CN117706379A - 一种电池动态安全边界构建方法、装置及可读存储介质 - Google Patents
一种电池动态安全边界构建方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN117706379A CN117706379A CN202410166676.1A CN202410166676A CN117706379A CN 117706379 A CN117706379 A CN 117706379A CN 202410166676 A CN202410166676 A CN 202410166676A CN 117706379 A CN117706379 A CN 117706379A
- Authority
- CN
- China
- Prior art keywords
- battery
- data
- safety boundary
- data set
- vehicle fault
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000013507 mapping Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000010276 construction Methods 0.000 claims description 18
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000001453 impedance spectrum Methods 0.000 claims description 5
- 238000009413 insulation Methods 0.000 claims description 5
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 claims description 4
- 229910052782 aluminium Inorganic materials 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000011010 flushing procedure Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 description 11
- 230000010287 polarization Effects 0.000 description 5
- 239000003792 electrolyte Substances 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 2
- 229910002091 carbon monoxide Inorganic materials 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000012855 volatile organic compound Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 206010042434 Sudden death Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 239000011149 active material Substances 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007086 side reaction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Abstract
本发明涉及一种电池动态安全边界构建方法、装置及存储介质,属于电池安全技术领域。本发明解决了现有技术中的电池安全边界难以准确确定的问题。本发明的电池动态安全边界构建方法包括步骤1、获取电池全生命周期数据;步骤2、基于电池全生命周期数据获得电池特征数据组和车辆故障类型的映射关系;步骤3、基于电池特征数据组构建数量均衡的特征数据集;提取与车辆故障类型映射关系对应的数量均衡的特征数据集;使用支持向量数据描述算法对提取的数量均衡的特征数据集中电池热失控发生前不同时间提前量下的特征数据进行训练获得安全边界模型,将安全边界模型连续递进分析,获得与车辆故障类型对应的电池由正常状态向失控状态演变的动态安全边界。
Description
技术领域
本发明属于电池安全技术领域,具体涉及一种电池动态安全边界构建方法、装置及可读存储介质,特别涉及一种基于多信息融合的电池动态安全边界构建方法。
背景技术
据统计,超过60%的电动汽车安全事故与动力电池有关,其中包括过充电、内短路、电解液泄漏、机械碰撞、绝缘失效等。为了避免上述问题的发生,电池在使用过程中,安全边界有着至关重要的地位。现已有大量关于电池的安全边界的研究,如公开号为CN116449241A、CN116840707A和CN115902630A的专利申请。
