CN116683061B - 动力电池热失控预测与抑制集成***、方法及存储介质 - Google Patents

动力电池热失控预测与抑制集成***、方法及存储介质 Download PDF

Info

Publication number
CN116683061B
CN116683061B CN202310967238.0A CN202310967238A CN116683061B CN 116683061 B CN116683061 B CN 116683061B CN 202310967238 A CN202310967238 A CN 202310967238A CN 116683061 B CN116683061 B CN 116683061B
Authority
CN
China
Prior art keywords
data
module
thermal runaway
prediction
acquisition module
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.)
Active
Application number
CN202310967238.0A
Other languages
English (en)
Other versions
CN116683061A (zh
Inventor
丁小凤
郭健
赵富强
侯昱华
魏明俊
孔德欣
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.)
Taiyuan University of Science and Technology
Original Assignee
Taiyuan University of Science and Technology
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 Taiyuan University of Science and Technology filed Critical Taiyuan University of Science and Technology
Priority to CN202310967238.0A priority Critical patent/CN116683061B/zh
Publication of CN116683061A publication Critical patent/CN116683061A/zh
Application granted granted Critical
Publication of CN116683061B publication Critical patent/CN116683061B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/08—Learning methods
    • 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
    • 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
    • H01M10/60—Heating or cooling; Temperature control
    • H01M10/61—Types of temperature control
    • H01M10/613—Cooling or keeping cold
    • 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
    • H01M10/60—Heating or cooling; Temperature control
    • H01M10/62—Heating or cooling; Temperature control specially adapted for specific applications
    • H01M10/625—Vehicles
    • 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
    • H01M10/60—Heating or cooling; Temperature control
    • H01M10/63—Control systems
    • H01M10/633—Control systems characterised by algorithms, flow charts, software details or the like
    • 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
    • H01M10/60—Heating or cooling; Temperature control
    • H01M10/65—Means for temperature control structurally associated with the cells
    • H01M10/656—Means for temperature control structurally associated with the cells characterised by the type of heat-exchange fluid
    • H01M10/6561—Gases
    • H01M10/6563—Gases with forced flow, e.g. by blowers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Secondary Cells (AREA)

Abstract

本发明属于电池技术领域，具体涉及动力电池热失控预测与抑制集成***及方法。该***包括第一采集模块、第二采集模块、第三采集模块、第四采集模块、数据处理模块、预测模块、控制模块、告警模块和抑制模块；预测模块通过获取的采集数据，利用训练好的预测模型进行预测，获得电池模块是否有热失控趋势的预测结果信息；控制模块通过获取的采集数据，利用训练好的控制策略进行优化，获得冷却***的优化参数。此外，本发明还提供执行此方法的存储介质。本发明不但可以***动力电池的热失控风险，而且可以根据相应的预测结果调整冷却***的工作参数，使得动力电池工作在正常的温度区间或延缓热失控发生的时间，有效提升安全和可靠性。

Description

动力电池热失控预测与抑制集成***、方法及存储介质
技术领域
本发明涉及电池技术领域，具体涉及动力电池热失控预测与抑制集成***、方法及存储介质。
背景技术
现代社会对动力电池的需求日益增长，包括电动汽车、可再生能源储存等领域。然而，由于动力电池体积大、储能密度高，如果未能有效控制其温度，可能导致动力电池发生热失控，引发严重的安全隐患，甚至威胁人员安全，造成财产损失。传统的动力电池温度控制方法主要依赖于温度传感器和保护装置来监测和维持电池温度在安全范围内。然而，上述方法是在动力电池在已发生热失控的情况下予以实施的，只能被动地响应温度变化，缺乏对热失控的准确预测和主动抑制能力。因此，寻找一种高效可靠的动力电池热失控预测与抑制集成***成为电池技术领域的迫切需求。
发明内容
针对上述现有技术存在的不足，本发明提供了动力电池热失控预测与抑制集成***、方法及存储介质，旨在提供一种创新的技术解决方案，实现对动力电池热失控的准确预测和提前抑制。
本发明通过协同使用基于神经网络的预测模型和基于支持向量回归的控制策略，不但可以***动力电池热失控风险，而且可以根据相应的预测结果调整冷却***工作参数，使得动力电池工作在正常的温度区间或延缓热失控发生的时间，有效提升了新能源汽车的安全性和可靠性。
本发明提供了动力电池热失控预测与抑制集成***，包括电池模块和冷却***，还包括:
第一采集模块，用于实时采集所述电池模块的电池最小单体电压数据、电池电流数据、电池最小单体温度数据、电池模块SOH数据和电池模块SOC数据；
第二采集模块，用于实时采集所述电池模块的车辆环境温度数据、电池模块温度数据；
第三采集模块，用于实时采集所述电池模块的电池模块输出功率数据；
第四采集模块，用于实时采集所述冷却***的压缩机转速数据、蒸发器进风量数据和冷凝器进风量数据；
数据处理模块，对各采集模块的采集数据分别进行数据处理；
预测模块，获取已处理的第一采集模块和第二采集模块的采集数据，通过训练好的预测模型进行预测，获得电池模块是否有热失控趋势的预测结果信息；
控制模块，获取已处理的第二采集模块、第三采集模块和第四采集模块的采集数据，并接收所述预测模块发送的无热失控趋势的预测结果信息，通过训练好的控制策略进行优化，获得冷却***的优化参数；
告警模块，接收所述预测模块发送的有热失控趋势的预测结果信息，与内置的热失控等级规则进行匹配后，显示安全时间与相应的热失控等级，同时执行对应等级的告警提示指令、抑制指令、报警指令；
抑制模块，执行所述告警模块发送的抑制指令。
优选的，所述数据处理模块对各采集模块的采集数据分别进行数据清洗、特征选择、特征转换、数据缩放和数据编码的处理操作。
优选的，所述预测模块中训练好的预测模型的构建方法具体包括：
S11：获取所述电池模块的历史工作数据，所述历史工作数据包括第一采集模块和第二采集模块采集的数据；
S12：将所述步骤S11中的历史工作数据进行归一化处理；
S13：将所述步骤S12中经过归一化处理后的历史工作数据按照比例分为训练集和测试集；
S14：将所述训练集数据输入基于神经网络的预测模型中进行训练，得到初始预测模型；
S15：将所述测试集数据输入所述初始预测模型中进行评估，根据评估结果调整模型参数得到训练好的预测模型，其中，预测模型中的评估方法采用平均相对误差MRE来评估每个交叉验证测试数据的预测结果；
S16：将所述训练好的预测模型输入到预测模块中用于车辆实际行驶过程中电池模块热失控趋势的预测。
优选的，所述预测结果信息中包含三种类型的电池数据，其中，所述三种类型的电池数据分别为：包含但不限于温升、温差、温度在内的温度数据，包含但不限于电压变化率、电压差、电压在内的电压数据，包含但不限于电流变化率、电流差、电流在内的电流数据；此外，所述预测结果信息中还包括热失控预测的发生时间。
优选的，所述内置的热失控等级是基于预测结果信息中的电池异常数据的数量条件和热失控预测的发生时间条件进行判定，判定条件具体为：
条件一、基于预测结果信息中各类型电池异常数据的数量进行判定：
第一等级：任意一种/任意二种/全部类型数据中发生异常的数据数量为三个或三个以上时，即为第一等级；
第二等级：任意一种/任意二种类型数据中发生异常的数据数量为两个时，即为第二等级；
第三等级：任意一种类型数据中发生异常的数据数量为一个时，即为第三等级；
条件二、按照热失控预测的发生时间进行判定：
第一等级：热失控预测发生时间为一分钟以内包含一分钟；
第二等级：热失控预测发生时间为一分钟以上至五分钟包含五分钟；
第三等级：热失控预测发生时间为五分钟以上至十分钟包含十分钟；
因而，判定最终热失控等级的规则如下：
若任意一种热失控判定条件为第一等级，或两种热失控判定条件均为第二等级，则最终热失控等级定义为等级一，执行告警提示指令、抑制指令和报警指令；
若热失控判定条件的组合为第二等级和第三等级，则最终热失控等级定义为等级二，执行告警提示指令和抑制指令；
若两种热失控判定条件均为第三等级，则最终热失控等级定义为等级三，执行告警提示指令。
优选的，所述控制模块中训练好的控制策略的构建方法具体包括：
S21：获取所述电池模块和所述冷却***的历史工作数据，所述历史工作数据包括第二采集模块、第三采集模块和第四采集模块采集的数据；
S22：将所述步骤S21中的第二采集模块、第三采集模块和第四采集模块采集的数据进行归一化处理；
S23：将所述步骤S22中经过归一化处理后的第二采集模块、第三采集模块和第四采集模块采集的数据按照比例分为训练集和测试集；
S24：将所述训练集数据输入基于支持向量回归的控制策略中进行训练，得到初步控制策略；
S25：将所述测试集数据输入所述初步控制策略中进行评估，根据评估结果调整模型参数得到训练好的控制策略，其中，控制策略中的评估方法采用回归的平方相关系数；
S26：将所述训练好的控制策略输入到所述控制模块中用于优化车辆实际行驶过程中所述冷却***工作参数。
优选的，所述控制模块接收到的所述预测模块发送的无热失控趋势的预测结果信息为最近一个采样周期内预测的电池模块温度，所述优化参数是根据所述预测模块发送的最近一个采样周期内预测的电池模块温度、电池模块当前工作状态和冷却***当前工作状态，由所述控制模块的控制策略求解后获得的冷却***最优运行工况解；所述抑制模块内预设有抑制参数，用于执行所述告警模块的抑制指令，所述抑制参数为冷却***最大功率工作参数。
优选的，所述冷却***包括：电动压缩机、冷凝器、蒸发器、膨胀阀、冷却管路、冷却风道、中央处理器、独立电源，所述中央处理器用于接收并执行所述抑制参数或优化参数，所述独立电源用于在所述预测模块预测到热失控风险时给所述冷却***供电。
本发明提供了动力电池热失控预测与抑制集成方法，应用于动力电池热失控预测与抑制集成***，包括以下步骤：
S31：在车辆启动之后，第一采集模块、第二采集模块、第三采集模块和第四采集模块按照5秒一次的采样频率获取实时行驶工况数据；同时，将采集到的实时数据传输到与采集模块相连接的数据处理模块；
S32：数据处理模块对各采集模块的采集数据分别进行数据处理；
S33：预测模块获取已处理的第一采集模块和第二采集模块的采集数据，通过训练好的预测模型进行预测，获得电池模块是否有热失控趋势的预测结果信息；
S34：若预测模型的输出结果没有热失控风险，返回步骤S31，并将无热失控趋势的预测结果信息发送至控制模块；若预测模型的输出结果有热失控风险，将有热失控趋势的预测结果信息发送至告警模块，同时各采集模块的采样频率变为1秒一次，进而更准确地进行热失控预测；
S35：控制模块接收到预测模块发送的无热失控趋势的预测结果信息时，同步获取已处理的第二采集模块、第三采集模块和第四采集模块的采集数据，将预测结果信息中的最近一个采样周期内预测的电池模块温度与第二至第四采集模块的采集数据通过训练好的控制策略进行优化，获得针对冷却***的优化参数并发送至所述冷却***的中央处理器执行，以维持电源模块工作在正常温度区间；
S36：告警模块接收到来自预测模块发送的有热失控趋势的预测结果信息时，与内置的热失控等级规则进行匹配后，显示安全时间与相应等级，同时执行对应等级的告警提示指令、抑制指令、报警指令；
S37：抑制模块接收到告警模块的抑制指令时，所述抑制模块调用预设的抑制参数并传送至所述冷却***的中央处理器执行，使所述冷却***在热失控抑制工况下运行最大功率工作参数，进而延缓热失控发生的时间，避免发生更大的损失。
本发明还提供了存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，即可实现动力电池热失控预测与抑制集成方法。
与现有技术相比，本发明具有以下有益效果：
1、本发明提供了动力电池热失控预测与抑制集成***及方法，能准确预测并提前抑制动力电池热失控的发生，降低热失控发生的概率，显著减少潜在损失。
2、本发明中预测模型采用的训练数据来自真实车辆，数据考虑到了季节和电池健康状态对于电池热失控的影响，有效提高了预测结果的准确率，大大降低了误报错报的概率。
3、本发明通过协同使用基于神经网络的预测模型和基于支持向量回归的控制策略，不但可以对动力电池的热失控危险进行***，而且还可以根据相应的预测结果来调整冷却***工作参数，使得动力电池工作在正常的温度区间或者延缓热失控发生的时间。与传统技术相比，该集成***具有明显的区别和优势，能够有效预测和抑制动力电池热失控，最大程度地保护电池***的安全性和可靠性，为行业提供了一项重要的进步技术。
附图说明
为了更清楚地说明本发明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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的动力电池热失控预测与抑制集成***的示意框图；
图2是本发明提供的动力电池热失控预测与抑制集成***的工作流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性，此外，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
如图1所示，本发明提供了动力电池热失控预测与抑制集成***，包括电池模块和冷却***，还包括:
第一采集模块，用于实时采集所述电池模块的电池最小单体电压数据、电池电流数据、电池最小单体温度数据、电池模块SOH数据和电池模块SOC数据。
第二采集模块，用于实时采集所述电池模块的车辆环境温度数据、电池模块温度数据。
第三采集模块，用于实时采集所述电池模块的电池模块输出功率数据。
第四采集模块，用于实时采集所述冷却***的压缩机转速数据、蒸发器进风量数据和冷凝器进风量数据。
本实施例中，第一采集模块、第二采集模块和第三采集模块与电源模块相连，实时采集电源模块工作状态数据；第四采集模块与冷却***相连，实时采集冷却***工作状态数据。
为了对所述动力电池进行全面地监测，进而做出准确地判断，在本实施例中，设置了多个采集模块，而不同的采集模块又能从温度、电压、电流、SOH、SOC、蒸发器进风量、冷凝器进风量等多个方面中一个或几个进行监测以获取采集数据。
需要说明的是，由于电池模块温度数据是本发明控制策略中要优化的目标，且电池模块输出功率数据和车辆环境温度数据也会影响电池模块的温度，因此本发明在控制策略中加入电池模块温度数据、电池模块输出功率数据和车辆环境温度数据，以便更精准的优化冷却***工作参数。
本发明中的数据处理模块，对各采集模块的采集数据分别进行数据处理。
优选的，所述数据处理模块对各采集模块的采集数据分别进行数据清洗、特征选择、特征转换、数据缩放和数据编码的处理操作。
在本实施例中，数据清洗、特征选择和特征转换是为了确保输入数据与训练数据具有相同的格式和分布，以便模型能够正确地处理数据；数据缩放是对输入数据的特征进行缩放处理，以使其具有相似的尺度；数据编码是对数据进行编码，使其适用于模型的要求。
本发明中的预测模块，获取已处理的第一采集模块和第二采集模块的采集数据，通过训练好的预测模型进行预测，获得电池模块是否有热失控趋势的预测结果信息。
本实施例中，所述预测模块中训练好的预测模型的构建方法具体包括：
S11：获取所述电池模块的历史工作数据，所述历史工作数据包括第一采集模块和第二采集模块采集的数据。
需要说明的是，所述步骤S11中电池模块的历史工作数据包括：所述第一采集模块中的采集数据“电池最小单体电压数据、电池电流数据、电池最小单体温度数据、电池模块SOH数据和电池模块SOC数据”和所述第二采集模块中的采集数据“车辆环境温度数据、电池模块温度数据”。
优选的，在对基于神经网络的预测模型训练时，利用的电池模块历史工作数据考虑到季节和电池健康状态对于电池热失控的影响，在获取所述历史工作数据时按年度获取。
应当说明的是，在本实施例中，训练所述预测模型时用到的第一采集模块和第二采集模块采集的数据是在新能源大数据中心获取的一辆真实汽车三年的行驶工况数据，其中的工况数据考虑到了季节和电池健康状态对于电池热失控的影响，使预测结果更准确，减少错报误报的概率。
由于不同电池包的结构、型号以及电芯的串并联方式等多种组成因素均存在差异，因此，本实施例中的历史工作数据的时间跨度可根据实际需求进行调整。
S12：将所述步骤S11中的历史工作数据进行归一化处理，归一化公式如下：
，
其中，表示原始值，/>表示归一化后的值。
S13：将所述步骤S12中经过归一化处理后的历史工作数据按照比例分为训练集和测试集。
应当说明的是，在本实施例中，为了确保训练模型的稳定性和重现性，进行了 10倍交叉验证，训练集和测试集分别分别占整个样本的80%、20%。
S14：将所述训练集数据输入基于神经网络的预测模型中进行训练，得到初始预测模型。
需要说明的是，长短期记忆神经网络是一种特殊的循环神经网络，旨在解决传统循环神经网络在处理长序列问题时遇到的困难。传统循环神经网络在处理长序列时容易出现梯度消失或梯度***的问题，从而难以有效地学习长期依赖关系。为了克服这些问题，长短期记忆神经网络引入了输入门、遗忘门和输出门机制，这些门机制能够选择性地筛选信息并将其存储在候选记忆单元中，最后通过候选记忆单元来存储和传递长期的信息，从而能够有效地处理长序列并捕捉长期依赖关系。
在本实施例中，将当前时间输入和前一个时间隐藏状态/>输入长短期记忆神经网络中，通过采用/>激活函数的全连接层处理，以计算输入门、遗忘门和输出门的值，计算公式为：
，
其中，为输入门参数，/>、/>为输入门权重参数，/>为输入门偏置参数；为遗忘门参数，/>、/>为遗忘门权重参数，/>为遗忘门偏置参数；/>为输出门参数，/>、/>为输出门权重参数，/>为输出门偏置参数。
进一步的，候选记忆单元通过使用/>激活函数的全连接层进行处理，从而将候选记忆单元/>单元值限制在(-1，1），计算公式为：
，
其中，为候选记忆单元权重参数；/>为候选记忆单元偏置参数。
进一步的，记忆单元通过输入门控制采用来自候选记忆单/>元的新数据量，通过遗忘门控制保留来自旧记忆单元/>的数据量，采用这种设计是为了缓解梯度消失问题，并更好地捕获序列中的长距离依赖关系，记忆单元公式为：
。
进一步的，由输出门和记忆单元来计算隐藏状态，/>先由/>函数处理，确保/>值在区间(–1，1)内，计算公式为：
。
进一步的，在隐藏状态之后附加一个全连接层，用来将映射成为需要的数据。
需要说明的是，上述所列出的相关公式只是长短期记忆神经网络中的部分计算内容。通过上述相关公式以及未列出的其余公式，可以构建出基于长短期记忆神经网络的预测模型。
S15：将所述测试集数据输入所述初始预测模型中进行评估，根据评估结果调整模型参数得到训练好的预测模型，其中，预测模型中的评估方法采用平均相对误差MRE来评估每个交叉验证测试数据的预测结果，平均相对误差公式如下，
，
其中，MRE表示平均相对误差，n表示样本数量，表示真实值，/>表示预测值。
应当说明的是，MRE的值越小，表示预测值与真实值之间的相对误差越小，模型的性能越好，本实施例中完整训练和测试的最终MRE是10次交叉验证的平均MRE。
S16：将所述训练好的预测模型输入到预测模块中用于车辆实际行驶过程中电池模块热失控趋势的预测。
本实施例中，热失控趋势是基于第一采集模块和第二采集模块的历史工作数据中的热失控故障样本和预设的热失控故障异常数据阈值进行判定的。
本发明中的控制模块，获取已处理的第二采集模块、第三采集模块和第四采集模块的采集数据，并接收所述预测模块发送的无热失控趋势的预测结果信息，通过训练好的控制策略进行优化，获得优化后的冷却***工作参数。
本实施例中，所述控制模块中训练好的控制策略的构建方法具体包括：
S21：获取所述电池模块和所述冷却***的历史工作数据，所述历史工作数据包括第二采集模块、第三采集模块和第四采集模块采集的数据。
需要说明的是，步骤S21中电池模块和冷却***的历史工作数据包括：所述第二采集模块中的采集数据“车辆环境温度数据、电池模块温度数据”，所述第三采集模块中的采集数据“电池模块输出功率数据”，以及所述第四采集模块中的采集数据“压缩机转速数据、蒸发器进风量数据和冷凝器进风量数据”。
应当说明的是，在对基于支持向量回归的控制策略训练时用到的第二采集模块、第三采集模块和第四采集模块采集的数据是在仿真软件平台上的热管理***模型上获取的。具体的，通过改变动力电池输出功率、压缩机转速、蒸发器进风量、冷凝器进风量以及车辆环境温度等输入参数，以25℃-35℃的电池模块温度为目标，得到控制策略的训练数据样本。
S22：将所述步骤S21中的第二采集模块、第三采集模块和第四采集模块采集的数据进行归一化处理，归一化公式如下：
，
其中，表示原始值，/>表示归一化后的值。
S23：将所述步骤S22中经过归一化处理后的第二采集模块、第三采集模块和第四采集模块采集的数据按照比例分为训练集和测试集。
应当说明的是，在本实施例中，为了确保训练模型的稳定性和重现性，进行了 10倍交叉验证，训练集和测试集分别占整个样本的80%、20%。
S24：将所述训练集数据输入基于支持向量回归的控制策略中进行训练，得到初步控制策略。
应当说明的是，与传统的回归方法不同，支持向量回归将回归问题转化为在特征空间中寻找一个最优的超平面，以尽可能将样本点落在该超平面附近。与传统的线性回归方法相比，支持向量回归在处理非线性关系、噪声和异常点时具有更好的性能。通过选取合适的核函数和调整边界参数，支持向量回归可以适应不同类型的数据集。
进一步的，在本实施例中，设有n个训练样本，/>为输出值，其中m维向量/>表示第i个训练样本。设线性回归函数为。其中，/>是非线性映射函数，w和b为代求参数，T为转置符号。
在训练过程中，为了保证支持向量的存在以及减少异常数据对模型的影响，引入不敏感损失函数和松弛变量/>和/>，采用下式对函数的约束条件以及优化目标进行修正，所述优化目标为最小化下面的目标函数，具体的：
，
其中，为经验值，当实际的/>与输出的/>的误差大于时才会计算当前产生的损失，允许有一定的误差的存在，/>的值越小表示回归方程对误差的要求越小。C为惩罚因子，规定了误差大于/>的样本点所需付出的代价，该值越大说明回归方程越不允许误差点的存在。通过解决这个优化问题，可以找到最优的代求参数和松弛变量/>。
为了简化计算引入核函数完成非线性转化，将上式转化为求解的对偶问题，如下式所示：
，
其中，表示拉格朗日乘子的变量。
进一步的，径向基核函数公式如下：
，
其中，为径向基核函数的方差，/>和/>代表输入样本的特征向量。
同样地，需要说明的是，上述所列出的相关公式只是支持向量回归模型中的部分计算内容，通过上述相关公式以及列出的其余公式，可以构建出基于支持向量回归的控制策略。
S25：将所述测试集数据输入所述初步控制策略中进行评估，根据评估结果调整模型参数得到训练好的控制策略，其中，控制策略中的评估方法采用回归的平方相关系数，/>如下式所示：
，
其中，n为样本个数，为真实数据，/>为拟合数据，/>为真实数据的平均值。
应当说明的是，的值越接近于1说明模型拟合的准确度越高，控制策略越精准。
S26：将所述训练好的控制策略输入到所述控制模块中用于优化车辆实际行驶过程中所述冷却***工作参数。
需要说明的是：在本例中，所述控制模块接收预测模块发送的无热失控趋势的预测结果信息为最近一个采样周期内预测的电池模块温度数据。
预测模块发送的最近一个采样周期内预测的电池模块温度数据具体指代：当训练好的控制策略调用第二至第四采集模块的采集数据时，预测模块发送的是与此次采样时间最近的一次采样周期内预测的电池模块温度数据。预测模型至多可以预测十分钟的数据，例如控制模块在调用8分30秒第二至第四采集模块的采集数据时，则“所述预测模块发送的最近一个采样周期内预测的电池模块温度”就是8分30秒前最近一个采样周期内预测的电池模块温度数据。预测的电池模块温度数据是一种预测的结果，可在预测模块中直接设定，不必经过额外的数据处理。
当控制模块接收到预测模块发送的无热失控趋势的预测结果信息和电池模块当前工作状态数据以及冷却***当前工作状态数据后，由控制模块的控制策略求解后获得冷却***的最优运行工况解，即冷却***的优化参数。其中，电池模块当前工作状态数据是在使用训练好的控制策略时，实时采集的第二采集模块和第三采集模块的采集数据。冷却***当前工作状态数据是在使用训练好的控制策略时，实时采集的第四采集模块的采集数据。
本例中，第二至第四采集模块的采集数据是经采集模块采集到的车辆原始数据，必须经过数据处理模块的数据处理方可使用。
因此本实施例中所述优化参数是结合了电池模块当前工作状态、冷却***当前工作状态、以及电池模块在最近一个采样周期内预测的电池模块温度求解的冷却***最优运行工况解。
当冷却***执行所述优化参数可以维持所述电池模块工作在适合的温度区间。本实施例中，所述电池模块的最佳工作温度区间设定为25-35℃±2℃。
本发明中的告警模块，接收所述预测模块发送的有热失控趋势的预测结果信息，与内置的热失控等级规则进行匹配后，显示安全时间与相应的热失控等级，同时执行对应等级的告警提示指令、抑制指令、报警指令。
优选的，所述预测结果信息中包含三种类型的电池数据，其中，所述三种类型的电池数据分别为：包含但不限于温升、温差、温度在内的温度数据，包含但不限于电压变化率、电压差、电压在内的电压数据，包含但不限于电流变化率、电流差、电流在内的电流数据；此外，所述预测结果信息中还包括热失控预测的发生时间。
本例中，告警模块内置的热失控等级是基于预测结果信息中的异常电池数据条件和热失控预测的发生时间条件进行判定的，判定条件具体为：
条件一、基于预测结果信息中各类型电池异常数据的数量进行判定：
第一等级：任意一种/任意二种/全部类型数据中发生异常的数据数量为三个或三个以上时，即为第一等级；
第二等级：任意一种/任意二种类型数据中发生异常的数据数量为两个时，即为第二等级；
第三等级：任意一种类型数据中发生异常的数据数量为一个时，即为第三等级；
条件二、按照热失控预测的发生时间进行判定：
第一等级：热失控预测发生时间为一分钟以内包含一分钟；
第二等级：热失控预测发生时间为一分钟以上至五分钟包含五分钟；
第三等级：热失控预测发生时间为五分钟以上至十分钟包含十分钟。
因而，判定最终热失控等级的规则如下：
若任意一种热失控判定条件为第一等级，或两种热失控判定条件均为第二等级，则最终热失控等级定义为等级一，执行告警提示指令、抑制指令和报警指令。
例如，分别用数字1、2、3指代条件一和条件二中的第一等级、第二等级、第三等级，当两种热失控判定条件组合为11、12、13、21、31、22时，则最终热失控等级定义为等级一。
若热失控判定条件的组合为第二等级和第三等级，则最终热失控等级定义为等级二，执行告警提示指令和抑制指令。
若两种热失控判定条件均为第三等级，则最终热失控等级定义为等级三，执行告警提示指令。
与此同时，在本实施例中，预测结果信息中各类型电池数据异常参数的判定规则如下：
温度数据判定规则：最小串联单元温升速率≥10℃/5s；最小串联单元的最大温度和最小温度的温差≥20℃，持续时间≥5s；最小串联单元温度≥60℃，持续时间≥5s。
电压数据判定规则：电压数据判定规则：最小串联单元电压＜1.0V，表示欠压，持续时间≥5s；最小串联单元电压在3.65V-3.9V区间内，表示过压，持续时间≥5s；最小串联单元的最大电压和最小电压的压差≥0.5V，持续时间≥5s；最小串联单元的电压变化率≥25%。
电流数据判定规则：由于本实施例所使用的训练样本足够大，所以按照预测模型训练过程中的电流规律进行判断，符合历史数据中热失控规律的电流变化率、电流差、电流和异于历史数据中的正常的电流变化率、电流差、电流即判定为异常，异于的阈值范围结合实际需求和历史数据样本量进行设定。本实施例中，电流差为电池模块最小并联单元之间的电流差值。
需要说明的是，由于现有技术没有规定电流数据在发生热失控时的判定标准，本实施例中将历史数据样本中电流在发生热失控前几分钟的变化趋势作为判定电流热失控的标准，在实际预测中将实时电流的变化趋势与历史数据中热失控前几分钟的电流变化趋势进行比较，进而判断实时电流是否为正常电流，此外，判断是否为正常电流变化趋势的比较时间可以根据实际需求进行设定。
需要说明的是，由于不同电池包的结构、型号以及电芯的串并联方式等多种组成因素均存在差异，因此，本实施例中的阈值可根据实际需求进行调整。
本实施例的热失控等级判定规则结合了温度、电压、电流中的多种数据以及热失控预测的发生时间，能够提高判断的精准性，降低误报风险，提高电池包的安全性能。
本发明中的抑制模块，预设有抑制参数，用于执行所述告警模块的抑制指令，所述抑制参数为冷却***最大功率工作参数。
本例中的冷却***执行所述抑制参数，可使冷却***在热失控抑制工况下运行最大功率工作参数，以延缓热失控发生的时间。
需要说明的是，不同工况和预测结果对应的抑制参数都一致，即最大功率工作参数；所述控制策略的主要功能是根据所述预测模块的预测结果信息优化冷却***工作参数，使动力电池工作在适合的温度区间。不过，本实施例中的抑制参数数值是针对本实施例设定的，在实际使用中可根据需求自行设定。
本发明中的冷却***包括：电动压缩机、冷凝器、蒸发器、膨胀阀、冷却管路、冷却风道、中央处理器、独立电源，所述中央处理器用于接收并执行所述抑制参数或优化参数，所述独立电源用于在所述预测模块预测到热失控风险时给所述冷却***供电。
进一步的，所述冷却风道端部设置有风扇，所述冷却***的中央处理器向所述风扇发出控制指令，驱动风扇转动循环冷却空气，以便冷却电池，使电源模块在适宜的温度范围内工作。需要说明的是，在本实施例中，风扇的转速是恒定的，不参与本实施例中所述控制模块的优化过程；所述抑制参数或所述优化参数的调节对象仅为压缩机转速、冷凝器进风量、蒸发器进风量。
应当知道的是，图1所示的动力电池热失控预测与抑制集成***示意框图仅作示意，其所示出的各模块的数量并不对本发明的保护范围进行限定。
本发明不但可以对动力电池的热失控危险进行***，而且还可以根据相应的预测结果来调整冷却***工作参数，使得动力电池工作在正常的温度区间或者延缓热失控发生的时间。
需要说明的是，本发明在实际使用预测模型和控制策略时，所用的各采集模块的采集数据都是在车辆行驶过程中实时采集获得。
参考图2，本发明提供了动力电池热失控预测与抑制集成方法，应用于动力电池热失控预测与抑制集成***，包括以下步骤：
S31：在车辆启动之后，第一采集模块、第二采集模块、第三采集模块和第四采集模块按照5秒一次的采样频率获取实时行驶工况数据；同时，将采集到的实时数据传输到与采集模块相连接的数据处理模块；
S32：数据处理模块对各采集模块的采集数据分别进行数据处理；
S33：测模块获取已处理的第一采集模块和第二采集模块的采集数据，通过训练好的预测模型进行预测，获得电池模块是否有热失控趋势的预测结果信息；
S34：若预测模型的输出结果没有热失控风险，返回步骤S31，并将无热失控趋势的预测结果信息发送至控制模块；若预测模型的输出结果有热失控风险，将有热失控趋势的预测结果信息发送至告警模块，同时各采集模块的采样频率变为1秒一次，进而更准确地进行热失控预测；
S35：控制模块接收到预测模块发送的无热失控趋势的预测结果信息时，同步获取已处理的第二采集模块、第三采集模块和第四采集模块的采集数据，将预测结果信息中的最近一个采样周期内预测的电池模块温度与第二至第四采集模块的采集数据通过训练好的控制策略进行优化，获得针对冷却***的优化参数并发送至所述冷却***的中央处理器执行，以维持电源模块工作在正常温度区间；
S36：告警模块接收到来自预测模块发送的有热失控趋势的预测结果信息时，与内置的热失控等级规则进行匹配后，显示安全时间与相应等级，同时执行对应等级的告警提示指令、抑制指令、报警指令；
S37：抑制模块接收到告警模块的抑制指令时，所述抑制模块调用预设的抑制参数并传送至所述冷却***的中央处理器执行，使所述冷却***在热失控抑制工况下运行最大功率工作参数，进而延缓热失控发生的时间，避免发生更大的损失。
可以理解的是，针对上述的各种实施例，首先，将其表述为一系列的动作组合是为了简单描述，但本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，本申请某些步骤可以采用其他顺序。其次，说明书中所描述的实施例均属于优选实施例，所涉及的模块和操作并不一定是本申请所必须的。
最后，本发明还提供了一种存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，即可实现动力电池热失控预测与抑制集成方法。
另外，在本申请实施例中的各功能单元可以集成在一个单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。可以理解的是，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令，用以使得一台计算机设备如个人计算机、服务器或者网络设备等，执行本申请实施例上述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器、随机存取存储器、移动硬盘、磁盘或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序指令相关的硬件来完成，该程序可以存储于计算机可读存储器中，存储器可以包括：U盘、只读存储器、随机存取存储器、磁盘或光盘等。
最后应说明的是：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，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，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 (8)

1.动力电池热失控预测与抑制集成***，包括电池模块和冷却***，其特征在于，还包括:
第一采集模块，用于实时采集所述电池模块的电池最小单体电压数据、电池电流数据、电池最小单体温度数据、电池模块SOH数据和电池模块SOC数据；
第二采集模块，用于实时采集所述电池模块的车辆环境温度数据、电池模块温度数据；
第三采集模块，用于实时采集所述电池模块的电池模块输出功率数据；
第四采集模块，用于实时采集所述冷却***的压缩机转速数据、蒸发器进风量数据和冷凝器进风量数据；
数据处理模块，对各采集模块的采集数据分别进行数据处理；
预测模块，获取已处理的第一采集模块和第二采集模块的采集数据，通过训练好的预测模型进行预测，获得电池模块是否有热失控趋势的预测结果信息，其中所述训练好的预测模型的构建方法具体包括：
S11：获取所述电池模块的历史工作数据，所述历史工作数据包括第一采集模块和第二采集模块采集的数据；
S12：将所述步骤S11中的历史工作数据进行归一化处理；
S13：将所述步骤S12中经过归一化处理后的历史工作数据按照比例分为训练集和测试集；
S14：将所述训练集数据输入基于神经网络的预测模型中进行训练，得到初始预测模型；
S15：将所述测试集数据输入所述初始预测模型中进行评估，根据评估结果调整模型参数得到训练好的预测模型，其中，预测模型中的评估方法采用平均相对误差MRE来评估每个交叉验证测试数据的预测结果；
S16：将所述训练好的预测模型输入到预测模块中用于车辆实际行驶过程中电池模块热失控趋势的预测；
控制模块，获取已处理的第二采集模块、第三采集模块和第四采集模块的采集数据，并接收所述预测模块发送的无热失控趋势的预测结果信息，通过训练好的控制策略进行优化，获得冷却***的优化参数，其中所述训练好的控制策略的构建方法具体包括：
S21：获取所述电池模块和所述冷却***的历史工作数据，所述历史工作数据包括第二采集模块、第三采集模块和第四采集模块采集的数据；
S22：将所述步骤S21中的第二采集模块、第三采集模块和第四采集模块采集的数据进行归一化处理；
S23：将所述步骤S22中经过归一化处理后的第二采集模块、第三采集模块和第四采集模块采集的数据按照比例分为训练集和测试集；
S24：将所述训练集数据输入基于支持向量回归的控制策略中进行训练，得到初步控制策略；
S25：将所述测试集数据输入所述初步控制策略中进行评估，根据评估结果调整模型参数得到训练好的控制策略，其中，控制策略中的评估方法采用回归的平方相关系数；
S26：将所述训练好的控制策略输入到所述控制模块中用于优化车辆实际行驶过程中所述冷却***工作参数；
告警模块，接收所述预测模块发送的有热失控趋势的预测结果信息，与内置的热失控等级规则进行匹配后，显示安全时间与相应的热失控等级，同时执行对应等级的告警提示指令、抑制指令、报警指令；
抑制模块，执行所述告警模块发送的抑制指令。
2.根据权利要求1所述的动力电池热失控预测与抑制集成***，其特征在于，所述数据处理模块对各采集模块的采集数据分别进行数据清洗、特征选择、特征转换、数据缩放和数据编码的处理操作。
3.根据权利要求2所述的动力电池热失控预测与抑制集成***，其特征在于，所述预测结果信息中包含三种类型的电池数据，其中，所述三种类型的电池数据分别为：包含但不限于温升、温差、温度在内的温度数据，包含但不限于电压变化率、电压差、电压在内的电压数据，包含但不限于电流变化率、电流差、电流在内的电流数据；此外，所述预测结果信息中还包括热失控预测的发生时间。
4.根据权利要求3所述的动力电池热失控预测与抑制集成***，其特征在于，所述内置的热失控等级是基于预测结果信息中的电池异常数据的数量条件和热失控预测的发生时间条件进行判定，判定条件具体为：
条件一、基于预测结果信息中各类型电池异常数据的数量进行判定：
第一等级：任意一种/任意二种/全部类型数据中发生异常的数据数量为三个或三个以上时，即为第一等级；
第二等级：任意一种/任意二种类型数据中发生异常的数据数量为两个时，即为第二等级；
第三等级：任意一种类型数据中发生异常的数据数量为一个时，即为第三等级；
条件二、按照热失控预测的发生时间进行判定：
第一等级：热失控预测发生时间为一分钟以内包含一分钟；
第二等级：热失控预测发生时间为一分钟以上至五分钟包含五分钟；
第三等级：热失控预测发生时间为五分钟以上至十分钟包含十分钟；
因而，判定最终热失控等级的规则如下：
若任意一种热失控判定条件为第一等级，或两种热失控判定条件均为第二等级，则最终热失控等级定义为等级一，执行告警提示指令、抑制指令和报警指令；
若热失控判定条件的组合为第二等级和第三等级，则最终热失控等级定义为等级二，执行告警提示指令和抑制指令；
若两种热失控判定条件均为第三等级，则最终热失控等级定义为等级三，执行告警提示指令。
5.根据权利要求4所述的动力电池热失控预测与抑制集成***，其特征在于，所述控制模块接收到的所述预测模块发送的无热失控趋势的预测结果信息为最近一个采样周期内预测的电池模块温度，所述优化参数是根据所述预测模块发送的最近一个采样周期内预测的电池模块温度、电池模块当前工作状态和冷却***当前工作状态，由所述控制模块的控制策略求解后获得的冷却***最优运行工况解；
所述抑制模块内预设有抑制参数，用于执行所述告警模块的抑制指令，所述抑制参数为冷却***最大功率工作参数。
6.根据权利要求5所述的动力电池热失控预测与抑制集成***，其特征在于，所述冷却***包括：电动压缩机、冷凝器、蒸发器、膨胀阀、冷却管路、冷却风道、中央处理器、独立电源，所述中央处理器用于接收并执行所述抑制参数或优化参数，所述独立电源用于在所述预测模块预测到热失控风险时给所述冷却***供电。
7.动力电池热失控预测与抑制集成方法，应用于权利要求1-6任意一项所述的动力电池热失控预测与抑制集成***，其特征在于，包括以下步骤：
S31：在车辆启动之后，第一采集模块、第二采集模块、第三采集模块和第四采集模块按照5秒一次的采样频率获取实时行驶工况数据；同时，将采集到的实时数据传输到与采集模块相连接的数据处理模块；
S32：数据处理模块对各采集模块的采集数据分别进行数据处理；
S33：预测模块获取已处理的第一采集模块和第二采集模块的采集数据，通过训练好的预测模型进行预测，获得电池模块是否有热失控趋势的预测结果信息；
S34：若预测模型的输出结果没有热失控风险，返回步骤S31，并将无热失控趋势的预测结果信息发送至控制模块；若预测模型的输出结果有热失控风险，将有热失控趋势的预测结果信息发送至告警模块，同时各采集模块的采样频率变为1秒一次，进而更准确地进行热失控预测；
S35：控制模块接收到预测模块发送的无热失控趋势的预测结果信息时，同步获取已处理的第二采集模块、第三采集模块和第四采集模块的采集数据，将预测结果信息中的最近一个采样周期内预测的电池模块温度与第二至第四采集模块的采集数据通过训练好的控制策略进行优化，获得针对冷却***的优化参数并发送至所述冷却***的中央处理器执行，以维持电源模块工作在正常温度区间；
S36：告警模块接收到来自预测模块发送的有热失控趋势的预测结果信息时，与内置的热失控等级规则进行匹配后，显示安全时间与相应等级，同时执行对应等级的告警提示指令、抑制指令、报警指令；
S37：抑制模块接收到告警模块的抑制指令时，所述抑制模块调用预设的抑制参数并传送至所述冷却***的中央处理器执行，使所述冷却***在热失控抑制工况下运行最大功率工作参数，进而延缓热失控发生的时间，避免发生更大的损失。
8.存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，即可实现权利要求7所述的动力电池热失控预测与抑制集成方法。
CN202310967238.0A 2023-08-03 2023-08-03 动力电池热失控预测与抑制集成***、方法及存储介质 Active CN116683061B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310967238.0A CN116683061B (zh) 2023-08-03 2023-08-03 动力电池热失控预测与抑制集成***、方法及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310967238.0A CN116683061B (zh) 2023-08-03 2023-08-03 动力电池热失控预测与抑制集成***、方法及存储介质

Publications (2)

Publication Number Publication Date
CN116683061A CN116683061A (zh) 2023-09-01
CN116683061B true CN116683061B (zh) 2023-09-29

Family

ID=87785886

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310967238.0A Active CN116683061B (zh) 2023-08-03 2023-08-03 动力电池热失控预测与抑制集成***、方法及存储介质

Country Status (1)

Country Link
CN (1) CN116683061B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117159953B (zh) * 2023-11-03 2024-03-15 安徽中科中涣智能装备股份有限公司 一种电池箱火灾监测防控***及方法
CN117346418B (zh) * 2023-12-05 2024-03-22 珠海科创储能科技有限公司 冷水机组的控制方法、装置、存储介质及电子设备
CN118144571B (zh) * 2024-05-11 2024-07-02 太原科技大学 一种多模型融合的动力电池热失控预警***及方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573854A (zh) * 2014-12-23 2015-04-29 国家电网公司 钢铁用电量的预测方法及装置
CN113437371A (zh) * 2021-05-19 2021-09-24 湖南大学 一种新能源汽车锂离子电池热失控预警***及预警方法
CN113506924A (zh) * 2021-06-17 2021-10-15 重庆金康动力新能源有限公司 电池包的热失控预警方法及***
CN114066095A (zh) * 2021-11-26 2022-02-18 华能新能源股份有限公司山西分公司 利用人工神经网络和支持向量回归模型预测风力发电方法
CN114696010A (zh) * 2020-12-31 2022-07-01 宁德时代新能源科技股份有限公司 一种热失控处理方法、装置、***及存储介质
CN114889433A (zh) * 2022-04-29 2022-08-12 奇瑞新能源汽车股份有限公司 一种电动汽车电池热失控报警***及方法
US11443569B1 (en) * 2021-10-30 2022-09-13 Beta Air, Llc Systems and methods for battery management for a vehicle
CN115267555A (zh) * 2022-08-08 2022-11-01 上海乐驾智慧能源科技有限公司 基于电池多点温度测量的储能***电池soh评估***
CN116263878A (zh) * 2022-10-09 2023-06-16 北京理工大学 一种锂离子电池热失控风险预测方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230023641A1 (en) * 2021-07-22 2023-01-26 X Development Llc Automated detection of chemical component of moving object

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104573854A (zh) * 2014-12-23 2015-04-29 国家电网公司 钢铁用电量的预测方法及装置
CN114696010A (zh) * 2020-12-31 2022-07-01 宁德时代新能源科技股份有限公司 一种热失控处理方法、装置、***及存储介质
CN113437371A (zh) * 2021-05-19 2021-09-24 湖南大学 一种新能源汽车锂离子电池热失控预警***及预警方法
CN113506924A (zh) * 2021-06-17 2021-10-15 重庆金康动力新能源有限公司 电池包的热失控预警方法及***
US11443569B1 (en) * 2021-10-30 2022-09-13 Beta Air, Llc Systems and methods for battery management for a vehicle
CN114066095A (zh) * 2021-11-26 2022-02-18 华能新能源股份有限公司山西分公司 利用人工神经网络和支持向量回归模型预测风力发电方法
CN114889433A (zh) * 2022-04-29 2022-08-12 奇瑞新能源汽车股份有限公司 一种电动汽车电池热失控报警***及方法
CN115267555A (zh) * 2022-08-08 2022-11-01 上海乐驾智慧能源科技有限公司 基于电池多点温度测量的储能***电池soh评估***
CN116263878A (zh) * 2022-10-09 2023-06-16 北京理工大学 一种锂离子电池热失控风险预测方法及装置

Also Published As

Publication number Publication date
CN116683061A (zh) 2023-09-01

Similar Documents

Publication Publication Date Title
CN116683061B (zh) 动力电池热失控预测与抑制集成***、方法及存储介质
Li et al. Battery life estimation based on cloud data for electric vehicles
Zhou et al. A novel health indicator for on-line lithium-ion batteries remaining useful life prediction
Wang et al. A hybrid prognostics approach for estimating remaining useful life of rolling element bearings
Li et al. Big data driven lithium-ion battery modeling method based on SDAE-ELM algorithm and data pre-processing technology
Xue et al. Fault diagnosis and abnormality detection of lithium-ion battery packs based on statistical distribution
Pan et al. A data-driven fuzzy information granulation approach for battery state of health forecasting
Wang et al. Prognostics of lithium-ion batteries based on relevance vectors and a conditional three-parameter capacity degradation model
Ma et al. Remaining useful life prediction of lithium battery based on capacity regeneration point detection
Ma et al. State of health estimation and remaining useful life prediction for lithium-ion batteries by improved particle swarm optimization-back propagation neural network
Meng et al. A hybrid method for prognostics of lithium-ion batteries capacity considering regeneration phenomena
CN113447828B (zh) 一种基于贝叶斯神经网络的锂电池温度估计方法及***
Wang et al. Co-estimation of state of charge and capacity for lithium-ion battery based on recurrent neural network and support vector machine
Hong et al. Thermal fault prognosis of lithium-ion batteries in real-world electric vehicles using self-attention mechanism networks
Wang et al. Multiple indicators-based health diagnostics and prognostics for energy storage technologies using fuzzy comprehensive evaluation and improved multivariate grey model
Zhao et al. Model-based fault diagnosis methods for systems with stochastic process–a survey
Liu et al. An improved method of state of health prediction for lithium batteries considering different temperature
Guo et al. Real-time energy performance benchmarking of electric vehicle air conditioning systems using adaptive neural network and Gaussian process regression
CN116505040A (zh) 一种铁铬液流电池储能管理诊断***及方法
Das et al. Analyzing electric vehicle battery health performance using supervised machine learning
Wang et al. Research on interactive multi‐model fault diagnosis method of Li‐ion battery based on noise suppression
Hussein et al. A review of battery state of charge estimation and management systems: Models and future prospective
He et al. SOH estimation for lithium-ion batteries: an improved GPR optimization method based on the developed feature extraction
Qian et al. State of health estimation of lithium-ion battery using energy accumulation-based feature extraction and improved relevance vector regression
Wei et al. A multi-scale learning approach for remaining useful life prediction of lithium-ion batteries based on variational mode decomposition and Monte Carlo sampling

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