CN112632850A - 一种锂电池组中异常电池的检测方法及系统 - Google Patents
一种锂电池组中异常电池的检测方法及系统 Download PDFInfo
- Publication number
- CN112632850A CN112632850A CN202011472513.4A CN202011472513A CN112632850A CN 112632850 A CN112632850 A CN 112632850A CN 202011472513 A CN202011472513 A CN 202011472513A CN 112632850 A CN112632850 A CN 112632850A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- abnormal
- battery pack
- attenuation
- lithium
- 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.)
- Pending
Links
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 214
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 214
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims description 37
- 238000004590 computer program Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 238000004146 energy storage Methods 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 claims 3
- 230000015556 catabolic process Effects 0.000 claims 1
- 238000006731 degradation reaction Methods 0.000 claims 1
- 230000004807 localization Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 10
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000002238 attenuated effect Effects 0.000 description 14
- 238000012360 testing method Methods 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 11
- 210000004027 cell Anatomy 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 210000002569 neuron Anatomy 0.000 description 7
- 238000012795 verification Methods 0.000 description 7
- 238000010438 heat treatment Methods 0.000 description 6
- 238000007599 discharging Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 239000003990 capacitor Substances 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000010287 polarization Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/32—Circuit design at the digital level
- G06F30/33—Design verification, e.g. functional simulation or model checking
- G06F30/3323—Design verification, e.g. functional simulation or model checking using formal methods, e.g. equivalence checking or property checking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Abstract
本发明公开了一种锂电池组中异常电池的检测方法及系统,属于锂电池组寿命预测和估计技术领域,包括以下步骤:S1、检测当前时刻锂电池组中各锂电池的端电压、温度和电荷状态;其中,锂电池组中各锂电池的端电压和温度构成锂电池组的异常表征特征,锂电池的电荷状态以及端电压或温度构成锂电池的衰减特征;S2、将所得锂电池组的异常表征特征输入到预训练好的异常电池判断模型,辨识出锂电池组中所有异常电池的位置;S3、将各异常电池的衰减特征分别输入到预训练好的衰减率估计模型中,得到各异常电池的衰减率;本发明实现了对锂电池组中异常电池的精细检测,可以对锂电池组提供更为细致到位的监测与管理,有效的预防了锂电池组中故障的发生。
Description
技术领域
本发明属于锂电池组寿命预测和估计技术领域,更具体地,涉及一种锂电池组中异常电池的检测方法及系统。
背景技术
锂电池因具有高功率密度、环保、无记忆效应、使用寿命长等优点,在军事、交通、电站等领域具有广阔的应用,而随着其应用的推广,对锂电池的健康度管理就成了一个不可或缺的环节,保证锂电池能安全、稳定、高效的运行是整个系统稳定的关键。在实际应用中,由于要满足容量、电压应力、电流应力等硬性条件,往往是将多个电池进行串并联使用,形成锂电池组来满足需求。在实际生产工艺中,电池之间或多或少会存在微小的差异,当锂电池做储能系统时,锂电池就会频繁的进行充放电,在这个过程中,电池就会发生衰减,有的可能衰减快,有的可能衰减慢,如果不对电池的状态进行监测,长时间下去,电池之间的差异会越来越大,木桶效应会越来越明显,一段时间后就会发生故障甚至发生危险。而如果能对电池组中的每个电池的状态进行监控,同时能在某个电池发生较大衰减的时候能对其定位,并估计其衰减率,那么就可以提前想出应对方法,实现寿命预测和预防故障的发生;故研究一种锂电池组中异常电池的检测方法存在重要的意义。
