为算法中使用的电池端电压Vexp。估计获得的最差电池的SOC记为SOCmin。
请参阅附图5,为实时估计算法获得的电池组平均SOC记为SOCavg,以及最差电池的SOC记为SOCmin。
基于“平均+差异”假设对电池电化学状态、参数异常情况的判定。首先确定此种情况下的电池组内最差电池,即具有最低电压的电池单体在很长的一段时间内为同一节电池单体。其次,若通过状态估计/参数辨识获得的电池组最差电池的SOCmin和RZ,min明显偏离电池组平均电化学状态SOCavg和平均电化学参数RZ,avg,判定电池组内最差电池存在严重的电化学异常情况,并很有可能是内短路造成。
最差电池的SOCmin所反映的电池电化学状态明显小于电池组平均电化学状态SOCavg,可以通过定义异常因子YV,SOC来进行定量判定。当异常因子YV,SOC大于一定的阈值ΛV,SOC时,判定电池组内最差电池存在严重的电化学异常情况。
YV,SOC=|SOCavg-SOCmin| (20)
根据式(20)计算异常因子YV,SOC的值。
请参阅附图6,为本发明一个实施例中对应的电化学状态异常因子YV,SOC随时间的变化情况。可以看出,在3598s触发电池内短路之后,异常因子YV,SOC明显上升,且趋势单调,可以用于判定电池的异常电化学状态。优选地,认为YV,SOC>10%时,电池异常电化学状态已经非常明显,大约为4760s,应判定为电化学状态异常,以及疑似内短路状态。
类似地,针对最差电池的电化学阻抗参数RZ,min,可以定义异常因子YV,R来进行定量判定。当异常因子YV,R超出一定的范围[1-δlow,1+δhigh]时,判定电池组内最差电池存在严重的电化学异常情况。
根据式(21)计算异常因子YV,R的值。
在一个实施例中,在所述步骤S20之后,进一步包括:
S30,针对所述产热异常状态进行报警,或针对所述电化学异常状态进行报警。
具体的,在经过“平均+差异”模型可以得出相应的电池组异常因子,针对所述异常因子可以判定电池发生内短路的情况。可以针对产热异常状态和电化学异常状态中,异常因子的大小对电池组的内短路异常状态进行分级和分类。车载变电流情况下,电池组的内短路异常可以分为不同的危险等级,针对不同的危险等级实施不同的报警策略。
在一个实施例中,可以只设置基于产热模型的电池组内短路检测。针对基于产热模型的参数进行辨识,然后基于“平均+差异”模型得出电池组的异常因子YT,根据电池组的异常因子YT得出电池内短路的检测结果。
在另一个实施例中,可以只设置基于电化学模型的电池组内短路检测。针对基于电化学模型的参数进行辨识,然后基于“平均+差异”模型得出电池组的异常因子YV,SOC或者YV,R,根据电池组的异常因子YV,SOC或者YV,R得出电池内短路的检测结果。
在一个实施例中,可以既设置基于产热模型的电池组内短路检测,也设置基于电化学模型的电池组内短路检测。针对基于产热模型的参数进行辨识,然后基于“平均+差异”模型得出电池组的异常因子YT。针对基于电化学模型的参数进行辨识,然后基于“平均+差异”模型得出电池组的异常因子YV,SOC或者YV,R。根据电池组的异常因子YT、YV,SOC或者YV,R综合得出电池内短路的检测结果。
请参阅图8,在一个实施例中,所述步骤S20包括:
S210,实时获取电池的温度,电池的电流和电池的端电压;
S220,将所述电池的温度和所述电池的电流带入电池产热模型,进行基于温度的参数辨识,得到电池组平均等效产热内阻RΩ,avg,电池组平均熵变产热系数UT,avg,最差电池的等效产热内阻RΩ,max和最差电池的熵变产热系数UT,max;
将所述电池的电流和所述电池的端电压带入电池电化学模型,进行基于电压的参数辨识,得到电池组平均荷电状态SOCavg,电池组平均电化学参数RZ,avg,最差电池的荷电状态SOCmin和最差电池的电化学阻抗参数RZ,min;
S230,针对所述电池产热模型和所述电池电化学模型得到的结果,基于“平均+差异”模型对电池组的热参数异常进行判定,得出电池组是否发生产热异常和电池组是否发生电化学异常;
S240,若判断电池组同时发生产热异常和电化学异常,则进一步判断发生产热异常和电化学异常的电池单体是否为同一个电池单体;
S250,若发生产热异常和发生电化学异常的电池单体为同一电池单体,则同时执行停机检查和报警的动作。
本实施例中,所述步骤S220中并列进行基于产热和基于电化学状态的参数辨识。其中任何一个步骤判定电池出现异常,均表示电池出现了异常故障,应进行相应的报警措施。基于产热和基于电化学状态的异常状态的检测未同时判定异常时,说明电池没有出现严重的内短路情况,电池系统存在跛行的可能。
若基于产热和基于电化学状态的检测同时判定电池出现的异常情况,则需要判断出现异常情况的电池是否是同一节单体。如果不是同一节单体,那么跟上述情况一样,说明电池没有出现严重的内短路情况,电池系统存在跛行的可能。如果出现异常的是同一节单体,那么说明电池系统出现严重内短路故障,除报警之外,还应尽快停机检查。
