CN111146514A - 锂离子电池模组运行安全性评估预测方法、系统及电子设备 - Google Patents
锂离子电池模组运行安全性评估预测方法、系统及电子设备 Download PDFInfo
- Publication number
- CN111146514A CN111146514A CN201911318071.5A CN201911318071A CN111146514A CN 111146514 A CN111146514 A CN 111146514A CN 201911318071 A CN201911318071 A CN 201911318071A CN 111146514 A CN111146514 A CN 111146514A
- Authority
- CN
- China
- Prior art keywords
- lithium ion
- ion battery
- module
- state
- battery module
- 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
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 230
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 228
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000011156 evaluation Methods 0.000 title claims description 36
- 238000001514 detection method Methods 0.000 claims abstract description 48
- 238000012360 testing method Methods 0.000 claims abstract description 32
- 238000001914 filtration Methods 0.000 claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims abstract description 27
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 47
- 239000013598 vector Substances 0.000 claims description 30
- 239000003990 capacitor Substances 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 14
- 230000007774 longterm Effects 0.000 abstract description 9
- 238000010586 diagram Methods 0.000 description 15
- 231100000817 safety factor Toxicity 0.000 description 12
- 230000005856 abnormality Effects 0.000 description 11
- 230000008859 change Effects 0.000 description 5
- 230000002085 persistent effect Effects 0.000 description 5
- 230000006378 damage Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000004880 explosion Methods 0.000 description 3
- 201000009032 substance abuse Diseases 0.000 description 3
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 description 2
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000391 smoking effect Effects 0.000 description 2
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 description 2
- 238000003677 abuse test Methods 0.000 description 1
- 230000002378 acidificating effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 238000007431 microscopic evaluation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011076 safety test Methods 0.000 description 1
- 238000009781 safety test method Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 231100000041 toxicology testing Toxicity 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/4285—Testing apparatus
-
- 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
-
- 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
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供一种锂离子电池模组运行安全性评估预测方法、系统及电子设备，包括：1)建立锂离子电池的等效电路模型，采用卡尔曼滤波得到状态预测值；2)基于实际观测值与状态预测值计算残差；3)基于残差及残差的协方差计算距离度量；4)当距离度量小于等于卡方检测阈值时认为锂离子电池模组运行正常，检测下一数据；当大于卡方检测阈值时认为运行异常；运行状态异常时，基于异常时卡方检测运行的时长及平均运行时长计算当前测试周期的安全系数。本发明能准确快速的得到电池状态信息；在锂离子电池的长期使用过程中，可快速识别其不安全因素，并自动提出预警；同时也可识别预警锂离子电池模组的故障，大大提高其运行安全性。
Description
技术领域
本发明涉及电池安全领域，特别是涉及一种锂离子电池模组运行安全性评估预测方法、系统及电子设备。
背景技术
