CN112836967A - 新能源汽车电池安全风险评估*** - Google Patents
新能源汽车电池安全风险评估*** Download PDFInfo
- Publication number
- CN112836967A CN112836967A CN202110146869.7A CN202110146869A CN112836967A CN 112836967 A CN112836967 A CN 112836967A CN 202110146869 A CN202110146869 A CN 202110146869A CN 112836967 A CN112836967 A CN 112836967A
- Authority
- CN
- China
- Prior art keywords
- new energy
- data
- energy automobile
- safety risk
- alarm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000012502 risk assessment Methods 0.000 title claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims abstract description 26
- 238000004140 cleaning Methods 0.000 claims abstract description 19
- 238000007477 logistic regression Methods 0.000 claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000012795 verification Methods 0.000 claims description 14
- 238000001207 Hosmer–Lemeshow test Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000000546 chi-square test Methods 0.000 claims description 4
- 238000013450 outlier detection Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 2
- 239000000178 monomer Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种新能源汽车电池安全风险评估***,包括以下模块:车辆行车信息采集模块,用于获取新能源汽车的行车数据并进行数据清洗;指标提取模块,对进行数据清洗后的行车数据和三个动态指标进行二元Logistic回归分析,确定与新能源汽车报警相关的特征指标以及各个特征指标对对应报警信息的影响权重;电池安全风险评估模块,根据确定的特征指标以及对应的报警信息的关系搭建贝叶斯网络模型,并对通过二元Logistic回归识别出的特征指标与报警信息进行信息融合度验证,以及对每类报警情况进行安全风险评估结果验证,最后输出新能源汽车电池安全评估量化的结果。本发明可对新能源汽车的电池安全风险状态进行定量的评估,精确的识别电池的安全状态。
Description
技术领域
本发明涉及新能源汽车行车安全领域,具体涉及一种新能源汽车电池安全风险评估***。
背景技术
经过几十年的飞速发展,汽车产业在我国国民经济中已占到了举足轻重的地位,它已经成为了我国的支柱产业之一,特别是近几年,我国的汽车产销量排行已成为世界第一。而传统汽车产业的发展也给我们带来了对外石油高度依赖和环境污染不断加剧的各种问题。世界能源安全、环境保护增加了对新能源汽车技术研发与快速发展的诉求,促使各国以前瞻性视角、战略性眼光来发展新能源汽车。对于中国而言,作为战略性新兴产业之一的新能源汽车产业,已经成为我国节能减排、振兴经济和转变产业结构的重要突破口。
面对汽车电动化时代的到来,如何保证“安全”,成为主要关注的话题,动力电池作为新能源汽车的核心部件,其安全状态的精准量化估计和安全结构防护需求日益凸显,因此,准确量化估计动力电池的安全状态,提升新能源汽车的耐久性、安全性、可靠性,变得非常重要。
目前,国内外对于新能源汽车电池安全的评估方法主要为专家打分等通过个人经验和主观判断对风险进行的定性分析,量化较少;且在国家标准GB/T32960.3-2016中由于对报警的故障等级定义为厂家自定,相关学者经过以往采集的行车数据研究发现,在发生故障并进行报警的情况下,无法准确的识别新能源汽车的电池安全状态,从而无法对新能源汽车的电池安全进行精准评估。
发明内容
