CN114545234A - 一种基于电池温度梯度变化监测电池状态的方法 - Google Patents

一种基于电池温度梯度变化监测电池状态的方法 Download PDF

Info

Publication number
CN114545234A
CN114545234A CN202210114836.9A CN202210114836A CN114545234A CN 114545234 A CN114545234 A CN 114545234A CN 202210114836 A CN202210114836 A CN 202210114836A CN 114545234 A CN114545234 A CN 114545234A
Authority
CN
China
Prior art keywords
data
battery
temperature
model
soh
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.)
Withdrawn
Application number
CN202210114836.9A
Other languages
English (en)
Inventor
常伟
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202210114836.9A priority Critical patent/CN114545234A/zh
Publication of CN114545234A publication Critical patent/CN114545234A/zh
Withdrawn legal-status Critical Current

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]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • 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
    • 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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本专利涉及一种基于温度梯度变化监测电池状态的方法，该方法由相应的应用架构、流程和计算模型组成。这种方法首先对电动汽车电池充电时的温度信息进行采集，然后基于采集到的温度信息生成温度梯度曲线。该温度梯度曲线可以用于后续一段时间内电池状态判断的依据。并对判断依据和结果进行不同角度的评估和优化，从而建立电动汽车电池状态预测的模型，优化电池的维修和更换，提高车主的安全性指标，进而达到系统性能和经济效益的平衡。

Description

一种基于电池温度梯度变化监测电池状态的方法
技术领域
本发明涉及一种基于电池温度梯度监测电池状态方法的应用分析方法，应用的领域是进行电动汽车车辆电池热管理和健康评估。
背景技术
随着电动汽车在中国的推广和车联网技术的应用，越来越多的电动汽车进入了消费者市场并且根据国家标准(GBT32960)实时采集了行车数据。动力电池作为电动汽车的动力来源，随着充放电次数和行驶里程的增加，电池的内部热性能也发生了变化，这个反应是典型的动态非线性的电化学系统，在线应用时内部参数是难以测量的，其退化状态识别和状态估计仍存在巨大挑战。
通过对动力电池电池组全电芯多点温度及连接点温度进行分析和监测，主要就是为了能够提高电池的利用率，防止电池出现过度充电和过度放电，可用于电动汽车、电瓶车、机器人和无人机等。在此基础上，可以实现对温度的管理和检测，同时对于电池热失控进行准确的预测。
本文采用一种利用电池充电时温度梯度信息作为参考的方法来进行电池状态的监测，在依赖于电动汽车全电芯多点温度及连接点温度数据采集的长周期情况下，从用车时温度变化速率偏离充电时获得参考速率的阈值的计算中，来挖掘电池健康状态信息及其演变规律，实现电池热失控预测。
发明内容
为了解决这个问题，本发明提供了一种数据驱动的电池状态监测方法，就是基于大数据建立电动汽车电池状态监测的应用分析系统。所述方法包括：
数据准备步骤，进行电池温度的测量，对每个电芯表面进行多点测温作为预测数据的基础，并获取其他与电动汽车电池使用相关的数据。
温度特征序列的提取步骤，基于多点的温度测量数据，提取大数据预测SOH的特征变量。基于温度提取的特征变量将作为大数据预测SOH的数据基础。同时，基于多点测温的数据样本量比采用单一的内部测温法得到的数据量更加丰富，也体现了多点测温的优势。
SOH序列的获取步骤，以计算得到的SOH序列大部分被作为模型训练的数据，使上述温度相关的特征序列与目标SOH序列进行拟合。另一部分SOH序列作为该拟合方法的验证数据，以检验模型的鲁棒性。
学习算法的选择，通过深度学习的方法(例如LSTM)或者集成学习方案(例如，XGBoost)，将以上提取的相关特征序列与目标SOH进行拟合。
建立模型步骤，基于特征化后的数据建立电池热失控预测模型，采用特征化后得到的梯度信息作为参考目标，来判断电池的状态；电池使用相关数据的每个变量的阈值检查数据是否合乎要求将超出正常范围的数据予以删除或纠正；通过设定电动汽车电池使用相关数据的相互约束和依赖关系，将逻辑上不合理或者相互矛盾的数据予以删除或纠正；所述数据构建包括，按照时间的顺序将搜集到的数据进行整合；
训练验证步骤，选择合适的阈值，在确定了电池充电时温度梯度信息作为判断依据，后续用车时电池温度变化的速率与判断依据相比较，选择合适的阈值，当电池温度变化速率与判断依据的差值大于阈值时，电池工作出现异常；
算法评估步骤，基于合适的阈值，评估数据的预测结果。
本方法在电动汽车电池管理中确定了电池状态监测的问题，针对该核心问题进行数据的获取和标定、以及进行数据整合和特征工程，明确数据定义并进行初步处理，通过预定义的规则进行特征和标签的定义。最后是进行模型训练和评估，通过数据导入，利用大数据的不同模型，选择不同算法进行匹配验证，并进行发布，成为结构化的产品，并随着时间累积和数据丰富，模型的预测准确性会不断提升。
附图说明
图1是电动汽车电池状态监测实施方式；
图2是本发明的系统结构框图；
图3是本发明的大数据机器学习框图；
图4是本发明中滚动聚合原理图。
具体实施方式
结合下图对本专利的具体实施方式进行详细说明，需要指出的是，该具体实施方式仅仅是对本发明优选技术方案的举例，并不能理解为对本发明保护范围的限制。
图1示出了本专利具体实施方式中的一种电动汽车电池状态监测的步骤。其中：
数据准备步骤，对每个电芯表面进行多点测温并获取与电动汽车电池使用相关数据。
在本步骤中，采用对每个电芯表面进行多点测温作为预测数据的基础，因为在缺乏电池生产经验的条件下，通过向电池内置测温光纤/热电偶以获得电池内部温度的方法不仅会对电池造成不确定性的损坏，还会影响预测结果。其中，所述电动汽车电池的数据包括电动汽车的监控数据，监控数据每秒采集一次，在电动汽车的不同整车状态中，例如行驶、充电过程中，都会产生。所述电池的监控数据包括在正常使用时与电池相关的温度信息。
序号 原始字段 描述
1 VIN 表示车辆的唯一标识码
2 采集时间 时间戳，正常采集频率为10秒
3 车辆工况 车辆的工作状态，包括地面行驶、高速行驶、充电等
4 电芯采集点温度 采集的每个电芯4-5个温度检测点的温度
5 电池热故障信息 电池热相关故障采集的故障类型和发生时间
温度特征序列的提取步骤，基于多点的温度测量数据，提取大数据预测SOH的特征变量。
在本实施方式中，由于主要是基于数据处理实现的，保证高质量的数据有利于提高结果的准确性，因此需要对采集的数据进行数据整理。温度特征数据提取主要包括：
在充电过程中，对每个单体的多个测温点进行温度提取，主要是提取温度的差值序列、上升速度序列、熵序列等；在充电过程中，提取不同单体之间的平均温度的差值序列、上升速度序列、熵序列等；在充电过程中，分别在单体所有的测温点和不同单体个体的平均温度下，提取单位SOC的温度增量序列；以上述基于温度提取的特征变量将作为大数据预测SOH的数据基础。同时，基于多点测温的数据样本量比采用单一的内部测温法得到的数据量更加丰富，也体现了多点测温的优势。
SOH序列的获取步骤，以计算得到的SOH序列大部分被作为模型训练的数据，使上述温度相关的特征序列与目标SOH序列进行拟合。另一部分SOH序列作为该拟合方法的验证数据，以检验模型的鲁棒性。
由于在后续的处理步骤中需要对数据进行处理和计算，为了便于计算和识别数据的特征，首先需要对整理后的数据进行特征化以便于显现所述数据的各种特征从而便于计算和识别。
在本步骤中，首先，基于传统的安时积分法测量每次充电的容量(选择固定电压区间)；然后，基于每次充电的容量进行一些异常值的剔除；最后，对容量数据进行滑动平均，得到SOH序列。
以上计算得到的SOH序列大部分被作为模型训练的数据，使上述温度相关的特征序列与目标SOH序列进行拟合。另一部分SOH序列作为该拟合方法的验证数据，以检验模型的鲁棒性。
学习算法的选择，通过深度学习的方法(例如LSTM)或者集成学习方案(例如，XGBoost)，将以上提取的相关特征序列与目标SOH进行拟合。
建立模型步骤，基于特征化后的数据建立电池热失控预测模型，采用特征化后得到的梯度信息作为参考目标，来判断电池的状态。
在完成了判断依据温度的采集之后，可以继续采集后续的温度信息与判断依据相比较来判断电池的状态。
后续在预测过程中同样每隔Δt采集的温度信息Tt1、Tt2...Ttn，依据S005内公式计算温度Tt的梯度信息GTt，通过累加每一个采集时刻的GTt得到SGTt，将S005中算得的SGTR作为阈值，与之相比较来判断电池状态，当大于阈值时，则判断电池状态出现异常。也可以选择其他阈值作为判断依据。需要基于不同的情况选择不同的阈值信息。
训练验证步骤，对模型进行训练和验证以优化该监测模型。
在建立上述模型的基础上，需要进行训练和验证的工作来优化模型，以便可以选择合适的阈值提高模型的准确性。
在本具体实施方式中，所述训练验证步骤优选包括：交叉验证和少数类采样。
所述交叉验证方法中对于各个模型的参数框架进行优化，算法的可靠性依赖参数框架，就是说哪些电池数据对于产生的结果是最有效的。
在本具体实施方式中，为了提高参数框架的质量，首先把原始的数据随机分成K个部分。在这K个部分中，选择其中一个部分作为测试数据，剩下的K-1个部分作为训练数据得到相应的实验结果。然后，挑选另外一个部分作为测试数据，剩下的K-1个部分作为训练数据，以此类推，重复进行K次交叉检验的。每次实验都从K个部分中选择一个不同的部分作为测试数据，保证K个部分的数据都分别做过测试数据，剩下的K-1个当作训练数据进行实验。最后把得到的K个实验结果平均，所述实验结果可以为预测值和校验值的差值，使得差值越小越好，从而确定最佳的分类，实现模型的训练。在本应用中，可以将获得电动汽车的数据随机分成K个部分，首先将其中K-1个部分的数据用于建立热失控预测模型，然后利用新建模型去验证剩下最后一部分的数据是否满足该模型。以此类推。
所述少数类采样是针对一类数据仅仅有很少数量的训练样本时，数据集不平衡的情况时采用的。当一类数据仅仅有少量的训练样本时，本具体实施方式中可以通过将少数的故障样本数据合成新的少数类样本数据来进行模型的训练。例如在电池的数据收集中，当只采集到少量样本时，为了从少量数据中产生更多进行机器学习的数据，需要进行数据合成。具体而言，对每个少数类样本A，从它的最近邻中随机选一个样本B，这里的距离是根据时间和变量图中的距离进行计算，然后在A和B之间的连线上随机选择一点作为新合成的少数类样本。通过这样不断的合成，可以将少量的样本A，变成具备多数据的样本A+，从而达到预测电池热失控的数据要求，即不会产生计算中的因为数据不平衡导致的过拟合或者扭曲。
模型评估步骤，评估不同评估策略不同阈值下的预测结果，基于评估选择最优的算法。
在电池状态监测中，基于不同的监测目标或者是不同的数据源，采用不同的评估策略和阈值所得到的结果也是不同的，这样就需要针对不同的情况选择较佳的算法。
通常在电池状态监测中，可以使用监测值和S001中的电池故障信息的差值，评估监测结果，比较在不同情况下采用不同的算法所得到的结果是否最优，从而选择最优的算法。
其中，差值是针对监测结果而言所述模型预测电池使用过程和校验值的差距是多少，一般是越低越好。

Claims (4)

1.一种基于电池温度梯度变化监测电池状态的方法，所述方法如下：
数据准备步骤，进行电池温度的测量，对每个电芯表面进行多点测温作为预测数据的基础，并获取其他与电动汽车电池使用相关的数据。
温度特征序列的提取步骤，基于多点的温度测量数据，提取大数据预测SOH的特征变量。基于温度提取的特征变量将作为大数据预测SOH的数据基础。同时，基于多点测温的数据样本量比采用单一的内部测温法得到的数据量更加丰富，也体现了多点测温的优势。
SOH序列的获取步骤，以计算得到的SOH序列，大部分被作为模型训练的数据，使上述温度相关的特征序列与目标SOH序列进行拟合。另一部分SOH序列作为该拟合方法的验证数据，以检验模型的鲁棒性。
学习算法的选择，通过深度学习的方法(例如LSTM)或者集成学习方案(例如，XGBoost)，将以上提取的相关特征序列与目标SOH进行拟合。
建立模型步骤，基于特征化后的数据建立电池热失控预测模型，采用特征化后得到的梯度信息作为参考目标，来判断电池的状态；
训练验证步骤，通过电池温度的梯度信息作为判断依据，判断电池工作状态，并与实际电池工作状态做对比，来优化判断的阈值；
算法评估步骤，评估数据基于温度梯度信息在不同判断阈值下的预测结果，基于评估选择最优的判断方法；其中判断的实际校验值计算通过捕捉电池监控信息获得。
2.根据权利要求1所述的一种基于车用阶段动力电池温度测试数据预测电池SOH的方法。其特征在于，数据获取时采用对每个电芯表面进行多点测温；完成数据构建之后，对基于时间单元进行构建的数据进行评估及修正；所述评估包括筛选数据本身存在错误的那些数据；在评估之后，对于所述错误数据进行校正；所述校正包括：对于缺失值和异常值，取其前后两点的均值；对于时间周期错误的数值，明确应该取得时间周期，调整并重新运行数据；对于计算规格错误的数值，明确口径调整并重新运行数据。
3.据权利要求1和2中所述的一种基于电池温度梯度变化监测电池状态的方法，建立监测电池的模型，其特征在于，在所述模型中，以充电时采集的电池温度梯度GT作为参考信息，在之后使用中对每个电池温度数据从时间上进行标签化，将电池温度梯度设为x；通过比较GT和x之间的差别可以用于监测电池使用状态。
4.根据权利要求1-3中所述的一种基于电池温度梯度变化监测电池状态的方法。其特征在于，所述步骤005中还包括少数类采样对所述模型进行训练，当样本中一类数据仅仅有少量的训练样本时，通过将少数的样本数据合成新的少数类样本数据来进行模型的训练；对每个少数类样本A，从它的距离最近邻中随机选一个样本B，所述距离是根据时间和变量图中的距离进行计算，然后在A和B之间的连线上随机选择一点作为新合成的少数类样本；通过不断的合成，将少量的样本A，变成具备多数据的样本A+。
CN202210114836.9A 2022-01-30 2022-01-30 一种基于电池温度梯度变化监测电池状态的方法 Withdrawn CN114545234A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210114836.9A CN114545234A (zh) 2022-01-30 2022-01-30 一种基于电池温度梯度变化监测电池状态的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210114836.9A CN114545234A (zh) 2022-01-30 2022-01-30 一种基于电池温度梯度变化监测电池状态的方法

Publications (1)

Publication Number Publication Date
CN114545234A true CN114545234A (zh) 2022-05-27

Family

ID=81673447

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210114836.9A Withdrawn CN114545234A (zh) 2022-01-30 2022-01-30 一种基于电池温度梯度变化监测电池状态的方法

Country Status (1)

Country Link
CN (1) CN114545234A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115436821A (zh) * 2022-09-02 2022-12-06 四川新能源汽车创新中心有限公司 电池系统产热异常识别方法及装置
CN115932614A (zh) * 2022-12-13 2023-04-07 惠州恒立能源科技有限公司 一种锂电池储能系统充放电的电池荷电状态检测方法和系统
CN117007999A (zh) * 2023-08-08 2023-11-07 杭州意博科技有限公司 一种电池组故障诊断方法、装置及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115436821A (zh) * 2022-09-02 2022-12-06 四川新能源汽车创新中心有限公司 电池系统产热异常识别方法及装置
CN115436821B (zh) * 2022-09-02 2024-01-30 四川新能源汽车创新中心有限公司 电池系统产热异常识别方法及装置
CN115932614A (zh) * 2022-12-13 2023-04-07 惠州恒立能源科技有限公司 一种锂电池储能系统充放电的电池荷电状态检测方法和系统
CN115932614B (zh) * 2022-12-13 2023-08-29 惠州恒立能源科技有限公司 一种锂电池储能系统充放电的电池荷电状态检测方法和系统
CN117007999A (zh) * 2023-08-08 2023-11-07 杭州意博科技有限公司 一种电池组故障诊断方法、装置及系统
CN117007999B (zh) * 2023-08-08 2024-05-07 杭州意博科技有限公司 一种电池组故障诊断方法、装置及系统

Similar Documents

Publication Publication Date Title
CN112731159B (zh) 一种储能电站电池舱电池故障预判及定位的方法
Deng et al. Battery health estimation with degradation pattern recognition and transfer learning
CN111707951B (zh) 一种电池组一致性评估方法及系统
CN112092675B (zh) 一种电池热失控预警方法、系统及服务器
CN114545234A (zh) 一种基于电池温度梯度变化监测电池状态的方法
CN109978229A (zh) 一种对动力电池组全电芯多点温度及连接点温度进行热失控预测的方法
CN112904219B (zh) 一种基于大数据的动力电池健康状态的预测方法
CN108664700B (zh) 基于不确定数据包络分析的加速退化信息融合建模方法
CN110988695A (zh) 动力电池健康状态评估方法、装置、存储介质及电子设备
CN113447828B (zh) 一种基于贝叶斯神经网络的锂电池温度估计方法及系统
CN102789545A (zh) 基于退化模型匹配的涡轮发动机剩余寿命的预测方法
CN113696786B (zh) 电池均衡方法及系统
CN108957331B (zh) 电池性能检测方法及电池性能检测系统
CN110850297A (zh) 一种通过大数据预测轨交锂电池soh的方法
CN113484764B (zh) 基于多维阻抗谱的退役电池soh和一致性的评估方法
CN114236393A (zh) 基于大数据的在线检测电池异常的方法及系统
CN114312322B (zh) 车辆检测方法及装置
CN115792681A (zh) 一种基于车联网大数据平台的单体电池一致性检测算法
CN116150572A (zh) 一种基于聚类分析的汽车电池单体一致性缺陷评估方法
CN112287980B (zh) 基于典型特征向量的动力电池筛选方法
CN115327417A (zh) 一种动力电池单体异常的预警方法、系统及电子设备
CN117805649A (zh) 基于soh量化电池容量衰减对异常电芯进行识别的方法
CN114462259A (zh) 基于soc的电池剩余寿命预测方法、系统、汽车及介质
CN117517966A (zh) 一种电池组的故障诊断方法
CN117471346A (zh) 用于确定退役电池模组剩余寿命和健康状态的方法及系统

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20220527

WW01 Invention patent application withdrawn after publication