锂离子电池具有能量密度高、工作电压高、体积小、循环寿命长、自放电弱、充放电快、无记忆效应、稳定性好等优势，广泛应用于智能手机、笔记本电脑、无人机、可穿戴设备和电动汽车等领域，支撑着消费电子设备以及新能源出行方式的快速发展迭代。并且伴随着光伏发电、风力发电、潮汐发电等可再生清洁能源的发电占比日益提升，锂离子电池作为高效储能介质受到广泛关注。然而，近年来，关于锂离子电池的安全事故不绝于新闻报道之中，随着锂离子电池的产品种类日益增加，应用场景越来越复杂严苛，对锂离子电池的安全性也提出更高的要求，其安全问题越来越受到关注。高比能和安全问题之间的矛盾很大程度上制约着锂离子电池的进一步发展和应用。
目前，国际电工委员会(IEC)、中国国家标准(GB)以及日本工业标准(JIS)等制定的各类现行锂离子电池安全性测试标准主要从电池的电性能、使用安全性和环境耐受性等方面规范了各类包含锂离子电池产品在内的蓄电池的安全性能。其中，全球范围内应用最广泛的国际电工委员会IEC标准发布的IEC 62133：2002《含碱性或其他非酸性电解质的蓄电池和蓄电池组便携式密封蓄电池和蓄电池组的安全性要求》标准规定电池的安全性能要进行指定用途试验，包括连续低倍率充电试验、振动试验、高温下模制壳体应力试验、温度循环试验；有原因的可预见的滥用部分包括电池的不正确安装、外短路试验、自由跌落、机械冲击、热滥用、挤压、低压、镍系电池的过度充电、锂离子电池的过度充电、强制放电、高倍率充电下电池保护等试验。试验要求被测电池在试验过程中不起火、不爆炸、不漏液、不排气、不烧、包装不破裂。随着新能源汽车蓬勃发展，国际电工委员会发布IEC 62660-2：2010《电动道路交通工具推进二次单体锂离子电池第2部分可靠性和滥用测试》标准规范了纯电动汽车和混合电动车驱动用锂离子单体电池的安全测试项目，包括随机振动、机械冲击、高温耐受、温度循环、挤压、外部短路、过充、过放等，要求电池经过测试后不发生起火、爆炸、冒烟、泄露、包装破裂。相应的，中国国家标准GB也制定了一系列关于锂离子电池的国家标准。这些标准硬性规定了锂离子电池的出厂安全性能以及面对外部冲击和机械损坏时的安全性，但是即使在锂离子电池无滥用使用过程中仍有几率发生鼓包、起火、甚至爆炸等事故。因此，若能在使用过程中对锂离子电池的当前安全性能水平进行实时分析，在其出现异常但尚未发展到严重事故前给出预警信号，防患于未然将是非常重要的，对于锂离子电池的应用具有战略意义。
锂离子电池冒烟、起火、爆炸等安全性事故多数都是在长期的使用过程中由电池老化和轻微的过充过放等引发的内部短路、自放电等缓慢发展的异常导致的，是一个量变引发质变的过程。目前，国内外对锂离子电池安全性能研究多集中于电池单体的滥用和电池组的故障原因。对于电池单体，多采用对滥用后电池进行解剖，然后以扫描电子显微镜对故障原因进行微观分析；对于电池组，多研究由其组装方式和机械设计所造成的故障。这些研究虽然有望在未来从源头上提升锂离子电池的安全性，但是当前所需的还是对锂离子电池使用过程中的安全性有效的保障和评定方法。同时，锂离子电池的管理系统的传感器故障、受到的网络攻击、外部短路、机械损坏等显著异常或故障亦对其安全产生威胁。因此，发展一种在使用过程中实时评估监测锂离子电池模组的安全水平的方法对其安全实现智能化的管理和应用尤为重要。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种锂离子电池模组运行安全性评估预测方法、系统及电子设备，用于解决现有技术中锂离子电池模组运行安全亟待进一步保障的问题。
为实现上述目的及其他相关目的，本发明提供一种锂离子电池模组运行安全性评估方法，所述锂离子电池模组运行安全性评估方法至少包括：
1)建立锂离子电池的等效电路模型，采用卡尔曼滤波对锂离子电池进行状态估计，得到状态预测值；
2)基于锂离子电池状态的实际观测值与所述状态预测值计算残差；
3)基于所述残差及所述残差的协方差计算距离度量；
4)将所述距离度量与卡方检测阈值进行比较，当所述距离度量小于等于所述卡方检测阈值时认为锂离子电池模组运行正常，返回步骤1)进行下一个数据检测；当所述距离度量大于所述卡方检测阈值时认为锂离子电池模组运行异常；其中，所述卡方检测阈值由预设安全系数及锂离子电池模组的输出维数计算得到。
可选地，所述锂离子电池模组包括单体锂离子电池、锂离子电池组、带有电池管理模块的单体锂离子电池或带有电池管理模块的锂离子电池组。
更可选地，建立锂离子电池的等效电路模型，采用卡尔曼滤波得到所述状态预测值，满足如下关系式：
L＝FPHT(HPHT+Rη)-1，
P＝FPFT+Rν-FPHT(HPHT+Rη)-1HPFT，
其中，
为相邻时刻的状态预测值，F为状态转移矩阵，G为输入矩阵，uk为输入向量，L为卡尔曼滤波增益，yk为输出向量，H为观测矩阵，P为状态向量协方差矩阵，HT为观测矩阵的转置矩阵，Rη为输出高斯噪声向量的协方差矩阵，FT为状态转移矩阵的转置矩阵，Rν为输入高斯噪声向量的协方差矩阵。
更可选地，所述残差满足如下关系式：
其中，rk为残差，yk为输出向量，H为观测矩阵，
为状态预测值，ek为预测误差向量，ηk为输出高斯噪声向量，δk为异常信号输出向量。
更可选地，所述残差的协方差满足如下关系式：
其中，Φ为残差的协方差，E为期望，rk+1为残差，
为残差的转置矩阵，H为观测矩阵，P为协方差矩阵，HT为观测矩阵的转置矩阵，Rη为输出高斯噪声向量的协方差矩阵。
更可选地，所述距离度量满足如下关系式：
其中，zk为距离度量，rk为残差，Φ-1为残差协方差的逆矩阵，
为残差的转置矩阵。
更可选地，所述卡方检测阈值满足如下关系式：
其中，α为卡方检测阈值，γ-1为正则化下不完全Γ函数的反函数，S*为预设安全系数，m为输出维数。
为实现上述目的及其他相关目的，本发明还提供一种锂离子电池模组运行安全性预测方法，所述锂离子电池模组运行安全性预测方法至少包括：
采用上述锂离子电池模组运行安全性评估方法判断锂离子电池模组运行状态是否正常，当锂离子电池模组运行状态异常时，记录运行异常时卡方检测运行的时长，并计算在一个测试周期内的平均运行时长；基于锂离子电池模组运行异常时的卡方检测运行时长及一个测试周期内的平均运行时长计算当前测试周期的安全系数。
可选地，所述平均运行时长满足如下关系式：
Δ＝E(K)，
其中，Δ为平均运行时长，E为期望，K为一个周期内距离度量每次超出阈值时卡方检测运行的时长。
可选地，所述安全系数满足如下关系式：
其中，S为安全系数，Δ为平均运行时长，a为预设系数。
为实现上述目的及其他相关目的，本发明还提供一种锂离子电池模组运行安全性评估系统，所述锂离子电池模组运行安全性评估系统至少包括：
锂离子电池状态模块，减法运算模块，卡尔曼滤波模块，状态预测模块及运行状态判断模块；
所述锂离子电池状态模块基于输入信号得到锂离子电池的实际状态；
所述减法运算模块连接所述锂离子电池状态模块及所述状态预测模块的输出端，将锂离子电池的实际输出信号与预测状态相减；
所述卡尔曼滤波模块连接所述减法运算模块的输出端，基于减法运算结果得到卡尔曼滤波增益；
所述状态预测模块连接所述卡尔曼滤波模块的输出端，基于输入信号及所述卡尔曼滤波增益得到锂离子电池的预测状态；
所述运行状态判断模块连接所述锂离子电池状态模块及所述状态预测模块，基于所述实际输出信号及所述预测状态判断锂离子电池模组运行状态是否异常。
可选地，所述状态预测模块基于锂离子电池的等效电路模型实现锂离子电池状态预测。
更可选地，所述锂离子电池的等效电路模型包括电压源、第一电阻、第二电阻及电容；所述第二电阻与所述电容并联后与所述第一电阻串联，而后连接于所述锂离子电池的正极及所述电压源的正极之间，所述电压源的负极连接所述锂离子电池的负极。
更可选地，所述运行状态判断模块采用卡方检测器实现，首先基于所述实际输出信号及所述预测状态计算得到残差，再基于所述残差得到距离度量，当所述距离度量小于等于所述卡方检测器的阈值时认为锂离子电池模组运行正常，当所述距离度量大于所述卡方检测器的阈值时认为锂离子电池模组运行异常；其中，所述卡方检测器的阈值由预设安全系数及锂离子电池模组的输出维数计算得到。
为实现上述目的及其他相关目的，本发明还提供一种锂离子电池模组运行安全性预测系统，所述锂离子电池模组运行安全性预测系统至少包括：
上述锂离子电池模组运行安全性评估系统以及安全系数计算模块；
所述安全系数计算模块连接于所述运行状态判断模块的输出端，当锂离子电池模组运行异常时记录运行异常时所述卡方检测器运行的时长，并计算在一个测试周期内的平均运行时长；基于锂离子电池模组运行异常时的所述卡方检测器运行时长及一个测试周期内的平均运行时长计算当前测试周期的安全系数。
为实现上述目的及其他相关目的，本发明还提供一种电子设备，所述电子设备至少包括：
指令存储器和处理器；
所述指令存储器和所述处理器之间互相通信连接，所述指令存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行上述锂离子电池模组运行安全性评估方法或上述锂离子电池模组运行安全性预测方法。
如上所述，本发明的锂离子电池模组运行安全性评估预测方法、系统及电子设备，具有以下有益效果：
1、本发明的锂离子电池模组运行安全性评估预测方法、系统及电子设备方法采用等效电路模型及卡尔曼滤波器对电池的状态进行滤波预测，能够准确快速实时地得到电池的充电状态、端电压等状态信息。
2、本发明的锂离子电池模组运行安全性评估预测方法、系统及电子设备采用二次形式的距离度量对残差进行重构，有利于提取电池长期运行过程中内部短路、自放电等缓慢发展的异常导致的电池状态变化。
3、本发明的锂离子电池模组运行安全性评估预测方法、系统及电子设备利用二次形式距离度量的概率分布特性识别电池状态中夹杂的微弱异常信号，并将其定量转化为安全系数。
4、本发明的锂离子电池模组运行安全性评估预测方法、系统及电子设备可以在电池内部短路、自放电等使用过程中缓慢发展的异常未恶化为明显可观测故障前自动识别并提出预警，同时也可识别预警锂离子电池系统的传感器故障、受到的网络攻击、外部短路、机械损坏等显著异常或故障，大大提高电池的长期运行安全性。
附图说明
图1显示为本发明的锂离子电池模组运行安全性评估方法的流程示意图。
图2显示为本发明的锂离子电池等效电路模型的结构示意图。
图3显示为本发明的锂离子电池模组运行安全性预测方法的流程示意图。
图4显示为本发明的锂离子电池模组运行安全性评估系统的结构示意图。
图5显示为本发明的锂离子电池模组运行安全性预测系统的结构示意图。
图6显示为正常运行的电压信号的波形示意图。
图7显示为添加最大值为0.002V持续随机干扰信号后的电压信号的波形示意图。
图8显示为添加最大值为0.004V持续随机干扰信号后的电压信号的波形示意图。
图9显示为添加最大值为0.006V持续随机干扰信号后的电压信号的波形示意图。
图10显示为添加最大值为0.008V持续随机干扰信号后的电压信号的波形示意图。
图11显示为添加最大值为0.01V持续随机干扰信号后的电压信号的波形示意图。
图12显示为正常残差的波形示意图。
图13显示为添加最大值为0.002V持续随机干扰信号后的残差的波形示意图。
图14显示为添加最大值为0.004V持续随机干扰信号后的残差的波形示意图。
图15显示为添加最大值为0.006V持续随机干扰信号后的残差的波形示意图。
图16显示为添加最大值为0.008V持续随机干扰信号后的残差的波形示意图。
图17显示为添加最大值为0.01V持续随机干扰信号后的残差的波形示意图。
图18显示为正常电压信号、添加最大值为0.002V、0.004V、0.006V、0.008V、0.01V持续随机干扰信号后的安全系数示意图。
元件标号说明
1 锂离子电池模组运行安全性评估系统
11 锂离子电池状态模块
12 减法运算模块
13 卡尔曼滤波模块
14 状态预测模块
15 运行状态判断模块
2 锂离子电池模组运行安全性预测系统
21 锂离子电池状态模块
22 减法运算模块
23 卡尔曼滤波模块
24 状态预测模块
25 运行状态判断模块
26 安全系数计算模块
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。
请参阅图1～图18。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
实施例一
如图1所示，本实施例提供一种锂离子电池模组运行安全性评估方法，所述锂离子电池模组运行安全性评估方法包括：
1)建立锂离子电池的等效电路模型，采用卡尔曼滤波对锂离子电池进行状态估计，得到状态预测值。
需要说明的是，本发明所述的锂离子电池模组包括单体锂离子电池、锂离子电池组、带有电池管理模块(BMS，Battery Management System)的单体锂离子电池或带有电池管理系统的锂离子电池组。
具体地，采用等效电路模型捕捉、模拟、预测锂离子电池动态行为与性能。如图2所示，在本实施例中，采用一阶RC等效电路模型对锂离子电池的状态进行建模预测，等效电路模型包括电压源OCV、第一电阻Ra、第二电阻Rp及电容Cp，其中，所述电压源OCV表示开路电压，所述第一电阻Ra表示锂离子电池内部欧姆电阻，所述第二电阻Rp及所述电容Cp表示锂离子电池内部极化的电阻和电容。所述第二电阻Rp与所述电容Cp并联后与所述第一电阻Ra串联，而后连接于所述锂离子电池的正极及所述电压源OCV的正极之间，所述电压源OCV的负极连接所述锂离子电池的负极。
需要说明的是，在实际使用中，可基于不同的等效电路模型进行建模预测，不以本实施例为限，不同等效电路模型对应的信号维度不同，不影响本发明中各关系式的适用性。
具体地，将锂离子电池模组视为线性时不变系统(LTI，Linear Time Invariant)，那么锂离子电池模组的离散时间描述为：
其中，xk、xk+1为相邻时刻的状态向量，xk∈Rn、xk+1∈Rn；F为状态转移矩阵；G为输入矩阵；uk为输入向量，uk∈Rl；νk为输入高斯噪声向量，νk∈Rn，其协方差矩阵Rν∈Rn×n；yk为输出向量，yk∈Rm；H为观测矩阵；ηk输出高斯噪声向量，ηk∈Rm，其协方差矩阵Rη∈Rm×m；δk为异常信号输出向量，δk∈Rm；R为实数集，n、m、l为维数。
具体地，对锂离子电池的状态方程，进行卡尔曼滤波得到所述状态预测值，满足如下关系式：
其中，
为相邻时刻的状态预测值，
定义预测误差
定义状态向量协方差矩阵
那么卡尔曼滤波增益L＝FPHT(HPHT+Rη)-1。卡尔曼滤波增益L的表达式中仅有协方差矩阵P未知，协方差矩阵P由黎卡提方程给出，满足：
P＝FPFT+Rν-FPHT(HPHT+Rη)-1HPFT (3)，
其中，FT为状态转移矩阵的转置矩阵，HT为观测矩阵的转置矩阵。
2)基于锂离子电池状态的实际观测值与所述状态预测值计算残差。
具体地，根据测试得到的电池状态的实际观测值与卡尔曼滤波后输出的状态预测值进一步定义残差rk，满足如下关系式：
进一步，所述残差rk的协方差满足如下关系式：
其中，Φ为残差的协方差，E为期望，
为残差rk+1的转置矩阵。
具体地，基于上式将锂离子电池模组描述等效使用误差与残差方程进行表示，满足：
3)基于所述残差rk及所述残差的协方差Φ计算距离度量zk。
具体地，在使用卡尔曼滤波对锂离子电池状态及输出进行预测更新时，通过锂离子电池当前状态xk和预测状态值
计算系统残差rk，然后构建平方形式的异常偏离距离度量，满足如下关系式：
其中，zk为距离度量，Φ-1为残差协方差的逆矩阵，
为残差rk的转置矩阵。如果电池系统正常运行，锂离子电池的残差rk服从均值为0、方差为Φ的高斯分布，记作rk～N(0,Φ)。由于因子Φ-1的引入，相当于对距离度量zk的分布进行了缩放调整，使得距离度量zk将服从自由度为m的卡方分布，记作
其期望E(zk)＝m；其方差D(zk)＝2m。
4)将所述距离度量zk与卡方检测阈值α进行比较，当所述距离度量zk小于等于所述卡方检测阈值α时认为锂离子电池模组运行正常，返回步骤1)进行下一个数据检测；当所述距离度量zk大于所述卡方检测阈值α时认为锂离子电池模组运行异常，5)记录异常时卡方检测运行的时长K；其中，所述卡方检测阈值α由预设安全系数S*及锂离子电池模组的输出维数m计算得到。
具体地，将距离度量zk输入卡方检测器，与卡方检测阈值α进行比较，即可方便快速的识别出系统观测值与估计值之间的误差是否异常，进而判断锂离子电池模组运行状态是否出现异常。卡方检测器是一种十分方便的检测器，通过比较系统的绝对误差是否达到阈值实现系统错误识别。假定锂离子电池模组处于正常运行状态，根据预设安全系数S*以及锂离子电池模组的输出维数m可以计算出卡方检测阈值α：
其中，预设安全系数S*可基于实际需要进行设定，在本实施例中限定为0～1；输出维数m与锂离子电池模组的测量方式有关，包括但不限于电流、电压、温度，在此不一一赘述；γ-1为正则化下不完全Γ函数的反函数。
其中，当距离度量zk小于等于卡方检测阈值α时，判断锂离子电池模组正常，进一步可进行下一数据的检测；当距离度量zk大于卡方检测阈值α时，判断该数据点有异常发生。由于距离度量zk中Φ-1因子的作用，重新缩放了距离度量zk的卡方分布，使得卡方检测阈值α的选择可以不受输入高斯噪声νk和输出高斯噪声ηk的影响，取决于锂离子电池模组输出向量yk的维数m。
实施例二
如图3所示，本实施例提供一种锂离子电池模组运行安全性预测方法，所述锂离子电池模组运行安全性预测方法包括：
采用实施例一所述的锂离子电池模组运行安全性评估方法判断锂离子电池模组运行状态是否正常，当锂离子电池模组运行状态异常时，5)记录运行异常时卡方检测运行的时长，6)并计算在一个测试周期内的平均运行时长；7)基于锂离子电池模组运行异常时的卡方检测运行时长及一个测试周期内的平均运行时长计算当前测试周期的安全系数。
具体地，卡方检测器的性能指标不仅取决于其正确识别异常发生的能力，另一个非常重要的功能就是在锂离子电池模组系统正常运行时避免误识别的能力。通常情况下，二者是矛盾的，所以在两种功能之间合理取舍可以获取最优的检测器性能。为了定量的衡量这一过程，记录每次距离度量zk超出卡方检测阈值α时卡方检测器运行的时长K，其期望E(K)定义为平均运行时长Δ，即Δ＝E(K)，平均运行时长Δ与系统当前的安全系数S正相关，即平均运行时长Δ越长，系统安全系数S越大，系统安全系数S用于提供当前锂离子电池模组发生故障的参考概率，满足以下关系式：
其中，S为安全系数，Δ为平均运行时长，a为预设系数。
本发明的锂离子电池模组运行安全性评估、预测方法提供一种实时评估锂离子电池模组长期使用过程中的安全水平的方法，根据卡尔曼滤波器产生的电池状态预测值与传感器收集的实际观测值之间的不同获取其残差，根据残差以及残差的协方差重新构建用于衡量系统运行时间的特征测试距离量，将其与预设的异常阈值作比较，高于阈值的测试距离量对应的数据点判别为异常点，根据测试周期内的各异常点对应的运行时间计算系统当前测试周期的安全系数。即使电池系统仍未表现出可观测性异常或故障，这一方法也可以给出系统“正常运行”时可能存在的隐形异常的可能性，得出的安全系数越低，代表系统存在异常的可能性越高。在电池未恶化为明显故障前，提前提出预警，从而实施人工干预处理异常电池，提高系统安全性。
实施例三
如图4所示，本实施例提供一种锂离子电池模组运行安全性评估系统1，所述锂离子电池模组运行安全性评估系统1包括：
锂离子电池状态模块11，减法运算模块12，卡尔曼滤波模块13，状态预测模块14及运行状态判断模块15。
如图4所示，所述锂离子电池状态模块11基于输入信号uk得到锂离子电池的实际状态xk。
具体地，所述输入信号uk包括但不限于电压、电流、温度、湿度，在此不一一赘述。所述锂离子电池状态模块11基于所述输入信号uk在等效电路模型中的关系得到状态向量xk及输出向量yk。在本实施例中，所述等效电路模型为一阶阻容网络，如图2所示，在实际使用中不限于本实施例，任意锂离子电池等效电路均适用。
如图4所示，所述减法运算模块12连接所述锂离子电池状态模块11及所述状态预测模块114的输出端，将锂离子电池的实际输出信号yk与预测状态
相减。
具体地，在本实施例中，所述减法运算模块12采用加法器实现，锂离子电池的实际输出信号连接于正相输入端，预测状态连接与反相输入端。任意可实现加法逻辑的模块均适用于本发明，不以本实施例为限。
如图4所示，所述卡尔曼滤波模块13连接所述减法运算模块12的输出端，基于减法运算结果得到卡尔曼滤波增益L。
具体地，所述卡尔曼滤波模块13包括但不限于线性卡尔曼滤波器。
如图4所示，所述状态预测模块14连接所述卡尔曼滤波模块13的输出端，基于输入信号uk及所述卡尔曼滤波增益L得到锂离子电池的预测状态
具体地，所述状态预测模块14基于锂离子电池的等效电路模型实现锂离子电池状态预测。
如图4所示，所述运行状态判断模块15连接所述锂离子电池状态模块11及所述状态预测模块14，基于所述实际输出信号yk及所述预测状态
判断锂离子电池模组运行状态是否异常，并输出判断结果。
具体地，在本实施例中，所述运行状态判断模块15采用卡方检测器实现，首先基于所述实际输出信号yk及所述预测状态
计算得到残差rk，再基于所述残差rk得到距离度量zk，当所述距离度量zk小于等于所述卡方检测器的阈值α时认为锂离子电池模组运行正常，当所述距离度量zk大于所述卡方检测器的阈值α时认为锂离子电池模组运行异常；其中，所述卡方检测器的阈值α由预设安全系数S*及锂离子电池模组的输出维数m计算得到。
需要说明的是，各参数满足的关系式如实施例一所示，在此不一一赘述。
实施例四
如图5所示，本实施例提供一种锂离子电池模组运行安全性预测系统2，所述锂离子电池模组运行安全性预测系统2包括：
锂离子电池状态模块21，减法运算模块22，卡尔曼滤波模块23，状态预测模块24、运行状态判断模块25以及安全系数计算模块26。
如图5所示，所述锂离子电池状态模块21，所述减法运算模块22，所述卡尔曼滤波模块23，所述状态预测模块24及所述运行状态判断模块25的连接关系及原理与实施例三相同，在此不一一赘述。
如图5所示，所述安全系数计算模块26连接于所述运行状态判断模块25的输出端，当锂离子电池模组运行异常时记录运行异常时所述卡方检测器运行的时长K，并计算在一个测试周期内的平均运行时长Δ；基于锂离子电池模组运行异常时的所述卡方检测器运行时长K及一个测试周期内的平均运行时长Δ计算当前测试周期的安全系数S。
需要说明的是，各参数满足的关系式如实施例二所示，在此不一一赘述。
实施例五
本实施例还提供一种电子设备，该设备可以包括处理器和指令存储器，其中，所述处理器及所述指令存储器可以基于总线或者其他方式通过通信接口相互连接。具体地，所述处理器可以是任意类型可用的具有信息处理功能的器件，如中央处理器或数字信号处理器等，用于执行所述指令存储器中存储的计算机指令以实现如实施例一所述的锂离子电池模组运行安全性评估方法或实施例二所述的锂离子电池模组运行安全性预测方法；所述指令存储器连接所述处理器，可以是各种可用的存储介质，用于存储所述处理器可执行的指令。
对本发明的锂离子电池模组运行安全性评估、预测方法的效果进行验证，取一块电池，建立等效电路模型，第一电阻Ra设置为0.024Ω，第二电阻Rp设置为0.015Ω，电容Cp设置为1000F。连续测试记录1000个电池电压电流数据。在正常运行时采集的电压信号中添加最大值分别为0.002V、0.004V、0.006V、0.008V和0.01V持续随机干扰信号用以代表内部短路、自放电等缓慢发展的异常，分别对这些数据采用本发明所述的方法量化评估其安全性。
图6～图11分别为正常运行的电压信号以及添加最大值分别为0.002V、0.004V、0.006V、0.008V和0.01V持续随机干扰信号后的电压信号，由于采集的电压信号本身就具有波动，且从图中可以看到电压波动在10mV量级，难以分辨添加的干扰信号。
图12～图17是电压观测值与滤波器输出的电压预测值的残差，正常的电压残差与添加干扰后的残差区别也不明显，所以这种微弱的干扰信号是难以观测的，但是这种干扰来源于内部状态的缓慢恶化，长期发展必然导致电池安全性严重下降，甚至可能演化为冒烟、起火、爆炸等极端热失控。
如图18所示，采用本发明所述的安全水平评估方法对上述数据处理后得到不同情况下电池的安全系数，正常情况下电池的安全系数大于0.99，从图中可以看出，随着干扰量的增加，安全系数显著降低，当随机干扰最大值为0.01V时，电池的安全系数已降低至0.8以下。因此，本发明所述的方法可将内部短路、自放电等缓慢发展的异常识别并转化为显著的量化指标，也就是安全系数，为使用者提供准确的电池安全信息，提前预警异常电池的恶化程度，提升锂离子电池模组的使用安全性。
综上所述，本发明提供一种锂离子电池模组运行安全性评估预测方法、系统及电子设备，包括：1)建立锂离子电池的等效电路模型，采用卡尔曼滤波对锂离子电池进行状态估计，得到状态预测值；2)基于锂离子电池状态的实际观测值与所述状态预测值计算残差；3)基于所述残差及所述残差的协方差计算距离度量；4)将所述距离度量与卡方检测阈值进行比较，当所述距离度量小于等于所述卡方检测阈值时认为锂离子电池模组运行正常，返回步骤1)进行下一个数据检测；当所述距离度量大于所述卡方检测阈值时认为锂离子电池模组运行异常；其中，所述卡方检测阈值由预设安全系数及锂离子电池模组的输出维数计算得到；当锂离子电池模组运行状态异常时，记录运行异常时卡方检测运行的时长，并计算在一个测试周期内的平均运行时长；基于锂离子电池模组运行异常时的卡方检测运行时长及一个测试周期内的平均运行时长计算当前测试周期的安全系数。本发明的锂离子电池模组运行安全性评估预测方法、系统及电子设备能够准确快速的得到电池的充电状态、端电压等状态信息；采用二次形式的距离度量对残差进行重构，有利于提取电池长期运行过程中内部短路、自放电等缓慢发展的异常导致的电池状态变化；利用二次形式距离度量的概率分布特性识别电池状态中夹杂的微弱异常信号，并将其定量转化为安全系数；可以在电池长期使用过程中内部短路、自放电等缓慢发展的异常未恶化为明显可观测故障前对其识别并提出预警，同时也可识别预警锂离子电池模组的传感器故障、受到的网络攻击、外部短路、机械损坏等显著异常或故障，大大提高电池的长期运行安全性。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (16)
1.一种锂离子电池模组运行安全性评估方法，其特征在于，所述锂离子电池模组运行安全性评估方法至少包括：
1)建立锂离子电池的等效电路模型，采用卡尔曼滤波对锂离子电池进行状态估计，得到状态预测值；
2)基于锂离子电池状态的实际观测值与所述状态预测值计算残差；
3)基于所述残差及所述残差的协方差计算距离度量；
4)将所述距离度量与卡方检测阈值进行比较，当所述距离度量小于等于所述卡方检测阈值时认为锂离子电池模组运行正常，返回步骤1)进行下一个数据检测；当所述距离度量大于所述卡方检测阈值时认为锂离子电池模组运行异常；其中，所述卡方检测阈值由预设安全系数及锂离子电池模组的输出维数计算得到。
2.根据权利要求1所述的锂离子电池运行安全性评估方法，其特征在于：所述锂离子电池模组包括单体锂离子电池、锂离子电池组、带有电池管理模块的单体锂离子电池或带有电池管理模块的锂离子电池组。
3.根据权利要求1或2所述的锂离子电池模组运行安全性评估方法，其特征在于：对锂离子电池建立等效电路模型，采用卡尔曼滤波得到所述状态预测值，满足如下关系式：
L＝FPHT(HPHT+Rη)-1，
P＝FPFT+Rν-FPHT(HPHT+Rη)-1HPFT，
其中，
为相邻时刻的状态预测值，F为状态转移矩阵，G为输入矩阵，uk为输入向量，L为卡尔曼滤波增益，yk为输出向量，H为观测矩阵，P为状态向量协方差矩阵，HT为观测矩阵的转置矩阵，Rη为输出高斯噪声向量的协方差矩阵，FT为状态转移矩阵的转置矩阵，Rν为输入高斯噪声向量的协方差矩阵。
4.根据权利要求1或2所述的锂离子电池模组运行安全性评估方法，其特征在于：所述残差满足如下关系式：
其中，rk为残差，yk为输出向量，H为观测矩阵，
为状态预测值，ek为预测误差向量，ηk为输出高斯噪声向量，δk为异常信号输出向量。
5.根据权利要求3所述的锂离子电池模组运行安全性评估方法，其特征在于：所述残差的协方差满足如下关系式：
其中，Φ为残差的协方差，E为期望，rk+1为残差，
为残差的转置矩阵，H为观测矩阵，P为协方差矩阵，HT为观测矩阵的转置矩阵，Rη为输出高斯噪声向量的协方差矩阵。
6.根据权利要求1或2所述的锂离子电池模组运行安全性评估方法，其特征在于：所述距离度量满足如下关系式：
其中，zk为距离度量，rk为残差，Φ-1为残差协方差的逆矩阵，
为残差的转置矩阵。
7.根据权利要求1或2所述的锂离子电池模组运行安全性评估方法，其特征在于：所述卡方检测阈值满足如下关系式：
其中，α为卡方检测阈值，γ-1为正则化下不完全Γ函数的反函数，S*为预设安全系数，m为输出维数。
8.一种锂离子电池模组运行安全性预测方法，其特征在于，所述锂离子电池模组运行安全性预测方法至少包括：
采用如权利要求1～7任意一项所述的锂离子电池模组运行安全性评估方法判断锂离子电池模组运行状态是否正常，当锂离子电池模组运行状态异常时，记录运行异常时卡方检测运行的时长，并计算在一个测试周期内的平均运行时长；基于锂离子电池模组运行异常时的卡方检测运行时长及一个测试周期内的平均运行时长计算当前测试周期的安全系数。
9.根据权利要求8所述的锂离子电池模组运行安全性预测方法，其特征在于：所述平均运行时长满足如下关系式：
Δ＝E(K)，
其中，Δ为平均运行时长，E为期望，K为一个周期内距离度量每次超出阈值时卡方检测运行的时长。
10.根据权利要求8所述的锂离子电池模组运行安全性预测方法，其特征在于：所述安全系数满足如下关系式：
其中，S为安全系数，Δ为平均运行时长，a为预设系数。
11.一种锂离子电池模组运行安全性评估系统，其特征在于，所述锂离子电池模组运行安全性评估系统至少包括：
锂离子电池状态模块，减法运算模块，卡尔曼滤波模块，状态预测模块及运行状态判断模块；
所述锂离子电池状态模块基于输入信号得到锂离子电池的实际状态；
所述减法运算模块连接所述锂离子电池状态模块及所述状态预测模块的输出端，将锂离子电池的实际输出信号与预测状态相减；
所述卡尔曼滤波模块连接所述减法运算模块的输出端，基于减法运算结果得到卡尔曼滤波增益；
所述状态预测模块连接所述卡尔曼滤波模块的输出端，基于输入信号及所述卡尔曼滤波增益得到锂离子电池的预测状态；
所述运行状态判断模块连接所述锂离子电池状态模块及所述状态预测模块，基于所述实际输出信号及所述预测状态判断锂离子电池模组运行状态是否异常。
12.根据权利要求11所述的锂离子电池模组运行安全性评估系统，其特征在于：所述状态预测模块基于锂离子电池的等效电路模型实现锂离子电池状态预测。
13.根据权利要求12所述的锂离子电池模组运行安全性评估系统，其特征在于：所述锂离子电池的等效电路模型包括电压源、第一电阻、第二电阻及电容；所述第二电阻与所述电容并联后与所述第一电阻串联，而后连接于所述锂离子电池的正极及所述电压源的正极之间，所述电压源的负极连接所述锂离子电池的负极。
14.根据权利要求11或12所述的锂离子电池模组运行安全性评估系统，其特征在于：所述运行状态判断模块采用卡方检测器实现，首先基于所述实际输出信号及所述预测状态计算得到残差，再基于所述残差得到距离度量，当所述距离度量小于等于所述卡方检测器的阈值时认为锂离子电池模组运行正常，当所述距离度量大于所述卡方检测器的阈值时认为锂离子电池模组运行异常；其中，所述卡方检测器的阈值由预设安全系数及锂离子电池模组的输出维数计算得到。
15.一种锂离子电池模组运行安全性预测系统，其特征在于，所述锂离子电池模组运行安全性预测系统至少包括：
如权利要求11～14任意一项所述的锂离子电池模组运行安全性评估系统以及安全系数计算模块；
所述安全系数计算模块连接于所述运行状态判断模块的输出端，当锂离子电池模组运行异常时记录运行异常时所述卡方检测器运行的时长，并计算在一个测试周期内的平均运行时长；基于锂离子电池模组运行异常时的所述卡方检测器运行时长及一个测试周期内的平均运行时长计算当前测试周期的安全系数。
16.一种电子设备，其特征在于，所述电子设备至少包括：
指令存储器和处理器；
所述指令存储器和所述处理器之间互相通信连接，所述指令存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1～7任一项所述的锂离子电池模组运行安全性评估方法或权利要求8～10任一项所述的锂离子电池模组运行安全性预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911318071.5A CN111146514B (zh) | 2019-12-19 | 2019-12-19 | 锂离子电池模组运行安全性评估预测方法、系统及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911318071.5A CN111146514B (zh) | 2019-12-19 | 2019-12-19 | 锂离子电池模组运行安全性评估预测方法、系统及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111146514A true CN111146514A (zh) | 2020-05-12 |
| CN111146514B CN111146514B (zh) | 2021-05-07 |
Family
ID=70519020
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911318071.5A Active CN111146514B (zh) | 2019-12-19 | 2019-12-19 | 锂离子电池模组运行安全性评估预测方法、系统及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111146514B (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111537893A (zh) * | 2020-05-27 | 2020-08-14 | 中国科学院上海高等研究院 | 一种锂离子电池模组运行安全的评测方法、系统及电子设备 |
| CN111959281A (zh) * | 2020-09-01 | 2020-11-20 | 郑州飞轮威尔实业有限公司 | 一种基于物联网的电动自行车电池安全管理系统 |
| CN112098850A (zh) * | 2020-09-21 | 2020-12-18 | 山东工商学院 | 基于sdo算法的锂离子电池电压故障诊断方法及系统 |
| CN112132394A (zh) * | 2020-08-21 | 2020-12-25 | 西安交通大学 | 一种电厂循环水泵预测性状态评估方法及系统 |
| CN113219361A (zh) * | 2021-03-16 | 2021-08-06 | 上海派能能源科技股份有限公司 | 一种基于分时回归分布的锂离子电池组异常自放电诊断方法及系统 |
| CN113466714A (zh) * | 2021-07-29 | 2021-10-01 | 河南省鹏辉电源有限公司 | 锂电池自放电率评价方法、装置和计算机设备 |
| CN115061049A (zh) * | 2022-08-08 | 2022-09-16 | 山东卓朗检测股份有限公司 | 一种数据中心ups电池故障快速检测方法及系统 |
| KR20220129944A (ko) * | 2021-03-17 | 2022-09-26 | 성균관대학교산학협력단 | 배터리의 이상징후 검출 방법 |
| CN115149123A (zh) * | 2022-07-28 | 2022-10-04 | 上海玫克生储能科技有限公司 | 一种锂电池模组一致性分析方法、系统及存储介质 |
| WO2023284039A1 (zh) * | 2021-07-13 | 2023-01-19 | 上海派能能源科技股份有限公司 | 锂电池组内部短路异常诊断方法及系统 |
| CN116381511A (zh) * | 2023-05-30 | 2023-07-04 | 中国华能集团清洁能源技术研究院有限公司 | 电池状态检测方法、装置、电子设备及存储介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102981125A (zh) * | 2012-11-30 | 2013-03-20 | 山东省科学院自动化研究所 | 一种基于rc等效模型的动力电池soc估计方法 |
| CN104049215A (zh) * | 2013-03-12 | 2014-09-17 | 通用汽车环球科技运作有限责任公司 | 使用扩展卡尔曼滤波器技术估计混合动力及电动车辆的电池充电状态 |
| CN104569835A (zh) * | 2014-12-16 | 2015-04-29 | 北京理工大学 | 一种估计电动汽车的动力电池的荷电状态的方法 |
| CN104704380A (zh) * | 2012-10-05 | 2015-06-10 | 日本康奈可株式会社 | 用于估计电池参数的装置以及估计方法 |
| CN105068008A (zh) * | 2015-07-14 | 2015-11-18 | 南京航空航天大学 | 利用车载充电机辨识电池参数的电池荷电状态估计方法 |
| US9385552B2 (en) * | 2010-10-25 | 2016-07-05 | Nokia Technologies Oy | Method of detecting charger type and estimating remaining recharging time for mobile devices with USB recharging |
| CN108490356A (zh) * | 2018-03-06 | 2018-09-04 | 福建工程学院 | 一种改进ekf算法的锂电池soc估算方法 |
| CN108761340A (zh) * | 2018-05-31 | 2018-11-06 | 天津工业大学 | 基于噪声干扰的强跟踪容积卡尔曼滤波的电池估算方法 |
| CN108931729A (zh) * | 2017-05-08 | 2018-12-04 | 北京航空航天大学 | 一种锂离子电池容量循环退化动态识别方法 |
| CN110214280A (zh) * | 2016-11-17 | 2019-09-06 | 黄文罗基有限公司 | 确定电池的健康状态并提供警报 |
| CN110336057A (zh) * | 2019-06-26 | 2019-10-15 | 华中科技大学 | 一种交叉流电堆二维温度分布观测器构建方法及其应用 |
| CN110568373A (zh) * | 2019-07-29 | 2019-12-13 | 深圳市科陆电子科技股份有限公司 | 锂电池健康状态评估方法、系统、终端及存储介质 |
-
2019
- 2019-12-19 CN CN201911318071.5A patent/CN111146514B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9385552B2 (en) * | 2010-10-25 | 2016-07-05 | Nokia Technologies Oy | Method of detecting charger type and estimating remaining recharging time for mobile devices with USB recharging |
| CN104704380A (zh) * | 2012-10-05 | 2015-06-10 | 日本康奈可株式会社 | 用于估计电池参数的装置以及估计方法 |
| CN102981125A (zh) * | 2012-11-30 | 2013-03-20 | 山东省科学院自动化研究所 | 一种基于rc等效模型的动力电池soc估计方法 |
| CN104049215A (zh) * | 2013-03-12 | 2014-09-17 | 通用汽车环球科技运作有限责任公司 | 使用扩展卡尔曼滤波器技术估计混合动力及电动车辆的电池充电状态 |
| CN104569835A (zh) * | 2014-12-16 | 2015-04-29 | 北京理工大学 | 一种估计电动汽车的动力电池的荷电状态的方法 |
| CN105068008A (zh) * | 2015-07-14 | 2015-11-18 | 南京航空航天大学 | 利用车载充电机辨识电池参数的电池荷电状态估计方法 |
| CN110214280A (zh) * | 2016-11-17 | 2019-09-06 | 黄文罗基有限公司 | 确定电池的健康状态并提供警报 |
| CN108931729A (zh) * | 2017-05-08 | 2018-12-04 | 北京航空航天大学 | 一种锂离子电池容量循环退化动态识别方法 |
| CN108490356A (zh) * | 2018-03-06 | 2018-09-04 | 福建工程学院 | 一种改进ekf算法的锂电池soc估算方法 |
| CN108761340A (zh) * | 2018-05-31 | 2018-11-06 | 天津工业大学 | 基于噪声干扰的强跟踪容积卡尔曼滤波的电池估算方法 |
| CN110336057A (zh) * | 2019-06-26 | 2019-10-15 | 华中科技大学 | 一种交叉流电堆二维温度分布观测器构建方法及其应用 |
| CN110568373A (zh) * | 2019-07-29 | 2019-12-13 | 深圳市科陆电子科技股份有限公司 | 锂电池健康状态评估方法、系统、终端及存储介质 |
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111537893A (zh) * | 2020-05-27 | 2020-08-14 | 中国科学院上海高等研究院 | 一种锂离子电池模组运行安全的评测方法、系统及电子设备 |
| CN112132394B (zh) * | 2020-08-21 | 2024-03-29 | 西安交通大学 | 一种电厂循环水泵预测性状态评估方法及系统 |
| CN112132394A (zh) * | 2020-08-21 | 2020-12-25 | 西安交通大学 | 一种电厂循环水泵预测性状态评估方法及系统 |
| CN111959281A (zh) * | 2020-09-01 | 2020-11-20 | 郑州飞轮威尔实业有限公司 | 一种基于物联网的电动自行车电池安全管理系统 |
| CN112098850A (zh) * | 2020-09-21 | 2020-12-18 | 山东工商学院 | 基于sdo算法的锂离子电池电压故障诊断方法及系统 |
| CN112098850B (zh) * | 2020-09-21 | 2024-03-08 | 山东工商学院 | 基于sdo算法的锂离子电池电压故障诊断方法及系统 |
| CN113219361A (zh) * | 2021-03-16 | 2021-08-06 | 上海派能能源科技股份有限公司 | 一种基于分时回归分布的锂离子电池组异常自放电诊断方法及系统 |
| CN113219361B (zh) * | 2021-03-16 | 2024-02-27 | 上海派能能源科技股份有限公司 | 一种锂离子电池组异常自放电诊断方法及系统 |
| KR102634373B1 (ko) * | 2021-03-17 | 2024-02-06 | 성균관대학교산학협력단 | 배터리의 이상징후 검출 방법 |
| KR20220129944A (ko) * | 2021-03-17 | 2022-09-26 | 성균관대학교산학협력단 | 배터리의 이상징후 검출 방법 |
| WO2023284039A1 (zh) * | 2021-07-13 | 2023-01-19 | 上海派能能源科技股份有限公司 | 锂电池组内部短路异常诊断方法及系统 |
| CN113466714A (zh) * | 2021-07-29 | 2021-10-01 | 河南省鹏辉电源有限公司 | 锂电池自放电率评价方法、装置和计算机设备 |
| CN113466714B (zh) * | 2021-07-29 | 2024-02-06 | 河南省鹏辉电源有限公司 | 锂电池自放电率评价方法、装置和计算机设备 |
| CN115149123A (zh) * | 2022-07-28 | 2022-10-04 | 上海玫克生储能科技有限公司 | 一种锂电池模组一致性分析方法、系统及存储介质 |
| CN115061049B (zh) * | 2022-08-08 | 2022-11-01 | 山东卓朗检测股份有限公司 | 一种数据中心ups电池故障快速检测方法及系统 |
| CN115061049A (zh) * | 2022-08-08 | 2022-09-16 | 山东卓朗检测股份有限公司 | 一种数据中心ups电池故障快速检测方法及系统 |
| CN116381511B (zh) * | 2023-05-30 | 2023-08-29 | 中国华能集团清洁能源技术研究院有限公司 | 电池状态检测方法、装置、电子设备及存储介质 |
| CN116381511A (zh) * | 2023-05-30 | 2023-07-04 | 中国华能集团清洁能源技术研究院有限公司 | 电池状态检测方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111146514B (zh) | 2021-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111146514B (zh) | 锂离子电池模组运行安全性评估预测方法、系统及电子设备 | |
| US9454888B2 (en) | Advanced battery early warning and monitoring system | |
| CN112098850B (zh) | 基于sdo算法的锂离子电池电压故障诊断方法及系统 | |
| CN111929602B (zh) | 一种基于容量估计的单体电池漏电或微短路定量诊断方法 | |
| Wu et al. | A new fault diagnosis and prognosis technology for high-power lithium-ion battery | |
| Qiu et al. | Fault diagnosis for lithium-ion battery energy storage systems based on local outlier factor | |
| CN111257753B (zh) | 一种电池系统故障诊断方法 | |
| CN111537893A (zh) | 一种锂离子电池模组运行安全的评测方法、系统及电子设备 | |
| Yu et al. | Multi-Fault Diagnosis of Lithium-Ion battery systems based on correlation Coefficient and similarity Approaches | |
| CN115389958A (zh) | 一种锂离子电池运行安全性评估方法及系统 | |
| Song et al. | Series-connected lithium-ion battery pack health modeling with cell inconsistency evaluation | |
| CN113391214A (zh) | 一种基于电池充电电压排名变化的电池微故障诊断方法 | |
| Zhao et al. | Review of Lithium-Ion Battery Fault Features, Diagnosis Methods and Diagnosis Procedures | |
| CN116184248B (zh) | 一种串联电池组的微小短路故障检测方法 | |
| CN112363058B (zh) | 一种基于阻抗谱和马尔科夫特性的锂离子电池安全度估算方法及装置 | |
| CN116125284A (zh) | 一种锂离子电池内部短路诊断方法及系统 | |
| Divya et al. | An Investigation on Performance Characteristics of Sealed Lead Acid Battery | |
| Song et al. | Model-free quantitative diagnosis of internal short circuit for lithium-ion battery packs under diverse operating conditions | |
| CN112710959B (zh) | 一种锂离子电池的状态评估方法及系统 | |
| CN117686935B (zh) | 一种基于电压概率密度的电池rul预测方法 | |
| Yen et al. | Fault Detection in Series Battery Modules: An Integrated Approach for Micro Short Circuits | |
| CN118584353A (zh) | 一种基于内短路电流观测的锂电池故障诊断方法、装置和电子设备 | |
| CN118566732A (zh) | 基于锂离子电池机电信号离群度量的故障诊断方法及系统 | |
| Ding et al. | State-of-Health Estimation of Lithium-ion Batteries Based on CNN-LSTM-Attention | |
| CN118501701A (zh) | 一种基于容量-压力特征的软包锂离子电池故障诊断方法 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20220616 Address after: 215300 plant 8, No. 505, KUNKAI Road, Jinxi Town, Kunshan City, Suzhou City, Jiangsu Province Patentee after: Jiangsu paineng Energy Technology Co.,Ltd. Address before: 201203 Pudong New Area, Shanghai, China (Shanghai) free trade trial area, 887 Lane 73, Chong Chong Road. Patentee before: PYLON TECHNOLOGIES Co.,Ltd. |