本发明的目的在于提供一种新能源汽车电池安全风险评估***,以解决新能源汽车电池安全无法被精准评估的问题。
为解决上述技术问题,本发明提供了一种技术方案:该新能源汽车电池安全风险评估***包括:
车辆行车信息采集模块,用于获取新能源汽车的行车数据并进行数据清洗;
指标提取模块,用于针对是否报警的二分类问题,对进行数据清洗后的行车数据以及欧每伏、电池单体电压差和电池单体温度差这三个动态指标,进行二元Logistic回归分析,确定与新能源汽车报警相关的特征指标以及各个特征指标对对应报警信息的影响权重;
电池安全风险评估模块,根据确定的特征指标以及对应的报警信息的关系,分别将特征指标作为数据层、将报警信息作为报警层、将安全评价结果作为指数层,搭建贝叶斯网络模型,并对通过二元Logistic回归识别出的特征指标与报警信息进行信息融合度验证,以及对每类报警信息进行安全风险评估结果验证,最后输出新能源汽车电池安全评估量化的结果。
按上述方案,所述车辆行车信息采集模块通过新能源汽车中安装的T-BOX传感器采集基于国家标准的行车数据。
按上述方案,所述数据清洗具体采用分段线性差值方法针对缺失值进行补全。
按上述方案,所述车辆行车信息采集模块针对进行数据清洗后的行车数据采用MAD算法进行离群点检测,计算判定系数D,将判定系数大于d的异常数据剔除。
按上述方案,所述车辆行车信息采集模块对经过数据清洗后的行车数据,采用基于数据密度的欠采样方法,将每类报警信息与正常行车数据的比例保持在1:4。
按上述方案,所述二元Logistic回归分析的具体操作为:
式中,Pj为报警类型,β0为常量,p为特征指标的个数,xq为影响因素,βq为特征指标的权重系数;
二元Logistic回归分析包括卡方检验和Hosmer-Lemeshow检验。
按上述方案,所述电池安全风险评估模块,将数据层中报警信息和正常数据不重叠的部分分别定义为Faulty和Good两种状态,将报警信息和正常数据重叠的部分定义为Fair;报警层依据是否报警划分为两种状态;指数层依据国家标准对于故障等级的定义,划分为无风险、可接受风险、可容忍风险以及不可接受风险四种状态。
按上述方案,所述贝叶斯网络模型通过GeNIe平台搭建,通过贝叶斯网络模型确定指数层的条件概率表,根据条件概率表量化评估新能源汽车的安全状态,并利用GenNIe平台的验证模块,进行信息融合度验证和安全风险评估结果的验证。
按上述方案,所述信息融合度验证,为对二元Logistic回归识别出的特征指标与报警信息的因果进行验证,具体为检验GeNIe平台输出的ROC曲线面积是否大于0.5。
按上述方案,所述安全风险评估结果验证,为针对每类报警信息进行安全风险评估结果的验证,具体为当确定发生某种报警时,验证输出的安全风险评估结果是否与根据故障等级划分的风险状态区间值保持一致。
本发明的有益效果是:通过车辆行车信息采集模块获取新能源汽车的行车数据并进行数据清理;通过指标提取模块确定与新能源汽车报警相关的特征指标以及各个指标对报警的影响权重;通过电池安全风险评估模块最终输出新能源汽车电池安全评估量化的结果;经过以上步骤可实现对新能源汽车电池安全风险的精准量化评估。
进一步地,通过分段线性差值方法针对缺失值进行补全以及对补全后的数据采用MAD算法进行离群点检测,实现了对行车数据高效快速的筛选处理。
进一步地,通过将每类报警信息与正常行车数据的比例设置为1:4,使得最后输出的新能源汽车电池安全评估量化的结果更为稳定和准确。
附图说明
图1为本发明一实施例的***框架图;
图2为本发明一实施例的车辆行车信息采集模块工作流程图;
图3为本发明一实施例的指标提取模块工作流程图;
图4为本发明一实施例的电池安全风险评估模块工作流程图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例的附图,对本公开实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本公开的一部分实施例,而不是全部的实施例。基于所描述的本公开的实施例,本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
参见图1,新能源汽车安全风险评估***包括:
车辆行车信息采集模块,用于获取新能源汽车的行车数据并进行数据清洗;
指标提取模块,用于针对是否报警的二分类问题,对进行数据清洗后的行车数据以及欧每伏、电池单体电压差和电池单体温度差这三个动态指标,进行二元Logistic回归分析,确定与新能源汽车报警相关的特征指标以及各个特征指标对对应报警信息的影响权重;
电池安全风险评估模块,根据确定的特征指标以及对应的报警信息的关系,分别将特征指标作为数据层、将报警信息作为报警层、将安全评价结果作为指数层,搭建贝叶斯网络模型,并对通过二元Logistic回归识别出的特征指标与报警信息进行信息融合度验证,以及对每类报警信息进行安全风险评估结果验证,最后输出新能源汽车电池安全评估量化的结果。
