CN113777515A - 一种电动汽车充电安全预警方法 - Google Patents

一种电动汽车充电安全预警方法 Download PDF

Info

Publication number
CN113777515A
CN113777515A CN202111067969.7A CN202111067969A CN113777515A CN 113777515 A CN113777515 A CN 113777515A CN 202111067969 A CN202111067969 A CN 202111067969A CN 113777515 A CN113777515 A CN 113777515A
Authority
CN
China
Prior art keywords
battery
soc
peak
capacity
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.)
Pending
Application number
CN202111067969.7A
Other languages
English (en)
Inventor
范亚军
杨爱超
樊友杰
邓礼敏
裴茂林
王毅
胡琛
李敏
吴宇
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.)
Power Supply Service Management Center Of State Grid Jiangxi Electric Power Co ltd
State Grid Corp of China SGCC
Original Assignee
Power Supply Service Management Center Of State Grid Jiangxi Electric Power Co ltd
State Grid Corp of China SGCC
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 Power Supply Service Management Center Of State Grid Jiangxi Electric Power Co ltd, State Grid Corp of China SGCC filed Critical Power Supply Service Management Center Of State Grid Jiangxi Electric Power Co ltd
Priority to CN202111067969.7A priority Critical patent/CN113777515A/zh
Publication of CN113777515A publication Critical patent/CN113777515A/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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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]
    • G01R31/389—Measuring internal impedance, internal conductance or related variables
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种电动汽车充电安全预警方法，分析电动汽车电池组一致性与性能劣化、安全特性耦合机制，进而对电池组SOC一致性发展规律进行推演，为了进一步使电池性能发挥到最大，同时也保障电池组的安全，研究电池组的安全状态监测方法，为解决动力电池组中多重共线性问题，运用主成分回归PCR对锂离子电池容量进行估计，其次使用多元线性回归方法对数据进行回归，将其结果与上述基于主成分回归的健康状态估计模型结果作对比，最后对于短期安全隐患，采用离群点检测的方法可快速、准确的检测异常电池，作出预警，对于长期安全隐患，采用动力电池中长期加速衰退识别方法，作出预警。本发明为电动汽车安全充电提供参考。

Description

一种电动汽车充电安全预警方法
技术领域
本发明涉及一种电动汽车充电安全预警方法，属于电动汽车充电安全技术领域。
背景技术
为了减少碳排放，降低化石能源消耗对国家能源安全构成的威胁，缓解环境危机，加速 开发和推广应用新能源车辆已成为全球共识，新能源汽车和轨道交通车辆被列入我国七大战 略新兴产业。作为新能源车辆的关键技术，动力电池及其应用是各国竞相占领的技术制高点， 对自主突破新能源车辆技术瓶颈至关重要。动力电池作为新能源汽车的关键技术之一，更是 其发展的技术瓶颈。通过各国多年来的努力，动力电池技术不断进步，电池单体性能也得到 较大提升。铅酸电池、镍氢电池、锂离子电池等已在电动汽车和电池储能领域得到批量应用。 其中锂离子电池由于具有高能量密度、长循环寿命、无记忆效应、低自放电率等优点而得到 广泛应用。对此，需要研究电动汽车充电安全预警方法，保证充电过程安全性，而且实现电 池充电时间的最小化。
国内外车企在电池安全管理方面具备一定成果。有学者主要研究了电动汽车动力电池的 SOH估计和RUL预测问题。有学者提出了基于OCV曲线变化对电池SOH进行诊断和估计的概 念，利用ICA和DVA对电池OCV变化进行量化分析,从电池衰退机理角度对电池SOH进行诊 断。有学者提出一种锂离子电池内部健康特征的无损提取方法，实现了对造成钴酸锂电池容 量损失、过电势上升和发热率上升因素的定量计算和分析。有学者研究了基于电压曲线拟合 法以及基于模型法的电池SOH估计方法。目前的电池健康状态估计方法，其最大的不足是应 用于实车数据在线监测是比较困难的，因此如何将科研成果应用于实车监控就显得尤为重要。
发明内容
本发明的目的是提供一种电动汽车充电安全预警方法，为实现电动汽车快速安全发展， 充分发挥其作为能量型负载的潜力，以确保电动车充电过程中快速安全性。
为实现上述目的，本发明采用以下技术方案：一种电动汽车充电安全预警方法，具体实 施步骤如下：
步骤1，电动汽车电池组一致性与性能劣化、安全特性耦合机制分析，包括：针对不同 型号电动汽车动力电池参数不一致的特点，分析电池参数一致性对电池组性能、安全特性敏 感性的影响，进而对电池组SOC一致性发展规律进行推演，为使电池性能发挥到最大，同时 也保障电池组的安全，研究电池组的安全状态监测方法；
假设电池容量和电阻的衰退相同，则由于初始容量、内阻和SOC的不一致将不会导致电 池组SOC一致性的恶化；初始的库伦效率的不一致将会导致电池组SOC一致性迅速发散， 并显示出明显的累计效应；
分析电池在充放电过程中的电压变化趋势反映电池的不一致性，采用“电压差归一化曲 线”来进行分析表征电池电压的变化趋势；以充放电过程中SOC作为横坐标，形成曲线的公 式为：
Figure BDA0003259113520000021
其中V(SOC)是对应SOC的选定单体电池的电压，Vmin(SOC)是对应SOC的电池组中最低单体电压，Vmax(SOC)是对应SOC的电池组中最高单体电压；对于一个完整的充放电过程，取任意的单体电池，曲线都是在0～100％之间变化；通过对比参考曲线即可分析出选定单体电 池的电压变化趋势，参考曲线选定电池电压中位数的“电压差归一化曲线”，即：
Figure BDA0003259113520000022
其中Vmid(SOC)是对应SOC的所有电池单体电压的中位数。
步骤2，提出中长期动力电池健康状态监测方法，包括：为解决动力电池组中多重共线 性问题，运用主成分回归(PCR)对锂离子电池容量进行估计，其次使用多元线性回归方法 对数据进行回归，将其结果与上述基于主成分回归的健康状态估计模型结果作对比，最后通 过三元锂离子电池做寿命衰退实验，验证基于支持向量回归的故障电池容量估计方法及基于 熵权法的权重量化法；
所述运用主成分回归(PCR)对锂离子电池容量进行估计包括：建立容量估计模型。
Q＝0.0503x1+0.0128x2+0.131x3-8.847x4+0.001x5-0.00131x6+51.765 (3)
其中x1～x6分别表示三元锂离子电池容量增量曲线(IC曲线)中的I峰高度、II峰高度、 II峰面积、II峰位置、II峰左斜率、II峰右斜率。
所述使用多元线性回归方法对数据进行回归包括：建立多元线性回归模型。
Q＝0.063x1-0.045x2+0.43x3-3.657x4+0.003x5-0.007x6+30.109 (4)
其中x1～x6分别表示三元锂离子电池容量增量曲线(IC曲线)中的I峰高度、II峰高度、 II峰面积、II峰位置、II峰左斜率、II峰右斜率。
步骤3，最后提出基于电动汽车充电大数据的多时间尺度充电安全预警方法，包括：对 于短期安全隐患，采用离群点检测的方法检测异常电池，作出预警，对于长期安全隐患，采 用动力电池中长期加速衰退识别方法，作出预警。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
本发明实现电动汽车快速安全发展，充分发挥其作为能量型负载的潜力，确保电动车充 电过程中快速安全性。
附图说明
图1是一种电动汽车充电安全预警方法技术路线图；
图2是电池参数分布图；
图3是电池组不一致性示意图；
图4是电压差归一化曲线图；
图5是主成分回归步骤图；
图6是锂电池容量估计模型误差图；
图7是25℃下三块电池容量衰退曲线图；
图8是45℃下三块电池容量衰退曲线图；
图9是新电池外观图；
图10是鼓包胀气后电池外观图；
图11是模型预测值与真实值对比图；
图12是模型误差图；
图13是离群点检测技术流程图；
图14离群点检测示意图；
图15一维高斯分布示意图；
图16离群点检测结果可视化图；
图17电池组各单体电池容量增量曲线图；
图18中心直线和d示意图；
图19点到直线距离与残差关系示意图；
图20正态分布的“3σ”原则示意图；
图21锂离子电池加速衰退识别方法流程图；
图22三种工况下电池带状安全区域示意图与加速衰退识别点图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
如图1所示，一种电动汽车充电安全预警方法，包括：
1.电动汽车电池组一致性与性能劣化、安全特性耦合机制分析
在生产过程中，由于工艺上的问题和材质的不均匀，使得电池极板的活性物质活化程度、 厚度等存在微小的差别，导致对于同一批次出厂的同一型号电池来说，其内部结构和材质不 完全一致，从而使得容量、内阻等并不完全一致。
在使用过程中，由于电池组中各个电池的电解液密度、温度和通风条件、自放电程度、 放电深度及充放电过程等存在差异，使得各个电池的衰退速度各不相同，使用过程中的差异 具有累积性，进一步扩散了出厂电池的不一致性，导致电池容量、内阻各不相同，另外，初 始SOC差异随着库伦效率的存在及差异将会进一步放大，导致放电深度差异不断扩大，从而 使得容量和内阻差异不断扩大。
图2所示为使用时间约为三年的磷酸铁锂(LiFePO4)电池容量数据，其循环次数约为 1500次，该电池组未使用任何均衡装置。图2(a)所示为该组电池容量分布，从额定60Ah衰 退到平均值和标准差分别为49.46Ah、1.499Ah，图2(b)为该组电池内阻分布，其均值和标准 差分别为3.2mΩ和0.15mΩ，内阻和容量分布均可近似拟合正态分布，图2(c)所示为该电池 组充电截止时刻各单体SOC分布，可以看出其顶端SOC差异高达30％。
由于锂离子电池电压和功率等级的限制，在实际使用中需要将大量的电池串并联成组以 满足功率和能量需求，然而电池以传统方式成组后，电池组的可用能量并非各单体可用能量 的简单叠加，参数的不一致性将导致单体电池互相制约，导致电池组的应用寿命通常不及单 体电池的一半。
图3所示为电池组内容量不一致性示意图，此处暂不考虑电池内阻对可用容量的影响， 图3(a)中，电池组内部SOC差异并未对可用容量造成影响，即容量最小的电池(B2)能够率先 充满和放完，该电池组的可用容量即为该最小单体的容量。图3(b-d)中，电池组各单体的初 始SOC差异进一步减小了其可用容量，即容量最小的电池(B2)不能够率先充满和放完，该电 池组的可用容量甚至低于最小单体的容量。图3(b)中，B1先放完电，B3先充满电，可用容量 如图所示；图3(c)中，B2先放完电，B1、B3先充满电，可用容量如图所示；图3(d)中，B1、 B3先放完电，B2先充满电，可用容量如图所示。
从图3可以看出，容量和SOC差异对于电池组可用容量及能量有较大影响，内阻差异与 放电电流相结合，将共同影响单体的可用容量，进一步影响电池组的可用容量及能量。
(2)电池组SOC一致性发展规律推演
电池组SOC的差异对电池能量利用率的影响最为显著。根据电池的使用情况，推导出电 池组SOC差异的变化，以研究不同参数对电池不一致性的影响。下文以一个由三个电池单体 串联的电池组为例进行算例分析，其中电池的容量、内阻和库伦效率分别用Q，R，η表示。
场景I：假设三个电池的容量，内阻和库伦效率相同，但初始SOC不同。令SOC1＝s，SOC2＝s+α，SOC3＝s+β,其中α、β为常数,并且β＞α＞0,η＝1，放电电流和充电电流分 别为I1、I2。
在电池组放电末期，#1电池首先被放空，三个电池单体在第一次放电末期的SOC分别 为：
Figure BDA0003259113520000051
Figure BDA0003259113520000052
Figure BDA0003259113520000053
在电池组第一次充电末期，#3电池首先充满电，三个电池单体的SOC分别为：
Figure BDA0003259113520000054
Figure BDA0003259113520000055
Figure BDA0003259113520000056
在第二次放电末期，#1电池单体首先放空，每个电池单体的SOC分别为：
Figure BDA0003259113520000057
Figure BDA0003259113520000058
Figure BDA0003259113520000059
假设电池组按照以上方式进行充放电训话，在n次循环过后，若#1电池单体的SOC为 SOC1n，则#2和#3电池单体的SOC分别可表示为：
SOC2n＝SOC1n+α (14)
SOC3n＝SOC1n+β (15)
在nth放电结束后，三个电池的SOC依然分别为0，α、β。因此，电池间起始SOC的差 异不会加剧电池组SOC不一致性的恶化。换句话说，随着循环次数的增加，最初SOC所产 生的SOC不一致将保持不变。不过，需要说明的是，由于三个电池的SOC循环区间不同， 长期的循环测试会造成电池的容量衰退速率不同，进而恶化电池组的一致性。
场景II：假设三个电池的内阻，SOC和库伦效率相同，但容量不同。令Q1＝Q0 Q2＝Q0+δ1,Q3＝Q0+δ2,δ1、δ2为常数并且δ2＞δ1＞0,η＝1,SOC1＝SOC2＝SOC3＝1.放电电 流和充电电流分别为I1、I2。在第一次放电末期，由于#1首先放空，电池组的放电容量为Q1， 三个电池的SOC可分别表示为：
Figure BDA0003259113520000061
Figure BDA0003259113520000062
Figure BDA0003259113520000063
由于三个电池初始SOC相同，因此，当电池组完全充满电时，三个电池的SOC相同。因此，可推断出#1，#2，#3电池在n次循环过后，电池组SOC＝0状态下的SOC分别为0, Δ2和Δ3。如果电池容量的衰退速率是相同的，那么电池组的不一致性就不会被最初的容量差异放大。与场景I相似，3个电池的SOC循环区间是不同的，它们的等效充/放电倍率由于初始容量的不同而不同。两个因素叠加起来决定了电池的容量衰退速率的不同，进而恶化电池 组的一致性。
场景III：假设三个电池的容量，内阻，初始SOC相同，但库伦效率不同。假设 η1＝η0，η2＝η0+ε1，η3＝η0+ε2,其中ε1,ε2为常数,并且ε2＞ε1＞0，SOC1＝SOC2＝SOC3＝s。放 电电流和充电电流分别为I1、I2。
在第一次循环放电末期，三个电池单体的SOC可表示为：
Figure BDA0003259113520000064
在第一次循环充电过程中，#3电池由于具有较高的库伦效率首先会充满，三个电池单体 的SOC可表示为：
Figure BDA0003259113520000065
Figure BDA0003259113520000066
Figure BDA0003259113520000067
在第二次循环放电结束时刻，#1电池由于具有较低的SOC会被率先放空，三个电池单 体的SOC分别可表示为：
Figure BDA0003259113520000071
Figure BDA0003259113520000072
Figure BDA0003259113520000073
在第二次循环的充电截止时刻，三个电池单体的SOC可分别表示为：
Figure BDA0003259113520000074
Figure BDA0003259113520000075
Figure BDA0003259113520000076
令电池组第一次、第二次…第n次循环的充电容量分别为
Figure BDA0003259113520000077
则n次循环放电结束时，三个电池单体的SOC可分别表示为：
Figure BDA0003259113520000078
Figure BDA0003259113520000079
Figure BDA00032591135200000710
n次循环充电结束时，三个电池单体的SOC可分别表示为：
Figure BDA00032591135200000711
Figure BDA00032591135200000712
Figure BDA00032591135200000713
公式(29)至(34)说明随着循环次数的增加，电池间库伦效率的差异导致了电池SOC一致 性的恶化。
场景IV：假设三个电池的容量，初始SOC，库伦效率相同，但内阻不同。假设 SOC1＝SOC2＝SOC3＝s。放电电流和充电电流分别为I1、I2。
电池使用过程中，常常需要对电池的端电压进行监控，以便对电池进行充放电控制。根 据电池单体的戴维南等效电路模型，在大电流的情况下，电池的内阻不能被忽略掉。由于电 池SOC可表示为电池开路电压的函数，在充放电截止时刻，电池内阻的大小决定了电池SOC 的高低，随着循环次数的增加，在截止点处的SOC的分布将进一步受到内部阻力变化的影响。 为了说明这一问题，本发明选择充电末期的SOC值来分析其分布的影响。由于电池SOC和 内阻不存在直接的函数关系，因此很难找到一种分析方法来研究内阻对SOC变化演进的影 响。因此，采用数值模拟的方法研究内阻与SOC分布之间的关系。在第一种情况下，最初的 SOC为100％。在接下来的情景中，初始的SOC值在充电结束时受到内阻的影响。在Case1 到Case10中，电池内阻的均值和标准差逐渐增大，充电电流和放电电流相同，均为30A。在 每一种情境下，电池组都是先放电再充电。在计算中，电池第(i+l)次情景下SOC的初始值 为第i次情景下充电结束时刻的值。电池单体在充电结束时刻的SOC会随着电池内阻分布的 改变而改变，计算结果如表1所示。
表1电池内阻分布对电池SOC影响计算结果
Figure BDA0003259113520000081
随着内阻均值和标准差的增加，电池SOC均值逐渐下降且标准差逐渐增加，但是，与 SOC的平均值相比，SOC的变化可以忽略不计。
在以上讨论的基础上，如果假设电池容量和电阻的衰退相同，则由于初始容量、内阻和SOC的不一致将不会导致电池组SOC一致性的恶化。初始的库伦效率的不一致将会导致电池 SOC一致性迅速发散，并显示出明显的累计效应。可以推断出，与电池容量和内阻的差异相 比较，电池库伦效率的差异可能会对电池组SOC差异造成更大的影响。
(3)电池组安全状态监测方法
电池成组之前，电池的初始性能主要受电池制造工艺的影响，锂离子电池制造过程中原 材料粒径的控制、正负极涂布、极片卷绕、电解液加注、电池封口等步骤较易出现偏差，使 得电池内部结构无法完全一致，从而导致同型号、同批次的电池容量、内阻等性能参数不一 致。实际工况中，锂离子电池往往是以成组的形式使用，由于各单体电池存在环境温度、通 风条件、自放电程度等的差异，额定容量、内阻、电压等参数的不一致性会在一定程度上有 所增加。随着循环持续进行，电池间的不一致性差异逐步扩大，影响电池组的循环寿命，更 严重的将引起安全问题。因此，为了使电池性能发挥到最大，同时也保障电池组的安全，对 于电池组的不一致性检测显得尤为重要。
在成组电池中，电池的不一致性的表征最明显、最易监测到的是各单体电池电压的差异。 而造成不同电池单体电压差异的原因是多样的，其中主要关注的影响因素是电池的容量、内 阻以及放电区间。电池组中的异常电池的主要表现大多也与电池的容量、内阻等密切相关， 因此可以通过电池的电压反映。电池组中常见的异常主要有：电池绝缘破损、电池内短路以 及电池漏液等。若电池绝缘破损，则其自放电现象将较严重，而对容量和内阻的影响较小， 因此在外特性上可能表现为充放电电压较低；若电池存在内短路，其容量将大幅减少；对于 电池漏液，由于电解液的流失，电池的导电能力将会降低，同时大量的锂离子流失，必将使 电池的容量迅速衰减、内阻增加，反映在电池电压上则是电压偏高。
造成电池电压的高低差异的原因有很多，但由上述分析可以初步判断，电压表现为偏高 或偏低的电池，成为异常电池的可能性更大。现有的电池管理系统已经可以做到对电池组内 所有电池单体监测。对于前面提到的这类电池可以通过统计的方法将其从所有电池中筛选出 来，根据统计单体电池在电池组中出现最高或最低电压的次数，可以初步筛选出频次或频率 较大的电池单体，即初步筛选出一部分易发异常的电池。但仅通过统计这一方法获取的数据 准确较差，往往容易造成后续的无用分析等问题。
通过对大量的电池充电数据进行分析发现，充电过程中可将电池组内电池单体的电压变 化行为分成如下5种：电压一直偏高、电压一直偏低、电压先低后高、电压先高后低和其他。 正如上述分析，电压偏高可以反映容量偏小或内阻偏大，电压偏低可以反映电池的自放电现 象的强弱，但仅通过分析电压高低容易造成误判和判断有效率较低的问题。通过数据分析发 现，电池在充放电过程中的电压变化趋势能更准确的、有效的反映电池的不一致性。以充电 过程为例：在这一过程中，电压变化表现为先高后低的电池单体往往是因为其容量较大，充 放电深度较浅，造成其初始SOC较其他电池偏大，因此此类电池相对的不易出现电池衰退、 异常和安全问题；而电压变化趋势为先低后高的电池往往是由于其容量偏小、内阻偏大、放 电深度较深等。对比电压一直偏高的电池，这类电池的容量与内阻等各方面问题更加显著， 换句话说，这一类电池则是更易发生问题的电池，需要重点关注。
对于充电阶段电池电压变化趋势的判别，是基于电池单体SOC-V曲线进行的。但是由于 锂离子电池存在电压平台，电池处于平台区时，电池电压的差异可能很小，仅利用SOC-V曲 线很难进行判断。为了准确清晰的表征电池电压的变化趋势，采用“电压差归一化曲线”来进 行分析。以充放电过程中SOC作为横坐标，形成曲线的公式为：
Figure BDA0003259113520000101
其中V(SOC)是对应SOC的选定单体电池的电压，Vmin(SOC)是对应SOC的电池组中最低单体电压，Vmax(SOC)是对应SOC的电池组中最高单体电压。对于一个完整的充放电过程，取任意的单体电池，曲线都是在0～100％之间变化。通过对比参考曲线即可分析出选定单体电 池的电压变化趋势，参考曲线选定电池电压中位数的“电压差归一化曲线”，即：
Figure BDA0003259113520000102
其中Vmid(SOC)是对应SOC的所有电池单体电压的中位数。选取中位数作为参考标准， 是为了防止电池组中异常偏高和偏低的电池对参考标准造成影响。如图4所示的是一次充电 过程中某一单体电池“电压差归一化曲线”与参考曲线的对比。
“电压差归一化曲线”作为普通统计方法的扩展和补充，不仅增强了异常电池诊断的精度， 同时这种方法简单易行，可以应用于每一个电池单体，使异常电池的定位更加直观。
2.提出中长期动力电池健康状态监测方法
(1)基于主成分回归(PCR)的锂离子电池容量估计方法
主成分回归(PCR)是一种典型的解决多重共线性问题的回归方法，其包括主成分分析 (PCA)和回归分析两部分，其主要步骤如图5所示。其中第一部分主成分分析是一种典型 的降维统计方法，其基本原理是将原有的多个相关性较强的变量x1,x2…xP重新组合，生成少 数几个彼此不相关的变量F1，F2…FN，使它们尽可能多得反映原有变量的信息，其中转换后 的F1，F2…FN就叫做主成分，分别称为第一主成分、第二主成分…第N主成分。它借助于一 个正交变换，将分量相关的原向量转化成分量不相关的新向量，其在几何上表现为将原非正 交的坐标系变换成新的正交坐标系，使之指向样本点散布最开的N个正交方向。主成分回归 中的回归部分使用普通的最小二乘法回归，其自变量为主成分分析后得到的N个主成分，因 变量为标准化后的原因变量。由于主成分分析后得到的主成分为正交关系，因此不会存在多 重共线性问题。
具体到实验数据中，使用IBM SPSS对7个参数进行主成分分析(PCA)。检验统计量(KMO)是用于比较变量间简单相关系数和偏相关系数的指标，它体现了数据是否适用于主成分分析的参数，介于0-1之间，其值越接近1说明变量间的相关性越强，数据越适用于主成分分析方法。实验所用的三元锂电池IC曲线特征参数数据的KMO值为0.716，说明PCA 适用于此数据的降维处理。降维结果显示，只有两个主成分的方差大于1，且两个主成分的 累积方差百分比达到95.025％，说明两个主成分包含了原7个变量的95.025％的信息，因此认定降维结果为第一、第二主成分，分别命名为ZF1，ZF2，计算得ZF1和ZF2的表达式为：
ZF1＝0.448Zx1+0.459Zx2+0.047Zx3-0.445Zx4+0.451Zx5-0.431Zx6 (37)
ZF2＝-0.0007Zx1+0.0714Zx2+0.953Zx3-0.0858Zx4+0.0126Zx5+0.282Zx6 (38)
其中Zx1～Zx6分别表示6个标准化之后的特征参数。
按照公式(37)、(38)计算得出ZF1和ZF2的数据。将ZF1和ZF2作为自变量，标准化后的容 量ZQ作为因变量，使用最小二乘法建立回归模型，得出ZF1,ZF2与容量ZQ的关系为：
ZQ＝0.449ZF1+0.107ZF2 (39)
将公式(37)、(38)代入(39)，得标准化后的容量与标准化后的六个自变量的关系为：
ZQ＝0.201ZX1+0.214Zx2+123Zx3-0.208Zx4+0.204Zx5-0.1631Zx6 (40)
将公式(40)中所有自变量及因变量还原到非标准化的原始变量，得到最终的容量估计模 型公式为：
Q＝0.0503Zx1+0.0128Zx2+0.131Zx3-8.847Zx4+0.001Zx5-0.00131Zx6+51.765 (41)
其中x1～x6分别表示三元锂离子电池容量增量曲线(IC曲线)中的I峰高度、II峰高度、 II峰面积、II峰位置、II峰左斜率、II峰右斜率。
使用原数据检验回归模型的准确性，误差如图6所示。误差结果显示，绝大多数循环误 差均在0.2Ah(1％)以内，在420次循环左右出现几个坏点，其原因与电池容量测试有关， 原数据中电池的容量出现明显波动，但坏点的最大误差仍在2％以内，说明容量估计准确度较 高。
(2)基于主成分回归与多元线性回归的容量估计模型
使用最常用的多元线性回归方法对数据进行回归，将其结果与上述基于主成分回归的健 康状态估计模型结果作对比。
用原6个参数作为多元线性回归模型的自变量，实际容量为模型因变量，训练多元线性 回归模型，得到回归模型表达式为：
Q＝0.063Zx1-0.045Zx2+0.43Zx3-3.657Zx4+0.003Zx5-0.007Zx6+30.109 (42)
其中，x1～x6与公式(41)相同，分别表示I峰高度、II峰高度、II峰面积、II峰位置、II峰 左斜率、II峰右斜率。
将主成分回归结果与多元线性回归模型相比较。从准确度上，两种方法的准确度基本相 同，均在0.2Ah(2％)以内。从解释性上，多元线性回归的结果表达式不合理，在公式(42) 中，代表II峰高度的x2的系数为负，而事实上，容量与II峰高度为正相关关系，因此这两个 参数的系数正负号是不合理的，说明多元线性回归没有解决共线性问题，此方法造成了模型 失真，无法解释电池的物理意义；相反地，主成分回归的结果表达式解释性非常好，每个参 数的符号与相关性完全对应，因此在保证准确度的情况下解决了共线性问题。
(3)基于支持向量回归的故障电池容量估计方法及基于熵权法的权重量化法
用6块某公司生产的36Ah三元锂离子电池做寿命衰退实验，分别选取2种实验条件。 其中编号1-3号电池在恒温25℃下1C充放电循环，4-6号电池在恒温45℃下1C充放电循环。 各电池容量随循环次数的变化曲线如图7和图8所示。
图7和图8结果显示，2种应力条件下的6块三元电池的容量衰退均出现明显的非线性 规律：当电池循环到一定循环次数时，容量衰退曲线出现明显拐点，容量开始加速衰退。综 合对比图7与图8可以得出结论：(i)同一实验条件下的三块电池出现衰退加速点的时间基本 相同，在25℃恒温环境下实验的编号为1、2、3的三块电池在循环到500次左右时开始加速 衰退，在45℃恒温环境下实验的编号为4、5、6的三块电池在循环到450次左右时开始加速 衰退；(ii)同一实验条件下的三块电池在拐点之前容量衰退的一致性较好，在拐点之后容量一 致性越来越差。
在实验过程中观察电池的外形，在出现容量加速衰退拐点之前，电池的外形基本无变化， 如图9所示；在拐点之后，电池开始出现胀气鼓包现象并越来越严重，最终的外形如图10所 示。
此电池健康状态估计方法应用于实车BMS或数据监控平台时需高频率重复运行，由于运 行资源的限制，且拟使用的模型方法——支持向量机的精度较高，因此尝试从6个初步选取 的特征参数中进一步筛选和简化。在此使用熵权法进行特征参数权重量化，舍弃权重较低的 参数，保留权重最大的3个特征参数，作为回归模型的自变量。
权重量化方法分为主观赋权方法与客观赋权方法，熵权法是一种典型的客观赋权方法。 熵权法中的熵指的是信息熵，1948年由著名的数学家香农提出，其解决了对信息的量化度量 问题。熵是系统无序程度的度量，如果某个指标的熵值越小，说明其指标值的变异程度越大， 提供的信息量多，在综合评价中该指标起的作用越大，其权重越大。这就是熵权法的原理。
单个指标信息熵的计算公式如式(43)所示。
Figure BDA0003259113520000131
其中，pi(i＝1,2,…m)表示该指标每种状态出现的概率，m为各状态的总数。
具体到IC曲线中的特征参数权重量化问题，仍然以45℃下循环的6号电池为例，用熵 权法计算上述6个特征参数的权重，得到各参数权重如表2所示。
表2 6号电池参数权重
I峰高度 II峰高度 II峰面积
0.07547884 0.17027479 0.10571832
II峰位置 II峰左斜率 II峰右斜率
0.14405385 0.0866662 0.33279234
由表2可知，6号电池权重较大的三个参数分别为II峰位置、II峰峰值和II峰右侧斜率。 计算其他5块电池的特征参数权重，权重数值虽与6号电池不完全相同，但权重较大的三个 参数均为II峰位置、II峰峰值和II峰右侧斜率，因此选定此三个参数作为回归模型最终的特 征参数。
支持向量机(SVM)是90年代中期发展起来的基于统计学习理论的一种机器学习方法， 通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而 达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。
通俗来讲，支持向量机产生之初是一种二类分类模型，其基本模型定义为特征空间上的 间隔最大的线性分类器，即支持向量机的学习策略便是间隔最大化，最终可转化为一个凸二 次规划问题的求解。在分类问题的基础上，运用与分类方法相似的原理，逐渐发展出支持向 量回归方法。在诸多机器学习算法中，支持向量机作为深度学习问世之前评价最高、应用最 广泛的方法，其重要的一个优点是其强大的核函数功能，在非线性问题上表现优异。
以25℃下循环的1号电池为例，建立容量估计模型。1号电池的容量衰退曲线如图11绿 线所示，480次循环左右出现衰退加速拐点，551次循环时的充电容量为28.6Ah，此时电池 衰退到额定容量的80％。为了更好得模拟实车运行情况下的模型训练、预测及模型更新过程， 模型建立及检验方案如下：以前250次循环数据作为训练集训练模型，以251～300次循环数 据作为测试集测试模型精度；训练集中加入351～400次循环数据训练模型，以401～450次循 环数据作为测试集测试模型精度；训练集中加入451～500次循环数据训练模型，以501～551 次循环数据作为测试集测试模型精度。对于支持向量回归的核函数的选择，对比高斯核函数(rbf)和线性核函数(linear)后，发现线性核函数在保证准确度较高的情况下，模型训练速 度具有明显优势，占用的系统资源也相对较少，更适用于健康状态的实时监控，因此选取线 性核函数。此过程预测数据曲线如图11黑色点所示，真实值如灰色点所示，模型误差如图 12所示。
图12显示，几段预测集的误差均在1.5％以内，说明模型准确度较高，且在电池出现加 速衰退后，模型误差并没有明显增大，证明了此方法的有效性。
3.提出基于电动汽车充电大数据的多时间尺度充电安全预警方法
(1)基于数据驱动的安全隐患预警方法
对于短期安全隐患在线预警，采用离群点检测的方法可快速、准确的检测异常电池，运 行数据实时监控，提升电池系统可靠性。其技术流程主要如图13。
1)短期运行数据特征参量提取
短期运行数据定义为电池系统短时间内的运行数据，其时间范围可以包括从几分钟到几 次循环。若将电池视为一个参数随时间而发生变化的状态空间，其外特性(电压、电流、充 入电量等)即是内部参数作用的结果，因此运行数据可表征其状态空间的内部参数。短时间 尺度内，若电池不发生影响电池安全的问题，则可以认为电池的状态参数并未发生改变。对 于电池，短期数据的分析有助于及时对潜在安全隐患进行预警。对于电池组，由于电池组在 出厂前，需经过筛选(容量法、内阻法、电压法等)方式选出参数相近的电池成组，出厂时 各电池特征参数相近，因此短期运行数据可以反映电池组运行时的一致性分布。
实际运行数据常以1s或10s为时间记录间隔，因此冗余数据仍较多，但对特征参数的提 取时，需要更高的数据维度和更大数据量来保证特征参数的准确性，因此主要先采用两种方 式对其进行特征提取：
①提取电池容量增量峰数据(峰值、峰面积、峰斜率等)构成数据方阵；
②将电池运行数据构成行向量，计算向量积(M＝ATA)，得数据方阵。
实际实验中，方法一，选取峰值位置对应充入容量、电压与峰值构成3×3的参数方阵； 方法二，选取充入容量和电压数据生成数据矩阵。经过上述过程得到的数据矩阵维度依然较 高、数据冗余量较大，需进行矩阵降维。特征值是矩阵降维的主要方法，且能准确的描述矩 阵特征。因此选用数据矩阵最大两个特征值来作为特征参数。
2)基于高斯分布的离群点检测方法
异常对象被称作离群点，异常检测也称偏差检测和例外挖掘。离群点检测是一种常用的 数据挖掘方法，如图14所示。主要用于异常数据检测。其有多种具体的方法，其中基于高斯 分布的离群点检测算法过程简单，稳定性较高。
以一维高斯分布为例如图15所示，一次实验的99.9％的数据都分布在[μ-3σ,μ+3σ]的范 围内，其中μ为数据平均值，σ为数据标准差，因此异常数据通常采用平均值与标准差界定， 即以μ为中心3σ外的数据即被认为异常。实际可根据设定置信区间(即阈值)来界定异常数 据范围。
以提取的特征参数为坐标绘制散点图如图16所示，发现其具有明显的聚集性，这与上述 的电池状态空间参数相近的假设相符，初步验证理论正确。
实际实验中发现140#电池明显远离聚集区，如图17所示。即算法检测140#电池为异常， 对其单体进行进一步实验发现，其电压范围、容量等参数均正常，但其容量增量曲线表现异 于同电池组其他电池单体，证明存在安全隐患。
(2)动力电池中长期加速衰退识别方法
目前已知安全区域的形状，而问题的难点在于带状安全区域的位置和宽度。其中，位置 可由安全区域上下边界之间的中心直线确定，宽度可由安全区域边界到中心直线的距离d确 定，因此带状安全区域建立转化为中心直线和d的确定，中心直线与d的示意图如图18所示。 中心直线的建立方法可通过适当的线性回归算法得到，而d的获取可通过研究数据点到中心 直线之间的距离而得到。
1)带状安全区域中心直线的确定
图18显示此电池的主峰峰值在安全运行阶段均呈现近似线性衰退的特点，因此以安全运 行阶段数据建立主峰峰值与循环次数之间的分位数回归模型。
在建模过程中，对安全运行阶段的主峰峰值数据进行从0.1～0.9的9个十分位数回归估计， 共得到九条线性回归直线。带状安全区域的中心直线由这9条直线中的某一条，并结合下文 中的其残差的性质经过适当的移动得到。
2)带状安全区域带宽的确定
对于带状安全区域带宽的设置，若带宽过小，由图18可以看出，在安全运行阶段也会出 现数据点越出安全区域的情况，导致故障预警误触发；若宽度过大，会导致模型不够敏感， 预警触发过晚，增大了事故的概率。因此带状安全区域宽度选取的原则是保证电池在安全状 态下运行不会误触发的前提下越小越好。为了保证预警不会误触发，只须保证容量衰退曲线 上的点到中心直线的距离小于d。
使用分位数回归估计算法得到安全运行阶段0.1～0.9的9条十分位数回归直线，并计算数 据点到各条直线的距离。严格地，点到直线的距离为点到直线的垂直距离，如图19所示的d， 而直线i的长度可表示点到直线上与该点相同横坐标的点的距离，在回归问题中即为估计的 残差。对于电池的II峰峰值随循环次数的变化规律而言，由于衰退速度相对较慢，回归直线 的斜率的绝对值较小(如6#电池II峰峰值回归直线斜率约为-0.02)，即tanθ非常小(约为 1.5°)，则cosθ近似等于1，即d与i近似相等，因此点到直线距离的计算可转化为点到直线 上估计值距离的计算，即估计的残差。
计算9个分位数回归的残差，验证9个分位数回归残差的正态性，若残差服从正态分布， 则正态分布的“3σ”原则可为中心直线与d的选取提供理论依据：正态曲线下横轴上一定区间 的面积反映该区间的例数占总例数的百分比，或变量值落在该区间的概率(概率分布)，正 态曲线下，横轴区间(μ-σ,μ+σ)、(μ-2σ,μ+2σ)、(μ-3σ,μ+3σ)内的面积分别为68.26％、95.44％， 和99.73％，如图20所示。由此可见随机变量X落在(μ-3σ,μ+3σ)以外的概率小于千分之三， 在实际问题中常认为小概率事件，可以把区间(μ-3σ,μ+3σ)看作是随机变量X实际可能的取值 区间，因此可将带状安全区域上下边界到中心直线的距离d的大小设置为服从正态分布残差 的3倍的标准差。采用夏皮洛-威尔克正态性检验方法，将9个分位数回归的残差正态性最好 的一组保留下来，作为安全区域中心直线的基础直线。保留下来的一组结果，计算其残差的 均值和方差，记为N(μ,σ2)。
3)锂离子电池加速衰退识别方法步骤
锂离子电池加速衰退识别方法流程如图21所示。
三元锂离子电池加速衰退识别方法的建模步骤如图21所示，解释和说明如下：
①依据损失函数求主峰峰值的0.1～0.9的9个十分位数回归，得到结果如公式(44)所示:
Figure BDA0003259113520000161
其中，n为循环次数，P为主峰峰值数据，k和b为回归直线的斜率和截距。
②由公式(45)计算原始数据对每个分位数回归的残差，得到9组残差数据:
Figure BDA0003259113520000162
其中，Pi为主峰峰值原始数据，
Figure BDA0003259113520000163
为各分位数回归的估计量。
③对9组残差数据进行正态分布检验(如使用文中提到的夏皮洛-威尔克方法)，将残 差正态性最好(如正态性检验显著性最大)的一组分位数回归结果保留下来，将此组 残差服从的正态分布表示为公式(46)：
eτ～N(μ,σ2) (46)
④中心直线由公式(47)求得，带状安全区域的上下边界由公式(48)求得，该加速衰退识 别的预警触发条件如公式(49)所示。
p′＝ksn+bs+μ (47)
p′±＝ksn+bs+μ±3σ (48)
(hn-1,hn,hn+1≤ksn+bs+μ-3σ||(hn-1,hn,hn+1≥ksn+bs+μ+3σ) (49)
其中n为电池循环次数，h为主峰峰值数据点，ks和bs为上一步检验中残差的正态性最 好的分位数回归的斜率和截距，μ为此分位数回归残差的均值，σ为残差的标准差。
依据锂电池加速衰退识别方法，分析实验电池数据。仍然以6#电池数据为例，展示此方 法的建模过程，并展示其他工况电池结果。首先将此电池IC曲线主峰峰值数据的安全运行阶 段数据进行0.1～0.9的分位数回归，结果如公式(50)所示。
Figure BDA0003259113520000171
其中，n表示循环次数，P为主峰峰值数据。
其次，求9个分位数回归的残差，并验证残差的是否服从正态分布。选用的正态性验证 方法为夏皮洛-威尔克检验(W检验)，当显著性大于0.05时，可认为近似服从正态分布。9 个分位数回归的残差W检验结果如表3所示。
表3夏皮洛-威尔克检验结果
Figure BDA0003259113520000172
Figure BDA0003259113520000181
表3中夏皮洛-威尔克检验的结果显示，0.1分位数回归结果的残差正态性检验的显著 性>0.05，说明在α＝0.05的检验水准下，此回归直线的残差服从近似正态分布，其均值和标准 差分别为1.459和1.155，因此可表示为N(1.459,1.1552)。而其他几条回归直线残差正态性 拒绝原假设，因此不服从近似正态分布。
则根据式中第一十分位数的表达式及其残差的均值与标准差，可得中心直线与上下边界 公式分别如公式(51)，公式(52)，公式(53)所示，此电池触发故障预警的时间为第502次循环。
P＝-0.0228n+106.7642 (51)
P＝-0.0228n+103.2992 (52)
P＝-0.0228n+100.2292 (53)
由图22可知，同一工况下的多支电池的一致性较好，因此从每种工况中挑选1只电池， 使用该方法识别其加速衰退的拐点。25℃下的1#电池和35℃下的3#电池的加速衰退识别点 分别为465次循环和773次循环。1#电池、3#电池和6#电池的带状安全区域以及加速衰退识 别点分别如图22(a)(b)(c)所示。
以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟 悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明 的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (4)

1.一种电动汽车充电安全预警方法，其特征在于，具体实施步骤如下：
步骤1，电动汽车电池组一致性与性能劣化、安全特性耦合机制分析，包括：针对不同型号电动汽车动力电池参数不一致的特点，分析电池参数一致性对电池组性能、安全特性敏感性的影响，进而对电池组SOC一致性发展规律进行推演，为使电池性能发挥到最大，同时也保障电池组的安全，研究电池组的安全状态监测方法；
步骤2，提出中长期动力电池健康状态监测方法，包括：为解决动力电池组中多重共线性问题，运用主成分回归PCR对锂离子电池容量进行估计，其次使用多元线性回归方法对数据进行回归，将其结果与上述基于主成分回归的健康状态估计模型结果作对比，最后通过三元锂离子电池做寿命衰退实验，验证基于支持向量回归的故障电池容量估计方法及基于熵权法的权重量化法；
步骤3，最后提出基于电动汽车充电大数据的多时间尺度充电安全预警方法，包括：对于短期安全隐患，采用离群点检测的方法检测异常电池，作出预警，对于长期安全隐患，采用动力电池中长期加速衰退识别方法，作出预警。
2.根据权利要求1所述的一种电动汽车充电安全预警方法，其特征在于，步骤1中所述电动汽车电池组一致性与性能劣化、安全特性耦合机制分析具体包括：
假设电池容量和电阻的衰退相同，则由于初始容量、内阻和SOC的不一致将不会导致电池组SOC一致性的恶化；初始的库伦效率的不一致将会导致电池组SOC一致性迅速发散，并显示出明显的累计效应；
分析电池在充放电过程中的电压变化趋势反映电池的不一致性，采用“电压差归一化曲线”来进行分析表征电池电压的变化趋势；以充放电过程中SOC作为横坐标，形成曲线的公式为：
Figure FDA0003259113510000011
其中V(SOC)是对应SOC的选定单体电池的电压，Vmin(SOC)是对应SOC的电池组中最低单体电压，Vmax(SOC)是对应SOC的电池组中最高单体电压；对于一个完整的充放电过程，取任意的单体电池，曲线都是在0～100％之间变化；通过对比参考曲线即可分析出选定单体电池的电压变化趋势，参考曲线选定电池电压中位数的“电压差归一化曲线”，即：
Figure FDA0003259113510000012
其中Vmid(SOC)是对应SOC的所有电池单体电压的中位数。
3.根据权利要求1所述的一种电动汽车充电安全预警方法，其特征在于，所述主成分回归PCR对锂离子电池容量进行估计包括：建立容量估计模型：
Q＝0.0503x1+0.0128x2+0.131x3-8.847x4+0.001x5-0.00131x6+51.765 (3)
其中x1～x6分别表示三元锂离子电池容量增量曲线中的I峰高度、II峰高度、II峰面积、II峰位置、II峰左斜率、II峰右斜率。
4.根据权利要求1所述的一种电动汽车充电安全预警方法，其特征在于，所述使用多元线性回归方法对数据进行回归包括：建立多元线性回归模型：
Q＝0.063x1-0.045x2+0.43x3-3.657x4+0.003x5-0.007x6+30.109 (4)
其中x1～x6分别表示三元锂离子电池容量增量曲线中的I峰高度、II峰高度、II峰面积、II峰位置、II峰左斜率、II峰右斜率。
CN202111067969.7A 2021-09-13 2021-09-13 一种电动汽车充电安全预警方法 Pending CN113777515A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111067969.7A CN113777515A (zh) 2021-09-13 2021-09-13 一种电动汽车充电安全预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111067969.7A CN113777515A (zh) 2021-09-13 2021-09-13 一种电动汽车充电安全预警方法

Publications (1)

Publication Number Publication Date
CN113777515A true CN113777515A (zh) 2021-12-10

Family

ID=78843006

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111067969.7A Pending CN113777515A (zh) 2021-09-13 2021-09-13 一种电动汽车充电安全预警方法

Country Status (1)

Country Link
CN (1) CN113777515A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114312319A (zh) * 2021-12-15 2022-04-12 重庆长安新能源汽车科技有限公司 基于电压累计值的电池安全监控方法、存储介质及车辆
CN114779105A (zh) * 2022-04-15 2022-07-22 吉林大学 一种锂电池组的不一致性估计方法
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
CN116008817A (zh) * 2023-01-31 2023-04-25 北京索科曼正卓智能电气有限公司 锂电池故障预警方法、装置、设备和计算机可读存储介质
CN116505105A (zh) * 2023-06-27 2023-07-28 深圳市泰昂能源科技股份有限公司 基于并联模块的蓄电池在线管理方法
CN116526639A (zh) * 2023-07-05 2023-08-01 昆明理工恒达科技股份有限公司 一种储能电池均衡控制方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
王帅 等: "基于电压曲线的退役电池模组分选方法", 中国电机工程学报, pages 2961 - 2704 *
芮光辉 等: "基于多时间尺度的电动汽车充电过程故障在线预警方法", 计算机系统应用, pages 143 - 149 *
郭琦沛 等: "基于容量增量曲线的三元锂离子电池健康状态估计方法", 全球能源互联网, pages 180 - 187 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114312319A (zh) * 2021-12-15 2022-04-12 重庆长安新能源汽车科技有限公司 基于电压累计值的电池安全监控方法、存储介质及车辆
CN114312319B (zh) * 2021-12-15 2023-06-02 重庆长安新能源汽车科技有限公司 基于电压累计值的电池安全监控方法、存储介质及车辆
CN114779105A (zh) * 2022-04-15 2022-07-22 吉林大学 一种锂电池组的不一致性估计方法
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
CN116008817A (zh) * 2023-01-31 2023-04-25 北京索科曼正卓智能电气有限公司 锂电池故障预警方法、装置、设备和计算机可读存储介质
CN116505105A (zh) * 2023-06-27 2023-07-28 深圳市泰昂能源科技股份有限公司 基于并联模块的蓄电池在线管理方法
CN116505105B (zh) * 2023-06-27 2023-11-17 深圳市泰昂能源科技股份有限公司 基于并联模块的蓄电池在线管理方法
CN116526639A (zh) * 2023-07-05 2023-08-01 昆明理工恒达科技股份有限公司 一种储能电池均衡控制方法及系统
CN116526639B (zh) * 2023-07-05 2023-09-05 昆明理工恒达科技股份有限公司 一种储能电池均衡控制方法及系统

Similar Documents

Publication Publication Date Title
CN113777515A (zh) 一种电动汽车充电安全预警方法
Wang et al. A novel consistency evaluation method for series-connected battery systems based on real-world operation data
Tian et al. Consistency evaluation and cluster analysis for lithium-ion battery pack in electric vehicles
CN107797067B (zh) 一种基于深度学习的锂离子电池寿命迁移预测方法
CN111537899A (zh) 一种梯次利用动力电池安全性评估方法
CN110161414A (zh) 一种动力电池热失控在线预测方法及系统
CN111458648B (zh) 锂离子电池健康状态的在线检测方法
CN112630662B (zh) 一种基于数据驱动及多参数融合的动力电池soh估算方法
CN111036575B (zh) 一种基于温度变化分析的锂离子电池分选方法
CN111983474A (zh) 一种基于容量衰退模型的锂离子电池寿命预测方法和系统
CN114734873B (zh) 一种基于云端在线数据的动力电池单体热失控预警方法
KR20210000207A (ko) 내부 단락 셀 검출 방법
CN113504482A (zh) 考虑机械应变的锂离子电池健康状态估计与寿命预测方法
CN114580496A (zh) 一种锂离子电池单体故障自检测方法
CN117148177A (zh) 电池动态一致性评价方法、装置和计算机设备
Xu et al. Safety warning analysis for power battery packs in electric vehicles with running data
CN114509678A (zh) 一种基于大数据的动力电池热失控预测方法
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
CN114545275A (zh) 一种锂离子电池剩余使用寿命间接预测方法
CN116973763A (zh) 一种锂电池包热失控预警方法和装置
Tian et al. Lithium-ion battery degradation and capacity prediction model considering causal feature
CN114355218A (zh) 一种基于多特征量筛选的锂离子电池荷电状态预测方法
Li et al. Internal fault diagnosis method for lithium batteries based on a failure physical model
CN114624614A (zh) 一种退役锂离子电池健康状态的快速评估方法
CN113687256A (zh) 一种评估单体自放电率对电池系统一致性影响的方法

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