CN113219361A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113219361A CN113219361A CN202110279137.5A CN202110279137A CN113219361A CN 113219361 A CN113219361 A CN 113219361A CN 202110279137 A CN202110279137 A CN 202110279137A CN 113219361 A CN113219361 A CN 113219361A
- Authority
- CN
- China
- Prior art keywords
- voltage
- self
- discharge
- cell
- battery pack
- 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
- 208000028659 discharge Diseases 0.000 title claims abstract description 159
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 76
- 238000003745 diagnosis Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 45
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 35
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 35
- 238000009826 distribution Methods 0.000 title claims abstract description 32
- 210000004027 cell Anatomy 0.000 claims description 227
- 238000007781 pre-processing Methods 0.000 claims description 20
- 238000001914 filtration Methods 0.000 claims description 19
- 238000012417 linear regression Methods 0.000 claims description 19
- 238000009499 grossing Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 9
- 210000004460 N cell Anatomy 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 2
- 238000002405 diagnostic procedure Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 13
- 230000006866 deterioration Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000007774 longterm Effects 0.000 abstract description 2
- 230000005856 abnormality Effects 0.000 description 21
- 230000005611 electricity Effects 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明记载了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,用于锂离子电池组寿命期间快速检测电芯单元异常自放电的问题,采用滑动平均滤波法平滑处理各电芯电压及计算电池组平均电压,基于分时区间提取各电芯电压趋势信号,再回归拟合得到每段分时区间内各电芯的回归斜率,建立判定阈值置信区间,对于连续偏出置信区间的电芯,则判定其自放电水平异常。本发明检测周期短,达到数小时快速辨别的效果,并且可识别定位出电池组内的异常电芯,能够动态调整检测精度、抵消温度干扰,防止电池存在内部短路等潜在故障继续恶化而造成热失控等严重事故的风险,提升了整体电池组的安全性能,有利于锂离子电池组的长期稳定安全运行。
Description
技术领域
本发明涉及电池组安全监测领域,尤其涉及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。
背景技术
随着绿色环保能源的需求大幅度增加,锂离子电池被广泛应用在电子产品、新能源汽车等领域。而产品中锂离子电池的安全性能如何,是消费者最为关心的问题。
电池在开路状态下,由于自身内在的化学反应导致储存电量随时间逐渐减少,这种现象称之为自放电。自放电不是制造缺陷,而是一种电池特性,所有电池均会受到自放电影响。理想情况下,正常的电池其自放电应保持在一个极低的水平,然而电池制造工艺的缺陷、电池的滥用、电池内部短路都会加剧电池的自放电。尤其是内部短路,在电池使用过程中,内部短路不断发展恶化。早期的内部短路往往表现在电池的自放电效应增加,而严重的内部短路则是导致电池热失控的主要原因之一。因此,在诸如内部短路这类潜在发展故障还未恶化到造成安全事故和经济损失之前,测试监控电池的自放电水平十分重要。尤其是在电池模组之中,有必要提前识别出自放电异常的电池单元,并告知使用者采取措施,以防止潜在的灾难性故障。
锂离子电池的传统自放电检测方法是通过测量电池的开路电压(OCV)随时间的下降来评估自放电水平。由于锂离子电池的自放电水平非常低,其月静态容量损失水平约2%~3%,相应的ΔOCV可能仅有几十毫伏,可能还不如BMS(电池管理系统)中模拟前端的采样误差大。因此,要通过OCV显著下降检测出电池的自放电水平可能需要数周乃至月计的静置测量,这种检测方式复杂又耗时,投入成本巨大。然而,随着市场对锂电池的安全水平要求日益严苛,自放电的短时快速诊断技术亟待开发。
因此,需要提供一种短时快速、准确定位的锂离子电池组异常自放电诊断方法及系统,以提前发现异常自放电的电池,提高电池组的使用安全性。
发明内容
为了解决上述问题,本发明提供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,用于快速检测电池模组内电芯单元早期异常自放电的问题,检测周期短,可识别定位出电池组内的异常电芯,并能够动态调整检测精度、抵消温度干扰,防止电池存在潜在故障继续恶化而造成热失控等严重事故的风险,提升了整体电池组的安全水平。
为实现上述目的,本发明提供了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,基于分时区间内各个电芯电压趋势信号的回归斜率,建立置信区间,对于连续偏出置信区间的电芯,则判定其自放电水平异常。
可选地,包括以下步骤:
S1:对采集的电池组各电芯电压数据进行预处理,使用滤波算法对各电芯电压进行平滑处理,并根据各电芯电压求出电池组平均电压;
S2:根据预设分时区间长度划分数据,并提取每个分时区间内各电芯的电压趋势信号;
S3:对每个分时区间上各电芯的电压趋势信号进行线性回归,得到该区间上各电芯电压趋势信号的斜率;
S4:根据所得各电芯在各分时区间上的斜率分布,计算斜率期望和标准差,得到判定阈值;
S5:如果有回归斜率连续落在判定阈值之外的电芯,即判断该电芯自放电异常,否则判定电池组各电芯自放电水平正常。
可选地,还包括步骤S6:若诊断出异常自放电的电芯,排除该电芯重复步骤S1~S5,直至判定剩余电芯自放电水平正常,以找出全部异常自放电的电芯。
可选地,假设待诊断目标电池组一共包含N个电芯,每个电芯采集M个原始电压数据Vraw,i(n),其中M、N为自然数,n=1,2,...,N,n=1,2,...,M;
步骤S1中对各电芯电压进行平滑处理的滤波算法采用滑动平均滤波法,根据原始数据的抖动水平,通过滑动窗口长度l调整滑动平均滤波器平抑原始电压数据Vraw,i(n)波动的能力,经处理得到各电芯平滑电压Vsmooth,i(n),Vsmooth,i(n)通过下式计算得到:
其中,窗口长度l为正整数;
进一步求得电池组的平均电压Vnean(n),Vmean(n)通过下式计算得到:
可选地,步骤S2根据预设的分时区间长度将整个测量周期按照每P个数据划分为Q段,提取每段各电芯电压趋势信号Vtrend,i(n),Vtrend,i(n)通过下式计算得到:Vtrend,i(qP+m)=Vsmooth,i(qP+m)-Vmean(qP+m)-Vsmooth,i(qP+1)+Vmean(qP+1)(3)
其中,q=0,1,...,Q-1,m=1,2,...,P,上述Vtrend,i(qP+m)指代各电芯在第q+1段第m个电压值的电压趋势信号Vtrend,i(n);Vsmooth,i(qP+m)指代各电芯在第q+1段第m个平滑电压;Vsmooth,i(qP+1)指代各电芯在第q+1段第1个平滑电压;Vmean(qP+m)指代电池组所有电芯在第q+1段第m个电压值处的电池组平均电压;Vmean(qP+1)指代电池组所有电芯在第q+1段第1个初始电压处的电池组平均电压;如此,电压趋势信号Vtrend,i(n)便扣除了每一区间各电芯电压与平均电压之间的初始差异。
可选地,步骤S3根据步骤S2得到的电压趋势信号,对各电芯在各分时区间上的趋势信号Vtrend,i(n)分别采用最小二乘法线性回归得到各分段区间上的斜率ki(q),ki(q)通过下式计算得到:
可选地,步骤S4根据步骤S3所得各电芯在各分时区间上的斜率ki(q),分别计算电池组在各分时区间上的斜率平均值和标准差σ(q),然后获得判定阈值[S-(q),S+(q)],判定阈值[S-(q),S+(q)]通过下式计算得到:
可选地,若某一电芯的斜率在连续w个分时区间满足ki(q)<S-(q),判定该电芯相比电池组其他电芯自放电过大。
可选地,若某一电芯的斜率在连续w个分时区间满足ki(q)>S+(q),判定该电芯相比电池组其他电芯自放电过小。
另外,本发明还提供一种基于分时回归分布的锂离子电池组异常自放电诊断系统,包括输入模块、预处理模块、电压斜率提取模块、判定阈值获取模块、自放电异常诊断模块及输出模块;其中,
预处理模块获取输入模块及自放电异常诊断模块的数据,对输入模块的数据进行滤波平滑处理,以及若自放电异常诊断模块识别出无电芯自放电异常,直接计算电池组的平均电压;若自放电异常诊断模块识别出有电芯自放电异常,排除该电芯电压数据后,再计算剩余所有电芯的平均电压作为电池组平均电压;
电压斜率模块获取预处理模块的输出数据,首先进行数据分段并基于各电芯的平滑电压及电池组平均电压得到各分时区间上的电压趋势信号,然后进行线性回归得到各分时区间上的电压斜率;
判定阈值获取模块获取电压斜率模块的输出数据,基于各分时区间上的电压斜率分布得到自放电异常判定阈值;
自放电异常诊断模块获取判定阈值获取模块的输出数据,基于判定阈值判断各电芯自放电是否异常;
输出模块获取自放电异常诊断模块的输出数据,基于自放电异常诊断结果输出自放电异常的电芯或电池组自放电正常。
可选地,滤波平滑处理采用滑动平均滤波器,并能够根据需要调整滑动平均滤波器的滑动窗口长度。
可选地,线性回归采用最小二乘法进行线性回归得到分段区间上的电压斜率。
此外,本发明还提供一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行存储器中存储的计算机程序,且计算机程序被执行时,实现权利要求1-10中任意一项的方法。
优选地,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时,实现权利要求1-10中任意一项的方法。
本发明的优点和有益效果在于:相比传统以月计的自放电诊断的检测周期(≥30天),本发明提供了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,基于分时区间内各个电芯电压趋势信号的回归斜率,建立置信区间,对于连续偏出置信区间的电芯,则判定其自放电水平异常,实现以下技术效果:
1)检测周期大大缩短,仅在数小时内即可快速辨别出电池组内自放电较大的问题电芯,使电池组的自放电水平快速检测成为可能。
2)可识别定位电池组内的问题电芯,对电池组内自放电异常的电芯检出能力强,可提前发现异常自放电的电芯,防止由内部短路等潜在故障继续发展恶化,造成热失控等严重事故,提升电池组安全水平,有利于锂离子电池组长期稳定安全运行以及得到更广泛的应用。
3)通过调整分时区间的长度、持续超出阈值范围的分时区间个数和滤波器性能,可动态调整本发明的自放电诊断能力和精度。
4)由于锂电池组是一个复杂的电化学与电子系统,电池电压极易受温度的影响发生改变,温度变化导致的电压变化必然会叠加到电芯自放电的电压变化之上,两者混杂在一起会加大自放电诊断的难度,本发明提供的自放电诊断方法及系统通过区间分段然后提取分段区间内的电压趋势信号的斜率可抵消温度的影响,具备一定的温度鲁棒性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例的部分介绍,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示意性示出了一实施例中的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的步骤流程示意图;
图2示意性示出了一实施例中的一种基于分时回归分布的锂离子电池组异常自放电诊断系统的结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
在一实施例中,如图1所示,本发明提供了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,基于分时区间内各个电芯电压趋势信号的回归斜率,建立置信区间,对于连续偏出置信区间的电芯,则判定其自放电水平异常。其中,该锂离子电池组可以为以金属、塑料硬壳、铝塑复合膜软包等作为壳体的锂离子电池。去除电池外部的壳体和保护电路则为电芯,用于蓄电。该方法根据在较短时间比如数小时内的连续检测的电压变化趋势的回归斜率,可以辨别电池组内自放电问题较大的电芯,检测周期大大缩短,防止问题电芯继续恶化而引起严重事故。
在图1所示实施例中,本发明的基于分时回归分布的锂离子电池组异常自放电诊断方法具体包括以下步骤:
S1:对采集的电池组各电芯电压数据进行预处理,使用滤波算法对各电芯电压进行平滑处理,并根据各电芯电压求出电池组平均电压;该步骤通过常用电压检测方式获取检测的电芯电压数据,从而对每个电芯的系列电压数据进行后续处理;同时,计算平均电压时,还可以排除掉异常电芯电压来计算:若已获得之前无电芯自放电异常,直接计算电池组的平均电压;若已获得之前识别出有电芯自放电异常,排除该电芯电压数据后,再计算剩余所有电芯的平均电压作为电池组平均电压。具体可采用以下算法:
假设待诊断目标电池组一共包含N个电芯,每个电芯采集M个原始电压数据Vraw,i(n),其中M、N为自然数,i=1,2,...,N,n=1,2,...,M;
步骤S1中对各电芯电压进行平滑处理的滤波算法采用滑动平均滤波法,根据原始数据的抖动水平,通过滑动窗口长度l调整滑动平均滤波器平抑原始电压数据Vraw,i(n)波动的能力,经处理得到各电芯平滑电压Vsmoot,i(n),Vsmoot,i(n)通过下式(1)计算得到:
其中,窗口长度l为正整数,选取每个电芯其中的l个数据来获得平滑电压,抑制电压的大幅波动;
进一步求得电池组的平均电压Vmean(n),Vmean(n)通过下式(2)计算得到:
计算该电池组的平均电压Vmean(n)为汇总各电芯在第n个数据上的电压值得出的平均电压,即得出电池组在整个周期中的每个采集节点的平均电压。
S2:根据预设分时区间长度划分数据,并提取每个分时区间内各电芯的电压趋势信号;通过将平滑处理后的每个电芯的系列电压数据划分成多段,计算每个电芯每段数据中的电压变化趋势信号;具体可采用以下算法:
根据预设的分时区间长度将整个测量周期按照每P个数据划分为1段总共Q段,提取每段各电芯电压趋势信号Vtrend,i(n),Vtrend,i(n)通过下式(3)计算得到:Vtrend,i(qP+m)=Vsmooth,i(qP+m)-Vmean(qP+m)-Vsmooth,i(qP+1)+Vmean(qP+1)(3)
其中,q=0,1,...,Q-1,m=1,2,...,P,上述Vtrend,i(qP+m)指代各电芯在第q+1段第m个电压值之间的电压趋势信号Vtrend,i(n);Vsmooth,i(qP+m)指代各电芯在第q+1段第m个平滑电压;Vsmooth,i(qP+1)指代各电芯在第q+1段第1个初始平滑电压;Vmean(qP+m)指代电池组所有电芯在第q+1段第m个电压值处的电池组平均电压;Vmean(qP+1)指代电池组所有电芯在第q+1段第1个初始电压处的电池组平均电压。因此,电压趋势信号Vtrend,i(n)扣除了每一区间各电芯电压与平均电压之间的初始差异。例如,计算第1段区间的各电芯电压趋势信号Vtrend,i(n)时,q取值为0;计算第2段区间的各电芯电压趋势信号Vtrend,i(n)时,q取值为1,以此类推计算出各段区间的各电芯电压趋势信号。
S3:对每个分时区间上各电芯的电压趋势信号进行线性回归,得到该区间上各电芯电压趋势信号的斜率;进一步对步骤S2得出的电压趋势信号拟合优化处理,获得误差较小的拟合斜率值。
其中,步骤S3根据步骤S2得到的电压趋势信号,对各电芯在各分时区间上的趋势信号Vtrend,i(n)分别采用最小二乘法线性回归拟合得到各分段区间上的斜率ki(q),ki(q)通过下式(4)计算得到:
S4:根据所得各电芯在各分时区间上的斜率分布,计算斜率期望和标准差,得到判定阈值;由于每个区间的电压信号斜率值存在波动,不是完全相同的,而微小的波动是正常的,所以需要采取一定的阈值来划分正常和不正常的电压变化斜率;可选地,采用以下算法得到判定阈值:
根据步骤S3所得各电芯在各分时区间上的斜率ki(q),分别计算电池组在各分时区间上的斜率平均值和标准差σ(q),然后获得判定阈值[S-(q),S+(q)]即置信区间,判定阈值[S-(q),S+(q)]通过下式(5)计算得到:
S5:如果有回归斜率连续落在判定阈值之外的电芯,即判断该电芯自放电异常,否则判定电池组各电芯自放电水平正常。采用该判定方法,能够快速判定出有异常自放电的电芯。在一实施例中,步骤5)进行异常电芯识别判定,若某一电芯的回归斜率ki(q)在连续w个分时区间超出阈值范围,即判定该电芯自放电异常,否则判定电池组各电芯自放电水平正常;其中w的大小根据灵敏度要求设定,w为自然数。
在一实施例中,还包括步骤S6:若诊断出异常自放电的电芯,排除该电芯重复步骤S1~S5,直至判定剩余电芯自放电水平正常,以找出全部异常自放电的电芯。
在一实施例中,若某一电芯的斜率在连续w个分时区间满足ki(q)<S-(q),判定该电芯相比电池组其他电芯自放电过大,可以得出异常电芯中自放电过大的具体情况。
在一实施例中,若某一电芯的斜率在连续w个分时区间满足ki(q)>S+(q),判定该电芯相比电池组其他电芯自放电过小,可以得出异常电芯中自放电过小的具体情况。
通过上述步骤完成自放电异常识别后,输出诊断结果给用户。
另外,在一实施例中,本发明还提供一种基于分时回归分布的锂离子电池组异常自放电诊断系统,该系统能够根据在较短时间比如数小时内的连续检测的电压变化趋势的回归斜率,建立置信区间,对于连续偏出置信区间的电芯,则判定其自放电水平异常,可以辨别电池组内自放电问题较大的电芯,检测周期大大缩短,防止问题电芯继续恶化而引起严重事故。其中,该锂离子电池组可以为以金属、塑料硬壳、铝塑复合膜软包等作为壳体的锂离子电池。去除电池外部的壳体和保护电路则为电芯,用于蓄电。
在一实施例中,如图2所示,该系统包括输入模块101、预处理模块102、电压斜率提取模块103、判定阈值获取模块104、自放电异常诊断模块105及输出模块106;其中,
预处理模块102获取输入模块101及自放电异常诊断模块105的数据,对输入模块101的数据进行滤波平滑处理,以及若自放电异常诊断模块105识别出无电芯自放电异常,直接计算电池组的平均电压;若自放电异常诊断模块105识别出有电芯自放电异常,排除该电芯电压数据后,再计算剩余所有电芯的平均电压作为电池组平均电压;
电压斜率模块103获取预处理模块102的输出数据,首先进行数据分段并基于各电芯的平滑电压及电池组平均电压得到各分时区间上的电压趋势信号,然后进行线性回归得到各分时区间上的电压斜率;
判定阈值获取模块104获取电压斜率模块103的输出数据,基于各分时区间上的电压斜率分布得到自放电异常判定阈值;
自放电异常诊断模块105获取判定阈值获取模块104的输出数据,基于判定阈值判断各电芯自放电是否异常;
输出模块106获取自放电异常诊断模块105的输出数据,基于自放电异常诊断结果输出自放电异常的电芯或电池组自放电正常。输出模块106用于向客户显示电芯异常数据和/或发出提示声音。根据实际需要,输出模块可以为显示器,比如安装在电子产品或者车辆的显示屏或仪表盘。
在一实施例中,如图2所示,预处理模块102的输入端连接输入模块101及自放电异常诊断模块106的输出端,预处理模块102的输出端连接电压斜率模块103的输入端,电压斜率模块103的输出端连接判定阈值获取模块104的输入端,判定阈值获取模块104的输出端连接自放电异常诊断模块105的输入端,自放电异常诊断模块106的输出端连接输出模块106以及预处理模块102。
在一实施例中,滤波平滑处理可采用滑动平均滤波器,并可根据需要调整滑动平均滤波器的滑动窗口长度。
在一实施例中,线性回归可采用最小二乘法进行线性回归得到分段区间上的电压斜率。
本发明的该系统具体运行过程包括如下步骤:
S1:预处理模块102对输入模块101采集的电池组各电芯电压数据进行预处理,使用滤波算法对各电芯电压进行平滑处理,并根据各电芯电压求出电池组平均电压;该步骤通过常用电压检测方式获取检测的电芯电压数据,从而对每个电芯的系列电压数据进行后续处理。在一实施例中,预处理模块102还获取自放电异常诊断模块105的数据,若自放电异常诊断模块105识别出无电芯自放电异常,则直接计算电池组的平均电压;若自放电异常诊断模块105识别出有电芯自放电异常,排除该电芯电压数据后,再计算剩余所有电芯的平均电压作为电池组平均电压。
具体可采用以下算法:
假设待诊断目标电池组一共包含N个电芯,每个电芯采集M个原始电压数据Vraw,i(n),其中M、N为自然数,i=1,2,...,N,n=1,2,...,M;
步骤S1中对各电芯电压进行平滑处理的滤波算法采用滑动平均滤波法,根据原始数据的抖动水平,通过滑动窗口长度l调整滑动平均滤波器平抑原始电压数据Vraw,i(n)波动的能力,经处理得到各电芯平滑电压Vsmooth,i(n),Vsmooth,i(n)通过下式(1)计算得到:
其中,窗口长度l为正整数,选取每个电芯其中的l个数据来获得平滑电压,抑制电压的大幅波动;
进一步求得电池组的平均电压Vmean(n),Vmean(n)通过下式(2)计算得到:
计算该电池组的平均电压Vmean(n)为汇总各电芯在第n个数据上的电压值得出的平均电压,即得出电池组在整个周期中的每个采集节点的平均电压。
S2:电压斜率模块103获取预处理模块102的输出数据,根据预设分时区间长度划分数据,并提取每个分时区间内各电芯的电压趋势信号;通过将平滑处理后的每个电芯的系列电压数据划分成多段,计算每个电芯每段数据中的电压变化趋势信号;具体可采用以下算法:
根据预设的分时区间长度将整个测量周期按照每P个数据划分为1段总共Q段,提取每段各电芯电压趋势信号Vtrend,i(n),Vtrend,i(n)通过下式(3)计算得到:
Vtrend,i(qP+m)=Vsmooth,i(qP+m)-Vmean(qP+m)-Vsmooth,i(qP+1)+Vmean(qP+1) (3)
其中,q=0,1,...,Q-1,m=1,2,...,P,上述Vtrend,i(qP+m)指代各电芯在第q+1段第m个电压值的电压趋势信号Vtrend,i(n);Vsmooth,i(qP+m)指代各电芯在第q+1段第m个平滑电压;Vsmooth,i(qP+1)指代各电芯在第q+1段第1个初始平滑电压;Vmean(qP+m)指代电池组所有电芯在第q+1段第m个电压值处的电池组平均电压;Vmean(qP+1)指代电池组所有电芯在第q+1段第1个初始电压处的电池组平均电压。因此,电压趋势信号Vtrend,i(n)扣除了每一区间各电芯电压与平均电压之间的初始差异。
S3:电压斜率模块103对每个分时区间上各电芯的电压趋势信号进行线性回归,得到该区间上各电芯电压趋势信号的斜率;进一步对步骤S2得出的电压趋势信号优化处理,获得较小误差的斜率值。
其中,步骤S3根据步骤S2得到的电压趋势信号,对各电芯在各分时区间上的趋势信号Vtrend,i(n)分别采用最小二乘法线性回归得到各分段区间上的斜率ki(q),ki(q)通过下式(4)计算得到:
S4:判定阈值获取模块104获取电压斜率模块103的输出数据,根据所得各电芯在各分时区间上的斜率分布,计算斜率期望和标准差,得到判定阈值;由于每个区间的电压信号斜率值存在波动,不是完全相同的,而微小的波动是正常的,所以需要采取一定的阈值来划分正常和不正常的电压变化斜率;可选地,采用以下算法得到判定阈值:
根据步骤S3所得各电芯在各分时区间上的斜率ki(q),分别计算电池组在各分时区间上的斜率平均值和标准差σ(q),然后获得判定阈值[S-(q),S+(q)],判定阈值[S-(q),S+(q)]通过下式(5)计算得到:
S5:自放电异常诊断模块105获取判定阈值获取模块104的输出数据,如果有回归斜率连续落在判定阈值之外的电芯,即判断该电芯自放电异常,否则判定电池组各电芯自放电水平正常。采用该判定方法,能够快速判定出有异常自放电的电芯。在一实施例中,步骤S5进行异常电芯识别判定,若某一电芯的回归斜率ki(q)在连续w个分时区间超出阈值范围,即判定该电芯自放电异常,否则判定电池组各电芯自放电水平正常;其中w的大小根据灵敏度要求设定,w为自然数。输出模块106获取自放电异常诊断模块105的输出数据,基于自放电异常诊断结果输出自放电异常的电芯或电池组自放电正常。
在一实施例中,该系统还运行步骤S6:若诊断出异常自放电的电芯,排除该电芯重复步骤S1~S5,直至判定剩余电芯自放电水平正常,以找出全部异常自放电的电芯。
在一实施例中,若某一电芯的斜率在连续w个分时区间满足ki(q)<S-(q),自放电异常诊断模块105判定该电芯相比电池组其他电芯自放电过大,可以得出异常电芯中自放电过大的具体情况。
在一实施例中,若某一电芯的斜率在连续w个分时区间满足ki(q)>S+(q),自放电异常诊断模块105判定该电芯相比电池组其他电芯自放电过小,可以得出异常电芯中自放电过小的具体情况。
此外,在一实施例中,本发明还提供一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行存储器中存储的计算机程序,且计算机程序被执行时,实现上述步骤S1-S6中的方法。
该实施例电子设备可以是集成电路板,PC(Personal Computer,个人计算机),也可以是便携计算机或者其他带有处理器的显示设备。
存储器可以包括易失性存储器形式的计算机系统可读介质,例如,随机存取存储器(RAM)4021和/或高速缓存存储器。处理器通过运行存储在存储器中的计算机程序,从而执行各种功能应用以及数据处理,具体而言,处理器可以执行存储器中存储的计算机程序,且该计算机程序被执行时,下述指令被运行:
S1:对采集的电池组各电芯电压数据进行预处理,使用滤波算法对各电芯电压进行平滑处理,并根据各电芯电压求出电池组平均电压;
S2:根据预设分时区间长度划分数据,并提取每个分时区间内各电芯的电压趋势信号;
S3:对每个分时区间上各电芯的电压趋势信号进行线性回归,得到该区间上各电芯电压趋势信号的斜率;
S4:根据所得各电芯在各分时区间上的斜率分布,计算斜率期望和标准差,得到判定阈值;
S5:如果有回归斜率连续落在判定阈值之外的电芯,即判断该电芯自放电异常,否则判定电池组各电芯自放电水平正常。
在一实施例中,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时,实现上述步骤S1-S5或S1-S6中的方法;至少包括以下步骤的运行程序:
S1:对采集的电池组各电芯电压数据进行预处理,使用滤波算法对各电芯电压进行平滑处理,并根据各电芯电压求出电池组平均电压;
S2:根据预设分时区间长度划分数据,并提取每个分时区间内各电芯的电压趋势信号;
S3:对每个分时区间上各电芯的电压趋势信号进行线性回归,得到该区间上各电芯电压趋势信号的斜率;
S4:根据所得各电芯在各分时区间上的斜率分布,计算斜率期望和标准差,得到判定阈值;
S5:如果有回归斜率连续落在判定阈值之外的电芯,即判断该电芯自放电异常,否则判定电池组各电芯自放电水平正常。
进一步地,计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
此外,尽管在附图中以特定顺序描述了本发明方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
虽然已经参考上述具体实施方式描述了本发明的精神和原理,但是应该理解,本发明并不限于所公开的具体实施方式,对各方面的划分也不意味着这些方面中的特征不能组合以进行受益,这种划分仅是为了表述的方便。本发明旨在涵盖所附权利要求的精神和范围内所包括的各种修改和等同布置。
Claims (15)
1.一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,其特征在于,基于分时区间内各个电芯电压趋势信号的回归斜率,建立置信区间,对于连续偏出置信区间的电芯,则判定其自放电水平异常。
2.根据权利要求1所述的基于分时回归分布的锂离子电池组异常自放电诊断方法,其特征在于,包括以下步骤:
S1:对采集的电池组各电芯电压数据进行预处理,使用滤波算法对各电芯电压进行平滑处理,并根据各电芯电压求出电池组平均电压;
S2:根据预设分时区间长度划分数据,并提取每个分时区间内各电芯的电压趋势信号;
S3:对每个分时区间上各电芯的电压趋势信号进行线性回归,得到该区间上各电芯电压趋势信号的斜率;
S4:根据所得各电芯在各分时区间上的斜率分布,计算斜率期望和标准差,得到判定阈值;
S5:如果有回归斜率连续落在判定阈值之外的电芯,即判断该电芯自放电异常,否则判定电池组各电芯自放电水平正常。
3.根据权利要求2所述的基于分时回归分布的锂离子电池组异常自放电诊断方法,其特征在于,还包括步骤S6:若诊断出异常自放电的电芯,排除该电芯重复步骤S1~S5,直至判定剩余电芯自放电水平正常,以找出全部异常自放电的电芯。
4.根据权利要求2所述的基于分时回归分布的锂离子电池组异常自放电诊断方法,其特征在于,假设待诊断目标电池组一共包含N个电芯,每个电芯采集M个原始电压数据Vraw,i(n),其中M、N为自然数,i=1,2,...,N,n=1,2,...,M;
步骤S1中对各电芯电压进行平滑处理的滤波算法采用滑动平均滤波法,根据原始数据的抖动水平,通过滑动窗口长度l调整滑动平均滤波器平抑原始电压数据Vraw,i(n)波动的能力,经处理得到各电芯平滑电压Vsmooth,i(n),Vsmooth,i(n)通过下式计算得到:
其中,窗口长度l为正整数;
进一步求得电池组的平均电压Vmean(n),Vmean(n)通过下式计算得到:
5.根据权利要求2所述的基于分时回归分布的锂离子电池组异常自放电诊断方法,其特征在于,所述步骤S2根据预设的分时区间长度将整个测量周期按照每P个数据划分为Q段,提取每段各电芯电压趋势信号Vtrend,i(n),Vtrend,i(n)通过下式计算得到:
Vtrend,i(qP+m)=Vsmooth,i(qP+m)-Vmean(qP+m)-Vsmooth,i(qP+1)+Vmean(qP+1) (3)
其中,q=0,1,...,Q-1,m=1,2,...,P,上述Vtrend,i(qP+m)指代各电芯在第q+1段第m个电压值的电压趋势信号Vtrend,i(n);Vsmooth,i(qP+m)指代各电芯在第q+1段第m个平滑电压;smooth,i(qP+1)指代各电芯在第q+1段第1个平滑电压;Vmean(qP+m)指代电池组所有电芯在第q+1段第m个电压值处的电池组平均电压;Vmean(qP+1)指代电池组所有电芯在第q+1段第1个初始电压处的电池组平均电压;电压趋势信号Vtrend,i(n)扣除了每一区间各电芯电压与平均电压之间的初始差异。
9.根据权利要求8所述的基于分时回归分布的锂离子电池组异常自放电诊断方法,其特征在于,若某一电芯的斜率在连续w个分时区间满足ki(q)<S-(q),判定该电芯相比电池组其他电芯自放电过大。
10.根据权利要求8所述的基于分时回归分布的锂离子电池组异常自放电诊断方法,其特征在于,若某一电芯的斜率在连续w个分时区间满足ki(q)>S+(q),判定该电芯相比电池组其他电芯自放电过小。
11.一种基于分时回归分布的锂离子电池组异常自放电诊断系统,其特征在于,包括输入模块、预处理模块、电压斜率提取模块、判定阈值获取模块、自放电异常诊断模块及输出模块;其中,
所述预处理模块获取输入模块及自放电异常诊断模块的数据,对输入模块的数据进行滤波平滑处理,以及若自放电异常诊断模块识别出无电芯自放电异常,直接计算电池组的平均电压;若自放电异常诊断模块识别出有电芯自放电异常,排除该电芯电压数据后,再计算剩余所有电芯的平均电压作为电池组平均电压;
所述电压斜率模块获取预处理模块的输出数据,首先进行数据分段并基于各电芯的平滑电压及电池组平均电压得到各分时区间上的电压趋势信号,然后进行线性回归得到各分时区间上的电压斜率;
所述判定阈值获取模块获取电压斜率模块的输出数据,基于各分时区间上的电压斜率分布得到自放电异常判定阈值;
所述自放电异常诊断模块获取判定阈值获取模块的输出数据,基于判定阈值判断各电芯自放电是否异常;
所述输出模块获取自放电异常诊断模块的输出数据,基于自放电异常诊断结果输出自放电异常的电芯或电池组自放电正常。
12.根据权利要求11所述的基于分时回归分布的锂离子电池组异常自放电诊断系统,其特征在于,所述滤波平滑处理采用滑动平均滤波器,并能够根据需要调整滑动平均滤波器的滑动窗口长度。
13.根据权利要求11所述的基于分时回归分布的锂离子电池组异常自放电诊断系统,其特征在于,所述线性回归采用最小二乘法进行线性回归得到分段区间上的电压斜率。
14.一种电子设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述存储器中存储的所述计算机程序,且所述计算机程序被执行时,实现权利要求1-10中任意一项所述的方法。
15.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现权利要求1-10中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110279137.5A CN113219361B (zh) | 2021-03-16 | 2021-03-16 | 一种锂离子电池组异常自放电诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110279137.5A CN113219361B (zh) | 2021-03-16 | 2021-03-16 | 一种锂离子电池组异常自放电诊断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113219361A true CN113219361A (zh) | 2021-08-06 |
CN113219361B CN113219361B (zh) | 2024-02-27 |
Family
ID=77084901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110279137.5A Active CN113219361B (zh) | 2021-03-16 | 2021-03-16 | 一种锂离子电池组异常自放电诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113219361B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113985287A (zh) * | 2021-10-19 | 2022-01-28 | 安徽明德源能科技有限责任公司 | 一种电芯安全识别方法及装置 |
CN114043901A (zh) * | 2021-11-09 | 2022-02-15 | 上海平野环保科技有限公司 | 一种锂电池使用的保护方法及锂电池 |
CN114460470A (zh) * | 2022-01-26 | 2022-05-10 | 上海玫克生智能科技有限公司 | 基于电压的电池组状态分析方法、系统及终端 |
CN114563718A (zh) * | 2022-04-26 | 2022-05-31 | 湖北工业大学 | 一种动力电池系统故障诊断方法及装置 |
CN115061051A (zh) * | 2022-06-10 | 2022-09-16 | 重庆金康赛力斯新能源汽车设计院有限公司 | 一种电池电压异常的识别方法、装置、计算机设备和介质 |
CN115561658A (zh) * | 2022-11-30 | 2023-01-03 | 深圳联友科技有限公司 | 一种基于数据切片的动力电池异常电芯监测方法 |
DE102022207311A1 (de) | 2022-07-18 | 2024-01-18 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Erkennen eines Selbstentladungsfehlers einer Gerätebatterie sowie zum Ermitteln einer Kritikalität eines erkannten Selbstentladungsfehlers |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002246073A (ja) * | 2001-02-20 | 2002-08-30 | Nissan Motor Co Ltd | 組電池の異常検出装置 |
US20120086399A1 (en) * | 2010-10-12 | 2012-04-12 | Samsung Sdi Co., Ltd. | Battery pack, method of controlling the same, and energy storage system including the battery pack |
US20140100711A1 (en) * | 2012-10-10 | 2014-04-10 | GM Global Technology Operations LLC | Vehicle battery pack cell voltage determination |
US20160169978A1 (en) * | 2013-08-30 | 2016-06-16 | Ngk Insulators, Ltd. | Device, method, and non-transitory recording medium storing program for specifying abnormality-occurrence area of secondary battery system |
US20170170668A1 (en) * | 2015-12-15 | 2017-06-15 | Yokogawa Electric Corporation | Power storage service system |
CN107607881A (zh) * | 2017-09-20 | 2018-01-19 | 中国检验检疫科学研究院 | 一种锂离子动力电池自放电一致性的评价方法 |
CN108508365A (zh) * | 2017-04-16 | 2018-09-07 | 万向二三股份公司 | 一种锂离子电池自放电筛选方法 |
US20200081069A1 (en) * | 2017-11-13 | 2020-03-12 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Terminal Device, Method for Monitoring Battery Safety Therefor |
KR20200050899A (ko) * | 2018-11-02 | 2020-05-12 | 주식회사 엘지화학 | 배터리 진단 장치 |
CN111146514A (zh) * | 2019-12-19 | 2020-05-12 | 上海派能能源科技股份有限公司 | 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 |
CN111157911A (zh) * | 2019-12-30 | 2020-05-15 | 北京四维智联科技有限公司 | 一种电池包压差过大的预测方法、装置及设备 |
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 |
CN111999656A (zh) * | 2020-08-28 | 2020-11-27 | 广州小鹏汽车科技有限公司 | 车辆电池内短路的检测方法、检测装置和电子设备 |
US20200391610A1 (en) * | 2019-06-14 | 2020-12-17 | Hyundai Motor Company | Vehicle battery diagnosis apparatus, battery diagnosis method thereof, and vehicle including vehicle battery diagnosis apparatus |
CN112327167A (zh) * | 2020-10-21 | 2021-02-05 | 北京航空航天大学 | 一种电池容量跳水风险评估方法及系统 |
CN112379285A (zh) * | 2020-10-30 | 2021-02-19 | 合肥国轩高科动力能源有限公司 | 一种电池包自放电筛选方法 |
-
2021
- 2021-03-16 CN CN202110279137.5A patent/CN113219361B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002246073A (ja) * | 2001-02-20 | 2002-08-30 | Nissan Motor Co Ltd | 組電池の異常検出装置 |
US20120086399A1 (en) * | 2010-10-12 | 2012-04-12 | Samsung Sdi Co., Ltd. | Battery pack, method of controlling the same, and energy storage system including the battery pack |
US20140100711A1 (en) * | 2012-10-10 | 2014-04-10 | GM Global Technology Operations LLC | Vehicle battery pack cell voltage determination |
US20160169978A1 (en) * | 2013-08-30 | 2016-06-16 | Ngk Insulators, Ltd. | Device, method, and non-transitory recording medium storing program for specifying abnormality-occurrence area of secondary battery system |
US20170170668A1 (en) * | 2015-12-15 | 2017-06-15 | Yokogawa Electric Corporation | Power storage service system |
CN108508365A (zh) * | 2017-04-16 | 2018-09-07 | 万向二三股份公司 | 一种锂离子电池自放电筛选方法 |
CN107607881A (zh) * | 2017-09-20 | 2018-01-19 | 中国检验检疫科学研究院 | 一种锂离子动力电池自放电一致性的评价方法 |
US20200081069A1 (en) * | 2017-11-13 | 2020-03-12 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Terminal Device, Method for Monitoring Battery Safety Therefor |
KR20200050899A (ko) * | 2018-11-02 | 2020-05-12 | 주식회사 엘지화학 | 배터리 진단 장치 |
US20200391610A1 (en) * | 2019-06-14 | 2020-12-17 | Hyundai Motor Company | Vehicle battery diagnosis apparatus, battery diagnosis method thereof, and vehicle including vehicle battery diagnosis apparatus |
CN111146514A (zh) * | 2019-12-19 | 2020-05-12 | 上海派能能源科技股份有限公司 | 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 |
CN111157911A (zh) * | 2019-12-30 | 2020-05-15 | 北京四维智联科技有限公司 | 一种电池包压差过大的预测方法、装置及设备 |
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 |
CN111999656A (zh) * | 2020-08-28 | 2020-11-27 | 广州小鹏汽车科技有限公司 | 车辆电池内短路的检测方法、检测装置和电子设备 |
CN112327167A (zh) * | 2020-10-21 | 2021-02-05 | 北京航空航天大学 | 一种电池容量跳水风险评估方法及系统 |
CN112379285A (zh) * | 2020-10-30 | 2021-02-19 | 合肥国轩高科动力能源有限公司 | 一种电池包自放电筛选方法 |
Non-Patent Citations (2)
Title |
---|
TAESIC KIM; WEI QIAO; LIYAN QU: "A series-connected self-reconfigurable multicell battery capable of safe and effective charging/discharging and balancing operations", 2012 TWENTY-SEVENTH ANNUAL IEEE APPLIED POWER ELECTRONICS CONFERENCE AND EXPOSITION (APEC), 31 March 2012 (2012-03-31) * |
王炜娜;郑见杰;: "电池自放电异常影响因素分析", 电源技术, vol. 1, no. 12, pages 110 - 111 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113985287A (zh) * | 2021-10-19 | 2022-01-28 | 安徽明德源能科技有限责任公司 | 一种电芯安全识别方法及装置 |
CN114043901A (zh) * | 2021-11-09 | 2022-02-15 | 上海平野环保科技有限公司 | 一种锂电池使用的保护方法及锂电池 |
CN114043901B (zh) * | 2021-11-09 | 2024-01-09 | 上海平野环保科技有限公司 | 一种锂电池使用的保护方法及锂电池 |
CN114460470A (zh) * | 2022-01-26 | 2022-05-10 | 上海玫克生智能科技有限公司 | 基于电压的电池组状态分析方法、系统及终端 |
CN114563718A (zh) * | 2022-04-26 | 2022-05-31 | 湖北工业大学 | 一种动力电池系统故障诊断方法及装置 |
CN115061051A (zh) * | 2022-06-10 | 2022-09-16 | 重庆金康赛力斯新能源汽车设计院有限公司 | 一种电池电压异常的识别方法、装置、计算机设备和介质 |
CN115061051B (zh) * | 2022-06-10 | 2024-06-07 | 重庆赛力斯新能源汽车设计院有限公司 | 一种电池电压异常的识别方法、装置、计算机设备和介质 |
DE102022207311A1 (de) | 2022-07-18 | 2024-01-18 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Erkennen eines Selbstentladungsfehlers einer Gerätebatterie sowie zum Ermitteln einer Kritikalität eines erkannten Selbstentladungsfehlers |
CN115561658A (zh) * | 2022-11-30 | 2023-01-03 | 深圳联友科技有限公司 | 一种基于数据切片的动力电池异常电芯监测方法 |
CN115561658B (zh) * | 2022-11-30 | 2023-02-28 | 深圳联友科技有限公司 | 一种基于数据切片的动力电池异常电芯监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113219361B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113219361A (zh) | 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 | |
EP3745151B1 (en) | Method and apparatus for correcting soc, battery management system and storage medium | |
EP3742181B1 (en) | Method and apparatus for correcting soc, battery management system and storage medium | |
JP7164217B2 (ja) | モバイル・デバイスに対するバッテリ健全性を緩和電圧に基づいて推定する方法 | |
US20230204674A1 (en) | Method and device for determining available capacity of battery, management system, and storage medium | |
JP2004150439A (ja) | 故障事象を判定する方法 | |
CN113625181B (zh) | 换电站内电池系统性能检测方法、电子设备及存储介质 | |
CN112180273B (zh) | 车辆电池诊断装置及其电池诊断方法,和包含车辆电池诊断装置的车辆 | |
US20050114065A1 (en) | Test system, test method and test program for an integrated circuit by IDDQ testing | |
EP3940404B1 (en) | Battery resistance diagnosis device and method | |
CN115079020A (zh) | 电池故障检测方法、系统、装置存储介质以及车辆 | |
CN112858924A (zh) | 动力电池剩余能量估算方法、装置、车辆及存储介质 | |
CN115327417A (zh) | 一种动力电池单体异常的预警方法、系统及电子设备 | |
US20130268217A1 (en) | Method and apparatus for detecting abnormality of a capacitor | |
CN112485695A (zh) | 动力电池的检测方法及装置 | |
CN113820615B (zh) | 一种电池健康度检测方法与装置 | |
CN108957347B (zh) | 一种电池组soc的高精度动态估计方法和系统 | |
CN108693473A (zh) | 电池健康状态soh的检测方法及装置 | |
CN116953556B (zh) | 多变量冗余故障电池在线检测的方法、系统、介质和设备 | |
CN113900035A (zh) | 电池检测方法、装置、设备及存储介质 | |
CN113447821A (zh) | 评估电池荷电状态的方法 | |
JP3944904B2 (ja) | 蓄電池寿命診断装置および寿命診断方法 | |
CN115684975A (zh) | 一种基于均衡电量量化电池微短路的方法及系统 | |
CN112394290A (zh) | 电池包soh的估算方法、装置、计算机设备和存储介质 | |
EP4287451A1 (en) | Information processing device, information processing method, information processing system, and computer program |
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 |