CN118155047A - 一种适用于高寒地区的小型电池管理方法 - Google Patents
一种适用于高寒地区的小型电池管理方法 Download PDFInfo
- Publication number
- CN118155047A CN118155047A CN202410571137.6A CN202410571137A CN118155047A CN 118155047 A CN118155047 A CN 118155047A CN 202410571137 A CN202410571137 A CN 202410571137A CN 118155047 A CN118155047 A CN 118155047A
- Authority
- CN
- China
- Prior art keywords
- battery
- monitoring
- data
- charge
- 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.)
- Granted
Links
- 238000007726 management method Methods 0.000 title claims abstract description 49
- 238000012544 monitoring process Methods 0.000 claims abstract description 59
- 230000036541 health Effects 0.000 claims abstract description 33
- 230000008859 change Effects 0.000 claims abstract description 31
- 238000009826 distribution Methods 0.000 claims abstract description 23
- 238000005516 engineering process Methods 0.000 claims abstract description 23
- 238000003745 diagnosis Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 44
- 238000004458 analytical method Methods 0.000 claims description 30
- 238000003860 storage Methods 0.000 claims description 23
- 238000013528 artificial neural network Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 18
- 238000007600 charging Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 230000005856 abnormality Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000013461 design Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000000007 visual effect Effects 0.000 claims description 9
- 238000007405 data analysis Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 6
- 230000008602 contraction Effects 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000013500 data storage Methods 0.000 claims description 6
- 230000007547 defect Effects 0.000 claims description 6
- 239000002245 particle Substances 0.000 claims description 6
- 238000001931 thermography Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000032683 aging Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010277 constant-current charging Methods 0.000 description 1
- 238000010281 constant-current constant-voltage charging Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000003245 working effect Effects 0.000 description 1
Classifications
-
- 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
- Secondary Cells (AREA)
Abstract
本申请提供一种适用于高寒地区的小型电池管理方法,该方法包括通过专门设计的图像采集模块,对电池表面和内部结构进行连续或定时捕获,得到高清晰度的图像数据,同时利用深度学习和计算机视觉算法分析图像数据,以识别电池的微观结构变化、温度分布不均、电池表面的裂纹或变形等问题;综合图像诊断结果和电池的充放电历史数据,评估电池的健康状况和性能指标,实现状态的实时监控;本发明通过上述技术能够提高电池的使用效率和确保其在各种应用环境下的安全运行。
Description
技术领域
本发明涉及电池管理技术领域,特别是适用于高寒地区的小型电池管理方法和***。
背景技术
随着新能源技术的发展,电池在各种领域得到了广泛应用。然而,在高寒地区,低温环境对电池的性能和寿命产生了严重的影响。由于低温环境下电池的内阻增加,电池的容量和输出功率都会显著下降。此外,高寒地区的恶劣气候条件还会导致电池的表面裂纹、变形等问题,进一步影响电池的性能和安全性。
同时传统方式下,极地高寒环境下小型电池管理***通常存在以下劣势:对于实时监测和预警能力有限,无法及时发现电池状态异常;缺乏自动化的故障诊断和预测功能,需要人工干预辅助判断;循环次数、容量等参数的管理方式相对粗糙,无法精准评估电池的健康状况;对于大规模数据的处理和分析能力较弱,难以深入挖掘电池性能指标;长期使用下,***稳定性和可靠性有待提高。
因此,对于高寒地区的小型电池,实时监控其状态和健康状况,以及及时发现和解决潜在问题,对于保障电池的正常运行至关重要。
同时,计算机视觉技术包括图像处理、模式识别、深度学习算法和神经网络视觉算法等。这些技术可以用于实时监测电池状态、识别电池表面裂纹、分析温度分布等,从而评估电池的健康状况和性能指标。而且随着轻量级神经网络框架的更新迭代,轻量级神经网络在极地高寒环境下小型电池管理中的应用具备很多优势。这种应用的优势在于能够在资源受限的环境中高效运行,实现对电池状态的实时监测、故障诊断和性能评估。通过轻量级神经网络的应用,可以有效提高电池管理***在极地高寒环境下的性能和可靠性。因此,利用轻量级神经网络集成化设计,将其应用在极地高寒等极端环境下的电池管理***中,成为提高电池管理提高适用性的可行性的方案之一。
发明内容
本发明的目的在于提供一种适用于高寒地区的小型电池管理方法、***、设备和介质,旨在解决小型电池适应各种极端环境下安全运行的监测问题。
为了解决上述技术问题,本发明提供如下技术方案:
一种适用于高寒地区的小型电池管理方法,其特征在于,所述方法包括以下步骤:
a. 定时捕获电池表面和内部结构的图像数据;
b. 利用轻量级神经网络分析所述图像数据;所述分析具体包括识别电池的微观结构变化、温度分布、电池表面的裂纹以及变形问题;
所述微观结构变化的分析包括正极、负极、隔膜组件的变化情况,检测所述电池是否存在颗粒堆积、晶格疏松问题;
所述温度分布的分析包括利用热成像技术获取电池内部及表面的温度分布情况,识别是否存在过热区域,评估电池的热管理效果;
所述电池表面的裂纹以及变形问题的分析包括通过图像识别技术对所述电池外壳表面进行扫描,检测裂纹、变形的缺陷,评估电池的结构完整性;分析电池形态是否发生变化,包括膨胀、收缩,判断电池是否存在异常变形情况,评估电池的健康状况;
c. 综合图像识别、诊断结果和电池的充放电历史数据,评估电池的健康状况和性能指标;所述性能指标包括剩余容量、内阻变化、循环寿命预测;
d. 实现对电池状态的实时监控以及预警。
可选地,所述步骤a具体包括:
通过安装的图像采集模块采集图像数据,所述图像采集模块内置传感器,用于监测电池的温度、电压、电流参数;将采集到的数据输入至模块内部进行处理,将其转换成数字信号;
通过微型相机拍摄电池的外部形态或内部结构信息;对采集到的图像数据进行分析和识别,包括识别电池的型号、容量;
状态监控与报警: 根据采集到的数据和分析结果,判断电池的状态,所述状态包括充电、放电、温度过高,并在需要时发出警报。
可选地,在所述步骤b中,所述轻量级神经网络具体是AFFNet;
所述AFFNet利用自适应频率过滤器来提取电池图像中的频率信息,所述过滤器根据图像内容自动调整,以捕获重要的频率特征;所述AFFNet使用全局令牌混合器来整合从自适应频率过滤器中提取的信息,在不同的频率通道之间进行信息交换和整合;通过自适应频率过滤器和全局令牌混合器的结合,完成电池图像状态的识别。
可选地,所述识别过程具体包括:
所述AFFNet利用卷积神经网络结构提取电池数据中的特征信息,捕获电池状态的关键特征;
所述AFFNet引入了频率域操作,通过频率域上的不同滤波器对特征进行处理,提高对电池状态的敏感性和区分度;
所述AFFNet设计了特殊的约束函数,结合频率域操作后的特征表示,对电池状态进行识别和分类;所述约束函数是一个带有非线性激活函数的线性层,用于处理在频率域操作后得到的特征表示,具体采用如下结构:
Linear ReLU;
其中,Linear表示线性层,所述线性层具体是1×1卷积层,ReLU表示修正线性单元激活函数;
反向传播:所述AFFNet通过反向传播算法优化网络参数,实现电池状态的有效监测和诊断。
可选地,在步骤c中:
通过实时监测电池的充电状态、放电状态和电压变化信息,结合电池的内阻变化来估算剩余容量;
通过定期测量电池的内阻,记录电池的健康状况和老化程度;
根据电池的循环充放电历史数据,结合电池的工作温度、充电倍率,使用模型对电池的循环寿命进行预测;
将图像识别结果、诊断数据和历史充放电数据进行综合分析,利用深度学习算法对电池的健康状况和性能指标进行综合评估。
可选地,所述步骤d具体包括:
监测电池工作的环境温度,设定温度阈值以确保电池在安全范围内运行,当监测的环境温度≥-20℃或≤-40℃时,进行预警;
实时监测电池的电压输出,当所述电压<11V或>13.5V时,进行预警;
监测电池的充放电电流,设置充放电电流的阈值范围在设备额定工作电流的70%至90%之间;
监测电池容量的变化,当所述电池容量降低到设定容量的20%以下,进行预警;
监测电池的充放电循环次数,当电池的充放电循环次数达到500次以上,进行预警;
监测电池与***之间的通信状态。
可选地,所述监测电池与***之间的通信状态具体包括:
定期检查电池与***之间的通信接口,确保连接稳定可靠;实时监测通信信号的传输质量,包括信号强度和稳定性,以确保数据传输的准确性;设定通信异常的检测机制,一旦发现通信故障或异常,及时进行诊断并发出预警信息,同时对传输的数据进行完整性验证,确保数据在传输过程中不会丢失或损坏。
可选地,所述电池管理方法还包括对电池进行远程控制和维护;对电池进行故障诊断和预测;对电池进行温度控制和保护;对电池进行充放电控制和优化;对电池进行容量估计和预测;对电池进行安全性评估和预警;对电池进行数据存储和分析。
一种适用于高寒地区的小型电池管理***,其特征在于,
图像采集模块,用于定时捕获电池表面和内部结构的图像数据;所述图像采集模块通过低功耗广域网LPWAN技术将图像数据上传至监控中心;
计算机视觉模块,用于集成神经网络框架;利用轻量级神经网络分析所述图像数据;所述分析具体包括识别电池的微观结构变化、温度分布、电池表面的裂纹以及变形问题;
所述微观结构变化的分析包括正极、负极、隔膜组件的变化情况,检测所述电池是否存在颗粒堆积、晶格疏松问题;
所述温度分布的分析包括利用热成像技术获取电池内部及表面的温度分布情况,识别是否存在过热区域,评估电池的热管理效果;
所述电池表面的裂纹以及变形问题的分析包括通过图像识别技术对所述电池外壳表面进行扫描,检测裂纹、变形的缺陷,评估电池的结构完整性;分析电池形态是否发生变化,包括膨胀、收缩,判断电池是否存在异常变形情况,评估电池的健康状况;
电池健康评估模块,该模块综合图像识别、诊断结果和电池的充放电历史数据,评估电池的健康状况和性能指标;所述性能指标包括剩余容量、内阻变化、循环寿命预测;
可视化预警模块,实现对电池状态的实时监控以及预警。
可选地,所述可视化预警还包括:
实时监测模块,用于实时监测电池的各项参数,包括温度、电压、电流;
故障诊断与预测模块,用于检测电池的异常情况,并预测潜在故障,以便及时采取措施;
温度控制与保护模块,负责监控和调节电池的温度,确保在极寒环境下电池工作正常并且安全;
充放电控制与优化模块,管理电池的充放电过程,以提高电池的性能和延长寿命;
容量估计与预测模块,评估电池的电量容量,预测电池的可用能量;
安全性评估与预警模块,对电池的工作状态进行安全性评估,并在发现异常时发出预警信息;
数据存储与分析模块,负责存储电池的历史数据,并对数据进行分析,为健康状况和性能指标的评估提供支持。
本发明还提供一种计算机设备,其特征在于,包括:至少一个处理器;和存储器,所述存储器存储有处理器可运行的程序代码,所述程序代码在被处理器运行时实施所述的方法。
本发明还提供一种计算机可读存储介质,其特征在于,包括可被处理器执行的程序代码,所述程序代码在被处理器执行时实施所述的方法。
本发明具有以下有益的技术效果:本发明提供一种适用于高寒地区的小型电池管理方法和***。通过专门设计的图像采集模块,对电池表面和内部结构进行连续或定时捕获,得到高清晰度的图像数据;利用深度学习和计算机视觉算法分析图像数据,以识别电池的微观结构变化、温度分布不均、电池表面的裂纹或变形等问题;综合图像诊断结果和电池的充放电历史数据,评估电池的健康状况和性能指标,实现状态的实时监控;通过图像处理检测到的异常及时触发安全机制,如断开电池连接、调整充放电参数等,以防止电池过热、漏液和其他潜在危险;基于电池状态的准确评估,调整管理策略,优化充放电周期和功率分配,提升电池的工作效率和使用寿命。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1为本发明的实施例提供的一种高寒地区小型电池管理方法流程图;
图2为本发明的实施例提供的计算机视觉算法流程图;
图3为本发明的实施例提供的一种高寒地区小型电池管理***示意图;
图4为本发明的实施例提供的可视化预警模块的功能组成图;
图5是本发明的实施例提供的计算机设备示意图;
图6是本发明的实施例提供的计算机可读介质的结构示意图。
具体实施方式
下面结合附图对本申请实施例进行详细描述。
以下通过特定的具体实例说明本申请的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。本申请还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本申请的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
要说明的是,下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见,本文中所描述的方面可体现于广泛多种形式中,且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本申请,所属领域的技术人员应了解,本文中所描述的一个方面可与任何其它方面独立地实施,且可以各种方式组合这些方面中的两者或两者以上。举例来说,可使用本文中所阐述的任何数目和方面来实施设备及/或实践方法。另外,可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是,以下实施例中所提供的图示仅以示意方式说明本申请的基本构想,图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
另外,在以下描述中,提供具体细节是为了便于透彻理解实例。然而,所属领域的技术人员将理解,可在没有这些特定细节的情况下实践。
本发明的目的在于提供一种适用于高寒地区的小型电池管理方法及***,旨在提高小型电池在极端环境下安全运行管理的适应性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照如图1,示出本申请一实施例的一种适用于高寒地区的小型电池管理方法,所述方法包括:
所述方法包括以下步骤:
a. 定时捕获电池表面和内部结构的图像数据;
b. 利用轻量级神经网络分析所述图像数据;
c. 综合图像识别、诊断结果和电池的充放电历史数据,评估电池的健康状况和性能指标;
d. 实现对电池状态的实时监控以及预警。
在本申请的实施例中,所述步骤a具体包括:
通过安装的图像采集模块采集图像数据,所述图像采集模块内置传感器,用于监测电池的温度、电压、电流参数;将采集到的数据输入至模块内部进行处理,将其转换成数字信号;
通过微型相机拍摄电池的外部形态或内部结构信息;对采集到的图像数据进行分析和识别,包括识别电池的型号、容量;
状态监控与报警: 根据采集到的数据和分析结果,判断电池的状态,所述状态包括充电、放电、温度过高,并在需要时发出警报。
本申请实施例中,所述的对图像数据的分析具体包括识别电池的微观结构变化、温度分布、电池表面的裂纹以及变形问题;
所述微观结构变化的分析包括正极、负极、隔膜组件的变化情况,检测所述电池是否存在颗粒堆积、晶格疏松问题;
所述温度分布的分析包括利用热成像技术获取电池内部及表面的温度分布情况,识别是否存在过热区域,评估电池的热管理效果;
所述电池表面的裂纹以及变形问题的分析包括通过图像识别技术对所述电池外壳表面进行扫描,检测裂纹、变形的缺陷,评估电池的结构完整性;分析电池形态是否发生变化,包括膨胀、收缩,判断电池是否存在异常变形情况,评估电池的健康状况;
可选地,在所述步骤b中,所述轻量级神经网络具体是AFFNet(AdaptiveFrequency Filter);其中图2示出了本发明的实施例提供的计算机视觉算法流程图;
所述AFFNet利用自适应频率过滤器来提取电池图像中的频率信息,所述过滤器根据图像内容自动调整,以捕获重要的频率特征;所述AFFNet使用全局令牌混合器来整合从自适应频率过滤器中提取的信息,在不同的频率通道之间进行信息交换和整合;通过自适应频率过滤器和全局令牌混合器的结合,完成电池图像状态的识别。
可选地,所述AFFNet用于电池状态识别主要包括以下步骤:
数据预处理:首先,收集并准备电池状态的数据集,包括电池的各种特征参数和对应的状态标签。
特征提取:利用AFFNet的轻量级网络结构提取电池数据中的特征信息,通过多个AFF块堆叠构建网络的主干部分。
特征融合:采用公共实践,在每个阶段使用卷积干预进行特征标记,并使用简单融合技术结合局部和全局特征。
不同版本网络的构建:构建不同参数规模的AFFNet版本,如AFFNet、AFFNet-T和AFFNet-ET,以适应不同的应用场景。
模型训练:利用准备好的数据集对AFFNet模型进行训练,优化损失函数以实现对电池状态的准确识别。
模型评估:通过评估训练后的AFFNet模型在测试数据集上的表现,评估其对电池状态的识别性能。
总的来说,AFFNet通过提取特征、融合信息和训练模型的方式,实现对电池状态进行准确识别。
可选地,所述识别过程可以但不限于包括:
所述AFFNet利用卷积神经网络结构提取电池数据中的特征信息,捕获电池状态的关键特征;
所述AFFNet引入了频率域操作,通过频率域上的不同滤波器对特征进行处理,提高对电池状态的敏感性和区分度;
所述AFFNet设计了特殊的约束函数,结合频率域操作后的特征表示,对电池状态进行识别和分类;所述约束函数是一个带有非线性激活函数的线性层,用于处理在频率域操作后得到的特征表示,具体采用如下结构:
Linear ReLU;
其中,Linear表示线性层,所述线性层具体是1×1卷积层,ReLU表示修正线性单元激活函数;
反向传播:所述AFFNet通过反向传播算法优化网络参数,实现电池状态的有效监测和诊断。
因此,AFFNet轻量级网络,适用于电池状态管理,特别是在极寒高低环境中具有高效性能:AFFNet采用自适应频率过滤器和全局令牌混合器,能够高效提取电池图像的频率信息,实现状态的识别和管理;自适应性:自适应频率过滤器能够根据电池图像内容自动调整,捕获重要的频率特征,从而适应不同环境和场景的需求;信息整合:全局令牌混合器在不同频率通道之间进行信息交换和整合,帮助综合分析电池状态,提高管理效率;轻量级设计:AFFNet是一种轻量级网络,适用于资源有限的极端环境,能够在保证性能的情况下降低计算和内存消耗等诸多优势。
本申请实施例中,在步骤c中:
可选地,所述性能指标包括剩余容量、内阻变化、循环寿命预测。
可选地,步骤c通过实时监测电池的充电状态、放电状态和电压变化信息,结合电池的内阻变化来估算剩余容量;
通过定期测量电池的内阻,记录电池的健康状况和老化程度;
根据电池的循环充放电历史数据,结合电池的工作温度、充电倍率,使用模型对电池的循环寿命进行预测;
将图像识别结果、诊断数据和历史充放电数据进行综合分析,利用深度学习算法对电池的健康状况和性能指标进行综合评估。
可选地,深度学习算法在电池健康状况与性能评估中常用的包括但不限于:
卷积神经网络(Convolutional Neural Networks,CNN):用于图像处理和特征提取,可应用于电池图像识别和分析。
循环神经网络(Recurrent Neural Networks,RNN):适用于序列数据分析,可用于处理电池的充放电历史数据。
长短期记忆网络(Long Short-Term Memory,LSTM):一种特殊的RNN,适用于处理时间序列数据,可用于电池循环寿命预测。
自动编码器(Autoencoders):用于特征学习和数据降维,可帮助提取电池健康状态的关键特征。
以上算法可结合实际需求和数据特征进行选择和调整,以实现对电池健康状况和性能指标的综合评估。
本申请实施例中,所述步骤d具体包括:
监测电池工作的环境温度,设定温度阈值以确保电池在安全范围内运行,当监测的环境温度≥-20℃或≤-40℃时,进行预警;
实时监测电池的电压输出,当所述电压<11V或>13.5V时,进行预警;
监测电池的充放电电流,设置充放电电流的阈值范围在设备额定工作电流的70%至90%之间;
监测电池容量的变化,当所述电池容量降低到设定容量的20%以下,进行预警;
监测电池的充放电循环次数,当电池的充放电循环次数达到500次以上,进行预警;
监测电池与***之间的通信状态。
可选地,所述监测电池与***之间的通信状态具体包括:
定期检查电池与***之间的通信接口,确保连接稳定可靠;实时监测通信信号的传输质量,包括信号强度和稳定性,以确保数据传输的准确性;设定通信异常的检测机制,一旦发现通信故障或异常,及时进行诊断并发出预警信息,同时对传输的数据进行完整性验证,确保数据在传输过程中不会丢失或损坏。
可选地,参数阈值的具体设置应根据电池类型、规格以及极寒环境下的工作特点而定。建议根据实际情况和电池性能表,结合经验或专业建议设定合适的阈值,确保电池在恶劣环境下保持良好的工作状态。
优选地,所述电池管理方法还包括对电池进行远程控制和维护;对电池进行故障诊断和预测;对电池进行温度控制和保护;对电池进行充放电控制和优化;对电池进行容量估计和预测;对电池进行安全性评估和预警;对电池进行数据存储和分析。
可选地,在极寒高地环境下,为了准确评估电池状态并优化管理策略,提升电池的工作效率和使用寿命,可以采取以下措施:
温度管理:实时监测电池的温度,并采取措施控制温度在适宜范围内。可以使用加热装置或保温材料来提供适宜的工作温度。
充放电控制:根据电池的温度和电荷状态,调整充放电周期和功率分配。在极寒环境下,电池的充电速度可能会变慢,因此需要调整充电策略以避免过度充电或过度放电。
电池保护:通过电池管理***监测电池的电流、电压和温度等参数,及时发现异常情况并采取保护措施,如过充保护、过放保护和短路保护等,以确保电池的安全运行。
周期性维护:定期对电池进行维护,包括清洁电池表面、检查电池连接器和绝缘层的状态等,以确保电池的正常工作。
优化充电策略:根据电池的特性和环境条件,优化充电策略,如采用恒流充电、恒压充电或混合充电等方式,以提高充电效率和延长电池寿命。
电池容量估计:通过监测电池的电流和电压变化,结合电池的充放电历史数据,估计电池的容量,以便更准确地评估电池的状态和剩余寿命。
数据分析和优化:利用深度学习和机器学习算法,对电池的工作数据进行分析和建模,以优化管理策略和预测电池的寿命。
通过以上措施,可以实现对极寒高地环境下小型电池的准确评估和优化管理,提升电池的工作效率和使用寿命。
参照图3,示出了本申请一实施例的一种高寒地区小型电池管理***,所述管理***包括:图像采集模块、计算机视觉模块、电池健康评估模块以及可视化预警模块。
具体地,图像采集模块,用于定时捕获电池表面和内部结构的图像数据;所述图像采集模块通过低功耗广域网LPWAN技术将图像数据上传至监控中心。
其中,图像采集模块通过LPWAN技术将图像数据上传至监控中心是利用低功耗广域网技术实现对电池表面和内部的图像数据进行定时捕获和传输。这种技术具有覆盖范围广、功耗低、成本低廉等优势,适合在极地高寒等环境下进行长期的电池监测和管理。
具体地,计算机视觉模块,用于集成神经网络框架;利用轻量级神经网络分析所述图像数据;所述分析具体包括识别电池的微观结构变化、温度分布、电池表面的裂纹以及变形问题;
所述微观结构变化的分析包括正极、负极、隔膜组件的变化情况,检测所述电池是否存在颗粒堆积、晶格疏松问题;
所述温度分布的分析包括利用热成像技术获取电池内部及表面的温度分布情况,识别是否存在过热区域,评估电池的热管理效果;
所述电池表面的裂纹以及变形问题的分析包括通过图像识别技术对所述电池外壳表面进行扫描,检测裂纹、变形的缺陷,评估电池的结构完整性;分析电池形态是否发生变化,包括膨胀、收缩,判断电池是否存在异常变形情况,评估电池的健康状况。
其中,轻量级神经网络框架的集成具有实时性:能够快速响应电池状态变化,及时发现问题并采取措施,提高电池的可靠性和安全性;精准度:通过深度学习算法提高了对电池状态的准确识别和评估,降低误判率,提升监控效果;节能高效:轻量级设计不仅减小了功耗,延长了设备寿命,也提高了监控***的稳定性和可靠性;自动化管理:集成芯片实现了自动化的电池状态监控和预警,减轻了人工干预负担,提高了管理效率。这些优势使得轻量级神经网络集成芯片在极寒环境下对电池状态进行监控的工作效果更为出色。
具体地,电池健康评估模块,该模块综合图像识别、诊断结果和电池的充放电历史数据,评估电池的健康状况和性能指标;所述性能指标包括剩余容量、内阻变化、循环寿命预测;
具体地,可视化预警模块,实现对电池状态的实时监控以及预警。
可选地,图4示出了可视化预警模块的功能组成图。
所述可视化预警模块还包括:
实时监测模块,用于实时监测电池的各项参数,包括温度、电压、电流;
故障诊断与预测模块,用于检测电池的异常情况,并预测潜在故障,以便及时采取措施;
温度控制与保护模块,负责监控和调节电池的温度,确保在极寒环境下电池工作正常并且安全;
充放电控制与优化模块,管理电池的充放电过程,以提高电池的性能和延长寿命;
容量估计与预测模块,评估电池的电量容量,预测电池的可用能量;
安全性评估与预警模块,对电池的工作状态进行安全性评估,并在发现异常时发出预警信息;
数据存储与分析模块,负责存储电池的历史数据,并对数据进行分析,为健康状况和性能指标的评估提供支持。
基于同一发明构思,根据本发明的另一个方面,如图5所示,本发明的实施例还提供了一种计算机设备501,包括:
至少一个处理器520;以及
存储器510,存储器510存储有可在处理器上运行的计算机程序511,处理器520执行程序时执行如上的任一种测试数据库性能的方法的步骤。
基于同一发明构思,根据本发明的另一个方面,如图6所示,本发明的实施例还提供了一种计算机可读存储介质601,计算机可读存储介质601存储有计算机程序指令610,计算机程序指令610被处理器执行时执行如上的任一种管理方法的步骤。
最后需要说明的是,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关硬件来完成,程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,的存储介质可为磁碟、光盘、只读存储记忆体(ROM)或随机存储记忆体(RAM)等。上述计算机程序的实施例,可以达到与之对应的前述任意方法实施例相同或者相类似的效果。
此外,典型地,本发明实施例公开的装置、设备等可为各种电子终端设备,例如手机、个人数字助理(PDA)、平板电脑(PAD)、智能电视等,也可以是大型终端设备,如服务器等,因此本发明实施例公开的保护范围不应限定为某种特定类型的装置、设备。本发明实施例公开的客户端可以是以电子硬件、计算机软件或两者的组合形式应用于上述任意一种电子终端设备中。
此外,根据本发明实施例公开的方法还可以被实现为由CPU执行的计算机程序,该计算机程序可以存储在计算机可读存储介质中。在该计算机程序被CPU执行时,执行本发明实施例公开的方法中限定的上述功能。
此外,上述方法步骤以及***单元也可以利用控制器以及用于存储使得控制器实现上述步骤或单元功能的计算机程序的计算机可读存储介质实现。
此外,应该明白的是,本文的计算机可读存储介质(例如,存储器)可以是易失性存储器或非易失性存储器,或者可以包括易失性存储器和非易失性存储器两者。作为例子而非限制性的,非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦写可编程ROM(EEPROM)或快闪存储器。易失性存储器可以包括随机存取存储器(RAM),该RAM可以充当外部高速缓存存储器。作为例子而非限制性的,RAM可以以多种形式获得,比如同步RAM(DRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDRSDRAM)、增强SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)、以及直接Rambus RAM(DRRAM)。所公开的方面的存储设备意在包括但不限于这些和其它合适类型的存储器。
本领域技术人员还将明白的是,结合这里的公开所描述的各种示例性逻辑块、模块、电路和算法步骤可以被实现为电子硬件、计算机软件或两者的组合。为了清楚地说明硬件和软件的这种可互换性,已经就各种示意性组件、方块、模块、电路和步骤的功能对其进行了一般性的描述。这种功能是被实现为软件还是被实现为硬件取决于具体应用以及施加给整个***的设计约束。本领域技术人员可以针对每种具体应用以各种方式来实现的功能,但是这种实现决定不应被解释为导致脱离本发明实施例公开的范围。
结合这里的公开所描述的各种示例性逻辑块、模块和电路可以利用被设计成用于执行这里功能的下列部件来实现或执行:通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。通用处理器可以是微处理器,但是可替换地,处理器可以是任何传统处理器、控制器、微控制器或状态机。处理器也可以被实现为计算设备的组合,例如,DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP和/或任何其它这种配置。
结合这里的公开所描述的方法或算法的步骤可以直接包含在硬件中、由处理器执行的软件模块中或这两者的组合中。软件模块可以驻留在RAM存储器、快闪存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动盘、CD-ROM、或本领域已知的任何其它形式的存储介质中。示例性的存储介质被耦合到处理器,使得处理器能够从该存储介质中读取信息或向该存储介质写入信息。在一个替换方案中,存储介质可以与处理器集成在一起。处理器和存储介质可以驻留在ASIC中。ASIC可以驻留在用户终端中。在一个替换方案中,处理器和存储介质可以作为分立组件驻留在用户终端中。
在一个或多个示例性设计中,功能可以在硬件、软件、固件或其任意组合中实现。如果在软件中实现,则可以将功能作为一个或多个指令或代码存储在计算机可读介质上或通过计算机可读介质来传送。计算机可读介质包括计算机存储介质和通信介质,该通信介质包括有助于将计算机程序从一个位置传送到另一个位置的任何介质。存储介质可以是能够被通用或专用计算机访问的任何可用介质。作为例子而非限制性的,该计算机可读介质可以包括RAM、ROM、EEPROM、CD-ROM或其它光盘存储设备、磁盘存储设备或其它磁性存储设备,或者是可以用于携带或存储形式为指令或数据结构的所需程序代码并且能够被通用或专用计算机或者通用或专用处理器访问的任何其它介质。此外,任何连接都可以适当地称为计算机可读介质。例如,如果使用同轴线缆、光纤线缆、双绞线、数字用户线路(DSL)或诸如红外线、无线电和微波的无线技术来从网站、服务器或其它远程源发送软件,则上述同轴线缆、光纤线缆、双绞线、DSL或诸如红外线、无线电和微波的无线技术均包括在介质的定义。如这里所使用的,磁盘和光盘包括压缩盘(CD)、激光盘、光盘、数字多功能盘(DVD)、软盘、蓝光盘,其中磁盘通常磁性地再现数据,而光盘利用激光光学地再现数据。上述内容的组合也应当包括在计算机可读介质的范围内。
以上是本发明公开的示例性实施例,但是应当注意,在不背离权利要求限定的本发明实施例公开的范围的前提下,可以进行多种改变和修改。根据这里描述的公开实施例的方法权利要求的功能、步骤和/或动作不需以任何特定顺序执行。此外,尽管本发明实施例公开的元素可以以个体形式描述或要求,但除非明确限制为单数,也可以理解为多个。
应当理解的是,在本文中使用的,除非上下文清楚地支持例外情况,单数形式“一个”旨在也包括复数形式。还应当理解的是,在本文中使用的“和/或”是指包括一个或者一个以上相关联地列出的项目的任意和所有可能组合。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
本说明书中,各个实施例之间相同相似的部分互相参见即可,每个实施例侧重说明的都是与其他实施例的不同之处。尤其,对于后面说明的实施例而言,描述比较简单,相关之处参见前述实施例的部分说明即可。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种适用于高寒地区的小型电池管理方法,其特征在于,所述方法包括以下步骤:
a. 定时捕获电池表面和内部结构的图像数据;
b. 利用轻量级神经网络分析所述图像数据;所述分析具体包括识别电池的微观结构变化、温度分布、电池表面的裂纹以及变形问题;
所述微观结构变化的分析包括正极、负极、隔膜组件的变化情况,检测所述电池是否存在颗粒堆积、晶格疏松问题;
所述温度分布的分析包括利用热成像技术获取电池内部及表面的温度分布情况,识别是否存在过热区域,评估电池的热管理效果;
所述电池表面的裂纹以及变形问题的分析包括通过图像识别技术对电池外壳表面进行扫描,检测裂纹、变形的缺陷,评估电池的结构完整性;分析电池形态是否发生变化,包括膨胀、收缩,判断电池是否存在异常变形情况,评估电池的健康状况;
c. 综合图像识别、诊断结果和电池的充放电历史数据,评估电池的健康状况和性能指标;所述性能指标包括剩余容量、内阻变化、循环寿命预测;
d. 实现对电池状态的实时监控以及预警。
2.根据权利要求1所述的一种适用于高寒地区的小型电池管理方法,其特征在于,所述步骤a具体包括:
通过安装的图像采集模块采集图像数据,所述图像采集模块内置传感器,用于监测电池的温度、电压、电流参数;将采集到的数据输入至模块内部进行处理,将其转换成数字信号;
通过微型相机拍摄电池的外部形态或内部结构信息;对采集到的图像数据进行分析和识别,包括识别电池的型号、容量;
状态监控与报警: 根据采集到的数据和分析结果,判断电池的状态,所述电池的状态包括充电、放电、温度过高,并在需要时发出警报。
3.根据权利要求1所述的一种适用于高寒地区的小型电池管理方法,其特征在于,在所述步骤b中,所述轻量级神经网络具体是AFFNet;所述AFFNet利用自适应频率过滤器来提取电池图像中的频率信息,所述过滤器根据图像内容自动调整,以捕获重要的频率特征;所述AFFNet使用全局令牌混合器来整合从自适应频率过滤器中提取的信息,在不同的频率通道之间进行信息交换和整合;通过自适应频率过滤器和全局令牌混合器的结合,完成电池图像状态的识别,所述识别过程具体包括:
所述AFFNet利用卷积神经网络结构提取电池数据中的特征信息,捕获电池状态的关键特征;
所述AFFNet引入了频率域操作,通过频率域上的不同滤波器对特征进行处理,提高对电池状态的敏感性和区分度;
所述AFFNet设计了特殊的约束函数,结合频率域操作后的特征表示,对电池状态进行识别和分类;所述特殊的约束函数是一个带有非线性激活函数的线性层,用于处理在频率域操作后得到的特征表示,具体采用如下结构:
Linear ReLU;
其中,Linear表示线性层,所述线性层具体是1×1卷积层,ReLU表示修正线性单元激活函数;
反向传播:所述AFFNet通过反向传播算法优化网络参数,实现电池状态的有效监测和诊断。
4.根据权利要求1所述的一种适用于高寒地区的小型电池管理方法,在步骤c中:
通过实时监测电池的充电状态、放电状态和电压变化信息,结合电池的内阻变化来估算剩余容量;
通过定期测量电池的内阻,记录电池的健康状况和老化程度;
根据电池的循环充放电历史数据,结合电池的工作温度、充电倍率,使用模型对电池的循环寿命进行预测;
将图像识别结果、诊断数据和历史充放电数据进行综合分析,利用深度学习算法对电池的健康状况和性能指标进行综合评估。
5.根据权利要求1所述的一种适用于高寒地区的小型电池管理方法,所述步骤d具体包括:
监测电池工作的环境温度,设定温度阈值以确保电池在安全范围内运行,当监测的环境温度≥-20℃或≤-40℃时,进行预警;
实时监测电池的电压输出,当所述电压<11V或>13.5V时,进行预警;
监测电池的充放电电流,设置充放电电流的阈值范围在设备额定工作电流的70%至90%之间;
监测电池容量的变化,当所述电池容量降低到设定容量的20%以下,进行预警;
监测电池的充放电循环次数,当电池的充放电循环次数达到500次以上,进行预警;
监测电池与***之间的通信状态,具体包括:
定期检查电池与***之间的通信接口,确保连接稳定可靠;实时监测通信信号的传输质量,包括信号强度和稳定性,以确保数据传输的准确性;设定通信异常的检测机制,一旦发现通信故障或异常,及时进行诊断并发出预警信息,同时对传输的数据进行完整性验证,确保数据在传输过程中不会丢失或损坏。
6.根据权利要求1所述的一种适用于高寒地区的小型电池管理方法,其特征在于,所述电池管理方法还包括对电池进行远程控制和维护;对电池进行故障诊断和预测;对电池进行温度控制和保护;对电池进行充放电控制和优化;对电池进行容量估计和预测;对电池进行安全性评估和预警;对电池进行数据存储和分析。
7.一种适用于高寒地区的小型电池管理***,用于实现权利要求1-6中任一项所述一种适用于高寒地区的小型电池管理方法,其特征在于,
图像采集模块,用于定时捕获电池表面和内部结构的图像数据;所述图像采集模块通过低功耗广域网LPWAN技术将图像数据上传至监控中心;
计算机视觉模块,用于集成神经网络框架;利用轻量级神经网络分析所述图像数据;所述分析具体包括识别电池的微观结构变化、温度分布、电池表面的裂纹以及变形问题;
所述微观结构变化的分析包括正极、负极、隔膜组件的变化情况,检测所述电池是否存在颗粒堆积、晶格疏松问题;
所述温度分布的分析包括利用热成像技术获取电池内部及表面的温度分布情况,识别是否存在过热区域,评估电池的热管理效果;
所述电池表面的裂纹以及变形问题的分析包括通过图像识别技术对电池外壳表面进行扫描,检测裂纹、变形的缺陷,评估电池的结构完整性;分析电池形态是否发生变化,包括膨胀、收缩,判断电池是否存在异常变形情况,评估电池的健康状况;
电池健康评估模块,该模块综合图像识别、诊断结果和电池的充放电历史数据,评估电池的健康状况和性能指标;所述性能指标包括剩余容量、内阻变化、循环寿命预测;
可视化预警模块,实现对电池状态的实时监控以及预警。
8.根据权利要求7所述的一种适用于高寒地区的小型电池管理***,所述可视化预警模块还包括:
实时监测模块,用于实时监测电池的各项参数,包括温度、电压、电流;
故障诊断与预测模块,用于检测电池的异常情况,并预测潜在故障,以便及时采取措施;
温度控制与保护模块,负责监控和调节电池的温度,确保在极寒环境下电池工作正常并且安全;
充放电控制与优化模块,管理电池的充放电过程,以提高电池的性能和延长寿命;
容量估计与预测模块,评估电池的电量容量,预测电池的可用能量;
安全性评估与预警模块,对电池的工作状态进行安全性评估,并在发现异常时发出预警信息;
数据存储与分析模块,负责存储电池的历史数据,并对数据进行分析,为健康状况和性能指标的评估提供支持。
9.一种计算机设备,其特征在于,包括:至少一个处理器;和存储器,所述存储器存储有处理器可运行的程序代码,所述程序代码在被处理器运行时实施如权利要求1-6中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,包括可被处理器执行的程序代码,所述程序代码在被处理器执行时实施如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410571137.6A CN118155047B (zh) | 2024-05-10 | 2024-05-10 | 一种适用于高寒地区的小型电池管理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410571137.6A CN118155047B (zh) | 2024-05-10 | 2024-05-10 | 一种适用于高寒地区的小型电池管理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118155047A true CN118155047A (zh) | 2024-06-07 |
CN118155047B CN118155047B (zh) | 2024-07-23 |
Family
ID=91296949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410571137.6A Active CN118155047B (zh) | 2024-05-10 | 2024-05-10 | 一种适用于高寒地区的小型电池管理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118155047B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102755966A (zh) * | 2012-07-31 | 2012-10-31 | 河南电力试验研究院 | 一种动力电池梯级利用分选评估方法 |
WO2023130776A1 (zh) * | 2022-01-07 | 2023-07-13 | 国网浙江省电力有限公司电力科学研究院 | 储能电站电池工况健康状态预测方法及*** |
CN116990692A (zh) * | 2023-09-28 | 2023-11-03 | 深圳康普盾科技股份有限公司 | 一种锂电池的健康状况评估与剩余寿命预测方法及*** |
CN117576093A (zh) * | 2024-01-15 | 2024-02-20 | 江苏森标科技有限公司 | 基于el图像的太阳能电池片隐裂检测方法 |
-
2024
- 2024-05-10 CN CN202410571137.6A patent/CN118155047B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102755966A (zh) * | 2012-07-31 | 2012-10-31 | 河南电力试验研究院 | 一种动力电池梯级利用分选评估方法 |
WO2023130776A1 (zh) * | 2022-01-07 | 2023-07-13 | 国网浙江省电力有限公司电力科学研究院 | 储能电站电池工况健康状态预测方法及*** |
CN116990692A (zh) * | 2023-09-28 | 2023-11-03 | 深圳康普盾科技股份有限公司 | 一种锂电池的健康状况评估与剩余寿命预测方法及*** |
CN117576093A (zh) * | 2024-01-15 | 2024-02-20 | 江苏森标科技有限公司 | 基于el图像的太阳能电池片隐裂检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN118155047B (zh) | 2024-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
CN103246265B (zh) | 机电设备检测维护方法 | |
CN116455085B (zh) | 一种电池储能电站智能监控*** | |
CN113820017A (zh) | 基于红外图像的发电机碳刷温度监测***及温度预测方法 | |
WO2013082955A1 (zh) | 一种锂离子电池运行状态评估分析*** | |
CN117134503B (zh) | 一种大型电力供电装置的状态监测方法及*** | |
CN117674140B (zh) | 一种配电网测控***及方法 | |
Chang et al. | Micro-fault diagnosis of electric vehicle batteries based on the evolution of battery consistency relative position | |
KR20230156641A (ko) | 딥러닝 기반의 배터리 유효 충전 데이터 식별 방법, 장비 및 매체 | |
CN114506247B (zh) | 一种云端协同控制的动力电池主动热管理*** | |
CN117590159A (zh) | 一种基于深度学习的隧道电缆供电状态监测方法及*** | |
Li et al. | SOC estimation and fault diagnosis framework of battery based on multi-model fusion modeling | |
Wu et al. | Adaptive sequential predictive maintenance policy with nonperiodic inspection for hard failures | |
CN113193616B (zh) | 一种用于输电通道监拍设备的健康状态评估方法 | |
CN118155047B (zh) | 一种适用于高寒地区的小型电池管理方法 | |
CN113836816A (zh) | 一种基于红外图像的发电机碳刷温度监测***及温度预测方法 | |
CN117783769B (zh) | 基于可视平台的配电网络故障定位方法、***、设备及存储介质 | |
Stoynova et al. | Utilization of infrared thermography for battery performance inspection | |
CN117434457B (zh) | 一种储能电池的储能监测方法、装置、设备以及介质 | |
CN117148165B (zh) | 聚合物锂离子电池的测试分析方法及其*** | |
WO2024138968A1 (zh) | 基站故障诊断方法及装置 | |
CN117216706B (zh) | 一种配电网数据异常溯源方法、***、计算机设备及介质 | |
CN118169586A (zh) | 一种用于电池管理的自唤醒诊断方法及*** | |
CN117148160A (zh) | 电池绝缘故障监控方法、计算机设备及存储介质 | |
Lin et al. | The multi-variable stepwise algorithm for internal short circuit detection in a serial battery pack with inconsistent state of health |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |