CN116184248B - 一种串联电池组的微小短路故障检测方法 - Google Patents

一种串联电池组的微小短路故障检测方法 Download PDF

Info

Publication number
CN116184248B
CN116184248B CN202310444886.8A CN202310444886A CN116184248B CN 116184248 B CN116184248 B CN 116184248B CN 202310444886 A CN202310444886 A CN 202310444886A CN 116184248 B CN116184248 B CN 116184248B
Authority
CN
China
Prior art keywords
battery
fault
circuit
short
soc
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.)
Active
Application number
CN202310444886.8A
Other languages
English (en)
Other versions
CN116184248A (zh
Inventor
文成林
王广豪
史永辉
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.)
Guangdong University of Petrochemical Technology
Original Assignee
Guangdong University of Petrochemical 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 Guangdong University of Petrochemical Technology filed Critical Guangdong University of Petrochemical Technology
Priority to CN202310444886.8A priority Critical patent/CN116184248B/zh
Publication of CN116184248A publication Critical patent/CN116184248A/zh
Application granted granted Critical
Publication of CN116184248B publication Critical patent/CN116184248B/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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
    • 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
    • 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
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/52—Testing for short-circuits, leakage current or ground faults
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)
  • Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)

Abstract

本发明公开了一种串联电池组的微小短路故障检测方法，包括以下步骤：步骤一，建立微小短路故障电池模型，并获得模型公式；步骤二，优化锂电池状态方程和测量方程，确定检测策略方程，通过HEKF和安时积分法估计的SOC差的绝对值来检测微小故障，当绝对值大于等于决策阈值时，电池发生微小短路故障；步骤三，计算微小短路电阻和漏电流，通过短路电阻值的大小识别故障严重程度。本发明采用上述一种串联电池组的微小短路故障检测方法，通过模型得到短路阻值的方程，并对其进行估计，能够有效地识别短路故障，并且估计阻值，验证了HEKF方法对于车载锂电池组微小短路故障识别的有效性，能够解决微小短路故障不易检测的问题。

Description

一种串联电池组的微小短路故障检测方法
技术领域
本发明涉及短路故障检测技术领域，尤其是涉及一种串联电池组的微小短路故障检测方法。
背景技术
短路故障是一种常发生于电动汽车锂电池组中的电气故障，往往以热失控的表现形式出现，为了避免此类短路故障，微小短路故障的早期检测越来越受到关注，因为如果微小故障无法正确解决，故障会演变的无可挽回，造成损失。与短路故障不同，微小故障是通过将电池内部或外部的正极和负极以相对较大的电阻并联来实现的。微小短路故障隐藏在电池复杂的动态方程中，由于性能变化缓慢，不易被发现，这对车载故障诊断提出了巨大挑战。在实际应用中，微小短路故障在某些情况下很容易触发，例如：电池组暴露于湿气或灰尘，电池内部的制造缺陷等。
串联电池组的一节电池发生微小短路故障时，会导致电池组的工作电压低，很难被检测到，因为没有微小短路故障的电池也可能有类似的行为，例如老化。此外，故障电池组在微小短路故障期间的异常行为变化不大，这种变化很容易在动态工作条件下被淹没。因此，微小短路故障的检测是电动汽车电池管理系统面临的巨大挑战。
发明内容
本发明的目的是提供一种串联电池组的微小短路故障检测方法，解决上述背景技术中提出的问题。为实现上述目的，本发明提供了一种串联电池组的微小短路故障检测方法，包括以下步骤：
步骤一，建立微小短路故障电池模型，并获得模型公式；
步骤二，通过HEKF方法和安时积分法对电池的SOC进行估计：
优化锂电池状态方程和测量方程，通过HEKF估计电池SOC，通过安时积分法估计电池SOC，确定检测策略方程，通过HEKF和安时积分法估计的SOC差的绝对值来检测微小故障，当绝对值大于等于决策阈值时，电池发生微小短路故障；
步骤三，计算微小短路电阻和漏电流，通过短路电阻值的大小识别故障严重程度，电池短路电阻值小，立即保护电池。
优选的，步骤一中，建立一阶RC等效电路模型代表微小短路故障电池，并获得模型公式。
优选的，步骤二中，检测策略方程为：
Figure SMS_1
;
其中，
Figure SMS_2
为安时积分法计算的SOC值，/>
Figure SMS_3
为HEKF算法估计的SOC值，/>
Figure SMS_4
为决策阈值，当绝对值大于等于决策阈值时，电池发生微小短路故障。
优选的，估算微小短路电阻：
Figure SMS_5
;
微小短路电阻
Figure SMS_6
通过等式估算，其中/>
Figure SMS_7
等效模型电路端电压，/>
Figure SMS_8
是流过电池的实际电流，/>
Figure SMS_9
是电流传感器测得的电流；
漏电流
Figure SMS_10
用下式计算：
Figure SMS_11
;
其中，
Figure SMS_12
为安时积分法计算的SOC值，/>
Figure SMS_13
为HEKF算法估计的SOC值，/>
Figure SMS_14
表示标称容量，/>
Figure SMS_15
表示采样间隔。
因此，本发明采用上述一种串联电池组的微小短路故障检测方法，具有以下有益效果：
本发明采用的方法通过模型得到短路阻值的方程，并对其进行估计，能够有效地识别短路故障，并且估计阻值，验证了HEKF方法对于车载锂电池组微小短路故障识别的有效性，能够解决微小短路故障不易检测的问题。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明一种串联电池组的微小短路故障检测方法的方法流程图；
图2为本发明微小短路故障的电池故障模型图；
图3为本发明DST循环工况下微小短路故障电流示意图；
图4为本发明DST循环工况下微小短路故障电压示意图；
图5为本发明10欧姆故障下故障电池与健康电池SOC估计值示意图；
图6为本发明10欧姆故障下微小短路故障电阻估计值示意图；
图7为本发明100欧姆故障下故障电池与健康电池SOC估计值示意图；
图8为本发明100欧姆故障下微小短路故障电阻估计值示意图。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。术语“设置”、“安装”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
实施例
图1为本发明一种串联电池组的微小短路故障检测方法的方法流程图；图2为本发明微小短路故障的电池故障模型图；图3为本发明DST循环工况下微小短路故障电流示意图；图4为本发明DST循环工况下微小短路故障电压示意图；图5为本发明10欧姆故障下故障电池与健康电池SOC估计值示意图；图6为本发明10欧姆故障下微小短路故障电阻估计值示意图；图7为本发明100欧姆故障下故障电池与健康电池SOC估计值示意图；图8为本发明100欧姆故障下微小短路故障电阻估计值示意图。
如图1所示，本发明所述的一种串联电池组的微小短路故障检测方法，包括以下步骤：
步骤一，建立一阶RC等效电路模型代表微小短路故障电池，并获得模型公式：
Figure SMS_16
;
Figure SMS_17
;
其中，
Figure SMS_20
表示开路电压；/>
Figure SMS_23
表示欧姆电阻；/>
Figure SMS_24
表示极化电容/>
Figure SMS_19
的端电压；/>
Figure SMS_22
表示短路电阻；/>
Figure SMS_25
是流过电池的实际电流；/>
Figure SMS_26
是电流传感器测得的电流；/>
Figure SMS_18
是流经短路电阻/>
Figure SMS_21
