CN114152880B - 一种软包电池传感器故障在线检测方法 - Google Patents

一种软包电池传感器故障在线检测方法 Download PDF

Info

Publication number
CN114152880B
CN114152880B CN202210118609.3A CN202210118609A CN114152880B CN 114152880 B CN114152880 B CN 114152880B CN 202210118609 A CN202210118609 A CN 202210118609A CN 114152880 B CN114152880 B CN 114152880B
Authority
CN
China
Prior art keywords
matrix
temperature data
preset
value
training
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
Application number
CN202210118609.3A
Other languages
English (en)
Other versions
CN114152880A (zh
Inventor
王耀南
冯运
毛建旭
朱青
张辉
莫洋
钟杭
江一鸣
谭浩然
李玲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University
Original Assignee
Hunan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan University filed Critical Hunan University
Priority to CN202210118609.3A priority Critical patent/CN114152880B/zh
Publication of CN114152880A publication Critical patent/CN114152880A/zh
Application granted granted Critical
Publication of CN114152880B publication Critical patent/CN114152880B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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]
    • G01R31/367—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
    • 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]
    • G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种软包电池传感器故障在线检测方法，测量并记录电池输入电流和端电压数据，通过热电偶传感器采集软包电池表面温度数据，在不知道***模型和参数的信息的前提下，利用滚动时域的在线学习方法，根据主元矩阵、输入电流向量和端电压数据向量对预设的预测模型进行训练和验证，得到对应时刻的温度数据的估计值；根据热电偶温度数据测量值和对应时刻的温度数据估计值得到故障检测残差，根据故障检测残差、预设的残差评估函数和预设的故障检测阈值得到检测结果。利用少数的热电偶和电流、电压传感器，在不知道准确模型的前提下，实现了软包锂离子电池的传感器故障检测。

