A medida que aumentan las estaciones de almacenamiento de energía instaladas año tras año, la seguridad de las baterías de almacenamiento de energía ha atraído la atención de la industria y la academia. En este trabajo, se diseña un esquema inteligente de diagnóstico de fallas para paquetes de baterías conectadas en serie basado en las características de ondícula de las correlaciones de voltaje de la batería. Primero, los voltajes entre celdas de múltiples celdas se preprocesan utilizando un coeficiente de correlación de Pearson recursivo mejorado para capturar las señales eléctricas anormales. En segundo lugar, se aplica la descomposición en paquetes de ondícula a la serie de coeficientes para obtener características relacionadas con fallas de las sub-bandas de ondícula, y se extraen los componentes principales característicos más representativos. Finalmente, se emplean la red neuronal artificial (ANN) y la máquina de vectores de relevancia de clasificación múltiple (mRVM) para clasificar y evaluar el modo de falla y el grado de falla, respectivamente. Se lleva a cabo la inyección física de cortocircuitos externos e internos, daño térmico y falla por conexión floja para recopilar datos reales de fallas para el entrenamiento del modelo y la validación del método. Los resultados experimentales muestran que el método propuesto puede detectar y localizar de manera efectiva diferentes fallas utilizando las características de falla extraídas; mRVM es mejor que ANN en el diagnóstico de fallas térmicas, mientras que el rendimiento general del diagnóstico de ANN es mejor que el de mRVM. Las tasas de éxito de aislamiento de fallas son del 82% y 81%, y las tasas de éxito de calificación de fallas son del 98% y 90%, por ANN y mRVM, respectivamente.