进一步地,参见图2,车辆行车信息采集模块通过新能源汽车中安装的T-BOX传感器采集基于国家标准的行车数据。
进一步地,数据清洗具体采用分段线性差值方法针对缺失值进行补全:
Xk={x1k,x2k,···,xnk}
式中,Xk为数据指标的集合;k为数据指标的个数;n为特征指标的元素个数;
xik=Ni-1kxi-1k+Ni+1kxi+1k,i=(0,1,2,…,n)
进一步地,所述车辆行车信息采集模块针对进行数据清洗后的行车数据采用MAD算法进行离群点检测,计算数据的中位数:
计算MAD:
式中,MAD为特征指标的集合Xk中每个元素减去特征指标Xk的中位数的绝对值集合的中位数,b是常数,通常b=1.4826;
为了对观测数据中的异常值进行探测,需要计算每个观测值xnk的判定系数:
当判定系数D超过给定的阈值d时则认定观测值xnk为异常数据,根据大量科学实验和工程实践表明,取d=2.5对异常数据进行剔除。
进一步地,车辆行车信息采集模块对经过数据清洗后的行车数据,采用基于数据密度的欠采样方法,将每类报警信息与正常行车数据的比例保持在1:4,使后续分析所得结果更稳定和准确。
进一步地,对进行欠采样方法处理后的行车数据进行标准化处理,以消除量纲差异,将行车数据变成均值为0、方差为1的高斯分布,得到标准矩阵,并设置数据的最小密度:
式中,m表示在圆形区域内数据点周围所包含的样本数量(数据点除外),r为圆形区域的半径,本实施例中m取6,r取0.005;T作为对数据进行密度划分的临界值,将数据密度大于或等于T的样本点所组成的区域定义为高密度数据簇,并且剔除小于T的低密度数据簇,本实施例中利用DBSCAN聚类算法计算得到所有的高密度数据簇;
随后计算每个高密度数据簇对应的均值,在每一个高密度数据簇中,找到距离该值最近的样本,将其作为该数据簇的为中心,并根据需求保留一些靠近伪中心的样本数据,删除远离伪中心的样本,最终得到新的多数类样本集。
进一步地,参见图3,采用二元Logistic回归分析方法对清洗的行车数据以及欧每伏、电池单体电压差和电池单体温度差这三个动态指标进行回归分析,确定与新能源汽车报警相关的特征指标以及各个特征指标对对应报警信息的影响权重;针对每类报警信息进行二元Logistic回归分析的操作具体为:
式中,Pj为报警类型,β0为常量,p为特征指标的个数,xq为影响因素,βq为特征指标的权重系数,q为常数,q=1,2,3,…,p;
在回归分析的过程中,需要经过卡方检验和Hosmer-Lemeshow检验,即卡方检验的显著性(sig)小于0.05,Hosmer-Lemeshow检验的显著性(sig)大于0.05;
进一步地,电池安全风险评估模块根据确定的特征指标以及与其对应的报警信息的关系,分别将特征指标作为数据层,将报警信息作为报警层,将安全评价结果作为指数层,以此搭建贝叶斯网络模型;由于贝叶斯网络输入的不是一个具体数值而是一个状态数据,所以本实施例对每一层的实际数据做了一个状态的划分,针对数据层,依据报警和正常数据不重叠的部分,分别将其定义为:Faulty和Good两种状态;对于数据重叠,本实施例定义了一个新的状态Fair;针对报警层,依据是否报警划分了两种状态;针对指数层,基于国家标准对于故障等级的定义划分为无风险、可接受风险、可容忍风险以及不可接受风险四种状态。
进一步地,基于对不同状态的划分,根据各特征指标在不同状态下发生的频率计算先验概率,分别依据二元Logistic回归方程中特征指标的权重和发生报警的频率对数据层和报警层的数据进行赋权,其中采用了隶属度函数来计算报警层和指数层的条件概率,具体步骤为:
S1、对贝叶斯网络中数据层的3个状态等级Good、Fair和Faulty依次赋值为1-3,记为(c=1,2,3表示3个不同的状态等级,q=1,2,…,p代表不同的特征指标),同理可以得出报警层和指数层的状态计算公式;
S2、对于每个特征指标赋予一个固定的权重βq;
S3、计算与每个特征指标直接相连的报警信息的状态得分:
式中,∑qβ=1;
S4、利用得分-概率转换公式将状态得分转换为报警层和指数层不同状态的条件概率:
式中,μi代表不同状态等级的隶属函数,,f1(x)到f6(x)由式(1)确定,式(2)为计算报警层条件概率的得分-概率转换公式,式(3)为计算报警层条件概率的得分-概率转换公式,为了保证所计算的数据在函数95%的置信区间内,分别取s1到s6的值分别为:1.05、1.95、2.05、2.95、3.05和3.95。
进一步地,参见图4,本实施例通过在GeNIe平台上搭建贝叶斯网络模型,最终确定指数层的条件概率表,根据条件概率表量化评估新能源汽车的安全状态,并利用GeNIe平台的验证模块,进行信息融合度验证和安全风险评估结果的验证;
其中信息融合度验证,是对二元Logistic回归识别出的特征指标与报警的因果进行验证,具体是在搭建好的贝叶斯网络中,判断数据层的状态划分,是否能准确判断报警的发生,验证形式是检验GeNIe平台输出的ROC曲线面积是否大于0.5;
对于安全风险评估结果的验证,针对每类报警情况进行安全风险评估结果的验证,具体是当确定发生某种报警时,验证输出的安全风险评估结果是否与根据故障等级划分的风险状态区间值保持一致,在通过了两种验证之后,最终输出新能源汽车电池安全风险评估结果。
综上,本发明提出了一种对新能源汽车电池进行安全风险评估的***,通过采集新能源汽车的行车数据,对数据进行清洗,利用相关性分析方法提取与报警关联的特征指标,搭建安全风险评估模型并进行模型验证,以此来对新能源汽车电池安全风险进行量化评估,该***能对新能源汽车的电池安全风险状态进行定量的评估,更加精确的识别电池的安全状态,目的是为了保障新能源汽车的正常运行。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.新能源汽车电池安全风险评估***,其特征在于:该***包括:
车辆行车信息采集模块,用于获取新能源汽车的行车数据并进行数据清洗;
指标提取模块,用于针对是否报警的二分类问题,对进行数据清洗后的行车数据以及欧每伏、电池单体电压差和电池单体温度差这三个动态指标,进行二元Logistic回归分析,确定与新能源汽车报警相关的特征指标以及各个特征指标对对应报警信息的影响权重;
电池安全风险评估模块,根据确定的特征指标以及对应的报警信息的关系,分别将特征指标作为数据层、将报警信息作为报警层、将安全评价结果作为指数层,搭建贝叶斯网络模型,并对通过二元Logistic回归识别出的特征指标与报警信息进行信息融合度验证,以及对每类报警信息进行安全风险评估结果验证,最后输出新能源汽车电池安全评估量化的结果。
2.根据权利要求1所述的新能源汽车电池安全风险评估***,其特征在于:所述车辆行车信息采集模块通过新能源汽车中安装的T-BOX传感器采集基于国家标准的行车数据。
3.根据权利要求1所述的新能源汽车电池安全风险评估***,其特征在于:所述数据清洗具体采用分段线性差值方法针对缺失值进行补全。
4.根据权利要求1所述的新能源汽车电池安全风险评估***,其特征在于:所述车辆行车信息采集模块针对进行数据清洗后的行车数据采用MAD算法进行离群点检测,计算判定系数D,将判定系数大于d的异常数据剔除。
5.根据权利要求1所述的新能源汽车电池安全风险评估***,其特征在于:所述车辆行车信息采集模块对经过数据清洗后的行车数据,采用基于数据密度的欠采样方法,将每类报警信息与正常行车数据的比例保持在1:4。
7.根据权利要求1所述的新能源汽车电池安全风险评估***,其特征在于:所述电池安全风险评估模块,将数据层中报警信息和正常数据不重叠的部分分别定义为Faulty和Good两种状态,将报警信息和正常数据重叠的部分定义为Fair;报警层依据是否报警划分为两种状态;指数层依据国家标准对于故障等级的定义,划分为无风险、可接受风险、可容忍风险以及不可接受风险四种状态。
8.根据权利要求1所述的新能源汽车电池安全风险评估***,其特征在于:所述贝叶斯网络模型通过GeNIe平台搭建,通过贝叶斯网络模型确定指数层的条件概率表,根据条件概率表量化评估新能源汽车的安全状态,并利用GenNIe平台的验证模块,进行信息融合度验证和安全风险评估结果的验证。
9.根据权利要求1所述的新能源汽车电池安全风险评估***,其特征在于:所述信息融合度验证,为对二元Logistic回归识别出的特征指标与报警信息的因果进行验证,具体为检验GeNIe平台输出的ROC曲线面积是否大于0.5。
10.根据权利要求1所述的新能源汽车电池安全风险评估***,其特征在于:所述安全风险评估结果验证,为针对每类报警信息进行安全风险评估结果的验证,具体为当确定发生某种报警时,验证输出的安全风险评估结果是否与根据故障等级划分的风险状态区间值保持一致。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110146869.7A CN112836967B (zh) | 2021-02-03 | 2021-02-03 | 新能源汽车电池安全风险评估*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110146869.7A CN112836967B (zh) | 2021-02-03 | 2021-02-03 | 新能源汽车电池安全风险评估*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112836967A true CN112836967A (zh) | 2021-05-25 |
CN112836967B CN112836967B (zh) | 2022-07-08 |
Family
ID=75932555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110146869.7A Active CN112836967B (zh) | 2021-02-03 | 2021-02-03 | 新能源汽车电池安全风险评估*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836967B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330177A (zh) * | 2022-08-10 | 2022-11-11 | 北京市科学技术研究院 | 一种基于因果学习的城市公共设施安全风险评估方法 |
CN116754967A (zh) * | 2023-04-24 | 2023-09-15 | 中广核新能源安徽有限公司固镇分公司 | 用于储能电站电化学电池在线评估的方法和*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140106142A (ko) * | 2013-02-26 | 2014-09-03 | 한국항공대학교산학협력단 | 충전전압 특성을 이용한 충전 배터리 고장 예측 시스템, 장치 및 방법 |
CN105404936A (zh) * | 2015-11-24 | 2016-03-16 | 中国电力科学研究院 | 一种配电变压器健康指数评价方法 |
CN106651408A (zh) * | 2015-10-28 | 2017-05-10 | 苏宁云商集团股份有限公司 | 一种数据分析方法及装置 |
CN109270461A (zh) * | 2018-10-15 | 2019-01-25 | 四川长虹电器股份有限公司 | 基于贝叶斯网络的故障检测方法 |
CN111967192A (zh) * | 2020-08-24 | 2020-11-20 | 哈尔滨理工大学 | 一种基于朴素贝叶斯的电池安全度估算方法 |
-
2021
- 2021-02-03 CN CN202110146869.7A patent/CN112836967B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20140106142A (ko) * | 2013-02-26 | 2014-09-03 | 한국항공대학교산학협력단 | 충전전압 특성을 이용한 충전 배터리 고장 예측 시스템, 장치 및 방법 |
CN106651408A (zh) * | 2015-10-28 | 2017-05-10 | 苏宁云商集团股份有限公司 | 一种数据分析方法及装置 |
CN105404936A (zh) * | 2015-11-24 | 2016-03-16 | 中国电力科学研究院 | 一种配电变压器健康指数评价方法 |
CN109270461A (zh) * | 2018-10-15 | 2019-01-25 | 四川长虹电器股份有限公司 | 基于贝叶斯网络的故障检测方法 |
CN111967192A (zh) * | 2020-08-24 | 2020-11-20 | 哈尔滨理工大学 | 一种基于朴素贝叶斯的电池安全度估算方法 |
Non-Patent Citations (2)
Title |
---|
KUI YANG; XUESONG WANG; RONGJIE YU: "A Bayesian dynamic updating approach for urban expressway real-time crash risk evaluation", 《TRANSPORTATION RESEARCH PART C: EMERGING TECHNOLOGIES》 * |
陆倩茵: "基于贝叶斯修正Logistic回归模型的电梯风险评估研究", 《中国优秀博硕士学位论文全文数据库(硕士)经济与管理科学辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330177A (zh) * | 2022-08-10 | 2022-11-11 | 北京市科学技术研究院 | 一种基于因果学习的城市公共设施安全风险评估方法 |
CN115330177B (zh) * | 2022-08-10 | 2024-02-13 | 北京市科学技术研究院 | 一种基于因果学习的城市公共设施安全风险评估方法 |
