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 PDFInfo
- 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
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
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:
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;
优选地,步骤S210中根据温度数据矩阵得到矩阵C具体为:
步骤S210中对矩阵C进行奇异值分解,具体为:
S220具体为:
优选地,步骤S300包括:
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:
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:
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:
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;
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:
步骤S210中对矩阵C进行奇异值分解,具体为:
S220具体为:
具体地,对矩阵采用Karhunen-Loe`ve(KL)分解法,具体步骤为对矩阵(上标T表示矩阵的转置)进行奇异值分解(Singular value decomposition,SVD),得到,其中,为奇异值矩阵,对角线上的元素为奇异值从大到小排列,选取最大的个奇异值并计算对应的基函数矩阵和主元矩阵为:
在一个实施例中,步骤S300包括:
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:
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:
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,具体步骤为采用高斯核对无故障情况下评估函数的概率密度分布函数(Probability density function, PDF)进行估计,定义显著性水平时对应的为故障检测阈值。
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和真实端电压曲线。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。
表1 不同训练方式故障检测结果
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。
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进行单独训练,对于主元,第个训练窗口的输入矩阵为,的第一行为,第二行为,以此类推,第m行为;
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)
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)
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)
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 |
-
2022
- 2022-02-08 CN CN202210118609.3A patent/CN114152880B/zh active Active
Patent Citations (20)
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)
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 |