CN114236393B - 基于大数据的在线检测电池异常的方法及系统 - Google Patents
基于大数据的在线检测电池异常的方法及系统 Download PDFInfo
- Publication number
- CN114236393B CN114236393B CN202111444679.XA CN202111444679A CN114236393B CN 114236393 B CN114236393 B CN 114236393B CN 202111444679 A CN202111444679 A CN 202111444679A CN 114236393 B CN114236393 B CN 114236393B
- Authority
- CN
- China
- Prior art keywords
- time
- battery
- data
- preset
- moments
- 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
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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明提供了一种基于大数据的在线检测电池异常的方法及系统,包括:通过采集电池管理系统数据的数据采集终端实时获取电池组各电池单体的运行数据,并上传至云端大数据平台;对云端大数据平台上的数据进行预采样得到数据集D;数据集D中的所有时刻从第一时刻开始依次作为起始时刻t0,从起始时刻t0开始遍历数据集,获取满足预设判断标准的放电或充电时刻,将获取的满足预设判断标准的放电或充电时刻组成时刻序列,将数据集D中所有时刻从第一时刻开始依次作为起始时刻t0分别获取的时刻序列组成时刻序列集合;基于时刻序列集合利用异常检测算法筛选离群电池单体;基于筛选得到的离群电池单体进行异常单体的判定。
Description
技术领域
本发明涉及电池异常检测技术领域,具体地,涉及基于大数据的在线检测电池异常的方法及系统。
背景技术
现今对于二次电池的故障诊断方法,通常是在售后中通过传感器等手段调取单体故障发生时间段的现场数据进行人工审核,利用以往单体实验或复杂算法确定的阈值对电池状态进行划分,进而判断电池是否发生故障。
但目前大多数应用的技术存在着以下局限性:上述方式调取的数据为现场数据,时间跨度较小,不能够从整体运行时间跨度上分析,通常难以做到基于数据的故障预警;在数据量大的时候,人工审核通常费时费力;多数基于大数据的电池诊断主要关注电池系统整体状态的评估(如剩余容量、健康状态等),较少深入到对故障单体的识别与挖掘;且数据通常不经过任何筛选,计算资源消耗大;故障单体数据、特殊工况条件缺乏等数据来源的局限性致使目前符合上述条件的诸多技术中,应用到最一般情况下的效果往往不尽如人意,从而导致了技术实际应用的局限性;目前基于大数据判断故障单体的策略通常忽略了各种内外因素对电池运行状态的影响。
专利文献CN108631015B(申请号:201710167178.9)公开了一种电池包异常检测装置及电池包异常检测方法,属于电动汽车领域。装置包括:气压传感器、应变式压力传感器和处理器,气压传感器和应变式压力传感器位于电池包的内部;气压传感器与处理器连接,气压传感器用于检测电池包内部的气压;应变式压力传感器与处理器连接,应变式压力传感器用于检测电池包的内壁压力;处理器用于基于气压传感器采集到的第一压力值和应变式压力传感器采集到的第二压力值,判断电池包是否存在异常,并在确定电池包存在异常的条件下生成第一告警信息。
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基于大数据的在线检测电池异常的方法及系统。
根据本发明提供的一种基于大数据的在线检测电池异常的方法,包括:
步骤S1:通过采集电池管理系统数据的数据采集终端实时获取电池组各电池单体的运行数据,并上传至云端大数据平台;
步骤S2:对云端大数据平台上的数据进行预采样得到数据集D;
步骤S3:数据集D中的所有时刻从第一时刻开始依次作为起始时刻t0,从起始时刻t0开始遍历数据集,获取满足预设判断标准的放电或充电时刻,将获取的满足预设判断标准的放电或充电时刻组成时刻序列S,若时刻序列S中的时刻数量小于预设值时,则舍弃当前序列;将数据集D中所有时刻从第一时刻开始依次作为起始时刻t0分别获取的时刻序列S组成时刻序列集合;
步骤S4:基于时刻序列集合利用异常检测算法筛选离群电池单体;
步骤S5:基于筛选得到的离群电池单体进行异常单体的判定。
优选地,所述运行数据包括时间、单体电压以及荷电状态SOC。
优选地,所述运行数据还包括电流和/或温度。
优选地,所述步骤S2采用:将预采样起始时刻相对应的荷电状态SOC作为初值,基于荷电状态SOC的预设变化间隔寻找相应荷电状态SOC的下一时刻,并将下一时刻作为预采样起始时刻,重复执行,直至遍历预设数量的时刻或全部时刻。
优选地,所述预设判断标准的放电或充电时刻包括:两时刻时间间隔大于等于预设时间间隔ΔTime和两时刻荷电状态SOC之差小于等于预设荷电状态SOC差ΔSOC。
优选地,所述预设判断标准的放电或充电时刻包括:两时刻时间间隔大于等于预设时间间隔ΔTime、结合两时刻电流之差小于等于预设电流差ΔI、两时刻最高单体温度与最低单体温度之差小于等于预设温度差ΔTemp以及两时刻SOC之差小于等于预设SOC差ΔSOC中的任一种或任多种。
优选地,所述异常检测算法包括:拉依达准则、孤立森林、局部异常因子或一类支持向量机。
优选地,所述步骤S4采用:通过异常检测算法筛选电压U小于阈值T的电池单体,且令其中出现频率最高的电池单体作为当前序列的离群电池单体,若存在出现频率相同的电池单体,则都作为离群电池单体。
优选地,所述步骤S5采用:基于筛选出的离群电池单体的出现频率进行异常单体的判定;若离群电池单体的频率超过预设频率,则视为异常单体;若存在频率相同的多个离群电池单体,且均超过预设频率,则都视为异常单体。
根据本发明提供的一种基于大数据的在线检测电池异常的系统,包括:
模块M1:通过采集电池管理系统数据的数据采集终端实时获取电池组各电池单体的运行数据,并上传至云端大数据平台;
模块M2:对云端大数据平台上的数据进行预采样得到数据集D;
模块M3:数据集D中的所有时刻从第一时刻开始依次作为起始时刻t0,从起始时刻t0开始遍历数据集,获取满足预设判断标准的放电或充电时刻,将获取的满足预设判断标准的放电或充电时刻组成时刻序列S,若时刻序列S中的时刻数量小于预设值时,则舍弃当前序列;将数据集D中所有时刻从第一时刻开始依次作为起始时刻t0分别获取的时刻序列S组成时刻序列集合;
模块M4:基于时刻序列集合利用异常检测算法筛选离群电池单体;
模块M5:基于筛选得到的离群电池单体进行异常单体的判定。
与现有技术相比,本发明具有如下的有益效果:
1、本发明数据进行预采样,减少了分析时计算资源的消耗;
2、本发明获取的数据是任意条件下的数据,有效地摆脱了现有技术中获取数据的特殊性,提升了该方法应用的普遍性;
3、本发明通过筛选满足特定条件的时刻序列,能够有效避免电流导致的极化作用、温度相对不一致等内外因素对电池单体比较的影响,提高了异常单体筛选结果的可靠性;
4、本发明在时刻序列中利用离群点检测的方法进行异常单体的筛选,相对于设定固定阈值提高了筛选方法的灵活性。
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为基于大数据的在线检测电池异常的方法流程图。
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1
根据本发明提供的一种基于大数据的在线检测电池异常的方法,如图1所示,包括:
步骤S1:通过采集BMS(Battery Management System,电池管理系统)数据的数据采集终端实时获取电池组各电池单体的运行数据,并上传至云端大数据平台。
在所述步骤S1中,电池组的工作模式包括常规模式和维护模式,根据实际应用场景不同,电池组的终端工作模式包含的种类可不同;所述常规模式是正常的运行给用户端供电;所述维护模式下电池系统会进行均衡。
在所述步骤S1中,所述运行数据包括时间、单体电压和SOC(state of charge,荷电状态)。
在其他实施方式中,运行数据还可以包括电流、温度中的至少一种。
步骤S2:对云端大数据平台上的数据进行预采样,筛选SOC以预设变化间隔的各时刻,获取各时刻所对应的运行数据,得到数据集D。通过步骤S2,能够有效地减少遍历的数据量,同时保证采样的可靠性。
例如:预采样起始时刻的SOC为60%,若预设变化间隔为10%,则从预采样起始时刻开始寻找SOC为70%或50%的下一时刻,再从下一时刻开始,继续寻找相对下一时刻的SOC满足预设间隔的时刻,以此类推,直至遍历完预设数量的时刻或全部时刻。预采样起始时刻可以为运行数据中时间最早的时刻。
步骤S3:在数据集D中从第一时刻开始作为起始时刻t0开始遍历数据集,获取满足预设判断标准的放电或充电时刻,组成一个时刻序列;再从第二时刻开始重新作为起始时刻t0遍历数据集,以此类推获得所有的时刻序列S,形成时刻序列集合。每个时刻序列S中的时刻的数量至少为3个;若不满足数量条件,则舍弃当前序列。
在所述步骤S3中,预设判断标准包括两时刻时间间隔大于等于预设时间间隔ΔTime和两时刻SOC之差小于等于预设SOC差ΔSOC。
当采集的运行数据还包括步骤S1所述的电流、温度时,预设判断标准替代地可以为:两时刻时间间隔大于等于预设时间间隔ΔTime,结合两时刻电流之差小于等于预设电流差ΔI、两时刻最高单体温度与最低单体温度之差小于等于预设温度差ΔTemp、两时刻SOC之差小于等于预设SOC差ΔSOC三者中的至少一种。
更为具体地,从预采样得到的数据集D中获得三个满足上述预设判断标准的时刻序列S,分别为S1=[t1,t2,t3],t1为时刻序列S1的起始时刻t0,S2=[t4,t5,t6,t7],t4为时刻序列S2的起始时刻t0,S3=[t8,t9,t10],时刻序列S1中的时刻t1、t2、t3的绝对时间依次增大,S2和S3以此类推;t1至t10仅是对时刻的示意,并非指代连续的时刻。
步骤S4:基于所有的时刻序列S形成的时刻序列集合,利用异常检测算法筛选离群电池单体。
具体地,在步骤S4中,异常检测算法包括:拉依达准则、孤立森林(iForest)、局部异常因子(LOF)以及一类支持向量机(One-Class SVM)其中的一种。
所述拉依达准则包括:计算时刻序列S中每个时刻各单体电压平均值Um和标准差δ;所述阈值T采用:
T=Um-z·δ (1)
其中,z的取值范围为1~5。
筛选出电压U小于阈值T的电池单体,进一步,出现频率最高的单体作为当前序列的离群电池单体,若存在出现频率相同的电池单体,则都作为离群电池单体。
例如,前述时刻序列S1中,时刻t1筛选出电压U小于阈值T的电池单体:单体a、单体b;时刻t2筛选出电压U小于阈值T的电池单体:单体a;时刻t3筛选出电压U小于阈值T的电池单体:单体a、单体b、单体c;则出现频率最高的电池单体为单体a,因此,单体a是时刻序列S1的离群电池单体。
步骤S5:计算步骤S4中所有的时刻序列S筛选出的离群电池单体,判定得出异常电池单体。
所述步骤S5采用:计算步骤S4所筛选出的离群电池单体的出现频率,若出现频率最高的离群电池单体的频率超过预设频率,则视为异常电池单体,若存在出现频率相同的多个离群电池单体,均超过预设频率,则均视为异常电池单体。例如:各时刻序列S1、S2和S3筛选出的离群电池单体分别为单体a、单体b和单体a,单体a出现频率最高,若单体a的频率超过预设频率,综合考虑视单体a为整个电池组的异常电池单体。
根据本发明提供的一种基于大数据的在线检测电池异常的系统,包括:
模块M1:通过采集BMS(Battery Management System,电池管理系统)数据的数据采集终端实时获取电池组各电池单体的运行数据,并上传至云端大数据平台。
在所述模块M1中,电池组的工作模式包括常规模式和维护模式,根据实际应用场景不同,电池组的终端工作模式包含的种类可不同;所述常规模式是正常的运行给用户端供电;所述维护模式下电池系统会进行均衡。
在所述模块M1中,所述运行数据包括时间、单体电压和SOC(state of charge,荷电状态)。
在其他实施方式中,运行数据还可以包括电流、温度中的至少一种。
模块M2:对云端大数据平台上的数据进行预采样,筛选SOC以预设变化间隔的各时刻,获取各时刻所对应的运行数据,得到数据集D。通过模块M2,能够有效地减少遍历的数据量,同时保证采样的可靠性。
例如:预采样起始时刻的SOC为60%,若预设变化间隔为10%,则从预采样起始时刻开始寻找SOC为70%或50%的下一时刻,再从下一时刻开始,继续寻找相对下一时刻的SOC满足预设间隔的时刻,以此类推,直至遍历完预设数量的时刻或全部时刻。预采样起始时刻可以为运行数据中时间最早的时刻。
模块M3:在数据集D中从第一时刻开始作为起始时刻t0开始遍历数据集,获取满足预设判断标准的放电或充电时刻,组成一个时刻序列;再从第二时刻开始重新作为起始时刻t0遍历数据集,以此类推获得所有的时刻序列S,形成时刻序列集合。每个时刻序列S中的时刻的数量至少为3个;若不满足数量条件,则舍弃当前序列。
在所述模块M3中,预设判断标准包括两时刻时间间隔大于等于预设时间间隔ΔTime和两时刻SOC之差小于等于预设SOC差ΔSOC。
当采集的运行数据还包括模块M1所述的电流、温度时,预设判断标准替代地可以为:两时刻时间间隔大于等于预设时间间隔ΔTime,结合两时刻电流之差小于等于预设电流差ΔI、两时刻最高单体温度与最低单体温度之差小于等于预设温度差ΔTemp、两时刻SOC之差小于等于预设SOC差ΔSOC三者中的至少一种。
更为具体地,从预采样得到的数据集D中获得三个满足上述预设判断标准的时刻序列S,分别为S1=[t1,t2,t3],t1为时刻序列S1的起始时刻t0,S2=[t4,t5,t6,t7],t4为时刻序列S2的起始时刻t0,S3=[t8,t9,t10],时刻序列S1中的时刻t1、t2、t3的绝对时间依次增大,S2和S3以此类推;t1至t10仅是对时刻的示意,并非指代连续的时刻。
模块M4:基于所有的时刻序列S形成的时刻序列集合,利用异常检测算法筛选离群电池单体。
具体地,在模块M4中,异常检测算法包括:拉依达准则、孤立森林(iForest)、局部异常因子(LOF)以及一类支持向量机(One-Class SVM)其中的一种。
所述拉依达准则包括:计算时刻序列S中每个时刻各单体电压平均值Um和标准差δ;所述阈值T采用:
T=Um-z·δ (1)
其中,z的取值范围为1~5。
筛选出电压U小于阈值T的电池单体,进一步,出现频率最高的单体作为当前序列的离群电池单体,若存在出现频率相同的电池单体,则都作为离群电池单体。
例如,前述时刻序列S1中,时刻t1筛选出电压U小于阈值T的电池单体:单体a、单体b;时刻t2筛选出电压U小于阈值T的电池单体:单体a;时刻t3筛选出电压U小于阈值T的电池单体:单体a、单体b、单体c;则出现频率最高的电池单体为单体a,因此,单体a是时刻序列S1的离群电池单体。
模块M5:计算模块M4中所有的时刻序列S筛选出的离群电池单体,判定得出异常电池单体。
所述模块M5采用:计算模块M4所筛选出的离群电池单体的出现频率,若出现频率最高的离群电池单体的频率超过预设频率,则视为异常电池单体,若存在出现频率相同的多个离群电池单体,均超过预设频率,则均视为异常电池单体。例如:各时刻序列S1、S2和S3筛选出的离群电池单体分别为单体a、单体b和单体a,单体a出现频率最高,若单体a的频率超过预设频率,综合考虑视单体a为整个电池组的异常电池单体。
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 (6)
1.一种基于大数据的在线检测电池异常的方法,其特征在于,包括:
步骤S1:通过采集电池管理系统数据的数据采集终端实时获取电池组各电池单体的运行数据,并上传至云端大数据平台;
步骤S2:对云端大数据平台上的数据进行预采样得到数据集D;
步骤S3:数据集D中的所有时刻从第一时刻开始依次作为起始时刻t0,从起始时刻t0开始遍历数据集,获取满足预设判断标准的放电或充电时刻,将获取的满足预设判断标准的放电或充电时刻组成时刻序列S,若时刻序列S中的时刻数量小于预设值时,则舍弃当前序列;将数据集D中所有时刻从第一时刻开始依次作为起始时刻t0分别获取的时刻序列S组成时刻序列集合;
步骤S4:基于时刻序列集合利用异常检测算法筛选离群电池单体;
步骤S5:基于筛选得到的离群电池单体进行异常单体的判定;
所述运行数据包括时间、单体电压以及荷电状态SOC;
所述预设判断标准的放电或充电时刻包括:两时刻时间间隔大于等于预设时间间隔ΔTime和两时刻荷电状态SOC之差小于等于预设荷电状态SOC差ΔSOC;
所述步骤S4采用:通过异常检测算法筛选电压U小于阈值T的电池单体,且令其中出现频率最高的电池单体作为当前序列的离群电池单体,若存在出现频率相同的电池单体,则都作为离群电池单体;
所述步骤S5采用:基于筛选出的离群电池单体的出现频率进行异常单体的判定;若离群电池单体的频率超过预设频率,则视为异常单体;若存在频率相同的多个离群电池单体,且均超过预设频率,则都视为异常单体。
2.根据权利要求1所述的基于大数据的在线检测电池异常的方法,其特征在于,所述运行数据还包括电流和/或温度。
3.根据权利要求1所述的基于大数据的在线检测电池异常的方法,其特征在于,所述步骤S2采用:将预采样起始时刻相对应的荷电状态SOC作为初值,基于荷电状态SOC的预设变化间隔寻找相应荷电状态SOC的下一时刻,并将下一时刻作为预采样起始时刻,重复执行,直至遍历预设数量的时刻或全部时刻。
4.根据权利要求2所述的基于大数据的在线检测电池异常的方法,其特征在于,所述预设判断标准的放电或充电时刻包括:两时刻时间间隔大于等于预设时间间隔ΔTime、结合两时刻电流之差小于等于预设电流差ΔI、两时刻最高单体温度与最低单体温度之差小于等于预设温度差ΔTemp以及两时刻SOC之差小于等于预设SOC差ΔSOC中的任一种或任多种。
5.根据权利要求1所述的基于大数据的在线检测电池异常的方法,其特征在于,所述异常检测算法包括:拉依达准则、孤立森林、局部异常因子或一类支持向量机。
6.一种基于大数据的在线检测电池异常的系统,其特征在于,运用权利要求1至5任一一项权利要求所述的基于大数据的在线检测电池异常的方法,包括:
模块M1:通过采集电池管理系统数据的数据采集终端实时获取电池组各电池单体的运行数据,并上传至云端大数据平台;
模块M2:对云端大数据平台上的数据进行预采样得到数据集D;
模块M3:数据集D中的所有时刻从第一时刻开始依次作为起始时刻t0,从起始时刻t0开始遍历数据集,获取满足预设判断标准的放电或充电时刻,将获取的满足预设判断标准的放电或充电时刻组成时刻序列S,若时刻序列S中的时刻数量小于预设值时,则舍弃当前序列;将数据集D中所有时刻从第一时刻开始依次作为起始时刻t0分别获取的时刻序列S组成时刻序列集合;
模块M4:基于时刻序列集合利用异常检测算法筛选离群电池单体;
模块M5:基于筛选得到的离群电池单体进行异常单体的判定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111444679.XA CN114236393B (zh) | 2021-11-30 | 2021-11-30 | 基于大数据的在线检测电池异常的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111444679.XA CN114236393B (zh) | 2021-11-30 | 2021-11-30 | 基于大数据的在线检测电池异常的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114236393A CN114236393A (zh) | 2022-03-25 |
CN114236393B true CN114236393B (zh) | 2023-07-07 |
Family
ID=80752256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111444679.XA Active CN114236393B (zh) | 2021-11-30 | 2021-11-30 | 基于大数据的在线检测电池异常的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114236393B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114970734A (zh) * | 2022-06-09 | 2022-08-30 | 清华大学 | 异常电池确定方法、装置、计算机设备和存储介质 |
CN114977416A (zh) * | 2022-06-14 | 2022-08-30 | 湖北亿纬动力有限公司 | 电池管理方法、系统及计算机可读存储介质 |
CN116626505B (zh) * | 2023-07-21 | 2023-10-13 | 江苏海平面数据科技有限公司 | 一种基于车联网大数据的电池组一致性异常检测方法 |
CN117578664B (zh) * | 2023-11-28 | 2024-06-11 | 浙江智格科技有限公司 | 基于智能物联网的换电柜安全控制方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB1426604A (en) * | 1973-07-06 | 1976-03-03 | Post Office | Acoustic measurements |
CN103901350A (zh) * | 2014-03-13 | 2014-07-02 | 奇瑞汽车股份有限公司 | 一种废旧动力电池二次使用的筛选方法 |
JP2016102674A (ja) * | 2014-11-27 | 2016-06-02 | 三菱自動車工業株式会社 | 電池パックの異常判定装置 |
CN105958590A (zh) * | 2016-06-08 | 2016-09-21 | 西安特锐德智能充电科技有限公司 | 依据充电电量变化判断电池充电过程异常的装置及方法 |
CN112068004A (zh) * | 2020-09-16 | 2020-12-11 | 北京嘀嘀无限科技发展有限公司 | 一种电池异常、电池充电剩余时间的确定方法及装置 |
CN112763929A (zh) * | 2020-12-31 | 2021-05-07 | 华东理工大学 | 一种储能电站系统电池单体健康预测方法及装置 |
CN113075569A (zh) * | 2021-02-04 | 2021-07-06 | 三门峡速达交通节能科技股份有限公司 | 一种基于噪声自适应粒子滤波的电池荷电状态估计方法和装置 |
CN113075554A (zh) * | 2021-03-26 | 2021-07-06 | 国网浙江省电力有限公司电力科学研究院 | 一种基于运行数据的锂离子电池组不一致性辨识方法 |
CN113671393A (zh) * | 2021-08-11 | 2021-11-19 | 东莞新能安科技有限公司 | 一种电流采集检测方法、电池包与用电装置 |
-
2021
- 2021-11-30 CN CN202111444679.XA patent/CN114236393B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB1426604A (en) * | 1973-07-06 | 1976-03-03 | Post Office | Acoustic measurements |
CN103901350A (zh) * | 2014-03-13 | 2014-07-02 | 奇瑞汽车股份有限公司 | 一种废旧动力电池二次使用的筛选方法 |
JP2016102674A (ja) * | 2014-11-27 | 2016-06-02 | 三菱自動車工業株式会社 | 電池パックの異常判定装置 |
CN105958590A (zh) * | 2016-06-08 | 2016-09-21 | 西安特锐德智能充电科技有限公司 | 依据充电电量变化判断电池充电过程异常的装置及方法 |
CN112068004A (zh) * | 2020-09-16 | 2020-12-11 | 北京嘀嘀无限科技发展有限公司 | 一种电池异常、电池充电剩余时间的确定方法及装置 |
CN112763929A (zh) * | 2020-12-31 | 2021-05-07 | 华东理工大学 | 一种储能电站系统电池单体健康预测方法及装置 |
CN113075569A (zh) * | 2021-02-04 | 2021-07-06 | 三门峡速达交通节能科技股份有限公司 | 一种基于噪声自适应粒子滤波的电池荷电状态估计方法和装置 |
CN113075554A (zh) * | 2021-03-26 | 2021-07-06 | 国网浙江省电力有限公司电力科学研究院 | 一种基于运行数据的锂离子电池组不一致性辨识方法 |
CN113671393A (zh) * | 2021-08-11 | 2021-11-19 | 东莞新能安科技有限公司 | 一种电流采集检测方法、电池包与用电装置 |
Non-Patent Citations (5)
Title |
---|
Diego Carrera等.《Online anomaly detection for long-term ECG monitoring using wearable devices》.《Pattern Recognition》.2019,全文. * |
徐东辉 ; 徐向阳 ; .车用锂离子动力电池SOC时间序列的BP神经网络预测模型.南昌大学学报(理科版).2020,(第02期),全文. * |
熊平 ; 刘翼平 ; 游力 ; 丁永明 ; .动力电池健康因子提取实验研究.湖北电力.2020,(第02期),全文. * |
王顺利等.《基于滑动平均的锂电池关键参量检测方法研究》.《电子技术应用》.2015,全文. * |
秦亚等.《电池管理系统硬件在环测试平台的研究与设计》.《自动化应用》.2017,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN114236393A (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114236393B (zh) | 基于大数据的在线检测电池异常的方法及系统 | |
CN108254696B (zh) | 电池的健康状态评估方法及系统 | |
Li et al. | Online capacity estimation of lithium-ion batteries with deep long short-term memory networks | |
US20220239122A1 (en) | Server-side characterisation of rechargeable batteries | |
Jiang et al. | An adaptive capacity estimation approach for lithium-ion battery using 10-min relaxation voltage within high state of charge range | |
CN107340475B (zh) | 电池故障检测方法和电池故障检测装置 | |
KR20160067510A (ko) | 배터리의 상태를 추정하는 방법 및 장치 | |
CN112098850B (zh) | 基于sdo算法的锂离子电池电压故障诊断方法及系统 | |
Zhang et al. | Cost-effective Lebesgue sampling long short-term memory networks for lithium-ion batteries diagnosis and prognosis | |
CN108064391B (zh) | 一种电池循环寿命的快速预测方法及其快速预测装置 | |
Lee et al. | Reduction of li-ion battery qualification time based on prognostics and health management | |
EP3992648A1 (en) | Battery diagnosis device and method | |
Sreenuch et al. | Probabilistic Monte-Carlo method for modelling and prediction of electronics component life | |
CN110715678B (zh) | 一种传感器异常检测方法及装置 | |
CN110850297A (zh) | 一种通过大数据预测轨交锂电池soh的方法 | |
EP4145157A1 (en) | Battery system state of health monitoring system | |
Liu et al. | Online health prognosis for lithium-ion batteries under dynamic discharge conditions over wide temperature range | |
CN112611976A (zh) | 一种基于双差分曲线的动力电池健康状态估计方法 | |
CN113866641A (zh) | 一种锂离子电池的故障检测方法及装置 | |
CN114545234A (zh) | 一种基于电池温度梯度变化监测电池状态的方法 | |
WO2023052910A1 (en) | System and method for estimating state of health and remaining useful life of a battery | |
Wu et al. | A fault detection method of electric vehicle battery through Hausdorff distance and modified Z-score for real-world data | |
CN115327417A (zh) | 一种动力电池单体异常的预警方法、系统及电子设备 | |
Lucu et al. | Data-driven nonparametric Li-ion battery ageing model aiming at learning from real operation data: Holistic validation with ev driving profiles | |
CN115951249A (zh) | 电池状态监测方法、系统、电子设备及存储介质 |
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 |