在本发明的一个实施例中,如果基于产热状态的判定结果为电池产热异常(YT>2.5)出现在4034s(累计用时436s)。基于电化学状态的判定结果为电池电化学状态异常(YV,SOC>10%)出现在4760s(累计用时1162s)。实际上,使用相同的测试条件,该款电池从内短路触发到发生严重热失控的用时大约为2963s。通过基于温度信号的内短路检测算法检测出的产热异常,相对于最终发生热失控提前了2527s(42min7s)。通过基于电压信号的内短路检测算法检测出的电化学状态异常,相对于最终发生热失控提前了1801s(30min1s)。综合考虑产热模型和电化学模型的结果,认为同时出现电池产热异常以及电化学状态异常时,检测出内短路,那么,本发明提供的内短路检测方法可以提前30min将可能造成严重热失控的内短路故障检测出来。
当然,也可以通过分级的方式来对内短路造成电池异常的综合状态进行评价。例如,在基于电池产热模型的判定中,可以设置基于异常因子YT的不同数值范围设置不同的危险等级。比如:YT<2为0级(不异常),2≤YT<2.5为1级异常,2.5≤YT<3为2级,3≤YT<3.5为3级,3.5≤YT<4为4级,YT>4为5级。类似地,在基于电池产热模型的判定中,可以设置基于异常因子YV,SOC的不同数值范围设置不同的危险等级。YV,SOC<5%为0级(不异常),5%≤YV,SOC<10%为1级异常,10%≤YV,SOC<15%为2级,15%≤YV,SOC<20%为3级,YV,SOC≥20%为4级。
在一个实施例中,按照上述的方法测试得到表1所示的电池异常状态综合判断表。
表1:电池异常状态综合判断表
如果认为总异常等级达到6时,电池判定为内短路,那么判定时间为4667s;认为总异常等级达到7时,电池判定为内短路,那么判定时间为4760s。
本实施例中提供的电池内短路检测方法,利用电压信息,基于模型实时估计电池荷电状态;利用温度信息,基于模型实时估计电池的产热内阻和熵变系数;以及“平均+差异”模型,及时的获得了稳定的内短路检测效果。该方法至少可以提前30min将可能造成严重热失控的内短路故障检测出来。另外,该方法除适用于车载无电流工况外,还适用于车载变电流工况,突破了当前技术难点,又实际可行,为动力电池车载全工况条件下的内短路故障检测提供了有效的方案,具有良好的应用前景。
请参阅图9,提供一种电池内短路检测装置10,包括电池内短路检测设备11和计算机12,其中计算机12包括存储器100、处理器200及存储在存储器上并可在处理器上运行的计算机程序300,所述处理器200执行所述程序时采用电池内短路检测方法,所述方法包括:
S10,在电动车开机上电状态时,获取电池组的第一状态参数,根据所述第一状态参数判断电池组是否发生无负载工况下的内短路;
S20,如果电池组没有发生无负载工况下的内短路,则在电动车加负载状态时,获取电池组的第二状态参数,并对所述第二状态参数进行参数辨识,针对所述参数辨识的结果基于“平均+差异”模型进一步判断电动车车载变电流工况下电池组是否发生内短路。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时可用于执行上述任一项所述方法的步骤。
基于同样的发明思想,本发明一个实施例还提供一种计算机设备,包括存储器、处理器,及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现上述实施例所提及方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序或指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (13)
1.一种电池内短路检测方法,其特征在于,包括以下步骤:
S10,在电动车开机上电状态时,获取电池组的第一状态参数,根据所述第一状态参数判断电池组是否发生无负载工况下的内短路;
S20,如果电池组没有发生无负载工况下的内短路,则在电动车加负载状态时,获取电池组的第二状态参数,并对所述第二状态参数进行参数辨识,针对所述参数辨识的结果基于“平均+差异”模型进一步判断电动车车载变电流工况下电池组是否发生内短路。
2.如权利要求1所述的电池内短路检测方法,其特征在于,所述步骤S10包括:
S110,读取电动车停机前电池组的状态参数;
S120,获取电动车开机上电后电池组的状态参数,电动车开机上电后的状态为无负载、无电流充放电的状态;以及
S130,比较所述电动车停机前电池组的状态参数和所述电动车开机上电后电池组的状态参数,如果所述电动车停机前电池组的状态参数和所述电动车开机上电后电池组的状态参数不同,且符合内短路的时间累积特征,则判定电池组发生无负载工况下的内短路。
3.如权利要求1所述的电池内短路检测方法,其特征在于,所述步骤S20包括:
S21,实时获取电池的温度,及电池的电流;
S22,将电池的所述温度和所述电流数据带入电池产热模型,得到电池组平均等效产热内阻RΩ,avg,电池组平均熵变产热系数UT,avg,最差电池的等效产热内阻RΩ,max和最差电池的熵变产热系数UT,max;
