CN114325406A - 一种基于机器学习思维预测电池热失控的方法及*** - Google Patents

一种基于机器学习思维预测电池热失控的方法及*** Download PDF

Info

Publication number
CN114325406A
CN114325406A CN202111657836.5A CN202111657836A CN114325406A CN 114325406 A CN114325406 A CN 114325406A CN 202111657836 A CN202111657836 A CN 202111657836A CN 114325406 A CN114325406 A CN 114325406A
Authority
CN
China
Prior art keywords
thermal runaway
battery
data
real
training
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111657836.5A
Other languages
English (en)
Inventor
杨凌霄
邓承浩
牟丽莎
朱骞
丁灿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Changan New Energy Automobile Technology Co Ltd
Original Assignee
Chongqing Changan New Energy Automobile Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing Changan New Energy Automobile Technology Co Ltd filed Critical Chongqing Changan New Energy Automobile Technology Co Ltd
Priority to CN202111657836.5A priority Critical patent/CN114325406A/zh
Publication of CN114325406A publication Critical patent/CN114325406A/zh
Priority to EP22212249.1A priority patent/EP4207432B1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • 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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • H01M10/486—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for measuring temperature
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H01M2010/4278—Systems for data transfer from batteries, e.g. transfer of battery parameters to a controller, data transferred between battery controller and main controller
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M2200/00—Safety devices for primary or secondary batteries
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M2220/00—Batteries for particular applications
    • H01M2220/20—Batteries in motive systems, e.g. vehicle, ship, plane

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及一种基于机器学习思维预测电池热失控的方法及***，该方法包括以下步骤：S01：获取热失控数据相关的特征参数，其中，热失控数据存储于预先建立的电池真实数据库；S02：划分训练集与测试集，其中，训练集与测试集皆来源于电池真实数据库；S03：构造调优算法的线性回归预测器；S04：基于训练集训练线性回归预测器；S05：基于测试集预测热失控的真实参数，即输入S01中的电池真实数据至线性回归预测器，将线性回归预测器预测的结果与S01中的电池真实数据比对。本发明利用海量数据使模型快速迭代，完善热失控状态特征值，有效提高热失控判定准确率，预测热事件。

