CN114430080B - 一种基于运行数据的动力电池电芯异常自放电的识别方法 - Google Patents
一种基于运行数据的动力电池电芯异常自放电的识别方法 Download PDFInfo
- Publication number
- CN114430080B CN114430080B CN202210102011.5A CN202210102011A CN114430080B CN 114430080 B CN114430080 B CN 114430080B CN 202210102011 A CN202210102011 A CN 202210102011A CN 114430080 B CN114430080 B CN 114430080B
- Authority
- CN
- China
- Prior art keywords
- data
- discharge
- battery
- self
- cell
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
- H01M10/482—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for several batteries or cells simultaneously or sequentially
-
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/44—Methods for charging or discharging
- H01M10/441—Methods for charging or discharging for several batteries or cells simultaneously or sequentially
Abstract
本发明涉及故障诊断技术领域,公开了一种基于运行数据的动力电池电芯异常自放电的识别方法,包括以下步骤:步骤1:解析得到基本电池信号数据;步骤2:清洗基本电池信号数据,得到标准电池信号数据;步骤3:由标准电池信号数据中选择充电状态数据;步骤4:按照提取策略对充电状态数据中每个电芯的电压数据进行特征提取,得到电芯特征值;步骤5:进行异常检测;步骤6:根据实时异常检测结果,判定电芯是否存在突发性自放电异常;根据长周期异常检测结果,判定电芯是否存在持续性自放电异常。本发明能够及时识别电芯异常自放电状况,保证识别的准确性和故障识别判定的高效率,并且,对自放电异常故障定位实现到电芯级别,识别的精度高。
Description
技术领域
本发明涉及故障诊断技术领域,具体涉及一种基于运行数据的动力电池电芯异常自放电的识别方法。
背景技术
随着电池电机电控等技术的迅速发展、消费者需求的转变以及新能源技术的推广应用,新能源汽车产销量也随之不断增长。但是,随着越来越多新能源汽车被投入使用,相应地,新能源汽车中的电池安全事故开始增多,其中,较为常见的一种电池故障现象为自放电异常故障现象。
自放电现象本身是一种电池特性,所有的电池均会受到自放电影响,电池在开路状态下,由于自身内在的化学反应导致储存电量随时间逐渐减少,这种现象即是自放电现象。理想情况下,电池的自放电应保持在一个极低的水平,然而在电池使用过程中,会出现物理微短路以致于形成异常自放电,粉尘、毛刺、金属杂质等均可能引发微短路,而当自放电经过一定时间的发展后,将导致电池系统内的电芯之间的电量差异变大,严重情况下会引发车辆的动力不足、频繁报故障、续航里程严重缩水等,异常自放电极端情况下可能导致电池正负极短接引发热失控。
因此,在诸如内部短路这类潜在发展故障还未恶化到造成安全事故和经济损失之前,测试监控电池的自放电水平,准确判定自放电是否存在异常是十分重要的。
发明内容
本发明意在提供一种基于运行数据的动力电池电芯异常自放电的识别方法,能够及时识别电芯异常自放电状况,保证识别的准确性和故障识别判定的高效率,并且,对自放电异常故障定位实现到电芯级别,识别的精度高。
本发明提供的基础方案为:一种基于运行数据的动力电池电芯异常自放电的识别方法,包括以下步骤:
步骤1:解析得到基本电池信号数据;
步骤2:清洗基本电池信号数据,得到标准电池信号数据;
步骤3:由标准电池信号数据中选择充电状态数据;
步骤4:按照提取策略对充电状态数据中每个电芯的电压数据进行特征提取,得到电芯特征值;所述提取策略为提取各电芯电压与每个时刻的电池系统内所有电芯的电压数据的中位数的差值作为电芯特征值;
步骤5:进行异常检测;所述异常检测包括实时异常检测和长周期异常检测;
步骤6:根据实时异常检测结果,按照第一判断策略判定电芯是否存在突发性自放电异常;根据长周期异常检测结果,按照第二判断策略判定电芯是否存在持续性自放电异常。
本发明的工作原理及优点在于:第一,对基本电池信号数据进行了清洗,保证参与后续操作的数据均为有效的标准电池信号数据,降低了后续选择充电状态数据的难度,便于提升整体的异常判定效率。