现有的锂电池组中异常电池的检测方法是采用观测器或者传感器采集电池的相关参数来分析电池组是否存在故障,没有进一步实现对具体异常电池进行定位查找和状态估计,无法实现锂电池组中异常电池的精细检测;另外,对于研究对象也局限于仅有串联或者仅有并联结构,没有串并联结合的结构,应用范围较窄。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种锂电池组中异常电池的检测方法及系统,其目的在于解决现有技术无法实现锂电池组中异常电池的精细检测的技术问题。
为实现上述目的,第一方面,本发明提供了一种锂电池组中异常电池的检测方法,包括以下步骤:
S1、检测当前时刻锂电池组中各锂电池的端电压、温度和电荷状态;其中,锂电池组中各锂电池的端电压和温度构成锂电池组的异常表征特征,锂电池的电荷状态以及端电压或温度构成锂电池的衰减特征;
S2、将所得锂电池组的异常表征特征输入到预训练好的异常电池判断模型,辨识出锂电池组中所有异常电池的位置;
S3、将各异常电池的衰减特征分别输入到预训练好的衰减率估计模型中,得到各异常电池的衰减率;
异常电池判断模型为机器学习模型;衰减率估计模型为回归模型。
进一步优选地,上述异常电池判断模型的训练方法,包括以下步骤:
S021、为锂电池组中的各锂电池搭建其衰减模型,并根据锂电池组的实际功率需求将各锂电池的衰减模型串并联连接,得到锂电池组的衰减模型;
S022、将锂电池组中r个锂电池设置为发生异常衰减的场景,并分别对上述r个锂电池的衰减率进行设置,根据锂电池组的衰减模型得到当前场景下锂电池组的异常表征特征,与当前场景下发生异常衰减的锂电池的位置相对应形成一组带标签的样本后,加入到训练集中;r=1,2,…,M;M为满足锂电池组储能系统电特性应力的最小结构单元中所包含的锂电池个数;电特性应力为电流应力或电压应力;
S023、将所得训练集输入到异常电池判断模型中进行训练,得到预训练好的异常电池判断模型。
进一步优选地,上述衰减率估计模型的训练方法,包括以下步骤:
S032、对随机选取的若干锂电池,分别将各锂电池从衰减率为0开始进行衰减,每隔预设衰减率采集锂电池的衰减特征,直至锂电池的衰减率为20%;
S033、以锂电池的衰减特征为输入,对应的衰减率为输出训练回归模型,得到预训练好的衰减率估计模型。
进一步优选地,对当前时刻锂电池组的异常表征特征进行N次测量,得到N组锂电池组的异常表征特征,并分别输入到预训练好的异常电池判断模型中,得到异常电池的N组位置估计值后,对所得各位置估计值分别进行计数,将数量大于N/2的位置估计值作为异常电池的位置。
进一步优选地,对当前时刻锂电池组中各锂电池的衰减特征进行N次测量,将锂电池组中异常电池所对应的N组衰减特征分别输入到衰减率估计模型中,得到异常电池的N组衰减率估计值后,对所得N组衰减率估计值求平均值,得到异常电池的衰减率。
进一步优选地,锂电池的衰减特征包括:锂电池的电荷状态、端电压和温度。
进一步优选地,上述异常电池判断模型为LS_SVM模型。
进一步优选地,上述衰减率估计模型为BP神经网络模型。
第二方面,本发明提供了一种锂电池组中异常电池的检测系统,包括:
特征采集模块,用于执行本发明第一方面所提供的锂电池组中异常电池的检测方法中的步骤S1;
异常定位模块,用于执行本发明第一方面所提供的锂电池组中异常电池的检测方法中的步骤S2;
衰减率估计模块,用于执行本发明第一方面所提供的锂电池组中异常电池的检测方法中的步骤S3。
第三方面,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行本发明第一方面所提供的一种锂电池组中异常电池的检测方法。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
1、本发明提供了一种锂电池组中异常电池的检测方法及系统,由于电池的电流与内阻不易测量,依赖于传感器精度,而电压的测量较为简单、容易实现,同时电池的温度和电荷状态是必须实时监测的状态变量;且当电池发生异常衰减时,电池的电压与温度会与其他电池有一定给的差异性,如图7、8所示,故从电特性参数测量的难易程度以及重要性角度分析后选取电池的电压、温度和电荷状态作为锂电池组中异常电池检测的特征变量,并将锂电池组中各锂电池的端电压和温度构成锂电池组的异常表征特征,将锂电池的电荷状态以及端电压或温度构成锂电池的衰减特征;将锂电池组的异常表征特征输入到预训练好的异常电池判断模型,辨识出锂电池组中所有异常电池的位置后,将各异常电池的衰减特征分别输入到衰减率估计模型中,得到各异常电池的衰减率,从而实现对锂电池组中异常电池的精细检测,可以对锂电池组提供更为细致到位的监测与管理,有效的预防锂电池组中故障的发生。
2、本发明所提供的锂电池组中异常电池的检测方法及系统,搭建了一个锂电池组的衰减模型,经过验证后,通过考虑锂电池组中实际发生异常的各种场景,基于锂电池组的衰减模型采集异常电池判断模型的训练集进行训练,本发明考虑到锂电池组中锂电池的串并联结合结构,充分考虑各种异常场景,获得了较为完备的训练集对异常电池判断模型进行训练,得到了一个应用范围广,且精确度高的异常电池判断模型。
3、由于随着电池的使用,电池的性能会越来越差,对系统稳定性的影响也越来越大,过早的更换会导致电池的利用程度不够,过迟更换,导致整个系统的性能整体下降,因此需要选取一个折中点进行更换;另外,更换的方式也电池的连接方式有关,分为单体电池跟换和整个电池包更换。根据本发明所提供的锂电池组中异常电池的检测方法及系统,可以准确对锂电池组中的异常衰减电池进行定位同时准确预测其衰减率,为锂电池组中锂电池的更换时机提供决策依据。
4、在本发明所提供的锂电池组中异常电池的检测方法及系统会对所提取的特征进行多次测量,避免测量耦合性对检测结果的影响,是的检测结果更为精确。
5、电池组中常用的结构有两种,先并联再串联和先串联在并联,通过电路的分析表明,先并再串的结构与先串再并的结构相比,稳定性更好,即当有电池发生故障或者需要进行更换的时候,先并再串的结构使得电池更加独立,可以在电池发生故障或者更换时继续工作;另外对于电池的均衡来说,先并后串的结构成本更低,因此目前常采用的结构为先并联再串联,而本发明所提出的异常电池定位和状态估计方法可以适用于先并联再串联结构,很贴合目前电池组使用的连接结构。
附图说明
图1是本发明实施例1所提供的锂电池组中异常电池的检测方法流程图;
图2是本发明实施例1所提供的单电池电特性等效电路及锂电池组结构示意图;
图3是本发明实施例1所提供的锂电池组中单电池的模型验证图;其中,(a)为温度拟合结果示意图;(b)为放电倍率拟合结果示意图;(c)为充电倍率拟合结果示意图;(d)为放电深度拟合结果示意图;
图4是本发明实施例1所提供的采用BP神经网络进行衰减率估计所得的预测结果与真实值的对比图;
图5是本发明实施例1所提供的采用Elman神经网络进行衰减率估计所得的预测结果与真实值的对比图;
图6是本发明实施例1所提供的采用LS_SVM模型进行衰减率估计所得的预测结果与真实值的对比图;
图7是本发明实施例1所提供的电池端电压与衰减率之间的关系曲线示意图;
图8是本发明实施例1所提供的电池温度与衰减率之间的关系曲线示意图;
图9是本发明实施例1所提供的电池电压、电荷状态与衰减率之间的关系曲线示意图;
图10是本发明实施例1所提供的电池温度、电荷状态与衰减率之间的关系曲线示意图。
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,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例1、
一种锂电池组中异常电池的检测方法,如图1所示,包括以下步骤:
S1、检测当前时刻锂电池组中各锂电池的端电压、温度和电荷状态;其中,锂电池组中各锂电池的端电压和温度构成锂电池组的异常表征特征,锂电池的电荷状态以及端电压或温度构成锂电池的衰减特征;
S2、将所得锂电池组的异常表征特征输入到预训练好的异常电池判断模型,辨识出锂电池组中所有异常电池的位置;
具体的,上述异常电池判断模型的训练方法,包括以下步骤:
S021、为锂电池组中的各锂电池搭建其衰减模型,并根据锂电池组的实际功率需求将各锂电池的衰减模型串并联连接,得到锂电池组的衰减模型;
具体的,本实施例中从电特性、热特性以及衰减特性三个角度搭建单个锂电池的衰减模型;本实施例中,电特性描述为单个锂电池的二阶RC等效电路,形成一个包含电源、内阻、电容的二端口网络;具体的,如图2中的左图所示,锂电池的二阶RC等效模型为:
E=Uoc-RoIb-1+SRCffRfIb-1+SRCssRfIb
其中,E为锂电池的端电压,Uoc为锂电池的开路电压;Ro表示欧姆电阻,Cf为活化极化电容,Rf为活化极化电阻,Cs为浓差极化电容,Rs为浓差极化电阻,Ib为充放电电流,S为复数频域。上述的电压、电容、电阻的阻值均与电池的电荷状态SOC有关。通过锂电池测试平台,可以完成上述模型参数的精确辨识,再通过查表法实现电特性建模。
需要说明的是,电池在没有发生衰减的情况下,电池的电特性参数满足上述关系式,并且相关的参数用实际试验进行辨识,可用查表法找到对应的值;而一旦电池发生衰减后,虽然锂电池的电特性还是满足上述关系式,但是相关的参数值会发生变化;具体的,利用衰减率我们可以计算电池新的初始容量,电池的电荷状态SOC等于电池目前的可用容量除以新的初始容量后的值;另外,利用衰减率可以计算出电池新的内阻,代入到上述电特性公式可以计算出电池的端电压,同时利用热功率计算公式可以算出电池的发热功率,从而得到电池的温度。
热特性描述为环境温度加上锂电池自身的发热功率;热特性主要考虑的是环境温度和电池的发热状态,通过计算每个电池的热功率反馈到温度计算中,同时温度又反过来影响电池的特性。
衰减特性描述为电池的使用寿命(可循环使用次数)与放电电流、放电深度以及温度的耦合关系;具体的,寿命与放电电流Id的关系为:
寿命与温度T的关系为:
CL(T)=aT3+fT2+gT+h
寿命与放电深度DOD的关系为:
CL(DOD)=mepDOD+neqDOD
寿命与充电电流的关系为:
其中,a、b、c、d、e、f、g、h、m、n、p、q、i、j、k、l为相关系数,通过测试平台进行参数辨识。得到各个因素的拟合关系式后,融合到衰减模型中,验证结果如图3所示;其中,图(a)为温度拟合结果示意图;图(b)为放电倍率拟合结果示意图;图(c)为充电倍率拟合结果示意图;图(d)为放电深度拟合结果示意图。
结合三个特性搭建完单个锂电池的衰减模型后,并进行模型验证。
进一步地,如图2中的右图所示,在本实施例中,选取3并再3串的连接方式,共计9个锂电池。根据锂电池组的实际功率需求将各锂电池的衰减模型串并联连接,得到锂电池组的衰减模型;
S022、将锂电池组中r个锂电池设置为发生异常衰减的场景,并分别对上述r个锂电池的衰减率进行设置,根据锂电池组的衰减模型得到当前场景下锂电池组的异常表征特征,与当前场景下发生异常衰减的锂电池的位置相对应形成一组带标签的样本后,加入到训练集中;r=1,2,…,M;M为满足锂电池组储能系统电特性应力的最小结构单元中所包含的锂电池个数;其中,电特性应力为电流应力或电压应力。本实施例中,M为满足锂电池组储能系统电流应力的最小结构单元中所包含的锂电池个数,具体的,M取值为3。
具体的,本实施例中,如图2中的右图所示,采用三并再三串的连接方式,共计9个锂电池,对锂电池进行编号为1-9,其中,锂电池1-3相互并联构成第一组,锂电池4-6相互并联构成第二组,锂电池7-9相互并联构成第三组,第一组、第二组和第三种相互串联。需要说明的是,为了电池的一致性考虑,每组电池并联的个数必须是相同的,因为不同的话,电池的充放电电流不一样,必然衰减状态不一样,所以并联个数需保持一致。
分别在以下场景下,进行数据采集:
场景一、只有一个电池发生异常衰减,其余电池正常;设置发生异常衰减的电池的衰减率为5%,根据锂电池组的衰减模型计算得到9个电池的电压和温度,得到锂电池组的异常表征特征;
场景二、两个电池发生异常衰减,其余电池正常;具体包括几种子场景,子场景一为两个发生异常衰减的电池均位于同一组中(本实施例中,设置两个发生异常衰减的电池的衰减率分别为10%和5%,或者设置两个发生异常衰减的电池的衰减率分别为10%和10%),子场景二为两个发生异常衰减的电池均位于不同组中(本实施例中,设置两个发生异常衰减的电池的衰减率分别为10%和5%),根据锂电池组的衰减模型计算得到9个电池的电压和温度,锂电池组的异常表征特征;
场景三:三个电池发生异常衰减,其余电池正常(本实施例中,设置三个发生异常衰减的电池均位于同一组中,并设置衰减率分别为10%、10%和10%,或者分别为10%、10%和5%,或者分别为10%、8%和5%),根据锂电池组的衰减模型计算得到9个电池的电压和温度,锂电池组的异常表征特征;
本实施例选取电池充放电的整个周期,即600-4700秒的数据;由于相邻数据之间相差太小,因此本实施例选择间隔20个数进行取数,一次试验跑完有用的数据为206个。
S023、采用所得训练集训练上述异常电池判断模型,得到预训练好的异常电池判断模型。本实施例中的异常电池判断属于二分类问题,常使用模型为LS_SVM模型。最小二乘支持向量机(LS_SVM)主要思想如下:通过事先选择的非线性映射将输入向量映射到高维特征空间,本发明中即是将9个电池的电压和温度予以映射,利用结构风险最小化原则,在这个空间中构造最优决策函数,并巧妙的把原空间的核函数去取代了高维特征空间中的点积运算,可以极大减小运算的复杂度。本发明属于多输入多输出类型,首先设置训练样本为{(xs,ys)|xs∈R,ys∈R,s=1,2,…,Ns};xs∈R是训练样本的输入,即电池的电压和温度;ys∈R是训练样本的输出,即电池的状态“0”和“1”;Ns为样本数。从实际应用的角度来看,电池的衰减对电池的电压U、温度T影响较为明显。
此时,得到的优化问题如下:
等式约束条件如下:
原始问题通过Lagrange对偶性可转化为对偶问题从而使问题更容易求解,同时为推广到非线性分类问题进而引入核函数,构建Lagrange函数:
对上式进行优化,对ω,bias,es,αs求偏导,求取最佳条件:
之后消除ω、es得到一组关于αs、bais的矩阵方程:
本发明建立分类器时,选取的核函数为“classification”,该类核函数对于二分类的问题具有很好的分类效果同时需要调整惩罚系数gamma和RBF核函数参数sig,根据调试结果,本实施例将gamma取值为1000,sig取值为0.1,此时分类器的效果最好,得到预训练好的异常电池判断模型。
上述数据处理完成后,选取5/6做训练,1/6做测试;训练完成后,将测试集中单个电池以及4个电池发生衰减所对应的异常表征特征输入到上述预训练好的异常电池判断模型中,得到各电池是否发生异常的预测结果;并将预测结果与测试集中各电池是否发生异常的标签进行对比,完成验证。所得的部分对比结果如表1所示,其中,“1”表示电池发生异常衰减,“0”表示电池正常。该异常电池判断模型的精确度为99.78%。
表1
S3、将各异常电池的衰减特征分别输入到衰减率估计模型中,得到各异常电池的衰减率;其中,衰减率估计模型为回归模型。
具体的,上述衰减率估计模型的训练方法,包括以下步骤:
S032、对随机选取的若干锂电池,分别将各锂电池从衰减率为0开始进行衰减,每隔预设衰减率采集锂电池的衰减特征,直至锂电池的衰减率为20%;
具体的,本实施例中,设置锂电池从衰减率为0开始衰减,一直衰减到衰减率为20%,预设衰减率取值为1%,每间隔1%进行试验,采集电池的电荷状态以及电压或温度,得到锂电池的衰减特征,其中电荷状态的变化范围为从0.9到0.4间隔0.03进行变化,共计360组实验数据,选取5/6做训练,1/6做测试。
S033、以锂电池的衰减特征为输入,对应的衰减率为输出训练回归模型,得到衰减率估计模型。
优选地,为了进一步提高检测的准确率,本实施例中,锂电池的衰减特征包括:锂电池的电荷状态、端电压和温度。
进一步地,本实施例中的衰减率估计模型为BP神经网络模型。具体的,本实施例中,BP神经网络是由输入层、隐含层以及输出层组成,在本实例中,输入的是电池的电压、温度、电荷状态SOC三个输入,隐含层的神经元个数需要调试,输出的是电池的衰减率,所以是三输入一输出结构。正向传播,对于输入量xs,先给与一定的权重ws,进行线性加权求和,求得神经元的净输入,将净输入与神经元的阈值比较,到达阈值后激活神经元,通过激活函数处理产生神经元的输出;反向传播,得到神经元输出后,用最小二乘计算预测误差,当误差大于设置值时,修改权重得到一组新的输出,直到预测误差小于设置值或者训练次数到达设置次数时,结束训练。本实例中,隐层神经元个数为8个,允许最大的训练次数为10000次,学习速率为0.001,训练目标最小误差为0.000001,每间隔100步显示一次训练结果。
需要说明的是,上述BP神经网络模型是本发明所选取的最优回归模型,本发明分别采用BP神经网络、Elman神经网络和LS_SVM模型在相同的条件下进行训练并测试,所得预测结果分别如图4-图6所示,其中,图4为采用BP神经网络进行衰减率估计所得的预测结果与真实值的对比图,采用BP神经网络时,所得预测结果的均方根误差RMSE=0.0016,平均百分比误差MAPE=0.0196。图5为采用Elman神经网络进行衰减率估计所得的预测结果与真实值的对比图,采用Elman神经网络时,所得预测结果的均方根误差RMSE=0.0075,平均百分比误差MAPE=0.1044。图6为采用LS_SVM模型进行衰减率估计所得的预测结果与真实值的对比图,采用LS_SVM模型时,所得预测结果的均方根误差RMSE=0.0022,平均百分比误差MAPE=0.0257。结合图4-图6以及均方根误差和平均百分比误差的结果,可知BP神经网络的效果最好,更加稳定准确。
进一步优选地,为了避免偶然性,在上述异常电池判断模型以及衰减率估计模型的训练及验证过程中,采集得到训练样本后,将所得训练样本利用随机函数按照1:5进行随机分配,再用于训练和验证;训练验证的数据是足够多的,包括利用训练好的模型去辨识异常电池和估计其衰减率也是输入同种状态在多组特征变量的值,得到结果进行对比,消除偶然性。
需要说明的是,电池的电特性参数包括电池的端电压、温度、内阻、电池的电荷状态SOC、电流等。实际中,电池的电流依靠传感器进行测量,很依赖于传感器的精度,并且外加传感器增加了不稳定性;内阻也是通过测量一些外围参数进行估计的,不易测量;电池的电压容易测量;电池的温度在电池运行中是非常重要的一个因素,避免电池过热发生危险,对其检测是必要的;电池的电荷状态SOC是表征电池当前状态,并且在电池组中确定对电池进行充放电的重要依据,避免电池出现过充或者过放的现象,也是必要的。因此从电特性参数测量的难易程度以及重要性角度分析,本发明选取电池的电压、温度和电荷状态SOC作为锂电池组中异常电池检测的特征变量。
具体的,发生较快衰减的电池,内阻大于其他的电池,输出端电压就越低,即同时进行充放电,衰减率大的电池其两端的端电压越小,如图7所示(端电压与衰减率之间的关系曲线示意图);另外,衰减率越大的电池,因其内阻增大,导致分得的电流偏小,而在电池的温度与自身的发热功率相关,发热功率与电流的平方成正比,电流越低,温度越低,相反同组内的其他正常衰减电池因小电阻分得大电流导致温度越高,如图8所示(温度与衰减率之间的关系曲线示意图)。从图7和图8可以看出,衰减率对电池电压和温度的影响力较为明显,明显到可以借助这两个变量实现对异常电池进行识别,识别效果见图所示。综合电池电特性参数测量难易程度和衰减率对电池电特性参数的影响力来看,我们选取电池的电压和温度作为锂电池组的异常表征特征,进行锂电池的异常识别。
另外,电池在充放电的过程中,输出电压和温度实时与电荷状态SOC相关,一旦电池的衰减率确定后,电压和温度与SOC具有某种确定关系,如图9和图10所示;其中,图9为电池电压、电荷状态与衰减率之间的关系曲线示意图;图10为电池温度、电荷状态与衰减率之间的关系曲线示意图;利用这种潜在的关系,可以在不同的衰减率下,研究单电池的电压和温度与SOC的关系。具体操作为,将一个电池从0衰减到衰减20%,每间隔1%进行试验,采集电池的电压、温度和SOC,以此依据建立电池的回归模型。需要说明的是,通过电池的电压与SOC的关系或者温度与SOC的关系就可以估计电池的衰减率;但是将三者结合起来一起估计,可以进一步提高准确率。
进一步地,为了避免锂电池组中异常电池检测的耦合性,对当前时刻锂电池组的异常表征特征进行N次测量,得到N组锂电池组的异常表征特征,并分别输入到预训练好的异常电池判断模型中,得到异常电池的N组位置估计值后,对所得各位置估计值分别进行计数,将数量大于N/2的位置估计值作为异常电池的位置。对当前时刻锂电池组中各锂电池的衰减特征进行N次测量,将锂电池组中异常电池所对应的N组衰减特征分别输入到衰减率估计模型中,得到异常电池的N组衰减率估计值后,对所得N组衰减率估计值求平均值,得到异常电池的衰减率;这里N为大于或等于2的整数。
综上,随着电池的使用,电池的性能会越来越差,对系统稳定性的影响也越来越大,过早的更换会导致电池的利用程度不够,过迟更换,导致整个系统的性能整体下降,因此需要选取一个折中点进行更换;另外,更换的方式也电池的连接方式有关,分为单体电池跟换和整个电池包更换。根据本发明所提供的锂电池组中异常电池的检测方法,可以准确对锂电池组中的异常衰减电池进行定位同时准确预测其衰减率,为锂电池组中锂电池的更换时机提供决策依据。
实施例2、
一种锂电池组中异常电池的检测系统,包括:
特征采集模块,用于执行本发明实施例1所提供的锂电池组中异常电池的检测方法中的步骤S1;
异常定位模块,用于执行本发明实施例1所提供的锂电池组中异常电池的检测方法中的步骤S2;
衰减率估计模块,用于执行本发明实施例1所提供的锂电池组中异常电池的检测方法中的步骤S3。
相关技术特征同实施例1,这里不做赘述。
实施例3、
一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行本发明实施例1所提供的锂电池组中异常电池的检测方法。
相关技术特征同实施例1,这里不做赘述。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种锂电池组中异常电池的检测方法,其特征在于,包括以下步骤:
S1、检测当前时刻锂电池组中各锂电池的端电压、温度和电荷状态;其中,锂电池组中各锂电池的端电压和温度构成锂电池组的异常表征特征,锂电池的电荷状态以及端电压或温度构成锂电池的衰减特征;
S2、将所述锂电池组的异常表征特征输入到预训练好的异常电池判断模型,辨识出锂电池组中所有异常电池的位置;
S3、将各异常电池的衰减特征分别输入到预训练好的衰减率估计模型中,得到各异常电池的衰减率;
所述异常电池判断模型为机器学习模型;所述衰减率估计模型为回归模型。
2.根据权利要求1所述的锂电池组中异常电池的检测方法,其特征在于,所述异常电池判断模型的训练方法,包括以下步骤:
S021、为锂电池组中的各锂电池搭建其衰减模型,并根据锂电池组的实际功率需求将各锂电池的衰减模型串并联连接,得到锂电池组的衰减模型;
S022、将锂电池组中r个锂电池设置为发生异常衰减的场景,并分别对所述r个锂电池的衰减率进行设置,根据所述锂电池组的衰减模型得到当前场景下锂电池组的异常表征特征,与当前场景下发生异常衰减的锂电池的位置相对应形成一组带标签的样本后,加入到训练集中;r=1,2,…,M;M为满足锂电池组储能系统电特性应力的最小结构单元中所包含的锂电池个数;所述电特性应力为电流应力或电压应力;
S023、将所述训练集输入到所述异常电池判断模型中进行训练,得到所述预训练好的异常电池判断模型。
3.根据权利要求1所述的锂电池组中异常电池的检测方法,其特征在于,所述衰减率估计模型的训练方法,包括以下步骤:
S032、对随机选取的若干锂电池,分别将各锂电池从衰减率为0开始进行衰减,每隔预设衰减率采集锂电池的衰减特征,直至锂电池的衰减率为20%;
S033、以锂电池的衰减特征为输入,对应的衰减率为输出训练回归模型,得到所述预训练好的衰减率估计模型。
4.根据权利要求1所述的锂电池组中异常电池的检测方法,其特征在于,对当前时刻锂电池组的异常表征特征进行N次测量,得到N组锂电池组的异常表征特征,并分别输入到所述预训练好的异常电池判断模型中,得到异常电池的N组位置估计值后,对所得各位置估计值分别进行计数,将数量大于N/2的位置估计值作为异常电池的位置。
5.根据权利要求1所述的锂电池组中异常电池的检测方法,其特征在于,对当前时刻锂电池组中各锂电池的衰减特征进行N次测量,将锂电池组中异常电池所对应的N组衰减特征分别输入到所述预训练好的衰减率估计模型中,得到异常电池的N组衰减率估计值后,对所得N组衰减率估计值求平均值,得到异常电池的衰减率。
6.根据权利要求1或3或5所述的锂电池组中异常电池的检测方法,其特征在于,锂电池的衰减特征包括:锂电池的电荷状态、端电压和温度。
7.根据权利要求1或2或4所述的锂电池组中异常电池的检测方法,其特征在于,所述异常电池判断模型为LS_SVM模型。
8.根据权利要求1或3或5所述的锂电池组中异常电池的检测方法,其特征在于,所述衰减率估计模型为BP神经网络模型。
9.一种锂电池组中异常电池的检测系统,其特征在于,包括:
特征采集模块,用于执行权利要求1-8任意一项所述的锂电池组中异常电池的检测方法中的步骤S1;
异常定位模块,用于执行权利要求1-8任意一项所述的锂电池组中异常电池的检测方法中的步骤S2;
衰减率估计模块,用于执行权利要求1-8任意一项所述的锂电池组中异常电池的检测方法中的步骤S3。
10.一种计算机可读存储介质,所述计算机可读存储介质包括存储的计算机程序,其中,在所述计算机程序被处理器运行时控制所述存储介质所在设备执行权利要求1-8任意一项所述的锂电池组中异常电池的检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011472513.4A CN112632850A (zh) | 2020-12-14 | 2020-12-14 | 一种锂电池组中异常电池的检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011472513.4A CN112632850A (zh) | 2020-12-14 | 2020-12-14 | 一种锂电池组中异常电池的检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112632850A true CN112632850A (zh) | 2021-04-09 |
Family
ID=75312699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011472513.4A Pending CN112632850A (zh) | 2020-12-14 | 2020-12-14 | 一种锂电池组中异常电池的检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112632850A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283113A (zh) * | 2021-06-11 | 2021-08-20 | 中国人民解放军国防科技大学 | 航天器太阳电池阵发电电流预测模型训练方法、异常检测方法、设备及介质 |
CN113567866A (zh) * | 2021-07-28 | 2021-10-29 | 蜂巢能源科技有限公司 | 锂离子电池的电压预测方法及装置 |
CN113900035A (zh) * | 2021-09-28 | 2022-01-07 | 深圳市科陆电子科技股份有限公司 | 电池检测方法、装置、设备及存储介质 |
CN114509682A (zh) * | 2021-12-27 | 2022-05-17 | 安徽锐能科技有限公司 | 锂电池soc估计算法的修正方法和soc估计算法及存储介质 |
WO2023011066A1 (zh) * | 2021-08-03 | 2023-02-09 | 长城汽车股份有限公司 | 一种电池热管理系统的性能检测方法及相关设备 |
CN116087782A (zh) * | 2022-11-09 | 2023-05-09 | 苏州首帆电子科技有限公司 | 一种汽车电池故障预警方法、系统、装置及存储介质 |
CN116494816A (zh) * | 2023-06-30 | 2023-07-28 | 江西驴宝宝通卡科技有限公司 | 充电桩的充电管理系统及其方法 |
CN116540108A (zh) * | 2023-07-06 | 2023-08-04 | 广汽埃安新能源汽车股份有限公司 | 一种电芯容量衰减预警方法、装置、存储介质及设备 |
WO2023194833A1 (en) * | 2022-04-08 | 2023-10-12 | Ses Holdings Pte. Ltd. | Methods of operating electrochemical storage devices based on anomaly clustering, and software and systems including same |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040001996A1 (en) * | 2002-06-26 | 2004-01-01 | Nissan Motor Co., Ltd. | Abnormality diagnosis device and method for battery pack |
JP2006337155A (ja) * | 2005-06-01 | 2006-12-14 | Matsushita Electric Ind Co Ltd | 電池監視装置 |
JP2009151952A (ja) * | 2007-12-18 | 2009-07-09 | Mitsumi Electric Co Ltd | 電池異常検出装置及び方法 |
CN106154164A (zh) * | 2015-03-12 | 2016-11-23 | 重庆邮电大学 | 一种电池健康状态评估方法 |
CN106353690A (zh) * | 2016-09-20 | 2017-01-25 | 上海海事大学 | 利用Petri网诊断锂电池故障的方法 |
CN107843853A (zh) * | 2017-12-13 | 2018-03-27 | 中国科学技术大学 | 一种动力电池组串联连接故障诊断方法 |
CN109061495A (zh) * | 2018-08-07 | 2018-12-21 | 中国电建集团福建省电力勘测设计院有限公司 | 一种混合储能电池组故障诊断方法 |
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 |
GB201906150D0 (en) * | 2019-05-02 | 2019-06-19 | Siemens Plc | A method and apparatus for detecting defective cells within a battery |
CN110712528A (zh) * | 2019-10-25 | 2020-01-21 | 优必爱信息技术(北京)有限公司 | 一种动力电池组实时监控方法及设备 |
-
2020
- 2020-12-14 CN CN202011472513.4A patent/CN112632850A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040001996A1 (en) * | 2002-06-26 | 2004-01-01 | Nissan Motor Co., Ltd. | Abnormality diagnosis device and method for battery pack |
JP2006337155A (ja) * | 2005-06-01 | 2006-12-14 | Matsushita Electric Ind Co Ltd | 電池監視装置 |
JP2009151952A (ja) * | 2007-12-18 | 2009-07-09 | Mitsumi Electric Co Ltd | 電池異常検出装置及び方法 |
CN106154164A (zh) * | 2015-03-12 | 2016-11-23 | 重庆邮电大学 | 一种电池健康状态评估方法 |
CN106353690A (zh) * | 2016-09-20 | 2017-01-25 | 上海海事大学 | 利用Petri网诊断锂电池故障的方法 |
CN107843853A (zh) * | 2017-12-13 | 2018-03-27 | 中国科学技术大学 | 一种动力电池组串联连接故障诊断方法 |
CN109061495A (zh) * | 2018-08-07 | 2018-12-21 | 中国电建集团福建省电力勘测设计院有限公司 | 一种混合储能电池组故障诊断方法 |
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 |
GB201906150D0 (en) * | 2019-05-02 | 2019-06-19 | Siemens Plc | A method and apparatus for detecting defective cells within a battery |
CN110712528A (zh) * | 2019-10-25 | 2020-01-21 | 优必爱信息技术(北京)有限公司 | 一种动力电池组实时监控方法及设备 |
Non-Patent Citations (2)
Title |
---|
许圳淇 等: "基于决策树的异常电池分类方法", 《汽车工程学报》, vol. 13, no. 2, pages 169 - 176 * |
贾俊 等: "数据驱动的锂离子电池健康状态综合评分及异常电池筛选", 《机械工程学报》, vol. 57, no. 14, pages 142 - 149 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113283113B (zh) * | 2021-06-11 | 2022-04-15 | 中国人民解放军国防科技大学 | 太阳电池阵发电电流预测模型训练方法、异常检测方法、设备及介质 |
CN113283113A (zh) * | 2021-06-11 | 2021-08-20 | 中国人民解放军国防科技大学 | 航天器太阳电池阵发电电流预测模型训练方法、异常检测方法、设备及介质 |
CN113567866A (zh) * | 2021-07-28 | 2021-10-29 | 蜂巢能源科技有限公司 | 锂离子电池的电压预测方法及装置 |
CN113567866B (zh) * | 2021-07-28 | 2023-06-20 | 蜂巢能源科技有限公司 | 锂离子电池的电压预测方法及装置 |
WO2023011066A1 (zh) * | 2021-08-03 | 2023-02-09 | 长城汽车股份有限公司 | 一种电池热管理系统的性能检测方法及相关设备 |
CN113900035A (zh) * | 2021-09-28 | 2022-01-07 | 深圳市科陆电子科技股份有限公司 | 电池检测方法、装置、设备及存储介质 |
CN113900035B (zh) * | 2021-09-28 | 2024-04-16 | 深圳市科陆电子科技股份有限公司 | 电池检测方法、装置、设备及存储介质 |
CN114509682B (zh) * | 2021-12-27 | 2024-01-12 | 安徽锐能科技有限公司 | 锂电池soc估计算法的修正方法和存储介质 |
CN114509682A (zh) * | 2021-12-27 | 2022-05-17 | 安徽锐能科技有限公司 | 锂电池soc估计算法的修正方法和soc估计算法及存储介质 |
WO2023194833A1 (en) * | 2022-04-08 | 2023-10-12 | Ses Holdings Pte. Ltd. | Methods of operating electrochemical storage devices based on anomaly clustering, and software and systems including same |
CN116087782A (zh) * | 2022-11-09 | 2023-05-09 | 苏州首帆电子科技有限公司 | 一种汽车电池故障预警方法、系统、装置及存储介质 |
CN116087782B (zh) * | 2022-11-09 | 2024-02-02 | 苏州首帆电子科技有限公司 | 一种汽车电池故障预警方法、系统、装置及存储介质 |
CN116494816A (zh) * | 2023-06-30 | 2023-07-28 | 江西驴宝宝通卡科技有限公司 | 充电桩的充电管理系统及其方法 |
CN116494816B (zh) * | 2023-06-30 | 2023-09-15 | 江西驴宝宝通卡科技有限公司 | 充电桩的充电管理系统及其方法 |
CN116540108B (zh) * | 2023-07-06 | 2023-12-15 | 广汽埃安新能源汽车股份有限公司 | 一种电芯容量衰减预警方法、装置、存储介质及设备 |
CN116540108A (zh) * | 2023-07-06 | 2023-08-04 | 广汽埃安新能源汽车股份有限公司 | 一种电芯容量衰减预警方法、装置、存储介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112632850A (zh) | 一种锂电池组中异常电池的检测方法及系统 | |
CN111707951B (zh) | 一种电池组一致性评估方法及系统 | |
Tian et al. | Consistency evaluation and cluster analysis for lithium-ion battery pack in electric vehicles | |
Rezvanizaniani et al. | Review and recent advances in battery health monitoring and prognostics technologies for electric vehicle (EV) safety and mobility | |
Qiao et al. | Online quantitative diagnosis of internal short circuit for lithium-ion batteries using incremental capacity method | |
CN108732510B (zh) | 基于内部特征的锂离子电池一致性筛选分组方法 | |
Takyi‐Aninakwa et al. | A strong tracking adaptive fading‐extended Kalman filter for the state of charge estimation of lithium‐ion batteries | |
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 | |
Liu et al. | Battery degradation model and multiple-indicators based lifetime estimator for energy storage system design and operation: Experimental analyses of cycling-induced aging | |
CN112686380A (zh) | 基于神经网络的梯次动力电芯一致性评估方法和系统 | |
KR20210000207A (ko) | 내부 단락 셀 검출 방법 | |
Chang et al. | Micro-fault diagnosis of electric vehicle batteries based on the evolution of battery consistency relative position | |
CN113848479B (zh) | 一种融合均衡信息的串联电池组短路及低容量故障诊断方法、系统及设备 | |
Ding et al. | Diagnosis of connection fault for parallel-connected lithium-ion batteries based on long short-term memory networks | |
Wang et al. | Rapid-regroup strategy for retired batteries based on short-time dynamic voltage and electrochemical impedance spectroscopy | |
CN114578251A (zh) | 基于卷积神经网络的电池模组安全状态评估方法及装置 | |
KR20210000206A (ko) | 이상 배터리 셀 검출 방법 | |
Hu et al. | Performance evaluation strategy for battery pack of electric vehicles: Online estimation and offline evaluation | |
CN112748348B (zh) | 电池低温性能分布水平检测方法、系统及存储介质 | |
Wang et al. | Battery pack topology structure on state-of-charge estimation accuracy in electric vehicles | |
Fan et al. | A novel method of quantitative internal short circuit diagnosis based on charging electric quantity in fixed voltage window | |
CN116819328A (zh) | 一种电动汽车动力电池故障诊断方法、系统、设备及介质 | |
Tang et al. | An aging-and load-insensitive method for quantitatively detecting the battery internal-short-circuit resistance | |
Luciani et al. | Enabling Rapid State of Health Offline Estimation of a 48V Lithium-Ion Battery Pack | |
Shen et al. | Detection and quantitative diagnosis of micro-short-circuit faults in lithium-ion battery packs considering cell inconsistency |
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 |