CN109978229A - 一种对动力电池组全电芯多点温度及连接点温度进行热失控预测的方法 - Google Patents
一种对动力电池组全电芯多点温度及连接点温度进行热失控预测的方法 Download PDFInfo
- Publication number
- CN109978229A CN109978229A CN201910110676.9A CN201910110676A CN109978229A CN 109978229 A CN109978229 A CN 109978229A CN 201910110676 A CN201910110676 A CN 201910110676A CN 109978229 A CN109978229 A CN 109978229A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- battery
- variable
- thermal runaway
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
Abstract
本专利涉及一种基于大数据机器学习进行电动汽车电池热失控预测的方法,该方法由相应的应用架构、流程、计算模型组成。这种方法首先对电动汽车电池运行过程中采集的电池实时数据,以及电动汽车车辆其它的运行数据,进行数据整理和清洗,并对数据进行特征化处理,通过大数据机器学习建立模型和训练验证算法,其中建模主要使用了XGBoost模型、威布尔分布和贝叶斯网络模型,并对结果进行不同角度的评估和优化,从而建立电动汽车电池热失控预测的模型,优化电池的维修和更换,提高车主的安全性指标,达到系统性能和经济效益的平衡。
Description
技术领域
本发明涉及进行电动汽车车辆电池热管理和健康评估领域,具体而言涉及一种基于大数据机器学习进行汽车电池热失控预测的应用分析方法。
背景技术
随着电动汽车在中国的推广和车联网技术的应用,越来越多的电动汽车进入了消费者市场并且根据国家标准(GBT32960)实时采集了行车数据。动力电池作为电动汽车的动力来源,随着充放电次数和行驶里程的增加,电池的内部热性能也发生了变化,这个反应是典型的动态非线性的电化学系统。由于在线应用时,电池内部参数是难以测量的,因此其退化状态识别和状态估计仍存在巨大挑战。
通过对动力电池电池组全电芯多点温度及连接点温度进行分析和预测,能够提高电池的利用率,防止电池出现过度充电和过度放电,可用于电动汽车、电瓶车、机器人和无人机等。在此基础上,可以实现对温度的管理和检测,同时对于电池热失控进行准确的预测。
发明内容
本专利正是在现有技术的上述需求下而提出的,本专利要解决的技术问题是提供一种电池热失控的预测方法,在依赖于电动汽车全电芯多点温度及连接点温度数据采集的长周期情况下,从电池的额定信息和状态监测数据挖掘其中隐含的电池健康状态信息及其演变规律,实现电池热失控预测。
为了解决这个问题,本发明提供了一种数据驱动的电池热失控预测方法,就是基于大数据机器学习建立电动汽车电池热失控预测的应用分析系统。所述方法包括:步骤001数据准备步骤,获取与电动汽车电池使用相关的数据;所述电动汽车电池使用相关数据包括故障维修数据和电池单体的温度状态数据;其中,所述故障维修数据包括电池发生故障前的数据记录和/或电池的维修数据;所述电池单体的温度状态数据包括使用时温度的变化状态数据;所述故障维修数据、电池的使用数据均是基于时间序列的流式数据,以及理论公式计算得到的Tet;步骤002数据整理步骤,对所述电动汽车电池使用相关的数据进行清洗并将清洗后的所述电动汽车电池使用相关的数据基于时间单元进行数据构建;所述对数据进行清洗包括,采用取一段行程该变量的平均值或中间值或相邻插值进行空余变量的赋值;通过设定电动汽车电池使用相关数据的每个变量的阈值检查数据是否合乎要求将超出正常范围的数据予以删除或纠正;通过设定电动汽车电池使用相关数据的相互约束和依赖关系,将逻辑上不合理或者相互矛盾的数据予以删除或纠正;所述数据构建包括,按照时间的顺序将搜集到的数据进行整合;步骤003数据特征化步骤,将通过数据整理步骤得到的数据进行总结和抽取,获取特征化后的数据;对于数据的总结和抽取包括滚动聚合,所述滚动聚合是指设定一个时间窗口,计算在预定的变量在该时间窗口内的聚合值,所述聚合值可以是数据的总和、平均值或者是标准差;所述总结和抽取还包括将特征变量进行扩展,所述扩展包括对初始的特征变量根据滚动聚合的均值增加相应的个数,以及对初始的特征变量根据滚动聚合的标准差增加相应的个数;步骤004建立模型步骤,基于特征化后的数据建立电池热失控预测的模型,模型包括XGBoost模型、威布尔分布和贝叶斯网络模型;步骤005训练验证步骤,对XGBoost模型、威布尔分布和贝叶斯网络模型进行训练和验证以优化该模型;所述训练验证步骤优选包括交叉验证,所述交叉验证包括,首先把原始的数据随机分成K个部分,在这K个部分中选择其中一个部分作为测试数据,剩下的K-1个部分作为训练数据得到相应的实验结果;然后,挑选另外一个部分作为测试数据,剩下的K-1个部分作为训练数据;以此类推,重复进行K次交叉检验,每次实验都从K个部分中选择一个不同的部分作为测试数据,保证K个部分的数据都分别做过测试数据,剩下的K-1个当作训练数据进行实验;最后把得到的K个实验结果平均;基于所述实验结果确定最佳的数据分类;步骤006算法评估步骤,评估数据的预测结果。
本方法在电动汽车电池管理中确定了电池热失控预测的问题,针对该核心问题进行数据的获取和标定、以及进行数据整合和特征工程,明确数据定义并进行初步处理,通过预定义的规则进行特征和标签的定义。最后是进行模型训练和评估,通过数据导入,利用机器学习的不同模型,选择不同算法进行匹配验证,并进行发布,成为结构化的产品,并随着时间累积和数据丰富,模型的预测准确性会不断提升。
附图说明
图1是电动汽车电池热失控预测实施方式;
图2是本发明的系统结构框图;
图3是本发明的大数据机器学习框图;
图4是本发明中滚动聚合原理图。
具体实施方式
结合下图对本专利的具体实施方式进行详细说明,需要指出的是,该具体实施方式仅仅是对本发明优选技术方案的举例,并不能理解为对本发明保护范围的限制。
图1示出了本专利具体实施方式中的一种电动汽车电池热失控预测的方法。其中所述方法包括如下步骤:
步骤一数据获取及整理步骤,获取并整理与电池热失控预测相关的数据
在数据整理步骤中,采集并整理与电池热失控预测相关的数据,以便于通过算法预测相应的电池热失控情况。具体而言,在所述数据获取和整理步骤中包括如下过程:
S101数据准备步骤,获取与电动汽车电池使用相关的数据。
在本步骤中,所述电动汽车电池的数据包括电动汽车的监控数据,监控数据每秒采集一次,在电动汽车的不同整车状态中,例如行驶、充电过程中,都会产生。所述电池的监控数据包括在正常使用时与电池相关的电池自身数据以及汽车状态数据,一共超过1000个数据变量。
所述电池的使用数据均是基于时间序列的流式数据,包括进行机器学习相关的电流、电压、温度、剩余电量(SOC)等。相关的数据内容如下表所示。
序号 | 原始字段 | 描述 |
1 | VIN | 表示车辆的唯一标识码 |
2 | 采集时间 | 时间戳,正常采集频率为10秒 |
3 | 车辆工况 | 车辆的工作状态,包括地面行驶、高速行驶、充电等 |
4 | SOC | 电池的荷电状态,表示电池当前剩余容量 |
5 | 动力电池充/放电电流 | 电池在运行过程中输出或者输入电流的大小 |
6 | #号电池单体电压 | 采集的若干点的电池电压,用于校验 |
7 | 电芯采集点温度 | 采集的每个电芯4-5个温度检测点的温度 |
8 | 电池热故障信息 | 电池热相关故障采集的故障类型和发生时间 |
S102数据整理步骤,对所述电动汽车电池使用相关的数据进行清洗并将清洗后的所述电动汽车电池使用相关的数据基于时间单元进行数据构建。
在本实施方式中,由于主要是基于数据处理实现的,保证高质量的数据有利于提高结果的准确性,因此需要对采集的数据进行数据整理。所述数据整理首先要对数据进行清洗,本发明制定了相应的清理规则将质量不高的数据转化为满足数据质量要求的数据。清理规则包括:
空余赋值:电池数据在传输过程中,很容易发生掉包导致变量缺失,在本发明中,主要采用取一段行程该变量的平均值或中间值或相邻插值进行空余变量的赋值。
错值去除:通过设定电动汽车电池使用相关数据的每个变量的合理取值范围,即阈值,检查数据是否合乎要求,将超出正常范围的数据予以删除或纠正。
交叉检验:通过设定电动汽车电池使用相关数据的相互约束和依赖关系,将逻辑上不合理或者相互矛盾的数据予以删除或纠正。
清洗数据之后,基于时间单元进行数据构建,即按照时间的顺序将搜集到的数据进行整合。时间单元可以基于毫秒、秒、分钟等,时间单元可以和收集的频率可以不一致。
完成数据构建之后,需要对基于时间单元进行构建的数据进行评估以及修正。所述评估包括筛选出错误数据,即数据本身存在错误的那些数据。例如,包括但不限于,缺失值、异常值、时间周期错误和计算规格错误等。在评估之后,对于所述错误数据进行校正。例如对于缺失值,将存在null的值设置为0,补充缺失的数据;对于异常值,将负值设置为0,避免训练过程中出现错误;对于时间周期错误的数值,明确应该取得时间周期,调整并重新运行数据;对于计算规格错误的数值,明确口径调整并重新运行数据。
S103数据特征化步骤,将通过数据整理步骤得到的数据进行总结和抽取,获取特征化后的数据。
由于在后续的处理步骤中需要对数据进行处理和计算,为了便于计算和识别数据的特征,首先需要对整理后的数据进行特征化以便于显现所述数据的各种特征从而便于计算和识别。
在本步骤中,对于数据的总结和抽取包括滚动聚合。所述滚动聚合是指设定一个时间窗口,计算在预定的变量在该时间窗口内的聚合值,所述聚合值可以是数据的总和、平均值或者是标准差。如图4所示,例如t1节点,设定时间窗是3,它的滚动聚合就是计算t1节点以及在所述t1节点之间的3个节点的总和、均值或者标准差。
在本步骤中,为了能够对学习算法提供更好,甚至是附加的学习和预测能力,需要更多变量数据,发明从基于时间序列的电池数据进行总结和抽取,从而将初始的S001中的特征变量进行扩展。例如,在步骤S001中具有每个单体电芯4-5个温度的特征变量时,在本示例中,进行扩展的数据主要是两类:第一大类是对初始4-5个特征变量根据滚动聚合的均值;第二类是对初始的特征变量根据滚动聚合的标准差;这样就能够提供更多变量数据,从而有利于学习算法提供更好和预测能力。
步骤二利用电池热失控预测的模型对电池的热失控情况进行预测。
在本步骤中,利于步骤一获取并整理的数据,通过电池热失控模型进行电池热失控的预测。其中所述电池热失控模型的主要建立过程包括如下步骤:
S201目标确定步骤,计算用于学习的热失控过程中温度值T,并进行特定点捕捉用于校验。
对热失控的过程,设定下面三个学习目标。
当锂电池在内部温度升高到一定程度,电池就会自产热,把这个温度叫T1(80~120摄氏度),产热发生到一定程度无法抑制,热失控发生,叫T2(130-150度),最后温度上升到最高点叫T3。T1为温度上升的目标值。
其次假设温度上升的速度为T/秒,作为温度从原始状态上升T1的速度目标值,具体的T/秒。
最后该点所在的温度和其他温度之间的温度差,设定为40~50度,这是温度的差异性目标。
对于每一条电池电芯数据的采集记录,经过特征化后,通过大数据的学习,能够对每个电芯的温度变化,确定到T1发生的时间,上升的速度,和温度差,从而预测到达T1时间。
所述基本数据,通过出厂数据,试验和故障采集等三种方式,获得每个类型电池的T1,上升速度T/秒和温度差。
S202数据计算步骤,基于特征化后的数据建立电池热失控预测的模型。
对于电池热失控预测的问题,本具体实施方式中采用XGBoost模型、威布尔分布和贝叶斯网络模型来建立所述电池预测热失控模型。
该模型从一组样本数据出发,确定变量之间的数学关系式对这些关系式的可信程度进行各种统计检验,并从影响某一特定变量的诸多变量中找出哪些变量的影响显著,哪些不显著。
以t时刻的TB作为Y,对每个数据从时间上进行标签化;经过步骤S101、S102和S103后得到的数据设为x,建立模型Y=f(x),其中f()为机器基于大数据学习得到的模型;在电动汽车实际的运行和使用过程中,电池热失控是难以实时监测的,目前传统的方法主要是基于现有的经验公式来大致预测热失控,此种方法主要的缺点为,首先不能实时计算热失控且精度不高,而且由于单体差异性,不能对每一个单体热失控很好地预测。基于大数据建立的模型可以很好地解决以上的问题。模型的输入为时间t以及t时刻采集的数据,模型的输出为t时刻电池TB,在电动汽车实时运行和使用过程中,依据采集的数据x即可以准确的利用模型推出TB。
其中XGBoost为分布式梯度增强算法。在该算法中使用如下的目标函数用于学习,其中预测过程是使目标函数(Objectfunction)收敛到最小值,下式的第一部分为衡量预测分数和真实分数的差距,第二部分则为正则化项。
其中威布尔分布的模型如下所示:
其中x为随机变量,也可以理解为时间变量,λ为比例系数,k是形状参数,当k取不同值时,威布尔分布可以变成指数分布和瑞利分布等等。可以理解为随着时间变量x的变化,温度Y符合威布尔分布,当Y分布低于T1时,此时电池工作在安全的区间内且是安全的。
贝叶斯网络模型,是Bayes方法的扩展,是目前不确定知识表达和推理领域最有效的理论模型之一。一个贝叶斯网络是一个有向无环图(DirectedAcyclic Graph,DAG),由代表变量节点及连接这些节点有向边构成。节点代表随机变量,节点间的有向边代表了节点间的互相关系(由父节点指向其子节点),用条件概率进行表达关系强度,没有父节点的用先验概率进行信息表达。节点变量可以是任何问题的抽象,如:测试值,观测现象,意见征询等。适用于表达和分析不确定性和概率性的事件,应用于有条件地依赖多种控制因素的决策,可以从不完全、不精确或不确定的知识或信息中做出推理。其理论公式为:
其中各个节点表示随着时间的推移,当前结点的概率估计依赖于先验概率,即为之前的父节点,当前结点的概率分布函数可以推断出目前的温度是否达到T1.
在本实施方案中,XGBoost和威布尔分布和贝叶斯网络模型并行进行,根据最后S204的效果来选择最合适的模型,并且这种选择也是动态调整的。
S203训练验证步骤,对模型进行训练和验证以优化该自适应模型。
在建立上述模型的基础上,需要进行训练和验证的工作来优化模型。以便提高模型的准确性。
在本具体实施方式中,所述训练验证步骤优选包括交叉验证和少数类采样。
所述交叉验证方法中对于各个模型的参数框架进行优化。算法的可靠性依赖参数框架,就是说哪些电池数据对于产生的结果是最有效的。
在本具体实施方式中,为了提高参数框架的质量,首先把原始的数据随机分成K个部分。在这K个部分中,选择其中一个部分作为测试数据,剩下的K-1个部分作为训练数据得到相应的实验结果。然后,挑选另外一个部分作为测试数据,剩下的K-1个部分作为训练数据,以此类推,重复进行K次交叉检验的。每次实验都从K个部分中选择一个不同的部分作为测试数据,保证K个部分的数据都分别做过测试数据,剩下的K-1个当作训练数据进行实验。最后把得到的K个实验结果平均,所述实验结果可以为预测值和校验值的差值,使得差值越小越好,从而确定最佳的分类,实现模型的训练。在本应用中,可以将获得电动汽车的数据随机分成K个部分,首先将其中K-1个部分的数据用于建立热失控预测模型,然后利用新建模型去验证剩下最后一部分的数据是否满足该模型。以此类推。
所述少数类采样是针对一类数据仅仅有很少数量的训练样本时,数据集不平衡的情况时采用的。当一类数据仅仅有少量的训练样本时,本具体实施方式中可以通过将少数的故障样本数据合成新的少数类样本数据来进行模型的训练。例如在电池的数据收集中,当只采集到少量样本时,为了从少量数据中产生更多进行机器学习的数据,需要进行数据合成。具体而言,对每个少数类样本A,从它的最近邻中随机选一个样本B,这里的距离是根据时间和变量图中的距离进行计算,然后在A和B之间的连线上随机选择一点作为新合成的少数类样本。通过这样不断的合成,可以将少量的样本A,变成具备多数据的样本A+,从而达到预测电池热失控的数据要求,即不会产生计算中的因为数据不平衡导致的过拟合或者扭曲。
S204算法评估步骤,评估数据在不同算法下的预测结果,基于评估选择最优的算法。
在电池热失控预测中,基于不同的预测目标或者是不同的数据源,采用不同的算法所得到的结果也是不同的,这样就需要针对不同的情况选择较佳的算法。
通常在热失控预测中,可以使用预测值和S201中的校验值的差值,评估预测结果,比较在不同情况下采用不同的算法所得到的结果是否最优,从而选择最优的算法。
其中,差值是针对预测结果而言所述模型预测电池热失控过程和校验值的差距是多少,一般是越低越好。
Claims (4)
1.一种电动汽车电池热失控预测方法,其特征在于,所述方法包括:
步骤一 数据准备步骤,获取并整理与电动汽车电池热失控预测相关的数据
所述相关的数据包括基于电池单体采集的温度数据和故障维修数据;其中,所述故障维修数据包括电池发生故障前的数据记录和/或电池的维修数据;所述电池单体温度数据包括在根据每秒采集的单体温度变化状态数据;所述故障维修数据、电池的使用数据均是基于时间序列的流式数据;以及依据理论公式计算得到的t时刻Tbt,Tbt为到达热失控还需的时间;
然后是数据整理步骤,对所述电动汽车电池使用相关的数据进行清洗并将清洗后的相关数据基于时间单元进行数据构建;所述数据清洗包括,采用取一段行程该变量的平均值或中间值或相邻插值进行空余变量的赋值;通过设定电动汽车电池使用相关数据的每个变量的阈值检查数据是否合乎要求将超出正常范围的数据予以删除或纠正;通过设定电动汽车电池使用相关数据的相互约束和依赖关系,将逻辑上不合理或者相互矛盾的数据予以删除或纠正;所述数据构建包括,按照时间顺序将搜集到的数据进行整合;
接着是数据特征化步骤,对通过数据整理步骤得到的数据进行总结和抽取,获取特征化后的数据;对于数据的总结和抽取包括滚动聚合,所述滚动聚合是指设定一个时间窗口,计算在预定的变量在该时间窗口内的聚合值,所述聚合值可以是数据的总和、平均值或者是标准差;所述总结和抽取还包括将特征变量进行扩展,所述扩展包括对初始特征变量根据滚动聚合的均值增加相应的个数,以及对初始特征变量根据滚动聚合的标准差增加相应个数;
步骤二 利用电池热失控预测的模型对电池的热失控情况进行预测
利用XGBoost模型、威布尔分布和贝叶斯网络模型来建立所述电池预测热失控模型,以t时刻的TB作为Y,对每个数据从时间上进行标签化;经过步骤一得到的数据设为x,建立模型Y=f(x),其中f()为机器基于大数据学习得到的模型;
XGBoost为分布式梯度增强算法,通过引入正则化来优化预测值对于真实值的逼近。
威布尔分布的模型如下所示:
其中x为随机变量,λ为比例系数,k是形状参数,随着时间变量x的变化,温度Y符合威布尔分布,当Y分布低于温度失控阈值T1时,此时电池工作在安全的区间内且是安全的;
贝叶斯网络模型公式为:
其中x为随机变量,先验信息为xi和xj,在已知的先验信息电情况下,温度Y符合贝叶斯分布,当Y分布低于温度失控阈值T1时,此时电池工作在安全的区间内且是安全的;
其中各个节点表示随着时间的推移,当前结点的概率估计依赖于先验概率,即为之前的父节点,当前结点的概率分布函数可以推断出目前的温度是否达到T1;
在所述电池预测热失控模型中,对所述XGBoost模型、威布尔分布和贝叶斯网络模型中的参数通过大数据学习的方式进行自适应调整;同时通过大数据学习的方式在所述XGBoost模型、威布尔分布和贝叶斯网络模型中选择当前最优的模型作为所述电池预测热失控模型的算法。
2.根据权利要求1所述的一种电动汽车电池热失控预测方法,其特征在于,步骤一种包括:
数据整理步骤,对所述电动汽车电池使用相关的数据进行清洗并将清洗后的相关数据基于时间单元进行数据构建;所述数据清洗包括,采用取一段行程该变量的平均值或中间值或相邻插值进行空余变量的赋值;通过设定电动汽车电池使用相关数据的每个变量的阈值检查数据是否合乎要求将超出正常范围的数据予以删除或纠正;通过设定电动汽车电池使用相关数据的相互约束和依赖关系,将逻辑上不合理或者相互矛盾的数据予以删除或纠正;所述数据构建包括,按照时间顺序将搜集到的数据进行整合。
3.根据权利要求1所述的一种电动汽车电池热失控预测方法,其特征在于,步骤一中包括:数据特征化步骤,对通过数据整理步骤得到的数据进行总结和抽取,获取特征化后的数据;对于数据的总结和抽取包括滚动聚合,所述滚动聚合是指设定一个时间窗口,计算在预定的变量在该时间窗口内的聚合值,所述聚合值可以是数据的总和、平均值或者是标准差;所述总结和抽取还包括将特征变量进行扩展,所述扩展包括对初始特征变量根据滚动聚合的均值增加相应的个数,以及对初始特征变量根据滚动聚合的标准差增加相应个数。
4.根据权利要求1-3中所述的一种电动汽车电池热失控预测方法,其特征在于,所述步骤二中包括少数类采样对所述模型进行训练,当样本中一类数据仅仅有少量的训练样本时,通过将少数的样本数据合成新的少数类样本数据来进行模型的训练;对每个少数类样本A,从它的距离最近邻中随机选一个样本B,所述距离是根据时间和变量图中的距离进行计算,然后在A和B之间的连线上随机选择一点作为新合成的少数类样本;通过不断的合成,将少量的样本A,变成具备多数据的样本A+。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910110676.9A CN109978229A (zh) | 2019-02-12 | 2019-02-12 | 一种对动力电池组全电芯多点温度及连接点温度进行热失控预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910110676.9A CN109978229A (zh) | 2019-02-12 | 2019-02-12 | 一种对动力电池组全电芯多点温度及连接点温度进行热失控预测的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109978229A true CN109978229A (zh) | 2019-07-05 |
Family
ID=67076929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910110676.9A Pending CN109978229A (zh) | 2019-02-12 | 2019-02-12 | 一种对动力电池组全电芯多点温度及连接点温度进行热失控预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109978229A (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110286668A (zh) * | 2019-07-15 | 2019-09-27 | 广东毓秀科技有限公司 | 一种基于大数据的轨交信号系统vim板卡故障预测方法 |
CN110598905A (zh) * | 2019-08-08 | 2019-12-20 | 广东毓秀科技有限公司 | 一种通过多点数据采集进行轨交电缆热失控预测的方法 |
CN110913033A (zh) * | 2019-11-19 | 2020-03-24 | 广东电力信息科技有限公司 | 基于cnn卷积神经网络学习的idcip地址分配方法 |
CN111381169A (zh) * | 2020-03-05 | 2020-07-07 | 大连理工大学 | 一种动力电池热失控预警方法 |
CN111638458A (zh) * | 2020-06-23 | 2020-09-08 | 广州小鹏汽车科技有限公司 | 一种电芯故障的分析方法和装置 |
CN111722139A (zh) * | 2020-06-29 | 2020-09-29 | 重庆邮电大学 | 基于可微连续映射的锂电池健康监测模型自学习方法 |
CN111915184A (zh) * | 2020-07-30 | 2020-11-10 | 上海数策软件股份有限公司 | 汽车行业零件质量早期预警方法及存储介质 |
CN112092675A (zh) * | 2020-08-31 | 2020-12-18 | 长城汽车股份有限公司 | 一种电池热失控预警方法、系统及服务器 |
CN112380630A (zh) * | 2020-11-27 | 2021-02-19 | 重庆长安新能源汽车科技有限公司 | 基于车联网数据的新能源汽车电池热失控风险的预测方法 |
CN113240157A (zh) * | 2021-04-19 | 2021-08-10 | 天津港集装箱码头有限公司 | 基于机器学习的汽车衡维修保养管理方法及系统 |
CN113284309A (zh) * | 2021-04-28 | 2021-08-20 | 上海师范大学 | 一种用于新能源汽车充电桩的消防预警系统 |
CN113343633A (zh) * | 2021-06-10 | 2021-09-03 | 上海交通大学 | 动力锂电池热失控故障分类及风险预测方法、系统 |
CN114312322A (zh) * | 2021-12-31 | 2022-04-12 | 中国第一汽车股份有限公司 | 车辆检测方法及装置 |
WO2022126526A1 (zh) * | 2020-12-17 | 2022-06-23 | 浙江吉利控股集团有限公司 | 一种电池温度预测方法及系统 |
WO2022143903A1 (zh) * | 2020-12-31 | 2022-07-07 | 奥动新能源汽车科技有限公司 | 车用电池的安全评估方法、系统、设备及可读存储介质 |
CN115436821A (zh) * | 2022-09-02 | 2022-12-06 | 四川新能源汽车创新中心有限公司 | 电池系统产热异常识别方法及装置 |
CN117067920A (zh) * | 2023-10-18 | 2023-11-17 | 北京航空航天大学 | 动力电池的故障检测方法、装置、电子设备及电动汽车 |
CN117067921A (zh) * | 2023-10-18 | 2023-11-17 | 北京航空航天大学 | 电动汽车的故障检测方法及电动汽车 |
CN117150348A (zh) * | 2023-10-30 | 2023-12-01 | 宁德时代新能源科技股份有限公司 | 电池外损数据处理方法、系统、电子设备和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070029974A1 (en) * | 2005-08-08 | 2007-02-08 | Toyota Jidosha Kabushiki Kaisha | Powertrain battery life predicting and warning apparatuses |
CN102163255A (zh) * | 2010-02-17 | 2011-08-24 | 通用汽车环球科技运作有限责任公司 | 使用故障建模的复杂系统的健康预测 |
CN103954914A (zh) * | 2014-05-16 | 2014-07-30 | 哈尔滨工业大学 | 基于概率集成的锂离子电池剩余寿命直接预测方法 |
CN106168799A (zh) * | 2016-06-30 | 2016-11-30 | 常伟 | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 |
CN107122594A (zh) * | 2017-04-10 | 2017-09-01 | 湖南中车时代电动汽车股份有限公司 | 一种新能源车辆电池的健康预测方法和系统 |
CN107248003A (zh) * | 2017-08-03 | 2017-10-13 | 浙江大学 | 基于带滑动窗口贝叶斯网络的自适应软测量预测方法 |
CN108896914A (zh) * | 2018-05-11 | 2018-11-27 | 浙江工业大学 | 一种锂电池健康状况的梯度提升树建模与预测方法 |
WO2019018974A1 (zh) * | 2017-07-24 | 2019-01-31 | 罗伯特·博世有限公司 | 用于对电池容量进行建模和估计的方法及系统 |
-
2019
- 2019-02-12 CN CN201910110676.9A patent/CN109978229A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070029974A1 (en) * | 2005-08-08 | 2007-02-08 | Toyota Jidosha Kabushiki Kaisha | Powertrain battery life predicting and warning apparatuses |
CN102163255A (zh) * | 2010-02-17 | 2011-08-24 | 通用汽车环球科技运作有限责任公司 | 使用故障建模的复杂系统的健康预测 |
CN103954914A (zh) * | 2014-05-16 | 2014-07-30 | 哈尔滨工业大学 | 基于概率集成的锂离子电池剩余寿命直接预测方法 |
CN106168799A (zh) * | 2016-06-30 | 2016-11-30 | 常伟 | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 |
CN107122594A (zh) * | 2017-04-10 | 2017-09-01 | 湖南中车时代电动汽车股份有限公司 | 一种新能源车辆电池的健康预测方法和系统 |
WO2019018974A1 (zh) * | 2017-07-24 | 2019-01-31 | 罗伯特·博世有限公司 | 用于对电池容量进行建模和估计的方法及系统 |
CN107248003A (zh) * | 2017-08-03 | 2017-10-13 | 浙江大学 | 基于带滑动窗口贝叶斯网络的自适应软测量预测方法 |
CN108896914A (zh) * | 2018-05-11 | 2018-11-27 | 浙江工业大学 | 一种锂电池健康状况的梯度提升树建模与预测方法 |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110286668A (zh) * | 2019-07-15 | 2019-09-27 | 广东毓秀科技有限公司 | 一种基于大数据的轨交信号系统vim板卡故障预测方法 |
CN110598905A (zh) * | 2019-08-08 | 2019-12-20 | 广东毓秀科技有限公司 | 一种通过多点数据采集进行轨交电缆热失控预测的方法 |
CN110913033A (zh) * | 2019-11-19 | 2020-03-24 | 广东电力信息科技有限公司 | 基于cnn卷积神经网络学习的idcip地址分配方法 |
CN111381169A (zh) * | 2020-03-05 | 2020-07-07 | 大连理工大学 | 一种动力电池热失控预警方法 |
CN111638458B (zh) * | 2020-06-23 | 2022-08-16 | 广州小鹏汽车科技有限公司 | 一种电芯故障的分析方法和装置 |
CN111638458A (zh) * | 2020-06-23 | 2020-09-08 | 广州小鹏汽车科技有限公司 | 一种电芯故障的分析方法和装置 |
CN111722139A (zh) * | 2020-06-29 | 2020-09-29 | 重庆邮电大学 | 基于可微连续映射的锂电池健康监测模型自学习方法 |
CN111915184A (zh) * | 2020-07-30 | 2020-11-10 | 上海数策软件股份有限公司 | 汽车行业零件质量早期预警方法及存储介质 |
CN112092675B (zh) * | 2020-08-31 | 2022-03-25 | 长城汽车股份有限公司 | 一种电池热失控预警方法、系统及服务器 |
CN112092675A (zh) * | 2020-08-31 | 2020-12-18 | 长城汽车股份有限公司 | 一种电池热失控预警方法、系统及服务器 |
CN112380630A (zh) * | 2020-11-27 | 2021-02-19 | 重庆长安新能源汽车科技有限公司 | 基于车联网数据的新能源汽车电池热失控风险的预测方法 |
CN112380630B (zh) * | 2020-11-27 | 2022-06-14 | 重庆长安新能源汽车科技有限公司 | 基于车联网数据的新能源汽车电池热失控风险的预测方法 |
WO2022126526A1 (zh) * | 2020-12-17 | 2022-06-23 | 浙江吉利控股集团有限公司 | 一种电池温度预测方法及系统 |
WO2022143903A1 (zh) * | 2020-12-31 | 2022-07-07 | 奥动新能源汽车科技有限公司 | 车用电池的安全评估方法、系统、设备及可读存储介质 |
CN113240157A (zh) * | 2021-04-19 | 2021-08-10 | 天津港集装箱码头有限公司 | 基于机器学习的汽车衡维修保养管理方法及系统 |
CN113284309A (zh) * | 2021-04-28 | 2021-08-20 | 上海师范大学 | 一种用于新能源汽车充电桩的消防预警系统 |
CN113343633B (zh) * | 2021-06-10 | 2022-04-26 | 上海交通大学 | 动力锂电池热失控故障分类及风险预测方法、系统 |
CN113343633A (zh) * | 2021-06-10 | 2021-09-03 | 上海交通大学 | 动力锂电池热失控故障分类及风险预测方法、系统 |
CN114312322A (zh) * | 2021-12-31 | 2022-04-12 | 中国第一汽车股份有限公司 | 车辆检测方法及装置 |
WO2023124220A1 (zh) * | 2021-12-31 | 2023-07-06 | 中国第一汽车股份有限公司 | 车辆检测方法及装置 |
CN114312322B (zh) * | 2021-12-31 | 2024-04-12 | 中国第一汽车股份有限公司 | 车辆检测方法及装置 |
CN115436821A (zh) * | 2022-09-02 | 2022-12-06 | 四川新能源汽车创新中心有限公司 | 电池系统产热异常识别方法及装置 |
CN115436821B (zh) * | 2022-09-02 | 2024-01-30 | 四川新能源汽车创新中心有限公司 | 电池系统产热异常识别方法及装置 |
CN117067920A (zh) * | 2023-10-18 | 2023-11-17 | 北京航空航天大学 | 动力电池的故障检测方法、装置、电子设备及电动汽车 |
CN117067921A (zh) * | 2023-10-18 | 2023-11-17 | 北京航空航天大学 | 电动汽车的故障检测方法及电动汽车 |
CN117067921B (zh) * | 2023-10-18 | 2024-01-05 | 北京航空航天大学 | 电动汽车的故障检测方法及电动汽车 |
CN117067920B (zh) * | 2023-10-18 | 2024-01-05 | 北京航空航天大学 | 动力电池的故障检测方法、装置、电子设备及电动汽车 |
CN117150348A (zh) * | 2023-10-30 | 2023-12-01 | 宁德时代新能源科技股份有限公司 | 电池外损数据处理方法、系统、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978229A (zh) | 一种对动力电池组全电芯多点温度及连接点温度进行热失控预测的方法 | |
CN109934408A (zh) | 一种基于大数据机器学习进行汽车电池rul预测的应用分析方法 | |
CN111624494B (zh) | 基于电化学参数的电池分析方法和系统 | |
CN106168799B (zh) | 一种基于大数据机器学习进行电动汽车电池预测性维护的方法 | |
CN109934294A (zh) | 一种基于大数据机器学习进行电动汽车电池soh预测的方法 | |
CN102340811B (zh) | 无线传感器网络故障诊断方法 | |
Li et al. | A comparative study of battery state-of-health estimation based on empirical mode decomposition and neural network | |
CN111680848A (zh) | 基于预测模型融合的电池寿命预测方法及存储介质 | |
CN114372417A (zh) | 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 | |
CN103576096A (zh) | 电动汽车动力电池剩余电量的实时评估方法及装置 | |
CN112904219B (zh) | 一种基于大数据的动力电池健康状态的预测方法 | |
CN103886374A (zh) | 一种基于rbf神经网络的电缆接头导线温度预测方法 | |
CN111628494B (zh) | 一种基于逻辑回归法的低压配电网拓扑识别方法及系统 | |
CN110516813A (zh) | 一种基于大数据机器学习进行电动汽车电池rdr预测的方法 | |
CN110850297A (zh) | 一种通过大数据预测轨交锂电池soh的方法 | |
CN104063577A (zh) | 基于广义回归神经网络的变压器油中特征气体发展趋势预测方法 | |
CN115097312A (zh) | 一种结合数据驱动模型和经验模型的锂离子电池融合寿命预测模型 | |
CN115586444A (zh) | 一种基于vmd与bp神经网络的锂电池剩余寿命预测方法 | |
CN114189047B (zh) | 面向有源配电网状态估计的虚假数据检测与修正方法 | |
CN116298936A (zh) | 在不完全电压范围内的锂离子电池智能健康状态预测方法 | |
CN113886183B (zh) | 测算电压暂降事件发生时间的方法 | |
CN114545234A (zh) | 一种基于电池温度梯度变化监测电池状态的方法 | |
Xu et al. | Safety warning analysis for power battery packs in electric vehicles with running data | |
CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 | |
CN112327169B (zh) | 一种锂电池剩余寿命预测方法 |
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 |