CN113433468A - 储能电池早期故障融合诊断方法及安全预警系统 - Google Patents
储能电池早期故障融合诊断方法及安全预警系统 Download PDFInfo
- Publication number
- CN113433468A CN113433468A CN202110517768.6A CN202110517768A CN113433468A CN 113433468 A CN113433468 A CN 113433468A CN 202110517768 A CN202110517768 A CN 202110517768A CN 113433468 A CN113433468 A CN 113433468A
- Authority
- CN
- China
- Prior art keywords
- voltage
- battery
- fault
- variance
- series
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003745 diagnosis Methods 0.000 title claims abstract description 31
- 230000004927 fusion Effects 0.000 title claims abstract description 17
- 238000004146 energy storage Methods 0.000 title claims abstract description 16
- 239000013598 vector Substances 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 5
- 239000000654 additive Substances 0.000 description 4
- 230000000996 additive effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000178 monomer Substances 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000035772 mutation Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000035945 sensitivity Effects 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]
- G01R31/385—Arrangements for measuring battery or accumulator variables
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本公开提出了储能电池早期故障融合诊断方法及安全预警系统，包括：获得串联电池模组电压并计算串联电池模组电压的方差，继而得到故障时复杂度上升的序列；用样本熵评价该序列的复杂度即可实现电池模组全故障的诊断。基于横向方差和纵向样本熵融合的电池早期微小故障诊断方法，能够有效诊断出电池微小故障，鲁棒性强，噪声影响小。
Description
技术领域
本公开属于电池故障诊断技术领域，尤其涉及储能电池早期故障融合诊断方法及安全预警系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
动力电池安全问题已成为制约新能源汽车产业发展的瓶颈。电池系统的任何故障或安全隐患若不能及时诊断并得到有效处理，都可能引发连锁反应，甚至导致灾难性后果。因此，及时发现电池早期微小故障，准确找出故障根源是确保动力电池安全运行的关键。但现有方法对故障的预判能力不足，无法满足发现早期微小故障的需求。
中国发明专利(专利号ZL201911024438.2)公开了一种基于样本熵的电池早期故障诊断方法，利用电池顺序电压的样本熵在故障时发生突变，实现对故障的检测。该方法对导致电压突变的故障具有较好的诊断效果。但由于样本熵仅对复杂度增加的序列变化敏感，因此该方法对部分特殊的电池故障无效，例如，针对绝大多数电池早期微小故障上述方法难以检测到，因此，如何实现对电池故障检测的全面性是本申请所主要解决的技术问题。
中国发明专利(专利号ZL201911266342.7)公开了一种基于修正方差的锂离子电池串的多故障诊断方法及系统，该专利提出利用电池电压时间序列的方差判断电池是否出现故障。该方法虽然在理论上可行，但并不能适应复杂多变的工程环境。实际应用中，加性噪声极易对序列的方差产生影响，导致误诊段的发生，这导致应用中该方法的准确率会与预想效果相去甚远。
发明内容
为克服上述现有技术的不足，本公开提供了储能电池早期故障融合诊断方法，在基于样本熵的电池早期故障诊断方法的基础上进行改进，融合平方差方法，以达到能够发现绝大多数电池早期微小故障的效果。
为实现上述目的，本公开的一个或多个实施例提供了如下技术方案：
第一方面，公开了储能电池早期故障融合诊断方法，包括：
获得串联电池模组电压并计算串联电池模组电压的方差，继而得到故障时复杂度上升的序列；
用样本熵评价该序列的复杂度即可实现电池模组全故障的诊断。
进一步的技术方案，计算串联电池模组电压的方差时，首先测量电池模组中每个模组的电压，基于每个模组的电压计算电池模组的平均电压，基于每个模组的电压及电池模组的平均电压计算串联电池模组电压的方差。
进一步的技术方案，样本熵的获取过程为：
按时间顺序排列电压平方差序列；
将其按序组成一组向量序列；
对于任意两个向量，两向量对应元素差值绝对值的最大值定义为两向量之间的距离；
对于任一向量，统计与其距离小于设定阈值的向量的个数，并得到第一平均值；
将向量的维度增加到设定维，统计与最末向量距离小于设定阈值的向量个数，并得到第二平均值；
基于第一平均值及第二平均值计算状态点的样本熵。
第二方面，公开了储能电池早期故障融合的安全预警系统，包括：
方差模块，被配置为：用于获得串联电池模组电压并计算串联电池模组电压的方差，继而得到故障时复杂度上升的序列；
样本熵模块，被配置为：用样本熵评价该序列的复杂度即可实现电池模组全故障的诊断，针对诊断结果进行安全预警。
以上一个或多个技术方案存在以下有益效果：
基于横向方差和纵向样本熵融合的电池早期微小故障诊断方法，能够有效诊断出电池微小故障，鲁棒性强，噪声影响小。
本公开技术方案实现简单，不需要额外添加其它检测装置，仅用电压传感器就完成所有信息量的采集，具体为采集所有串联的电池单体的电压时间序列。计算各个时刻电池单体间的方差，得到方差时间序列。③用样本熵方法分析该方差时间序列。
本公开技术方案适用于所有常见的电池故障，而且对大多数故障都具有较高的敏感性，出现误诊的可能性极低。
本公开技术方案所有串联的电池单体在相同的环境下工作，环境带来的加性噪声会同时作用到所有电池单体，所以加性噪声不会影响电池单体电压相对于平均电压的偏差，在计算方差时加性噪声的影响会被消除。另外，在用样本熵进行分析时，阈值r与数据的标准差相关，当环境问题带来数据波动时，r也会相应改变，使该波动的影响减小。因此本公开技术方案稳定性较好，在恶劣的环境下也能保持较好的使用效果。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例UDDS工况下8节串联电池单体的电压波形图；
图2为本公开实施例各电池模块电压的样本熵示意图；
图3为本公开实施例相关模组电压方差序列图；
图4为本公开实施例相关模组电压方差序列的样本熵示意图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例公开了储能电池早期故障融合诊断方法，包括：
通过实时计算串联模组电压的方差得到方差的时间序列。该时间序列具有某一电池出现故障时复杂度一定上升的特性。用样本熵评价该序列的复杂度，进而判断是否有电池模组发生了故障。
对于特定的不会引起时间序列复杂度上升的故障类型，如程度逐渐增加的短路、传感器接触不良(电压的测量值不随实际电压值改变)等，仅仅利用样本熵方法往往难以发现。在此对这一问题提出两种解决思路，一是设计另一个对以上故障敏感的检测器与样本熵检测器并联，以实现全故障诊断；二是在进行样本熵检测之前对电压信号进行处理，使所有故障类型均可以被样本熵识别。本公开技术方案采取第二种方法，采用方差对电池电压序列进行处理，显著增加故障发生时序列的复杂度。
在实际应用中，电池包由数个电池模组串并联组成，相互串联的电池模组的电压信号具有很强的相似性，当所有电池模组正常运行时，相互串联的电池电压趋同，方差较小；而当其中一节电池出现故障时，这种一致性遭到破坏，方差序列必然出现高复杂度的特征。基于此，首先对串联电池模组电压的方差进行计算，就得到了一组故障时复杂度上升的序列，用样本熵对该序列进行分析即可实现全故障的诊断。
现有技术中，存在利用方差的方式是计算同一电池电压时间序列的方差，该方差结果反应的电池电压随时间变化的情况；而本公开技术方案计算的是不同电池单体之间的方差，结果反应的是不同电池单体间的一致性情况。
本发明原理说明如下：电池的故障会导致不正常的电压波动，从而产生异于正常时段的新电压特征。对于随时间排列的电压序列，大多数新特征的出现意味着其复杂度上升，样本熵作为一种序列复杂性的度量方法，能够有效捕捉到故障时段电池电压复杂度的变化，从而诊断出电池的故障。
为方便发明内容的阐述，给出如下定义。
(1)相关模组
将互为串联关系的电池模组称为相关模组。相关模组工作状态相同，电流共享，所以往往具有近似的SOH和SOC。这也导致了相关模组的电压十分相近，下表给出了相关模组正常工作时的电压情况。
表1相关模组工况下电压
从表1可发现互为相关模组四个电池模组正常工作时电压十分接近，差别最大不超过0.01V。
(2)相关模组的电压平方差
在时刻t相关模组的电压平方差
式中u1(t),u2(t),......,un(t)分别为t时刻n个模组的电压，
为t时刻电池模组的平均电压。
(3)电压平方差序列的样本熵
对于N个按时间顺序排列的电压平方差序列：
{s2(i)}＝s2(1),s2(2)......s2(N)
将其按序组成一组维数为m的向量序列，m应小于N：
S2 m(1),S2 m(2),S2 m(3),......,S2 m(N-m+1)
其中S2 m(i)＝{s2(i),s2(i+1),s2(i+2),......,s2(i+m-1)},1≤i≤N-m+1
定义向量S2 m(i)与向量S2 m(j)之间的距离d[S2 m(i),S2 m(j)]为两向量对应元素差值绝对值的最大值，i不等于j即可，即：
d[S2 m(i),S2 m(j)]＝maxk＝0,1,2,...,m-1d|s2(i+k)-s2(j+k)|
对于给定的S2 m(i),统计与其距离小于r的向量的个数，记为Bi。其中r为阈值大小，在此处r＝0.25×std[s2(t)]，std[s2(t)]表示N时刻内电压方差序列的标准差。
对于1≤i≤N-m，定义：
定义:
将向量的维度增加到m+1维，统计与Pm+1(i)距离小于r的向量个数记为Ai。
对于1≤i≤N-m，定义：
定义:
在上述基础下，将状态点的样本熵定义为：
样本熵的值较大时认为出现故障，正常情况下样本熵的值应为0。故障类型无法判断。
应用举例：
有B1、B2、B3、B4、B5、B6、B7、B8，8个串联电池模组：
在不同时刻，B6，B2和B5分别出现了开路故障，短路故障，和传感器失灵故障(故障时间内电压测量值不随实际电压改变)。
测试时间段内，8节电池电压波形如图1所示。
不进行任何处理，直接用样本熵检测的方法对上述时间段的8个电池模组进行故障检测结果如图2所示。
