CN116263878A - 一种锂离子电池热失控风险预测方法及装置 - Google Patents
一种锂离子电池热失控风险预测方法及装置 Download PDFInfo
- Publication number
- CN116263878A CN116263878A CN202211225274.1A CN202211225274A CN116263878A CN 116263878 A CN116263878 A CN 116263878A CN 202211225274 A CN202211225274 A CN 202211225274A CN 116263878 A CN116263878 A CN 116263878A
- Authority
- CN
- China
- Prior art keywords
- thermal runaway
- lithium ion
- ion battery
- fault tree
- bayesian network
- 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
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 76
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013507 mapping Methods 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 17
- 230000007246 mechanism Effects 0.000 claims abstract description 15
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 238000011002 quantification Methods 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 230000006698 induction Effects 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000013139 quantization Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000000844 transformation Methods 0.000 claims description 3
- 230000001939 inductive effect Effects 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本说明书一个或多个实施例提供一种锂离子电池热失控风险预测方法及装置,包括获取锂离子电池热失控机理知识,采用故障树描述锂离子电池热失控演化过程,将故障树结构映射至锂离子电池热失控动态贝叶斯网络模型,获得锂离子电池热失控风险量化结果,将动态贝叶斯网络量化结果作为机器学习模型的输入,得到热失控风险预测结果。本实施例的方法,融合多重热失控致因和多源数据,可以预测电池热失控演化趋势,预测结果较为准确,有助于防控锂离子电池热失控事故。
Description
技术领域
本说明书一个或多个实施例涉及电池技术领域,尤其涉及一种锂离子电池热失控风险预测方法及装置。
背景技术
锂离子电池具有高能量密度、高能量效率、长循环寿命、低自放电率等优点,被广泛应用于新能源动力电池领域。随着使用时间增加,存在发生热失控事故风险。对电池热失控风险进行预测,能够明确热失控发展机理,量化电池状态风险,从而预先发出预警信号,防控热失控事件。然而,目前已有的预测方法常常提取一个或几个电池性能特征参数进行预测,从***安全视角开展的研究较少。由此,如何从***安全方面准确预测电池热失控风险演化趋势,是本领域所需解决的问题。
发明内容
有鉴于此,本说明书一个或多个实施例的目的在于提出一种锂离子电池热失控风险预测方法及装置,能够预测电池热失控风险趋势。
基于上述目的,本说明书一个或多个实施例提供了一种锂离子电池热失控风险预测方法,包括:
获取锂离子电池热失控机理知识;
采用故障树描述锂离子电池热失控演化过程;
将故障树结构映射至锂离子电池热失控动态贝叶斯网络模型,获得锂离子电池热失控风险量化结果;
将动态贝叶斯网络量化结果作为机器学习模型的输入,得到热失控风险预测结果。
可选的,所述采用故障树描述锂离子电池热失控演化过程,包括:
利用故障树,以锂离子电池热失控为顶事件,从人因和物因两个方面分析锂离子电池热失控事故诱发过程,得到故障树模型。其中,人因指电池早期异常升温若未采取有效措施加以限制,物因指机械触发、电触发、热触发等方面引起的电池异常升温。
可选的,所述将故障树结构映射至锂离子电池热失控动态贝叶斯网络模型,获得锂离子电池热失控风险量化结果,包括:
将故障树的结构映射至动态贝叶斯网络,包括图形和数值转换:在图形转换中,将故障树顶事件、中间事件和基本事件分别映射为贝叶斯网络叶节点、中间节点和根节点,节点的连接方式与相应事件的连接方式相同;在数值转换中,基本事件发生概率作为相应根节点先验概率,采用条件概率表表示节点之间的关系;
可选的,利用统计数据、公开数据集和专家知识等各种渠道获取动态贝叶斯网络中电池正常寿命内的各节点的先验概率及依赖关系,输出基于贝叶斯推理的锂离子电池热失控风险量化结果。
可选的,所述将动态贝叶斯网络量化结果作为机器学习模型的输入,得到热失控风险预测结果,包括:
将动态贝叶斯网络的热失控风险量化结果划分为训练集和测试集,将所述训练集和测试集作为支持向量回归模型的输入,支持参数网格搜索,得到热失控风险预测结果。
本说明书实施例还提供一种锂离子电池热失控风险预测装置,包括:
获取模块,用于获取锂离子电池热失控机理知识;
结构化模块,用于分解锂离子电池热失控诱发过程,得到一个结构化模型;
量化模块,用于计算锂离子电池热失控风险;
预测模块,用于将量化模块结果作为机器学习模型的输入,得到热失控风险预测结果。
可选的,所述结构化模块,用于利用故障树对锂离子电池热失控诱发过程进行分解,以锂离子电池热失控为顶事件,从人因和物因两个方面分析锂离子电池热失控事故诱发过程,得到一个包含10个基本事件,6个中间事件的结构化故障树模型。
可选的,所述量化模块,用于将故障树的结构映射至动态贝叶斯网络,包括图形和数值转换:在图形转换中,将故障树顶事件、中间事件和基本事件分别映射为贝叶斯网络叶节点、中间节点和根节点,节点的连接方式与相应事件的连接方式相同;在数值转换中,基本事件发生概率作为相应根节点先验概率,采用条件概率表表示节点之间的关系;
可选的,利用统计数据、公开数据集和专家知识等各种渠道获取动态贝叶斯网络中电池正常寿命内的各节点的先验概率及依赖关系,使用GeNie软件输出锂离子电池热失控风险量化结果。
可选的,所述预测模块,用于将动态贝叶斯网络的热失控风险量化结果划分为训练集和测试集,将所述训练集和测试集输入包含参数网格搜索的支持向量回归模型,得到热失控风险预测结果。
从上面所述可以看出,本说明书一个或多个实施例提供的锂离子电池热失控风险预测方法及装置,利用故障树分解锂离子电池热失控这一电动汽车起火***的主要致因,得到结构化的热失控事故演化模型,将热失控故障树映射至动态贝叶斯网络,得到正常寿命内的热失控风险量化结果,划分训练集测试集后,选取支持向量回归模型,可以预测锂离子电池热失控风险。本实施例的方法,结合锂电池热失控诱发机理,考虑电池寿命对热失控概率的影响,对电池热失控趋势进行预测,预测结果更为准确。
附图说明
为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书一个或多个实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本说明书一个或多个实施例的方法流程示意图;
图2为本说明书一个或多个实施例的故障树模型示意图;
图3为本说明书一个或多个实施例的动态贝叶斯网络模型示意图;
图4为本说明书一个或多个实施例的装置结构框图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
需要说明的是,除非另外定义,本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
相关技术中,对锂电池热失控机理的研究或仅从宏观理论层面解释,或停留在实验室阶段,所加外部干扰与真实条件下存在较大差异,对热失控的预测多是提取个别或几个参数作为特征,不够全面,导致无法给出***安全的锂离子电池热失控风险防范决策。
有鉴于此,本申请结合电池热失控的多种诱因,提供一种热失控风险预测方法,更符合电池实际情况,预测结果更为准确,具有更高的实际应用价值。
以下,通过具体的实施例进一步详细说明本申请的技术方案。
如图1所示,本申请提供一种锂离子电池热失控风险预测方法,包括:
S101:获取锂离子电池热失控机理知识;
本实施例中,首先总结归纳锂离子电池热失控机理。一些方式中,可以实时采集电池的工作状态信号,根据工作状态信号变化推断热失控原因。其中,工作状态信号可以是电池表面温度、电压等参数。
S102:采用故障树描述锂离子电池热失控演化过程;
本实施例中,锂离子电池电池热失控由物因,即电池异常升温,与人因,即未采取有效措施同时发生直接导致。其中电池异常升温原因机械触发、热触发及电触发情况等,其中任何一种情况都能够使电池异常升温。电池早期异常升温若未采取有效措施加以限制,则导致热失控事故。
S103:将故障树结构映射至锂离子电池热失控动态贝叶斯网络模型,获得锂离子电池热失控风险量化结果;
一些实施方式中,可将故障树结构映射至动态贝叶斯网络,利用统计数据、公开数据集和专家知识等多源信息获取动态贝叶斯网络中电池的各节点的依赖关系及先验概率,由GeNie等贝叶斯软件输出基于贝叶斯推理的锂离子电池热失控风险量化结果。
S104:将动态贝叶斯网络量化结果作为机器学习模型的输入,得到热失控风险预测结果;
本实施例中,将动态贝叶斯网络的热失控风险量化结果划分为训练集和测试集,将所述训练集和测试集作为支持向量回归模型的输入,支持参数网格搜索,得到热失控风险预测结果。
本实施例提供的锂离子电池热失控风险预测方法,包括获取锂离子电池热失控机理知识,采用故障树描述锂离子电池热失控演化过程,将故障树结构映射至锂离子电池热失控动态贝叶斯网络模型,获得锂离子电池热失控风险量化结果,将动态贝叶斯网络量化结果作为机器学习模型的输入,得到热失控风险预测结果。本实施例的方法,综合多方面热失控诱因,多渠道获取数据,对电池热失控趋势进行预测,预测结果较为准确,有助于防控锂离子电池热失控事故。
以下结合附图和具体实施例对本申请的预测方法进行详细说明。
基于搜集到的锂离子电池热失控机理知识,构建以热失控为顶事件的故障树,具体步骤:
首先从顶事件分析,确定顶事件的直接、必要和充分的原因。将这些原因作为中间事件,进一步确定它们的直接、必要和充分的原因,上下层之间用逻辑门连接,这样自上而下地逐步展开,形成一个倒置的树状图。
本实例中,锂离子电池热失控故障树如图2所示,10个基本事件见表1,电池早期异常升温若未采取有效措施加以限制,则导致热失控事故。其中引起电池异常升温的情况,具体包括:
(1)根据电池受到机械滥用后不同的变形情况,将机械触发分为挤压和穿刺。
(2)电触发通常包括内短路和外短路,当电池处于过充或过放电状态,容易发生内短路;外部短路的致因为电池遭遇浸水、碰撞或电池包内零部件短路、老化。
(3)热触发可分解为电池局部过热和被周围物质引燃两种情形。
表1热失控故障树基本事件
从故障树映射到动态贝叶斯网络包括图形和数值转换。在图形转换中,将故障树顶事件、中间事件和基本事件分别映射为贝叶斯网络叶节点、中间节点和根节点,节点的连接方式与相应事件的连接方式相同;在数值转换中,基本事件发生概率作为相应根节点先验概率,采用条件概率表表示节点之间的关系。在一些实例中,部分节点间依赖关系用0和1来表示故障树中的逻辑“与”和逻辑“或”。
本实例中,映射后的动态贝叶斯网络如图3所示。
可选的,网络中添加两个对于电池异常升温有关键影响的节点:SOC和SOH。SOC指电池荷电量(State of Charge),研究表明在高荷电状态***极界面更易发生电解质分解,发生外短路时瞬时电流更大,外界加热条件下具有更高的热释放速率并总体对外释放更多的能量。SOH指电池健康状态(State of Health),也叫寿命状态。衰老的电池(即SOH值更小的电池)更早进入热失控状态,且随着循环次数增加,热失控的初始温度降低,尤其是在SOH小于80%的条件下。
一些实例中,统计数据、公开数据集、专家知识等,都可作为动态贝叶斯网络的先验概率数据来源。其中,专家知识通过问卷形式获取,本实例中采取模糊集理论计算失效概率,解决在历史数据较少时难以精确表达的问题。
本实例中,使用GeNie软件运行动态贝叶斯网络模型,得到热失控风险时间序列。此时间序列将用于输入支持向量回归模型,预测热失控趋势。
支持向量回归的基本前提是将现实中的非线性数据投影到高维特征空间中,使其变成该空间中的线性回归问题。
假设高维特征空间中的线性方程表示为:
f(x)=ω·φ(x)+b#(1)
其中参数ω和b是计算目标,φ(x)是一个非线性映射函数。
通过网格搜索的方法可以得到支持向量回归模型中线性不敏感损失等参数,再引入拉格朗日方程和核函数即可求出计算目标的值。可选的,采用径向基核函数解决映射问题。
将时间序列按照9:1、8:2和7:3的比例划分训练集和测试集,输入到支持向量回归模型中,得到热失控风险的预测结果。可选的,采用决定系数(R2)衡量预测拟合效果,表示为:
以下结合实验数据说明本实施例方法的优点。
本实施例依据马里兰大学CALCE电池研究小组方形锂电池充放电循环数据集、统计数据和专家知识,建立量化热失控风险的动态贝叶斯网络模型。基于支持向量回归方法,以动态贝叶斯网络产生的热失控概率时间序列为输入,划分数据集比例分别为9:1、8:2和7:3。得到的拟合结果优良,R2值均达到了99.98%以上。
表2电池热失控风险预测结果
根据表2实验结果,相较于二次回归模型、循环神经网络、长短时记忆网络、门控循环单元模型,本说明书的支持向量回归模型R2更高,说明预测效果更好。对于锂离子电池热失控,本实例提出的将故障树、动态贝叶斯网络及支持向量回归预测结合的方法,能够形成一套包含多方面诱因的事故机理模型并实现较准确的风险预测,具有一定有效性。
需要说明的是,上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
如图4所示,本说明书实施例还提供一种锂离子电池热失控风险预测装置,包括:
获取模块,用于获取锂离子电池热失控机理知识;
结构化模块,用于分解锂离子电池热失控诱发过程,得到一个结构化模型;
量化模块,用于计算锂离子电池热失控风险;
预测模块,用于将量化模块结果作为机器学习模型的输入,得到热失控风险预测结果。
为了描述方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述实施例中相应的方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
尽管已经结合了本公开的具体实施例对本公开进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本说明书一个或多个实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (8)
1.一种锂离子电池热失控风险预测方法,其特征在于,包括:获取锂离子电池热失控机理知识;采用故障树描述锂离子电池热失控演化过程;将故障树结构映射至锂离子电池热失控动态贝叶斯网络模型,获得锂离子电池热失控风险量化结果;将动态贝叶斯网络量化结果作为机器学习模型的输入,得到热失控风险预测结果;
所述故障树,用于***归纳热失控机理知识,利用事件及其逻辑关系图形化表示锂离子电池热失控演化;
所述映射,用于将故障树结构及参数转化为对应的动态贝叶斯网络,以表示更加复杂的节点关系,并利用贝叶斯算法进行风险量化;
所述机器学习模型,指支持向量回归模型,用于预测热失控风险趋势。
2.根据权利要求1所述的方法,其特征在于,所述采用故障树描述锂离子电池热失控演化过程,包括:
利用故障树,以锂离子电池热失控为顶事件,从人因和物因两方面分析锂离子电池热失控事故诱发过程,得到故障树模型;其中,人因指电池早期异常升温若未采取有效措施加以限制,物因指机械触发、电触发、热触发等引起的电池异常升温。
3.根据权利要求1所述的方法,其特征在于,所述将故障树结构映射至锂离子电池热失控动态贝叶斯网络模型,获得锂离子电池热失控风险量化结果,包括:
将故障树结构映射至动态贝叶斯网络,包括图形和数值转换:在图形转换中,将故障树顶事件、中间事件和基本事件分别映射为贝叶斯网络叶节点、中间节点和根节点,节点的连接方式与相应事件的连接方式相同;在数值转换中,基本事件发生概率作为相应根节点先验概率,采用条件概率表表示节点之间的关系;利用统计数据、公开数据集和专家知识等多源信息获取动态贝叶斯网络各节点的先验概率及依赖关系,得到基于贝叶斯推理的锂离子电池热失控风险量化结果。
4.根据权利要求1所述的方法,其特征在于,所述将动态贝叶斯网络量化结果作为机器学习模型的输入,得到热失控风险预测结果,包括:
将动态贝叶斯网络的热失控风险量化结果划分为训练集和测试集,将所述训练集和测试集作为支持向量回归模型的输入,支持参数网格搜索,得到热失控风险预测结果。
5.一种锂离子电池热失控风险预测装置,其特征在于,包括:
获取模块,用于获取锂离子电池热失控机理知识;
结构化模块,用于分解锂离子电池热失控诱发过程,得到一个结构化模型;
量化模块,用于计算锂离子电池热失控风险;
预测模块,用于将量化模块结果作为机器学习模型的输入,得到热失控风险预测结果。
6.根据权利要求5所述的装置,其特征在于,
所述结构化模块,用于利用故障树对锂离子电池热失控诱发过程进行分解,以锂离子电池热失控为顶事件,从人因和物因两个方面分析锂离子电池热失控事故诱发过程,得到故障树模型。
7.根据权利要求5所述的装置,其特征在于,
所述量化模块,用于将故障树的结构映射至动态贝叶斯网络,包括图形和数值转换:在图形转换中,将故障树顶事件、中间事件和基本事件分别映射为贝叶斯网络叶节点、中间节点和根节点,节点的连接方式与相应事件的连接方式相同;在数值转换中,基本事件发生概率作为相应根节点先验概率,采用条件概率表表示节点之间的关系;利用统计数据、公开数据集和专家知识等各种渠道获取动态贝叶斯网络中电池正常寿命内的各节点的先验概率及依赖关系,输出锂离子电池热失控风险量化结果。
8.根据权利要求5所述的装置,其特征在于,
所述预测模块,用于将动态贝叶斯网络的热失控风险量化结果划分为训练集和测试集,将所述训练集和测试集输入包含参数网格搜索的支持向量回归模型,得到热失控风险预测结果。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211225274.1A CN116263878A (zh) | 2022-10-09 | 2022-10-09 | 一种锂离子电池热失控风险预测方法及装置 |
US18/318,846 US20240119323A1 (en) | 2022-10-09 | 2023-05-17 | Method and device for risk prediction of thermal runaway in lithium-ion batteries |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211225274.1A CN116263878A (zh) | 2022-10-09 | 2022-10-09 | 一种锂离子电池热失控风险预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116263878A true CN116263878A (zh) | 2023-06-16 |
Family
ID=86723761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211225274.1A Pending CN116263878A (zh) | 2022-10-09 | 2022-10-09 | 一种锂离子电池热失控风险预测方法及装置 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20240119323A1 (zh) |
CN (1) | CN116263878A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110489898A (zh) * | 2019-08-26 | 2019-11-22 | 北京航空航天大学 | 一种基于混合认知的动态多层级***建模与状态预测方法 |
CN111751714A (zh) * | 2020-06-11 | 2020-10-09 | 西安电子科技大学 | 一种基于svm和hmm的射频模拟电路故障诊断方法 |
CN112622624A (zh) * | 2020-12-18 | 2021-04-09 | 华人运通(江苏)技术有限公司 | 动力电池热失控预警方法、装置、存储介质及终端设备 |
CN113705615A (zh) * | 2021-07-29 | 2021-11-26 | 南京邮电大学 | 一种基于神经网络的电动汽车充电过程多级设备故障诊断方法及*** |
CN114186753A (zh) * | 2021-12-17 | 2022-03-15 | 食品安全与营养(贵州)信息科技有限公司 | 一种基于fta-bn的食品安全风险预测算法 |
-
2022
- 2022-10-09 CN CN202211225274.1A patent/CN116263878A/zh active Pending
-
2023
- 2023-05-17 US US18/318,846 patent/US20240119323A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110489898A (zh) * | 2019-08-26 | 2019-11-22 | 北京航空航天大学 | 一种基于混合认知的动态多层级***建模与状态预测方法 |
CN111751714A (zh) * | 2020-06-11 | 2020-10-09 | 西安电子科技大学 | 一种基于svm和hmm的射频模拟电路故障诊断方法 |
CN112622624A (zh) * | 2020-12-18 | 2021-04-09 | 华人运通(江苏)技术有限公司 | 动力电池热失控预警方法、装置、存储介质及终端设备 |
CN113705615A (zh) * | 2021-07-29 | 2021-11-26 | 南京邮电大学 | 一种基于神经网络的电动汽车充电过程多级设备故障诊断方法及*** |
CN114186753A (zh) * | 2021-12-17 | 2022-03-15 | 食品安全与营养(贵州)信息科技有限公司 | 一种基于fta-bn的食品安全风险预测算法 |
Non-Patent Citations (1)
Title |
---|
贺林 等: "《动力电池》", 31 May 2021, 《机械工业出版社》, pages: 285 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Also Published As
Publication number | Publication date |
---|---|
US20240119323A1 (en) | 2024-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chinomona et al. | Long short-term memory approach to estimate battery remaining useful life using partial data | |
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 | |
Landi et al. | Measurement techniques for online battery state of health estimation in vehicle-to-grid applications | |
Kim et al. | A novel prognostics approach using shifting kernel particle filter of Li-ion batteries under state changes | |
Wu et al. | Health prognosis with optimized feature selection for lithium-ion battery in electric vehicle applications | |
CN108287317B (zh) | 电池功率预测模型生成方法及***、功率预测方法及*** | |
Qiu et al. | A novel entropy-based fault diagnosis and inconsistency evaluation approach for lithium-ion battery energy storage systems | |
Meng et al. | A hybrid method for prognostics of lithium-ion batteries capacity considering regeneration phenomena | |
CN104614632B (zh) | 一种电池微短路的识别方法 | |
Wang et al. | Health diagnosis for lithium-ion battery by combining partial incremental capacity and deep belief network during insufficient discharge profile | |
CN116643178B (zh) | 一种电池管理***的soc估算方法及相关装置 | |
CN116263878A (zh) | 一种锂离子电池热失控风险预测方法及装置 | |
Li et al. | Lithium-ion battery management system for electric vehicles | |
CN116047300A (zh) | 用以预测电池的特性参数的控制器及其方法 | |
Khera et al. | Valve regulated lead acid battery diagnostic system based on infrared thermal imaging and fuzzy algorithm | |
Namdari et al. | A multiscale entropy-based long short term memory model for lithium-ion battery prognostics | |
CN115389954A (zh) | 一种电池容量的估算方法、电子设备及可读存储介质 | |
Kharlamova et al. | Evaluating machine-learning-based methods for modeling a digital twin of battery systems providing frequency regulation | |
De Falco et al. | State of health prediction of lithium-ion batteries using accelerated degradation test data | |
Obisakin et al. | State of Health Estimation of Lithium-Ion Batteries Using Support Vector Regression and Long Short-Term Memory | |
Li et al. | Characterizing degradation in lithium-ion batteries with pulsing | |
Ghadbane et al. | Optimal parameter identification strategy applied to lithium-ion battery model for electric vehicles using drive cycle data | |
CN113093014B (zh) | 一种基于阻抗参数的soh与soc的在线协同估计方法及*** | |
Pyne et al. | Generation of synthetic battery data with capacity variation | |
Yang et al. | Lithium-ion battery life cycle prediction with deep learning regression model |
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 |