一旦确定了安全边界,就必须部署机制来控制跨越该边界的信息流。现实场景下,由于电池在全生命周期使用过程中,内部会随着老化发生SEI膜生长、析锂、孔隙率降低、活性材料损失等多种副反应,对应的各项性能指标也处于不断变化中,因此安全边界也随之动态调整。同时,电池热失控是一类小概率偶发事故,且事故发生对人民生命财产安全危害极大,因此在基于电池故障类型的基础上构建电池的动态安全边界成为亟待解决的难题。
发明内容
鉴于上述问题,本发明提供了一种电池动态安全边界构建方法、装置及可读存储介质,解决了现有技术中的电池安全边界难以准确确定的问题。
本发明提供了一种电池动态安全边界构建方法,具体步骤如下:
步骤1、获取电池全生命周期数据,全生命周期数据包括电池的电压、电流、温度、时间和绝缘阻值;对全生命周期数据进行数据清洗获得正常数据;
步骤2、基于正常数据获得电池特征数据组;采集不同车辆故障类型对应的电池特征数据组;建立车辆故障类型与电池特征数据组的映射关系;电池特征数据组中的特征数据包括负极壳电压、气体变化值、充电IC柱形图、放电电压斜率、放电欧姆内阻和电化学阻抗谱;
步骤3、将各组电池特征数据组的特征数据标签化为正常样本和异常样本;从异常样本中选取故障原因明确且显著的样本构建数量均衡的特征数据集;根据车辆故障类型与电池特征数据组的映射关系获取与车辆故障类型对应的数量均衡的特征数据集;使用支持向量数据描述算法对与车辆故障类型对应的数量均衡的特征数据集中电池热失控发生前设定时间提前量的特征数据进行训练获得异常样本在设定时间提前量下对应的安全边界模型,连续递进分析安全边界模型,获得与车辆故障类型对应的电池由正常状态向失控状态演变的动态安全边界。
可选地,数据清洗包括清洗全生命周期数据中的离群点、异常点、空值和/或错值获得正常数据。
可选地,利用3西格玛原则将全生命周期数据中的离群点或异常点剔除。
可选地,利用滑动窗口平均对数据中的空值或错值进行插值补全。
可选地,采集充电IC柱形图的具体步骤为:基于正常数据,采集车辆充电过程中SOC区间的IC曲线,获取IC曲线的特征峰;以预设电压间隔对特征峰的电压区间进行划分,获得多个步进电压点;获取各个步进电压点对应的冲入电量;基于多个冲入电量获得充电IC柱形图。
可选地,负极壳电压为电池的每节电芯负极和铝壳壳体的电压值。
可选地,故障原因明确且显著的样本为非外界因素的热失控样本。
可选地,设定时间提前量为电池热失控发生前30分钟、1小时、3小时和24小时。
本发明另一方面,提供了一种电池动态安全边界构建装置,包括数据处理模块,特征提取模块和安全边界构建模块;
数据处理模块用于获取电池全生命周期数据,并对全生命周期数据进行数据清洗获得正常数据;
特征提取模块用于提取正常数据的电池特征数据组;
安全边界构建模块用于根据电池特征数据组和车辆故障类型与电池特征数据组的映射关系获取与车辆故障类型对应的数量均衡的特征数据集,使用支持向量数据描述算法对与车辆故障类型对应的数量均衡的特征数据集中电池热失控发生前设定时间提前量的特征数据进行训练获得异常样本在不同时间提前量下对应的安全边界模型,将安全边界模型连续递进分析,获得与车辆故障类型对应的电池由正常状态向失控状态演变的动态安全边界。
本发明第三方面,提供了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序在处理器上运行时执行前述的电池动态安全边界构建方法。
与现有技术相比,本发明至少具有如下有益效果:
本发明构建的安全边界能够在不引入专家经验主观干涉的情况下,利用SVDD算法对电池的危险和安全状态进行区分为不同等级;能够对不同故障类型的故障阶段进行划分,实现故障的针对性分级。
2.本发明所需要的特征均可以通过对国标要求数据字段进行特征提取或加装对应传感器获取,操作简便。
3.本发明能够更为精确的对故障边界进行科学定义。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制。
图1为本发明的充电IC柱形图的示意图;
图2为本发明的一阶RC等效电路模型;
图3为本发明的电池动态安全边界构建方法的流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。另外,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
本发明的一个具体实施例,如图1-图3,公开了一种电池动态安全边界构建方法,具体步骤如下:
步骤1、获取电池全生命周期数据,全生命周期数据包括电池的电压、电流、温度、时间和绝缘阻值;对全生命周期数据进行数据清洗获得正常数据;
可选地,电池的电压、电流、温度、时间和绝缘阻值基于国标要求的数据字段或相应的传感器获得。