第二,按照提取策略对每个电芯的电压数据进行特征提取,在特征提取时提取各电芯电压与每个时刻的电池系统内所有电芯的电压数据的中位数的差值作为电芯特征值,该中位数是一个相对稳定的数值,在动力电池系统的全生命周期内基本不会发生大的变化,稳定性较好,本方案采用中位数作为差值基准,该基准是相对客观可靠的,并且是与各电芯的电压数据适配的,进而能够得到可靠的差值关系作为电芯特征值,相比于常规的需要划分多个时分区并计算每个电芯在时分区的斜率值等的时分回归方案,本方案对于特征值确认更为简单高效,仅计算电压值之间的相对差值即可,需要的数据量也更少,计算效率较高,有助于提升整体的故障判定效率。并且,由于本方案需要的数据量较少,能够有效克服实际应用中存在的线上数据收集频率低、实验参数缺失等问题,适应性更强。
第三,本方案设置了不同的异常检测类型,并对应设置了不同的判断策略,对于自放电异常判断的细致程度更高,识别精度高。
进一步,在步骤2中,所述标准电池信号数据包括时间信号数据、充放电状态信号数据、电压信号数据、电流信号数据和荷电状态信号数据。
这样设置,能够提供充足的基础数据值,为故障判定提供充分数据基础。
进一步,在步骤2中,清洗基本电池信号数据时,删除异常字符与无效数据,并对基本电池信号数据中电压信号数据大于6V且小于1V的数据进行剔除。
这样设置,剔除了可能会对故障判定造成噪声的数据,有助于保证所识别出的故障并非由其他类似于用户操作不当、外界因素干扰等因素引发的非自发电异常的其他故障,有助于降低误判率。
进一步,在步骤3中,在选择充电状态数据时,还需排除掉充电状态数据中荷电状态小于10%的数据。
荷电状态小于10%的数据属于极端低荷电状态条件下的数据,该类数据可能是由用户行为导致的,而不属于电池自身运作产生的有效数据,本方案将该类数据剔除,能够更好地消除无效数据的噪声影响,保证故障判定的准确性,降低误报率。
进一步,在步骤5中,所述实时异常检测和长周期异常检测中,设有动态的实时检测指标和长周期检测指标;所述实时检测指标和长周期检测指标均依据电芯的历史电芯特征值分布进行动态调整。
这样设置,实时检测指标和长周期检测指标的设置是自适应性的、动态的。根据各电芯的历史电芯特征值分布来确认指标值,而不需要大量的电压差异数据或荷电状态差异数据来确定固定阈值,计算过程较简单,数据计算量小,计算效率高,适于在大数据平台上集成部署,应用性较强。并且,相比于无法应对丰富多变的电芯相关数值的固定指标,本方案中设定的动态指标对于故障判定的灵活度更高,准确度更高。
进一步,所述实时检测指标和长周期检测指标包括安全阈值边界,所述安全阈值边界为下边界值;所述长周期检测指标还包括变化率阈值。
实时检测指标和长周期检测指标包含不同的阈值设置,这样设置,有助于后续准确区分实时类和长周期类的自放电异常。
进一步,所述实时检测指标和长周期检测指标均采用四分位距方法计算得出。
四分位距方法是一种统计学计算方法,可衡量数据的分散性与变异性。四分位距会将一组数从小到大排序,分成四等份。每等份之间的数叫做四分位数,依次记作Q1、Q2、Q3、四分位距=Q3-Q1。
本方案采用四分位距方法进行计算,不需要使用所有的数据信息即可完成计算,计算量较小,计算效率较高。并且,四分位距方法,相比于全距方法,更不易受异常值影响,在计算时能够有效地将数据存在的异常点排除在外,计算精准度较高,有助于得到准确的实时检测指标和长周期检测指标。
进一步,在步骤6中,所述第一判断策略为:若单个电芯的连续多个电芯特征值均超出下边界值则判定该电芯存在突发性自放电异常。
这样设置,对于突发性自放电异常的判定条件充分,能够准确判定突发性自放电异常。
进一步,在步骤6中,所述第二判断策略为:若电芯特征值超出下边界值,则该电芯存在自放电异常;若电芯特征值超出下边界值的同时,电芯特征变化率也超出变化率阈值,则判定该电芯存在持续性自放电异常。
这样设置,对于电芯的一般的自放电异常或是持续性自放电异常的判定条件充分,能够保证自放电异常类型判定的精准性。
附图说明
图1为本发明一种基于运行数据的动力电池电芯异常自放电的识别方法实施例的流程示意图。
具体实施方式
下面通过具体实施方式进一步详细的说明:
实施例基本如附图1所示:一种基于运行数据的动力电池电芯异常自放电的识别方法,包括以下步骤:
步骤1:解析得到基本电池信号数据;
具体地,本实施例中,由待测试的动力电池系统的符合GB32960协议的报文日志中解析得到相应的电池信号数据,该电池信号数据即为基本电池信号数据;这样得到的数据充分完善且符合标准,运作有效。优选地,该基本电池信号数据还可由待测试的动力电池系统所在车辆的车载软件中解析获得,还可由相应的大数据平台解析获得,整体方法与平台端、车载端等应用场景均可适配,具备一定的通用性。
步骤2:清洗基本电池信号数据,得到标准电池信号数据;
清洗基本电池信号数据时,删除异常字符与无效数据,并对基本电池信号数据中电压信号数据大于6V且小于1V的数据进行剔除。所述基本电池信号数据包括时间信号数据、充放电状态信号数据、电压信号数据、电流信号数据和荷电状态信号数据。
