CN116829966A - 检测电池组中的异常电芯的设备及其方法 - Google Patents
检测电池组中的异常电芯的设备及其方法 Download PDFInfo
- Publication number
- CN116829966A CN116829966A CN202280013690.7A CN202280013690A CN116829966A CN 116829966 A CN116829966 A CN 116829966A CN 202280013690 A CN202280013690 A CN 202280013690A CN 116829966 A CN116829966 A CN 116829966A
- Authority
- CN
- China
- Prior art keywords
- series data
- charging
- cell
- cell voltage
- voltage time
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 title abstract description 4
- 238000007600 charging Methods 0.000 claims abstract description 322
- 230000002950 deficient Effects 0.000 claims abstract description 100
- 238000013136 deep learning model Methods 0.000 claims abstract description 37
- 230000007547 defect Effects 0.000 claims description 45
- 230000006399 behavior Effects 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 39
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical group [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 27
- 229910052744 lithium Inorganic materials 0.000 claims description 27
- 238000005259 measurement Methods 0.000 claims description 26
- 238000007747 plating Methods 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 18
- 238000009529 body temperature measurement Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000004146 energy storage Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004880 explosion Methods 0.000 description 4
- 229920000642 polymer Polymers 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 229920002430 Fibre-reinforced plastic Polymers 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 239000011151 fibre-reinforced plastic Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000008961 swelling Effects 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 230000005355 Hall effect Effects 0.000 description 1
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- JDZCKJOXGCMJGS-UHFFFAOYSA-N [Li].[S] Chemical compound [Li].[S] JDZCKJOXGCMJGS-UHFFFAOYSA-N 0.000 description 1
- 230000010261 cell growth Effects 0.000 description 1
- 238000010280 constant potential charging Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000005022 packaging material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
- G01R19/16566—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533
-
- 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]
- G01R31/3644—Constructional arrangements
- G01R31/3646—Constructional arrangements for indicating electrical conditions or variables, e.g. visual or audible indicators
-
- 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]
- G01R31/392—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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
公开了检测电池组中的异常电芯的设备及其方法。在根据本发明的设备中,在根据具有多个充电间隔的充电曲线对电池组进行充电的同时,控制单元在每个充电间隔的前半部分中获取第一电芯至第N电芯中的每个电芯的第一电芯电压时间序列数据(测量的)。此外,控制单元将深度学习模型应用于第一电芯电压时间序列数据,以确定在充电间隔的后半部分中的预测电芯电压时间序列数据。此外,控制单元在后半部分中获取第二电芯电压时间序列数据(测量的),并确定第二电芯电压时间序列数据与预测电芯电压时间序列数据之间的误差。此外,控制单元检测在充电间隔中具有比其它电芯的误差相对更大的误差的电芯作为潜在缺陷电芯。
Description
技术领域
本公开涉及用于检测电池组中的潜在缺陷电芯的设备及方法,并且更具体地,涉及通过在电池组充电期间统计地分析电芯的电压行为的测量值和预测值之间的差异来检测潜在缺陷电芯的设备及方法。
本申请要求于2021年10月22日在韩国提交的韩国专利申请No.10-2021-0142202的优先权,其公开内容通过引用并入本文中。
背景技术
相对于不可充电的一次电池,可充电二次电池具有范围广的应用,包括诸如智能电话、笔记本电脑或平板电脑之类的小型高科技电子装置以及电动车辆和储能系统(ESS)。
由于如上所述,二次电池可以用于范围广的应用中,因此二次电池提供了效率和便利性,但是它们由于能量密度高而在过热时具有爆炸或起火风险。
具体而言,近来,电池爆炸引发的起火事故加剧了人们对二次电池市场的担忧,因此迫切需要确保二次电池的安全性。
发明内容
技术问题
本公开是在上述背景下而设计的,因此本公开旨在提供在电池组充电期间检测电池组中的电芯当中潜在缺陷电芯以提高电池组安全性的设备及方法。
技术方案
为解决上述技术问题,根据本公开的一个方面的用于检测电池组中的潜在缺陷电芯的设备包括:分别在对电池组进行充电期间测量电池组中包括的第一电芯至第N电芯的电压、电流和温度的电压测量单元、电流测量单元和温度测量单元;以及在操作上联接至电压测量单元、电流测量单元和温度测量单元的控制单元。
优选地,在根据具有多个充电范围的充电曲线对电池组进行充电期间,在每个充电范围中针对第一电芯至第N电芯中的每个电芯,控制单元可以被配置为在充电范围的前半部分中通过电压测量单元获取第一电芯电压时间序列数据。附加地,控制单元可以被配置为通过将深度学习模型应用于第一电芯电压时间序列数据,来确定在充电范围的后半部分中的预测电芯电压时间序列数据。附加地,控制单元可以被配置为在充电范围的后半部分中通过电压测量单元获取第二电芯电压时间序列数据,以及确定第二电芯电压时间序列数据与预测电芯电压时间序列数据之间的误差。附加地,控制单元可以被配置为检测在充电范围中的至少一个中具有比其它电芯更大的误差的任何电芯,作为潜在缺陷电芯。
根据一个方面,控制单元可以被配置为针对第一电芯至第N电芯中的每个电芯,对于每个充电范围确定第二电芯电压时间序列数据与预测电芯电压时间序列数据之间的最大差作为误差。
附加地,控制单元可以被配置为:对于每个充电范围确定第一电芯至第N电芯的误差的第一平均值和第一标准差;对于每个充电范围确定第一电芯至第N电芯中的每个电芯的与误差的第一标准化值相对应的“(误差-第一平均值)/第一标准差”,并检测在充电范围中的至少一个中第一标准化值大于第一阈值的任何电芯作为潜在缺陷电芯。
优选地,深度学习模型可以是使用分别在每个充电范围的前半部分和后半部分中测量的第一训练电芯至第m训练电芯的第一电芯电压时间序列数据和第二电芯电压时间序列数据来预训练的,以接收第一电芯电压时间序列数据的输入,并输出与第二电芯电压时间序列数据具有最小误差的预测电芯电压时间序列数据。
根据另一方面,控制单元可以被配置为针对第一电芯至第N电芯中的每个电芯,对于每个充电范围确定第二电芯电压时间序列数据与预测电芯电压时间序列数据之间的最大差作为误差;对于每个充电范围确定第一电芯至第N电芯中的每个电芯的与误差的第一标准化值相对应的“(误差-第一平均值)/第一标准差”,并检测在充电范围中的至少一个中第一标准化值大于第一阈值的任何电芯作为潜在缺陷电芯。在此,第一平均值和第一标准差可以是在深度学习模型的训练过程中预先确定的值。
可选地,控制单元可以被配置为针对电池组的第一模块至第p模块中的每个模块,确定该模块中包括的多个电芯中的每个电芯的误差的第二平均值和第二标准差;以及对于每个充电范围确定第一电芯至第N电芯中的每个电芯的与误差的第二标准化值相对应的“(误差-第二平均值)/第二标准差”,以及检测在充电范围中的至少一个中第一标准化值大于第一阈值且第二标准化值大于第二阈值的任何电池电芯作为潜在缺陷电芯。
可选地,控制单元可以被配置为:针对第一电芯至第N电芯中的每个电芯,监测随着充电范围转变第二电芯电压时间序列数据与预测电芯电压时间序列数据的相对变化行为是否对应于每个潜在缺陷类型的预定义变化行为模式,并且最终确定其中发现预定义变化行为模式参考次数以上的任何电芯的潜在缺陷类型。
优选地,预定义变化行为模式可以是在充电早期阶段的充电范围中第二电芯电压时间序列数据比预测电芯电压时间序列数据增加更快,并且在后期阶段的充电范围中预测电芯电压时间序列数据比第二电芯电压时间序列数据增加更快,以及潜在缺陷类型可以为在负极镀锂。
根据本公开的设备可以进一步包括:记录存储介质,其被配置为存储数据、预定义参数、程序或其组合;以及显示器。附加地,控制单元可以被配置为将与检测到的潜在缺陷电芯相关联的标识信息记录在记录存储介质中,或者通过显示器输出通知在电池组中检测到潜在缺陷电芯的消息,或者经由通信向外部装置发送潜在缺陷电芯的标识信息。
根据本公开的技术问题可以通过包括上述用于检测电池组中的潜在缺陷电芯的设备的电池管理系统来解决。
为解决上述技术问题,根据本公开的另一方面的用于检测电池组中的潜在缺陷电芯的方法包括:在根据具有多个充电范围的充电曲线对电池组进行充电期间,在每个充电范围中针对第一电芯至第N电芯中的每个电芯,(a)在充电范围的前半部分中获取第一电芯电压时间序列数据;(b)通过将深度学习模型应用于第一电芯电压时间序列数据,确定在充电范围的后半部分中的预测电芯电压时间序列数据;(c)在后半部分中获取第二电芯电压时间序列数据;(d)确定第二电芯电压时间序列数据与预测电芯电压时间序列数据之间的误差,以及(e)检测在充电范围中的至少一个中具有比其它电芯更大的误差的任何电芯,作为潜在缺陷电芯。
技术效果
根据本公开,通过将电池组的充电曲线划分为多个充电范围,并且针对每个充电范围统计地比较和分析实际测量电压和预测电压的行为,可以容易地检测潜在缺陷电芯。因此,通过在早期阶段检测与起火或爆炸事故直接相关的潜在缺陷,尤其是诸如在负极镀锂之类的严重潜在缺陷,并向用户提供警告,从而防止人为事故。此外,除了在负极镀锂之外,本公开还可以检测由于膨胀或微短路引起的电压变化行为,从而有效地应对其它潜在缺陷。
附图说明
附图例示了本公开的示例性实施方式,并且连同下面的详细描述一起,用于提供对本公开的技术方面的进一步理解,因此本公开不应解释为限制附图。
图1是根据本公开的实施方式的用于检测电池组中的潜在缺陷电芯的设备的示意性框图。
图2是示出了根据本公开的实施方式的充电曲线的示例的图。
图3是示出了在根据图2所示的充电曲线对电池组进行充电期间电芯的电压变化行为的图。
图4是示出了根据本公开的实施方式的充电曲线中设置的充电范围的前半部分和后半部分的示例的图。
图5是示出了在根据本公开的实施方式的充电曲线对第一训练电芯至第m训练电芯进行充电期间在每个充电范围中测量到的第一电芯电压时间序列数据和第二电芯电压时间序列数据的示例的图。
图6是示出了对于检测到潜在缺陷的特定电芯在充电曲线的充电范围②的后半部分中测量的第二电芯电压时间序列数据Vk,i(j)、由深度学习模型预测的预测电芯电压时间序列数据V* k,i(j)、以及对应于它们之间的差的“Vk,i(j)-V* k,i(j)”的变化的图。
图7是示出了对于具有在负极镀锂的特定电芯在充电曲线的充电范围①至⑤的后半部分中测量的第二电芯电压时间序列数据Vk,i(j)、由深度学习模型预测的预测电芯电压时间序列数据V* k,i(j)、以及对应于它们之间的差的“Vk,i(j)-V* k,i(j)”的变化的图。
图8至图10是示出了根据本公开的实施方式的用于检测电池组中的潜在缺陷电芯的方法的序列的流程图。
具体实施方式
在下文中,将参照附图描述本公开的示例性实施方式。在描述之前,应当理解说明书和所附权利要求中使用的术语或词语不应被解释为限于一般和字典含义,而是在允许发明人为了达到最佳解释而适当定义术语的原则的基础上,基于与本公开的技术方面相对应的含义和概念来解释。因此,本文所描述的实施方式和附图中的图示仅为本公开的示例性实施方式,而非旨在全面描述本公开的技术方面,因此应当理解,在提交本专利申请时已经能够做出各种其它等同和变型。
图1是本公开的实施方式的用于检测电池组中的潜在缺陷电芯的设备的示意性框图。
参照图1,根据本公开的实施方式的设备10被设计为在由充电装置30根据具有多个充电范围的充电曲线对电池组20进行充电的同时检测电池组20中的潜在缺陷电芯。
潜在缺陷电芯是指表现出不同于正常电芯的电压变化行为的异常电压变化行为的电芯。例如,在锂聚合物电芯的情况下,当出现在负极镀锂或者在电芯中微短路或膨胀时,在电芯充电期间的电压变化行为不同于正常电芯的电压变化行为。
电池组20包括第一模块21至第p模块21。第一模块21至第p模块21可以串联和/或并联地连接。第a模块包括第一至第na电芯22。na是第a模块中包括的电芯总数。第一电芯22至第na电芯22可以串联和/或并联地连接。每个模块中的电芯数量可以相同或不同。电池组20中包括的电芯总数是在下文中,电池组20中包括的电芯总数可以被定义为N,并且电池组20中的所有电芯可以被称为第一电芯至第N电芯。
在实施方式中,第一电芯至第N电芯可以是袋型锂聚合物电芯。然而,本公开显然不限于电芯或封装材料的类型。因此,本公开可以应用于任何其它类型的二次电池电芯,诸如锂硫电池、钠电池等。附加地,本公开可以应用于具有圆柱形电芯和棱柱形电芯等结构的电芯。
充电装置30是根据具有多个充电范围的充电曲线向电池组20施加充电电流的装置。当电池组20安装在电动车辆中时,充电装置30可以是充电站。在另一示例中,当电池组20安装在储能系统中时,充电装置30可以是安装在蓄储系统和电网之间的电力转换系统(Power Converting System,PCS)。PCS是控制储能系统充放电的系统。
在本公开中,充电曲线是定义了向电池组20提供的充电电流的幅度随时间的变化的协议。
图2是示出了根据本公开的实施方式的充电曲线40的示例的图。
参照图2,充电曲线40具有多个充电范围①至⑦。每个充电范围的充电电流的幅度和持续时间不同。持续时间是每个充电范围所保持的时间段。
在实施方式中,充电曲线40是阶梯充电曲线。在阶梯充电曲线中,充电电流的幅度逐步减小,直到电池组20中的电芯电压达到截止电压,随后,根据恒压充电模式进行调整充电电流的幅度。
在图2中,充电范围①至⑤是充电电流的幅度逐步减小到截止电压的范围,充电范围⑥是应用恒压充电模式的范围,而充电范围⑦是其中施加基本上接近于0的小幅度充电电流直到电池电芯被完全充电的范围。在充电曲线40中,实际充电范围是充电范围①至⑥。
图3是示出了在根据图2所示的充电曲线40对电池组20进行充电期间电芯的电压变化行为的图。
电芯是在3.2V至4.2V操作的锂聚合物电芯。电芯总数为100,并且由于电芯的退化程度不同,因此电芯的电压变化行为也不同。
此外,本公开不限于充电曲线40的特定变化模式。因此,图2的充电曲线40仅仅是示例。应理解,当某个充电曲线具有多个充电范围时,相应的曲线对应于根据本公开的充电曲线。
返回参照图1,本公开的设备10包括电压测量单元11、电流测量单元12、温度测量单元13和控制单元14。
电压测量单元11在根据具有多个充电范围的充电曲线40对电池组20进行充电期间以预定时间间隔测量电池组20中所包括的第一电芯至第N电芯的电压,并向控制单元14输出电芯电压测量值。
电压测量单元11可以包括相应技术领域公知的电压测量电路,并且由于电压测量电路是公知的,因此省略其描述。
电流测量单元12在根据具有多个充电范围的充电曲线40对电池组20进行充电期间以预定时间间隔测量充电电流的幅度,并且向控制单元14输出电流测量值。
电流测量单元12可以是输出与电流的幅度相对应的电压值的霍尔效应传感器或感测电阻器。电压值可以根据欧姆定律转换为电流值。当第一模块21至第p模块21中的电芯串联连接并且第一模块21至第p模块21也串联连接时,电流测量单元12可以安装在充电电流流动的线路上。在该示例中,电流测量单元12测量到的电流测量值对应于电池组20中包括的所有电芯的电芯电流值。对于本领域技术人员来说显而易见的是,当存在并联连接的电芯或模块时,电流测量单元12可以附加地安装在充电电流流过的线路的最佳点处以测量单元电流值。
温度测量单元13在根据具有多个充电范围的充电曲线40对电池组20进行充电期间以预定时间间隔测量第一电芯至第N电芯的温度,并向控制单元14输出电芯温度测量值。
温度测量单元13可以是输出与温度相对应的电压值的热电偶或者温度测量装置。可以使用电压-温度转换查找表(函数)将电压值转换为温度值。
温度测量单元13可以附接到第一模块21至第p模块21中的每一个。在此情况下,每个模块的温度可以被认为是模块中包括的电芯的温度。本公开不限于针对每个电芯安装温度测量单元13。
控制单元14通过在根据充电曲线40对电池组20进行充电期间在每个充电范围内周期性地接收来自电压测量单元11的第一电芯至第N电芯的电芯电压值的输入,来获取每个电芯的第一电芯电压时间序列数据和第二电芯电压时间序列数据。在此,电芯电压时间序列数据是在多个时间点连续测量的电芯电压数据的集合。
在实施方式中,第一电芯电压时间序列数据是在每个充电范围的前半部分中测量的电芯电压数据的集合。附加地,第二电芯电压时间序列数据是在每个充电范围的后半部分中测量的电芯电压数据的集合。
充电范围的前半部分和后半部分的边界可以任意设置。在示例中,当第i充电范围的持续时间为Ti时,充电范围的前半部分是从充电范围的开始时间到时间0.3Ti,而充电范围的后半部分可以是从时间0.3Ti到时间Ti。在此示例中,前半部分的持续时间是0.3Ti,而后半部分的持续时间是0.7Ti。
图4是示出了根据本公开的实施方式的充电曲线40中设置的充电范围的前半部分和后半部分的示例的图。
在图4中,竖直实线表示充电范围的边界,虚线表示充电范围的前半部分和后半部分的边界。充电范围①的前半部分和后半部分的持续时间分别为0.3T①和0.7T①。此外,充电范围②的前半部分和后半部分的持续时间分别为0.3T②和0.7T②。此外,充电范围③的前半部分和后半部分的持续时间分别为0.3T③和0.7T③。此外,充电范围④的前半部分和后半部分的持续时间分别为0.3T④和0.7T④。此外,充电范围⑤的前半部分和后半部分的持续时间分别为0.3T⑤和0.7T⑤。此外,充电范围⑥的前半部分和后半部分的持续时间分别为0.3T⑥和0.7T⑥。此外,充电范围⑦的前半部分和后半部分的持续时间分别为0.3T⑦和0.7T⑦。
对于每个充电范围,充电范围的持续时间可以不同。附加地,充电范围的前半部分和后半部分的持续时间可以在整个充电范围内全部相等或对于每个充电范围是不同的。也就是说,充电范围的前半部分和后半部分的边界可以设置为充电范围的持续时间内的任意时间。
除了在每个充电范围中通过电压测量单元11获取第一电芯至第N电芯的第一电芯电压时间序列数据和第二电芯电压时间序列数据之外,控制单元14还可以通过在每个充电范围中向深度学习模型施加第一电芯电压时间序列数据来确定在每个充电范围中的后半部分中预测电芯电压时间序列数据。
深度学习模型是预训练模型,以接收在根据上述充电曲线40对与电池组20中的电芯具有相同规格的第一训练电芯至第m训练电芯进行充电期间针对每个训练电芯在每个充电范围的前半部分中测量的第一电芯电压时间序列数据的输入,并且输出与在相应充电范围的后半部分中测量的第二电芯电压时间序列数据具有最小误差的预测电芯电压时间序列数据。
图5是示出了根据本公开的实施方式的根据充电曲线对第一训练电芯至第m训练电芯进行充电期间在每个充电范围中测量到的第一电芯电压时间序列数据和第二电芯电压时间序列数据的示例的图。
图5中上部的图以交叠方式示例性地示出了m个训练电芯当中的100个训练电芯的电压曲线,图5中下部的图示例性地示出了在充电范围①至⑦中测量到的第一电芯电压时间序列数据和第二电芯电压时间序列数据。
优选地,在模型训练期间,可以使用几千至几万个具有不同退化程度的训练电芯来提高深度学习模型的准确性和可靠性。
参照图5,可以预训练深度学习模型,以接收在充电范围①的前半部分中在训练电芯中测量到的第一电芯电压时间序列数据X的输入并且输出与在充电范围①的后半部分中在训练电芯中测量到的第二电芯电压时间序列数据Y具有最小误差的预测电芯电压时间序列数据。此外,可以预训练深度学习模型,以接收在充电范围②的前半部分中在训练电芯中测量到的第一电芯电压时间序列数据X的输入并且输出与在充电范围②的后半部分中在训练电芯中测量到的第二电芯电压时间序列数据Y具有最小误差的预测电芯电压时间序列数据。此外,可以预训练深度学习模型,以接收在充电范围③的前半部分中在训练电芯中测量到的第一电芯电压时间序列数据X的输入并且输出与在充电范围③的后半部分中在训练电芯中测量到的第二电芯电压时间序列数据Y具有最小误差的预测电芯电压时间序列数据。此外,可以预训练深度学习模型,以接收在充电范围④的前半部分中在训练电芯中测量到的第一电芯电压时间序列数据X的输入并且输出与在充电范围④的后半部分中在训练电芯中测量到的第二电芯电压时间序列数据Y具有最小误差的预测电芯电压时间序列数据。此外,可以预训练深度学习模型,以接收在充电范围⑤的前半部分中在训练电芯中测量到的第一电芯电压时间序列数据X的输入并且输出与在充电范围⑤的后半部分中在训练电芯中测量到的第二电芯电压时间序列数据Y具有最小误差的预测电芯电压时间序列数据。此外,可以预训练深度学习模型,以接收在充电范围⑥的前半部分中在训练电芯中测量到的第一电芯电压时间序列数据X的输入并且输出与在充电范围⑥的后半部分中在训练电芯中测量到的第二电芯电压时间序列数据Y具有最小误差的预测电芯电压时间序列数据。此外,可以预训练深度学习模型,以接收在充电范围⑦的前半部分中在训练电芯中测量到的第一电芯电压时间序列数据X的输入并且输出与在充电范围⑦的后半部分中在训练电芯中测量到的第二电芯电压时间序列数据Y具有最小误差的预测电芯电压时间序列数据。
更优选地,用于训练深度学习模型的数据除了在充电范围的前半部分中测量到的第一电芯电压时间序列数据之外,还可以包括在充电范围的前半部分中测量到的电芯电流和电芯温度的时间序列数据。在此情况下,可以训练深度学习模型,以接收在充电范围的前半部分中测量到的第一电芯电压时间序列数据、电芯电流时间序列数据和电芯温度时间序列数据的输入,并且输出与在充电范围的后半部分中测量到的第二电芯电压时间序列数据具有最小误差的预测电芯电压时间序列数据。
优选地,深度学习模型可以包括基于适用于预测电芯电压的时间序列行为的人工神经网络的任何模型。例如,人工神经网络可以包括递归神经网络(RNN)、卷积神经网络(CNN)等。然而,本公开不限制人工神经网络的类型。
在控制单元14针对电池组20中的第一电芯至第N电芯中的每一个获取在每个充电范围的后半部分中的第二电芯电压时间序列数据和预测电芯电压时间序列数据之后,控制单元14可以确定第二电芯电压时间序列数据(测量值)和预测电芯电压时间序列数据(预测值)之间的误差。
附加地,控制单元14可以针对第一电芯至第N电芯中的每一个监测在每个充电范围中第二电芯电压时间序列数据与确定出的预测电芯电压时间序列数据之间的误差,并且检测在至少一个充电范围中具有较大误差的电芯作为潜在缺陷电芯。
具体来说,控制单元14可以使用下式1针对每个充电范围计算第一电芯的第二电芯电压时间序列数据Vk,1(j)与预测电芯电压时间序列数据Vk,1 *(j)之间的误差Ek,1。
<式1>
Ek,i=max(|Vk,i(j)-V* k,i(j)|),1≤j≤Nummeasure
k:充电范围的索引
Ek,i:第i电池电芯的第k充电范围的误差
Vk,i(j):在第k充电范围的后半部分中测量到的第i电池电芯的第j第二电芯电压
V* k,i(j):在第k充电范围的后半部分中由深度学习模型预测的第i电池电芯的第j预测电芯电压
Nummeasure:在第k充电范围的后半部分中测量的电芯电压的总次数或在第k充电范围的后半部分中使用深度学习模型预测的电芯电压的总次数
max():返回多个输入值当中最大值的函数
附加地,控制单元14可以针对每个充电范围计算第二电芯至第N电芯的第二电芯电压时间序列数据与预测电芯电压时间序列数据之间的误差Ek,2、Ek,3、……、Ek,n。
图6是示出了对于检测到潜在缺陷的特定电芯在充电曲线40的充电范围②的后半部分中测量的第二电芯电压时间序列数据Vk,i(j)、由深度学习模型预测的预测电芯电压时间序列数据V* k,i(j)、以及对应于它们之间的差的“Vk,i(j)-V* k,i(j)”的变化的图。
黑色实线表示Vk,i(j),而黑色虚线表示V* k,i(j)。参照图6,可以看出潜在缺陷电芯在特定充电范围中具有达到显著水平的“Vk,i(j)-V* k,i(j)”的增加。因此,误差Ek,i可以用作用于检测潜在缺陷电芯的参数。作为参考,没有潜在缺陷的电芯的第二电芯电压时间序列数据和预测电芯电压时间序列数据由灰线指示,并且它们匹配且无法区分。
附加地,控制单元14可以使用下式2针对每个充电范围确定第一电芯至第N电芯的误差Ek,i的第一平均值Avrk和第一标准差σk。
<式2>
Avrk=mean(Ek,i),1≤i≤N
σk=std(Ek,i),1≤i≤N
i:电芯的索引
N:电池组中的电芯数量
k:充电范围的索引
Ek,i:第i电池电芯的第k充电范围的误差
mean():返回多个输入值的平均值的函数
std():返回多个输入值的标准差的函数
附加地,控制单元14可以针对每个充电范围使用下式3确定第一电芯至第N电芯中的每一个的误差Ek,i的第一标准化值Std_Valuek,i。当充电范围的数量为Numcharge时,每个电芯的第一标准化值Std_Valuek,i的数量为Numcharge。
<式3>
Std_Valuek,i=(Ek,i-Avrk)/σk,1≤k≤Numcharge
i:电芯的索引
k:充电范围的索引
Numcharge:充电范围的数量
Avrk:第k充电范围的第一平均值
σk:第k充电范围的第一标准差
附加地,控制单元14可以检测电池组20的第一电芯至第N电芯当中的在至少一个充电范围中第一标准化值Std_Valuek,i大于预设第一阈值的任何一个电芯作为潜在缺陷电芯。
第一标准化值Std_Valuek,i是表示在第k充电范围中确定的第i电芯的误差Ek,i在误差的标准差σk的基础上与平均误差值Avrk相差多少的因子。
例如,当Std_Valuek,i为2时,Ek,i与平均误差之间的差为误差的标准差的两倍。因此,在第k充电范围中第一标准化值Std_Valuek,i比其它电芯更大的任何电芯由于测量到的电芯电压与预测电芯电压之间的误差相对大而可以被视为可能发生缺陷的电芯。这是因为潜在缺陷电芯的电压变化行为(第二电芯电压的变化行为)与正常电芯的电压变化行为(预测电芯电压的变化行为)之间的差异很大。
优选地,第一阈值可以设置为3以上,更优选地为4以上,且更加更优选地为4.5以上。
此外,在式3中,可以在深度学习模型的训练过程中预先确定每个充电范围的第一平均值Avrk和第一标准差σk。也就是说,在深度学习模型的训练完成之后,可以在根据具有多个充电范围的充电曲线40对第一训练电芯至第m训练电芯进行充电期间,收集第一电芯电压时间序列数据、第二电芯电压时间序列数据和预测电芯电压时间序列数据,并且可以针对每个训练电芯确定每个充电范围的误差Ek,i。附加地,对于每个充电范围使用式2计算的误差Ek,i的平均值和标准差可以被预设为第一平均值Avrk和第一标准差σk。
可选地,控制单元14可以使用下式4针对每个模块确定误差Ek,i的第二平均值Avrk,a和第二标准差σk,a。优选地,针对每个充电范围确定第二平均值Avrk,a和第二标准差σk,a。
<式4>
Avrk,a=mean(Ek,i@a),1≤i≤na,1≤k≤Numcharge
σk,a=std(Ek,i),1≤i≤na,1≤k≤Numcharge
a:模块的索引
i:电芯的索引
na:第a模块中包括的电芯总数
k:充电范围的索引
Numcharge:充电范围的总数
Ek,i@a:第a模块中第i电芯的第k充电范围中的误差
mean():返回多个输入值的平均值的函数
std():返回多个输入值的标准差的函数
附加地,控制单元14可以针对每个充电范围使用下式5来确定第一电芯至第N电芯中的每个电芯的误差Ek,i的模块中的第二标准化值Std_Value* k,i。每个电芯的模块中的第二标准化值Std_Value* k,i的数量是Numcharge。
<式5>
Std_Value* k,i=(Ek,i-Avrk,a)/σk,a,1≤i≤N,1≤a≤p,1≤k≤Numcharge
i:电池电芯的索引,N为电芯总数
a:模块的索引,p是模块的总数
k:充电范围的索引,Numcharge为充电范围的总数
Avrk,a:针对包括电芯的模块而定义的第二平均值
σk,a:针对包括电芯的模块而定义的第二标准差
附加地,控制单元14可以被配置为检测在至少一个充电范围中第一标准化值Std_Valuek,i大于第一阈值且模块中的第二标准化值Std_Value* k,i大于第二阈值的任何电芯,作为潜在缺陷电芯。
第二标准化值Std_Value* k,i是基于模块中误差的标准差σk,a在第k充电范围中确定的电芯的误差Ek,i与模块中的误差的平均值Avrk,a相差多少的因子。
例如,当Std_Value* k,i为2时,Ek,i与模块中的平均误差之间的差为模块中的误差的标准差的两倍。因此,一个模块中第二标准化值Std_Value* k,i比其它电芯大的任何电芯因为测量到的电芯电压与预测电芯电压之间的误差比模块中的其它电芯大,所以可以被视为可能出现缺陷的电芯。
优选地,第二阈值可以小于第一阈值。在示例中,第二阈值可以优选地被设置为3.0以下,并且更优选地设置为2.5以下。
可选的,控制单元14可以进一步被配置为执行检测电池电芯的潜在缺陷类型的逻辑。
具体来说,控制单元14可以监测在每个充电范围的后半部分中测量的第一电芯至第N电芯的第二电芯电压时间序列数据与在每个充电范围的后半部分中预测的预测电芯电压时间序列数据的相对变化行为随着充电范围变换是否展现出每个潜在缺陷类型的预定义变化行为模式。附加地,当在多个充电循环期间在相同电芯中检测到预定义变化行为达到参考次数以上时,控制单元14可以将相应电芯标识为潜在缺陷电芯并确定潜在缺陷类型。
在示例中,当在锂聚合物电芯中出现在负极镀锂时,在充电的早期阶段的充电范围中第二电芯电压时间序列数据比预测电芯电压时间序列数据增长更快。这是因为当出现在负极镀锂时,在充电早期阶段负极电位增大。由于电芯电压对应于正极电位与负极电位之间的差,所以当负极电位增大时,电芯电压的变化斜率增加。结果,在充电早期阶段第二电芯电压比预测电芯电压增加更快。由于预测电芯电压是由深度学习模型预测的电压,因此在充电早期阶段表现出接近正常电芯的电压变化行为,因此预测电芯电压的增加并不急剧。
附加地,与前述描述相反,在充电的后期阶段的充电范围中预测电芯电压时间序列数据比第二电芯电压时间序列数据增加更快。在充电期间负极电位下降缓慢,并且当出现负极镀覆有锂时,参与电化学反应的锂的量减少,并且负极的电位下降减缓。当负极的电位下降减缓时,电芯电压的增加也减缓。结果,在充电后期阶段的充电范围中,预测电芯电压反而比第二电芯电压增加更快。由于预测电芯电压是由深度学习模型预测的电压,并且在充电的后期阶段表现出接近正常电芯的电压变化行为,因此负极电位下降并没有减缓。
图7是示出了对于其中出现在负极镀锂的特定电芯在充电曲线40的充电范围①至⑤的后半部分中测量的第二电芯电压时间序列数据Vk,i(j)、由深度学习模型预测的预测电芯电压时间序列数据V* k,i(j)、以及对应于它们之间的差的“Vk,i(j)-V* k,i(j)”的变化的图。在每个图中,横轴是时间(秒),纵轴是电压(毫伏)。
黑色实线表示Vk,i(j),而黑色虚线表示V* k,i(j)。从图7可以看出,在出现锂镀覆的电芯中,在充电早期的充电范围①中,第二电芯电压时间序列数据比预测电芯电压时间序列数据增加更快。此外,相反地,在充电范围③、④和⑤中,预测电芯电压时间序列数据比第二电芯电压时间序列数据增加更快。没有潜在缺陷的电芯的第二电芯电压时间序列数据和预测电芯电压时间序列数据由灰线表示,并且它们匹配且无法区分。
在实施方式中,当控制单元14检测到第一电芯至第N电芯中的任何一个表现出在充电早期阶段的充电范围中第二电芯电压时间序列数据比预测电芯电压时间序列数据增加更快的行为,并且在充电后期阶段的充电范围中预测电芯电压时间序列数据比第二电芯电压时间序列数据增加更快时,控制单元14可以将相应电芯的潜在缺陷识别为在负极镀锂。
可选地,每当控制单元14检测到第一电芯至第N电芯中的任何一个表现出以下行为时控制单元14可以将相应电芯的潜在缺陷计数增加1:在根据包括多个充电范围的充电曲线40对电池组20进行充电期间的早期阶段的充电范围中第二电芯电压时间序列数据比预测电芯电压时间序列数据增加更快,并且在充电后期阶段的充电范围中预测电芯电压时间序列数据比第二电芯电压时间序列数据增加更快。
附加地,当潜在缺陷计数等于或大于参考次数时,控制单元14可以最终确定相应电芯的潜在缺陷为在负极镀锂。
返回参照图1,根据本公开的设备10可以进一步包括用于存储数据、预定义参数、程序或其组合的记录存储介质15、以及显示器16。
当根据上述实施方式检测到潜在缺陷电芯时,控制单元14可以将潜在缺陷电芯的标识信息和/或与潜在缺陷类型相关联的信息与时间戳一起记录在记录存储介质15中。
潜在缺陷电芯的标识信息包括电池组20的型号代码、潜在缺陷电芯所属的模块代码、潜在缺陷电芯的生产批号或其组合。与潜在缺陷类型相关联的信息可以包括指示在负极处镀锂的诊断代码。
附加地,当根据上述实施方式检测到潜在缺陷电芯时,控制单元14可以被配置为通过显示器16输出通知在电池组20中检测到潜在缺陷电芯的消息。
当电池组20安装在电动车辆上时,显示器16可以是电动车辆的仪表板或集成汽车控制显示器。在另一示例中,当电池组20安装在储能系统中时,显示器16可以是包括在储能系统的集成控制计算机中的显示器。然而,本公开不限制显示器的类型。
此外,根据本公开的设备10可以进一步包括通信接口17。在此情况下,控制单元14可以通过通信接口17向外部装置发送与潜在缺陷电芯相关联的识别信息和/或与潜在缺陷相关联的信息。
通信接口17支持有线或无线通信。通信接口17可以支持通过控制器局域网(CAN)、菊花链、RS-232等进行的数据发送/接收。附加地,通信接口17可以支持经由例如Wi-Fi、Bluetooth(蓝牙)、Zigbee(紫蜂)等的近场通信的数据发送/接收。附加地,通信接口17可以支持经由有线/无线因特网、基站通信或卫星通信的广域数据发送/接收。
外部装置可以是充电装置30。在另一示例中,外部装置可以是收集电池组20的状态信息的云服务器。在另一示例中,外部装置可以是调查电池组20的性能的诊断装置。
在本公开中,控制单元14可以选择性地包括在相应技术领域公知的处理器、专用集成电路(ASIC)、芯片组、逻辑电路、寄存器、通信调制解调器、数据处理装置等,以执行各种控制逻辑。
记录存储介质15不限于特定类型,并且可以包括能够记录和擦除信息的任何记录介质。在示例中,记录存储介质15可以是硬盘、RAM、ROM、EEPROM、寄存器或闪存。记录存储介质15可以存储和/或更新和/或擦除和/或发送包括由控制单元14执行的控制逻辑的程序和/或在执行控制逻辑时产生的数据以及预定义的查找表、函数、参数、化学/物理/电气常数等。
控制单元14的控制逻辑中的至少一个可以组合在一起,并且组合后的控制逻辑可以用计算机可读代码编写并记录在记录存储介质15中。可以在经由网络连接的曲线式计算机中存储并执行该代码。附加地,本公开所属技术领域的程序员可以容易地推断出用于实现组合控制逻辑的功能程序、代码和代码段。
根据本公开的设备10可以包括在电池管理系统或电池诊断系统中。电池管理系统是控制电池组20的整体操作的系统。电池管理系统可以是包括在安装有电池组20的负载装置(例如,电动车辆和储能系统)中的集成控制系统。除了电池管理系统或电池诊断系统之外,如果需要,根据本公开的设备10可以被包括作为任何其它装置或系统的一部分。
在下文中,将参照图8至图10描述根据本公开的实施方式的用于检测电池组中的潜在缺陷电芯的方法。
参照图8,首先,在步骤S10中,充电装置30根据包括多个充电范围的充电曲线40向电池组20施加充电电流。充电装置30可以是电动车辆的充电站或储能系统的PCS。
施加充电电流可以响应于来自控制单元14的请求而开始。也就是说,控制单元14可以识别充电电缆与电池组20的高电位线和低电位线的连接,并且请求充电装置30开始充电。另选地,当充电装置30连接到电池组20时,可以自动开始施加充电电流。
随后,在步骤S20中,控制单元14通过在根据充电曲线40对电池组20进行充电期间的每个充电范围中从电压测量单元11周期性地接收电池组20中的第一电芯至第N电芯的电芯电压值的输入,来获取第一电芯电压时间序列数据和第二电芯电压时间序列数据。
随后,在步骤S30中,除了在每个充电范围中通过电压测量单元11获取第一电芯电压时间序列数据和第二电芯电压时间序列数据之外,控制单元14通过在每个充电范围中将预训练的深度学习模型应用于第一电芯至第N电芯的第一电芯电压时间序列数据,来确定在相应充电范围的后半部分中的预测电芯电压时间序列数据。
随后,在步骤S40中,控制单元14使用式1计算在每个充电范围中第一电芯至第N电芯的第二电芯电压时间序列数据与预测电芯电压时间序列数据之间的误差Ek,i。在步骤S40中,当充电范围数量为Numcharge时,误差Ek,i的总数为Numcharge*N。
随后,在步骤S50中,控制单元14使用式2针对每个充电范围确定第一电芯至第N电芯的误差Ek,i的第一平均值Avrk和第一标准差σk。
随后,在步骤S60中,控制单元14针对每个充电范围使用式3确定第一电芯至第N电芯中的每个电芯的误差Ek,i的第一标准化值Std_Valuek,i。当充电范围数量为Numcharge时,第一标准化值Std_Valuek,i的总数为Numcharge*N。
随后,在步骤S70中,控制单元14可以检测在至少一个充电范围中第一标准化值Std_Valuek,i大于预设第一阈值的任何电芯,作为潜在缺陷电芯。
在步骤S70之后,可以选择性地执行步骤S80或S90。
在步骤S80中,当检测到潜在缺陷电芯时,控制单元14可以将潜在缺陷电芯的标识信息和/或与潜在缺陷类型相关联的信息与时间戳一起记录在记录存储介质15中。潜在缺陷电芯的标识信息包括电池组20的型号代码、潜在缺陷电芯所属的模块代码、潜在缺陷电芯的生产批号或其组合。与潜在缺陷类型相关联的信息可以包括指示在负极处镀锂的诊断代码。
附加地,在步骤S90中,当检测到潜在缺陷电芯时,控制单元14可以通过显示器16输出通知在电池组20中检测到潜在缺陷电芯的消息。响应于信息的输出,用户可以停止使用电池组20或更换电池组20,或者可以请求维修店或售后服务中心对电池组20进行详细调查。
此外,可以省略步骤S50。在此情况下,可以在深度学习模型的训练过程中预先确定第一平均值Avrk和第一标准差σk。也就是说,在完成深度学习模型的训练之后,可以在根据充电曲线40对第一训练电芯至第m训练电芯进行充电期间针对每个训练电芯确定每个充电范围的误差Ek,i。附加地,可以使用式2针对每个充电范围计算误差Ek,i的平均值和标准差,并且每个计算出的值可以被预设为第一平均值Avrk和第一标准差σk。深度学习模型训练过程中设置的第一均值Avrk和第一标准差σk可以预先存储在记录存储介质15中,并且在执行步骤S60时,可以由控制单元14参考预先存储的信息。
在优选实施方式中,可以如图9所示地修改步骤S60之后的步骤。
也就是说,在步骤S100中,控制单元14可以使用式4针对每个模块确定在每个充电范围中的误差Ek,i的第二平均值Avrk,a和第二标准差σk,a。
随后,在步骤S110中,控制单元14使用式5针对每个充电范围确定第一电芯至第N电芯中的每个电芯的误差Ek,i的模块中的第二标准化值Std_Value* k,i。当充电范围的数量为Numcharge时,每个电芯的模块中的第二标准化值Std_Value* k,i的数量为Numcharge。
随后,在步骤S120中,控制单元14可以检测在至少一个充电范围中第一标准化值Std_Valuek,i大于第一阈值且模块中的第二标准化值Std_Value* k,i大于第二阈值的任何电芯,作为潜在缺陷电芯。
优选地,第二阈值可以小于第一阈值。在示例中,第一阈值可以是3.0以上,优选地4.0以上,并且更优选地4.5以上。附加地,第二阈值优选地设置为3.0以下,并且更优地选设置为2.5以下。
在步骤S120之后,以与上述实施方式相同的方式,可以基本上等同地执行步骤S80或S90。
也就是说,当检测到电池组20中的潜在缺陷电芯时,控制单元14可以将潜在缺陷电芯的标识信息和/或与潜在缺陷类型相关联的信息连同时间戳一起记录在记录存储介质15中。潜在缺陷电芯的标识信息包括电池组20的型号代码、潜在缺陷电芯所属的模块代码、潜在缺陷电芯的生产批号或其组合。与潜在缺陷类型相关联的信息可以包括指示在负极镀锂的诊断代码。
附加地,当检测到电池组20中的潜在缺陷电芯时,控制单元14可以通过显示器16输出通知在电池组20中检测到潜在缺陷电芯的消息。
根据本公开的用于检测电池组中的潜在缺陷电芯的方法还可以包括识别电池电芯的潜在缺陷类型。
如图10所示,在步骤S130中,控制单元14可以监测在每个充电范围的后半部分中测量的第一电芯至第N电芯的第二电芯电压时间序列数据与在每个充电范围的后半部分中预测的预测电芯电压时间序列数据的相对变化行为随着充电范围变换是否表现出各潜在缺陷类型的预定义变化行为模式。
在实施方式中,控制单元14可以监测第一电芯至第N电芯中的任何电芯是否表现出以下行为模式:在充电早期阶段的充电范围中第二电芯电压时间序列数据比预测电芯电压时间序列数据增加更快并且在充电后期阶段的充电范围中预测电芯电压时间序列数据比第二电芯电压时间序列数据增长更快。
随后,在步骤S140中,控制单元14确定第二电芯电压时间序列数据和预测电芯电压时间序列数据的相对变化行为是否对应于潜在缺陷类型的预定义变化行为模式。
当步骤S140的结果为“是”时,执行步骤S150。反之,在步骤S140的结果为“否”时,过程返回步骤S130。
当步骤S140的结果为“是”时,控制单元140在步骤S150中识别与预定义变化行为模式相对应的潜在缺陷类型。在实施方式中,当控制单元14检测到第一电芯至第N电芯中表现出以下行为模式的任何电芯时控制单元14可以将相应电芯的潜在缺陷识别为在负极镀锂,所述行为模式为:在充电早期阶段的充电范围中第二电芯电压时间序列数据比预测电芯电压时间序列数据增加更快并且在充电后期阶段的充电范围中预测电芯电压时间序列数据比第二电芯电压时间序列数据增长更快。
随后,在步骤S160中,控制单元14将识别出潜在缺陷类型(例如在负极镀锂)的相应电芯的潜在缺陷计数增加1。
随后,在步骤S170中,控制单元14确定潜在缺陷计数是否超过参考次数。
当步骤S170的确定为“是”时,执行步骤S180。反之,当S170的确定为“否”时,过程返回到步骤S130。
当步骤S170的确定为“是”时,控制单元14在步骤S180中最终确定潜在缺陷计数大于参考次数的电芯的潜在缺陷类型(例如,在负极镀锂)。
在执行步骤S180之后,以与上述实施方式相同的方式,可以执行步骤S80或S90。
也就是说,当识别出电池组20中的特定电芯的潜在缺陷并最终确定了潜在缺陷类型时,控制单元14可以将潜在缺陷电芯的标识信息以及与潜在缺陷类型相关联的信息连同时间戳一起记录在记录存储介质15中。潜在缺陷电芯的标识信息包括电池组20的型号代码、潜在缺陷电芯所属的模块代码、潜在缺陷电芯的生产批号或其组合。与潜在缺陷类型相关联的信息可以包括指示在负极镀锂的诊断代码。
附加地,当在电池组20中识别出潜在缺陷电芯并且最终确定了潜在缺陷类型时,控制单元14可以通过显示器16连同与潜在缺陷类型相关联的信息一起输出通知在电池组20中检测到潜在缺陷电芯的消息。
此外,控制单元14可以通过通信接口17向外部装置发送与潜在缺陷电芯相关联的标识信息和/或与潜在缺陷类型相关联的信息。通信接口17可以支持有线通信或无线通信。
外部装置可以是充电装置30。在另一示例中,外部装置可以是收集电池组20的状态信息的云服务器。在又一示例中,外部装置可以是调查电池组20的性能的诊断装置。
在本公开中,潜在缺陷类型除了在负极镀锂之外还可以包括任何其它潜在缺陷类型,例如电芯膨胀、内部微短路等。对于每个潜在缺陷类型,对于本领域技术人员显而易见的是,可以通过测试容易地确定第二电芯电压时间序列数据和预测电芯电压时间序列数据的随着充电范围变换的相对变化行为模式。
根据本公开,通过将电池组20的充电曲线划分为多个充电范围,并且针对每个充电范围统计比较和分析实际测量电压与预测电压的行为。因此,通过在早期阶段检测与起火或爆炸事故直接相关的潜在缺陷,尤其是诸如在负极镀锂之类的严重潜在缺陷,并且向用户提供警告,可以防止人为事故。附加地,除了在负极镀锂外,本公开还可以检测由于膨胀、微短路等引起的电压变化行为,从而有效应对其它潜在缺陷。
虽然上文已经针对有限数量的实施方式和附图描述了本公开,但是本公开不限于此并且对于本领域的技术人员来说显而易见的是,可以在本公开的技术方面和所附权利要求及其等同物的范围内对其进行各种修改和变型。
Claims (17)
1.一种用于检测电池组中的潜在缺陷电芯的设备,该设备包括:
电压测量单元、电流测量单元和温度测量单元,该电压测量单元、该电流测量单元和该温度测量单元分别用于在所述电池组的充电期间测量所述电池组中包括的第一电芯至第N电芯的电压、电流和温度;以及
控制单元,该控制单元在操作上联接至所述电压测量单元、所述电流测量单元和所述温度测量单元,
其中,所述控制单元被配置为:在根据具有多个充电范围的充电曲线对所述电池组进行充电期间,在每个充电范围中针对所述第一电芯至第N电芯中的每个电芯,在所述充电范围的前半部分中通过所述电压测量单元获取第一电芯电压时间序列数据;通过将深度学习模型应用于所述第一电芯电压时间序列数据来确定在所述充电范围的后半部分中的预测电芯电压时间序列数据;在所述充电范围的后半部分中通过所述电压测量单元获取第二电芯电压时间序列数据;以及确定所述第二电芯电压时间序列数据与所述预测电芯电压时间序列数据之间的误差,并且
其中,所述控制单元还被配置为检测在所述充电范围的至少一个中具有比其它电芯更大的误差的任何电芯,作为所述潜在缺陷电芯。
2.根据权利要求1所述的用于检测电池组中的潜在缺陷电芯的设备,其中,所述控制单元被配置为:针对所述第一电芯至所述第N电芯中的每个电芯,对于每个充电范围确定所述第二电芯电压时间序列数据与所述预测电芯电压时间序列数据之间的最大差作为所述误差;对于每个充电范围确定所述第一电芯至所述第N电芯的所述误差的第一平均值和第一标准差;对于每个充电范围确定所述第一电芯至所述第N电芯中的每个电芯的与所述误差的第一标准化值相对应的“(所述误差-所述第一平均值)/所述第一标准差”;以及检测在所述充电范围的至少一个中所述第一标准化值大于第一阈值的任何电芯作为所述潜在缺陷电芯。
3.根据权利要求1所述的用于检测电池组中的潜在缺陷电芯的设备,其中,所述深度学习模型是使用在每个充电范围的所述前半部分和所述后半部分中分别测量的第一训练电芯至第m训练电芯的所述第一电芯电压时间序列数据和所述第二电芯电压时间序列数据来预训练的,以接收所述第一电芯电压时间序列数据的输入,并且输出与所述第二电芯电压时间序列数据具有最小误差的预测电芯电压时间序列数据。
4.根据权利要求3所述的用于检测电池组中的潜在缺陷电芯的设备,其中,所述控制单元被配置为:针对所述第一电芯至所述第N电芯中的每个电芯,对于每个充电范围确定所述第二电芯电压时间序列数据与所述预测电芯电压时间序列数据之间的最大差作为所述误差;对于每个充电范围确定所述第一电芯至所述第N电芯中的每个电芯的与所述误差的第一标准化值相对应的“(所述误差-第一平均值)/第一标准差”;以及检测在所述充电范围的至少一个中所述第一标准化值大于第一阈值的任何电芯作为所述潜在缺陷电芯,并且
其中,所述第一平均值和所述第一标准差是在所述深度学习模型的训练过程中预先确定的值。
5.根据权利要求2或4所述的用于检测电池组中的潜在缺陷电芯的设备,其中,所述电池组包括串联和/或并联连接的第一模块至第p模块,并且
其中,所述控制单元被配置为:针对所述第一模块至所述第p模块中的每个模块,确定该模块中包括的多个电芯中的每个电芯的所述误差的第二平均值和第二标准差;对于每个充电范围确定所述第一电芯至所述第N电芯中的每个电芯的与所述误差的第二标准化值相对应的“(所述误差-所述第二平均值)/所述第二标准差”;以及检测在所述充电范围的至少一个中所述第一标准化值大于所述第一阈值且所述第二标准化值大于第二阈值的任何电池电芯作为所述潜在缺陷电芯。
6.根据权利要求1所述的用于检测电池组中的潜在缺陷电芯的设备,其中,所述控制单元被配置为:针对所述第一电芯至所述第N电芯中的每个电芯,
监测随着所述充电范围转变所述第二电芯电压时间序列数据与所述预测电芯电压时间序列数据的相对变化行为是否对应于每个潜在缺陷类型的预定义变化行为模式,并且最终确定其中发现所述预定义变化行为模式参考次数以上的任何电芯的潜在缺陷类型。
7.根据权利要求6所述的用于检测电池组中的潜在缺陷电芯的设备,其中,所述预定义变化行为模式是在充电早期阶段的充电范围中所述第二电芯电压时间序列数据比所述预测电芯电压时间序列数据增加更快,并且在充电后期阶段的充电范围中所述预测电芯电压时间序列数据比所述第二电芯电压时间序列数据增加更快,并且
其中,所述潜在缺陷类型为在负极镀锂。
8.根据权利要求1所述的用于检测电池组中的潜在缺陷电芯的设备,其中,该设备还包括:
记录存储介质,该记录存储介质被配置为存储数据、预定义参数、程序或其组合;以及
显示器,
其中,所述控制单元被配置为将与检测到的潜在缺陷电芯相关联的标识信息记录在所述记录存储介质中,或者通过所述显示器输出通知在所述电池组中检测到所述潜在缺陷电芯的消息,或者经由通信向外部装置发送所述潜在缺陷电芯的所述标识信息。
9.一种电池管理系统,该电池管理系统包括根据权利要求1所述的用于检测电池组中的潜在缺陷电芯的设备。
10.一种用于检测电池组中的潜在缺陷电芯的方法,该方法包括以下步骤:
在根据具有多个充电范围的充电曲线对所述电池组进行充电期间,在每个充电范围中针对第一电芯至第N电芯中的每个电芯,
(a)在所述充电范围的前半部分中获取第一电芯电压时间序列数据;
(b)通过将深度学习模型应用于所述第一电芯电压时间序列数据来确定在所述充电范围的后半部分中的预测电芯电压时间序列数据;
(c)在所述后半部分中获取第二电芯电压时间序列数据;
(d)确定所述第二电芯电压时间序列数据与所述预测电芯电压时间序列数据之间的误差;以及
(e)检测在所述充电范围的至少一个中具有比其它电芯更大的误差的任何电芯,作为所述潜在缺陷电芯。
11.根据权利要求10所述的用于检测电池组中的潜在缺陷电芯的方法,其中,步骤(d)包括以下步骤:针对所述第一电芯至所述第N电芯中的每个电芯,对于每个充电范围确定所述第二电芯电压时间序列数据与所述预测电芯电压时间序列数据之间的最大差作为所述误差,并且
其中,步骤(e)包括以下步骤:
(e1)对于每个充电范围确定所述第一电芯至所述第N电芯的所述误差的第一平均值和第一标准差;
(e2)对于每个充电范围确定所述第一电芯至所述第N电芯中的每个电芯的与所述误差的第一标准化值相对应的“(所述误差-所述第一平均值)/所述第一标准差”;以及
(e3)检测在所述充电范围的至少一个中所述第一标准化值大于第一阈值的任何电芯作为所述潜在缺陷电芯。
12.根据权利要求10所述的用于检测电池组中的潜在缺陷电芯的方法,其中,所述深度学习模型是使用在每个充电范围的所述前半部分和所述后半部分中测量的第一训练电芯至第m训练电芯的所述第一电芯电压时间序列数据和所述第二电芯电压时间序列数据来预训练的,以接收所述第一电芯电压时间序列数据的输入,并输出与所述第二电芯电压时间序列数据具有最小误差的预测电芯电压时间序列数据。
13.根据权利要求12所述的用于检测电池组中的潜在缺陷电芯的方法,其中,步骤(d)包括以下步骤:针对所述第一电芯至所述第N电芯中的每个电芯,对于每个充电范围确定所述第二电芯电压时间序列数据与所述预测电芯电压时间序列数据之间的最大差作为所述误差,并且
其中,步骤(e)包括以下步骤:
(e1)对于每个充电范围确定所述第一电芯至所述第N电芯中的每个电芯的与所述误差的第一标准化值相对应的“(所述误差-第一平均值)/第一标准差”;以及
(e2)检测在所述充电范围的至少一个中所述第一标准化值大于第一阈值的任何电芯作为所述潜在缺陷电芯,并且
其中,所述第一平均值和所述第一标准差是在所述深度学习模型的训练过程中预先确定的值。
14.根据权利要求11或13所述的用于检测电池组中的潜在缺陷电芯的方法,其中,所述电池组包括串联和/或并联连接的第一模块至第p模块,并且
其中,该方法还包括以下步骤:针对所述第一模块至所述第p模块中的每个模块,确定该模块中包括的多个电芯中的每个电芯的所述误差的第二平均值和第二标准差;
对于每个充电范围确定所述第一电芯至所述第N电芯中的每个电芯的与所述误差的第二标准化值相对应的“(所述误差-所述第二平均值)/所述第二标准差”;以及
检测所述第一标准化值大于所述第一阈值且所述第二标准化值大于第二阈值的任何电芯作为所述潜在缺陷电芯。
15.根据权利要求10所述的用于检测电池组中的潜在缺陷电芯的方法,该方法还包括以下步骤:
针对所述第一电芯至所述第N电芯中的每个电芯,监测随着所述充电范围转变所述第二电芯电压时间序列数据与所述预测电芯电压时间序列数据的相对变化行为是否对应于每个潜在缺陷类型的预定义变化行为模式;以及
最终确定其中发现所述预定义变化行为模式参考次数以上的任何电芯的潜在缺陷类型。
16.根据权利要求15所述的用于检测电池组中的潜在缺陷电芯的方法,其中,所述预定义变化行为模式是在充电早期阶段的充电范围中所述第二电芯电压时间序列数据比所述预测电芯电压时间序列数据增加更快,并且在充电后期阶段的充电范围中所述预测电芯电压时间序列数据比所述第二电芯电压时间序列数据增加更快,并且
其中,所述潜在缺陷类型为在负极镀锂。
17.根据权利要求10所述的用于检测电池组中的潜在缺陷电芯的方法,该方法还包括以下步骤:
将与检测到的潜在缺陷电芯相关联的标识信息记录在记录存储介质中;
通过显示器输出通知在所述电池组中检测到所述潜在缺陷电芯的消息;或者
经由通信向外部装置发送所述潜在缺陷电芯的所述标识信息。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2021-0142202 | 2021-10-22 | ||
KR1020210142202A KR20230057894A (ko) | 2021-10-22 | 2021-10-22 | 배터리 팩 내의 이상 징후 셀 검출 장치 및 방법 |
PCT/KR2022/016209 WO2023068899A1 (ko) | 2021-10-22 | 2022-10-21 | 배터리 팩 내의 이상 징후 셀 검출 장치 및 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116829966A true CN116829966A (zh) | 2023-09-29 |
Family
ID=86059437
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280013690.7A Pending CN116829966A (zh) | 2021-10-22 | 2022-10-21 | 检测电池组中的异常电芯的设备及其方法 |
Country Status (5)
Country | Link |
---|---|
EP (1) | EP4321884A1 (zh) |
JP (1) | JP2024500893A (zh) |
KR (1) | KR20230057894A (zh) |
CN (1) | CN116829966A (zh) |
WO (1) | WO2023068899A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117578664A (zh) * | 2023-11-28 | 2024-02-20 | 浙江智格科技有限公司 | 基于智能物联网的换电柜安全控制方法及系统 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116466241B (zh) * | 2023-05-06 | 2024-03-26 | 重庆标能瑞源储能技术研究院有限公司 | 一种单体电池热失控定位方法 |
CN117310543A (zh) * | 2023-11-29 | 2023-12-29 | 中国华能集团清洁能源技术研究院有限公司 | 电池异常诊断方法及装置 |
CN117406007B (zh) * | 2023-12-14 | 2024-02-13 | 山东佰运科技发展有限公司 | 一种充电桩充电数据检测方法及系统 |
CN117691722B (zh) * | 2024-02-01 | 2024-04-09 | 中山市福瑞特科技产业有限公司 | 一种锂电池充电安全监测预警方法及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102042077B1 (ko) * | 2016-09-26 | 2019-11-07 | 주식회사 엘지화학 | 인공지능형 연료전지 시스템 |
KR102354112B1 (ko) * | 2019-03-26 | 2022-01-24 | 서강대학교산학협력단 | 인공 지능에 기반하여 배터리의 상태를 추정하는 장치 및 방법 |
JP7518070B2 (ja) * | 2019-05-24 | 2024-07-17 | 株式会社半導体エネルギー研究所 | 二次電池の内部抵抗の推定方法及び二次電池の異常検知システム |
CN112081928A (zh) | 2019-06-12 | 2020-12-15 | 浙江盾安禾田金属有限公司 | 电子膨胀阀 |
KR102238248B1 (ko) * | 2019-07-31 | 2021-04-12 | 주식회사 에스제이 테크 | 머신러닝을 이용한 배터리 진단 방법 |
KR102362532B1 (ko) * | 2020-03-16 | 2022-02-16 | 주식회사 로보볼트 | 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치 |
-
2021
- 2021-10-22 KR KR1020210142202A patent/KR20230057894A/ko active Search and Examination
-
2022
- 2022-10-21 CN CN202280013690.7A patent/CN116829966A/zh active Pending
- 2022-10-21 WO PCT/KR2022/016209 patent/WO2023068899A1/ko active Application Filing
- 2022-10-21 EP EP22884120.1A patent/EP4321884A1/en active Pending
- 2022-10-21 JP JP2023538070A patent/JP2024500893A/ja active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117578664A (zh) * | 2023-11-28 | 2024-02-20 | 浙江智格科技有限公司 | 基于智能物联网的换电柜安全控制方法及系统 |
CN117578664B (zh) * | 2023-11-28 | 2024-06-11 | 浙江智格科技有限公司 | 基于智能物联网的换电柜安全控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
WO2023068899A1 (ko) | 2023-04-27 |
EP4321884A1 (en) | 2024-02-14 |
JP2024500893A (ja) | 2024-01-10 |
KR20230057894A (ko) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116829966A (zh) | 检测电池组中的异常电芯的设备及其方法 | |
Rezvanizaniani et al. | Review and recent advances in battery health monitoring and prognostics technologies for electric vehicle (EV) safety and mobility | |
EP2801837B1 (en) | Device and method for measuring insulation resistance of battery | |
EP2629109B1 (en) | Electrical storage device | |
EP3644079B1 (en) | Apparatus and method for testing performance of battery cell | |
JP6234946B2 (ja) | 電池状態推定装置 | |
CN109143101B (zh) | 一种汽车蓄电池状态监测警示系统及方法 | |
JP2024099795A (ja) | バッテリ診断装置、バッテリ診断方法、バッテリパック及び自動車 | |
KR20220036701A (ko) | 배터리 시스템 진단 장치 | |
CN102998623A (zh) | 蓄电池荷电状态的在线估算方法及系统 | |
CN113189495B (zh) | 一种电池健康状态的预测方法、装置及电子设备 | |
US20220099752A1 (en) | Method and Apparatus for Machine-Individual Improvement of the Lifetime of a Battery in a Battery-Operated Machine | |
EP4040174A1 (en) | Device and method for diagnosing battery | |
CN117054892B (zh) | 一种储能电站电池健康状态的评估方法、装置及管理方法 | |
KR20230080112A (ko) | 배터리 현재 상태 예측을 위한 배터리 진단 장치 | |
KR20200097170A (ko) | 배터리 관리 장치, 배터리 관리 방법 및 배터리팩 | |
CN113589183A (zh) | 一种基于大数据的自放电检测方法、装置和系统 | |
EP4276483A1 (en) | Apparatus and method for battery management | |
CN115954561A (zh) | 锂电池系统的运维管理方法、系统和电子设备 | |
EP4235198A1 (en) | Apparatus and method for managing battery | |
US11929472B2 (en) | Battery diagnosing apparatus and method | |
EP4148446A1 (en) | Battery management device, battery pack, battery system, and battery management method | |
US20230324463A1 (en) | Method and Apparatus for Operating a System for Detecting an Anomaly of an Electrical Energy Store for a Device by Means of Machine Learning Methods | |
KR102465373B1 (ko) | 배터리 관리 장치, 배터리 관리 방법 및 배터리팩 | |
US12025668B2 (en) | Battery diagnosing system and method |
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 |