从图2中可见，在模组正常运行时，样本熵接近于0；在模组发生开路故障和短路故障时，样本熵出现较大波动，最大值接近0.075，在故障结束后，样本熵又归零；当模组出现传感器故障时，样本熵仍然接近于0，不能诊断出该故障。显然，仅用样本熵的方法无法判断出所有故障。
按照本专利指出的方法，首先计算相关模组的方差，如图3所示。图3中可见，出现传感器故障的时间段，方差变化明显，序列复杂度明显增加。
取窗口大小为60，计算电压方差序列的样本熵，作图4如下。从图4中可以看出，经过方差和样本熵两次处理，所有的故障均被诊断出。在电池正常运行时，该方法的输出结果为0，而一旦出现任何一种故障，该方法的运算结果就会迅速增加到一个较大的数值，对故障做出明显的指示。当故障修复后，运算结果又会回归至0。
在诊断出故障之后，基于故障的结果进行安全预警分析并作出展示。
上述案例证明了该方法解决了传统基于样本熵的方法对部分故障不敏感的问题，对常见的电池故障均有明显的指示作用，具有很好的普适性。
实施例二
本实施例的目的是提供一种计算装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述方法的步骤。
实施例三
本实施例的目的是提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行上述方法的步骤。
实施例四
本实施例的目的是提供储能电池早期故障融合的安全预警系统，包括：
方差模块，被配置为：用于获得串联电池模组电压并计算串联电池模组电压的方差，继而得到故障时复杂度上升的序列；
样本熵模块，被配置为：用样本熵评价该序列的复杂度即可实现电池模组全故障的诊断，针对诊断结果进行安全预警。
以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本公开中的任一方法。
本领域技术人员应该明白，上述本公开的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本公开不限制于任何特定的硬件和软件的结合。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.储能电池早期故障融合诊断方法，其特征是，包括：
获得电池包中串联电池模组电压并计算串联电池模组电压的方差，继而得到故障时复杂度上升的序列；
用样本熵评价该序列的复杂度即可实现电池模组全故障的诊断。
2.如权利要求1所述的基于方差和样本熵融合的储能电池故障诊断方法，其特征是，计算串联电池模组电压的方差时，首先测量电池模组中每个模组的电压，基于每个模组的电压计算电池模组的平均电压，基于每个模组的电压及电池模组的平均电压计算串联电池模组电压的方差。
3.如权利要求1所述的储能电池早期故障融合诊断方法，其特征是，样本熵的获取过程为：
按时间顺序排列电压平方差序列；
将其按序组成一组向量序列；
对于任意两个向量，两向量对应元素差值绝对值的最大值定义为两向量之间的距离；
对于任一向量，统计与其距离小于设定阈值的向量的个数，并得到第一平均值；
将向量的维度增加到设定维，统计与最末向量距离小于设定阈值的向量个数，并得到第二平均值；
基于第一平均值及第二平均值计算状态点的样本熵。
4.如权利要求3所述的储能电池早期故障融合诊断方法，其特征是，样本熵进行分析时，设定阈值与数据的标准差相关，当环境问题带来电压数据波动时，设定阈值也相应改变。
5.如权利要求1所述的储能电池早期故障融合诊断方法，其特征是，所述样本熵的值大于其设定值时则串联电池模组出现故障。
6.如权利要求1所述的储能电池早期故障融合诊断方法，其特征是，电池包由数个电池模组串并联组成，当所有电池模组正常运行时，相互串联的电池电压趋同，方差较小；而当其中一节电池出现故障时，方差序列出现高复杂度的特征。
7.储能电池早期故障融合的安全预警系统，其特征是，包括：
方差模块，被配置为：用于获得串联电池模组电压并计算串联电池模组电压的方差，继而得到故障时复杂度上升的序列；
样本熵模块，被配置为：用样本熵评价该序列的复杂度即可实现电池模组全故障的诊断，针对诊断结果进行安全预警。。
8.一种计算装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现上述权利要求1-6任一所述的方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征是，该程序被处理器执行时执行上述权利要求1-6任一所述方法的步骤。
10.一种应用，其特征是，上述权利要求1-6任一所述的方法的步骤应用至新能源汽车中储能电池的早期故障融合诊断。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110517768.6A CN113433468A (zh) | 2021-05-12 | 2021-05-12 | 储能电池早期故障融合诊断方法及安全预警系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110517768.6A CN113433468A (zh) | 2021-05-12 | 2021-05-12 | 储能电池早期故障融合诊断方法及安全预警系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113433468A true CN113433468A (zh) | 2021-09-24 |
Family
ID=77753121
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110517768.6A Pending CN113433468A (zh) | 2021-05-12 | 2021-05-12 | 储能电池早期故障融合诊断方法及安全预警系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113433468A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115219912A (zh) * | 2022-04-24 | 2022-10-21 | 山东大学 | 一种储能电池早期故障诊断与安全超前预警方法及系统 |
| CN117805663A (zh) * | 2024-02-28 | 2024-04-02 | 常州拜特测控技术有限公司 | 基于运行状态的电池测试方法、装置、设备和介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107093775A (zh) * | 2017-05-04 | 2017-08-25 | 广东电网有限责任公司电力科学研究院 | 一种串联结构电池组的一致性评价方法及装置 |
| CN107153162A (zh) * | 2017-06-06 | 2017-09-12 | 山东大学 | 一种动力电池组多故障在线检测系统及方法 |
| CN110389302A (zh) * | 2018-04-13 | 2019-10-29 | 西南科技大学 | 一种锂离子电池组单体间一致性评价方法 |
| CN110703109A (zh) * | 2019-10-25 | 2020-01-17 | 山东大学 | 一种基于修正样本熵的电池串多故障诊断方法及系统 |
| CN111122162A (zh) * | 2019-12-25 | 2020-05-08 | 杭州电子科技大学 | 基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法 |
| CN111458643A (zh) * | 2020-05-22 | 2020-07-28 | 清华四川能源互联网研究院 | 异常电池筛选方法、装置、电子设备及可读存储介质 |
| CN112098850A (zh) * | 2020-09-21 | 2020-12-18 | 山东工商学院 | 基于sdo算法的锂离子电池电压故障诊断方法及系统 |
| CN112285632A (zh) * | 2020-10-20 | 2021-01-29 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种基于vmd和样本熵的电磁式电流互感器故障诊断方法 |
| CN112363059A (zh) * | 2020-11-02 | 2021-02-12 | 山东大学 | 基于gm（1，1）灰色模型的电池故障诊断方法及系统 |
-
2021
- 2021-05-12 CN CN202110517768.6A patent/CN113433468A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107093775A (zh) * | 2017-05-04 | 2017-08-25 | 广东电网有限责任公司电力科学研究院 | 一种串联结构电池组的一致性评价方法及装置 |
| CN107153162A (zh) * | 2017-06-06 | 2017-09-12 | 山东大学 | 一种动力电池组多故障在线检测系统及方法 |
| CN110389302A (zh) * | 2018-04-13 | 2019-10-29 | 西南科技大学 | 一种锂离子电池组单体间一致性评价方法 |
| CN110703109A (zh) * | 2019-10-25 | 2020-01-17 | 山东大学 | 一种基于修正样本熵的电池串多故障诊断方法及系统 |
| CN111122162A (zh) * | 2019-12-25 | 2020-05-08 | 杭州电子科技大学 | 基于欧氏距离多尺度模糊样本熵的工业系统故障检测方法 |
| CN111458643A (zh) * | 2020-05-22 | 2020-07-28 | 清华四川能源互联网研究院 | 异常电池筛选方法、装置、电子设备及可读存储介质 |
| CN112098850A (zh) * | 2020-09-21 | 2020-12-18 | 山东工商学院 | 基于sdo算法的锂离子电池电压故障诊断方法及系统 |
| CN112285632A (zh) * | 2020-10-20 | 2021-01-29 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种基于vmd和样本熵的电磁式电流互感器故障诊断方法 |
| CN112363059A (zh) * | 2020-11-02 | 2021-02-12 | 山东大学 | 基于gm（1，1）灰色模型的电池故障诊断方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| SHANG YUNLONG: "A multi-fault diagnostic method based on modified Sample Entropy for lithium-ion battery strings", 《JOURNAL OF POWER SOURCES》 * |
| 北京：科学技术文献出版社: "《基于ACT-R与fMRI融合的情绪与认知计算的信息加工过程研究》", 30 November 2017 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115219912A (zh) * | 2022-04-24 | 2022-10-21 | 山东大学 | 一种储能电池早期故障诊断与安全超前预警方法及系统 |
| CN117805663A (zh) * | 2024-02-28 | 2024-04-02 | 常州拜特测控技术有限公司 | 基于运行状态的电池测试方法、装置、设备和介质 |
| CN117805663B (zh) * | 2024-02-28 | 2024-05-10 | 常州拜特测控技术有限公司 | 基于运行状态的电池测试方法、装置、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shang et al. | A multi-fault diagnosis method based on modified Sample Entropy for lithium-ion battery strings | |
| CN109765490B (zh) | 一种基于高维数据诊断的动力电池故障检测方法及系统 | |
| CN112098850B (zh) | 基于sdo算法的锂离子电池电压故障诊断方法及系统 | |
| CN111146514A (zh) | 锂离子电池模组运行安全性评估预测方法、系统及电子设备 | |
| CN113433468A (zh) | 储能电池早期故障融合诊断方法及安全预警系统 | |
| CN112345955B (zh) | 一种动力电池多故障在线诊断方法与系统 | |
| CN111257753B (zh) | 一种电池系统故障诊断方法 | |
| Gu et al. | An Early minor-fault diagnosis method for lithium-ion battery packs based on unsupervised learning | |
| CN115236524A (zh) | 一种新能源汽车动力电池的绝缘故障检测方法及系统 | |
| Mao et al. | An applicable minor short-circuit fault diagnosis method for automotive lithium-ion batteries based on extremum sample entropy | |
| CN116203450A (zh) | 电池短路故障的检测方法、装置、电子设备及存储介质 | |
| CN113376534B (zh) | 动力电池早期故障相平面诊断方法及超前预警系统 | |
| Sun et al. | A minor-fault diagnosis approach based on modified variance for lithium-ion battery strings | |
| Li et al. | An early-fault diagnostic method based on phase plane for lithium-ion batteries under complex operation conditions | |
| Ren et al. | Multi-fault diagnosis strategy based on a non-redundant interleaved measurement circuit and improved fuzzy entropy for the battery system | |
| CN112009252B (zh) | 一种动力电池系统故障诊断及容错控制方法 | |
| CN113391214A (zh) | 一种基于电池充电电压排名变化的电池微故障诊断方法 | |
| Shen et al. | Concurrent multi-fault diagnosis of lithium-ion battery packs using random convolution kernel transformation and Gaussian process classifier | |
| CN115792636A (zh) | 一种基于电压最值的电池组微小故障定量诊断方法及系统 | |
| Song et al. | Model-free quantitative diagnosis of internal short circuit for lithium-ion battery packs under diverse operating conditions | |
| CN116008787A (zh) | 待测器件dut异常识别方法、装置及设备 | |
| Gu et al. | An Early Multi-Fault Diagnosis Method of Lithium-ion Battery Based on Data-Driven | |
| Ma et al. | An Online Detection Method of Short Circuit for Battery Packs | |
| Shete et al. | Fault Diagnosis and State of Charge Estimation of Battery for Electric Vehicle Applications | |
| Park et al. | Analysis of the cell-to-cell imbalance in battery pack based on the over-discharge prognosis and maximum available current prediction for comprehensive management strategy |
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: 20210924 |
|
| RJ01 | Rejection of invention patent application after publication |