CN114580496A - 一种锂离子电池单体故障自检测方法 - Google Patents
一种锂离子电池单体故障自检测方法 Download PDFInfo
- Publication number
- CN114580496A CN114580496A CN202210082128.1A CN202210082128A CN114580496A CN 114580496 A CN114580496 A CN 114580496A CN 202210082128 A CN202210082128 A CN 202210082128A CN 114580496 A CN114580496 A CN 114580496A
- Authority
- CN
- China
- Prior art keywords
- battery
- lithium ion
- data
- ion battery
- curve
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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]
-
- 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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种锂离子电池单体故障检测方法,通过对多组正常工作的锂离子电池进行一定倍率恒流充放电循环试验,采集循环过程中电压与电池表面温度数据,然后对采集的数据进行处理,提取锂离子电池特征曲线并提取特征曲线峰值数据,再构建数据集并进行数据驱动模型训练,计算得到Hotelling T2统计量与SPE统计量,进而得到正常工作的锂离子电池失效概率,并设置异常判定概率阈值,然后对待测锂离子电池进行上述操作得到待测锂离子电池失效概率,根据待测锂离子电池失效概率与异常判定概率阈值的比对结果判断电池是否故障。本方法选择包含了电池性能演变与熵热变化等信息的数据集,更能体现电池复杂的微观性能演变,确保了故障诊断的准确性。
Description
技术领域
本发明涉及电池技术领域,具体涉及一种锂离子电池单体故障自检测方法。
背景技术
作为新能源汽车三大关键核心技术之一的新型动力电池系统,一直都是世界各国关注的焦点领域。伴随着电动汽车的使用,恶劣的路面条件、环境温度和负载的动态变化会导致电池系统性能非线性下降,进而导致漏液、绝缘损坏和部分短路等问题。若未能及时监测电池的故障特征,电池将加速老化恶化继而引发自燃、爆炸等严重安全事故,因此实现锂离子电池的精确故障检测有重要意义。
目前对锂离子电池的故障检测主要存在以下两个问题。
①衡量变量单一且代表性差:目前对锂离子电池单体的故障检测往往通过对多个单一变量如电压、温度等进行评价,而电池的性能演变是一个“微观—宏观闭环联动”的非线性动态过程。在电池实际使用过程中,电池内部实际化学反应受诸多因素影响,电池材料属性、加工工艺、充放电倍率等差异均会影响电池内部反应过程,反应电池内部微观反应偏离常态的变量也十分复杂,包括运行温度、电压、电流、剩余容量以及变量变化梯度等等,实现高精度的电池故障检测需要选取更能够表征电池状态的分析变量。
②故障检测模型构建数据分析少且准确度不够:电池故障检测判断变量与故障阈值需要大量针对性结合该电池在不同工况下的运行数据,目前的故障检测不完善的一个主要原因是数据分析量不充分导致的模型精度问题。
针对以上两个技术难点可知,在通信技术不断升级与大数据挖掘算法不断优化的背景下,结合深度学习算法实现高精度电池故障检测是非常有研究和应用价值的。
发明内容
针对上述现有技术中存在的问题,本发明提供了一种锂离子电池单体故障检测方法,基于电池特征曲线,选择具有电池性能演变与熵热变化等信息的数据集,更能体现电池复杂的微观性能演变,确保了故障诊断的准确性,同时采用数据驱动算法,避免了对电池复杂演变过程与宏观物理表现的关系研究,大大降低了研究复杂度。
本发明技术方案如下:
一种锂离子电池单体故障检测方法,其特征在于,包括以下步骤:
S1:对多组正常工作的锂离子电池进行一定倍率恒流充放电循环试验,采集循环过程中电压与电池表面温度数据;
S2:对采集的电压与电池表面温度数据进行处理,提取锂离子电池特征曲线,并采用滤波算法对特征曲线进行平滑处理;
S3:提取平滑处理后的特征曲线峰值数据,根据特征曲线峰值数据和电池基本状态参数组成数据集,基于深度学习算法对数据集进行数据驱动模型训练,对数据进行降维处理,得到数据矩阵;
S4:根据数据矩阵计算得到正常工作的锂离子电池霍特林T2统计量与SPE统计量,根据计算得到的霍特林T2统计量与SPE统计量计算出综合指标并回归到概率分布中,根据综合指标计算得到正常工作的锂离子电池失效概率,根据正常工作的锂离子电池失效概率设置异常判定概率阈值;
S5:对待测锂离子电池进行相同倍率恒流充放电循环试验,采集循环过程中电压与电池表面温度数据,并重复S2步骤再通过S3步骤已经训练的数据驱动模型进行数据降维进而计算霍特林T2统计量与SPE统计量,得到待测锂离子电池失效概率,根据待测锂离子电池失效概率与异常判定概率阈值的比对结果判断电池是否故障,若待测锂离子电池失效概率大于等于异常判定概率阈值,则判断待测锂离子电池出现故障,否则,待测锂离子电池正常。
优选地,所述S2步骤中,所述特征曲线包括IC曲线、DV曲线和DTV曲线。
优选地,所述IC曲线是以电池容量对电压的导数为Y轴,以电池端电压为X轴的二维曲线;
所述DV曲线是以电池端电压对电池容量的导数为Y轴,以电池容量为X轴的二维曲线;
所述DTV曲线是以电池表面温度对电池端电压的导数为Y轴,以电池端电压为X轴的二维曲线。
优选地,所述S2步骤中,所述滤波算法包括插值估计和近似估计,所述插值估计包括分段估计和样条估计,所述近似估计包括极大似然估计和贝叶斯估计。
优选地,所述S3步骤中,采用一阶微分方法提取特征曲线峰值数据,所述峰值数据为电池特征曲线极大值和电池特征曲线极小值。
优选地,所述S3步骤中,所述电池基本状态参数包括充放电深度、充放电倍率、电池表面温度。
优选地,所述S3步骤中,所述数据驱动模型采用机器学习算法,包括线性机器学习算法和非线性机器学习算法,所述线性机器学习算法包括PCA算法和LDA算法,所述非线性机器学习算法包括AE算法和VAE算法。
优选地,所述S3步骤中,所述降维处理是对利用机器学习算法训练时得到的转化矩阵进行降维变换,得到数据矩阵。
本发明的有益效果为:
本发明提供了一种锂离子电池单体故障检测方法,该方法先对多组正常工作的锂离子电池进行一定倍率恒流充放电循环试验,采集循环过程中电压与电池表面温度数据,然后对采集的电压与电池表面温度数据进行处理,提取锂离子电池特征曲线,基于电池特征曲线,选择包含了电池性能演变与熵热变化等信息的数据集,更能体现电池复杂的微观性能演变,确保了故障诊断的准确性;然后采用滤波算法对特征曲线进行平滑处理,提取特征曲线峰值数据,并根据特征曲线峰值数据和电池基本状态参数组成数据集,再基于数据驱动算法对数据集进行数据驱动模型训练,对数据进行降维处理,得到数据矩阵,基于数据驱动算法对数据集进行数据驱动模型训练,避免了对电池复杂演变过程与宏观物理表现的关系研究,大大降低了研究复杂度;然后根据数据矩阵计算得到锂离子电池正常运行的Hotelling T2统计量与SPE统计量,根据计算得到的Hotelling T2统计量与SPE统计量计算出综合指标并回归到概率分布中,根据综合指标计算得到正常工作的锂离子电池失效概率,根据正常工作的锂离子电池失效概率设置异常判定概率阈值,最后对待测锂离子电池进行相同倍率恒流充放电循环试验,采集循环过程中电压与电池表面温度数据,重复S1-S3步骤,基于已经训练的数据驱动模型,得到待测锂离子电池失效概率,根据待测锂离子电池失效概率与异常判定概率阈值的比对结果判断电池是否故障,若待测锂离子电池失效概率大于等于异常判定概率阈值,则判断电池出现故障,否则,电池正常。
本发明结合大数据挖掘技术,能够实现对锂离子电池单体的精确故障检测,同时基于数据集的扩充以及精确程度的逐渐递增,更容易与未来的云电池管理结合,避免了模型算法的精度瓶颈,还可根据生产使用情况,设置多项判定概率阈值以实现多级预警,防止误报,此外,本发明不需要对电池进行拆解,是一种无损的电池检测方法,有效提高了电池的再利用价值。
附图说明
图1为本发明锂离子电池单体故障检测方法的流程图。
图2为本发明锂离子电池单体故障检测方法的优选流程图。
具体实施方式
为了更清楚的理解该发明的内容,将结合附图和实施例详细说明。
本发明涉及的一种锂离子电池单体故障检测方法,其流程如图1所示,包括:S1:对多组正常工作的锂离子电池进行一定倍率恒流充放电循环试验,采集循环过程中电压与电池表面温度数据;S2:对采集的电压与电池表面温度数据进行处理,提取锂离子电池特征曲线,并采用滤波算法对特征曲线进行平滑处理;S3:提取平滑处理后的特征曲线峰值数据,根据特征曲线峰值数据和电池基本状态参数组成数据集;S4:基于深度学习算法对数据集进行数据驱动模型训练,对数据进行降维处理,得到数据矩阵,根据数据矩阵计算得到正常工作的锂离子电池霍特林T2统计量(简称Hotelling T2统计量)与SPE统计量,根据计算得到的Hotelling T2统计量与SPE统计量计算出综合指标并回归到概率分布中,根据综合指标计算得到正常工作的锂离子电池失效概率,根据正常工作的锂离子电池失效概率设置异常判定概率阈值;S5:对待测锂离子电池进行相同倍率恒流充放电循环试验,采集循环过程中电压与电池表面温度数据,并重复S2步骤,再通过S3步骤已经训练的数据驱动模型进行数据降维进而计算霍特林T2统计量与SPE统计量,得到待测锂离子电池失效概率,根据待测锂离子电池失效概率与异常判定概率阈值的比对结果判断电池是否故障,若待测锂离子电池失效概率大于等于异常判定概率阈值,则判断该待测锂离子电池出现故障,否则,该待测锂离子电池正常。其中,根据生产使用情况,可设置多项判定概率阈值实现多级预警,防止误报。本发明基于电池特征曲线,选择包含了电池性能演变与熵热变化等信息的数据集,更能体现电池复杂的微观性能演变,确保了故障诊断的准确性,同时基于数据驱动算法对数据集进行数据驱动模型训练,避免了对电池复杂演变过程与宏观物理表现的关系研究,大大降低了研究复杂度。
下面对本发明锂离子电池单体故障检测方法的各步骤进行详细说明,如图2所示的优选流程图。
S1:首先对多组正常工作的锂离子电池进行多次低倍率恒流充放电循环试验,采集循环过程中放电时的电压、电流与电池表面温度数据。
S2:然后对采集的电压、电流与电池表面温度数据进行处理,提取锂离子电池特征曲线,并采用滤波算法对特征曲线进行平滑处理,优选地,特征曲线包括IC曲线、DV曲线和DTV曲线,进一步优选地,IC曲线是以电池容量对电压的导数为Y轴,以电池端电压为X轴的二维曲线;DV曲线是以电池端电压对电池容量的导数为Y轴,以电池容量为X轴的二维曲线;DTV曲线是以电池表面温度对电池端电压的导数为Y轴,以电池端电压为X轴的二维曲线。其中,上述电池容量通过安时积分法计算得到,对电池表面温度的采集则是在环境温度为20℃左右进行。
其中,滤波算法可以分为插值估计与近似估计两类,插值估计主要包括分段估计和样条估计,近似估计主要包括极大似然估计和贝叶斯估计,以贝叶斯估计理论派生出的算法包括卡尔曼滤波算法和扩展卡尔曼滤波等衍生算法以及粒子滤波等算法。需要说明的是,上述算法的计算复杂程度与准确度往往呈现负相关。
S3:提取平滑处理后的特征曲线峰值数据,根据特征曲线峰值数据和电池基本状态参数组成数据集;
具体地,采用一阶微分方法提取特征曲线峰值数据,所述曲线峰值数据是指电池特征曲线的极大值与极小值,不同材料电池特性曲线形状不相同,特征曲线峰值数值与个数也不同,其中,峰值个数以正常工作电池为参考。此外,可选取电池的充放电深度、充放电倍率、电池表面温度以及电池特性曲线的峰值数据作为数据集,并按照一定比例将正常电池的循环试验数据分为训练集与测试集分别进行数据驱动模型的实验和验证。
S4:基于深度学习算法对数据集进行数据驱动模型训练,对数据进行降维处理,得到数据矩阵,根据数据矩阵计算得到正常工作的锂离子电池Hotelling T2统计量与SPE统计量,并根据计算得到的Hotelling T2统计量与SPE统计量计算出综合指标并回归到概率分布中,根据综合指标,对于在线数据(如所需的电压、电流及温度等数据)每个时刻可计算得到正常工作的锂离子电池失效概率,根据正常工作的锂离子电池失效概率设置异常判定概率阈值P0;
优选地,数据驱动模型采用机器学习算法,包括线性机器学习算法和非线性机器学习算法,所述线性机器学习算法包括PCA算法和LDA算法,所述非线性机器学习算法包括AE算法和VAE算法。
S5:对待测锂离子电池进行相同倍率恒流充放电循环试验,采集循环过程中电压与电池表面温度数据,并重复S2步骤,再通过S3步骤已经训练的数据驱动模型进行数据降维进而计算霍特林T2统计量与SPE统计量,得到待测锂离子电池失效概率P,根据待测锂离子电池失效概率P与异常判定概率阈值P0的比对结果判断电池(待测锂离子电池)是否故障,若待测锂离子电池失效概率大于等于异常判定概率阈值,即P≥P0时,则判断电池出现故障,若待测锂离子电池失效概率小于异常判定概率阈值,即P≤P0时,则判定电池正常。其中,根据实际的生产使用情况,还可设置多项判定概率阈值实现多级预警,防止误报。
具体地,Hotelling T2统计量与SPE统计量的计算方法根据正常电池训练集降维过程矩阵进行计算,其中,Hotelling T2统计量按照下式进行计算:
SPE统计量按照下式进行计算:
上式中,X为某一时刻样本矩阵,P为PCA降维矩阵,I为单位矩阵,k为主元个数,i代指某一时刻。
需要说明的是,对于失效概率异常判定概率阈值的设置是由经验所判断获得,可通过已有数据进行标定,根据实际应用需求设置多级预警;此外,通过对实验电池采用已训练的数据驱动模型进行数据降维是指以机器学习算法训练时的转化矩阵进行实验数据矩阵的降维变换。
本发明提供了客观、科学的锂离子电池单体故障检测方法及系统,通过将深度学习算法与大数据挖掘技术相结合,能够实现对锂离子电池单体的精确故障检测,基于电池特征曲线,选择包含了电池性能演变与熵热变化等信息的数据集,更能体现电池复杂的微观性能演变,确保了故障诊断的准确性,同时基于数据驱动算法对数据集进行数据驱动模型训练,避免了对电池复杂演变过程与宏观物理表现的关系研究,大大降低了研究复杂度,此外基于数据集的扩充以及精确程度的逐渐递增,更容易与未来的云电池管理结合,避免了模型算法的精度瓶颈,且本发明不需要对电池进行拆解,是一种无损的电池检测方法,有效提高了电池的再利用价值。
应当指出,以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明创造,但不以任何方式限制本发明创造。因此,尽管本说明书参照附图和实施例对本发明创造已进行了详细的说明,但是,本领域技术人员应当理解,仍然可以对本发明创造进行修改或者等同替换,总之,一切不脱离本发明创造的精神和范围的技术方案及其改进,其均应涵盖在本发明创造专利的保护范围当中。
Claims (8)
1.一种锂离子电池单体故障检测方法,其特征在于,包括以下步骤:
S1:对多组正常工作的锂离子电池进行一定倍率恒流充放电循环试验,采集循环过程中电压与电池表面温度数据;
S2:对采集的电压与电池表面温度数据进行处理,提取锂离子电池特征曲线,并采用滤波算法对特征曲线进行平滑处理;
S3:提取平滑处理后的特征曲线峰值数据,根据特征曲线峰值数据和电池基本状态参数组成数据集,基于深度学习算法对数据集进行数据驱动模型训练,对数据进行降维处理,得到数据矩阵;
S4:根据数据矩阵计算得到正常工作的锂离子电池霍特林T2统计量与SPE统计量,根据计算得到的霍特林T2统计量与SPE统计量计算出综合指标并回归到概率分布中,根据综合指标计算得到正常工作的锂离子电池失效概率,根据正常工作的锂离子电池失效概率设置异常判定概率阈值;
S5:对待测锂离子电池进行相同倍率恒流充放电循环试验,采集循环过程中电压与电池表面温度数据,并重复S2步骤再通过S3步骤已经训练的数据驱动模型进行数据降维进而计算霍特林T2统计量与SPE统计量,得到待测锂离子电池失效概率,根据待测锂离子电池失效概率与异常判定概率阈值的比对结果判断电池是否故障,若待测锂离子电池失效概率大于等于异常判定概率阈值,则判断待测锂离子电池出现故障,否则,待测锂离子电池正常。
2.根据权利要求1所述的锂离子电池单体故障检测方法,其特征在于,所述S2步骤中,所述特征曲线包括IC曲线、DV曲线和DTV曲线。
3.根据权利要求2所述的锂离子电池单体故障检测方法,其特征在于,所述IC曲线是以电池容量对电压的导数为Y轴,以电池端电压为X轴的二维曲线;
所述DV曲线是以电池端电压对电池容量的导数为Y轴,以电池容量为X轴的二维曲线;
所述DTV曲线是以电池表面温度对电池端电压的导数为Y轴,以电池端电压为X轴的二维曲线。
4.根据权利要求1所述的锂离子电池单体故障检测方法,其特征在于,所述S2步骤中,所述滤波算法包括插值估计和近似估计,所述插值估计包括分段估计和样条估计,所述近似估计包括极大似然估计和贝叶斯估计。
