CN115327386A - 一种基于电热耦合模型的电池组多故障诊断方法 - Google Patents
一种基于电热耦合模型的电池组多故障诊断方法 Download PDFInfo
- Publication number
- CN115327386A CN115327386A CN202210950451.6A CN202210950451A CN115327386A CN 115327386 A CN115327386 A CN 115327386A CN 202210950451 A CN202210950451 A CN 202210950451A CN 115327386 A CN115327386 A CN 115327386A
- Authority
- CN
- China
- Prior art keywords
- battery
- model
- fault
- residual
- residual error
- 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 36
- 238000003745 diagnosis Methods 0.000 title claims abstract description 32
- 230000008878 coupling Effects 0.000 title claims abstract description 27
- 238000010168 coupling process Methods 0.000 title claims abstract description 27
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 36
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000012916 structural analysis Methods 0.000 claims abstract description 8
- 239000000178 monomer Substances 0.000 claims abstract description 7
- 238000000926 separation method Methods 0.000 claims abstract description 6
- 238000007619 statistical method Methods 0.000 claims abstract description 5
- 238000002474 experimental method Methods 0.000 claims abstract description 4
- 238000009825 accumulation Methods 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 230000010287 polarization Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 239000002245 particle Substances 0.000 claims description 4
- 238000002405 diagnostic procedure Methods 0.000 claims description 3
- 230000020169 heat generation Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 2
- 238000005259 measurement Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种基于电热耦合模型的电池组多故障诊断方法,属于电池技术领域。该方法包括以下步骤:S1:对待测电池单体进行特征实验测试,提取特征参数并建立电池电热耦合模型;S2:基于电池模型进行结构分析,建立对多故障敏感的诊断测试集;S3:基于诊断测试集,融合观测器或滤波器方法,实现残差生成;S4:通过残差评价方法检测并分离多种故障;S5:提取残差特征,利用统计方法进一步分离电池短路和连接故障。与现有技术相比,本发明能够更加快速、准确地实现多种故障的检测和分离,且不改变电池组电压测量拓扑结构。
Description
技术领域
本发明属于电池技术领域,涉及一种基于电热耦合模型的电池组多故障诊断方法。
背景技术
锂离子电池由于具有高能量密度、高功率密度、长循环寿命、环境友好等优点,广泛应用在电动汽车和储能电站中。然而,电池***安全问题仍是行业亟待解决的难题,开发先进的故障诊断技术对确保电池***安全运行至关重要。
电池***存在电池短路、传感器、电池连接等故障。电池短路故障是导致电池***热失控的主要诱因;而传感器故障使得电池电压、温度监控不准,对电池状态估计和管理噪声干扰;电池连接故障会导致接触不良和局部高温,也是触发热失控的潜在诱因。目前广泛研究的故障诊断方法包括基于模型、信号处理和机器学习方法,分别通过估计模型状态和参数的变化,提取特征参数和统计性指标,利用历史数据训练故障分类器,从而实现故障诊断。
然而在现有技术中,大多数仅仅针对单一故障进行诊断,没有考虑电池***多故障存在相似特征,在实际应用中可能会造成较大的误报和漏报。而且,早期故障的异常信号微弱,在故障初期不容易发现,一些故障诊断算法容易受到模型不确定性和噪声的干扰,诊断准确性不高。目前,电池***管理亟需在不改变电池组结构和增加硬件成本的同时,能够实现多故障诊断的技术。
发明内容
有鉴于此,本发明的目的在于提供一种基于电热耦合模型的电池组多故障诊断方法。
为达到上述目的,本发明提供如下技术方案:
一种基于电热耦合模型的电池组多故障诊断方法,该方法包括以下步骤:
S1:对待测电池进行特征实验测试,辨识模型参数并建立电池电热耦合模型;
S2:基于电池模型进行结构分析,建立对多故障敏感的诊断测试集;
S3:基于诊断测试集,融合自适应滤波方法,设计残差生成器并生成残差;
S4:基于生成的残差信号,通过累积和残差评价方法检测并分离多种故障;
S5:提取残差特征,利用统计方法分离电池短路和连接故障。
可选的,所述S1中,所述的电池特征测试和电热耦合模型建立包括:
S11:电池特征测试包括电池静态容量测试、开路电压OCV测试、在不同温度和荷电状态SOC下的复合脉冲HPPC测试、以及动态应力工况测试DST、美国联邦城市驾驶工况FUDS、城市功率驾驶工况UDDS的实车工况的测试;
S12:建立多单体模型的电池组模型,电池单体模型为电热耦合模型,其中电模型为一阶RC等效电路模型:
Ut=Uocv-Up-RI
式中I表示电流,Up表示极化电压,Ut表示端电压,Uocv表示开路电压,Rp和Cp分别表示极化电阻和极化电容,R表示欧姆内阻;
热模型为集中质量热模型:
Q=I(Uocv-Ut)
式中Q表示产热率,m、cp、h和A分别为电池的质量、比热容、对流换热系数和表面积,T和T∞分别表示电池平均温度和环境温度;通过产热方程建立电模型和热模型的联系,从而建立电热耦合模型;
S13:根据上述电池特征测试数据,利用最小二乘、粒子群优化的参数辨识方法辨识电、热模型参数。
可选的,所述S2中,分析电池模型的方法为结构分析理论,进行多故障可检测性、可分离性分析,并找到模型中的结构过定部分;构建的诊断测试集为对多种故障敏感的一系列方程组,形成可映射故障和残差关系的故障特征矩阵FSM。
可选的,所述S3中,具体采用的自适应滤波方法包括但不限于自适应扩展卡尔曼滤波方法AEKF;设计的残差生成器包括基于电流、电压和基于电流、温度信号的2组观测器,生成的2种残差表示如下:
可选的,所述S4中,残差信号来源于S3中的2组残差生成器;残差评价方法为累积和测试方法,生成的决策函数与设定阈值比较来判断故障,结合S2中建立的FSM,实现多故障检测以及电流、电压、温度传感器的故障的分离;
残差评价方法为:
可选的,所述S5中,提取的残差特征为一段时间窗口内的残差累积和,根据在充电和放电工况下残差累积和的变化不同,进而区分电池短路和连接故障;
式中racc表示残差累积和,ε表示常数,d=1表示短路故障,否则为连接故障。
本发明的有益效果在于:
(1)本发明提出的方法能够实现池组电流、电压、温度传感器、电池短路、电池连接等多种故障的检测和分离,可降低诊断误报率,且不依赖于交叉电压测量拓扑;
(2)将自适应扩展卡尔曼滤波算法融入残差生成,减小了模型不确定性、初始值不准确、噪声等影响,提高了估计精度和鲁棒性;
(3)利用基于模型的残差生成和残差评价方法进行故障诊断,可检测出不易从测量信号观察到的微小故障;
(4)只需要对已有部分残差统计分析便可分离短路和连接故障,减小了计算量,多故障诊断方法复杂度适中,足以应用到实车电池管理***中。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明整体的方法流程图;
图2为本发明实施例中的一阶RC等效电路模型的示意图;
图3为本发明实施例中的映射故障和残差关系的故障特征矩阵的示意图;
图4为本发明实施例中的多故障检测与分离流程图;
图5为本发明实施例中的电压传感器故障诊断结果图;
图6为本发明实施例中的区分电池短路故障和连接故障的示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
如图1所示,为本发明提供的一种基于电热耦合模型的电池组多故障诊断方法,能够有效检测并分离出电池组中多种不同的故障,以提高电池***安全性,可以分为以下步骤:
S1:对待测电池进行特征实验测试,辨识模型参数并建立电池电热耦合模型;
S2:基于电池模型进行结构分析,建立对多故障敏感的诊断测试集;
S3:基于诊断测试集,融合自适应滤波方法,设计残差生成器并生成残差;
S4:基于生成的残差信号,通过累积和残差评价方法检测并分离多种故障;
S5:提取残差特征,利用统计方法进一步分离电池短路和连接故障。
步骤S1:电池建模。本发明首先开展电池特征测试,并建立电池电热耦合模型,包括以下步骤:
S11:针对选定电池,开展一系列电池特征测试,主要包括电池静态容量测试、开路电压测试,在不同温度和SOC下的HPPC测试用于辨识电模型参数,DST、FUDS、UDDS等动态工况测试用于辨识热模型参数,并验证电热耦合模型的精度;
S12:电池组模型采用多单体模型,电池单体模型为电热耦合模型,如图2所示,电模型采用一阶RC等效电路模型:
Ut=Uocv-Up-RI
式中I表示电流,Up表示极化电压,Ut表示端电压,Uocv表示开路电压,Rp和Cp分别表示极化电阻和极化电容,R表示欧姆内阻。
热模型为集中质量热模型:
Q=I(Uocv-Ut)
式中Q表示产热率,m、cp、h和A分别为电池的质量、比热容、对流换热系数和表面积,T和T∞分别表示电池平均温度和环境温度。通过产热方程建立电模型和热模型的联系,从而建立电热耦合模型。
S13:根据上述电池特征测试数据,利用最小二乘、粒子群优化等参数辨识方法辨识电、热模型参数;
以粒子群算法为例,对于电模型参数,优化目标为测量电压与估计电压的均方根误差最小:
对于热模型参数,优化目标为测量温度与估计估计的均方根误差最小:
步骤S2:结构性分析。基于电池模型,利用结构分析理论,进行多故障可检测性、可分离性分析,并找到模型中的结构过定部分;构建对多种故障敏感的的诊断测试集,形成可映射故障和残差关系的故障特征矩阵(Fault Signature Matrix,FSM),如图3所示。
步骤S3:残差生成。拟采用自适应滤波方法包括但不限于自适应扩展卡尔曼滤波方法(Adaptive Extended Kalman Filter,AEKF)进行状态估计,设计的残差生成器包括基于电流、电压和基于电流、温度信号的2组观测器,生成的2中残差表示如下:
步骤S4:多故障诊断。如步骤S2中图3所示,步骤S3生成的2类残差与不同故障有着不同的对应关系,结合电池组中的单体电池都可以生成2类残差,多故障检测与分离策略如图4所示:在无故障条件下,所有残差r1和r2都没有反应;若发生电流传感器故障,所有残差r1和r2都会做出反应,即对应的决策函数会超出设定的阈值;若第i个电压传感器故障,则只有第i个残差r1做出反应;若第i个温度传感器故障,则只有第i个残差r2做出反应;而电池短路或连接故障时,第i个残差r1和r2同时会做出反应,进一步区分见步骤S5。
具体的故障检测通过残差评价实现,残差评价方法为累积和测试方法(见下式),生成的决策函数与设定阈值比较来判断故障,结合步骤S2中建立的FSM,可实现多故障检测以及电流、电压、温度传感器等故障的分离;以电压传感器故障为例,诊断结果如图5所示,只有发生故障的那个残差r1做出反应,所有残差r2没有反应,符合前面的诊断分析。
步骤S5:进一步分离。提取一段时间窗口内的残差累积和作为特征,根据在充电和放电工况下残差累积和的变化不同,进而区分电池短路和连接故障,如图4所示。
式中racc表示残差累积和,ε表示常数,d=1表示短路故障,否则为连接故障。
如图6所示,以常ε=0为例,由于短路消耗额外的电量,无论充放电,残差总是为负,残差累积和racc持续下降,则d持续等于1;而连接故障在放电时残差为负且充电时残差为正,因而出现残差累积具有上升和下降的变化,则d在0和1之间波动。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (6)
1.一种基于电热耦合模型的电池组多故障诊断方法,其特征在于:该方法包括以下步骤:
S1:对待测电池进行特征实验测试,辨识模型参数并建立电池电热耦合模型;
S2:基于电池模型进行结构分析,建立对多故障敏感的诊断测试集;
S3:基于诊断测试集,融合自适应滤波方法,设计残差生成器并生成残差;
S4:基于生成的残差信号,通过累积和残差评价方法检测并分离多种故障;
S5:提取残差特征,利用统计方法分离电池短路和连接故障。
2.根据权利要求1所述的一种基于电热耦合模型的电池组多故障诊断方法,其特征在于:所述S1中,所述的电池特征测试和电热耦合模型建立包括:
S11:电池特征测试包括电池静态容量测试、开路电压OCV测试、在不同温度和荷电状态SOC下的复合脉冲HPPC测试、以及动态应力工况测试DST、美国联邦城市驾驶工况FUDS、城市功率驾驶工况UDDS的实车工况的测试;
S12:建立多单体模型的电池组模型,电池单体模型为电热耦合模型,其中电模型为一阶RC等效电路模型:
Ut=Uocv-Up-RI
式中I表示电流,Up表示极化电压,Ut表示端电压,Uocv表示开路电压,Rp和Cp分别表示极化电阻和极化电容,R表示欧姆内阻;
热模型为集中质量热模型:
Q=I(Uocv-Ut)
式中Q表示产热率,m、cp、h和A分别为电池的质量、比热容、对流换热系数和表面积,T和T∞分别表示电池平均温度和环境温度;通过产热方程建立电模型和热模型的联系,从而建立电热耦合模型;
S13:根据上述电池特征测试数据,利用最小二乘、粒子群优化的参数辨识方法辨识电、热模型参数。
3.根据权利要求2所述的一种基于电热耦合模型的电池组多故障诊断方法,其特征在于:所述S2中,分析电池模型的方法为结构分析理论,进行多故障可检测性、可分离性分析,并找到模型中的结构过定部分;构建的诊断测试集为对多种故障敏感的一系列方程组,形成可映射故障和残差关系的故障特征矩阵FSM。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210950451.6A CN115327386B (zh) | 2022-08-09 | 2022-08-09 | 一种基于电热耦合模型的电池组多故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210950451.6A CN115327386B (zh) | 2022-08-09 | 2022-08-09 | 一种基于电热耦合模型的电池组多故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115327386A true CN115327386A (zh) | 2022-11-11 |
CN115327386B CN115327386B (zh) | 2024-06-18 |
Family
ID=83921894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210950451.6A Active CN115327386B (zh) | 2022-08-09 | 2022-08-09 | 一种基于电热耦合模型的电池组多故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115327386B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116106771A (zh) * | 2023-03-15 | 2023-05-12 | 华能澜沧江水电股份有限公司 | 基于结构分析法的电池组故障检测方法、装置及电子设备 |
CN116482560A (zh) * | 2023-06-21 | 2023-07-25 | 中国华能集团清洁能源技术研究院有限公司 | 电池故障检测方法、装置、电子设备及存储介质 |
CN117825957A (zh) * | 2023-11-30 | 2024-04-05 | 重庆大学 | 一种动力电池的故障检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112147512A (zh) * | 2020-09-17 | 2020-12-29 | 北京理工大学 | 一种锂离子电池短路与滥用故障的诊断及分离方法 |
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 |
CN114158276A (zh) * | 2020-02-05 | 2022-03-08 | 株式会社Lg新能源 | 检测镀锂的方法和通过使用其来管理电池的方法和装置 |
-
2022
- 2022-08-09 CN CN202210950451.6A patent/CN115327386B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN114158276A (zh) * | 2020-02-05 | 2022-03-08 | 株式会社Lg新能源 | 检测镀锂的方法和通过使用其来管理电池的方法和装置 |
CN112147512A (zh) * | 2020-09-17 | 2020-12-29 | 北京理工大学 | 一种锂离子电池短路与滥用故障的诊断及分离方法 |
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 |
Non-Patent Citations (2)
Title |
---|
KAI ZHANG 等: "Multi-fault Detection and Isolation for Lithium-Ion Battery Systems", 《IEEE TRANSACTIONS ON POWER ELECTRONICS》, vol. 37, no. 1, 31 January 2022 (2022-01-31), pages 971 - 989, XP011879401, DOI: 10.1109/TPEL.2021.3098445 * |
许俊雄 等: "电动车辆锂离子电池传感器故障诊断方法", 《重庆大学学报》, vol. 45, no. 6, 23 April 2021 (2021-04-23), pages 27 - 39 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116106771A (zh) * | 2023-03-15 | 2023-05-12 | 华能澜沧江水电股份有限公司 | 基于结构分析法的电池组故障检测方法、装置及电子设备 |
CN116482560A (zh) * | 2023-06-21 | 2023-07-25 | 中国华能集团清洁能源技术研究院有限公司 | 电池故障检测方法、装置、电子设备及存储介质 |
CN116482560B (zh) * | 2023-06-21 | 2023-09-12 | 中国华能集团清洁能源技术研究院有限公司 | 电池故障检测方法、装置、电子设备及存储介质 |
CN117825957A (zh) * | 2023-11-30 | 2024-04-05 | 重庆大学 | 一种动力电池的故障检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115327386B (zh) | 2024-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115327386B (zh) | 一种基于电热耦合模型的电池组多故障诊断方法 | |
CN110187225B (zh) | 一种锂电池内短路电压电流异常检测方法及*** | |
EP3933422B1 (en) | Diagnosis method for distinguishing micro-short-circuit fault of battery from small-capacity fault of battery | |
CN106802396B (zh) | 一种电池内短路的诊断方法 | |
CN109061537B (zh) | 基于观测器的电动车辆锂离子电池传感器故障诊断方法 | |
CN106526488B (zh) | 串联式动力电池包内传感器故障诊断方法 | |
CN112906744B (zh) | 一种基于孤立森林算法的故障单体电池识别方法 | |
CN113447828B (zh) | 一种基于贝叶斯神经网络的锂电池温度估计方法及*** | |
CN110441695A (zh) | 一种基于模型和信号处理相结合的电池组多故障综合诊断方法 | |
CN113933732A (zh) | 新能源汽车动力电池健康状态分析方法、***及存储介质 | |
CN112345955B (zh) | 一种动力电池多故障在线诊断方法与*** | |
CN111257753B (zh) | 一种电池***故障诊断方法 | |
CN112068018A (zh) | 基于改进格拉布斯准则和电池电热耦合模型的动力电池组故障诊断方法 | |
CN114814691A (zh) | 一种基于数字孪生的锂电池***电压传感器故障诊断方法 | |
Li et al. | Data-driven thermal anomaly detection for batteries using unsupervised shape clustering | |
CN115659799A (zh) | 一种具备阈值自适应功能的锂电储能电站故障诊断方法 | |
CN111537893A (zh) | 一种锂离子电池模组运行安全的评测方法、***及电子设备 | |
CN112009252B (zh) | 一种动力电池***故障诊断及容错控制方法 | |
Yang et al. | An online multifault diagnosis scheme for battery packs based on voltage envelope relationship | |
CN113391214A (zh) | 一种基于电池充电电压排名变化的电池微故障诊断方法 | |
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 | |
CN116190818A (zh) | 基于多维传感融合的锂电池装置、锂电池监测装置及方法 | |
CN113805065A (zh) | 一种基于余弦相似度的混联电池组多故障诊断方法 | |
KR102595386B1 (ko) | 신경회로망을 이용한 배터리의 상태 추정과 모니터링 방법 및 장치 | |
CN117007999B (zh) | 一种电池组故障诊断方法、装置及*** |
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 |