CN117491895A - 电池衰老异常检测方法、装置及存储介质 - Google Patents
电池衰老异常检测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN117491895A CN117491895A CN202311469179.0A CN202311469179A CN117491895A CN 117491895 A CN117491895 A CN 117491895A CN 202311469179 A CN202311469179 A CN 202311469179A CN 117491895 A CN117491895 A CN 117491895A
- Authority
- CN
- China
- Prior art keywords
- data
- target
- same batch
- aging
- bicycle
- 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
- 230000032683 aging Effects 0.000 title claims abstract description 168
- 238000001514 detection method Methods 0.000 title claims abstract description 108
- 230000005856 abnormality Effects 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 34
- 230000002159 abnormal effect Effects 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims description 48
- 238000005070 sampling Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000004590 computer program Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 4
- 238000003487 electrochemical reaction Methods 0.000 description 4
- 230000036632 reaction speed Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000009758 senescence Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 208000024891 symptom Diseases 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]
- G01R31/392—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
- G01R31/005—Testing of electric installations on transport means
- G01R31/006—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks
- G01R31/007—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks using microprocessors or computers
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种电池衰老异常检测方法、装置及存储介质。其中,该方法包括:确定目标电池,以及与目标电池的同批次生产的同批电池,其中,同批电池与目标电池分别应用于相同车型的电动车;获取目标电池在目标检测时段中的目标单车数据,以及同批电池在目标检测时段中的目标同批数据;基于目标单车数据,确定目标电池的单车衰老数据,并且基于目标同批数据,确定同批电池的同批衰老数据;基于单车衰老数据和同批衰老数据,确定目标电池的异常检测结果。本发明解决了相关技术中存在电池衰老异常检测局限性大的技术问题。
Description
技术领域
本发明涉及电池异常检测技术领域,具体而言,涉及一种电池衰老异常检测方法、装置及存储介质。
背景技术
电动汽车在使用过程中,电压电流等物理量应当在一定的可控安全范围内,但是电池包在使用过程中受到诸多不可预估的内外部因素影响,可能会导致动力电池异常老化突破可承受的安全界限,继而引发电池故障。相关技术中对电池衰老异常检测,常常依赖于有标签的数据样本,缺少标签化的数据样本会到影响算法应用效果。并且相关技术中未考虑到同种同批同应用的电池,在使用过程中衰老趋势是大体一致的特点,未采用横向对比和纵向对比结合方式,存在电池衰老程度的异常检测效率不理想,依赖于汽车拆机进行衰老检测方式,存在动力电池故障的预先检出率不理想的问题。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种电池衰老异常检测方法、装置及存储介质,以至少解决相关技术中存在电池衰老异常检测局限性大的技术问题。
根据本发明实施例的一个方面,提供了一种电池衰老异常检测方法,包括:确定目标电池,以及与所述目标电池的同批次生产的同批电池,其中,所述同批电池与所述目标电池分别应用于相同车型的电动车;获取所述目标电池在目标检测时段中的目标单车数据,以及所述同批电池在所述目标检测时段中的目标同批数据;基于所述目标单车数据,确定所述目标电池的单车衰老数据,并且基于所述目标同批数据,确定所述同批电池的同批衰老数据;基于所述单车衰老数据和所述同批衰老数据,确定所述目标电池的异常检测结果。
可选地,所述基于所述目标同批数据,确定所述同批电池的同批衰老数据,包括:将所述目标同批数据输入第一孤立森林模型进行处理,得到所述同批电池的同批衰老数据,其中,所述第一孤立森林模型是基于所述同批电池在预定历史时段中的历史同批数据训练得到的。
可选地,所述同批电池为多个,多个同批电池在所述目标检测时段中分别对应有目标同批数据,所述将所述目标同批数据输入第一孤立森林模型进行处理,得到所述同批电池的同批衰老数据,包括:分别将对应的目标同批数据输入第一孤立森林模型进行处理,得到所述多个同批电池分别对应的候选数据;对所述多个同批电池分别对应的候选数据进行中位数处理,得到中位数结果为所述同批衰老数据。
可选地,所述基于所述目标单车数据,确定所述目标电池的单车衰老数据,包括:将所述目标单车数据输入第二孤立森林模型进行处理,得到所述目标电池的单车衰老数据,其中,所述第二孤立森林模型是基于所述目标电池在预定历史时段中的历史单车数据训练得到的。
可选地,所述预定历史时段中包括多个第一历史充放电周期,所述方法还包括:针对所述多个第一历史充放电周期中的第一周期,获取所述目标电池在所述第一周期中的初始单车数据,其中,所述第一周期包括连续的多个第一采样时刻,所述多个第一采样时刻分别对应初始单车数据;针对所述多个第一采样时刻中存在的第一时序时刻,确定所述第一时序时刻与第一时刻之间的第一时间间隔,以及所述第一时序时刻对应的初始单车数据与所述第一时刻对应的初始单车数据之间的第一数据差值,其中,所述第一时刻为所述多个第一采样时刻中的首个时刻;基于所述第一时序时刻对应的第一时间间隔和第一数据差值,确定得到所述第一时序时刻对应的第一数据特征;采用生成所述第一数据特征的方式,将所述多个第一采样时刻分别作为所述第一时序时刻进行处理,得到所述第一周期的周期数据特征;采用生成所述第一周期数据特征的方式,将所述多个第一历史充放电周期分别作为所述第一周期进行处理,得到所述预定历史时段中的所述历史单车数据。
可选地,所述采用生成所述第一周期数据特征的方式,将所述多个第一历史充放电周期分别作为所述第一周期进行处理,得到所述预定历史时段中的所述历史单车数据,包括:采用生成所述第一周期数据特征的方式,将所述多个第一历史充放电周期分别作为所述第一周期进行处理,得到所述预定历史时段中的衍生特征数据;基于所述衍生特征数据指示的所述目标电池中荷电状态与预定电性能参数之间对应关系,得到所述目标电池的第一异常特征数据;基于所述第一异常特征数据,得到所述历史单车数据。
可选地,所述基于所述第一异常特征数据,得到所述历史单车数据,包括:按照预定荷电状态范围,对所述第一异常特征数据进行划分,得到第一分段样本集,并确定所述第一分段样本中包括的第一样本数量;在所述第一样本数量小于预定样本数量阈值的情况下,丢弃所述第一分段样本集;在所述第一样本数量大于或等于所述预定样本数量阈值的情况下,基于所述第一分段样本集,得到所述历史单车数据。
可选地,所述基于所述单车衰老数据和所述同批衰老数据,确定所述目标电池的异常检测结果,包括:在所述单车衰老数据大于所述同批衰老数据的情况下,确定所述异常检测结果为所述目标电池存在衰老异常;在所述单车衰老数据小于或等于所述同批衰老数据的情况下,确定所述异常检测结果为所述目标电池未存在衰老异常。
根据本发明实施例的另一方面,提供了一种电池衰老异常检测装置,包括:确定模块,用于确定目标电池,以及与所述目标电池的同批次生产的同批电池,其中,所述同批电池与所述目标电池分别应用于相同车型的电动车;获取模块,用于获取所述目标电池在目标检测时段中的目标单车数据,以及所述同批电池在所述目标检测时段中的目标同批数据;衰老检测模块,用于基于所述目标单车数据,确定所述目标电池的单车衰老数据,并且基于所述目标同批数据,确定所述同批电池的同批衰老数据;异常检测模块,用于基于所述单车衰老数据和所述同批衰老数据,确定所述目标电池的异常检测结果。
根据本发明实施例的另一方面,提供了一种非易失性存储介质,所述非易失性存储介质存储有多条指令,所述指令适于由处理器加载并执行任意一项所述的电池衰老异常检测方法。
在本发明实施例中,通过确定目标电池,以及与所述目标电池的同批次生产的同批电池,其中,所述同批电池与所述目标电池分别应用于相同车型的电动车;获取所述目标电池在目标检测时段中的目标单车数据,以及所述同批电池在所述目标检测时段中的目标同批数据;基于所述目标单车数据,确定所述目标电池的单车衰老数据,并且基于所述目标同批数据,确定所述同批电池的同批衰老数据;基于所述单车衰老数据和所述同批衰老数据,确定所述目标电池的异常检测结果。达到了结合同批电池数据和单车电池数据,确定目标电池的衰老程度的目的,实现了无需拆机进行电池衰老检测的技术效果,进而解决了相关技术中存在电池衰老异常检测局限性大的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例提供的一种可选的电池衰老异常检测方法的流程图;