S23,针对所述平均热参数值RΩ,avg和UT,avg和所述电池组的最差参数值RΩ,max和UT,max,基于“平均+差异”模型对电池组的产热异常进行判定。
4.如权利要求3所述的电池内短路检测方法,其特征在于,
所述电池产热模型为:
其中,M为电池质量,单位为kg;Cp为电池比热容,单位为J·kg-1·K-1;为电池温度T对时间的导数,单位为℃·s-1;h为电池对环境的平均换热系数,单位为W·m2·K-1;A为电池的平均散热面积,单位为m2;T为电池温度值,单位为℃;T∞为环境温度,单位为℃;I为电池电流值,单位为A;RΩ代表所述电池等效产热内阻参数,单位为Ω;TK为换算为开氏温度的电池温度,单位为K,TK=T+273.15;UT代表所述电池熵变产热参数,单位为V·K-1。
5.如权利要求3所述的电池内短路检测方法,其特征在于,
所述“平均+差异”模型为:
用于计算异常因子YT的值。
6.如权利要求1所述的电池内短路检测方法,其特征在于,所述步骤S20包括:
S24,实时获取电池的电流和电池的端电压;
S25,将所述电流和所述端电压数据带入电池电化学模型,得到电池的复数阻抗RZ,对所述电池的复数阻抗RZ进行参数辨识,得到电池组平均荷电状态SOCavg,电池组平均电化学参数RZ,avg,最差电池的荷电状态SOCmin和最差电池的电化学阻抗参数RZ,min;
S26,针对所述电池组平均荷电状态SOCavg,所述电池组平均电化学参数RZ,avg,所述最差电池的荷电状态SOCmin和所述最差电池的电化学阻抗参数RZ,min,基于“平均+差异”模型对电池组的电化学异常进行判定。
7.如权利要求6所述的电池内短路检测方法,其特征在于,
所述电池电化学模型为:V=OCV+I·RZ,
其中,V代表电池端电压,OCV代表电池的开路电压,I代表电池电流,RZ代表线性化之后的电池复数阻抗。
8.如权利要求6所述的电池内短路检测方法,其特征在于,
所述“平均+差异”模型为:
YV,SOC=|SOCavg-SOCmin|,
用于计算异常因子YV,SOC的值。
9.如权利要求6所述的电池内短路检测方法,其特征在于,所述“平均+差异”模型为:
用于计算异常因子YV,R的值。
10.如权利要求1所述的电池内短路检测方法,其特征在于,在所述步骤S20之后,进一步包括:
S30,针对所述产热异常状态进行报警,或针对所述电化学异常状态进行报警。
11.如权利要求1所述的电池内短路检测方法,其特征在于,所述步骤S20包括:
S210,实时获取电池的温度,电池的电流和电池的端电压;
S220,将所述电池的温度和所述电池的电流带入电池产热模型,进行基于温度的参数辨识,得到电池组平均等效产热内阻RΩ,avg,电池组平均熵变产热系数UT,avg,最差电池的等效产热内阻RΩ,max和最差电池的熵变产热系数UT,max;
将所述电池的电流和所述电池的端电压带入电池电化学模型,进行基于电压的参数辨识,得到电池组平均荷电状态SOCavg,电池组平均电化学参数RZ,avg,最差电池的荷电状态SOCmin和最差电池的电化学阻抗参数RZ,min;
S230,针对所述电池产热模型和所述电池电化学模型得到的结果,基于“平均+差异”模型对电池组的热参数异常进行判定,得出电池组是否发生产热异常和电池组是否发生电化学异常;
S240,若判断电池组同时发生产热异常和电化学异常,则进一步判断发生产热异常和电化学异常的电池单体是否为同一个电池单体;以及
S250,若发生产热异常和发生电化学异常的电池单体为同一电池单体,则同时执行停机检查和报警的动作。
12.一种电池内短路检测装置,包括电动车用动力电池内短路检测设备和计算机,其中计算机包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时采用电池内短路检测方法,所述方法包括:
S10,在电动车开机上电状态时,获取电池组的第一状态参数,根据所述第一状态参数判断电池组是否发生无负载工况下的内短路;
S20,如果电池组没有发生无负载工况下的内短路,则在电动车加负载状态时,获取电池组的第二状态参数,并对所述第二状态参数进行参数辨识,针对所述参数辨识的结果基于“平均+差异”模型进一步判断电动车车载变电流工况下电池组是否发生内短路。
13.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时可用于执行权利要求1-11中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711367874.0A CN108562855B (zh) | 2017-12-18 | 2017-12-18 | 电池内短路检测方法、装置和计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711367874.0A CN108562855B (zh) | 2017-12-18 | 2017-12-18 | 电池内短路检测方法、装置和计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108562855A true CN108562855A (zh) | 2018-09-21 |
