CN113030763A - 一种车用动力电池一致性差异的潜在风险诊断系统 - Google Patents

一种车用动力电池一致性差异的潜在风险诊断系统 Download PDF

Info

Publication number
CN113030763A
CN113030763A CN202110193773.6A CN202110193773A CN113030763A CN 113030763 A CN113030763 A CN 113030763A CN 202110193773 A CN202110193773 A CN 202110193773A CN 113030763 A CN113030763 A CN 113030763A
Authority
CN
China
Prior art keywords
data
battery
consistency
voltage
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.)
Pending
Application number
CN202110193773.6A
Other languages
English (en)
Inventor
洪清和
李顶根
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Yihesmart Technology Co ltd
Original Assignee
Wuhan Yihesmart Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Yihesmart Technology Co ltd filed Critical Wuhan Yihesmart Technology Co ltd
Priority to CN202110193773.6A priority Critical patent/CN113030763A/zh
Publication of CN113030763A publication Critical patent/CN113030763A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
    • 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
    • G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
    • 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]
    • G01R31/389—Measuring internal impedance, internal conductance or related variables

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及一种车用动力电池一致性差异的潜在风险诊断系统，系统数据采集模块用于采集电池实时运行的原始数据，对系统原始数据进行清洗后，按照电池的工作状态将系统原始数据分类为各个数据集；对系统数据集进行分段处理后得到各个数据段，对系统数据段进行特征提取得到各个特征参数；判断系统特征参数的值是否超过设定范围，是则基于信息熵进行锂电池组不一致性计算，否则将根据信息否则输出电池正常的判断结果；构建模型分析最大最小单体电压的频率频数来做初步判断，频率超出限制范围时，进一步采用信息熵与Z分数结合的方法，信息熵持续超过一定阈值并且极值稳定在固定单体，则认为一致性较差，从而诊断车用动力电池存在的一致性潜在风险。

Description

一种车用动力电池一致性差异的潜在风险诊断系统
技术领域
本发明涉及动力电池领域，尤其涉及一种车用动力电池一致性差异的潜在风险诊断系统。
背景技术
车用动力电池的制作工艺复杂，电池组本身一致性差异难以彻底消除。随着使用时间的增加，动力电池的一致性差异会逐渐变化，若不能及时发现变化，则会降低电池组的可用容量，降低电池组的循环寿命，影响电池组的整体性能。随着新能源时代的到来，电动汽车大量进入消费者市场，需要一种技术以排除此类潜在风险。
发明内容
本发明针对现有技术中存在的技术问题，提供一种车用动力电池一致性差异的潜在风险诊断系统，解决现有技术中动力电池的一致性差异潜在风险的问题。
本发明解决上述技术问题的技术方案如下：一种车用动力电池一致性差异的潜在风险诊断系统，包括：数据采集模块、原始数据处理模块、特征参数提取模块和一致性差异潜在风险判断模块；
所述数据采集模块用于采集电池实时运行的原始数据，所述原始数据包括：电池总电压、电池总电流和单体电池最高电压；
所述原始数据处理模块用于对所述原始数据进行清洗后，按照电池的工作状态将所述原始数据分类为各个数据集；
所述特征参数提取模块对所述数据集进行分段处理后得到各个数据段，对所述数据段进行特征提取得到各个特征参数，所述特征参数提取模块提取的特征参数包括：均值、标准差和偏差；
所述一致性差异潜在风险判断模块判断所述特征参数的值是否超过设定范围，是则基于信息熵进行锂电池组不一致性计算，否则将根据信息否则输出电池正常的判断结果。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述数据采集模块采集的所述原始数据还包括：车辆号、上报时间、电池总电压、电池总电流、电池容量SOC、单体电池最高电压、最高电压电芯号、单体电池最高温度、最高温度单体电池号和电池系统额定容量。
进一步，所述原始数据处理模块还包括对所述原始数据进行数据维度、数据类型、数据缺失以及异常值进行限制和处理。
进一步，所述原始数据处理模块按照电池的工作状态对所述原始数据进行分类后得到的所述数据类包括：充电过程电压电流数据集、放电过程电压电流数据集与静置过程电压电流数据集。
进一步，所述原始数据处理模块根据所述原始数据的电压、电流和时间对所述数据集进行分段后得到各个数据段，并对数据量低于设定值的所述数据段进行删除。
进一步，所述特征参数提取模块提取的特征参数包括：均值、标准差和偏差。
进一步，所述一致性差异潜在风险判断模块基于信息熵进行锂电池组不一致性计算的公式为：
Figure BDA0002945997230000021
H(x)为计算的信息熵，p(xi)为第i个区域中的数据概率密度，n是区域数。
进一步，，所述一致性差异潜在风险判断模块基于信息熵进行锂电池组不一致性计算的公式为：
Figure BDA0002945997230000031
H(x)＝[H1,H2,...,Hn-l+1]为计算的信息熵；
Figure BDA0002945997230000032
对于形式为k×n的矩阵Bk×n的两个极值xmin和xmax；
其中，xmin＝min{x(i,j)|i＝1,2,3,...,k；j＝1,2,3,...,n}；
xmax＝max{x(i,j)|i＝0,1,2,3,...,k；j＝0,1,2,3,...,n}；
Figure BDA0002945997230000033
系数a＝0,1,2,3,...,l。
进一步，所述一致性差异潜在风险判断模块还包括：基于z函数计算所述特征数据中的异常值的电压异常系数，当电压异常系数的绝对值小于等于2时认为电池组一致性较好,当电压异常系数的绝对值大于2时，判断电池组中发生不一致故障。
采用上述方案的有益效果是：本发明提供一种车用动力电池一致性差异的潜在风险诊断系统，通过构建模型分析最大最小单体电压的频率频数来做初步判断，当频率超出限制范围时，进一步采用信息熵与Z分数结合的方法，当信息熵持续超过一定阈值并且极值稳定在固定单体，则认为一致性较差，从而诊断车用动力电池存在的一致性潜在风险。
附图说明
图1为本发明实施例提供的一种车用动力电池一致性差异的潜在风险诊断系统的结构框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1所示为一种车用动力电池一致性差异的潜在风险诊断系统，由图1可知，该系统包括：数据采集模块、原始数据处理模块、特征参数提取模块和一致性差异潜在风险判断模块。
数据采集模块用于采集电池实时运行的原始数据，原始数据包括：电池总电压、电池总电流和单体电池最高电压。
原始数据处理模块用于对原始数据进行清洗后，按照电池的工作状态将原始数据分类为各个数据集。
特征参数提取模块对数据集进行分段处理后得到各个数据段，对数据段进行特征提取得到各个特征参数。
一致性差异潜在风险判断模块判断特征参数的值是否超过设定范围，是则基于信息熵进行锂电池组不一致性计算，否则将根据信息否则输出电池正常的判断结果。
实施例1
本发明提供的实施例1为本发明提供的一种车用动力电池一致性差异的潜在风险诊断系统的实施例，该实施例包括：数据采集模块、原始数据处理模块、特征参数提取模块和一致性差异潜在风险判断模块。
数据采集模块用于采集电池实时运行的原始数据，原始数据包括：电池总电压、电池总电流和单体电池最高电压。
具体的，依据建模需要以及车辆实际数据情况，数据采集模块采集的原始数据还包括：车辆号、上报时间、电池总电压(单位为V)、电池总电流(单位为A)、电池容量SOC(state of charge，荷电状态，单位为％)、单体电池最高电压(单位为V)、最高电压电芯号、单体电池最高温度(单位为℃)、最高温度单体电池号和电池系统额定容量。
原始数据处理模块用于对原始数据进行清洗后，按照电池的工作状态将原始数据分类为各个数据集。
优选的，原始数据处理模块还包括对原始数据进行数据维度、数据类型、数据缺失以及异常值等情况进行限制和处理。
数据导入及清洗步骤将在main.m及getdatatime.m等函数中完成。
进一步的，原始数据处理模块按照电池的工作状态对原始数据进行分类后得到的数据类包括：充电过程电压电流数据集、放电过程电压电流数据集与静置过程电压电流数据集。
优选的，原始数据处理模块根据原始数据的电压、电流和时间对数据集进行分段后得到各个数据段，并对数据量低于设定值的数据段进行删除。
使用dataprocess.m函数对清洗后的数据依据电压、电流及时间进行分段处理，并对数据量低于设定值(例如10条)的数据段进行删除操作，以排除离群值。
特征参数提取模块对数据集进行分段处理后得到各个数据段，对数据段进行特征提取得到各个特征参数。
优选的，特征参数提取模块提取的特征参数包括：均值、标准差和偏差；将所需的均值、标准差、偏差等特征进行收集并且保存。
一致性差异潜在风险判断模块判断特征参数的值是否超过设定范围，是则基于信息熵进行锂电池组不一致性计算，否则将根据信息否则输出电池正常的判断结果。
关于过流过压的检测，模型在排除离群点后，对电流电压进行阈值分析及分段频率分析，在阈值和分段数值频率皆超过限定范围时做出过充或者过放的诊断。考虑到模型的鲁棒性，限定范围可因实际需要灵活调整。
本发明提供的一个实施例中，一致性差异潜在风险判断模块基于信息熵进行锂电池组不一致性计算的公式为：
Figure BDA0002945997230000061
H(x)为计算的信息熵，p(xi)为第i个区域中的数据概率密度，n是区域数。
优选的，由于信息熵的计算需要重复使用过去的数据，所以这对实时计算具有一定的困难，因此需要实时监视和诊断预测单体电池的电压状态应适当修改信息熵的计算以适应在线诊断的要求。为尽量适应信息熵在线计算要求，可对数据读取方式和数据计算窗口长度进行适当修改，本发明提供的另一个实施例中，优化后的信息熵计算公式为：
Figure BDA0002945997230000062
H(x)＝[H1,H2,...,Hn-l+1]为计算的信息熵。
计算每个间隔数据的频率公式为：
Figure BDA0002945997230000063
其中，
Figure BDA0002945997230000064
对于形式为k×n的矩阵Bk×n(其中
Figure BDA0002945997230000065
)的两个极值可以被表示为Bk×n：xmin和xmax。
其中，xmin＝min{x(i,j)|i＝1,2,3,...,k；j＝1,2,3,...,n}。
xmax＝max{x(i,j)|i＝0,1,2,3,...,k；j＝0,1,2,3,...,n}。
定义公式为：
Figure BDA0002945997230000066
Figure BDA0002945997230000067
系数a＝0,1,2,3,...,l。
信息熵可以用来描述系统的无序度，并基于获得的数据预测系统的状态，且具有较强的鲁棒性，可应用于涉及大数据量的强交互系统。优化后的信息熵公式更加适用于在线计算电池系统电压的不一致性，以检测车用动力电池一致性差异的潜在风险。
进一步的，当锂电池组不一致性差异变化时，不同电池的电压总是不同的，发生故障的电池电压波动在一定时间内可能最快或者最慢，一致性差异潜在风险判断模块还包括：基于z函数计算特征数据中的异常值的电压异常系数，当电压异常系数的绝对值小于等于2时可认为电池组一致性较好,当电压异常系数的绝对值大于2时，判断电池组中发生不一致故障。
z函数的标准形式为：
Figure BDA0002945997230000071
其中，X表示异常值，
Figure BDA0002945997230000072
表示X的平均数，E表示求期望，σ表示标准差，n表示异常值的个数。引入z分数后，通过实时数据的试错法，当经修正后的信息熵持续超过一定阈值并且极值稳定在固定单体，则认为一致性较差,该部分工作由Inconsistentfault.m模块完成。
本发明提供的一种车用动力电池一致性差异的潜在风险诊断系统，通过构建模型分析最大最小单体电压的频率频数来做初步判断，当频率超出限制范围时，进一步采用信息熵与Z分数结合的方法，当信息熵持续超过一定阈值并且极值稳定在固定单体，则认为一致性较差，从而诊断车用动力电池存在的一致性潜在风险。
以上所述仅为本发明的较佳实施例，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、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种车用动力电池一致性差异的潜在风险诊断系统，其特征在于，所述系统包括：数据采集模块、原始数据处理模块、特征参数提取模块和一致性差异潜在风险判断模块；
所述数据采集模块用于采集电池实时运行的原始数据，所述原始数据处理模块用于对所述原始数据进行清洗后，按照电池的工作状态将所述原始数据分类为各个数据集；
所述特征参数提取模块对所述数据集进行分段处理后得到各个数据段，对所述数据段进行特征提取得到各个特征参数；
所述一致性差异潜在风险判断模块判断所述特征参数的值是否超过设定范围，是则基于信息熵进行锂电池组不一致性计算，否则将根据信息否则输出电池正常的判断结果。
2.根据权利要求1所述的潜在风险诊断系统，其特征在于，所述数据采集模块采集的所述原始数据还包括：车辆号、上报时间、电池总电压、电池总电流、电池容量SOC、单体电池最高电压、最高电压电芯号、单体电池最高温度、最高温度单体电池号和电池系统额定容量。
3.根据权利要求1所述的方法，其特征在于，所述原始数据处理模块还包括对所述原始数据进行数据维度、数据类型、数据缺失以及异常值进行限制和处理。
4.根据权利要求1所述的潜在风险诊断系统，其特征在于，所述原始数据处理模块按照电池的工作状态对所述原始数据进行分类后得到的所述数据类包括：充电过程电压电流数据集、放电过程电压电流数据集与静置过程电压电流数据集。
5.根据权利要求1所述的潜在风险诊断系统，其特征在于，所述原始数据处理模块根据所述原始数据的电压、电流和时间对所述数据集进行分段后得到各个数据段，并对数据量低于设定值的所述数据段进行删除。
6.根据权利要求1所述的潜在风险诊断系统，其特征在于，所述特征参数提取模块提取的特征参数包括：均值、标准差和偏差。
7.根据权利要求1所述的潜在风险诊断系统，其特征在于，所述一致性差异潜在风险判断模块基于信息熵进行锂电池组不一致性计算的公式为：
Figure FDA0002945997220000021
H(x)为计算的信息熵，p(xi)为第i个区域中的数据概率密度，n是区域数。
8.根据权利要求1所述的潜在风险诊断系统，其特征在于，所述一致性差异潜在风险判断模块基于信息熵进行锂电池组不一致性计算的公式为：
Figure FDA0002945997220000022
H(x)＝[H1,H2,...,Hn-l+1]为计算的信息熵；
Figure FDA0002945997220000023
对于形式为k×n的矩阵Bk×n的两个极值xmin和xmax；
其中，xmin＝min{x(i,j)|i＝1,2,3,...,k；j＝1,2,3,...,n}；
xmax＝max{x(i,j)|i＝0,1,2,3,...,k；j＝0,1,2,3,...,n}；
Figure FDA0002945997220000024
系数a＝0,1,2,3,...,l。
9.根据权利要求1所述的潜在风险诊断系统，其特征在于，所述一致性差异潜在风险判断模块还包括：基于z函数计算所述特征数据中的异常值的电压异常系数，当电压异常系数的绝对值小于等于2时认为电池组一致性较好,当电压异常系数的绝对值大于2时，判断电池组中发生不一致故障。
CN202110193773.6A 2021-02-20 2021-02-20 一种车用动力电池一致性差异的潜在风险诊断系统 Pending CN113030763A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110193773.6A CN113030763A (zh) 2021-02-20 2021-02-20 一种车用动力电池一致性差异的潜在风险诊断系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110193773.6A CN113030763A (zh) 2021-02-20 2021-02-20 一种车用动力电池一致性差异的潜在风险诊断系统