的漏电流。
从公式可以看出，由于漏电流
Figure SMS_27
，故障电池的测量电流/>
Figure SMS_28
大于流过电池的负载电流
Figure SMS_29
。因此当微小短路故障发生时，在测量电流不准确的情况下，使用安时积分法准确计算电池SOC是不切实际的。
步骤二，通过HEKF方法和安时积分法对电池的SOC进行估计：优化锂电池状态方程和测量方程，通过HEKF估计电池SOC，通过安时积分法估计电池SOC，确定检测策略方程，通过HEKF和安时积分法估计的SOC差的绝对值来检测微小故障，当绝对值大于等于决策阈值时，电池发生微小短路故障。
HEKF方法具有反馈校正功能，可以根据测量的电压调整增益矩阵，以输出故障电池的相对准确的SOC。因此，这些选定电池的SOC分别通过安时积分法计算和HEKF法估计。
1、安时积分法
Figure SMS_30
；
其中，
Figure SMS_31
表示安时积分法计算出的 SOC；/>
Figure SMS_32
是库仑效率；/>
Figure SMS_33
是标称容量；/>
Figure SMS_34
是总采样时间；/>
Figure SMS_35
表示采样间隔。
2、HEKF估计SOC方法
在传统的EKF算法中，考虑到泰勒展开舍去部分高阶项导致的截断误差会使估计精度下降的问题，新方法采用扩维方法，将隐变量与状态变量一起放入状态空间方程中，提高了估计精度和可靠性，并且收敛性也有提高。
电池的电压动态方程可以由如下描述：
Figure SMS_36
；
上式中，
Figure SMS_37
表示端电压；/>
Figure SMS_38
表示开路电压；/>
Figure SMS_39
表示极化电压； />
Figure SMS_40
表示欧姆电阻；/>
Figure SMS_41
表示流过电池的负载电流。
在电池等效电路模型中，极化电阻与极化电容的具体值无法在电池工作状态时直接测量获得；因此是采用激励响应分析方法来模拟锂离子电池的浓差极化以及电化学极化效应；其零输入响应和零状态响应分别描述为：
Figure SMS_42
；
Figure SMS_43
；
因此在放电过程中，通过将电池视作零输入响应和零状态响应的叠加，效应可描述为：
Figure SMS_44
；
上式中，
Figure SMS_45
表示极化电阻；/>
Figure SMS_46
表示极化容量；/>
Figure SMS_47
表示时间常数；/>
Figure SMS_48
表示采样间隔，/>
Figure SMS_49
表示第/>
Figure SMS_50
个采样周期。
定义
Figure SMS_51
，安时积分法计算的 SOC 值定义为/>
Figure SMS_52
，/>
Figure SMS_53
，则锂电池状态方程和测量方程可表示为：
Figure SMS_54
；
Figure SMS_55
;
上式中，
Figure SMS_57
表示极化电阻；/>
Figure SMS_61
表示时间常数，/>
Figure SMS_64
；/>
Figure SMS_56
表示极化容量；/>
Figure SMS_60
表示采样间隔，/>
Figure SMS_63
表示开路电压；/>
Figure SMS_65
表示欧姆电阻；/>
Figure SMS_58
表示流过电池的负载电流，/>
Figure SMS_59
为建模误差，/>
Figure SMS_62
为测量误差。
戴维宁模型方程中的四个参数
Figure SMS_66
、/>
Figure SMS_67
、/>
Figure SMS_68
以及/>
Figure SMS_69
与SOC的关系，可分别用多阶多项式拟合为
Figure SMS_70
;
将拟合关系式分别带入状态方程与测量方程后有
Figure SMS_71
;
Figure SMS_72
;
记;
Figure SMS_73
;
则状态方程与测量方程可分别改写成
Figure SMS_74
;
Figure SMS_75
;
其中，
Figure SMS_76
表示整理后的相关系数。状态方程中的扩维变量/>
Figure SMS_77
为
Figure SMS_78
；
则定义的隐变量动态关系为
Figure SMS_79
；
其中
Figure SMS_80
表示隐变量与扩维后的状态变量的耦合系数，在没有先验信息的情况下，遵守以下规则：
Figure SMS_81
；
系统矩阵
Figure SMS_82
和建模误差/>
Figure SMS_83
分别为
Figure SMS_84
；
Figure SMS_85
；
状态方程中的常数项记为向量
Figure SMS_86
；
则原状态方程式改写为如下形式：
Figure SMS_87
；
原测量方程式改写为：
Figure SMS_88
；
其中，
Figure SMS_89
。
将上面两个式子作为状态方程和测量方程进行卡尔曼滤波。
HEKF估计SOC方法步骤如下：
（1）设置状态观察器的初始值：
Figure SMS_90
，/>
Figure SMS_91
，/>
Figure SMS_92
，/>
Figure SMS_93
。
（2）时间更新方程
系统状态估计：
Figure SMS_94
；
Figure SMS_95
；
状态误差协方差矩阵的估计：
Figure SMS_96
（3）测量更新方程
增益矩阵：
Figure SMS_97
;
系统状态估计的修正：
Figure SMS_98
;
状态误差协方差矩阵的估计：
Figure SMS_99
；
检测策略方程为：
Figure SMS_100
;
其中，
Figure SMS_101
为安时积分法计算的SOC值，/>
Figure SMS_102
为HEKF算法估计的SOC值，/>
Figure SMS_103
是状态方程中/>
Figure SMS_104
通过高阶卡尔曼滤波出来的值，/>
Figure SMS_105
为决策阈值。通过HEKF和安时积分法估计的SOC差的绝对值来检测微小故障。当绝对值大于等于决策阈值时，就说明电池发生了微小短路故障。
步骤三，计算微小短路电阻和漏电流，通过短路电阻值的大小识别故障严重程度。当电池的短路电阻值较小时，需要立即采取必要措施以保护电池；当电池的短路电阻值较大时，电池管理系统有足够的时间来处理该故障，甚至电动汽车在该故障条件下仍然可以正常工作一定时间。
估算微小短路电阻：
Figure SMS_106
;
微小短路电阻
Figure SMS_107
通过等式估算，其中/>
Figure SMS_108
等效模型电路端电压，/>
Figure SMS_109
是流过电池的实际电流，/>
Figure SMS_110
是电流传感器测得的电流；
漏电流
Figure SMS_111
用下式计算：
Figure SMS_112
;
其中，
Figure SMS_113
为安时积分法计算的SOC值，/>
Figure SMS_114
为HEKF算法估计的SOC值，/>
Figure SMS_115
表示标称容量，/>
Figure SMS_116
表示采样间隔。
本实施例采用数据集来自MATLAB模拟，实验数据对象为18650镍钴锰酸锂（LNMC）/石墨（Graphite）单体锂电池，标称容量2000mAh。MATLAB模拟实验采用美国马里兰大学高级生命周期工程研究中心（CALCE）的数据集作为电流输入，以DST循环工况作为基础，在固定时间后引入故障数据，产生新的电流电压输出数据，以此作为故障实验数据。模拟所得的电压电流数据如图3与图4所示。
从图3、图4中可以看出DST循环工况下，发生短路故障的电池电流在短路故障出现后，电流发生变化，并且表现在端电压上也有一定的下降。
为了研究微小短路故障条件下电池的特性，在不同的实验条件下对不同工况下的电池组进行了实验。电池组可以示意性地表示电池组在实际应用中的工作机制。在这些实验中，当整个电池组放电或充电时，通过电池外部的电阻并联来使一个电池短路。模拟的实验数据可用于验证所提出的微小短路故障检测方法。实验分为多组，每组由两个电池组成，一个为健康电池，另一个是发生短路故障电池，电阻值分别为10
Figure SMS_117
、25/>
Figure SMS_118
、50/>
Figure SMS_119
和100/>
Figure SMS_120
。表1总结了所有的实验条件。
表1 实验条件描述
Figure SMS_121
本次实验中，微小短路故障出现的时间统一在3000s处，由电池材料和测量精度以及实验调整决定，决策阈值
Figure SMS_122
定为1%。
由于电池组是串联的，因此利用安时积分法估计的每个健康电池的SOC是相同的，而短路故障发生前的电池也相同，因此图5中SOC估计值在短路故障发生的3000s前故障电池与健康电池的SOC估计值几乎相同。由于漏电流的原因，健康电池与故障电池的SOC差异会逐步变大，并且HEKF算法可以根据测量的电压调整增益矩阵以输出故障电池相对准确的SOC，因此HEKF估计的SOC非常接近微小短路故障条件下的真实SOC值。图6是对微小短路故障的电阻值进行估计，可以看出曲线波动在10
Figure SMS_123
下方，与模拟设定的微小短路阻值接近。
图7是短路故障阻值为100
Figure SMS_124
时的电池SOC估计比对值，可以看出，并联的阻值越大，微小短路故障造成的SOC差异越不明显，也越难从动态工况中区别出来。图8是对短路故障阻值进行估计，可以很明显的看出曲线在短时间内较为稳定的波动在100/>
Figure SMS_125
附近，从故障发生到识别故障所用时间为1987秒。
表2微小故障诊断实验结果
Figure SMS_126
表2为不同工况下不同短路故障阻值的识别用时，可以看到阻值越大，故障识别用时越久，故障阻值与故障识别用时呈现正相关性，这是由于电池短路故障阻值越大，漏电流则越小，故障电池的SOC估计值与健康电池差距越小，则识别用时更长。
本发明的方法通过模拟数据对健康电池与故障电池的SOC估计值分别进行估计，利用估计得到的SOC值计算残差，对故障进行识别，并通过模型得到短路阻值的方程，并对其进行估计。仿真结果表明，在DST与FUDS工况下，本发明提出的方法都能有效地识别短路故障，并且估计阻值，验证了HEKF方法对于车载锂电池组微小短路故障识别的有效性。
因此，本发明采用上述一种串联电池组的微小短路故障检测方法，通过模型得到短路阻值的方程，并对其进行估计，能够有效地识别短路故障，并且估计阻值，验证了HEKF方法对于车载锂电池组微小短路故障识别的有效性，能够解决微小短路故障不易检测的问题。
最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳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：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。

Claims (1)

1.一种串联电池组的微小短路故障检测方法，其特征在于：包括以下步骤：
步骤一，建立一阶RC等效电路模型微小短路故障电池模型，并获得模型公式；
步骤二，通过HEKF方法和安时积分法对电池的SOC进行估计：
优化锂电池状态方程和测量方程，通过HEKF估计电池SOC，通过安时积分法估计电池SOC，确定检测策略方程，通过HEKF和安时积分法估计的SOC差的绝对值来检测微小故障，当绝对值大于等于决策阈值时，电池发生微小短路故障；检测策略方程为：
Figure QLYQS_1
;
其中，
Figure QLYQS_2
为安时积分法计算的SOC值，/>
Figure QLYQS_3
为HEKF算法估计的SOC值，/>
Figure QLYQS_4
为决策阈值，当绝对值大于等于决策阈值时，电池发生微小短路故障；
步骤三，计算微小短路电阻和漏电流，通过短路电阻值的大小识别故障严重程度，电池短路电阻值小，立即保护电池；
估算微小短路电阻：
Figure QLYQS_5
;
微小短路电阻
Figure QLYQS_6
通过等式估算，其中/>
Figure QLYQS_7
等效模型电路端电压，/>
Figure QLYQS_8
是流过电池的实际电流，/>
Figure QLYQS_9
是电流传感器测得的电流；
漏电流
Figure QLYQS_10
用下式计算：
Figure QLYQS_11
;
其中，
Figure QLYQS_12
为安时积分法计算的SOC值，/>
Figure QLYQS_13
为HEKF算法估计的SOC值，/>
Figure QLYQS_14
表示标称容量,/>
Figure QLYQS_15
表示采样间隔。
CN202310444886.8A 2023-04-24 2023-04-24 一种串联电池组的微小短路故障检测方法 Active CN116184248B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310444886.8A CN116184248B (zh) 2023-04-24 2023-04-24 一种串联电池组的微小短路故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310444886.8A CN116184248B (zh) 2023-04-24 2023-04-24 一种串联电池组的微小短路故障检测方法

Publications (2)

Publication Number Publication Date
CN116184248A CN116184248A (zh) 2023-05-30
CN116184248B true CN116184248B (zh) 2023-07-07

Family

ID=86449275

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310444886.8A Active CN116184248B (zh) 2023-04-24 2023-04-24 一种串联电池组的微小短路故障检测方法

Country Status (1)

Country Link
CN (1) CN116184248B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116400247B (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 电池软短路故障的确定方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015188610A1 (zh) * 2014-06-11 2015-12-17 北京交通大学 电池荷电状态估算方法和装置
CN111198327A (zh) * 2020-02-24 2020-05-26 北京理工大学 一种单体电池内短路故障自检测方法
CN115718266A (zh) * 2022-11-15 2023-02-28 中国华能集团清洁能源技术研究院有限公司 电池短路故障诊断方法及装置

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9272634B2 (en) * 2014-02-20 2016-03-01 Ford Global Technologies, Llc Active battery system estimation request generation
CN107870301B (zh) * 2016-09-27 2020-09-04 华为技术有限公司 一种电池微短路的检测方法及装置
CN106802396B (zh) * 2017-03-28 2019-04-05 上海理工大学 一种电池内短路的诊断方法
CN107192914B (zh) * 2017-04-18 2019-11-22 宁德时代新能源科技股份有限公司 锂离子动力电池内短路检测方法
US10788536B2 (en) * 2017-05-11 2020-09-29 Texas Instruments Incorporated System and apparatus for battery internal short current detection under arbitrary load conditions
CN111208439B (zh) * 2020-01-19 2021-10-22 中国科学技术大学 一种串联锂离子电池组微短路故障定量检测方法
CN111610456B (zh) * 2020-04-29 2022-08-23 上海理工大学 一种区分电池微短路和小容量故障的诊断方法
CN112147512B (zh) * 2020-09-17 2021-11-26 北京理工大学 一种锂离子电池短路与滥用故障的诊断及分离方法
KR102515605B1 (ko) * 2020-09-23 2023-03-28 삼성에스디아이 주식회사 배터리 셀의 내부 단락 진단 방법, 내부 단락 진단 장치 및 배터리 시스템
CN111965547B (zh) * 2020-09-27 2022-05-13 哈尔滨工业大学（威海） 一种基于参数辨识法的电池系统传感器故障诊断方法
KR102550371B1 (ko) * 2021-03-18 2023-06-30 포항공과대학교 산학협력단 내부 단락 고장 조기 검출 방법 및 장치
CN114355211A (zh) * 2021-12-09 2022-04-15 武汉船用电力推进装置研究所（中国船舶重工集团公司第七一二研究所） 一种锂离子动力电池剩余电量估计方法
CN115047346A (zh) * 2022-04-12 2022-09-13 广东石油化工学院 一种锂电池soc估计的高阶卡尔曼滤波算法
CN115684942A (zh) * 2022-10-31 2023-02-03 中国长江三峡集团有限公司 电池短路故障检测方法、装置、计算机设备及介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015188610A1 (zh) * 2014-06-11 2015-12-17 北京交通大学 电池荷电状态估算方法和装置
CN111198327A (zh) * 2020-02-24 2020-05-26 北京理工大学 一种单体电池内短路故障自检测方法
CN115718266A (zh) * 2022-11-15 2023-02-28 中国华能集团清洁能源技术研究院有限公司 电池短路故障诊断方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于插值H_∞扩展卡尔曼滤波的发电机动态状态估计;艾蔓桐;孙永辉;王义;卫志农;孙国强;;中国电机工程学报(19);全文 *

Also Published As

Publication number Publication date
CN116184248A (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
CN111208439B (zh) 一种串联锂离子电池组微短路故障定量检测方法
CN106802396B (zh) 一种电池内短路的诊断方法
CN111929602B (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
Wang et al. Online state of charge estimation for the aerial lithium-ion battery packs based on the improved extended Kalman filter method
CN111198327A (zh) 一种单体电池内短路故障自检测方法
CN107192956B (zh) 一种电池短路漏液在线监测方法和装置
CN111146514A (zh) 锂离子电池模组运行安全性评估预测方法、系统及电子设备
CN116184248B (zh) 一种串联电池组的微小短路故障检测方法
CN114035086B (zh) 基于信号处理的电池组多故障诊断方法
CN112989569B (zh) 一种带温度约束条件的锂电池传感器故障滤波诊断方法
CN115494400B (zh) 一种基于集成学习的锂电池析锂状态在线监控方法
CN115792638A (zh) 基于电池模型参数辨识的soc-内短路联合估计方法
CN113093016A (zh) 基于不确定噪声滤波的动力电池管理系统故障诊断方法
Yu et al. Multi-Fault Diagnosis of Lithium-Ion battery systems based on correlation Coefficient and similarity Approaches
Wu et al. Research on short-circuit fault-diagnosis strategy of lithium-ion battery in an energy-storage system based on voltage cosine similarity
Chen et al. Estimation of state of charge for lithium-ion battery considering effect of aging and temperature
Zhu et al. Battery parameter identification using recursive least squares with variable directional forgetting
CN114152826B (zh) 一种锂离子电池单体内短路检测方法
CN116125284A (zh) 一种锂离子电池内部短路诊断方法及系统
Xiao et al. State-of-charge estimation for lithium-ion battery pack based on Unscented Kalman Filter considering cell inconsistency
CN111679217A (zh) 一种采用soc区间段内库伦效率的电池预警方法及装置
Thobde et al. State of Charge (SoC) algorithm for Battery Management System (BMS)
Abdollahi Biron et al. Observer-based diagnostic scheme for lithium-ion batteries
Chen et al. A Diagnostic Method of Internal Short Circuit Fault in Lithium-ion Battery
Zhang et al. Online Multi-Fault Detection and Isolation for Battery Systems Using Improved Model-Based and Signal Processing Methods

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