CN113884884B - 一种基于相关性的动力电池组故障诊断方法及系统 - Google Patents

一种基于相关性的动力电池组故障诊断方法及系统 Download PDF

Info

Publication number
CN113884884B
CN113884884B CN202111228552.4A CN202111228552A CN113884884B CN 113884884 B CN113884884 B CN 113884884B CN 202111228552 A CN202111228552 A CN 202111228552A CN 113884884 B CN113884884 B CN 113884884B
Authority
CN
China
Prior art keywords
power battery
parameter
target power
correlation
real
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.)
Active
Application number
CN202111228552.4A
Other languages
English (en)
Other versions
CN113884884A (zh
Inventor
崔纳新
袁海涛
石月美
王光峰
商云龙
张承慧
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.)
Shandong University
Original Assignee
Shandong 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 Shandong University filed Critical Shandong University
Priority to CN202111228552.4A priority Critical patent/CN113884884B/zh
Publication of CN113884884A publication Critical patent/CN113884884A/zh
Application granted granted Critical
Publication of CN113884884B publication Critical patent/CN113884884B/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]

Abstract

本发明提供了一种基于相关性的动力电池组故障诊断方法及系统，获取动力电池组中与所述目标动力电池及参考动力电池之间符合相关性要求的参数相关联的数据；基于所述数据计算所述符合相关性要求的参数的真实值；利用基于相关性的参数预测算法，根据所述目标动力电池及参考动力电池历史的参数真实值和参考动力电池当前的参数真实值，计算得到所述目标动力电池当前的参数预测值；根据所述参数真实值和预测值，确定所述目标动力电池当前是否发生短路故障，并在故障时进行预警；本发明能够在不同电池状态和测量噪声干扰下准确衡量电池异常，进行在线电池组短路故障诊断。

Description

一种基于相关性的动力电池组故障诊断方法及系统
技术领域
本发明属于动力电池组故障诊断技术领域，具体涉及一种基于相关性的动力电池组故障诊断方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
动力电池组在短路故障状态下，会出现一致性变差，产生额外容量损耗，产热升高等症状。这不仅会大大缩短电动汽车的续航里程，还会对锂电池造成不可逆的损害，影响电池寿命甚至会引发热失控危及行车安全。这严重阻碍电动汽车的推广和发展。因此，需使用故障诊断方法及时高效地诊断动力电池组短路故障。
在现有的技术方案中，为了诊断电池组短路故障，通常采用动力电池模型预测值和实测值之间的残差或者传感器测量数据的异常值来判断故障发生。然而保证电池模型在不同电池状态下的精度需要很高的计算复杂度，难以在线应用。测量噪声的干扰会影响异常值的检测，尤其在微小短路故障情况下异常值的检测难度进一步增加。
发明内容
本发明为了解决上述问题，提出了一种基于相关性的动力电池组故障诊断方法及系统，本发明能够在不同电池状态和测量噪声干扰下准确衡量电池异常，进行在线电池组短路故障诊断。
根据一些实施例，本发明采用如下技术方案：
一种基于相关性的动力电池组故障诊断方法，包括以下步骤：
获取动力电池组中与所述目标动力电池及参考动力电池之间符合相关性要求的参数相关联的数据；
基于所述数据计算所述符合相关性要求的参数的真实值；
利用基于相关性的参数预测算法，根据所述目标动力电池及参考动力电池历史的参数真实值和参考动力电池当前的参数真实值，计算得到所述目标动力电池当前的参数预测值；
根据所述参数真实值和预测值，确定所述目标动力电池当前是否发生短路故障，并在故障时进行预警。
作为可选择的实施方式，所述参考动力电池是所述目标动力电池的连接位置相邻的动力电池或动力电池组的中位电池。
作为可选择的实施方式，所述数据包括所述目标动力电池及参考动力电池的工作电压、电流、温度参数中一个或多个参数的值。
作为可选择的实施方式，所述参数为目标动力电池及参考动力电池的工作电压、电流、温度、荷电状态参数中一个或多个参数的值。
作为可选择的实施方式，所述基于相关性的参数预测算法，计算得到所述目标动力电池当前的参数预测值的具体过程包括：
根据设置的滑动窗大小、相关性等级，得到参数预测方程；
利用所述参数预测方程，根据所述目标动力电池及参考动力电池t-N到t时刻的参数真实值和参考动力电池t时刻的参数真实值，计算得到所述目标动力电池t时刻的参数预测值。
作为可选择的实施方式，确定目标动力电池当前是否发生短路故障的具体过程把包括：计算所述目标动力电池参数预测值和真实值之间的残差，通过统计推断中的累积和检测方法计算残差的累积和用于判断残差是否符合预定统计分布特性，当累积和超过预定阈值时确定为发生故障。
一种基于相关性的动力电池组故障诊断系统，包括：
数据获取模块，被配置为获取动力电池组中与所述目标动力电池及参考动力电池之间符合相关性要求的参数相关联的数据；
数据处理模块，被配置为基于所述数据计算所述符合相关性要求的参数的真实值；
参数预测模块，其被配置为利用基于相关性的参数预测算法，根据所述目标动力电池及参考动力电池历史的参数真实值和参考动力电池当前的参数真实值，计算得到所述目标动力电池当前的参数预测值；
故障确定模块，被配置为根据所述参数真实值和预测值，确定所述目标动力电池当前是否发生短路故障，并在故障时进行预警。
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述方法中的步骤。
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述方法中的步骤。
与现有技术相比，本发明的有益效果为：
由于相关性不受动力电池组内不同电池状态造成的参数偏差和参数倍乘的影响，且测量噪声符合一定的统计分布，本发明能够在不同电池状态和测量噪声干扰下准确衡量电池异常，无需电池内部参数，且无需建立复杂的电池模型，所需数据均可由通用电池管理系统BMS获取，成本较低便于在线应用。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
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。
图1为本申请实施例一的动力电池组中短路故障诊断方法的具体流程图；
图2为本申请实施例二的动力电池组中短路故障诊断系统的示意性结构图。
具体实施方式：
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明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发明的示例性实施方式。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。
实施例一，如图1所示，本实施例提供了串联动力电池组中短路故障诊断方法；
电池组中短路故障诊断方法，包括以下步骤：
S1：采集动力电池组中与所述目标动力电池及参考动力电池之间具有较高相关性的参数相关联的数据，并随之基于该数据计算所述目标动力电池及参考动力电池之间具有较高相关性的参数的真实值；
在本实施例中，较高相关性可以根据经验或者按照具体情况具体设定或选择。例如，在部分实施例中，可以选择参数相关性大于设定值的参数为较高相关性的参数。
S2：通过基于相关性的参数预测算法，根据所述目标动力电池及参考动力电池历史的参数真实值和参考动力电池当前的参数真实值，计算得到所述目标动力电池当前的参数预测值；
S3：基于所述参数真实值和预测值，来评估所述目标动力电池当前是否发生短路故障；
S4：当确定所述目标动力电池发生短路故障时触发故障处理操作。
进一步地，S2中，基于相关性的参数预测算法具体流程为：
S21：算法基本参数设置：滑动窗尺寸设置为N，优选地，相关性等级设置为1；
S22：预测方程推导：相关系数公式表示为：
Figure BDA0003315143030000061
其中，rx,y是变量x和y之间的相关系数，N是滑动窗内数据的长度，xi和yi分别是参考动力电池及所述目标动力电池滑动窗中第i个真实参数数据，
Figure BDA0003315143030000062
和
Figure BDA0003315143030000063
分别是参考动力电池及所述目标动力电池滑动窗内真实参数数据的平均值，将相关性等级代入公式(1)，可进一步化简为：
Figure BDA0003315143030000064
公式(2)即为基于相关性的参数预测方程，方程中只有所述目标动力电池滑动窗中第N个真实参数数据yN是未知量，其余变量都是已知量。
S23：在t时刻，向基于相关性的参数预测方程输入所述目标动力电池及参考动力电池t-N到t时刻的参数真实值和参考动力电池t时刻的参数真实值，计算得到所述目标动力电池t时刻的参数预测值。
进一步地，S3中，评估所述目标动力电池当前是否发生短路故障的具体流程为：
S31：本公开实例中，优选地，实时计算所述目标动力电池参数预测值和真实值之间的残差，通过统计推断中的累积和检测方法计算残差的累积和用于判断残差是否符合预定统计分布特性，当累积和超过预定阈值时向所述故障处理模块发生故障处理指令；
S311：初始化，设置累计和的初始值；
S312：根据残差数据，计算t时刻残差的似然对数比，公式表示为：
Figure BDA0003315143030000071
其中，s(c)是似然对数比，c是残差，H1和H0是故障假设和无故障假设，pH1(c)和pH0(c)是故障假设和无故障假设下的概率密度函数。
假设无故障和有故障情况下残差均可视作具有高斯分布的随机变量，短路故障发生时，残差的均值或方差发生变化，公式5可进一步表示为：
Figure BDA0003315143030000072
其中，μ1和σ1是无故障情况下的残差的均值和方差，μ0和σ0是有故障情况下的残差的均值和方差。
S313：计算t时刻的累计和的值，公式表达为：
Figure BDA0003315143030000073
S314：根据累计和与预定的阈值进行比较，判断残差是否符合预定统计分布特性；
S315：当累积和超过预定阈值时生成故障处理指令。
优选地，在本公开的动力电池组短路故障诊断方法中，所述参考动力电池是所述目标动力电池的连接位置相邻的电池或动力电池组的中位电池。
优选地，在本公开的动力电池组短路故障诊断方法中，所述目标动力电池及参考动力电池之间具有较高相关性的参数相关联的数据是所述目标动力电池及参考动力电池的工作电压、电流和温度等参数中一个或多个参数的值。
优选地，在本公开的动力电池组短路故障诊断方法中，所述目标动力电池及参考动力电池之间具有较高相关性的参数是所述目标动力电池及参考动力电池的工作电压、电流、温度、荷电状态等参数中一个或多个参数的值。
优选地，在本公开的动力电池组短路故障诊断方法中，所述基于相关性的参数预测算法通过使用相关系数公式和所述目标动力电池及参考动力电池历史的参数真实值和参考动力电池当前的参数真实值来计算所述目标动力电池当前的参数估计值。
优选地，在本公开的动力电池组短路故障诊断方法中，所述目标动力电池当前是否发生短路故障以如下方式评估：实时计算所述目标动力电池参数预测值和真实值之间的残差，通过统计推断中的累积和检测方法计算残差的累积和用于判断残差是否符合预定统计分布特性，当累积和超过预定阈值时发生故障处理指令。
本发明构建了基于相关性的电压预测算法和基于统计推断的残差评估策略，能能够在不同电池状态和测量噪声干扰下准确衡量电池异常，且成本较低便于在线应用。
实施例二，如图2所示，本实施例还提供了一种用于动力电池组短路故障诊断系统；
一种用于动力电池组短路故障诊断系统，包括：
数据采集模块，其被配置为：获取动力电池组中与所述目标动力电池及参考动力电池之间具有较高相关性的参数相关联的数据；
数据处理模块，其被配置为：基于该数据计算所述目标动力电池及参考动力电池之间具有较高相关性的参数的真实值；
参数预测模块，其被配置为：通过基于相关性的参数预测算法，根据所述目标动力电池及参考动力电池历史的参数真实值和参考动力电池当前的参数真实值，计算得到所述目标动力电池当前的参数预测值；
故障确定模块，其被配置为：基于所述参数真实值和预测值，来评估所述目标动力电池当前是否发生短路故障，并且当确定所述目标动力电池发生短路故障时向故障处理模块发送故障处理指令以触发故障处理操作；
在部分实施例中，还包括故障处理模块，其被配置为：接收到来自故障评估模块的故障处理指令后执行故障处理操作。
实施例三，本实施例还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例一所述方法的步骤。
实施例四，本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，本领域技术人员不需要付出创造性劳动所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于相关性的动力电池组故障诊断方法，其特征是：包括以下步骤：
获取动力电池组中与目标动力电池及参考动力电池之间符合相关性要求的参数相关联的数据；所述参考动力电池是所述目标动力电池的连接位置相邻的电池或动力电池组的中位电池；
基于所述数据计算所述符合相关性要求的参数的真实值；
利用基于相关性的参数预测算法，根据所述目标动力电池及参考动力电池历史的参数真实值和参考动力电池当前的参数真实值，计算得到所述目标动力电池当前的参数预测值；所述基于相关性的参数预测算法通过使用相关系数公式和所述目标动力电池及参考动力电池历史的参数真实值和参考动力电池当前的参数真实值来计算所述目标动力电池当前的参数估计值；所述基于相关性的参数预测算法，计算得到所述目标动力电池当前的参数预测值的具体过程包括：根据设置的滑动窗大小、相关性等级，得到参数预测方程；利用所述参数预测方程，根据所述目标动力电池及参考动力电池t-N到t时刻的参数真实值和参考动力电池t时刻的参数真实值，计算得到所述目标动力电池t时刻的参数预测值；参数预测方程推导：相关系数公式表示为：
Figure FDA0003686800640000011
其中，rx,y是变量x和y之间的相关系数，N是滑动窗内数据的长度，xi和yi分别是参考动力电池及所述目标动力电池滑动窗中第i个真实参数数据，
Figure FDA0003686800640000021
和
Figure FDA0003686800640000022
分别是参考动力电池及所述目标动力电池滑动窗内真实参数数据的平均值，将相关性等级代入相关系数公式，可进一步化简为：
Figure FDA0003686800640000023
即为基于相关性的参数预测方程，方程中只有所述目标动力电池滑动窗中第N个真实参数数据yN是未知量，其余变量都是已知量；
根据所述参数真实值和预测值，确定所述目标动力电池当前是否发生短路故障，并在故障时进行预警；确定目标动力电池当前是否发生短路故障的具体过程包括：计算所述目标动力电池参数预测值和真实值之间的残差，通过统计推断中的累积和检测方法计算残差的累积和用于判断残差是否符合预定统计分布特性，当累积和超过预定阈值时确定为发生故障。
2.如权利要求1所述的一种基于相关性的动力电池组故障诊断方法，其特征是：所述数据包括所述目标动力电池及参考动力电池的工作电压、电流、温度参数中一个或多个参数的值。
3.如权利要求1所述的一种基于相关性的动力电池组故障诊断方法，其特征是：所述参数为目标动力电池及参考动力电池的工作电压、电流、温度、荷电状态参数中一个或多个参数的值。
4.一种基于相关性的动力电池组故障诊断系统，其特征是：包括：
数据获取模块，被配置为获取动力电池组中与目标动力电池及参考动力电池之间符合相关性要求的参数相关联的数据；所述参考动力电池是所述目标动力电池的连接位置相邻的电池或动力电池组的中位电池；
数据处理模块，被配置为基于所述数据计算所述符合相关性要求的参数的真实值；
参数预测模块，其被配置为利用基于相关性的参数预测算法，根据所述目标动力电池及参考动力电池历史的参数真实值和参考动力电池当前的参数真实值，计算得到所述目标动力电池当前的参数预测值；所述基于相关性的参数预测算法通过使用相关系数公式和所述目标动力电池及参考动力电池历史的参数真实值和参考动力电池当前的参数真实值来计算所述目标动力电池当前的参数估计值；所述基于相关性的参数预测算法，计算得到所述目标动力电池当前的参数预测值的具体过程包括：根据设置的滑动窗大小、相关性等级，得到参数预测方程；利用所述参数预测方程，根据所述目标动力电池及参考动力电池t-N到t时刻的参数真实值和参考动力电池t时刻的参数真实值，计算得到所述目标动力电池t时刻的参数预测值；参数预测方程推导：相关系数公式表示为：
Figure FDA0003686800640000031
其中，rx,y是变量x和y之间的相关系数，N是滑动窗内数据的长度，xi和yi分别是参考动力电池及所述目标动力电池滑动窗中第i个真实参数数据，
Figure FDA0003686800640000043
和
Figure FDA0003686800640000041
分别是参考动力电池及所述目标动力电池滑动窗内真实参数数据的平均值，将相关性等级代入相关系数公式，可进一步化简为：
Figure FDA0003686800640000042
即为基于相关性的参数预测方程，方程中只有所述目标动力电池滑动窗中第N个真实参数数据yN是未知量，其余变量都是已知量；
故障确定模块，被配置为根据所述参数真实值和预测值，确定所述目标动力电池当前是否发生短路故障，并在故障时进行预警；确定目标动力电池当前是否发生短路故障的具体过程包括：计算所述目标动力电池参数预测值和真实值之间的残差，通过统计推断中的累积和检测方法计算残差的累积和用于判断残差是否符合预定统计分布特性，当累积和超过预定阈值时确定为发生故障。
5.一种计算机可读存储介质，其特征是：用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-3中任一项所述的方法中的步骤。
6.一种电子设备，其特征是：包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-3中任一项所述的方法中的步骤。
CN202111228552.4A 2021-10-21 2021-10-21 一种基于相关性的动力电池组故障诊断方法及系统 Active CN113884884B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111228552.4A CN113884884B (zh) 2021-10-21 2021-10-21 一种基于相关性的动力电池组故障诊断方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111228552.4A CN113884884B (zh) 2021-10-21 2021-10-21 一种基于相关性的动力电池组故障诊断方法及系统

