CN114355199A - 一种基于循环神经网络的电池热失控风险预测方法及*** - Google Patents
一种基于循环神经网络的电池热失控风险预测方法及*** Download PDFInfo
- Publication number
- CN114355199A CN114355199A CN202111661180.4A CN202111661180A CN114355199A CN 114355199 A CN114355199 A CN 114355199A CN 202111661180 A CN202111661180 A CN 202111661180A CN 114355199 A CN114355199 A CN 114355199A
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- recurrent neural
- network model
- sample data
- 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
Links
Images
Landscapes
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明涉及一种基于循环神经网络的电池热失控风险预测方法及***,该方法包括以下步骤:从预先收集的用于训练循环神经网络模型的历史数据中选取特征数据,并对特征数据进行数据清洗;基于进行过清洗之后的特征数据生成固定时间长度的样本数据,其中,样本数据包括正常车辆的样本数据和问题车辆的样本数据;构建循环神经网络模型;定义循环神经网络模型的输出;循环神经网络模型获取正常车辆的样本数据并进行训练;利用问题车辆的样本数据验证进行训练之后的循环神经网络模型。本发明通过模型获取采集得到的实时数据,按照一定的频率进行计算,然后得到模型的预测结果,将预测结果与实际结果比对,计算偏离度,该偏离度即可作为电池可能发生热失控故障的概率。
Description
技术领域
本发明属于电动汽车动力电池热失控风险监控技术领域,具体涉及基于循环神经网络的电池热失控风险预测技术。
背景技术
动力电池作为电动汽车的核心部件,其性能表现直接决定了电动汽车大部分关键性能。随着电动汽车的逐渐普及,由动力电池引发的各种问题越来越突出,并受到广泛地关注。为了减少动力电池的故障水平,除了在电池的生产制造过程中选用更好的原料,采用更先进的生产工艺和更严格的质量管控外,也需要在电池的使用过程中能够提前发现电池的热失控风险,防患于未然。
目前电池的故障预警主要分为本地BMS预警和大数据在线预警两种方式。随着大数据技术的广泛应用,基于大数据的在线预警方法越来越受到重视。公开号为CN109978229A的中国专利文献公开了名称为“一种对动力电池组全电芯多点温度及连接点温度进行热失控预测的方法”的技术,主要通过采集车辆的实时数据,通过大数据机器学习建立模型和训练验证算法,建立XGBoost模型、威布尔分布和贝叶斯网络模型等,依据模型得出的温度特征进行电动汽车电池热失控预测。该技术主要依据温度来预测电池热失控,预测参数单一。
公开号为CN110161414B的中国专利文献公开了名称为“一种动力电池热失控在线预测方法及***”的技术,主要依据动力电池中各电池单体的电压值计算每个时刻的电压偏差矩阵,然后将当前汽车的行驶里程、当前温度探针的温度平均值和当前时刻T的电压偏移增长率矩阵对应的各个单体的电压偏移增长率输入至热失控单体预测模型中,得到动力电池热失控预测结果。该技术主要着眼于如何构建电压偏移增长率矩阵,并未给出模型的具体构建方法。
发明内容
本发明的目的是提供一种基于循环神经网络的电池热失控风险预测方法及***,解决的技术问题:相关技术中没有一种较好的预测电池热失控风险的方法,导致不能准确及时的预测电池的热失控风险。
为解决上述技术问题,本发明采用的技术方案为:一种基于循环神经网络的电池热失控风险预测方法,包括以下步骤:
S01:从预先收集的用于训练循环神经网络模型的历史数据中选取特征数据,并对所述特征数据进行数据清洗;
S02:基于进行过清洗之后的所述特征数据生成固定时间长度的样本数据,其中,所述样本数据包括正常车辆的样本数据和问题车辆的样本数据;
S03:构建所述循环神经网络模型;
S04:定义所述循环神经网络模型的输出;
S05:所述循环神经网络模型获取所述正常车辆的样本数据并进行训练;
S06:利用所述问题车辆的样本数据验证进行训练之后的所述循环神经网络模型;
S07:重复所述S05至S06,直至得出最优的所述循环神经网络模型;
S08:所述最优的循环神经网络模型获取车辆实时数据,按照设定频率计算得到预测结果,将所述预测结果与实际结果比对得到偏离度,当所述偏离度大于阈值时即可判定为电池有热失控风险。
优选地,
在所述S01中,所述历史数据包括实验室数据和用户实车数据;
所述特征数据包括总电流、总电压、SOC、车速、累计里程、单体电压、若干个温度传感器采集到的温度;
对所述特征数据进行数据清洗的方法包括:清除无效数据、缺失数据补全和归一化。
优选地,
对所述特征数据进行归一化处理的公式为:
优选地,
在所述S02中,通过滑窗方式生成固定时间长度的共P1个样本数据,包括正常车辆的样本数据数量为P2个,问题车辆的样本数据数量为P3个,每一个所述样本数据的大小是为m×n的矩阵,其中m是时间长度,n是特征数。
优选地,
在所述S03中,所述循环神经网络模型由若干个基本循环神经单元和一个全连接层组成,所述基本循环神经单元包括简单循环神经单元、LSTM单元及GRU单元;
所述循环神经网络模型还可采用自定义的循环神经单元。
优选地,
在所述S04中,所述定义循环神经网络模型的输出,即预测的方式有两种,其一,基于获取的数据一次性预测长度为m1时刻的所有数据,其二,采用循环预测方法,即每一次的输出是下一时刻的预测,然后利用样本数据中的后m-P4长度的数据和预测出来的长度为P4的时刻的数据预测出下一时刻的结果,直至得出预测长度为m1时刻的所有数据。
优选地,
在所述S05中,所述循环神经网络模型获取P2个正常车辆的样本数据,进行训练,所述循环网络模型的评价指标为平均平方误差MSE;采取正则化与批归一化方式优化所述循环神经网络模型的训练过程,所述MSE被定义为参数MSE正常;
在所述S06中,利用P3个所述问题车辆的样本数据验证进行训练之后的所述循环神经网络模型,验证结果的评价指标为MSE,MSE被定义为参数MSE问题;
在所述S07中,重复所述S05至S06,直至得出MSE正常较小,MSE问题较大的最优循环神经网络模型;
在所述S08中,所述最优循环神经网络模型获取车辆实时数据,经过计算得到MSE实时,所述偏离度即R的计算公式为:
本发明还提供一种基于循环神经网络的电池热失控风险预测***,包括:
清洗模块,用于从预先收集的用于训练循环神经网络模型的历史数据中选取特征数据,并对所述特征数据进行数据清洗;
生成模块,用于基于进行过清洗之后的所述特征数据生成固定时间长度的样本数据,其中,所述样本数据包括正常车辆的样本数据和问题车辆的样本数据;
构建模块,用于构建所述循环神经网络模型;
定义模块,用于定义所述循环神经网络模型的输出;
训练模块,用于所述循环神经网络模型获取所述正常车辆的样本数据并进行训练;
验证模块,用于利用所述问题车辆的样本数据验证进行训练之后的所述循环神经网络模型;
循环模块,用于重复所述训练模块至验证模块,直至得出最优的所述循环神经网络模型;
比对模块,用于所述最优的循环神经网络模型获取车辆实时数据,按照设定频率计算得到预测结果,将所述预测结果与实际结果比对得到偏离度,当所述偏离度大于阈值时即可判定为电池有热失控风险。
优选地,
在所述清洗模块中,所述历史数据包括实验室数据和用户实车数据;
所述特征数据包括总电流、总电压、SOC、车速、累计里程、单体电压、若干个温度传感器采集到的温度;
对所述特征数据进行数据清洗的方法包括:清除无效数据、缺失数据补全和归一化。
优选地,
对所述特征数据进行归一化处理的公式为:
优选地,
在所述生成模块中,通过滑窗方式生成固定时间长度的共P1个样本数据,包括正常车辆的样本数据数量为P2个,问题车辆的样本数据数量为P3个,每一个所述样本数据的大小是为m×n的矩阵,其中m是时间长度,n是特征数。
优选地,
在所述构建模块中,所述循环神经网络模型由若干个基本循环神经单元和一个全连接层组成,所述基本循环神经单元包括简单循环神经单元、LSTM单元及GRU单元;
所述循环神经网络模型还可采用自定义的循环神经单元。
优选地,
在所述定义模块中,所述定义循环神经网络模型的输出,即预测的方式有两种,其一,基于获取的数据一次性预测长度为m1时刻的所有数据,其二,采用循环预测方法,即每一次的输出是下一时刻的预测,然后利用样本数据中的后m-P4长度的数据和预测出来的长度为P4的时刻的数据预测出下一时刻的结果,直至得出预测长度为m1时刻的所有数据。
优选地,
在所述训练模块中,所述循环神经网络模型获取P2个正常车辆的样本数据,进行训练,所述循环网络模型的评价指标为平均平方误差MSE;采取正则化与批归一化方式优化所述循环神经网络模型的训练过程,所述MSE被定义为参数MSE正常;
在所述验证模块中,利用P3个所述问题车辆的样本数据验证进行训练之后的所述循环神经网络模型,验证结果的评价指标为MSE,MSE被定义为参数MSE问题;
在所述循环模块中,重复所述训练模块至验证模块,直至得出MSE正常较小,MSE问题较大的最优循环神经网络模型;
在所述比对模块中,所述最优循环神经网络模型获取车辆实时数据,经过计算得到MSE实时,所述偏离度即R的计算公式为:
本发明通过采用上述技术方案,可达到的有益技术效果为:本发明利用车辆数据属于时间序列数据的特点,采用深度学***台,利用采集得到的实时数据,按照一定的频率进行计算,然后得到模型的预测结果,将预测结果与实际结果比对,计算偏离度,该偏离度即可作为电池可能发生热失控故障的概率,本发明能准确及时的预测电池的热失控风险。
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循环神经网络的电池热失控风险预测方法,包括以下步骤:
S01:从预先收集的用于训练循环神经网络模型的历史数据中选取特征数据,并对特征数据进行数据清洗。
具体地,历史数据包括实验室数据和用户实车数据。随机提取具有相同型号动力电池的车辆的数据,可以依据里程提前将车辆分层,选取的车辆均为未报过故障的正常车辆,选取的车辆的数量占比不小于车辆总数的10%,选取的数据时长至少为一年。
特征数据包括总电流、总电压、SOC、车速、累计里程、单体电压、若干个温度传感器采集到的温度等。另外,用同样的方式收集热失控车辆的全生命周期的数据。
对特征数据进行数据清洗的方法包括:清除无效数据、缺失数据补全和归一化,一般采
用max-min归一化方式,具体公式为:
S02:基于进行过清洗之后的特征数据生成固定时间长度的样本数据,其中,样本数据包括正常车辆的样本数据和问题车辆的样本数据。
具体地,通过滑窗方式生成固定时间长度的共P1个样本数据,包括正常车辆的样本数据数量为P2个,问题车辆的样本数据数量为P3个,每一个所述样本数据的大小是为m×n的矩阵,其中m是时间长度,n是特征数。滑窗的间隔应尽量小,这样可以生成尽可能多的数据,但也应该满足计算能力和计算时长的要求。
S03:构建循环神经网络模型。
具体地,循环神经网络模型由若干个基本循环神经单元和一个全连接层组成,基本循环神经单元包括简单循环神经单元、LSTM单元及GRU单元,这些基本额循环神经单元在常用的机器学习框架中可以直接调用。循环神经网络模型还可采用自定义的循环神经单元。
S04:定义循环神经网络模型的输出。
具体地,定义循环神经网络模型的输出,即预测的方式有两种,其一,基于获取的数据一次性预测长度为m1时刻的所有数据,其二,采用循环预测方法,即每一次的输出是下一时刻的预测,然后利用样本数据中的后m-P4(P4为1)长度的数据和预测出来的长度为P4(P4为1)的时刻的数据(同样共m长度的数据)预测出下一时刻的结果,以此类推,直至同样得出预测长度为m1时刻的所有数据。两种方式均可给出任意时长的预测结果,基于全连接层中神经元的个数确定采用何种方式。
S05:循环神经网络模型获取正常车辆的样本数据并进行训练。
具体地,循环神经网络模型获取P1个正常车辆的样本数据,进行训练,循环网络模型的评价指标为平均平方误差MSE,要求的MSE越小越好,但是为了避免过拟合,可以采取正则化与批归一化等方式优化循环神经网络模型的训练过程,MSE被定义为参数MSE正常;
S06:利用问题车辆的样本数据验证进行训练之后的循环神经网络模型。
具体地,利用P2个问题车辆的样本数据验证进行训练之后的循环神经网络模型,验证结果的评价指标为MSE,MSE被定义为参数MSE问题,因为是问题车辆的数据,MSE问题应该越大越好。
S07:重复S05至S06,直至得出最优的所述循环神经网络模型。
具体地,重复S05至S06,直至得出MSE正常较小,MSE问题较大的最优循环神经网络模型,该最优循环神经网络模型为最终上线应用的模型。
S08:最优的循环神经网络模型获取车辆实时数据,按照设定频率计算得到预测结果,将预测结果与实际结果比对得到偏离度,当偏离度大于阈值时即可判定为电池有热失控风险。
具体地,最优循环神经网络模型获取车辆实时的样本数据,经过计算得到MSE实时,偏离度即R的计算公式为:
本发明还提供一种基于循环神经网络的电池热失控风险预测***,包括:
清洗模块,用于从预先收集的用于训练循环神经网络模型的历史数据中选取特征数据,并对特征数据进行数据清洗;
生成模块,用于基于进行过清洗之后的特征数据生成固定时间长度的样本数据,其中,样本数据包括正常车辆的样本数据和问题车辆的样本数据;
构建模块,用于构建循环神经网络模型;
定义模块,用于定义循环神经网络模型的输出;
训练模块,用于循环神经网络模型获取正常车辆的样本数据并进行训练;
验证模块,用于利用问题车辆的样本数据验证进行训练之后的循环神经网络模型;
循环模块,用于重复训练模块至验证模块,直至得出最优的循环神经网络模型;
比对模块,用于最优的循环神经网络模型获取车辆实时数据,按照设定频率计算得到预测结果,将预测结果与实际结果比对得到偏离度,当偏离度大于阈值时即可判定为电池有热失控风险。
具体地,
在清洗模块中,历史数据包括实验室数据和用户实车数据;
特征数据包括总电流、总电压、SOC、车速、累计里程、单体电压、若干个温度传感器采集到的温度;
对特征数据进行数据清洗的方法包括:清除无效数据、缺失数据补全和归一化。
具体地,
对特征数据进行归一化处理的公式为:
具体地,
在生成模块中,通过滑窗方式生成固定时间长度的共P1个样本数据,包括正常车辆的样本数据数量为P2个,问题车辆的样本数据数量为P3个,每一个所述样本数据的大小是为m×n的矩阵,其中m是时间长度,n是特征数。
具体地,
在构建模块中,循环神经网络模型由若干个基本循环神经单元和一个全连接层组成,基本循环神经单元包括简单循环神经单元、LSTM单元及GRU单元;
循环神经网络模型还可采用自定义的循环神经单元。
具体地,
在定义模块中,定义循环神经网络模型的输出,即预测的方式有两种,其一,基于获取的数据一次性预测长度为m1时刻的所有数据,其二,采用循环预测方法,即每一次的输出是下一时刻的预测,然后利用样本数据中的后m-P4长度的数据和预测出来的长度为P4的时刻的数据预测出下一时刻的结果,直至得出预测长度为m1时刻的所有数据。
具体地,
在训练模块中,循环神经网络模型获取P2个正常车辆的样本数据,进行训练,循环网络模型的评价指标为平均平方误差MSE;采取正则化与批归一化方式优化循环神经网络模型的训练过程,MSE被定义为参数MSE正常;
在验证模块中,利用P3个问题车辆的样本数据验证进行训练之后的循环神经网络模型,验证结果的评价指标为MSE,MSE被定义为参数MSE问题;
在循环模块中,重复训练模块至验证模块,直至得出MSE正常较小,MSE问题较大的最优循环神经网络模型;
在比对模块中,最优循环神经网络模型获取车辆实时数据,经过计算得到MSE实时,偏离度即R的计算公式为:
Claims (14)
1.一种基于循环神经网络的电池热失控风险预测方法,其特征在于,包括以下步骤:
S01:从预先收集的用于训练循环神经网络模型的历史数据中选取特征数据,并对所述特征数据进行数据清洗;
S02:基于进行过清洗之后的所述特征数据生成固定时间长度的样本数据,其中,所述样本数据包括正常车辆的样本数据和问题车辆的样本数据;
S03:构建所述循环神经网络模型;
S04:定义所述循环神经网络模型的输出;
S05:所述循环神经网络模型获取所述正常车辆的样本数据并进行训练;
S06:利用所述问题车辆的样本数据验证进行训练之后的所述循环神经网络模型;
S07:重复所述S05至S06,直至得出最优的所述循环神经网络模型;
S08:所述最优的循环神经网络模型获取车辆实时数据,按照设定频率计算得到预测结果,将所述预测结果与实际结果比对得到偏离度,当所述偏离度大于阈值时即可判定为电池有热失控风险。
2.根据权利要求1所述的基于循环神经网络的电池热失控风险预测方法,其特征在于,
在所述S01中,所述历史数据包括实验室数据和用户实车数据;
所述特征数据包括总电流、总电压、SOC、车速、累计里程、单体电压、若干个温度传感器采集到的温度;
对所述特征数据进行数据清洗的方法包括:清除无效数据、缺失数据补全和归一化。
4.根据权利要求1所述的基于循环神经网络的电池热失控风险预测方法,其特征在于,
在所述S02中,通过滑窗方式生成固定时间长度的共P1个样本数据,包括正常车辆的样本数据数量为P2个,问题车辆的样本数据数量为P3个,每一个所述样本数据的大小是为m×n的矩阵,其中m是时间长度,n是特征数。
5.根据权利要求1所述的基于循环神经网络的电池热失控风险预测方法,其特征在于,
在所述S03中,所述循环神经网络模型由若干个基本循环神经单元和一个全连接层组成,所述基本循环神经单元包括简单循环神经单元、LSTM单元及GRU单元;
所述循环神经网络模型还可采用自定义的循环神经单元。
6.根据权利要求4所述的基于循环神经网络的电池热失控风险预测方法,其特征在于,
在所述S04中,所述定义循环神经网络模型的输出,即预测的方式有两种,其一,基于获取的数据一次性预测长度为m1时刻的所有数据,其二,采用循环预测方法,即每一次的输出是下一时刻的预测,然后利用样本数据中的后m-P4长度的数据和预测出来的长度为P4的时刻的数据预测出下一时刻的结果,直至得出预测长度为m1时刻的所有数据。
7.根据权利要求4所述的基于循环神经网络的电池热失控风险预测方法,其特征在于,
在所述S05中,所述循环神经网络模型获取P2个正常车辆的样本数据,进行训练,所述循环网络模型的评价指标为平均平方误差MSE;采取正则化与批归一化方式优化所述循环神经网络模型的训练过程,所述MSE被定义为参数MSE正常;
在所述S06中,利用P3个所述问题车辆的样本数据验证进行训练之后的所述循环神经网络模型,验证结果的评价指标为MSE,MSE被定义为参数MSE问题;
在所述S07中,重复所述S05至S06,直至得出MSE正常较小,MSE问题较大的最优循环神经网络模型;
在所述S08中,所述最优循环神经网络模型获取车辆实时数据,经过计算得到MSE实时,所述偏离度即R的计算公式为:
8.一种基于循环神经网络的电池热失控风险预测***,其特征在于,包括:
清洗模块,用于从预先收集的用于训练循环神经网络模型的历史数据中选取特征数据,并对所述特征数据进行数据清洗;
生成模块,用于基于进行过清洗之后的所述特征数据生成固定时间长度的样本数据,其中,所述样本数据包括正常车辆的样本数据和问题车辆的样本数据;
构建模块,用于构建所述循环神经网络模型;
定义模块,用于定义所述循环神经网络模型的输出;
训练模块,用于所述循环神经网络模型获取所述正常车辆的样本数据并进行训练;
验证模块,用于利用所述问题车辆的样本数据验证进行训练之后的所述循环神经网络模型;
循环模块,用于重复所述训练模块至验证模块,直至得出最优的所述循环神经网络模型;
比对模块,用于所述最优的循环神经网络模型获取车辆实时数据,按照设定频率计算得到预测结果,将所述预测结果与实际结果比对得到偏离度,当所述偏离度大于阈值时即可判定为电池有热失控风险。
9.根据权利要求8所述的基于循环神经网络的电池热失控风险预测***,其特征在于,
在所述清洗模块中,所述历史数据包括实验室数据和用户实车数据;
所述特征数据包括总电流、总电压、SOC、车速、累计里程、单体电压、若干个温度传感器采集到的温度;
对所述特征数据进行数据清洗的方法包括:清除无效数据、缺失数据补全和归一化。
11.根据权利要求8所述的基于循环神经网络的电池热失控风险预测***,其特征在于,
在所述生成模块中,通过滑窗方式生成固定时间长度的共P1个样本数据,包括正常车辆的样本数据数量为P2个,问题车辆的样本数据数量为P3个,每一个所述样本数据的大小是为m×n的矩阵,其中m是时间长度,n是特征数。
12.根据权利要求8所述的基于循环神经网络的电池热失控风险预测***,其特征在于,
在所述构建模块中,所述循环神经网络模型由若干个基本循环神经单元和一个全连接层组成,所述基本循环神经单元包括简单循环神经单元、LSTM单元及GRU单元;
所述循环神经网络模型还可采用自定义的循环神经单元。
13.根据权利要求11所述的基于循环神经网络的电池热失控风险预测***,其特征在于,
在所述定义模块中,所述定义循环神经网络模型的输出,即预测的方式有两种,其一,基于获取的数据一次性预测长度为m1时刻的所有数据,其二,采用循环预测方法,即每一次的输出是下一时刻的预测,然后利用样本数据中的后m-P4长度的数据和预测出来的长度为P4的时刻的数据预测出下一时刻的结果,直至得出预测长度为m1时刻的所有数据。
14.根据权利要求11所述的基于循环神经网络的电池热失控风险预测***,其特征在于,
在所述训练模块中,所述循环神经网络模型获取P2个正常车辆的样本数据,进行训练,所述循环网络模型的评价指标为平均平方误差MSE;采取正则化与批归一化方式优化所述循环神经网络模型的训练过程,所述MSE被定义为参数MSE正常;
在所述验证模块中,利用P3个所述问题车辆的样本数据验证进行训练之后的所述循环神经网络模型,验证结果的评价指标为MSE,MSE被定义为参数MSE问题;
在所述循环模块中,重复所述训练模块至验证模块,直至得出MSE正常较小,MSE问题较大的最优循环神经网络模型;
在所述比对模块中,所述最优循环神经网络模型获取车辆实时数据,经过计算得到MSE实时,所述偏离度即R的计算公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111661180.4A CN114355199A (zh) | 2021-12-30 | 2021-12-30 | 一种基于循环神经网络的电池热失控风险预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111661180.4A CN114355199A (zh) | 2021-12-30 | 2021-12-30 | 一种基于循环神经网络的电池热失控风险预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114355199A true CN114355199A (zh) | 2022-04-15 |
Family
ID=81106018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111661180.4A Pending CN114355199A (zh) | 2021-12-30 | 2021-12-30 | 一种基于循环神经网络的电池热失控风险预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114355199A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115782584A (zh) * | 2022-11-22 | 2023-03-14 | 重庆长安新能源汽车科技有限公司 | 一种新能源车辆安全状态确定方法、***、设备及介质 |
CN116087782A (zh) * | 2022-11-09 | 2023-05-09 | 苏州首帆电子科技有限公司 | 一种汽车电池故障预警方法、***、装置及存储介质 |
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 |
CN117872166A (zh) * | 2024-03-11 | 2024-04-12 | 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 |
-
2021
- 2021-12-30 CN CN202111661180.4A patent/CN114355199A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116087782A (zh) * | 2022-11-09 | 2023-05-09 | 苏州首帆电子科技有限公司 | 一种汽车电池故障预警方法、***、装置及存储介质 |
CN116087782B (zh) * | 2022-11-09 | 2024-02-02 | 苏州首帆电子科技有限公司 | 一种汽车电池故障预警方法、***、装置及存储介质 |
CN115782584A (zh) * | 2022-11-22 | 2023-03-14 | 重庆长安新能源汽车科技有限公司 | 一种新能源车辆安全状态确定方法、***、设备及介质 |
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 |
CN117872166A (zh) * | 2024-03-11 | 2024-04-12 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114355199A (zh) | 一种基于循环神经网络的电池热失控风险预测方法及*** | |
Vanem et al. | Data-driven state of health modelling—A review of state of the art and reflections on applications for maritime battery systems | |
CN112904219B (zh) | 一种基于大数据的动力电池健康状态的预测方法 | |
CN109324291B (zh) | 一种针对质子交换膜燃料电池寿命预测的预测方法 | |
CN111680848A (zh) | 基于预测模型融合的电池寿命预测方法及存储介质 | |
CN108556682B (zh) | 一种续驶里程预测方法、装置及设备 | |
CN111310387B (zh) | 一种燃料电池寿命预测方法 | |
CN113821875B (zh) | 一个基于端云协同的智能车辆故障实时预测方法及*** | |
CN113378990B (zh) | 基于深度学习的流量数据异常检测方法 | |
CN115859058B (zh) | 一种基于宽度学习网络的ups故障预测方法和*** | |
CN116882981B (zh) | 基于数据分析的智能电池管理*** | |
CN110516813A (zh) | 一种基于大数据机器学习进行电动汽车电池rdr预测的方法 | |
CN116298936A (zh) | 在不完全电压范围内的锂离子电池智能健康状态预测方法 | |
CN112766618A (zh) | 异常预测方法及装置 | |
CN115166534A (zh) | 一种锂离子电池剩余使用寿命预测方法和*** | |
CN117261599B (zh) | 电动汽车的故障检测方法、装置、电子设备及电动汽车 | |
CN113687610A (zh) | 一种gan-cnn电力监测***终端信息防护法方法 | |
US20230305073A1 (en) | Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern | |
CN117195713A (zh) | 一种基于深度算子学习的锂电池模组温度场重建方法 | |
Wang et al. | Ensemble machine learning based driving range estimation for real‐world electric city buses by considering battery degradation levels | |
CN113212244B (zh) | 一种新能源车辆动力电池寿命预测方法及*** | |
CN114372640A (zh) | 一种基于波动序列分类校正的风电功率预测方法 | |
CN114139783A (zh) | 基于非线性加权组合的风电短期功率预测方法及装置 | |
CN113989066A (zh) | 基于大数据的电堆能耗分析 | |
CN110837932A (zh) | 基于dbn-ga模型的太阳能集热***热功率预测方法 |
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 |