CN113344024A - 锂离子电池热失控分级预警方法及预警*** - Google Patents
锂离子电池热失控分级预警方法及预警*** Download PDFInfo
- Publication number
- CN113344024A CN113344024A CN202110435874.XA CN202110435874A CN113344024A CN 113344024 A CN113344024 A CN 113344024A CN 202110435874 A CN202110435874 A CN 202110435874A CN 113344024 A CN113344024 A CN 113344024A
- Authority
- CN
- China
- Prior art keywords
- battery
- thermal runaway
- early warning
- lithium ion
- ion battery
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/378—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] specially adapted for the type of battery or accumulator
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种锂离子电池热失控分级预警方法及预警***。该方法采用无故障的电池特征要素对长短期记忆网络、时间卷积网络和GRU神经网络构成的预测模型的热失控预测能力进行训练;接着将待监控电池在时间序列上的电池特征要素输入至预测模型,得到某一时刻的正常状态下的预测值,然后与采集到的该时刻对应的真实值比较,两者相差越大表明电池热失控风险越大。如此操作,既综合了各自的优势,又避免了各自模型训练出来的系数偏差过大问题,从而实现高精度的电池热失控分级检测,提高锂离子电池热失控预警的速度和精度。
Description
技术领域
本发明涉及电池安全预警技术领域,尤其涉及一种锂离子电池热失控分级预警方法及预警***。
背景技术
近年来,锂离子电池储能***已经广泛应用于新能源并网、微型电网、智能电网等各个区域。锂离子电池以其高能量密度、高转换效率和快速反应等特点,在大型储能***中有着广阔的前景。然而,随着锂离子电池储能***的规模化应用,储能***安全问题引起人们高度重视。通过对事故的统计调查发现,锂离子电池因自身化学反应或外界影响发生的热失控成为发生安全问题的主要原因。锂电池热失控后,具有扩散速度快,火焰强度大,产生大量有毒气体等特点,即使扑灭火灾后,仍可能产生复燃现象,严重威胁整个储能***。
电池发生热失控是由于电池自身产热,温度异常升高,引起连锁式放热反应,导致电池燃烧和***。根据触发条件,引发电池热失控原因主要分为三类:机械滥用,例如由于针刺、挤压、重物冲击等导致的机械变形;电滥用,主要为电器元器件故障,如过充、过放,电池内部产生锂枝晶,刺透隔膜;热滥用,例如温度过高造成正负极材料等发生分解。因此,锂离子热失控故障的精准预测将加快储能技术的发展,对推动我国新能源结构转型、保障能源安全及实现节能减排目标有着重大意义。专利CN20160282373.1公开了一种电池故障检测方法和电池故障检测装置,该方法是根据电池组的电池特征要素,采用数据挖掘算法识别电池组中发生故障的电池单体。无需使用基于人工经验而预先设定的阈值,能够提高电池故障检测的准确性。但是,此方法只能对当前的电池状态进行故障检测,无法实现提前预警,容易发生预警和应对不及时的问题。
有鉴于此,有必要设计一种改进的锂离子电池热失控分级预警方法及预警***,以解决上述问题。
发明内容
为了克服上述现有技术的不足,本发明的目的在于提供一种锂离子电池热失控分级预警方法及预警***。采用长短期记忆网络、时间卷积网络和GRU神经网络分别预测,并进行等权重耦合,既综合了各自的优势,又避免了各自模型训练出来的系数偏差过大问题,从而实现高精度的电池热失控分级检测,提高锂离子电池热失控预警的速度和精度。
为实现上述发明目的,本发明提供了一种锂离子电池热失控分级预警方法,包括以下步骤:
S1.采集无故障的电池特征要素,分别训练长短期记忆网络、时间卷积网络和GRU神经网络对时间序列上的电池特征要素的预测能力;
S2.采集待监控电池在时间序列上的电池特征要素,分别输入到训练好的所述长短期记忆网络、时间卷积网络和GRU神经网络中,得到三组预测值,将三组预测值进行等权重耦合,作为无故障预测值;
S3.继续采集待监控电池在时间序列上的电池特征要素作为真实值,与步骤S2得到的所述无故障预测值进行比较,两者相差越大表明电池热失控风险越大。
作为本发明的进一步改进,所述电池特征要素包括但不限于为电池的温度、电流、电压、荷电状态中的一种或多种。
作为本发明的进一步改进,在步骤S1中,所述无故障的电池特征要素是通过高斯滤波器过滤掉热失控的电池特征要素而得到。
作为本发明的进一步改进,所述高斯滤波器为频域宽度为±200w,阈值为Π/100的低通滤波器。
作为本发明的进一步改进,在步骤S1中,所述预测能力的训练包括:采用时间序列上的无故障的电池特征要素对所述长短期记忆网络、时间卷积网络和GRU神经网络分别进行训练,耦合得到预测结果,即电池特征要素在时间上的变化趋势值;然后返回三个网络各自的loss值,继续进行训练。
作为本发明的进一步改进,所述长短期记忆网络和GRU神经网络的loss值通过MSE损失函数得到;所述时间卷积网络的loss值通过平均绝对偏差MAD得到。
作为本发明的进一步改进,步骤S3还包括:将所述真实值与无故障预测值之差的绝对值与所述无故障预测值的比值作为热失控预警系数,所述热失控预警系数越大,表明电池热失控风险越大。
作为本发明的进一步改进,步骤S3还包括:将所述热失控预警系数分为若干个等级区间,进行分级预警;其中,所处的等级区间的上限值越大,表明电池热失控风险越大。
为实现上述发明目的,本发明还提供了一种锂离子电池热失控分级预警***,包括:
数据采集模块,用于采集电池的特征要素数据;
热失控模型构建模块,用于将长短期记忆网络、时间卷积网络和GRU神经网络并列构建为与电池的特征要素相关联的预测模型,并采用无故障的电池特征要素对其预测能力进行训练;
热失控预警模块,用于将待监控电池在时间序列上的电池特征要素输入至所述预测模型,得到某一时刻的预测值,然后与采集到的该时刻对应的真实值比较,得到热失控预警结果。
作为本发明的进一步改进,所述锂离子电池热失控分级预警***还包括等权重耦合模块,用于将长短期记忆网络、时间卷积网络和GRU神经网络的预测值进行等权重耦合。
本发明的有益效果是:
1.本发明提供的锂离子电池热失控分级预警方法,采用长短期记忆网络、时间卷积网络和GRU神经网络分别预测,并进行等权重耦合,既综合了各自的优势,又避免了各自模型训练出来的系数偏差过大问题,还能减少训练周期,从而实现高精度的电池热失控分级检测,提高锂离子电池热失控预警的速度和精度,有助于推动新能源储能安全的智能化进展,加速第四次工业革命在能源与储能行业的应用。
2.本发明提供的锂离子电池热失控分级预警方法,据正常电池的历史电池特征要素作为训练集,逐渐修正缩小预测出的特征要素与历史电池特征要素真实值之间的差异,在进行预测时由于模型是采用正常数据进行的训练和检验,因此根据实时监测数据得到的预测值均为正常状态的预测值。进而与该时刻的真实值进行比较,两者相差越大表明电池热失控风险越大。如此操作,能够在时间序列上,***电池工作状态,实现真正意义上的热失控预警。
3.本发明提供的锂离子电池热失控分级预警方法,模型训练时,将预测值和训练集的真实值产生的loss返回,加强训练效果,并能减小整个模型的训练工作量。
附图说明
图1为本发明锂离子电池热失控分级预警方法的模型训练方法流程图。
图2为本发明锂离子电池热失控分级预警的组成结构框图。
图3为长短期记忆网络的结构图。
图4为时间卷积网络的结构图。
图5为GRU神经网络的结构图。
图6为正态分布的概率密度函数在频域上的图像。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合具体实施例对本发明进行详细描述。
在此,还需要说明的是,为了避免因不必要的细节而模糊了本发明,在具体实施例中仅仅示出了与本发明的方案密切相关的结构和/或处理步骤,而省略了与本发明关系不大的其他细节。
另外,还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
锂离子电池在长期供电工作过程中,由于自身寿命问题或外界环境问题,可能导致温度失常,严重的可能导致火灾事故的发生。温度失常的发生通常不是骤变的,通常表现为一个变化趋势,如果不能及时预警和处理,可能逐步发展为不可控的热失控事故。基于此,本发明提供一种高精度的锂离子电池热失控分级预警方法,根据锂离子电池历史的监测参数,准确的预测出后续时刻正常状态下的参数,然后与实时监测的参数进行比对,如果实时监测的参数与预测出的相应时间的参数差别太远,则说明电池可能存在热失控风险,从而实现提前预警。
请参阅图1和2所示,本发明提供的一种锂离子电池热失控分级预警方法,包括以下步骤:
S1.采集无故障的电池在时间序列上的特征要素(历史电池特征要素),分别训练长短期记忆网络、时间卷积网络和GRU神经网络对时间序列上的电池特征要素的预测能力(即根据历史电池特征要素逐渐修正缩小预测出的特征要素与历史电池特征要素真实值之间的差异,训练集中任意进行比较的预测值与真实值应为同一时间点的值,从而实现对变化趋势的准确预测);如此操作,利用正常电池的历史数据对上述网络模型进行训练和检验,使得其能够历史数据***后续时刻的正常状态的电池特征要素;在进行预测时由于模型是采用正常数据进行的训练和检验,因此根据实时监测数据得到的预测值均为正常状态的预测值。
S2.采集待监控电池在时间序列上的电池特征要素,分别输入到训练好的所述长短期记忆网络、时间卷积网络和GRU神经网络中,得到三组预测值,将三组预测值进行等权重耦合,作为无故障预测值;综合起来进行等权重耦合可以修正结果,降低各自模型训练出来的系数偏差,并减少训练周期,使预测结果更加准确。
S3.继续采集待监控电池在时间序列上的电池特征要素作为真实值,与步骤S2得到的所述无故障预测值进行比较,两者相差越大表明电池热失控风险越大。
步骤S3还包括:将所述真实值与无故障预测值之差的绝对值与所述无故障预测值的比值作为热失控预警系数,所述热失控预警系数越大,表明电池热失控风险越大。
步骤S3还包括:将所述热失控预警系数分为若干个等级区间,进行分级预警;其中,所处的等级区间的上限值越大,表明电池热失控风险越大。例如,按整个区间为0~100%,每个区间范围为25%的尺度,将其划分为四个等级区间:[0-25%]、[26-50%]、[51-75%]和[76-100%]。当得到的热失控预警系数所属区间值越大,热失控风险越大,进行不同程度的预警。
所述电池特征要素包括但不限于为电池的温度、电流、电压、荷电状态中的一种或多种。优选为温度、电流、电压和荷电状态,通过多种电池特征要素的集中训练,能够提高电池正常状态的预测准确率。采用本发明的预警方法,由于预警模型是基于非热失控故障电池的特征要素进行的训练,因此能够灵敏地根据正常电池的历史电池特征要素给出后续一定时刻的电池特征要素预测值。例如:假如t1-t3时刻电池工作正常,t4时刻电池有热失控倾向,或为热失控发展起点。则上述三个网络组成的预测模型能够根据t1-t3时刻的电池特征要素,给出t4时刻的正常状态下的电池特征要素,与t4时刻的监测真实值进行比较,就能准确地判断出t4时刻的异常,立即进行预警以采取相应应对措施。但是利用现有技术,在t4时刻的热失控发展起点可能还无法灵敏地判断出其为热失控状态,从而不能进行提前预警。
在步骤S1中,所述无故障的电池特征要素是通过高斯滤波器过滤掉热失控的电池特征要素而得到,即采用高斯滤波器将采集到的电池特征要素的离奇点数据(即热失控电池数据)过滤。所述高斯滤波器为频域宽度为±200w,阈值为Π/100的低通滤波器。例如使用均值滤波器进行逼近,其反应函数为:
请参阅图6所示,为正态分布的概率密度函数在频域上的图像。σ2表示正态分布方差,σ增大则图形越“宽”,峰值越低;x是自变量,代表输入时间序列经傅里叶变换到频域上的主频率(即频率峰值),因为要滤除高频的热失控电池信号,故采用高斯滤波器,随着主频率增大,其权值g(x)越低,接近于零,即可完成过滤。
在步骤S1中,所述预测能力的训练包括:采用时间序列上的无故障的电池特征要素对所述长短期记忆网络、时间卷积网络和GRU神经网络分别进行训练,耦合得到预测结果,即电池特征要素在时间上的变化趋势值;然后返回三个网络各自的loss值,继续进行训练。
具体地,请参阅图3至5所示。图3为长短期记忆网络(LSTM)结构图,图3中A框中的结构代表细胞状态(ct),B框中的结构代表遗忘门(ft),其中σ为sigmoid函数,输出ft在0~1,代表遗忘概率。C框中的结构代表输入门,其中σ仍为sigmoid函数,tanh为激活函数,综合起来更新细胞状态。D框中的结构代表细胞更新,其中,输入细胞状态首先与遗忘门输出相乘,之后再与输入门的it与at的乘积相加。E框中的结构代表隐藏状态ht,为上一节点的隐藏状态和本节点的输入信号通过sigmoid函数与细胞状态相乘。
LSTM的损失函数为MSE损失函数:
loss(xi,yi)=(xi-yi)2
其中,xi为预测要素,yi为实际要素输出预测值,会以差的平方形式返回。
采用长短期记忆网络具有如下优势:(1)不会发生梯度消失或者梯度***,每个时间步都可能改变连接权重。(2)遗忘门,sigmoid和tanh等函数参与神经细胞内部自循环,对一个处理时间序列信号的***而言,LSTM的内部细胞状态的时间信息的输入是前一个神经元的输出,所以不需要外部手动决定LSTM应该忘记或者记住什么信息,神经元内部是自环的。
图4为时间卷积网络的结构图,选用因果卷积TCN模型。所述TCN模型包含一层输入层,两层隐藏层和一层输出层,即对于上一层t时刻的值,只依赖于下一层t时刻及其之前的值。每层首位用0填充,严格单向,不能看到未来的数据,它是单向的结构,不是双向的,是一种严格的时间序列模型。损失函数采用平均绝对误差MAD,如下式所示:
其中,xi为真实值,m(x)为预测值
时间卷积网络具有如下特点:
(1)时间卷积网络固有特性使得TCN可以提取时间序列信号中不同的特征值与特征向量。
(2)具有数据处理的并行性。当给定一个时间序列信号时,TCN可以将其并行的处理,而不需要像RNN那样顺序的处理。
(3)时间卷积网络同样很少存在梯度消失或梯度***的问题(传统神经网络在处理信号的过程中,由于每一层都有激活函数的影响,会造成一些特征权重随层数增多不断增大,一些特征权重不断减小的情况),因为主要是采用卷积核进行卷积,全连接层才会统一对提取出的不同特征向量进行有权重的映射。
(4)占用内存更低。RNN在使用时需要将每步的信息都保存下来,这会占据大量的内存,TCN在一层里面卷积核是共享的,内存使用更低。
图5为GRU神经网络结构图,GRU与LSTM相比,将忘记门和输入门合成了一个单一的更新门。同样还混合了细胞状态和隐藏状态,加诸其他一些改动。最终的模型比标准的LSTM模型简单。损失函数亦采用MSE函数。
GRU是LSTM的一种,将忘记门与输入门合并为一个更新门,减少了很多系数与计算要求,虽然精确度不如LSTM,但是计算快,而且可以避免LSTM由于计算过多导致的误差。
如此将上述三种网络综合起来进行等权重耦合,不仅可以修正结果,降低各自模型训练出来的系数偏差,还能减少训练周期,使预测结果更加准确。
本发明还提供了一种锂离子电池热失控分级预警***,包括:
数据采集模块,用于采集电池的特征要素数据;
热失控模型构建模块,用于将长短期记忆网络、时间卷积网络和GRU神经网络并列构建为与电池的特征要素相关联的预测模型,并采用无故障的电池特征要素对其预测能力进行训练;
热失控预警模块,用于将待监控电池在时间序列上的电池特征要素输入至所述预测模型,得到某一时刻的预测值,然后与采集到的该时刻对应的真实值比较,得到热失控预警结果。
所述锂离子电池热失控分级预警***还包括等权重耦合模块,用于将长短期记忆网络、时间卷积网络和GRU神经网络的预测值进行等权重耦合。不仅可以修正结果,降低各自模型训练出来的系数偏差,还能减少训练周期,使预测结果更加准确。
综上所述,本发明提供的热失控分级预警方法及预警***,采用长短期记忆网络、时间卷积网络和GRU神经网络分别预测,并进行等权重耦合,既综合了各自的优势,又避免了各自模型训练出来的系数偏差过大问题,还能减少训练周期,从而实现高精度的电池热失控分级检测,提高锂离子电池热失控预警的速度和精度;而且能够在时间序列上,***电池工作状态,实现真正意义上的热失控预警。
以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种锂离子电池热失控分级预警方法,其特征在于,包括以下步骤:
S1.采集无故障的电池特征要素,分别训练长短期记忆网络、时间卷积网络和GRU神经网络对时间序列上的电池特征要素的预测能力;
S2.采集待监控电池在时间序列上的电池特征要素,分别输入到训练好的所述长短期记忆网络、时间卷积网络和GRU神经网络中,得到三组预测值,将三组预测值进行等权重耦合,作为无故障预测值;
S3.继续采集待监控电池在时间序列上的电池特征要素作为真实值,与步骤S2得到的所述无故障预测值进行比较,两者相差越大表明电池热失控风险越大。
2.根据权利要求1所述的锂离子电池热失控分级预警方法,其特征在于,所述电池特征要素包括但不限于为电池的温度、电流、电压、荷电状态中的一种或多种。
3.根据权利要求1所述的锂离子电池热失控分级预警方法,其特征在于,在步骤S1中,所述无故障的电池特征要素是通过高斯滤波器过滤掉热失控的电池特征要素而得到。
4.根据权利要求3所述的锂离子电池热失控分级预警方法,其特征在于,所述高斯滤波器为频域宽度为±200w,阈值为Π/100的低通滤波器。
5.根据权利要求1所述的锂离子电池热失控分级预警方法,其特征在于,在步骤S1中,所述预测能力的训练包括:采用时间序列上的无故障的电池特征要素对所述长短期记忆网络、时间卷积网络和GRU神经网络分别进行训练,耦合得到预测结果,即电池特征要素在时间上的变化趋势值;然后返回三个网络各自的loss值,继续进行训练。
6.根据权利要求5所述的锂离子电池热失控分级预警方法,其特征在于,所述长短期记忆网络和GRU神经网络的loss值通过MSE损失函数得到;所述时间卷积网络的loss值通过平均绝对偏差MAD得到。
7.根据权利要求1所述的锂离子电池热失控分级预警方法,其特征在于,步骤S3还包括:将所述真实值与无故障预测值之差的绝对值与所述无故障预测值的比值作为热失控预警系数,所述热失控预警系数越大,表明电池热失控风险越大。
8.根据权利要求7所述的锂离子电池热失控分级预警方法,其特征在于,步骤S3还包括:将所述热失控预警系数分为若干个等级区间,进行分级预警;其中,所处的等级区间的上限值越大,表明电池热失控风险越大。
9.一种锂离子电池热失控分级预警***,其特征在于,包括:
数据采集模块,用于采集电池的特征要素数据;
热失控模型构建模块,用于将长短期记忆网络、时间卷积网络和GRU神经网络并列构建为与电池的特征要素相关联的预测模型,并采用无故障的电池特征要素对其预测能力进行训练;
热失控预警模块,用于将待监控电池在时间序列上的电池特征要素输入至所述预测模型,得到某一时刻的预测值,然后与采集到的该时刻对应的真实值比较,得到热失控预警结果。
10.根据权利要求9所述的锂离子电池热失控分级预警***,其特征在于,所述锂离子电池热失控分级预警***还包括等权重耦合模块,用于将长短期记忆网络、时间卷积网络和GRU神经网络的预测值进行等权重耦合。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110435874.XA CN113344024B (zh) | 2021-04-22 | 2021-04-22 | 锂离子电池热失控分级预警方法及预警*** |
AU2021102629A AU2021102629A4 (en) | 2021-04-22 | 2021-05-17 | Lithium battery thermal runaway multi-level detection and early warning system and judgment method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110435874.XA CN113344024B (zh) | 2021-04-22 | 2021-04-22 | 锂离子电池热失控分级预警方法及预警*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113344024A true CN113344024A (zh) | 2021-09-03 |
CN113344024B CN113344024B (zh) | 2022-04-12 |
Family
ID=76662634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110435874.XA Active CN113344024B (zh) | 2021-04-22 | 2021-04-22 | 锂离子电池热失控分级预警方法及预警*** |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113344024B (zh) |
AU (1) | AU2021102629A4 (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113962452A (zh) * | 2021-10-15 | 2022-01-21 | 佛山科学技术学院 | 一种热失控蔓延预测方法及预测*** |
CN114460481A (zh) * | 2022-01-27 | 2022-05-10 | 重庆邮电大学 | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 |
CN115034312A (zh) * | 2022-06-14 | 2022-09-09 | 燕山大学 | 一种双神经网络模型卫星电源***故障诊断方法 |
CN115184808A (zh) * | 2022-07-05 | 2022-10-14 | 东莞新能安科技有限公司 | 电池热失控风险检测方法、装置、设备及计算机存储介质 |
CN115294745A (zh) * | 2022-05-23 | 2022-11-04 | 电子科技大学 | 一种基于神经网络与数据差分的锂电池热失控分层预警方法 |
CN115420401A (zh) * | 2022-08-25 | 2022-12-02 | 上海玫克生储能科技有限公司 | 一种预警方法、预警***、存储介质及电子设备 |
CN116430245A (zh) * | 2023-06-14 | 2023-07-14 | 威海谱跃光电科技有限公司 | 基于梯度优化多物理信息神经网络的电池热失控预测方法 |
WO2023159638A1 (zh) * | 2022-02-28 | 2023-08-31 | 宁德时代新能源科技股份有限公司 | 电池故障检测***、方法和设备 |
CN116720073A (zh) * | 2023-08-10 | 2023-09-08 | 江苏金恒信息科技股份有限公司 | 一种基于分类器的异常检测提取方法与*** |
CN117388725A (zh) * | 2023-03-13 | 2024-01-12 | 中国石油大学(华东) | 一种基于锂离子电池膨胀力的早期异常预警方法 |
CN117691227A (zh) * | 2024-02-04 | 2024-03-12 | 江苏林洋亿纬储能科技有限公司 | 用于电池储能***安全预警的方法和***及计算设备 |
CN117895119A (zh) * | 2024-03-13 | 2024-04-16 | 天芯电子科技(山东)有限公司 | 锂电池热失控预警***及方法 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113702836B (zh) * | 2021-07-23 | 2023-08-18 | 国家电网有限公司西北分部 | 一种基于emd-gru锂离子电池荷电状态估计方法 |
CN113591404B (zh) * | 2021-09-29 | 2021-12-07 | 杭州宇谷科技有限公司 | 一种基于深度学习的电池异常检测***及方法 |
CN115032548B (zh) * | 2022-05-25 | 2023-03-21 | 广州汽车集团股份有限公司 | 一种汽车蓄电池预警方法与*** |
CN117346946B (zh) * | 2023-11-29 | 2024-05-03 | 宁德时代新能源科技股份有限公司 | 气压采样电路、方法、电池管理***及用电装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108519556A (zh) * | 2018-04-13 | 2018-09-11 | 重庆邮电大学 | 一种基于循环神经网络的锂离子电池soc预测方法 |
WO2019017991A1 (en) * | 2017-07-21 | 2019-01-24 | Quantumscape Corporation | PREDICTIVE MODEL FOR ESTIMATING BATTERY CONDITIONS |
US20190242936A1 (en) * | 2018-02-05 | 2019-08-08 | Wuhan University | Fault diagnosis method for series hybrid electric vehicle ac/dc converter |
CN111999648A (zh) * | 2020-08-20 | 2020-11-27 | 浙江工业大学 | 一种基于长短期记忆网络的锂电池剩余寿命预测方法 |
-
2021
- 2021-04-22 CN CN202110435874.XA patent/CN113344024B/zh active Active
- 2021-05-17 AU AU2021102629A patent/AU2021102629A4/en not_active Ceased
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019017991A1 (en) * | 2017-07-21 | 2019-01-24 | Quantumscape Corporation | PREDICTIVE MODEL FOR ESTIMATING BATTERY CONDITIONS |
US20190242936A1 (en) * | 2018-02-05 | 2019-08-08 | Wuhan University | Fault diagnosis method for series hybrid electric vehicle ac/dc converter |
CN108519556A (zh) * | 2018-04-13 | 2018-09-11 | 重庆邮电大学 | 一种基于循环神经网络的锂离子电池soc预测方法 |
CN111999648A (zh) * | 2020-08-20 | 2020-11-27 | 浙江工业大学 | 一种基于长短期记忆网络的锂电池剩余寿命预测方法 |
Non-Patent Citations (2)
Title |
---|
XIA B,ET AL.: "A correlation based fault detection method for short circuits in battery packs", 《JOURNAL OF POWER SOURCES》 * |
刘月峰 等: "锂离子电池RUL预测方法综述", 《计算机工程》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113962452A (zh) * | 2021-10-15 | 2022-01-21 | 佛山科学技术学院 | 一种热失控蔓延预测方法及预测*** |
CN114460481A (zh) * | 2022-01-27 | 2022-05-10 | 重庆邮电大学 | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 |
WO2023159638A1 (zh) * | 2022-02-28 | 2023-08-31 | 宁德时代新能源科技股份有限公司 | 电池故障检测***、方法和设备 |
CN115294745A (zh) * | 2022-05-23 | 2022-11-04 | 电子科技大学 | 一种基于神经网络与数据差分的锂电池热失控分层预警方法 |
CN115294745B (zh) * | 2022-05-23 | 2023-09-29 | 电子科技大学 | 一种基于神经网络与数据差分的锂电池热失控分层预警方法 |
CN115034312B (zh) * | 2022-06-14 | 2023-01-06 | 燕山大学 | 一种双神经网络模型卫星电源***故障诊断方法 |
CN115034312A (zh) * | 2022-06-14 | 2022-09-09 | 燕山大学 | 一种双神经网络模型卫星电源***故障诊断方法 |
CN115184808A (zh) * | 2022-07-05 | 2022-10-14 | 东莞新能安科技有限公司 | 电池热失控风险检测方法、装置、设备及计算机存储介质 |
CN115420401A (zh) * | 2022-08-25 | 2022-12-02 | 上海玫克生储能科技有限公司 | 一种预警方法、预警***、存储介质及电子设备 |
CN117388725A (zh) * | 2023-03-13 | 2024-01-12 | 中国石油大学(华东) | 一种基于锂离子电池膨胀力的早期异常预警方法 |
CN117388725B (zh) * | 2023-03-13 | 2024-07-05 | 中国石油大学(华东) | 一种基于锂离子电池膨胀力的早期异常预警方法 |
CN116430245A (zh) * | 2023-06-14 | 2023-07-14 | 威海谱跃光电科技有限公司 | 基于梯度优化多物理信息神经网络的电池热失控预测方法 |
CN116720073A (zh) * | 2023-08-10 | 2023-09-08 | 江苏金恒信息科技股份有限公司 | 一种基于分类器的异常检测提取方法与*** |
CN117691227A (zh) * | 2024-02-04 | 2024-03-12 | 江苏林洋亿纬储能科技有限公司 | 用于电池储能***安全预警的方法和***及计算设备 |
CN117691227B (zh) * | 2024-02-04 | 2024-04-26 | 江苏林洋亿纬储能科技有限公司 | 用于电池储能***安全预警的方法和***及计算设备 |
CN117895119A (zh) * | 2024-03-13 | 2024-04-16 | 天芯电子科技(山东)有限公司 | 锂电池热失控预警***及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113344024B (zh) | 2022-04-12 |
AU2021102629A4 (en) | 2021-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113344024B (zh) | 锂离子电池热失控分级预警方法及预警*** | |
CN111007401A (zh) | 一种基于人工智能的电动汽车电池故障诊断方法及设备 | |
Fan et al. | Research and application of smart grid early warning decision platform based on big data analysis | |
Zhang et al. | Intelligent state of charge estimation of battery pack based on particle swarm optimization algorithm improved radical basis function neural network | |
Wang et al. | Health diagnosis for lithium-ion battery by combining partial incremental capacity and deep belief network during insufficient discharge profile | |
Jiang et al. | A fault diagnosis method for electric vehicle power lithium battery based on wavelet packet decomposition | |
Zheng et al. | A fault prediction of equipment based on CNN-LSTM network | |
Sun et al. | A novel fault prediction method based on convolutional neural network and long short-term memory with correlation coefficient for lithium-ion battery | |
Shi et al. | Study of wind turbine fault diagnosis and early warning based on SCADA data | |
Diao et al. | Research on Electric Vehicle Charging Safety Warning Based on A-LSTM Algorithm | |
CN113935423A (zh) | 耦合模糊控制规则与Elman神经网络的动力电池故障预警方法与*** | |
CN112085043B (zh) | 一种变电站网络安全智能监控方法及*** | |
Zhang et al. | Remaining useful life prediction of lithium-ion batteries based on TCN-DCN fusion model combined with IRRS filtering | |
You et al. | Capacity Estimation of lithium battery based on charging data and Long Short-term Memory Recurrent Neural Network | |
Wang et al. | A double-layer fault diagnosis strategy for electric vehicle batteries based on Gaussian mixture model | |
Mehta et al. | A Comprehensive study of Machine Learning Techniques used for estimating State of Charge for Li-ion Battery | |
Xin et al. | Prediction of remaining useful life of proton exchange membrane fuel cell based on wavelet-LSTM | |
Wang et al. | The Application Research of Deep Learning Based Method for Short-term Wind Speed Forecasting | |
Liu et al. | Battery fault diagnosis scheme based on improved RBF neural network | |
LU500227B1 (en) | A system and a method for smart grading and early warning the thermal runaway of a lithium-ion battery | |
Zhang et al. | Wind Speed Prediction with LSTM and BPNN Method | |
Ren et al. | A study of wind speed prediction based on particle swarm algorithm to optimize the parameters of sparse least squares support vector | |
Tang et al. | Rul prediction of lithium batteries based on dlukf algorithm | |
Yang et al. | Electric Vehicle Charging Anomaly Detection Method Based on Multivariate Gaussian Distribution Model | |
Luciani et al. | A machine learning method for state of charge estimation in lead-acid batteries for heavy-duty vehicles |
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 |