CN114910795A - 恒流充电中电池微短路判断方法及系统、存储介质及终端 - Google Patents

恒流充电中电池微短路判断方法及系统、存储介质及终端 Download PDF

Info

Publication number
CN114910795A
CN114910795A CN202210594708.9A CN202210594708A CN114910795A CN 114910795 A CN114910795 A CN 114910795A CN 202210594708 A CN202210594708 A CN 202210594708A CN 114910795 A CN114910795 A CN 114910795A
Authority
CN
China
Prior art keywords
short circuit
battery
micro short
voltage
current charging
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.)
Granted
Application number
CN202210594708.9A
Other languages
English (en)
Other versions
CN114910795B (zh
Inventor
吴炜坤
丁鹏
陈晓华
郝平超
顾单飞
宋佩
严晓
赵恩海
周国鹏
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.)
Shanghai MS Energy Storage Technology Co Ltd
Original Assignee
Shanghai MS Energy Storage Technology Co Ltd
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 Shanghai MS Energy Storage Technology Co Ltd filed Critical Shanghai MS Energy Storage Technology Co Ltd
Priority to CN202210594708.9A priority Critical patent/CN114910795B/zh
Publication of CN114910795A publication Critical patent/CN114910795A/zh
Application granted granted Critical
Publication of CN114910795B publication Critical patent/CN114910795B/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]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • 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]
    • G01R31/389—Measuring internal impedance, internal conductance or related variables
    • 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
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明提供一种恒流充电中电池微短路判断方法及系统、存储介质及终端，包括以下步骤：获取恒流充电过程中电芯在无电池微短路现象和有电池微短路现象下的电压数据；对所述电压数据进行数据清洗；基于清洗后的电压数据计算预设时间窗口下的电压差和斜率；对所述清洗的电压数据添加标签，所述标签为无电池微短路现象或有电池微短路现象；基于所述电压差、所述斜率和所述标签训练电池微短路判断模型；基于训练好的电池微短路判断模型判断是否发生电池微短路。本发明的恒流充电中电池微短路判断方法及系统、存储介质及终端能够基于充电电压和机器学习算法实现电池微短路的快速判断，有效避免电池微短路带来的风险。

