CN115166555A - 一种电池大数据平台电池模块内阻异常识别方法及系统 - Google Patents

一种电池大数据平台电池模块内阻异常识别方法及系统 Download PDF

Info

Publication number
CN115166555A
CN115166555A CN202210929073.3A CN202210929073A CN115166555A CN 115166555 A CN115166555 A CN 115166555A CN 202210929073 A CN202210929073 A CN 202210929073A CN 115166555 A CN115166555 A CN 115166555A
Authority
CN
China
Prior art keywords
internal resistance
data
current
battery
value
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
Application number
CN202210929073.3A
Other languages
English (en)
Inventor
林楠
赵长军
杨思文
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.)
Hefei Gotion High Tech Power Energy Co Ltd
Original Assignee
Hefei Guoxuan High Tech Power Energy 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 Hefei Guoxuan High Tech Power Energy Co Ltd filed Critical Hefei Guoxuan High Tech Power Energy Co Ltd
Priority to CN202210929073.3A priority Critical patent/CN115166555A/zh
Publication of CN115166555A publication Critical patent/CN115166555A/zh
Pending 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]
    • G01R31/389—Measuring internal impedance, internal conductance or related variables

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明提供一种电池大数据平台电池模块内阻异常识别方法及系统，方法包括：在大数据平台中获取电池包在被评估时间段内的整车运行监控数据，包括时间、电流、模块电压；数据按车辆编号和时间排序；相邻数据时间间隔和电流变化值计算；筛选满足时间间隔和电流变化值条件的数据；计算直流内阻值；各车辆分别计算其直流内阻值的电流加权平均值；计算各模块在被评估时间内的内阻异常程度。解决了现有技术存在的故障识别准确性及识别效率低的技术问题。

Description

一种电池大数据平台电池模块内阻异常识别方法及系统
技术领域
本发明涉及车用动力电池组技术领域，具体涉及一种电池大数据平台电池模块内阻异常识别方法及系统。
背景技术
随着电动汽车的普及，电动汽车的电池安全问题得到越来越多的关注。电动汽车采用的动力电池，一般采用大量单体电芯进行串并联方式组合以满足容量和电压需求。在电池运行时，由于单体电芯的生产不一致性和使用条件的不一致性，某些单体电芯或并联模块在运行时产生欠压/低容/自放电大/内阻增大等故障，这些故障使得该单体电芯或模块在运行时电压数据明显异于其他单体电芯或模块，使电池包无法发挥应有的性能，影响电池包正常使用，其中电池包内模块内阻异常是一种常见的故障表现，引起模块内阻异常故障的原因可能为虚焊、电芯内部问题、水分超标、电芯漏液等原因，均容易产生安全隐患。现有的模块阻值异常判断方法往往无法做到准确、快速和稳定。
公开号为CN114069077A的现有发明专利申请文献《一种电化学装置管理方法、电子设备及电池系统》对电化学装置进行间歇式充电操作，在间歇式充电操作中获取与电化学装置相关的数据，基于与电化学装置相关的数据确定电化学装置的析锂SOC和参考内阻；基于析锂SOC和参考内阻，确定目标析锂SOC和目标内阻。响应于目标析锂SOC和目标内阻的取值处于电化学装置发生析锂的取值区域；确定电化学装置进入寿命末期EOL状态。按照该文献说明书中记载，该现有技术中的所述电子设备包括历史析锂数据获取装置，用于获取电化学装置的至少一个历史析锂SOC和电化学装置的至少一个历史参考内阻。所述目标数据确定装置，具体用于：将所述析锂SOC与所述至少一个历史析锂SOC的加权平均值，作为所述目标析锂SOC；以及将所述参考内阻与所述至少一个历史参考内阻的加权平均值，作为所述目标内阻。可知该现有专利申请文献并未公开本申请的技术方案，也无法达到本申请的技术效果。
公开号为CN114415047A的现有发明专利申请文献《一种电池内阻的确定方法、装置及电子设备》中披露的方法包括：获取待测电池在指定时间段内单次充电过程中的初始数据样本集；其中，初始数据样本集中的每一个数据样本至少包括充电时刻、SOC值、电流值和电压值；按照预设规则对初始数据样本集进行数据清洗，得到包含多个第一样本对的第一样本对集合；其中，每一个第一样本对均由初始数据样本集中充电时刻相邻的两个数据样本组成；根据第一样本对集合确定待测电池在指定时间段内单次充电过程中的第一内阻值。由其说明书中可得知，该现有专利申请文献并未完全公开本申请的技术方案，也不能实现本申请的技术效果。
综上，现有技术存在的故障识别准确性及识别效率低的技术问题。
发明内容
本发明所要解决的技术问题在于如何解决现有技术存在的故障识别准确性及识别效率低的技术问题。
本发明是采用以下技术方案解决上述技术问题的：一种电池大数据平台电池模块内阻异常识别方法包括：
S1、获取电池包在被评估时间段内的整车运行监控数据；
S2、排序整车运行监控数据，以得到已排序数据；
S3、根据已排序数据计算各时刻和上一时刻的时间间隔数据和电流变化数据；
S4、获取预置时间间隔条件以及预置电流变化值条件，据以筛选时间间隔数据及电流变化数据，以得到时隔电流变化数据；
S5、以预置逻辑处理时隔电流变化数据，据以得到各被测车辆的当前时刻内阻值；
S6、以预设逻辑计算当前时刻内阻值，据以得到直流内阻值；
S7、处理直流内阻值，以得到内阻加权平均值，处理内阻加权平均值，以得到各被测车辆的电池模块的内阻异常程度。
在更具体的技术方案中，步骤S1中的整车运行监控数据包括：电池模块时刻数据t、评估时段电流数据i及评估时段电压数据v。
本发明降低了现实应用场景下由虚焊、电芯内部问题、水分超标、电芯漏液等原因导致的电池包内阻故障产生的安全风险，更好地保证了新能源车辆的故障识别效果以及运行可靠性。
在更具体的技术方案中，步骤S2包括：
S21、获取被测车辆编号；
S22、按照车辆编号排序整车运行监控数据，据以得到编号运行监控数据；
S23、按照被测时间排序编号运行监控数据，据以得到已排序数据。
本发明针对被测车辆采用大量单体电芯串并联方式组合的应用场景，按照车辆编号及时间顺序对监控数据排序，据以获取已排序数据作为时隔和电流变化处理过程的输入数据，实现对大量串并联组合的单体电芯运行数据的有效采集，提高了电池包内阻故障识别的效率。
在更具体的技术方案中，步骤S3中，处理已排序数据，据以得到各时刻和上一时刻的时间间隔数据Δt＝tn-tn-1和电流变化数据Δi＝in-in-1；步骤S4中，预置时间间隔条件包括：时间间隔数据等于预置大数据库中数据接收的最短时间间隔；预置电流变化值条件包括：大于预置电流变化阈值。
本发明通过在针对时间间隔以及电流变化数据的筛选过程中，设置时间间隔条件以及电流变化值条件，以之前处理步骤中获取的各个时刻对应的时间间隔及电流变化值等数据中提取出能够足够体现电流变化等故障表征的数据，提高了电池包内阻故障识别的准确率。
在更具体的技术方案中，步骤S5中，以下述逻辑处理时隔电流变化数据，据以得到各被测车辆的当前时刻内阻值Rt：
Figure BDA0003780874280000031
其中，Vt为当前时刻t的直流电压值，Vt-1为前一时刻t-1的直流电压值，Δit为直流电流变化值。
在更具体的技术方案中，步骤S6中，以下述逻辑计算当前时刻内阻值，据以得到直流内阻值Rn：
Figure BDA0003780874280000032
其中，Rt为当前时刻内阻值，Δit为直流电流变化值。
在更具体的技术方案中，步骤S7还包括：
S71、以预置逻辑处理直流内阻值Rn，以获取内阻加权平均值；
S72、以下述逻辑处理直流内阻值Rn以及内阻加权平均值
Figure BDA0003780874280000033
据以获取电池模块的内阻异常程度αnj：
Figure BDA0003780874280000034
其中，αnj为电池模块j的内阻异常程度，b为关键参数，Rn为第n时刻的直流内阻值，Rnj为电池模块j的在第n时刻的直流内阻值，k为求和序号，
Figure BDA0003780874280000035
为第n时刻的内阻加权平均值。
本发明可以根据车联网或其他电池监控数据平台的电池放电数据进行动力电池模块内阻的计算和异常识别，提高了电池模块阻值异常判断识别的准确性，同时提高了故障判定的效率以及故障识别结果的稳定性。
在更具体的技术方案中，步骤S71中，以下述平均逻辑处理直流内阻值Rn，据以获取内阻加权平均值
Figure BDA0003780874280000041
Figure BDA0003780874280000042
其中，n为当前的电池模块的序号，m为电池模块的个数。
在更具体的技术方案中，步骤S72中，关键参数b的取值包括：正常内阻值精度的
Figure BDA0003780874280000043
内阻异常程度的异常判定区间包括：潜在异常区间及明显异常区间，其中，潜在异常区间包括：[3,5],明显异常区间包括：(5，+∞)。
本发明通过设置关键参数b值能够消除内阻计算精度引起的误差，大大减少误报率，并且不会影响异常识别效果。
本发明通过针对被测车辆电池包的内阻异常程度的处理过程中，设置内阻异常程度的潜在异常区间以及明显异常区间，用来分层次判定被测电池包中电芯内阻故障的异常程度，进一步提高了电池包内阻故障识别的准确性。
在更具体的技术方案中，一种电池大数据平台电池模块内阻异常识别系统包括：
整车运行监控模块，用以获取电池包在被评估时间段内的整车运行监控数据；
监控数据排序模块，用以排序整车运行监控数据，以得到已排序数据，监控数据排序模块与整车运行监控模块连接；
时隔及电流变化处理模块，用以根据已排序数据计算各时刻和上一时刻的时间间隔数据和电流变化数据，时隔及电流变化处理模块与监控数据排序模块连接；
数据筛选模块，用以获取预置时间间隔条件以及预置电流变化值条件，据以筛选时间间隔数据及电流变化数据，以得到时隔电流变化数据，数据筛选模块与时隔及电流变化处理模块连接；
当前内阻处理模块，用于以预置逻辑处理时隔电流变化数据，据以得到各被测车辆的当前时刻内阻值，当前内阻处理模块与数据筛选模块连接；
直流内阻处理模块，用于以预设逻辑计算当前时刻内阻值，据以得到直流内阻值，直流内阻处理模块与当前内阻处理模块连接；
内阻异常识别模块，用以处理直流内阻值，以得到内阻加权平均值，处理内阻加权平均值，以得到各被测车辆中电池模块的内阻异常程度，内阻异常识别模块与直流内阻处理模块连接。
本发明相比现有技术具有以下优点：本发明降低了现实应用场景下由虚焊、电芯内部问题、水分超标、电芯漏液等原因导致的电池包内阻故障产生的安全风险，更好地保证了新能源车辆的故障识别效果以及运行可靠性。
本发明针对被测车辆采用大量单体电芯串并联方式组合的应用场景，按照车辆编号及时间顺序对监控数据排序，据以获取已排序数据作为时隔和电流变化处理过程的输入数据，实现对大量串并联组合的单体电芯运行数据的有效采集，提高了电池包内阻故障识别的效率。
本发明通过在针对时间间隔以及电流变化数据的筛选过程中，设置时间间隔条件以及电流变化值条件，以之前处理步骤中获取的各个时刻对应的时间间隔及电流变化值等数据中提取出能够足够体现电流变化等故障表征的数据，提高了电池包内阻故障识别的准确率。
本发明可以根据车联网或其他电池监控数据平台的电池放电数据进行动力电池模块内阻的计算和异常识别，提高了电池模块阻值异常判断识别的准确性，同时提高了故障判定的效率以及故障识别结果的稳定性。
本发明通过设置关键参数b值能够消除内阻计算精度引起的误差，大大减少误报率，并且不会影响异常识别效果。
本发明通过针对被测车辆电池包的内阻异常程度的处理过程中，设置内阻异常程度的潜在异常区间以及明显异常区间，用来分层次判定被测电池包中电芯内阻故障的异常程度，进一步提高了电池包内阻故障识别的准确性。本发明解决了现有技术存在的故障识别准确性及识别效率低的技术问题。
附图说明
图1为本发明实施例1的一种电池包模块内阻异常模块识别方法步骤示意图；
图2为本发明实施例1的充放电末端电压示意图；
图3为本发明实施例1的模块α值分布示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
如图1所示，本发明的目的是针对现有的阻值异常识别方法，提出了一种新的模块阻值异常识别方法，可以实现动力电池组中阻值异常模块的可靠快速识别，可以应用于动力电池远程监控大数据分析平台进行定时远程识别分析。
本发明的目的可以通过以下技术方案实现：
一种电池包模块内阻异常模块识别方法，包括如下步骤：
S1、电池包整车运行监控数据，在本实施例中，获取电池包在被评估时间段内的整车运行监控数据，包括时间t、电流i，电压v，该方法需要获取电池包在被评估时间段内(如每日)的整车运行监控数据，数据仅包括每时刻的各模块的电压、电流值；
S2、数据按车辆编号和时间排序，在本实施例中，数据按车辆编号和时间排序，先按时间排序再按车辆编号排序；
S3、相邻数据时间间隔和电流变化值计算，在本实施例中，计算各时刻和上一时刻的时间间隔Δt＝tn-tn-1和电流变化值Δi＝in-in-1，根据已排序数据计算各时刻和上一时刻的时间间隔Δt＝tn-tn-1和电流变化值Δi＝in-in-1；
S4、筛选满足时间间隔和电流变化值条件的数据，在本实施例中，筛选满足时间间隔和电流变化值条件的数据，通常筛选Δt等于大数据库数据接收最短时间间隔，Δi大于能够足够体现电流变化的阈值；
S5、计算当前时刻内阻值，在本实施例中，根据筛选后的时间间隔数据和电流变化数据计算直流内阻值
Figure BDA0003780874280000061
其中，Vt为当前时刻t的直流电压值，Vt-1为前一时刻t-1的直流电压值，Δit为直流电流变化值；
S6、各车辆分别计算其直流内阻值Rn，在本实施例中，各车辆分别计算其直流内阻值的电流加权平均值，如电池n：
Figure BDA0003780874280000062
其中，Rt为当前时刻内阻值，Δit为直流电流变化值。
S7、各车辆分别计算其在被评估时间内的内阻异常程度，在本实施例中，计算各模块在被评估时间内的内阻异常程度α，如电池n共m个模块，其中模块j的内阻异常程度
Figure BDA0003780874280000063
其中内阻加权平均值
Figure BDA0003780874280000064
b为关键参数，αnj为电池模块j的内阻异常程度，Rn为第n时刻的直流内阻值，Rnj为电池模块j的在第n时刻的直流内阻值，k为求和序号，
Figure BDA0003780874280000071
为第n时刻的内阻加权平均值，通常为正常内阻值精度的
Figure BDA0003780874280000072
如正常模块内阻值为1.1mΩ，则b＝0.01mΩ，b值能够消除内阻计算精度引起的误差，大大减少误报率，并且不会影响异常识别效果。
如图2及图3所示，在本实施例中，内阻异常程度α代表模块的内阻异常程度，通常认为α值为3～5为潜在异常，>5为明显异常。例如某电池在使用时出现了模块内阻异常的情况。其数据表现出79#模块充电电压偏高、放电电压偏低的情况。其内阻异常α的计算结果显示9#模块α值接近9，属内阻异常，其余模块α值<3，属内阻正常。后经现场排查为电芯连接位置焊接虚焊所致的内阻增大。
综上，本发明降低了现实应用场景下由虚焊、电芯内部问题、水分超标、电芯漏液等原因导致的电池包内阻故障产生的安全风险，更好地保证了新能源车辆的故障识别效果以及运行可靠性。
本发明针对被测车辆采用大量单体电芯串并联方式组合的应用场景，按照车辆编号及时间顺序对监控数据排序，据以获取已排序数据作为时隔和电流变化处理过程的输入数据，实现对大量串并联组合的单体电芯运行数据的有效采集，提高了电池包内阻故障识别的效率。
本发明通过在针对时间间隔以及电流变化数据的筛选过程中，设置时间间隔条件以及电流变化值条件，以之前处理步骤中获取的各个时刻对应的时间间隔及电流变化值等数据中提取出能够足够体现电流变化等故障表征的数据，提高了电池包内阻故障识别的准确率。
本发明可以根据车联网或其他电池监控数据平台的电池放电数据进行动力电池模块内阻的计算和异常识别，提高了电池模块阻值异常判断识别的准确性，同时提高了故障判定的效率以及故障识别结果的稳定性。
本发明通过设置关键参数b值能够消除内阻计算精度引起的误差，大大减少误报率，并且不会影响异常识别效果。
本发明通过针对被测车辆电池包的内阻异常程度的处理过程中，设置内阻异常程度的潜在异常区间以及明显异常区间，用来分层次判定被测电池包中电芯内阻故障的异常程度，进一步提高了电池包内阻故障识别的准确性。本发明解决了现有技术存在的故障识别准确性及识别效率低的技术问题。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种电池大数据平台电池模块内阻异常识别方法，其特征在于，所述方法包括：
S1、获取电池包在被评估时间段内的整车运行监控数据；
S2、排序所述整车运行监控数据，以得到已排序数据；
S3、根据所述已排序数据计算各时刻和上一时刻的时间间隔数据和电流变化数据；
S4、获取预置时间间隔条件以及预置电流变化值条件，据以筛选所述时间间隔数据及所述电流变化数据，以得到时隔电流变化数据；
S5、以预置逻辑处理所述时隔电流变化数据，据以得到各被测车辆的当前时刻内阻值；
S6、以预设逻辑计算所述当前时刻内阻值，据以得到直流内阻值；
S7、处理所述直流内阻值，以得到内阻加权平均值，处理所述内阻加权平均值，以得到各所述被测车辆中所述电池模块的内阻异常程度。
2.根据权利要求1所述的一种电池大数据平台电池模块内阻异常识别方法，其特征在于，所述步骤S1中的所述整车运行监控数据包括：电池模块时刻数据t、评估时段电流数据i及评估时段电压数据v。
3.根据权利要求1所述的一种电池大数据平台电池模块内阻异常识别方法，其特征在于，所述步骤S2包括：
S21、获取被测车辆编号；
S22、按照车辆编号排序所述整车运行监控数据，据以得到编号运行监控数据；
S23、按照被测时间排序所述编号运行监控数据，据以得到所述已排序数据。
4.根据权利要求1所述的一种电池大数据平台电池模块内阻异常识别方法，其特征在于，所述步骤S3中，处理所述已排序数据，据以得到各时刻tn和上一时刻tn-1之间的所述时间间隔数据Δt＝tn-tn-1和所述电流变化数据Δi＝in-in-1；所述步骤S4中，所述预置时间间隔条件包括：所述时间间隔数据等于预置大数据库中数据接收的最短时间间隔；所述预置电流变化值条件包括：大于预置电流变化阈值。
5.根据权利要求1所述的一种电池大数据平台电池模块内阻异常识别方法，其特征在于，所述步骤S5中，以下述逻辑处理时隔电流变化数据，据以得到各被测车辆的所述当前时刻内阻值Rt：
Figure FDA0003780874270000011
其中，Vt为当前时刻t的直流电压值，Vt-1为前一时刻t-1的直流电压值，Δit为直流电流变化值。
6.根据权利要求1所述的一种电池大数据平台电池模块内阻异常识别方法，其特征在于，所述步骤S6中，以下述逻辑计算所述当前时刻内阻值，据以得到所述直流内阻值Rn：
Figure FDA0003780874270000021
其中，Rt为所述当前时刻内阻值，Δit为直流电流变化值。
7.根据权利要求1所述的一种电池大数据平台电池模块内阻异常识别方法，其特征在于，所述步骤S7还包括：
S71、以预置逻辑处理所述直流内阻值Rn，以获取内阻加权平均值；
S72、以下述逻辑处理所述直流内阻值Rn以及所述内阻加权平均值
Figure FDA0003780874270000022
据以获取所述电池模块的所述内阻异常程度αnj：
Figure FDA0003780874270000023
其中，αnj为所述电池模块j的内阻异常程度，b为关键参数，Rn为第n时刻的直流内阻值，Rnj为所述电池模块j的在第n时刻的直流内阻值，k为求和序号，
Figure FDA0003780874270000024
为第n时刻的内阻加权平均值。
8.根据权利要求7所述的一种电池大数据平台电池模块内阻异常识别方法，其特征在于，所述步骤S71中，以下述平均逻辑处理所述直流内阻值Rn，据以获取所述内阻加权平均值
Figure FDA0003780874270000025
Figure FDA0003780874270000026
其中，n为当前的所述电池模块的序号，m为所述电池模块的个数。
9.根据权利要求7所述的一种电池大数据平台电池模块内阻异常识别方法，其特征在于，所述步骤S72中，所述关键参数b的取值包括：正常内阻值精度的
Figure FDA0003780874270000027
所述内阻异常程度的异常判定区间包括：潜在异常区间及明显异常区间，其中，所述潜在异常区间包括：[3,5],所述明显异常区间包括：(5，+∞)。
10.一种电池大数据平台电池模块内阻异常识别系统，其特征在于，所述系统包括：
整车运行监控模块，用以获取电池包在被评估时间段内的整车运行监控数据；
监控数据排序模块，用以排序所述整车运行监控数据，以得到已排序数据，所述监控数据排序模块与所述整车运行监控模块连接；
时隔及电流变化处理模块，用以根据所述已排序数据计算各时刻和上一时刻的时间间隔数据和电流变化数据，所述时隔及电流变化处理模块与所述监控数据排序模块连接；
数据筛选模块，用以获取预置时间间隔条件以及预置电流变化值条件，据以筛选所述时间间隔数据及所述电流变化数据，以得到时隔电流变化数据，所述数据筛选模块与所述时隔及电流变化处理模块连接；
当前内阻处理模块，用于以预置逻辑处理所述时隔电流变化数据，据以得到各被测车辆的当前时刻内阻值，所述当前内阻处理模块与所述数据筛选模块连接；
直流内阻处理模块，用于以预设逻辑计算所述当前时刻内阻值，据以得到所述直流内阻值，所述直流内阻处理模块与所述当前内阻处理模块连接；
内阻异常识别模块，用以处理所述直流内阻值，以得到内阻加权平均值，处理所述内阻加权平均值，以得到各所述被测车辆中所述电池模块的内阻异常程度，所述内阻异常识别模块与所述直流内阻处理模块连接。
CN202210929073.3A 2022-08-03 2022-08-03 一种电池大数据平台电池模块内阻异常识别方法及系统 Pending CN115166555A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210929073.3A CN115166555A (zh) 2022-08-03 2022-08-03 一种电池大数据平台电池模块内阻异常识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210929073.3A CN115166555A (zh) 2022-08-03 2022-08-03 一种电池大数据平台电池模块内阻异常识别方法及系统

Publications (1)

Publication Number Publication Date
CN115166555A true CN115166555A (zh) 2022-10-11

Family

ID=83478147

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210929073.3A Pending CN115166555A (zh) 2022-08-03 2022-08-03 一种电池大数据平台电池模块内阻异常识别方法及系统

Country Status (1)

Country Link
CN (1) CN115166555A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115327419A (zh) * 2022-10-18 2022-11-11 长兴太湖能谷科技有限公司 一种蓄电池内阻参数的在线辨识方法
CN117054916A (zh) * 2023-07-27 2023-11-14 小米汽车科技有限公司 动力电池的异常检测方法、系统及云端服务器

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115327419A (zh) * 2022-10-18 2022-11-11 长兴太湖能谷科技有限公司 一种蓄电池内阻参数的在线辨识方法
CN115327419B (zh) * 2022-10-18 2023-04-28 长兴太湖能谷科技有限公司 一种蓄电池内阻参数的在线辨识方法
CN117054916A (zh) * 2023-07-27 2023-11-14 小米汽车科技有限公司 动力电池的异常检测方法、系统及云端服务器
CN117054916B (zh) * 2023-07-27 2024-06-11 小米汽车科技有限公司 动力电池的异常检测方法、系统及云端服务器

Similar Documents

Publication Publication Date Title
CN110794305B (zh) 一种动力电池故障诊断方法和系统
CN112092675B (zh) 一种电池热失控预警方法、系统及服务器
CN111551860B (zh) 一种基于弛豫电压特征的电池内短路诊断方法
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
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
CN111257775A (zh) 基于充电过程监控电池阻抗异常的方法、系统以及装置
CN110376530B (zh) 电池内短路检测装置及方法
CN112487031B (zh) 单体电池故障检测方法、装置、可读存储介质及电子设备
CN108333548A (zh) 绝缘电阻测量设备及故障自诊断方法
CN113696786B (zh) 电池均衡方法及系统
CN112098850B (zh) 基于sdo算法的锂离子电池电压故障诊断方法及系统
CN112098875B (zh) 锂离子电池析锂的检测方法
CN113687234A (zh) 电池异常识别方法、装置、设备、介质及程序产品
CN110927609B (zh) 梯次利用电池储能系统的衰退评估方法及装置
CN116819328A (zh) 一种电动汽车动力电池故障诊断方法、系统、设备及介质
CN113848479B (zh) 一种融合均衡信息的串联电池组短路及低容量故障诊断方法、系统及设备
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
CN112379271B (zh) 一种考虑钝化的碳包式锂亚硫酰氯电池容量检测方法
CN113391214A (zh) 一种基于电池充电电压排名变化的电池微故障诊断方法
CN113687251A (zh) 一种基于双模型的锂离子电池组电压异常故障诊断方法
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
CN117517966A (zh) 一种电池组的故障诊断方法
CN117031337A (zh) 一种电芯内短路检测方法、装置、存储介质及设备
CN113533985A (zh) 一种电池包内阻异常模块的识别方法及其存储介质
CN113420494A (zh) 一种超级电容贝叶斯概率融合建模方法

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