Description

一种软包电池传感器故障在线检测方法
技术领域
本发明属于故障检测技术领域，特别是涉及一种软包电池传感器故障在线检测方法。
背景技术
相比于方形和圆柱形电池，软包锂离子电池具有能量密度高、安全性高、灵活性高和成本低的特点，是新能源汽车的动力来源，其运行安全是科研界和业界重点关注的问题。电池管理***通过各种传感器（温度，电压，电流等）进行电池状态信息监测，运行状态评估以及管理，对电池高性能、长寿命和安全运行至关重要。然而，这些传感器种类数量繁多，在发生故障情况下，会造成电池管理***无法准确获得电池***状态信息，导致电池出现不可逆的损伤甚至安全隐患。目前基于电池内部热力学模型的故障检测方法需要事先知道***模型和参数的信息，而实际应用中往往难以获得精准模型且存在各类干扰，制约了此类方法的应用推广。因此，亟需开发数据驱动的软包电池传感器故障在线检测方法。
发明内容
针对以上技术问题，本发明提供一种软包电池传感器故障在线检测方法。
本发明解决其技术问题采用的技术方案是：
一种软包电池传感器故障在线检测方法，方法包括如下步骤：
步骤S100：测量并记录电池输入电流和端电压数据，通过热电偶传感器采集软包电池表面温度数据，将输入电流和端电压数据表达成预设向量形式得到输入电流向量和端电压数据向量，将软包电池表面温度数据表达成预设矩阵形式得到温度数据矩阵；
步骤S200：对温度数据矩阵采用KL分解法得到奇异值矩阵，从奇异值矩阵中选取最大的个奇异值，并计算得到对应的基函数矩阵，根据基函数矩阵和温度数据矩阵得到主元矩阵；
步骤S300：利用滚动时域的在线学习方法，根据主元矩阵、输入电流向量和端电压数据向量对预设的预测模型进行训练和验证，得到对应时刻的温度数据的估计值；
步骤S400：获取一时刻的热电偶温度数据测量值，根据热电偶温度数据测量值和对应时刻的温度数据估计值得到故障检测残差，根据故障检测残差、预设的残差评估函数和预设的故障检测阈值得到检测结果。
优选地，步骤S100中将输入电流和端电压数据表达成预设向量形式，将软包电池表面温度数据表达成预设矩阵形式，具体为：
Figure 63534DEST_PATH_IMAGE001
其中，
Figure 118078DEST_PATH_IMAGE002
和
Figure 328349DEST_PATH_IMAGE003
分别为测量的端电压数据向量和电流数据向量，
Figure 101132DEST_PATH_IMAGE004
为时间步长，
Figure 376256DEST_PATH_IMAGE005
为
Figure 550885DEST_PATH_IMAGE006
个热电偶测量的温度数据矩阵。
优选地，步骤S200包括：
步骤S210：根据温度数据矩阵得到矩阵C，对矩阵C进行奇异值分解得到奇异值矩阵；
步骤S220：从奇异值矩阵中选取最大的
Figure 682789DEST_PATH_IMAGE007
个奇异值，根据温度数据矩阵以及最大的
Figure 880553DEST_PATH_IMAGE007
个奇异值对应的元素得到基函数矩阵；根据基函数矩阵和温度数据矩阵得到主元矩阵。
优选地，步骤S210中根据温度数据矩阵得到矩阵C具体为：
Figure 772416DEST_PATH_IMAGE008
其中，
Figure 535973DEST_PATH_IMAGE005
为温度数据矩阵，
Figure 42041DEST_PATH_IMAGE004
为时间步长；
步骤S210中对矩阵C进行奇异值分解，具体为：
Figure 789417DEST_PATH_IMAGE009
其中，
Figure 203081DEST_PATH_IMAGE010
为奇异值矩阵，矩阵U和V为按照特征值分解后计算出来的矩阵；
S220具体为：
Figure 289985DEST_PATH_IMAGE011
其中，
Figure 293187DEST_PATH_IMAGE012
为基函数矩阵，
Figure 262280DEST_PATH_IMAGE013
为主元矩阵，
Figure 682897DEST_PATH_IMAGE014
为矩阵
Figure 686625DEST_PATH_IMAGE015
中对应
Figure 331233DEST_PATH_IMAGE007
个最大奇异值的元素，降维后主元和特征向量的个数为
Figure 990885DEST_PATH_IMAGE007
且满足条件
Figure 762663DEST_PATH_IMAGE016
。
优选地，步骤S300包括：
步骤S310：利用滚动时域的在线学习方法，根据主元矩阵、输入电流向量和端电压数据向量对主元矩阵中每一个主元
Figure 620897DEST_PATH_IMAGE017
进行单独训练，对于主元
Figure 374090DEST_PATH_IMAGE018
，第
Figure 583354DEST_PATH_IMAGE019
个训练窗口的输入矩阵为
Figure 142512DEST_PATH_IMAGE020
，
Figure 58515DEST_PATH_IMAGE021
的第一行为
Figure 294193DEST_PATH_IMAGE022
，第二行为
Figure 725174DEST_PATH_IMAGE023
，以此类推，第m行为
Figure 25706DEST_PATH_IMAGE024
；
其中，
Figure 124112DEST_PATH_IMAGE025
是训练窗口的长度，每个训练窗口中具有
Figure 281424DEST_PATH_IMAGE025
个批次，
Figure 137384DEST_PATH_IMAGE026
是每个批次中数据的长度，第一行
Figure 54656DEST_PATH_IMAGE027
是第一个批次的训练数据，以此类推，第
Figure 741989DEST_PATH_IMAGE025
行是第
Figure 273465DEST_PATH_IMAGE025
个批次的训练数据；
步骤S320：对每一个批次数据训练采用的训练算法均为套索算法，对应第
Figure 679038DEST_PATH_IMAGE028
个窗口中的第
Figure 321372DEST_PATH_IMAGE029
个批次参数估计的目标函数为：
Figure 128791DEST_PATH_IMAGE030
其中，
Figure 880103DEST_PATH_IMAGE031
表示使后面式子达到最小值时的变量取值，
Figure 710656DEST_PATH_IMAGE032
为
Figure 218997DEST_PATH_IMAGE033
矩阵的第
Figure 615344DEST_PATH_IMAGE034
行，
Figure 488622DEST_PATH_IMAGE035
和
Figure 603208DEST_PATH_IMAGE036
分别为第
Figure 665973DEST_PATH_IMAGE034
个批次待估计参数向量和估计参数向量，
Figure 120088DEST_PATH_IMAGE037
和
Figure 226585DEST_PATH_IMAGE038
为基函数项和正则化系数，
Figure 828467DEST_PATH_IMAGE039
和
Figure 616295DEST_PATH_IMAGE040
分别表示欧氏空间2-范数和1-范数；
步骤S330：训练完第
Figure 252812DEST_PATH_IMAGE028
个窗口的数据之后，采用如下的输入来验证第
Figure 467893DEST_PATH_IMAGE028
个窗口训练的预设的预测模型：
Figure 71919DEST_PATH_IMAGE041
对应的预设的预测模型验证输出
Figure 194595DEST_PATH_IMAGE042
为
Figure 623303DEST_PATH_IMAGE043
的估计值，其计算公式为：
Figure 337181DEST_PATH_IMAGE044
其中，
Figure 648076DEST_PATH_IMAGE045
为第
Figure 777706DEST_PATH_IMAGE025
个批次估计参数向量；
步骤S340：对于第
Figure 139549DEST_PATH_IMAGE028
个窗口的预设的预测模型验证输出
Figure 696432DEST_PATH_IMAGE046
，结合基函数矩阵获得对应的温度数据的估计值，具体为：
Figure 494624DEST_PATH_IMAGE047
其中，
Figure 490262DEST_PATH_IMAGE048
为
Figure 893561DEST_PATH_IMAGE049
时刻
Figure 683663DEST_PATH_IMAGE050
个热电偶的温度数据估计值，
Figure 221348DEST_PATH_IMAGE051
为
Figure 692780DEST_PATH_IMAGE049
时刻
Figure 747324DEST_PATH_IMAGE007
个主元的估计值，
Figure 973906DEST_PATH_IMAGE012
为基函数矩阵；
步骤S350：当第
Figure 949952DEST_PATH_IMAGE028
个训练窗口的第
Figure 21813DEST_PATH_IMAGE025
个批次的数据训练完之后，从第
Figure 399705DEST_PATH_IMAGE028
个训练窗口移动到第
Figure 16762DEST_PATH_IMAGE052
个训练窗口，继续从第
Figure 542422DEST_PATH_IMAGE052
个训练窗口的第一个批次开始训练到第
Figure 152395DEST_PATH_IMAGE052
个训练窗口的第
Figure 384793DEST_PATH_IMAGE025
个批次，直至所有的主元训练完毕。
优选地，步骤S400中根据热电偶温度数据测量值和对应时刻的温度数据估计值得到故障检测残差包括：
Figure 687598DEST_PATH_IMAGE053
其中，
Figure 684242DEST_PATH_IMAGE054
为故障检测残差，
Figure 301168DEST_PATH_IMAGE055
为热电偶温度数据测量值，
Figure 450390DEST_PATH_IMAGE056
为对应时刻的温度数据估计值；
定义时域变换
Figure 127359DEST_PATH_IMAGE057
，得到如下故障检测残差：
Figure 96452DEST_PATH_IMAGE058
其中，
Figure 313806DEST_PATH_IMAGE059
为
Figure 520797DEST_PATH_IMAGE060
时刻的故障检测残差。
优选地，步骤S400中根据故障检测残差、预设的残差评估函数和预设的故障检测阈值得到检测结果，包括：
步骤S410：根据故障检测残差和预设的残差评估函数得到残差评估值，具体为：
Figure 181716DEST_PATH_IMAGE061
步骤S420：当残差评估值大于预设的故障检测阈值时，表明
Figure 638105DEST_PATH_IMAGE060
时刻有故障，否则，
Figure 596834DEST_PATH_IMAGE060
时刻无故障，具体为：
Figure 455069DEST_PATH_IMAGE062
其中，
Figure 473840DEST_PATH_IMAGE063
为
Figure 417526DEST_PATH_IMAGE060
时刻的残差评估值，
Figure 494459DEST_PATH_IMAGE064
为预设的故障检测阈值。
优选地，步骤S400还包括：
步骤S430：当残差评估值大于故障检测残差的欧式空间的峰值范数的上确界时，将预设的预测模型的训练方式切换至离线模式，当预设的预测模型的训练方式处于离线模式时，估计参数向量
Figure 207200DEST_PATH_IMAGE065
不再实时更新，保持切换前时刻的数值；否则，预设的预测模型的训练方式继续保持在线模式。
上述软包电池传感器故障在线检测方法，测量并记录电池输入电流和端电压数据，通过热电偶传感器采集软包电池表面温度数据，在不知道***模型和参数的信息的前提下，利用滚动时域的在线学习方法，根据主元矩阵、输入电流向量和端电压数据向量对预设的预测模型进行训练和验证，得到对应时刻的温度数据的估计值；根据热电偶温度数据测量值和对应时刻的温度数据估计值得到故障检测残差，根据故障检测残差、预设的残差评估函数和预设的故障检测阈值得到检测结果，根据检测结果实现了软包锂离子电池的传感器故障检测。
附图说明
图1为本发明一实施例提供的一种软包电池传感器故障在线检测方法的流程图；
图2为本发明一实施例提供的滚动时域的在线学习方法示意图；
图3为本发明一实施例提供的20个热电偶的分布示意图；
图4为本发明一实施例提供的无故障情况下输入电流
Figure 131294DEST_PATH_IMAGE066
曲线；
图5为本发明一实施例提供的无故障情况下真实端电压
Figure 827855DEST_PATH_IMAGE067
曲线；
图6为本发明一实施例中针对第一种故障采用模式切换方式下的故障检测结果；
图7为本发明一实施例中针对第一种故障采用持续在线更新模式下的故障检测结果；
图8为本发明一实施例中针对第二种故障采用模式切换方式下的故障检测结果；
图9为本发明一实施例中针对第二种故障采用持续在线更新模式下的故障检测结果。
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的技术方案，下面结合附图对本发明作进一步的详细说明。
在一个实施例中，如图1所示，一种软包电池传感器故障在线检测方法，方法包括如下步骤：
步骤S100：测量并记录电池输入电流和端电压数据，通过热电偶传感器采集软包电池表面温度数据，将输入电流和端电压数据表达成预设向量形式得到输入电流向量和端电压数据向量，将软包电池表面温度数据表达成预设矩阵形式得到温度数据矩阵；
步骤S200：对温度数据矩阵采用KL分解法得到奇异值矩阵，从奇异值矩阵中选取最大的
Figure 128386DEST_PATH_IMAGE069
个奇异值，并计算得到对应的基函数矩阵，根据基函数矩阵和温度数据矩阵得到主元矩阵；
步骤S300：利用滚动时域的在线学习方法，根据主元矩阵、输入电流向量和端电压数据向量对预设的预测模型进行训练和验证，得到对应时刻的温度数据的估计值；
步骤S400：获取一时刻的热电偶温度数据测量值，根据热电偶温度数据测量值和对应时刻的温度数据估计值得到故障检测残差，根据故障检测残差、预设的残差评估函数和预设的故障检测阈值得到检测结果。
与其他故障检测方法相比较，本发明提出的故障检测方法只需要传感器数据，不需要知道***模型的准确信息。利用少数的热电偶和电流、电压传感器，在不知道准确模型的前提下，实现了软包锂离子电池的传感器故障检测。
在一个实施例中，步骤S100中将输入电流和端电压数据表达成预设向量形式，将软包电池表面温度数据表达成预设矩阵形式，具体为：
Figure 961213DEST_PATH_IMAGE070
其中，
Figure 869257DEST_PATH_IMAGE002
和
Figure 990797DEST_PATH_IMAGE003
分别为测量的端电压数据向量和电流数据向量，
Figure 157336DEST_PATH_IMAGE004
为时间步长，
Figure 579090DEST_PATH_IMAGE005
为
Figure 110566DEST_PATH_IMAGE006
个热电偶测量的温度数据矩阵。
具体地，将电流、电压数据当电池热分布模型的输入，温度测量数据当输出。
在一个实施例中，步骤S200包括：
步骤S210：根据温度数据矩阵得到矩阵C，对矩阵C进行奇异值分解得到奇异值矩阵；
步骤S220：从奇异值矩阵中选取最大的
Figure 516139DEST_PATH_IMAGE007
个奇异值，根据温度数据矩阵以及最大的
Figure 424052DEST_PATH_IMAGE007
个奇异值对应的元素得到基函数矩阵；根据基函数矩阵和温度数据矩阵得到主元矩阵。
在一个实施例中，步骤S210中根据温度数据矩阵得到矩阵C具体为：
Figure 480739DEST_PATH_IMAGE008
其中，
Figure 979853DEST_PATH_IMAGE005
为温度数据矩阵，
Figure 810406DEST_PATH_IMAGE004
为时间步长；
步骤S210中对矩阵C进行奇异值分解，具体为：
Figure 318748DEST_PATH_IMAGE009
其中，
Figure 715094DEST_PATH_IMAGE010
为奇异值矩阵，矩阵U和V为按照特征值分解后计算出来的矩阵；
S220具体为：
Figure 588372DEST_PATH_IMAGE071
其中，
Figure 719270DEST_PATH_IMAGE012
为基函数矩阵，
Figure 500144DEST_PATH_IMAGE013
为主元矩阵，
Figure 219839DEST_PATH_IMAGE014
为矩阵
Figure 326335DEST_PATH_IMAGE015
中对应
Figure 928218DEST_PATH_IMAGE007
个最大奇异值的元素，降维后主元和特征向量的个数为
Figure 716045DEST_PATH_IMAGE007
且满足条件
Figure 593041DEST_PATH_IMAGE016
。
具体地，对
Figure 604860DEST_PATH_IMAGE072
矩阵采用Karhunen-Loe`ve（KL）分解法，具体步骤为对矩阵
Figure 631722DEST_PATH_IMAGE073
（上标T表示矩阵的转置）进行奇异值分解（Singular value decomposition,SVD），得到
Figure 285557DEST_PATH_IMAGE074
，其中，
Figure 714264DEST_PATH_IMAGE075
为奇异值矩阵，对角线上的元素为奇异值从大到小排列，选取最大的
Figure 162563DEST_PATH_IMAGE007
个奇异值并计算对应的基函数矩阵和主元矩阵为：
Figure 489770DEST_PATH_IMAGE076
其中，
Figure 619400DEST_PATH_IMAGE012
为基函数矩阵，
Figure 699352DEST_PATH_IMAGE013
为主元矩阵，
Figure 584131DEST_PATH_IMAGE014
为矩阵
Figure 585585DEST_PATH_IMAGE015
中对应
Figure 315644DEST_PATH_IMAGE007
个最大奇异值的元素，降维后主元和特征向量的个数为
Figure 764949DEST_PATH_IMAGE007
且满足条件
Figure 555050DEST_PATH_IMAGE016
。
在一个实施例中，步骤S300包括：
步骤S310：利用滚动时域的在线学习方法，根据主元矩阵、输入电流向量和端电压数据向量对主元矩阵中每一个主元
Figure 43800DEST_PATH_IMAGE017
进行单独训练，对于主元
Figure 577550DEST_PATH_IMAGE018
，第
Figure 632093DEST_PATH_IMAGE019
个训练窗口的输入矩阵为
Figure 796358DEST_PATH_IMAGE020
，
Figure 319875DEST_PATH_IMAGE021
的第一行为
Figure 594998DEST_PATH_IMAGE022
，第二行为
Figure 35207DEST_PATH_IMAGE023
，以此类推，第m行为
Figure 901532DEST_PATH_IMAGE024
；
其中，
Figure 364874DEST_PATH_IMAGE025
是训练窗口的长度，每个训练窗口中具有
Figure 240426DEST_PATH_IMAGE025
个批次，
Figure 472825DEST_PATH_IMAGE026
是每个批次中数据的长度，第一行
Figure 762248DEST_PATH_IMAGE027
是第一个批次的训练数据，以此类推，第
Figure 775203DEST_PATH_IMAGE025
行是第
Figure 392129DEST_PATH_IMAGE025
个批次的训练数据；
步骤S320：对每一个批次数据训练采用的训练算法均为套索算法，对应第
Figure 275772DEST_PATH_IMAGE028
个窗口中的第
Figure 15058DEST_PATH_IMAGE029
个批次参数估计的目标函数为：
Figure 187413DEST_PATH_IMAGE030
其中，
Figure 889921DEST_PATH_IMAGE031
表示使后面式子达到最小值时的变量取值，
Figure 159228DEST_PATH_IMAGE032
为
Figure 741519DEST_PATH_IMAGE033
矩阵的第
Figure 463488DEST_PATH_IMAGE034
行，
Figure 218954DEST_PATH_IMAGE035
和
Figure 280451DEST_PATH_IMAGE036
分别为第
Figure 610807DEST_PATH_IMAGE034
个批次待估计参数向量和估计参数向量，
Figure 757755DEST_PATH_IMAGE037
和
Figure 51333DEST_PATH_IMAGE038
为基函数项和正则化系数，
Figure 29653DEST_PATH_IMAGE039
和
Figure 219326DEST_PATH_IMAGE040
分别表示欧氏空间2-范数和1-范数；
步骤S330：训练完第
Figure 650307DEST_PATH_IMAGE028
个窗口的数据之后，采用如下的输入来验证第
Figure 763888DEST_PATH_IMAGE028
个窗口训练的预设的预测模型：
Figure 534398DEST_PATH_IMAGE041
对应的预设的预测模型验证输出
Figure 957289DEST_PATH_IMAGE042
为
Figure 875566DEST_PATH_IMAGE043
的估计值，其计算公式为：
Figure 714209DEST_PATH_IMAGE044
其中，
Figure 981636DEST_PATH_IMAGE045
为第
Figure 513111DEST_PATH_IMAGE025
个批次估计参数向量；
步骤S340：对于第
Figure 918685DEST_PATH_IMAGE028
个窗口的预设的预测模型验证输出
Figure 623336DEST_PATH_IMAGE046
，结合基函数矩阵获得对应的温度数据的估计值，具体为：
Figure 368438DEST_PATH_IMAGE047
其中，
Figure 883864DEST_PATH_IMAGE048
为
Figure 511154DEST_PATH_IMAGE049
时刻
Figure 691600DEST_PATH_IMAGE050
个热电偶的温度数据估计值，
Figure 619105DEST_PATH_IMAGE051
为
Figure 289121DEST_PATH_IMAGE049
时刻
Figure 606969DEST_PATH_IMAGE007
个主元的估计值，
Figure 637111DEST_PATH_IMAGE012
为基函数矩阵；
步骤S350：当第
Figure 419122DEST_PATH_IMAGE028
个训练窗口的第
Figure 260039DEST_PATH_IMAGE025
个批次的数据训练完之后，从第
Figure 65184DEST_PATH_IMAGE028
个训练窗口移动到第
Figure 915329DEST_PATH_IMAGE052
个训练窗口，继续从第
Figure 37000DEST_PATH_IMAGE052
个训练窗口的第一个批次开始训练到第
Figure 252080DEST_PATH_IMAGE052
个训练窗口的第
Figure 341259DEST_PATH_IMAGE025
个批次，直至所有的主元训练完毕。
具体地，针对降维后的主元，提出一种新的滚动时域的在线学习方法来进行模型训练和预测，该方法的示意图见图2所示。
在一个实施例中，步骤S400中根据热电偶温度数据测量值和对应时刻的温度数据估计值得到故障检测残差包括：
Figure 932777DEST_PATH_IMAGE053
其中，
Figure 423802DEST_PATH_IMAGE054
为故障检测残差，
Figure 809784DEST_PATH_IMAGE055
为热电偶温度数据测量值，
Figure 386258DEST_PATH_IMAGE056
为对应时刻的温度数据估计值；
定义时域变换
Figure 830403DEST_PATH_IMAGE057
，得到如下故障检测残差：
Figure 910354DEST_PATH_IMAGE058
其中，
Figure 732817DEST_PATH_IMAGE059
为
Figure 796588DEST_PATH_IMAGE060
时刻的故障检测残差。
在一个实施例中，步骤S400中根据故障检测残差、预设的残差评估函数和预设的故障检测阈值得到检测结果，包括：
步骤S410：根据故障检测残差和预设的残差评估函数得到残差评估值，具体为：
Figure 464329DEST_PATH_IMAGE061
步骤S420：当残差评估值大于预设的故障检测阈值时，表明
Figure 929946DEST_PATH_IMAGE060
时刻有故障，否则，
Figure 470780DEST_PATH_IMAGE060
时刻无故障，具体为：
Figure 693950DEST_PATH_IMAGE062
其中，
Figure 493279DEST_PATH_IMAGE063
为
Figure 547823DEST_PATH_IMAGE060
时刻的残差评估值，
Figure 446509DEST_PATH_IMAGE064
为预设的故障检测阈值。
在一个实施例中，步骤S400还包括：
步骤S430：当残差评估值大于故障检测残差的欧式空间的峰值范数的上确界时，将预设的预测模型的训练方式切换至离线模式，当预设的预测模型的训练方式处于离线模式时，估计参数向量
Figure 484872DEST_PATH_IMAGE065
不再实时更新，保持切换前时刻的数值；否则，预设的预测模型的训练方式继续保持在线模式。
具体地，通过核密度估计法（Kernel density estimation, KDE）获取故障检测阈值
Figure 806001DEST_PATH_IMAGE077
，具体步骤为采用高斯核对无故障情况下评估函数
Figure 918313DEST_PATH_IMAGE078
的概率密度分布函数（Probability density function, PDF）进行估计，定义显著性水平
Figure 50217DEST_PATH_IMAGE079
时对应的
Figure 310297DEST_PATH_IMAGE078
为故障检测阈值
Figure 389112DEST_PATH_IMAGE077
。
在一个详细的实施例中，本发明搭建包含电池测试柜、恒温箱和电池管理***在内的实验平台进行电池表面温度数据采集，实验对象为一个LiFePO4/石墨软包锂离子电池，其长度、宽度、厚度分别为0.24米、0.18米和0.00783米（厚度可忽略不计），共有20个热电偶位于表面，示意图如图3所示。图4和图5分别为无故障情况下输入电流
Figure 418248DEST_PATH_IMAGE080
和真实端电压
Figure 471785DEST_PATH_IMAGE081
曲线。分别注入如下两类传感器故障：
故障1：对图3中10号到15号热电偶从2500秒开始注入1K的恒定测量偏差；
故障2：对端电压测量传感器从2500秒开始注入3V的恒定测量偏差。
图6和图7分别表示针对故障1）采用步骤S430中的模式切换方式和采用持续在线更新模式下的故障检测结果，图8和图9分别表示针对故障2）采用步骤S430中的模式切换方式和采用持续在线更新模式下的故障检测结果。对比图6和图7，以及图8和图9，可以看到采用本专利中提出的模式切换方式，可以有效提升故障检测率（Fault detection rate,FDR），表1为不同情形下故障检测率具体数值。
Figure 422424DEST_PATH_IMAGE082
表1 不同训练方式故障检测结果
Figure 101667DEST_PATH_IMAGE083
上述软包电池传感器故障在线检测方法，与其他故障检测方法相比较，本发明提出的故障检测方法只需要传感器数据，不需要知道***模型的准确信息。与采用持续在线更新的方法相比，本发明提出的模式切换方法能有效提高故障检测率。利用少数的热电偶和电流、电压传感器，在不知道准确模型的前提下，实现了软包锂离子电池的传感器故障检测。
以上对本发明所提供的一种软包电池传感器故障在线检测方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (8)

1.一种软包电池传感器故障在线检测方法，其特征在于，所述方法包括如下步骤：
步骤S100：测量并记录电池输入电流和端电压数据，通过热电偶传感器采集软包电池表面温度数据，将所述输入电流和所述端电压数据表达成预设向量形式得到输入电流向量和端电压数据向量，将所述软包电池表面温度数据表达成预设矩阵形式得到温度数据矩阵；
步骤S200：对所述温度数据矩阵采用KL分解法得到奇异值矩阵，从所述奇异值矩阵中选取最大的n个奇异值，并计算得到对应的基函数矩阵，根据所述基函数矩阵和所述温度数据矩阵得到主元矩阵；
步骤S300：利用滚动时域的在线学习方法，根据所述主元矩阵、所述输入电流向量和所述端电压数据向量对预设的预测模型进行训练和验证，得到对应时刻的温度数据的估计值；
步骤S400：获取一时刻的热电偶温度数据测量值，根据所述热电偶温度数据测量值和所述对应时刻的温度数据估计值得到故障检测残差，根据所述故障检测残差、预设的残差评估函数和预设的故障检测阈值得到检测结果。
2.根据权利要求1所述的方法，其特征在于，步骤S100中将所述输入电流和所述端电压数据表达成预设向量形式，将所述软包电池表面温度数据表达成预设矩阵形式，具体为：
Figure 630344DEST_PATH_IMAGE001
其中，
Figure 104051DEST_PATH_IMAGE002
和
Figure 73144DEST_PATH_IMAGE003
分别为测量的端电压数据向量和电流数据向量，
Figure 493761DEST_PATH_IMAGE004
为时间步长，
Figure 248221DEST_PATH_IMAGE005
为
Figure 96092DEST_PATH_IMAGE006
个热电偶测量的温度数据矩阵。
3.根据权利要求2所述的方法，其特征在于，步骤S200包括：
步骤S210：根据温度数据矩阵得到矩阵C，对所述矩阵C进行奇异值分解得到奇异值矩阵；
步骤S220：从所述奇异值矩阵中选取最大的
Figure 552481DEST_PATH_IMAGE007
个奇异值，根据所述温度数据矩阵以及最大的
Figure 573526DEST_PATH_IMAGE007
个奇异值对应的元素得到基函数矩阵；根据所述基函数矩阵和所述温度数据矩阵得到主元矩阵。
4.根据权利要求3所述的方法，其特征在于，步骤S210中根据温度数据矩阵得到矩阵C具体为：
Figure 635023DEST_PATH_IMAGE008
其中，
Figure 450533DEST_PATH_IMAGE005
为温度数据矩阵，
Figure 643485DEST_PATH_IMAGE004
为时间步长；
步骤S210中对所述矩阵C进行奇异值分解，具体为：
Figure 405905DEST_PATH_IMAGE009
其中，
Figure 384225DEST_PATH_IMAGE010
为奇异值矩阵，矩阵U和V为按照特征值分解后计算出来的矩阵；
S220具体为：
Figure 370636DEST_PATH_IMAGE011
其中，
Figure 4880DEST_PATH_IMAGE012
为基函数矩阵，
Figure 102149DEST_PATH_IMAGE013
为主元矩阵，
Figure 685708DEST_PATH_IMAGE014
为矩阵
Figure 46282DEST_PATH_IMAGE015
中对应
Figure 964559DEST_PATH_IMAGE007
个最大奇异值的元素，降维后主元和特征向量的个数为
Figure 865519DEST_PATH_IMAGE007
且满足条件
Figure 756115DEST_PATH_IMAGE016
。
5.根据权利要求4所述的方法，其特征在于，步骤S300包括：
步骤S310：利用滚动时域的在线学习方法，根据所述主元矩阵、所述输入电流向量和所述端电压数据向量对主元矩阵中每一个主元
Figure 349907DEST_PATH_IMAGE017
进行单独训练，对于主元
Figure 693164DEST_PATH_IMAGE018
，第
Figure 396152DEST_PATH_IMAGE019
个训练窗口的输入矩阵为
Figure 734729DEST_PATH_IMAGE020
，
Figure 233843DEST_PATH_IMAGE021
的第一行为
Figure 64396DEST_PATH_IMAGE022
，第二行为
Figure 323470DEST_PATH_IMAGE023
，以此类推，第m行为
Figure 985396DEST_PATH_IMAGE024
；
其中，
Figure 858674DEST_PATH_IMAGE025
是训练窗口的长度，每个训练窗口中具有
Figure 973260DEST_PATH_IMAGE025
个批次，
Figure 19714DEST_PATH_IMAGE026
是每个批次中数据的长度，第一行
Figure 739408DEST_PATH_IMAGE027
是第一个批次的训练数据，以此类推，第
Figure 95172DEST_PATH_IMAGE025
行是第
Figure 634738DEST_PATH_IMAGE025
个批次的训练数据；
步骤S320：对每一个批次数据训练采用的训练算法均为套索算法，对应第
Figure 484882DEST_PATH_IMAGE028
个窗口中的第
Figure 855821DEST_PATH_IMAGE029
个批次参数估计的目标函数为：
Figure 70901DEST_PATH_IMAGE030
其中，
Figure 425659DEST_PATH_IMAGE031
表示使后面式子达到最小值时的变量取值，
Figure 751598DEST_PATH_IMAGE032
为
Figure 993355DEST_PATH_IMAGE033
矩阵的第
Figure 441654DEST_PATH_IMAGE034
行，
Figure 955812DEST_PATH_IMAGE035
和
Figure 147759DEST_PATH_IMAGE036
分别为第
Figure 696552DEST_PATH_IMAGE034
个批次待估计参数向量和估计参数向量，
Figure 50173DEST_PATH_IMAGE037
和
Figure 366141DEST_PATH_IMAGE038
为基函数项和正则化系数，
Figure 96200DEST_PATH_IMAGE039
和
Figure 499499DEST_PATH_IMAGE040
分别表示欧氏空间2-范数和1-范数；
步骤S330：训练完第
Figure 289600DEST_PATH_IMAGE028
个窗口的数据之后，采用如下的输入来验证所述第
Figure 778351DEST_PATH_IMAGE028
个窗口训练的预设的预测模型：
Figure 577679DEST_PATH_IMAGE041
对应的预设的预测模型验证输出
Figure 835485DEST_PATH_IMAGE042
为
Figure 547221DEST_PATH_IMAGE043
的估计值，其计算公式为：
Figure 320005DEST_PATH_IMAGE044
其中，
Figure 595128DEST_PATH_IMAGE045
为第
Figure 769757DEST_PATH_IMAGE025
个批次估计参数向量；
步骤S340：对于所述第
Figure 104924DEST_PATH_IMAGE028
个窗口的预设的预测模型验证输出
Figure 99425DEST_PATH_IMAGE046
，结合所述基函数矩阵获得对应的温度数据的估计值，具体为：
Figure 489824DEST_PATH_IMAGE047
其中，
Figure 253380DEST_PATH_IMAGE048
为
Figure 759448DEST_PATH_IMAGE049
时刻
Figure 506824DEST_PATH_IMAGE050
个热电偶的温度数据估计值，
Figure 920488DEST_PATH_IMAGE051
为
Figure 7393DEST_PATH_IMAGE049
时刻
Figure 497411DEST_PATH_IMAGE007
个主元的估计值，
Figure 669766DEST_PATH_IMAGE012
为基函数矩阵；
步骤S350：当第
Figure 152700DEST_PATH_IMAGE028
个训练窗口的第
Figure 94111DEST_PATH_IMAGE025
个批次的数据训练完之后，从第
Figure 738719DEST_PATH_IMAGE028
个训练窗口移动到第
Figure 460688DEST_PATH_IMAGE052
个训练窗口，继续从第
Figure 419416DEST_PATH_IMAGE052
个训练窗口的第一个批次开始训练到第
Figure 529848DEST_PATH_IMAGE052
个训练窗口的第
Figure 345358DEST_PATH_IMAGE025
个批次，直至所有的主元训练完毕。
6.根据权利要求5所述的方法，其特征在于，步骤S400中根据所述热电偶温度数据测量值和所述对应时刻的温度数据估计值得到故障检测残差包括：
Figure 492305DEST_PATH_IMAGE053
其中，
Figure 317042DEST_PATH_IMAGE054
为故障检测残差，
Figure 29783DEST_PATH_IMAGE055
为热电偶温度数据测量值，
Figure 766926DEST_PATH_IMAGE056
为对应时刻的温度数据估计值；
定义时域变换
Figure 135590DEST_PATH_IMAGE057
，得到如下故障检测残差：
Figure 498438DEST_PATH_IMAGE058
其中，
Figure 331265DEST_PATH_IMAGE059
为
Figure 691839DEST_PATH_IMAGE060
时刻的故障检测残差。
7.根据权利要求6所述的方法，其特征在于，步骤S400中根据所述故障检测残差、预设的残差评估函数和预设的故障检测阈值得到检测结果，包括：
步骤S410：根据所述故障检测残差和预设的残差评估函数得到残差评估值，具体为：
Figure 610117DEST_PATH_IMAGE061
步骤S420：当所述残差评估值大于预设的故障检测阈值时，表明
Figure 714339DEST_PATH_IMAGE060
时刻有故障，否则，
Figure 916519DEST_PATH_IMAGE060
时刻无故障，具体为：
Figure 447995DEST_PATH_IMAGE062
其中，
Figure 587989DEST_PATH_IMAGE063
为
Figure 292640DEST_PATH_IMAGE060
时刻的残差评估值，
Figure 834480DEST_PATH_IMAGE064
为预设的故障检测阈值。
8.根据权利要求7所述的方法，其特征在于，步骤S400还包括：
步骤S430：当所述残差评估值大于故障检测残差的欧式空间的峰值范数的上确界时，将预设的预测模型的训练方式切换至离线模式，当所述预设的预测模型的训练方式处于离线模式时，估计参数向量
Figure 536856DEST_PATH_IMAGE065
不再实时更新，保持切换前时刻的数值；否则，预设的预测模型的训练方式继续保持在线模式。
CN202210118609.3A 2022-02-08 2022-02-08 一种软包电池传感器故障在线检测方法 Active CN114152880B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210118609.3A CN114152880B (zh) 2022-02-08 2022-02-08 一种软包电池传感器故障在线检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210118609.3A CN114152880B (zh) 2022-02-08 2022-02-08 一种软包电池传感器故障在线检测方法

Publications (2)

Publication Number Publication Date
CN114152880A CN114152880A (zh) 2022-03-08
CN114152880B true CN114152880B (zh) 2022-04-12

Family

ID=80450254

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210118609.3A Active CN114152880B (zh) 2022-02-08 2022-02-08 一种软包电池传感器故障在线检测方法

Country Status (1)

Country Link
CN (1) CN114152880B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114859246B (zh) * 2022-07-07 2022-09-09 江苏中兴派能电池有限公司 一种软包电池检测方法、装置、计算机设备及存储介质
CN116879763A (zh) * 2023-09-07 2023-10-13 上海融和元储能源有限公司 一种基于卡尔曼滤波算法的电池故障预警方法
CN117007984B (zh) * 2023-09-27 2023-12-15 南通国轩新能源科技有限公司 一种电池包运行故障动态监测方法及***

Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102340811A (zh) * 2011-11-02 2012-02-01 中国农业大学 无线传感器网络故障诊断方法
CN104102773A (zh) * 2014-07-05 2014-10-15 山东鲁能软件技术有限公司 一种设备故障预警及状态监测方法
CN106526488A (zh) * 2016-09-27 2017-03-22 北京理工大学 串联式动力电池包内传感器故障诊断方法
CN107035490A (zh) * 2017-03-29 2017-08-11 北京航空航天大学 一种柴油机scr***氮氧化物输入传感器故障诊断方法
JP2017211183A (ja) * 2016-05-23 2017-11-30 シャープ株式会社 二次電池の充電率検出装置および充電率検出方法
CN109061537A (zh) * 2018-08-23 2018-12-21 重庆大学 基于观测器的电动车辆锂离子电池传感器故障诊断方法
CN109752113A (zh) * 2019-01-22 2019-05-14 南京市计量监督检测院 薄片温度传感器及其应用中位置确定方法和电路设计方法
CN111190066A (zh) * 2020-01-14 2020-05-22 中南大学 矩阵变换器电机驱动***的故障诊断方法
CN111578931A (zh) * 2020-05-21 2020-08-25 中国人民解放军海军航空大学 基于在线滚动时域估计的高动态飞行器自主姿态估计方法
CN111902731A (zh) * 2018-03-21 2020-11-06 祖克斯有限公司 自动检测传感器校准误差
CN111953009A (zh) * 2019-05-17 2020-11-17 天津科技大学 一种孤岛多逆变器并联传感器故障诊断方法
CN111965547A (zh) * 2020-09-27 2020-11-20 哈尔滨工业大学（威海） 一种基于参数辨识法的电池***传感器故障诊断方法
CN112098851A (zh) * 2020-11-06 2020-12-18 北京理工大学 智能电池与其荷电状态在线估计方法及应用
CN113343633A (zh) * 2021-06-10 2021-09-03 上海交通大学 动力锂电池热失控故障分类及风险预测方法、***
CN113534000A (zh) * 2021-07-05 2021-10-22 合肥工业大学 新能源汽车驱动***逆变器及电流传感器故障的诊断方法
CN113571742A (zh) * 2021-06-08 2021-10-29 北京格睿能源科技有限公司 燃料电池热管理***故障诊断方法及装置
CN113608127A (zh) * 2021-10-08 2021-11-05 湖南大学 一种圆柱形锂离子电池热异常检测与定位方法
CN113625182A (zh) * 2021-07-23 2021-11-09 北京理工大学 一种对电池状态进行在线估计的方法
CN113671380A (zh) * 2021-08-23 2021-11-19 哈尔滨工业大学（威海） 一种基于深度学习的动力电池***多故障诊断方法
CN113884884A (zh) * 2021-10-21 2022-01-04 山东大学 一种基于相关性的动力电池组故障诊断方法及***

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7652448B2 (en) * 2007-04-12 2010-01-26 International Truck Intellectual Property Company, Llc Vehicle battery state of charge indicator
EP3435102A1 (de) * 2017-07-26 2019-01-30 INVENOX GmbH Verfahren und vorrichtung zur detektion von batteriezellenzuständen und batteriezellenparametern

Patent Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102340811A (zh) * 2011-11-02 2012-02-01 中国农业大学 无线传感器网络故障诊断方法
CN104102773A (zh) * 2014-07-05 2014-10-15 山东鲁能软件技术有限公司 一种设备故障预警及状态监测方法
JP2017211183A (ja) * 2016-05-23 2017-11-30 シャープ株式会社 二次電池の充電率検出装置および充電率検出方法
CN106526488A (zh) * 2016-09-27 2017-03-22 北京理工大学 串联式动力电池包内传感器故障诊断方法
CN107035490A (zh) * 2017-03-29 2017-08-11 北京航空航天大学 一种柴油机scr***氮氧化物输入传感器故障诊断方法
CN111902731A (zh) * 2018-03-21 2020-11-06 祖克斯有限公司 自动检测传感器校准误差
CN109061537A (zh) * 2018-08-23 2018-12-21 重庆大学 基于观测器的电动车辆锂离子电池传感器故障诊断方法
CN109752113A (zh) * 2019-01-22 2019-05-14 南京市计量监督检测院 薄片温度传感器及其应用中位置确定方法和电路设计方法
CN111953009A (zh) * 2019-05-17 2020-11-17 天津科技大学 一种孤岛多逆变器并联传感器故障诊断方法
CN111190066A (zh) * 2020-01-14 2020-05-22 中南大学 矩阵变换器电机驱动***的故障诊断方法
CN111578931A (zh) * 2020-05-21 2020-08-25 中国人民解放军海军航空大学 基于在线滚动时域估计的高动态飞行器自主姿态估计方法
CN111965547A (zh) * 2020-09-27 2020-11-20 哈尔滨工业大学（威海） 一种基于参数辨识法的电池***传感器故障诊断方法
CN112098851A (zh) * 2020-11-06 2020-12-18 北京理工大学 智能电池与其荷电状态在线估计方法及应用
CN113571742A (zh) * 2021-06-08 2021-10-29 北京格睿能源科技有限公司 燃料电池热管理***故障诊断方法及装置
CN113343633A (zh) * 2021-06-10 2021-09-03 上海交通大学 动力锂电池热失控故障分类及风险预测方法、***
CN113534000A (zh) * 2021-07-05 2021-10-22 合肥工业大学 新能源汽车驱动***逆变器及电流传感器故障的诊断方法
CN113625182A (zh) * 2021-07-23 2021-11-09 北京理工大学 一种对电池状态进行在线估计的方法
CN113671380A (zh) * 2021-08-23 2021-11-19 哈尔滨工业大学（威海） 一种基于深度学习的动力电池***多故障诊断方法
CN113608127A (zh) * 2021-10-08 2021-11-05 湖南大学 一种圆柱形锂离子电池热异常检测与定位方法
CN113884884A (zh) * 2021-10-21 2022-01-04 山东大学 一种基于相关性的动力电池组故障诊断方法及***

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A Neural Network Based Method for Thermal Fault Detection in Lithium-Ion Batteries;Olaoluwa Ojo等;《 IEEE Transactions on Industrial Electronics》;20200413;第68卷(第5期);全文 *
Reducing Residual Strain in Fiber Bragg Grating Temperature Sensors Embedded in Carbon Fiber Reinforced Polymers;Pingyu Zhu等;《 Journal of Lightwave Technology》;20190915;第37卷(第18期);全文 *
传感器数据的精确重构方法及其性能研究;宋绍民等;《传感技术学报》;20100120;第23卷(第1期);全文 *
锂电池异常状态监测的FEKF方法研究;朱浩等;《湖南大学学报（自然科学版）》;20201225;第47卷(第12期);全文 *

Also Published As

Publication number Publication date
CN114152880A (zh) 2022-03-08

Similar Documents

Publication Publication Date Title
CN114152880B (zh) 一种软包电池传感器故障在线检测方法
Wang et al. A transferable lithium-ion battery remaining useful life prediction method from cycle-consistency of degradation trend
CN113447828B (zh) 一种基于贝叶斯神经网络的锂电池温度估计方法及***
CN113484770B (zh) 基于充放电数据在线测算电池内部核心温度的方法及***
CN114167284B (zh) 基于bms大数据和集成学习的锂电池rul预测方法及设备
Kang et al. A comparative study of fault diagnostic methods for lithium-ion batteries based on a standardized fault feature comparison method
CN113255764A (zh) 利用机器学习检测电化学储能***故障的方法、***和装置
CN113962154A (zh) 一种基于迁移学习的锂电池核温评估方法及***
CN117154263A (zh) 锂电池梯次利用充放电***及控制方法
Wu et al. A fault detection method of electric vehicle battery through Hausdorff distance and modified Z-score for real-world data
Shen et al. Source-free cross-domain state of charge estimation of lithium-ion batteries at different ambient temperatures
CN113884884B (zh) 一种基于相关性的动力电池组故障诊断方法及***
Zhang et al. A deep learning approach to estimate the state of health of lithium-ion batteries under varied and incomplete working conditions
Jia et al. State of health prediction of lithium-ion batteries based on bidirectional gated recurrent unit and transformer
Lin et al. Algorithm of BPNN‐UKF based on a fusion model for SOC estimation in lithium‐ion batteries
CN114184972A (zh) 数据驱动与电化学机理结合的电池soh自动估计方法及设备
Gu et al. A precise minor-fault diagnosis method for lithium-ion batteries based on phase plane sample entropy
Sun et al. State-of-health estimation for lithium-ion battery using model-based feature optimization and deep extreme learning machine
CN113935423A (zh) 耦合模糊控制规则与Elman神经网络的动力电池故障预警方法与***
KR20220124900A (ko) 배터리 상태 추정 장치 및 배터리 상태 추정 모델 학습 장치
CN113125965A (zh) 电池析锂检测方法、装置、设备及存储介质
CN114720901A (zh) 一种锂离子电池健康状态估计的方法
Chen et al. Transfer learning based remaining useful life prediction of lithium-ion battery considering capacity regeneration phenomenon
Jung et al. Online electrochemical impedance spectroscopy estimation of lithium-ion batteries using a deep learning framework
Kheirkhah-Rad et al. A data-driven state-of-health estimation model for lithium-ion batteries using referenced-based charging time

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