Description

一种基于机器学习思维预测电池热失控的方法及***
技术领域
本发明属于电池管理***技术领域，具体涉及基于机器学习思维预测电池热失控的技术。
背景技术
当前社会能源压力越来越大，石油作为不可再生资源，通过太阳能的一次能源转化得到，周期长达数百万年。由于全球环保意思逐步加强，以燃油为动力的交通工具，大型机械设备正慢慢地被替换为电力驱动的产品，一系列研究证明，在汽车服役的整个生命周期，电池驱动远远低于石油驱动造成的污染，锂电子电池汽车已大量出现在我们身边，极大降低人们的出行成本。但是，由于锂电池的电化学活性较强，在充放电过程中，电芯(单体电池)层面的锂离子在正负极材料以及隔膜中快速嵌入脱出，对结构产生不可逆损伤，不仅影响车辆整体的续航能力，更涉及到安全，因此整个行业社会都极其关注新能源汽车的热失控安全。
传统的热失控实验数据表明，电池即将处于热失控状态时，温度、电压和气压值会在一个时间周期内剧烈变化，并呈现一定的规律性。现阶段热失控策略是以电芯自身特性为基础并根据电池包热试验缩小相关参数范围，通过数据分析由热安全工程师确定报警阈值，并通过一系列条件组合仲裁，报出热失控故障。这种方式由以下几个缺陷：
第一，人为确定阈值极其依赖经验值，且包含主观性，海量电池数据得不到有效利用，也没有一种方式评价阈值设置的合理性。
第二，策略需要考虑传感器或其他控制器发生故障的特殊情况，需要不断修改策略模型，浪费研发人员时间和经理，且人为迭代效率不高，易出错。
第三，很难依靠云端优势和技术进步，在大数据层面去检测车辆安全，更新热失控策略。
发明内容
本发明的目的是提供一种基于机器学习思维预测电池热失控的方法及***，解决的技术问题：现阶段热失控策略是以电芯自身特性为基础并根据电池包热试验缩小相关参数范围，通过数据分析由热安全工程师确定报警阈值，并通过一系列条件组合仲裁，报出热失控故障，这种方式存在的问题为：
第一，人为确定阈值极其依赖经验值，且包含主观性，海量电池数据得不到有效利用，也没有一种方式评价阈值设置的合理性；
第二，策略需要考虑传感器或其他控制器发生故障的特殊情况，需要不断修改策略模型，浪费研发人员时间和经理，且人为迭代效率不高，易出错；
第三，很难依靠云端优势和技术进步，在大数据层面去检测车辆安全，更新热失控策略。
为解决上述技术问题，本发明采用的技术方案为：一种基于机器学习思维预测电池热失控的方法，包括以下步骤：
S01：获取热失控数据相关的特征参数，其中，所述热失控数据存储于预先建立的电池真实数据库；
S02：划分训练集与测试集，其中，所述训练集与测试集皆来源于所述电池真实数据库；
S03：构造调优算法的线性回归预测器；
S04：基于所述训练集训练所述线性回归预测器；
S05：基于所述测试集预测热失控的真实参数，即输入所述S01的电池真实数据库中的电池真实数据至所述线性回归预测器，将所述线性回归预测器预测的结果与所述S01的电池真实数据库中的电池真实数据比对。
优选地，
在所述S03中，将所述训练集均分为若干小样本，每次热失控模型迭代后遍历所述小样本，计算梯度增量平均值，并基于梯度增量平均值更新热失控模型的参数。
优选地，
在所述S01中，所述参数为模组温度、气压及单体电压，其中，所述参数的数据来源为实验烧整包实时数据、电池厂的电芯性能数据、整车测试的正常工况数据或已投入市场发生热失控事件的车辆记录的现场数据。
优选地，
所述参数还包括采样故障和通讯故障。
优选地，
在所述S04中，利用学***均训练损失。
本发明还一种基于机器学习思维预测电池热失控的***，包括：
获取模块，用于获取热失控数据相关的特征参数，其中，所述热失控数据存储于预先建立的电池真实数据库；
划分模块，用于划分训练集与测试集，其中，所述训练集与测试集皆来源于所述电池真实数据库；
构造模块，用于构造调优算法的线性回归预测器；
训练模块，用于基于所述训练集训练所述线性回归预测器；
比对模块，用于基于所述测试集预测热失控的真实参数，即输入所述获取模块的电池真实数据库中的电池真实数据至所述线性回归预测器，将所述线性回归预测器预测的结果与所述获取模块的电池真实数据库中的电池真实数据比对。
优选地，
在所述构造模块中，将所述训练集均分为若干小样本，每次热失控模型迭代后遍历所述小样本，计算梯度增量平均值，并基于梯度增量平均值更新热失控模型的参数。
优选地，
在所述获取模块中，所述参数为模组温度、气压及单体电压，其中，所述参数的数据来源为实验烧整包实时数据、电池厂的电芯性能数据、整车测试的正常工况数据或已投入市场发生热失控事件的车辆记录的现场数据。
优选地，
所述参数还包括采用故障和通讯故障。
优选地，
在所述训练模块中，利用学***均训练损失。
通过采用上述技术方案，本发明可达到的有益技术效果陈述如下：在本发明中，记录热失控事件相关数据(数据样本足够多且详细)，利用机器学习思维构建的线性回归模型不断完善(学习)热失控特征，并进行数据的快速迭代，对车辆热失控状态进行预测，满足热失控事件特征值(阈值)即报出热失控。本发明的优点：
第一，不需人为提供策略。
第二，利用海量数据使模型快速迭代，完善热失控状态特征值，有效提高热失控判定准确率，预测热时间。
第三，对特征值的深层次研究能够使基础科学工作者对电池热现象理解更加深入，继而实现真正的电池革命。
附图说明
图1为本发明的流程图
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示，本发明提供了一种基于机器学习思维预测电池热失控的方法，本方法的目标是通过数据输入，模型反复迭代，找到与热失控相关的线性组合(特征值)，精准并尽可能早地预测热失控事件。
本发明提供的一种基于机器学习思维预测电池热失控的方法，包括以下步骤：
S01：获取热失控数据相关的特征参数，其中，热失控数据存储于预先建立的电池真实数据库；
S02：划分训练集与测试集，其中，训练集与测试集皆来源于电池真实数据库，训练集是让热失控预测模型做机器学习的数据集；测试集是用来验证迭代后的所述热失控预测模型学习度的数据集；
S03：构造调优算法的线性回归预测器；
具体地，构建线性回归模型：
定义数学符号D＝{(x(1)，y(1))，(x(2)，y(2))，...，(x(m)，y(m))}，其中m代表数据集的大小，
Figure BDA0003446475350000041
其中n代表属性个数，y(i)为对应输入样本x(i)的真实结果。对其进行公式表示：
Figure BDA0003446475350000042
为了达成目标(即对于每组输入数据x(i)，使得预测值fθ(x(i))尽可能接近真实值y(i)，甚至相等)，定义损失函数
Figure BDA0003446475350000043
θ为初始值随机生成，通过机器学习不断调整θ以使L(θ)收敛，取得最小值。
伪代码：
Figure BDA0003446475350000044
Figure BDA0003446475350000051
其中w为待优化的参数，Δw为参数w的梯度增量。
Python实现手段(部分代码)：
#线性回归类定义
Class LinearRegression(object):
def_init_(self,input_data,realresult,theta＝None):#初始化def Cost(self):#计算损失函数
def Shuffle_Sequence(self):#随机打乱原始数据集
def MBGD(self,alpha,batch_size):#小批量梯度下降算法函数
def train_MBGD(self,iter,mini_batch,alpha):#迭代训练函数
def test(self,test_data):#测试函数
def predict(self,data):#预测函数
下面对几个核心函数进行分解
#小批量梯度下降算法函数
def MBGD(self,alpha,batch_size):
“””
:param alpha:学习率
:param batch_size:小批量样本规模
“””
#定义梯度增量数组
gradient_increasment＝[]
#对小样本训练集进行遍历，利用梯度增量平均值对模型参数进行更新
for(data,result)in zip(Mini_Train_Data,Mini_Train_Result):
#计算每组input_data的梯度增量，并放入增量数组
g＝(result–data.dot(self.Theta))*data
gradient_increasment.append(g)
#计算平均值
avg_g＝np.average(gradient_increasment,θ)
#更新模型参数
self.Theta＝self.Theta+alpha*avg_g
#MBGD训练函数
“””
:param iter：迭代次数
“””
#定义平均训练损失数组，记录迭代损失
Cost＝[]
S04：基于训练集训练线性回归预测器；
具体地，#开始进行迭代训练
for i in range(iter):
#利用学习率(alpha)，结合算法(MBGD)进行训练
Self.MBGD(alpha,batch_size)
#记录每次迭代的平均训练损失
Cost.append(self.Cost())
Cost＝np.array(Cost)
return Cost
S05：基于测试集预测热失控的真实参数，即输入S01的电池真实数据库中的电池真实数据至线性回归预测器，将线性回归预测器预测的结果与S01的电池真实数据库中的电池真实数据比对。
具体地，以预测函数中线性相关数值θ为基础去预测下一次的热失控事件，并将回归参数再次输入优化模型，不断迭代，在样本量数据极大的条件下，不断接近(≈)真实值。
本发明可用于大数据(云端)监控，也可在离线条件下使用(需定期连接服务器更新模型)，观测并提前预警重大热失控危险，保障生命财产安全。
具体地，
在S03中，将训练集均分为若干小样本，每次热失控模型迭代后遍历小样本，计算梯度增量平均值，并基于梯度增量平均值更新热失控模型的参数。
具体地，
在S01中，参数为模组温度、气压及单体电压，其中，参数的数据来源为实验烧整包实时数据、电池厂的电芯性能数据、整车测试的正常工况数据或已投入市场发生热失控事件的车辆记录的现场数据。
具体地，
参数还包括采样故障和通讯故障。
具体地，
在S04中，利用学***均训练损失。
本发明还提供一种基于机器学习思维预测电池热失控的***，包括：
获取模块，用于获取热失控数据相关的特征参数，其中，热失控数据存储于预先建立的电池真实数据库；
划分模块，用于划分训练集与测试集，其中，训练集与测试集皆来源于电池真实数据库，训练集是让热失控预测模型做机器学习的数据集；测试集是用来验证迭代后的热失控预测模型学习度的数据集；
构造模块，用于构造调优算法的线性回归预测器；
训练模块，用于基于训练集训练所述线性回归预测器；
比对模块，用于基于测试集预测热失控的真实参数，即输入获取模块的电池真实数据库中的电池真实数据至线性回归预测器，将线性回归预测器预测的结果与获取模块的电池真实数据库中的电池真实数据比对。
具体地，
在构造模块中，将训练集均分为若干小样本，每次热失控模型迭代后遍历小样本，计算梯度增量平均值，并基于梯度增量平均值更新热失控模型的参数。
具体地，
在获取模块中，参数为模组温度、气压及单体电压，其中，参数的数据来源为实验烧整包实时数据、电池厂的电芯性能数据、整车测试的正常工况数据或已投入市场发生热失控事件的车辆记录的现场数据。
具体地，
参数还包括采用故障和通讯故障。
具体地，
在训练模块中，利用学***均训练损失。
由以上实施例的内容可见，本发明是利用线性回归的思路，设计小批量梯度下降算法(MBGD)，它的特点是：随机打乱数据训练集，均分若干小样本，在每次模型迭代后遍历小样本，计算梯度增量平均值去调整超参数。首先建立热失控模型，输入相关参数“首次学习”，例如：温度，气压和电压数据(单体温升、模组过温、单体压差、单体欠压、整包气压)，数据来源于实验烧整包实时数据(如数据样本不足可参考仿真数据或电池厂提供的电芯性能数据)，同样地，在投入市场的车辆中，如果发生热失控事件，记录现场数据进行回传，完善数据库并对模型迭代升级。需要特别说明的是，采用故障和通讯故障为热失控相关参数，但不是必然发生。
本发明的算法目标是：通过数据输入，模型反复迭代，找到与热失控相关的线性组合(特征值)，精准并尽可能早地预测热失控事件。