Publications (2)

Publication Number Publication Date
CN113884884A CN113884884A (zh) 2022-01-04
CN113884884B true CN113884884B (zh) 2022-07-26

Family

ID=79004273

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111228552.4A Active CN113884884B (zh) 2021-10-21 2021-10-21 一种基于相关性的动力电池组故障诊断方法及系统

Country Status (1)

Country Link
CN (1) CN113884884B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114487836B (zh) * 2022-01-26 2023-05-26 上海玫克生储能科技有限公司 基于电压和温度的电池状态分析方法、系统及终端
CN114152880B (zh) * 2022-02-08 2022-04-12 湖南大学 一种软包电池传感器故障在线检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04250376A (ja) * 1991-01-28 1992-09-07 Shin Kobe Electric Mach Co Ltd 密閉型鉛蓄電池の残存容量推定方法
JP2014126447A (ja) * 2012-12-26 2014-07-07 Toyota Central R&D Labs Inc 電池劣化予測方法、電池劣化予測装置及びプログラム
WO2018075793A1 (en) * 2016-10-19 2018-04-26 San Diego State University Research Foundation Methods and circuitry for fault detection and automatic equalizers for battery packs
JPWO2018008469A1 (ja) * 2016-07-08 2019-04-25 株式会社カネカ 蓄電装置、蓄電システム、並びに、電源システム
WO2021038943A1 (ja) * 2019-08-27 2021-03-04 株式会社リガク 電池分析用構造体およびｘ線回折装置
WO2021149973A1 (ko) * 2020-01-22 2021-07-29 주식회사 엘지에너지솔루션 배터리 진단 시스템, 전력 시스템 및 배터리 진단 방법

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8242738B2 (en) * 2008-05-28 2012-08-14 Texas Instruments Incorporated Systems and methods for determining battery parameters following active operation of the battery
JP5994240B2 (ja) * 2011-12-02 2016-09-21 日産自動車株式会社 組電池の制御装置
CN103399281B (zh) * 2013-08-01 2016-01-20 哈尔滨工业大学 基于循环寿命退化阶段参数的nd-ar模型和ekf方法的锂离子电池循环寿命预测方法
CN103983919B (zh) * 2014-05-28 2016-10-05 山东大学 一种基于gm（1，n）灰色模型的电池寿命预测方法
FR3029297B1 (fr) * 2014-11-28 2016-12-30 Renault Sa Procede automatique d'estimation de l'etat de charge d'une cellule d'une batterie
US10554048B2 (en) * 2015-05-18 2020-02-04 University Of North Carolina At Charlotte Battery energy storage system controller systems and methods
CN106371018B (zh) * 2015-07-21 2019-05-24 上汽通用汽车有限公司 基于电池端电压估计的车辆动力电池故障诊断方法及设备
CN107147110B (zh) * 2017-05-17 2020-01-17 山东大学 考虑多风场预测误差时空相关性的储能容量优化配置方法
IT201700058171A1 (it) * 2017-05-29 2018-11-29 Magneti Marelli Spa Metodo di stima della corrente e dello stato di carica di un pacco batteria o cella, senza rilevazione diretta di corrente in condizioni operative
CN107367698B (zh) * 2017-08-25 2019-08-30 北京交通大学 电动汽车锂电池组的健康状态预测方法
DK3723218T3 (da) * 2017-12-29 2022-01-31 Huawei Tech Co Ltd Metode og anordning til håndtering af jævnstrømsbue
CN109061537B (zh) * 2018-08-23 2019-07-16 重庆大学 基于观测器的电动车辆锂离子电池传感器故障诊断方法
US10978883B2 (en) * 2018-09-19 2021-04-13 International Business Machines Corporation Predictive rechargeable battery management system
KR20210099504A (ko) * 2020-02-04 2021-08-12 삼성전자주식회사 배터리 시스템에서 배터리의 작동 상태를 검출하는 방법 및 시스템
CN113011007B (zh) * 2021-02-26 2023-02-03 山东大学 一种锂离子动力电池热模型参数快速辨识方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04250376A (ja) * 1991-01-28 1992-09-07 Shin Kobe Electric Mach Co Ltd 密閉型鉛蓄電池の残存容量推定方法
JP2014126447A (ja) * 2012-12-26 2014-07-07 Toyota Central R&D Labs Inc 電池劣化予測方法、電池劣化予測装置及びプログラム
JPWO2018008469A1 (ja) * 2016-07-08 2019-04-25 株式会社カネカ 蓄電装置、蓄電システム、並びに、電源システム
WO2018075793A1 (en) * 2016-10-19 2018-04-26 San Diego State University Research Foundation Methods and circuitry for fault detection and automatic equalizers for battery packs
WO2021038943A1 (ja) * 2019-08-27 2021-03-04 株式会社リガク 電池分析用構造体およびｘ線回折装置
WO2021149973A1 (ko) * 2020-01-22 2021-07-29 주식회사 엘지에너지솔루션 배터리 진단 시스템, 전력 시스템 및 배터리 진단 방법

Also Published As

Publication number Publication date
CN113884884A (zh) 2022-01-04

Similar Documents

Publication Publication Date Title
CN113884884B (zh) 一种基于相关性的动力电池组故障诊断方法及系统
CN110161414B (zh) 一种动力电池热失控在线预测方法及系统
CN108562855B (zh) 电池内短路检测方法、装置和计算机可读存储介质
US8519674B2 (en) Method for estimating battery degradation in a vehicle battery pack
US8315829B2 (en) Battery state-of-health monitoring system and method
Sankavaram et al. Model-based and data-driven prognosis of automotive and electronic systems
CN111823952B (zh) 电芯温度的诊断方法、存储介质和电子设备
Wang et al. A transferable lithium-ion battery remaining useful life prediction method from cycle-consistency of degradation trend
KR20160101506A (ko) 배터리 신호 세그먼트 데이터의 확률 추론을 기반으로 한 배터리 상태 추정 방법 및 장치
Yan et al. Low-cost adaptive lebesgue sampling particle filtering approach for real-time li-ion battery diagnosis and prognosis
CN108205114B (zh) 电池寿命的预测方法及系统
CN114152880B (zh) 一种软包电池传感器故障在线检测方法
CN110749829B (zh) 一种供电设备异常检测方法及装置
CN114400738A (zh) 一种储能电站电池预警方法和系统
CN114994543A (zh) 储能电站电池故障诊断方法、装置及存储介质
CN115097319A (zh) 一种动力电池组故障在线诊断方法及系统
CN113459894A (zh) 一种电动汽车电池安全预警方法及系统
CN111308377A (zh) 基于温度电压微分的电池健康状态检测方法及系统
CN116505629B (zh) 固态电池的控制管理方法、装置、设备及存储介质
US20230037677A1 (en) System and method for estimating battery cell surface temperature
US20240027540A1 (en) Battery Cell Diagnosing Apparatus and Method
CN115144765A (zh) 电池内短路故障检测方法及装置
CN116027203A (zh) 电池短路故障的检测方法及装置
CN115184808A (zh) 电池热失控风险检测方法、装置、设备及计算机存储介质
JP2014509174A (ja) 自動車車両の充電式バッテリの充電管理方法

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
GR01 Patent grant
GR01 Patent grant