CN114889433A - 一种电动汽车电池热失控报警***及方法 - Google Patents
一种电动汽车电池热失控报警***及方法 Download PDFInfo
- Publication number
- CN114889433A CN114889433A CN202210466186.4A CN202210466186A CN114889433A CN 114889433 A CN114889433 A CN 114889433A CN 202210466186 A CN202210466186 A CN 202210466186A CN 114889433 A CN114889433 A CN 114889433A
- Authority
- CN
- China
- Prior art keywords
- battery
- thermal runaway
- early warning
- model
- vehicle
- 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
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
- B60L3/0046—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electric energy storage systems, e.g. batteries or capacitors
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
-
- 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
- H01M10/4285—Testing apparatus
-
- 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
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Mechanical Engineering (AREA)
- Sustainable Energy (AREA)
- Sustainable Development (AREA)
- Transportation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种电动汽车电池热失控报警***及方法,电池预警***负责监测整车在不同工作模式下电池包内部电池单体的温度、电池包内压力、母线电流和母线电压;烟雾传感器负责监测电池包内烟雾浓度;所采集的数据均传输给电池管理***;电池管理***将烟雾浓度数据传输给整车控制器;整车控制器对烟雾浓度数据进行分析,确定是否发出第一热失控预警指令;电池管理***将电池预警***采集的数据传输给车载终端;车载终端将数据传输给云服务器,云服务器根据车载终端上传的数据和训练后的热失控预警模型,确定是否发出第二热失控预警指令;电池管理***根据两种失控预警指令,确定是否发出热失控报警。提升报警的可靠性和用户体验。
Description
技术领域
本发明涉及纯电动汽车电池监测技术领域,特别是涉及一种电动汽车电池热失控报警***及方法。
背景技术
本部分的陈述仅仅是提到了与本发明相关的背景技术,并不必然构成现有技术。
随着市场上电动汽车保有量越来越多,电动汽车安全问题日益严峻。
电动汽车起火、***的根本原因是由电池故障引发的热失控。热失控问题不仅制约电动汽车的普及与商业化应用,同时也为人民生命财产和交通安全带来的严重隐患。目前,电动汽车电池发生热失控以后,会上报电池高温报警、电池温差报警以及电池压差报警,但是,目前没有精准、快速、个性化的电池热失控报警***。
中国实用新型专利CN215752027U-动力电池热失控预警***及汽车,通过电压传感器以及温度传感器采集单体电池的电压和温度,实现动力电池热失控预警,但是,存在报警情况单一,报警数据处理速度慢、报警灵敏度低、可靠性差,存在误报警的问题。
中国实用新型专利CN212313296U-一种电池包热失控预警***,通过采集电池包内的烟雾浓度以及电池包的单体信息进行热失控预警,虽然能够解决电池误报警的问题,但是存在数据单一,分析结果不可靠、分析过程耗费时间,给用户剩余的远离危险电池包的时间过短的问题。
发明人发现,现有的电池热失控预警除了存在数据采集单一、报警结果不可靠、报警灵敏度过低、报警分析过程计算时间过长,为用户争取到的时间很短,还存在报警灵敏度过高的问题;例如,不同型号的电动车电池包产生的数据是不一样的,同一型号的电动车电池包在使用年限不同的情况下所产生的数据也是不一样的,如果只考虑当前时间点采集的数据,也可能导致报警灵敏度过高,在不该报警的情况下报警,会严重影响用户体验。
发明内容
为了解决现有技术的不足,本发明提供了一种电动汽车电池热失控报警***及方法;对电动汽车电池***热失控故障进行快速预警,在乘客舱热失控前30分钟电池管理***提前发出报警信号,为用户争取了更多的时间;采用多种数据进行分析,提升报警的可靠性;同时,也保证了热失控报警的灵敏度不会过高,提升用户体验。
第一方面,本发明提供了一种电动汽车电池热失控报警方法;
一种电动汽车电池热失控报警方法,应用于电池管理***BMS,包括:
将烟雾浓度数据传输给整车控制器VCU(Vehicle control unit);以使整车控制器VCU对烟雾浓度数据进行分析,确定是否发出第一热失控预警指令;接收整车控制器VCU的分析结果;
将电池预警***采集的不同工作模式的数据通过车载终端T-BOX(TelematicsBOX)传输给云服务器;以使云服务器根据车载终端上传的数据和训练后的热失控预警模型,确定是否发出第二热失控预警指令;通过车载终端接收云服务器的分析结果;
根据两种分析结果,确定是否发出热失控报警。
第二方面,本发明提供了一种电池管理***BMS;
一种电池管理***BMS,包括:
第一传输模块,其被配置为:将烟雾浓度数据传输给整车控制器VCU(Vehiclecontrol unit);以使整车控制器VCU对烟雾浓度数据进行分析,确定是否发出第一热失控预警指令;接收整车控制器VCU的分析结果;
第二传输模块,其被配置为:将电池预警***采集的不同工作模式的数据通过车载终端T-BOX(Telematics BOX)传输给云服务器;以使云服务器根据车载终端上传的数据和训练后的热失控预警模型,确定是否发出第二热失控预警指令;通过车载终端接收云服务器的分析结果;
输出模块,其被配置为:根据两种分析结果,确定是否发出热失控报警。
第三方面,本发明提供了一种电动汽车电池热失控报警方法;
一种电动汽车电池热失控报警方法,应用于整车控制器,包括:
获取烟雾浓度数据;
对烟雾浓度数据进行分析,确定是否发出第一热失控预警指令;
将第一种分析结果发送给电池管理***BMS;
以辅助电池管理***结合第一种分析结果和第二种分析结果,确定是否发出热失控报警;
其中,第二种分析结果是由云服务器通过车载终端发送给电池管理***BMS的;第二种分析结果是云服务器根据车载终端上传的数据和训练后的热失控预警模型,确定的是否发出第二热失控预警指令;所述车载终端上传的数据是电池预警***采集的不同工作模式的不同传感器采集的数据。
第四方面,本发明提供了整车控制器;
整车控制器,包括:
第一获取模块,其被配置为:获取烟雾浓度数据;
第一分析模块,其被配置为:对烟雾浓度数据进行分析,确定是否发出第一热失控预警指令;
第一发送模块,其被配置为:将第一种分析结果发送给电池管理***BMS;
第一确定模块,其被配置为:以辅助电池管理***结合第一种分析结果和第二种分析结果,确定是否发出热失控报警;
其中,第二种分析结果是由云服务器通过车载终端发送给电池管理***BMS的;第二种分析结果是云服务器根据车载终端上传的数据和训练后的热失控预警模型,确定的是否发出第二热失控预警指令;所述车载终端上传的数据是电池预警***采集的不同工作模式的不同传感器采集的数据。
第五方面,本发明提供了一种电动汽车电池热失控报警方法;
一种电动汽车电池热失控报警方法,应用于云服务器,包括:
获取不同工作模式且不同模态的数据;
基于不同工作模式且不同模态的数据和训练后的热失控预警模型,确定第二种分析结果;所述第二种分析结果是指是否发出第二热失控预警指令;
将确定的第二种分析结果通过车载终端发送给电池管理***BMS;
以辅助电池管理***结合第一种分析结果和第二种分析结果,确定是否发出热失控报警;
其中,不同工作模式且不同模态的数据是由不同传感器采集并依次通过电池管理***BMS和车载终端上传给云服务器的;第一种分析结果是由整车控制器VCU对烟雾浓度数据进行分析得到的;第一分析结果,是指是否发出第一热失控预警指令;所述烟雾浓度数据由烟雾传感器采集并通过电池管理***BMS上传给整车控制器VCU。
第六方面,本发明提供了一种云服务器;
一种云服务器,包括:
第二获取模块,其被配置为:获取不同工作模式且不同模态的数据;
第二分析模块,其被配置为:基于不同工作模式且不同模态的数据和训练后的热失控预警模型,确定第二种分析结果;所述第二种分析结果是指是否发出第二热失控预警指令;
第二发送模块,其被配置为:将确定的第二种分析结果通过车载终端发送给电池管理***BMS;
第二确定模块,其被配置为:以辅助电池管理***结合第一种分析结果和第二种分析结果,确定是否发出热失控报警;
其中,不同工作模式且不同模态的数据是由不同传感器采集并依次通过电池管理***BMS和车载终端上传给云服务器的;第一种分析结果是由整车控制器VCU对烟雾浓度数据进行分析得到的;第一分析结果,是指是否发出第一热失控预警指令;所述烟雾浓度数据由烟雾传感器采集并通过电池管理***BMS上传给整车控制器VCU。
第七方面,本发明还提供了一种电动汽车电池热失控报警***;
一种电动汽车电池热失控报警***,包括:电池管理***BMS、整车控制器VCU和云服务器;
电池管理***BMS将烟雾浓度数据传输给整车控制器VCU(Vehicle controlunit);整车控制器VCU对烟雾浓度数据进行分析,确定是否发出第一热失控预警指令;
电池管理***BMS将电池预警***采集的不同工作模式的数据传输给车载终端T-BOX(Telematics BOX);车载终端将数据传输给云服务器,云服务器根据车载终端上传的数据和训练后的热失控预警模型,确定是否发出第二热失控预警指令;
所述电池管理***BMS,根据两种失控预警指令,确定是否发出热失控报警。
第八方面,本发明提供了一种电子设备;
一种电子设备,包括:
存储器,用于非暂时性存储计算机可读指令;以及
处理器,用于运行所述计算机可读指令,
其中,所述计算机可读指令被所述处理器运行时,执行上述第一、三或五方面所述的方法。
第九方面,本发明还提供了一种存储介质,非暂时性地存储计算机可读指令,其中,当所述非暂时性计算机可读指令由计算机执行时,执行第一、三或五方面所述方法的指令。
第十方面,本发明还提供了一种计算机程序产品,包括计算机程序,所述计算机程序当在一个或多个处理器上运行的时候用于实现上述第一、三或五方面所述的方法。
与现有技术相比,本发明的有益效果是:
(1)通过电池预警***和烟雾传感器的协作预警,实现对电动汽车电池***热失控故障进行快速预警,在乘客舱热失控前30分钟电池管理***提前发出报警信号,为用户争取了更多的时间;
(2)采用温度、压力、电流、电压、烟雾多种数据进行分析,提升报警的可靠性和灵敏度;
(3)通过采用同一型号同一批次电池的历史数据与电池机理模型和人工智能预警模型结合,保证了热失控报警的灵敏度不会过高,提升用户体验。
(4)本发明结合电池预警***和烟雾传感器,至少在热失控发生前30分钟发出热失控声光报警信息,解决了电动汽车用动力蓄电池安全要求中的乘客舱热失控前5分钟发出热失控报警信号的问题,拓展了电动汽车的功能性,提高了电动汽车的安全性;
(5)取代常规电池热失控报警(没有专门的电池热失控报警***),是在监测到电池高温报警、电池温差报警、电池压差报警等报警信息后,上报电池发生热失控,本发明精度高、可靠性强。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本申请实施例一的电动汽车电池热失控报警***内部连接示意图;
图2为本申请实施例一的热失控报警策略的示意图;
图3为本申请实施例一的电池预警***示意图;
图4为本申请实施例一的BMS非休眠状态下与烟雾传感器交互流程图;
图5为本申请实施例一的BMS休眠状态下与烟雾传感器交互流程图;
其中,001表示不同的整车模式,其中行车模式、慢充模式、快充模式对应BMS非休眠状态,静置下电模式对应BMS休眠状态;
002表示BMS点火信号,包含K15点火、慢充点火、快充点火信号;
003表示BMS被唤醒后进入工作状态;
004表示热失控报警监测信息,包含电池预警***监测的预警信息和烟感报警等信息;
005表示BMS中热失控报警***综合电池预警***监测信息和烟感报警信息确认热失控报警,并通过整车CAN上传至整车网络;
006表示整车VCU接收到电池热失控报警信息后,进行声光报警。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
本实施例所有数据的获取都在符合法律法规和用户同意的基础上,对数据的合法应用。
实施例一,本实施例提供了一种电动汽车电池热失控报警方法;
如图1所示,一种电动汽车电池热失控报警方法,应用于电池管理***BMS,包括:
将烟雾浓度数据传输给整车控制器VCU(Vehicle control unit);以使整车控制器VCU对烟雾浓度数据进行分析,确定是否发出第一热失控预警指令;接收整车控制器VCU的分析结果;
将电池预警***采集的不同工作模式的数据通过车载终端T-BOX(TelematicsBOX)传输给云服务器;以使云服务器根据车载终端上传的数据和训练后的热失控预警模型,确定是否发出第二热失控预警指令;通过车载终端接收云服务器的分析结果;
根据两种分析结果,确定是否发出热失控报警。
进一步地,所述电池预警***和烟雾传感器均安装在电池包内;
所述电池预警***,负责监测整车在不同工作模式下电池包内部电池单体的温度、电池包内压力、母线电流和母线电压;
所述烟雾传感器,负责监测整车在不同工作模式下电池包内部烟雾浓度;
所述电池预警***和烟雾传感器,将采集的数据均传输给电池管理***BMS(Battery Management System)。
上述技术方案,通过采集多种数据,解决了现有技术中采集数据单一,分析结果不够准确的技术问题,取得了多种数据分析结果更可靠的技术效果。而且,通过整车控制器对烟雾浓度数据进行分析给出了第一热失控预警指令;通过云服务器对电池预警***采集的数据进行分析给出了第二热失控预警指令;通过两个热失控预警指令综合考虑,给出最终的热失控报警,避免了热失控误报的问题,提高了热失控报警的可靠性与稳定性,也控制热失控报警的灵敏度不至于过高或者过低。
整车在行车、交流充电、直流充电、静置下电模式下,电池预警***通过监测电池***内部全生命周期的温度、电流、电压和压力来进行电池预警,结合电池***总成控制器电池管理***(BMS)实时监测烟感浓度异常报警信息,至少在热失控发生前30分钟发出热失控报警信号,整车进行声光报警以提醒乘客,如图2所示。
进一步地,所述电池预警***,包括:温度传感器、压力传感器、电流传感器和电压传感器。
进一步地,所述整车控制器VCU对烟雾浓度数据进行分析,确定是否发出第一热失控预警指令;具体包括:
(11)在整车非休眠(行车、交流充电、直流充电)状态下,烟雾传感器工作在连续工作模式下,烟雾传感器监控电池包内烟雾浓度、脉冲宽度调制PWM(Pulse WidthModulation)频率以及占空比;电池管理***BMS实时读取烟雾传感器监控到的PWM频率以及占空比;
(12)烟雾传感器判断电池包内的烟雾浓度是否超过设定阈值,如果超过,就将浓度超过设定阈值时对应时刻的PWM频率以及占空比上传给电池管理***BMS;
(13)电池管理***BMS判断接收到的频率是否等于第一频率阈值,如果否就进入(14);如果是就进入(15);
(14)判断接收到的频率是否等于第二频率阈值,如果是,就根据PWM频率和占空比上报烟雾传感器自身发生故障;如果否,则继续判断接收到的频率是否等于第二频率阈值;
(15)判断当前占空比是否大于第一占空比阈值,如果是,就判定发出第一热失控预警指令,将第一热失控预警指令发送给整车控制器VCU,整车控制器VCU发出高压断开指令,主动停止电池充电或停止电池放电;如果否就根据PWM频率和占空比上报烟雾传感器自身发生故障。
进一步地,所述整车控制器VCU对烟雾浓度数据进行分析,确定是否发出第一热失控预警指令;具体包括:
(21)在整车休眠(停车)状态下,烟雾传感器工作在低功耗工作模式下,烟雾传感器监控电池包内烟雾浓度;烟雾传感器判断电池包内的烟雾浓度是否超过设定阈值,如果超过,则烟雾传感器向电池管理***BMS输出高电平;
(22)电池管理***BMS持续判断唤醒信号Wake-up是否是高电平;如果不是,就判定电池管理***BMS处在初始化阶段且烟雾传感器未发出唤醒信号;如果是,则电池管理***BMS向烟雾传感器发送信号Request from BMS为高电平,同时,通过网络唤醒整车控制器VCU;
(23)烟雾传感器接收到Request from BMS为高电平,向电池管理***BMS发送PWM频率和占空比;
(24)电池管理***BMS接收PWM频率和占空比,判断频率是否是第一阈值,如果不是就进入(25);如果是就进入(26);
(25)判断频率是否是第二阈值,如果是就根据PWM频率和占空比上报烟雾传感器自身发生故障;如果否,就继续判断频率是否是第二阈值;
(26)判断占空比是否达到占空比报警阈值,如果是,就发出第一热失控预警指令;如果否就根据PWM频率和占空比上报烟雾传感器自身发生故障;将Request from BMS置为低电平,烟雾传感器进入低功耗模式。
进一步地,所述云服务器根据车载终端上传的数据和训练后的热失控预警模型,确定是否发出第二热失控预警指令;具体包括:
云服务器将车载终端上传的电池包内部电池单体的温度、电池包内压力、母线电流和母线电压;
将电池包内部电池单体的温度、电池包内压力、母线电流和母线电压经过电池机理模型进行预处理,得到内阻异常分值、自放电异常分值、内短路异常分值、温升异常分值;其中,所述电池机理模型,包括:内阻模型、自放电模型、内短路模型、温升模型;
将预处理结果中内阻异常分值、自放电异常分值、内短路异常分值、温升异常分值进行分权重累加,输入到训练后的热失控预警模型中,输出是否发生热失控的分类结果。
进一步地,所述内阻模型的输入值是母线电流、电池荷电状态SOC和电池单体电压;所述内阻模型的工作原理是对放电工况且30%≤SOC≤80%的数据进行数据处理,若母线电流最大时当前帧电压减去上一帧电压的压变最大的单体电池代号,与母线电流最小时压变最大的单体电池代号相同,则判定此单体电池内阻异常;所述内阻模型的输出值为单体电池代号及内阻异常分值。
进一步地,所述自放电模型的输入值是电池荷电状态SOC和电池单体电压;所述自放电模型的工作原理是单体自放电异常会导致***层面压差异常,通过时间维度压差稳定性来辨识自放电特征;1)数据源:提取每次连续充电过程中SOC≥98%、50%≤SOC≤60%、15%≤SOC≤20%对应的数据片段;2)单次充电压差计算:分别计算SOC≥98%、50%≤SOC≤60%、15%≤SOC≤20%数据片段去噪后的压差均值ΔV;3)基于时序查询满足时间间隔要求(5d~6d、10d~11d、15d~16d)对应充电SOC区间片段压差,计算对应时间间隔的日压差变化率;4)其中设定次数持续充电未触发当前模型,则判定为正常,否则判定为电池***自放电异常;若设定次数连续充电片段均不满足计算要求,则不输出;所述自放电模型的输出值为电池***自放电异常及自放电异常分值。
进一步地,所述内短路模型,输入为母线电流、电池荷电状态SOC、电池单体电压,输出为单体电池代号及内短路异常分值。
进一步地,所述温升模型输入值是电池单体温度、电池荷电状态SOC和电池时钟信号;所述温升模型的工作原理是:对充/放电工况且10%≤soc≤100%的数据进行数据处理,若电池单体温度上升速度为2℃/S且连续三次则得出温升异常系数a;电池单体最高温度与单体电池最低温度之间的差值连续上升且超过一定阈值,则得出温升异常系数b;单体电池最高温度连续上升且超过一定阈值,则得出温升异常系数c;综合判断温升异常系数a、b、c,输出温升异常的单体电池代号和温升异常等级;所述温升模型的输出值为单体电池代号及温升异常分值。
进一步地,所述训练后的热失控预警模型;训练过程包括:
构建卷积神经网络;
构建训练集;所述训练集为已知是否发生热失控标签的同一型号同一批次电动车下生产线后电池历史监测数据;所述电池历史监测数据,包括:电池包内部电池单体的温度、电池包内压力、母线电流和母线电压;
将训练集的电池包内部电池单体的温度、电池包内压力、母线电流和母线电压经过电池机理模型进行预处理,得到内阻异常分值、自放电异常分值、内短路异常分值、温升异常分值;其中,所述电池机理模型,包括:内阻模型、自放电模型、内短路模型和温升模型;
将预处理结果中内阻异常分值、自放电异常分值、内短路异常分值、温升异常分值进行分权重累加,输入到卷积神经网络中,对网络进行训练,当网络的损失函数值不再降低时,或者达到设定迭代次数时,停止训练,得到训练后的卷积神经网络,也就是得到了训练后的热失控预警模型。
上述技术方案的有益效果是,采用同一型号同一批次电动车下生产线后电池历史监测数据作为训练数据对模型进行训练,得到的热失控预警模型具有针对性,针对待监测的电池而言,相比不同型号不同批次电池的训练数据,其“兄弟”电池的历史性能所训练出来的模型更能精准地预测同一型号同一批次的当前电池的性能。
进一步地,所述根据两种分析结果,确定是否发出热失控报警;具体包括:
两种失控预警指令如果均为预警模式,则确定发出热失控报警;
如果两种失控预警指令中的一个为预警模式,另外一个为非预警模式,则不发出热失控报警;
如果烟雾传感器未报警,电池预警***发出报警,则主动将充放电功率减半,同时开启电池包冷却模式;
如果两种失控预警指令中的两个均为非预警模式,则确定不发出热失控报警。
当整车在行车模式下,通过K15整车点火硬线信号唤醒BMS,BMS工作在非休眠模式下,与烟雾传感器进行实时交互,若检测到烟雾浓度异常报警且电池预警***热失控预警,则确认热失控报警;
当整车在慢充模式下,通过慢充点火硬线信号唤醒BMS,BMS工作在非休眠模式下,与烟雾传感器进行实时交互,若检测到烟雾浓度异常报警且电池预警***热失控预警,则确认热失控报警;
当整车在快充模式下,通过快充点火硬线信号唤醒BMS,BMS工作在非休眠模式下,与烟雾传感器进行实时交互,若检测到烟雾浓度异常报警且电池预警***热失控预警,则确认热失控报警;
当整车在静置下电模式下,BMS工作在休眠模式下,通过烟雾传感器硬线信号唤醒BMS,与烟雾传感器进行实时交互,若检测到烟雾浓度异常报警且电池预警***热失控预警,则确认热失控报警。
如图2所示,电动汽车电池管理***BMS、电池预警***、烟雾传感器和整车控制器VCU通过整车CAN和TCP/IP网络进行信息交互,在整车休眠状态下和整车非休眠状态下分别完成电池热失控报警,电池预警模块是企业数据平台上专门的电池预警模块,基于监测电池内部全生命周期的温度传感器、电流传感器、电压传感器和压力传感器采集的高温/温差特性、压力特性、电力特性和过压/压差特性,经过电池机理模型(内阻模型、自放电模型、内短路模型、温升模型等)和AI预警模型(电池高敏感度特性和最优算法模型等)的综合处理,结合烟雾传感器采集的烟雾浓度特性,实现对电动汽车电池热失控的预警和快速报警,见附图3;
在整车非休眠(行车、交流充电、直流充电)状态下,烟雾传感器工作在连续工作模式下,与BMS通过发送辨识报文,确认烟雾传感器、电池预警***和BMS的必要信息,在热失控发生前至少30分钟发出热失控报警信号,BMS在整车控制器VCU与BMS通过双方发送辨识报文,完成整车高压断开和整车声光报警,见附图4;
在整车休眠(停车)状态下,烟雾传感器工作在低功耗工作模式下,与BMS通过发送辨识报文,确认烟雾传感器、电池预警***和BMS的必要信息,在热失控发生前至少30分钟发出热失控报警信号,BMS在确认热失控故障后,通过网络唤醒VCU,VCU与BMS通过双方发送辨识报文,完成整车高压断开和整车声光报警,见附图5。
压差表示电池采集单元采集的最高单体电压和最低单体电压之间的差值;
温差表示电池采集单元采集的最高单体温度和最低单体温度之间的差值;
温升表示电池采集单元采集的单体温度异常快速升高的异常值;
高温表示电池采集单元采集的单体温度超过电池安全使用温度上限值;
过压表示电池采集单元采集的单体电压超过单体电压下限值。
基于监测电池内部全生命周期的温度传感器、电流传感器、电压传感器和压力传感器采集的高温/压差特性、压力特性、电力特性和过压/压差特性,经过电池机理模型(内阻模型、自放电模型、内短路模型、温升模型等)和AI预警模型(电池高敏感度特性和最优算法模型等)的综合处理,结合烟雾传感器采集的烟雾浓度特性,实现对电动汽车电池热失控的预警和快速报警,见附图3:
整车从生产线下线后,BMS通过电池***内部的温度传感器、电流传感器、电压传感器和压力传感器实时监测高温/温差特性、压力特性、电力特性和过压/压差特性,并通过整车CAN上传车载终端TBOX,车载终端TBOX通过TCP/IP网络上传至企业数据平台;
电池预警***作为企业数据平台上专门的电池预警模块,接收并存储电池全生命周期的高温/温差特性、压力特性、电力特性和过压/压差特性数据,形成电池全生命周期数据库;
基于电池全生命周期数据库,经过数据清洗、电池机理模型(内阻模型、自放电模型、内短路模型、温升模型等)和AI预警模型(电池高敏感度特性和最优算法模型等)、模型训练和模型调优的综合处理形成电池预警***,加入测试数据判定预警***是否符合目标,若不满足要求则继续进行模型优化,若满足目标要求则进行电池***预警;
电池预警***开始进行电池故障预警,其中包括热失控预警,电池预警***通过TCP/IP网络将热失控预警传输至TBOX,TBOX通过整车CAN发送至BMS。
电动汽车BMS、电池预警***、烟雾传感器和整车控制器VCU通过整车CAN和TCP/IP网络进行信息交互,在整车休眠状态下和整车非休眠状态下分别完成电池热失控报警,在热失控发生前至少30分钟通过整车声光报警提醒乘客立即远离车辆:
在整车非休眠(行车模式、慢充模式、快充模式)状态下,BMS工作在非休眠模式下,BMS、电池预警***与烟雾传感器进行实时信息交互,若烟感未报警前提下,BMS接收到电池预警***监测的热失控预警信息后,主动将充/放电功率限制一半,同时请求开启冷却,若烟感报警且电池预警***上报热失控预警,热失控报警***确认热失控报警,并通过整车CAN上报整车控制器VCU热失控报警,VCU进行整车声光报警提醒乘客立即远离车辆;
在整车休眠(静置下电)状态下,BMS工作在非休眠模式下,烟雾传感器检测到烟感浓度异常立即唤醒BMS,BMS、电池预警***与烟雾传感器进行实时信息交互,热失控报警***实时监测及确认热失控报警,并通过整车CAN上报整车控制器VCU热失控报警,VCU进行整车声光报警提醒乘客立即远离车辆。
在整车非休眠(行车模式、慢充模式、快充模式)状态下,烟雾传感器工作在连续工作模式下,与BMS通过发送辨识报文,确认烟雾传感器、电池预警***和BMS的必要信息,在热失控发生前30分钟发出热失控报警信号,整车控制器VCU与BMS通过双方发送辨识报文,完成整车高压断开和整车声光报警,见附图4:
在整车非休眠(行车模式、慢充模式、快充模式)状态下,BMS和VCU均工作在非休眠模式,BMS向烟雾传感器发送Request from BMS为高电平,那么烟雾传感器工作在连续工作模式;
烟雾传感器监测周期为1S且发出的PWM波频率为阈值F1Hz占空比为阈值D1%;
BMS读取烟雾传感器的PWM频率和占空比,持续判定PWM波频率是否为阈值F1Hz,若不是,则进一步判定PWM波频率是否为阈值F2Hz,若是则根据PWM波占空比上报烟雾传感器自身故障;
烟雾传感器监测到烟雾浓度超过阈值C1μg/m3,PWM波频率变为阈值F1Hz占空比为阈值D2%;
BMS接收到烟雾传感器发出的PWM波频率为阈值F1Hz,进一步判断PWM波占空比为阈值D2%,若不是,则根据PWM波占空比上报烟雾传感器自身故障;若是,则进一步综合电池预警***中的热失控预警信息,判定热失控报警并通过整车CAN上报整车控制器VCU热失控报警,并主动断开高压使整车停止充/放电;
VCU根接收到BMS热失控报警信号,发出整车高压断开指令,并进行整车声光报警提醒乘客立即远离车辆。
在整车休眠(静置下电)状态下,烟雾传感器工作在低功耗工作模式下,与BMS通过发送辨识报文,确认烟雾传感器、电池预警***和BMS的必要信息,在热失控发生前30分钟发出热失控报警信号,BMS在确认热失控故障后,通过网络唤醒VCU,VCU与BMS通过双方发送辨识报文,完成整车高压断开和整车声光报警,见附图4:
在整车休眠(静置下电)状态下,BMS和VCU均工作在休眠模式,烟雾传感器工作在低功耗模式;
烟雾传感器监测周期为12S且不提供PWM波;
烟雾传感器监测到烟雾浓度超过C阈值1μg/m3,烟雾传感器向BMS发送Wake_up信号为高电平;
BMS读取烟雾传感器的唤醒信号Wake_up,持续判定唤醒信号Wake_up是否为高电平,若不是则判定BMS处在初始化阶段且烟感未发出唤醒信号Wake_up;若是则BMS向烟雾传感器发送信号Request from BMS为高电平,同时通过网络唤醒整车控制器VCU;
烟雾传感器接收到Request from BMS为高电平,发送PWM波频率变为阈值F1 Hz占空比为阈值D2%;
BMS接收到烟雾传感器发出的PWM波频率为阈值F1Hz,进一步判断PWM波占空比为阈值D2%,若不是,则根据PWM波占空比上报烟雾传感器自身故障,且发送Request fromBMS为高电平,烟雾传感器接收到Request from BMS为高电平,则工作在低功耗模式并发出Wake_up为低电平,BMS接收到Wake_up为低电平则进入休眠模式;若是,则进一步综合电池预警***中的热失控预警信息,判定热失控报警并通过整车CAN上报整车控制器VCU热失控报警;
VCU根接收到BMS热失控报警信号,进行整车声光报警提醒乘客立即远离车辆。
实施例二,本实施例提供了一种电池管理***BMS;
一种电池管理***BMS,包括:
第一传输模块,其被配置为:将烟雾浓度数据传输给整车控制器VCU(Vehiclecontrol unit);以使整车控制器VCU对烟雾浓度数据进行分析,确定是否发出第一热失控预警指令;接收整车控制器VCU的分析结果;
第二传输模块,其被配置为:将电池预警***采集的不同工作模式的数据通过车载终端T-BOX(Telematics BOX)传输给云服务器;以使云服务器根据车载终端上传的数据和训练后的热失控预警模型,确定是否发出第二热失控预警指令;通过车载终端接收云服务器的分析结果;
输出模块,其被配置为:根据两种分析结果,确定是否发出热失控报警。
进一步地,所述云服务器根据车载终端上传的数据和训练后的热失控预警模型,确定是否发出第二热失控预警指令;具体包括:
云服务器将车载终端上传的电池包内部电池单体的温度、电池包内压力、母线电流和母线电压;
将电池包内部电池单体的温度、电池包内压力、母线电流和母线电压经过电池机理模型进行预处理,得到内阻异常分值、自放电异常分值、内短路异常分值、温升异常分值;其中,所述电池机理模型,包括:内阻模型、自放电模型、内短路模型、温升模型;
将预处理结果中内阻异常分值、自放电异常分值、内短路异常分值、温升异常分值进行分权重累加,输入到训练后的热失控预警模型中,输出是否发生热失控的分类结果。
进一步地,所述内阻模型,输入值是母线电流、电池荷电状态SOC和电池单体电压;所述内阻模型的工作原理是对放电工况且30%≤SOC≤80%的数据进行数据处理,若母线电流最大时当前帧电压减去上一帧电压的压变最大的单体电池代号,与母线电流最小时压变最大的单体电池代号相同,则判定此单体电池内阻异常;所述内阻模型的输出值为单体电池代号及内阻异常分值。
进一步地,所述自放电模型,输入值是电池荷电状态SOC和电池单体电压;所述自放电模型的工作原理是单体自放电异常会导致***层面压差异常,通过时间维度压差稳定性来辨识自放电特征;1)数据源:提取每次连续充电过程中SOC≥98%、50%≤SOC≤60%、15%≤SOC≤20%对应的数据片段;2)单次充电压差计算:分别计算SOC≥98%、50%≤SOC≤60%、15%≤SOC≤20%数据片段去噪后的压差均值ΔV;3)基于时序查询满足设定时间间隔要求对应充电SOC区间片段压差,计算对应时间间隔的日压差变化率;4)其中设定次数持续充电未触发当前模型,则判定为正常,否则判定为电池***自放电异常;若设定次数连续充电片段均不满足计算要求,则不输出;所述自放电模型的输出值为电池***自放电异常及自放电异常分值。
进一步地,所述温升模型,输入值是电池单体温度、电池荷电状态SOC和电池时钟信号;所述温升模型的工作原理是:对充/放电工况且10%≤soc≤100%的数据进行数据处理,若电池单体温度上升速度为2℃/S且连续三次则得出温升异常系数a;电池单体最高温度与单体电池最低温度之间的差值连续上升且超过一定阈值,则得出温升异常系数b;单体电池最高温度连续上升且超过一定阈值,则得出温升异常系数c;综合判断温升异常系数a、b、c,输出温升异常的单体电池代号和温升异常等级;所述温升模型的输出值为单体电池代号及温升异常分值。
进一步地,所述训练后的热失控预警模型;训练过程包括:
构建卷积神经网络;
构建训练集;所述训练集为已知是否发生热失控标签的同一型号同一批次电动车下生产线后电池历史监测数据;所述电池历史监测数据,包括:电池包内部电池单体的温度、电池包内压力、母线电流和母线电压;
将训练集的电池包内部电池单体的温度、电池包内压力、母线电流和母线电压经过电池机理模型进行预处理,得到内阻异常分值、自放电异常分值、内短路异常分值、温升异常分值;其中,所述电池机理模型,包括:内阻模型、自放电模型、内短路模型和温升模型;
将预处理结果中内阻异常分值、自放电异常分值、内短路异常分值、温升异常分值进行分权重累加,输入到卷积神经网络中,对网络进行训练,当网络的损失函数值不再降低时,或者达到设定迭代次数时,停止训练,得到训练后的卷积神经网络,也就是得到了训练后的热失控预警模型。
进一步地,所述根据两种分析结果,确定是否发出热失控报警;具体包括:
两种失控预警指令如果均为预警模式,则确定发出热失控报警;
如果两种失控预警指令中的一个为预警模式,另外一个为非预警模式,则不发出热失控报警;
如果烟雾传感器未报警,电池预警***发出报警,则主动将充放电功率减半,同时开启电池包冷却模式;
如果两种失控预警指令中的两个均为非预警模式,则确定不发出热失控报警。
所述实施例二中每个步骤的实现细节与实施例一是对应一致的。
实施例三,本实施例提供了一种电动汽车电池热失控报警方法;
一种电动汽车电池热失控报警方法,应用于整车控制器,包括:
获取烟雾浓度数据;
对烟雾浓度数据进行分析,确定是否发出第一热失控预警指令;
将第一种分析结果发送给电池管理***BMS;
以辅助电池管理***结合第一种分析结果和第二种分析结果,确定是否发出热失控报警;
其中,第二种分析结果是由云服务器通过车载终端发送给电池管理***BMS的;第二种分析结果是云服务器根据车载终端上传的数据和训练后的热失控预警模型,确定的是否发出第二热失控预警指令;所述车载终端上传的数据是电池预警***采集的不同工作模式的不同传感器采集的数据。
进一步地,所述云服务器根据车载终端上传的数据和训练后的热失控预警模型,确定是否发出第二热失控预警指令;具体包括:
云服务器将车载终端上传的电池包内部电池单体的温度、电池包内压力、母线电流和母线电压;
将电池包内部电池单体的温度、电池包内压力、母线电流和母线电压经过电池机理模型进行预处理,得到内阻异常分值、自放电异常分值、内短路异常分值、温升异常分值;其中,所述电池机理模型,包括:内阻模型、自放电模型、内短路模型、温升模型;
将预处理结果中内阻异常分值、自放电异常分值、内短路异常分值、温升异常分值进行分权重累加,输入到训练后的热失控预警模型中,输出是否发生热失控的分类结果。
进一步地,所述内阻模型,输入值是母线电流、电池荷电状态SOC和电池单体电压;所述内阻模型的工作原理是对放电工况且30%≤SOC≤80%的数据进行数据处理,若母线电流最大时当前帧电压减去上一帧电压的压变最大的单体电池代号,与母线电流最小时压变最大的单体电池代号相同,则判定此单体电池内阻异常;所述内阻模型的输出值为单体电池代号及内阻异常分值。
进一步地,所述自放电模型,输入值是电池荷电状态SOC和电池单体电压;所述自放电模型的工作原理是单体自放电异常会导致***层面压差异常,通过时间维度压差稳定性来辨识自放电特征;1)数据源:提取每次连续充电过程中SOC≥98%、50%≤SOC≤60%、15%≤SOC≤20%对应的数据片段;2)单次充电压差计算:分别计算SOC≥98%、50%≤SOC≤60%、15%≤SOC≤20%数据片段去噪后的压差均值ΔV;3)基于时序查询满足设定时间间隔要求对应充电SOC区间片段压差,计算对应时间间隔的日压差变化率;4)其中设定次数持续充电未触发当前模型,则判定为正常,否则判定为电池***自放电异常;若设定次数连续充电片段均不满足计算要求,则不输出;所述自放电模型的输出值为电池***自放电异常及自放电异常分值。
进一步地,所述温升模型,输入值是电池单体温度、电池荷电状态SOC和电池时钟信号;所述温升模型的工作原理是:对充/放电工况且10%≤soc≤100%的数据进行数据处理,若电池单体温度上升速度为2℃/S且连续三次则得出温升异常系数a;电池单体最高温度与单体电池最低温度之间的差值连续上升且超过一定阈值,则得出温升异常系数b;单体电池最高温度连续上升且超过一定阈值,则得出温升异常系数c;综合判断温升异常系数a、b、c,输出温升异常的单体电池代号和温升异常等级;所述温升模型的输出值为单体电池代号及温升异常分值。
进一步地,所述训练后的热失控预警模型;训练过程包括:
构建卷积神经网络;
构建训练集;所述训练集为已知是否发生热失控标签的同一型号同一批次电动车下生产线后电池历史监测数据;所述电池历史监测数据,包括:电池包内部电池单体的温度、电池包内压力、母线电流和母线电压;
将训练集的电池包内部电池单体的温度、电池包内压力、母线电流和母线电压经过电池机理模型进行预处理,得到内阻异常分值、自放电异常分值、内短路异常分值、温升异常分值;其中,所述电池机理模型,包括:内阻模型、自放电模型、内短路模型和温升模型;
将预处理结果中内阻异常分值、自放电异常分值、内短路异常分值、温升异常分值进行分权重累加,输入到卷积神经网络中,对网络进行训练,当网络的损失函数值不再降低时,或者达到设定迭代次数时,停止训练,得到训练后的卷积神经网络,也就是得到了训练后的热失控预警模型。
进一步地,所述根据两种分析结果,确定是否发出热失控报警;具体包括:
两种失控预警指令如果均为预警模式,则确定发出热失控报警;
如果两种失控预警指令中的一个为预警模式,另外一个为非预警模式,则不发出热失控报警;
如果烟雾传感器未报警,电池预警***发出报警,则主动将充放电功率减半,同时开启电池包冷却模式;
如果两种失控预警指令中的两个均为非预警模式,则确定不发出热失控报警。
所述实施例三中每个步骤的实现细节与实施例一是对应一致的。
实施例四,本实施例提供了整车控制器;
整车控制器,包括:
第一获取模块,其被配置为:获取烟雾浓度数据;
第一分析模块,其被配置为:对烟雾浓度数据进行分析,确定是否发出第一热失控预警指令;
第一发送模块,其被配置为:将第一种分析结果发送给电池管理***BMS;
第一确定模块,其被配置为:以辅助电池管理***结合第一种分析结果和第二种分析结果,确定是否发出热失控报警;
其中,第二种分析结果是由云服务器通过车载终端发送给电池管理***BMS的;第二种分析结果是云服务器根据车载终端上传的数据和训练后的热失控预警模型,确定的是否发出第二热失控预警指令;所述车载终端上传的数据是电池预警***采集的不同工作模式的不同传感器采集的数据。
进一步地,所述云服务器根据车载终端上传的数据和训练后的热失控预警模型,确定是否发出第二热失控预警指令;具体包括:
云服务器将车载终端上传的电池包内部电池单体的温度、电池包内压力、母线电流和母线电压;
将电池包内部电池单体的温度、电池包内压力、母线电流和母线电压经过电池机理模型进行预处理,得到内阻异常分值、自放电异常分值、内短路异常分值、温升异常分值;其中,所述电池机理模型,包括:内阻模型、自放电模型、内短路模型、温升模型;
将预处理结果中内阻异常分值、自放电异常分值、内短路异常分值、温升异常分值进行分权重累加,输入到训练后的热失控预警模型中,输出是否发生热失控的分类结果。
进一步地,所述内阻模型,输入值是母线电流、电池荷电状态SOC和电池单体电压;所述内阻模型的工作原理是对放电工况且30%≤SOC≤80%的数据进行数据处理,若母线电流最大时当前帧电压减去上一帧电压的压变最大的单体电池代号,与母线电流最小时压变最大的单体电池代号相同,则判定此单体电池内阻异常;所述内阻模型的输出值为单体电池代号及内阻异常分值。
进一步地,所述自放电模型,输入值是电池荷电状态SOC和电池单体电压;所述自放电模型的工作原理是单体自放电异常会导致***层面压差异常,通过时间维度压差稳定性来辨识自放电特征;1)数据源:提取每次连续充电过程中SOC≥98%、50%≤SOC≤60%、15%≤SOC≤20%对应的数据片段;2)单次充电压差计算:分别计算SOC≥98%、50%≤SOC≤60%、15%≤SOC≤20%数据片段去噪后的压差均值ΔV;3)基于时序查询满足设定时间间隔要求对应充电SOC区间片段压差,计算对应时间间隔的日压差变化率;4)其中设定次数持续充电未触发当前模型,则判定为正常,否则判定为电池***自放电异常;若设定次数连续充电片段均不满足计算要求,则不输出;所述自放电模型的输出值为电池***自放电异常及自放电异常分值。
进一步地,所述温升模型,输入值是电池单体温度、电池荷电状态SOC和电池时钟信号;所述温升模型的工作原理是:对充/放电工况且10%≤soc≤100%的数据进行数据处理,若电池单体温度上升速度为2℃/S且连续三次则得出温升异常系数a;电池单体最高温度与单体电池最低温度之间的差值连续上升且超过一定阈值,则得出温升异常系数b;单体电池最高温度连续上升且超过一定阈值,则得出温升异常系数c;综合判断温升异常系数a、b、c,输出温升异常的单体电池代号和温升异常等级;所述温升模型的输出值为单体电池代号及温升异常分值。
进一步地,所述训练后的热失控预警模型;训练过程包括:
构建卷积神经网络;
构建训练集;所述训练集为已知是否发生热失控标签的同一型号同一批次电动车下生产线后电池历史监测数据;所述电池历史监测数据,包括:电池包内部电池单体的温度、电池包内压力、母线电流和母线电压;
将训练集的电池包内部电池单体的温度、电池包内压力、母线电流和母线电压经过电池机理模型进行预处理,得到内阻异常分值、自放电异常分值、内短路异常分值、温升异常分值;其中,所述电池机理模型,包括:内阻模型、自放电模型、内短路模型和温升模型;
将预处理结果中内阻异常分值、自放电异常分值、内短路异常分值、温升异常分值进行分权重累加,输入到卷积神经网络中,对网络进行训练,当网络的损失函数值不再降低时,或者达到设定迭代次数时,停止训练,得到训练后的卷积神经网络,也就是得到了训练后的热失控预警模型。
进一步地,所述根据两种分析结果,确定是否发出热失控报警;具体包括:
两种失控预警指令如果均为预警模式,则确定发出热失控报警;
如果两种失控预警指令中的一个为预警模式,另外一个为非预警模式,则不发出热失控报警;
如果烟雾传感器未报警,电池预警***发出报警,则主动将充放电功率减半,同时开启电池包冷却模式;
如果两种失控预警指令中的两个均为非预警模式,则确定不发出热失控报警。
所述实施例四中每个步骤的实现细节与实施例一是对应一致的。
实施例五,本实施例提供了一种电动汽车电池热失控报警方法;
一种电动汽车电池热失控报警方法,应用于云服务器,包括:
获取不同工作模式且不同模态的数据;
基于不同工作模式且不同模态的数据和训练后的热失控预警模型,确定第二种分析结果;所述第二种分析结果是指是否发出第二热失控预警指令;
将确定的第二种分析结果通过车载终端发送给电池管理***BMS;
以辅助电池管理***结合第一种分析结果和第二种分析结果,确定是否发出热失控报警;
其中,不同工作模式且不同模态的数据是由不同传感器采集并依次通过电池管理***BMS和车载终端上传给云服务器的;第一种分析结果是由整车控制器VCU对烟雾浓度数据进行分析得到的;第一分析结果,是指是否发出第一热失控预警指令;所述烟雾浓度数据由烟雾传感器采集并通过电池管理***BMS上传给整车控制器VCU。
进一步地,所述云服务器根据车载终端上传的数据和训练后的热失控预警模型,确定是否发出第二热失控预警指令;具体包括:
云服务器将车载终端上传的电池包内部电池单体的温度、电池包内压力、母线电流和母线电压;
将电池包内部电池单体的温度、电池包内压力、母线电流和母线电压经过电池机理模型进行预处理,得到内阻异常分值、自放电异常分值、内短路异常分值、温升异常分值;其中,所述电池机理模型,包括:内阻模型、自放电模型、内短路模型、温升模型;
将预处理结果中内阻异常分值、自放电异常分值、内短路异常分值、温升异常分值进行分权重累加,输入到训练后的热失控预警模型中,输出是否发生热失控的分类结果。
进一步地,所述内阻模型,输入值是母线电流、电池荷电状态SOC和电池单体电压;所述内阻模型的工作原理是对放电工况且30%≤SOC≤80%的数据进行数据处理,若母线电流最大时当前帧电压减去上一帧电压的压变最大的单体电池代号,与母线电流最小时压变最大的单体电池代号相同,则判定此单体电池内阻异常;所述内阻模型的输出值为单体电池代号及内阻异常分值。
进一步地,所述自放电模型,输入值是电池荷电状态SOC和电池单体电压;所述自放电模型的工作原理是单体自放电异常会导致***层面压差异常,通过时间维度压差稳定性来辨识自放电特征;1)数据源:提取每次连续充电过程中SOC≥98%、50%≤SOC≤60%、15%≤SOC≤20%对应的数据片段;2)单次充电压差计算:分别计算SOC≥98%、50%≤SOC≤60%、15%≤SOC≤20%数据片段去噪后的压差均值ΔV;3)基于时序查询满足设定时间间隔要求对应充电SOC区间片段压差,计算对应时间间隔的日压差变化率;4)其中设定次数持续充电未触发当前模型,则判定为正常,否则判定为电池***自放电异常;若设定次数连续充电片段均不满足计算要求,则不输出;所述自放电模型的输出值为电池***自放电异常及自放电异常分值。
进一步地,所述温升模型,输入值是电池单体温度、电池荷电状态SOC和电池时钟信号;所述温升模型的工作原理是:对充/放电工况且10%≤soc≤100%的数据进行数据处理,若电池单体温度上升速度为2℃/S且连续三次则得出温升异常系数a;电池单体最高温度与单体电池最低温度之间的差值连续上升且超过一定阈值,则得出温升异常系数b;单体电池最高温度连续上升且超过一定阈值,则得出温升异常系数c;综合判断温升异常系数a、b、c,输出温升异常的单体电池代号和温升异常等级;所述温升模型的输出值为单体电池代号及温升异常分值。
进一步地,所述训练后的热失控预警模型;训练过程包括:
构建卷积神经网络;
构建训练集;所述训练集为已知是否发生热失控标签的同一型号同一批次电动车下生产线后电池历史监测数据;所述电池历史监测数据,包括:电池包内部电池单体的温度、电池包内压力、母线电流和母线电压;
将训练集的电池包内部电池单体的温度、电池包内压力、母线电流和母线电压经过电池机理模型进行预处理,得到内阻异常分值、自放电异常分值、内短路异常分值、温升异常分值;其中,所述电池机理模型,包括:内阻模型、自放电模型、内短路模型和温升模型;
将预处理结果中内阻异常分值、自放电异常分值、内短路异常分值、温升异常分值进行分权重累加,输入到卷积神经网络中,对网络进行训练,当网络的损失函数值不再降低时,或者达到设定迭代次数时,停止训练,得到训练后的卷积神经网络,也就是得到了训练后的热失控预警模型。
进一步地,所述根据两种分析结果,确定是否发出热失控报警;具体包括:
两种失控预警指令如果均为预警模式,则确定发出热失控报警;
如果两种失控预警指令中的一个为预警模式,另外一个为非预警模式,则不发出热失控报警;
如果烟雾传感器未报警,电池预警***发出报警,则主动将充放电功率减半,同时开启电池包冷却模式;
如果两种失控预警指令中的两个均为非预警模式,则确定不发出热失控报警。
所述实施例五中每个步骤的实现细节与实施例一是对应一致的。
实施例六,本实施例提供了一种云服务器;
一种云服务器,包括:
第二获取模块,其被配置为:获取不同工作模式且不同模态的数据;
第二分析模块,其被配置为:基于不同工作模式且不同模态的数据和训练后的热失控预警模型,确定第二种分析结果;所述第二种分析结果是指是否发出第二热失控预警指令;
第二发送模块,其被配置为:将确定的第二种分析结果通过车载终端发送给电池管理***BMS;
第二确定模块,其被配置为:以辅助电池管理***结合第一种分析结果和第二种分析结果,确定是否发出热失控报警;
其中,不同工作模式且不同模态的数据是由不同传感器采集并依次通过电池管理***BMS和车载终端上传给云服务器的;第一种分析结果是由整车控制器VCU对烟雾浓度数据进行分析得到的;第一分析结果,是指是否发出第一热失控预警指令;所述烟雾浓度数据由烟雾传感器采集并通过电池管理***BMS上传给整车控制器VCU。
进一步地,所述云服务器根据车载终端上传的数据和训练后的热失控预警模型,确定是否发出第二热失控预警指令;具体包括:
云服务器将车载终端上传的电池包内部电池单体的温度、电池包内压力、母线电流和母线电压;
将电池包内部电池单体的温度、电池包内压力、母线电流和母线电压经过电池机理模型进行预处理,得到内阻异常分值、自放电异常分值、内短路异常分值、温升异常分值;其中,所述电池机理模型,包括:内阻模型、自放电模型、内短路模型、温升模型;
将预处理结果中内阻异常分值、自放电异常分值、内短路异常分值、温升异常分值进行分权重累加,输入到训练后的热失控预警模型中,输出是否发生热失控的分类结果。
进一步地,所述内阻模型,输入值是母线电流、电池荷电状态SOC和电池单体电压;所述内阻模型的工作原理是对放电工况且30%≤SOC≤80%的数据进行数据处理,若母线电流最大时当前帧电压减去上一帧电压的压变最大的单体电池代号,与母线电流最小时压变最大的单体电池代号相同,则判定此单体电池内阻异常;所述内阻模型的输出值为单体电池代号及内阻异常分值。
进一步地,所述自放电模型,输入值是电池荷电状态SOC和电池单体电压;所述自放电模型的工作原理是单体自放电异常会导致***层面压差异常,通过时间维度压差稳定性来辨识自放电特征;1)数据源:提取每次连续充电过程中SOC≥98%、50%≤SOC≤60%、15%≤SOC≤20%对应的数据片段;2)单次充电压差计算:分别计算SOC≥98%、50%≤SOC≤60%、15%≤SOC≤20%数据片段去噪后的压差均值ΔV;3)基于时序查询满足设定时间间隔要求对应充电SOC区间片段压差,计算对应时间间隔的日压差变化率;4)其中设定次数持续充电未触发当前模型,则判定为正常,否则判定为电池***自放电异常;若设定次数连续充电片段均不满足计算要求,则不输出;所述自放电模型的输出值为电池***自放电异常及自放电异常分值。
进一步地,所述温升模型,输入值是电池单体温度、电池荷电状态SOC和电池时钟信号;所述温升模型的工作原理是:对充/放电工况且10%≤soc≤100%的数据进行数据处理,若电池单体温度上升速度为2℃/S且连续三次则得出温升异常系数a;电池单体最高温度与单体电池最低温度之间的差值连续上升且超过一定阈值,则得出温升异常系数b;单体电池最高温度连续上升且超过一定阈值,则得出温升异常系数c;综合判断温升异常系数a、b、c,输出温升异常的单体电池代号和温升异常等级;所述温升模型的输出值为单体电池代号及温升异常分值。
进一步地,所述训练后的热失控预警模型;训练过程包括:
构建卷积神经网络;
构建训练集;所述训练集为已知是否发生热失控标签的同一型号同一批次电动车下生产线后电池历史监测数据;所述电池历史监测数据,包括:电池包内部电池单体的温度、电池包内压力、母线电流和母线电压;
将训练集的电池包内部电池单体的温度、电池包内压力、母线电流和母线电压经过电池机理模型进行预处理,得到内阻异常分值、自放电异常分值、内短路异常分值、温升异常分值;其中,所述电池机理模型,包括:内阻模型、自放电模型、内短路模型和温升模型;
将预处理结果中内阻异常分值、自放电异常分值、内短路异常分值、温升异常分值进行分权重累加,输入到卷积神经网络中,对网络进行训练,当网络的损失函数值不再降低时,或者达到设定迭代次数时,停止训练,得到训练后的卷积神经网络,也就是得到了训练后的热失控预警模型。
进一步地,所述根据两种分析结果,确定是否发出热失控报警;具体包括:
两种失控预警指令如果均为预警模式,则确定发出热失控报警;
如果两种失控预警指令中的一个为预警模式,另外一个为非预警模式,则不发出热失控报警;
如果烟雾传感器未报警,电池预警***发出报警,则主动将充放电功率减半,同时开启电池包冷却模式;
如果两种失控预警指令中的两个均为非预警模式,则确定不发出热失控报警。
所述实施例六中每个步骤的实现细节与实施例一是对应一致的。
实施例七,本实施例还提供了一种电动汽车电池热失控报警***;
一种电动汽车电池热失控报警***,包括:电池管理***BMS、整车控制器VCU和云服务器;
电池管理***BMS将烟雾浓度数据传输给整车控制器VCU(Vehicle controlunit);整车控制器VCU对烟雾浓度数据进行分析,确定是否发出第一热失控预警指令;
电池管理***BMS将电池预警***采集的不同工作模式的数据传输给车载终端T-BOX(Telematics BOX);车载终端将数据传输给云服务器,云服务器根据车载终端上传的数据和训练后的热失控预警模型,确定是否发出第二热失控预警指令;
所述电池管理***BMS,根据两种失控预警指令,确定是否发出热失控报警。
进一步地,所述云服务器根据车载终端上传的数据和训练后的热失控预警模型,确定是否发出第二热失控预警指令;具体包括:
云服务器将车载终端上传的电池包内部电池单体的温度、电池包内压力、母线电流和母线电压;
将电池包内部电池单体的温度、电池包内压力、母线电流和母线电压经过电池机理模型进行预处理,得到内阻异常分值、自放电异常分值、内短路异常分值、温升异常分值;其中,所述电池机理模型,包括:内阻模型、自放电模型、内短路模型、温升模型;
将预处理结果中内阻异常分值、自放电异常分值、内短路异常分值、温升异常分值进行分权重累加,输入到训练后的热失控预警模型中,输出是否发生热失控的分类结果。
进一步地,所述内阻模型,输入值是母线电流、电池荷电状态SOC和电池单体电压;所述内阻模型的工作原理是对放电工况且30%≤SOC≤80%的数据进行数据处理,若母线电流最大时当前帧电压减去上一帧电压的压变最大的单体电池代号,与母线电流最小时压变最大的单体电池代号相同,则判定此单体电池内阻异常;所述内阻模型的输出值为单体电池代号及内阻异常分值。
进一步地,所述自放电模型,输入值是电池荷电状态SOC和电池单体电压;所述自放电模型的工作原理是单体自放电异常会导致***层面压差异常,通过时间维度压差稳定性来辨识自放电特征;1)数据源:提取每次连续充电过程中SOC≥98%、50%≤SOC≤60%、15%≤SOC≤20%对应的数据片段;2)单次充电压差计算:分别计算SOC≥98%、50%≤SOC≤60%、15%≤SOC≤20%数据片段去噪后的压差均值ΔV;3)基于时序查询满足设定时间间隔要求对应充电SOC区间片段压差,计算对应时间间隔的日压差变化率;4)其中设定次数持续充电未触发当前模型,则判定为正常,否则判定为电池***自放电异常;若设定次数连续充电片段均不满足计算要求,则不输出;所述自放电模型的输出值为电池***自放电异常及自放电异常分值。
进一步地,所述温升模型,输入值是电池单体温度、电池荷电状态SOC和电池时钟信号;所述温升模型的工作原理是:对充/放电工况且10%≤soc≤100%的数据进行数据处理,若电池单体温度上升速度为2℃/S且连续三次则得出温升异常系数a;电池单体最高温度与单体电池最低温度之间的差值连续上升且超过一定阈值,则得出温升异常系数b;单体电池最高温度连续上升且超过一定阈值,则得出温升异常系数c;综合判断温升异常系数a、b、c,输出温升异常的单体电池代号和温升异常等级;所述温升模型的输出值为单体电池代号及温升异常分值。
进一步地,所述训练后的热失控预警模型;训练过程包括:
构建卷积神经网络;
构建训练集;所述训练集为已知是否发生热失控标签的同一型号同一批次电动车下生产线后电池历史监测数据;所述电池历史监测数据,包括:电池包内部电池单体的温度、电池包内压力、母线电流和母线电压;
将训练集的电池包内部电池单体的温度、电池包内压力、母线电流和母线电压经过电池机理模型进行预处理,得到内阻异常分值、自放电异常分值、内短路异常分值、温升异常分值;其中,所述电池机理模型,包括:内阻模型、自放电模型、内短路模型和温升模型;
将预处理结果中内阻异常分值、自放电异常分值、内短路异常分值、温升异常分值进行分权重累加,输入到卷积神经网络中,对网络进行训练,当网络的损失函数值不再降低时,或者达到设定迭代次数时,停止训练,得到训练后的卷积神经网络,也就是得到了训练后的热失控预警模型。
进一步地,所述根据两种分析结果,确定是否发出热失控报警;具体包括:
两种失控预警指令如果均为预警模式,则确定发出热失控报警;
如果两种失控预警指令中的一个为预警模式,另外一个为非预警模式,则不发出热失控报警;
如果烟雾传感器未报警,电池预警***发出报警,则主动将充放电功率减半,同时开启电池包冷却模式;
如果两种失控预警指令中的两个均为非预警模式,则确定不发出热失控报警。
所述实施例七中每个步骤的实现细节与实施例一是对应一致的。
实施例八,本实施例提供了一种电子设备;
一种电子设备,包括:
存储器,用于非暂时性存储计算机可读指令;以及
处理器,用于运行所述计算机可读指令,
其中,所述计算机可读指令被所述处理器运行时,执行上述实施例一、三或五所述的方法。
所述实施例八中每个步骤的实现细节与实施例一是对应一致的。
实施例九,本实施例还提供了一种存储介质,非暂时性地存储计算机可读指令,其中,当所述非暂时性计算机可读指令由计算机执行时,执行实施例一、三或五所述方法的指令。
所述实施例九中每个步骤的实现细节与实施例一是对应一致的。
实施例十,本实施例还提供了一种计算机程序产品,包括计算机程序,所述计算机程序当在一个或多个处理器上运行的时候用于实现上述实施例一、三或五所述的方法。
所述实施例十中每个步骤的实现细节与实施例一是对应一致的。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (16)
1.一种电动汽车电池热失控报警方法,其特征是,应用于电池管理***BMS,包括:
将烟雾浓度数据传输给整车控制器VCU;以使整车控制器VCU对烟雾浓度数据进行分析,确定是否发出第一热失控预警指令;接收整车控制器VCU的分析结果;
将电池预警***采集的不同工作模式的数据通过车载终端T-BOX传输给云服务器;以使云服务器根据车载终端上传的数据和训练后的热失控预警模型,确定是否发出第二热失控预警指令;通过车载终端接收云服务器的分析结果;
根据两种分析结果,确定是否发出热失控报警。
2.如权利要求1所述的一种电动汽车电池热失控报警方法,其特征是,所述云服务器根据车载终端上传的数据和训练后的热失控预警模型,确定是否发出第二热失控预警指令;具体包括:
云服务器将车载终端上传的电池包内部电池单体的温度、电池包内压力、母线电流和母线电压;
将电池包内部电池单体的温度、电池包内压力、母线电流和母线电压经过电池机理模型进行预处理,得到内阻异常分值、自放电异常分值、内短路异常分值、温升异常分值;其中,所述电池机理模型,包括:内阻模型、自放电模型、内短路模型和温升模型;
将预处理结果中内阻异常分值、自放电异常分值、内短路异常分值、温升异常分值进行分权重累加,输入到训练后的热失控预警模型中,输出是否发生热失控的分类结果。
3.如权利要求2所述的一种电动汽车电池热失控报警方法,其特征是,所述内阻模型,输入值是母线电流、电池荷电状态SOC和电池单体电压;所述内阻模型的工作原理是对放电工况且30%≤SOC≤80%的数据进行数据处理,若母线电流最大时当前帧电压减去上一帧电压的压变最大的单体电池代号,与母线电流最小时压变最大的单体电池代号相同,则判定此单体电池内阻异常;所述内阻模型的输出值为单体电池代号及内阻异常分值。
4.如权利要求2所述的一种电动汽车电池热失控报警方法,其特征是,所述自放电模型,输入值是电池荷电状态SOC和电池单体电压;所述自放电模型的工作原理是单体自放电异常会导致***层面压差异常,通过时间维度压差稳定性来辨识自放电特征;1)数据源:提取每次连续充电过程中SOC≥98%、50%≤SOC≤60%、15%≤SOC≤20%对应的数据片段;2)单次充电压差计算:分别计算SOC≥98%、50%≤SOC≤60%、15%≤SOC≤20%数据片段去噪后的压差均值ΔV;3)基于时序查询满足设定时间间隔要求对应充电SOC区间片段压差,计算对应时间间隔的日压差变化率;4)其中设定次数持续充电未触发当前模型,则判定为正常,否则判定为电池***自放电异常;若设定次数连续充电片段均不满足计算要求,则不输出;所述自放电模型的输出值为电池***自放电异常及自放电异常分值。
5.如权利要求2所述的一种电动汽车电池热失控报警方法,其特征是,所述温升模型,输入值是电池单体温度、电池荷电状态SOC和电池时钟信号;所述温升模型的工作原理是:对充/放电工况且10%≤soc≤100%的数据进行数据处理,若电池单体温度上升速度为2℃/S且连续三次则得出温升异常系数a;电池单体最高温度与单体电池最低温度之间的差值连续上升且超过一定阈值,则得出温升异常系数b;单体电池最高温度连续上升且超过一定阈值,则得出温升异常系数c;综合判断温升异常系数a、b、c,输出温升异常的单体电池代号和温升异常等级;所述温升模型的输出值为单体电池代号及温升异常分值。
6.如权利要求1所述的一种电动汽车电池热失控报警方法,其特征是,所述训练后的热失控预警模型;训练过程包括:
构建卷积神经网络;
构建训练集;所述训练集为已知是否发生热失控标签的同一型号同一批次电动车下生产线后电池历史监测数据;所述电池历史监测数据,包括:电池包内部电池单体的温度、电池包内压力、母线电流和母线电压;
将训练集的电池包内部电池单体的温度、电池包内压力、母线电流和母线电压经过电池机理模型进行预处理,得到内阻异常分值、自放电异常分值、内短路异常分值、温升异常分值;其中,所述电池机理模型,包括:内阻模型、自放电模型、内短路模型和温升模型;
将预处理结果中内阻异常分值、自放电异常分值、内短路异常分值、温升异常分值进行分权重累加,输入到卷积神经网络中,对网络进行训练,当网络的损失函数值不再降低时,或者达到设定迭代次数时,停止训练,得到训练后的卷积神经网络,也就是得到了训练后的热失控预警模型。
7.如权利要求1所述的一种电动汽车电池热失控报警方法,其特征是,所述根据两种分析结果,确定是否发出热失控报警;具体包括:
两种失控预警指令如果均为预警模式,则确定发出热失控报警;
如果两种失控预警指令中的一个为预警模式,另外一个为非预警模式,则不发出热失控报警;
如果烟雾传感器未报警,电池预警***发出报警,则主动将充放电功率减半,同时开启电池包冷却模式;
如果两种失控预警指令中的两个均为非预警模式,则确定不发出热失控报警。
8.一种电池管理***BMS,其特征是,包括:
第一传输模块,其被配置为:将烟雾浓度数据传输给整车控制器VCU;以使整车控制器VCU对烟雾浓度数据进行分析,确定是否发出第一热失控预警指令;接收整车控制器VCU的分析结果;
第二传输模块,其被配置为:将电池预警***采集的不同工作模式的数据通过车载终端T-BOX传输给云服务器;以使云服务器根据车载终端上传的数据和训练后的热失控预警模型,确定是否发出第二热失控预警指令;通过车载终端接收云服务器的分析结果;
输出模块,其被配置为:根据两种分析结果,确定是否发出热失控报警。
9.一种电动汽车电池热失控报警方法,其特征是,应用于整车控制器,包括:
获取烟雾浓度数据;
对烟雾浓度数据进行分析,确定是否发出第一热失控预警指令;
将第一种分析结果发送给电池管理***BMS;
以辅助电池管理***结合第一种分析结果和第二种分析结果,确定是否发出热失控报警;
其中,第二种分析结果是由云服务器通过车载终端发送给电池管理***BMS的;第二种分析结果是云服务器根据车载终端上传的数据和训练后的热失控预警模型,确定的是否发出第二热失控预警指令;所述车载终端上传的数据是电池预警***采集的不同工作模式的不同传感器采集的数据。
10.整车控制器,其特征是,包括:
第一获取模块,其被配置为:获取烟雾浓度数据;
第一分析模块,其被配置为:对烟雾浓度数据进行分析,确定是否发出第一热失控预警指令;
第一发送模块,其被配置为:将第一种分析结果发送给电池管理***BMS;
第一确定模块,其被配置为:以辅助电池管理***结合第一种分析结果和第二种分析结果,确定是否发出热失控报警;
其中,第二种分析结果是由云服务器通过车载终端发送给电池管理***BMS的;第二种分析结果是云服务器根据车载终端上传的数据和训练后的热失控预警模型,确定的是否发出第二热失控预警指令;所述车载终端上传的数据是电池预警***采集的不同工作模式的不同传感器采集的数据。
11.一种电动汽车电池热失控报警方法,其特征是,应用于云服务器,包括:
获取不同工作模式且不同模态的数据;
基于不同工作模式且不同模态的数据和训练后的热失控预警模型,确定第二种分析结果;所述第二种分析结果是指是否发出第二热失控预警指令;
将确定的第二种分析结果通过车载终端发送给电池管理***BMS;
以辅助电池管理***结合第一种分析结果和第二种分析结果,确定是否发出热失控报警;
其中,不同工作模式且不同模态的数据是由不同传感器采集并依次通过电池管理***BMS和车载终端上传给云服务器的;第一种分析结果是由整车控制器VCU对烟雾浓度数据进行分析得到的;第一分析结果,是指是否发出第一热失控预警指令;所述烟雾浓度数据由烟雾传感器采集并通过电池管理***BMS上传给整车控制器VCU。
12.一种云服务器,其特征是,包括:
第二获取模块,其被配置为:获取不同工作模式且不同模态的数据;
第二分析模块,其被配置为:基于不同工作模式且不同模态的数据和训练后的热失控预警模型,确定第二种分析结果;所述第二种分析结果是指是否发出第二热失控预警指令;
第二发送模块,其被配置为:将确定的第二种分析结果通过车载终端发送给电池管理***BMS;
第二确定模块,其被配置为:以辅助电池管理***结合第一种分析结果和第二种分析结果,确定是否发出热失控报警;
其中,不同工作模式且不同模态的数据是由不同传感器采集并依次通过电池管理***BMS和车载终端上传给云服务器的;第一种分析结果是由整车控制器VCU对烟雾浓度数据进行分析得到的;第一分析结果,是指是否发出第一热失控预警指令;所述烟雾浓度数据由烟雾传感器采集并通过电池管理***BMS上传给整车控制器VCU。
13.一种电动汽车电池热失控报警***,其特征是,包括:电池管理***BMS、整车控制器VCU和云服务器;
电池管理***BMS将烟雾浓度数据传输给整车控制器VCU;整车控制器VCU对烟雾浓度数据进行分析,确定是否发出第一热失控预警指令;
电池管理***BMS将电池预警***采集的不同工作模式的数据传输给车载终端T-BOX;车载终端将数据传输给云服务器,云服务器根据车载终端上传的数据和训练后的热失控预警模型,确定是否发出第二热失控预警指令;
所述电池管理***BMS,根据两种失控预警指令,确定是否发出热失控报警。
14.一种电子设备,其特征是,包括:
存储器,用于非暂时性存储计算机可读指令;以及
处理器,用于运行所述计算机可读指令,
其中,所述计算机可读指令被所述处理器运行时,执行上述权利要求1-7、9或11的任一项所述的方法。
15.一种存储介质,其特征是,非暂时性地存储计算机可读指令,其中,当所述非暂时性计算机可读指令由计算机执行时,执行权利要求1-7、9或11的任一项所述方法的指令。
16.一种计算机程序产品,其特征是,包括计算机程序,所述计算机程序当在一个或多个处理器上运行的时候用于实现上述权利要求1-7、9或11的任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210466186.4A CN114889433A (zh) | 2022-04-29 | 2022-04-29 | 一种电动汽车电池热失控报警***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210466186.4A CN114889433A (zh) | 2022-04-29 | 2022-04-29 | 一种电动汽车电池热失控报警***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114889433A true CN114889433A (zh) | 2022-08-12 |
Family
ID=82719733
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210466186.4A Pending CN114889433A (zh) | 2022-04-29 | 2022-04-29 | 一种电动汽车电池热失控报警***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114889433A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115295950A (zh) * | 2022-09-21 | 2022-11-04 | 天津国轩新能源科技有限公司 | 一种电动物流车的动力电池*** |
CN116344975A (zh) * | 2023-04-18 | 2023-06-27 | 湖南麦格米特电气技术有限公司 | 电池包的控制方法、电池管理***、电池包与用电设备 |
CN116520153A (zh) * | 2023-04-26 | 2023-08-01 | 广东博龙能源科技有限公司 | 一种锂电池热失控预警保护方法和*** |
CN116683061A (zh) * | 2023-08-03 | 2023-09-01 | 太原科技大学 | 动力电池热失控预测与抑制集成***、方法及存储介质 |
CN117110901A (zh) * | 2023-08-25 | 2023-11-24 | 上海邦盟成套电气有限公司 | 一种新能源测试车车载锂电池监控***及方法 |
CN117154249A (zh) * | 2023-08-29 | 2023-12-01 | 上海橙川储能科技有限公司 | 一种储能电池云端***安全管理方法和*** |
CN117783751A (zh) * | 2023-12-29 | 2024-03-29 | 江苏淮海新能源车辆有限公司 | 一种电动车的综合车况检测***及方法 |
-
2022
- 2022-04-29 CN CN202210466186.4A patent/CN114889433A/zh active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115295950A (zh) * | 2022-09-21 | 2022-11-04 | 天津国轩新能源科技有限公司 | 一种电动物流车的动力电池*** |
CN116344975A (zh) * | 2023-04-18 | 2023-06-27 | 湖南麦格米特电气技术有限公司 | 电池包的控制方法、电池管理***、电池包与用电设备 |
CN116344975B (zh) * | 2023-04-18 | 2024-06-07 | 湖南麦格米特电气技术有限公司 | 电池包的控制方法、电池管理***、电池包与用电设备 |
CN116520153A (zh) * | 2023-04-26 | 2023-08-01 | 广东博龙能源科技有限公司 | 一种锂电池热失控预警保护方法和*** |
CN116520153B (zh) * | 2023-04-26 | 2024-03-26 | 广东博龙能源科技有限公司 | 一种锂电池热失控预警保护方法和*** |
CN116683061A (zh) * | 2023-08-03 | 2023-09-01 | 太原科技大学 | 动力电池热失控预测与抑制集成***、方法及存储介质 |
CN116683061B (zh) * | 2023-08-03 | 2023-09-29 | 太原科技大学 | 动力电池热失控预测与抑制集成***、方法及存储介质 |
CN117110901A (zh) * | 2023-08-25 | 2023-11-24 | 上海邦盟成套电气有限公司 | 一种新能源测试车车载锂电池监控***及方法 |
CN117110901B (zh) * | 2023-08-25 | 2024-02-23 | 上海邦盟成套电气有限公司 | 一种新能源测试车车载锂电池监控***及方法 |
CN117154249A (zh) * | 2023-08-29 | 2023-12-01 | 上海橙川储能科技有限公司 | 一种储能电池云端***安全管理方法和*** |
CN117783751A (zh) * | 2023-12-29 | 2024-03-29 | 江苏淮海新能源车辆有限公司 | 一种电动车的综合车况检测***及方法 |
CN117783751B (zh) * | 2023-12-29 | 2024-06-07 | 江苏淮海新能源车辆有限公司 | 一种电动车的综合车况检测***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114889433A (zh) | 一种电动汽车电池热失控报警***及方法 | |
CN110838609B (zh) | 一种动力电池热失控保护方法、装置及*** | |
CN113506924B (zh) | 电池包的热失控预警方法及*** | |
CN103522909B (zh) | 一种纯电动车辆停放状态下监控电池数据的方法和车载终端 | |
CN112356689B (zh) | 氢燃料电池汽车安全预警的检测方法、***及车载终端 | |
CN203948534U (zh) | 汽车刹车片危险状态预警装置 | |
CN107528095B (zh) | 基于新能源车辆存储卡数据的低压蓄电池失效预测方法 | |
CN111934332A (zh) | 一种基于云边协同的储能电站*** | |
CN113752843B (zh) | 一种基于赛博物理***的动力电池热失控预警装置及方法 | |
CN114069856B (zh) | 电动汽车充电设施远程监测***及方法 | |
CN111823952A (zh) | 电芯温度的诊断方法、存储介质和电子设备 | |
CN112216891B (zh) | 一种动力电池***及动力电池***热失控监测方法 | |
CN112114259A (zh) | 一种车辆亏电状态监测方法、***、服务器和车辆 | |
CN106324514B (zh) | 车辆电池性能试验方法及其*** | |
CN112977160A (zh) | 电池管理方法、电池***、车辆及计算机存储介质 | |
CN113177646B (zh) | 一种基于自适应边缘代理的配电设备在线监测方法及*** | |
US11573271B1 (en) | Battery fault detection | |
CN113030759B (zh) | 一种车载低压蓄电池健康程度的检测方法 | |
CN113296003A (zh) | 一种动力电池压差预警方法和*** | |
CN116260254A (zh) | 一种无线充电状态监控*** | |
CN212267264U (zh) | 一种电动汽车充电多层安全防护装置 | |
CN115064787A (zh) | 一种动力电池的热失控监控机构 | |
CN114559816A (zh) | 一种动力电池热失控预警方法、装置及电动汽车 | |
CN113517477B (zh) | 一种电池包内动力电池热失控的辅助监测方法及报警装置 | |
CN215244443U (zh) | 一种电池全时检测装置、***及汽车 |
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 |