CN113419176A - 锂电池组状态检测方法、装置、存储介质及系统 - Google Patents

锂电池组状态检测方法、装置、存储介质及系统 Download PDF

Info

Publication number
CN113419176A
CN113419176A CN202110651257.3A CN202110651257A CN113419176A CN 113419176 A CN113419176 A CN 113419176A CN 202110651257 A CN202110651257 A CN 202110651257A CN 113419176 A CN113419176 A CN 113419176A
Authority
CN
China
Prior art keywords
data
ultrasonic
batteries
row
fusion
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
Application number
CN202110651257.3A
Other languages
English (en)
Other versions
CN113419176B (zh
Inventor
蔡志端
江浩业
晏仁健
潘天乐
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.)
Huzhou University
Original Assignee
Huzhou University
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 Huzhou University filed Critical Huzhou University
Priority to CN202110651257.3A priority Critical patent/CN113419176B/zh
Publication of CN113419176A publication Critical patent/CN113419176A/zh
Application granted granted Critical
Publication of CN113419176B publication Critical patent/CN113419176B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G01R31/367—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]
    • G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种锂电池组状态检测方法，通过获取锂电池组中每行电池第一方向第一预设位置和第二方向第二预设位置的超声波数据分别进行同类数据融合，得到每行电池第一方向上的第一超声波数据和第二方向上的第二超声波数据；根据第一超声波数据和第二超声波数据进行同类数据融合，得到每行电池的第三超声波数据；获取每行电池各单体电池的电压进行同类数据融合，得到每行电池电压；根据第三超声波数据和每行电池电压进行异类数据融合，得到每行电池状态数据；根据每行电池状态数据进行同类数据融合，得到锂电池组状态数据。本发明还公开了一种锂电池组状态检测装置、可读存储介质及系统。本方法实现了应用超声波技术评估锂电池组整体性能状态。

Description

锂电池组状态检测方法、装置、存储介质及系统
技术领域
本发明涉及电池技术领域，尤其涉及一种锂电池组状态检测方法、装置、计算机可读存储介质及系统。
背景技术
节能环保的电动汽车是汽车行业发展的一个方向，也是许多国家的未来发展战略。动力锂电池作为电动汽车的储能元件和供电电源，在电动汽车中具有核心作用。由于单块锂电池的电压较低、能量有限，在大功率应用领域中，一般通过将多个单体电池串并联组成电池组，以满足电动汽车所需的电压和功率要求，如果电池组性能状态监测不准确，可能会导致整个电池组发生过充、过放、热失控等异常事故，因此，对电池组进行监测管理，确保其安全、稳定、可靠运行是非常重要的环节。
利用材料的声学性能差异对超声波传播波形反射情况和穿透时间的能量变化可以检验材料内部状态，因此，可以利用超声波对待测工件进行穿透检测，直接表征工件内部的状态，并且超声波检测具有方便跨界、无损的优点。基于超声波检测技术的特性，超声波检测技术已应用于对电池性能状态的检测上，但目前已有的电池超声波检测技术是针对单体电池，而且是单体软包电池，没有应用于对电池成组后的电池组进行整体性能状态检测。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明主要目的在于提供一种锂电池组状态检测方法、装置、计算机可读存储介质及系统，旨在解决现有技术无法对电池组进行整体性能状态检测的问题。
为实现上述目的，本发明提供一种锂电池组状态检测方法、装置、计算机可读存储介质及系统，所述锂电池组状态检测方法包括以下步骤：
获取所述锂电池组中每行电池第一方向第一预设位置的超声波数据，根据所述第一预设位置的超声波数据通过同类融合算法进行数据融合，得到每行电池第一方向上的第一超声波数据；
获取所述锂电池组中每行电池第二方向第二预设位置的超声波数据，根据所述第二预设位置的超声波数据通过同类融合算法进行数据融合，得到每行电池第二方向上的第二超声波数据；
根据所述第一超声波数据和第二超声波数据通过同类融合算法进行数据融合，得到每行电池的第三超声波数据；
获取所述锂电池组中每行电池各单体电池的电压，并根据所述单体电池的电压通过同类融合算法进行数据融合，得到每行电池电压；
根据所述第三超声波数据和每行电池电压进行异类数据融合，得到每行电池状态数据；
根据所述每行电池状态数据通过同类融合算法进行数据融合，得到锂电池组状态数据。
可选地，所述获取所述锂电池组中每行电池第一方向第一预设位置的超声波数据，根据所述第一预设位置的超声波数据通过同类融合算法进行数据融合，得到每行电池第一方向上的第一超声波数据的步骤包括：
获取所述锂电池每行电池中各单体电池第一方向上多个第三预设位置的超声波数据；
根据各单体电池第一方向第三预设位置相同的超声波数据分别通过同类融合算法进行数据融合，得到每行电池对应位置的超声波数据；
根据所述每行电池对应位置的超声波数据通过同类融合算法进行数据融合，得到每行电池第一方向上的超声波数据。
可选地，所述通过同类融合算法进行数据融合的步骤包括：
对同类数据的各个数据赋予加权因子后进行求和，计算得到融合值；
其中，若所述同类数据为每行电池第一方向第一预设位置的超声波数据时，则所述融合值为每行电池第一方向上的第一超声波数据；
若所述同类数据为每行电池第二方向第二预设位置的超声波数据时，则所述融合值为每行电池第二方向上的第二超声波数据；
若所述同类数据为所述第一超声波数据和第二超声波数据时，则所述融合值为每行电池的第三超声波数据；
若所述同类数据为每行电池各单体电池的电压时，则所述融合值为每行电池电压；
若所述同类数据为所述每行电池状态数据时，则所述融合值为锂电池组状态数据；
若所述同类数据为各单体电池第一方向位置相同的超声波数据时，则所述融合值为每行电池对应位置的超声波数据；
若所述同类数据为每行电池对应位置的超声波数据时，则所述融合值为每行电池第一方向上的超声波数据。
可选地，所述对同类数据的各个数据赋予加权因子后进行求和，计算得到同类数据的融合值的步骤包括：
对同类数据p的各个数据赋予加权因子后进行求和，得到同类数据p的融合值公式
Figure BDA0003110818010000031
其中，
Figure BDA0003110818010000032
为同类数据p的融合值，api为同类数据p的第i个数据，wpi为同类数据p第i个数据对应的加权因子，np为同类数据p的数据个数，
Figure BDA0003110818010000033
通过自适应加权融合算法求解所述融合值公式，计算得到同类数据p各个数据对应的加权因子计算值wpi；
根据所述加权因子计算值wpi代入所述融合值公式，计算得到同类数据p的融合值
Figure BDA0003110818010000034
可选地，所述根据所述第三超声波数据和每行电池电压进行异类数据融合，得到每行电池状态数据的步骤包括：
根据所述第三超声波数据和每行电池电压，通过BP神经网络进行异类数据融合，计算得到每行电池状态数据：
ok＝f(netk),k＝1,2,3,...,l
Figure BDA0003110818010000035
yj＝f(netj),j＝1,2,3,...,m
Figure BDA0003110818010000036
其中，xi为输入层每行电池超声波数据、每行电池电压第i个数据；ok为输出层第k个每行电池状态数据；yj为第j个隐层输出；vij为输入层第i个数据和隐层第j个数据的加权因子；ωjk为隐层第j个数据和输出层第k个数据的加权因子；f为激励函数。
可选地，所述超声波数据包括超声波飞行时间数据和超声波幅值数据，所述获取所述锂电池组中每行电池第一方向第一预设位置的超声波数据，根据所述第一预设位置的超声波数据通过同类融合算法进行数据融合，得到每行电池第一方向上的第一超声波数据的步骤包括：
获取所述锂电池组中每行电池第一方向第一预设位置的超声波飞行时间数据和超声波幅值数据，根据所述第一预设位置的超声波飞行时间数据和超声波幅值数据分别通过同类融合算法进行数据融合，得到每行电池第一方向上的第一超声波飞行时间数据和第一超声波幅值数据；
所述获取所述锂电池组中每行电池第二方向第二预设位置的超声波数据，根据所述第二预设位置的超声波数据通过同类融合算法进行数据融合，得到每行电池第二方向上的第二超声波数据的步骤包括：
获取所述锂电池组中每行电池第二方向第二预设位置的超声波飞行时间数据和超声波幅值数据，根据所述第二预设位置的超声波飞行时间数据和超声波幅值数据分别通过同类融合算法进行数据融合，得到每行电池第二方向上的第二超声波飞行时间数据和第二超声波幅值数据；
所述根据所述第一超声波数据和第二超声波数据通过同类融合算法进行数据融合，得到每行电池的第三超声波数据的步骤包括：
根据所述第一超声波飞行时间数据和第二超声波飞行时间数据通过同类融合算法进行数据融合，得到每行电池的第三超声波飞行时间数据，根据所述第一超声波幅值数据和第二超声波幅值数据通过同类融合算法进行数据融合，得到每行电池的第三超声波幅值数据；
所述根据所述第三超声波数据和每行电池电压进行异类数据融合，得到每行电池状态数据的步骤包括：
根据所述第三超声波飞行时间数据、第三超声波幅值数据和每行电池电压进行异类数据融合，得到每行电池状态数据。
可选地，所述电池状态数据包括电池剩余电量和健康状态，所述根据所述第三超声波数据和每行电池电压进行异类数据融合，得到每行电池状态数据的步骤包括：
根据所述第三超声波数据和每行电池电压进行异类数据融合，得到每行电池剩余电量和健康状态；
所述根据所述每行电池状态数据通过同类融合算法进行数据融合，得到锂电池组状态数据的步骤包括：
根据所述每行电池剩余电量和健康状态分别通过同类融合算法进行数据融合，得到锂电池组剩余电量和锂电池组健康状态。
此外，为实现上述目的，本发明还提供一种锂电池组状态检测装置，所述锂电池组状态检测装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的锂电池组状态检测程序，所述锂电池组状态检测程序被所述处理器执行时实现如上所述的锂电池组状态检测方法的步骤。
此外，为实现上述目的，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上存储有锂电池组状态检测程序，所述锂电池组状态检测程序被处理器执行时实现如上所述的锂电池组状态检测方法的步骤。
此外，为实现上述目的，本发明还提供一种锂电池组状态检测系统，所述锂电池组检测系统包括：超声波检测装置和数据处理装置，所述超声波检测装置用于发射和接收超声波数据数据，并将接收的超声波数据传输至数据处理装置，所述数据处理装置包括如上所述的锂电池组状态检测装置。
本发明实施例提出的一种锂电池组状态检测方法、装置、计算机可读存储介质及系统，通过获取穿过锂电池组中每行电池不同方向的超声波数据通过同类融合算法进行数据融合，得到每行电池的超声波数据，同时，获取每行电池各单体电池的电压通过同类融合算法进行数据融合，得到每行电池的电压，之后根据每行电池的超声波数据和电压进行异类数据融合，得到每行电池的状态数据，之后对每行电池的状态数据再进行同类融合，得到电池组的状态数据。本发明利用材料物理性质差异影响传输的超声波信号，通过数据融合得到每行电池的超声波数据和电压数据，并对每行电池的超声波数据和电池数据进行数据融合，得到每行电池的状态数据，再根据每行电池状态数据通过数据融合得到电池组的状态数据，本发明将超声波检测技术应用到对电池组整体性能状态进行评估上，并且检测装置和方法不会对电池组中的电池造成损害，检测装备结构简单，操作方便，普适性高。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的装置结构示意图；
图2为本发明锂电池组状态检测方法第一实施例的流程示意图；
图3为本发明实施例涉及的超声波检测装置示意图；
图4为本发明实施例涉及的超声检测位置示意图；
图5为异类数据融合算法BP神经网络网图；
图6为本发明锂电池组状态检测方法的第二实施例中获取所述锂电池组中每行电池第一方向第一预设位置的超声波数据，根据所述第一预设位置的超声波数据通过同类融合算法进行数据融合，得到每行电池第一方向上的第一超声波数据步骤的细化流程示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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。
由于现有技术中电池超声波检测技术是针对单体电池，而且是单体软包电池，没有应用于对电池成组后的电池组进行整体性能状态检测。
本发明实施例提出的一种锂电池组状态检测方法、装置、计算机可读存储介质及系统，通过获取穿过锂电池组中每行电池不同方向的超声波数据进行数据融合，得到每行电池的超声波数据，同时，获取每行电池单体电池的电压进行数据融合，得到每行电池的电压，根据融合后的每行电池的超声波数据和电压数据得到每行电池的状态数据，之后对每行电池的状态数据再进行融合，得到电池组的状态数据。本发明利用材料物理性质差异影响传输的超声波信号，通过数据融合得到每行电池的超声波数据和电压数据，并对每行电池的超声波数据和电池数据进行数据融合，得到每行电池的状态数据，再对每行电池的状态数据进行融合，从而评估电池组整体性能状态。
参照图1，图1是本发明实施例方案涉及的硬件运行环境的装置结构示意图。
本发明实施例装置结构可以包括：处理器1001，例如CPU，通信总线1002，用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选的用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地，装置还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在移动终端移动到耳边时，关闭显示屏和/或背光。作为运动传感器的一种，重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；当然，装置还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。
本领域技术人员可以理解，图1中示出的装置结构并不构成对装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及锂电池组状态检测程序。
在图1所示的装置中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的锂电池组状态检测程序。
本发明锂电池组状态检测装置的具体实施例与下述锂电池组状态检测方法各实施例基本相同，在此不作赘述。
参照图2，图2为本发明锂电池组状态检测方法第一实施例的流程示意图，所述锂电池组状态检测方法包括：
步骤S10，获取所述锂电池组中每行电池第一方向第一预设位置的超声波数据，根据所述第一预设位置的超声波数据通过同类融合算法进行数据融合，得到每行电池第一方向上的第一超声波数据；
由于电池生产工艺、应用环境、电池材料以及使用时间等因素的差异，使得同一电池组中各单体电池性能存在不一致性，这种差异性会影响超声波的传播波形反射情况和穿透时间的能量变化，因此可以采用超声波数据来评估电池性能。本实施例中通过超声波检测装置对电池组进行超声波检测。超声波检测装置包括超声波探头模块、控制器单元模块、超声波传感器移动模块、电池承载模块四部分。超声波探头模块包括超声波发射探头和接收探头，用于发射和接收电池组的超声信号，进一步的，所用的超声波为纵波，超声波频率为2.5MHz，超声波探头类型以及超声波探头与是否需要耦合剂可根据电池特性来选择，以达到最优检测效果；控制器单元模块与超声波探头模块、移动模块之间构成电气连接，负责控制超声波发射探头发射超声波信号、控制超声波接收探头接收透射过电池的超声波信号、控制超声波传感器移动模块沿设定的检测路径移动以及对接收到的超声波信号进行处理；超声波传感器移动模块通过对超声波探头进行移动以探测电池组不同位置的超声波数据；电池承载模块用于承载电池组。通过将电池组置于电池承载模块上进行固定，控制器单元控制超声波传感器移动模块中的电机移动超声波发射探头使其到达预设的检测位置，并控制超声波接收探头移动到超声波发射探头相对的接收位置，当超声波发射与接收探头位置固定后，完成电池组此处位置超声波信号发射和超声波反馈信号的接收，并将接收探头接收到的超声波数据存储于控制器中，之后控制器控制移动模块中的电机，超声波探头移动到下一个检测位置，实现电池组的不同位置的超声波数据检测。进一步地，参照图3，图3为本发明实施例涉及的超声波检测装置示意图，采用两组超声波发射和接收探头分别检测不同方向的超声波数据。图中1和1’、3和3’为从动轮，2和2’、4和4’为主动轮，5和6为超声发射探头，5’和6’为超声接收探头，M1，M2为电动机，电动机用于控制主动轮转动使超声发射探头和接收探头水平或垂直方向同步移动，MCU为控制器，控制器用于控制电机转动速度及超声波移动距离，使超声探头与待测电池检测点对应。其中，5和5’超声波发射与接收探头检测电池组第一方向的超声波数据，6和6’发射与接收超声波探头检测电池组第二方向的超声波数据，通过控制5，5’左右移动，6和6’垂直上下移动，使得超声波探头可以沿着设定的检测路径在对应方向上多处位置进行检测。本领域技术人员可以理解，图3中示出的超声波检测装置并不构成对装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
进一步地，圆柱型18650电池成组应用是目前动力电池最常规的用法，作为一种具体实施例，本发明实施例对18650圆柱体单体电池所组成的电池组进行检测。多个18650圆柱体单体锂电池成行成列规整排布，将电池组朝上摆放时竖直方向作为第一方向，水平方向为第二方向，由于电池组排列组合电池组各单体电池水平方向上的超声波数据不便测量，本实施例通过先采集每行电池的第一方向第一预设位置和第二方向第二预设位置的超声波数据，通过同类融合算法进行数据融合，得到每行电池第一方向上的第一超声波数据和第二方向上的第二超声波数据，再对每行电池第一超声波数据和第二超声波数据进行数据融合，得到每行电池的第三超声波数据。进一步的，参照图4，图4为本发明实施例涉及的超声检测位置示意图，超声波发射与接收探头5和5’检测电池组各单体电池底面不重叠的预设位置a、b、c第一方向即竖直方向上的超声波数据，超声波发射与接收探头6和6’检测电池侧面上不重叠的预设位置f、g、h第二方向即水平方向上的超声波数据，针对5和5’，传送装置同时将超声波发射探头和接收探头依次移动到电池相应检测位置即a、b、c点进行超声检测，例如，在检测时，超声波发射探头5和接收探头5’在移动装置的移动下到达1号电池a与a’点，完成位置a到a’竖直方向的超声波的发射和接收后，水平移动到b与b’，c与c’点，之后再到下一个电池即电池2的a、b、c预设位置处继续进行超声检测，直到整行电池第一方向预设位置超声波数据检测结束。6和6’上的超声发射和接收探头，与5和5’类似，传送装置同时将发射探头和接收探头依次移动到电池的相应检测点即f、g、h点进行第二方向整行电池的超声检测。可以理解的是，预设位置可根据需要合理定义和设置，比如可以设置更多或更少的预设位置，可以设置不同的预设位置之间的距离，以能覆盖电池组中所有电池且能表征电池组状态为准。超声波接收探头对电池组第一方向和第二方向上各个不同预设位置进行超声波数据采集并将数据输入控制器，控制器将数据发送到锂电池组状态检测装置，经AD转换处理成数字信号，得到诸如超声波频率、超声波飞行时间、波形幅值等超声波数据。作为又一具体实施例，选用超声波幅值和超声波飞行时间作为电池组电池状态评估数据，将超声波检测技术应用到电池组整体状态检测上，通过对每行第一方向和第二方向的超声波超声波频率和超声波飞行时间通过同类融合算法进行数据融合，得到每行电池的超声波频率和超声波飞行时间，之后根据每行电池的超声波频率、超声波飞行时间、电压进行异类数据融合，得到每行电池状态数据，再对每行电池状态数据通过同类融合算法进行数据融合，从而得到电池组状态数据。其中，同类数据融合的方式可以是通过对各同类数据取平均数作为融合值，还可以是取中位数或者众数作为融合值。进一步的，本发明实施例同类融合算法是通过对同类数据的各个数据赋予加权因子后进行求和，计算得到同类数据的融合值。若所述同类数据为每行电池第一方向第一预设位置的超声波数据时，则所述融合值为每行电池第一方向上的第一超声波数据；若所述同类数据为每行电池第二方向第二预设位置的超声波数据时，则所述融合值为每行电池第二方向上的第二超声波数据；若所述同类数据为所述第一超声波数据和第二超声波数据时，则所述融合值为每行电池的第三超声波数据；若所述同类数据为每行电池各单体电池的电压时，则所述融合值为每行电池电压；若所述同类数据为所述每行电池状态数据时，则所述融合值为锂电池组状态数据；若所述同类数据为各单体电池第一方向位置相同的超声波数据时，则所述融合值为每行电池对应位置的超声波数据；若所述同类数据为每行电池对应位置的超声波数据时，则所述融合值为每行电池第一方向上的超声波数据。进一步地，融合数据的加权因子可以根据实验或者计算得到。
作为又一具体实施例，本发明实施例通过对同类数据p的各个数据赋予加权因子后进行求和，得到同类数据p的融合值公式：
Figure BDA0003110818010000101
通过自适应加权融合算法求解融合值公式中的wpi，计算得到同类数据p各个数据对应的加权因子计算值；将加权因子计算值代入融合值公式，计算得到同类数据p的融合值。其中，
Figure BDA0003110818010000102
为同类数据p的融合值，api为同类数据p的第i个数据，wpi为同类数据p第i个数据对应的加权因子，np为同类数据p的数据个数；i＝1，2，，，np，p表示各同类数据。
具体地，通过自适应加权融合算法求解融合值公式中的wpi步骤包括：
根据数据的近邻关系，划分数据簇，计算融合值
Figure BDA0003110818010000111
Figure BDA0003110818010000112
其中，api为数据簇p中节点i的数据，wpi为对应的加权因子，np表示数据簇p中的节点个数；
计算每个数据簇的均值
Figure BDA0003110818010000113
Figure BDA0003110818010000114
计算每个数据簇的标准差σp：
Figure BDA0003110818010000115
由于测量数据独立，所以，
Figure BDA0003110818010000116
得到
Figure BDA0003110818010000117
由于总方差与各个数值加权权值为二次函数，且
Figure BDA0003110818010000118
所以在总方差最小时可求得wpi：
Figure BDA0003110818010000119
步骤S20，获取所述锂电池组中每行电池第二方向第二预设位置的超声波数据，根据所述第二预设位置的超声波数据通过同类融合算法进行数据融合，得到每行电池第二方向上的第二超声波数据；
在本实施例中，第二方向为电池组朝上摆放时水平方向。需要说明的是，由于电池组排列组合，水平方向上穿过单个电池的超声波数据不便测量，本发明实施例将电池组按行进行超声波数据采集。通过获取穿过每行电池第二方向第二预设位置的超声波数据进行融合，得到每行电池的第二方向上的第二超声波数据。预设位置包括多处位置，在检测面不重叠合理均匀分布，可根据需要设置位置个数，预设位置超声信号从发射到接收应能穿过检测行所有电池，从而确保检测到整个电池组的各个电池。比如，参照图4，对电池组第一行电池水平方向上f、g、h三处预设位置进行超声波检测，之后将f、g、h处的超声波数据通过加权求和进行同类融合，得到第一行电池水平方向上的第二超声波数据，同理对其它行电池水平方向上f、g、h三处预设位置进行超声波数据采集和融合，得到每行电池第二方向上的超声波数据。
步骤S30，根据所述第一超声波数据和第二超声波数据通过同类融合算法进行数据融合，得到每行电池的第三超声波数据；
通过采集每行电池不同方向上的超声波数据使电池超声波检测数据更全面准确，本发明实施例采用两个方向对每行电池超声数据进行检测，通过步骤S10得到了每行电池第一方向上融合后的第一超声波数据，通过步骤S20得到了每行电池第二方向上融合后的第二超声波数据，通过对每行电池第一和第二超声波数据加权求和通过同类融合算法进行数据融合，从而得到每行电池的第三超声波数据，同类融合算法参照步骤S10中说明。
步骤S40，获取所述锂电池组中每行电池各单体电池的电压，并根据所述单体电池的电压通过同类融合算法进行数据融合，得到每行电池电压；
除了采用超声波检测数据评估电池组的状态数据，本发明实施例还选取电池组的电压作为状态数据的评估依据。一般来说，电池组中各单体电池的电压不会完全一致，本发明实施例通过获取电池组中各单体电池的电压数据，并通过加权求和的方式通过同类融合算法进行数据融合，得到电池组的电压。获取单体电池的电压可通过仪器仪表对电池组每个单体电池测量得到。进一步的，对各个单体电池电压可根据步骤S10中公式类推通过同类融合算法进行数据融合，得到电池组的电压。
步骤S50，根据所述第三超声波数据和每行电池电压进行异类数据融合，得到每行电池状态数据；
对于融合后的每行电池超声波数据和每行电池电压，本发明实施例采用异类融合算法得到每行电池状态数据。进一步地，本发明实施例通过BP神经网络进行异类数据融合。BP神经网络算法能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层、隐层和输出层，数据从输入层，经过权重值和偏置项的线性变换处理，再通过激活层，得到隐层的输出，也即下一层的输入；隐层到输出层之间经过权重值和偏置项的线性变换，之后通过激活层，得到输出层。BP神经网络算法要经历两个学习过程，一是信号正向传播，二是误差反向传播。在正向传播中，输入样本从输入层传入，在每个隐层中逐层处理，然后传递到输出层。如果实际输出与预期的输出值不符，则错误转移到反向传播阶段。错误重传是将输出的错误通过隐层以某种形式重传给输入层，并将错误分布到每一层的所有元素，从而得到每一层的错误信号。这个误差是校正单位重量的基础。反复进行每一层前向和误差反向传播的权值调整过程。权重调整的过程就是网络的学习和训练过程，通过调整权重来提高数据的准确性。
进一步的，本发明实施例根据如下公式进行异类数据融合，计算得到每行电池状态数据：
ok＝f(netk),k＝1,2,3,...,l
Figure BDA0003110818010000131
yj＝f(netj),j＝1,2,3,...,m
Figure BDA0003110818010000132
其中，xi为输入层第i个每行电池超声波数据、每行电池电压；ok为输出层第k个每行电池状态数据；yj为第j个隐层输出；vij为输入层第i个数据和隐层第j个数据的加权因子；ωjk为隐层第j个数据和输出层第k个数据的加权因子；f为激励函数。参照图5，图5为异类数据融合算法BP神经网络网图。
具体地，上述异类数据融合算法过程包括：
初始化过程。对权值矩阵W，V赋随机数，将样本模式计数器p和训练次数计数器q置1，误差E置0，学习率η设为0～1间小数，网络训练后达到的精度Emin设为一正的小数。
输入训练样本对，计算各层输出。用当前样本Xp、dp对向量数组X、d赋值，通过异类数据融合公式计算Y和O中个分量：
ok＝f(netk),k＝1,2,3,...,l
Figure BDA0003110818010000133
yj＝f(netj),j＝1,2,3,...,m
Figure BDA0003110818010000141
计算输出误差。设共有P对训练样本，该网络对应不同的样本具有不同的误差，
Figure BDA0003110818010000142
可将全部样本输出误差的平方(Ep)2进行累加再开方，得到总输出误差
Figure BDA0003110818010000143
计算各层总误差信号。得到各层误差
Figure BDA0003110818010000144
和
Figure BDA0003110818010000145
Figure BDA0003110818010000149
Figure BDA0003110818010000146
调整各层权值。根据以下公式计算W、V中各分量：
Figure BDA0003110818010000147
Figure BDA0003110818010000148
判断是否对所有样本完成训练，若p＜P，则计数器p、q加1，继续输入训练样本按上述过程进行训练，直到所有样本训练完成。当所有样本训练完成后判断总误差是否满足精度要求，即ERME＜Emin，若满足，则训练结束；若不满足，则E置0，p置1，则返回输入训练样本对，计算各层输出步骤继续进行训练，直到满足精度要求。将第三超声波数据和每行电池电压输入训练好后的BP神经网络，得到每行电池状态数据输出值。进一步地，电池状态数据可以包括电池剩余电量百分比SOC(state of charge)，电池剩余电量SOE(state ofenergy)，电池健康度SOH(state of health)，电池的功能状态SOF(state of function)等可以评估电池性能状态的数据中的一种或者多种。作为一具体实施例，可以选择剩余电量和健康状态两个参数对锂电池组整体性能状态进行评估，根据第三超声波数据和每行电池电压进行异类数据融合，得到每行电池剩余电量和健康状态，再根据每行电池剩余电量和健康状态分别通过同类融合算法进行数据融合，得到锂电池组的剩余电量和锂电池组健康状态，使锂电池组整体性能状态以符合实际需要的量化的数据直观表示。
步骤S60，根据所述每行电池状态数据通过同类融合算法进行数据融合，得到锂电池组状态数据。
步骤S50得到电池组每行电池的状态数据，之后对每行电池状态数据通过同类融合算法进行数据融合，得到电池组的状态数据，同类融合方式根据步骤S10类推可得。
本实施例中提出的锂电池组状态检测方法，通过获取穿过电池组中每行电池不同方向的超声波数据进行数据融合，得到每行电池的超声波数据，同时，获取每行电池单体电池的电压进行数据融合，得到每行电池的电压，根据融合后的每行电池的超声波数据和电压数据得到每行电池的状态数据，之后对每行电池的状态数据再进行融合，得到电池组的状态数据。本发明利用材料物理性质差异影响传输的超声波信号，通过超声波数据和电池数据进行数据融合，从而将超声波检测技术运用到评估电池组的整体性能状态上。
基于第一实施例，提出本发明锂电池组状态检测方法的第二实施例，参照图6，步骤S10包括：
步骤S11，获取所述锂电池每行电池中各单体电池第一方向上多个第三预设位置的超声波数据；
步骤S12，根据各单体电池第一方向第三预设位置相同的超声波数据分别通过同类融合算法进行数据融合，得到每行电池对应位置的超声波数据；
步骤S13，根据所述每行电池对应位置的超声波数据通过同类融合算法进行数据融合，得到每行电池第一方向上的超声波数据。
在本实施例中，第一方向即竖直方向上超声信号可分别检测各单体电池。进一步的，对每个单体电池第一方向预设相同位置的多个检测点。参照图4，对于编号1的单体电池，预设a-a’、b-b’、c-c’三处第三预设位置的检测点，对于编号2的单体电池，预设与编号1电池同样位置a-a’、b-b’、c-c’三处检测点，以此类推，在第一方向上将电池组所有单体电池预设相同多个第三预设位置检测点。考虑到融合数据量过大影响计算量以及电池从内到外分层的结构特征，本实例分批次对每行电池第一方向的超声波数据进行融合。具体的，首先对每行电池中各单体电池第一方向位置为a-a’的超声波数据通过同类融合算法进行数据融合，得到每行电池第一方向预设位置a-a’对应的超声波数据，同理得到每行电池第一方向预设位置b-b’对应的超声波数据和每行电池第一方向预设位置c-c’对应的超声波数据，之后对a-a’对应的超声波数据、b-b’对应的超声波数据和c-c’对应的超声波数据进行再同类数据融合，得到每行电池第一方向超声波数据。本领域技术人员可以理解，在具体实施例中，可以对各单体电池设置更多或者更少的预设位置，预设位置的分布以合理为准，在此不做具体限制。
本实施例中提出的锂电池组状态检测方法，对于第一方向即竖直方向上的超声波数据分批次进行融合，又，位置相同电池结构具相似性，本实施例首先对每行电池中各单体电池第一方向各单体电池第三预设位置相同的超声波数据通过同类融合算法进行数据融合，再对融合的数据进行融合，从而得到每行电池第一方向超声波数据，本实施例中分批融合计算减少了每次的计算量并且考虑了电池从内到外分层的结构特征，使融合数据更具代表性。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有锂电池组状态检测程序，所述锂电池组状态检测程序被处理器执行时实现本发明各个实施例所述的方法。
本发明可读存储介质的具体实施例与上述锂电池组状态检测方法各实施例基本相同，在此不作赘述。
此外，本发明实施例还提出一种锂电池组状态检测系统，所述锂电池组检测装置包括：超声波检测装置和数据处理装置，所述超声波检测装置用于发射和接收超声波数据数据，并将接收的超声波数据传输至数据处理装置，所述数据处理装置包括上述的锂电池组状态检测装置。
本发明锂电池组状态检测装置中运行的计算机程序与上述锂电池组状态检测装置中运行的计算机程序基本相同
本发明锂电池组状态检测装置与上述各实施例所述的锂电池组状态检测装置基本相同，在此不作赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种锂电池组状态检测方法，其特征在于，所述锂电池组状态检测方法包括以下步骤：
获取所述锂电池组中每行电池第一方向第一预设位置的超声波数据，根据所述第一预设位置的超声波数据通过同类融合算法进行数据融合，得到每行电池第一方向上的第一超声波数据；
获取所述锂电池组中每行电池第二方向第二预设位置的超声波数据，根据所述第二预设位置的超声波数据通过同类融合算法进行数据融合，得到每行电池第二方向上的第二超声波数据；
根据所述第一超声波数据和第二超声波数据通过同类融合算法进行数据融合，得到每行电池的第三超声波数据；
获取所述锂电池组中每行电池各单体电池的电压，并根据所述单体电池的电压通过同类融合算法进行数据融合，得到每行电池电压；
根据所述第三超声波数据和每行电池电压进行异类数据融合，得到每行电池状态数据；
根据所述每行电池状态数据通过同类融合算法进行数据融合，得到锂电池组状态数据。
2.如权利要求1所述的锂电池组状态检测方法，其特征在于，所述获取所述锂电池组中每行电池第一方向第一预设位置的超声波数据，根据所述第一预设位置的超声波数据通过同类融合算法进行数据融合，得到每行电池第一方向上的第一超声波数据的步骤包括：
获取所述锂电池每行电池中各单体电池第一方向上多个第三预设位置的超声波数据；
根据各单体电池第一方向第三预设位置相同的超声波数据分别通过同类融合算法进行数据融合，得到每行电池对应位置的超声波数据；
根据所述每行电池对应位置的超声波数据通过同类融合算法进行数据融合，得到每行电池第一方向上的超声波数据。
3.如权利要求2所述的锂电池组状态检测方法，其特征在于，所述通过同类融合算法进行数据融合的步骤包括：
对同类数据的各个数据赋予加权因子后进行求和，计算得到同类数据的融合值；
其中，若所述同类数据为每行电池第一方向第一预设位置的超声波数据时，则所述融合值为每行电池第一方向上的第一超声波数据；
若所述同类数据为每行电池第二方向第二预设位置的超声波数据时，则所述融合值为每行电池第二方向上的第二超声波数据；
若所述同类数据为所述第一超声波数据和第二超声波数据时，则所述融合值为每行电池的第三超声波数据；
若所述同类数据为每行电池各单体电池的电压时，则所述融合值为每行电池电压；
若所述同类数据为所述每行电池状态数据时，则所述融合值为锂电池组状态数据；
若所述同类数据为各单体电池第一方向位置相同的超声波数据时，则所述融合值为每行电池对应位置的超声波数据；
若所述同类数据为每行电池对应位置的超声波数据时，则所述融合值为每行电池第一方向上的超声波数据。
4.如权利要求3所述的锂电池组状态检测方法，其特征在于，所述对同类数据的各个数据赋予加权因子后进行求和，计算得到同类数据的融合值的步骤包括：
对同类数据p的各个数据赋予加权因子后进行求和，得到同类数据p的融合值公式
Figure FDA0003110818000000021
其中，
Figure FDA0003110818000000022
为同类数据p的融合值，api为同类数据p的第i个数据，wpi为同类数据p第i个数据对应的加权因子，np为同类数据p的数据个数，
Figure FDA0003110818000000023
通过自适应加权融合算法求解所述融合值公式，计算得到同类数据p各个数据对应的加权因子计算值wpi；
根据所述加权因子计算值wpi代入所述融合值公式，计算得到同类数据p的融合值
Figure FDA0003110818000000024
5.如权利要求1所述的锂电池组状态检测方法，其特征在于，所述根据所述第三超声波数据和每行电池电压进行异类数据融合，得到每行电池状态数据的步骤包括：
根据所述第三超声波数据和每行电池电压，通过BP神经网络进行异类数据融合，计算得到每行电池状态数据：
ok＝f(netk),k＝1,2,3,...,l
Figure FDA0003110818000000031
yj＝f(netj),j＝1,2,3,...,m
Figure FDA0003110818000000032
其中，xi为输入层每行电池超声波数据、每行电池电压第i个数据；ok为输出层第k个每行电池状态数据；yj为第j个隐层输出；vij为输入层第i个数据和隐层第j个数据的加权因子；ωjk为隐层第j个数据和输出层第k个数据的加权因子；f为激励函数。
6.如权利要求1中所述的锂电池组状态检测方法，其特征在于，所述超声波数据包括超声波飞行时间数据和超声波幅值数据，所述获取所述锂电池组中每行电池第一方向第一预设位置的超声波数据，根据所述第一预设位置的超声波数据通过同类融合算法进行数据融合，得到每行电池第一方向上的第一超声波数据的步骤包括：
获取所述锂电池组中每行电池第一方向第一预设位置的超声波飞行时间数据和超声波幅值数据，根据所述第一预设位置的超声波飞行时间数据和超声波幅值数据分别通过同类融合算法进行数据融合，得到每行电池第一方向上的第一超声波飞行时间数据和第一超声波幅值数据；
所述获取所述锂电池组中每行电池第二方向第二预设位置的超声波数据，根据所述第二预设位置的超声波数据通过同类融合算法进行数据融合，得到每行电池第二方向上的第二超声波数据的步骤包括：
获取所述锂电池组中每行电池第二方向第二预设位置的超声波飞行时间数据和超声波幅值数据，根据所述第二预设位置的超声波飞行时间数据和超声波幅值数据分别通过同类融合算法进行数据融合，得到每行电池第二方向上的第二超声波飞行时间数据和第二超声波幅值数据；
所述根据所述第一超声波数据和第二超声波数据通过同类融合算法进行数据融合，得到每行电池的第三超声波数据的步骤包括：
根据所述第一超声波飞行时间数据和第二超声波飞行时间数据通过同类融合算法进行数据融合，得到每行电池的第三超声波飞行时间数据；根据所述第一超声波幅值数据和第二超声波幅值数据通过同类融合算法进行数据融合，得到每行电池的第三超声波幅值数据；
所述根据所述第三超声波数据和每行电池电压进行异类数据融合，得到每行电池状态数据的步骤包括：
根据所述第三超声波飞行时间数据、第三超声波幅值数据和每行电池电压进行异类数据融合，得到每行电池状态数据。
7.如权利要求1所述的锂电池组状态检测方法，其特征在于，所述电池状态数据包括电池剩余电量和健康状态，所述根据所述第三超声波数据和每行电池电压进行异类数据融合，得到每行电池状态数据的步骤包括：
根据所述第三超声波数据和每行电池电压进行异类数据融合，得到每行电池剩余电量和健康状态；
所述根据所述每行电池状态数据通过同类融合算法进行数据融合，得到锂电池组状态数据的步骤包括：
根据所述每行电池剩余电量和健康状态分别通过同类融合算法进行数据融合，得到锂电池组剩余电量和锂电池组健康状态。
8.一种锂电池组状态检测装置，其特征在于，所述锂电池组状态检测装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的锂电池组状态检测程序，所述锂电池组状态检测程序被所述处理器执行时实现如权利要求1至7中任一项所述的锂电池组状态检测方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有锂电池组状态检测程序，所述锂电池组状态检测程序被处理器执行时实现如权利要求1至7中任一项所述的锂电池组状态检测方法的步骤。
10.一种锂电池组状态检测系统，其特征在于，所述锂电池组检测系统包括：超声波检测装置和数据处理装置，所述超声波检测装置用于发射和接收超声波数据数据，并将接收的超声波数据传输至数据处理装置，所述数据处理装置包括如权利要求8所述的锂电池组状态检测装置。
CN202110651257.3A 2021-06-10 2021-06-10 锂电池组状态检测方法、装置、存储介质及系统 Active CN113419176B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110651257.3A CN113419176B (zh) 2021-06-10 2021-06-10 锂电池组状态检测方法、装置、存储介质及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110651257.3A CN113419176B (zh) 2021-06-10 2021-06-10 锂电池组状态检测方法、装置、存储介质及系统

Publications (2)

Publication Number Publication Date
CN113419176A true CN113419176A (zh) 2021-09-21
CN113419176B CN113419176B (zh) 2022-07-15

Family

ID=77788294

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110651257.3A Active CN113419176B (zh) 2021-06-10 2021-06-10 锂电池组状态检测方法、装置、存储介质及系统

Country Status (1)

Country Link
CN (1) CN113419176B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116359741A (zh) * 2023-03-14 2023-06-30 深圳市南霸科技有限公司 锂电池安全的检测方法、装置、计算机设备和存储介质
CN116879761A (zh) * 2023-09-06 2023-10-13 杭州宇谷科技股份有限公司 基于多模态的电池内短路检测方法、系统、装置及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106353651A (zh) * 2016-09-30 2017-01-25 国家电网公司 基于bp网络的gis局放声电联合检测故障定位方法
CN106845562A (zh) * 2017-03-21 2017-06-13 湖北民族学院 光伏组件的故障监测系统及数据处理方法
US20180164383A1 (en) * 2016-12-09 2018-06-14 Feasible, Inc. Nonlinear acoustic resonance spectroscopy (nars) for determining physical conditions of batteries
CN110031548A (zh) * 2019-04-23 2019-07-19 北京大学深圳研究生院 基于超声波的电池内部健康状态检测装置和方法
CN110474086A (zh) * 2019-08-12 2019-11-19 江苏集萃华科智能装备科技有限公司 方便进行声学检测的电池组、其制备方法和检测方法
US20200026939A1 (en) * 2018-07-20 2020-01-23 Lg Electronics Inc. Electronic device and method for controlling the same
CN110988700A (zh) * 2020-01-02 2020-04-10 江苏快乐电源(涟水)有限公司 一种叉车锂离子电池模组健康度评价方法
CN111579945A (zh) * 2020-05-21 2020-08-25 华乘电气科技股份有限公司 一种一体式开关柜局部放电智能传感器及其信息融合状态评估方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106353651A (zh) * 2016-09-30 2017-01-25 国家电网公司 基于bp网络的gis局放声电联合检测故障定位方法
US20180164383A1 (en) * 2016-12-09 2018-06-14 Feasible, Inc. Nonlinear acoustic resonance spectroscopy (nars) for determining physical conditions of batteries
CN106845562A (zh) * 2017-03-21 2017-06-13 湖北民族学院 光伏组件的故障监测系统及数据处理方法
US20200026939A1 (en) * 2018-07-20 2020-01-23 Lg Electronics Inc. Electronic device and method for controlling the same
CN110031548A (zh) * 2019-04-23 2019-07-19 北京大学深圳研究生院 基于超声波的电池内部健康状态检测装置和方法
CN110474086A (zh) * 2019-08-12 2019-11-19 江苏集萃华科智能装备科技有限公司 方便进行声学检测的电池组、其制备方法和检测方法
CN110988700A (zh) * 2020-01-02 2020-04-10 江苏快乐电源(涟水)有限公司 一种叉车锂离子电池模组健康度评价方法
CN111579945A (zh) * 2020-05-21 2020-08-25 华乘电气科技股份有限公司 一种一体式开关柜局部放电智能传感器及其信息融合状态评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李贻斌等: "移动机器人多超声波传感器信息融合方法", 《系统工程与电子技术》, no. 09, 20 September 1999 (1999-09-20), pages 55 - 57 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116359741A (zh) * 2023-03-14 2023-06-30 深圳市南霸科技有限公司 锂电池安全的检测方法、装置、计算机设备和存储介质
CN116879761A (zh) * 2023-09-06 2023-10-13 杭州宇谷科技股份有限公司 基于多模态的电池内短路检测方法、系统、装置及介质

Also Published As

Publication number Publication date
CN113419176B (zh) 2022-07-15

Similar Documents

Publication Publication Date Title
CN113419176B (zh) 锂电池组状态检测方法、装置、存储介质及系统
CN101359036B (zh) 电池荷电状态的测定方法
US6208147B1 (en) Method of and apparatus for measuring battery capacity by impedance spectrum analysis
CN105793719B (zh) 电池测试器和电池注册工具
US9134382B2 (en) Predicting state of a battery
US11215673B2 (en) Group battery, battery module, and method for evaluating battery module
US20210132153A1 (en) Battery management system, battery management method, and method of manufacturing battery assembly
Bockrath et al. State of health estimation of lithium-ion batteries with a temporal convolutional neural network using partial load profiles
US11143706B2 (en) Battery capacity estimation method and battery capacity estimation device
US20210123979A1 (en) Estimating a Battery State from Electrical Impedance Measurements Using Convolutional Neural Network Means
CN112986830A (zh) 一种基于卷积时间记忆神经网络的锂电池容量估计方法
EP3896776A1 (en) Simulated battery construction method and simulated battery construction device
CN111262896A (zh) 一种网联汽车电池管理系统
CN108072356A (zh) 高度测量方法、装置及无人机
CN113410531B (zh) 电池整体温度检测方法、装置及计算机可读存储介质
Pebriyanti A lithium-ion battery modeling for a HIL-battery simulator
Swarnkar et al. Electric vehicle lithium-ion battery ageing analysis under dynamic condition: A machine learning approach
US20220352558A1 (en) Method for matching data of a first control unit with a second control unit for determining precise predictive values
EP3812782B1 (en) Estimating a temperature of an electrochemical battery
US10449861B1 (en) Vehicle battery controller based on a reduced order model
Rasool et al. Electrical battery modeling for applications in wireless sensor networks and internet of things
CN114079594B (zh) 车载终端数据采集方法、设备及存储介质
CN115015761A (zh) 电池荷电状态soc估计方法、装置、设备及存储介质
CN113848488B (zh) 电池充电功率衰减程度的测算方法、设备及存储介质
CN113495215B (zh) 一种虚拟电芯系统及其运行方法和一种孪生电池

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