步骤3:由标准电池信号数据中选择充电状态数据;
在选择充电状态数据时,还需排除掉充电状态数据中荷电状态小于10%的数据。
步骤4:按照提取策略对充电状态数据中每个电芯的电压数据进行特征提取,得到电芯特征值;所述提取策略为提取各电芯电压与每个时刻的电池系统内所有电芯的电压数据的中位数的差值作为电芯特征值;
步骤5:进行异常检测;所述异常检测包括实时异常检测和长周期异常检测;
所述实时异常检测和长周期异常检测中,设有动态的实时检测指标和长周期检测指标。所述实时检测指标和长周期检测指标均依据电芯的历史电芯特征值分布进行动态调整。所述实时检测指标和长周期检测指标包括安全阈值边界,所述安全阈值边界为下边界值;所述长周期检测指标还包括变化率阈值。
所述实时检测指标和长周期检测指标均采用四分位距方法计算得出。即通过每个电芯的历史电芯特征值分布来计算每个电芯的安全阈值,其中包括安全阈值边界,即特征值对应的下边界值,以及特征变化率对应的变化率阈值。
具体地,采用特征的四分位距的方式,其中包含Q1四分位数、Q3四分位之三分位数,四分位距d=Q3-Q1,由于异常自放电主要会导致所提取的特征超出下边界,下边界具体表示为thres=Q1-c*d,c作为系数可以调整,依据该下边界对实时监测指标和长周期检测指标分别设定阈值,例如:实时检测指标中的下边界值采用c1系数,长周期检测指标中下边界值采用c2系数。
在计算特征值对应的下边界值时,基于历史电芯特征值分布,并进一步进行数据平滑处理,通过均值滤波的方式,滑动窗口按照充电窗口进行设置,本实施例中可按照300个点进行平滑,通过平滑后的特征计算特征值的下边界值value_thres=Q1value-3*dvalue。
在计算特征变化率对应的变化率阈值,即变化率的边界时,依据间隔一定时间特征点的前后特征作差(时间在后的特征减去时间在前的特征)所形成的新特征,并采用四分位距的方式进行计算,其阈值可表示为rate_thres=Q1’-c*d’,其中,系数c可调。例如,本实施例中变化率阈值可采用间隔1000个点的后一个特征点与前一个特征点作差,形成变化率的特征分布,并计算得到变化率阈值rate_thres=Q1rate-3*drate。
步骤6:根据实时异常检测结果,按照第一判断策略判定电芯是否存在突发性自放电异常;根据长周期异常检测结果,按照第二判断策略判定电芯是否存在持续性自放电异常。
所述第一判断策略为:若单个电芯的连续多个电芯特征值均超出下边界值则判定该电芯存在突发性自放电异常。其中,电芯特征值的连续个数可按实际需求设定,连续个数设置越大,故障判定准确的把握越大。例如,本实施例中,基于历史数据特征提取设定实时检测指标的下边界值为thres=Q1-6*d-15,c=15,其中15代表为15mv;在充电过程中识别到某个电芯的特征值连续20个点以上超出下边界值即认为该电芯存在突发性自放电。
所述第二判断策略为:若电芯特征值超出下边界值,则该电芯存在自放电异常;若电芯特征值超出下边界值的同时,电芯特征变化率也超出变化率阈值,则判定该电芯存在持续性自放电异常。
本实施例提供的一种基于运行数据的动力电池电芯异常自放电的识别方法,采用各电压数据与总的电压数据的中位数的差值作为特征值,需要的数据量小,计算量小,特征提取效率高,并且中位数作为电池系统中的相对稳定数据,以此为基准得到的特征值稳定性和可靠性较高,有助于提升故障判定的精准度。并且,本方案中设置了动态的指标值,依据历史电芯特征值分布来进行动态调整,参数设置实现自适应,使得本方案能够应对不同的电池系统以及不同的运行情况,保证故障判定的长期有效性。此外,采用四分位距方法进行指标阈值的确认,在保证较高的阈值确认准确度的同时,计算简单高效,有助于整体达到较高的故障判定效率和精准度。
并且,本方案在特征处理和阈值设置上,均突破了常规方案的局限,并达到了较高的测试效率和测试精准度。常规的如开路电压法是以自放电最终的表现形式——压降现象为基准进行测试的。在测试时需要通过测量电池的开路电压随时间的下降的特征来评测自放电性能,该方法仅需使用电压表或数字万用表即可完成测试,测试方法简单,但是部分电池的自放电水平极低,其月度相应的压降可能仅有几十毫伏,要通过压降检测出电池的自放电水平可能需要数周乃至月计的静置测量,测量效率较低,而且由于数值较小,对于数据采集设备的要求较高,数据采样误差较大,以致于故障判定的准确度低。
而本方案则不囿于压降这种自放电的最终表现形式,本方案通过所提取的特征,对自放电的发展过程进行了捕捉,对自放电的测试与自放电的发展过程并线开展,能够对异常情况进行早期识别,达到较好的测试效果。本方案在提取电压数据时,并非需要提取所有时刻的所有电压数据以求其在不同时刻中产生的压降,而是以单个时刻的电压数据与该时刻全部电压数据的中位数的差值为特征值,该中位数是一个相对稳定的数值,在动力电池系统的全生命周期内基本不会发生大的变化,稳定性较好,以此为基准得到的差值,相比于常规方案中测量得到的压降值更为稳定可靠,由于其表示是值与值之间的相对大小关系,并不受值本身的误差影响,其准确度相对较高,进而能够保证较高的故障判定准确率。