CN116754967A (zh) * | 2023-04-24 | 2023-09-15 | 中广核新能源安徽有限公司固镇分公司 | 用于储能电站电化学电池在线评估的方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN112836967B (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103675525B (zh) | 基于多svdd模型的dc‑dc变换器健康监测与故障预测方法 | |
CN112836967B (zh) | 新能源汽车电池安全风险评估*** | |
CN115366683B (zh) | 一种新能源汽车动力电池多维模型融合的故障诊断策略 | |
CN113158947A (zh) | 一种动力电池健康评分方法、***及存储介质 | |
CN116381514B (zh) | 一种电芯压差预警方法、装置、存储介质及设备 | |
CN112685910B (zh) | 一种基于混合预测模型的复杂装备电源组故障预测方法 | |
CN113762329A (zh) | 一种大型轧机状态预测模型的构建方法及构建*** | |
Li et al. | A Novel Method for Lithium‐Ion Battery Fault Diagnosis of Electric Vehicle Based on Real‐Time Voltage | |
Wang et al. | Prognostics and health management system for electric vehicles with a hierarchy fusion framework: concepts, architectures, and methods | |
Liu et al. | Online diagnosis and prediction of power battery voltage comprehensive faults for electric vehicles based on multi-parameter characterization and improved K-means method | |
CN110119891B (zh) | 一种适于大数据的交通安全影响因素辨识方法 | |
CN111381165A (zh) | 一种车辆动力电池监控方法、装置和平台 | |
CN110750848A (zh) | 一种考虑软件运行的软-硬件退化***剩余寿命估计的方法 | |
Zhang et al. | Remaining useful life prediction of lithium-ion batteries based on TCN-DCN fusion model combined with IRRS filtering | |
CN117033891A (zh) | 基于单车交通事故数据库的交通事故严重程度评估方法 | |
CN116993215A (zh) | 一种电力装备制造质量智能化评价预警方法及*** | |
CN116679221A (zh) | 一种电池异常检测、电池维护管理方法和装置 | |
Niu et al. | A hybrid bearing prognostic method with fault diagnosis and model fusion | |
CN116061690A (zh) | 一种电动汽车充电过程中的安全预警方法及装置 | |
AU2021104319A4 (en) | A system for traction inverter fault detection and a method thereof | |
Borucka | Method of testing the readiness of means of transport with the use of semi-Markov processes | |
Tian et al. | STLRF‐Stack: A fault prediction model for pure electric vehicles based on a high dimensional imbalanced dataset | |
CN113887569B (zh) | 一种基于区域尺度的事故多发区域判别方法 | |
CN116991149B (zh) | 一种费控产品检验方法、装置、电子设备及存储介质 | |
Zhang et al. | Automobile Rear Axle Health Monitoring Technology Based on Deep Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |