CN115792638A - 基于电池模型参数辨识的soc-内短路联合估计方法 - Google Patents

基于电池模型参数辨识的soc-内短路联合估计方法 Download PDF

Info

Publication number
CN115792638A
CN115792638A CN202211627838.4A CN202211627838A CN115792638A CN 115792638 A CN115792638 A CN 115792638A CN 202211627838 A CN202211627838 A CN 202211627838A CN 115792638 A CN115792638 A CN 115792638A
Authority
CN
China
Prior art keywords
battery
short circuit
soc
internal short
current
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
CN202211627838.4A
Other languages
English (en)
Inventor
陈思文
孙金磊
陈赛汗
仇胜世
刘欣伟
吕凯
郭一龙
幸世优
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202211627838.4A priority Critical patent/CN115792638A/zh
Publication of CN115792638A publication Critical patent/CN115792638A/zh
Pending legal-status Critical Current

Links

Images

Abstract

本发明公开了一种基于电池模型参数辨识的SOC‑内短路联合估计方法，该方法利用电动汽车充电时的预充阶段向大电流充电阶段转换的电流变换过程，根据采集到的电压电流信息，对小电流预充阶段电压离群的电池单体建立电池内短路故障等效电路模型，采用扩展卡尔曼滤波滤波与带遗忘因子的最小二乘法联合估计电池SOC与电池内短路电阻值，从而判断电池单体是否存在内短路故障，进而实现电池内部微短路故障的早期诊断。本发明适用于电动汽车、储能系统以及电动工具等电池单体和成组应用场合。

Description

基于电池模型参数辨识的SOC-内短路联合估计方法
技术领域
本发明涉及一种电池内短路故障识别方法，具体涉及一种基于电池模型参数辨识的SOC-内短路联合估计方法。
背景技术
锂离子电池在全生命周期使用过程中可能出现内短路故障，严重降低了锂离子电池的使用安全性，并可能出现电池热失控等安全问题。为了对电池内短路故障进行提前的预警，通常根据电池端电压进行判定。但由于电池老化等问题的存在，单一的电压判据往往无法准确识别内短路故障。经检索发现，现有文献除电压判据外大多采用复杂的参数辨识手段来诊断内短路故障，且大多需要提前准确估计电池荷电状态(SOC)，缺少计算简单而可靠的内短路故障诊断方法。
发明内容
本发明的目的在于提供一种基于电池模型参数辨识的SOC-内短路联合估计方法，解决由于模型复杂导致的不确定性及计算复杂而致内短路电阻难以识别等问题。
实现本发明目的的技术方案为：第一方面，本发明提供一种基于电池模型参数辨识的SOC-内短路联合估计方法，包括以下步骤：
步骤1、对电池组施加小电流预充，在该阶段观察电池单体电压曲线，根据电池单体电压曲线是否离群判别是否存在处于内短路故障阶段的目标电池单体；进行小电流充电时，对端电压整体低于其他电池的单体进行标记，记为目标电池单体；
步骤2、针对步骤1所标记的目标电池单体，记录由预充阶段向正式的大电流充电转化的电压和电流状态信息；
步骤3、建立电池单体内短路等效电路模型；
步骤4、结合所获得的电压、电流曲线，采用扩展卡尔曼滤波和带遗忘因子的最小二乘法对模型中电池荷电状态和内短路电阻进行联合估计。
步骤5、根据辨识得到的内短路电阻数值情况，区分初期、中期和末期内短路故障。
第二方面，本发明提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的方法的步骤。
第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述的方法的步骤。
第四方面，本发明提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面所述的方法的步骤。
与现有技术相比，本发明的有益效果为：(1)本发明提供了一种基于电池模型参数辨识的SOC-内短路联合估计方法，能够根据采集得到的串联电池组内每个单体电压响应以及电流信息，针对预充阶段小电流情况下电池电压离群的目标电池单体建立电池内短路故障识别模型，联合估计电池荷电状态(SOC)及内短路电阻值，从而判断电池单体是否存在内短路故障，进一步实现电池内短路故障的早期诊断；(2)本发明所提出的基于基于电池模型参数辨识的SOC-内短路联合估计方法，不需要提前估计电池SOC后估计短路电阻，而是将电池SOC与短路电阻联合估计，简化了计算过程；(3)本发明所提出的基于基于电池模型参数辨识的SOC-内短路联合估计方法，不依赖于电池组内其他单体，克服了复杂系统及复杂模型导致的不确定性及计算复杂度高等问题。
附图说明
图1为基于基于电池模型参数辨识的SOC-内短路联合估计方法流程图。
图2为电池组电流、电压曲线图。
图3为目标单体电池电流、电压曲线图。
图4为电池内短路等效模型图。
图5为单体电池SOC-OCV曲线图。
图6为基于EKF-FFRLS联合估计算法流程图。
图7为辨识得到的短路电阻图。
图8为辨识得到的SOC图。
具体实施方式
结合图1，一种基于电池模型参数辨识的SOC-内短路联合估计方法，包括以下步骤：
步骤1、对电池组施加小电流预充，在该阶段观察电池单体电压曲线，根据电池单体电压曲线是否离群判别是否存在处于内短路故障阶段的目标电池单体。进行小电流充电时，对端电压整体低于其他电池的单体进行标记，记为目标电池单体；
步骤2、针对步骤1所标记的目标电池单体，记录由预充阶段向正式的大电流充电转化的电压和电流状态信息；
步骤3、建立电池单体内短路等效电路模型；
步骤4、结合所获得的电压、电流曲线，采用扩展卡尔曼滤波(EKF)和带遗忘因子的最小二乘法(FFRLS)对模型中电池荷电状态(SOC)和内短路电阻进行联合估计。
步骤5、根据辨识得到的内短路电阻数值情况，区分初期、中期和末期内短路故障。
在对电池进行联合估计前，首先对电池进行小电流预充，观察电池单体的电压曲线，标记电压离群的电池单体。然后对标记的电池单体进行大电流充电，记录该单体的电流、电压曲线。接着建立内短路电池的等效电路模型，结合扩展卡尔曼滤波(EKF)与带遗忘因子的最小二乘法(FFRLS)对模型进行电池荷电状态(SOC)与短路电阻的联合估计。最后，将获得的电池内短路电阻与设定阈值比较，判定内短路故障程度。
进一步地，本实施例中步骤1可以按照下述步骤判别需要考察是否存在内短路故障的目标电池单体，具体为：
步骤1-1，电池单体首先以0.5C倍率恒定电流放电，至电池下限截止电压；
步骤1-2，静置2小时；
步骤1-3，采用0.01C倍率小电流对电池进行预充，时间为一分钟；
步骤1-4，记录电池单体的电压曲线，对电压曲线离群的电池单体进行标记，后续重点关注。
进一步地，本实施例中步骤2具体为：
在步骤1-4所标记的目标电池单体进行小电流预充后，增大充电电流，进行恒流充电，电池电压随着恒流充电过程逐步提高，记录大电流充电时电池单体的电压、电流信息。
进一步地，本实施例中步骤3建立电池单体内短路等效电路模型的具体方法为：
步骤3-1，进行间歇性放电-静置实验，将电池以0.5C倍率充满，静置2小时。以0.5C倍率对电池放电，每放1％的电量，静置1分钟，静置后的电压为电池的开路电压，拟合确定SOC-OCV关系表达式为
Figure BDA0004004780690000041
其中，Uoc为电池开路电压(Open Circuit Voltage，OCV)，z为电池SOC，n为拟合阶数，ci为拟合系数
步骤3-2，正常电池模型采用Thevenin模型，当电池内短路时，相当于并联一个电阻，如图4所示，对内短路电池建立数学模型并列写状态方程。
首先定义系统的状态向量xk＝[SOC(k)U1(k)Is(k)]T，输入向量uk＝IL(k)，输出向量为yk＝Ub(k)，对图4所示的电池内短路等效模型列写离散状态方程及观测方程如式(2)所示。
Figure BDA0004004780690000042
Ub(k)＝Uoc(SOC(k))+U1(k)+(IL(k)-Is(k))R0
其中Ak、Bk为系数矩阵，SOC为电池荷电状态，U1为极化电压，Is为短路电流，IL为负载电流，Ts为采样时间，Uoc为开路电压，R0为欧姆电阻，R1为极化电阻，C1为极化电容，Q为电池额定容量
令g(xk)＝U1,k-R0Is(k)+Uoc(SOCk)，Uoc(SOCk)是SOC的非线性函数，用一阶泰勒展开线性化如式(3)。
Figure BDA0004004780690000051
式(3)中，Uoc对SOC的导数用一阶向后差分表示。可得离散输出方程如式(4)所示。
Figure BDA0004004780690000052
式(4)中，Ck和Dk为系数矩阵。式(2)的离散状态方程和式(4)的离散输出方程共同组成联合估计方程，采用EKF算法估计电池SOC和短路电流Is，得到短路电流Is后即可根据式(5)估计短路电阻。
Figure BDA0004004780690000053
进一步地，本实施例中步骤4采用扩展卡尔曼滤波(EKF)与带遗忘因子的最小二乘法(FFRLS)对电池荷电状态(SOC)和内短路电阻联合估计，具体为：
步骤4-1，根据已有信息和经验进行参数初始化；
步骤4-2，状态变量先验估计，其中状态变量xk＝[SOC(k) U1(k) Is(k)],Ak为状态变量系数矩阵，输入向量uk＝IL(k)
Figure BDA0004004780690000054
步骤4-3，误差协方差矩阵先验估计，其中Pk为误差协方差矩阵，ω为过程误差矩阵
Figure BDA0004004780690000055
步骤4-4，系统观测量预测和计算观测误差，其中yk为输出向量，Ck为观测系数矩阵，ek为观测误差：
Figure BDA0004004780690000056
Figure BDA0004004780690000061
步骤4-5，计算卡尔曼增益，其中Kk为卡尔曼增益矩阵，Rk为测量误差矩阵：
Figure BDA0004004780690000062
步骤4-6，状态变量后验估计：
Figure BDA0004004780690000063
步骤4-7，误差协方差矩阵后验估计：
Figure BDA0004004780690000064
步骤4-8，计算最小二乘法估计误差e(k)，其中y(k)为电压矩阵，h(k)为参数矩阵，
Figure BDA0004004780690000065
为待辨识参数
Figure BDA0004004780690000066
步骤4-9，计算最小二乘法增益矩阵Kr(k)，其中Pr(k)为协方差矩阵，λ是遗忘因子(0≤λ≤1)
Figure BDA0004004780690000067
步骤4-10，最小二乘法参数估计
Figure BDA0004004780690000068
步骤4-11，更新最小二乘法协方差矩阵Pr(k)，其中I0为单位矩阵
Figure BDA0004004780690000069
进一步地，本实施例中步骤5具体为：
根据步骤4所采用扩展卡尔曼滤波(EKF)和带遗忘因子的最小二乘法(FFRLS)对内短路电池进行电池荷电状态(SOC)和短路电阻联合估计，根据预设的内短路电阻阈值与计算所得的实时内短路电阻，比较并判定当前时刻单体电池内短路状态。当估计得到的电阻10Ω<Rs≤1000Ω时，判定为初期内短路故障，当估计得到的电阻0.1Ω<Rs≤10Ω时，判定为中期内短路故障，当估计得到的电阻Rs≤0.1Ω时，判定为末期内短路故障。
下面以某三元锂电池为例对本发明进行具体说明。
实施例
本实施例采用ISR18650-2.2Ah的三元锂电池作为实验对象，在室温下进行本发明所述方法的步骤1，其具体过程如下：
步骤1-1，电池单体首先以0.5C倍率恒定电流放电，至电池下限截止电压；
步骤1-2，静置2小时；
步骤1-3，采用小电流对电池进行预充；
步骤1-4，记录电池单体的电压曲线，对电压曲线离群的电池单体进行标记，后续重点关注。
电池组电流、电压曲线如图2所示，可以看出电池1电压曲线出现离群现象，将其标记为目标电池单体。根据步骤1所得到的目标电池单体在电池电压上升到涓流充电阈值及以上后增大充电电流，进行恒流充电，电池电压随着恒流充电过程逐步提高，记录大电流充电时电池单体的电压、电流信息。记录对应的电压曲线和电流曲线，如图3所示。
然后建立内短路等效模型，如图4所示，首先确立电池未内短路时SOC和OCV的函数关系，如图5所示。在电池输出端并联50Ω电阻以模拟触发电池的内短路故障，采取本发明所述方法，基于扩展卡尔曼滤波(EKF)与带遗忘因子的最小二乘法(FFRLS)对电池内短路电阻和电池荷电状态(SOC)进行联合估计，该方法流程图如图6所示，得到的内短路电阻和SOC辨识结果分别如图7、图8所示，内短路电阻值平均值为51.5925Ω，误差为3.185％，SOC估计最大绝对误差为0.0216。
记录所得到的内短路电阻辨识结果，根据预设的内短路电阻值与计算所得的实时内短路电阻，比较并判定当前时刻单体电池内短路状态，本实施例中的内短路判定为初期内短路。
综上，本发明仅利用电池负载电流和端电压测量值，采用扩展卡尔曼滤波(EKF)和带遗忘因子的最小二乘法(FFRLS)对内短路电池进行电池荷电状态(SOC)和内短路电阻联合估计，根据内短路电阻的大小判断电池单体内短路故障风险程度。相较于传统的基于电气模型的内短路检测方法，本发明所提出的基于扩展卡尔曼滤波(EKF)和带遗忘因子的最小二乘法(FFRLS)的短路电阻和电池荷电状态联合估计方法能够根据SOC的变化有效修正电池等效电路模型参数并进一步提高短路电阻估计精度，不依赖于电池组内其他单体，克服了复杂系统及复杂模型导致的不确定性及计算复杂度高等问题。

Claims (10)

1.一种基于电池模型参数辨识的SOC-内短路联合估计方法，其特征在于，包括以下步骤：
步骤1、对电池组施加小电流预充，在该阶段观察电池单体电压曲线，根据电池单体电压曲线是否离群判别是否存在处于内短路故障阶段的目标电池单体；进行小电流充电时，对端电压整体低于其他电池的单体进行标记，记为目标电池单体；
步骤2、针对步骤1所标记的目标电池单体，记录由预充阶段向正式的大电流充电转化的电压和电流状态信息；
步骤3、建立电池单体内短路等效电路模型；
步骤4、结合所获得的电压、电流曲线，采用扩展卡尔曼滤波和带遗忘因子的最小二乘法对模型中电池荷电状态和内短路电阻进行联合估计；
步骤5、根据辨识得到的内短路电阻数值情况，区分初期、中期和末期内短路故障。
2.根据权利要求1所述的基于电池模型参数辨识的SOC-内短路联合估计方法，其特征在于，步骤1具体为：
步骤1-1，电池单体首先以0.5C倍率恒定电流放电，至电池下限截止电压；
步骤1-2，静置2小时；
步骤1-3，采用0.01C倍率小电流对电池进行预充，时间为一分钟；
步骤1-4，记录电池单体的电压曲线，对电压曲线离群的电池单体进行标记。
3.根据权利要求2所述的基于电池模型参数辨识的SOC-内短路联合估计方法，其特征在于，步骤2具体为：
在步骤1-4所标记的目标电池单体进行小电流预充后，增大充电电流至1C，进行恒流充电，电池电压随着恒流充电过程逐步提高，记录大电流充电时电池单体的电压、电流信息。
4.根据权利要求1所述的基于电池模型参数辨识的SOC-内短路联合估计方法，其特征在于，步骤3建立电池单体内短路等效电路模型的具体方法为：
步骤3-1，进行间歇性放电-静置实验，将电池以0.5C倍率充满，静置2小时；以0.5C倍率对电池放电，每放1％的电量，静置1分钟，静置后的电压为电池的开路电压，拟合确定SOC-OCV关系表达式；
步骤3-2，正常电池模型采用Thevenin模型，当电池内短路时，相当于并联一个电阻对内短路电池建立数学模型。
5.根据权利要求4所述的基于电池模型参数辨识的SOC-内短路联合估计方法，其特征在于，拟合确定SOC-OCV关系表达式为：
Figure FDA0004004780680000021
其中，Uoc为电池开路电压，z为电池SOC，n为拟合阶数，ci为拟合系数。
6.根据权利要求1所述的基于电池模型参数辨识的SOC-内短路联合估计方法，其特征在于，步骤4采用扩展卡尔曼滤波与带遗忘因子的最小二乘法对电池内短路电阻与电池荷电状态进行联合估计，具体为：
步骤4-1，进行参数初始化；
步骤4-2，状态变量先验估计，其中状态变量xk＝[SOC(k)U1(k)Is(k)],Ak为状态变量系数矩阵，输入向量uk＝IL(k)；
Figure FDA0004004780680000022
其中，SOC(k)为k时刻的电池荷电状态值，U1(k)为k时刻的极化电压值，Is(k)为k时刻的短路电流值，IL(k)为k时刻的负载电流值；
步骤4-3，误差协方差矩阵先验估计：
Figure FDA0004004780680000023
其中Pk为误差协方差矩阵，ω为过程误差矩阵；
步骤4-4，系统观测量预测和计算观测误差：
Figure FDA0004004780680000024
Figure FDA0004004780680000025
其中yk为输出向量，Ck为观测系数矩阵，ek为观测误差；
步骤4-5，计算卡尔曼增益：
Figure FDA0004004780680000026
其中Kk为卡尔曼增益矩阵，Rk为测量误差矩阵；
步骤4-6，状态变量后验估计：
Figure FDA0004004780680000031
步骤4-7，误差协方差矩阵后验估计：
Figure FDA0004004780680000032
步骤4-8，计算最小二乘法估计误差e(k)：
Figure FDA0004004780680000033
其中y(k)为电压矩阵，h(k)为参数矩阵，
Figure FDA0004004780680000034
为待辨识参数；
步骤4-9，计算最小二乘法增益矩阵Kr(k)：
Figure FDA0004004780680000035
其中Pr(k)为协方差矩阵，λ是遗忘因子，0≤λ≤1；
步骤4-10，最小二乘法参数估计：
Figure FDA0004004780680000036
步骤4-11，更新最小二乘法协方差矩阵Pr(k)：
Figure FDA0004004780680000037
其中I0为单位矩阵。
7.根据权利要求6所述的基于电池模型参数辨识的SOC-内短路联合估计方法，其特征在于，步骤5具体为：
根据步骤4所采用的EKF-FFRLS进行内短路电阻与SOC联合估计，根据预设的内短路电阻值与估计所得的实时内短路电阻，比较并判定当前时刻单体电池内短路状态；当估计得到的电阻10Ω<Rs≤1000Ω时，判定为初期内短路故障，当估计得到的电阻0.1Ω<Rs≤10Ω时，判定为中期内短路故障，当估计得到的电阻Rs≤0.1Ω时，判定为末期内短路故障。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一所述的方法的步骤。
9.一种计算机可读存储介质，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如权利要求1-7中任一所述的方法的步骤。
10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1-7中任一所述的方法的步骤。
CN202211627838.4A 2022-12-17 2022-12-17 基于电池模型参数辨识的soc-内短路联合估计方法 Pending CN115792638A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211627838.4A CN115792638A (zh) 2022-12-17 2022-12-17 基于电池模型参数辨识的soc-内短路联合估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211627838.4A CN115792638A (zh) 2022-12-17 2022-12-17 基于电池模型参数辨识的soc-内短路联合估计方法

Publications (1)

Publication Number Publication Date
CN115792638A true CN115792638A (zh) 2023-03-14

Family

ID=85425527

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211627838.4A Pending CN115792638A (zh) 2022-12-17 2022-12-17 基于电池模型参数辨识的soc-内短路联合估计方法

Country Status (1)

Country Link
CN (1) CN115792638A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116400248A (zh) * 2023-06-08 2023-07-07 中国华能集团清洁能源技术研究院有限公司 电池内短路故障的确定方法及装置
CN116979663A (zh) * 2023-09-22 2023-10-31 深圳市首航新能源股份有限公司 一种电池断路检测方法、控制单元和充电设备
CN117289142A (zh) * 2023-11-24 2023-12-26 国网天津市电力公司电力科学研究院 锂离子储能电站电池内部短路故障检测方法及装置

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116400248A (zh) * 2023-06-08 2023-07-07 中国华能集团清洁能源技术研究院有限公司 电池内短路故障的确定方法及装置
CN116400248B (zh) * 2023-06-08 2023-08-29 中国华能集团清洁能源技术研究院有限公司 电池内短路故障的确定方法及装置
CN116979663A (zh) * 2023-09-22 2023-10-31 深圳市首航新能源股份有限公司 一种电池断路检测方法、控制单元和充电设备
CN116979663B (zh) * 2023-09-22 2024-04-09 深圳市首航新能源股份有限公司 一种电池断路检测方法、控制单元和充电设备
CN117289142A (zh) * 2023-11-24 2023-12-26 国网天津市电力公司电力科学研究院 锂离子储能电站电池内部短路故障检测方法及装置
CN117289142B (zh) * 2023-11-24 2024-03-19 国网天津市电力公司电力科学研究院 锂离子储能电站电池内部短路故障检测方法及装置

Similar Documents

Publication Publication Date Title
CN111198327B (zh) 一种单体电池内短路故障自检测方法
CN111610456B (zh) 一种区分电池微短路和小容量故障的诊断方法
CN109557477B (zh) 一种电池系统健康状态估算方法
CN110031770B (zh) 一种快速得到电池包中所有单体电池容量的方法
CN115792638A (zh) 基于电池模型参数辨识的soc-内短路联合估计方法
CN110196393B (zh) 一种锂电池荷电状态、能量状态和功率状态的联合在线估计方法
CN111965559B (zh) 一种锂离子电池soh在线估计方法
CN110058178A (zh) 一种锂电池健康状态检测方法和系统
CN109828220B (zh) 一种锂离子电池健康状态线性评估方法
CN114487889A (zh) 一种基于预充电流脉冲的电池内短路故障识别方法
CN111220920B (zh) 基于h∞无迹卡尔曼滤波算法的退役锂离子电池荷电状态计算方法
CN110554321B (zh) 一种实时检测退役动力电池soc的方法
CN111856282B (zh) 基于改进遗传无迹卡尔曼滤波的车载锂电池状态估计方法
CN112285570B (zh) 一种基于衰减记忆滤波器的电动汽车故障诊断方法
CN111929602A (zh) 一种基于容量估计的单体电池漏电或微短路定量诊断方法
CN112305426B (zh) 一种多约束条件下的锂离子电池功率状态估计系统
CN112098849A (zh) 基于求积分卡尔曼滤波的锂电池剩余电量估计方法
CN111044924B (zh) 一种全工况电池剩余容量确定方法及系统
CN115219905A (zh) 一种电池内短路在线检测方法、装置及存储介质
CN111965548B (zh) 一种基于状态估计法的电池系统传感器故障诊断方法
CN112009252B (zh) 一种动力电池系统故障诊断及容错控制方法
CN113759258A (zh) 一种动力电池soc估计方法、装置及纯电动汽车
CN113420444A (zh) 一种基于参数在线辨识的锂离子电池soc估计方法
CN116520194A (zh) 一种锂离子电池内短路故障与容量损失的诊断方法
CN109298340B (zh) 一种基于可变时间尺度的电池容量在线估计方法

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