CN116404276A - 锂离子电池漏液预测方法、装置、设备及介质 - Google Patents
锂离子电池漏液预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116404276A CN116404276A CN202310384746.6A CN202310384746A CN116404276A CN 116404276 A CN116404276 A CN 116404276A CN 202310384746 A CN202310384746 A CN 202310384746A CN 116404276 A CN116404276 A CN 116404276A
- Authority
- CN
- China
- Prior art keywords
- lithium ion
- predicted
- pressure difference
- ion battery
- battery
- 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
Links
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 192
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 192
- 238000000034 method Methods 0.000 title claims abstract description 74
- 239000000178 monomer Substances 0.000 claims abstract description 154
- 230000003068 static effect Effects 0.000 claims abstract description 127
- 230000015556 catabolic process Effects 0.000 claims abstract description 119
- 238000006731 degradation reaction Methods 0.000 claims abstract description 119
- 238000006116 polymerization reaction Methods 0.000 claims abstract description 33
- 229920000642 polymer Polymers 0.000 claims abstract description 18
- 238000007599 discharging Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 64
- 230000002776 aggregation Effects 0.000 claims description 23
- 238000004220 aggregation Methods 0.000 claims description 23
- 238000003860 storage Methods 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000000379 polymerizing effect Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 4
- 239000007788 liquid Substances 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 13
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 101100257262 Caenorhabditis elegans soc-1 gene Proteins 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/4228—Leak testing of cells or batteries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
-
- 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
Abstract
本申请提供一种锂离子电池漏液预测方法、装置、设备及介质,涉及电池安全技术领域。该方法包括:获取待预测锂离子电池在预设状态下的聚合电池参数,待预测锂离子电池包括多个电芯单体;根据待预测锂离子电池的聚合电池参数,分别计算待预测锂离子电池对应的静态压差劣化度、充电压差劣化度以及放电压差劣化度,并据此确定待预测锂离子电池中存在漏液故障的目标电芯单体,并生成针对目标电芯单体的预警信号,实现了可以基于这三个参数多维度反映各电芯单体在不同工作状态下的压差偏离度,进而基于这三个参数可以进一步确定待预测锂离子电池中存在漏液故障的目标电芯单体,实现多维度评估,可以提高预测结果的准确性。
Description
技术领域
本申请涉及电池安全技术领域,特别涉及一种锂离子电池漏液预测方法、装置、设备及介质。
背景技术
随着新能源汽车高速发展,车用锂离子电池的广泛应用,其稳定和安全性得到广泛关注,车用锂离子电池的安全性已成为新能源汽车设计必须坚守的底线。
现有技术中,对车用锂离子电池进行安全性检测时,往往只根据车用锂离子电池在某时刻的电池参数进行预测。
可以看出,现有的预测方法比较简单,因此,往往存在预测结果不够准确的问题。
发明内容
本申请的目的在于,针对上述现有技术中的不足,提供一种锂离子电池漏液预测方法、装置、设备及介质,可以提高预测结果的准确性。
为实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本发明提供一种锂离子电池漏液预测方法,包括:
获取待预测锂离子电池在预设状态下的聚合电池参数,所述待预测锂离子电池包括多个电芯单体;
根据所述待预测锂离子电池的聚合电池参数,分别计算所述待预测锂离子电池对应的静态压差劣化度、充电压差劣化度以及放电压差劣化度;
根据所述静态压差劣化度、所述放电压差劣化度以及所述充电压差劣化度,确定所述待预测锂离子电池中存在漏液故障的目标电芯单体,并生成针对所述目标电芯单体的预警信号。
在可选的实施方式中,所述聚合电池参数包括:多个电芯单体中最低单体电压值对应的待预测电芯单体标识;
所述根据所述静态压差劣化度、所述放电压差劣化度以及所述充电压差劣化度,确定所述待预测锂离子电池中存在漏液故障的目标电芯单体,包括:
若确定所述静态压差劣化度小于第一阈值、所述放电压差劣化度小于第二阈值、且所述充电压差劣化度大于第三阈值,则确定所述待预测电芯单体标识所指示的目标电芯单体存在漏液故障。
在可选的实施方式中,所述聚合电池参数包括:静置状态下待预测锂离子电池的第一聚合参数集和第二聚合参数集,所述第一聚合参数集包括静态压差、多个电芯单体中最低单体电压值对应的电芯单体标识、最小电芯单体离群度以及最大电芯单体离群度;所述第二聚合参数集包括:第一电荷状态、第一温度以及第一电流,所述方法还包括:
根据所述第一聚合参数集,计算静置状态下待预测锂离子电池对应的第一计算结果;
基于预设权重,根据所述第二聚合参数集,计算静置状态下待预测锂离子电池对应的第二计算结果;
根据所述第一计算结果和所述第二计算结果,计算所述待预测锂离子电池对应的静态压差劣化度。
在可选的实施方式中,所述根据所述第一聚合参数集,计算静置状态下待预测锂离子电池对应的第一计算结果,包括:
采用滑动窗口算法,分别计算静态压差、多个电芯单体中最低单体电压值对应的电芯单体标识、最小电芯单体离群度以及最大电芯单体离群度,对应的平均静态压差、平均电芯单体标识、最小平均电芯单体离群度以及最大平均电芯单体离群度;
根据所述平均静态压差、所述平均电芯单体标识、最小平均电芯单体离群度以及最大平均电芯单体离群度,归一化计算得到静置状态下待预测锂离子电池对应的第一计算结果。
在可选的实施方式中,所述方法还包括:
分别获取静置状态下待预测锂离子电池的标准差、待预测锂离子电池中多个电芯单体对应的最低单体电压值、最高单体电压值、平均单体电压值;
根据所述最低单体电压值、标准差以及平均单体电压值,计算所述最小电芯单体离群度;
根据所述最高单体电压值、标准差以及平均单体电压值,计算所述最大电芯单体离群度。
在可选的实施方式中,所述方法还包括:
获取预设时间段内待预测锂离子电池的初始电池参数;
根据所述初始电池参数,聚合得到预设状态下待预测锂离子电池的聚合电池参数集。
在可选的实施方式中,所述确定所述待预测电芯单体标识所指示的目标电芯单体存在漏液故障,包括:
若目标充电序列中,多个电芯单体中最低单体电压值对应的待预测电芯单体标识相同,且初始静态压差小于第一压差阈值,初始充电压差小于第二压差阈值,则确定所述待预测电芯单体标识所指示的目标电芯单体存在漏液故障。
第二方面,本发明提供一种锂离子电池漏液预测装置,包括:
获取模块,用于获取待预测锂离子电池在预设状态下的聚合电池参数,所述待预测锂离子电池包括多个电芯单体;
计算模块,用于根据所述待预测锂离子电池的聚合电池参数,分别计算所述待预测锂离子电池对应的静态压差劣化度、充电压差劣化度以及放电压差劣化度;
生成模块,用于根据所述静态压差劣化度、所述放电压差劣化度以及所述充电压差劣化度,确定所述待预测锂离子电池中存在漏液故障的目标电芯单体,并生成针对所述目标电芯单体的预警信号。
在可选的实施方式中,所述聚合电池参数包括:多个电芯单体中最低单体电压值对应的待预测电芯单体标识;
所述根据所述静态压差劣化度、所述生成模块,具体用于若确定所述静态压差劣化度小于第一阈值、所述放电压差劣化度小于第二阈值、且所述充电压差劣化度大于第三阈值,则确定所述待预测电芯单体标识所指示的目标电芯单体存在漏液故障。
在可选的实施方式中,所述聚合电池参数包括:静置状态下待预测锂离子电池的第一聚合参数集和第二聚合参数集,所述第一聚合参数集包括静态压差、多个电芯单体中最低单体电压值对应的电芯单体标识、最小电芯单体离群度以及最大电芯单体离群度;所述第二聚合参数集包括:第一电荷状态、第一温度以及第一电流,所述锂离子电池漏液预测装置,还包括:计算模块,用于根据所述第一聚合参数集,计算静置状态下待预测锂离子电池对应的第一计算结果;
基于预设权重,根据所述第二聚合参数集,计算静置状态下待预测锂离子电池对应的第二计算结果;
根据所述第一计算结果和所述第二计算结果,计算所述待预测锂离子电池对应的静态压差劣化度。
在可选的实施方式中,所述计算模块,具体用于采用滑动窗口算法,分别计算静态压差、多个电芯单体中最低单体电压值对应的电芯单体标识、最小电芯单体离群度以及最大电芯单体离群度,对应的平均静态压差、平均电芯单体标识、最小平均电芯单体离群度以及最大平均电芯单体离群度;
根据所述平均静态压差、所述平均电芯单体标识、最小平均电芯单体离群度以及最大平均电芯单体离群度,归一化计算得到静置状态下待预测锂离子电池对应的第一计算结果。
在可选的实施方式中,所述计算模块,还用于分别获取静置状态下待预测锂离子电池的标准差、待预测锂离子电池中多个电芯单体对应的最低单体电压值、最高单体电压值、平均单体电压值;
根据所述最低单体电压值、标准差以及平均单体电压值,计算所述最小电芯单体离群度;
根据所述最高单体电压值、标准差以及平均单体电压值,计算所述最大电芯单体离群度。
在可选的实施方式中,所述获取模块,还用于获取预设时间段内待预测锂离子电池的初始电池参数;
根据所述初始电池参数,聚合得到预设状态下待预测锂离子电池的聚合电池参数集。
在可选的实施方式中,所述生成模块,具体用于若目标充电序列中,多个电芯单体中最低单体电压值对应的待预测电芯单体标识相同,且初始静态压差小于第一压差阈值,初始充电压差小于第二压差阈值,则确定所述待预测电芯单体标识所指示的目标电芯单体存在漏液故障。
第三方面,本发明提供一种电子设备,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如前述实施方式任一所述锂离子电池漏液预测方法的步骤。
第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如前述实施方式任一所述锂离子电池漏液预测方法的步骤。
本申请的有益效果是:
本申请实施例提供的锂离子电池漏液预测方法、装置、设备及介质中,包括:获取待预测锂离子电池在预设状态下的聚合电池参数,待预测锂离子电池包括多个电芯单体;根据待预测锂离子电池的聚合电池参数,分别计算待预测锂离子电池对应的静态压差劣化度、充电压差劣化度以及放电压差劣化度;根据静态压差劣化度、放电压差劣化度以及充电压差劣化度,确定待预测锂离子电池中存在漏液故障的目标电芯单体,并生成针对目标电芯单体的预警信号,实现了可以基于这三个参数多维度反映各电芯单体在不同工作状态下的压差偏离度,进而基于这三个参数可以进一步确定待预测锂离子电池中存在漏液故障的目标电芯单体,实现多维度评估,可以提高预测结果的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的一种锂离子电池漏液预测方法的流程示意图;
图2为本申请实施例提供的另一种锂离子电池漏液预测方法的流程示意图;
图3为本申请实施例提供的又一种锂离子电池漏液预测方法的流程示意图;
图4为本申请实施例提供的另一种锂离子电池漏液预测方法的流程示意图;
图5为本申请实施例提供的又一种锂离子电池漏液预测方法的流程示意图;
图6为本申请实施例提供的一种锂离子电池漏液预测结果示意图;
图7为本申请实施例提供的一种锂离子电池漏液预测装置的功能模块示意图;
图8为本申请实施例提供的一种电子设备结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
图1为本申请实施例提供的一种锂离子电池漏液预测方法的流程示意图,该方法的执行主体可以是计算机、服务器、处理器等电子设备,在一些实施例中,该服务器可以部署在云端,在此不作限定。为了更好地理解本申请,以该方法应用于云端为例进行说明,如图1所示,该方法可以包括:
S101、获取待预测锂离子电池在预设状态下的聚合电池参数,待预测锂离子电池包括多个电芯单体。
可选地,本申请实施例中的待预测锂离子电池可以是三元锂电池(NCM)、磷酸铁锂电池(LFP)等,在此不作限定。其中,该待预测锂离子电池可以包括多个电芯单体,在一些实施例中,各电芯单体的电压值可以不同。
参见前述相关描述可知,预设状态可以包括静置状态、放电状态以及充电状态,其中,静置状态,也即待预测锂离子电池处于持续未使用状态,放电状态,也即待预测锂离子电池处于连续且持续的放电状态,充电状态,也即待预测锂离子电池处于连续且持续的充电状态。
可选地,预设状态下的聚合电池参数可以包括预设状态下连续的多帧数据帧,也即多帧电池参数,其中,每帧电池参数可以包括但不限于:待预测锂离子电池的电流、温度、总电压、电荷状态、绝缘电阻等。
在一些实施例中,待预测锂离子电池可以集成在目标车辆中,又或者,与目标车辆分离,也即单独存在。其中,以该待预测锂离子电池集成在目标车辆中为例进行说明,目标车辆可以在车载端通过电池管理系统(Battery Management System,BMS)的采样监控单元采集待预测锂离子电池的聚合电池参数,并通过菊花链或CAN通讯方式传递给BMS控制单元(比如,百度车载计算平台),由BMS控制单元将其进一步转发给云端。
其中,若通过采样监控单元采集的待预测锂离子电池的聚合电池参数的格式为二进制格式时,云端可以基于预设协议对该二进制格式的聚合电池参数进行解析并存储。
值得说明的是,待预测锂离子电池单独存在时,可以设置一电池参数采集装置,该电池参数采集装置可以用于采集待预测锂离子电池的聚合电池参数,可选地,该电池参数采集装置的工作原理可参见上述采样监控单元的工作原理。
可选地,该目标车辆可以是电动汽车、电动三轮车、电动摩托车、电动滑板车等,在此不作限定,根据实际的应用场景可以有所不同。
S102、根据待预测锂离子电池的聚合电池参数,分别计算待预测锂离子电池对应的静态压差劣化度、充电压差劣化度以及放电压差劣化度。
其中,待预测锂离子电池对应的静态压差劣化度,用于表征待预测锂离子电池处于静置状态下各电芯单体的压差偏离度;待预测锂离子电池对应的放电压差劣化度,用于表征待预测锂离子电池处于放电状态下各电芯单体的压差偏离度;待预测锂离子电池对应的充电压差劣化度,用于表征待预测锂离子电池处于充电状态下各电芯单体的压差偏离度。
基于上述所获取的聚合电池参数,则可以对其进行整合分析从而获取到该待预测锂离子电池分别对应的静态压差劣化度、充电压差劣化度以及放电压差劣化度。
S103、根据静态压差劣化度、放电压差劣化度以及充电压差劣化度,确定待预测锂离子电池中存在漏液故障的目标电芯单体,并生成针对目标电芯单体的预警信号。
其中,由于静态压差劣化度、放电压差劣化度以及充电压差劣化度可以分别表征待预测锂离子电池处于静置状态、放电状态、充电状态下各电芯单体的压差偏离度,因此,基于这三个参数可以多维度反映各电芯单体在不同工作状态下的压差偏离度,而各电芯单体在不同工作状态下的压差偏离度则与其是否存在漏液故障存在强关联关系,因此,可以基于这三个参数确定待预测锂离子电池中存在漏液故障的目标电芯单体,并据此生成针对该目标电芯单体的预警信号。
可选地,该预警信号可以包括目标电芯单体的电芯标识、漏液发生时间等,在此不作限定。
当然,需要说明的是,在一些实施例中,所生成的预警信号可以进一步通过电芯服务(比如,短信、电话、邮件等)形式通知用户终端及整车厂商及时检查该锂离子电池的状态,并由整车厂商对该锂离子电池及电芯拆解并进行详细失效分析,根据失效结论,闭环反馈电芯设计端,对同类电芯缺陷问题进行设计及工艺优化,从而实现整个系统的安全预警,防止因锂离子电池失效而导致整车极端安全事故的发生,提高用车安全。
综上,本申请实施例提供一种锂离子电池漏液预测方法,该方法包括:获取待预测锂离子电池在预设状态下的聚合电池参数,待预测锂离子电池包括多个电芯单体;根据待预测锂离子电池的聚合电池参数,分别计算待预测锂离子电池对应的静态压差劣化度、充电压差劣化度以及放电压差劣化度;根据静态压差劣化度、放电压差劣化度以及充电压差劣化度,确定待预测锂离子电池中存在漏液故障的目标电芯单体,并生成针对目标电芯单体的预警信号,实现了可以基于这三个参数多维度反映各电芯单体在不同工作状态下的压差偏离度,进而基于这三个参数可以进一步确定待预测锂离子电池中存在漏液故障的目标电芯单体,实现多维度评估,可以提高预测结果的准确性。
且相较于直接通过车载端进行预测的方法,本申请实施例可以避免车载端存在的本地存储有限、运算能力差、无法实现全生命周期的安全预测的问题,提高预测结果的准确性;再者,本申请实施例的实现也无需依托诊断平台,也即无需对待预测锂离子电池进行拆解,可以实现无损预测,具有预测成本低,预测效率高的特点。
在可选的实施方式中,聚合电池参数包括:多个电芯单体中最低单体电压值对应的待预测电芯单体标识。其中,每个电芯单体可对应不同的电压值时,可以基于各电芯单体对应的电压值对该多个电芯单体进行筛选,从而筛选出当前最低单体电压值对应的电芯单体,并将其作为目标电芯单体,其对应的标识则记为待预测电芯单体标识。
基于上述实施例,上述根据静态压差劣化度、放电压差劣化度以及充电压差劣化度,确定待预测锂离子电池中存在漏液故障的目标电芯单体的步骤,可以包括:
若确定静态压差劣化度小于第一阈值、放电压差劣化度小于第二阈值、且充电压差劣化度大于第三阈值,则确定待预测电芯单体标识所指示的目标电芯单体存在漏液故障。
其中,第一阈值、第二阈值、第三阈值的取值可以分别是0至1之间的任意数,可选地,其可以在云端根据经验值设定,在此不作限定。在一些实施例中,第一阈值可以等于第二阈值,第三阈值可以大于第一阈值、第二阈值。
若静态压差劣化度小于第一阈值、放电压差劣化度小于第二阈值,则说明待预测电芯单体标识所指示的目标电芯单体的静态压差劣化度和放电压差劣化度较低(比如,呈现稳定较低趋势),若充电压差劣化度大于第三阈值,则说明待预测电芯单体标识所指示的目标电芯单体的充电压差劣化度较高(比如,呈现扩大趋势),那么在该情况下,经试验验证,此时该目标电芯单体将存在漏液故障。
应用本申请实施例,实现了可以结合静态压差劣化度、放电压差劣化度以及充电压差劣化度,确定最低单体电压值对应的目标电芯单体是否存在漏液故障,也即可以以电芯单体作为最小故障预测单元,可以实现精准预测。
图2为本申请实施例提供另一种锂离子电池漏液预测方法的流程示意图。在可选的实施方式中,聚合电池参数包括:静置状态下待预测锂离子电池的第一聚合参数集和第二聚合参数集,第一聚合参数集包括静态压差、多个电芯单体中最低单体电压值对应的电芯单体标识、最小电芯单体离群度以及最大电芯单体离群度;第二聚合参数集包括:第一电荷状态、第一温度以及第一电流。
其中,静态压差,指待预测锂离子电池处于静置状态或者初始装载状态下,待预测锂离子电池中最高单体电压值与最低单体电压值的电压差;静置状态下的最小电芯单体离群度,可以表征静置状态下待预测锂离子电池中最低单体电压值偏离待预测锂离子电池的平均单体电压值的偏离程度。静置状态下的最大电芯单体离群度,可以表征静置状态下待预测锂离子电池中最高单体电压值偏离待预测锂离子电池的平均单体电压值的偏离程度。
静置状态下的第一电荷状态(SOC_1),可以表征待预测锂离子电池的剩余容量占比,其单位为%,其中,满充时取值为100%,完全放电为0%;静置状态下的第一温度,可以表征静置状态下待预测锂离子电池中各电芯的平均测量温度;静置状态下第一电流,可以表征静置状态下待预测锂离子电池的总电流。
基于上述第一聚合参数集和第二聚合参数集,如图2所示,上述方法还包括:
S201、根据第一聚合参数集,计算静置状态下待预测锂离子电池对应的第一计算结果。
第一计算结果,可以表征静置状态下待预测锂离子电池在第一聚合参数集的维度上,最低单体电压值所指示的电芯单体发生漏液故障的几率。可选地,第一计算结果越大,则该最低单体电压值所指示的电芯单体发生漏液故障的几率越高,否则,几率越低。
S202、基于预设权重,根据第二聚合参数集,计算静置状态下待预测锂离子电池对应的第二计算结果。
第二计算结果,可以表征静置状态下待预测锂离子电池在第二聚合参数集的维度上,最低单体电压值所指示的电芯单体发生漏液故障的几率。可选地,第二计算结果越大,则该最低单体电压值所指示的电芯单体发生漏液故障的几率越高,否则,几率越低。
其中,第一电荷状态、第一温度以及第一电流可以分别对应一预设权重,具体计算时,可以分别计算第一电荷状态、第一温度以及第一电流与各自预设权重的乘积并进行加权求和,得到第二计算结果,该计算过程可用如下公式表示:M2=w1X1+w2X2+w3X3,其中,M2表示第二计算结果,X1、X2以及X3分别表示第一电荷状态、第一温度以及第一电流,w1、w2以及w3分别表示电荷状态预设权重、温度预设权重、电流预设权重。
S203、根据第一计算结果和第二计算结果,计算待预测锂离子电池对应的静态压差劣化度。
基于上述确定的第一计算结果和第二计算结果可以进行求和计算,该求和结果可以作为待预测锂离子电池对应的静态压差劣化度。
值得说明的是,对于充电压差劣化度可以参见该静态压差劣化度的计算过程,其中,具体计算时,聚合电池参数可以包括:充电状态下待预测锂离子电池的第三聚合参数集和第四聚合参数集,其中,第三聚合参数集包括充电压差、多个电芯单体中最低单体电压值对应的电芯单体标识、最小电芯单体离群度以及最大电芯单体离群度;第四聚合参数集包括:第二电荷状态、第二温度以及第二电流,利用该第三聚合参数集和第四聚合参数集分别替换上述的第一聚合参数集和第二聚合参数集,即可得到充电压差劣化度,在此不再赘述。此外,放电压差劣化度也可参见该过程,在此不再赘述。
图3为本申请实施例提供又一种锂离子电池漏液预测方法的流程示意图。在可选的实施方式中,如图3所示,上述根据第一聚合参数集,计算静置状态下待预测锂离子电池对应的第一计算结果,包括:
S301、采用滑动窗口算法,分别计算静态压差、多个电芯单体中最低单体电压值对应的电芯单体标识、最小电芯单体离群度以及最大电芯单体离群度,对应的平均静态压差、平均电芯单体标识、最小平均电芯单体离群度以及最大平均电芯单体离群度。
可选地,滑动窗口算法中所指示的滑动窗口的尺寸可以为N,也即可以对连续获取的N次第一聚合参数集作为最小预测单元,用于计算上述第一计算结果。
在一些实施例中,N的取值可以为8、10、12等,在此不作限定。其中,以N为8、计算静置状态下静态压差对应的平均静态压差为例进行说明,具体计算时,可以以滑动窗口形式基于当前数据帧对应的静态压差,获取当前数据帧的前N1帧(N1取值为大于1且小于N的整数)和后N2(N2取值为大于1且小于N的整数)帧分别对应的静态压差,然后据此计算平均静态压差。需要说明的是,当前数据帧,可以是第一聚合参数集中的任一数据帧,在此不作限定。
举例说明,记N1为3,N2为4,上述计算过程可以用如下公式表示:Yi=avg(E3(yi)+E4(yi)),其中,avg()表示取均值符号,yi表示当前数据帧对应的静态压差,Yi表示当前数据帧对应的平均静态压差,E3(yi)表示当前数据帧的前3帧数据帧对应的静态压差之和,E4(yi)表示当前数据帧的后4帧数据帧对应的静态压差之和。基于平均静态压差的计算方式,可以参见该计算过程分别计算平均电芯单体标识和平均电芯单体离群度,在此不再赘述。
S302、根据平均静态压差、平均电芯单体标识、最小平均电芯单体离群度以及最大平均电芯单体离群度,归一化计算得到静置状态下待预测锂离子电池对应的第一计算结果。
其中,以平均静态压差为例进行说明,通过归一化计算可以将该平均静态压差归一化为0至1间的任意数,可选地,归一化过程可参见如下公式:Y_i=(Yi-Ymin)/(Ymax-Ymin),其中,Y_i表示当前数据帧对应的归一化后的平均静态压差,Yi表示当前数据帧对应的平均静态压差,Ymin表示尺寸为N的滑动窗口内静态压差的最小值,Ymax表示尺寸为N的滑动窗口内静态压差的最大值。对于其他参数的归一化计算过程可参见该平均静态压差的计算过程,在此不再赘述。
进一步地,在分别计算得到前数据帧对应的归一化后的平均静态压差、平均电芯单体标识、最小平均电芯单体离群度以及最大平均电芯单体离群度,可以对归一化后的这几个参数进行求和计算,该求和结果则可以作为静置状态下待预测锂离子电池对应的第一计算结果。
需要说明的是,上述预测方法可以集成在一预测模型中实现,其中,集成于预测模型实现时,应用本申请实施例,通过对多种维度的参数进行归一化处理,可以防止由于各维度参数不同导致预测模型出现过饱和现象,也即可以增强预测模型的稳定性,换句话说,可以提高本申请方法的适用性。
图4为本申请实施例提供另一种锂离子电池漏液预测方法的流程示意图。在可选的实施方式中,如图4所示,上述方法还包括:
S401、分别获取静置状态下待预测锂离子电池的标准差、待预测锂离子电池中多个电芯单体对应的最低单体电压值、最高单体电压值、平均单体电压值。
其中,标准差可以根据待预测锂离子电池中各电芯单体对应的单体电压计算得到,其取值是方差的算术平方根,可以反映各电芯单体对应的单体电压的离散程度。
可选地,最低单体电压值、最高单体电压值可以通过对各电芯单体对应的单体电压值进行筛选得到,比如,可以通过降序或者升序排序得到,在此不作限定。
S402、根据最低单体电压值、标准差以及平均单体电压值,计算最小电芯单体离群度。
S403、根据最高单体电压值、标准差以及平均单体电压值,计算最大电芯单体离群度。
其中,最小电芯单体离群度,可以通过计算最低单体电压值与平均单体电压值的电压差与标准差之间的比值得到;最大电芯单体离群度,可以通过计算最高单体电压值与平均单体电压值的电压差与标准差之间的比值得到,具体可以参加下述公式:
minvolt_disp=(avgvolt-minvolt)/stdvolt;
maxvolt_disp=(maxvolt-avgvolt)/stdvolt。
其中,minvolt_disp表示最小电芯单体离群度,maxvolt_disp表示最大电芯单体离群度,minvolt表示最低单体电压值,maxvolt表示最高单体电压值,avgvolt表示平均单体电压值,stdvolt表示标准差。
图5为本申请实施例提供又一种锂离子电池漏液预测方法的流程示意图。在可选的实施方式中,如图5所示,上述获取待预测锂离子电池在预设状态下的聚合电池参数,包括:
S501、获取预设时间段内待预测锂离子电池的初始电池参数。
可选地,该预设时间段可以是一天、三天、一周等,在此不作限定。在一些实施例中,初始电池参数可以包括但不限于:预测锂离子电池的电流、温度、总电压、电荷状态、绝缘电阻等,初始电池参数可以通过BMS控制单元获取,又或者,可以通过电池参数采集装置获取,在此不作限定,关于该部分内容可参见前述的相关部分。
S502、根据初始电池参数,聚合得到预设状态下待预测锂离子电池的聚合电池参数集。
参见前述相关描述可知,预设状态可以包括静置状态、放电状态以及充电状态,基于各初始电池参数对应的状态可以对该初始电池参数进行聚合分析,从而分别得到静置状态、放电状态以及充电状态下,待预测锂离子电池的聚合电池参数集。
当然,需要说明的是,在一些实施例中,为了使得预测结果更准确,还可以先对所获取的初始电池参数进行清洗操作,然后再进行聚合操作,其中,通过清洗操作可以去除初始电池参数中的无效值、空值、超范围值、采样异常值、持续传输不变值等,在此不作限定。
应用本申请实施例,实现了可以基于聚合算法,聚合得到预设状态下待预测锂离子电池的聚合电池参数集,进而基于该聚合电池参数集预测待预测锂离子电池中发生漏液故障的目标电芯单体时,可以基于大量的聚合电池参数集进行预测,可以提高预测结果的准确性。
在可选的实施方式中,上述确定待预测电芯单体标识所指示的目标电芯单体存在漏液故障,包括:
若目标充电序列中,多个电芯单体中最低单体电压值对应的待预测电芯单体标识相同,且初始静态压差小于第一压差阈值,初始充电压差小于第二压差阈值,则确定待预测电芯单体标识所指示的目标电芯单体存在漏液故障。
其中,初始静态压差,也即待预测锂离子电池出厂状态下的静态压差,初始充电压差,也即待预测锂离子电池出厂状态下的充电压差。目标充电序列,可以指示待预测锂离子电池的电量从0%充至100%时对应的充电过程。
可选地,确定待预测电芯单体标识所指示的目标电芯单体是否存在漏液故障时,还可以结合目标充电序列进行综合判断。其中,在目标充电序列对应的充电过程中,若多个电芯单体中最低单体电压值对应的待预测电芯单体标识相同,也即未发生变化,且初始静态压差小于第一压差阈值,初始充电压差小于第二压差阈值,那么此时可以认为待预测电芯单体标识所指示的目标电芯单体存在漏液故障,应用本申请实施例,实现了可以结合充电过程中更多的参数确定待预测电芯单体标识所指示的目标电芯单体是否存在漏液故障,可以提高预测结果的准确性。
在一些实施例中,第一压差阈值、第二压差阈值可以根据经验值设定,又或者,可以根据待预测锂离子电池的出厂手册设定,在此不作限定。
图6为本申请实施例提供的一种锂离子电池漏液预测结果示意图,其中,图6左上角表示待预测锂离子电池在初始状态(出厂状态)下的充电曲线,横轴为时间,纵轴为单体电压值,可以看出,初始状态下各电芯单体的充电曲线高度重合,充电压差一致性良好;图6右上角表示待预测锂离子电池产生预警信号时对应的充电曲线,横轴为时间,纵轴为单体电压值,其中,该充电曲线包括多个电芯单体对应的充电曲线,可以看出电芯单体C的充电曲线远偏离于其他电芯单体的充电曲线。
图6左下角表示待预测锂离子电池中电芯单体C对应的静态压差劣化度的变化曲线,横轴为预测次数,纵轴为静态压差劣化度,若第三阈值为0.06,结合该图可以看出在预测次数为22时,电芯单体C对应的充电压差劣化度大于第三阈值,也即充电压差劣化度较高。
图6右下角中曲线A表示待预测锂离子电池中电芯单体C对应的放电压差劣化度的变化曲线,横轴为预测次数,纵轴为放电压差劣化度,若第二阈值为0.01,结合该图可以看出,放电压差劣化度整体小于0.01,呈现稳定较低趋势;图6右下角中曲线B表示待预测锂离子电池中电芯单体C对应的静置压差劣化度的变化曲线,横轴为预测次数,纵轴为静置压差劣化度,若第一阈值为0.01,结合该图可以看出,静置压差劣化度整体小于0.01,呈现稳定较低趋势。
结合图6左下角和右下角可以看出,此时满足静态压差劣化度小于第一阈值、放电压差劣化度小于第二阈值、且充电压差劣化度大于第三阈值,那么此时可以确定电芯单体C所指示的目标电芯单体存在漏液故障。
综上,应用本申请实施例,可以基于锂离子电池时序,采用端云协同,基于跨时间尺度、跨动力电池的数据,对锂离子电池中的单体电芯漏液故障进行预测,并根据预测结果实时通知终端用户对危险电池进行隔离处置,该算法能有效降低误报、漏报,将锂离子电池的安全失效遏制在事故前端,精准预警,有效提升车用锂离子电池安全。
图7为本申请实施例提供的一种锂离子电池漏液预测装置的功能模块示意图,该装置基本原理及产生的技术效果与前述对应的方法实施例相同,为简要描述,本实施例中未提及部分,可参考方法实施例中的相应内容。
如图7所示,该锂离子电池漏液预测装置100包括:
获取模块110,用于获取待预测锂离子电池在预设状态下的聚合电池参数,所述待预测锂离子电池包括多个电芯单体;
计算模块120,用于根据所述待预测锂离子电池的聚合电池参数,分别计算所述待预测锂离子电池对应的静态压差劣化度、充电压差劣化度以及放电压差劣化度;
生成模块130,用于根据所述静态压差劣化度、所述放电压差劣化度以及所述充电压差劣化度,确定所述待预测锂离子电池中存在漏液故障的目标电芯单体,并生成针对所述目标电芯单体的预警信号。
在可选的实施方式中,所述聚合电池参数包括:多个电芯单体中最低单体电压值对应的待预测电芯单体标识;
所述根据所述静态压差劣化度、所述生成模块130,具体用于若确定所述静态压差劣化度小于第一阈值、所述放电压差劣化度小于第二阈值、且所述充电压差劣化度大于第三阈值,则确定所述待预测电芯单体标识所指示的目标电芯单体存在漏液故障。
在可选的实施方式中,所述聚合电池参数包括:静置状态下待预测锂离子电池的第一聚合参数集和第二聚合参数集,所述第一聚合参数集包括静态压差、多个电芯单体中最低单体电压值对应的电芯单体标识、最小电芯单体离群度以及最大电芯单体离群度;所述第二聚合参数集包括:第一电荷状态、第一温度以及第一电流,所述计算模块,用于根据所述第一聚合参数集,计算静置状态下待预测锂离子电池对应的第一计算结果;
基于预设权重,根据所述第二聚合参数集,计算静置状态下待预测锂离子电池对应的第二计算结果;
根据所述第一计算结果和所述第二计算结果,计算所述待预测锂离子电池对应的静态压差劣化度。
在可选的实施方式中,所述计算模块,具体用于采用滑动窗口算法,分别计算静态压差、多个电芯单体中最低单体电压值对应的电芯单体标识、最小电芯单体离群度以及最大电芯单体离群度,对应的平均静态压差、平均电芯单体标识、最小平均电芯单体离群度以及最大平均电芯单体离群度;
根据所述平均静态压差、所述平均电芯单体标识、最小平均电芯单体离群度以及最大平均电芯单体离群度,归一化计算得到静置状态下待预测锂离子电池对应的第一计算结果。
在可选的实施方式中,所述计算模块,还用于分别获取静置状态下待预测锂离子电池的标准差、待预测锂离子电池中多个电芯单体对应的最低单体电压值、最高单体电压值、平均单体电压值;
根据所述最低单体电压值、标准差以及平均单体电压值,计算所述最小电芯单体离群度;
根据所述最高单体电压值、标准差以及平均单体电压值,计算所述最大电芯单体离群度。
在可选的实施方式中,所述获取模块,还用于获取预设时间段内待预测锂离子电池的初始电池参数;
根据所述初始电池参数,聚合得到预设状态下待预测锂离子电池的聚合电池参数集。
在可选的实施方式中,所述生成模块,具体用于若目标充电序列中,多个电芯单体中最低单体电压值对应的待预测电芯单体标识相同,且初始静态压差小于第一压差阈值,初始充电压差小于第二压差阈值,则确定所述待预测电芯单体标识所指示的目标电芯单体存在漏液故障。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
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),或,一个或多个微处理器,或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,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,例如中央处理器(Central Processing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,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。
图8为本申请实施例提供的一种电子设备结构示意图,该电子设备可以集成于锂离子电池漏液预测装置中。如图8所示,该电子设备可以包括:处理器210、存储介质220和总线230,存储介质220存储有处理器210可执行的机器可读指令,当电子设备运行时,处理器210与存储介质220之间通过总线230通信,处理器210执行机器可读指令,以执行上述方法实施例的步骤。具体实现方式和技术效果类似,这里不再赘述。
可选地,本申请还提供一种存储介质,存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述方法实施例的步骤。具体实现方式和技术效果类似,这里不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本申请各个实施例方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。以上仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种锂离子电池漏液预测方法,其特征在于,包括:
获取待预测锂离子电池在预设状态下的聚合电池参数,所述待预测锂离子电池包括多个电芯单体;
根据所述待预测锂离子电池的聚合电池参数,分别计算所述待预测锂离子电池对应的静态压差劣化度、充电压差劣化度以及放电压差劣化度;
根据所述静态压差劣化度、所述放电压差劣化度以及所述充电压差劣化度,确定所述待预测锂离子电池中存在漏液故障的目标电芯单体,并生成针对所述目标电芯单体的预警信号。
2.根据权利要求1所述的方法,其特征在于,所述聚合电池参数包括:多个电芯单体中最低单体电压值对应的待预测电芯单体标识;
所述根据所述静态压差劣化度、所述放电压差劣化度以及所述充电压差劣化度,确定所述待预测锂离子电池中存在漏液故障的目标电芯单体,包括:
若确定所述静态压差劣化度小于第一阈值、所述放电压差劣化度小于第二阈值、且所述充电压差劣化度大于第三阈值,则确定所述待预测电芯单体标识所指示的目标电芯单体存在漏液故障。
3.根据权利要求1所述的方法,其特征在于,所述聚合电池参数包括:静置状态下待预测锂离子电池的第一聚合参数集和第二聚合参数集,所述第一聚合参数集包括静态压差、多个电芯单体中最低单体电压值对应的电芯单体标识、最小电芯单体离群度以及最大电芯单体离群度;所述第二聚合参数集包括:第一电荷状态、第一温度以及第一电流,所述方法还包括:
根据所述第一聚合参数集,计算静置状态下待预测锂离子电池对应的第一计算结果;
基于预设权重,根据所述第二聚合参数集,计算静置状态下待预测锂离子电池对应的第二计算结果;
根据所述第一计算结果和所述第二计算结果,计算所述待预测锂离子电池对应的静态压差劣化度。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第一聚合参数集,计算静置状态下待预测锂离子电池对应的第一计算结果,包括:
采用滑动窗口算法,分别计算静态压差、多个电芯单体中最低单体电压值对应的电芯单体标识、最小电芯单体离群度以及最大电芯单体离群度,对应的平均静态压差、平均电芯单体标识、最小平均电芯单体离群度以及最大平均电芯单体离群度;
根据所述平均静态压差、所述平均电芯单体标识、最小平均电芯单体离群度以及最大平均电芯单体离群度,归一化计算得到静置状态下待预测锂离子电池对应的第一计算结果。
5.根据权利要求3所述的方法,其特征在于,所述方法还包括:
分别获取静置状态下待预测锂离子电池的标准差、待预测锂离子电池中多个电芯单体对应的最低单体电压值、最高单体电压值、平均单体电压值;
根据所述最低单体电压值、标准差以及平均单体电压值,计算所述最小电芯单体离群度;
根据所述最高单体电压值、标准差以及平均单体电压值,计算所述最大电芯单体离群度。
6.根据权利要求2所述的方法,其特征在于,所述确定所述待预测电芯单体标识所指示的目标电芯单体存在漏液故障,包括:
若目标充电序列中,多个电芯单体中最低单体电压值对应的待预测电芯单体标识相同,且初始静态压差小于第一压差阈值,初始充电压差小于第二压差阈值,则确定所述待预测电芯单体标识所指示的目标电芯单体存在漏液故障。
7.根据权利要求1-6任一项所述的方法,其特征在于,所述获取待预测锂离子电池在预设状态下的聚合电池参数,包括:
获取预设时间段内待预测锂离子电池的初始电池参数;
根据所述初始电池参数,聚合得到预设状态下待预测锂离子电池的聚合电池参数集。
8.一种锂离子电池漏液预测装置,其特征在于,包括:
获取模块,用于获取待预测锂离子电池在预设状态下的聚合电池参数,所述待预测锂离子电池包括多个电芯单体;
计算模块,用于根据所述待预测锂离子电池的聚合电池参数,分别计算所述待预测锂离子电池对应的静态压差劣化度、充电压差劣化度以及放电压差劣化度;
生成模块,用于根据所述静态压差劣化度、所述放电压差劣化度以及所述充电压差劣化度,确定所述待预测锂离子电池中存在漏液故障的目标电芯单体,并生成针对所述目标电芯单体的预警信号。
9.一种电子设备,其特征在于,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1-7任一所述锂离子电池漏液预测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时执行如权利要求1-7任一所述锂离子电池漏液预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310384746.6A CN116404276A (zh) | 2023-04-11 | 2023-04-11 | 锂离子电池漏液预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310384746.6A CN116404276A (zh) | 2023-04-11 | 2023-04-11 | 锂离子电池漏液预测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116404276A true CN116404276A (zh) | 2023-07-07 |
Family
ID=87011972
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310384746.6A Pending CN116404276A (zh) | 2023-04-11 | 2023-04-11 | 锂离子电池漏液预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116404276A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117452235A (zh) * | 2023-12-22 | 2024-01-26 | 南昌大学 | 锂离子电池电解液漏液预警方法及系统 |
-
2023
- 2023-04-11 CN CN202310384746.6A patent/CN116404276A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117452235A (zh) * | 2023-12-22 | 2024-01-26 | 南昌大学 | 锂离子电池电解液漏液预警方法及系统 |
CN117452235B (zh) * | 2023-12-22 | 2024-04-19 | 南昌大学 | 锂离子电池电解液漏液预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Life prediction of lithium-ion batteries based on stacked denoising autoencoders | |
Sarmah et al. | A review of state of health estimation of energy storage systems: Challenges and possible solutions for futuristic applications of li-ion battery packs in electric vehicles | |
Lipu et al. | A review of state of health and remaining useful life estimation methods for lithium-ion battery in electric vehicles: Challenges and recommendations | |
Yang et al. | Extreme learning machine-based thermal model for lithium-ion batteries of electric vehicles under external short circuit | |
Ma et al. | Remaining useful life prediction of lithium-ion battery based on Gauss–Hermite particle filter | |
WO2021169486A1 (zh) | 基于充电过程监控电池阻抗异常的方法、系统以及装置 | |
Li et al. | An indirect RUL prognosis for lithium-ion battery under vibration stress using Elman neural network | |
Pang et al. | Parameter identification and systematic validation of an enhanced single-particle model with aging degradation physics for Li-ion batteries | |
Su et al. | Identifying main factors of capacity fading in lithium ion cells using orthogonal design of experiments | |
Sun et al. | Remaining useful life prediction for lithium-ion batteries based on an integrated health indicator | |
Xu et al. | A novel clustering algorithm for grouping and cascade utilization of retired Li-ion batteries | |
Hosseinzadeh et al. | Combined electrical and electrochemical-thermal model of parallel connected large format pouch cells | |
CN111146514B (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 | |
Hong et al. | Multi‐fault synergistic diagnosis of battery systems based on the modified multi‐scale entropy | |
Li et al. | Intelligent optimization methodology of battery pack for electric vehicles: A multidisciplinary perspective | |
CN112098850B (zh) | 基于sdo算法的锂离子电池电压故障诊断方法及系统 | |
Huang et al. | State of health estimation of lithium-ion batteries based on the regional frequency | |
CN110579716A (zh) | 一种电池检测方法及装置 | |
CN116404276A (zh) | 锂离子电池漏液预测方法、装置、设备及介质 | |
Omar et al. | Optimization of an advanced battery model parameter minimization tool and development of a novel electrical model for lithium‐ion batteries | |
KR20210000207A (ko) | 내부 단락 셀 검출 방법 | |
Li et al. | Lithium-ion battery management system for electric vehicles | |
CN113391229A (zh) | 退役动力电池的性能评价方法、设备及系统 | |
Lin et al. | State of health estimation of lithium-ion batteries based on remaining area capacity | |
Li et al. | Multi-dimension statistical analysis and selection of safety-representing features for battery pack in real-world electric vehicles |
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 |