CN108562855B CN108562855B (zh) | 2020-02-07 |
Family
ID=63529461
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711367874.0A Active CN108562855B (zh) | 2017-12-18 | 2017-12-18 | 电池内短路检测方法、装置和计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108562855B (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109521315A (zh) * | 2018-11-19 | 2019-03-26 | 北京新能源汽车股份有限公司 | 一种电池内部短路的检测方法、装置及汽车 |
CN109738806A (zh) * | 2018-12-29 | 2019-05-10 | 蜂巢能源科技有限公司 | 模拟电池产热率的方法、装置、介质 |
CN110082683A (zh) * | 2019-05-09 | 2019-08-02 | 合肥工业大学 | 抑制安时积分soc估计误差的闭环补偿方法 |
CN110112504A (zh) * | 2019-05-20 | 2019-08-09 | 北京工业大学 | 一种预防锂离子电池热失控的方法 |
CN110667385A (zh) * | 2019-10-22 | 2020-01-10 | 东软睿驰汽车技术(沈阳)有限公司 | 异常处理方法、装置、设备及介质 |
CN111144029A (zh) * | 2020-01-02 | 2020-05-12 | 北京理工大学 | 一种针对锂离子动力电池热电耦合特性的建模方法 |
CN112639495A (zh) * | 2020-04-24 | 2021-04-09 | 华为技术有限公司 | 一种电池检测的方法和装置 |
WO2021078257A1 (zh) * | 2019-10-25 | 2021-04-29 | 山东大学 | 一种基于修正样本熵的电池组多故障诊断方法及系统 |
CN112816881A (zh) * | 2021-03-12 | 2021-05-18 | 武汉蔚来能源有限公司 | 电池压差异常检测方法、装置及计算机存储介质 |
CN112924884A (zh) * | 2021-01-29 | 2021-06-08 | 同济大学 | 基于增量容量曲线峰值面积的电池内短路定量诊断方法 |
CN112937303A (zh) * | 2021-02-08 | 2021-06-11 | 重庆长安新能源汽车科技有限公司 | 一种电池过热后实时在线预警方法及系统 |
CN113253120A (zh) * | 2021-06-29 | 2021-08-13 | 蜂巢能源科技有限公司 | 电池突发型内短路诊断方法、装置、存储介质及电子设备 |
US11163008B2 (en) * | 2017-08-25 | 2021-11-02 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Terminal device and method and system for monitoring battery safety of terminal device |
CN113791364A (zh) * | 2021-08-31 | 2021-12-14 | 上海交通大学 | 模型融合信号驱动的锂离子电池内部短路诊断方法与系统 |
CN114026443A (zh) * | 2019-06-24 | 2022-02-08 | 三星Sdi株式会社 | 用于检测内部短路电池单体的方法 |
CN114137417A (zh) * | 2021-11-19 | 2022-03-04 | 北京理工大学 | 一种基于充电数据特征的电池内短路检测方法 |
CN114152826A (zh) * | 2021-11-19 | 2022-03-08 | 北京理工大学 | 一种锂离子电池单体内短路检测方法 |
CN115047349A (zh) * | 2022-06-13 | 2022-09-13 | 广汽埃安新能源汽车有限公司 | 电池包的一致性状态评估方法、装置、电子设备和存储介质 |
CN116087792A (zh) * | 2023-03-02 | 2023-05-09 | 上海玫克生储能科技有限公司 | 一种辨识锂电池内短路程度的方法和系统 |
CN117907844A (zh) * | 2024-03-19 | 2024-04-19 | 中国汽车技术研究中心有限公司 | 电池系统内短路异常检测方法、电子设备及介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1174441A (zh) * | 1996-06-24 | 1998-02-25 | 索尼公司 | 电池测定方法和电池测定装置 |
US20050029990A1 (en) * | 2001-11-07 | 2005-02-10 | Hisashi Tsukamoto | Safety method, device and system for an energy storage device |
CN102565611A (zh) * | 2011-12-27 | 2012-07-11 | 惠州市亿能电子有限公司 | 动力电池的内短路检测方法 |
JP2014041834A (ja) * | 2008-02-27 | 2014-03-06 | Nec Corp | 二次電池の内部短絡検出装置および内部短絡検出方法 |
CN106054083A (zh) * | 2016-06-27 | 2016-10-26 | 北京新能源汽车股份有限公司 | 一种动力电池系统的安全监控方法及装置 |
CN106682288A (zh) * | 2016-12-13 | 2017-05-17 | 清华大学 | 一种锂离子电池过充电热失控建模方法 |
JP2017106867A (ja) * | 2015-12-11 | 2017-06-15 | トヨタ自動車株式会社 | 二次電池の製造方法 |
CN107192914A (zh) * | 2017-04-18 | 2017-09-22 | 宁德时代新能源科技股份有限公司 | 锂离子动力电池内短路检测方法 |
US9774197B1 (en) * | 2017-02-22 | 2017-09-26 | Bordrin Motor Corporation, Inc. | Battery internal short-circuit detection method based on cell charge balancing |
-
2017
- 2017-12-18 CN CN201711367874.0A patent/CN108562855B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1174441A (zh) * | 1996-06-24 | 1998-02-25 | 索尼公司 | 电池测定方法和电池测定装置 |
US20050029990A1 (en) * | 2001-11-07 | 2005-02-10 | Hisashi Tsukamoto | Safety method, device and system for an energy storage device |
JP2014041834A (ja) * | 2008-02-27 | 2014-03-06 | Nec Corp | 二次電池の内部短絡検出装置および内部短絡検出方法 |
CN102565611A (zh) * | 2011-12-27 | 2012-07-11 | 惠州市亿能电子有限公司 | 动力电池的内短路检测方法 |
JP2017106867A (ja) * | 2015-12-11 | 2017-06-15 | トヨタ自動車株式会社 | 二次電池の製造方法 |
CN106054083A (zh) * | 2016-06-27 | 2016-10-26 | 北京新能源汽车股份有限公司 | 一种动力电池系统的安全监控方法及装置 |
CN106682288A (zh) * | 2016-12-13 | 2017-05-17 | 清华大学 | 一种锂离子电池过充电热失控建模方法 |
US9774197B1 (en) * | 2017-02-22 | 2017-09-26 | Bordrin Motor Corporation, Inc. | Battery internal short-circuit detection method based on cell charge balancing |
CN107192914A (zh) * | 2017-04-18 | 2017-09-22 | 宁德时代新能源科技股份有限公司 | 锂离子动力电池内短路检测方法 |
Non-Patent Citations (1)
Title |
---|
XUNING FENG ET AL.: "Online internal short circuit detection for a large format lithium ion battery", 《APPLIED ENERGY》 * |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11163008B2 (en) * | 2017-08-25 | 2021-11-02 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Terminal device and method and system for monitoring battery safety of terminal device |
CN109521315A (zh) * | 2018-11-19 | 2019-03-26 | 北京新能源汽车股份有限公司 | 一种电池内部短路的检测方法、装置及汽车 |
CN109738806A (zh) * | 2018-12-29 | 2019-05-10 | 蜂巢能源科技有限公司 | 模拟电池产热率的方法、装置、介质 |
CN110082683A (zh) * | 2019-05-09 | 2019-08-02 | 合肥工业大学 | 抑制安时积分soc估计误差的闭环补偿方法 |
CN110112504A (zh) * | 2019-05-20 | 2019-08-09 | 北京工业大学 | 一种预防锂离子电池热失控的方法 |
EP3988954A4 (en) * | 2019-06-24 | 2023-07-05 | Samsung SDI Co., Ltd. | PROCEDURE FOR DETECTING AN INTERNAL SHORT-CIRCUIT CELL |
US11846683B2 (en) | 2019-06-24 | 2023-12-19 | Samsung Sdi Co., Ltd. | Method for detecting internal short-circuited cell |
CN114026443A (zh) * | 2019-06-24 | 2022-02-08 | 三星Sdi株式会社 | 用于检测内部短路电池单体的方法 |
CN110667385A (zh) * | 2019-10-22 | 2020-01-10 | 东软睿驰汽车技术(沈阳)有限公司 | 异常处理方法、装置、设备及介质 |
CN110667385B (zh) * | 2019-10-22 | 2021-07-13 | 东软睿驰汽车技术(沈阳)有限公司 | 异常处理方法、装置、设备及介质 |
WO2021078257A1 (zh) * | 2019-10-25 | 2021-04-29 | 山东大学 | 一种基于修正样本熵的电池组多故障诊断方法及系统 |
US11959973B2 (en) | 2019-10-25 | 2024-04-16 | Shandong University | Multi-fault diagnosis method and system for battery packs based on corrected sample entropy |
CN111144029A (zh) * | 2020-01-02 | 2020-05-12 | 北京理工大学 | 一种针对锂离子动力电池热电耦合特性的建模方法 |
CN112639495A (zh) * | 2020-04-24 | 2021-04-09 | 华为技术有限公司 | 一种电池检测的方法和装置 |
CN112924884A (zh) * | 2021-01-29 | 2021-06-08 | 同济大学 | 基于增量容量曲线峰值面积的电池内短路定量诊断方法 |
CN112924884B (zh) * | 2021-01-29 | 2021-12-31 | 同济大学 | 基于增量容量曲线峰值面积的电池内短路定量诊断方法 |
CN112937303A (zh) * | 2021-02-08 | 2021-06-11 | 重庆长安新能源汽车科技有限公司 | 一种电池过热后实时在线预警方法及系统 |
CN112816881A (zh) * | 2021-03-12 | 2021-05-18 | 武汉蔚来能源有限公司 | 电池压差异常检测方法、装置及计算机存储介质 |
CN112816881B (zh) * | 2021-03-12 | 2024-03-22 | 武汉蔚来能源有限公司 | 电池压差异常检测方法、装置及计算机存储介质 |
CN113253120A (zh) * | 2021-06-29 | 2021-08-13 | 蜂巢能源科技有限公司 | 电池突发型内短路诊断方法、装置、存储介质及电子设备 |
WO2023274318A1 (zh) * | 2021-06-29 | 2023-01-05 | 蜂巢能源科技股份有限公司 | 电池突发型内短路诊断方法、装置、存储介质及电子设备 |
CN113791364A (zh) * | 2021-08-31 | 2021-12-14 | 上海交通大学 | 模型融合信号驱动的锂离子电池内部短路诊断方法与系统 |
CN114152826A (zh) * | 2021-11-19 | 2022-03-08 | 北京理工大学 | 一种锂离子电池单体内短路检测方法 |
CN114137417A (zh) * | 2021-11-19 | 2022-03-04 | 北京理工大学 | 一种基于充电数据特征的电池内短路检测方法 |
CN115047349A (zh) * | 2022-06-13 | 2022-09-13 | 广汽埃安新能源汽车有限公司 | 电池包的一致性状态评估方法、装置、电子设备和存储介质 |
CN116087792A (zh) * | 2023-03-02 | 2023-05-09 | 上海玫克生储能科技有限公司 | 一种辨识锂电池内短路程度的方法和系统 |
CN117907844A (zh) * | 2024-03-19 | 2024-04-19 | 中国汽车技术研究中心有限公司 | 电池系统内短路异常检测方法、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108562855B (zh) | 2020-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108562855B (zh) | 电池内短路检测方法、装置和计算机可读存储介质 | |
Singh et al. | Fault diagnosis of Li-Ion batteries using multiple-model adaptive estimation | |
Hussein | Capacity fade estimation in electric vehicle li-ion batteries using artificial neural networks | |
Pattipati et al. | Automotive battery management systems | |
Watrin et al. | Multiphysical lithium-based battery model for use in state-of-charge determination | |
CN111551860B (zh) | 一种基于弛豫电压特征的电池内短路诊断方法 | |
US8519674B2 (en) | Method for estimating battery degradation in a vehicle battery pack | |
US9774197B1 (en) | Battery internal short-circuit detection method based on cell charge balancing | |
US20130185007A1 (en) | Method and configuration for estimating the efficiency of at least one battery unit of a rechargeable battery | |
CN108226693B (zh) | 实时电池内短路检测方法、检测装置和计算机可读存储介质 | |
CN112098850B (zh) | 基于sdo算法的锂离子电池电压故障诊断方法及系统 | |
TW201610454A (zh) | 電池組、控制電路及控制方法 | |
CN110376536B (zh) | 电池系统soh检测方法、装置、计算机设备和存储介质 | |
JP2010500539A (ja) | 容量に依存したパラメータに基づくバッテリ容量検出方法 | |
JP5470961B2 (ja) | 二次電池の制御装置 | |
Chang et al. | Micro-fault diagnosis of electric vehicle batteries based on the evolution of battery consistency relative position | |
US20190041468A1 (en) | Systems and methods for battery micro-short estimation | |
SE1950652A1 (en) | Method for estimating state of health of a battery | |
CN113791364A (zh) | 模型融合信号驱动的锂离子电池内部短路诊断方法与系统 | |
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 | |
Dong et al. | Model-based thermal anomaly detection for lithium-ion batteries using multiple-model residual generation | |
CN114514433A (zh) | 用于诊断电池的设备和方法 | |
CN116973788A (zh) | 内短路故障检测方法、装置、计算机设备及存储介质 | |
US10794962B2 (en) | Systems and methods for battery micro-short estimation | |
CN113884884B (zh) | 一种基于相关性的动力电池组故障诊断方法及系统 |
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 |