CN116722249A - 一种电池热失控预警保护***及其保护方法 - Google Patents
一种电池热失控预警保护***及其保护方法 Download PDFInfo
- Publication number
- CN116722249A CN116722249A CN202310897113.5A CN202310897113A CN116722249A CN 116722249 A CN116722249 A CN 116722249A CN 202310897113 A CN202310897113 A CN 202310897113A CN 116722249 A CN116722249 A CN 116722249A
- Authority
- CN
- China
- Prior art keywords
- battery
- thermal runaway
- temperature
- data
- protection
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012544 monitoring process Methods 0.000 claims abstract description 82
- 238000013135 deep learning Methods 0.000 claims abstract description 14
- 238000007726 management method Methods 0.000 claims description 33
- 230000002159 abnormal effect Effects 0.000 claims description 23
- 230000008859 change Effects 0.000 claims description 15
- 230000005856 abnormality Effects 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 13
- 238000005192 partition Methods 0.000 claims description 13
- 238000011217 control strategy Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 10
- 238000012502 risk assessment Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 238000003745 diagnosis Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 7
- 238000000556 factor analysis Methods 0.000 claims description 7
- 238000009529 body temperature measurement Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000013136 deep learning model Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000000638 solvent extraction Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 4
- 238000001816 cooling Methods 0.000 claims description 4
- 238000013524 data verification Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000008485 antagonism Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 abstract description 3
- 238000012423 maintenance Methods 0.000 description 4
- 230000001681 protective effect Effects 0.000 description 4
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 3
- 229910052744 lithium Inorganic materials 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
- H01M10/486—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for measuring temperature
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
- H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
-
- 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)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及电池热失控预警保护***技术领域,具体为一种电池热失控预警保护***及其保护方法,一种电池热失控预警保护***是由电池管理单元、监测硬件单元、分区电池监测单元、动态电池保护单元组成。本发明中,通过深度学习预测模型提前发现热失控事件,自适应保护策略动态调整保护参数,高精度热敏电阻和温度传感器实时监测电池温度,分区电池监测***进行单体监测,帮助快速定位出现问题的电池,实现了问题来源的精准定位,降低电池组温度升高速率和幅度,这些措施综合起来能够显著提高预警准确性和及时性,个性化保护电池组,防止损伤发生,通过精确定位问题电池单体并采取纠正行动,避免问题蔓延,提供更高效、安全的电池运行。
Description
技术领域
本发明涉及电池热失控预警保护***技术领域,尤其涉及一种电池热失控预警保护***及其保护方法。
背景技术
电池热失控预警保护***,是一种设计用于监测和防止锂电池过热和热失控情况的***。锂电池在过充、过放、外部短路、过大电流或高温环境条件下可能会发生热失控,导致严重的安全问题,如火灾或***。锂电池热失控预警保护***的目标是及时发现电池的潜在问题,并采取措施预防事故的发生。这种***广泛应用于电动汽车、可再生能源储能***、便携式电子设备等方面,以保护人身安全和财产安全。
在电池热失控预警保护***的实际使用过程中,传统的电池管理***(BMS)和热失控预警算法主要依赖于简单的阈值和规则,缺乏对复杂电池行为的深度理解,可能无法准确预测和及时响应电池的热失控风险。另外,传统的电池保护措施通常是一刀切的,没有针对电池组中不同区域和单体电池的实际情况提供个性化的保护策略。最后,传统的充放电控制策略可能没有充分优化,导致电池温度升高过快,增加了热失控的风险。这些不足之处限制了传统方案在高性能、高安全性要求的电池***中的应用,也增加了电池***的运行风险。
发明内容
本发明的目的是解决现有技术中存在的缺点,而提出的一种电池热失控预警保护***及其保护方法。
为了实现上述目的,本发明采用了如下技术方案:一种电池热失控预警保护***是由电池管理单元、监测硬件单元、分区电池监测单元、动态电池保护单元组成;
所述电池管理单元包括热失控预测模型、自适应保护策略、充放电控制策略,所述热失控预测模型具体为深度学习驱动的热失控预测模型;
所述监测硬件单元包括热敏电阻、温度传感器;
所述分区电池监测单元包括电池组分区子模块、区域独立化监测子模块、故障定位子模块;
所述动态电池保护单元包括智能保护措施、个性化保护策略。
作为本发明的进一步方案,所述深度学习驱动的热失控预测模型,采用循环神经网络RNN,对电池组温度数据进行深度分析,通过多层网络结构和自适应的权重学习,从中提取更多有用的特征,学习温度变化的复杂模式和趋势,并预测出潜在的热失控事件;
所述自适应保护策略根据采用具体为模糊逻辑控制FLC的自适应控制算法,根据实时监测数据和电池状态的变化,***动态调整保护参数和措施,以适应不同的工作状态和环境条件,并根据电池组的实际情况,调整保护阈值、保护触发条件、响应速度,提供保护措施;
所述充放电控制策略使用具体为模型预测控制MPC的优化算法,控制充电速率、放电功率、充电截止电压参数,通过对电池组的充放电过程进行优化调节,降低电池组温度升高的速率和幅度,降低热失控风险,并参照包括温度、电流、电压的多因素关系,得出最优的控制策略,以达成电池温度的有效控制和热失控风险降低效果。
作为本发明的进一步方案,所述热敏电阻通过电压分压电路、电桥电路定期或实时采集热敏电阻的电阻值,使用温度-电阻曲线,通过查表或插值的方式来获取准确的温度值,并采用数字滤波算法执行滑动平均滤波,再对比其他温度传感器的测量值,进行误差补偿,提高测量的准确性和稳定性;
所述温度传感器安装在电池组内部,通过串行通信接口SPI将温度传感器的测量数据传输给电池管理单元进行处理,根据温度传感器的非线性特性,通过查表、插值或多项式拟合方式修正温度测量误差,利用已知温度源进行校准,对传感器测量值进行修正和调整,以提高测量数据可靠性。
作为本发明的进一步方案,所述电池组分区子模块基于划分算法,参考电池的位置、连接方式、容量,将电池组划分为多个区域,确保每个区域内的电池数量相对均衡;
所述区域独立化监测子模块设立在每个区域内部,实时监测该区域内每个单体电池的状态,包括电压监测、温度监测、电流监测;
所述故障定位子模块在热失控发生时,通过监测电池组各个区域的电压、温度、电流参数,使用异常检测算法来识别存在异常的电池或区域,结合电池组的物理模型和历史数据,使用多因素分析算法来确定哪个电池或区域可能是导致故障的主要原因,根据异常检测结果和多因素分析的结果,设计定位策略来确定故障电池的位置,所述定位策略基于电压差异、温度变化、电流异常因素执行判断,将区域监测子模块的数据与故障定位算法进行数据融合,定位故障。
作为本发明的进一步方案,所述智能保护措施采用基于规则的风险评估算法,根据实时监测数据和预测模型的输出,参照温度、电流、电压指标的变化趋势和阈值,判断风险的程度,对电池组的热失控风险进行评估,在***检测到电池组存在热失控的风险时,自动调整保护措施,包括切断电池组与外部电路的连接、降低电池充放电速率、启动冷却***;
所述个性化保护策略根据各个区域的热失控风险和实际情况,为每个区域制定个性化的保护措施,以最大程度地减轻电池的热失控风险,所述实际情况包括单体电池的温度、电压、内阻参数,所述个性化的保护措施包括调整保护阈值、改变充放电速率、设置温度警报限制。
一种电池热失控预警保护方法,包括以下步骤:
利用深度学习模型对电池组温度数据进行分析,预测热失控事件;
应用自适应保护策略和模糊逻辑控制算法,动态调整保护参数,适应不同环境;
采用模型预测控制算法优化充放电策略,减少温度上升速率,降低热失控风险;
使用热敏电阻和温度传感器监测电池温度,及时传输数据给电池管理单元;
通过分区电池监测单元,识别异常电池和故障原因,基于智能保护措施和个性化保护策略,根据热失控风险自动调整保护措施。
作为本发明的进一步方案,所述预测热失控事件的步骤具体为:
在数据预处理阶段引入数据增强技术,包括随机裁剪、旋转、缩放和平移,扩充训练数据集;
使用引入注意力机制的深度神经网络架构来处理电池组温度数据,以捕捉温度数据中的重要时空特征;
采用生成对抗网络GAN,学习电池组温度数据的隐含表示;
结合电流、电压、湿度数据,进行多模态数据融合和分析,获取更全面的信息;
进行模型评估,并将经过训练和评估的模型应用于实时数据,实时预测电池组的热失控事件。
作为本发明的进一步方案,所述采用模型预测控制算法优化充放电策略的步骤具体为:
收集电池组的温度数据、电流、电压数据,建立一个基于深度学习的循环神经网络RNN模型,对历史数据进行训练;
基于温度预测结果,通过模型预测控制算法生成优化的充放电策略,将生成的优化充放电策略应用于实际电池***中。
作为本发明的进一步方案,所述传输数据给电池管理单元的步骤具体为:
通过电缆或无线传输方式,将传感器测量到的电池温度数据传输到电池管理单元;
将传感器信号转化为温度值,并进行单位转换和数据校验;
结合***中的其他信息,将电池温度数据与预设的阈值进行比较,评估热失控风险;
根据温度数据和热失控风险评估结果,电池管理单元实时监测电池的状态,并在需要时触发警报。
作为本发明的进一步方案,所述识别异常电池和故障原因的步骤具体为:
基于电池监测单元采集到的数据,开发故障诊断算法来检测和识别异常电池和故障原因;
将开发的故障诊断算法应用于监测数据,对每个分区的电池状态进行异常检测;
针对检测到的异常电池,通过数据关联、特征提取、故障模式,识别故障原因;
采取相应的措施进行修复或更换受影响的电池。
与现有技术相比,本发明的优点和积极效果在于:
本发明中,通过深度学习驱动的热失控预测模型能从电池组温度数据中提取更多有效特征,显著提高预警准确性和及时性,从而提前制止可能导致严重损坏的状况。其次,自适应保护策略将根据实时监测数据和电池状态的变化,动态调整保护参数和措施,创新性地提供更高效、个性化的保护措施,以防电池损伤。再者,引入的高精度热敏电阻和温度传感器可以为实时监测电池温度提供更精确的数据,为故障预防提供有力保障。分区电池监测***的应用则使得我们能够针对每一个电池单体进行实时监测,帮助快速定位出现问题的电池,实现了问题来源的精准定位,并能准确有效地将人们的注意力引向潜在的问题区域。这有助于及时采取纠正行动,从而避免电池问题蔓延,造成更大的损害。通过降低电池组温度升高的速率和幅度,减少热失控的风险,既保证了电池的运行效率,也避免了因热失控带来的安全隐患。
附图说明
图1为本发明提出一种电池热失控预警保护***及其保护方法的***框架示意图;
图2为本发明提出一种电池热失控预警保护***及其保护方法的工作流程图;
图3为本发明提出一种电池热失控预警保护***及其保护方法的步骤1细化流程图;
图4为本发明提出一种电池热失控预警保护***及其保护方法的步骤3细化流程图;
图5为本发明提出一种电池热失控预警保护***及其保护方法的步骤4细化流程图;
图6为本发明提出一种电池热失控预警保护***及其保护方法的步骤5细化流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
在本发明的描述中,需要理解的是,术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
实施例一
请参阅图1,本发明提供一种技术方案:一种电池热失控预警保护***是由电池管理单元、监测硬件单元、分区电池监测单元、动态电池保护单元组成;
电池管理单元包括热失控预测模型、自适应保护策略、充放电控制策略,热失控预测模型具体为深度学习驱动的热失控预测模型;
监测硬件单元包括热敏电阻、温度传感器;
分区电池监测单元包括电池组分区子模块、区域独立化监测子模块、故障定位子模块;
动态电池保护单元包括智能保护措施、个性化保护策略。
该***由电池管理单元、监测硬件单元、分区电池监测单元和动态电池保护单元组成。其中,电池管理单元具备热失控预测模型、自适应保护策略和充放电控制策略,其中热失控预测模型采用深度学习技术。监测硬件单元包含热敏电阻和温度传感器,分区电池监测单元通过电池组分区子模块、区域独立化监测子模块和故障定位子模块实现分区监测功能,而动态电池保护单元包括智能保护措施和个性化保护策略。通过深度学习驱动的热失控预测模型能从电池组温度数据中提取更多有效特征,显著提高预警准确性和及时性,从而提前制止可能导致严重损坏的状况。其次,自适应保护策略将根据实时监测数据和电池状态的变化,动态调整保护参数和措施,创新性地提供更高效、个性化的保护措施,以防电池损伤。再者,引入的高精度热敏电阻和温度传感器可以为实时监测电池温度提供更精确的数据,为故障预防提供有力保障。分区电池监测***的应用则使得我们能够针对每一个电池单体进行实时监测,帮助快速定位出现问题的电池,实现了问题来源的精准定位,并能准确有效地将人们的注意力引向潜在的问题区域。这有助于及时采取纠正行动,从而避免电池问题蔓延,造成更大的损害。通过降低电池组温度升高的速率和幅度,减少热失控的风险,既保证了电池的运行效率,也避免了因热失控带来的安全隐患。
请参阅图1,深度学习驱动的热失控预测模型,采用循环神经网络RNN,对电池组温度数据进行深度分析,通过多层网络结构和自适应的权重学习,从中提取更多有用的特征,学习温度变化的复杂模式和趋势,并预测出潜在的热失控事件;
自适应保护策略根据采用具体为模糊逻辑控制FLC的自适应控制算法,根据实时监测数据和电池状态的变化,***动态调整保护参数和措施,以适应不同的工作状态和环境条件,并根据电池组的实际情况,调整保护阈值、保护触发条件、响应速度,提供保护措施;
充放电控制策略使用具体为模型预测控制MPC的优化算法,控制充电速率、放电功率、充电截止电压参数,通过对电池组的充放电过程进行优化调节,降低电池组温度升高的速率和幅度,降低热失控风险,并参照包括温度、电流、电压的多因素关系,得出最优的控制策略,以达成电池温度的有效控制和热失控风险降低效果。
热失控预测模型利用循环神经网络(RNN)对电池组温度数据进行深度分析,能够准确预测潜在的热失控事件。自适应保护策略采用模糊逻辑控制(FLC)算法,根据实时监测数据和电池状态变化,灵活调整保护参数和措施,以适应不同的工作状态和环境条件。充放电控制策略使用模型预测控制(MPC)优化算法,通过优化充放电过程,降低温度升高速率和幅度,减少热失控风险。综合而言,能够准确预测热失控风险、灵活调整保护策略、优化充放电控制,从而提高电池***的安全性和可靠性,延长电池使用寿命。
请参阅图1,热敏电阻通过电压分压电路、电桥电路定期或实时采集热敏电阻的电阻值,使用温度-电阻曲线,通过查表或插值的方式来获取准确的温度值,并采用数字滤波算法执行滑动平均滤波,再对比其他温度传感器的测量值,进行误差补偿,提高测量的准确性和稳定性;
温度传感器安装在电池组内部,通过串行通信接口SPI将温度传感器的测量数据传输给电池管理单元进行处理,根据温度传感器的非线性特性,通过查表、插值或多项式拟合方式修正温度测量误差,利用已知温度源进行校准,对传感器测量值进行修正和调整,以提高测量数据可靠性。
首先,热敏电阻通过电压分压电路或电桥电路定期或实时采集热敏电阻的电阻值,并利用温度-电阻曲线获取准确的温度值。采用数字滤波算法进行滑动平均滤波,降低噪声干扰,提高温度测量的准确性和稳定性。此外,与其他温度传感器的测量值进行对比和误差补偿,进一步提高测量数据的精度和可靠性。
其次,温度传感器安装在电池组内部,并通过串行通信接口将测量数据传输给电池管理单元进行处理。针对温度传感器的非线性特性,采用查表、插值或多项式拟合等方法修正温度测量误差。通过校准过程,利用已知的温度源对传感器测量值进行修正和调整,提高测量数据的可靠性和准确性。
综上所述,热敏电阻和温度传感器的应用使得温度测量更加准确、稳定和可靠。这有助于***准确监测电池组的温度变化,及时检测潜在的热失控风险,并采取必要的保护措施。从实施的角度来看,这些措施在电阻值采集、温度修正和数据处理等方面具备可行性和有效性,可提高电池***的安全性和可靠性。
请参阅图1,电池组分区子模块基于划分算法,参考电池的位置、连接方式、容量,将电池组划分为多个区域,确保每个区域内的电池数量相对均衡;
区域独立化监测子模块设立在每个区域内部,实时监测该区域内每个单体电池的状态,包括电压监测、温度监测、电流监测;
故障定位子模块在热失控发生时,通过监测电池组各个区域的电压、温度、电流参数,使用异常检测算法来识别存在异常的电池或区域,结合电池组的物理模型和历史数据,使用多因素分析算法来确定哪个电池或区域可能是导致故障的主要原因,根据异常检测结果和多因素分析的结果,设计定位策略来确定故障电池的位置,定位策略基于电压差异、温度变化、电流异常因素执行判断,将区域监测子模块的数据与故障定位算法进行数据融合,定位故障。
通过电池组分区子模块、区域独立化监测子模块和故障定位子模块的应用,实现了电池组的安全监测和故障定位。
电池组分区子模块根据位置、连接方式和容量等因素,将电池组划分为多个区域,确保每个区域内的电池数量相对均衡,从而提高电池组的均衡性和使用寿命。
区域独立化监测子模块安装在每个区域内部,通过实时监测每个单体电池的电压、温度和电流等状态参数,能够迅速检测到异常情况,提高故障监测的准确性和及时性。故障定位子模块在热失控事件发生时,利用异常检测算法识别存在异常的电池或区域,并结合电池组的物理模型和历史数据,使用多因素分析算法确定导致故障的主要原因。通过定位策略基于电压差异、温度变化和电流异常等因素来确定故障电池的位置。综合而言,实现了对电池组的独立化监测和故障定位。通过提高电池组的均衡性、及时性和准确性,该方案能够提高电池组的安全性和可靠性,并支持迅速的故障定位和维修措施。从实施的角度来看,这些子模块的设计和整合具备可行性和实用性,可以为电池组的管理和维护提供有效的支持。
请参阅图1,智能保护措施采用基于规则的风险评估算法,根据实时监测数据和预测模型的输出,参照温度、电流、电压指标的变化趋势和阈值,判断风险的程度,对电池组的热失控风险进行评估,在***检测到电池组存在热失控的风险时,自动调整保护措施,包括切断电池组与外部电路的连接、降低电池充放电速率、启动冷却***;
个性化保护策略根据各个区域的热失控风险和实际情况,为每个区域制定个性化的保护措施,以最大程度地减轻电池的热失控风险,实际情况包括单体电池的温度、电压、内阻参数,个性化的保护措施包括调整保护阈值、改变充放电速率、设置温度警报限制。
基于规则的风险评估算法利用实时监测数据和预测模型的输出,参考温度、电流、电压等指标的变化趋势和阈值,对电池组的热失控风险进行评估。根据评估结果,自动调整保护措施,如切断电池组与外部电路的连接、降低充放电速率、启动冷却***等,以应对潜在的风险。
个性化保护策略根据各个区域的热失控风险和实际情况,为每个区域制定个性化的保护措施。通过考虑单体电池的温度、电压、内阻等参数,调整保护阈值、改变充放电速率、设置温度警报限制等,以最大程度地减轻电池的热失控风险。
从实施的角度来看,基于规则的风险评估算法和个性化保护策略具备可行性和实用性。通过实时监测数据和预测模型的应用,能够准确评估热失控风险并自动调整保护措施。个性化保护策略考虑了各个区域的特点,能够根据实际情况做出相应调整。这些措施有助于提高电池组的安全性、可靠性和稳定性。同时,通过不同级别的保护措施,可有效应对热失控风险,最大限度地保护电池组免受潜在危险。
请参阅图2,一种电池热失控预警保护方法,包括以下步骤:
利用深度学习模型对电池组温度数据进行分析,预测热失控事件;
应用自适应保护策略和模糊逻辑控制算法,动态调整保护参数,适应不同环境;
采用模型预测控制算法优化充放电策略,减少温度上升速率,降低热失控风险;
使用热敏电阻和温度传感器监测电池温度,及时传输数据给电池管理单元;
通过分区电池监测单元,识别异常电池和故障原因,基于智能保护措施和个性化保护策略,根据热失控风险自动调整保护措施。
首先,利用深度学习模型对电池组温度数据进行分析和预测,能够提前发现热失控事件的迹象,从而及时采取保护措施。其次,应用自适应保护策略和模糊逻辑控制算法,动态调整保护参数以适应不同的环境条件。这样可以确保保护措施在各种情况下的有效性,提高电池组的安全性和鲁棒性。采用模型预测控制算法优化充放电策略,有助于降低电池温度上升速率,减少热失控风险。通过合理控制充放电过程,可以有效地控制电池组的温度,避免温度过高导致的热失控情况。该方法还利用热敏电阻和温度传感器监测电池温度,并将数据实时传输至电池管理单元。这样可以及时获取温度信息,以便迅速响应潜在的热失控风险,保证电池组处于安全范围内。通过分区电池监测单元,识别异常电池和故障原因,并基于智能保护措施和个性化保护策略,自动调整保护措施。这种个性化保护策略根据不同区域的热失控风险来优化保护措施,提高保护的准确性和针对性。
请参阅图3,预测热失控事件的步骤具体为:
在数据预处理阶段引入数据增强技术,包括随机裁剪、旋转、缩放和平移,扩充训练数据集;
使用引入注意力机制的深度神经网络架构来处理电池组温度数据,以捕捉温度数据中的重要时空特征;
采用生成对抗网络GAN,学习电池组温度数据的隐含表示;
结合电流、电压、湿度数据,进行多模态数据融合和分析,获取更全面的信息;
进行模型评估,并将经过训练和评估的模型应用于实时数据,实时预测电池组的热失控事件。
预测热失控事件的步骤结合了数据预处理、注意力机制的深度神经网络架构、生成对抗网络(GAN)的应用、多模态数据融合和分析,以及模型评估和实时应用。在数据预处理阶段,通过引入数据增强技术对电池组温度数据进行处理,扩充训练数据集,增加数据的多样性和泛化能力。然后,采用深度神经网络架构结合注意力机制来处理电池组温度数据,以捕捉关键时空特征,提高预测的准确性。引入生成对抗网络(GAN),学习电池组温度数据的隐含表示。通过GAN的生成器和判别器模型,生成逼真的温度数据,提供更多样本用于训练和预测,增强模型的鲁棒性和学习能力。进行多模态数据融合和分析,结合电流、电压、湿度等相关数据,综合各个传感器提供的信息,获取更全面、丰富的数据特征,提高对热失控事件的预测能力。对训练好的模型进行评估,验证其预测性能。然后将模型应用于实时数据,实时预测电池组的热失控事件,实现实时监测和预警,及时采取保护措施。整合这些步骤可以有效预测电池组的热失控事件,提高预测准确性和鲁棒性。同时,通过数据增强、深度神经网络、GAN、多模态数据融合与实时应用的综合应用,可以提供有益的支持,增强模型的适应性和实用性。这些步骤对于准确预测电池组热失控事件、防止潜在风险具有重要意义。
请参阅图4,采用模型预测控制算法优化充放电策略的步骤具体为:
收集电池组的温度数据、电流、电压数据,建立一个基于深度学习的循环神经网络RNN模型,对历史数据进行训练;
基于温度预测结果,通过模型预测控制算法生成优化的充放电策略,将生成的优化充放电策略应用于实际电池***中。
首先,收集电池组的温度数据、电流和电压等相关数据,并建立一个基于深度学习的循环神经网络(RNN)模型,通过对历史数据的训练来学习温度与其他因素之间的关系。接下来,利用训练好的RNN模型进行温度预测,并基于预测结果采用模型预测控制算法生成优化的充放电策略。这些策略根据当前的温度预测结果和预设的目标函数来优化充放电过程,以降低温度上升速率和减少热失控风险。最后,将生成的优化充放电策略应用于实际电池***中,通过控制充放电过程来实施优化策略,并监测电池温度和***性能指标。这样可以提高电池的安全性、延长电池寿命,并提高能量利用效率。同时,模型预测控制算法可以根据实时温度数据进行反馈和调整,实现对充放电策略的动态优化,提高***的适应性和鲁棒性。从实施的角度来看,采用该算法可以优化充放电策略,提升电池组的安全性、可靠性和性能,并有效管理电池***,避免热失控风险,提高能量利用效率和寿命。
请参阅图5,传输数据给电池管理单元的步骤具体为:
通过电缆或无线传输方式,将传感器测量到的电池温度数据传输到电池管理单元;
将传感器信号转化为温度值,并进行单位转换和数据校验;
结合***中的其他信息,将电池温度数据与预设的阈值进行比较,评估热失控风险;
根据温度数据和热失控风险评估结果,电池管理单元实时监测电池的状态,并在需要时触发警报。
首先,使用电缆或无线传输方式将传感器测量到的电池温度数据传输到电池管理单元。在电池管理单元中,对传感器信号进行转换和处理,将其转化为温度值,并进行单位转换和数据校验。接下来,将电池温度数据与预设的阈值进行比较,结合***中的其他信息进行热失控风险评估。根据温度数据和热失控风险评估的结果,电池管理单元实时监测电池的状态,并在需要时触发警报或采取其他保护措施。实施这些步骤可以实现以下有益效果:实时监测电池的状态,及时发现异常情况,并采取措施保护电池的安全;通过预设的阈值和热失控评估,及时识别潜在的热失控风险,并采取预防措施;提供实时反馈和警报通知,使人员可以快速采取措施应对可能的危险情况。综上所述,将数据传输给电池管理单元并实施实时监测和警报触发可以提高电池***的安全性,保护电池及相关设备,及时预防和应对潜在的热失控风险。
请参阅图6,识别异常电池和故障原因的步骤具体为:
基于电池监测单元采集到的数据,开发故障诊断算法来检测和识别异常电池和故障原因;
将开发的故障诊断算法应用于监测数据,对每个分区的电池状态进行异常检测;
针对检测到的异常电池,通过数据关联、特征提取、故障模式,识别故障原因;
采取相应的措施进行修复或更换受影响的电池。
首先,通过电池监测单元采集电池相关数据,并开发故障诊断算法来检测和识别异常电池和故障原因。将开发的算法应用于监测数据,对每个电池分区的状态进行异常检测,并进行故障原因识别。通过数据关联、特征提取和故障模式分析,可以推断出异常电池的原因。一旦故障原因被识别,相应的措施将会被采取,如修复电池连接、重新校准电池管理***或更换受影响的电池。从实施角度来看,这些步骤有助于及时识别故障、提高电池***可靠性,优化维护计划,并节约成本。准确识别异常电池和故障原因可防止进一步损害设备、延长电池寿命,同时避免无效的维修和更换,从而提高***性能和效率。
工作原理:首先,利用深度学习模型对电池组温度数据进行分析和预测,提前发现热失控事件的迹象。其次,应用自适应保护策略和模糊逻辑控制算法,动态调整保护参数以适应不同的环境条件,确保保护措施的有效性和鲁棒性。同时,通过模型预测控制算法优化充放电策略,减少电池温度上升速率,降低热失控的风险。此外,使用热敏电阻和温度传感器实时监测电池温度,并将数据传输给电池管理单元,及时响应潜在的热失控风险。通过分区电池监测单元,识别异常电池和故障原因,并根据智能保护措施和个性化保护策略自动调整保护措施。整合这些步骤,该方法能够有效预测热失控事件、动态调整保护参数、优化充放电策略、实时监测温度以及精准识别异常电池,从而提高电池组的安全性和稳定性,降低热失控的风险。
以上,仅是本发明的较佳实施例而已,并非对本发明作其他形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域,但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (10)
1.一种电池热失控预警保护***,其特征在于,所述一种电池热失控预警保护***是由电池管理单元、监测硬件单元、分区电池监测单元、动态电池保护单元组成;
所述电池管理单元包括热失控预测模型、自适应保护策略、充放电控制策略,所述热失控预测模型具体为深度学习驱动的热失控预测模型;
所述监测硬件单元包括热敏电阻、温度传感器;
所述分区电池监测单元包括电池组分区子模块、区域独立化监测子模块、故障定位子模块;
所述动态电池保护单元包括智能保护措施、个性化保护策略。
2.根据权利要求1所述的电池热失控预警保护***,其特征在于,所述深度学习驱动的热失控预测模型,采用循环神经网络RNN,对电池组温度数据进行深度分析,通过多层网络结构和自适应的权重学习,从中提取更多有用的特征,学习温度变化的复杂模式和趋势,并预测出潜在的热失控事件;
所述自适应保护策略根据采用具体为模糊逻辑控制FLC的自适应控制算法,根据实时监测数据和电池状态的变化,***动态调整保护参数和措施,以适应不同的工作状态和环境条件,并根据电池组的实际情况,调整保护阈值、保护触发条件、响应速度,提供保护措施;
所述充放电控制策略使用具体为模型预测控制MPC的优化算法,控制充电速率、放电功率、充电截止电压参数,通过对电池组的充放电过程进行优化调节,降低电池组温度升高的速率和幅度,降低热失控风险,并参照包括温度、电流、电压的多因素关系,得出最优的控制策略,以达成电池温度的有效控制和热失控风险降低效果。
3.根据权利要求1所述的电池热失控预警保护***,其特征在于,所述热敏电阻通过电压分压电路、电桥电路定期或实时采集热敏电阻的电阻值,使用温度-电阻曲线,通过查表或插值的方式来获取准确的温度值,并采用数字滤波算法执行滑动平均滤波,再对比其他温度传感器的测量值,进行误差补偿,提高测量的准确性和稳定性;
所述温度传感器安装在电池组内部,通过串行通信接口SPI将温度传感器的测量数据传输给电池管理单元进行处理,根据温度传感器的非线性特性,通过查表、插值或多项式拟合方式修正温度测量误差,利用已知温度源进行校准,对传感器测量值进行修正和调整,以提高测量数据可靠性。
4.根据权利要求1所述的电池热失控预警保护***,其特征在于,所述电池组分区子模块基于划分算法,参考电池的位置、连接方式、容量,将电池组划分为多个区域,确保每个区域内的电池数量相对均衡;
所述区域独立化监测子模块设立在每个区域内部,实时监测该区域内每个单体电池的状态,包括电压监测、温度监测、电流监测;
所述故障定位子模块在热失控发生时,通过监测电池组各个区域的电压、温度、电流参数,使用异常检测算法来识别存在异常的电池或区域,结合电池组的物理模型和历史数据,使用多因素分析算法来确定哪个电池或区域可能是导致故障的主要原因,根据异常检测结果和多因素分析的结果,设计定位策略来确定故障电池的位置,所述定位策略基于电压差异、温度变化、电流异常因素执行判断,将区域监测子模块的数据与故障定位算法进行数据融合,定位故障。
5.根据权利要求1所述的电池热失控预警保护***,其特征在于,所述智能保护措施采用基于规则的风险评估算法,根据实时监测数据和预测模型的输出,参照温度、电流、电压指标的变化趋势和阈值,判断风险的程度,对电池组的热失控风险进行评估,在***检测到电池组存在热失控的风险时,自动调整保护措施,包括切断电池组与外部电路的连接、降低电池充放电速率、启动冷却***;
所述个性化保护策略根据各个区域的热失控风险和实际情况,为每个区域制定个性化的保护措施,以最大程度地减轻电池的热失控风险,所述实际情况包括单体电池的温度、电压、内阻参数,所述个性化的保护措施包括调整保护阈值、改变充放电速率、设置温度警报限制。
6.一种电池热失控预警保护方法,其特征在于,包括以下步骤:
利用深度学习模型对电池组温度数据进行分析,预测热失控事件;
应用自适应保护策略和模糊逻辑控制算法,动态调整保护参数,适应不同环境;
采用模型预测控制算法优化充放电策略,减少温度上升速率,降低热失控风险;
使用热敏电阻和温度传感器监测电池温度,及时传输数据给电池管理单元;
通过分区电池监测单元,识别异常电池和故障原因,基于智能保护措施和个性化保护策略,根据热失控风险自动调整保护措施。
7.根据权利要求6所述的电池热失控预警保护方法,其特征在于,所述预测热失控事件的步骤具体为:
在数据预处理阶段引入数据增强技术,包括随机裁剪、旋转、缩放和平移,扩充训练数据集;
使用引入注意力机制的深度神经网络架构来处理电池组温度数据,以捕捉温度数据中的重要时空特征;
采用生成对抗网络GAN,学习电池组温度数据的隐含表示;
结合电流、电压、湿度数据,进行多模态数据融合和分析,获取更全面的信息;
进行模型评估,并将经过训练和评估的模型应用于实时数据,实时预测电池组的热失控事件。
8.根据权利要求6所述的电池热失控预警保护方法,其特征在于,所述采用模型预测控制算法优化充放电策略的步骤具体为:
收集电池组的温度数据、电流、电压数据,建立一个基于深度学习的循环神经网络RNN模型,对历史数据进行训练;
基于温度预测结果,通过模型预测控制算法生成优化的充放电策略,将生成的优化充放电策略应用于实际电池***中。
9.根据权利要求6所述的电池热失控预警保护方法,其特征在于,所述传输数据给电池管理单元的步骤具体为:
通过电缆或无线传输方式,将传感器测量到的电池温度数据传输到电池管理单元;
将传感器信号转化为温度值,并进行单位转换和数据校验;
结合***中的其他信息,将电池温度数据与预设的阈值进行比较,评估热失控风险;
根据温度数据和热失控风险评估结果,电池管理单元实时监测电池的状态,并在需要时触发警报。
10.根据权利要求6所述的电池热失控预警保护方法,其特征在于,所述识别异常电池和故障原因的步骤具体为:
基于电池监测单元采集到的数据,开发故障诊断算法来检测和识别异常电池和故障原因;
将开发的故障诊断算法应用于监测数据,对每个分区的电池状态进行异常检测;
针对检测到的异常电池,通过数据关联、特征提取、故障模式,识别故障原因;
采取相应的措施进行修复或更换受影响的电池。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310897113.5A CN116722249A (zh) | 2023-07-20 | 2023-07-20 | 一种电池热失控预警保护***及其保护方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310897113.5A CN116722249A (zh) | 2023-07-20 | 2023-07-20 | 一种电池热失控预警保护***及其保护方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116722249A true CN116722249A (zh) | 2023-09-08 |
Family
ID=87869892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310897113.5A Pending CN116722249A (zh) | 2023-07-20 | 2023-07-20 | 一种电池热失控预警保护***及其保护方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116722249A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117244196A (zh) * | 2023-11-17 | 2023-12-19 | 杭州高特电子设备股份有限公司 | 储能电池的消防控制方法、装置、计算机设备及存储介质 |
CN117310519A (zh) * | 2023-11-30 | 2023-12-29 | 交通运输部东海航海保障中心上海航标处 | 一种新能源航标的储能电池防漏检测装置及*** |
CN117349596A (zh) * | 2023-12-04 | 2024-01-05 | 深圳汉德霍尔科技有限公司 | 基于多传感器的电池异常状态监测预警*** |
CN117495109A (zh) * | 2023-12-29 | 2024-02-02 | 国网山东省电力公司禹城市供电公司 | 一种基于深井网络的窃电用户识别*** |
CN117554825A (zh) * | 2024-01-11 | 2024-02-13 | 深圳市北测检测技术有限公司 | 电动汽车的充电安全性能检测方法及*** |
CN117709194A (zh) * | 2023-12-16 | 2024-03-15 | 江苏讯汇科技股份有限公司 | 一种支持黑白名单存储的传感器数据存储保护方法 |
CN117761542A (zh) * | 2023-12-27 | 2024-03-26 | 江苏讯汇科技股份有限公司 | 基于电池内部温度估计的电池柜热失控预警方法 |
CN117783885A (zh) * | 2024-02-23 | 2024-03-29 | 福建省宇安机电设备有限公司 | 一种基于电化学机理的储能电池热失控预测方法和*** |
CN117799498A (zh) * | 2024-03-01 | 2024-04-02 | 湘潭南方电机车制造有限公司 | 一种用于防爆蓄电池电机车的综合保护*** |
CN118068197A (zh) * | 2024-04-17 | 2024-05-24 | 广东采日能源科技有限公司 | 储能电池热失控预警方法、装置及电子设备 |
-
2023
- 2023-07-20 CN CN202310897113.5A patent/CN116722249A/zh active Pending
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117244196A (zh) * | 2023-11-17 | 2023-12-19 | 杭州高特电子设备股份有限公司 | 储能电池的消防控制方法、装置、计算机设备及存储介质 |
CN117244196B (zh) * | 2023-11-17 | 2024-02-20 | 杭州高特电子设备股份有限公司 | 储能电池的消防控制方法、装置、计算机设备及存储介质 |
CN117310519A (zh) * | 2023-11-30 | 2023-12-29 | 交通运输部东海航海保障中心上海航标处 | 一种新能源航标的储能电池防漏检测装置及*** |
CN117310519B (zh) * | 2023-11-30 | 2024-02-13 | 交通运输部东海航海保障中心上海航标处 | 一种新能源航标的储能电池防漏检测装置及*** |
CN117349596A (zh) * | 2023-12-04 | 2024-01-05 | 深圳汉德霍尔科技有限公司 | 基于多传感器的电池异常状态监测预警*** |
CN117349596B (zh) * | 2023-12-04 | 2024-03-29 | 深圳汉德霍尔科技有限公司 | 基于多传感器的电池异常状态监测预警*** |
CN117709194A (zh) * | 2023-12-16 | 2024-03-15 | 江苏讯汇科技股份有限公司 | 一种支持黑白名单存储的传感器数据存储保护方法 |
CN117761542A (zh) * | 2023-12-27 | 2024-03-26 | 江苏讯汇科技股份有限公司 | 基于电池内部温度估计的电池柜热失控预警方法 |
CN117495109A (zh) * | 2023-12-29 | 2024-02-02 | 国网山东省电力公司禹城市供电公司 | 一种基于深井网络的窃电用户识别*** |
CN117495109B (zh) * | 2023-12-29 | 2024-03-22 | 国网山东省电力公司禹城市供电公司 | 一种基于神经网络的窃电用户识别*** |
CN117554825A (zh) * | 2024-01-11 | 2024-02-13 | 深圳市北测检测技术有限公司 | 电动汽车的充电安全性能检测方法及*** |
CN117554825B (zh) * | 2024-01-11 | 2024-03-19 | 深圳市北测检测技术有限公司 | 电动汽车的充电安全性能检测方法及*** |
CN117783885A (zh) * | 2024-02-23 | 2024-03-29 | 福建省宇安机电设备有限公司 | 一种基于电化学机理的储能电池热失控预测方法和*** |
CN117783885B (zh) * | 2024-02-23 | 2024-05-10 | 福建省宇安机电设备有限公司 | 一种基于电化学机理的储能电池热失控预测方法和*** |
CN117799498A (zh) * | 2024-03-01 | 2024-04-02 | 湘潭南方电机车制造有限公司 | 一种用于防爆蓄电池电机车的综合保护*** |
CN117799498B (zh) * | 2024-03-01 | 2024-06-11 | 湘潭南方电机车制造有限公司 | 一种用于防爆蓄电池电机车的综合保护*** |
CN118068197A (zh) * | 2024-04-17 | 2024-05-24 | 广东采日能源科技有限公司 | 储能电池热失控预警方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116722249A (zh) | 一种电池热失控预警保护***及其保护方法 | |
CN116435634B (zh) | 基于蓄电池温度状态监控及管理*** | |
CN111060821B (zh) | 具备锂电池故障早期预警功能的电池管理***及方法 | |
KR20180028467A (ko) | 리튬 이온 배터리 안전성 감시 | |
CN107942255B (zh) | 一种基于数据融合技术的变电站蓄电池组状态评估方法 | |
CN116961186A (zh) | 一种锂电池控制***及其控制方法 | |
CN111928901A (zh) | 换电柜预警***及方法 | |
CN116198349A (zh) | 一种锂电池***的充电方法 | |
CN115979349A (zh) | 一种电力站空间环境监测方法及*** | |
CN116488300A (zh) | 一种多功能移动设备充电保护装置 | |
CN114167296A (zh) | 一种蓄电池远程充放电核容监测装置及方法 | |
CN116885766A (zh) | 一种分布式电源并网运行的控制方法及*** | |
CN116879794B (zh) | 一种储能电源故障检测预警*** | |
CN117577975A (zh) | 一种锂电池bms远程管理*** | |
CN113572161B (zh) | 一种抗灾保底电网的储能***在线状态监测和评估方法 | |
AU2020103212A4 (en) | IoT AND MACHINE LEARNING-BASED POWER DISTRIBUTION MANAGEMENT SYSTEM | |
CN114966471A (zh) | 一种避雷器在线监测方法及*** | |
CN116087775A (zh) | 用于对电池进行安全状态评估的方法及电池管理*** | |
CN117799498B (zh) | 一种用于防爆蓄电池电机车的综合保护*** | |
Rajan et al. | Design and Simulation of Battery Management System for Electric Vehicles | |
CN114537213B (zh) | 一种动力电池处理方法、装置、设备及存储介质 | |
Zhang et al. | Research on fault diagnosis and safety early warning strategy of electric vehicle charge and discharge based on artificial intelligence | |
CN117901702B (zh) | 用于新能源汽车交流充电桩的大电流充电*** | |
CN114760137B (zh) | 针对网络攻击的有源配电网信息物理***信息侧与物理侧协同态势评估方法及*** | |
CN116593902B (zh) | 基于铁锂电池的性能参数融合成ai模型的故障诊断方法 |
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 |