CN117709273B - 电池风险预测方法、装置、计算机设备和存储介质 - Google Patents
电池风险预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117709273B CN117709273B CN202410160731.6A CN202410160731A CN117709273B CN 117709273 B CN117709273 B CN 117709273B CN 202410160731 A CN202410160731 A CN 202410160731A CN 117709273 B CN117709273 B CN 117709273B
- Authority
- CN
- China
- Prior art keywords
- branch
- current
- internal resistance
- battery pack
- prediction model
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012360 testing method Methods 0.000 claims description 45
- 230000036541 health Effects 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 6
- 238000012827 research and development Methods 0.000 abstract description 8
- 238000011161 development Methods 0.000 description 15
- 238000003062 neural network model Methods 0.000 description 15
- 230000008859 change Effects 0.000 description 8
- 238000013461 design Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 239000002184 metal Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 208000032366 Oversensing Diseases 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 239000003102 growth factor Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本申请涉及一种电池风险预测方法、装置、计算机设备和存储介质。所述方法包括：基于预先建立的电阻预测模型，确定电池包中各支路的支路内阻；基于预先建立的电流预测模型和所述支路内阻，确定各支路的支路电流；基于预先建立的环流预测模型、支路电流和所述支路内阻，确定所述电池包的环流容量；根据所述支路电流和所述环流容量进行失效风险预测，得到所述电池包的风险预测结果。采用本申请能够在产品研发前期识别环流、分流不均等失效风险。
Description
技术领域
本申请涉及电池技术领域，具体涉及一种电池风险预测方法、装置、计算机设备和存储介质。
背景技术
随着电动汽车行业的快速发展，多支路并联电池包结构的产品越来越多，例如，储能、换电、商用车多为多包并联结构。并联结构容易导致电池包出现环流、分流不均等问题。
目前，在电池包研发阶段会进行环流测试，但是，大多数测试都是在研发中期或后期识别环流、分流不均等失效风险。
发明内容
基于上述问题，本申请提供一种电池风险预测方法、装置、计算机设备和存储介质，能够在产品研发前期识别环流、分流不均等失效风险，降低测试成本、缩短测试周期。
第一方面，本申请提供了一种风险预测方法，该方法包括：基于预先建立的电阻预测模型，确定电池包中各支路的支路内阻；基于预先建立的电流预测模型和支路内阻，确定各支路的支路电流；基于预先建立的环流预测模型、支路电流和支路内阻，确定电池包的环流容量；根据支路电流和环流容量进行失效风险预测，得到电池包的风险预测结果。
本申请实施例的技术方案中，预先建立了电阻预测模型、电流预测模型和环流预测模型，这样，在研发前期就可以根据三个模型预测出电池包是否存在过流失效和过压失效，从而指导电池包的研发和测试，进而降低测试成本、缩短测试周期。
在一些实施例中，基于预先建立的电阻预测模型，确定电池包中各支路的支路内阻，包括：响应输入的支路荷电状态、支路温度和支路电芯数量，将支路荷电状态、支路温度和支路电芯数量代入电阻预测模型中，得到支路内阻；其中，电阻预测模型包括支路内阻与增长系数的对应关系、支路电阻随温度和荷电状态（State of Charge，SOC）变化的情况以及支路电阻与电芯数量之间的对应关系。本申请实施例的技术方案中，电阻预测模型综合考虑了电芯的荷电状态、温度和健康状态（State of Health，SOH），可以预测出较为准确的支路电阻，为后续判断电池包是否存在失效风险提供了较为准确的依据。
在一些实施例中，该方法还包括：对第一样品电芯进行多组测试，得到不同温度和不同荷电状态下的电芯内阻；根据温度、荷电状态和电芯内阻进行拟合处理，得到支路内阻随温度和荷电状态变化的情况。本申请实施例的技术方案中，根据实测出的电芯内阻拟合支路内阻随温度和荷电状态变化的情况，该变化情况较为符合实际，因此依据该情况，可以建立较为准确的电阻预测模型，便于后续准确地预测支路电阻，以及准确地进行风险预测。
在一些实施例中，该方法还包括：对第二样品电芯进行多组测试，得到不同健康状态下的电芯内阻；根据不同健康状态下的电芯的内阻和健康电芯的内阻，计算增长系数。本申请实施例的技术方案中，根据实测出的电芯电阻计算增长系数，该增长系数较为符合实际情况，因此依据该增长系数，可以建立较为准确的电阻预测模型，便于后续准确地预测支路电阻，以及准确地进行风险预测。
在一些实施例中，基于预先建立的电流预测模型和支路内阻，确定各支路的支路电流，包括：响应输入的电池包的总电流，将总电流和支路内阻代入电流预测模型中，得到支路的支路电流；其中，电流预测模型包括支路电流与支路电阻和总电流之间的对应关系。本申请实施例的技术方案中，利用电池预测模型和支路电阻，可以预测出较为准确的支路电流，从而根据支路电流判断失效风险，得到较为准确的风险预测结果。
在一些实施例中，环流预测模型包括压差关系式、电流关系式和容量关系式；基于预先建立的环流预测模型、支路电流和支路内阻，确定电池包的环流容量，包括：将支路内阻和支路电流代入压差关系式中，得到电池包的环流压差；将支路内阻和环流压差代入电流关系式中，得到电池包的环流电流；将电池包的环流电流代入容量关系式中，得到电池包的环流容量。本申请实施例的技术方案中，环流预测模型包括压差关系式、电流关系式和容量关系式，利用这三个关系式，可以准确地计算出环流容量，从而可以根据环流容量判断失效风险，进而得到准确的风险预测结果。
在一些实施例中，风险预测结果包括过流失效风险和环流过压失效风险中的至少一种，根据支路电流和环流容量进行失效风险预测，得到电池包的风险预测结果，包括：在支路电流大于预设电流阈值的情况下，确定电池包存在过流失效风险；根据环流容量确定荷电状态变化量，在根据荷电状态变化量确定电压变化量大于预设变化量阈值的情况下，确定电池包存在环流过压失效风险。本申请实施例的技术方案根据支路电流和环流容量可以准确地进行风险预测，因此，可以降低测试成本，缩短测试周期。
第二方面，本申请还提供了一种风险预测装置，该装置包括：
内阻预测模块，用于基于预先建立的电阻预测模型，确定电池包中各支路的支路内阻；
电流预测模块，用于基于预先建立的电流预测模型和支路内阻，确定各支路的支路电流；
容量预测模块，用于基于预先建立的环流预测模型、支路电流和支路内阻，确定电池包的环流容量；
风险预测模块，用于根据支路电流和环流容量进行失效风险预测，得到电池包的风险预测结果。
第三方面，本申请还提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现第一方面所述的方法。
第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现第一方面所述的方法。
第五方面，本申请还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面所述方法的步骤。
附图说明
通过阅读对下文可选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出可选实施方式的目的，而并不认为是对本申请的限制。而且在全部附图中，用相同的附图标号表示相同的部件。在附图中：
图1为本申请一实施例的电池风险预测方法的流程示意图；
图2是本申请一实施例的电芯内阻拟合步骤的流程示意图；
图3是本申请一实施例的计算增长系数步骤的流程示意图；
图4是本申请一实施例的待测并联电池包的结构示意图；
图5是本申请一实施例的环流时间曲线；
图6是本申请一实施例的确定环流容量步骤的流程示意图；
图7是本申请一实施例的电池风险预测装置的结构框图；
图8是本申请一实施例的电池风险预测装置的结构框图；
图9是本申请一实施例的电池风险预测装置的结构框图；
图10是本申请一实施例的计算机设备的内部结构图。
具体实施方式
下面将结合附图对本申请技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本申请的技术方案，因此只作为示例，而不能以此来限制本申请的保护范围。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同；本文中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请；本申请的说明书和权利要求书及上述附图说明中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。
在本申请实施例的描述中，技术术语“第一”“第二”等仅用于区别不同对象，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量、特定顺序或主次关系。在本申请实施例的描述中，“多个”的含义是两个以上，除非另有明确具体的限定。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
在本申请实施例的描述中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
在本申请实施例的描述中，术语“多个”指的是两个以上（包括两个），同理，“多组”指的是两组以上（包括两组）。
随着电动汽车行业的快速发展，多支路并联电池包结构的产品越来越多，例如，储能、换电、商用车多为多包并联结构。并联结构容易导致电池包出现环流、分流不均等问题。目前，在电池包研发阶段会进行环流测试，但是，大多数测试都是在研发中期或后期识别环流、分流不均等失效风险。而在研发中期或后期进行环流测试，测试样品及测试成本较高，并且测试周期较长。
针对上述问题，本申请实施例提供了一种电池风险预测方案，基于预先建立的电阻预测模型，确定电池包中各支路的支路内阻；基于预先建立的电流预测模型和支路内阻，确定各支路的支路电流；基于预先建立的环流预测模型、支路电流和支路内阻，确定电池包的环流容量；根据支路电流和环流容量进行失效风险预测，得到电池包的风险预测结果。本申请实施例的技术方案中，预先建立了电阻预测模型、电流预测模型和环流预测模型，这样，在研发前期就可以根据三个模型预测出电池包是否存在过流失效和过压失效，从而指导电池包的研发和测试，进而降低测试成本、缩短测试周期。
根据本申请的一些实施例，参照图1，提供了一种电池风险预测方法，该方法应用于终端进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本申请实施例包括多个并联的电池包支路，每个电池包可以由多个电芯串联组成。并且，本申请实施例公开的电池包可以但不限用于车辆、船舶、飞行器和储能系统等装置中。下面对本申请实施例涉及的技术方案进行介绍，可以包括如下步骤：
步骤101，基于预先建立的电阻预测模型，确定电池包中各支路的支路内阻。
其中，支路内阻可以为支路中各电芯的内阻之和。
预先建立电阻预测模型，该电阻预测模型可以是机器学习模型、神经网络模型等，也可以是电池包的电路等效模型。
在研发前期需要进行风险预测时，可以利用电池包的设计值和电阻预测模型进行分析，得到电池包中各支路的支路内阻。例如，电阻预测模型为神经网络模型，电池包的设计值包括电池包中各支路的支路电压、电池包的总电流、荷电状态等；将电池包的荷电状态输入到神经网络模型中，得到神经网络模型输出的支路内阻。或者将上述电池包的荷电状态代入电路等效模型中，计算出各支路的支路内阻。
需要说明的是，电阻预测模型不限于上述描述的神经网络模型和电路等效模型，可以根据实际情况建立。
步骤102，基于预先建立的电流预测模型和支路内阻，确定各支路的支路电流。
预先建立电流预测模型，该电流预测模型可以是机器学习模型、神经网络模型等，也可以是电池包的电路等效模型。
在确定各支路的支路内阻后，可以利用电流预测模型对电池包的设计值和各支路的支路内阻进行分析，得到各支路的支路电流。例如，电流预测模型为神经网络模型，将电池包的总电流和各支路的支路内阻输入到神经网络模型中，得到神经网络模型输出的各支路的支路电流。或者将电池包的总电流和各支路的支路内阻代入电路等效模型中，计算出各支路的支路电流。
需要说明的是，电流预测模型不限于上述描述的神经网络模型和电路等效模型，可以根据实际情况建立。
步骤103，基于预先建立的环流预测模型、支路电流和支路内阻，确定电池包的环流容量。
其中，环流容量可以为电池包处于环流状态下的容量。
预先建立环流预测模型，该环流预测模型可以是机器学习模型、神经网络模型等，也可以是电池包的电路等效模型。
在确定各支路的支路内阻后，可以利用环流预测模型对电池包的支路电流和支路内阻进行分析，得到电池包的环流容量。例如，环流预测模型为神经网络模型，将电池包的支路电流和各支路的支路内阻输入到神经网络模型中，得到神经网络模型输出的电池包的环流容量。或者将电池包的支路电流和各支路的支路内阻代入电路等效模型中，计算出电池包的环流容量。
需要说明的是，环流预测模型不限于上述描述的神经网络模型和电路等效模型，可以根据实际情况建立。
步骤104，根据支路电流和环流容量进行失效风险预测，得到电池包的风险预测结果。
其中，风险预测结果包括电池包是否存在过流风险和是否存在环流过压失效风险的中的至少一种。过流风险是指支路电流大于预设电流阈值造成的风险；环流过压风险是指电压变化量大于预设变化量阈值造成的风险。
在确定各支路的支路电流和环流容量后，可以根据支路电流确定电池包是否存在过流风险；根据环流容量确定电池包括是否存在环流过压风险；之后，将上述判断结果汇总得到电池包的风险预测结果。
在一些实施例中，还可以在确定电池包存在过流风险的基础上，根据支路电流的大小，确定过流风险等级。以及，在根据环流容量确定电池包存在环流过压风险的基础上，根据环流容量的大小，确定过压风险等级。之后，根据过流风险等级和过压风险等级，确定电池包的失效风险等级，并将电池包的失效风险等级确定为电池包的风险预测结果。
可以理解地，过流风险等级越高，电池包的失效风险等级越高；过压风险等级越高，电池包的失效风险等级越高。在一些实施例中，可以根据设计需求为过流风险等级和过压风险等级设置不同的权重，对过流风险等级和过压风险等级加权求和计算得到电池包的失效风险等级。
需要说明的是，确定电池包的风险预测结果不限于上述描述的方式，还可以采用其他方式。
上述实施例中，基于预先建立的电阻预测模型，确定电池包中各支路的支路内阻；基于预先建立的电流预测模型和支路内阻，确定各支路的支路电流；基于预先建立的环流预测模型、支路电流和支路内阻，确定电池包的环流容量；根据支路电流和环流容量进行失效风险预测，得到电池包的风险预测结果。本申请实施例的技术方案中，预先建立了电阻预测模型、电流预测模型和环流预测模型，这样，在研发前期就可以根据三个模型预测出电池包是否存在过流失效和过压失效，从而指导电池包的研发和测试，进而降低测试成本、缩短测试周期。
根据本申请的一些实施例，涉及上述实施例中步骤“基于预先建立的电阻预测模型，确定电池包中各支路的支路内阻”的其中一种实施方式，该方式可以包括如下步骤：
响应输入的支路荷电状态、支路温度和支路电芯数量，将支路荷电状态、支路温度和支路电芯数量代入电阻预测模型中，得到支路内阻。
其中，支路荷电状态为支路的荷电状态，可以根据支路中各电芯的荷电状态确定。例如，计算支路中各电芯的荷电状态的平均值，将该平均值作为支路荷电状态。
支路温度可以根据支路中一个或多个电芯的温度确定。例如，支路中一个电芯处设置有温度传感器，将该温度传感器采集到的温度作为支路温度。或者，支路中每个电芯处均设置有温度传感器，可以计算多个温度传感器采集到的温度平均值，并将该温度平均值作为支路温度，也可以将多个温度传感器采集到的温度的最高值作为支路温度。
需要说明的是，支路荷电状态和支路温度的确定方式不限于上述描述的方式，可以根据实际情况设置。
在需要预测时，根据上述方式和电池包的结构，接收用户输入的电池包中每个支路的支路荷电状态、支路温度和支路电芯数量。然后，响应该输入将支路荷电状态、支路温度和支路电芯数量代入电阻预测模型中，得到支路内阻。
其中，电阻预测模型包括支路内阻与增长系数的对应关系、支路电阻随温度和荷电状态变化的情况以及支路电阻与电芯数量之间的对应关系。增长系数可以表征电芯内阻随健康状态SOH变化的情况。电阻预测模型可以如公式（1）所示：
---------（1）
其中，为支路内阻，该支路内阻为整个支路中的电芯的内阻，k为增长系数，/>表征支路内阻随温度和荷电状态变化的情况，N为支路电芯数量，/>为支路线阻，/>为接触电阻。电芯与电芯之间或电芯与线束间通过金属件连接，/>是指连接各电芯的导线自身的电阻，接触电阻是指连接处产生的内阻。
响应输入的支路荷电状态、支路温度和支路电芯数量，将支路荷电状态、支路温度和支路电芯数量代入上述公式（1）中，则可以计算出支路内阻。
需要说明的是，增长系数和支路内阻随温度和荷电状态变化的情况是在建立电阻预测模型过程中确定的。
上述实施例中，对于电池包的各支路，响应输入的支路荷电状态、支路温度和支路电芯数量，将支路荷电状态、支路温度和支路电芯数量代入电阻预测模型中，得到支路内阻。本申请实施例的技术方案中，电阻预测模型综合考虑了电芯的荷电状态、温度和健康状态，可以预测出较为准确的支路电阻，为后续判断电池包是否存在失效风险提供了较为准确的依据。
根据本申请的一些实施例，参照图2，在将支路荷电状态、支路温度和支路电芯数量代入电阻预测模型中之前，可以设置第一样品电芯和第二样品电芯，其中，第一样品电芯是指不同温度和不同SOC的样品电芯，第二样品电芯是指不同SOH的样品电芯。设置第一样品电芯和第二样品电芯进行测试，可以通过两种测试分别确定公式（1）中的支路电阻随温度和荷电状态变化的情况和增长系数。本申请实施例还可以包括如下步骤：
步骤201，对第一样品电芯进行多组测试，得到不同温度和不同荷电状态下的电芯内阻。
预先设置多个温度和多个荷电状态，在每个温度下，分别测试第一样品电芯在不同荷电状态下的电芯内阻。例如，在-30℃下，分别测试第一样品电芯在SOC为5%、10%、20%……98%时的电芯内阻；在-27℃下，分别测试第一样品电芯在SOC为5%、10%、20%……98%时的电芯内阻。以此类推在其他温度下进行测试，得到不同温度和不同荷电状态下的电芯内阻。
在一些实施例中，可以对一部分的温度和荷电状态下的第一样品电芯进行测试，在测试后，采用插值法推测出另外一部分温度和荷电状态下的电芯内阻。
测试出的电芯内阻可以如表1所示。
表1
步骤202，根据温度、荷电状态和电芯内阻进行拟合处理，得到支路内阻随温度和荷电状态变化的情况。
确定不同温度和不同荷电状态下的电芯内阻后，可以采用三维插值法对温度、荷电状态和电芯内阻进行拟合处理，得到支路内阻随温度和荷电状态变化的情况，即得到公式（1）中的f（SOC，T）。
需要说明的是，拟合处理的算法还可以采用其他算法，本申请实施例对此不做限制。
上述实施例中，对第一样品电芯进行多组测试，得到不同温度和不同荷电状态下的电芯内阻；根据温度、荷电状态和电芯内阻进行拟合处理，得到支路内阻随温度和荷电状态变化的情况。本申请实施例的技术方案中，根据实测出的电芯内阻拟合支路内阻随温度和荷电状态变化的情况，该变化情况较为符合实际，因此依据该情况，可以建立较为准确的电阻预测模型，便于后续准确地预测支路电阻，以及准确地进行风险预测。
根据本申请的一些实施例，参照图3，在将支路荷电状态、支路温度和支路电芯数量代入电阻预测模型中之前，本申请实施例还可以包括如下步骤：
步骤301，对第二样品电芯进行多组测试，得到不同健康状态下的电芯内阻。
其中，健康状态SOH为电芯当前容量与出厂容量的比值。第二样品电芯与第一样品电芯可以是同一样品电芯，也可以是不同样品电芯。
预先设置多个健康状态，对第二样品电芯进行测试，得到每个健康状态下的电芯内阻。
步骤302，根据不同健康状态下的电芯的内阻和健康电芯的内阻，计算增长系数。
计算各健康状态下的电芯的内阻与健康电芯的内阻的比值，得到增长系数，如公式（2）所示：
------------------------------（2）
其中，k为增长系数，可以表征电芯内阻随健康状态变化而变化的情况，为某一健康状态下的电芯的内阻，/>为健康状态为100%的健康电芯的内阻。
上述实施例中，对第二样品电芯进行多组测试，得到不同健康状态下的电芯内阻；根据不同健康状态下的电芯的内阻和健康电芯的内阻，计算增长系数。本申请实施例的技术方案中，根据实测出的电芯电阻计算增长系数，该增长系数较为符合实际情况，因此依据该增长系数，可以建立较为准确的电阻预测模型，便于后续准确地预测支路电阻，以及准确地进行风险预测。
根据本申请的一些实施例，涉及上述实施例中步骤“基于预先建立的电流预测模型和各支路内阻，确定各支路的支路电流”的其中一种实施方式，包括：
响应输入的电池包的总电流，将总电流和支路内阻代入电流预测模型中，得到支路的支路电流。
其中，电池包的总电流可以是电池包的设计值，或者仿真、历史实际工况测量得到。
电流预测模型包括支路电流与支路电阻和总电流之间的对应关系。参照图4，假设电池包中两个电池包支路并联连接，在支路1中，支路两端电压为U’1，PACK1两端电压为U1，线阻和接触电阻为r1，支路电流为I1；在支路2中，支路两端电压为U’2，PACK2两端电压为U2，线阻和接触电阻为r2，支路电流为I2。由该图可知，I1/I2=（R2+r2）/（R1+r1），I1+I2=I总。由此可以得到电流预测模型如公式（3）：
----------------------------（3）
其中，R1+r1为支路1的支路内阻，R2+r2为支路2的支路内阻，可以根据公式（1）计算出。
上述实施例中，响应输入的电池包的总电流，将总电流和支路内阻代入电流预测模型中，得到支路的支路电流。本申请实施例的技术方案中，利用电池预测模型和支路电阻，可以预测出较为准确的支路电流，从而根据支路电流判断失效风险，得到较为准确的风险预测结果。
根据本申请的一些实施例，环流预测模型包括压差关系式、电流关系式和容量关系式。假设并联连接的多个支路中，PACK内阻存在一定的比例关系，线阻和接触电阻也存在一定的比例关系，参照图4，可以确定R1=mR2，r1=nr2，U总=U1+I1r1=U2+I2r2，I1+I2=I总，并得到压差关系式如公式（4）：
-----------（4）
其中，ΔU为环流压差，U1为PACK1两端的电压，I1为支路1的电流， R1为PACK1的内阻，r1为支路1的线阻和接触电阻；U2为PACK2两端的电压，I2为支路2的电流， R2为PACK2的内阻，r2为支路2的线阻和接触电阻。
基于上述压差关系式，可以得到电流关系式如公式（5）：
-----------------------------（5）
其中， 为环流电流，ΔU为环流压差，R1+r1为支路1的支路内阻，R2+r2为支路2的支路内阻，可以根据公式（1）计算。
容量关系式如公式（6）：
---------------------------（6）
其中， 为环流容量（mAh），T为环流时间（s），通常小于1000s，参照图5的静置环流-时间曲线。
参照图6，涉及上述实施例中步骤“基于预先建立的环流预测模型、支路电流和支路内阻，确定电池包的环流容量”的其中一种实施方式，该方式可以包括如下步骤：
步骤401，将支路内阻和支路电流代入压差关系式中，得到电池包的环流压差。
在根据公式（1）计算出各支路的支路内阻后，将支路内阻和支路电流代入公式（4）中，则可以计算出电池包的环流压差。
步骤402，将支路内阻和环流压差代入电流关系式中，得到电池包的环流电流。
在得到环流压差后，将支路内阻和环流压差代入公式（5）中，得到电池包的环流电流。
步骤403，将电池包的环流电流代入容量关系式中，得到电池包的环流容量。
在得到环流电流后，将环流电流代入公式（6）中，得到电池包的环流容量。
上述实施例中，将支路内阻和支路电流代入压差关系式中，得到电池包的环流压差；将支路内阻和环流压差代入电流关系式中，得到电池包的环流电流；将电池包的环流电流代入容量关系式中，得到电池包的环流容量。本申请实施例的技术方案中，环流预测模型包括压差关系式、电流关系式和容量关系式，利用这三个关系式，可以准确地计算出环流容量，从而可以根据环流容量判断失效风险，进而得到准确的风险预测结果。
根据本申请的一些实施例，风险预测结果包括过流失效风险和环流过压失效风险中的至少一种，涉及上述实施例中步骤“根据支路电流和环流容量进行失效风险预测，得到电池包的风险预测结果”的其中一种实施方式，该方式可以包括如下步骤：在支路电流大于预设电流阈值的情况下，确定电池包存在过流失效风险；以及根据环流容量确定荷电状态变化量，在根据荷电状态变化量确定电压变化量大于预设变化量阈值的情况下，确定电池包存在环流过压失效风险。
在判断电池包是否存在过流失效风险时，将计算出的支路电流与预设电流阈值进行比较。如果支路电流小于或等于预设电流阈值，则确定电池包不存在过流失效风险；如果支路电流大于预设电流阈值，则确定电池包存在过流失效风险。
在判断电池包是否存在环流过压失效风险时，根据环流容量计算荷电状态变化量，例如，荷电状态变化量=W环/支路额定容量*100%。根据荷电状态变化量确定电压变化量，将电压变化量与预设变化量阈值进行比较；如果电压变化量小于或等于预设变化量阈值，则确定电池包不存在环流过压失效风险；如果电压变化量大于预设变化量阈值，则确定电池包存在环流过压失效风险。
根据电池包是否存在过流失效风险和环流过压失效风险，得到电池包的风险预测结果。
在一些实施例中，在研发前期判断出电池包存在过流失效风险和/或环流过压失效风险，则无需等到研发中期和研发后期进行实测，就可以对电池包结构、连线、金属件以及电压、电流等设计值进行调整。
上述实施例中，在支路电流大于预设电流阈值的情况下，确定电池包存在过流失效风险；以及根据环流容量确定荷电状态变化量，在根据荷电状态变化量确定电压变化量大于预设变化量阈值的情况下，确定电池包存在环流过压失效风险。本申请实施例的技术方案根据支路电流和环流容量可以准确地进行风险预测，因此，可以降低测试成本，缩短测试周期。
根据本申请的一些实施例，提供了一种电池风险预测方法，该方法可以包括如下步骤：
步骤1，对第一样品电芯进行多组测试，得到不同温度和不同荷电状态下的电芯内阻；根据温度、荷电状态和电芯内阻进行拟合处理，得到支路内阻随温度和荷电状态变化的情况。
步骤2，对第二样品电芯进行多组测试，得到不同健康状态下的电芯内阻；根据不同健康状态下的电芯的内阻和健康电芯的内阻，计算增长系数。
步骤3，响应输入的支路荷电状态、支路温度和支路电芯数量，将支路荷电状态、支路温度和支路电芯数量代入电阻预测模型中，得到支路内阻。
其中，电阻预测模型包括支路内阻与增长系数、电阻随温度和荷电状态变化的情况以及电芯数量之间的对应关系。
步骤4，响应输入的电池包的总电流，将总电流和支路内阻代入电流预测模型中，得到支路的支路电流。
步骤5，将支路内阻和支路电流代入压差关系式中，得到电池包的环流压差。
步骤6，将支路内阻和环流压差代入电流关系式中，得到电池包的环流电流。
步骤7，将电池包的环流电流代入容量关系式中，得到电池包的环流容量。
步骤8，在支路电流大于预设电流阈值的情况下，确定电池包存在过流失效风险；以及根据环流容量确定荷电状态变化量，在根据荷电状态变化量确定电压变化量大于预设变化量阈值的情况下，确定电池包存在环流过压失效风险。
上述实施例中，先进行样品电芯测试，得到支路内阻随温度和荷电状态变化的情况和增长系数，依据支路内阻随温度和荷电状态变化的情况和增长系数建立电阻预测模型，依据电池包结构建立电流预测模型以及环流预测模型的压差关系式、电流关系式、容量关系式。之后，根据电池包的设计值和上述预先建立的模型可以预测出电池包中各支路的支路电阻和环流容量。最后，可以根据电池包中各支路的支路电阻和环流容量进行风险预测，得到风险预测结果。该风险预测结果可以指导产品研发，在产品研发前期就可以对电池包结构、连线、金属件以及电压、电流等设计值进行调整，而无需等到研发中期和研发后期进行实测，因此可以降低测试成本、缩短测试成本，大大地方便了产品研发。
应该理解的是，虽然上述流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的过风险预测方法的过风险预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个过风险预测装置实施例中的具体限定可以参见上文中对于过风险预测方法的限定，在此不再赘述。
根据本申请的一些实施例，参照图7，提供了一种电池风险预测装置，该装置包括：
内阻预测模块501，用于基于预先建立的电阻预测模型，确定电池包中各支路的支路内阻；
电流预测模块502，用于基于预先建立的电流预测模型和支路内阻，确定各支路的支路电流；
容量预测模块503，用于基于预先建立的环流预测模型、支路电流和支路内阻，确定电池包的环流容量；
风险预测模块504，用于根据支路电流和环流容量进行失效风险预测，得到电池包的风险预测结果。
在一些实施例中，内阻预测模块501，具体用于响应输入的支路荷电状态、支路温度和支路电芯数量，将支路荷电状态、支路温度和支路电芯数量代入电阻预测模型中，得到支路内阻；其中，电阻预测模型包括支路内阻与增长系数的对应关系、支路电阻随温度和荷电状态变化的情况以及支路内阻与电芯数量之间的对应关系。
在一些实施例中，参照图8，该装置还包括：
第一内阻测试模块505，用于对第一样品电芯进行多组测试，得到不同温度和不同荷电状态下的电芯内阻；
内阻拟合模块506，用于根据温度、荷电状态和电芯内阻进行拟合处理，得到支路内阻随温度和荷电状态变化的情况。
在一些实施例中，参照图9，该装置还包括：
第二内阻测试模块507，用于对第二样品电芯进行多组测试，得到不同健康状态下的电芯内阻；
系数计算模块508，用于根据不同健康状态下的电芯的内阻和健康电芯的内阻，计算增长系数。
在一些实施例中，电流预测模块502，具体用于响应输入的电池包的总电流，将总电流和支路内阻代入电流预测模型中，得到支路的支路电流；其中，电流预测模型包括支路电流与支路电阻和总电流之间的对应关系。
在一些实施例中，环流预测模型包括压差关系式、电流关系式和容量关系式；容量预测模块503，具体用于将支路内阻和支路电流代入压差关系式中，得到电池包的环流压差；将支路内阻和环流压差代入电流关系式中，得到电池包的环流电流；将电池包的环流电流代入容量关系式中，得到电池包的环流容量。
在一些实施例中，风险预测结果包括过流失效风险和环流过压失效风险中的至少一种，风险预测模块504，具体用于在支路电流大于预设电流阈值的情况下，确定电池包存在过流失效风险；根据环流容量确定荷电状态变化量，在根据荷电状态变化量确定电压变化量大于预设变化量阈值的情况下，确定电池包存在环流过压失效风险。
上述电池风险预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中，也可以以软件形式存储于电子设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
根据本申请的一些实施例，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图10所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种电池风险预测方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
根据本申请的一些实施例，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器，上述指令可由电子设备的处理器执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器（RAM）、CD-ROM、磁带、软盘和光数据存储设备等。
根据本申请的一些实施例，还提供了一种计算机程序产品，该计算机程序被处理器执行时，可以实现上述方法。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行这些计算机指令时，可以全部或部分地按照本申请实施例所述的流程或功能实现图1-图6中的部分或者全部。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述图1-图6的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，便于具体和详细地理解本申请的技术方案，但并不能因此而理解为对发明专利保护范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。应当理解，本领域技术人员在本申请提供的技术方案的基础上，通过合乎逻辑的分析、推理或者有限的试验得到的技术方案，均在本申请所述附权利要求的保护范围内。因此，本申请专利的保护范围应以所附权利要求的内容为准，说明书及附图可以用于解释权利要求的内容。
Claims (10)
1.一种电池风险预测方法，其特征在于，所述方法包括：
基于预先建立的电阻预测模型，确定电池包中各支路的支路内阻；所述电阻预测模型包括支路内阻与增长系数的对应关系、所述支路内阻随温度和荷电状态变化的情况以及所述支路内阻与电芯数量之间的对应关系；所述增长系数表征电芯内阻随健康状态变化的情况；
基于预先建立的电流预测模型和所述支路内阻，确定各支路的支路电流；
基于预先建立的环流预测模型、所述支路电流和所述支路内阻，确定所述电池包的环流容量；
根据所述支路电流和所述环流容量进行失效风险预测，得到所述电池包的风险预测结果。
2.根据权利要求1所述的方法，其特征在于，所述基于预先建立的电阻预测模型，确定电池包中各支路的支路内阻，包括：
响应输入的支路荷电状态、支路温度和支路电芯数量，将所述支路荷电状态、所述支路温度和所述支路电芯数量代入所述电阻预测模型中，得到所述支路内阻。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
对第一样品电芯进行多组测试，得到不同温度和不同荷电状态下的电芯内阻；
根据所述温度、所述荷电状态和所述电芯内阻进行拟合处理，得到所述支路内阻随温度和荷电状态变化的情况。
4.根据权利要求2所述的方法，其特征在于，所述方法还包括：
对第二样品电芯进行多组测试，得到不同健康状态下的电芯内阻；
根据所述不同健康状态下的电芯的内阻和健康电芯的内阻，计算所述增长系数。
5.根据权利要求1所述的方法，其特征在于，所述基于预先建立的电流预测模型和所述支路内阻，确定各支路的支路电流，包括：
响应输入的所述电池包的总电流，将所述总电流和所述支路内阻代入所述电流预测模型中，得到所述支路的支路电流；
其中，所述电流预测模型包括所述支路电流与所述支路内阻和所述总电流之间的对应关系。
6.根据权利要求1所述的方法，其特征在于，所述环流预测模型包括压差关系式、电流关系式和容量关系式；所述基于预先建立的环流预测模型、所述支路电流和所述支路内阻，确定所述电池包的环流容量，包括：
将所述支路内阻和所述支路电流代入所述压差关系式中，得到所述电池包的环流压差；
将所述支路内阻和所述环流压差代入所述电流关系式中，得到所述电池包的环流电流；
将所述电池包的环流电流代入所述容量关系式中，得到所述电池包的环流容量。
7.根据权利要求1所述的方法，其特征在于，所述风险预测结果包括过流失效风险和环流过压失效风险中的至少一种，所述根据所述支路电流和所述环流容量进行失效风险预测，得到所述电池包的风险预测结果，包括：
在所述支路电流大于预设电流阈值的情况下，确定所述电池包存在所述过流失效风险；
根据所述环流容量确定荷电状态变化量，在根据所述荷电状态变化量确定电压变化量大于预设变化量阈值的情况下，确定所述电池包存在所述环流过压失效风险。
8.一种电池风险预测装置，其特征在于，所述装置包括：
内阻预测模块，用于基于预先建立的电阻预测模型，确定电池包中各支路的支路内阻；所述电阻预测模型包括支路内阻与增长系数的对应关系、所述支路内阻随温度和荷电状态变化的情况以及所述支路内阻与电芯数量之间的对应关系；所述增长系数表征电芯内阻随健康状态变化的情况；
电流预测模块，用于基于预先建立的电流预测模型和所述支路内阻，确定各支路的支路电流；
容量预测模块，用于基于预先建立的环流预测模型、所述支路电流和所述支路内阻，确定所述电池包的环流容量；
风险预测模块，用于根据所述支路电流和所述环流容量进行失效风险预测，得到所述电池包的风险预测结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410160731.6A CN117709273B (zh) | 2024-02-05 | 2024-02-05 | 电池风险预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410160731.6A CN117709273B (zh) | 2024-02-05 | 2024-02-05 | 电池风险预测方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117709273A CN117709273A (zh) | 2024-03-15 |
| CN117709273B true CN117709273B (zh) | 2024-06-07 |
Family
ID=90162824
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410160731.6A Active CN117709273B (zh) | 2024-02-05 | 2024-02-05 | 电池风险预测方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117709273B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103199583A (zh) * | 2013-03-28 | 2013-07-10 | 华为技术有限公司 | 电池管理方法、装置和由电池供电的设备 |
| CN110797595A (zh) * | 2019-11-07 | 2020-02-14 | 中车大连机车车辆有限公司 | 一种电池组并联充放电控制方法和系统 |
| DE102018215477A1 (de) * | 2018-09-12 | 2020-03-12 | Audi Ag | Batteriesystem, Verfahren zum Temperieren und zur Druckbeaufschlagung wenigstens einer Batteriezelle eines Batteriemoduls eines derartigen Batteriesystems sowie Kraftfahrzeug mit einem derartigen Batteriesystem |
| CN113049962A (zh) * | 2021-03-24 | 2021-06-29 | 国网浙江省电力有限公司电力科学研究院 | 一种基于lstm的储能装置运行态势推演方法 |
| CN114172221A (zh) * | 2020-09-11 | 2022-03-11 | 郑州深澜动力科技有限公司 | 一种多支路电池系统的防过充控制系统 |
| CN114295983A (zh) * | 2021-12-31 | 2022-04-08 | 上海洛轲智能科技有限公司 | 电池热失控预警方法、装置、车辆、设备及存储介质 |
| CN114611836A (zh) * | 2022-04-02 | 2022-06-10 | 傲普(上海)新能源有限公司 | 一种储能电池风险预测方法、装置、介质及设备 |
| CN114924192A (zh) * | 2022-05-20 | 2022-08-19 | 重庆理工大学 | 基于神经网络的并联电池组安全预警方法 |
| CN116315207A (zh) * | 2023-05-18 | 2023-06-23 | 宁德时代新能源科技股份有限公司 | 过压预警方法、装置和可读存储介质 |
| CN116780726A (zh) * | 2023-08-22 | 2023-09-19 | 深圳海辰储能控制技术有限公司 | 环流控制方法及系统、储能装置及用电设备 |
| WO2023220949A1 (zh) * | 2022-05-18 | 2023-11-23 | 宁德时代新能源科技股份有限公司 | 换电方法、系统、装置、存储介质和计算机程序产品 |
-
2024
- 2024-02-05 CN CN202410160731.6A patent/CN117709273B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103199583A (zh) * | 2013-03-28 | 2013-07-10 | 华为技术有限公司 | 电池管理方法、装置和由电池供电的设备 |
| DE102018215477A1 (de) * | 2018-09-12 | 2020-03-12 | Audi Ag | Batteriesystem, Verfahren zum Temperieren und zur Druckbeaufschlagung wenigstens einer Batteriezelle eines Batteriemoduls eines derartigen Batteriesystems sowie Kraftfahrzeug mit einem derartigen Batteriesystem |
| CN110797595A (zh) * | 2019-11-07 | 2020-02-14 | 中车大连机车车辆有限公司 | 一种电池组并联充放电控制方法和系统 |
| CN114172221A (zh) * | 2020-09-11 | 2022-03-11 | 郑州深澜动力科技有限公司 | 一种多支路电池系统的防过充控制系统 |
| CN113049962A (zh) * | 2021-03-24 | 2021-06-29 | 国网浙江省电力有限公司电力科学研究院 | 一种基于lstm的储能装置运行态势推演方法 |
| CN114295983A (zh) * | 2021-12-31 | 2022-04-08 | 上海洛轲智能科技有限公司 | 电池热失控预警方法、装置、车辆、设备及存储介质 |
| CN114611836A (zh) * | 2022-04-02 | 2022-06-10 | 傲普(上海)新能源有限公司 | 一种储能电池风险预测方法、装置、介质及设备 |
| WO2023220949A1 (zh) * | 2022-05-18 | 2023-11-23 | 宁德时代新能源科技股份有限公司 | 换电方法、系统、装置、存储介质和计算机程序产品 |
| CN114924192A (zh) * | 2022-05-20 | 2022-08-19 | 重庆理工大学 | 基于神经网络的并联电池组安全预警方法 |
| CN116315207A (zh) * | 2023-05-18 | 2023-06-23 | 宁德时代新能源科技股份有限公司 | 过压预警方法、装置和可读存储介质 |
| CN116780726A (zh) * | 2023-08-22 | 2023-09-19 | 深圳海辰储能控制技术有限公司 | 环流控制方法及系统、储能装置及用电设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117709273A (zh) | 2024-03-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105158699B (zh) | 电池健康状态的检测方法和装置 | |
| CN106443471A (zh) | 锂离子电池soc估计方法及其硬件实现 | |
| CN115805810B (zh) | 电池故障预测方法、装置、设备、存储介质和程序产品 | |
| Lavety et al. | A dynamic battery model and parameter extraction for discharge behavior of a valve regulated lead-acid battery | |
| CN110303941B (zh) | 一种电池均衡方法、系统、设备以及介质 | |
| CN115840144A (zh) | 电池仿真计算方法、装置、计算机设备和存储介质 | |
| CN116295902A (zh) | 电子设备的环境温度检测方法及装置 | |
| CN117709273B (zh) | 电池风险预测方法、装置、计算机设备和存储介质 | |
| Lai et al. | A quantitative method for early-stage detection of the internal-short-circuit in Lithium-ion battery pack under float-charging conditions | |
| CN117706385A (zh) | 环流测试方法和电池测试系统 | |
| CN117723978A (zh) | 电芯功率状态确定方法、装置、计算机设备和存储介质 | |
| CN117572242A (zh) | 电池数据确定方法、装置、设备、存储介质和程序产品 | |
| CN117313533A (zh) | 换流阀组件状态预测方法、装置、设备、介质和产品 | |
| CN116299006A (zh) | 电池包的健康状况预测方法、装置、设备和存储介质 | |
| CN112731150B (zh) | 电压暂降状态估计方法、装置、计算机设备和存储介质 | |
| CN114441848A (zh) | 功耗确定方法、装置、电子设备和存储介质 | |
| CN117341477B (zh) | 磷酸铁锂动力电池内短路预警方法、装置和计算机设备 | |
| CN117825991A (zh) | 电池异常检测方法、装置、设备、存储介质和程序产品 | |
| CN117233630B (zh) | 锂离子电池的使用寿命预测方法、装置和计算机设备 | |
| CN118091445A (zh) | 自放电率的确定方法、装置、计算机设备和存储介质 | |
| CN117937477B (zh) | 发电机组无功功率边界值预测方法、装置和计算机设备 | |
| CN118465588A (zh) | 一种动态可重构电池模组的内阻一致性评价方法及系统 | |
| CN117977747A (zh) | 充电方法、装置和移动终端 | |
| CN117930017A (zh) | 基于机器学习的健康状态确定方法、装置和计算机设备 | |
| CN115469136A (zh) | 一种基于电场传感器阵列的非侵入式三相电压测量方法 |
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 |