CN118584341A - 自放电电芯识别方法及装置 - Google Patents
自放电电芯识别方法及装置 Download PDFInfo
- Publication number
- CN118584341A CN118584341A CN202310233219.5A CN202310233219A CN118584341A CN 118584341 A CN118584341 A CN 118584341A CN 202310233219 A CN202310233219 A CN 202310233219A CN 118584341 A CN118584341 A CN 118584341A
- Authority
- CN
- China
- Prior art keywords
- battery cell
- self
- battery pack
- battery
- data
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000007599 discharging Methods 0.000 title claims description 46
- 238000012216 screening Methods 0.000 claims abstract description 17
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 238000005070 sampling Methods 0.000 description 12
- 238000007726 management method Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 101000827703 Homo sapiens Polyphosphoinositide phosphatase Proteins 0.000 description 2
- 102100023591 Polyphosphoinositide phosphatase Human genes 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 1
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 1
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 1
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
本发明提供一种自放电电芯识别方法及装置，属于电池监控技术领域。方法包括：获取电池包历史状态参数；对所述电池包历史状态参数中的数据进行有效数据筛选，得到筛选后的电池包历史状态参数；基于所述筛选后的电池包历史状态参数，确定每一电芯在预设时间段内作为电压最低节电芯的次数占比；基于每一电芯在预设时间段内作为电压最低节电芯的次数占比，确定每一电芯的自放电识别结果。本发明的自放电电芯识别方法通过电池包的历史状态参数进行分析判断，具有方法简单，提前识别，准确识别的优点。
Description
技术领域
本发明涉及电池监控技术领域，具体地涉及一种自放电电芯识别方法、一种自放电电芯识别装置、一种电池管理系统、一种电子设备及一种可读存储介质。
背景技术
近年来，为缓解能源短缺和环境污染问题，新能源汽车技术受到极大的关注，新能源汽车也成为汽车产业未来的发展方向。但随着新能源汽车保有量日益增加，消费者的“安全焦虑”也日益增加，动力电池安全问题已成为新能源汽车行业发展新的关注点。由于受生产工艺等的限制，使用时间增加，电芯可能会出现内短路导致的自放电，进一步可能导致整车可用容量减少、行驶过程中抛锚、极端条件下存在安全隐患等问题。
现有技术中，最直接的监控管理途径是通过车端电池管理系统实时测量并监控电池状态，或者通过将电池实时运行状态及数据上传大数据处理云平台，将数据导入采用机器学习构建的大数据处理模型来完成动力电池差异化的管理控制策略，实现对动力电池更为强大的云端协同管理。
但是，采用直接监控管理的方法，由于环境限制无法实现大量的数据存储与复杂的计算，且识别到电池包故障时故障已发生，无法提前预警，缺少及时性；采用云平台处理的方式，要求车辆搁置足够的时长，且电压下降特征足够明显，存在运用的局限性。
发明内容
本发明实施方式的目的是提供一种自放电电芯识别方法，以至少解决上述的采用直接监控管理的方法，由于环境限制无法实现大量的数据存储与复杂的计算，且识别到电池包故障时故障已发生，无法提前预警，缺少及时性；采用云平台处理的方式，要求车辆搁置足够的时长，且电压下降特征足够明显，存在运用的局限性的问题。
为了实现上述目的，本发明第一方面提供一种自放电电芯识别方法，所述方法包括：
获取电池包历史状态参数；
对所述电池包历史状态参数中的数据进行有效数据筛选，得到筛选后的电池包历史状态参数；
基于所述筛选后的电池包历史状态参数，确定每一电芯在预设时间段内作为电压最低节电芯的次数占比；
基于每一电芯在预设时间段内作为电压最低节电芯的次数占比，确定每一电芯的自放电识别结果。
可选的，所述电池包历史状态参数包括：充电状态、电流值、电流值和节号。
可选的，对所述电池包历史状态参数中的数据进行有效数据筛选，得到筛选后的电池包历史状态参数，包括：
将所述电池包历史状态参数中处于非充电状态下且电流绝对值小于预设电流阈值的数据位置标记为有效数据标志位；
将电池包历史状态参数中所有的有效数据标志位对应的数据组作为所述筛选后的电池包历史状态参数。
可选的，基于每一电芯在预设时间段内作为电压最低节电芯的次数占比，确定每一电芯的自放电识别结果，包括：
对于每一电芯：
在预设时间段内，若该电芯作为电压最低节电芯的次数占比超过预设比例阈值，确定该电芯是自放电电芯；在预设时间段内，若该电芯作为电压最低节电芯的次数占比不超过预设比例阈值，则确定该电芯不是自放电电芯。
可选的，所述方法还包括：
对每一电芯的自放电识别结果进行展示。
本发明第二方面提供一种识别自放电电芯的装置，所述装置包括：
数据获取模块，用于获取电池包历史状态参数；
数据筛选模块，用于对所述电池包历史状态参数中的数据进行有效数据筛选，得到筛选后的电池包历史状态参数；
次数占比确定模块，用于基于所述筛选后的电池包历史状态参数，确定每一电芯在预设时间段内作为电压最低节电芯的次数占比；
结果输出模块，用于基于每一电芯在预设时间段内作为电压最低节电芯的次数占比，确定每一电芯的自放电识别结果。
可选的，所述装置还包括：
展示模块，用于对每一电芯的自放电识别结果进行展示。
本发明第三方面提供一种电池管理系统，包括上述的识别自放电电芯的装置。
本发明第四方面提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的自放电电芯识别方法。
另一方面，本发明提供一种可读存储介质，该可读存储介质上存储有指令，该指令用于使得机器执行上述的自放电电芯识别方法。
本技术方案通过电池包的历史状态参数进行电芯自放电的分析判断，而非采用实时数据进行监控预警，具有数据量小，方法简单，能够实现提前识别，准确识别的优点；且无需长时间搁置等特殊工况来识别可能存在的自放电异常电芯，运用前景更广阔。
本发明实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施方式的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施方式，但并不构成对本发明实施方式的限制。在附图中：
图1是本发明提供的自放电电芯识别方法的流程图；
图2是本发明提供的数据有效性筛选的流程图；
图3是本发明提供的自放电电芯识别方法的原理框图；
图4是本发明提供的自放电电芯识别装置的结构示意图；
图5是本发明提供的自放电电芯在预设时间段内作为电压最低节电芯的次数占比变化趋势图。
附图标记说明
10-数据获取模块； 20-数据筛选模块；
30-次数占比确定模块； 40-结果输出模块。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
图1是本发明提供的自放电电芯识别方法的流程图；图2是本发明提供的数据有效性筛选的流程图；图3是本发明提供的自放电电芯识别方法的原理框图；图4是本发明提供的自放电电芯识别装置的结构示意图；图5是本发明提供的自放电电芯在预设时间段内作为电压最低节电芯的次数占比变化趋势图。
实施例1
如图1-3所示，本发明实施方式提供一种自放电电芯识别方法，所述方法包括：
步骤一、获取电池包历史状态参数；
具体地，所述电池包历史状态参数包括：SOC(State of Charge电荷状态)、充电状态、电流值、电压值和节号。通常电池包中包含有多个通过串联和/或并联连接的电芯，每一电芯具有唯一的节号，因此，对于同一电池包中的所有电芯，其充电状态是相同的，仅会处在充电状态下或者处在非充电状态下；但是，对于处于不同位置的电芯而言，其对应的电流值和电压值会存在一定的差别，因此，在所有的电芯中，必然会存在某一节号的电芯的电压值最低。另外，电池包历史状态参数中包含了一段历史时间内多个采样时刻下的数据组，每一个数据组中包含有所有电芯在不同采样时刻下的充电状态(采样得到的初始数据)、电流值(采样得到的初始数据)、电压值(采样得到的初始数据)和节号(电池包预设属性数据)。
步骤二、对所述电池包历史状态参数中的数据进行有效数据筛选，得到筛选后的电池包历史状态参数；
具体地，在本实施方式中，在获取到电池包历史状态参数后，根据电池包历史状态参数中的充电状态和电流值，采用以下步骤对电池包历史状态参数中的数据组进行有效数据筛选，包括：
步骤201、将所述电池包历史状态参数中处于非充电状态下且电流绝对值小于预设电流阈值的数据位置标记为有效数据标志位；
步骤202、将电池包历史状态参数中所有的有效数据标志位对应的数据组作为所述筛选后的电池包历史状态参数。
更具体地，在本实施方式中，将所有数据中处于非充电状态且电流绝对值小于3A的数据位置的数据组作为有效数据，并将数据位置标记为有效数据标志位，而没有进行有效数据标志的数据位置则为无效数据，进行剔除，最后，将剩余的具有有效数据标志的有效数据组汇总作为所述筛选后的电池包历史状态参数。
步骤三、基于所述筛选后的电池包历史状态参数，确定每一电芯在预设时间段内作为电压最低节电芯的次数占比；
具体地，在本实施方式中，通过上述的步骤二对无效数据进行清洗剔除、最终得到由有效数据组构成的筛选后的电池包历史状态参数，此时的筛选后的电池包历史状态参数中，按照数据采样时刻的顺序，数据可能为非连续的数据，因此，根据预先设置的预设时间段的时间长度，对筛选后的电池包历史状态参数进行分段，得到多段数据段，并且，对于没有进行数据剔除或者剔除了同样的数据量的数据段中有效数据组的总量相同；对于剔除了不同数据量的数据段中有效数据组的总量不同，但是，每一数据段中每一采样时刻对应的数据组中均包含有所有电芯对应的节号和电压值，因此，可以先确定出每一采样时刻对应的数据组中电压最低节节号，再分别统计出每一段数据段中各个电芯在该数据段所有的采样时刻中作为电压最低节电芯的次数，与该段数据段中的有效数据组的总量求比值，从而确定出该电芯在预设时间段内作为电压最低节电芯的次数占比。
更具体地，本实施方式中，读取过去一整年的风险评估车辆电池包历史状态参数，对其中的数据进行有效数据筛选后，根据预先设置的预设时间段的时间长度(以预设时间段的窗口长度为31天，且采样时刻间隔一天为例)，对筛选后的电池包历史状态参数进行分段，得到12段数据段，其中，以2022/05/01-2022/06/01时间范围内的数据段进行统计分析，以每天中午两点为采样时刻，得到该数据段内的31个采样时刻对应的数据组，在这31组数据中仅仅有21组数据满足电池包处于非充电状态下且电流绝对值小于预设电流阈值(剩余的10组数据组不满足筛选条件，进行剔除)，并且在这21组数据组中第100号电芯作为电压最低节电芯的累计次数为19次，则对应的在该预设时间段内第100号电芯作为电压最低节电芯的次数占比为：P＝(19/21)×100％＝90.5％。
步骤四、基于每一电芯在预设时间段内作为电压最低节电芯的次数占比，确定每一电芯的自放电识别结果。
具体地，在本实施方式中，电芯的自放电识别结果包括：电芯是自放电电芯以及电芯不是自放电电芯。
对于每一电芯，通过上述的步骤三计算得到每一电芯在预设时间段内作为电压最低节电芯的次数占比；
在预设时间段内，若计算出的该电芯作为电压最低节电芯的次数占比超过预设比例阈值，则可以确定该电芯是自放电电芯；
在预设时间段内，若计算出的该电芯作为电压最低节电芯的次数占比不超过预设比例阈值，则确定该电芯不是自放电电芯。
其中，预设比例阈值可通过对电池包历史状态参数进行拟合分析确定或者直接根据经验确定。
进一步地，在另一种实施方式中，所述方法还包括：
对每一电芯的自放电识别结果进行展示。
具体地，在通过上述的技术方案得到每一电芯的自放电识别结果后，对电芯的自放电识别结果进行展示，以实现对电芯的自放电识别结果的进一步利用。对每一电芯的自放电识别结果进行展示包括采用声音装置和/或发光装置和/或显示装置进行展示，以上装置主要用于直观地展示前述方法所得到的自放电识别结果，且可以根据实际情况，选择一种或多种装置进行使用或者组合使用。
更具体地，在本实施方式中，声音装置和/或发光装置和/或显示装置可以至少包括：汽车仪表盘、中控显示屏、与该车辆通信连接的移动终端、与该车辆通信连接的服务器端，得到每一电芯的自放电识别结果后，根据电芯的节号对电芯的自放电识别结果进行显示。例如：对于自放电识别结果为电芯是自放电电芯的电芯，在汽车仪表盘和/或中控显示屏和/或与该车辆通信连接的移动终端和/或与该车辆通信连接的服务器端显示该电芯的节号，并产生告警(如声光报警等)，以提醒用户进行电池包检修、更换。
通过本发明上述的自放电电芯识别方法，基于对车辆电池的历史状态参数数据进行计算，达到提前识别、预警故障电芯的目的，不要求长时间搁置等特殊工况数据，减少了缺失有效工况数据导致的漏报。相比于现有的其他故障预警方法，通过算法对车辆电池的历史状态参数数据进行计算得出结果，而非实时监控预警，不需要长时间搁置等特殊工况来识别可能存在的自放电异常电芯，计算方法简单，具有极大的运用前景。
实施例2
如图4所示，本发明实施方式提供一种自放电电芯识别装置，所述装置包括：
数据获取模块10，用于获取电池包历史状态参数；
数据筛选模块20，用于对所述电池包历史状态参数中的数据进行有效数据筛选，得到筛选后的电池包历史状态参数；
次数占比确定模块30，用于基于所述筛选后的电池包历史状态参数，确定每一电芯在预设时间段内作为电压最低节电芯的次数占比；
结果输出模块40，用于基于每一电芯在预设时间段内作为电压最低节电芯的次数占比，确定每一电芯的自放电识别结果。
进一步地，所述电池包历史状态参数包括：充电状态、电流值、电压值和节号。
进一步地，数据筛选模块20包括：
数据标记单元，用于将所述电池包历史状态参数中处于非充电状态下且电流绝对值小于预设电流阈值的数据位置标记为有效数据标志位；
数据筛选单元，用于将电池包历史状态参数中所有的有效数据标志位对应的数据组作为所述筛选后的电池包历史状态参数。
进一步地，结果输出模块40具体用于：
对于每一电芯：
在预设时间段内，该电芯作为电压最低节电芯的次数占比超过预设比例阈值的情况下，确定该电芯是自放电电芯；在预设时间段内，该电芯作为电压最低节电芯的次数占比不超过预设比例阈值情况下，确定该电芯不是自放电电芯。
进一步地，所述装置还包括：
展示模块，用于对每一电芯的自放电识别结果进行展示。
实施例3
本发明实施方式还提供一种电池管理系统(Battery Management System，BMS)，包括上述自放电电芯识别装置。
实施例4
本发明实施方式还提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的自放电电芯识别方法。
实施例5
本发明实施方式还提供一种可读存储介质，该可读存储介质上存储有指令，该指令用于使得机器执行上述的自放电电芯识别方法。
实施例6
在本实施方式中，以某一型号的测试车辆为例，通过读取该车辆在2019年1月至2020年4月的电池包历史状态参数，包括：每一数据存储节点对应的充电状态、电流值和电池包中电压最低节电芯数据；从上述的电池包历史状态参数中的数据进行有效性筛选，筛选出所有数据中处于非充电状态且电流绝对值小于3A的所有数据，作为后续分析判断的基础数据；在本实施方式中，以每一周为一个完整的预设时间段，对其中一个电芯进行数据统计分析，得到在不同的预设时间段内该电芯作为电压最低节电芯的次数，并以每一预设时间段内该电芯作为电压最低节电芯的次数与预设时间段内总的数据量的比值作为该电芯作为电压最低节电芯的次数占比，得到如图5所示的自放电电芯在预设时间段内作为电压最低节电芯的次数占比变化趋势图，并且，在本实施方式中，将预设比例阈值设置为90％，通过图5可以明确的得出，随着时间的推移，该电芯自2019年11月开始，在么一个统计窗口期内作为电压最低节电芯的次数占比大于预设比例阈值(90％)，可以确定该电芯是自放电电芯。
本领域技术人员可以理解实现上述实施方式的方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序存储在一个存储介质中，包括若干指令用以使得单片机、芯片或处理器(processor)执行本发明各个实施方式所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上结合附图详细描述了本发明的可选实施方式，但是，本发明实施方式并不限于上述实施方式中的具体细节，在本发明实施方式的技术构思范围内，可以对本发明实施方式的技术方案进行多种简单变型，这些简单变型均属于本发明实施方式的保护范围。另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施方式对各种可能的组合方式不再另行说明。
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明实施方式的思想，其同样应当视为本发明实施方式所公开的内容。
Claims (10)
1.一种自放电电芯识别方法，其特征在于，所述方法包括：
获取电池包历史状态参数；
对所述电池包历史状态参数中的数据进行有效数据筛选，得到筛选后的电池包历史状态参数；
基于所述筛选后的电池包历史状态参数，确定每一电芯在预设时间段内作为电压最低节电芯的次数占比；
基于每一电芯在预设时间段内作为电压最低节电芯的次数占比，确定每一电芯的自放电识别结果。
2.根据权利要求1所述的自放电电芯识别方法，其特征在于，所述电池包历史状态参数包括：充电状态、电流值、电压值和节号。
3.根据权利要求2所述的自放电电芯识别方法，其特征在于，对所述电池包历史状态参数中的数据进行有效数据筛选，得到筛选后的电池包历史状态参数，包括：
将所述电池包历史状态参数中处于非充电状态下且电流绝对值小于预设电流阈值的数据位置标记为有效数据标志位；
将电池包历史状态参数中所有的有效数据标志位对应的数据组作为所述筛选后的电池包历史状态参数。
4.根据权利要求1所述的自放电电芯识别方法，其特征在于，基于每一电芯在预设时间段内作为电压最低节电芯的次数占比，确定每一电芯的自放电识别结果，包括：
对于每一电芯：
在预设时间段内，若该电芯作为电压最低节电芯的次数占比超过预设比例阈值，确定该电芯是自放电电芯；在预设时间段内，若该电芯作为电压最低节电芯的次数占比不超过预设比例阈值，则确定该电芯不是自放电电芯。
5.根据权利要求1所述的自放电电芯识别方法，其特征在于，所述方法还包括：
对每一电芯的自放电识别结果进行展示。
6.一种识别自放电电芯的装置，其特征在于，所述装置包括：
数据获取模块，用于获取电池包历史状态参数；
数据筛选模块，用于对所述电池包历史状态参数中的数据进行有效数据筛选，得到筛选后的电池包历史状态参数；
次数占比确定模块，用于基于所述筛选后的电池包历史状态参数，确定每一电芯在预设时间段内作为电压最低节电芯的次数占比；
结果输出模块，用于基于每一电芯在预设时间段内作为电压最低节电芯的次数占比，确定每一电芯的自放电识别结果。
7.根据权利要求6所述的识别自放电电芯的装置，其特征在于，所述装置还包括：
展示模块，用于对每一电芯的自放电识别结果进行展示。
8.一种电池管理系统，其特征在于，包括权利要求6-7中任一项所述的识别自放电电芯的装置。
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-5中任一项所述的自放电电芯识别方法。
10.一种可读存储介质，该可读存储介质上存储有指令，该指令用于使得机器执行权利要求1-5中任一项所述的自放电电芯识别方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310233219.5A CN118584341A (zh) | 2023-03-01 | 2023-03-01 | 自放电电芯识别方法及装置 |
| PCT/CN2024/074675 WO2024179255A1 (zh) | 2023-03-01 | 2024-01-30 | 自放电电芯识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310233219.5A CN118584341A (zh) | 2023-03-01 | 2023-03-01 | 自放电电芯识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118584341A true CN118584341A (zh) | 2024-09-03 |
Family
ID=92528877
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310233219.5A Pending CN118584341A (zh) | 2023-03-01 | 2023-03-01 | 自放电电芯识别方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN118584341A (zh) |
| WO (1) | WO2024179255A1 (zh) |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109709485A (zh) * | 2019-02-01 | 2019-05-03 | 北京长城华冠汽车科技股份有限公司 | 动力电池的故障检测方法、装置、介质和电子设备 |
| CN111873852B (zh) * | 2020-07-01 | 2022-02-11 | 广州小鹏汽车科技有限公司 | 一种动力电池自放电监测方法及装置、车辆、存储介质 |
| CN114636930B (zh) * | 2020-12-16 | 2024-09-24 | 宇通客车股份有限公司 | 一种电池自放电故障预警方法 |
| CN112986850B (zh) * | 2021-02-09 | 2023-04-18 | 北京车和家信息技术有限公司 | 自放电参数值的计算方法、装置及电动汽车 |
| CN113219361B (zh) * | 2021-03-16 | 2024-02-27 | 上海派能能源科技股份有限公司 | 一种锂离子电池组异常自放电诊断方法及系统 |