Publications (1)

Publication Number Publication Date
CN113030763A true CN113030763A (zh) 2021-06-25

Family

ID=76460822

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110193773.6A Pending CN113030763A (zh) 2021-02-20 2021-02-20 一种车用动力电池一致性差异的潜在风险诊断系统

Country Status (1)

Country Link
CN (1) CN113030763A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114415032A (zh) * 2022-01-25 2022-04-29 中国汽车工程研究院股份有限公司 一种动力电池安全性检测方法、系统及存储介质
CN114839556A (zh) * 2022-05-10 2022-08-02 中国第一汽车股份有限公司 动力电池异常检测方法、装置、存储介质及电子装置
CN114942387A (zh) * 2022-07-20 2022-08-26 湖北工业大学 一种基于真实数据的动力电池故障在线检测方法及系统
CN114942386A (zh) * 2022-07-20 2022-08-26 湖北工业大学 一种动力电池故障在线检测方法及系统
CN115825755A (zh) * 2022-12-30 2023-03-21 哈尔滨光宇新能源有限公司 一种储能电池电芯电压一致性评估方法
CN115863795A (zh) * 2022-12-06 2023-03-28 北汽福田汽车股份有限公司 数据处理方法、数据处理装置、车辆和存储介质
CN116087799A (zh) * 2023-02-24 2023-05-09 上海玫克生储能科技有限公司 电池模组内部一致性监测方法、系统、存储介质及终端
CN116968556A (zh) * 2023-07-26 2023-10-31 北京科技大学 一种基于模糊熵的动力与储能电池故障诊断方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103605078A (zh) * 2013-11-12 2014-02-26 清华大学 混合动力车用动力电池或电池组的性能测试方法
CN107255787A (zh) * 2017-06-22 2017-10-17 山东大学 基于信息熵的电池组不一致性综合评价方法及系统
WO2019033391A1 (zh) * 2017-08-18 2019-02-21 罗伯特·博世有限公司 用于检测电池组一致性的方法、装置及系统
CN110045298A (zh) * 2019-05-06 2019-07-23 重庆大学 一种动力电池组参数不一致性的诊断方法
CN110794305A (zh) * 2019-10-14 2020-02-14 北京理工大学 一种动力电池故障诊断方法和系统
CN111307438A (zh) * 2020-03-11 2020-06-19 上海纵行实业有限公司 一种基于信息熵的旋转机械振动故障诊断方法及其系统
CN111582596A (zh) * 2020-05-14 2020-08-25 公安部交通管理科学研究所 融合交通状态信息的纯电动汽车续航里程风险预警方法
CN111707951A (zh) * 2020-06-22 2020-09-25 北京理工大学 一种电池组一致性评估方法及系统
US20200348364A1 (en) * 2019-04-30 2020-11-05 Tsinghua University Method for evaluating consistency of battery pack and strategy for balancing battery pack
CN112319309A (zh) * 2020-11-04 2021-02-05 北京理工大学 一种动力电池的故障诊断方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103605078A (zh) * 2013-11-12 2014-02-26 清华大学 混合动力车用动力电池或电池组的性能测试方法
CN107255787A (zh) * 2017-06-22 2017-10-17 山东大学 基于信息熵的电池组不一致性综合评价方法及系统
WO2019033391A1 (zh) * 2017-08-18 2019-02-21 罗伯特·博世有限公司 用于检测电池组一致性的方法、装置及系统
US20200348364A1 (en) * 2019-04-30 2020-11-05 Tsinghua University Method for evaluating consistency of battery pack and strategy for balancing battery pack
CN110045298A (zh) * 2019-05-06 2019-07-23 重庆大学 一种动力电池组参数不一致性的诊断方法
CN110794305A (zh) * 2019-10-14 2020-02-14 北京理工大学 一种动力电池故障诊断方法和系统
CN111307438A (zh) * 2020-03-11 2020-06-19 上海纵行实业有限公司 一种基于信息熵的旋转机械振动故障诊断方法及其系统
CN111582596A (zh) * 2020-05-14 2020-08-25 公安部交通管理科学研究所 融合交通状态信息的纯电动汽车续航里程风险预警方法
CN111707951A (zh) * 2020-06-22 2020-09-25 北京理工大学 一种电池组一致性评估方法及系统
CN112319309A (zh) * 2020-11-04 2021-02-05 北京理工大学 一种动力电池的故障诊断方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
侯永平 等: "循环工况研究PEMFC单体电池电压的一致性", 《电池》 *
刘永胜 等: "《供应链风险研究》", 31 January 2011 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114415032A (zh) * 2022-01-25 2022-04-29 中国汽车工程研究院股份有限公司 一种动力电池安全性检测方法、系统及存储介质
CN114839556A (zh) * 2022-05-10 2022-08-02 中国第一汽车股份有限公司 动力电池异常检测方法、装置、存储介质及电子装置
CN114942387A (zh) * 2022-07-20 2022-08-26 湖北工业大学 一种基于真实数据的动力电池故障在线检测方法及系统
CN114942386A (zh) * 2022-07-20 2022-08-26 湖北工业大学 一种动力电池故障在线检测方法及系统
CN114942387B (zh) * 2022-07-20 2022-10-25 湖北工业大学 一种基于真实数据的动力电池故障在线检测方法及系统
CN114942386B (zh) * 2022-07-20 2022-11-04 湖北工业大学 一种动力电池故障在线检测方法及系统
CN115863795A (zh) * 2022-12-06 2023-03-28 北汽福田汽车股份有限公司 数据处理方法、数据处理装置、车辆和存储介质
CN115863795B (zh) * 2022-12-06 2023-09-12 北汽福田汽车股份有限公司 数据处理方法、数据处理装置、车辆和存储介质
CN115825755A (zh) * 2022-12-30 2023-03-21 哈尔滨光宇新能源有限公司 一种储能电池电芯电压一致性评估方法
CN115825755B (zh) * 2022-12-30 2023-09-19 哈尔滨昆宇新能源有限公司 一种储能电池电芯电压一致性评估方法
CN116087799A (zh) * 2023-02-24 2023-05-09 上海玫克生储能科技有限公司 电池模组内部一致性监测方法、系统、存储介质及终端
CN116968556A (zh) * 2023-07-26 2023-10-31 北京科技大学 一种基于模糊熵的动力与储能电池故障诊断方法

Similar Documents

Publication Publication Date Title
CN113030763A (zh) 一种车用动力电池一致性差异的潜在风险诊断系统
Guo et al. Online estimation of SOH for lithium-ion battery based on SSA-Elman neural network
WO2022151819A1 (zh) 一种基于聚类分析的电池系统在线故障诊断方法和系统
CN111398833A (zh) 一种电池健康状态评估方法和评估系统
CN112904219B (zh) 一种基于大数据的动力电池健康状态的预测方法
CN110712528B (zh) 一种动力电池组实时监控方法及设备
US11742681B2 (en) Methods for analysis of vehicle battery health
CN110850297A (zh) 一种通过大数据预测轨交锂电池soh的方法
CN115366683A (zh) 一种新能源汽车动力电池多维模型融合的故障诊断策略
US11654791B2 (en) Devices for analysis of vehicle battery health
CN113030758B (zh) 基于锂离子电池容量跳水点的老化预警方法、系统、汽车及计算机存储介质
US20230012296A1 (en) Systems for Analysis of Vehicle Battery Health
CN116482540A (zh) 电池电压不一致性的分析预测方法、装置及系统
CN114646888A (zh) 一种动力电池容量衰减的评估方法及系统
CN116400245A (zh) 一种锂电池运行健康监测分析系统
Namdari et al. An entropy-based approach for modeling lithium-ion battery capacity fade
CN113657030A (zh) 一种基于高斯过程回归的锂电池剩余使用寿命预测方法
CN116609686B (zh) 一种基于云平台大数据的电芯一致性评估方法
CN117805649A (zh) 基于soh量化电池容量衰减对异常电芯进行识别的方法
CN115825756B (zh) 分散式储能电站故障多级诊断方法及系统
CN111458643A (zh) 异常电池筛选方法、装置、电子设备及可读存储介质
US11639117B2 (en) Devices for analysis of vehicle battery health
CN115656837A (zh) 一种串联型电池故障预测方法
CN115201681A (zh) 一种锂电池安全性能检测方法及系统
CN115219932A (zh) 用于评价设备电池组的相对老化状态的方法和装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210625

RJ01 Rejection of invention patent application after publication