5.根据权利要求1所述的锂离子电池单体故障检测方法,其特征在于,所述S3步骤中,采用一阶微分方法提取特征曲线峰值数据,所述峰值数据为电池特征曲线极大值和电池特征曲线极小值。
6.根据权利要求1所述的锂离子电池单体故障检测方法,其特征在于,所述S3步骤中,所述电池基本状态参数包括充放电深度、充放电倍率、电池表面温度。
7.根据权利要求1所述的锂离子电池单体故障检测方法,其特征在于,所述S3步骤中,所述数据驱动模型采用机器学习算法,包括线性机器学习算法和非线性机器学习算法,所述线性机器学习算法包括PCA算法和LDA算法,所述非线性机器学习算法包括AE算法和VAE算法。
8.根据权利要求1所述的锂离子电池单体故障检测方法,其特征在于,所述S3步骤中,所述降维处理是对利用机器学习算法训练时得到的转化矩阵进行降维变换,得到数据矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210082128.1A CN114580496A (zh) | 2022-01-24 | 2022-01-24 | 一种锂离子电池单体故障自检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210082128.1A CN114580496A (zh) | 2022-01-24 | 2022-01-24 | 一种锂离子电池单体故障自检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114580496A true CN114580496A (zh) | 2022-06-03 |
Family
ID=81768878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210082128.1A Pending CN114580496A (zh) | 2022-01-24 | 2022-01-24 | 一种锂离子电池单体故障自检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114580496A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115389947A (zh) * | 2022-10-27 | 2022-11-25 | 北京航空航天大学 | 锂电池健康状态的预测方法、装置、电子设备及存储介质 |
CN116087782A (zh) * | 2022-11-09 | 2023-05-09 | 苏州首帆电子科技有限公司 | 一种汽车电池故障预警方法、系统、装置及存储介质 |
CN117930064A (zh) * | 2024-03-21 | 2024-04-26 | 四川新能源汽车创新中心有限公司 | 一种无损检测析锂的方法、系统、计算设备及介质 |
-
2022
- 2022-01-24 CN CN202210082128.1A patent/CN114580496A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115389947A (zh) * | 2022-10-27 | 2022-11-25 | 北京航空航天大学 | 锂电池健康状态的预测方法、装置、电子设备及存储介质 |
CN115389947B (zh) * | 2022-10-27 | 2023-01-03 | 北京航空航天大学 | 锂电池健康状态的预测方法、装置、电子设备及存储介质 |
CN116087782A (zh) * | 2022-11-09 | 2023-05-09 | 苏州首帆电子科技有限公司 | 一种汽车电池故障预警方法、系统、装置及存储介质 |
CN116087782B (zh) * | 2022-11-09 | 2024-02-02 | 苏州首帆电子科技有限公司 | 一种汽车电池故障预警方法、系统、装置及存储介质 |
CN117930064A (zh) * | 2024-03-21 | 2024-04-26 | 四川新能源汽车创新中心有限公司 | 一种无损检测析锂的方法、系统、计算设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Deng et al. | Battery health estimation with degradation pattern recognition and transfer learning | |
Zhang et al. | Aging characteristics-based health diagnosis and remaining useful life prognostics for lithium-ion batteries | |
Wang et al. | Perspectives and challenges for future lithium-ion battery control and management | |
CN114580496A (zh) | 一种锂离子电池单体故障自检测方法 | |
CN112834945A (zh) | 评估模型建立方法、电池健康状态评估方法及相关产品 | |
CN111832221B (zh) | 基于特征筛选的锂电池寿命预测方法 | |
CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
CN114137417B (zh) | 一种基于充电数据特征的电池内短路检测方法 | |
CN113281671A (zh) | 一种基于igs-svm的锂离子电池剩余使用寿命预测方法及系统 | |
CN113866642A (zh) | 一种基于梯度提升树的锂离子电池故障诊断方法 | |
Luo et al. | A simple feature extraction method for estimating the whole life cycle state of health of lithium-ion batteries using transformer-based neural network | |
Wei et al. | State of health assessment for echelon utilization batteries based on deep neural network learning with error correction | |
CN113777515A (zh) | 一种电动汽车充电安全预警方法 | |
Chang et al. | Micro-fault diagnosis of electric vehicle batteries based on the evolution of battery consistency relative position | |
CN111983474A (zh) | 一种基于容量衰退模型的锂离子电池寿命预测方法和系统 | |
CN114734873B (zh) | 一种基于云端在线数据的动力电池单体热失控预警方法 | |
CN114280479A (zh) | 一种基于电化学阻抗谱的退役电池快速分选方法 | |
CN115267555A (zh) | 基于电池多点温度测量的储能系统电池soh评估系统 | |
CN114460481A (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
Diao et al. | Research on Electric Vehicle Charging Safety Warning Based on A-LSTM Algorithm | |
CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 | |
Huang et al. | State of health estimation of lithium-ion batteries based on fine-tuning or rebuilding transfer learning strategies combined with new features mining | |
CN113935423A (zh) | 耦合模糊控制规则与Elman神经网络的动力电池故障预警方法与系统 | |
CN116774075A (zh) | 一种锂离子电池健康状态评估方法及系统 |
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 |