可选地,数据清洗包括清洗全生命周期数据中的离群点、异常点、空值和/或错值获得正常数据,进一步地,利用3西格玛原则将全生命周期数据中的离群点或异常点剔除;利用滑动窗口平均对数据中的空值或错值进行插值补全。
步骤2、基于正常数据获得电池特征数据组;采集不同车辆故障类型对应的电池特征数据组;建立车辆故障类型与电池特征数据组的映射关系;电池特征数据组中的特征数据包括但不限于负极壳电压、气体变化值、充电IC柱形图、放电电压斜率、放电欧姆内阻和电化学阻抗谱;
可选地,负极壳电压为采集电池的每节电芯负极和铝壳壳体的电压值,进一步地,通过每节电芯单独采样或逻辑控制轮询采样获得每节电芯负极和铝壳壳体的电压值。
可选地,气体变化值为车辆故障类型时,电池漏液时产生的一氧化碳(CO)和可挥发性有机物(VOCs)的产生量。
可选地,充电IC柱形图的采集方法为:基于正常数据,采集车辆充电过程中SOC区间的IC曲线,获取IC曲线的特征峰;以预设电压间隔对特征峰的电压区间进行划分,获得多个步进电压点;获取各个步进电压点对应的冲入电量;基于多个冲入电量获得充电IC柱形图。进一步地,当有多个特征峰时,取IC曲线内的高soc区间的特征峰进行充电IC柱形图的采集。
示例性地,如图1所示,为一段实车数据提取的IC曲线,对应SOC区间为35%至96%,可见曲线在65%SOC(图1中对应电压3.35V)左侧和右侧分别有一特征峰。而车辆通常在高soc区间使用,即在实车工况下通常只能获得图1中的2峰,2峰对应的电压区间约为3.35V-3.45V。为了获得尽量多的特征参数,以0.05V为电压间隔,分别计算从3.25V到3.45V包括的4个电压区间内的充入容量,即可组成IC曲线柱形图。
本发明的充电IC柱形图的采集方法将传统的峰值、峰位信息简化为固定电压段内的充入容量,减少了IC曲线特征提取的计算量。
可选地,放电电压斜率的表达式为:
其中,表示放电电压斜率;/>表示放电电压曲线的压差;表示放电过程经历的时间。
可选地,通过递推最小二乘或者卡尔曼滤波算法实现放电欧姆内阻的在线辨识;
具体地,如图2所示,使用一阶RC等效电路模型等效电池内部结构,获得电池一阶等效电路模型的状态空间方程,表达式为:
其中,表示电池的端电压;/>表示对极化环节的电压的求导;/>表示电池的开路电势,通常表达为与电池荷电状态SOC的关系;i表示流过电池的电流;Ro表示电池欧姆内阻;Cp表示极化电容;Rp表示极化电阻;/>表示极化环节的电压。
将电池一阶等效电路模型的状态空间方程转化为频域,表达式为:
其中,s表示传递函数中的复频率项。
令时间常数,获得频域转换式,表达式为:
令,/>,/>,/>,获得频域转换式的差分式,表达式为:
其中,为采样时间间隔;/>表示第k个采样时刻的采样项数值;/>表示第k-1个采样时刻的采样项数值;/>表示第k个采样时刻的开路电势;/>表示第k个采样时刻的电池的端电压;/>表示第k-1个采样时刻的开路电势;/>表示第k-1个采样时刻的电池的端电压;/>表示第k个采样时刻的电流;/>表示第k-1个采样时刻的电流。
令,/>,/>,得式:
;
令
按照递推最小二乘法对式进行参数辨识获得待辨识的参数系数矩阵系数值k 1、k 2和k 3。
其中,表示第k个采样时刻的输出量;/>表示第k个采样时刻的输入量;/>表示待辨识的参数系数矩阵。
对待辨识的参数系数矩阵系数值k 1、k 2和k 3计算可解得电池欧姆内阻、极化电阻和极化电容/>的辨识结果。
可选地,故障类型包括内短路、电解液泄漏和容量跳水等类型。
本发明的映射关系能够体现出车辆某些故障与某些特征的异常之间的相关性,即可以通过某些特征的明显离群可以反应出可能发生了某个故障,由此,通过建立的车辆故障类型与电池特征数据组的映射关系对不同故障类型的演变路径进行解析。
可以理解的是,不同的电池特征数据组与不同的故障类型形成映射,如电解液泄露故障在全生命周期演变过程中可能依次体现为负壳压特征异常、电化学阻抗谱异常、放电欧姆阻抗异常、放电电压斜率异常、充电IC柱形图异常、气体变化值异常,可见即使能够与全部特征映射,在不同的使用阶段也可能对应不同的特征变化,而其他故障例如内短路故障可能并不会引起负壳压异常和气体传感器异常,有时甚至无法引起电化学阻抗谱异常。
步骤3、将各组电池特征数据组的特征数据标签化为正常样本和异常样本;从异常样本中选取故障原因明确且显著的样本构建数量均衡的特征数据集;根据车辆故障类型与电池特征数据组的映射关系获取与车辆故障类型对应的数量均衡的特征数据集;使用支持向量数据描述算法(SVDD)对与车辆故障类型对应的数量均衡的特征数据集中电池热失控发生前设定时间提前量的特征数据进行训练获得异常样本在不同时间提前量下对应的安全边界模型,将安全边界模型连续递进分析,获得与车辆故障类型对应的电池由正常状态向失控状态演变的动态安全边界。
优选地,设定时间提前量为电池热失控发生前30分钟、1小时、3小时、24小时。
进一步地,正常样本为没有发生故障的样本;异常样本为发生故障的样本。
进一步地,故障原因明确且显著的样本为为了防止样本中混入因车辆碰撞或进水等原因引起的猝死型热失控(该类样本不作为处理对象),选取故障原因明确且显著的样本为故障类型包括内短路、电解液泄漏和容量跳水等非外界因素的热失控样本。
本发明采用的支持向量数据描述算法是一种基于奇异值分解的无监督异常检测算法。该算法可以有效地处理小样本数据集,并且能够检测出高维数据中的异常值。支持向量数据描述算法的基本思想是将数据投影到一个低维的子空间中,并计算投影后的数据的行列式值。如果行列式值接近于零,则认为该数据点是异常点。在支持向量数据描述算法中,通过最小化目标函数来求解最优解,该目标函数包括待测数据与训练数据之间的差异项和正则化项。可以处理高维数据;对小样本数据集具有较强的适应性;可以检测出异常值和离群点;对数据的分布假设较少。
本发明的另一方面,还公开了一种电池动态安全边界构建装置,用于实现前述电池动态安全边界构建方法,包括数据处理模块,特征提取模块和安全边界构建模块;
数据处理模块用于获取电池全生命周期数据,并对全生命周期数据进行数据清洗获得正常数据;
特征提取模块用于提取正常数据的电池特征数据组;
安全边界构建模块用于根据电池特征数据组和车辆故障类型与电池特征数据组的映射关系获取与车辆故障类型对应的数量均衡的特征数据集,使用支持向量数据描述算法对与车辆故障类型对应的数量均衡的特征数据集中电池热失控发生前设定时间提前量的特征数据进行训练获得异常样本在不同时间提前量下对应的安全边界模型,将安全边界模型连续递进分析,获得与车辆故障类型对应的电池由正常状态向失控状态演变的动态安全边界。
本发明的第三方面,还公开了一种计算机可读存储介质,其存储有计算机程序,所述计算机程序在处理器上运行时执行前述电池动态安全边界构建方法。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种电池动态安全边界构建方法,其特征在于,具体步骤如下:
步骤1、获取电池全生命周期数据,全生命周期数据包括电池的电压、电流、温度、时间和绝缘阻值;对全生命周期数据进行数据清洗获得正常数据;
步骤2、基于正常数据获得电池特征数据组;采集不同车辆故障类型对应的电池特征数据组;建立车辆故障类型与电池特征数据组的映射关系;电池特征数据组中的特征数据包括负极壳电压、气体变化值、充电IC柱形图、放电电压斜率、放电欧姆内阻和电化学阻抗谱;
步骤3、将各组电池特征数据组的特征数据标签化为正常样本和异常样本;从异常样本中选取故障原因明确且显著的样本构建数量均衡的特征数据集;根据车辆故障类型与电池特征数据组的映射关系获取与车辆故障类型对应的数量均衡的特征数据集;使用支持向量数据描述算法对与车辆故障类型对应的数量均衡的特征数据集中电池热失控发生前设定时间提前量的特征数据进行训练获得异常样本在设定时间提前量下对应的安全边界模型,连续递进分析安全边界模型,获得与车辆故障类型对应的电池由正常状态向失控状态演变的动态安全边界。
2.根据权利要求1所述的电池动态安全边界构建方法,其特征在于,数据清洗包括清洗全生命周期数据中的离群点、异常点、空值和/或错值获得正常数据。
3.根据权利要求2所述的电池动态安全边界构建方法,其特征在于,利用3西格玛原则将全生命周期数据中的离群点或异常点剔除。
4.根据权利要求2所述的电池动态安全边界构建方法,其特征在于,利用滑动窗口平均对数据中的空值或错值进行插值补全。
5.根据权利要求1所述的电池动态安全边界构建方法,其特征在于,采集充电IC柱形图的具体步骤为:基于正常数据,采集车辆充电过程中SOC区间的IC曲线,获取IC曲线的特征峰;以预设电压间隔对特征峰的电压区间进行划分,获得多个步进电压点;获取各个步进电压点对应的冲入电量;基于多个冲入电量获得充电IC柱形图。
6.根据权利要求1所述的电池动态安全边界构建方法,其特征在于,负极壳电压为电池的每节电芯负极和铝壳壳体的电压值。
7.根据权利要求1所述的电池动态安全边界构建方法,其特征在于,故障原因明确且显著的样本为非外界因素的热失控样本。
8.根据权利要求1所述的电池动态安全边界构建方法,其特征在于,设定时间提前量为电池热失控发生前30分钟、1小时、3小时和24小时。
9.一种电池动态安全边界构建装置,其特征在于,包括数据处理模块,特征提取模块和安全边界构建模块;
数据处理模块用于获取电池全生命周期数据,并对全生命周期数据进行数据清洗获得正常数据;
特征提取模块用于提取正常数据的电池特征数据组;
安全边界构建模块用于根据电池特征数据组和车辆故障类型与电池特征数据组的映射关系获取与车辆故障类型对应的数量均衡的特征数据集,使用支持向量数据描述算法对与车辆故障类型对应的数量均衡的特征数据集中电池热失控发生前设定时间提前量的特征数据进行训练获得异常样本在不同时间提前量下对应的安全边界模型,将安全边界模型连续递进分析,获得与车辆故障类型对应的电池由正常状态向失控状态演变的动态安全边界。
10.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序在处理器上运行时执行权利要求1至8中任一项所述的电池动态安全边界构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410166676.1A CN117706379B (zh) | 2024-02-06 | 2024-02-06 | 一种电池动态安全边界构建方法、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410166676.1A CN117706379B (zh) | 2024-02-06 | 2024-02-06 | 一种电池动态安全边界构建方法、装置及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117706379A true CN117706379A (zh) | 2024-03-15 |
CN117706379B CN117706379B (zh) | 2024-04-12 |
Family
ID=90157457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410166676.1A Active CN117706379B (zh) | 2024-02-06 | 2024-02-06 | 一种电池动态安全边界构建方法、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117706379B (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE2241516A1 (de) * | 1971-09-17 | 1973-03-22 | Lucas Electrical Co Ltd | Batterieladesystem fuer fahrzeuge |
CN110133508A (zh) * | 2019-04-24 | 2019-08-16 | 上海博强微电子有限公司 | 电动汽车动力电池的安全预警方法 |
US20210027001A1 (en) * | 2019-07-23 | 2021-01-28 | Beihang University | Method for Predicting Sealing Reliability of Soft Packing Lithium Ion Battery |
CN112347692A (zh) * | 2020-09-21 | 2021-02-09 | 深圳前海有电物联科技有限公司 | 不间断电源的电池预测性维护的实现方法、装置和电子装置 |
CN113313406A (zh) * | 2021-06-16 | 2021-08-27 | 吉林大学 | 一种电动汽车运行大数据的动力电池安全风险评估方法 |
CN113752843A (zh) * | 2021-11-05 | 2021-12-07 | 北京航空航天大学 | 一种基于赛博物理系统的动力电池热失控预警装置及方法 |
CN113771691A (zh) * | 2021-11-09 | 2021-12-10 | 北京航空航天大学 | 基于赛博物理系统的全生命周期动力电池管理装置及方法 |
WO2022007236A1 (zh) * | 2020-07-08 | 2022-01-13 | 深圳技术大学 | 纯电动汽车状态评估方法、系统及计算机可读取存储介质 |
CN114329760A (zh) * | 2021-11-26 | 2022-04-12 | 北京交通大学 | 一种基于数字孪生的车载锂离子电池建模及故障诊断方法 |
CN114692244A (zh) * | 2022-04-02 | 2022-07-01 | 北京航空航天大学 | 一种基于多物理场仿真的锂电池组热滥用安全风险评估方法 |
CN115366683A (zh) * | 2022-08-09 | 2022-11-22 | 北京理工大学 | 一种新能源汽车动力电池多维模型融合的故障诊断策略 |
CN115902630A (zh) * | 2022-12-12 | 2023-04-04 | 湖北亿纬动力有限公司 | 电池生产安全边界的测试方法、测试装置及测试系统 |
CN116449241A (zh) * | 2023-03-15 | 2023-07-18 | 国联汽车动力电池研究院有限责任公司 | 动力锂电池充电安全边界划分方法及应用 |
CN116662313A (zh) * | 2023-05-12 | 2023-08-29 | 北京理工大学 | 一种应用于云电池管理系统的数据清洗系统及其方法 |
CN116699407A (zh) * | 2023-04-24 | 2023-09-05 | 北京航空航天大学 | 一种基于安全熵的动力电池安全风险预警方法 |
DE102022202111A1 (de) * | 2022-03-02 | 2023-09-07 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Erkennen einer kritischen Anomalie in einer Gerätebatterie basierend auf maschinellen Lernverfahren |
CN116840707A (zh) * | 2022-03-24 | 2023-10-03 | 北京车和家汽车科技有限公司 | 电池短路安全边界的测试方法、装置、介质、设备及系统 |
CN117276600A (zh) * | 2023-09-05 | 2023-12-22 | 淮阴工学院 | 基于pso-gwo-delm的质子交换膜燃料电池系统故障诊断方法 |
-
2024
- 2024-02-06 CN CN202410166676.1A patent/CN117706379B/zh active Active
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE2241516A1 (de) * | 1971-09-17 | 1973-03-22 | Lucas Electrical Co Ltd | Batterieladesystem fuer fahrzeuge |
CN110133508A (zh) * | 2019-04-24 | 2019-08-16 | 上海博强微电子有限公司 | 电动汽车动力电池的安全预警方法 |
US20210027001A1 (en) * | 2019-07-23 | 2021-01-28 | Beihang University | Method for Predicting Sealing Reliability of Soft Packing Lithium Ion Battery |
WO2022007236A1 (zh) * | 2020-07-08 | 2022-01-13 | 深圳技术大学 | 纯电动汽车状态评估方法、系统及计算机可读取存储介质 |
CN112347692A (zh) * | 2020-09-21 | 2021-02-09 | 深圳前海有电物联科技有限公司 | 不间断电源的电池预测性维护的实现方法、装置和电子装置 |
CN113313406A (zh) * | 2021-06-16 | 2021-08-27 | 吉林大学 | 一种电动汽车运行大数据的动力电池安全风险评估方法 |
CN113752843A (zh) * | 2021-11-05 | 2021-12-07 | 北京航空航天大学 | 一种基于赛博物理系统的动力电池热失控预警装置及方法 |
CN113771691A (zh) * | 2021-11-09 | 2021-12-10 | 北京航空航天大学 | 基于赛博物理系统的全生命周期动力电池管理装置及方法 |
CN114329760A (zh) * | 2021-11-26 | 2022-04-12 | 北京交通大学 | 一种基于数字孪生的车载锂离子电池建模及故障诊断方法 |
DE102022202111A1 (de) * | 2022-03-02 | 2023-09-07 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Erkennen einer kritischen Anomalie in einer Gerätebatterie basierend auf maschinellen Lernverfahren |
CN116840707A (zh) * | 2022-03-24 | 2023-10-03 | 北京车和家汽车科技有限公司 | 电池短路安全边界的测试方法、装置、介质、设备及系统 |
CN114692244A (zh) * | 2022-04-02 | 2022-07-01 | 北京航空航天大学 | 一种基于多物理场仿真的锂电池组热滥用安全风险评估方法 |
CN115366683A (zh) * | 2022-08-09 | 2022-11-22 | 北京理工大学 | 一种新能源汽车动力电池多维模型融合的故障诊断策略 |
CN115902630A (zh) * | 2022-12-12 | 2023-04-04 | 湖北亿纬动力有限公司 | 电池生产安全边界的测试方法、测试装置及测试系统 |
CN116449241A (zh) * | 2023-03-15 | 2023-07-18 | 国联汽车动力电池研究院有限责任公司 | 动力锂电池充电安全边界划分方法及应用 |
CN116699407A (zh) * | 2023-04-24 | 2023-09-05 | 北京航空航天大学 | 一种基于安全熵的动力电池安全风险预警方法 |
CN116662313A (zh) * | 2023-05-12 | 2023-08-29 | 北京理工大学 | 一种应用于云电池管理系统的数据清洗系统及其方法 |
CN117276600A (zh) * | 2023-09-05 | 2023-12-22 | 淮阴工学院 | 基于pso-gwo-delm的质子交换膜燃料电池系统故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
杨世春等: "锂离子电池故障预测及健康管理技术研究进展", 《北京航空航天大学学报》, 25 December 2023 (2023-12-25), pages 1 - 14 * |
Also Published As
Publication number | Publication date |
---|---|
CN117706379B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Battery fault diagnosis for electric vehicles based on voltage abnormality by combining the long short-term memory neural network and the equivalent circuit model | |
Yao et al. | Fault detection of the connection of lithium-ion power batteries based on entropy for electric vehicles | |
CN112858919B (zh) | 一种基于聚类分析的电池系统在线故障诊断方法和系统 | |
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 | |
CN112540317B (zh) | 基于实车数据的电池健康状态估计与剩余寿命预测方法 | |
Stock et al. | Early quality classification and prediction of battery cycle life in production using machine learning | |
CN112098850B (zh) | 基于sdo算法的锂离子电池电压故障诊断方法及系统 | |
CN111257753B (zh) | 一种电池系统故障诊断方法 | |
CN112816881B (zh) | 电池压差异常检测方法、装置及计算机存储介质 | |
Vianna et al. | Proton exchange membrane fuel cells (PEMFC) impedance estimation using regression analysis | |
CN112611976A (zh) | 一种基于双差分曲线的动力电池健康状态估计方法 | |
Kim et al. | Outlier mining-based fault diagnosis for multiceli lithium-ion batteries using a low-priced microcontroller | |
CN114441979A (zh) | 压降电池单元检测和电池单元健康状态监测 | |
CN111537893A (zh) | 一种锂离子电池模组运行安全的评测方法、系统及电子设备 | |
He et al. | Voltage abnormality-based fault diagnosis for batteries in electric buses with a self-adapting update model | |
CN117067920B (zh) | 动力电池的故障检测方法、装置、电子设备及电动汽车 | |
Huang et al. | Estimation of maximum available capacity of lithium-ion battery based on multi-view features extracted from reconstructed charging curve | |
CN117067921B (zh) | 电动汽车的故障检测方法及电动汽车 | |
CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 | |
CN111458643B (zh) | 异常电池筛选方法、装置、电子设备及可读存储介质 | |
CN117706379B (zh) | 一种电池动态安全边界构建方法、装置及可读存储介质 | |
CN117549795A (zh) | 一种锂电池过热保护系统及方法 | |
CN116973782A (zh) | 基于机器学习的新能源汽车保养维护与故障监测诊断方法 | |
CN116184248A (zh) | 一种串联电池组的微小短路故障检测方法 | |
CN116893366A (zh) | 用于运行系统以识别设备的电蓄能器的异常的方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |