CN116400228A - 基于混合滤波器的电池故障检测方法及装置 - Google Patents

基于混合滤波器的电池故障检测方法及装置 Download PDF

Info

Publication number
CN116400228A
CN116400228A CN202310679294.4A CN202310679294A CN116400228A CN 116400228 A CN116400228 A CN 116400228A CN 202310679294 A CN202310679294 A CN 202310679294A CN 116400228 A CN116400228 A CN 116400228A
Authority
CN
China
Prior art keywords
battery
estimation
parameters
filter
prior
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
CN202310679294.4A
Other languages
English (en)
Inventor
赵珈卉
朱勇
张斌
刘明义
王建星
刘承皓
孙悦
刘涵
杨超然
平小凡
成前
王娅宁
周敬伦
段召容
孙周婷
雷浩东
李�昊
杨名昊
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.)
Huaneng Clean Energy Research Institute
Huaneng Lancang River Hydropower Co Ltd
Original Assignee
Huaneng Clean Energy Research Institute
Huaneng Lancang River Hydropower 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 Huaneng Clean Energy Research Institute, Huaneng Lancang River Hydropower Co Ltd filed Critical Huaneng Clean Energy Research Institute
Priority to CN202310679294.4A priority Critical patent/CN116400228A/zh
Publication of CN116400228A publication Critical patent/CN116400228A/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]
    • G01R31/367—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]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current 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

Landscapes

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

Abstract

本公开涉及电池故障诊断技术领域，尤其涉及一种基于混合滤波器的电池故障检测方法及装置。其中，该基于混合滤波器的电池故障检测方法，包括：构建待测电池对应的电池等效电路模型；采用混合滤波器对电池等效电路模型进行在线状态监测，得到电池等效电路模型对应的电池估计参数，其中，电池估计参数包括电池总容量估计值和电池内阻估计值；对电池估计参数进行异常值检测，根据检测结果确定待测电池对应的故障类型。采用本公开可以确定待测电池的故障类型并且检测精度高。

Description

基于混合滤波器的电池故障检测方法及装置
技术领域
本公开涉及电池故障诊断技术领域，尤其涉及一种基于混合滤波器的电池故障检测方法及装置。
背景技术
锂离子电池具有高功率密度、能量密度、低自放电和无记忆效应等优点，是优秀的电源和储能设备。因此，锂离子在电网的储能系统等应用中得到了广泛的应用。然而，由于制造缺陷、滥用操作和老化过程的存在，锂离子电池的安全性和可靠性仍然令人担忧。对电池进行电池故障检测可以防止发生火灾和爆炸的热失控，从而确保电池的安全。然而传统异常值检测方法无法确定故障类型并且检测精度低。
发明内容
本公开提供了一种基于混合滤波器的电池故障检测方法及装置，主要目的在于确定待测电池的故障类型并且检测精度高。
根据本公开的一方面，提供了一种基于混合滤波器的电池故障检测方法，包括：
构建待测电池对应的电池等效电路模型；
采用混合滤波器对所述电池等效电路模型进行在线状态监测，得到所述电池等效电路模型对应的电池估计参数，其中，所述电池估计参数包括电池总容量估计值和电池内阻估计值；
对所述电池估计参数进行异常值检测，根据检测结果确定所述待测电池对应的故障类型。
可选的，所述电池等效电路模型包括磁滞电压电源、平均开路电压电源、欧姆内阻、极化内阻、极化电容、正极端子和负极端子；其中，
所述负极端子与所述平均开路电压电源的负极连接，所述平均开路电压电源的正极与所述磁滞电压电源的负极连接，所述磁滞电压电源的正极与所述欧姆内阻的第一端连接，所述欧姆内阻的第二端分别与所述极化内阻的第一端和所述极化电容的第一端连接，所述极化内阻的第二端和所述极化电容的第二端之间的连接点与所述正极端子连接。
可选的，所述电池等效电路模型还包括短路电阻；其中，
所述短路电阻的第一端分别与所述正极端子、所述极化内阻的第二端和所述极化电容的第二端连接，所述短路电阻的第二端分别与所述负极端子和所述平均开路电压电源的负极连接。
可选的，所述采用混合滤波器对所述电池等效电路模型进行在线状态监测，得到所述电池等效电路模型对应的电池估计参数，包括：
对滤波器参数和所述电池等效电路模型对应的电池参数和所述电池等效电路模型对应的电池状态进行参数初始化；
每隔时长阈值，采用混合滤波器对所述电池参数、所述电池状态和所述滤波器参数进行估计，得到电池估计参数；
在所述电池估计参数满足参数更新条件的情况下，将所述电池参数更新为所述电池估计参数。
可选的，所述混合滤波器包括扩展卡尔曼滤波器和平滑变结构滤波器，所述采用混合滤波器对所述电池参数、所述电池状态和所述滤波器参数进行估计，包括：
读取所述电池等效电路模型对应的当前电池端电压和当前电池瞬时电流；
控制所述扩展卡尔曼滤波器对所述电池参数和协方差矩阵进行先验估计，得到先验电池参数和先验协方差矩阵；
基于所述先验电池参数，控制所述平滑变结构滤波器对所述电池状态进行先验估计，得到先验电池状态；
基于所述先验电池状态、所述先验电池参数、所述当前电池瞬时电流、所述当前电池端电压、所述平滑变结构滤波器参数，控制所述平滑变结构滤波器对所述电池状态进行后验估计，得到后验电池状态；
基于所述先验协方差矩阵和所述先验电池参数，控制所述扩展卡尔曼滤波器对所述电池参数进行后验估计，得到后验电池参数。
可选的，所述平滑变结构滤波器参数包括收敛速度因子和噪声上限阈值，基于所述先验电池状态、所述先验电池参数、所述当前电池瞬时电流、所述当前电池端电压、所述平滑变结构滤波器参数，控制所述平滑变结构滤波器对所述电池状态进行后验估计，得到后验电池状态，包括：
控制所述平滑变结构滤波器基于所述当前电池端电压、所述当前电池瞬时电流、所述先验电池状态、所述先验电池参数，确定先验估计残差；
控制所述平滑变结构滤波器基于所述先验估计残差、所述收敛速度因子和所述噪声上限阈值，确定所述平滑变结构滤波器对应的第一滤波增益矩阵；
基于所述第一滤波增益矩阵和所述先验电池状态，控制所述平滑变结构滤波器对所述电池状态进行后验估计，得到后验电池状态；
根据所述第一滤波增益矩阵和所述后验电池状态对所述先验估计残差进行更新。
可选的，所述滤波器参数还包括测量噪声协方差矩阵，所述基于所述先验协方差矩阵和所述先验电池参数，控制所述扩展卡尔曼滤波器对所述电池参数进行后验估计，得到后验电池参数，包括：
控制所述扩展卡尔曼滤波器基于所述先验协方差矩阵和所述测量噪声协方差矩阵，确定所述扩展卡尔曼滤波器对应的第二滤波增益矩阵；
基于所述先验电池参数、所述第二滤波增益矩阵和所述先验估计残差，控制所述扩展卡尔曼滤波器对所述电池参数进行后验估计，得到后验电池参数；
基于所述第二滤波增益矩阵对所述先验协方差矩阵进行更新。
可选的，所述对所述电池估计参数进行异常值检测，根据检测结果确定所述待测电池对应的故障类型，包括：
对所述电池总容量估计值和所述电池内阻估计值进行标准化预处理，得到预处理后的电池总容量估计值和预处理后的电池内阻估计值；
提取所述预处理后的电池总容量估计值对应的第一异常值和所述预处理后的电池内阻估计值对应的第二异常值；
根据所述第一异常值和所述第二异常值，确定所述待测电池对应的故障类型。
可选的，所述提取所述预处理后的电池总容量估计值对应的第一异常值和所述预处理后的电池内阻估计值对应的第二异常值，包括：
确定所述预处理后的电池总容量估计值对应的欧几里得距离之和，得到第一异常值；
确定所述预处理后的电池内阻估计值对应的欧几里得距离之和，得到第二异常值。
根据本公开的另一方面，提供了一种基于混合滤波器的电池故障检测装置，包括：
模型构建单元，用于构建待测电池对应的电池等效电路模型；
参数估计单元，用于采用混合滤波器对所述电池等效电路模型进行在线状态监测，得到所述电池等效电路模型对应的电池估计参数，其中，所述电池估计参数包括电池总容量估计值和电池内阻估计值；
异常检测单元，用于对所述电池估计参数进行异常值检测，根据检测结果确定所述待测电池对应的故障类型。
根据本公开的另一方面，提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行前述一方面中任一项所述的方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行前述一方面中任一项所述的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现前述一方面中任一项所述的方法。
在本公开一个或多个实施例中，通过构建待测电池对应的电池等效电路模型；采用混合滤波器对所述电池等效电路模型进行在线状态监测，得到所述电池等效电路模型对应的电池估计参数，其中，所述电池估计参数包括电池总容量估计值和电池内阻估计值；对所述电池估计参数进行异常值检测，根据检测结果确定所述待测电池对应的故障类型。因此，通过采用混合滤波器对电池等效电路模型进行在线状态监测时，可以根据不同需求分别采用不同滤波器进行计算，能很好的结合不同滤波器的优点，可以提升计算速度与精度。同时，通过对电池总容量估计值和电池内阻估计值进行异常值检测，可以识别待测电池的故障类型，并且准确性较高，计算简单。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本公开的限定。其中：
图1示出本公开实施例提供的一种基于混合滤波器的电池故障检测方法的流程示意图；
图2示出本公开实施例提供的另一种基于混合滤波器的电池故障检测方法的流程示意图；
图3示出本公开实施例提供的一种电池等效电路模型的结构示意图；
图4示出本公开实施例提供的电池电压与荷电状态SOC之间的关系曲线示意图；
图5示出本公开实施例提供的又一种基于混合滤波器的电池故障检测方法的流程示意图；
图6示出本公开实施例提供的一种基于混合滤波器的电池故障检测装置的结构示意图；
图7是用来实现本公开实施例的基于混合滤波器的电池故障检测方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
下面结合具体的实施例对本公开进行详细说明。
在第一个实施例中，如图1所示，图1示出本公开实施例提供的一种基于混合滤波器的电池故障检测方法的流程示意图，该方法可依赖于计算机程序实现，可由基于混合滤波器的电池故障检测装置执行。
具体的，该基于混合滤波器的电池故障检测方法包括：
S101，构建待测电池对应的电池等效电路模型；
根据一些实施例，电池等效电路模型指的是将电池的电化学特性用电化学元器件进行替代，然后把相同的系统抽象成一个等效电路模型，可以用该模型对电化学阻抗谱数据进行拟合，从而得到电池的电化学特性。
在一些实施例中，该电池等效电路模型例如可以为考虑电池开路电压曲线磁滞效应的电池等效电路模型。
根据一些实施例，待测电池指的是需要进行电池故障检测的电池。该待测电池例如可以为电池包中任一单体电池。
易于理解的是，当电子设备进行电池故障检测时，可以构建待测电池对应的电池等效电路模型。
S102，采用混合滤波器对电池等效电路模型进行在线状态监测，得到电池等效电路模型对应的电池估计参数；
根据一些实施例，混合滤波器指的是至少两种滤波器构成的滤波器组合。采用混合滤波器对电池等效电路模型进行在线状态监测时，可以根据不同需求分别采用不同滤波器进行计算，能很好的结合不同滤波器的优点，提升计算速度与精度。
在一些实施例中，采用混合滤波器对电池等效电路模型进行在线状态监测时，在线状态监测的种类包括但不限于参数估计、状态监测等。
根据一些实施例，电池估计参数指的是采用混合滤波器对电池等效电路模型进行参数估计时得到的参数。该电池估计参数包括但不限于电池总容量估计值和电池内阻估计值。
在一些实施例中，电池总容量估计值指的是待测电池的总容量的估计值。电池内阻估计值指的是待测电池的总电池内阻的估计值。该电池内阻例如可以包括欧姆内阻Rs和极化内阻Rc。
易于理解的是，当电子设备获取到电池等效电路模型时，可以采用混合滤波器对电池等效电路模型进行在线状态监测，得到电池等效电路模型对应的电池估计参数。
S103，对电池估计参数进行异常值检测，根据检测结果确定待测电池对应的故障类型。
根据一些实施例，由于与正常电池相比，短路单体和异常老化单体具有较高的电池总容量和电池内阻。异常值检测是一种数据挖掘方法，也是一种发现行为与预期差别较大的数据对象的过程。因此，通过对电池总容量估计值和电池内阻估计值进行异常值检测，可以识别待测电池的故障类型，并且准确性较高，计算简单。
在一些实施例中，对电池总容量估计值和电池内阻估计值进行异常值检测时，例如可以使用电池总容量估计值和电池内阻估计值对健康电池、内短路电池和老化缺陷电池的聚类分析，从而检测不同电池故障并进行区分。
易于理解的是，当电子设备获取到电池估计参数时，可以对电池估计参数进行异常值检测，根据检测结果确定待测电池对应的故障类型。
综上，本公开实施例提供的方法，通过构建待测电池对应的电池等效电路模型；采用混合滤波器对电池等效电路模型进行在线状态监测，得到电池等效电路模型对应的电池估计参数；对电池估计参数进行异常值检测，根据检测结果确定待测电池对应的故障类型。因此，通过采用混合滤波器对电池等效电路模型进行在线状态监测时，可以根据不同需求分别采用不同滤波器进行计算，能很好的结合不同滤波器的优点，可以提升计算速度与精度。同时，通过对电池总容量估计值和电池内阻估计值进行异常值检测，可以识别待测电池的故障类型，并且准确性较高，计算简单。
请参见图2，图2示出本公开实施例提供的一种基于混合滤波器的电池故障检测方法的流程示意图。该方法可由基于混合滤波器的电池故障检测装置执行。
具体的，该基于混合滤波器的电池故障检测方法包括：
S201，构建待测电池对应的电池等效电路模型；
根据一些实施例，图3示出本公开实施例提供的一种电池等效电路模型的结构示意图。如图3所示，该电池等效电路模型包括磁滞电压电源、平均开路电压电源、欧姆内阻Rs、极化内阻Rc、极化电容Cd、正极端子和负极端子；其中，
负极端子与平均开路电压电源的负极连接，平均开路电压电源的正极与磁滞电压电源的负极连接，磁滞电压电源的正极与欧姆内阻Rs的第一端连接，欧姆内阻Rs的第二端分别与极化内阻Rc的第一端和极化电容Cd的第一端连接，极化内阻Rc的第二端和极化电容的Cd第二端之间的连接点与正极端子连接。
在一些实施例中，极化电容Cd和极化内阻Rc用于表征待测电池的短期扩散电压V d。极化电容Cd与极化内阻Rc所组成的RC电路反映待测电池的电流-电压特性和瞬态响应。欧姆内阻Rs用于表征待测电池的充电/放电能量损失。V cell表示测得的待测电池的正极端子和负极端子之间的电池端电压。
根据一些实施例，图4示出本公开实施例提供的电池电压与荷电状态SOC之间的关系曲线示意图，其中，VOC为瞬时开路电压、VOCcharge为充电过程开路电压的、VOCdischarge为放电过程开路电压、VOCcharge（=V OC）为平均开路电压。
在一些实施例中，如图3和图4所示，瞬时开路电压VOC可视为由两部分组成。其中，第一部分为平均开路电压电源对应的电源电压V OC(SOC)，用于表示平衡VOC，即用于表示考虑放电过程开路电压和充电过程开路电压的平均开路电压，可视作与荷电状态SOC存在多项式函数关系。第二部分为磁滞电压电源对应的电源电压V h，是捕获开路电压曲线磁滞效应的磁滞电压。
根据一些实施例，如图3所示，为模拟短路电池情况,电池等效电路模型还包括短路电阻R isc；其中，
短路电阻R isc的第一端分别与正极端子、极化内阻的第二端和极化电容的第二端连接，短路电阻R isc的第二端分别与负极端子和平均开路电压电源的负极连接。
根据一些实施例，该电池等效电路模型对应的离散时间状态空间方程表示如下：
Figure SMS_1
Figure SMS_2
Figure SMS_3
其中，
Figure SMS_4
表示电池状态。/>
Figure SMS_5
表示离散输出。η为库仑效率（假设η为1）。C tot表示电池总容量。T s为采样周期。i B为电池瞬时电流。V hmax为最大磁滞电压。k为时间指数。
其中，α、β为中间系数，
Figure SMS_6
，/>
Figure SMS_7
，/>
Figure SMS_8
。sign(·)是符号函数。H也为中间系数，/>
Figure SMS_9
，ρ表示收敛速度的滞后参数。/>
Figure SMS_10
是图4所示SOC-VOC曲线的拟合多项式方程的系数。
在一些实施例中，如果待测电池处于放电模式，则i B为正值。反正，如果待测电池处于充电模式，则i B为负值。
S202，对滤波器参数和电池等效电路模型对应的电池参数和电池等效电路模型对应的电池状态进行参数初始化；
根据一些实施例，电池参数可以表示为电池参数向量，即
Figure SMS_11
根据一些实施例，混合滤波器可以由扩展卡尔曼滤波器和平滑变结构滤波器这两个协作滤波器组成。具体而言，扩展卡尔曼滤波器可以为基于扩展卡尔曼滤波器EKF的参数估计器EKFθ；平滑变结构滤波器可以为基于平滑变结构滤波器SVSF的SOC估计器SVSFx。
根据一些实施例，滤波器参数（又称调谐参数）包括扩展卡尔曼滤波器参数和平滑变结构滤波器参数。
在一些实施例中，扩展卡尔曼滤波器参数包括但不限于协方差矩阵P k、过程噪声协方差矩阵Q、测量噪声协方差矩阵R等。
在一些实施例中，平滑变结构滤波器参数包括但不限于收敛速度因子γ、噪声上限阈值ψ等。
根据一些实施例，进行参数初始化时，将时间指数k设置为0，即将电池参数向量θ k设置为θ 0，将电池状态x(k)即x k设置为x 0，将协方差矩阵P k设置为P 0。
需要说明的是，电池等效电路模型对应的状态空间模型可以由下式表示：
Figure SMS_12
Figure SMS_13
Figure SMS_14
Figure SMS_15
其中，
Figure SMS_16
为简化后的输出矩阵。y k即离散输出y(k)。ek为观测噪声。r k为过程噪声。
在一些实施例中，采用混合滤波器对电池等效电路模型进行在线状态监测时，可以基于该状态空间模型进行在线状态监测。
S203，每隔时长阈值，采用混合滤波器对电池参数、电池状态和滤波器参数进行估计，得到电池估计参数；
根据一些实施例，时长阈值即为采样周期T s。该时长阈值例如可以为1秒。时长阈值也可以在进行参数初始化时进行设置。
在一些实施例中，在每隔时长阈值，采用混合滤波器对电池参数、电池状态和滤波器参数进行估计，得到电池估计参数的迭代过程中，在每次进行估计之前，将时间指数k更新为k+1。
根据一些实施例，在采用混合滤波器对电池参数、电池状态和滤波器参数进行估计时，首先，可以读取电池等效电路模型对应的当前电池端电压V cell(k)和当前电池瞬时电流i B(k)。接着，可以控制扩展卡尔曼滤波器对电池参数和协方差矩阵进行先验估计，得到先验电池参数和先验协方差矩阵。其次，可以基于先验电池参数，控制平滑变结构滤波器对电池状态进行先验估计，得到先验电池状态。之后，可以基于先验电池状态、先验电池参数、当前电池瞬时电流、当前电池端电压、平滑变结构滤波器参数，控制平滑变结构滤波器对电池状态进行后验估计，得到后验电池状态。最后，可以基于先验协方差矩阵和先验电池参数，控制扩展卡尔曼滤波器对电池参数进行后验估计，得到后验电池参数。
在一些实施例中，控制扩展卡尔曼滤波器对电池参数和协方差矩阵进行先验估计，得到先验电池参数和先验协方差矩阵时，可以控制EKFθ根据下式对电池参数向量和协方差矩阵进行先验估计：
Figure SMS_17
Figure SMS_18
其中，上标⌃表示后验估计值。
在一些实施例中，基于先验电池参数，控制平滑变结构滤波器对电池状态进行先验估计，得到先验电池状态时，可以控制SVSFx根据下式对电池状态进行先验估计：
Figure SMS_19
在一些实施例中，基于先验电池状态、先验电池参数、当前电池瞬时电流、当前电池端电压、平滑变结构滤波器参数，控制平滑变结构滤波器对电池状态进行后验估计，得到后验电池状态时，首先，可以控制平滑变结构滤波器基于当前电池端电压、当前电池瞬时电流、先验电池状态、先验电池参数，确定先验估计残差
Figure SMS_20
，如下式所示：
Figure SMS_21
接着，可以控制平滑变结构滤波器基于先验估计残差、收敛速度因子γ和噪声上限阈值ψ，确定平滑变结构滤波器对应的第一滤波增益矩阵
Figure SMS_22
，如下式所示：
Figure SMS_23
其次，可以基于第一滤波增益矩阵
Figure SMS_24
和先验电池状态，控制平滑变结构滤波器对电池状态进行后验估计，得到后验电池状态，如下式所示：
Figure SMS_25
最后，可以根据第一滤波增益矩阵和后验电池状态对先验估计残差进行更新，如下式所示：
Figure SMS_26
Figure SMS_27
在一些实施例中，基于先验协方差矩阵和先验电池参数，控制扩展卡尔曼滤波器对电池参数进行后验估计，得到后验电池参数时，首先，可以控制扩展卡尔曼滤波器基于先验协方差矩阵和测量噪声协方差矩阵R，确定扩展卡尔曼滤波器对应的第二滤波增益矩阵
Figure SMS_28
，如下式所示：
Figure SMS_29
