ES3038276T3

ES3038276T3 - Apparatus and method for detecting latent defective cell in battery pack

Info

Publication number: ES3038276T3
Application number: ES22884120T
Authority: ES
Inventors: Kyu-Chul Lee; Tae-Hyeok Jang; Cheol-Taek Kim; Jee-Soon Choi
Original assignee: LG Energy Solution Ltd
Current assignee: LG Energy Solution Ltd
Priority date: 2021-10-22
Filing date: 2022-10-21
Publication date: 2025-10-10
Anticipated expiration: 2042-10-21
Also published as: JP2024500893A; EP4321884A4; CN116829966A; HUE072522T2; EP4321884A1; WO2023068899A1; EP4321884B1; PL4321884T3; US20240410959A1; JP7605416B2; KR102943076B1; KR20230057894A

Abstract

Se describe un aparato para detectar una celda anormal en un paquete de baterías y su método. En el aparato, según la presente invención, una unidad de control adquiere datos de la serie temporal de voltaje de la primera celda (medidos) de cada una de las celdas primera a N en la primera mitad de cada intervalo de carga, mientras el paquete de baterías se carga según un perfil de carga con múltiples intervalos de carga. Además, la unidad de control aplica un modelo de aprendizaje profundo a los datos de la serie temporal de voltaje de la primera celda para determinar los datos de la serie temporal de voltaje de celda previstos en la segunda mitad del intervalo de carga. Asimismo, la unidad de control adquiere datos de la serie temporal de voltaje de la segunda celda (medidos) en la segunda mitad y determina el error entre estos datos y los datos de la serie temporal de voltaje de celda previstos. Además, la unidad de control detecta como celda anormal una celda con un error relativamente mayor que el de las demás celdas en al menos un intervalo de carga. (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN

Aparato y método para detectar una celda defectuosa latente en un paquete de baterías

Sector de la técnica

La presente divulgación se refiere a un aparato y método para detectar una celda defectuosa latente en un paquete de baterías y, más particularmente, a un aparato y método para detectar una celda defectuosa latente analizando estadísticamente las diferencias entre los valores medidos y los valores previstos de los comportamientos de tensión de las celdas durante la carga de un paquete de baterías.

Antecedentes de la invención

A diferencia de las baterías primarias no recargables, las baterías secundarias recargables tienen una amplia gama de aplicaciones que incluyen pequeños dispositivos electrónicos de alta tecnología tales como teléfonos inteligentes, ordenadores portátiles o tabletas, así como vehículos eléctricos y sistemas de almacenamiento de energía (ESS).

Dado que pueden usarse en una amplia gama de aplicaciones como se ha descrito anteriormente, las baterías secundarias proporcionan eficiencia y comodidad, pero sin embargo, cuando se sobrecalientan, tienen riesgos de explosión o incendio debido a la alta densidad de energía.

En particular, recientemente, los accidentes por incendio provocados por la explosión de la batería agravan las preocupaciones en el mercado de baterías secundarias y, en consecuencia, existe una necesidad urgente de garantizar la seguridad de las baterías secundarias. El documento US2020/081070 A1 se refiere a la estimación de características de batería que incluyen el estado de carga (SOC) y el estado de salud (SOH) usando redes neuronales artificiales.

Explicación de la invención

Problema técnico

La presente divulgación está diseñada bajo los antecedentes descritos anteriormente y, por lo tanto, la presente divulgación está dirigida a proporcionar un aparato y un método para detectar una celda defectuosa latente entre las celdas en un paquete de baterías durante la carga del paquete de baterías para mejorar la seguridad del paquete de baterías.

Solución técnica

Para resolver el problema técnico descrito anteriormente, un aparato para detectar una celda defectuosa latente en un paquete de baterías de acuerdo con un aspecto de la presente divulgación incluye una unidad de medición de tensión, una unidad de medición de corriente y una unidad de medición de temperatura para medir una tensión, una corriente y una temperatura de la primera a la N-ésima celdas incluidas en el paquete de baterías durante la carga del paquete de baterías, respectivamente, y una unidad de control acoplada operativamente a la unidad de medición de tensión, la unidad de medición de corriente y la unidad de medición de temperatura.

Durante la carga del paquete de baterías de acuerdo con un perfil de carga que tiene una pluralidad de rangos de carga, para cada una de la primera a la N-ésima celda en cada rango de carga, la unidad de control puede estar configurada para adquirir datos de series temporales de tensión de la primera celda a través de la unidad de medición de tensión en una parte anterior del rango de carga. Adicionalmente, la unidad de control está configurada para determinar los datos de series temporales de tensión de celda prevista en una última parte del rango de carga aplicando un modelo de aprendizaje profundo a los datos de series temporales de tensión de primera celda. Adicionalmente, la unidad de control está configurada para adquirir datos de series temporales de tensión de segunda celda a través de la unidad de medición de tensión en la última parte del rango de carga, y determinar un error entre los datos de series temporales de tensión de segunda celda y los datos de series temporales de tensión de celda prevista. Adicionalmente, la unidad de control está configurada para detectar cualquier celda que tenga un error mayor que otras celdas en al menos uno de los rangos de carga como la celda defectuosa latente.

Según un aspecto, la unidad de control puede estar configurada para, según cada una de la primera a la N-ésima celda, determinar una diferencia máxima entre los datos de series temporales de tensión de segunda celda y los datos de series temporales de tensión de celda prevista como el error para cada rango de carga.

Adicionalmente, la unidad de control puede estar configurada para determinar un primer promedio y una primera desviación típica del error de la primera a la N-ésima celda para cada rango de carga; determinar "(el error - el primer promedio)/la primera desviación típica" correspondiente a un primer valor estandarizado del error de cada una de la primera a la N-ésima celdas para cada rango de carga, y detectar cualquier celda en la que el primer valor estandarizado es mayor que un primer umbral en al menos uno de los rangos de carga como la celda defectuosa latente.

Preferentemente, el modelo de aprendizaje profundo puede estar pre-entrenado, usando los datos de series temporales de tensión de primera celda y los datos de series temporales de tensión de segunda celda de la primera a la m-ésima celdas de entrenamiento medidas respectivamente en la primera parte y la última parte de cada rango de carga, para recibir una entrada de los datos de series temporales de tensión de primera celda, y generar los datos de series temporales de tensión de celda prevista que tienen un error mínimo con los datos de series temporales de tensión de segunda celda.

De acuerdo con otro aspecto, la unidad de control puede estar configurada para, según cada una de la primera a la N-ésima celda, determinar una diferencia máxima entre los datos de series temporales de tensión de segunda celda y los datos de series temporales de tensión de celda prevista como el error para cada rango de carga; determinar "(el error - el primer promedio)/la primera desviación típica" correspondiente a un primer valor estandarizado del error de cada una de la primera a la N-ésima celdas para cada rango de carga, y detectar cualquier celda en la que el primer valor estandarizado es mayor que un primer umbral en al menos uno de los rangos de carga como la celda defectuosa latente. En el presente caso, el primer promedio y la primera desviación típica pueden ser valores predeterminados en el proceso de entrenamiento del modelo de aprendizaje profundo.

Opcionalmente, la unidad de control puede estar configurada para, para cada uno de los módulos primero a p-ésimo del paquete de baterías, determinar un segundo promedio y una segunda desviación típica del error de cada una de la pluralidad de celdas incluidas en el módulo; y determinar "(el error - el segundo promedio)/la segunda desviación típica" correspondiente a un segundo valor estandarizado del error de cada una de la primera a la N-ésima celda para cada rango de carga, y detectar, como celda defectuosa latente, cualquier celda de batería en la que el primer valor estandarizado es mayor que el primer umbral y el segundo valor estandarizado es mayor que un segundo umbral en al menos uno de los rangos de carga.

Opcionalmente, la unidad de control puede estar configurada para, según cada una de la primera a la N-ésima celda, monitorizar si un comportamiento de cambio relativo de los datos de series temporales de tensión de segunda celda y los datos de series temporales de tensión de celda prevista a medida que cambia el rango de carga corresponde a un patrón de comportamiento de cambio predefinido para cada tipo de defecto latente, y finalmente determinar el tipo de defecto latente de cualquier celda para la que el patrón de comportamiento de cambio predefinido se encuentra en un número de veces de referencia o más.

Preferentemente, el patrón de comportamiento de cambio predefinido puede ser que los datos de series temporales de tensión de segunda celda aumenten más rápido que los datos de series temporales de tensión de celda prevista en el rango de carga en una etapa temprana y los datos de series temporales de tensión de celda prevista aumenten más rápido que los datos de series temporales de tensión de segunda celda en el rango de carga en una etapa posterior, y el tipo de defecto latente puede ser un revestimiento de litio en un electrodo negativo.

El aparato de acuerdo con la presente divulgación puede incluir además un medio de almacenamiento de grabación configurado para almacenar datos, un parámetro predefinido, un programa, o una combinación de los mismos; y una pantalla. Adicionalmente, la unidad de control puede estar configurada para registrar información de identificación asociada con la celda defectuosa latente detectada en el medio de almacenamiento de grabación, o emitir un mensaje que notifica que la celda defectuosa latente se detecta en el paquete de baterías a través de la pantalla, o transmitir la información de identificación de la celda defectuosa latente a un dispositivo externo mediante comunicación.

El problema técnico de acuerdo con la presente divulgación puede resolverse mediante un sistema de gestión de batería que incluye el aparato descrito anteriormente para detectar una celda defectuosa latente en un paquete de baterías.

Para resolver el problema técnico descrito anteriormente, un método para detectar una celda defectuosa latente en un paquete de baterías de acuerdo con otro aspecto de la presente divulgación incluye, durante la carga del paquete de baterías de acuerdo con un perfil de carga que tiene una pluralidad de rangos de carga, para cada una de la primera a la N-ésima celda en cada rango de carga, (a) adquirir datos de series temporales de tensión de primera celda en una parte anterior del rango de carga; (b) determinar datos de series temporales de tensión de celda prevista en una última parte del rango de carga aplicando un modelo de aprendizaje profundo a los datos de series temporales de tensión de primera celda; (c) adquirir datos de series temporales de tensión de segunda celda en la última parte; (d) determinar un error entre los datos de series temporales de tensión de segunda celda y los datos de series temporales de tensión de celda prevista; y (e) detectar cualquier celda que tenga un error mayor que otras celdas en al menos uno de los rangos de carga como la celda defectuosa latente.

Efectos ventajosos

De acuerdo con la presente divulgación, es posible detectar fácilmente una celda defectuosa latente dividiendo el perfil de carga del paquete de baterías en la pluralidad de rangos de carga, y comparando y analizando estadísticamente los comportamientos de la tensión realmente medida y la tensión prevista para cada rango de carga. Por consiguiente, es posible evitar accidentes humanos detectando defectos latentes directamente relacionados con accidentes de incendio o explosión, especialmente, defectos latentes graves, como el revestimiento de litio en el electrodo negativo en la etapa inicial y proporcionar advertencias a los usuarios. Adicionalmente, además del revestimiento de litio en el electrodo negativo, la presente divulgación puede detectar comportamientos de cambio de tensión provocados por hinchamiento o microcortocircuitos, tratando así de manera efectiva otros defectos latentes.

Breve descripción de los dibujos

Los dibujos adjuntos ilustran un ejemplo de realización de la presente divulgación y, junto con la siguiente descripción detallada, sirven para proporcionar una mayor comprensión del aspecto técnico de la presente divulgación y, por tanto, no se debe interpretar que la presente divulgación está limitada a los dibujos.

La figura 1 es un diagrama de bloques esquemático de un aparato para detectar una celda defectuosa latente en un paquete de baterías de acuerdo con una realización de la presente divulgación.

La figura 2 es un gráfico que muestra esquemáticamente un ejemplo de un perfil de carga de acuerdo con una realización de la presente divulgación.

La figura 3 es un gráfico que muestra los comportamientos de cambio de tensión de las celdas durante la carga de un paquete de baterías de acuerdo con el perfil de carga mostrado en la figura 2.

La figura 4 es un gráfico que muestra un ejemplo de una parte anterior y una parte posterior de un rango de carga establecido en un perfil de carga de acuerdo con una realización de la presente divulgación.

La figura 5 es un gráfico que muestra un ejemplo de datos de series temporales de tensión de primera y segunda celdas medidos en cada rango de carga durante la carga de la primera a la m-ésima celdas de entrenamiento de acuerdo con un perfil de carga de una realización de la presente divulgación.

La figura 6 es un gráfico que muestra cambios en los datos de series temporales de tensión de segunda celda V<k i>(j) medido en la última parte de un rango de carga @ de un perfil de carga para una celda específica en la que se detecta un defecto latente, datos de series temporales de tensión de celda prevista V*<k,i>(j) predicho por un modelo de aprendizaje profundo y "V<k,i>(j)-V*<k,i>(j)" correspondiente a una diferencia entre ellos.

La figura 7 es un gráfico que muestra cambios en los datos de series temporales de tensión de segunda celda V<k,i>(j) medidos en la última parte de los rangos de carga ® a ©de un perfil de carga para una celda específica que tiene un revestimiento de litio en un electrodo negativo, datos de series temporales de tensión de celda prevista V*<k,i>(j) predicho por un modelo de aprendizaje profundo y "V<k,i>(j)-V*<k,i>(j)" correspondiente a una diferencia entre ellos.

Las figuras 8 a 10 son diagramas de flujo que muestran la secuencia de un método para detectar una celda defectuosa latente en un paquete de baterías de acuerdo con una realización de la presente divulgación.

Realización preferente de la invención

En lo sucesivo en el presente documento, se describirá un ejemplo de realización de la presente divulgación con referencia a los dibujos adjuntos. Antes de la descripción, debe entenderse que las palabras o los términos usados en la memoria descriptiva y en las reivindicaciones adjuntas no deben interpretarse como limitados a significados generales y de diccionario, sino que se deben interpretar en función de los significados y conceptos correspondientes a los aspectos técnicos de la presente divulgación basándose en el principio de que el inventor puede definir los términos apropiadamente para una mejor explicación. Por lo tanto, las realizaciones descritas en el presente documento y las ilustraciones en los dibujos son únicamente un ejemplo de realización de la presente divulgación, pero no pretenden describir exhaustivamente el aspecto técnico de la presente divulgación.

Haciendo referencia a la figura 1, el aparato 10 de acuerdo con una realización de la presente divulgación está diseñado para detectar una celda defectuosa latente en un paquete de baterías 20 mientras el paquete de baterías 20 está siendo cargado por un dispositivo de carga 30 de acuerdo con un perfil de carga que tiene una pluralidad de rangos de carga.

La celda defectuosa latente se refiere a una celda que muestra un comportamiento de cambio de tensión anormal que es diferente del de una celda normal. Por ejemplo, en el caso de una celda de polímero de litio, cuando se produce un revestimiento de litio en el electrodo negativo o un microcortocircuito o hinchamiento en la celda, los comportamientos de cambio de tensión durante la carga de la celda son diferentes de los de una celda normal.

El paquete de baterías 20 incluye los módulos primero a p-ésimo 21. Los módulos primero a p-ésimo 21 pueden conectarse en serie y/o en paralelo. Un a-ésimo módulo incluye de la primera a n<a>-ésimas celdas 22. El n<a>es el número total de celdas incluidas en el a-ésimo módulo. La primera a n<a>-ésimas celdas 22 pueden conectarse en serie y/o en paralelo. El número de celdas en cada módulo puede ser igual o diferente. El número total de celdas incluidas en el

paquete de baterías 20 es a=i a. En lo sucesivo en el presente documento, el número total de celdas incluidas en el paquete de baterías 20 puede definirse como N, y todas las celdas en el paquete de baterías 20 pueden denominarse como primeras a N-ésimas celdas.

En una realización, la primera a N-ésima celdas pueden ser celdas de polímero de litio de tipo bolsa. Sin embargo, es obvio que la presente divulgación no se limita al tipo de celda o material de envasado. Por consiguiente, la presente divulgación puede aplicarse a cualquier otro tipo de celda de batería secundaria, tal como una batería de litio-azufre, una batería de sodio o similar. Adicionalmente, la presente divulgación puede aplicarse a una celda que tiene una estructura de una celda cilíndrica y una celda prismática o similar.

El dispositivo de carga 30 es un dispositivo que aplica la corriente de carga al paquete de baterías 20 de acuerdo con el perfil de carga que tiene la pluralidad de rangos de carga. Cuando el paquete de baterías 20 está montado en un vehículo eléctrico, el dispositivo de carga 30 puede ser una estación de carga. En otro ejemplo, cuando el paquete de baterías 20 está montado en un sistema de almacenamiento de energía, el dispositivo de carga 30 puede ser un Sistema de Conversión de Energía (PCS) instalado entre el sistema de almacenamiento de energía y una red eléctrica. El PCS es un sistema que controla la carga/descarga del sistema de almacenamiento de energía.

En la presente divulgación, el perfil de carga es un protocolo que define cambios en la magnitud de la corriente de carga suministrada al paquete de baterías 20 a lo largo del tiempo.

La figura 2 es un gráfico que muestra esquemáticamente un ejemplo del perfil de carga 40 de acuerdo con una realización de la presente divulgación.

Haciendo referencia a la figura 2, el perfil de carga 40 tiene la pluralidad de rangos de carga ® a © Cada rango de carga difiere en magnitud y duración de la corriente de carga. La duración es un período de tiempo durante el cual se mantiene cada rango de carga.

En una realización, el perfil de carga 40 es un perfil de carga por etapas. En el perfil de carga por etapas, la magnitud de la corriente de carga disminuye gradualmente hasta que la tensión de las celdas incluidas en el paquete de baterías 20 alcanza la tensión de corte y, posteriormente, la magnitud de la corriente de carga se ajusta de acuerdo con un modo de carga de tensión constante.

En la Figura 2, los rangos de carga ® a ©son intervalos en los que la magnitud de la corriente de carga disminuye gradualmente hasta la tensión de corte, el rango de carga © es un intervao en el que se aplica el modo de carga de tensión constante, y el rango de carga © es un intervalo en el que se aplica la corriente de carga de pequeña magnitud sustancialmente cercana a 0 hasta que la celda de batería está completamente cargada. En el perfil de carga 40, el rango de carga sustancial son los rangos de carga ® a ©

La figura 3 es un gráfico que muestra los comportamientos de cambio de tensión de las celdas durante la carga del paquete de baterías 20 de acuerdo con el perfil de carga 40 mostrado en la figura 2.

Las celdas son celdas de polímero de litio que funcionan de 3,2 V a 4,2 V. El número total de celdas es 100, y dado que el grado de degradación de las celdas no es el mismo, los comportamientos de cambio de tensión de las celdas son diferentes.

Por otro lado, la presente divulgación no se limita a un patrón de cambio específico del perfil de carga 40. Por consiguiente, el perfil de carga 40 de la figura 2 es solo un ejemplo. Debería entenderse que cuando un cierto perfil de carga tiene una pluralidad de rangos de carga, el perfil correspondiente corresponde al perfil de carga de acuerdo con la presente divulgación.

Volviendo a la FIG. 1, el aparato 10 de acuerdo con la presente divulgación incluye una unidad de medición de tensión 11, una unidad de medición de corriente 12, una unidad de medición de temperatura 13 o una unidad de control 14.

La unidad de medición de tensión 11 mide la tensión de la primera a la N-ésima celdas incluidas en el paquete de baterías 20 en un intervalo de tiempo predeterminado durante la carga del paquete de baterías 20 de acuerdo con el perfil de carga 40 que tiene la pluralidad de rangos de carga, y emite el valor de medición de tensión de celda a la unidad de control 14.

La unidad de medición de tensión 11 puede incluir un circuito de medición de tensión conocido en el correspondiente Campo técnico, y dado que el circuito de medición de tensión es bien conocido, se omite su descripción.

La unidad de medición de corriente 12 mide la magnitud de la corriente de carga en un intervalo de tiempo predeterminado durante la carga del paquete de baterías 20 de acuerdo con el perfil de carga 40 que tiene la pluralidad de rangos de carga, y emite el valor de medición de corriente a la unidad de control 14.

La unidad de medición de corriente 12 puede ser un sensor de efecto Hall o una resistencia de detección que emite el valor de tensión correspondiente a la magnitud de la corriente eléctrica. El valor de tensión puede convertirse al valor de corriente de acuerdo con la ley de ohm. Cuando las celdas en los módulos primero a p-ésimo 21 están conectadas en serie y los módulos primero a p-ésimo 21 también están conectados en serie, la unidad de medición de corriente 12 puede instalarse en una línea en la que fluye la corriente de carga. En este ejemplo, el valor de medición de corriente medido por la unidad de medición de corriente 12 corresponde al valor de corriente de celda de todas las celdas incluidas en el paquete de baterías 20. Es obvio para los expertos en la materia que cuando hay celdas o módulos conectados en paralelo, la unidad de medición de corriente 12 puede instalarse adicionalmente en un punto óptimo de la línea en la que fluye la corriente de carga para medir el valor de corriente de la celda.

La unidad de medición de temperatura 13 mide la temperatura de la primera a la N-ésima celda en un intervalo de tiempo predeterminado durante la carga del paquete de baterías 20 de acuerdo con el perfil de carga 40 que tiene la pluralidad de rangos de carga y emite el valor de medición de temperatura de la celda a la unidad de control 14.

La unidad de medición de temperatura 13 puede ser un termopar o un dispositivo de medición de temperatura que emite el valor de tensión correspondiente a la temperatura. El valor de tensión puede convertirse al valor de temperatura usando una tabla de consulta (función) de conversión de tensión-temperatura.

La unidad de medición de temperatura 13 puede unirse a cada uno de los módulos primero a p-ésimo 21. En este caso, la temperatura de cada módulo puede considerarse como la temperatura de las celdas incluidas en el módulo. La presente divulgación no se limita a instalar la unidad de medición de temperatura 13 para cada celda.

La unidad de control 14 adquiere datos de series temporales de tensión de la primera y segunda celdas para cada celda mediante la recepción periódica de la entrada del valor de tensión de la primera a la N-ésima celda desde la unidad de medición de tensión 11 en cada rango de carga durante la carga del paquete de baterías 20 de acuerdo con el perfil de carga 40. En el presente caso, los datos de series temporales de tensión de celda son un conjunto de datos de tensión de celda medidos continuamente en una pluralidad de puntos de tiempo.

En una realización, los datos de series temporales de tensión de primera celda son un conjunto de datos de tensión de celda medidos en la primera parte de cada rango de carga. Adicionalmente, los datos de series temporales de tensión de segunda celda son un conjunto de datos de tensión de celda medidos en la última parte de cada rango de carga.

El límite de la primera parte y la última parte del rango de carga puede establecerse arbitrariamente. En un ejemplo, cuando la duración del i-ésimo rango de carga es T, la primera parte del rango de carga es desde el tiempo de inicio del rango de carga hasta tiempo 0,3T, y la última parte del rango de carga puede desde tiempo 0,3Ta tiempo T. En este ejemplo, la duración de la primera parte es 0,3T, y la duración de la última parte es 0,7T.

La figura 4 es un gráfico que muestra un ejemplo de la primera parte y la última parte del rango de carga establecido en el perfil de carga 40 de acuerdo con una realización de la presente divulgación.

En la Figura 4, la línea continua vertical indica el límite entre los rangos de carga, y la línea discontinua indica el límite de la primera parte y la última parte del rango de carga. La duración de la primera parte y la última parte del rango de carga ® es 0,3T® y 0,7T® respectivamente. Adicionalmente, la duración de la primera parte y la última parte del rango de carga @ es 0,3T® y 0,7T® respectivamente. Adicionalmente, la duración de la primera parte y la última parte del rango de carga © es 0,3T® y 0,7T® respectivamente. Adicionalmente, la duración de la primera parte y la última parte del rango de carga @ es 0,3T® y 0,7T® respectivamente. Adicionalmente, la duración de la primera parte y la última parte del rango de carga © es 0,3T© y 0,7T® respectivamente. Adicionalmente, la duración de la primera parte y la última parte del rango de carga © es 0,3T© y 0,7T® respectivamente. Adicionalmente, la duración de la primera parte y la última parte del rango de carga © es 0,3T© y 0,7T® respectivamente.

La duración del rango de carga puede ser diferente para cada rango de carga. Adicionalmente, la duración de la primera parte y la última parte del rango de carga puede ser igual en todo el rango de carga completo o diferente para cada rango de carga. Es decir, el límite de la primera parte y la última parte del rango de carga puede establecerse en un tiempo arbitrario en la duración del rango de carga.

Además de adquirir los datos de series temporales de tensión de primera y segunda celdas de la primera a la N-ésima celda a través de la unidad de medición de tensión 11 en cada rango de carga, la unidad de control 14 puede determinar los datos de series temporales de tensión de celda prevista en la última parte del rango de carga aplicando un modelo de aprendizaje profundo a los datos de series temporales de tensión de primera celda en cada rango de carga.

El modelo de aprendizaje profundo es un modelo pre-entrenado para recibir la entrada de los datos de series temporales de tensión de primera celda medidos en la primera parte de cada rango de carga para cada celda de entrenamiento durante la carga de la primera a la m-ésima celdas de entrenamiento que tienen la misma especificación como la celda en el paquete de baterías 20 de acuerdo con el perfil de carga 40 descrito anteriormente, y generar los datos de series temporales de tensión de celda prevista que tienen un error mínimo con los datos de series temporales de tensión de segunda celda medidos en la última parte del rango de carga correspondiente.

La figura 5 es un gráfico que muestra un ejemplo de los datos de series temporales de tensión de primera y segunda celdas medidos en cada rango de carga durante la carga de la primera a la m-ésima celdas de entrenamiento de acuerdo con el perfil de carga de acuerdo con una realización de la presente divulgación.

El gráfico en la parte superior de la FIG. 5 muestra a modo de ejemplo curvas de tensión de 100 celdas de entrenamiento entre m celdas de entrenamiento de una manera superpuesta, y el gráfico en la parte inferior de la FIG.

5 muestra a modo de ejemplo los datos de series temporales de tensión de primera celda y los datos de series temporales de tensión de segunda celda medidos en los rangos de carga ® a @)

Preferentemente, pueden usarse unos pocos miles a decenas de miles de celdas de entrenamiento que tienen diferentes grados de degradación para mejorar la precisión y fiabilidad del modelo de aprendizaje profundo durante el entrenamiento del modelo.

Haciendo referencia a la figura 5, el modelo de aprendizaje profundo puede pre-entrenarse para recibir la entrada de los datos de series temporales de tensión de primera celda X medidos en las celdas de entrenamiento en la parte anterior del rango de carga ® , y generar los datos de series temporales de tensión de celda prevista que tienen el mínimo error con los datos de series temporales de tensión de segunda celda Y medidos en las celdas de entrenamiento en la última parte del rango de carga ® . Adicionalmente, el modelo de aprendizaje profundo puede pre entrenarse para recibir la entrada de los datos de series temporales de tensión de primera celda X medidos en las celdas de entrenamiento en la parte anterior del rango de carga @, y generar los datos de series temporales de tensión de celda prevista que tienen el mínimo error con los datos de series temporales de tensión de segunda celda Y medidos en las celdas de entrenamiento en la última parte del rango de carga @. Adicionalmente, el modelo de aprendizaje profundo puede pre-entrenarse para recibir la entrada de los datos de series temporales de tensión de primera celda X medidos en las celdas de entrenamiento en la parte anterior del rango de carga © , y generar los datos de series temporales de tensión de celda prevista que tienen el mínimo error con los datos de series temporales de tensión de segunda celda Y medidos en las celdas de entrenamiento en la última parte del rango de carga © . Adicionalmente, el modelo de aprendizaje profundo puede pre-entrenarse para recibir la entrada de los datos de series temporales de tensión de primera celda X medidos en las celdas de entrenamiento en la parte anterior del rango de carga @, y generar los datos de series temporales de tensión de celda prevista que tienen el mínimo error con los datos de series temporales de tensión de segunda celda Y medidos en las celdas de entrenamiento en la última parte del rango de carga @. Adicionalmente, el modelo de aprendizaje profundo puede pre-entrenarse para recibir la entrada de los datos de series temporales de tensión de primera celda X medidos en las celdas de entrenamiento en la parte anterior del rango de carga © , y generar los datos de series temporales de tensión de celda prevista que tienen el mínimo error con los datos de series temporales de tensión de segunda celda Y medidos en las celdas de entrenamiento en la última parte del rango de carga © . Adicionalmente, el modelo de aprendizaje profundo puede pre-entrenarse para recibir la entrada de los datos de series temporales de tensión de primera celda X medidos en las celdas de entrenamiento en la parte anterior del rango de carga © , y generar los datos de series temporales de tensión de celda prevista que tienen el mínimo error con los datos de series temporales de tensión de segunda celda Y medidos en las celdas de entrenamiento en la última parte del rango de carga © . Adicionalmente, el modelo de aprendizaje profundo puede pre-entrenarse para recibir la entrada de los datos de series temporales de tensión de primera celda X medidos en las celdas de entrenamiento en la parte anterior del rango de carga ® , y generar los datos de series temporales de tensión de celda prevista que tienen el mínimo error con los datos de series temporales de tensión de segunda celda Y medidos en las celdas de entrenamiento en la última parte del rango de carga ® .

