CN113866642A - 一种基于梯度提升树的锂离子电池故障诊断方法 - Google Patents
一种基于梯度提升树的锂离子电池故障诊断方法 Download PDFInfo
- Publication number
- CN113866642A CN113866642A CN202111109557.5A CN202111109557A CN113866642A CN 113866642 A CN113866642 A CN 113866642A CN 202111109557 A CN202111109557 A CN 202111109557A CN 113866642 A CN113866642 A CN 113866642A
- Authority
- CN
- China
- Prior art keywords
- data
- lithium ion
- ion battery
- gradient lifting
- battery
- 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
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 44
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 44
- 238000003745 diagnosis Methods 0.000 title claims abstract description 35
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims abstract description 4
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 8
- 238000002790 cross-validation Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000002759 z-score normalization Methods 0.000 claims description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 11
- 229910052744 lithium Inorganic materials 0.000 description 11
- 239000007789 gas Substances 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 208000032953 Device battery issue Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000002054 transplantation 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]
- G01R31/367—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
Abstract
本发明属于电池故障诊断领域，具体公开了一种基于梯度提升树的锂离子电池故障诊断方法，包括以下步骤：获取锂离子电池的历史故障数据并上传到数据库平台，对数据的处理、筛选出电池特征值参数或关键数值，形成数据集，将数据集划分为训练集和测试集，将选取的训练集及预测指标带入梯度提升树模型进行训练，通过迭代优化，待梯度提升树模型收敛后输出梯度提升树模型；采集锂离子电池运行中电池特征值参数或关键数值，输入训练后的梯度提升树模型，进行锂离子电池故障诊断。本发明基于梯度提升树算法，通过提取和电池故障特性相关的一致性特征来对锂离子电池进行诊断，能够在电池故障可能发生之前作出预警，提高锂离子电池的管理效率和安全度。
Description
技术领域
本发明属于电池故障诊断领域，特别涉及一种基于梯度提升树的锂离子电池故障诊断方法。
背景技术
动力锂电池在电动汽车、储能系统等领域得到大规模应用。动力锂电池具有较高的能量密度和功率密度，一旦发生故障会引发热失控等安全事故，带来严重的经济损失和社会危害。造成电池组自燃事故的主要原因就是电池的微短路等故障。电池微短路经过长期发展会导致热失控，在高温或极端条件下，有些微短路会迅速恶化，然而目前尚无有效的诊断方法。因此，研究锂电池的故障特性并开发有针对性的早期征兆提取和故障诊断方法是确保电池应用安全的基础。
现有锂电池的故障诊断方法主要有两种，一种是通过硬件检测单体电池内部情况的模型驱动，由于锂离子电池的电化学反应十分复杂，很难获得其准确的机理模型，该方法操作手续繁多复杂且耗时巨大，难以及时提取故障的特征变化，也无法依据对数据的采集和分析进行自动分析，只适合故障紧急处理，无法实时进行故障风险评估和预测；另一种是单纯以数据驱动进行电池故障判断。该方法对数据的样本量和质量要求很高且未考虑数据信号与内部电化学机理之间的联系，预测结果准确度差。
专利CN111060821 A公开了一种具备锂电池故障早期预警功能的电池管理系统及方法，该方法通过检测电池箱内多种气体的浓度，根据各种气体的浓度及其在电池产气中的占比综合分析，判断电池故障级别。但是该方法使用的条件有较多限制，需要精密复杂的仪器进行气体检测，且锂离子电池内部化学反应机理复杂，故障发生受多种因素影响，准确性较差，且该检测时间较长，不能实时诊断。
专利CN110308397 B公开了一种混合卷积神经网络驱动的锂电池多类故障诊断建模方法，该方法对实测和筛选的锂离子电池故障样本数据构造混合卷积神经网络，通过混合神经网络的学习来实现锂电池故障的诊断。但是神经网络结构错综复杂，计算量巨大，容易产生过拟合现象，对数据的样本量和质量要求很高。
专利CN110399975 A公开了一种面向硬件移植的锂电池深度诊断模型压缩算法，该方法同样采用混合卷积神经网络，利用阈值学习获取网络权重以减少网络规模，并且使用可变长度码编码权重与索引减少网络存储空间。最终完成模型的建立。但是该方法无法解析导致锂电池故障发生的内部根源，没有联系内部微观化学反应，单纯依靠数据驱动，可解释性较差。
发明内容
本发明的目的在于提供一种基于梯度提升树的锂离子电池故障诊断方法，以解决现有技术中无法实时进行故障风险评估和预测、针对锂离子电池早期的故障预警预测问题，从而提高锂离子电池的管理效率和安全度。
为了达到上述目的，本发明采用以下技术方案实现：
本发明提供一种基于梯度提升树的锂离子电池故障诊断方法，包括以下步骤：
步骤1：获取锂离子电池的历史故障数据并上传到数据库平台；
步骤2：对上传到数据库平台的历史故障数据进行清洗操作：处理缺失值数据、处理噪声数据、数据的格式排列；
步骤3：对步骤2进行清洗操作后的历史故障数据进行无量纲标准化处理；
步骤4：从进行无纲量标准化处理的历史故障数据中筛选出电池特征值参数或关键数值，形成数据集；所述电池特征值参数为电池运行过程中能代表其单体电芯性能的内阻、容量和自放电参数的电池特征值参数；所述关键数值为电池性能具有一致性的关键数值；
步骤5：将数据集划分为训练集和测试集；
步骤6：将选取的训练集及预测指标带入梯度提升树模型进行训练，通过迭代优化，待梯度提升树模型收敛后输出模型；
采集锂离子电池运行中的电池特征值参数或关键数值，输入训练后的梯度提升树模型，进行锂离子电池故障诊断。
进一步的，步骤2中所述清洗操作具体包括：处理缺失值数据、处理噪声数据、数据的格式排列中一种或多种；
所述处理噪声数据具体为：采用拉依达准则或箱线图方法去除高频噪音数据。
进一步的，所述步骤3对数据进行无量纲标准化处理中，采用对集数据的标准化处理进行无量纲化处理，所述方法的标准化处理采用z-score标准化计算方法，转换公式为：
其中，xi为原始数据，
为原始数据均值，其中
n为样本数量，s为原始数据标准差，其中
进一步的，所述步骤4中的电池特征值参数或与电池性能具有一致性的关键数值包括但不限于对锂离子电池充放电容量、电压、电流、充放电时间、电池内阻和温度中一种或者多种。
进一步的，所述步骤5中，将数据集划分为训练集和测试集，划分比例为3:1。
进一步的，所述训练集通过十折交叉验证和网格搜索来设置多组模型参数，包括模型随机种子、惩罚项、损失函数、最大迭代次数、最大树深度、最大叶子节点数、采样比例，以获取模型最佳参数。
进一步的，所述获取的模型最佳参数数据采用十折交叉验证，根据批次划分经过多轮训练，输出预测指标，并将多次预测指标进行融合输出最终预测指标。
进一步的，所述故障诊断方法还包括将测试集数据带入步骤6训练后的梯度提升树模型，对梯度提升树模型进行评估的步骤。
进一步的，所述对梯度提升树模型进行评估的步骤中，采用ROC曲线和AUC指标模型评价指标，计算方法为：
通过混淆矩阵，得到两个指标：
真正例率，True Positive Rate：TPR＝TP/(TP+FN)；
假正例率，False Postive Rate：FPR＝FP/(TN+FP)；
以真正例率作为纵轴，以假正例率作为横轴作图，得到了ROC曲线，AUC是ROC曲线下的面积。
进一步的，所述将测试集数据带入步骤6训练后的梯度提升树模型用于验证模型的准确率，同时检测模型是否过拟合。
与现有技术相比，本发明至少具有以下有益效果：
1、本发明基于梯度提升树算法，通过提取和电池故障特性相关的一致性特征来对锂离子电池进行诊断，并且能够在电池故障可能发生之前作出预警，提高锂离子电池的管理效率和安全度。
2、实现锂离子电池故障的准确高效预测，为锂离子电池的故障研究和在线诊断工作提供了关键思路。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明一种基于梯度提升树的锂离子电池故障诊断方法的流程示意图。
图2为本发明锂离子电池寿命预测方法的模型原理图。
图3为本发明模型的ROC曲线图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本发明所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
如图1所示，本发明提供一种基于梯度提升树的锂离子电池故障诊断方法，包括以下步骤：
步骤1：获取锂离子电池的历史故障数据并上传到数据库平台；
步骤2：对上传到数据库平台的历史故障数据进行清洗操作：处理缺失值数据、处理噪声数据、数据的格式排列；
步骤3：对步骤2进行清洗操作后的历史故障数据进行无量纲标准化处理；
步骤4：从进行无纲量标准化处理的历史故障数据中筛选出电池特征值参数或关键数值，形成数据集；所述电池特征值参数为电池运行过程中能代表其单体电芯性能的内阻、容量和自放电参数的电池特征值参数；所述关键数值为与电池性能具有一致性的关键数值征；
步骤5：将数据集划分为训练集和测试集；
步骤6：将选取的训练集及预测指标带入梯度提升树模型进行训练，通过迭代优化，待梯度提升树模型收敛后输出模型；
采集锂离子电池运行中的电池特征值参数或关键数值，输入训练后的梯度提升树模型，进行锂离子电池故障诊断。
步骤2中所述清洗操作具体包括：处理缺失值数据、处理噪声数据、数据的格式排列中一种或多种；
所述处理噪声数据具体为：采用拉依达准则或箱线图方法去除高频噪音数据。例如箱线图中若某电池测量数据的单节电池的电压超过或低于该组数据的四分位线，则该数据被判断为异常数据，不参与计算。
步骤3对数据进行无量纲标准化处理中，由于变量之间的量纲不同，部分量纲较小的变量数值较大，将会削弱量纲较大的小数值变量的作用，在预处理过程中，采用对集数据的标准化处理进行无量纲化处理，同时还能够方便不同变量之间的比较和加权；
所述标准化处理采用z-score标准化(zero-mean normalization)计算方法，转换公式为：
其中，xi为原始数据，
为原始数据均值，其中
n为样本数量，s为原始数据标准差，其中
标准化既避免了不同量纲变量的加权问题，还可提高模型的训练速度。
步骤4中的电池特征值参数或与电池性能具有一致性的关键数值包括：对锂离子电池充放电容量、电压、电流、充放电时间、电池内阻和温度中一种或者多种。
步骤5中，将数据集划分为训练集和测试集，划分比例为3:1，可以有效的获取数据的全部信息且不会造成测试集预测效果差等结果。
训练集通过网格搜索交叉验证来设置多组模型参数，包括模型随机种子、惩罚项、损失函数、最大迭代次数、最大树深度、最大叶子节点数、采样比例，以获取模型最佳参数。
获取的模型最佳参数数据采用十折交叉验证，根据批次划分经过多轮训练，输出预测指标，并将多次预测指标进行融合输出最终预测指标。
根据预测指标的分布情况设定不同权重，保证数据均衡，以提高预测的准确率。
梯度提升树模型可以灵活处理各种类型的数据，包括连续值和离散值；
梯度提升树模型集成了多个弱分类器，相对SVM来说，在相对少的调参时间情况下，预测的准确率也较高、鲁棒性较强。
所述故障诊断方法还包括将测试集数据带入步骤6训练后的梯度提升树模型，对梯度提升树模型进行评估的步骤。
对梯度提升树模型进行评估的步骤中，采用ROC曲线和AUC指标模型评价指标，其中AUC指标是在二分类问题中，模型评估阶段常被用作最重要的评估指标来衡量模型的稳定性，能够比较全面的反映模型的性能。计算方法为：
表一：计算方法
根据混淆矩阵(如上所示)，我们可以得到另外两个指标：
真正例率，True Positive Rate：TPR＝TP/(TP+FN)
假正例率，False Postive Rate：FPR＝FP/(TN+FP)
我们以真正例率(TPR)作为纵轴，以假正例率(FPR)作为横轴作图，得到了ROC曲线，如图3所示，AUC是ROC曲线下的面积。
所述将测试集数据带入步骤6训练后的梯度提升树模型用于验证模型的准确率，同时检测模型是否过拟合。
最终模型使用影响锂离子电池故障的重要指标来预测电池是否存在故障。将上述处理后的数据选取特征变量作为输入数据带入梯度提升树模型训练，通过多次循环迭代寻找最佳的模型参数，然后将多则交叉验证的模型结果进行融合，从而获得最后的电池故障预测模型。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于梯度提升树的锂离子电池故障诊断方法，其特征在于，包括以下步骤：
步骤1：获取锂离子电池的历史故障数据并上传到数据库平台；
步骤2：对上传到数据库平台的历史故障数据进行清洗操作：处理缺失值数据、处理噪声数据、数据的格式排列；
步骤3：对步骤2进行清洗操作后的历史故障数据进行无量纲标准化处理；
步骤4：从进行无纲量标准化处理的历史故障数据中筛选出电池特征值参数或关键数值，形成数据集；所述电池特征值参数为电池运行过程中能代表其单体电芯性能的内阻、容量和自放电参数的电池特征值参数；所述关键数值为与电池性能具有一致性的关键数值；
步骤5：将数据集划分为训练集和测试集；
步骤6：将选取的训练集及预测指标带入梯度提升树模型进行训练，通过迭代优化，待梯度提升树模型收敛后输出模型；
采集锂离子电池运行中的电池特征值参数或关键数值，输入训练后的梯度提升树模型，进行锂离子电池故障诊断。
2.根据权利要求1所述的一种基于梯度提升树的锂离子电池故障诊断方法，其特征在于，步骤2中所述清洗操作具体包括：处理缺失值数据、处理噪声数据、数据的格式排列中一种或多种；
所述处理噪声数据具体为：采用拉依达准则或箱线图方法去除高频噪音数据。
3.根据权利要求2所述的一种基于梯度提升树的锂离子电池故障诊断方法，其特征在于，所述步骤3对数据进行无量纲标准化处理中，采用对集数据的标准化处理进行无量纲化处理，所述标准化处理采用z-score标准化计算方法，转换公式为：
其中，xi为原始数据，
为原始数据均值，其中
n为样本数量，s为原始数据标准差，其中
4.根据权利要求3所述的一种基于梯度提升树的锂离子电池故障诊断方法，其特征在于，所述步骤4中的电池特征值参数或与电池性能具有一致性的关键数值包括：对锂离子电池充放电容量、电压、电流、充放电时间、电池内阻和温度中一种或者多种。
5.根据权利要求1所述的一种基于梯度提升树的锂离子电池故障诊断方法，其特征在于，所述步骤5中，将数据集划分为训练集和测试集，划分比例为3:1。
6.根据权利要求5所述的一种基于梯度提升树的锂离子电池故障诊断方法，其特征在于，所述训练集通过十折交叉验证和网格搜索来设置多组模型参数，包括模型随机种子、惩罚项、损失函数、最大迭代次数、最大树深度、最大叶子节点数、采样比例，以获取模型最佳参数。
7.根据权利要求6所述的一种基于梯度提升树的锂离子电池故障诊断方法，其特征在于，所述获取的模型最佳参数数据采用十折交叉验证，根据批次划分经过多轮训练，输出预测指标，并将多次预测指标进行融合输出最终预测指标。
8.根据权利要求7所述的一种基于梯度提升树的锂离子电池故障诊断方法，其特征在于，所述故障诊断方法还包括将测试集数据带入步骤6训练后的梯度提升树模型，对梯度提升树模型进行评估的步骤。
9.根据权利要求8所述的一种基于梯度提升树的锂离子电池故障诊断方法，其特征在于，所述对梯度提升树模型进行评估的步骤中，采用ROC曲线和AUC指标模型评价指标，计算方法为：
通过混淆矩阵，得到两个指标：
真正例率，True Positive Rate：TPR＝TP/(TP+FN)；
假正例率，False Postive Rate：FPR＝FP/(TN+FP)；
以真正例率作为纵轴，以假正例率作为横轴作图，得到了ROC曲线，AUC是ROC曲线下的面积。
10.根据权利要求9所述的一种基于梯度提升树的锂离子电池故障诊断方法，其特征在于，所述将测试集数据带入步骤6训练后的梯度提升树模型用于验证模型的准确率，同时检测模型是否过拟合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111109557.5A CN113866642A (zh) | 2021-09-22 | 2021-09-22 | 一种基于梯度提升树的锂离子电池故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111109557.5A CN113866642A (zh) | 2021-09-22 | 2021-09-22 | 一种基于梯度提升树的锂离子电池故障诊断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113866642A true CN113866642A (zh) | 2021-12-31 |
Family
ID=78993169
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111109557.5A Pending CN113866642A (zh) | 2021-09-22 | 2021-09-22 | 一种基于梯度提升树的锂离子电池故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113866642A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114781762A (zh) * | 2022-06-21 | 2022-07-22 | 四川观想科技股份有限公司 | 一种基于寿命消耗的装备故障预测方法 |
| CN114910795A (zh) * | 2022-05-27 | 2022-08-16 | 上海玫克生储能科技有限公司 | 恒流充电中电池微短路判断方法及系统、存储介质及终端 |
| CN115825756A (zh) * | 2023-02-16 | 2023-03-21 | 中国华能集团清洁能源技术研究院有限公司 | 分散式储能电站故障多级诊断方法及系统 |
| CN115902646A (zh) * | 2023-01-06 | 2023-04-04 | 中国电力科学研究院有限公司 | 一种储能电池故障识别方法及系统 |
| CN116577677A (zh) * | 2023-07-14 | 2023-08-11 | 赣州吉锐新能源科技股份有限公司 | 退役动力电池的放电测试系统及其方法 |
| CN116736142A (zh) * | 2023-08-14 | 2023-09-12 | 新誉集团有限公司 | 一种电池组健康状况预警的方法、系统及装置 |
| CN117114087A (zh) * | 2023-10-23 | 2023-11-24 | 深圳开鸿数字产业发展有限公司 | 故障预测方法、计算机设备和可读存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102231549A (zh) * | 2011-07-04 | 2011-11-02 | 重庆长安汽车股份有限公司 | 一种电池管理芯片 |
| CN108896914A (zh) * | 2018-05-11 | 2018-11-27 | 浙江工业大学 | 一种锂电池健康状况的梯度提升树建模与预测方法 |
| CN111812535A (zh) * | 2020-06-30 | 2020-10-23 | 南京林业大学 | 一种基于数据驱动的动力电池故障诊断方法及系统 |
| WO2020244134A1 (zh) * | 2019-06-05 | 2020-12-10 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
| CN112630660A (zh) * | 2020-12-14 | 2021-04-09 | 湖北工业大学 | 一种基于支持向量机的电池故障识别方法 |
-
2021
- 2021-09-22 CN CN202111109557.5A patent/CN113866642A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102231549A (zh) * | 2011-07-04 | 2011-11-02 | 重庆长安汽车股份有限公司 | 一种电池管理芯片 |
| CN108896914A (zh) * | 2018-05-11 | 2018-11-27 | 浙江工业大学 | 一种锂电池健康状况的梯度提升树建模与预测方法 |
| WO2020244134A1 (zh) * | 2019-06-05 | 2020-12-10 | 华南理工大学 | 一种基于多任务特征共享神经网络的智能故障诊断方法 |
| CN111812535A (zh) * | 2020-06-30 | 2020-10-23 | 南京林业大学 | 一种基于数据驱动的动力电池故障诊断方法及系统 |
| CN112630660A (zh) * | 2020-12-14 | 2021-04-09 | 湖北工业大学 | 一种基于支持向量机的电池故障识别方法 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114910795A (zh) * | 2022-05-27 | 2022-08-16 | 上海玫克生储能科技有限公司 | 恒流充电中电池微短路判断方法及系统、存储介质及终端 |
| CN114781762A (zh) * | 2022-06-21 | 2022-07-22 | 四川观想科技股份有限公司 | 一种基于寿命消耗的装备故障预测方法 |
| CN115902646A (zh) * | 2023-01-06 | 2023-04-04 | 中国电力科学研究院有限公司 | 一种储能电池故障识别方法及系统 |
| CN115902646B (zh) * | 2023-01-06 | 2023-06-13 | 中国电力科学研究院有限公司 | 一种储能电池故障识别方法及系统 |
| CN115825756A (zh) * | 2023-02-16 | 2023-03-21 | 中国华能集团清洁能源技术研究院有限公司 | 分散式储能电站故障多级诊断方法及系统 |
| CN116577677A (zh) * | 2023-07-14 | 2023-08-11 | 赣州吉锐新能源科技股份有限公司 | 退役动力电池的放电测试系统及其方法 |
| CN116577677B (zh) * | 2023-07-14 | 2023-09-29 | 赣州吉锐新能源科技股份有限公司 | 退役动力电池的放电测试系统及其方法 |
| CN116736142A (zh) * | 2023-08-14 | 2023-09-12 | 新誉集团有限公司 | 一种电池组健康状况预警的方法、系统及装置 |
| CN116736142B (zh) * | 2023-08-14 | 2023-10-24 | 新誉集团有限公司 | 一种电池组健康状况预警的方法、系统及装置 |
| CN117114087A (zh) * | 2023-10-23 | 2023-11-24 | 深圳开鸿数字产业发展有限公司 | 故障预测方法、计算机设备和可读存储介质 |
| CN117114087B (zh) * | 2023-10-23 | 2024-02-13 | 深圳开鸿数字产业发展有限公司 | 故障预测方法、计算机设备和可读存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113866642A (zh) | 一种基于梯度提升树的锂离子电池故障诊断方法 | |
| CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
| Zhang et al. | Research on electric vehicle charging safety warning model based on back propagation neural network optimized by improved gray wolf algorithm | |
| CN112092675A (zh) | 一种电池热失控预警方法、系统及服务器 | |
| CN113962259B (zh) | 一种燃料电池系统多模式双层故障诊断方法 | |
| CN113821976A (zh) | 一种基于集成算法的锂电池故障诊断建模方法 | |
| CN112904219B (zh) | 一种基于大数据的动力电池健康状态的预测方法 | |
| CN111832221B (zh) | 基于特征筛选的锂电池寿命预测方法 | |
| CN115366683A (zh) | 一种新能源汽车动力电池多维模型融合的故障诊断策略 | |
| CN114280479A (zh) | 一种基于电化学阻抗谱的退役电池快速分选方法 | |
| CN113917334A (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
| CN115877205A (zh) | 一种伺服电机的故障智能诊断系统及其诊断方法 | |
| CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
| CN114580496A (zh) | 一种锂离子电池单体故障自检测方法 | |
| CN114325433A (zh) | 基于电化学阻抗谱测试的锂离子电池故障检测方法和系统 | |
| CN114460481A (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
| CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 | |
| CN117113232A (zh) | 一种电动汽车锂离子电池组热失控风险识别方法 | |
| CN116859259A (zh) | 基于集成学习和实车大数据的电池健康状态估计方法 | |
| Diao et al. | Research on Electric Vehicle Charging Safety Warning based on A-LSTM Algorithm | |
| CN116466250A (zh) | 基于动态工况模型误差特征的动力电池健康状态估计方法 | |
| CN114280490B (zh) | 一种锂离子电池荷电状态估计方法及系统 | |
| CN115128468A (zh) | 一种化学储能电池phm欠压故障预测方法 | |
| CN115563768A (zh) | 基于蒙特卡洛模拟的新能源汽车控制策略阈值分析方法 | |
| Liu et al. | Battery degradation prediction using incremental capacity analysis based on real-world data |
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: 20211231 |
|
| RJ01 | Rejection of invention patent application after publication |