图2是根据本发明实施例提供的一种可选的电池衰老异常检测装置的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例,提供了一种电池衰老异常检测的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的电池衰老异常检测方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,确定目标电池,以及与目标电池的同批次生产的同批电池,其中,同批电池与目标电池分别应用于相同车型的电动车;
可以理解,由于电池充放电倍率对电池循环寿命是有影响的,目标电池和同批电池不仅生成批次相同,并且应用于相同电动车型,视为是目标电池和同批电池有着相同的电池衰老趋势。
步骤S104,获取目标电池在目标检测时段中的目标单车数据,以及同批电池在目标检测时段中的目标同批数据;
可以理解,获取目标单车数据在目标检测时段,是为了确定目标电池在此时段中的衰老程度。而同批电池是与目标电池在同批生产出来的,因而目标同批数据可以反映出共性的衰老方式。
需要说明的是,电池衰老的电性能表现可以有多种,例如:随着电池寿命的增长,电池的电容量会逐渐减小。这意味着电池能够存储的电荷减少,使用时间也会相应缩短。电池衰老后,其内部电化学反应速度会变慢,导致充电速度减慢。需要更长的时间才能将电池充满。其内部电化学反应速度变慢,导致电池放电速度加快,即使是在相同的使用条件下,电池的使用时间也会比新电池更短。电池衰老后,其内部电化学反应速度减慢,导致电池电压下降。电池电压的下降可能会导致设备无法正常工作或无法提供足够的电能。电池衰老后,其内部电化学反应速度变慢,充电效率会降低。这意味着充电时会有更多的能量转化为热能而不是储存起来,导致充电效率低下。
步骤S106,基于目标单车数据,确定目标电池的单车衰老数据,并且基于目标同批数据,确定同批电池的同批衰老数据;
可以理解,目标单车数据反映了目标电池的电性能,可以基于此确定出单车衰老数据,作为纵向对比。并且基于目标同批数据,确定出同批电池的同批衰老数据,同批衰老数据可以用于与目标电池的单车衰老数据进行横向对比。
可选地,目标电池的异常衰老的电性能可以相比同批电池可以有多种表示,例如:异常衰老的电池往往会导致其容量下降,即电池能够存储和释放的电荷量减少。相比于同批电池,目标电池的容量可能会更低,导致电池使用时间更短。异常衰老的电池可能会导致其电压不稳定,即在使用过程中电压波动较大,可能会相比与同批电池更不稳定,导致设备无法正常工作或者出现电池电量突然下降的情况。异常衰老的电池可能会导致其充电效率下降,即电池吸收充电时的效率降低。相比于同批电池,目标电池的充电速度可能会更慢,需要更长的时间才能完全充满。
在一种可选的实施例中,基于目标同批数据,确定同批电池的同批衰老数据,包括:将目标同批数据输入第一孤立森林模型进行处理,得到同批电池的同批衰老数据,其中,第一孤立森林模型是基于同批电池在预定历史时段中的历史同批数据训练得到的。
可以理解,为了避免依赖有监督学习,即避免依赖有标注的数据样本,同时减少人工标注的工作量。采用第一孤立森林模型对目标同批数据进行处理,上述第一孤立森林模型是基于同批电池在预定历史时段中的历史同批数据训练得到。
可选地,孤立森林模型(Isolation Forest)是一种用于异常检测的无监督学习算法,上述第一孤立森林模型通过随机选择特征和随机划分上述历史同批数据,来构建孤立树(Isolation Tree),并利用树的高度来度量样本的异常程度,上述树节点可以为决策项对样本进行判断。孤立森林模型认为异常样本可以更容易地被随机划分到较短的路径上,而正常样本则需要较长的路径才能被随机划分。因此,通过计算样本在多棵孤立树中的平均路径长度,可以判断样本(即目标同批数据)的异常程度,生成同批衰老数据。
可选地,对于第一孤立森林模型进行改进,进一步采用鲁棒随机砍伐森林算法(Robust Random Cut Forest)进行处理,在孤立森林模型的基础上通过引入剪枝策略来减少异常样本的路径长度,从而提高异常检测的准确性。该鲁棒随机砍伐森林算法在构建孤立树时,会根据异常程度对树进行剪枝,将异常样本从树中移除,以减少路径长度的影响。
在一种可选的实施例中,同批电池为多个,多个同批电池在目标检测时段中分别对应有目标同批数据,将目标同批数据输入第一孤立森林模型进行处理,得到同批电池的同批衰老数据,包括:分别将对应的目标同批数据输入第一孤立森林模型进行处理,得到多个同批电池分别对应的候选数据;对多个同批电池分别对应的候选数据进行中位数处理,得到中位数结果为同批衰老数据。
可以理解,对于多个同批电池,可以输入第一孤立森林模型进行处理,可以分别得到对应的候选数据,可以通过统计方法,确定多个同批电池分别对应的候选数据,优选地采用中位数处理,得到的中位数结果可以生成同批衰老数据。通过上述处理,可以有效确定出同批电池在使用周期内的衰老状况。
可选地,对多个同批电池分别对应的候选数据进行处理的方式还可以为,如求取平均值等统计学方式。
在一种可选的实施例中,预定历史时段中包括多个第二历史充放电周期,该方法还包括:针对多个第二历史充放电周期中的第二周期,获取同批电池在第二周期中的初始同批数据,其中,第二周期包括连续的多个第二采样时刻,多个第二采样时刻分别对应初始同批数据;针对多个第二采样时刻中存在的第二时序时刻,确定第二时序时刻与第二时刻之间的第二时间间隔,以及第二时序时刻对应的初始同批数据与第二时刻对应的初始同批数据之间的第二数据差值,其中,第二时刻为多个第二采样时刻中的首个时刻;基于第二时序时刻对应的第二时间间隔和第二数据差值,确定得到第二时序时刻对应的第二数据特征;采用生成第二数据特征的方式,将多个第二采样时刻分别作为第二时序时刻进行处理,得到第二周期的周期数据特征;采用生成第二周期数据特征的方式,将多个第二历史充放电周期分别作为第二周期进行处理,得到预定历史时段中的历史同批数据。
可以理解,根据电压电流数据进行特征衍生,在不同状态下衍生出新的时序特征。记录预定历史时段内,每个第二历史充放电周期起始采样点(即第二时刻)的电压、电流等特征数据。对采集到的第二周期中的初始同批数据,每个采样时刻进行处理,如第二时序时刻,将该时刻的同批数据减去周期起始时刻(即第二时刻)的同批数据,并除去第二时间间隔,获得单位时刻同批数据变化。采用生成第二周期数据特征的方式,将多个第二历史充放电周期分别作为第二周期进行处理,得到预定历史时段中的历史同批数据。
可选地,历史同批数据包括同批电池的荷电状态和电流值对应关系的第二电流数据,以及表示同批电池的荷电状态和电压值对应关系的第二电压数据。
可选地,将第二时刻为多个第二采样时刻中的首个时刻,记为t02,第二时刻对应的同批电池的荷电状态和电压值对应关系的初始电流数据记为SOC_V20数据,SOC为荷电状态,将第二时序时刻记为ti,第二时序时刻分别对应有同批电池的荷电状态和电流值对应关系的第二电流数据,记为SOC_I2i数据,第二时序时刻分别对应有同批电池的荷电状态和电压值对应关系的第二电压数据SOC_V2i数据。基于第二时序时刻对应的第二时间间隔记为(ti-t02),第二时序时刻与第二时刻之间的第二电流数据差值记为(SOC_V0数据-SOC_V2i数据),确定第二时序时刻对应的第二数据特征可以表示为:(SOC_V0数据-SOC_V2i数据)/[(ti-t02)*SOC_I2i数据]。
在一种可选的实施例中,采用生成第二周期数据特征的方式,将多个第二历史充放电周期分别作为第二周期进行处理,得到预定历史时段中的历史同批数据,包括:采用生成第二周期数据特征的方式,将多个第二历史充放电周期分别作为第二周期进行处理,得到预定历史时段中的衍生特征数据;基于衍生特征数据指示的同批电池中荷电状态与预定电性能参数之间对应关系,得到同批电池的第二异常特征数据;基于第二异常特征数据,得到历史同批数据。
可以理解,对多个第二历史充放电周期逐个进行处理,可以得到预定历史时段中的衍生特征数据。上述衍生特征数据指示了同批电池中荷电状态与预定电性能参数之间对应关系,如果电池存在衰老异常,如果电流值异常高或异常低,可能表示电池存在问题,如充电过程中电流过大可能表示电池内部存在故障,放电过程中电流过小可能表示电池容量衰减严重。当电池衰老或存在异常时,电压值可能不符合预期的SOC-电压曲线,可能会出现电压下降过快或电压波动较大的情况。可以通过不符合SOC-电压曲线的电压值或异常的电流值来判断电池是否存在问题,生成同批电池的第二异常特征数据,进而得到历史同批数据用于训练第一孤立森林模型。
在一种可选的实施例中,基于第二异常特征数据,得到历史同批数据,包括:按照预定荷电状态范围,对第二异常特征数据进行划分,得到第二分段样本集,并确定第二分段样本中包括的第二样本数量;在第二样本数量小于预定样本数量阈值的情况下,丢弃第二分段样本集;在第二样本数量大于或等于预定样本数量阈值的情况下,基于第二分段样本集,得到历史同批数据。
可以理解,即使使用无标注样本进行无监督学习,也需要保证样本数量,按照预定荷电状态范围,对第二异常特征数据进行划分,得到第二分段样本集。上述第二分段样本集可以反映出在预定荷电状态范围中得到的第二异常特征数据的样本。在第二样本数量小于预定样本数量阈值的情况下,视为第二分段样本集过少,丢弃第二分段样本集。在第二样本数量大于或等于预定样本数量阈值的情况下,视为样本数量足够,基于第二分段样本集,得到历史同批数据。
在一种可选的实施例中,基于目标单车数据,确定目标电池的单车衰老数据,包括:将目标单车数据输入第二孤立森林模型进行处理,得到目标电池的单车衰老数据,其中,第二孤立森林模型是基于目标电池在预定历史时段中的历史单车数据训练得到的。
可以理解,目标单车数据与自身在预定历史时段中的历史单车数据进行纵向对比,由于第二孤立森林模型是利用历史单车数据训练得到的,可以识别出目标检测时段采集到的目标单车数据的衰老状况,生成目标电池的单车衰老数据。
可选地,对于第二孤立森林模型进行改进,进一步采用鲁棒随机砍伐森林算法进行处理,在孤立森林模型的基础上通过引入剪枝策略来减少异常样本的路径长度,从而提高异常检测的准确性。
在一种可选的实施例中,预定历史时段中包括多个第一历史充放电周期,该方法还包括:针对多个第一历史充放电周期中的第一周期,获取目标电池在第一周期中的初始单车数据,其中,第一周期包括连续的多个第一采样时刻,多个第一采样时刻分别对应初始单车数据;针对多个第一采样时刻中存在的第一时序时刻,确定第一时序时刻与第一时刻之间的第一时间间隔,以及第一时序时刻对应的初始单车数据与第一时刻对应的初始单车数据之间的第一数据差值,其中,第一时刻为多个第一采样时刻中的首个时刻;基于第一时序时刻对应的第一时间间隔和第一数据差值,确定得到第一时序时刻对应的第一数据特征;采用生成第一数据特征的方式,将多个第一采样时刻分别作为第一时序时刻进行处理,得到第一周期的周期数据特征;采用生成第一周期数据特征的方式,将多个第一历史充放电周期分别作为第一周期进行处理,得到预定历史时段中的历史单车数据。
可以理解,根据电压电流数据进行特征衍生,在不同状态下衍生出新的时序特征。记录预定历史时段内,每个第一历史充放电周期起始采样点(即第一时刻)的电压、电流等特征数据。对采集到的第一周期中的初始单车数据,每个采样时刻进行处理,如第一时序时刻,将该时刻的单车数据减去周期起始时刻(即第一时刻)的单车数据,并除去第一时间间隔,获得单位时刻单车数据变化。采用生成第一周期数据特征的方式,将多个第一历史充放电周期分别作为第一周期进行处理,得到预定历史时段中的历史单车数据。
可选地,历史单车数据包括表示目标电池的荷电状态和电流值对应关系的第一电流数据,以及表示目标电池的荷电状态和电压值对应关系的第一电压数据,
可选地,将第一时刻为多个第一采样时刻中的首个时刻,记为t01,第一时刻对应的目标电池的荷电状态和电压值对应关系的初始电流数据记为SOC_V10数据,SOC为荷电状态,将第一时序时刻记为tj,第一时序时刻分别对应有目标电池的荷电状态和电流值对应关系的第一电流数据,记为SOC_I1j数据,第一时序时刻分别对应有目标电池的荷电状态和电压值对应关系的第一电压数据SOC_V1j数据。基于第一时序时刻对应的第一时间间隔记为(tj-t01),第一时序时刻与第一时刻之间的第一电流数据差值记为(SOC_V0数据-SOC_V1j数据),确定第一时序时刻对应的第一数据特征可以表示为:(SOC_V0数据-SOC_V1j数据)/[(tj-t01)*SOC_I1j数据]。
在一种可选的实施例中,采用生成第一周期数据特征的方式,将多个第一历史充放电周期分别作为第一周期进行处理,得到预定历史时段中的历史单车数据,包括:采用生成第一周期数据特征的方式,将多个第一历史充放电周期分别作为第一周期进行处理,得到预定历史时段中的衍生特征数据;基于衍生特征数据指示的目标电池中荷电状态与预定电性能参数之间对应关系,得到目标电池的第一异常特征数据;基于第一异常特征数据,得到历史单车数据。
可以理解,对多个第一历史充放电周期逐个进行处理,可以得到预定历史时段中的衍生特征数据。上述衍生特征数据指示了目标电池中荷电状态与预定电性能参数之间对应关系,生成目标电池的第一异常特征数据,进而得到历史单车数据用于训练第二孤立森林模型。
在一种可选的实施例中,基于第一异常特征数据,得到历史单车数据,包括:按照预定荷电状态范围,对第一异常特征数据进行划分,得到第一分段样本集,并确定第一分段样本中包括的第一样本数量;在第一样本数量小于预定样本数量阈值的情况下,丢弃第一分段样本集;在第一样本数量大于或等于预定样本数量阈值的情况下,基于第一分段样本集,得到历史单车数据。
可以理解,为了保证样本数量,按照预定荷电状态范围,对第一异常特征数据进行划分,得到第一分段样本集。上述第一分段样本集可以反映出在预定荷电状态范围中得到的第一异常特征数据的样本。在第一样本数量小于预定样本数量阈值的情况下,视为第一分段样本集过少,丢弃第一分段样本集。在第一样本数量大于或等于预定样本数量阈值的情况下,视为样本数量足够,基于第一分段样本集,得到历史同批数据。
可选地,预定样本数量阈值可以按照分别设定快慢充周期进行设定,预定样本数量阈值越大,舍弃的第一分段样本越大,保留下来的样本量越少。需要说明的是,上述荷电状态是从0-100%(百分号),预定荷电状态范围设置的越短,模型检测效果越精确。
可选地,上述第一孤立森林模型和第二孤立森林模型的参数调整,包括调整如基评估器数量,异常数据比例等。
步骤S108,基于单车衰老数据和同批衰老数据,确定目标电池的异常检测结果。
可以理解,通过单车衰老数据和同批衰老数据进行横向和纵向对比,可以确定出对目标电池的异常检测结果。通过进行横纵结合的方式,可以有效提高异常检测结果的准确性。
在一种可选的实施例中,基于单车衰老数据和同批衰老数据,确定目标电池的异常检测结果,包括:在单车衰老数据大于同批衰老数据的情况下,确定异常检测结果为目标电池存在衰老异常;在单车衰老数据小于或等于同批衰老数据的情况下,确定异常检测结果为目标电池未存在衰老异常。
可以理解,为了确定单车衰老数据是否反映了目标电池存在衰老异常,采用固定阈值比较容易产生误判,需要采用同批衰老数据作为阈值。在单车衰老数据大于同批衰老数据的情况下,确定异常检测结果为目标电池存在衰老异常。在单车衰老数据小于或等于同批衰老数据的情况下,确定异常检测结果为目标电池未存在衰老异常。
通过上述步骤S102,确定目标电池,以及与目标电池的同批次生产的同批电池,其中,同批电池与目标电池分别应用于相同车型的电动车;步骤S104,获取目标电池在目标检测时段中的目标单车数据,以及同批电池在目标检测时段中的目标同批数据;步骤S106,基于目标单车数据,确定目标电池的单车衰老数据,并且基于目标同批数据,确定同批电池的同批衰老数据;步骤S108,基于单车衰老数据和同批衰老数据,确定目标电池的异常检测结果。可以实现结合同批电池数据和单车电池数据,确定目标电池的衰老程度的目的,实现了无需拆机进行电池衰老检测的技术效果,进而解决了相关技术中存在电池衰老异常检测局限性大的技术问题。
基于上述实施例和可选实施例,本发明提出一种可选实施方式,具体为以下步骤:
步骤S1,通过大数据云平台获取电池相关数据,数据处理后拓展出长时片段数据,长时片段数据即预定历史时段中数据,大数据云平台指的是利用大数据技术构建的处理储存动力电池信息的云平台。可以通上述大数据云平台中获取得到同批电池的初始同批数据,以及目标电池的初始单车数据。上述初始同批数据可以指示同批电池的荷电状态与电流值,以及荷电状态与电压值进行的对应关系。
步骤S2,分别对初始同批数据和初始单车数据进行数据处理,可以得到同批电池的历史同批数据,以及目标电池的历史单车数据。采用历史同批数据用于训练第一孤立森林模型,采用历史单车数据用于训练第二孤立森林模型。
步骤S3,再按照不同荷电范围中,同批电池的历史同批数据完成第一孤立森林模型的训练和调参,目标电池的历史单车数据完成第二孤立森林模型的训练和调参。
步骤S4,获取同批电池的目标同批数据,以及目标电池的目标单车数据,将上述目标同批数据输入第一孤立森林模型中进行处理,得到同批衰老数据。对于多个同批电池,第一孤立森林模型输出多个同批电池分别对应的候选数据,对多个同批电池分别对应的候选数据进行平均值,得到同批衰老数据。将上述目标同批数据输入第二孤立森林模型中进行处理,得到单车衰老数据。
步骤S5,将同批衰老数据作为比较阈值,在单车衰老数据大于同批衰老数据的情况下,可以确定目标电池在目标检测时段存在衰老异常。
由上述可选实施方式至少实现以下效果:在无先验信息条件下给出长时数据样本是否异常的概率估计,可以提前预判电池故障征兆,降低故障率和运维成本,提升用户体验,提高电池故障的预先检出概率。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中还提供了一种电池衰老异常检测装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”“装置”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
根据本发明实施例,还提供了一种用于实施电池衰老异常检测方法的装置实施例,图2是根据本发明实施例的一种电池衰老异常检测装置的示意图,如图2所示,上述电池衰老异常检测装置,包括:确定模块202,获取模块204,衰老检测模块206,异常检测模块208,下面对该装置进行说明。
确定模块202,用于确定目标电池,以及与目标电池的同批次生产的同批电池,其中,同批电池与目标电池分别应用于相同车型的电动车;
获取模块204,与确定模块202连接,用于获取目标电池在目标检测时段中的目标单车数据,以及同批电池在目标检测时段中的目标同批数据;
衰老检测模块206,与获取模块204连接,用于基于目标单车数据,确定目标电池的单车衰老数据,并且基于目标同批数据,确定同批电池的同批衰老数据;
异常检测模块208,与衰老检测模块206连接,用于基于单车衰老数据和同批衰老数据,确定目标电池的异常检测结果。
本发明实施例提供的一种电池衰老异常检测装置中,通过确定模块202,用于确定目标电池,以及与目标电池的同批次生产的同批电池,其中,同批电池与目标电池分别应用于相同车型的电动车;获取模块204,与确定模块202连接,用于获取目标电池在目标检测时段中的目标单车数据,以及同批电池在目标检测时段中的目标同批数据;衰老检测模块206,与获取模块204连接,用于基于目标单车数据,确定目标电池的单车衰老数据,并且基于目标同批数据,确定同批电池的同批衰老数据;异常检测模块208,与衰老检测模块206连接,用于基于单车衰老数据和同批衰老数据,确定目标电池的异常检测结果。达到了结合同批电池数据和单车电池数据,确定目标电池的衰老程度的目的,实现了无需拆机进行电池衰老检测的技术效果,进而解决了相关技术中存在电池衰老异常检测局限性大的技术问题。
需要说明的是,上述各个模块是可以通过软件或硬件来实现的,例如,对于后者,可以通过以下方式实现:上述各个模块可以位于同一处理器中;或者,上述各个模块以任意组合的方式位于不同的处理器中。
此处需要说明的是,上述确定模块202,获取模块204,衰老检测模块206,异常检测模块208对应于实施例中的步骤S102至步骤S108,上述模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例所公开的内容。需要说明的是,上述模块作为装置的一部分可以运行在计算机终端中。
需要说明的是,本实施例的可选或优选实施方式可以参见实施例中的相关描述,此处不再赘述。
上述电池衰老异常检测装置还可以包括处理器和存储器,确定模块202,获取模块204,衰老检测模块206,异常检测模块208等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上。存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种非易失性存储介质,其上存储有程序,该程序被处理器执行时实现电池衰老异常检测方法。
本发明实施例提供了一种电子设备,该电子设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:确定目标电池,以及与目标电池的同批次生产的同批电池,其中,同批电池与目标电池分别应用于相同车型的电动车;获取目标电池在目标检测时段中的目标单车数据,以及同批电池在目标检测时段中的目标同批数据;基于目标单车数据,确定目标电池的单车衰老数据,并且基于目标同批数据,确定同批电池的同批衰老数据;基于单车衰老数据和同批衰老数据,确定目标电池的异常检测结果。本文中的设备可以是服务器、PC等。
本发明还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:确定目标电池,以及与目标电池的同批次生产的同批电池,其中,同批电池与目标电池分别应用于相同车型的电动车;获取目标电池在目标检测时段中的目标单车数据,以及同批电池在目标检测时段中的目标同批数据;基于目标单车数据,确定目标电池的单车衰老数据,并且基于目标同批数据,确定同批电池的同批衰老数据;基于单车衰老数据和同批衰老数据,确定目标电池的异常检测结果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,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、商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、商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、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本发明的实施例可提供为方法、系统或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本发明的实施例而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本发明的权利要求范围之内。
Claims (10)
1.一种电池衰老异常检测方法,其特征在于,包括:
确定目标电池,以及与所述目标电池的同批次生产的同批电池,其中,所述同批电池与所述目标电池分别应用于相同车型的电动车;
获取所述目标电池在目标检测时段中的目标单车数据,以及所述同批电池在所述目标检测时段中的目标同批数据;
基于所述目标单车数据,确定所述目标电池的单车衰老数据,并且基于所述目标同批数据,确定所述同批电池的同批衰老数据;
基于所述单车衰老数据和所述同批衰老数据,确定所述目标电池的异常检测结果。
2.根据权利要求1所述的方法,其特征在于,所述基于所述目标同批数据,确定所述同批电池的同批衰老数据,包括:
将所述目标同批数据输入第一孤立森林模型进行处理,得到所述同批电池的同批衰老数据,其中,所述第一孤立森林模型是基于所述同批电池在预定历史时段中的历史同批数据训练得到的。
3.根据权利要求2所述的方法,其特征在于,所述同批电池为多个,多个同批电池在所述目标检测时段中分别对应有目标同批数据,所述将所述目标同批数据输入第一孤立森林模型进行处理,得到所述同批电池的同批衰老数据,包括:
分别将对应的目标同批数据输入第一孤立森林模型进行处理,得到所述多个同批电池分别对应的候选数据;
对所述多个同批电池分别对应的候选数据进行中位数处理,得到中位数结果为所述同批衰老数据。
4.根据权利要求1所述的方法,其特征在于,所述基于所述目标单车数据,确定所述目标电池的单车衰老数据,包括:
将所述目标单车数据输入第二孤立森林模型进行处理,得到所述目标电池的单车衰老数据,其中,所述第二孤立森林模型是基于所述目标电池在预定历史时段中的历史单车数据训练得到的。
5.根据权利要求4所述的方法,其特征在于,所述预定历史时段中包括多个第一历史充放电周期,所述方法还包括:
针对所述多个第一历史充放电周期中的第一周期,获取所述目标电池在所述第一周期中的初始单车数据,其中,所述第一周期包括连续的多个第一采样时刻,所述多个第一采样时刻分别对应初始单车数据;
针对所述多个第一采样时刻中存在的第一时序时刻,确定所述第一时序时刻与第一时刻之间的第一时间间隔,以及所述第一时序时刻对应的初始单车数据与所述第一时刻对应的初始单车数据之间的第一数据差值,其中,所述第一时刻为所述多个第一采样时刻中的首个时刻;
基于所述第一时序时刻对应的第一时间间隔和第一数据差值,确定得到所述第一时序时刻对应的第一数据特征;
采用生成所述第一数据特征的方式,将所述多个第一采样时刻分别作为所述第一时序时刻进行处理,得到所述第一周期的周期数据特征;
采用生成所述第一周期数据特征的方式,将所述多个第一历史充放电周期分别作为所述第一周期进行处理,得到所述预定历史时段中的所述历史单车数据。
6.根据权利要求5所述的方法,其特征在于,所述采用生成所述第一周期数据特征的方式,将所述多个第一历史充放电周期分别作为所述第一周期进行处理,得到所述预定历史时段中的所述历史单车数据,包括:
采用生成所述第一周期数据特征的方式,将所述多个第一历史充放电周期分别作为所述第一周期进行处理,得到所述预定历史时段中的衍生特征数据;
基于所述衍生特征数据指示的所述目标电池中荷电状态与预定电性能参数之间对应关系,得到所述目标电池的第一异常特征数据;
基于所述第一异常特征数据,得到所述历史单车数据。
7.根据权利要求6所述的方法,其特征在于,所述基于所述第一异常特征数据,得到所述历史单车数据,包括:
按照预定荷电状态范围,对所述第一异常特征数据进行划分,得到第一分段样本集,并确定所述第一分段样本中包括的第一样本数量;
在所述第一样本数量小于预定样本数量阈值的情况下,丢弃所述第一分段样本集;
在所述第一样本数量大于或等于所述预定样本数量阈值的情况下,基于所述第一分段样本集,得到所述历史单车数据。
8.根据权利要求1至7中任意一项所述的方法,其特征在于,所述基于所述单车衰老数据和所述同批衰老数据,确定所述目标电池的异常检测结果,包括:
在所述单车衰老数据大于所述同批衰老数据的情况下,确定所述异常检测结果为所述目标电池存在衰老异常;
在所述单车衰老数据小于或等于所述同批衰老数据的情况下,确定所述异常检测结果为所述目标电池未存在衰老异常。
9.一种电池衰老异常检测装置,其特征在于,包括:
确定模块,用于确定目标电池,以及与所述目标电池的同批次生产的同批电池,其中,所述同批电池与所述目标电池分别应用于相同车型的电动车;
获取模块,用于获取所述目标电池在目标检测时段中的目标单车数据,以及所述同批电池在所述目标检测时段中的目标同批数据;
衰老检测模块,用于基于所述目标单车数据,确定所述目标电池的单车衰老数据,并且基于所述目标同批数据,确定所述同批电池的同批衰老数据;
异常检测模块,用于基于所述单车衰老数据和所述同批衰老数据,确定所述目标电池的异常检测结果。
10.一种非易失性存储介质,其特征在于,所述非易失性存储介质存储有多条指令,所述指令适于由处理器加载并执行权利要求1至8中任意一项所述的电池衰老异常检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311469179.0A CN117491895A (zh) | 2023-11-02 | 2023-11-02 | 电池衰老异常检测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311469179.0A CN117491895A (zh) | 2023-11-02 | 2023-11-02 | 电池衰老异常检测方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117491895A true CN117491895A (zh) | 2024-02-02 |
Family
ID=89670314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311469179.0A Pending CN117491895A (zh) | 2023-11-02 | 2023-11-02 | 电池衰老异常检测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117491895A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117740811A (zh) * | 2024-02-20 | 2024-03-22 | 广东格绿朗节能科技有限公司 | 一种新能源汽车遮阳篷性能检测方法、系统及存储介质 |
-
2023
- 2023-11-02 CN CN202311469179.0A patent/CN117491895A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117740811A (zh) * | 2024-02-20 | 2024-03-22 | 广东格绿朗节能科技有限公司 | 一种新能源汽车遮阳篷性能检测方法、系统及存储介质 |
CN117740811B (zh) * | 2024-02-20 | 2024-04-30 | 广东格绿朗节能科技有限公司 | 一种新能源汽车遮阳篷性能检测方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20160003917A1 (en) | Method and apparatus for estimating state of battery | |
CN117491895A (zh) | 电池衰老异常检测方法、装置及存储介质 | |
KR102259265B1 (ko) | 배터리 셀에 대한 충전 상태를 추정하는 방법 | |
US20160144736A1 (en) | Method for Battery Management and Battery Management System | |
US11821959B2 (en) | Method for estimating state of health of a battery | |
KR20230015979A (ko) | 배터리 상태를 계산하는 방법 및 계산 디바이스, 및 저장 매체 | |
US20220373609A1 (en) | State Value for Rechargeable Batteries | |
CN114523878B (zh) | 一种锂离子电池析锂安全预警方法及装置 | |
CN115327403A (zh) | 基于新能源汽车大数据的动力电池安全性评价方法及装置 | |
CN116613865A (zh) | 一种电池快充方法、电池储能系统及储能电站 | |
CN116125300A (zh) | 一种电池包异常监测方法、装置、电子设备及存储介质 | |
CN115099008A (zh) | 一种电池老化状态评估方法、装置、存储介质及电子设备 | |
CN112731154A (zh) | 车辆的电池寿命预测方法和装置 | |
CN112230152B (zh) | 测量单体电芯内阻增量的方法及系统 | |
CN109557469B (zh) | 蓄电池核容数据分析方法及装置 | |
CN116973788A (zh) | 内短路故障检测方法、装置、计算机设备及存储介质 | |
CN112986850B (zh) | 自放电参数值的计算方法、装置及电动汽车 | |
CN115840151A (zh) | 电池容量一致性的分析方法、装置和计算机设备 | |
CN112731187A (zh) | 电池容量修正方法和电池管理系统 | |
Najeeb et al. | Monitoring Considerations of Second-Life Lithium-Ion Batteries inBattery Energy Storage Systems | |
CN113261175A (zh) | 为电储能器的运行确定至少一个运行参数的方法及对应的计算机程序、机器可读存储介质和计算机设备 | |
CN115825790B (zh) | 电池绝缘故障的预警方法、装置、系统和计算机设备 | |
CN118033443A (zh) | 一种单体电池故障检测方法、设备、介质和产品 | |
CN117233637A (zh) | 锂电池容量跳水监控方法、装置、计算机设备和存储介质 | |
CN117665576A (zh) | 一种电池荷电状态获得方法以及装置 |
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 |