Más preferentemente, además de los datos de series temporales de tensión de primera celda medidos en la parte anterior del rango de carga, los datos usados para entrenar el modelo de aprendizaje profundo pueden incluir además datos de series temporales de la corriente de celda y la temperatura de celda medidas en la primera parte del rango de carga. En este caso, el modelo de aprendizaje profundo puede entrenarse para recibir la entrada de los datos de series temporales de tensión de primera celda, los datos de series temporales de corriente de celda y los datos de series temporales de temperatura de celda medidos en la primera parte del rango de carga, y generar los datos de series temporales de tensión de celda prevista que tienen el error mínimo con los datos de series temporales de tensión de segunda celda medidos en la última parte del rango de carga.

Preferentemente, el modelo de aprendizaje profundo puede incluir cualquier modelo basado en una red neuronal artificial adecuada para predecir el comportamiento de series temporales de la tensión de la celda. Por ejemplo, la red neuronal artificial puede incluir Red Neural Recurrente (RNN), red neuronal de convolución (CNN) o similares. Sin embargo, la presente divulgación no se limita al tipo de red neuronal artificial.

Después de que la unidad de control 14 adquiera los datos de series temporales de tensión de segunda celda y los datos de series temporales de tensión de celda prevista en la última parte de cada rango de carga para cada una de la primera a la N-ésima celda en el paquete de baterías 20, la unidad de control 14 puede determinar un error entre los datos de series temporales de tensión de segunda celda (el valor medido) y los datos de series temporales de tensión de celda prevista (el valor previsto).

Adicionalmente, la unidad de control 14 puede monitorizar el error entre los datos de series temporales de tensión de segunda celda y los datos de series temporales de tensión de celda prevista determinados en cada rango de carga para cada una de la primera a N-ésima celda, y detectar una celda que tiene un error mayor en al menos un rango de carga como una celda defectuosa latente.

Específicamente, la unidad de control 14 puede calcular el error E<k,1>entre los datos de series temporales de tensión de segunda celda V<k,1>(j) y los datos de series temporales de tensión de celda prevista V<k,1>*(j) de la primera celda para cada rango de carga usando la siguiente Ecuación 1.

<Ecuación 1>

E<k,i>= max(|V<k,i>(j) - V*<k,i>(j)|), 1<j<Num<medido>

k: Índice de rango de carga

E<k,i>: Error de rango de carga k-ésimo para celda de batería i-ésima

V<k,i>(j): tensión de la j-ésima segunda celda de la i-ésima celda de batería medida en la última parte del k-ésimo rango de carga

V*<k,i>(j): tensión de la j-ésima celda prevista de la i-ésima celda de batería predicha por el modelo de aprendizaje profundo en la última parte del k-ésimo rango de carga

Num<medido>: Número total de veces que se mide la tensión de celda en la última parte del k-ésimo rango de carga o el número total de veces que se predice la tensión de celda usando el modelo de aprendizaje profundo en la última parte del k-ésimo rango de carga

máx(): Función que devuelve el valor máximo entre la pluralidad de valores de entrada

Adicionalmente, la unidad de control 14 puede calcular el error E<k,2>, E<k,3>,..., E<k,n>entre los datos de series temporales de tensión de segunda celda y los datos de series temporales de tensión de celda prevista de la segunda a la N-ésima celda para cada rango de carga.

La figura 6 es un gráfico que muestra cambios en los datos de series temporales de tensión de la segunda celda V<k,i>(j) medido en la última parte del rango de carga © del perfil de carga 40 para una celda específica en la que se detecta un defecto latente, los datos de series temporales de tensión de celda prevista V*<k,i>(j) predichos por el modelo de aprendizaje profundo y "V<k,i>(j)-V*<k,i>(j)" que corresponden a una diferencia entre ellos.

La línea continua negra indica V<k,i>(j), y la línea discontinua negra indica V*<k,i>(j). Haciendo referencia a la figura 6, se puede ver que la celda defectuosa latente tiene un aumento en "V<k,i>(j)-V*<k,i>(j)" a un nivel significativo en el rango de carga específico. Por consiguiente, el error E<k,i>puede usarse como parámetro para la detección de la celda defectuosa latente. Como referencia, los datos de series temporales de tensión de segunda celda y los datos de series temporales de tensión de celda prevista de celdas que no tienen ningún defecto latente se indican mediante las líneas grises y coinciden y no pueden distinguirse.

Adicionalmente, la unidad de control 14 puede determinar un primer promedio Avr<k>y una primera desviación típica O<k>del error E<k,i>de la primera a la N-ésima celda para cada rango de carga usando la siguiente Ecuación 2.

<Ecuación 2>

Avr<k>= media(E<k,i>), 1<i<N

O<k>= std(E<k,i>), 1<i<N

i: Índice de celda

N: Número de celdas en el paquete de baterías

k: Índice de rango de carga

E<k,i>: Error de rango de carga k-ésimo para celda de batería i-ésima

media( ): Función que devuelve el valor promedio de la pluralidad de valores de entrada

std( ): Función que devuelve la desviación típica de la pluralidad de valores de entrada

Adicionalmente, la unidad de control 14 puede determinar un primer valor estandarizado Std_Value<k,i>del error E<k,i>de cada una de la primera a la N-ésima celda usando la siguiente Ecuación 3 para cada rango de carga. Cuando el número de rangos de carga es Num<carga>, el número de primeros valores estandarizados Std_Value<k,i>para cada celda es Num<carga>.

<Ecuación 3>

Std_Value<k,i>= (E<k,i>- Avr<k>)/O<k>, 1<k<Num<carga>

i: Índice de celda

k: Índice de rango de carga

Núm<carga>: Número de rangos de carga

Avr<k>: Primer promedio del rango de carga k-ésimo

ok Primera desviación típica del rango de carga k-ésimo

Adicionalmente, la unidad de control 14 puede detectar, como celda defectuosa latente, cualquiera de la primera a la N-ésima celda del paquete de baterías 20 en el que el primer valor estandarizado Std_Valuek,i es mayor que un primer umbral preestablecido en al menos un rango de carga.

El primer valor estandarizado Std_Valuek,i es un factor que indica cuánto se aleja el error Ek,i de la i-ésima celda determinada en el k-ésimo rango de carga del valor del error promedio Avrk sobre la base de la desviación típica Ok del error.

Por ejemplo, cuando Std_Valuek,i es 2, una diferencia entre Ek,i y el error promedio es el doble de la desviación típica del error. Por consiguiente, cualquier celda en la que el primer valor estandarizado Std_Valuek,i es más grande que otras celdas en el k-ésimo rango de carga puede considerarse como una celda en la que es probable que ocurra un defecto debido al error relativamente grande entre la tensión de celda medida y la tensión de celda prevista. Esto se debe a que la diferencia entre el comportamiento de cambio de tensión (comportamiento de cambio de la tensión de la segunda celda) de la celda defectuosa latente y el comportamiento de cambio de tensión (comportamiento de cambio de la tensión de celda prevista) de las celdas normales es grande.

Preferentemente, el primer umbral puede establecerse en 3 o mayor, más preferentemente 4 o mayor, y más preferentemente 4,5 o mayor.

Por otro lado, en la Ecuación 3, el primer promedio Avrk y la primera desviación típica Ok de cada rango de carga puede estar predeterminado en el proceso de entrenamiento del modelo de aprendizaje profundo. Es decir, después de que se completa el entrenamiento del modelo de aprendizaje profundo, los datos de series temporales de tensión de primera celda, los datos de series temporales de tensión de segunda celda y los datos de series temporales de tensión de celda prevista pueden recopilarse durante la carga de la primera a la m-ésima celda de entrenamiento de acuerdo con el perfil de carga 40 que tiene la pluralidad de rangos de carga, y el error Ek,i de cada rango de carga puede determinarse para cada celda de entrenamiento. Adicionalmente, el promedio y la desviación típica del error Ek,i calculado usando la Ecuación 2 para cada rango de carga puede preestablecerse como el primer promedio Avrk y la primera desviación típica Ok.

Opcionalmente, la unidad de control 14 puede determinar un segundo promedio Avrk,a y una segunda desviación típica Ok,a del error Ek,i para cada módulo usando la siguiente Ecuación 4. Preferentemente, el segundo promedio Avrk,a y la segunda desviación típica Ok,a se determinan para cada rango de carga.

<Ecuación 4>

Avr<k,a>= mean(E<k,i@a>), 1<i<n<a>, 1<k<NuITI<carga>

O<k,a>= std(E<k,i>), 1<i<n<a>, 1<k<Num<carga>

a: Indice de módulo

i: Índice de celda

n<a>: Número total de celdas incluidas en un módulo a-ésimo

k: Indice de rango de carga

Núm<carga>: Número total de rangos de carga

E<k,i@a>: Error en el rango de carga k-ésimo para la celda i-ésima en un módulo a-ésimo

Adicionalmente, la unidad de control 14 puede determinar un segundo valor estandarizado Std_Value*<k,i>en el módulo para el error E<k,i>de cada una de la primera a la N-ésima celda usando la siguiente Ecuación 5 para cada rango de carga. El número de segundos valores estandarizados Std_Value*<k,i>en el módulo para cada celda es Num<carga>.

<Ecuación 5>

Std_Value*<k,i>= (E<k,i>- Avr<k,a>)/O<k,a>, 1<i<N, 1<a<p, 1<k<Num<carga>

i: Índice de celda de batería, N es el número total de celdas

a: Índice de módulo, p es el número total de módulos

k: Índice de rango de carga, Núm<carga>es el número total de rangos de carga

Avr<k,a>: Segundo promedio definido para el módulo en el que se incluye la celda

O<k,a>: Segunda desviación típica definida para el módulo en el que se incluye la celda

Adicionalmente, la unidad de control 14 puede estar configurada para detectar, como celda defectuosa latente, cualquier celda en la que el primer valor estandarizado Std_Value<k,i>es mayor que el primer umbral y el segundo valor estandarizado Std_Value*<k,¡>en el módulo es mayor que un segundo umbral en al menos un rango de carga.

El segundo valor estandarizado Std_Value*<k,¡>es un factor que indica cuánto se aleja el error E<k,¡>de la celda determinada en el rango de carga k-ésimo del valor promedio Avr<k,a>del error en el módulo sobre la base de la desviación típica O<k,a>del error en el módulo.

Por ejemplo, cuando Std_Value*<k,i>es 2, una diferencia entre E<k,i>y el error promedio en el módulo es el doble de la desviación típica de error en el módulo. Por consiguiente, cualquier celda en la que el segundo valor estandarizado Std_Value*<k,i>es más grande que otras celdas en un módulo puede considerarse como una celda en la que es probable que ocurra un defecto ya que el error entre la tensión de celda medida y la tensión de celda prevista es mayor que otra celda en el módulo.

Preferentemente, el segundo umbral puede ser menor que el primer umbral. En un ejemplo, el segundo umbral puede establecerse preferentemente en 3,0 o menos, y más preferentemente en 2,5 o menos.

Opcionalmente, la unidad de control 14 puede configurarse además para realizar la lógica que detecta el tipo de defecto latente de la celda de batería.

Específicamente, la unidad de control 14 puede supervisar si un comportamiento de cambio relativo de los datos de series temporales de tensión de segunda celda de la primera a N-ésima celda medidos en la última parte de cada rango de carga y los datos de series temporales de tensión de celda prevista previstos en la última parte de cada rango de carga a medida que el rango de carga cambia muestra un patrón de comportamiento de cambio predefinido para cada tipo de defecto latente. Adicionalmente, cuando el comportamiento de cambio predefinido se detecta en la misma celda en un número de veces de referencia o más durante una pluralidad de ciclos de carga, la unidad de control 14 puede identificar la celda correspondiente como la celda defectuosa latente y determinar el tipo de defecto latente.

En un ejemplo, cuando se produce el revestimiento de litio en el electrodo negativo en la celda de polímero de litio, los datos de series temporales de tensión de segunda celda aumentan más rápido que los datos de series temporales de tensión de celda prevista en el rango de carga en la etapa temprana de carga. Esto se debe a que el potencial del electrodo negativo aumenta en la etapa temprana de carga cuando se produce el revestimiento de litio en el electrodo negativo. Dado que la tensión de la celda corresponde a una diferencia entre el potencial de electrodo positivo y el potencial de electrodo negativo, cuando aumenta el potencial de electrodo negativo, aumenta una pendiente de cambio en la tensión de la celda. Como resultado, la tensión de la segunda celda aumenta más rápido que la tensión de celda prevista en la etapa temprana de carga. Dado que la tensión de celda prevista es una tensión predicha por el modelo de aprendizaje profundo y, por lo tanto, muestra comportamientos de cambio de tensión cercanos a las celdas normales en la etapa temprana de carga, el aumento en la tensión de celda prevista no es brusco.

Adicionalmente, a diferencia de la descripción anterior, los datos de series temporales de tensión de celda prevista aumentan más rápido que los datos de series temporales de tensión de segunda celda en el rango de carga en la etapa posterior de carga. El potencial del electrodo negativo disminuye lentamente durante la carga, y cuando se produce el revestimiento de litio en el electrodo negativo, la cantidad de litio que participa en la reacción electroquímica disminuye y se reduce la disminución del potencial del electrodo negativo. Cuando se reduce la disminución del potencial del electrodo negativo, el aumento en la tensión de la celda se reduce en la misma medida. Como resultado, en el rango de carga en la etapa posterior de carga, por el contrario, la tensión de celda prevista aumenta más rápido que la tensión de la segunda celda. Dado que la tensión de celda prevista es una tensión predicha por el modelo de aprendizaje profundo y muestra comportamientos de cambio de tensión cercanos a las celdas normales en la etapa posterior de carga, la disminución del potencial del electrodo negativo no se reduce.

La figura 7 es un gráfico que muestra cambios en los datos de series temporales de tensión de segunda celda V<k,i>(j) medidos en la última parte de los rangos de carga ® a ® del perfil de carga 40 para una celda específica en la que se produjo el revestimiento de litio en el electrodo negativo, los datos de series temporales de tensión de celda prevista V*<k,i>(j) predichos por el modelo de aprendizaje profundo y "V<k,i>(j)-V*<k,i>(j)" que corresponden a una diferencia entre ellos. En cada gráfico, el eje horizontal es el tiempo (segundos) y el eje vertical es la tensión (milivoltios).

La línea continua negra indica V<k,i>(j), y la línea discontinua negra indica V*<k,i>(j). Como se puede ver a partir de la Figura 7, en la celda en la que se produjo el revestimiento de litio, los datos de series temporales de tensión de segunda celda aumentan más rápido que los datos de series temporales de tensión de celda prevista en el rango decarga® en la etapa temprana de carga. Adicionalmente, en los rangos de carga © , @y © por el contrario, los datos de series temporales de tensión de celda prevista aumentan más rápido que los datos de series temporales de tensión de segunda celda. Los datos de series temporales de tensión de segunda celda y los datos de series temporales de tensión de celda prevista de celdas que no tienen ningún defecto latente se indican mediante las líneas grises y coinciden y no pueden distinguirse.

En una realización, cuando la unidad de control 14 detecta cualquiera de la primera a la N-ésima celda muestra un comportamiento en el que los datos de series temporales de tensión de segunda celda aumentan más rápido que los datos de series temporales de tensión de celda prevista en el rango de carga en la etapa temprana de carga y los datos de series temporales de tensión de celda prevista aumentan más rápido que los datos de series temporales de tensión de segunda celda en el rango de carga en la etapa posterior de carga, la unidad de control 14 puede identificar el defecto latente de la celda correspondiente como revestimiento de litio en el electrodo negativo.

Opcionalmente, cada vez que la unidad de control 14 detecta cualquiera de la primera a la N-ésima celda muestra un comportamiento en el que los datos de series temporales de tensión de segunda celda aumentan más rápido que los datos de series temporales de tensión de celda prevista en el rango de carga en la etapa temprana durante la carga del paquete de baterías 20 de acuerdo con el perfil de carga 40 que incluye la pluralidad de rangos de carga, y los datos de series temporales de tensión de celda prevista aumentan más rápido que los datos de series temporales de tensión de segunda celda en el rango de carga en la etapa posterior de carga, la unidad de control 14 puede aumentar el recuento de defectos latentes de la celda correspondiente en 1.

Adicionalmente, cuando el recuento de defectos latentes es igual o mayor que el número de veces de referencia, la unidad de control 14 puede determinar finalmente el defecto latente de la celda correspondiente como revestimiento de litio en el electrodo negativo.

Volviendo a la FIG. 1, el aparato 10 de acuerdo con la presente divulgación puede incluir además un medio de almacenamiento de grabación 15 para almacenar datos, parámetros predefinidos, programas o una combinación de los mismos, y una pantalla 16.

Cuando se detecta la celda defectuosa latente de acuerdo con la realización descrita anteriormente, la unidad de control 14 puede registrar información de identificación de la celda defectuosa latente y/o información asociada con el tipo de defecto latente en el medio de almacenamiento de grabación 15 junto con la indicación de tiempo.

La información de identificación de la celda defectuosa latente incluye el código de modelo del paquete de baterías 20, el código de módulo al que pertenece la celda defectuosa latente, el número de lote de producción de la celda defectuosa latente o una combinación de los mismos. La información asociada con el tipo de defecto latente puede incluir un código de diagnóstico que indica un revestimiento de litio en el electrodo negativo.

Adicionalmente, cuando se detecta la celda defectuosa latente de acuerdo con la realización descrita anteriormente, la unidad de control 14 puede configurarse para emitir un mensaje que notifica que la celda defectuosa latente se detecta en el paquete de baterías 20 a través de la pantalla 16.

Cuando el paquete de baterías 20 está montado en un vehículo eléctrico, la pantalla 16 puede ser un tablero de instrumentos o una pantalla de control automotriz integrada del vehículo eléctrico. En otro ejemplo, cuando el paquete de baterías 20 está montado en un sistema de almacenamiento de energía, la pantalla 16 puede ser una pantalla incluida en un ordenador de control integrado del sistema de almacenamiento de energía. Sin embargo, la presente divulgación no se limita al tipo de pantalla.

Por otro lado, el aparato 10 de acuerdo con la presente divulgación puede incluir además una interfaz de comunicación 17. En este caso, la unidad de control 14 puede transmitir la información de identificación asociada con la celda defectuosa latente y/o la información asociada con el tipo de defecto latente a un dispositivo externo a través de la interfaz de comunicación 17.

La interfaz de comunicación 17 soporta una comunicación cableada o inalámbrica. La interfaz de comunicación 17 puede soportar la transmisión/recepción de datos por la red de área de controlador (CAN), conexión en cadena, RS-232 o similares. Adicionalmente, la interfaz de comunicación 17 puede soportar transmisión/recepción de datos a través de comunicación de relación de campo cercano, por ejemplo, Wi-Fi, Bluetooth, Zigbee o similares. Adicionalmente, la interfaz de comunicación 17 puede soportar la transmisión/recepción de datos de área amplia a través de Internet alámbrica/inalámbrica, comunicación de estación base o comunicación por satélite.

El dispositivo externo puede ser el dispositivo de carga 30. En otro ejemplo, el dispositivo externo puede ser un servidor en la nube que recopila información de estado del paquete de baterías 20. En otro ejemplo más, el dispositivo externo puede ser un dispositivo de diagnóstico que investiga el rendimiento del paquete de baterías 20.

En la presente divulgación, la unidad de control 14 puede incluir selectivamente un procesador, un circuito integrado de aplicación específica (ASIC), un conjunto de chips, un circuito lógico, un registro, un módem de comunicación, un dispositivo de procesamiento de datos o similar, bien conocido en el campo técnico correspondiente, para ejecutar diversas lógicas de control.

El medio de almacenamiento de grabación 15 no está limitado a un tipo particular, y puede incluir cualquier medio de grabación capaz de grabar y borrar información. En un ejemplo, el medio de almacenamiento de grabación 15 puede ser un disco duro, RAM, ROM, EEPROM, registro o memoria flash. El medio de almacenamiento de grabación 15 puede almacenar y/o actualizar y/o borrar y/o transmitir programas que incluyen las lógicas de control ejecutadas por la unidad de control 14 y/o datos generados cuando se ejecutan las lógicas de control y tablas de consulta predefinidas, funciones, parámetros, constantes químicas/físicas/eléctricas o similares.

Al menos una de las lógicas de control de la unidad de control 14 puede combinarse entre sí, y las lógicas de control combinadas pueden escribirse en código legible por ordenador y registrarse en el medio de almacenamiento de grabación 15. El código puede almacenarse y ejecutarse en ordenadores distribuidos conectados a través de una red. Adicionalmente, los programas funcionales, códigos y segmentos de código para implementar las lógicas de control combinadas pueden ser fácilmente inferidos por programadores del campo técnico al que pertenece la presente divulgación.

El aparato 10 de acuerdo con la presente divulgación puede incluirse en un sistema de gestión de batería o un sistema de diagnóstico de batería. El sistema de gestión de batería es un sistema que controla todo el funcionamiento del paquete de baterías 20. El sistema de gestión de baterías puede ser un sistema de control integrado incluido en un dispositivo de carga en el que está montado el paquete de baterías 20, por ejemplo, un vehículo eléctrico y un sistema de almacenamiento de energía. Además del sistema de gestión de batería o el sistema de diagnóstico de batería, el aparato 10 de acuerdo con la presente divulgación puede incluirse como parte de cualquier otro dispositivo o sistema, si es necesario.

En lo sucesivo en el presente documento, se describirá un método para detectar una celda defectuosa latente en un paquete de baterías de acuerdo con una realización de la presente divulgación con referencia a las FIGS. 8 a 10.

Haciendo referencia a la figura 8, en primer lugar, en la etapa S10, el dispositivo de carga 30 aplica la corriente de carga al paquete de baterías 20 de acuerdo con el perfil de carga 40 que incluye la pluralidad de rangos de carga. El dispositivo de carga 30 puede ser la estación de carga del vehículo eléctrico o el PCS del sistema de almacenamiento de energía.

La aplicación de la corriente de carga puede comenzar en respuesta a una solicitud de la unidad de control 14. Es decir, la unidad de control 14 puede reconocer la conexión de un cable de carga a la línea de alto potencial y a la línea de bajo potencial del paquete de baterías 20, y solicitar al dispositivo de carga 30 que comience a cargar. Como alternativa, cuando el dispositivo de carga 30 está conectado al paquete de baterías 20, la aplicación de la corriente de carga puede comenzar automáticamente.

Posteriormente, en la etapa S20, la unidad de control 14 adquiere los datos de series temporales de tensión de la primera y segunda celdas recibiendo periódicamente la entrada del valor de tensión de celda de la primera a la N-ésima celda en el paquete de baterías 20 desde la unidad de medición de tensión 11 en cada rango de carga durante la carga del paquete de baterías 20 de acuerdo con el perfil de carga 40.

Posteriormente, en la etapa S30, además de adquirir los datos de series temporales de tensión de la primera y segunda celdas a través de la unidad de medición de tensión 11 en cada rango de carga, la unidad de control 14 determina los datos de series temporales de tensión de celda prevista en la última parte del rango de carga correspondiente aplicando el modelo de aprendizaje profundo pre-entrenado a los datos de series temporales de tensión de primera celda de la primera a la N-ésima celda en cada rango de carga.

Posteriormente, en la etapa S40, la unidad de control 14 calcula el error E<k,i>entre los datos de series temporales de tensión de segunda celda y los datos de series temporales de tensión de celda prevista de la primera a la N-ésima celda en cada rango de carga usando la Ecuación 1. En la etapa S40, cuando el número de rangos de carga es Num<carga>, el número total de errores E<k,i>es Num<carga>*N.

Posteriormente, en la etapa S50, la unidad de control 14 determina el primer promedio Avr<k>y la primera desviación típica O<k>del error E<k,i>de la primera a la N-ésima celda para cada rango de carga usando la Ecuación 2.

Posteriormente, en la etapa S60, la unidad de control 14 determina el primer valor estandarizado Std_Value<k,i>del error E<k,i>de cada una de la primera a la N-ésima celda usando la Ecuación 3 para cada rango de carga. Cuando el número de rangos de carga es Num<carga>, el número total de primeros valores estandarizados Std_Value<k,i>es Num<carga>*N.

Posteriormente, en la etapa S70, la unidad de control 14 puede detectar, como celda defectuosa latente, cualquier celda en la que el primer valor estandarizado Std_Value<k,i>es mayor que el primer umbral preestablecido en al menos un rango de carga.

Después la etapa S70, la etapa S80 o S90 pueden realizarse selectivamente.

En la etapa S80, cuando se detecta la celda defectuosa latente, la unidad de control 14 puede registrar la información de identificación de la celda defectuosa latente y/o la información asociada con el tipo de defecto latente en el medio de almacenamiento de grabación 15 junto con la indicación de tiempo. La información de identificación de la celda defectuosa latente incluye el código de modelo del paquete de baterías 20, el código de módulo al que pertenece la celda defectuosa latente, el número de lote de producción de la celda defectuosa latente o una combinación de los mismos. La información asociada con el tipo de defecto latente puede incluir el código de diagnóstico que indica un revestimiento de litio en el electrodo negativo.

Adicionalmente, en la etapa S90, cuando se detecta la celda defectuosa latente, la unidad de control 14 puede emitir el mensaje que notifica que la celda defectuosa latente se detecta en el paquete de baterías 20 a través de la pantalla 16. En respuesta a la salida del mensaje, el usuario puede dejar de usar el paquete de baterías 20 o reemplazar el paquete de baterías 20, o solicitar a un taller de reparación o un centro de servicio posventa para que investigue el paquete de baterías 20 en detalle.

Por otro lado, se puede omitir la etapa S50. En este caso, el primer promedio Avr<k>y la primera desviación típica O<k>pueden estar predeterminados en el proceso de entrenamiento del modelo de aprendizaje profundo. Es decir, después de que se completa el entrenamiento del modelo de aprendizaje profundo, el error E<k,i>de cada rango de carga puede determinarse para cada celda de entrenamiento durante la carga de la primera a la m-ésima celdas de entrenamiento de acuerdo con el perfil de carga 40. Adicionalmente, el promedio y la desviación típica del error E<k,i>pueden calcularse usando la Ecuación 2 para cada rango de carga y cada valor calculado puede preestablecerse al primer promedio Avr<k>y la primera desviación típica O<k>. El primer promedio Avr<k>y la primera desviación típica O<k>establecidos en el proceso de entrenamiento del modelo de aprendizaje profundo puede almacenarse previamente en el medio de almacenamiento de grabación 15, y cuando se realiza la etapa S60, la unidad de control 14 puede consultar la información almacenada previamente.

En una realización preferida, las etapas posteriores a la etapa S60 pueden modificarse como se muestra en la FIG. 9.

Es decir, en la etapa S100, la unidad de control 14 puede determinar el segundo promedio Avr<k,a>y la segunda desviación típica O<k,a>del error E<k,i>en cada rango de carga para cada módulo usando la Ecuación 4.

Posteriormente, en la etapa S110, la unidad de control 14 determina el segundo valor estandarizado Std_Value*<k,i>en el módulo para el error E<k,i>de cada una de la primera a la N-ésima celda para cada rango de carga usando la Ecuación 5. Cuando el número de rangos de carga es Num<carga>, el número de segundos valores estandarizados Std_Value*<k,i>en el módulo para cada celda es Num<carga>.

Posteriormente, en la etapa S120, la unidad de control 14 puede detectar, como celda defectuosa latente, cualquier celda en la que el primer valor estandarizado Std_Value<k,i>es mayor que el primer umbral y el segundo valor estandarizado Std_Value*<k,i>en el módulo es mayor que el segundo umbral en al menos un rango de carga.

Preferentemente, el segundo umbral puede ser menor que el primer umbral. En un ejemplo, el primer umbral puede ser 3,0 o más, más preferentemente 4,0 o más y, más preferentemente, 4,5 o más. Adicionalmente, el segundo umbral puede establecerse preferentemente en 3,0 o menos, y más preferentemente en 2,5 o menos.

Después la etapa S120, de la misma manera que la realización descrita anteriormente, la etapa S80 o S90 puede realizarse sustancialmente por igual.

Es decir, cuando se detecta la celda defectuosa latente en el paquete de baterías 20, la unidad de control 14 puede registrar la información de identificación de la celda defectuosa latente y/o la información asociada con el tipo de defecto latente en el medio de almacenamiento de grabación 15 junto con la indicación de tiempo. La información de identificación de la celda defectuosa latente incluye el código de modelo del paquete de baterías 20, el código de módulo al que pertenece la celda defectuosa latente, el número de lote de producción de la celda defectuosa latente o una combinación de los mismos. La información asociada con el tipo de defecto latente puede incluir el código de diagnóstico que indica un revestimiento de litio en el electrodo negativo.

Adicionalmente, cuando se detecta la celda defectuosa latente en el paquete de baterías 20, la unidad de control 14 puede emitir el mensaje que notifica que la celda defectuosa latente se detecta en el paquete de baterías 20 a través de la pantalla 16.

El método para detectar una celda defectuosa latente en un paquete de baterías de acuerdo con la presente divulgación puede incluir adicionalmente identificar el tipo de defecto latente de la celda de baterías.

Como se muestra en la Figura 10, en la etapa S130, la unidad de control 14 puede supervisar si el comportamiento de cambio relativo de los datos de series temporales de tensión de segunda celda de la primera a N-ésima celda medidos en la última parte de cada rango de carga y los datos de series temporales de tensión de celda prevista previstos en la última parte de cada rango de carga a medida que el rango de carga cambia muestra el patrón de comportamiento de cambio predefinido para cada tipo de defecto latente.

En una realización, la unidad de control 14 puede supervisar si hay alguna de la primera a la N-ésima celda que muestra el patrón de comportamiento en el que los datos de series temporales de tensión de segunda celda aumentan más rápido que los datos de series temporales de tensión de celda prevista en el rango de carga en la etapa temprana de carga y los datos de series temporales de tensión de celda prevista aumentan más rápido que los datos de series temporales de tensión de segunda celda en el rango de carga en la etapa posterior de carga.

Posteriormente, en la etapa S140, la unidad de control 14 determina si el comportamiento de cambio relativo de los datos de series temporales de tensión de segunda celda y los datos de series temporales de tensión de celda prevista corresponde al patrón de comportamiento de cambio predefinido para el tipo de defecto latente.

Cuando el resultado de la etapa S140 es SÍ, se lleva a cabo la etapa S150. Por el contrario, cuando el valor de la etapa S140 es NO, el proceso vuelve a la etapa S130.

Cuando el resultado de la etapa S140 es SÍ, la unidad de control 140 identifica el tipo de defecto latente correspondiente al patrón de comportamiento de cambio predefinido en la etapa S150. En una realización, cuando la unidad de control 14 detecta cualquiera de la primera a la N-ésima celda que muestra un patrón de comportamiento en el que los datos de series temporales de tensión de segunda celda aumentan más rápido que los datos de series temporales de tensión de celda prevista en el rango de carga en la etapa temprana de carga y los datos de series temporales de tensión de celda prevista aumentan más rápido que los datos de series temporales de tensión de segunda celda en el rango de carga en la etapa posterior de carga, la unidad de control 14 puede identificar el defecto latente de la celda correspondiente como revestimiento de litio en el electrodo negativo.

Posteriormente, en la etapa S160, la unidad de control 14 aumenta en 1 el recuento de defectos latentes de la celda correspondiente para la que el tipo de defecto latente (por ejemplo, el revestimiento de litio en el electrodo negativo) se identifica.

Posteriormente, en la etapa S170, la unidad de control 14 determina si el recuento de defectos latentes supera el número de referencia de veces.

Cuando la determinación de la etapa S170 es SÍ, se lleva a cabo la etapa S180. Por el contrario, cuando la determinación de S170 es NO, el proceso vuelve a la etapa S130.

Cuando la determinación de la etapa S170 es SÍ, la unidad de control 14 determina finalmente el tipo de defecto latente (por ejemplo, revestimiento de litio en el electrodo negativo) para la celda en la que el recuento de defectos latentes es mayor que el número de referencia de veces en la etapa S180.

Después de llevar a cabo la etapa S180, de la misma manera que la realización descrita anteriormente, se puede realizar la etapa S80 o S90.

Es decir, cuando se identifica el defecto latente de la celda específica en el paquete de baterías 20 y finalmente se determina el tipo de defecto latente, la unidad de control 14 puede registrar la información de identificación de la celda defectuosa latente y la información asociada con el tipo de defecto latente en el medio de almacenamiento de grabación 15 junto con la indicación de tiempo. La información de identificación de la celda defectuosa latente incluye el código de modelo del paquete de baterías 20, el código de módulo al que pertenece la celda defectuosa latente, el número de lote de producción de la celda defectuosa latente o una combinación de los mismos. La información asociada con el tipo de defecto latente puede incluir el código de diagnóstico que indica un revestimiento de litio en el electrodo negativo.

Adicionalmente, cuando se identifica la celda defectuosa latente en el paquete de baterías 20 y finalmente se determina el tipo de defecto latente, la unidad de control 14 puede emitir un mensaje a través de la pantalla 16 para notificar que se ha detectado una celda defectuosa latente en el paquete de baterías 20, junto con la información relacionada con el tipo de defecto latente.

Por otro lado, la unidad de control 14 puede transmitir la información de identificación asociada con la celda defectuosa latente y/o información asociada con el tipo de defecto latente al dispositivo externo a través de la interfaz de comunicación 17. La interfaz de comunicación 17 puede soportar una comunicación cableada o comunicación inalámbrica.

En la presente divulgación, además del revestimiento de litio en el electrodo negativo, el tipo de defecto latente puede incluir cualquier otro tipo de defecto latente, por ejemplo, dilatación de la celda, un microcortocircuito interno o similar. Para cada tipo de defecto latente, es obvio para los expertos en la materia que el patrón de comportamiento de cambio relativo de los datos de series temporales de tensión de segunda celda y los datos de series temporales de tensión de celda prevista a medida que cambia el rango de carga puede determinarse fácilmente a través de la prueba.

De acuerdo con la presente divulgación, es posible detectar fácilmente una celda defectuosa latente dividiendo el perfil de carga del paquete de baterías 20 en la pluralidad de rangos de carga, y comparando y analizando estadísticamente los comportamientos de la tensión realmente medida y la tensión prevista para cada rango de carga. Por consiguiente, es posible evitar accidentes humanos detectando defectos latentes directamente relacionados con accidentes de incendio o explosión, especialmente, defectos latentes graves, como el revestimiento de litio en el electrodo negativo en la etapa inicial y proporcionar advertencias a los usuarios. Adicionalmente, además del revestimiento de litio en el electrodo negativo, la presente divulgación puede detectar comportamientos de cambio de tensión provocados por el hinchamiento, micro cortocircuitos o similares, tratando así de manera efectiva otros defectos latentes.

Si bien la presente divulgación se ha descrito anteriormente con respecto a un número limitado de realizaciones y dibujos, la presente divulgación no se limita a estos y es obvio para los expertos en la materia que se pueden realizar diversas modificaciones y diversos cambios de estos dentro de los aspectos técnicos de la presente divulgación y las reivindicaciones adjuntas.

Claims

REIVINDICACIONES

1. Un aparato (10) para detectar una celda defectuosa latente en un paquete de baterías (20), que comprende:

una unidad de medición de tensión (11), una unidad de medición de corriente (12) y una unidad de medición de temperatura (13) para medir una tensión, una corriente y una temperatura de la primera a la N-ésima celdas incluidas en el paquete de baterías (20) durante la carga del paquete de baterías (20), respectivamente, y una unidad de control (14) acoplada operativamente a la unidad de medición de tensión (11), la unidad de medición de corriente (12) y la unidad de medición de temperatura (13),

en donde la unidad de control (14) está configurada para, durante la carga del paquete de baterías (20) de acuerdo con un perfil de carga que tiene una pluralidad de rangos de carga, para cada una de la primera a la N-ésima celda en cada rango de carga, adquirir datos de series temporales de tensión de primera celda a través de la unidad de medición de tensión (11) en una parte anterior del rango de carga; determinar datos de series temporales de tensión de celda prevista en una última parte del rango de carga aplicando un modelo de aprendizaje profundo a los datos de series temporales de tensión de primera celda; adquirir datos de series temporales de tensión de segunda celda a través de la unidad de medición de tensión (11) en la última parte del rango de carga, y determinar un error entre los datos de series temporales de tensión de segunda celda y los datos de series temporales de tensión de celda prevista, y

en donde la unidad de control (14) está configurada adicionalmente para detectar cualquier celda que tenga un error mayor que otras celdas en al menos uno de los rangos de carga como la celda defectuosa latente.

2. El aparato (10) para detectar una celda defectuosa latente en un paquete de baterías (20) de acuerdo con la reivindicación 1, en donde la unidad de control (14) está configurada para, según cada una de la primera a la N-ésima celda, determinar una diferencia máxima entre los datos de series temporales de tensión de segunda celda y los datos de series temporales de tensión de celda prevista como el error para cada rango de carga; determinar un primer promedio y una primera desviación típica del error de la primera a la N-ésima celda para cada rango de carga; determinar "(el error - el primer promedio)/la primera desviación típica" correspondiente a un primer valor estandarizado del error de cada una de la primera a la N-ésima celdas para cada rango de carga, y detectar cualquier celda en la que el primer valor estandarizado es mayor que un primer umbral en al menos uno de los rangos de carga como la celda defectuosa latente.

3. El aparato (10) para detectar una celda defectuosa latente en un paquete de baterías (20) de acuerdo con la reivindicación 1, en donde el modelo de aprendizaje profundo se entrena previamente, usando los datos de series temporales de tensión de primera celda y los datos de series temporales de tensión de segunda celda de la primera a la m-ésima celdas de entrenamiento medidas respectivamente en la primera parte y la última parte de cada rango de carga, para recibir una entrada de los datos de series temporales de tensión de primera celda, y generar los datos de series temporales de tensión de celda prevista que tienen un error mínimo con los datos de series temporales de tensión de segunda celda.

4. El aparato (10) para detectar una celda defectuosa latente en un paquete de baterías (20) de acuerdo con la reivindicación 3, en donde la unidad de control (14) está configurada para, según cada una de la primera a la N-ésima celda, determinar una diferencia máxima entre los datos de series temporales de tensión de segunda celda y los datos de series temporales de tensión de celda prevista como el error para cada rango de carga; determinar "(el error - un primer promedio)/una primera desviación típica" correspondiente a un primer valor estandarizado del error de cada una de la primera a la N-ésima celdas para cada rango de carga, y detectar cualquier celda en la que el primer valor estandarizado es mayor que un primer umbral en al menos uno de los rangos de carga como la celda defectuosa latente, y

en donde el primer promedio y la primera desviación típica son valores predeterminados en el proceso de entrenamiento del modelo de aprendizaje profundo.

5. El aparato (10) para detectar una celda defectuosa latente en un paquete de baterías (20) de acuerdo con la reivindicación 2 o 4, en donde el paquete de baterías (20) incluye módulos primero a p-ésimo conectados en serie y/o en paralelo, y

en donde la unidad de control (14) está configurada para, para cada uno de los módulos primero a p-ésimo, determinar un segundo promedio y una segunda desviación típica del error de cada una de la pluralidad de celdas incluidas en el módulo; y determinar "(el error - el segundo promedio)/la segunda desviación típica" correspondiente a un segundo valor estandarizado del error de cada una de la primera a la N-ésima celda para cada rango de carga, y detectar, como celda defectuosa latente, cualquier celda de batería en la que el primer valor estandarizado es mayor que el primer umbral y el segundo valor estandarizado es mayor que un segundo umbral en al menos uno de los rangos de carga.

6. El aparato (10) para detectar una celda defectuosa latente en un paquete de baterías (20) de acuerdo con la reivindicación 1, en donde la unidad de control (14) está configurada para, según cada una de la primera a la N-ésima celda,

monitorizar si un comportamiento de cambio relativo de los datos de series temporales de tensión de segunda celda y los datos de series temporales de tensión de celda prevista a medida que cambia el rango de carga corresponde a un patrón de comportamiento de cambio predefinido para cada tipo de defecto latente, y finalmente determinar el tipo de defecto latente de cualquier celda en la que el patrón de comportamiento de cambio predefinido se encuentra en un número de veces de referencia o más.

7. El aparato (10) para detectar una celda defectuosa latente en un paquete de baterías (20) de acuerdo con la reivindicación 6, en donde el patrón de comportamiento de cambio predefinido es que los datos de series temporales de tensión de segunda celda aumentan más rápido que los datos de series temporales de tensión de celda prevista en el rango de carga en una etapa temprana de carga y los datos de series temporales de tensión de celda prevista aumentan más rápido que los datos de series temporales de tensión de segunda celda en el rango de carga en una etapa posterior de carga, y

en donde el tipo de defecto latente es un revestimiento de litio en un electrodo negativo.

8. El aparato (10) para detectar una celda defectuosa latente en un paquete de baterías (20) de acuerdo con la reivindicación 1, que comprende además:

un medio de almacenamiento de grabación (15) configurado para almacenar datos, un parámetro predefinido, un programa, o una combinación de los mismos; y una pantalla (16),

en donde la unidad de control (14) está configurada para registrar información de identificación asociada con la celda defectuosa latente detectada en el medio de almacenamiento de grabación (15), o generar un mensaje que notifica que la celda defectuosa latente se detecta en el paquete de baterías a través de la pantalla (16 ), o transmitir la información de identificación de la celda defectuosa latente a un dispositivo externo mediante comunicación.

9. Un sistema de gestión de batería que comprende el aparato (10) para detectar una celda defectuosa latente en un paquete de baterías (20) de acuerdo con la reivindicación 1.

10. Un método para detectar una celda defectuosa latente en un paquete de baterías, que comprende: durante la carga (S10) del paquete de baterías de acuerdo con un perfil de carga que tiene una pluralidad de rangos de carga, para cada una de la primera a la N-ésima celda en cada rango de carga,

(a) adquirir (S20) datos de series temporales de tensión de primera celda en una parte anterior del rango de carga; (b) determinar (S30) datos de series temporales de tensión de celda prevista en una última parte del rango de carga aplicando un modelo de aprendizaje profundo a los datos de series temporales de tensión de primera celda; (c) adquirir (S20) datos de series temporales de tensión de segunda celda en la última parte;

(d) determinar (S40) un error entre los datos de series temporales de tensión de segunda celda y los datos de series temporales de tensión de celda prevista; y

(e) detectar (S70) cualquier celda que tenga un error mayor que otras celdas en al menos uno de los rangos de carga como la celda defectuosa latente.

11. El método para detectar una celda defectuosa latente en un paquete de baterías de acuerdo con la reivindicación 10, en donde la etapa (d) (S40) comprende, según cada una de la primera a la N-ésima celda, determinar una diferencia máxima entre los datos de series temporales de tensión de segunda celda y los datos de series temporales de tensión de celda prevista como el error para cada rango de carga, y

en donde la etapa (e) (S70) comprende:

(e1) determinar (S50) un primer promedio y una primera desviación típica del error de la primera a la N-ésima celda para cada rango de carga;

(e2) determinar (S60) "(el error - el primer promedio)/la primera desviación típica" que corresponde a un primer valor estandarizado del error de cada una de la primera a la N-ésima celdas para cada rango de carga; y (e3) detectar cualquier celda en la que el primer valor estandarizado sea mayor que un primer umbral en al menos uno de los rangos de carga como la celda defectuosa latente.

12. El método para detectar una celda defectuosa latente en un paquete de baterías de acuerdo con la reivindicación 10, en donde el modelo de aprendizaje profundo se entrena previamente, usando los datos de series temporales de tensión de primera celda y los datos de series temporales de tensión de segunda celda de la primera a la m-ésima celdas de entrenamiento medidas en la primera parte y la última parte de cada rango de carga, para recibir una entrada de los datos de series temporales de tensión de primera celda, y generar los datos de series temporales de tensión de celda prevista que tienen un error mínimo con los datos de series temporales de tensión de segunda celda.

13. El método para detectar una celda defectuosa latente en un paquete de baterías de acuerdo con la reivindicación 12, en donde la etapa (d) (S40) comprende, según cada una de la primera a la N-ésima celda, determinar una diferencia máxima entre los datos de series temporales de tensión de segunda celda y los datos de series temporales de tensión de celda prevista como el error para cada rango de carga, y

en donde la etapa (e) (S70) comprende:

(e1) determinar "(el error - un primer promedio)/una primera desviación típica" que corresponde a un primer valor estandarizado del error de cada una de la primera a la N-ésima celdas para cada rango de carga; y

(e2) detectar cualquier celda en la que el primer valor estandarizado sea mayor que un primer umbral en al menos uno de los rangos de carga como la celda defectuosa latente, y

14. El método para detectar una celda defectuosa latente en un paquete de baterías de acuerdo con la reivindicación 11 o 13, en donde el paquete de baterías incluye módulos primero a p-ésimo conectados en serie y/o en paralelo, y

en donde el método comprende además, para cada uno de los módulos primero a p-ésimo, determinar (S100) un segundo promedio y una segunda desviación típica del error de cada una de la pluralidad de celdas incluidas en el módulo;

determinar (S110) "(el error - el segundo promedio)/la segunda desviación típica" correspondiente a un segundo valor estandarizado del error de cada una de la primera a la N-ésima celdas para cada rango de carga; y detectar (S120) cualquier celda en la que el primer valor estandarizado sea mayor que el primer umbral y el segundo valor estandarizado sea mayor que un segundo umbral como la celda defectuosa latente.

15. El método para detectar una celda defectuosa latente en un paquete de baterías de acuerdo con la reivindicación 10, que comprende además:

según cada una de la primera a la N-ésima celda, monitorizar (S130) un comportamiento de cambio relativo de los datos de series temporales de tensión de segunda celda y los datos de series temporales de tensión de celda prevista a medida que cambia el rango de carga, que se corresponde con un patrón de comportamiento de cambio predefinido para cada tipo de defecto latente; y

determinar finalmente (S180) el tipo de defecto latente de cualquier celda en la que se encuentra el patrón de comportamiento de cambio predefinido en un número de veces de referencia o más.

16. El método para detectar una celda defectuosa latente en un paquete de baterías de acuerdo con la reivindicación 15, en donde el patrón de comportamiento de cambio predefinido es que los datos de series temporales de tensión de segunda celda aumentan más rápido que los datos de series temporales de tensión de celda prevista en el rango de carga en una etapa temprana de carga y los datos de series temporales de tensión de celda prevista aumentan más rápido que los datos de series temporales de tensión de segunda celda en el rango de carga en una etapa posterior de carga, y

17. El método para detectar una celda defectuosa latente en un paquete de baterías de acuerdo con la reivindicación 10, que comprende además:

grabar (S80) información de identificación asociada con la celda defectuosa latente detectada en un medio de almacenamiento de grabación;

generar (S90) un mensaje que notifica que la celda defectuosa latente se detecta en el paquete de baterías a través de una pantalla; o

transmitir la información de identificación de la celda defectuosa latente a un dispositivo externo mediante comunicación.