[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN110794305B - 一种动力电池故障诊断方法和系统 - Google Patents

一种动力电池故障诊断方法和系统 Download PDF

Info

Publication number
CN110794305B
CN110794305B CN201910972482.XA CN201910972482A CN110794305B CN 110794305 B CN110794305 B CN 110794305B CN 201910972482 A CN201910972482 A CN 201910972482A CN 110794305 B CN110794305 B CN 110794305B
Authority
CN
China
Prior art keywords
matrix
voltage
battery
establishing
voltage deviation
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
CN201910972482.XA
Other languages
English (en)
Other versions
CN110794305A (zh
Inventor
张照生
王震坡
李达
刘鹏
龙超华
孙振宇
尹豪
武烨
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.)
Beijing Institute Of Technology New Source Information Technology Co ltd
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute Of Technology New Source Information Technology Co ltd
Beijing Institute of Technology BIT
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 Beijing Institute Of Technology New Source Information Technology Co ltd, Beijing Institute of Technology BIT filed Critical Beijing Institute Of Technology New Source Information Technology Co ltd
Priority to CN201910972482.XA priority Critical patent/CN110794305B/zh
Publication of CN110794305A publication Critical patent/CN110794305A/zh
Application granted granted Critical
Publication of CN110794305B publication Critical patent/CN110794305B/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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
    • B60L3/0046—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electric energy storage systems, e.g. batteries or capacitors
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)
  • Tests Of Electric Status Of Batteries (AREA)

Abstract

本发明公开了一种动力电池故障诊断方法和系统。所述方法通过采用建立电池单体的电压矩阵、提取电压矩阵的子矩阵区间、根据子矩阵区间中的电池单体电压的中位数建立中位数矩阵、根据子矩阵区间和中位数矩阵，建立电压偏差矩阵、根据电压偏差矩阵中的电压偏差值，计算电压偏移增量，并建立电压偏移增量矩阵、累计获取电压偏差矩阵中的电压偏差值超出设定区间的次数，建立电压偏差累积次数矩阵等一系列步骤，建立了联合矩阵，然后采用DBSCAN密度聚类方法对所建立的联合矩阵进行二维聚类，根据聚类结果来判定电池单体是否存在故障。本发明提供的动力电池故障诊断方法和系统，能够在提高电池单体故障判定效率的同时，提高判定准确性。

Description

一种动力电池故障诊断方法和系统
技术领域
本发明涉及故障诊断技术领域，特别是涉及一种动力电池故障诊断方法和系统。
背景技术
锂离子电池凭借其比能量高、比功率大和使用寿命长等优点被电动汽车广泛使用，但是随着动力电池比能量的提高和三元锂离子电池的广泛应用，锂离子电池的安全问题日益凸显，电池热失控已经成为了电动汽车安全事故的主要原因。电池热失控事故涉及到大量人员的伤亡和财产损失，是电动汽车发展过程中需要解决的核心问题。
目前对电池热失控的研究主要是通过试验探究发生热失控时电池的内部反应机理和外部特征，进而提出预防热失控的措施。也有一些学者通过建立数学模型、热模型和化学模型来预测电池热失控。这些方法可以通过实验室测得的电池电压、温度等表征参数对电池的异常状态进行精准的诊断，但是实车环境中，电池的特性受环境、驾驶行为，电池老化等多方面因素影响，是一个多因素耦合的复杂工况，因而这些方法很难应用于真实的电动汽车。
为了确保驾驶安全并避免电动车辆的潜在故障，近年来有一些学者提出了电池故障预测和健康状态评估的方法，这些方法基于电池SOH进行评估，SOH是指电池健康状态，一般用当前最大可用容量与额定容量的比值来计算，SOH可以很好地反映电池的健康状态、老化程度和剩余寿命，但是无法诊断和预测电池热失控、过充电、过放电、电池短路等短期的故障。
随着深度学习和神经网络等机器学习算法的发展，通过对大量数据的分析就可以发现事物的内在规律。基于数据驱动的方法可以对电池单体故障进行诊断和预测，从而减少事故的发生。相比于实验室研究方法，采用实车运行的数据进行分析后再对实车的状态进行预测，更接近实际的工程应用。目前已有一些学者对汽车运行过程中电池的数据进行分析，提出了多种电池故障诊断的算法。其中，赵洋等人提出一种基于大数据统计方法的电动汽车电池系统故障诊断方法，主要是根据机器学习算法和3r多级筛选策略(3r-MSS)，以概率的形式检测和计算电池组中的电池端电压的异常变化，但是汽车运行过程中电池的性能受到多方面因素的影响，单体电压有时并不服从正态分布，这时如果强行用正态分布检验故障，其准确性将大打折扣。洪吉超，孙振宇等人提出一种基于电池单体电压的香农熵故障诊断法，该方法只考虑了汽车最新的数据，在大部分时间内Z分数都小于阈值，并不能检测出来故障。Z分数要求数据服从正态分布，受异常值的影响较大且异常值个数不会超过0.7％，而实际情况下各个单体的香农熵并不符合正态分布，异常单体的数量也不一定小于0.7％，因此该方法主观性较大，预测的准确性较低。
发明内容
本发明的目的是提供一种动力电池故障诊断方法和系统，能够在提高电池单体故障判定效率的同时，提高判定准确性。
为实现上述目的，本发明提供了如下方案：
一种动力电池故障诊断方法，包括：
获取特定时间段内电池单体的电压数据，并建立电池单体的电压矩阵；
提取所述电压矩阵的子矩阵区间；
获取所述子矩阵区间中的电池单体电压的中位数，并建立中位数矩阵；
根据所述子矩阵区间和所述中位数矩阵，建立电池单体的电压偏差矩阵；
根据所述电压偏差矩阵中的电压偏差值，计算电池单体的电压偏移增量，并建立电池单体的电压偏移增量矩阵；
累计获取所述电压偏差矩阵中的电压偏差值超出设定区间的次数，并建立电压偏差累积次数矩阵；
根据所述电压偏移增量矩阵和所述电压偏差累积次数矩阵，建立联合矩阵；
采用DBSCAN密度聚类方法，以设定的最小领域点数和设定的领域半径对所建立的联合矩阵进行二维聚类；
依据所述最小领域点数判定聚类结果中的电池单体是否存在故障；若聚类结果中所包含的联合矩阵点数小于所述最小领域点数，则判定对应于当前联合矩阵的电池单体存在故障；反之，则判定对应于当前联合矩阵的电池单体不存在故障。
可选的，所述获取特定时间段内电池单体的电压数据，并建立电池单体的电压矩阵，包括：
将所获取的电压数据构成k×n的电压矩阵Ak×n；所述电压矩阵Ak×n为：
Figure BDA0002232550110000031
其中，n为电池单体的数量，k为电池单体的电压数据的帧数，且不同帧数对应于不同的时刻，Ut,j为第j个电池单体第t时刻的电压，t＝1,2,...,k，j＝1,2,...,n。
可选的，所提取的所述电压矩阵的子矩阵区间为Cm×n：
Figure BDA0002232550110000032
其中，Ut1,j为第j个电池单体第t1时刻的电压，t1＝1,2,...,m，j＝1,2,...,n。
可选的，所建立的中位数矩阵为Mm×1：
Figure BDA0002232550110000033
其中，Ut1,median为t1时刻所有电池单体电压的中位数，t1＝1,2,...,m。
可选的，所建立的电池单体的电压偏差矩阵为Bm×n：
Figure BDA0002232550110000034
其中，Cm×n为子矩阵区间，Mm×1为中位数矩阵，Y1×n＝(1,…,1)，ΔUt1,j为第j个电池单体t1时刻的电压偏差，t1＝1,2,...,m，j＝1,2,...,n。
可选的，根据所述电压偏差矩阵中的电压偏差值，计算电池单体的电压偏移增量，并建立电池单体的电压偏移增量矩阵，包括：
根据所述电压偏差矩阵中的电压偏差值，计算电池单体的电压偏移增量sm,j为：
Figure BDA0002232550110000041
根据所述电压偏移增量sm,j，j＝1,2,...,n，建立1×n的电池单体的电压偏移增量矩阵S1×n为：
S1×n＝(sm,1,…,sm,n)。
可选的，所述累计获取所述电压偏差矩阵中的电压偏差值超出设定区间的次数，并建立电压偏差累积次数矩阵，包括：
判断第j个电池单体t1时刻的电压偏差是否超出设定区间：若超出设定区间则判断为存在电压偏差，记为zt,j＝1，反之则判断为不存在电压偏差，记为zt,j＝0；
累计计算第j个电池单体m时刻的偏差累积次数nm,j：
Figure BDA0002232550110000042
根据所述偏差累积次数nm,j，建立1×n的电压偏差累积次数矩阵N1×n，
N1×n＝(nm,1,…,nm,n)；
其中，j＝1,2,...,n。
可选的，所建立的联合矩阵为V2×n：
Figure BDA0002232550110000043
其中，N1×n为电压偏差累积次数矩阵，S1×n为电压偏移增量矩阵。
可选的，所述最小领域点数为5；所述领域半径为10。
一种动力电池故障诊断系统，包括：
电压矩阵建立模块，用于获取特定时间段内电池单体的电压数据，并建立电池单体的电压矩阵；
子矩阵区间提取模块，用于提取所述电压矩阵的子矩阵区间；
中位数矩阵建立模块，用于获取所述子矩阵区间中的电池单体电压的中位数，并建立中位数矩阵；
电压偏差矩阵建立模块，用于根据所述子矩阵区间和所述中位数矩阵，建立电池单体的电压偏差矩阵；
电压偏移增量矩阵建立模块，用于根据所述电压偏差矩阵中的电压偏差值，计算电池单体的电压偏移增量，并建立电池单体的电压偏移增量矩阵；
电压偏差累积次数矩阵建立模块，用于累计获取所述电压偏差矩阵中的电压偏差值超出设定区间的次数，并建立电压偏差累积次数矩阵；
联合矩阵建立模块，用于根据所述电压偏移增量矩阵和所述电压偏差累积次数矩阵，建立联合矩阵；
二维聚类模块，用于采用DBSCAN密度聚类方法，以设定的最小领域点数和设定的领域半径对所建立的联合矩阵进行二维聚类；
判断模块，用于依据所述最小领域点数判定聚类结果中的电池单体是否存在故障；若聚类结果中所包含的联合矩阵点数小于所述最小领域点数，则判定对应于当前联合矩阵的电池单体存在故障；反之，则判定对应于当前联合矩阵的电池单体不存在故障。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的动力电池故障诊断方法和系统，通过采用DBSCAN密度聚类方法对电池单体的电压偏移增量和电压偏差累积次数进行聚类分析，就可以快速判定电池单体是否存在故障。并且，通过采用DBSCAN密度聚类方法，以设定的最小领域点数和设定的领域半径对所建立的联合矩阵进行二维聚类，能够提高聚类结果的准确性，进而能够提高采用聚类结果判定电池单体是否存在故障的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例动力电池故障诊断方法的流程图；
图2为本发明实施例第一组车辆电池单体数据中各电池单体的电压曲线图；
图3为本发明实施例第一组车辆的电池单体数据中各单体电压偏差曲线图；
图4为本发明实施例第一组车辆电池单体数据中各个电池单体的聚类结果图；
图5为本发明实施例第二组车辆电池单体数据中各电池单体的电压曲线图；
图6为本发明实施例第二组车辆电池单体数据中各个电池单体的聚类结果图；
图7为本发明实施例第三组车辆电池单体数据中各电池单体的电压曲线图；
图8为本发明实施例第三组车辆电池单体数据中各个电池单体的聚类结果图；
图9为本发明实施例第一组车辆电池单体数据的电压偏移增量图；
图10为本发明实施例第一组车辆电池单体数据的电压偏差累积次数结果图；
图11为本发明实施例第二组车辆电池单体数据的电压偏差累积次数结果图；
图12为本发明实施例第二组车辆电池单体数据的电压偏移增量图；
图13为本发明实施例第一组车辆电池单体数据中电池单体的故障频率图；
图14为本发明实施例第二组车辆电池单体数据中的电池单体故障频率图；
图15为本发明实施例第一组和第二组车辆电池单体数据中电池单体的故障频率图；
图16为采用3σ方法预测第一组车辆电池单体数据中潜在热失控电池单体的故障频率图；
图17为采用3σ方法预测第二组车辆电池单体数据中潜在热失控电池单体的故障频率图；
图18为采用3σ方法预测第三组车辆电池单体数据中潜在热失控电池单体的故障频率图；
图19为采用3σ方法预测第四组车辆电池单体数据中潜在热失控电池单体的故障频率图；
图20为本发明实施例动力电池故障诊断系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种动力电池故障诊断方法和系统，能够在提高电池单体故障判定效率的同时，提高判定准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
电池化学性质的变差是一个逐渐恶化的过程，而电池单体电压是电池化学性质的综合体现，因此在发生热失控的前一段时间，故障单体电压与正常单体电压应该有所差别。基于数据的电池故障单体诊断归根到底都是通过电池不一致性识别异常单体，电压偏移增量可以表示一段时间内单体电压与整体的差别，因此用电压偏移增量衡量电池单体的故障程度是合理的。此外，不一致性越好的电池组，其所有单体的电压偏差应接近于0并保持在一定区间内，如果一个单体的电压偏差累积次数越大，则出现故障的概率更高，因此用一段时间内某单体电压偏差累积次数衡量电池单体的故障程度是合理的。电池热失控是非常极端的情况，因此当某单体的电压偏移增量和电压偏差累积次数与其他单体差别非常大时，认为其发生热失控的概率较大。其实，可以反映电池电压不一致性的指标有很多，本发明在对国家大数据平台中大量汽车数据进行分析时，选择电压偏移增量与电压偏差累积次数作为聚类的特征，实践证明其聚类效果最好。
基于上述内容，本发明提供了一种基于DBSCAN密度聚类方法的动力电池故障检测方法和系统。其中，DBSCAN(英文全称为：Density-Based Spatial ClusteringofApplications withNoise)是由JORG SANDER等人在1998年提出的一个应用广泛的基于密度的聚类算法，DBSCAN的优点在于：(1)能更好地识别异常点(2)可以形成任意形状的聚类(3)不需要事先知道要形成的簇类的数量。如果在电池单体发生热失控前，对反映电池性能的某些指标进行DBSCAN聚类，则可以识别潜在故障单体。
图1为本发明实施例动力电池故障诊断方法的流程图，如图1所示，一种动力电池故障诊断方法，包括：
S100、获取特定时间段内电池单体的电压数据，并建立电池单体的电压矩阵；
S101、提取所述电压矩阵的子矩阵区间；
S102、获取所述子矩阵区间中的电池单体电压的中位数，并建立中位数矩阵；
S103、根据所述子矩阵区间和所述中位数矩阵，建立电池单体的电压偏差矩阵；
S104、根据所述电压偏差矩阵中的电压偏差值，计算电池单体的电压偏移增量，并建立电池单体的电压偏移增量矩阵；
S105、累计获取所述电压偏差矩阵中的电压偏差值超出设定区间的次数，并建立电压偏差累积次数矩阵；其中设定区间的宽度为±0.1V。
S106、根据所述电压偏移增量矩阵和所述电压偏差累积次数矩阵，建立联合矩阵；
S107、采用DBSCAN密度聚类方法，以设定的最小领域点数5和设定的领域半径10对所建立的联合矩阵进行二维聚类；
S108、依据所述最小领域点数5判定聚类结果中的电池单体是否存在故障；若聚类结果中所包含的联合矩阵点数小于所述最小领域点数5，则判定对应于当前联合矩阵的电池单体存在故障；反之，则判定对应于当前联合矩阵的电池单体不存在故障。
在步骤100中，具体包括：
将所获取的电压数据构成k×n的电压矩阵Ak×n；所述电压矩阵Ak×n为：
Figure BDA0002232550110000091
其中，n为电池单体的数量，k为电池单体的电压数据的帧数，且不同帧数对应于不同的时刻，Ut,j为第j个电池单体第t时刻的电压，t＝1,2,...,k，j＝1,2,...,n。
在步骤101中，所提取的所述电压矩阵的子矩阵区间为Cm×n：
Figure BDA0002232550110000092
其中，Ut1,j为第j个电池单体第t1时刻的电压，t1＝1,2,...,m，j＝1,2,...,n。
在步骤102中所建立的中位数矩阵为Mm×1：
Figure BDA0002232550110000093
其中，Ut1,median为t1时刻所有电池单体电压的中位数，t1＝1,2,...,m。
在步骤103中所建立的电池单体的电压偏差矩阵为Bm×n：
Figure BDA0002232550110000101
其中，Cm×n为子矩阵区间，Mm×1为中位数矩阵，Y1×n＝(1,…,1)，ΔUt1,j为第j个电池单体t1时刻的电压偏差，t1＝1,2,...,m，j＝1,2,...,n。
在步骤104中的根据所述电压偏差矩阵中的电压偏差值，计算电池单体的电压偏移增量，并建立电池单体的电压偏移增量矩阵，具体包括：
根据所述电压偏差矩阵中的电压偏差值，计算电池单体的电压偏移增量sm,j为：
Figure BDA0002232550110000102
根据所述电压偏移增量sm,j，j＝1,2,...,n，建立1×n的电池单体的电压偏移增量矩阵S1×n为：
S1×n＝(sm,1,…,sm,n)。
在步骤105中所述累计获取所述电压偏差矩阵中的电压偏差值超出设定区间的次数，并建立电压偏差累积次数矩阵，包括：
判断第j个电池单体t1时刻的电压偏差是否超出设定区间：若超出设定区间则判断为存在电压偏差，记为zt,j＝1，反之则判断为不存在电压偏差，记为zt,j＝0；
累计计算第j个电池单体m时刻的偏差累积次数nm,j：
Figure BDA0002232550110000103
根据所述偏差累积次数nm,j，建立1×n的电压偏差累积次数矩阵N1×n，
N1×n＝(nm,1,…,nm,n)；
其中，j＝1,2,...,n。
在步骤106中所建立的联合矩阵为V2×n：
Figure BDA0002232550110000111
其中，N1×n为电压偏差累积次数矩阵，S1×n为电压偏移增量矩阵。
此外，电池单体电压是电池状态的综合体现。为了采用本发明所提供的动力电池故障诊断方法来研究电池单体的潜在故障，从大数据平台中调取第一组车辆的电池单体数据，数据选取的区间为2018-07-30 03:45:53-2018-08-28 08:10:49，数据采集频率为0.1Hz，电池组由156个串联的电池单体组成，汽车在2018-08-28发生热失控，着火源为125号单体，将125号电池单体定义为潜在热失控单体。图2为第一组车辆电池单体数据中各电池单体的电压曲线图，如图2所示，125电池单体电压不一致性较差，且多次出现电压过低的情况，在放电的末期，125电池单体电压多次低于3.3V，而端电压可以反映电池SOC的大小，因此125电池单体在放电的末期产生了过放电，随着充放电循环次数的增加，该电池单体电化学性质逐渐变差。
图3为第一组车辆电池单体数据中各单体电压偏差曲线图，如图3所示，正常单体的电压偏差一般保持在一定区间以内，具有较好的一致性，而125电池单体的电压偏差明显比其他电池单体偏差更大，电池单体的电压偏差甚至多次超出-0.3V，且电压偏差呈现忽正忽负的现象。
可以肯定的是，计算偏差累积次数时，区间的宽度L对DBSCAN聚类的准确性具有显着影响，如果L太小，则一些正常电池单体会被错误诊断为潜在热失控单体，如图2所示；如果L太大，则潜在热失控单体会被错误诊断为正常电池，如图3所示，通过试错法在本研究中选择L＝±0.1V。此外，电压矩阵的子矩阵区间的长度m对结果也有影响，如果m过大，会导致计算时间过长，无法实现在线诊断，如果m过小，则引入历史数据不足，不能对较好地识别热失控潜在电池单体，通过对大量数据的分析和试错法，取子矩阵区间的长度为1000，DBSCAN的最小邻域点数和领域半径分别取5和10。
图4为第一组车辆电池单体数据中各个电池单体的聚类结果图，如图4所示，在DBSCAN的聚类结果中可以得到，125号电池单体电压偏差累积次数比其他电池单体大，通过DBSCAN聚类可以很好地将其识别出来。
从大数据平台中调取第二组车辆电池单体数据，数据选取的区间为2018-07-2016:01:14-2018-07-26 18:25:46，数据采集频率为0.1Hz，电池组由156个串联的电池单体组成，汽车在2018-07-26发生热失控，着火源为52、53号电池单体，图5为第二组车辆电池单体数据中各电池单体电压曲线图，图6为第二组车辆电池单体数据中各个电池单体的聚类结果图，如图5所示，52、53号电池单体存在电压过低异常，图6中52、53号电池单体电压偏移增量和偏差累积次数高于其他电池单体，由DBSCAN聚类将52、53号电池单体判断为潜在热失控单体。所有具有异常电压的电池单体都可以通过图6中DBSCAN聚类检测出来，从而验证本发明提供的动力电池故障诊断方法具有良好的检测稳定性。
从大数据平台中调取第三组车辆电池单体数据，数据选取的区间为2017-07-2720:56:00-2017-08-14 15:36:40，数据采集频率为0.1Hz，电池组由96个串联的电池组成，图7为第三组车辆电池单体数据中各电池单体的电压曲线图，图8为第三组车辆电池单体数据中各个电池单体的聚类结果图，由图7可见，任何电池中都没有异常电压，而在图8中，所有电池单体都被划分为正常单体。因此，证明了无论电池电压如何，本发明所提供的动力电池故障诊断方法都不会在没有异常单体的情况下检测出来异常的电池单体。
从大数据平台中调取第一组和第二组车辆电池单体数据，第一组车辆电池单体数据选取的区间为2018-07-30 03:45:53-2018-08-28 08:10:49，第二组车辆电池单体数据选取的区间为2018-06-26 17:52:51-2018-07-26 18:25:46，计算第一组和第二组车辆电池单体数据发生故障前一个月各电池单体的电压偏移增量与电压偏差累积次数，图9为第一组车辆电池单体数据的电压偏移增量图，如图9所示，125号潜在热失控电池单体的电压偏移增量并不是一直高于其他电池单体，因此只靠电压偏移增量一维特征并不能诊断出125号电池单体故障，必须结合其电压偏差累积次数，其电压偏差累积次数如图10所示。第二组车辆电池单体数据的电压偏差累积次数如图11所示，51号潜在热失控电池单体的电压偏差累积次数只有在发生热失控前很短的一段时间高于其他电池单体，因此只靠电压偏差累积次数一维特征并不能诊断出51号电池单体故障，必须结合其电压偏移增量，其电压偏移增量如图12所示。因此，证明了只靠电压偏移增量或电压偏差累积次数一维特征，并不能很好地诊断出热失控潜在单体。
为了实现在线预测热失控故障，定义故障矩阵Fk×n定量描述汽车电池单体的热失控故障：
Figure BDA0002232550110000131
其中，ft,j(t＝1,2,...,k；j＝1,2,...,n)为第j个电池单体第t时刻的故障值，汽车每产生一帧新的数据，向前提取1000帧各电池单体的电压历史数据作为电压矩阵的子矩阵区间Cm×n，如果根据2中方法判定j单体为潜在热失控电池单体，则ft,j＝1，否则ft,j＝0，从而实现在线预测。
定义故障频率矩阵Rk×n定量描述一段时间的热失控故障情况：
Rk×n＝(r1 … rn)，
其中，rj(j＝1,2,...,n)为第j个电池单体从x时刻到y时刻这一段时间内的故障频率，
Figure BDA0002232550110000132
x，y分别为所选时间区间的开始时刻和结束时刻。
从大数据平台中调取1～4组车辆的电池单体数据，第一组车辆电池单体的数据选取的区间为2018-07-30 03:45:53-2018-08-28 08:10:49，第二组车辆电池单体数据选取的区间为2018-07-20 16:01:14-2018-07-26 18:25:46，第三组车辆电池单体数据选取的区间为2017-07-27 20:56:00-2017-08-14 15:36:40，第四组车辆电池单体数据选取的区间为2018-06-22 17:55:07-2018-07-27 09:47:25，如图13所示，第一组车辆电池单体数据中的125号电池单体故障频率为0.894，8号电池单体故障频率为0.041，因此可以很好地对125潜在热失控的电池单体进行预测，8号电池单体其电压偏移增量较大，表明其不一致性较差，应及时维护。如图14所示，第二组车辆电池单体数据中的52号电池单体故障频率为1，说明在发生热失控的前6天其性质已经很差，使用本发明提供的方法可以在发生热失控的前6天对其进行准确的预测，51号单体故障频率为0.530，也可以进行较好地预测。第三组和第四组车辆电池单体数据中的所有单体故障频率均为0，验证了本发明所提供方法的准确性。
为了分析潜在热失控电池单体的故障变化，计算发生热失控前一个月第一组车辆电池单体数据中的125单体、第二组车辆电池单体数据中的51、52号电池单体故障频率的变化，如图15所示，第一组车辆电池单体数据中的125电池单体在5-10天和18-20天故障频率较低，在其余天数故障频率为1，在发生热失控的前9天故障频率为1，因此可以对125号热失控电池单体进行准确地预测。如图15所示，第二组车辆电池单体数据中的51号电池单体故障频率成增长趋势，在发生热失控的前12天，故障频率增长到1，因此可以对51号热失控电池单体进行准确地预测。第二组车辆电池单体数据中的52号单体故障频率一直为1，表明其在发生热失控的前一个月性质已经很差。
选取与上述相同的电池单体数据，计算3σ故障诊断法各单体的故障频率，如图16-图19所示，第一组车辆电池单体数据中的125号潜在热失控电池单体故障频率为0.275，而其余一些正常电池单体的故障频率与125号潜在热失控电池单体故障频率接近，8号电池单体故障频率甚至高于125号潜在热失控电池单体，因此3σ方法并不能对第二组车辆电池单体数据中的潜在热失控电池单体故障进行精确预测。第二组车辆电池单体数据中的51号潜在热失控电池单体故障频率为0.517，52号潜在热失控电池单体故障频率为0.980，42号正常电池单体的故障频率为0.571，21号正常电池单体的故障频率为0.368，3σ方法并不能对第二组车辆电池单体数据中的潜在热失控故障进行精确预测。第三组和第四组车辆电池单体数据中个别单体故障概率较大，但是第三组和第四组车辆电池单体数据本来并没有发生过任何故障，因此3σ方法无法对热失控潜在电池单体进行准确预测。
当单体电压服从正态分布或近似正态分布时，3σ故障诊断法具有简单有效的特点，可以很好地将电压在(μ-3σ，μ+3σ)区间以外的故障单体识别出来，然而汽车运行过程中电池的性能受到多方面因素的影响，个体间的差异并不是随机的，单体电压并不服从正态分布，这时如果强行用正态分布检验故障，其准确性将大打折扣；同时，3σ故障诊断法不能判断故障的严重程度，因此也不能将热失控单体与其他单体区分出来；此外3σ故障诊断法基于汽车当前1帧的数据进行分析，没有考虑历史数据中电池性质的恶化，因此预测的准确性不高。相比于3σ故障诊断法，本方法基于DBSCAN聚类诊断潜在热失控单体，适用于电池电压正态分布和非正态分布的情况，通过提取计算区间将汽车在线数据与历史数据耦合在汽车发生热失控故障前的大部分时间内都可以检查出电池故障，提高了诊断的准确性。
电池热失控事故是电动汽车发展中急需解决的核心问题，本文提出了一种基于新能源汽车国家大数据平台的电池热失控在线故障诊断和预测的方法，分析结果表明，通过DBSCAN建立的电池故障诊断方法可以有效地预测出热失控潜在单体，并可以实现实时在线诊断，这使得该算法可以在实际的安全管理系统中实现。通过分析不同的监测数据，讨论并验证了其算法物理依据、可行性，稳定性，可靠性，必要性。此外，采用新能源汽车国家大数据平台上汽车的数据进行了实车数据分析，包括故障预测结果，热失控前不同天数预测情况对比，不同故障诊断方法对比
上述所有分析和结果均基于SMC-EV中心的实际监测数据，该中心为出租车、私家车、公交车等各种车辆提供全天候监控服务，由于方法与监测电压值没有直接关系，因此可以适用于不同车型与电池类型，具有很强的及时性和巨大的应用前景。这为安全预防机制的建立奠定了基础。
该方法原则上可以用于所有具有时间序列特征的系统，无论数据类型和应用领域如何。除了诊断电压异常外，还可以通过该方法检测和预测温度异常或任何其他信息异常。该方法不仅可以用于电动车辆，还可以用于复杂环境中的其他领域。
此外，本发明还提供了一种动力电池故障诊断系统，如图20所示，所述系统包括：
电压矩阵建立模块1，用于获取特定时间段内电池单体的电压数据，并建立电池单体的电压矩阵；
子矩阵区间提取模块2，用于提取所述电压矩阵的子矩阵区间；
中位数矩阵建立模块3，用于获取所述子矩阵区间中的电池单体电压的中位数，并建立中位数矩阵；
电压偏差矩阵建立模块4，用于根据所述子矩阵区间和所述中位数矩阵，建立电池单体的电压偏差矩阵；
电压偏移增量矩阵建立模块5，用于根据所述电压偏差矩阵中的电压偏差值，计算电池单体的电压偏移增量，并建立电池单体的电压偏移增量矩阵；
电压偏差累积次数矩阵建立模块6，用于累计获取所述电压偏差矩阵中的电压偏差值超出设定区间的次数，并建立电压偏差累积次数矩阵；
联合矩阵建立模块7，用于根据所述电压偏移增量矩阵和所述电压偏差累积次数矩阵，建立联合矩阵；
二维聚类模块8，用于采用DBSCAN密度聚类方法，以设定的最小领域点数和设定的领域半径对所建立的联合矩阵进行二维聚类；
判断模块9，用于依据所述最小领域点数判定聚类结果中的电池单体是否存在故障；若聚类结果中所包含的联合矩阵点数小于所述最小领域点数，则判定对应于当前联合矩阵的电池单体存在故障；反之，则判定对应于当前联合矩阵的电池单体不存在故障。
根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的动力电池故障诊断方法和系统，通过采用DBSCAN密度聚类方法对电池单体的电压偏移增量和电压偏差累积次数进行聚类分析，就可以快速判定电池单体是否存在故障。并且，通过采用DBSCAN密度聚类方法，以设定的最小领域点数和设定的领域半径对所建立的联合矩阵进行二维聚类，能够提高聚类结果的准确性，进而能够提高采用聚类结果判定电池单体是否存在故障的准确性。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
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方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种动力电池故障诊断方法，其特征在于，所述方法包括：
获取特定时间段内电池单体的电压数据，并建立电池单体的电压矩阵；
提取所述电压矩阵的子矩阵区间；
获取所述子矩阵区间中的电池单体电压的中位数，并建立中位数矩阵；
根据所述子矩阵区间和所述中位数矩阵，建立电池单体的电压偏差矩阵；
根据所述电压偏差矩阵中的电压偏差值，计算电池单体的电压偏移增量，并建立电池单体的电压偏移增量矩阵；
累计获取所述电压偏差矩阵中的电压偏差值超出设定区间的次数，并建立电压偏差累积次数矩阵；
根据所述电压偏移增量矩阵和所述电压偏差累积次数矩阵，建立联合矩阵；
采用DBSCAN密度聚类方法，以设定的最小邻域点数和设定的邻域半径对所建立的联合矩阵进行二维聚类；
依据所述最小邻域点数判定聚类结果中的电池单体是否存在故障；若聚类结果中所包含的联合矩阵点数小于所述最小邻域点数，则判定对应于当前联合矩阵的电池单体存在故障；反之，则判定对应于当前联合矩阵的电池单体不存在故障。
2.根据权利要求1所述的一种动力电池故障诊断方法，其特征在于，所述获取特定时间段内电池单体的电压数据，并建立电池单体的电压矩阵，包括：
将所获取的电压数据构成k×n的电压矩阵Ak×n；所述电压矩阵Ak×n为：
Figure FDA0002859540140000011
其中，n为电池单体的数量，k为电池单体的电压数据的帧数，且不同帧数对应于不同的时刻，Ut,j为第j个电池单体第t时刻的电压，t＝1,2,...,k，j＝1,2,...,n。
3.根据权利要求1所述的一种动力电池故障诊断方法，其特征在于，所提取的所述电压矩阵的子矩阵区间为Cm×n：
Figure FDA0002859540140000021
其中，
Figure FDA0002859540140000022
为第j个电池单体第t1时刻的电压，t1＝1,2,...,m，j＝1,2,...,n。
4.根据权利要求1所述的一种动力电池故障诊断方法，其特征在于，所建立的中位数矩阵为Mm×1：
Figure FDA0002859540140000023
其中，
Figure FDA0002859540140000024
为t1时刻所有电池单体电压的中位数，t1＝1,2,...,m。
5.根据权利要求1所述的一种动力电池故障诊断方法，其特征在于，所建立的电池单体的电压偏差矩阵为Bm×n：
Figure FDA0002859540140000025
其中，Cm×n为子矩阵区间，Mm×1为中位数矩阵，Y1×n＝(1,…,1)，
Figure FDA0002859540140000026
为第j个电池单体t1时刻的电压偏差，t1＝1,2,...,m，j＝1,2,...,n。
6.根据权利要求5所述的一种动力电池故障诊断方法，其特征在于，根据所述电压偏差矩阵中的电压偏差值，计算电池单体的电压偏移增量，并建立电池单体的电压偏移增量矩阵，包括：
根据所述电压偏差矩阵中的电压偏差值，计算电池单体的电压偏移增量sm,j为：
Figure FDA0002859540140000027
根据所述电压偏移增量sm,j，j＝1,2,...,n，建立1×n的电池单体的电压偏移增量矩阵S1×n为：
S1×n＝(sm,1,…,sm,n)。
7.根据权利要求1所述的一种动力电池故障诊断方法，其特征在于，所述累计获取所述电压偏差矩阵中的电压偏差值超出设定区间的次数，并建立电压偏差累积次数矩阵，包括：
判断第j个电池单体t1时刻的电压偏差是否超出设定区间：若超出设定区间则判断为存在电压偏差，记为zt,j＝1，反之则判断为不存在电压偏差，记为zt,j＝0；
累计计算第j个电池单体m时刻的偏差累积次数nm,j：
Figure FDA0002859540140000031
根据所述偏差累积次数nm,j，建立1×n的电压偏差累积次数矩阵N1×n，
N1×n＝(nm,1,…,nm,n)；
其中，j＝1,2,...,n。
8.根据权利要求1所述的一种动力电池故障诊断方法，其特征在于，所建立的联合矩阵为V2×n：
Figure FDA0002859540140000032
其中，N1×n为电压偏差累积次数矩阵，S1×n为电压偏移增量矩阵，n为电池单体的数量。
9.一种动力电池故障诊断系统，其特征在于，包括：
电压矩阵建立模块，用于获取特定时间段内电池单体的电压数据，并建立电池单体的电压矩阵；
子矩阵区间提取模块，用于提取所述电压矩阵的子矩阵区间；
中位数矩阵建立模块，用于获取所述子矩阵区间中的电池单体电压的中位数，并建立中位数矩阵；
电压偏差矩阵建立模块，用于根据所述子矩阵区间和所述中位数矩阵，建立电池单体的电压偏差矩阵；
电压偏移增量矩阵建立模块，用于根据所述电压偏差矩阵中的电压偏差值，计算电池单体的电压偏移增量，并建立电池单体的电压偏移增量矩阵；
电压偏差累积次数矩阵建立模块，用于累计获取所述电压偏差矩阵中的电压偏差值超出设定区间的次数，并建立电压偏差累积次数矩阵；
联合矩阵建立模块，用于根据所述电压偏移增量矩阵和所述电压偏差累积次数矩阵，建立联合矩阵；
二维聚类模块，用于采用DBSCAN密度聚类方法，以设定的最小邻域点数和设定的邻域半径对所建立的联合矩阵进行二维聚类；
判断模块，用于依据聚类结果判定是否有电池单体存在故障；若聚类结果中电池单体为噪声点，则判定为该电池单体为故障电池单体，若聚类结果中电池单体为核心点或边界点，则判定该电池单体为正常电池单体。
CN201910972482.XA 2019-10-14 2019-10-14 一种动力电池故障诊断方法和系统 Active CN110794305B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910972482.XA CN110794305B (zh) 2019-10-14 2019-10-14 一种动力电池故障诊断方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910972482.XA CN110794305B (zh) 2019-10-14 2019-10-14 一种动力电池故障诊断方法和系统

Publications (2)

Publication Number Publication Date
CN110794305A CN110794305A (zh) 2020-02-14
CN110794305B true CN110794305B (zh) 2021-03-16

Family

ID=69439081

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910972482.XA Active CN110794305B (zh) 2019-10-14 2019-10-14 一种动力电池故障诊断方法和系统

Country Status (1)

Country Link
CN (1) CN110794305B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113459894A (zh) * 2021-06-24 2021-10-01 北京理工大学 一种电动汽车电池安全预警方法及系统

Families Citing this family (33)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111257755B (zh) * 2020-03-31 2022-06-10 上海玫克生储能科技有限公司 一种预防性检测诊断电池包方法
CN111487553A (zh) * 2020-04-20 2020-08-04 国电南瑞科技股份有限公司 一种电池单体一致性评价的方法及其装置
KR102440442B1 (ko) * 2020-07-23 2022-09-06 주식회사 휴네이트 차량 시계열 데이터를 이용한 차량 배터리 수명 예측 시스템 및 방법
CN111766531B (zh) * 2020-07-31 2021-07-16 中国汽车工程研究院股份有限公司 一种判断电池包电压一致性的累计风险建模方法
CN115769091A (zh) * 2020-08-03 2023-03-07 株式会社Lg新能源 电池诊断设备、电池组、电池系统及电池诊断方法
CN114074575A (zh) * 2020-08-14 2022-02-22 江西江铃集团新能源汽车有限公司 一种纯电动汽车预警系统
CN111929591A (zh) * 2020-08-21 2020-11-13 彩虹无线（北京）新技术有限公司 故障电池检测方法、装置、设备及计算机存储介质
CN112092674B (zh) * 2020-08-21 2022-03-08 华人运通(江苏)技术有限公司 电池状态监测方法、装置、介质、边缘处理器和车辆
CN112092675B (zh) * 2020-08-31 2022-03-25 长城汽车股份有限公司 一种电池热失控预警方法、系统及服务器
CN112255560B (zh) * 2020-10-19 2024-05-10 奇瑞商用车（安徽）有限公司 一种电池电芯健康度预测方法
CN112319308B (zh) * 2020-11-04 2022-03-22 北京理工大学 一种动力电池多故障检测方法与系统
CN112394291B (zh) * 2020-11-05 2024-06-11 广汽埃安新能源汽车有限公司 一种电池热失控预警方法及装置
CN112487031B (zh) * 2020-11-27 2024-06-04 江西江铃集团新能源汽车有限公司 单体电池故障检测方法、装置、可读存储介质及电子设备
CN112650200B (zh) * 2020-12-25 2022-08-30 中能融安(北京)科技有限公司 一种厂站设备故障的诊断方法及诊断装置
CN112686389A (zh) * 2020-12-25 2021-04-20 中能融安(北京)科技有限公司 一种设备参数最优值的预估方法及预估装置
CN112858919B (zh) * 2021-01-18 2022-04-01 北京理工大学 一种基于聚类分析的电池系统在线故障诊断方法和系统
CN113030763A (zh) * 2021-02-20 2021-06-25 武汉云衡智能科技有限公司 一种车用动力电池一致性差异的潜在风险诊断系统
CN113253113B (zh) * 2021-02-26 2022-05-06 重庆长安新能源汽车科技有限公司 一种动力电池一致性故障的预测方法
CN113435688A (zh) * 2021-05-14 2021-09-24 天津力神电池股份有限公司 动力电池系统的风险排查方法
CN113406524B (zh) * 2021-05-26 2022-04-12 北京理工大学 一种动力电池系统的不一致性故障诊断方法及系统
CN113343633B (zh) * 2021-06-10 2022-04-26 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、系统
CN113533979B (zh) * 2021-07-15 2022-09-23 合肥力高动力科技有限公司 一种判断电池组异常电芯的方法
CN116068441B (zh) * 2021-10-29 2024-11-05 北汽福田汽车股份有限公司 动力电池内短路预警方法、装置及车辆
CN114312319B (zh) * 2021-12-15 2023-06-02 重庆长安新能源汽车科技有限公司 基于电压累计值的电池安全监控方法、存储介质及车辆
CN114274777B (zh) * 2021-12-15 2023-06-02 重庆长安新能源汽车科技有限公司 一种电池异常监控方法、系统及车辆
CN114415054B (zh) * 2022-01-27 2022-10-11 中国汽车工程研究院股份有限公司 一种新能源汽车电池采样异常故障识别方法
CN114430080B (zh) * 2022-01-27 2022-07-29 中国汽车工程研究院股份有限公司 一种基于运行数据的动力电池电芯异常自放电的识别方法
CN115166520A (zh) * 2022-07-07 2022-10-11 重庆邮电大学 一种基于熵和聚类算法的锂离子电池组短路故障诊断方法
CN114942387B (zh) * 2022-07-20 2022-10-25 湖北工业大学 一种基于真实数据的动力电池故障在线检测方法及系统
CN115863795B (zh) * 2022-12-06 2023-09-12 北汽福田汽车股份有限公司 数据处理方法、数据处理装置、车辆和存储介质
CN116203424A (zh) * 2023-03-02 2023-06-02 合肥国轩高科动力能源有限公司 储能系统电池单体故障识别方法和储能系统
CN116338474B (zh) * 2023-05-29 2023-08-04 力高(山东)新能源技术股份有限公司 一种钠离子电池一致性的判断方法
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

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010016201A (ja) * 2008-07-04 2010-01-21 Renesas Technology Corp 半導体集積回路装置の設計方法
CN103064032A (zh) * 2013-01-08 2013-04-24 重庆长安汽车股份有限公司 一种动力电池的故障诊断系统
CN104656023B (zh) * 2013-11-22 2017-10-03 广州汽车集团股份有限公司 一种评价电池单体一致性的方法和系统
JP2016201217A (ja) * 2015-04-08 2016-12-01 トヨタ自動車株式会社 電池監視システム
CN106777984B (zh) * 2016-12-19 2019-02-22 福州大学 一种基于密度聚类算法实现光伏阵列工作状态分析与故障诊断的方法
CN107271907B (zh) * 2017-06-08 2020-05-12 北京理工大学 一种电动汽车动力电池性能的判断方法及系统
CN108226693B (zh) * 2017-12-18 2020-02-07 清华大学 实时电池内短路检测方法、检测装置和计算机可读存储介质
CN109000940B (zh) * 2018-05-04 2020-05-19 中车青岛四方机车车辆股份有限公司 一种机车车辆异常轴温诊断方法及系统
CN110161414B (zh) * 2019-06-13 2020-11-06 北京理工大学 一种动力电池热失控在线预测方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113459894A (zh) * 2021-06-24 2021-10-01 北京理工大学 一种电动汽车电池安全预警方法及系统

Also Published As

Publication number Publication date
CN110794305A (zh) 2020-02-14

Similar Documents

Publication Publication Date Title
CN110794305B (zh) 一种动力电池故障诊断方法和系统
CN110161414B (zh) 一种动力电池热失控在线预测方法及系统
CN114430080B (zh) 一种基于运行数据的动力电池电芯异常自放电的识别方法
CN111551860B (zh) 一种基于弛豫电压特征的电池内短路诊断方法
CN113933732B (zh) 新能源汽车动力电池健康状态分析方法、系统及存储介质
CN112092675A (zh) 一种电池热失控预警方法、系统及服务器
US20230052544A1 (en) Method and apparatus for detecting lithium plating, and method and apparatus for obtaining polarization proportion
CN111505532A (zh) 基于soc相关系数的串联锂电池组早期内短路在线检测方法
CN114329760B (zh) 一种基于数字孪生的车载锂离子电池建模及故障诊断方法
CN112487031B (zh) 单体电池故障检测方法、装置、可读存储介质及电子设备
CN112965001B (zh) 一种基于实车数据的动力电池组故障诊断方法
EP3992648A1 (en) Battery diagnosis device and method
CN114636930B (zh) 一种电池自放电故障预警方法
US12085626B2 (en) Battery cell diagnosing apparatus and method
CN113687251B (zh) 一种基于双模型的锂离子电池组电压异常故障诊断方法
CN117341476B (zh) 一种电池压差故障预警方法及系统
CN115166555B (zh) 一种电池大数据平台电池模块内阻异常识别方法及系统
CN107632267B (zh) 一种电池异常单体定位方法及系统
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
CN118091420A (zh) 电池自放电检测方法、系统、设备和介质
CN117388564A (zh) 基于实车运行数据的动力电池一致性异常检测方法
CN115856640A (zh) 一种基于在线特征提取的汽车电池系统使用寿命检测方法
CN116256642A (zh) 一种适用于稀疏数据的磷酸铁锂电池故障诊断方法
CN114062943B (zh) 一种锂离子电池系统极化异常预警方法及系统
CN114035082B (zh) 一种新能源车辆电池系统异常电芯快速诊断方法

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
GR01 Patent grant