CN117709194A - 一种支持黑白名单存储的传感器数据存储保护方法 - Google Patents
一种支持黑白名单存储的传感器数据存储保护方法 Download PDFInfo
- Publication number
- CN117709194A CN117709194A CN202311732049.1A CN202311732049A CN117709194A CN 117709194 A CN117709194 A CN 117709194A CN 202311732049 A CN202311732049 A CN 202311732049A CN 117709194 A CN117709194 A CN 117709194A
- Authority
- CN
- China
- Prior art keywords
- data
- battery
- white list
- black
- storage
- 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 55
- 238000013500 data storage Methods 0.000 title claims abstract description 12
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims abstract description 44
- 229910052744 lithium Inorganic materials 0.000 claims abstract description 44
- 230000008569 process Effects 0.000 claims abstract description 16
- 238000013136 deep learning model Methods 0.000 claims abstract description 12
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 239000003792 electrolyte Substances 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims abstract description 6
- 238000013480 data collection Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000009471 action Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 238000007599 discharging Methods 0.000 description 3
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 239000010405 anode material Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- QHGJSLXSVXVKHZ-UHFFFAOYSA-N dilithium;dioxido(dioxo)manganese Chemical compound [Li+].[Li+].[O-][Mn]([O-])(=O)=O QHGJSLXSVXVKHZ-UHFFFAOYSA-N 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 239000002985 plastic film Substances 0.000 description 1
- 229920006255 plastic film Polymers 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000011269 treatment regimen Methods 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本发明公开了一种支持黑白名单存储的传感器数据存储保护方法,所述存储保护方法如下:步骤一:捕捉电解液中的有机分子并收集锂电池在使用过程中产生的电压、电流、温度数据;步骤二:利用深度学习模型对收集到的锂电池数据进行训练和学习,自动识别出正常和异常的数据,从而形成黑白名单规则,利用黑白名单规则过滤和管理锂电池数据;本发明的有益效果是:通过建立电池的热动力学模型,结合电池的充放电电流、电压参数,估计电池内部的温度分布,可以更准确地预测电池的热失控风险,从而提高预警的准确性和及时性;考虑了电池的内阻和微短路故障因素对电池热失控风险的影响,可以更全面地评估电池的热失控风险。
Description
技术领域
本发明属于锂电池传感器数据存储技术领域,具体涉及一种支持黑白名单存储的传感器数据存储保护方法。
背景技术
随着近些年消费电子行业的蓬勃发展,以及国家能源和环保的在电动汽车的战略规划和投资,锂电池行业近些年复合增长率接近30%-50%;锂电池是一类依靠锂离子在正极与负极之间移动来达到充放电目的的一种可充电电池,具有高能量密度、高电压、寿命长、无记忆效应等优点;锂电池按正极材料分可分为锰酸锂电池、磷酸铁锂电池和三元材料电池;锂电池按形状分可分为圆柱电池和方形电池;按外壳分可分为钢壳、铝壳和铝塑膜三种;按工艺分可分为圆柱卷绕、方形卷绕和方形叠片三种。
锂电池主要有三大类行业应用:消费类电子、电动交通工具、工业储能设备及其他,其中应用于电动交通工具行业的锂电池叫做动力电池。
随着电动车辆和可再生能源的广泛应用,储能电池的需求日益增加;然而,电池在使用过程中可能会出现过热问题,导致电池热失控,甚至引发火灾和***;目前,大多数电池热失控预警方法主要基于电池表面温度的监测,然而,由于电池内部和表面的温度分布并不均匀,仅依靠表面温度往往无法准确预测电池的热失控风险。
发明内容
本发明的目的在于提供一种支持黑白名单存储的传感器数据存储保护方法,实现对锂电池数据的高效过滤和管理。
为实现上述目的,本发明提供如下技术方案:一种支持黑白名单存储的传感器数据存储保护方法,所述存储保护方法如下:
步骤一:捕捉电解液中的有机分子并收集锂电池在使用过程中产生的电压、电流、温度数据;
步骤二:利用深度学习模型对收集到的锂电池数据进行训练和学习,自动识别出正常和异常的数据,从而形成黑白名单规则,利用黑白名单规则过滤和管理锂电池数据,包括定义黑白名单规则:根据锂电池数据的特点和需求,定义黑白名单规则;数据预处理:对收集到的锂电池数据进行预处理,以提高数据的质量和可靠性;数据分类:根据黑白名单规则,将锂电池数据分为黑名单数据和白名单数据;
步骤三:通过建立电池的热动力学模型,结合电池的充放电电流、电压参数,估计电池内部的温度分布;
步骤四:将上述收集到的锂电池数据及分析结果存储到数据库中并进行加密,以便后续的数据分析和处理。
作为本发明的一种优选的技术方案,所述深度学习模型包括循环神经网络或长短期记忆网络,来自动学习和更新黑白名单规则;该模型的输入是电池的历史数据和当前数据,输出是对当前数据是否应加入黑名单或白名单的预测。
作为本发明的一种优选的技术方案,所述深度学习模型训练使用交叉熵损失函数。
作为本发明的一种优选的技术方案,利用黑白名单规则过滤锂电池数据基于马尔科夫决策过程的数据过滤策略。
作为本发明的一种优选的技术方案,利用热动力学模型估计电池内部的温度分布,在此过程中,还需要考虑电池的内阻和微短路故障因素对电池内部温度的影响。
作为本发明的一种优选的技术方案,电压数据收集:使用电压分压法,通过使用电阻元器件将电池的电压分压为适合测量的范围,再通过模拟转数字转换器将模拟电压信号转换为数字信号进行收集;
电流数据收集:使用磁电阻或者霍尔传感器来测量电流;
温度数据收集:温度数据的收集通过使用温度传感器来实现。
作为本发明的一种优选的技术方案,收集到电压、电流、温度数据后,使用数据采集器或者PLC设备对数据进行处理和记录。
作为本发明的一种优选的技术方案,通过光离子化技术传感器捕捉电解液中的有机分子。
作为本发明的一种优选的技术方案,加密使用加密算法进行加密。
与现有技术相比,本发明的有益效果是:
通过建立电池的热动力学模型,结合电池的充放电电流、电压参数,估计电池内部的温度分布,可以更准确地预测电池的热失控风险,从而提高预警的准确性和及时性;考虑了电池的内阻和微短路故障因素对电池热失控风险的影响,可以更全面地评估电池的热失控风险;可以实时监测电池的状态,及时发现电池的异常情况,有效防止电池热失控,保障电池的安全运行;
通过自动化或人工方式对数据进行监督和审核,以确保数据的准确性和完整性;同时也可以根据需要对数据进行备份和恢复,保证数据的安全性和可靠性。
附图说明
图1为本发明的传感器数据存储保护方法流程图。
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。
实施例1
请参阅图1,为本发明的第一个实施例,该实施例提供一种支持黑白名单存储的传感器数据存储保护方法,包括如下步骤:
步骤一:捕捉电解液中的有机分子并收集锂电池在使用过程中产生的电压、电流、温度数据;通过光离子化技术传感器捕捉电解液中的有机分子;电压数据收集:使用电压分压法,通过使用电阻元器件将电池的电压分压为适合测量的范围,再通过模拟转数字转换器将模拟电压信号转换为数字信号进行收集;电流数据收集:电流数据的收集较为复杂,因为电流信号通常较弱且容易受到干扰,一种常见的方法是使用磁电阻或者霍尔传感器来测量电流,这些传感器能够感应到磁场的变化,进而测量出电流的大小;温度数据收集:温度数据的收集可以通过使用温度传感器来实现,常用的温度传感器有热敏电阻、热电偶、半导体温度传感器;这些传感器能够感应到温度的变化,并将其转换为电信号或者数字信号进行收集;收集到电压、电流、温度数据后,使用数据采集器或者PLC设备对数据进行处理和记录;
步骤二:利用深度学习模型对收集到的锂电池数据进行训练和学习,自动识别出正常和异常的数据,从而形成黑白名单规则,利用黑白名单规则过滤和管理锂电池数据,包括定义黑白名单规则:根据锂电池数据的特点和需求,定义黑白名单规则;数据预处理:对收集到的锂电池数据进行预处理,以提高数据的质量和可靠性;数据分类:根据黑白名单规则,将锂电池数据分为黑名单数据和白名单数据;
步骤三:通过建立电池的热动力学模型,结合电池的充放电电流、电压参数,估计电池内部的温度分布;
步骤四:将上述收集到的锂电池数据及分析结果存储到数据库中并进行加密,以便后续的数据分析和处理;加密使用加密算法进行加密:包括
对称加密算法:对称加密算法是一种常用的加密方法,它使用相同的密钥进行加密和解密,常见的对称加密算法包括AES、DES,在存储锂电池数据和分析结果时,可以使用对称加密算法对数据进行加密,并将密钥安全地保管起来,以确保数据的安全性;
非对称加密算法:非对称加密算法使用不同的密钥进行加密和解密,其中一个密钥是公开的,另一个密钥是私有的;常见的非对称加密算法包括RSA、ECC;在存储锂电池数据和分析结果时,可以使用非对称加密算法对数据进行加密,并将私有密钥安全地保管起来,以确保数据的安全性;
哈希算法:哈希算法是一种将任意长度的数据映射为固定长度的哈希值的算法;哈希值具有唯一性和不可逆性,因此可以用于数据的完整性校验和防止数据被篡改;在存储锂电池数据和分析结果时,可以使用哈希算法对数据进行哈希处理,并将哈希值存储到数据库中,以确保数据的完整性和安全性;
无论采用哪种加密方法,都需要确保密钥的安全性,防止密钥泄露导致数据被非法访问;同时,也需要考虑加密算法的性能和效率,以确保数据加密不会对***的正常运行造成影响;另外,还需要根据实际需求进行灵活的调整和扩展,以适应不同的应用场景和需求。
实施例2
请参阅图1,为本发明的第二个实施例,该实施例提供一种支持黑白名单存储的传感器数据存储保护方法,包括如下步骤:
步骤一:捕捉电解液中的有机分子并收集锂电池在使用过程中产生的电压、电流、温度数据;通过光离子化技术传感器捕捉电解液中的有机分子;电压数据收集:使用电压分压法,通过使用电阻元器件将电池的电压分压为适合测量的范围,再通过模拟转数字转换器将模拟电压信号转换为数字信号进行收集;电流数据收集:电流数据的收集较为复杂,因为电流信号通常较弱且容易受到干扰,一种常见的方法是使用磁电阻或者霍尔传感器来测量电流,这些传感器能够感应到磁场的变化,进而测量出电流的大小;温度数据收集:温度数据的收集可以通过使用温度传感器来实现,常用的温度传感器有热敏电阻、热电偶、半导体温度传感器;这些传感器能够感应到温度的变化,并将其转换为电信号或者数字信号进行收集;收集到电压、电流、温度数据后,使用数据采集器或者PLC设备对数据进行处理和记录;
步骤二:利用深度学习模型对收集到的锂电池数据进行训练和学习,自动识别出正常和异常的数据,从而形成黑白名单规则,利用黑白名单规则过滤和管理锂电池数据,包括定义黑白名单规则:根据锂电池数据的特点和需求,定义黑白名单规则;数据预处理:对收集到的锂电池数据进行预处理,以提高数据的质量和可靠性;数据分类:根据黑白名单规则,将锂电池数据分为黑名单数据和白名单数据;
步骤三:通过建立电池的热动力学模型,结合电池的充放电电流、电压参数,估计电池内部的温度分布;
步骤四:将上述收集到的锂电池数据及分析结果存储到数据库中并进行加密,以便后续的数据分析和处理;
本实施例中,优选的,深度学习模型包括循环神经网络或长短期记忆网络,来自动学习和更新黑白名单规则;该模型的输入是电池的历史数据和当前数据,输出是对当前数据是否应加入黑名单或白名单的预测;深度学习模型训练使用交叉熵损失函数;该损失函数可以衡量模型的预测结果与真实标签之间的差距,具体公式为:
L=-∑i=0to N y_i log(y_i)+(1-y_i)log(1-y_i)
其中,N是样本数量,y_i是真实标签,y_i是预测标签;
在动态黑白名单规则生成完成后,需要对收集到的电池数据进行过滤;为了实现这一目标,引入基于马尔科夫决策过程的数据过滤策略;在每个时间步,***根据当前的电池数据和深度学习模型的预测结果,使用马尔科夫决策过程来决定是否将当前数据加入黑名单或白名单;马尔科夫决策过程可以根据***的当前状态和可能的行动,计算出每个行动的期望回报,然后选择期望回报最大的行动;具体来说,定义一个奖励函数R(s,a),表示在状态s下执行行动a所得到的奖励;然后,使用贝尔曼方程来计算每个行动的期望回报,具体公式为:
Q(s,a)=R(s,a)+γ∑s'P(s'|s,a)maxa'Q(s',a')
其中,γ是折扣因子,P(s'|s,a)是在状态s下执行行动a后转移到状态s'的概率,maxa'Q(s',a')是在状态s'下所有行动的最大期望回报。
建立电池的热动力学模型,该模型考虑了电池的充放电电流、电压、内阻以及其他相关参数对电池内部温度的影响,电池的内阻直接体现电池老化程度;电池的内阻R可以通过以下公式计算:
其中,ΔV是充放电前后电池电压的变化,I是电池充放电特定倍率电流;
电池内部的温度T可以通过以下的热动力学方程来描述:
其中,P(x)是电池在位置x处的功率损耗,T_env是电池柜内温度,R_th(x)是电池在位置x处的热阻;这个方程描述了电池内部的温度随时间的变化情况;电池内部的热量传递受到热阻抗的限制,同时电池内部的化学反应也会产生热量;这些热量会与外部环境进行热交换,因此电池内部的温度会逐渐接近外部环境的温度;但是,由于电池内部的化学反应会产生热量,因此电池内部的温度会高于外部环境的温度;
根据电池的充放电电流、电压实时数据,利用热动力学模型估计电池内部的温度分布;在此过程中,还需要考虑电池的内阻和微短路故障因素对电池内部温度的影响。
根据电池内部的温度分布,计算电池的热失控风险指数RI;该风险指数可以是电池内部最高温度与电池的安全温度之差,或者是电池内部温度的标准差;在计算风险指数时,还需要考虑电池的内阻和微短路故障因素对热失控风险的影响;
其中,T_max是电池内部的最高温度,T_safe是电池的安全温度;
当热失控风险指数超过预设的阈值时,触发热失控预警,通知相关人员进行处理;在处理过程中,需要根据电池的内阻和微短路故障因素制定相应的处理策略。
尽管已经示出和描述了本发明的实施例,详见上述详尽的描述,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.一种支持黑白名单存储的传感器数据存储保护方法,其特征在于:所述存储保护方法如下:
步骤一:捕捉电解液中的有机分子并收集锂电池在使用过程中产生的电压、电流、温度数据;
步骤二:利用深度学习模型对收集到的锂电池数据进行训练和学习,自动识别出正常和异常的数据,从而形成黑白名单规则,利用黑白名单规则过滤和管理锂电池数据,包括定义黑白名单规则:根据锂电池数据的特点和需求,定义黑白名单规则;数据预处理:对收集到的锂电池数据进行预处理,以提高数据的质量和可靠性;数据分类:根据黑白名单规则,将锂电池数据分为黑名单数据和白名单数据;
步骤三:通过建立电池的热动力学模型,结合电池的充放电电流、电压参数,估计电池内部的温度分布;
步骤四:将上述收集到的锂电池数据及分析结果存储到数据库中并进行加密,以便后续的数据分析和处理。
2.根据权利要求1所述的一种支持黑白名单存储的传感器数据存储保护方法,其特征在于:所述深度学习模型包括循环神经网络或长短期记忆网络,来自动学习和更新黑白名单规则;该模型的输入是电池的历史数据和当前数据,输出是对当前数据是否应加入黑名单或白名单的预测。
3.根据权利要求2所述的一种支持黑白名单存储的传感器数据存储保护方法,其特征在于:所述深度学习模型训练使用交叉熵损失函数。
4.根据权利要求1所述的一种支持黑白名单存储的传感器数据存储保护方法,其特征在于:利用黑白名单规则过滤锂电池数据基于马尔科夫决策过程的数据过滤策略。
5.根据权利要求1所述的一种支持黑白名单存储的传感器数据存储保护方法,其特征在于:利用热动力学模型估计电池内部的温度分布,在此过程中,还需要考虑电池的内阻和微短路故障因素对电池内部温度的影响。
6.根据权利要求1所述的一种支持黑白名单存储的传感器数据存储保护方法,其特征在于:电压数据收集:使用电压分压法,通过使用电阻元器件将电池的电压分压为适合测量的范围,再通过模拟转数字转换器将模拟电压信号转换为数字信号进行收集;
电流数据收集:使用磁电阻或者霍尔传感器来测量电流;
温度数据收集:温度数据的收集通过使用温度传感器来实现。
7.根据权利要求6所述的一种支持黑白名单存储的传感器数据存储保护方法,其特征在于:收集到电压、电流、温度数据后,使用数据采集器或者PLC设备对数据进行处理和记录。
8.根据权利要求1所述的一种支持黑白名单存储的传感器数据存储保护方法,其特征在于:通过光离子化技术传感器捕捉电解液中的有机分子。
9.根据权利要求1所述的一种支持黑白名单存储的传感器数据存储保护方法,其特征在于:加密使用加密算法进行加密。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311732049.1A CN117709194A (zh) | 2023-12-16 | 2023-12-16 | 一种支持黑白名单存储的传感器数据存储保护方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311732049.1A CN117709194A (zh) | 2023-12-16 | 2023-12-16 | 一种支持黑白名单存储的传感器数据存储保护方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117709194A true CN117709194A (zh) | 2024-03-15 |
Family
ID=90154917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311732049.1A Pending CN117709194A (zh) | 2023-12-16 | 2023-12-16 | 一种支持黑白名单存储的传感器数据存储保护方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117709194A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019174653A2 (zh) * | 2019-06-17 | 2019-09-19 | 广东恒翼能科技有限公司 | 一种锂电池热失控预警保护***及方法 |
CN116258059A (zh) * | 2022-12-30 | 2023-06-13 | 广州港科大技术有限公司 | 一种基于多时空宽度学习模型的锂电池温度实时预测模型以及构建方法 |
CN116722249A (zh) * | 2023-07-20 | 2023-09-08 | 江西德泰智控电源有限公司 | 一种电池热失控预警保护***及其保护方法 |
-
2023
- 2023-12-16 CN CN202311732049.1A patent/CN117709194A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019174653A2 (zh) * | 2019-06-17 | 2019-09-19 | 广东恒翼能科技有限公司 | 一种锂电池热失控预警保护***及方法 |
CN116258059A (zh) * | 2022-12-30 | 2023-06-13 | 广州港科大技术有限公司 | 一种基于多时空宽度学习模型的锂电池温度实时预测模型以及构建方法 |
CN116722249A (zh) * | 2023-07-20 | 2023-09-08 | 江西德泰智控电源有限公司 | 一种电池热失控预警保护***及其保护方法 |
Non-Patent Citations (1)
Title |
---|
李达 等: "电动车辆动力电池安全预警策略研究综述", 《汽车工程》, vol. 45, no. 8, 22 August 2023 (2023-08-22), pages 1392 - 1407 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vermeer et al. | A comprehensive review on the characteristics and modeling of lithium-ion battery aging | |
Wang et al. | Voltage fault diagnosis and prognosis of battery systems based on entropy and Z-score for electric vehicles | |
Saji et al. | SoC estimation of lithium ion battery using combined coulomb counting and fuzzy logic method | |
Wei et al. | Lyapunov-based thermal fault diagnosis of cylindrical lithium-ion batteries | |
Panchal et al. | Degradation testing and modeling of 200 ah LiFePO 4 battery | |
CN107124907A (zh) | 用于感知电池单元膨胀的***和方法 | |
CN117007979B (zh) | 基于数据驱动的电源输出掉电异常预警方法 | |
CN111198328A (zh) | 一种电池析锂检测方法及电池析锂检测*** | |
CN105244553B (zh) | 电池充放电电流控制方法和使用其建立bms模型的方法 | |
CN113011007A (zh) | 一种锂离子动力电池热模型参数快速辨识方法及*** | |
Gong | Modeling of lithium-ion battery considering temperature and aging uncertainties | |
CN113295296A (zh) | 一种电池热失控的检测方法及电池管理*** | |
CN112363061A (zh) | 一种基于大数据的热失控风险评估方法 | |
Sun et al. | State-of-health estimation of retired lithium-ion battery module aged at 1C-rate | |
CN116540108A (zh) | 一种电芯容量衰减预警方法、装置、存储介质及设备 | |
CN113866646B (zh) | 基于极化阻抗压升的电池簇不一致性在线监测方法 | |
Gu et al. | A precise minor-fault diagnosis method for lithium-ion batteries based on phase plane sample entropy | |
CN108832187B (zh) | 基于新能源汽车储能需求的锂离子电池的设计方法 | |
Jain et al. | Novel method to estimate SoH of lithium-ion batteries | |
Kharlamova et al. | Cyberattack detection methods for battery energy storage systems | |
Devi et al. | Lithium-ion battery management system: a review | |
Ge et al. | Real-time charging risk assessment for electric vehicles based on improved broad BP-AHP | |
CN117709194A (zh) | 一种支持黑白名单存储的传感器数据存储保护方法 | |
D’Arpino et al. | Lifetime optimization for a grid-friendly dc fast charge station with second life batteries | |
CN110492197B (zh) | 一种基于模糊模型预测控制的锂电池温度控制***和方法 |
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 |