接着，可以基于先验电池参数、第二滤波增益矩阵和先验估计残差，控制扩展卡尔曼滤波器对电池参数进行后验估计，得到后验电池参数，如下式所示：
Figure SMS_30
最后，可以基于第二滤波增益矩阵对先验协方差矩阵进行更新，如下式所示：
Figure SMS_31
其中，I 6为六阶单位矩阵。
在一些实施例中，后验电池参数
Figure SMS_32
即为电池估计参数。
S204，在电池估计参数满足参数更新条件的情况下，将电池参数更新为电池估计参数；
根据一些实施例，可以将后验电池参数
Figure SMS_33
与电池等效电路模型或状态空间模型中的模型参数一一对应比较，若电池估计参数在预设范围内，则可以确定电池估计参数满足参数更新条件。
根据一些实施例，采用混合滤波器对电池等效电路模型进行在线状态监测的过程可以为一个连续执行两个滤波器进行参数更新和状态更新的迭代过程。在这个迭代过程中，可以设置迭代终止条件，当满足迭代终止条件时，可以停止对电池等效电路模型进行在线状态监测。
在一些实施例中，迭代终止条件例如可以为时间指数k大于预设阈值。
S205，对电池总容量估计值和电池内阻估计值进行标准化预处理，得到预处理后的电池总容量估计值和预处理后的电池内阻估计值；
根据一些实施例，电子设备进行异常值检测时例如可以采用基于距离的异常值检测。此时，标准化预处理例如可以为Z分数（Z-score）标准化预处理。
在一些实施例中，Z-score又称标准分数，是一个数与平均数的差再除以标准差的过程。其计算公式如下：
Figure SMS_34
Figure SMS_35
其中，
Figure SMS_36
是预处理后的/>
Figure SMS_37
，/>
Figure SMS_38
是预处理后的/>
Figure SMS_39
。n为待测电池在电池包中的单体编号（/>
Figure SMS_40
），其中N为电池总数，且N为大于1的正整数。avg(·)表示所有单元格的参数的平均值，std(·)是参数的标准偏差。
S206，提取预处理后的电池总容量估计值对应的第一异常值和预处理后的电池内阻估计值对应的第二异常值；
根据一些实施例，采用基于距离的异常值检测时，可以计算异常点离群距离，具体可以利用两点之间的欧氏距离，设计一个灵活的距离函数，以有效提取异常值，如下式所示：
Figure SMS_41
其中，异常值O被定义为待测电池n和其他电池单体（
Figure SMS_42
）之间的欧几里得距离之和。
因此，提取预处理后的电池总容量估计值对应的第一异常值和预处理后的电池内阻估计值对应的第二异常值时，可以确定预处理后的电池总容量估计值对应的欧几里得距离之和，得到第一异常值
Figure SMS_43
，确定预处理后的电池内阻估计值对应的欧几里得距离之和，得到第二异常值/>
Figure SMS_44
。
S207，根据第一异常值和第二异常值，确定待测电池对应的故障类型。
根据一些实施例，故障类型包括但不限于正常、老化和短路。当第一异常值大于第一异常阈值，第二异常值不大于第二异常阈值时，可以确定故障类型为短路。当第一异常值大于第一异常阈值，第二异常值大于第二异常阈值时，可以确定故障类型为老化。当第一异常值不大于第一异常阈值，第二异常值不大于第二异常阈值时，可以确定故障类型为正常。
以一个场景举例，图5示出本公开实施例提供的一种基于混合滤波器的电池故障检测方法的流程示意图。如图5所示，可以为电池包中每一个电池单体建立实时电池等效电路模型，并采用混合滤波器进行运行状态监测，之后针对状态检测结果进行异常点检测。因此，通过将估计物理模型参数的基于模型的运行状态监测方法系统地结合到异常值检测方法中，所提出的方法可以基于状态监测的结果来检测异常电池单体，并识别故障电池类型。
综上，本公开实施例提供的方法，首先，构建待测电池对应的电池等效电路模型；对滤波器参数和电池等效电路模型对应的电池参数和电池等效电路模型对应的电池状态进行参数初始化；每隔时长阈值，采用混合滤波器对电池参数、电池状态和滤波器参数进行估计，得到电池估计参数；在电池估计参数满足参数更新条件的情况下，将电池参数更新为电池估计参数；因此，可以提高进行在线状态监测时监测的准确性，并且可以根据不同需求分别采用不同滤波器进行计算，能很好的结合不同滤波器的优点，可以提升计算速度与精度。接着，对电池总容量估计值和电池内阻估计值进行标准化预处理，得到预处理后的电池总容量估计值和预处理后的电池内阻估计值；提取预处理后的电池总容量估计值对应的第一异常值和预处理后的电池内阻估计值对应的第二异常值；根据第一异常值和第二异常值，确定待测电池对应的故障类型；因此，通过对电池总容量估计值和电池内阻估计值进行异常值检测，可以识别待测电池的故障类型，并且准确性较高，计算简单。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。
请参见图6，其示出本公开实施例提供的一种基于混合滤波器的电池故障检测装置的结构示意图。该基于混合滤波器的电池故障检测装置可以通过软件、硬件或者两者的结合实现成为装置的全部或一部分。该基于混合滤波器的电池故障检测装置600包括模型构建单元601、参数估计单元602和异常检测单元603；其中，
模型构建单元601，用于构建待测电池对应的电池等效电路模型；
参数估计单元602，用于采用混合滤波器对电池等效电路模型进行在线状态监测，得到电池等效电路模型对应的电池估计参数，其中，电池估计参数包括电池总容量估计值和电池内阻估计值；
异常检测单元603，用于对电池估计参数进行异常值检测，根据检测结果确定待测电池对应的故障类型。
根据一些实施例，电池等效电路模型包括磁滞电压电源、平均开路电压电源、欧姆内阻、极化内阻、极化电容、正极端子和负极端子；其中，
负极端子与平均开路电压电源的负极连接，平均开路电压电源的正极与磁滞电压电源的负极连接，磁滞电压电源的正极与欧姆内阻的第一端连接，欧姆内阻的第二端分别与极化内阻的第一端和极化电容的第一端连接，极化内阻的第二端和极化电容的第二端之间的连接点与正极端子连接。
根据一些实施例，电池等效电路模型还包括短路电阻；其中，
短路电阻的第一端分别与正极端子、极化内阻的第二端和极化电容的第二端连接，短路电阻的第二端分别与负极端子和平均开路电压电源的负极连接。
根据一些实施例，参数估计单元602用于采用混合滤波器对电池等效电路模型进行在线状态监测，得到电池等效电路模型对应的电池估计参数时，具体用于：
对滤波器参数和电池等效电路模型对应的电池参数和电池等效电路模型对应的电池状态进行参数初始化；
每隔时长阈值，采用混合滤波器对电池参数、电池状态和滤波器参数进行估计，得到电池估计参数；
在电池估计参数满足参数更新条件的情况下，将电池参数更新为电池估计参数。
根据一些实施例，混合滤波器包括扩展卡尔曼滤波器和平滑变结构滤波器，参数估计单元602用于采用混合滤波器对电池参数、电池状态和滤波器参数进行估计时，具体用于：
读取电池等效电路模型对应的当前电池端电压和当前电池瞬时电流；
控制扩展卡尔曼滤波器对电池参数和协方差矩阵进行先验估计，得到先验电池参数和先验协方差矩阵；
基于先验电池参数，控制平滑变结构滤波器对电池状态进行先验估计，得到先验电池状态；
基于先验电池状态、先验电池参数、当前电池瞬时电流、当前电池端电压、平滑变结构滤波器参数，控制平滑变结构滤波器对电池状态进行后验估计，得到后验电池状态；
基于先验协方差矩阵和先验电池参数，控制扩展卡尔曼滤波器对电池参数进行后验估计，得到后验电池参数。
根据一些实施例，平滑变结构滤波器参数包括收敛速度因子和噪声上限阈值，参数估计单元602用于基于先验电池状态、先验电池参数、当前电池瞬时电流、当前电池端电压、平滑变结构滤波器参数，控制平滑变结构滤波器对电池状态进行后验估计，得到后验电池状态时，具体用于：
控制平滑变结构滤波器基于当前电池端电压、当前电池瞬时电流、先验电池状态、先验电池参数，确定先验估计残差；
控制平滑变结构滤波器基于先验估计残差、收敛速度因子和噪声上限阈值，确定平滑变结构滤波器对应的第一滤波增益矩阵；
基于第一滤波增益矩阵和先验电池状态，控制平滑变结构滤波器对电池状态进行后验估计，得到后验电池状态；
根据第一滤波增益矩阵和后验电池状态对先验估计残差进行更新。
根据一些实施例，滤波器参数还包括测量噪声协方差矩阵，参数估计单元602用于基于先验协方差矩阵和先验电池参数，控制扩展卡尔曼滤波器对电池参数进行后验估计，得到后验电池参数时，具体用于：
控制扩展卡尔曼滤波器基于先验协方差矩阵和测量噪声协方差矩阵，确定扩展卡尔曼滤波器对应的第二滤波增益矩阵；
基于先验电池参数、第二滤波增益矩阵和先验估计残差，控制扩展卡尔曼滤波器对电池参数进行后验估计，得到后验电池参数；
基于第二滤波增益矩阵对先验协方差矩阵进行更新。
根据一些实施例，异常检测单元603用于对电池估计参数进行异常值检测，根据检测结果确定待测电池对应的故障类型时，具体用于：
对电池总容量估计值和电池内阻估计值进行标准化预处理，得到预处理后的电池总容量估计值和预处理后的电池内阻估计值；
提取预处理后的电池总容量估计值对应的第一异常值和预处理后的电池内阻估计值对应的第二异常值；
根据第一异常值和第二异常值，确定待测电池对应的故障类型。
根据一些实施例，异常检测单元603用于提取预处理后的电池总容量估计值对应的第一异常值和预处理后的电池内阻估计值对应的第二异常值时，具体用于：
确定预处理后的电池总容量估计值对应的欧几里得距离之和，得到第一异常值；
确定预处理后的电池内阻估计值对应的欧几里得距离之和，得到第二异常值。
综上，本公开实施例提供的装置，通过模型构建单元构建待测电池对应的电池等效电路模型；参数估计单元采用混合滤波器对电池等效电路模型进行在线状态监测，得到电池等效电路模型对应的电池估计参数，其中，电池估计参数包括电池总容量估计值和电池内阻估计值；异常检测单元对电池估计参数进行异常值检测，根据检测结果确定待测电池对应的故障类型。因此，通过采用混合滤波器对电池等效电路模型进行在线状态监测时，可以根据不同需求分别采用不同滤波器进行计算，能很好的结合不同滤波器的优点，可以提升计算速度与精度。同时，通过对电池总容量估计值和电池内阻估计值进行异常值检测，可以识别待测电池的故障类型，并且准确性较高，计算简单。
本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，且不违背公序良俗。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示，电子设备700包括计算单元701，其可以根据存储在只读存储器702中的计算机程序或者从存储单元708加载到随机访问存储器703中的计算机程序，来执行各种适当的动作和处理。在随机访问存储器703中，还可存储电子设备700操作所需的各种程序和数据。计算单元701、只读存储器702以及随机访问存储器703通过总线704彼此相连。输入/输出接口705也连接至总线704。
电子设备700中的多个部件连接至输入/输出接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许电子设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理，例如基于混合滤波器的电池故障检测方法。例如，在一些实施例中，基于混合滤波器的电池故障检测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元708。在一些实施例中，计算机程序的部分或者全部可以经由只读存储器 702和/或通信单元709而被载入和/或安装到电子设备700上。当计算机程序加载到随机访问存储器 703并由计算单元701执行时，可以执行上文描述的基于混合滤波器的电池故障检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行基于混合滤波器的电池故障检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（随机访问存储器）、只读存储器（只读存储器）、可擦除可编程只读存储器（EP只读存储器或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-只读存储器）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务（"Virtual Private Server"，或简称 "VPS"）中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (10)

1.一种基于混合滤波器的电池故障检测方法，其特征在于，包括：
构建待测电池对应的电池等效电路模型；
采用混合滤波器对所述电池等效电路模型进行在线状态监测，得到所述电池等效电路模型对应的电池估计参数，其中，所述电池估计参数包括电池总容量估计值和电池内阻估计值；
对所述电池估计参数进行异常值检测，根据检测结果确定所述待测电池对应的故障类型。
2.根据权利要求1所述的方法，其特征在于，所述电池等效电路模型包括磁滞电压电源、平均开路电压电源、欧姆内阻、极化内阻、极化电容、正极端子和负极端子；其中，
所述负极端子与所述平均开路电压电源的负极连接，所述平均开路电压电源的正极与所述磁滞电压电源的负极连接，所述磁滞电压电源的正极与所述欧姆内阻的第一端连接，所述欧姆内阻的第二端分别与所述极化内阻的第一端和所述极化电容的第一端连接，所述极化内阻的第二端和所述极化电容的第二端之间的连接点与所述正极端子连接。
3.根据权利要求2所述的方法，其特征在于，所述电池等效电路模型还包括短路电阻；其中，
所述短路电阻的第一端分别与所述正极端子、所述极化内阻的第二端和所述极化电容的第二端连接，所述短路电阻的第二端分别与所述负极端子和所述平均开路电压电源的负极连接。
4.根据权利要求1所述的方法，其特征在于，所述采用混合滤波器对所述电池等效电路模型进行在线状态监测，得到所述电池等效电路模型对应的电池估计参数，包括：
对滤波器参数和所述电池等效电路模型对应的电池参数和所述电池等效电路模型对应的电池状态进行参数初始化；
每隔时长阈值，采用混合滤波器对所述电池参数、所述电池状态和所述滤波器参数进行估计，得到电池估计参数；
在所述电池估计参数满足参数更新条件的情况下，将所述电池参数更新为所述电池估计参数。
5.根据权利要求4所述的方法，其特征在于，所述混合滤波器包括扩展卡尔曼滤波器和平滑变结构滤波器，所述采用混合滤波器对所述电池参数、所述电池状态和所述滤波器参数进行估计，包括：
读取所述电池等效电路模型对应的当前电池端电压和当前电池瞬时电流；
控制所述扩展卡尔曼滤波器对所述电池参数和协方差矩阵进行先验估计，得到先验电池参数和先验协方差矩阵；
基于所述先验电池参数，控制所述平滑变结构滤波器对所述电池状态进行先验估计，得到先验电池状态；
基于所述先验电池状态、所述先验电池参数、所述当前电池瞬时电流、所述当前电池端电压、所述平滑变结构滤波器参数，控制所述平滑变结构滤波器对所述电池状态进行后验估计，得到后验电池状态；
基于所述先验协方差矩阵和所述先验电池参数，控制所述扩展卡尔曼滤波器对所述电池参数进行后验估计，得到后验电池参数。
6.根据权利要求5所述的方法，其特征在于，所述平滑变结构滤波器参数包括收敛速度因子和噪声上限阈值，基于所述先验电池状态、所述先验电池参数、所述当前电池瞬时电流、所述当前电池端电压、所述平滑变结构滤波器参数，控制所述平滑变结构滤波器对所述电池状态进行后验估计，得到后验电池状态，包括：
控制所述平滑变结构滤波器基于所述当前电池端电压、所述当前电池瞬时电流、所述先验电池状态、所述先验电池参数，确定先验估计残差；
控制所述平滑变结构滤波器基于所述先验估计残差、所述收敛速度因子和所述噪声上限阈值，确定所述平滑变结构滤波器对应的第一滤波增益矩阵；
基于所述第一滤波增益矩阵和所述先验电池状态，控制所述平滑变结构滤波器对所述电池状态进行后验估计，得到后验电池状态；
根据所述第一滤波增益矩阵和所述后验电池状态对所述先验估计残差进行更新。
7.根据权利要求6所述的方法，其特征在于，所述滤波器参数还包括测量噪声协方差矩阵，所述基于所述先验协方差矩阵和所述先验电池参数，控制所述扩展卡尔曼滤波器对所述电池参数进行后验估计，得到后验电池参数，包括：
控制所述扩展卡尔曼滤波器基于所述先验协方差矩阵和所述测量噪声协方差矩阵，确定所述扩展卡尔曼滤波器对应的第二滤波增益矩阵；
基于所述先验电池参数、所述第二滤波增益矩阵和所述先验估计残差，控制所述扩展卡尔曼滤波器对所述电池参数进行后验估计，得到后验电池参数；
基于所述第二滤波增益矩阵对所述先验协方差矩阵进行更新。
8.根据权利要求1所述的方法，其特征在于，所述对所述电池估计参数进行异常值检测，根据检测结果确定所述待测电池对应的故障类型，包括：
对所述电池总容量估计值和所述电池内阻估计值进行标准化预处理，得到预处理后的电池总容量估计值和预处理后的电池内阻估计值；
提取所述预处理后的电池总容量估计值对应的第一异常值和所述预处理后的电池内阻估计值对应的第二异常值；
根据所述第一异常值和所述第二异常值，确定所述待测电池对应的故障类型。
9.根据权利要求8所述的方法，其特征在于，所述提取所述预处理后的电池总容量估计值对应的第一异常值和所述预处理后的电池内阻估计值对应的第二异常值，包括：
确定所述预处理后的电池总容量估计值对应的欧几里得距离之和，得到第一异常值；
确定所述预处理后的电池内阻估计值对应的欧几里得距离之和，得到第二异常值。
10.一种基于混合滤波器的电池故障检测装置，其特征在于，包括：
模型构建单元，用于构建待测电池对应的电池等效电路模型；
参数估计单元，用于采用混合滤波器对所述电池等效电路模型进行在线状态监测，得到所述电池等效电路模型对应的电池估计参数，其中，所述电池估计参数包括电池总容量估计值和电池内阻估计值；
异常检测单元，用于对所述电池估计参数进行异常值检测，根据检测结果确定所述待测电池对应的故障类型。
CN202310679294.4A 2023-06-09 2023-06-09 基于混合滤波器的电池故障检测方法及装置 Pending CN116400228A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310679294.4A CN116400228A (zh) 2023-06-09 2023-06-09 基于混合滤波器的电池故障检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310679294.4A CN116400228A (zh) 2023-06-09 2023-06-09 基于混合滤波器的电池故障检测方法及装置

Publications (1)

Publication Number Publication Date
CN116400228A true CN116400228A (zh) 2023-07-07

Family

ID=87010976

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310679294.4A Pending CN116400228A (zh) 2023-06-09 2023-06-09 基于混合滤波器的电池故障检测方法及装置

Country Status (1)

Country Link
CN (1) CN116400228A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116953556A (zh) * 2023-09-12 2023-10-27 苏州大学 多变量冗余故障电池在线检测的方法、系统、介质和设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112285570A (zh) * 2020-10-29 2021-01-29 哈尔滨工业大学（威海） 一种基于衰减记忆滤波器的电动汽车故障诊断方法
CN113219344A (zh) * 2021-03-17 2021-08-06 国家计算机网络与信息安全管理中心 一种铅酸蓄电池soc估计方法
CN115451952A (zh) * 2022-08-29 2022-12-09 南京航空航天大学 一种故障检测及抗差自适应滤波的多系统组合导航方法和装置
CN115494398A (zh) * 2022-09-22 2022-12-20 山东师范大学 一种基于融合滤波策略的电池soc估计方法及系统
CN116047304A (zh) * 2022-12-20 2023-05-02 华东交通大学 一种储能电池的荷电状态与健康状态的联合估计方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112285570A (zh) * 2020-10-29 2021-01-29 哈尔滨工业大学（威海） 一种基于衰减记忆滤波器的电动汽车故障诊断方法
CN113219344A (zh) * 2021-03-17 2021-08-06 国家计算机网络与信息安全管理中心 一种铅酸蓄电池soc估计方法
CN115451952A (zh) * 2022-08-29 2022-12-09 南京航空航天大学 一种故障检测及抗差自适应滤波的多系统组合导航方法和装置
CN115494398A (zh) * 2022-09-22 2022-12-20 山东师范大学 一种基于融合滤波策略的电池soc估计方法及系统
CN116047304A (zh) * 2022-12-20 2023-05-02 华东交通大学 一种储能电池的荷电状态与健康状态的联合估计方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈剑等: "基于EKF-SCSF的锂离子电池SOC和SOH准确估计", 电源技术研究与设计, vol. 44, no. 10, pages 1483 - 1487 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116953556A (zh) * 2023-09-12 2023-10-27 苏州大学 多变量冗余故障电池在线检测的方法、系统、介质和设备
CN116953556B (zh) * 2023-09-12 2023-12-05 苏州大学 多变量冗余故障电池在线检测的方法、系统、介质和设备

Similar Documents

Publication Publication Date Title
CN109991556B (zh) 一种针对磷酸铁锂动力电池短期衰竭故障的诊断方法
US10564223B2 (en) Power storage system, control system of secondary battery, and control method of secondary battery
CN115932586A (zh) 一种电池荷电状态在线估算方法、装置、设备及介质
CN111044906A (zh) 一种基于极大似然准则的锂离子电池能量状态估算方法
US20230236252A1 (en) Methods and devices for estimating state of charge of battery, and extracting charging curve of battery
CN114755582A (zh) 一种环境温度不同时锂离子电池健康状态预估方法
CN117214726B (zh) 状态检测方法及装置、电子设备、计算机可读存储介质
WO2024152592A1 (zh) 电池soc估计方法、装置、设备、电池模组及存储介质
CN116008827A (zh) 一种锂离子电池析锂电位的确定方法、装置及电子设备
CN116400228A (zh) 基于混合滤波器的电池故障检测方法及装置
CN116256661B (zh) 电池故障检测方法、装置、电子设备和存储介质
CN117805621A (zh) 一种电池容量估计方法、装置、设备及存储介质
CN115372841A (zh) 一种锂离子电池单体热失控风险评价方法及装置
Tang et al. An aging-and load-insensitive method for quantitatively detecting the battery internal-short-circuit resistance
CN112946480B (zh) 一种提高soc估计实时性的锂电池电路模型简化方法
CN116400247B (zh) 电池软短路故障的确定方法及装置
CN116400231B (zh) 储能系统的电池多故障检测方法、装置及电子设备
CN117706460A (zh) 动力电池采样线虚接的诊断方法、装置、电子设备、介质
CN113740745A (zh) 电池检测方法、装置、介质及系统
CN116315187A (zh) 电池均衡控制方法、系统及电子设备
CN116482560B (zh) 电池故障检测方法、装置、电子设备及存储介质
CN115291111B (zh) 电池静置时间预测模型的训练方法以及静置时间预测方法
CN118068199B (zh) 一种电池充放电曲线预测方法、装置、电子设备和存储介质
CN117289140A (zh) 一种电池故障诊断方法、装置、设备及存储介质
CN117706390B (zh) 一种电池荷电状态滚动优化估计方法及装置

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20230707