Description

恒流充电中电池微短路判断方法及系统、存储介质及终端
技术领域
本发明涉及电池微短路的技术领域，特别是涉及一种恒流充电中电池微短路判断方法及系统、存储介质及终端。
背景技术
目前，储能电站和新能源汽车中都使用了大量的电池。在电池制造过程中，由于制造的空气环境中可能存在粉尘，或隔膜的质量差等原因，可能会导致电池组在内部电芯之间或单片电芯内部发生微小的短路现象。这种短路不会直接烧坏电池，而是在较短的时间内(几周或者几个月)降低电芯性能，导致某一个电芯或者整个电池组完全不能使用。
因此，电池微短路的前期若不及时进行处理，可能演化成电池短路。一旦电池出现了短路，就可能会伴随着出现燃烧、爆炸等事故，造成人员和财产的损失。
电池出现微短路现象的前期，一般表现为在电池的充电过程中电池会进行自放电；具体表现为电压异常下降。对于电池的自放电现象，如果能够及时发现并进行处理，就可以有效地避免电池出现问题。然而，现有技术中通常很难发现电池微短路的前期现象，从而无法及时进行预警处理。
发明内容
鉴于以上所述现有技术的缺点，本发明的目的在于提供一种恒流充电中电池微短路判断方法及系统、存储介质及终端，能够基于充电电压和机器学习算法实现电池微短路的快速判断，有效避免电池微短路带来的风险。
为实现上述目的及其他相关目的，本发明提供一种恒流充电中电池微短路判断方法，包括以下步骤：获取恒流充电过程中电芯在无电池微短路现象和有电池微短路现象下的电压数据；对所述电压数据进行数据清洗；基于清洗后的电压数据计算预设时间窗口下的电压差和斜率；对所述清洗的电压数据添加标签，所述标签为无电池微短路现象或有电池微短路现象；基于所述电压差、所述斜率和所述标签训练电池微短路判断模型；基于训练好的电池微短路判断模型判断是否发生电池微短路。
于本发明一实施例中，对所述电压数据进行数据清洗包括对所述电压数据进行重复值删除、空值删除和数据平滑处理。
于本发明一实施例中，计算预设时间窗口下的电压差和斜率包括以下步骤：
在所述电压曲线上，获取平移时间窗口下的电压数据；所述平移时间窗口是指从所述电压曲线的起始端开始将预设长度的时间窗口平移，以获取所述预设长度的时间窗口两端的电压数据；
基于所述电压数据计算电压差和所述平移时间窗口下的斜率。
于本发明一实施例中，计算预设时间窗口下的电压差和斜率包括以下步骤：
在所述电压曲线上，获取间隔时间窗口下的电压数据；所述间隔时间窗口是指从所述电压曲线的预设位置开始将预设长度的时间窗口平移，以获取所述预设长度的时间窗口两端的电压数据；
基于所述电压数据计算电压差和所述间隔时间窗口下的斜率。
于本发明一实施例中，基于所述电压差、所述斜率和所述标签训练电池微短路判断模型包括以下步骤：
将所述电压差、所述斜率和所述标签构成的数据集划分为训练集和测试集；
基于所述训练集训练所述电池微短路判断模型；
基于所述测试集测试训练好的电池微短路判断模型。
于本发明一实施例中，所述电池微短路判断模型采用逻辑回归模型。
于本发明一实施例中，基于训练好的电池微短路判断模型判断是否发生电池微短路包括以下步骤：
获取电芯在恒流充电过程中的电压数据；
对所述电压数据进行清洗；
将清洗后的电压数据输入所述训练好的电池微短路判断模型，获取所述电池微短路判断模型输出的电池微短路判断结果。
本发明提供一种恒流充电中电池微短路判断系统，包括数据获取模块、清洗模块、计算模块、标签模块、训练模块和判断模块；
所述数据获取模块用于获取恒流充电过程中电芯在无电池微短路现象和有电池微短路现象下的电压数据；
所述清洗模块用于对所述电压数据进行数据清洗；
所述计算模块用于基于清洗后的电压数据计算预设时间窗口下的电压差和斜率；
所述标签模块用于对所述清洗的电压数据添加标签，所述标签为无电池微短路现象或有电池微短路现象；
所述训练模块用于基于所述电压差、所述斜率和所述标签训练电池微短路判断模型；
所述判断模块用于基于训练好的电池微短路判断模型判断是否发生电池微短路。
本发明提供一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的恒流充电中电池微短路判断方法。
本发明提供一种恒流充电中电池微短路判断终端，包括：处理器及存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述恒流充电中电池微短路判断终端执行上述的恒流充电中电池微短路判断方法。
如上所述，本发明所述的恒流充电中电池微短路判断方法及系统、存储介质及终端，具有以下有益效果：
(1)能够基于充电电压和机器学习算法实现电池微短路的判断，快速准确；
(2)能够及时对电池内部可能出现微短路的电芯进行预警；
(3)能够有效地避免电池出现燃烧、爆炸等风险，提高电池的安全性能。
附图说明
图1显示为本发明的恒流充电中电池微短路判断方法于一实施例中的流程图；
图2显示为电池正常充电于一实施例中的电压曲线示意图；
图3显示为电池异常充电于一实施例中的电压曲线示意图；
图4显示为在平移时间窗口下获取的斜率于一实施例中的示意图；
图5显示为在间隔时间窗口下获取的斜率于一实施例中的示意图；
图6显示为本发明的恒流充电中电池微短路判断系统于一实施例中的结构示意图；
图7显示为本发明的恒流充电中电池微短路判断终端于一实施例中的结构示意图。
元件标号说明
61 数据获取模块
62 清洗模块
63 计算模块
64 标签模块
65 训练模块
66 判断模块
71 处理器
72 存储器
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
本发明的恒流充电中电池微短路判断方法及系统、存储介质及终端以恒流充电时发生微短路和未发生微短路的电芯的电压数据的斜率和电压差为特征，以发生微短路和未发生微短路为标签进行模型训练，基于训练好的模型来预测其他电芯是否出现了微短路现象，从而实现电池微短路的及时预警，有效提升了电池的安全性能。需要说明的是，本发明的恒流充电中电池微短路判断方法及系统、存储介质及终端适用于每个单体电芯和整个电池组，从而具有广泛的应用场景。
如图1所示，于一实施例中，本发明的恒流充电中电池微短路判断方法包括以下步骤：
步骤S1、获取恒流充电过程中电芯在无电池微短路现象和有电池微短路现象下的电压数据。
具体地，在恒流充电过程中，正常电芯的电压是单调上升的；发生微短路现象的电芯相较于正常电芯，电压会出现异常下降的现象。因此，本发明基于电芯的电压数据进行电池微短路的判断。
为了进行恒流充电中电池微短路判断，分别采集恒流充电过程中无电池微短路现象和有电池微短路现象下的电压数据，即电池正常状态下的电压数据和电池微短路状态下的电压数据。
步骤S2、对所述电压数据进行数据清洗。
具体地，通过对所述电压数据进行重复值删除、空值删除、数据平滑处理等操作，来实现数据清洗，以保证数据的可靠性和有效性。
步骤S3、基于清洗后的电压数据计算预设时间窗口下的电压差和斜率。
具体地，通过计算恒流充电时电压的压差和斜率，来判断在充电时段是否出现了电压下降，电压下降则表示电池出现了自放电。具体地，若充电时段内的电压差为负和斜率为负，则判断电池在充电过程中出现自放电，充电过程中的自放电可视为为电池出现了微短路。在本发明中，对清洗后的电压数据生成的电压曲线通过平移时间窗口的方法来计算不同时间窗口下的电压差和斜率。通过选择不同的时间窗口，可以得到不同的斜率和电压差。
于本发明一实施例中，计算预设时间窗口下的电压差和斜率包括以下步骤：
a1)在所述电压曲线上，获取平移时间窗口下的电压数据；所述平移时间窗口是指从所述电压曲线的起始端开始将预设长度的时间窗口平移，以获取所述预设长度的时间窗口两端的电压数据。
具体地，图2所示为正常充电状态下的电压曲线；图3所示为异常充电状态下的电压曲线。当采用平移时间窗口时，从时间0开始平移时间窗口，获取时间窗口两端的电压数据。
a2)基于所述电压数据计算电压差和所述平移时间窗口下的斜率。
具体地，平移时间窗口下，计算所述电压差时，用每个时间窗口中后端的电压值减去前端的电压值；计算所述斜率时，计算后端的电压值相对应前端的电压值在时间上的斜率，从而得到如图4所示的斜率。需要说明的是，采用平移时间窗口时，若存在传感器误差，会导致计算的电压差和斜率出现预期外的错误。
于本发明另一实施例中，计算预设时间窗口下的电压差和斜率包括以下步骤：
b1)在所述电压曲线上，获取间隔时间窗口下的电压数据；所述间隔时间窗口是指从所述电压曲线的预设位置开始将预设长度的时间窗口平移，以获取所述预设长度的时间窗口两端的电压数据。
具体地，为了提升所采集的电压数据的精确度，从所述电压数据的预设位置处开始，如40s之后的电压数据开始，进行基于时间窗口的电压数据获取。
b2)基于所述电压数据计算电压差和所述间隔时间窗口下的斜率。
具体地，所述间隔时间窗口下，计算所述电压差时，在电压数据的预设位置开始，用每个时间窗口中后端的电压值减去前端的电压值；计算所述斜率时，计算后端的电压值相对应前端的电压值在时间上的斜率，从而得到如图5所示的斜率。其中，由于所述间隔时间窗口的电压数据时相间的，故可以减少由于传感器误差带来的问题。
步骤S4、对所述清洗的电压数据添加标签，所述标签为无电池微短路现象或有电池微短路现象。
具体地，对于在无电池微短路现象时采集的电压数据，添加无电池微短路现象的标签；对于在有电池微短路现象时采集的电压数据，添加有电池微短路现象的标签。
步骤S5、基于所述电压差、所述斜率和所述标签训练电池微短路判断模型。