Claims (10)

1.一种基于机器学习思维预测电池热失控的方法，其特征在于，包括以下步骤：
S01：获取热失控数据相关的特征参数，其中，所述热失控数据存储于预先建立的电池真实数据库；
S02：划分训练集与测试集，其中，所述训练集与测试集皆来源于所述电池真实数据库；
S03：构造调优算法的线性回归预测器；
S04：基于所述训练集训练所述线性回归预测器；
S05：基于所述测试集预测热失控的真实参数，即输入所述S01的电池真实数据库中的电池真实数据至所述线性回归预测器，将所述线性回归预测器预测的结果与所述S01的电池真实数据库中的电池真实数据比对。
2.根据权利要求1所述的基于机器学习思维预测电池热失控的方法，其特征在于，
在所述S03中，将所述训练集均分为若干小样本，每次热失控模型迭代后遍历所述小样本，计算梯度增量平均值，并基于梯度增量平均值更新热失控模型的参数。
3.根据权利要求1所述的基于机器学习思维预测电池热失控的方法，其特征在于，
在所述S01中，所述参数为模组温度、气压及单体电压，其中，所述参数的数据来源为实验烧整包实时数据、电池厂的电芯性能数据、整车测试的正常工况数据或已投入市场发生热失控事件的车辆记录的现场数据。
4.根据权利要求3所述的基于机器学习思维预测电池热失控的方法，其特征在于，
所述参数还包括采样故障和通讯故障。
5.根据权利要求1所述的基于机器学习思维预测电池热失控的方法，其特征在于，
在所述S04中，利用学***均训练损失。
6.一种基于机器学习思维预测电池热失控的***，其特征在于，包括：
获取模块，用于获取热失控数据相关的特征参数，其中，所述热失控数据存储于预先建立的电池真实数据库；
划分模块，用于划分训练集与测试集，其中，所述训练集与测试集皆来源于所述电池真实数据库；
构造模块，用于构造调优算法的线性回归预测器；
训练模块，用于基于所述训练集训练所述线性回归预测器；
比对模块，用于基于所述测试集预测热失控的真实参数，即输入所述获取模块的电池真实数据库中的电池真实数据至所述线性回归预测器，将所述线性回归预测器预测的结果与所述获取模块的电池真实数据库中的电池真实数据比对。
7.根据权利要求6所述的基于机器学习思维预测电池热失控的***，其特征在于，
在所述构造模块中，将所述训练集均分为若干小样本，每次热失控模型迭代后遍历所述小样本，计算梯度增量平均值，并基于梯度增量平均值更新热失控模型的参数。
8.根据权利要求6所述的基于机器学习思维预测电池热失控的***，其特征在于，
在所述获取模块中，所述参数为模组温度、气压及单体电压，其中，所述参数的数据来源为实验烧整包实时数据、电池厂的电芯性能数据、整车测试的正常工况数据或已投入市场发生热失控事件的车辆记录的现场数据。
9.根据权利要求6所述的基于机器学习思维预测电池热失控的***，其特征在于，
所述参数还包括采用故障和通讯故障。
10.根据权利要求6所述的基于机器学习思维预测电池热失控的***，其特征在于，
在所述训练模块中，利用学***均训练损失。
CN202111657836.5A 2021-12-30 2021-12-30 一种基于机器学习思维预测电池热失控的方法及*** Pending CN114325406A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111657836.5A CN114325406A (zh) 2021-12-30 2021-12-30 一种基于机器学习思维预测电池热失控的方法及***
EP22212249.1A EP4207432B1 (en) 2021-12-30 2022-12-08 Method and system for predicting thermal runaway of battery based on machine learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111657836.5A CN114325406A (zh) 2021-12-30 2021-12-30 一种基于机器学习思维预测电池热失控的方法及***

Publications (1)

Publication Number Publication Date
CN114325406A true CN114325406A (zh) 2022-04-12

Family

ID=81019141

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111657836.5A Pending CN114325406A (zh) 2021-12-30 2021-12-30 一种基于机器学习思维预测电池热失控的方法及***

Country Status (2)

Country Link
EP (1) EP4207432B1 (zh)
CN (1) CN114325406A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114966413A (zh) * 2022-05-27 2022-08-30 深圳先进技术研究院 一种储能电池包的荷电状态预测方法
CN116860296A (zh) * 2023-07-13 2023-10-10 深圳市紫辰星新能源有限公司 一种固态电池包远程升级的应用方法及***

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117872166B (zh) * 2024-03-11 2024-05-14 广东采日能源科技有限公司 储能电池热失控检测方法、装置及电子设备
CN118070023A (zh) * 2024-04-24 2024-05-24 宁德时代新能源科技股份有限公司 电池故障预测方法、训练方法、装置、设备、介质及产品

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103033759A (zh) * 2012-12-11 2013-04-10 上海市电力公司 一种蓄电池热失控智能判断方法
US20160231386A1 (en) * 2015-02-06 2016-08-11 Samsung Electronics Co., Ltd. Method and apparatus for estimating state of battery
CN106569142A (zh) * 2016-11-11 2017-04-19 华中科技大学 一种动力锂离子电池热失控预警***及预警方法
CN110398699A (zh) * 2019-06-26 2019-11-01 清华大学 多传感器信息融合的动力电池热失控预警方法
CN111261957A (zh) * 2020-01-19 2020-06-09 国网江苏省电力有限公司电力科学研究院 基于分布控制的锂离子储能电池热失控保护***及方法
CN112092675A (zh) * 2020-08-31 2020-12-18 长城汽车股份有限公司 一种电池热失控预警方法、***及服务器
CN112380630A (zh) * 2020-11-27 2021-02-19 重庆长安新能源汽车科技有限公司 基于车联网数据的新能源汽车电池热失控风险的预测方法
CN112946486A (zh) * 2021-03-05 2021-06-11 首都机场集团公司北京大兴国际机场 机场电动车辆动力***的健康监控***
CN113442725A (zh) * 2021-04-30 2021-09-28 重庆长安汽车股份有限公司 一种动力电池热失控报警方法、***和车辆
US20210328281A1 (en) * 2018-12-29 2021-10-21 Contemporary Amperex Technology Co., Limited Battery pack
CN113571785A (zh) * 2021-08-12 2021-10-29 陕西奥林波斯电力能源有限责任公司 一种集中式储能设备安全处理***
US20220077507A1 (en) * 2020-07-30 2022-03-10 Cummins Inc. Detecting thermal events in battery packs

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113013514B (zh) * 2021-02-25 2022-08-05 吉林大学 一种车载锂离子动力电池的热失控气敏报警装置及其检测方法
CN113085555B (zh) * 2021-03-24 2022-06-03 东风汽车集团股份有限公司 一种电池包热失控后的警示方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103033759A (zh) * 2012-12-11 2013-04-10 上海市电力公司 一种蓄电池热失控智能判断方法
US20160231386A1 (en) * 2015-02-06 2016-08-11 Samsung Electronics Co., Ltd. Method and apparatus for estimating state of battery
CN106569142A (zh) * 2016-11-11 2017-04-19 华中科技大学 一种动力锂离子电池热失控预警***及预警方法
US20210328281A1 (en) * 2018-12-29 2021-10-21 Contemporary Amperex Technology Co., Limited Battery pack
CN110398699A (zh) * 2019-06-26 2019-11-01 清华大学 多传感器信息融合的动力电池热失控预警方法
CN111261957A (zh) * 2020-01-19 2020-06-09 国网江苏省电力有限公司电力科学研究院 基于分布控制的锂离子储能电池热失控保护***及方法
US20220077507A1 (en) * 2020-07-30 2022-03-10 Cummins Inc. Detecting thermal events in battery packs
CN112092675A (zh) * 2020-08-31 2020-12-18 长城汽车股份有限公司 一种电池热失控预警方法、***及服务器
CN112380630A (zh) * 2020-11-27 2021-02-19 重庆长安新能源汽车科技有限公司 基于车联网数据的新能源汽车电池热失控风险的预测方法
CN112946486A (zh) * 2021-03-05 2021-06-11 首都机场集团公司北京大兴国际机场 机场电动车辆动力***的健康监控***
CN113442725A (zh) * 2021-04-30 2021-09-28 重庆长安汽车股份有限公司 一种动力电池热失控报警方法、***和车辆
CN113571785A (zh) * 2021-08-12 2021-10-29 陕西奥林波斯电力能源有限责任公司 一种集中式储能设备安全处理***

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
戴璞微 等: "《机器学习入门 基于数学原理的Python实战》", 北京大学, pages: 29 - 43 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114966413A (zh) * 2022-05-27 2022-08-30 深圳先进技术研究院 一种储能电池包的荷电状态预测方法
CN116860296A (zh) * 2023-07-13 2023-10-10 深圳市紫辰星新能源有限公司 一种固态电池包远程升级的应用方法及***
CN116860296B (zh) * 2023-07-13 2024-04-09 深圳市紫辰星新能源有限公司 一种固态电池包远程升级的应用方法及***

Also Published As

Publication number Publication date
EP4207432A3 (en) 2023-09-06
EP4207432B1 (en) 2024-04-24
EP4207432A2 (en) 2023-07-05

Similar Documents

Publication Publication Date Title
Gan et al. Data-driven fault diagnosis of lithium-ion battery overdischarge in electric vehicles
CN114325406A (zh) 一种基于机器学习思维预测电池热失控的方法及***
CN111584952B (zh) 用于储能电站电化学电池在线评估的方法和***
Li et al. Big data driven lithium-ion battery modeling method based on SDAE-ELM algorithm and data pre-processing technology
CN113344024B (zh) 锂离子电池热失控分级预警方法及预警***
Zhang et al. Lithium-ion battery pack state of charge and state of energy estimation algorithms using a hardware-in-the-loop validation
Song et al. Model-based health diagnosis for lithium-ion battery pack in space applications
CN113447828B (zh) 一种基于贝叶斯神经网络的锂电池温度估计方法及***
CN115327422A (zh) 基于充放电行为的电动公交动力电池健康度评价方法
CN116381514B (zh) 一种电芯压差预警方法、装置、存储介质及设备
CN112557907A (zh) 一种基于gru-rnn的电动汽车锂离子电池的soc估计方法
Xu et al. A vehicle-cloud collaborative method for multi-type fault diagnosis of lithium-ion batteries
CN111190111A (zh) 电化学储能电池荷电状态估算方法、装置及***
Li et al. A novel state estimation approach based on adaptive unscented Kalman filter for electric vehicles
Wang et al. Health diagnosis for lithium-ion battery by combining partial incremental capacity and deep belief network during insufficient discharge profile
CN113459894B (zh) 一种电动汽车电池安全预警方法及***
CN112363061A (zh) 一种基于大数据的热失控风险评估方法
Xiao et al. Rapid measurement method for lithium‐ion battery state of health estimation based on least squares support vector regression
Zheng et al. Real-time estimation of battery state of charge with metabolic grey model and LabVIEW platform
Chen et al. State of health estimation for lithium-ion battery based on long short term memory networks
Guo et al. An adaptive approach for battery state of charge and state of power co-estimation with a fractional-order multi-model system considering temperatures
Namdari et al. An entropy-based approach for modeling lithium-ion battery capacity fade
CN115097312A (zh) 一种结合数据驱动模型和经验模型的锂离子电池融合寿命预测模型
Lin et al. A novel approach to state of charge estimation using extended Kalman filtering for lithium-ion batteries in electric vehicles
CN111562499B (zh) 一种新能源汽车锂动力电池热管理模拟方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20220412

WD01 Invention patent application deemed withdrawn after publication