CN113791364A - 模型融合信号驱动的锂离子电池内部短路诊断方法与系统 - Google Patents
模型融合信号驱动的锂离子电池内部短路诊断方法与系统 Download PDFInfo
- Publication number
- CN113791364A CN113791364A CN202111013964.6A CN202111013964A CN113791364A CN 113791364 A CN113791364 A CN 113791364A CN 202111013964 A CN202111013964 A CN 202111013964A CN 113791364 A CN113791364 A CN 113791364A
- Authority
- CN
- China
- Prior art keywords
- battery
- internal
- temperature
- short circuit
- lithium ion
- 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
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 53
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000003745 diagnosis Methods 0.000 title claims abstract description 24
- 230000004927 fusion Effects 0.000 title claims abstract description 19
- 238000004134 energy conservation Methods 0.000 claims abstract description 18
- 210000004027 cell Anatomy 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000012546 transfer Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 5
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims 1
- 229910052744 lithium Inorganic materials 0.000 claims 1
- 230000035945 sensitivity Effects 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000013399 early diagnosis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/385—Arrangements for measuring battery or accumulator variables
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供了一种模型融合信号驱动的锂离子电池内部短路诊断方法与系统，包括以下步骤：测量锂离子电池电流和表面温度，采用简化的多层热模型计算电池内部温度；采用基于电池内部温度、考虑电池内部可逆热的电池能量守恒模型，结合电池电流、表面温度、内部温度数据进行电池内部参数辨识；由辨识得到的电池内部参数计算电池内部短路特征参数；最后判断电池内部短路特征参数所在阈值范围，实现对锂离子电池内部短路的分级诊断。本发明针对锂离子电池内部短路问题，实现了对锂离子电池内部短路的在线诊断，能够有效捕捉内短路时电池的故障特征，提高识别锂离子电池内部短路故障的灵敏性和准确性。
Description
技术领域
本发明涉及锂离子电池技术领域，具体地，涉及一种模型融合信号驱动的锂离子电池内部短路诊断方法与系统。
背景技术
近年来，随着能源技术的进步和人们环保意识的增强，电动汽车产业得到了飞速发展。锂离子电池因具有高能量密度和长使用寿命等优点，而被广泛应用于电动汽车产业。但是，锂离子电池存在着潜在的安全隐患，如：电池自燃事件频频发生，甚至引发火灾，制约了电动汽车的发展。近年来的电池安全事故报告表明，内短路(Internal Short Circuit，ISC)会导致电池内部的热量积累，经过长期发展后，会进一步引发电池热失控。因此，ISC被认为是导致电池热失控的根本因素之一。
锂离子电池的ISC自形成到发展成热失控存在着很长的潜伏期，对于现有的电池管理系统而言，对电池ISC进行有效检测还是一个很大的挑战。Xia B提出了一种基于相关系数的电池内部短路故障检测方法，通过检测电池电压信号是否出现非正常的突降-回升现象来判断内短路，但是此方法需要电压骤降才能实现检测，对于早期的内短路检测并不适用。Moeini A提出了基于等效电路模型的电池内部短路故障检测方法，但是此方法需要准确的电池荷电状态(State of Charge，SOC)估计，而在实际应用中SOC估计存在偏差，难以对内短路有效检测。张明轩等提出了一种基于电池组平均-差异模型的内短路检测方法，但是从内短路发生到识别出内短路需要一小时以上，也没有解决在早期对内短路有效检测的问题。
专利文献CN109738811A(申请号：CN201910078743.3)公开了一种基于双级模型预测的锂离子电池组外部短路故障诊断方法，涉及锂离子动力电池安全技术领域。首先,对锂离子电池组进行外部短路实验，构建电池组外部短路双级等效电路模型，利用被测实验数据对电池模型参数进行离线最优性辨识；然后，运行时根据电池测量数据判断电池组中电池状态，发现部分电池电压出现异常时，对产生异常的相邻电池单元标记为整体，记作异常电池组，启动第一级电池模型，若第一级电池模型误差小于临界阈值，则触发第二级电池模型，计算获得模型误差；最后，通过实测数据与双级模型吻合度，对异常电池进行故障诊断。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种模型融合信号驱动的锂离子电池内部短路诊断方法与系统。
根据本发明提供的模型融合信号驱动的锂离子电池内部短路诊断方法，包括：
步骤1：测量锂离子电池电流和表面温度，采用简化的多层热模型计算电池内部温度；
步骤2：采用基于电池内部温度、考虑电池内部可逆热的电池能量守恒模型，结合电池电流、表面温度、内部温度数据进行电池内部参数辨识；
步骤3：由辨识得到的电池内部参数计算电池内部短路特征参数；
步骤4：判断电池内部短路特征参数所在阈值范围，实现对锂离子电池内部短路的分级诊断。
优选的，简化的多层热模型根据电池表面温度分布与内部温度分布的对应关系，由电池表面温度来计算电池内部温度，将电池和边界条件划分为多个热节点，热节点之间通过热阻连接，在各个热节点建立能量守恒方程，根据相邻节点的热传递把内部节点和外部节点通过方程联系起来，当整个电池被分为n个节点时，所有节点的节点温度、温度系数和余项分别组成矩阵Tn×1、Qn×1和bn×1，利用测得的表面温度和环境温度，求解得到电池内部各节点温度，计算公式为：
Qn×1Tn×1＝bn×1
其中，Tn×1为节点温度矩阵，Qn×1为温度系数矩阵，bn×1为余项矩阵。
优选的，锂离子电池的能量守恒模型离散方程为：
其中，m为电池总质量，Cp为电池比热容，Tin为电池内部温度，I为电流，R为等效内阻，ET为平衡电势的温度系数，h为换热系数，A为电池表面积，Tsurf为电池表面温度，Tamb为环境温度，k为时间指标。
优选的，结合电池电流、表面温度、内部温度数据，采用遗忘因子递推最小二乘法对参数辨识，辨识参数为等效内阻R和平衡电势的温度系数ET；
遗忘因子递推最小二乘法依据公式为：
其中，y为观测量；θ为待估计的参数；φ为已知的变量参数；k为时间指标；λ为遗忘因子，取值范围为0.9-1；
参数辨识依据公式为：
其中，m为电池总质量，Cp为电池比热容，Tin为电池内部温度，I为电流，R为等效内阻，ET为平衡电势的温度系数，h为换热系数，A为电池表面积，Tsurf为电池表面温度，Tamb为环境温度，k为时间指标。
优选的，由辨识得到的参数计算特征参数，判断特征参数所在阈值范围，实现对诊断电池内部短路的分级诊断，所述特征参数为R/R0，其中，R为辨识得到的等效内阻，R0为锂离子电池正常工作情况下辨识得到的等效内阻，根据R/R0所在阈值范围判断电池内短路程度，特征参数R/R0越大，内短路情况越严重。
根据本发明提供的模型融合信号驱动的锂离子电池内部短路诊断系统，包括：
模块M1：测量锂离子电池电流和表面温度，采用简化的多层热模型计算电池内部温度；
模块M2：采用基于电池内部温度、考虑电池内部可逆热的电池能量守恒模型，结合电池电流、表面温度、内部温度数据进行电池内部参数辨识；
模块M3：由辨识得到的电池内部参数计算电池内部短路特征参数；
模块M4：判断电池内部短路特征参数所在阈值范围，实现对锂离子电池内部短路的分级诊断。
优选的，简化的多层热模型根据电池表面温度分布与内部温度分布的对应关系，由电池表面温度来计算电池内部温度，将电池和边界条件划分为多个热节点，热节点之间通过热阻连接，在各个热节点建立能量守恒方程，根据相邻节点的热传递把内部节点和外部节点通过方程联系起来，当整个电池被分为n个节点时，所有节点的节点温度、温度系数和余项分别组成矩阵Tn×1、Qn×1和bn×1，利用测得的表面温度和环境温度，求解得到电池内部各节点温度，计算公式为：
Qn×1Tn×1＝bn×1
其中，Tn×1为节点温度矩阵，Qn×1为温度系数矩阵，bn×1为余项矩阵。
优选的，锂离子电池的能量守恒模型离散方程为：
其中，m为电池总质量，Cp为电池比热容，Tin为电池内部温度，I为电流，R为等效内阻，ET为平衡电势的温度系数，h为换热系数，A为电池表面积，Tsurf为电池表面温度，Tamb为环境温度，k为时间指标。
优选的，结合电池电流、表面温度、内部温度数据，采用遗忘因子递推最小二乘法对参数辨识，辨识参数为等效内阻R和平衡电势的温度系数ET；
遗忘因子递推最小二乘法依据公式为：
其中，y为观测量；θ为待估计的参数；φ为已知的变量参数；k为时间指标；λ为遗忘因子，取值范围为0.9-1；
参数辨识依据公式为：
其中，m为电池总质量，Cp为电池比热容，Tin为电池内部温度，I为电流，R为等效内阻，ET为平衡电势的温度系数，h为换热系数，A为电池表面积，Tsurf为电池表面温度，Tamb为环境温度，k为时间指标。
优选的，由辨识得到的参数计算特征参数，判断特征参数所在阈值范围，实现对诊断电池内部短路的分级诊断，所述特征参数为R/R0，其中，R为辨识得到的等效内阻，R0为锂离子电池正常工作情况下辨识得到的等效内阻，根据R/R0所在阈值范围判断电池内短路程度，特征参数R/R0越大，内短路情况越严重。
与现有技术相比，本发明具有如下的有益效果：
1、本发明在结合电池能量守恒的基础上进行参数辨识，根据特征参数所在阈值范围判断电池内短路程度，实现了对早期锂离子电池内部短路的分级诊断；
2、本发明采用简化的多层热模型计算电池内部温度，在结合电池内部温度、考虑电池可逆热的基础上进行锂离子电池内短路故障诊断，提高了内短路早期诊断的灵敏性和准确性，能够及早地有效捕捉内短路时电池的故障特征。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明中模型融合信号驱动的锂离子电池内部短路诊断方法与系统的流程示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例：
附图1为本发明中模型融合信号驱动的锂离子电池内部短路诊断方法与系统的流程示意图。如图1所示，本发明提供的模型融合信号驱动的锂离子电池内部短路诊断方法与系统，包括以下步骤：
步骤1：测量锂离子电池电流和表面温度，采用简化的多层热模型计算电池内部温度。根据电池表面温度分布与内部温度分布有对应关系，由电池表面温度来计算电池内部温度。将电池和边界条件划分为若干个热节点，节点之间通过热阻连接。在各个热节点建立能量守恒方程，根据相邻节点的热传递把内部节点和外部节点通过方程联系起来。当整个电池被分为n个节点时，所有节点的节点温度、温度系数和余项可以分别组成矩阵Tn×1、Qn×1和bn×1。利用测得的表面温度和环境温度，求解即可得到电池内部各节点温度，计算公式为：
Qn×1Tn×1＝bn×1
其中，Tn×1为节点温度矩阵，Qn×1为温度系数矩阵，bn×1为余项矩阵。
步骤2：采用考虑电池内部可逆热的电池能量守恒模型，结合电池电流、表面温度、内部温度数据，采用遗忘因子递推最小二乘法对参数辨识。辨识参数为等效内阻R和平衡电势的温度系数ET。
锂离子电池的能量守恒模型离散方程为：
其中，m为电池总质量，Cp为电池比热容，Tin为电池内部温度，I为电流，R为等效内阻，ET为平衡电势的温度系数，h为换热系数，A为电池表面积，Tsurf为电池表面温度，Tamb为环境温度。
遗忘因子递推最小二乘法依据公式为：
其中，y为观测量，θ为待估计的参数，φ为已知的变量参数，k为时间指标，λ为遗忘因子，一般取值范围为0.9-1。
参数辨识依据公式为：
其中，m为电池总质量，Cp为电池比热容，Tin为电池内部温度，I为电流，R为等效内阻，ET为平衡电势的温度系数，h为换热系数，A为电池表面积，Tsurf为电池表面温度，Tamb为环境温度。
步骤3：由辨识得到的电池内部参数计算电池内部短路特征参数，捕捉内短路故障特征。所述特征参数为R/R0，其中，R为辨识得到的等效内阻，R0为锂离子电池正常工作情况下辨识得到的等效内阻。
步骤4：判断电池内部短路特征参数R/R0所在阈值范围，根据R所在阈值范围判断电池内短路程度，实现对锂离子电池内部短路的分级诊断。
本发明在结合电池能量守恒模型的基础上利用参数辨识实现了锂离子电池内短路故障在线早期检测，能够有效捕捉内短路时电池的故障特征，提高了内短路早期诊断算法的灵敏性和准确性。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种模型融合信号驱动的锂离子电池内部短路诊断方法，其特征在于，包括：
步骤1：测量锂离子电池电流和表面温度，采用简化的多层热模型计算电池内部温度；
步骤2：采用基于电池内部温度、考虑电池内部可逆热的电池能量守恒模型，结合电池电流、表面温度、内部温度数据进行电池内部参数辨识；
步骤3：由辨识得到的电池内部参数计算电池内部短路特征参数；
步骤4：判断电池内部短路特征参数所在阈值范围，实现对锂离子电池内部短路的分级诊断。
2.根据权利要求1所述的模型融合信号驱动的锂离子电池内部短路诊断方法，其特征在于，简化的多层热模型根据电池表面温度分布与内部温度分布的对应关系，由电池表面温度来计算电池内部温度，将电池和边界条件划分为多个热节点，热节点之间通过热阻连接，在各个热节点建立能量守恒方程，根据相邻节点的热传递把内部节点和外部节点通过方程联系起来，当整个电池被分为n个节点时，所有节点的节点温度、温度系数和余项分别组成矩阵Tn×1、Qn×1和bn×1，利用测得的表面温度和环境温度，求解得到电池内部各节点温度，计算公式为：
Qn×1Tn×1＝bn×1
其中，Tn×1为节点温度矩阵，Qn×1为温度系数矩阵，bn×1为余项矩阵。
3.根据权利要求1所述的模型融合信号驱动的锂离子电池内部短路诊断方法，其特征在于，锂离子电池的能量守恒模型离散方程为：
其中，m为电池总质量，Cp为电池比热容，Tin为电池内部温度，I为电流，R为等效内阻，ET为平衡电势的温度系数，h为换热系数，A为电池表面积，Tsurf为电池表面温度，Tamb为环境温度，k为时间指标。
4.根据权利要求1所述的模型融合信号驱动的锂离子电池内部短路诊断方法，其特征在于，结合电池电流、表面温度、内部温度数据，采用遗忘因子递推最小二乘法对参数辨识，辨识参数为等效内阻R和平衡电势的温度系数ET；
遗忘因子递推最小二乘法依据公式为：
其中，y为观测量；θ为待估计的参数；φ为已知的变量参数；k为时间指标；λ为遗忘因子，取值范围为0.9-1；
参数辨识依据公式为：
其中，m为电池总质量，Cp为电池比热容，Tin为电池内部温度，I为电流，R为等效内阻，ET为平衡电势的温度系数，h为换热系数，A为电池表面积，Tsurf为电池表面温度，Tamb为环境温度，k为时间指标。
5.根据权利要求1所述的模型融合信号驱动的锂离子电池内部短路诊断方法，其特征在于，由辨识得到的参数计算特征参数，判断特征参数所在阈值范围，实现对诊断电池内部短路的分级诊断，所述特征参数为R/R0，其中，R为辨识得到的等效内阻，R0为锂离子电池正常工作情况下辨识得到的等效内阻，根据R/R0所在阈值范围判断电池内短路程度，特征参数R/R0越大，内短路情况越严重。
6.一种模型融合信号驱动的锂离子电池内部短路诊断系统，其特征在于，包括：
模块M1：测量锂离子电池电流和表面温度，采用简化的多层热模型计算电池内部温度；
模块M2：采用基于电池内部温度、考虑电池内部可逆热的电池能量守恒模型，结合电池电流、表面温度、内部温度数据进行电池内部参数辨识；
模块M3：由辨识得到的电池内部参数计算电池内部短路特征参数；
模块M4：判断电池内部短路特征参数所在阈值范围，实现对锂离子电池内部短路的分级诊断。
7.根据权利要求6所述的模型融合信号驱动的锂离子电池内部短路诊断系统，其特征在于，简化的多层热模型根据电池表面温度分布与内部温度分布的对应关系，由电池表面温度来计算电池内部温度，将电池和边界条件划分为多个热节点，热节点之间通过热阻连接，在各个热节点建立能量守恒方程，根据相邻节点的热传递把内部节点和外部节点通过方程联系起来，当整个电池被分为n个节点时，所有节点的节点温度、温度系数和余项分别组成矩阵Tn×1、Qn×1和bn×1，利用测得的表面温度和环境温度，求解得到电池内部各节点温度，计算公式为：
Qn×1Tn×1＝bn×1
其中，Tn×1为节点温度矩阵，Qn×1为温度系数矩阵，bn×1为余项矩阵。
8.根据权利要求6所述的模型融合信号驱动的锂离子电池内部短路诊断系统，其特征在于，锂离子电池的能量守恒模型离散方程为：
其中，m为电池总质量，Cp为电池比热容，Tin为电池内部温度，I为电流，R为等效内阻，ET为平衡电势的温度系数，h为换热系数，A为电池表面积，Tsurf为电池表面温度，Tamb为环境温度，k为时间指标。
9.根据权利要求6所述的模型融合信号驱动的锂离子电池内部短路诊断系统，其特征在于，结合电池电流、表面温度、内部温度数据，采用遗忘因子递推最小二乘法对参数辨识，辨识参数为等效内阻R和平衡电势的温度系数ET；
遗忘因子递推最小二乘法依据公式为：
其中，y为观测量；θ为待估计的参数；φ为已知的变量参数；k为时间指标；λ为遗忘因子，取值范围为0.9-1；
参数辨识依据公式为：
其中，m为电池总质量，Cp为电池比热容，Tin为电池内部温度，I为电流，R为等效内阻，ET为平衡电势的温度系数，h为换热系数，A为电池表面积，Tsurf为电池表面温度，Tamb为环境温度，k为时间指标。
10.根据权利要求6所述的模型融合信号驱动的锂离子电池内部短路诊断系统，其特征在于，由辨识得到的参数计算特征参数，判断特征参数所在阈值范围，实现对诊断电池内部短路的分级诊断，所述特征参数为R/R0，其中，R为辨识得到的等效内阻，R0为锂离子电池正常工作情况下辨识得到的等效内阻，根据R/R0所在阈值范围判断电池内短路程度，特征参数R/R0越大，内短路情况越严重。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111013964.6A CN113791364A (zh) | 2021-08-31 | 2021-08-31 | 模型融合信号驱动的锂离子电池内部短路诊断方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111013964.6A CN113791364A (zh) | 2021-08-31 | 2021-08-31 | 模型融合信号驱动的锂离子电池内部短路诊断方法与系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113791364A true CN113791364A (zh) | 2021-12-14 |
Family
ID=78876760
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111013964.6A Pending CN113791364A (zh) | 2021-08-31 | 2021-08-31 | 模型融合信号驱动的锂离子电池内部短路诊断方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113791364A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114252772A (zh) * | 2021-12-22 | 2022-03-29 | 中国科学院电工研究所 | 一种锂离子电池内部短路诊断方法及系统 |
| CN114325417A (zh) * | 2021-12-22 | 2022-04-12 | 北京国家新能源汽车技术创新中心有限公司 | 一种动力电池内短路检测方法 |
| CN115684942A (zh) * | 2022-10-31 | 2023-02-03 | 中国长江三峡集团有限公司 | 电池短路故障检测方法、装置、计算机设备及介质 |
| CN116027199A (zh) * | 2022-12-08 | 2023-04-28 | 帕诺(常熟)新能源科技有限公司 | 基于电化学模型参数辨识检测电芯全寿命内短路的方法 |
| CN116106771A (zh) * | 2023-03-15 | 2023-05-12 | 华能澜沧江水电股份有限公司 | 基于结构分析法的电池组故障检测方法、装置及电子设备 |
| CN116224121A (zh) * | 2023-02-24 | 2023-06-06 | 苏州大学 | 锂离子电池老化热失控风险预测的方法和系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017022879A (ja) * | 2015-07-10 | 2017-01-26 | 株式会社ダイヘン | 診断装置、太陽光発電システム、および、劣化・故障診断方法 |
| CN106872904A (zh) * | 2017-02-23 | 2017-06-20 | 合肥工业大学 | 基于离散滑模观测器的锂电池内部温度估计方法 |
| CN108562855A (zh) * | 2017-12-18 | 2018-09-21 | 清华大学 | 电池内短路检测方法、装置和计算机可读存储介质 |
| CN109581223A (zh) * | 2018-11-29 | 2019-04-05 | 吉林大学 | 基于卡尔曼滤波的锂离子电池组的核心温度估计方法 |
| CN110826206A (zh) * | 2019-10-28 | 2020-02-21 | 上海交通大学 | 电池内部三维温度无损软测量方法及系统 |
| CN111198327A (zh) * | 2020-02-24 | 2020-05-26 | 北京理工大学 | 一种单体电池内短路故障自检测方法 |
| CN111596212A (zh) * | 2020-06-08 | 2020-08-28 | 上海理工大学 | 一种基于电化学变量监测的电池内部故障诊断方法及装置 |
| JP2020167069A (ja) * | 2019-03-29 | 2020-10-08 | 日産自動車株式会社 | 全固体リチウムイオン二次電池用内部短絡状態推定装置および内部短絡状態推定方法、並びに全固体リチウムイオン二次電池システムおよび全固体リチウムイオン二次電池用充電装置 |
| CN111983496A (zh) * | 2020-08-10 | 2020-11-24 | 中国科学技术大学 | 一种并联锂离子电池组虚拟连接与内阻增加故障辨识方法 |
-
2021
- 2021-08-31 CN CN202111013964.6A patent/CN113791364A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2017022879A (ja) * | 2015-07-10 | 2017-01-26 | 株式会社ダイヘン | 診断装置、太陽光発電システム、および、劣化・故障診断方法 |
| CN106872904A (zh) * | 2017-02-23 | 2017-06-20 | 合肥工业大学 | 基于离散滑模观测器的锂电池内部温度估计方法 |
| CN108562855A (zh) * | 2017-12-18 | 2018-09-21 | 清华大学 | 电池内短路检测方法、装置和计算机可读存储介质 |
| CN109581223A (zh) * | 2018-11-29 | 2019-04-05 | 吉林大学 | 基于卡尔曼滤波的锂离子电池组的核心温度估计方法 |
| JP2020167069A (ja) * | 2019-03-29 | 2020-10-08 | 日産自動車株式会社 | 全固体リチウムイオン二次電池用内部短絡状態推定装置および内部短絡状態推定方法、並びに全固体リチウムイオン二次電池システムおよび全固体リチウムイオン二次電池用充電装置 |
| CN110826206A (zh) * | 2019-10-28 | 2020-02-21 | 上海交通大学 | 电池内部三维温度无损软测量方法及系统 |
| CN111198327A (zh) * | 2020-02-24 | 2020-05-26 | 北京理工大学 | 一种单体电池内短路故障自检测方法 |
| CN111596212A (zh) * | 2020-06-08 | 2020-08-28 | 上海理工大学 | 一种基于电化学变量监测的电池内部故障诊断方法及装置 |
| CN111983496A (zh) * | 2020-08-10 | 2020-11-24 | 中国科学技术大学 | 一种并联锂离子电池组虚拟连接与内阻增加故障辨识方法 |
Non-Patent Citations (2)
| Title |
|---|
| 吴佳铭等: "可变低温环境锂电池组内部短路故障诊断", 《浙江大学学报(工学版)》 * |
| 黎钦懿等: "融合内部温度估计的锂电池内短路建模与诊断", 《机电一体化》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114252772A (zh) * | 2021-12-22 | 2022-03-29 | 中国科学院电工研究所 | 一种锂离子电池内部短路诊断方法及系统 |
| CN114325417A (zh) * | 2021-12-22 | 2022-04-12 | 北京国家新能源汽车技术创新中心有限公司 | 一种动力电池内短路检测方法 |
| CN114252772B (zh) * | 2021-12-22 | 2023-09-05 | 中国科学院电工研究所 | 一种锂离子电池内部短路诊断方法及系统 |
| CN115684942A (zh) * | 2022-10-31 | 2023-02-03 | 中国长江三峡集团有限公司 | 电池短路故障检测方法、装置、计算机设备及介质 |
| CN116027199A (zh) * | 2022-12-08 | 2023-04-28 | 帕诺(常熟)新能源科技有限公司 | 基于电化学模型参数辨识检测电芯全寿命内短路的方法 |
| CN116027199B (zh) * | 2022-12-08 | 2023-09-29 | 帕诺(常熟)新能源科技有限公司 | 基于电化学模型参数辨识检测电芯全寿命内短路的方法 |
| CN116224121A (zh) * | 2023-02-24 | 2023-06-06 | 苏州大学 | 锂离子电池老化热失控风险预测的方法和系统 |
| CN116106771A (zh) * | 2023-03-15 | 2023-05-12 | 华能澜沧江水电股份有限公司 | 基于结构分析法的电池组故障检测方法、装置及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113791364A (zh) | 模型融合信号驱动的锂离子电池内部短路诊断方法与系统 | |
| Li et al. | A novel fault diagnosis method for lithium-Ion battery packs of electric vehicles | |
| Shang et al. | A multi-fault diagnosis method based on modified Sample Entropy for lithium-ion battery strings | |
| Kang et al. | A multi-fault diagnostic method based on an interleaved voltage measurement topology for series connected battery packs | |
| Jiang et al. | Data-driven fault diagnosis and thermal runaway warning for battery packs using real-world vehicle data | |
| Feng et al. | Online internal short circuit detection for a large format lithium ion battery | |
| CN108562855B (zh) | 电池内短路检测方法、装置和计算机可读存储介质 | |
| Lin et al. | Voltage-correlation based multi-fault diagnosis of lithium-ion battery packs considering inconsistency | |
| CN112098850B (zh) | 基于sdo算法的锂离子电池电压故障诊断方法及系统 | |
| WO2021238247A1 (zh) | 一种基于弛豫电压特征的电池内短路诊断方法 | |
| JP7463008B2 (ja) | 電池セル診断装置および方法 | |
| Zhang et al. | An early soft internal short-circuit fault diagnosis method for lithium-ion battery packs in electric vehicles | |
| Sun et al. | A multi-fault advanced diagnosis method based on sparse data observers for lithium-ion batteries | |
| CN113013514B (zh) | 一种车载锂离子动力电池的热失控气敏报警装置及其检测方法 | |
| Jia et al. | Precise and fast safety risk classification of lithium-ion batteries based on machine learning methodology | |
| CN115659799B (zh) | 一种具备阈值自适应功能的锂电储能电站故障诊断方法 | |
| Wu et al. | A fault detection method of electric vehicle battery through Hausdorff distance and modified Z-score for real-world data | |
| CN117719345B (zh) | 一种基于ic曲线考虑老化的电池微短路量化方法 | |
| CN113255764A (zh) | 利用机器学习检测电化学储能系统故障的方法、系统和装置 | |
| Ding et al. | Diagnosis of connection fault for parallel-connected lithium-ion batteries based on long short-term memory networks | |
| Qiao et al. | Quantitative Diagnosis of Internal Short Circuit for Lithium-Ion Batteries Using Relaxation Voltage | |
| CN114035086A (zh) | 基于信号处理的电池组多故障诊断方法 | |
| Yu et al. | Multi-Fault Diagnosis of Lithium-Ion battery systems based on correlation Coefficient and similarity Approaches | |
| CN111537893A (zh) | 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 | |
| Shang et al. | Research progress in fault detection of battery systems: A review |
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: 20211214 |
|
| RJ01 | Rejection of invention patent application after publication |