具体地，基于机器学习算法，以所述电压差、所述斜率为输入，所述标签为输出，训练电池微短路判断模型。优选地，所述电池微短路判断模型采用逻辑回归(LogisticRegression)模型。逻辑回归模型是机器学习中的一种分类模型，能够解决二分类问题。
于本发明一实施例中，基于所述电压差、所述斜率和所述标签训练电池微短路判断模型包括以下步骤：
51)将所述电压差、所述斜率和所述标签构成的数据集划分为训练集和测试集。
具体地，将所述数据集进行8:2的数据划分，即80％的数据作为训练集，20％作为测试集。
52)基于所述训练集训练所述电池微短路判断模型。
具体地，在所述电池微短路判断模型训练时，如果训练得到的模型准确性不高，对时间窗口的大小进行调整，即调整时间窗口中相邻两个采集时间点的距离，以训练得到满足预设准确度要求的电池微短路训练模型。
53)基于所述测试集测试训练好的电池微短路判断模型。
具体地，所述测试集对训练好的电池微短路判断模型进行准确性测试，以确保得到准确度满足要求的模型。
步骤S6、基于训练好的电池微短路判断模型判断是否发生电池微短路。
具体地，基于训练好的电池微短路判断模型判断是否发生电池微短路包括以下步骤：
61)获取电芯在恒流充电过程中的电压数据。
具体地，当需要判断电池是否发生微短路时，首先获取恒流充电过程中的电压数据。
62)对所述电压数据进行清洗。
63)将清洗后的电压数据输入所述训练好的电池微短路判断模型，获取所述电池微短路判断模型输出的电池微短路判断结果。
如图6所示，于一实施例中，本发明的恒流充电中电池微短路判断系统包括数据获取模块61、清洗模块62、计算模块63、标签模块64、训练模块65和判断模块66。
所述数据获取模块61用于获取恒流充电过程中电芯在无电池微短路现象和有电池微短路现象下的电压数据。
所述清洗模块62与所述数据获取模块61相连，用于对所述电压数据进行数据清洗。
所述计算模块63与所述清洗模块62相连，用于基于清洗后的电压数据计算预设时间窗口下的电压差和斜率。
所述标签模块64与所述清洗模块62相连，用于对所述清洗的电压数据添加标签，所述标签为无电池微短路现象或有电池微短路现象。
所述训练模块65与所述计算模块63和所述标签模块64相连，用于基于所述电压差、所述斜率和所述标签训练电池微短路判断模型。
所述判断模块66与所述训练模块65相连，用于基于训练好的电池微短路判断模型判断是否发生电池微短路。
其中，数据获取模块61、清洗模块62、计算模块63、标签模块64、训练模块65和判断模块66的结构和原理与上述恒流充电中电池微短路判断方法中的步骤一一对应，故在此不再赘述。
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现，也可以全部以硬件的形式实现，还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如：x模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现。此外，x模块也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上x模块的功能。其它模块的实现与之类似。这些模块全部或部分可以集成在一起，也可以独立实现。这里所述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，简称ASIC)，一个或多个微处理器(Digital Signal Processor，简称DSP)，一个或者多个现场可编程门阵列(Field Programmable Gate Array，简称FPGA)等。当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。这些模块可以集成在一起，以片上系统(System-on-a-chip，简称SOC)的形式实现。
本发明的存储介质上存储有计算机程序，该程序被处理器执行时实现上述的恒流充电中电池微短路判断方法。优选地，所述存储介质包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
如图7所示，于一实施例中，本发明的恒流充电中电池微短路判断终端包括：处理器71和存储器72。
所述存储器72用于存储计算机程序。
所述存储器72包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
所述处理器71与所述存储器72相连，用于执行所述存储器存储的计算机程序，以使所述恒流充电中电池微短路判断终端执行上述的恒流充电中电池微短路判断方法。
优选地，所述处理器71可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
综上所述，本发明的恒流充电中电池微短路判断方法及系统、存储介质及终端能够基于充电电压和机器学习算法实现电池微短路的判断，快速准确；能够及时对电池内部可能出现微短路的电芯进行预警；能够有效地避免电池出现燃烧、爆炸等风险，提高电池的安全性能。因此，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种恒流充电中电池微短路判断方法，其特征在于，包括以下步骤：
获取恒流充电过程中电芯在无电池微短路现象和有电池微短路现象下的电压数据；
对所述电压数据进行数据清洗；
基于清洗后的电压数据计算预设时间窗口下的电压差和斜率；
对所述清洗的电压数据添加标签，所述标签为无电池微短路现象或有电池微短路现象；
基于所述电压差、所述斜率和所述标签训练电池微短路判断模型；
基于训练好的电池微短路判断模型判断是否发生电池微短路。
2.根据权利要求1所述的恒流充电中电池微短路判断方法，其特征在于，对所述电压数据进行数据清洗包括对所述电压数据进行重复值删除、空值删除和数据平滑处理。
3.根据权利要求1所述的恒流充电中电池微短路判断方法，其特征在于，计算预设时间窗口下的电压差和斜率包括以下步骤：
在所述电压曲线上，获取平移时间窗口下的电压数据；所述平移时间窗口是指从所述电压曲线的起始端开始将预设长度的时间窗口平移，以获取所述预设长度的时间窗口两端的电压数据；
基于所述电压数据计算电压差和所述平移时间窗口下的斜率。
4.根据权利要求1所述的恒流充电中电池微短路判断方法，其特征在于，计算预设时间窗口下的电压差和斜率包括以下步骤：
在所述电压曲线上，获取间隔时间窗口下的电压数据；所述间隔时间窗口是指从所述电压曲线的预设位置开始将预设长度的时间窗口平移，以获取所述预设长度的时间窗口两端的电压数据；
基于所述电压数据计算电压差和所述间隔时间窗口下的斜率。
5.根据权利要求1所述的恒流充电中电池微短路判断方法，其特征在于，基于所述电压差、所述斜率和所述标签训练电池微短路判断模型包括以下步骤：
将所述电压差、所述斜率和所述标签构成的数据集划分为训练集和测试集；
基于所述训练集训练所述电池微短路判断模型；
基于所述测试集测试训练好的电池微短路判断模型。
6.根据权利要求1所述的恒流充电中电池微短路判断方法，其特征在于，所述电池微短路判断模型采用逻辑回归模型。
7.根据权利要求1所述的恒流充电中电池微短路判断方法，其特征在于，基于训练好的电池微短路判断模型判断是否发生电池微短路包括以下步骤：
获取电芯在恒流充电过程中的电压数据；
对所述电压数据进行清洗；
将清洗后的电压数据输入所述训练好的电池微短路判断模型，获取所述电池微短路判断模型输出的电池微短路判断结果。
8.一种恒流充电中电池微短路判断系统，其特征在于，包括数据获取模块、清洗模块、计算模块、标签模块、训练模块和判断模块；
所述数据获取模块用于获取恒流充电过程中电芯在无电池微短路现象和有电池微短路现象下的电压数据；
所述清洗模块用于对所述电压数据进行数据清洗；
所述计算模块用于基于清洗后的电压数据计算预设时间窗口下的电压差和斜率；
所述标签模块用于对所述清洗的电压数据添加标签，所述标签为无电池微短路现象或有电池微短路现象；
所述训练模块用于基于所述电压差、所述斜率和所述标签训练电池微短路判断模型；
所述判断模块用于基于训练好的电池微短路判断模型判断是否发生电池微短路。
9.一种存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1至7中任一项所述的恒流充电中电池微短路判断方法。
10.一种恒流充电中电池微短路判断终端，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序；
所述处理器用于执行所述存储器存储的计算机程序，以使所述恒流充电中电池微短路判断终端执行权利要求1至7中任一项所述的恒流充电中电池微短路判断方法。
CN202210594708.9A 2022-05-27 2022-05-27 恒流充电中电池微短路判断方法及系统、存储介质及终端 Active CN114910795B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210594708.9A CN114910795B (zh) 2022-05-27 2022-05-27 恒流充电中电池微短路判断方法及系统、存储介质及终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210594708.9A CN114910795B (zh) 2022-05-27 2022-05-27 恒流充电中电池微短路判断方法及系统、存储介质及终端

Publications (2)

Publication Number Publication Date
CN114910795A true CN114910795A (zh) 2022-08-16
CN114910795B CN114910795B (zh) 2023-06-06

Family

ID=82767826

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210594708.9A Active CN114910795B (zh) 2022-05-27 2022-05-27 恒流充电中电池微短路判断方法及系统、存储介质及终端

Country Status (1)

Country Link
CN (1) CN114910795B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116299038A (zh) * 2023-02-13 2023-06-23 上海玫克生储能科技有限公司 电芯微短路的检测方法、系统、设备及存储介质
CN116482551A (zh) * 2023-04-26 2023-07-25 上海玫克生储能科技有限公司 模组内短路的标定方法、测量方法、系统、设备及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109870659A (zh) * 2019-03-14 2019-06-11 燕山大学 应用滑窗寻优策略的锂离子电池健康状态估算方法
JP2020071054A (ja) * 2018-10-29 2020-05-07 Fdk株式会社 微短絡検知方法、及び微短絡検知装置
CN112098850A (zh) * 2020-09-21 2020-12-18 山东工商学院 基于sdo算法的锂离子电池电压故障诊断方法及系统
CN113253120A (zh) * 2021-06-29 2021-08-13 蜂巢能源科技有限公司 电池突发型内短路诊断方法、装置、存储介质及电子设备
CN113711070A (zh) * 2020-12-15 2021-11-26 东莞新能德科技有限公司 电池内短路侦测方法、电子装置和存储介质
CN113821976A (zh) * 2021-09-26 2021-12-21 中国华能集团清洁能源技术研究院有限公司 一种基于集成算法的锂电池故障诊断建模方法
CN113866642A (zh) * 2021-09-22 2021-12-31 中国华能集团清洁能源技术研究院有限公司 一种基于梯度提升树的锂离子电池故障诊断方法
CN114460469A (zh) * 2022-01-26 2022-05-10 上海玫克生智能科技有限公司 基于电压和电流的电池状态分析方法、系统及终端

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020071054A (ja) * 2018-10-29 2020-05-07 Fdk株式会社 微短絡検知方法、及び微短絡検知装置
CN109870659A (zh) * 2019-03-14 2019-06-11 燕山大学 应用滑窗寻优策略的锂离子电池健康状态估算方法
CN112098850A (zh) * 2020-09-21 2020-12-18 山东工商学院 基于sdo算法的锂离子电池电压故障诊断方法及系统
CN113711070A (zh) * 2020-12-15 2021-11-26 东莞新能德科技有限公司 电池内短路侦测方法、电子装置和存储介质
CN113253120A (zh) * 2021-06-29 2021-08-13 蜂巢能源科技有限公司 电池突发型内短路诊断方法、装置、存储介质及电子设备
CN113866642A (zh) * 2021-09-22 2021-12-31 中国华能集团清洁能源技术研究院有限公司 一种基于梯度提升树的锂离子电池故障诊断方法
CN113821976A (zh) * 2021-09-26 2021-12-21 中国华能集团清洁能源技术研究院有限公司 一种基于集成算法的锂电池故障诊断建模方法
CN114460469A (zh) * 2022-01-26 2022-05-10 上海玫克生智能科技有限公司 基于电压和电流的电池状态分析方法、系统及终端

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
卢兰光;李建秋;华剑锋;欧阳明高;: "电动汽车锂离子电池管理系统的关键技术", 科技导报, vol. 34, no. 06, pages 39 - 51 *
陈永胜等: "动力电池性能异常衰减的原因及机理分析", 《电源技术》 *
陈永胜等: "动力电池性能异常衰减的原因及机理分析", 《电源技术》, vol. 43, no. 04, 20 April 2019 (2019-04-20), pages 654 - 657 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116299038A (zh) * 2023-02-13 2023-06-23 上海玫克生储能科技有限公司 电芯微短路的检测方法、系统、设备及存储介质
CN116299038B (zh) * 2023-02-13 2024-04-05 上海玫克生储能科技有限公司 电芯微短路的检测方法、系统、设备及存储介质
CN116482551A (zh) * 2023-04-26 2023-07-25 上海玫克生储能科技有限公司 模组内短路的标定方法、测量方法、系统、设备及介质
CN116482551B (zh) * 2023-04-26 2024-03-29 上海玫克生储能科技有限公司 模组内短路的标定方法、测量方法、系统、设备及介质

Also Published As

Publication number Publication date
CN114910795B (zh) 2023-06-06

Similar Documents

Publication Publication Date Title
US11867765B2 (en) Battery micro-short circuit detection method and apparatus
US11156668B2 (en) Method for iteratively identifying parameters of equivalent circuit model of battery
CN114910795A (zh) 恒流充电中电池微短路判断方法及系统、存储介质及终端
US20230305065A1 (en) Apparatus and method for diagnosing state of battery
CN114371408B (zh) 电池荷电状态的估算方法、充电曲线的提取方法及装置
CN113820615B (zh) 一种电池健康度检测方法与装置
CN113093027B (zh) 电池soc校准方法、装置、系统、介质及程序产品
CN115542176A (zh) 电池模组中电压一致性监测方法、系统、存储介质及终端
CN114325430A (zh) 动力电池soc的校准方法、校准装置、存储介质及处理器
CN116087799A (zh) 电池模组内部一致性监测方法、系统、存储介质及终端
CN114839536A (zh) 一种基于多健康因子的锂离子电池健康状态估计方法
CN115508719A (zh) 串联电池组中异常单体电芯诊断方法、系统、存储介质及终端
CN117129897A (zh) 电池模组/电池簇内健康状态评分方法、系统、存储介质及终端
CN114137415B (zh) 电池组的发热量检测方法、装置、车辆及存储介质
CN112748348B (zh) 电池低温性能分布水平检测方法、系统及存储介质
CN113672508A (zh) 一种基于风险策略和多样性策略的Simulink测试方法
JP2022034380A (ja) 再生二次電池の製造方法
CN110068409B (zh) 锂电池应力预测方法和装置
CN111157906B (zh) Soc精度测试方法、装置及系统
CN110579708B (zh) 电池容量识别方法、装置、计算设备及计算机存储介质
CN116609690A (zh) 电池模组内电压一致性监测方法、系统、存储介质及终端
CN113945740B (zh) 接触电阻的确定方法、装置、设备及存储介质
CN114184968B (zh) 一种电池包的容量评估方法、装置及设备
CN114047450A (zh) 电池系统的可用容量一致性评估方法和装置
US20240118347A1 (en) Method and Apparatus for Monitoring Parameter of Battery Pack, and Storage Medium

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