并且,本方案中的阈值设置是根据历史电芯特征值分布动态调整的,不需要进行例如电压差异或SOC差异达到某个阈值的固定值设置,阈值是跟随特征值动态调整的,阈值设置的准确度更高,能够进一步提升故障判定的精准度。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (4)
1.一种基于运行数据的动力电池电芯异常自放电的识别方法,其特征在于,包括以下步骤:
步骤1:解析得到基本电池信号数据;
步骤2:清洗基本电池信号数据,得到标准电池信号数据;
步骤3:由标准电池信号数据中选择充电状态数据;
步骤4:按照提取策略对充电状态数据中每个电芯的电压数据进行特征提取,得到电芯特征值;所述提取策略为提取各电芯电压与每个时刻的电池系统内所有电芯的电压数据的中位数的差值作为电芯特征值;
步骤5:进行异常检测;所述异常检测包括实时异常检测和长周期异常检测;
步骤6:根据实时异常检测结果,按照第一判断策略判定电芯是否存在突发性自放电异常;根据长周期异常检测结果,按照第二判断策略判定电芯是否存在持续性自放电异常;
在步骤2中,清洗基本电池信号数据时,删除异常字符与无效数据,并对基本电池信号数据中电压信号数据大于6V且小于1V的数据进行剔除;
所述实时异常检测和长周期异常检测中,设有动态的实时检测指标和长周期检测指标;所述实时检测指标和长周期检测指标均依据电芯的历史电芯特征值分布进行动态调整;
所述实时检测指标和长周期检测指标包括安全阈值边界,所述安全阈值边界为下边界值;所述长周期检测指标还包括变化率阈值;
所述第一判断策略为:若单个电芯的连续多个电芯特征值均超出下边界值则判定该电芯存在突发性自放电异常;
所述第二判断策略为:若电芯特征值超出下边界值,则该电芯存在自放电异常;若电芯特征值超出下边界值的同时,电芯特征变化率也超出变化率阈值,则判定该电芯存在持续性自放电异常。
2.根据权利要求1所述的一种基于运行数据的动力电池电芯异常自放电的识别方法,其特征在于,在步骤2中,所述标准电池信号数据包括时间信号数据、充放电状态信号数据、电压信号数据、电流信号数据和荷电状态信号数据。
3.根据权利要求1所述的一种基于运行数据的动力电池电芯异常自放电的识别方法,其特征在于,在步骤3中,在选择充电状态数据时,还需排除掉充电状态数据中荷电状态小于10%的数据。
4.根据权利要求1所述的一种基于运行数据的动力电池电芯异常自放电的识别方法,其特征在于,所述实时检测指标和长周期检测指标均采用四分位距方法计算得出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210102011.5A CN114430080B (zh) | 2022-01-27 | 2022-01-27 | 一种基于运行数据的动力电池电芯异常自放电的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210102011.5A CN114430080B (zh) | 2022-01-27 | 2022-01-27 | 一种基于运行数据的动力电池电芯异常自放电的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114430080A CN114430080A (zh) | 2022-05-03 |
CN114430080B true CN114430080B (zh) | 2022-07-29 |
Family
ID=81312878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210102011.5A Active CN114430080B (zh) | 2022-01-27 | 2022-01-27 | 一种基于运行数据的动力电池电芯异常自放电的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114430080B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116068441A (zh) * | 2021-10-29 | 2023-05-05 | 北汽福田汽车股份有限公司 | 动力电池内短路预警方法、装置及车辆 |
CN116106757A (zh) * | 2022-12-06 | 2023-05-12 | 北汽福田汽车股份有限公司 | 电芯检测方法、装置、存储介质及电子设备 |
CN116125325A (zh) * | 2022-12-06 | 2023-05-16 | 北汽福田汽车股份有限公司 | 电池的电芯一致性的检测方法及装置、车辆和存储介质 |
CN115863795B (zh) * | 2022-12-06 | 2023-09-12 | 北汽福田汽车股份有限公司 | 数据处理方法、数据处理装置、车辆和存储介质 |
CN115825755B (zh) * | 2022-12-30 | 2023-09-19 | 哈尔滨昆宇新能源有限公司 | 一种储能电池电芯电压一致性评估方法 |
CN116859246A (zh) * | 2023-07-25 | 2023-10-10 | 上海思格源智能科技有限公司 | 一种电池电芯自动识别方法及系统 |
CN116774064B (zh) * | 2023-08-22 | 2024-01-16 | 宁德时代新能源科技股份有限公司 | 电池自放电检测方法、装置、设备和存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108508365A (zh) * | 2017-04-16 | 2018-09-07 | 万向二三股份公司 | 一种锂离子电池自放电筛选方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110794305B (zh) * | 2019-10-14 | 2021-03-16 | 北京理工大学 | 一种动力电池故障诊断方法和系统 |
CN113589183A (zh) * | 2021-08-09 | 2021-11-02 | 湖北亿纬动力有限公司 | 一种基于大数据的自放电检测方法、装置和系统 |
-
2022
- 2022-01-27 CN CN202210102011.5A patent/CN114430080B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108508365A (zh) * | 2017-04-16 | 2018-09-07 | 万向二三股份公司 | 一种锂离子电池自放电筛选方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114430080A (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114430080B (zh) | 一种基于运行数据的动力电池电芯异常自放电的识别方法 | |
CN110794305B (zh) | 一种动力电池故障诊断方法和系统 | |
CN110018425B (zh) | 一种动力电池故障诊断方法及系统 | |
CN111551860B (zh) | 一种基于弛豫电压特征的电池内短路诊断方法 | |
CN109116242B (zh) | 一种动力电池的数据处理方法和装置 | |
CN112924885B (zh) | 基于增量容量曲线峰值高度的电池内短路定量诊断方法 | |
CN111965559A (zh) | 一种锂离子电池soh在线估计方法 | |
CN113109729B (zh) | 基于加速老化试验与实车工况的车用动力电池soh评估方法 | |
CN113933732A (zh) | 新能源汽车动力电池健康状态分析方法、系统及存储介质 | |
CN113696786B (zh) | 电池均衡方法及系统 | |
CN108333548A (zh) | 绝缘电阻测量设备及故障自诊断方法 | |
CN111579121B (zh) | 在线诊断新能源汽车电池包内温度传感器故障的方法 | |
CN110045291B (zh) | 一种锂电池容量估计方法 | |
CN111257753B (zh) | 一种电池系统故障诊断方法 | |
CN112731155B (zh) | 一种磷酸铁锂电池的充放电状态的判断方法 | |
CN112051512A (zh) | 一种梯次利用分选方法及储能系统 | |
CN115166555A (zh) | 一种电池大数据平台电池模块内阻异常识别方法及系统 | |
CN114879066A (zh) | 一种电池包一致性评估方法及系统 | |
CN115248379A (zh) | 一种基于多场景融合的动力电池微短路诊断方法及系统 | |
CN116973782A (zh) | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 | |
CN115128468A (zh) | 一种化学储能电池phm欠压故障预测方法 | |
CN115469226A (zh) | 一种基于运行大数据的电动汽车动力电池实时安全预警方法 | |
CN114779099A (zh) | 一种基于大数据的新能源汽车电池性能分析监测系统 | |
CN113884922A (zh) | 一种基于电压和电量离群系数的电池内短路定量诊断方法 | |
CN114636930A (zh) | 一种电池自放电故障预警方法 |
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 |