| CN113533981B (zh) * | 2021-07-30 | 2024-01-26 | 蜂巢能源科技有限公司 | 锂离子电池自放电检测方法、设备及计算机可读存储介质 |
| CN114441968A (zh) * | 2021-12-02 | 2022-05-06 | 北京车和家汽车科技有限公司 | 电池自放电的监控方法、装置、计算机设备及存储介质 |
| 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 |
| CN115219903B (zh) * | 2022-03-11 | 2024-11-12 | 中国第一汽车股份有限公司 | 基于车联网数据分析的电池自放电率异常判断方法及装置 |
| CN115593232A (zh) * | 2022-09-29 | 2023-01-13 | 重庆长安新能源汽车科技有限公司（Cn） | 动力电池自放电实时监控方法、系统及存储介质 |
-
2023
- 2023-03-01 CN CN202310233219.5A patent/CN118584341A/zh active Pending
-
2024
- 2024-01-30 WO PCT/CN2024/074675 patent/WO2024179255A1/zh unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024179255A1 (zh) | 2024-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN113064939B (zh) | 一种新能源车辆三电系统安全特征数据库构建方法 | |
| CN112213643B (zh) | 电池初始容量、电池健康状态的预测方法、系统及设备 | |
| CN114430080A (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 | |
| CN112433169A (zh) | 一种云端动力电池健康度评估系统及方法 | |
| US20240348064A1 (en) | Battery Equalization Method and System | |
| CN104635163A (zh) | 一种电动车电池组soh在线估算预警方法 | |
| CN111025168A (zh) | 一种电池健康状态监控装置及电池荷电状态智能估算方法 | |
| CN104459552A (zh) | 评估充电行为对电动汽车电池健康状况的影响的方法 | |
| CN103698713A (zh) | 一种锂离子电池健康状态评估方法 | |
| CN109839602A (zh) | 动力电池性能和价值评估方法、装置、电子设备 | |
| CN101964018A (zh) | 一种电动车电池soc的估计方法 | |
| CN103529397B (zh) | 一种估算电池电量的方法及电池电量管理系统 | |
| CN115219903A (zh) | 基于车联网数据分析的电池自放电率异常判断方法及装置 | |
| CN111562508A (zh) | 在线检测电池包内部单体电池内阻异常的方法 | |
| CN106546924A (zh) | 一种汽车锂电池性能的动态预测方法 | |
| CN111091261A (zh) | 锂电池全生命周期管理的方法 | |
| DE102013010311A1 (de) | Verfahren zur Zustandsbestimmung von Batterie-Einzelzellen einer Hochvolt-Batterie sowie System hierfür | |
| CN111551856B (zh) | 车辆蓄电池状态检测方法、装置、计算机设备和存储介质 | |
| CN117375158A (zh) | 一种车用退役电池包梯次储能系统的智能运维方法及系统 | |
| CN115128468A (zh) | 一种化学储能电池phm欠压故障预测方法 | |
| CN117930027B (zh) | 一种动力电池容量异常检测方法、装置及平台 | |
| CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
| CN118584341A (zh) | 自放电电芯识别方法及装置 | |
| CN111859710A (zh) | 一种量化安全的累计风险模型建模方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |