CN113567874B - 动力电池安全状态的监控检测方法及装置 - Google Patents
动力电池安全状态的监控检测方法及装置 Download PDFInfo
- Publication number
- CN113567874B CN113567874B CN202110637447.XA CN202110637447A CN113567874B CN 113567874 B CN113567874 B CN 113567874B CN 202110637447 A CN202110637447 A CN 202110637447A CN 113567874 B CN113567874 B CN 113567874B
- Authority
- CN
- China
- Prior art keywords
- fault
- model
- power battery
- diagnosis
- strategy
- 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
Images
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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种动力电池安全状态的监控检测方法及装置,其中,方法包括:获取多种故障类型,并基于多种故障类型建立动力电池的故障数据库;对故障数据库中的多种故障进行分析,得到多故障协同诊断策略,并将多故障协同诊断策略与融合后的通用模型整合得到多故障协同诊断模型;利用多故障协同诊断模型对任一车辆的动力电池进行诊断,并根据诊断结果生成动力电池***的安全控制策略。该方法解决了相关技术中准确率较低、通用性较差,事故原因的反向追踪效果不佳的问题,大大提高安全性、可靠性和稳定性。
Description
技术领域
本发明涉及动力电池技术领域,特别涉及一种动力电池安全状态的监控检测方法及装置。
背景技术
相关技术中,在实现动力电池***安全控制管理研究的实车应用时,一般是将各种动力电池故障诊断和风险预警模型与BMS***的高效集成。
然而,BMS***集成的各种电池故障诊断和风险预警模型面向实车动力电池***的准确率较低、通用性较差,事故原因的反向追踪效果不佳,亟待解决。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种动力电池安全状态的监控检测方法,解决了相关技术中准确率较低、通用性较差,事故原因的反向追踪效果不佳的问题,大大提高安全性、可靠性和稳定性。
本发明的另一个目的在于提出一种动力电池安全状态的监控检测装置。
为达到上述目的,本发明一方面实施例提出了动力电池安全状态的监控检测方法,包括以下步骤:
获取多种故障类型,并基于所述多种故障类型建立动力电池的故障数据库;
对所述故障数据库中的多种故障进行分析,得到多故障协同诊断策略,并将所述多故障协同诊断策略与融合后的通用模型整合得到多故障协同诊断模型;以及
利用所述多故障协同诊断模型对任一车辆的动力电池进行诊断,并根据诊断结果生成动力电池***的安全控制策略。
本发明实施例的动力电池安全状态的监控检测方法,可以获取多种故障类型,并基于多种故障类型建立动力电池的故障数据库,并对故障数据库中的多种故障进行分析,得到多故障协同诊断策略,并将多故障协同诊断策略与融合后的通用模型整合得到多故障协同诊断模型,并利用多故障协同诊断模型对任一车辆的动力电池进行诊断,并根据诊断结果生成动力电池***的安全控制策略。由此,提出面向实车动力电池***全寿命周期,解决了相关技术中准确率较低、通用性较差,事故原因的反向追踪效果不佳的问题,大大提高安全性、可靠性和稳定性。
另外,根据本发明上述实施例的动力电池安全状态的监控检测方法还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述通用模型包括全阶段模型,全状态模型和全气候模型中的任意一种。
进一步地,在本发明的一个实施例中,所述安全控制策略包括安全警示的提示动作、提示强度和/或提示方式。
进一步地,在本发明的一个实施例中,在将所述多故障协同诊断策略与融合后的通用模型整合得到所述多故障协同诊断模型之前,包括:
由所述动力电池的充放电循环数据段得到的变长度序列转换为满足预设条件的定长度序列,以训练神经网络,得到所述融合后的通用模型。
进一步地,在本发明的一个实施例中,还包括:
发送所述安全控制策略至车载端的电池管理***和/或预设终端。
为达到上述目的,本发明另一方面实施例提出了一种动力电池安全状态的监控检测装置,包括:
第一获取模块,用于获取多种故障类型,并基于所述多种故障类型建立动力电池的故障数据库;
第二获取模块,用于对所述故障数据库中的多种故障进行分析,得到多故障协同诊断策略,并将所述多故障协同诊断策略与融合后的通用模型整合得到多故障协同诊断模型;以及
生成模块,用于利用所述多故障协同诊断模型对任一车辆的动力电池进行诊断,并根据诊断结果生成动力电池***的安全控制策略。
本发明实施例的动力电池安全状态的监控检测装置,,可以获取多种故障类型,并基于多种故障类型建立动力电池的故障数据库,并对故障数据库中的多种故障进行分析,得到多故障协同诊断策略,并将多故障协同诊断策略与融合后的通用模型整合得到多故障协同诊断模型,并利用多故障协同诊断模型对任一车辆的动力电池进行诊断,并根据诊断结果生成动力电池***的安全控制策略。由此,提出面向实车动力电池***全寿命周期,解决了相关技术中准确率较低、通用性较差,事故原因的反向追踪效果不佳的问题,大大提高安全性、可靠性和稳定性。
另外,根据本发明上述实施例的动力电池安全状态的监控检测装置还可以具有以下附加的技术特征:
进一步地,在本发明的一个实施例中,所述通用模型包括全阶段模型,全状态模型和全气候模型中的任意一种。
进一步地,在本发明的一个实施例中,所述安全控制策略包括安全警示的提示动作、提示强度和/或提示方式。
进一步地,在本发明的一个实施例中,在将所述多故障协同诊断策略与融合后的通用模型整合得到所述多故障协同诊断模型之前,所述第二获取模块包括:
由所述动力电池的充放电循环数据段得到的变长度序列转换为满足预设条件的定长度序列,以训练神经网络,得到所述融合后的通用模型。
进一步地,在本发明的一个实施例中,还包括:
发送模块,用于发送所述安全控制策略至车载端的电池管理***和/或预设终端。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明实施例一个动力电池安全状态的监控检测方法的流程图;
图2为根据本发明一个实施例基于多模型融合的动力电池安全状态监控***的结构示意图;
图3为根据本发明一个实施例基于实车运行数据种类的多故障协同诊断模型的示意图;
图4为根据本发明一个实施例的基于多模型融合的动力电池安全状态监控方法的流程图;
图5为根据本发明一个实施例的基于实车运行大数据与多模型融合的动力电池***多状态在线预测方法的流程图;
图6为根据本发明实施例动力电池安全状态的监控检测装置的方框示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的动力电池安全状态的监控检测方法及装置,首先将参照附图描述根据本发明实施例提出的动力电池安全状态的监控检测方法。
图1是本发明一个实施例的动力电池安全状态的监控检测方法的流程图。
如图1所示,该动力电池安全状态的监控检测方法包括:
在步骤S101中,获取多种故障类型,并基于多种故障类型建立动力电池的故障数据库。
应当理解的是,故障类型常出现在电压、温度和充电等其他方面,其中,对于电压来说,故障类型一般为电池电压高、电池电压低、压差、电压跳变等;对于温度来说,故障类型一般为热管理故障、温度高、温度低、温差问题等;对于充电来说,故障类型一般为直流充电故障、交流充电故障等。
需要说明的是,上述故障类型仅为示例性的,不作为对本发明的限制,本领域技术人员可以根据实际情况进行确认,在此不做具体限定。
进一步地,如图2所示,本申请实施例的基于多模型融合的动力电池安全状态监控***结构主要包括:动力电池***、电池管理***和多级预警***。其中,动力电池***包括:动力电池1……n;电池管理***包括:采集模块、均衡模块和主控模块,多级预警***包括:LED指示灯(绿、黄、红)和蜂鸣器;采集模块包括:电压传感器、电流传感器和温度传感器。
在步骤S102中,对故障数据库中的多种故障进行分析,得到多故障协同诊断策略,并将多故障协同诊断策略与融合后的通用模型整合得到多故障协同诊断模型。
具体而言,本申请实施例可以通过故障树会罗列出故障的种类,每个种类下方会列举出可能导致的原因,每个原因下方又可以细分。在遇到故障时,根据故障树检索,就可以进行分析。
进一步地,如图3所示,首先实车运行数据能够经过数据扩充,建立动力电池的不同模型,最后形成模型库。不同车型的模型库进行融合,可形成全能通用模型。同时故障预警可根据建立的故障树,形成多故障协同诊断策略。将此策略的应用对象选为该全能通用模型,就可以得到多故障协同诊断模型。
进一步地,在本发明的一个实施例中,通用模型包括全阶段模型,全状态模型和全气候模型中的任意一种。
其中,全阶段模型,即电池在全生命周期内不同阶段的数据组成的模型;全状段模型,即电池不同运行状态的数据(SOC、SOH、SOP等)所组成的模型;全气候模型,即电池在不同气候下的数据(不同温度、湿度等)所组成的模型。
举例而言,如图3所示,1号车全生命周期数据即为电池在全生命周期内不同阶段的数据;不同车型不同批次车辆即为电池不同运行状态的数据;不同运行时间不同运行路段的车辆即为电池在不同气候下的数据,由此,即可确定不同的车型车辆,以及相应的目标模型,并确定出不同模型的模型库,从而融合数据后的得到全能通用模型,即融合后的通用模型,通过与上述的多故障协同诊断策略进行整合,得到多故障协同诊断模型。
进一步地,在本发明的一个实施例中,在将多故障协同诊断策略与融合后的通用模型整合得到多故障协同诊断模型之前,包括:由动力电池的充放电循环数据段得到的变长度序列转换为满足预设条件的定长度序列,以训练神经网络,得到融合后的通用模型。
其中,转换为满足预设条件的定长度序列可以采用相关技术中的处理方式,在此不做具体限定。
在步骤S103中,利用多故障协同诊断模型对任一车辆的动力电池进行诊断,并根据诊断结果生成动力电池***的安全控制策略。
其中,在本发明的一个实施例中,安全控制策略包括安全警示的提示动作、提示强度和/或提示方式。
具体而言,本申请实施例可以将动力电池现在的状态参数去与作为安全阈值的数值进行比较;若没达到报警阈值,则正常,否则就需要报警。
安全控制策略即为多级预警:在达到一级预警阈值时,一级预警,LED呈黄色(正常是绿色);二级预警阈值时,二级预警LED呈红色;三级时,则三级预警并发送至整车,强制动力电池***断电,LED呈红色,蜂鸣器报警。
进一步地,在本发明的一个实施例中,还包括:发送安全控制策略至车载端的电池管理***和/或预设终端。
其中,预设终端可以为是指具有独立操作***的电子终端设备(如手机、平板电脑等),可以由乘客自行安装软件、游戏的第三方服务商提供的程序,通过此类程序来不断对智能设备的功能进行扩充,并可以通过通信模块和其他预设终端进行数据交互的一类设备的总称。
也就是说,本申请实施例可以通过通信模块发送安全控制策略至车载端的电池管理***,或者预设终端,或者车载端的电池管理***和预设终端。其中,通信模块可以为GSM通信模块、3G通信模块、4G通信模块或者5G通信模块中的任意一种。
为使得本领域技术人员进一步了解本申请实施例的动力电池安全状态的监控检测方法,下面结合图4和图5进行详细阐述。
如图4所示,该基于多模型融合的动力电池安全状态监控方法,包括以下步骤:
(1)多模型的融合。
具体而言,本申请实施例可以将MSNE、MMSE、NDWD,以及其他算法和模型进行融合,得到多模型的融合。
(2)多级风险在线评估。
判断是否超出安全阈值,如果是,执行步骤(3),否则,执行(4)。
(3)动力电池***多故障早期协同预警,并将其应用于车载BMS。
(4)安全。
需要说明的是,在步骤(3)将动力电池***多故障早期协同预警应用于车载BMS的同时,将动力电池***安全控制策略应用于车载BMS。
具体地,在将动力电池***安全控制策略应用于车载BMS之前,包括以下步骤:
①、实车及运行环境大数据。
②、数据处理及合并。
③、充放电循环数据分段。
④、将变长度序列转换为定长度序列。
⑤、神经网络方法。
⑥、SOH(state of health,电池健康度)在线估计。
如图5所示,该基于实车运行大数据与多模型融合的动力电池***多状态在线预测方法,包括以下步骤:
(1)新能源大数据平台。
(2)实车及运行环境大数据,并将数据输入至步骤(3)。
其中,本申请实施例可以对实车及运行环境大数据进行预处理和风险评估。
数据预处理可以为:对于数据项进行剔除异常值,并分类保存。
风险评估时,可以分析故障类型确定危险等级,并判断事故概率。
(3)神经网络方法。
(4)训练并测试模型。
其中,在训练并测试模型时,本申请实施例可以对乘用车、商用车和专用车的不同出厂批次和不同运行时间进行验证后,得到实车测试数据,并通过实车测试数据优化测试模型。
(5)判断是否能满足要求,如果满足,则执行步骤(6),否则,执行步骤(7)。
(6)动力电池***多状态在线联合预测。
其中,在进行预测时,本申请实施例可以设置有预测评价指标:可靠性、稳定性和通用性。
(7)参数优化,并跳转执行步骤(4)。
根据本发明实施例提出的动力电池安全状态的监控检测方法,可以获取多种故障类型,并基于多种故障类型建立动力电池的故障数据库,并对故障数据库中的多种故障进行分析,得到多故障协同诊断策略,并将多故障协同诊断策略与融合后的通用模型整合得到多故障协同诊断模型,并利用多故障协同诊断模型对任一车辆的动力电池进行诊断,并根据诊断结果生成动力电池***的安全控制策略。由此,提出面向实车动力电池***全寿命周期,解决了相关技术中准确率较低、通用性较差,事故原因的反向追踪效果不佳的问题,大大提高安全性、可靠性和稳定性。
其次参照附图描述根据本发明实施例提出的动力电池安全状态的监控检测装置。
图6是本发明实施例的动力电池安全状态的监控检测装置的方框示意图。
如图6所示,该动力电池安全状态的监控检测装置,包括:第一获取模块100、第二获取模块200和生成模块300。
其中,第一获取模块100用于获取多种故障类型,并基于多种故障类型建立动力电池的故障数据库;
第二获取模块200用于对故障数据库中的多种故障进行分析,得到多故障协同诊断策略,并将多故障协同诊断策略与融合后的通用模型整合得到多故障协同诊断模型;以及
生成模块300用于利用多故障协同诊断模型对任一车辆的动力电池进行诊断,并根据诊断结果生成动力电池***的安全控制策略。
进一步地,在本发明的一个实施例中,通用模型包括全阶段模型,全状态模型和全气候模型中的任意一种。
进一步地,在本发明的一个实施例中,安全控制策略包括安全警示的提示动作、提示强度和/或提示方式。
进一步地,在本发明的一个实施例中,在将多故障协同诊断策略与融合后的通用模型整合得到多故障协同诊断模型之前,第二获取模块300包括:
由动力电池的充放电循环数据段得到的变长度序列转换为满足预设条件的定长度序列,以训练神经网络,得到融合后的通用模型。
进一步地,在本发明的一个实施例中,还包括:
发送模块,用于发送安全控制策略至车载端的电池管理***和/或预设终端。
需要说明的是,前述对动力电池安全状态的监控检测方法实施例的解释说明也适用于该实施例的动力电池安全状态的监控检测装置,此处不再赘述。
根据本发明实施例提出的动力电池安全状态的监控检测装置,,可以获取多种故障类型,并基于多种故障类型建立动力电池的故障数据库,并对故障数据库中的多种故障进行分析,得到多故障协同诊断策略,并将多故障协同诊断策略与融合后的通用模型整合得到多故障协同诊断模型,并利用多故障协同诊断模型对任一车辆的动力电池进行诊断,并根据诊断结果生成动力电池***的安全控制策略。由此,提出面向实车动力电池***全寿命周期,解决了相关技术中准确率较低、通用性较差,事故原因的反向追踪效果不佳的问题,大大提高安全性、可靠性和稳定性。
此外,术语“第一”、“第二”仅用于描述目的,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。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种动力电池安全状态的监控检测方法,其特征在于,包括以下步骤:
获取多种故障类型,并基于所述多种故障类型建立动力电池的故障数据库;
对所述故障数据库中的多种故障进行分析,得到多故障协同诊断策略,并将所述多故障协同诊断策略与融合后的通用模型整合得到多故障协同诊断模型;以及
利用所述多故障协同诊断模型对任一车辆的动力电池进行诊断,并根据诊断结果生成动力电池***的安全控制策略;
其中,首先实车运行数据经过数据扩充,建立动力电池的不同模型,最后形成模型库;不同车型的模型库进行融合,形成全能通用模型;同时故障预警根据建立的故障树,形成所述多故障协同诊断策略,并将所述多故障协同诊断策略的应用对象选为全能通用模型,得到所述多故障协同诊断模型。
2.根据权利要求1所述的方法,其特征在于,所述通用模型包括全阶段模型,全状态模型和全气候模型中的任意一种。
3.根据权利要求1所述的方法,其特征在于,所述安全控制策略包括安全警示的提示动作、提示强度和/或提示方式。
4.根据权利要求1所述的方法,其特征在于,在将所述多故障协同诊断策略与融合后的通用模型整合得到所述多故障协同诊断模型之前,包括:
由所述动力电池的充放电循环数据段得到的变长度序列转换为满足预设条件的定长度序列,以训练神经网络,得到所述融合后的通用模型。
5.根据权利要求1所述的方法,其特征在于,还包括:
发送所述安全控制策略至车载端的电池管理***和/或预设终端。
6.一种动力电池安全状态的监控检测装置,其特征在于,包括:
第一获取模块,用于获取多种故障类型,并基于所述多种故障类型建立动力电池的故障数据库;
第二获取模块,用于对所述故障数据库中的多种故障进行分析,得到多故障协同诊断策略,并将所述多故障协同诊断策略与融合后的通用模型整合得到多故障协同诊断模型;以及
生成模块,用于利用所述多故障协同诊断模型对任一车辆的动力电池进行诊断,并根据诊断结果生成动力电池***的安全控制策略;
其中,首先实车运行数据经过数据扩充,建立动力电池的不同模型,最后形成模型库;不同车型的模型库进行融合,形成全能通用模型;同时故障预警根据建立的故障树,形成所述多故障协同诊断策略,并将所述多故障协同诊断策略的应用对象选为全能通用模型,得到所述多故障协同诊断模型。
7.根据权利要求6所述的装置,其特征在于,所述通用模型包括全阶段模型,全状态模型和全气候模型中的任意一种。
8.根据权利要求6所述的装置,其特征在于,所述安全控制策略包括安全警示的提示动作、提示强度和/或提示方式。
9.根据权利要求6所述的装置,其特征在于,在将所述多故障协同诊断策略与融合后的通用模型整合得到所述多故障协同诊断模型之前,所述第二获取模块包括:
由所述动力电池的充放电循环数据段得到的变长度序列转换为满足预设条件的定长度序列,以训练神经网络,得到所述融合后的通用模型。
10.根据权利要求6所述的装置,其特征在于,还包括:
发送模块,用于发送所述安全控制策略至车载端的电池管理***和/或预设终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110637447.XA CN113567874B (zh) | 2021-06-08 | 2021-06-08 | 动力电池安全状态的监控检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110637447.XA CN113567874B (zh) | 2021-06-08 | 2021-06-08 | 动力电池安全状态的监控检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113567874A CN113567874A (zh) | 2021-10-29 |
CN113567874B true CN113567874B (zh) | 2022-07-12 |
Family
ID=78161764
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110637447.XA Active CN113567874B (zh) | 2021-06-08 | 2021-06-08 | 动力电池安全状态的监控检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113567874B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115219912A (zh) * | 2022-04-24 | 2022-10-21 | 山东大学 | 一种储能电池早期故障诊断与安全超前预警方法及*** |
CN115366683B (zh) * | 2022-08-09 | 2024-05-24 | 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 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1930718A (zh) * | 2004-03-12 | 2007-03-14 | 松下电器产业株式会社 | 燃料电池***的故障诊断方法和采用该方法的故障诊断装置及燃料电池*** |
CN103532213A (zh) * | 2013-09-11 | 2014-01-22 | 上海樟村电子有限公司 | 一种面向偏远通信基站的异构多模电池管理*** |
CN105515184A (zh) * | 2015-12-04 | 2016-04-20 | 国网河南省电力公司电力科学研究院 | 基于无线传感网络的多传感器多参量配网协同监测*** |
CN106842045A (zh) * | 2017-01-20 | 2017-06-13 | 北京理工大学 | 一种基于自适应权重方法的电池多模型融合建模方法和电池管理*** |
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 |
CN111038291A (zh) * | 2019-12-16 | 2020-04-21 | 国网江苏省电力有限公司电力科学研究院 | 一种电动汽车充电故障智能诊断***及方法 |
CN111090047A (zh) * | 2019-12-09 | 2020-05-01 | 泉州装备制造研究所 | 一种基于多模型融合的锂电池健康状态估计方法 |
CN111795835A (zh) * | 2020-06-30 | 2020-10-20 | 北京汽车研究总院有限公司 | 车辆的监测方法、装置及车载设备 |
CN112101764A (zh) * | 2020-09-07 | 2020-12-18 | 中国人民解放军海军工程大学 | 基于状态监测的船舶技术状况综合评估*** |
CN112630662A (zh) * | 2020-12-30 | 2021-04-09 | 南京航空航天大学 | 一种基于数据驱动及多参数融合的动力电池soh估算方法 |
CN112698230A (zh) * | 2020-12-02 | 2021-04-23 | 国网上海市电力公司 | 一种锂离子电池健康状态的动态阻抗快速测量方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109960237A (zh) * | 2017-12-25 | 2019-07-02 | 郑州宇通客车股份有限公司 | 一种车辆故障诊断和数据分析***及车辆 |
-
2021
- 2021-06-08 CN CN202110637447.XA patent/CN113567874B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1930718A (zh) * | 2004-03-12 | 2007-03-14 | 松下电器产业株式会社 | 燃料电池***的故障诊断方法和采用该方法的故障诊断装置及燃料电池*** |
CN103532213A (zh) * | 2013-09-11 | 2014-01-22 | 上海樟村电子有限公司 | 一种面向偏远通信基站的异构多模电池管理*** |
CN105515184A (zh) * | 2015-12-04 | 2016-04-20 | 国网河南省电力公司电力科学研究院 | 基于无线传感网络的多传感器多参量配网协同监测*** |
CN106842045A (zh) * | 2017-01-20 | 2017-06-13 | 北京理工大学 | 一种基于自适应权重方法的电池多模型融合建模方法和电池管理*** |
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 |
CN111090047A (zh) * | 2019-12-09 | 2020-05-01 | 泉州装备制造研究所 | 一种基于多模型融合的锂电池健康状态估计方法 |
CN111038291A (zh) * | 2019-12-16 | 2020-04-21 | 国网江苏省电力有限公司电力科学研究院 | 一种电动汽车充电故障智能诊断***及方法 |
CN111795835A (zh) * | 2020-06-30 | 2020-10-20 | 北京汽车研究总院有限公司 | 车辆的监测方法、装置及车载设备 |
CN112101764A (zh) * | 2020-09-07 | 2020-12-18 | 中国人民解放军海军工程大学 | 基于状态监测的船舶技术状况综合评估*** |
CN112698230A (zh) * | 2020-12-02 | 2021-04-23 | 国网上海市电力公司 | 一种锂离子电池健康状态的动态阻抗快速测量方法 |
CN112630662A (zh) * | 2020-12-30 | 2021-04-09 | 南京航空航天大学 | 一种基于数据驱动及多参数融合的动力电池soh估算方法 |
Non-Patent Citations (3)
Title |
---|
"基于信息融合技术的变电设备运行故障协同诊断方法研究";陆正嘉;《自动化与仪器仪表》;20201031(第10期);全文 * |
"基于多方法融合的数控机床故障诊断方法";李文俐;《中国科技论文》;20150530;第10卷(第10期);全文 * |
"基于特征模型和模糊动态特征模型自适应控制方法的网络控制***";邓建球;《北京科技大学学报》;20120131;第34卷(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113567874A (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110794305B (zh) | 一种动力电池故障诊断方法和*** | |
CN112092675B (zh) | 一种电池热失控预警方法、***及服务器 | |
CN111391668B (zh) | 一种电池热失控预警处理方法、装置、设备及存储介质 | |
CN109116242B (zh) | 一种动力电池的数据处理方法和装置 | |
CN113567874B (zh) | 动力电池安全状态的监控检测方法及装置 | |
CN109459702B (zh) | 基于车联网的电池状态分析方法及装置 | |
CN104297691A (zh) | 电池组健康状态诊断***和方法 | |
CN112098850B (zh) | 基于sdo算法的锂离子电池电压故障诊断方法及*** | |
CN116381514B (zh) | 一种电芯压差预警方法、装置、存储介质及设备 | |
CN110806508B (zh) | 一种基于数据的高压回路接触电阻变化的评估方法 | |
KR20200002665A (ko) | 운송 수단의 부품에 대한 고장예지 및 건전성 관리 시스템 및 방법 | |
CN115902646B (zh) | 一种储能电池故障识别方法及*** | |
CN116973782B (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 | |
CN114204626B (zh) | 充电控制方法及相关设备 | |
CN114675202A (zh) | 电池故障的诊断方法及装置 | |
CN114274778A (zh) | 动力电池的失效预警方法、装置、车辆及存储介质 | |
CN114361617B (zh) | 一种动力电池热失控风险预警方法及预警*** | |
CN116923188B (zh) | 一种新能源车的充电保护*** | |
CN116930764A (zh) | 融合电力电子的锂电池储能***故障诊断和危险预测方法 | |
CN115508713A (zh) | 一种电池***安全预警方法、装置、存储介质及设备 | |
CN115684976A (zh) | 储能电池故障在线诊断定位方法、电子设备及介质 | |
Ren et al. | Multi-fault diagnosis strategy based on a non-redundant interleaved measurement circuit and improved fuzzy entropy for the battery system | |
US11718200B2 (en) | Facilitating battery maintenance | |
CN117007999B (zh) | 一种电池组故障诊断方法、装置及*** | |
Huang et al. | A fault diagnosis method for lithium-ion battery based on Kolmogorov complexity |
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 |