CN112363061A - 一种基于大数据的热失控风险评估方法 - Google Patents
一种基于大数据的热失控风险评估方法 Download PDFInfo
- Publication number
- CN112363061A CN112363061A CN202011252045.XA CN202011252045A CN112363061A CN 112363061 A CN112363061 A CN 112363061A CN 202011252045 A CN202011252045 A CN 202011252045A CN 112363061 A CN112363061 A CN 112363061A
- Authority
- CN
- China
- Prior art keywords
- value
- temperature
- thermal runaway
- data
- temperature rise
- 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 18
- 238000012502 risk assessment Methods 0.000 title claims abstract description 17
- 230000000630 rising effect Effects 0.000 claims abstract description 22
- 238000005070 sampling Methods 0.000 claims abstract description 21
- 238000004140 cleaning Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims abstract description 4
- 239000000523 sample Substances 0.000 claims description 13
- 238000001816 cooling Methods 0.000 claims description 11
- 239000007788 liquid Substances 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 210000001787 dendrite Anatomy 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/005—Testing of electric installations on transport means
- G01R31/006—Testing of electric installations on transport means on road vehicles, e.g. automobiles or trucks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Engineering & Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明涉及一种基于大数据的热失控风险评估方法,该方法为:提取多台设置有动力电池的设备在正常运行和充电状态下的多条数据;计算每条数据中各个温度采样值的平均温度值;获得每条数据中温度上升速度值的最大值;对数据进行清洗;建立各项状态参数值、平均温度值与温度上升值的最大值之间的函数模型,并训练函数模型;利用训练好的函数模型得到当前的温度上升速度预测值,并获取当前的实际温度上升速度值;比较当前的温度上升速度预测值和当前的实际温度上升速度值,根据比较结果确定热失控风险。本发明为热失控问题的风险评估提供了新的思路和方案,能够方便且较为准确地对热失控进行评估。
Description
技术领域
本发明属于动力电池安全监控技术领域,具体涉及一种基于大数据的热失控风险评估方法。
背景技术
随着新能源行业的飞速发展,动力电池已广泛应用于电动汽车、风光储能、电信基站等领域。但随着动力电池系统的大规模应用,也出现了各种各样的问题,尤其是安全问题引起广泛的关注。
热失控属于BMS中热管理失控的状态,电池在充放电使用下,会因为各种内部电化学反应产生热量,如果没有良好的散热体系,产热在电池内部堆积,逐渐出现功率降低,甚至出现爆炸燃烧等危险情况,这就是热失控。
电池热失控主要是由短路引起的,而电池短路又可分为静态内短路和动态内短路。静态内短路原因包括电池本身材料、工艺问题、电池使用中出现的枝晶、老化问题,以及使用环境中温度、压力等影响因素。
目前行业内尚没有比较成熟的预防和预测热失控的方案,且实际情况中热失控数据极其稀少甚至完全无法获得相关数据,为热失控评估增加了阻力。
发明内容
本发明的目的是提供一种方便地对动力电池的热失控状态进行评估的方法。
为达到上述目的,本发明采用的技术方案是:
一种基于大数据的热失控风险评估方法,用于对动力电池的热失控风险进行评估,所述基于大数据的热失控风险评估方法包括以下步骤:
步骤1:选取设置在多台相同设备上的多个待评估的所述动力电池作为采样对象,提取所述设备在正常运行和充电状态下的多条数据,每条所述数据中至少包括用于检测所述动力电池温度的若干个温度探针分别采集到的温度采样值和所述设备的多项状态参数值;
步骤2:计算每条所述数据中各个所述温度采样值的平均温度值;
步骤3:分别计算每条所述数据中各个所述温度探针采集到的所述温度采样值相对于t分钟前对应所述温度探针采集到的温度采样值的温度上升速度值,并获得每条所述数据中各所述温度上升速度值的最大值;
步骤4:对所述数据进行清洗;
步骤5:建立各项所述状态参数值、所述平均温度值与所述温度上升值的最大值之间的函数模型,利用清洗后保留的所述数据训练所述函数模型,调节所述函数模型的参数使所述函数模型的误差最小;
步骤6:利用训练好的所述函数模型进行预测,得到当前的温度上升速度预测值,并获取当前的实际温度上升速度值;
步骤7:比较所述当前的温度上升速度预测值和所述当前的实际温度上升速度值,根据比较结果确定热失控风险,若所述当前的温度上升速度预测值与所述当前的实际温度上升速度值的差值越大,则热失控风险越大。
所述步骤5中,所述函数模型采用随机森林算法模型,所述随机森林算法模型的输入量为所述各项所述状态参数值、所述平均温度值组成的向量,所述随机森林算法模型的输出量为所述温度上升值的最大值。
所步骤7中,设定第一阈值和第二阈值,且所述第一阈值大于所述第二阈值,若所述当前的温度上升速度预测值与所述当前的实际温度上升速度值的差值大于所述第一阈值,则判定热失控风险的等级为高风险,若所述当前的温度上升速度预测值与所述当前的实际温度上升速度值的差值大于所述第二阈值且小于或等于所述第一阈值,则判定热失控风险的等级为中风险,若所述当前的温度上升速度预测值与所述当前的实际温度上升速度值的差值小于或等于所述第二阈值,则判定热失控风险的等级为低风险。
所述步骤3中,t的取值为1。
所述设备为同一车型的电动汽车。所述步骤1中,所述设备的多项状态参数值包括总电流、总电压、SOC、充电状态、车速、加速踏板角度、刹车踏板角度、累计里程、液冷启动开关状态、环境温度、液冷系统运行时长。
由于上述技术方案运用,本发明与现有技术相比具有下列优点:本发明为热失控问题的风险评估提供了新的思路和方案,能够方便且较为准确地对热失控进行评估。
附图说明
附图1为本发明的基于大数据的热失控风险评估方法的流程图。
具体实施方式
下面结合附图所示的实施例对本发明作进一步描述。
实施例一:如附图1所示,一种基于大数据的热失控风险评估方法,包括以下步骤:
步骤1:选取设置在多台相同设备上的多个待评估的动力电池作为采样对象,提取设备在正常运行和充电状态下的多条数据,每条数据中至少包括用于检测动力电池温度的若干个温度探针分别采集到的温度采样值和设备的多项状态参数值。
在本实施例中,设置有动力电池的设备为同一车型的电动汽车,因此该步骤需提取同一车型大批量(大于1000辆)电动汽车的在正常运行和充电状态下不同时刻的大量数据。每个时刻的每条数据中,除若干个温度探针分别采集到的温度采样值以外,设备的多项状态参数值包括总电流、总电压、SOC、充电状态、车速、加速踏板角度、刹车踏板角度、累计里程、液冷启动开关状态、环境温度、液冷系统运行时长。
步骤2:计算每条数据中各个温度采样值的平均温度值t_avg。
步骤3:对于每一条数据,分别计算每条数据中各个温度探针采集到的温度采样值相对于t(例如t=1)分钟前对应温度探针采集到的温度采样值的温度上升速度值(即对于某个温度探针采集的温度采样值,过t分钟温度上升的值,若温度下降,则该温度上升速度值为负),并获得每条数据中各温度上升速度值的最大值t_up_speed_max。若过去时间不足t分钟,则舍弃此条数据。
步骤4:对数据进行清洗,去除一些异常值(包括温度异常、温度上升速度异常等),例如删除平均温度大于60℃的数据、SOC大于100的数据、电压低于2V或高于5V的数据。
步骤5:建立各项状态参数值、平均温度值t_avg与温度上升值的最大值t_up_speed_max之间的函数模型,利用清洗后保留的数据训练函数模型,调节函数模型的参数使函数模型的误差最小。
该步骤中,函数模型采用随机森林算法模型,随机森林算法模型的输入量X为各项状态参数值(包括总电流、总电压、SOC、充电状态、车速、加速踏板角度、刹车踏板角度、累计里程、液冷启动开关状态、环境温度、液冷系统运行时长)、平均温度值t_avg组成的向量,随机森林算法模型的输出量Y为温度上升值的最大值t_up_speed_max。
步骤6:利用训练好的函数模型进行预测,即利用实时数据中的总电流、总电压、SOC、充电状态、车速、加速踏板角度、刹车踏板角度、累计里程、液冷启动开关状态、环境温度、液冷系统运行时长、平均温度值t_avg输入训练好的函数模型,得到当前的温度上升速度预测值y_pred,并获取当前的实际温度上升速度值y_real。
步骤7:比较当前的温度上升速度预测值y_pred和当前的实际温度上升速度值y_real,根据比较结果确定热失控风险,若当前的温度上升速度预测值y_pred与当前的实际温度上升速度值y_real的差值越大,则热失控风险越大。
该步骤中,设定第一阈值和第二阈值,且第一阈值大于第二阈值,例如第一阈值=10,第二阈值=5,若当前的温度上升速度预测值y_pred与当前的实际温度上升速度值y_real的差值大于第一阈值,即y_pred-y_real>10,则判定热失控风险的等级为高风险,若当前的温度上升速度预测值y_pred与当前的实际温度上升速度值y_real的差值大于第二阈值且小于或等于第一阈值,即10≥y_pred-y_real>5,则判定热失控风险的等级为中风险,若当前的温度上升速度预测值y_pred与当前的实际温度上升速度值y_real的差值小于或等于第二阈值,即y_pred-y_real≤5,则判定热失控风险的等级为低风险。
上述基于大数据的热失控风险评估方法通过基于大数据的热失控风险评估系统来实现,该基于大数据的热失控风险评估系统包括用于采样数据而实现步骤1的采样模块,与采样模块通信而实现步骤2至步骤7的分析模块,还可以包括与分析模块通信从而输出热失控风险的判定结论的输出模块。
车载动力电池在运行或者充电的过程中,会产生大量热量。BMS会对其温度进行检测和控制,车辆的散热系统会对电池进行散热,使得整个系统处于一种平衡状态。温度探针温度的变化,是产热和散热综合作用下的结果。在平衡状态下,温度的变化速度总是处于一种稳定的状态,特定车况下,基本都比较稳定。本发明用同一车型正常行驶和充电状态下的数据去拟合车辆各个车况下的温度上升速度,便可知道车辆在正常状态下,各个车况下的温度上升速度的合理值。当某一时刻,温度探针所探测温度上升的速度远远大于正常值时,便可知,有一些未知的因素导致,温度上升速度过快了。这个因素,很可能是内短路、枝晶、老化等。从而可以据此评估动力电池的热失控风险等级。
上述实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于大数据的热失控风险评估方法,用于对动力电池的热失控风险进行评估,其特征在于:所述基于大数据的热失控风险评估方法包括以下步骤:
步骤1:选取设置在多台相同设备上的多个待评估的所述动力电池作为采样对象,提取所述设备在正常运行和充电状态下的多条数据,每条所述数据中至少包括用于检测所述动力电池温度的若干个温度探针分别采集到的温度采样值和所述设备的多项状态参数值;
步骤2:计算每条所述数据中各个所述温度采样值的平均温度值;
步骤3:分别计算每条所述数据中各个所述温度探针采集到的所述温度采样值相对于t分钟前对应所述温度探针采集到的温度采样值的温度上升速度值,并获得每条所述数据中各所述温度上升速度值的最大值;
步骤4:对所述数据进行清洗;
步骤5:建立各项所述状态参数值、所述平均温度值与所述温度上升值的最大值之间的函数模型,利用清洗后保留的所述数据训练所述函数模型,调节所述函数模型的参数使所述函数模型的误差最小;
步骤6:利用训练好的所述函数模型进行预测,得到当前的温度上升速度预测值,并获取当前的实际温度上升速度值;
步骤7:比较所述当前的温度上升速度预测值和所述当前的实际温度上升速度值,根据比较结果确定热失控风险,若所述当前的温度上升速度预测值与所述当前的实际温度上升速度值的差值越大,则热失控风险越大。
2.根据权利要求1所述的一种基于大数据的热失控风险评估方法,其特征在于:所述步骤5中,所述函数模型采用随机森林算法模型,所述随机森林算法模型的输入量为所述各项所述状态参数值、所述平均温度值组成的向量,所述随机森林算法模型的输出量为所述温度上升值的最大值。
3.根据权利要求1所述的一种基于大数据的热失控风险评估方法,其特征在于:所步骤7中,设定第一阈值和第二阈值,且所述第一阈值大于所述第二阈值,若所述当前的温度上升速度预测值与所述当前的实际温度上升速度值的差值大于所述第一阈值,则判定热失控风险的等级为高风险,若所述当前的温度上升速度预测值与所述当前的实际温度上升速度值的差值大于所述第二阈值且小于或等于所述第一阈值,则判定热失控风险的等级为中风险,若所述当前的温度上升速度预测值与所述当前的实际温度上升速度值的差值小于或等于所述第二阈值,则判定热失控风险的等级为低风险。
4.根据权利要求1所述的一种基于大数据的热失控风险评估方法,其特征在于:所述步骤3中,t的取值为1。
5.根据权利要求1值4中任一项一种所述的基于大数据的热失控风险评估方法,其特征在于:所述设备为同一车型的电动汽车。
6.根据权利要求5所述的一种基于大数据的热失控风险评估方法,其特征在于:所述步骤1中,所述设备的多项状态参数值包括总电流、总电压、SOC、充电状态、车速、加速踏板角度、刹车踏板角度、累计里程、液冷启动开关状态、环境温度、液冷系统运行时长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011252045.XA CN112363061A (zh) | 2020-11-11 | 2020-11-11 | 一种基于大数据的热失控风险评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011252045.XA CN112363061A (zh) | 2020-11-11 | 2020-11-11 | 一种基于大数据的热失控风险评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112363061A true CN112363061A (zh) | 2021-02-12 |
Family
ID=74514538
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011252045.XA Pending CN112363061A (zh) | 2020-11-11 | 2020-11-11 | 一种基于大数据的热失控风险评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112363061A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113466713A (zh) * | 2021-07-15 | 2021-10-01 | 北京工业大学 | 一种基于随机森林的锂电池安全度估算方法及装置 |
CN114418238A (zh) * | 2022-02-18 | 2022-04-29 | 盛景智能科技(嘉兴)有限公司 | 油温异常预测方法、装置及作业机械 |
CN114483479A (zh) * | 2021-12-23 | 2022-05-13 | 中国大唐集团新能源科学技术研究院有限公司 | 一种基于随机森林的风机高温降容状态评估方法 |
CN114781256A (zh) * | 2022-04-18 | 2022-07-22 | 北京航空航天大学 | 一种基于云端终身学习的动力电池热失控风险评估方法 |
CN117349631A (zh) * | 2023-12-04 | 2024-01-05 | 斯润天朗(合肥)科技有限公司 | 电动车热失控预判方法、模型训练方法、装置及相关设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106597299A (zh) * | 2016-11-22 | 2017-04-26 | 南京能启能电子科技有限公司 | 一种锂电池热失控早期预警及自动控制方法 |
CN106682288A (zh) * | 2016-12-13 | 2017-05-17 | 清华大学 | 一种锂离子电池过充电热失控建模方法 |
US20190020077A1 (en) * | 2017-07-17 | 2019-01-17 | International Business Machines Corporation | Battery thermal run-away and combustion prevention system |
DE102017218588A1 (de) * | 2017-10-18 | 2019-04-18 | Bayerische Motoren Werke Aktiengesellschaft | Detektion kritischer Betriebszustände in Lithiumionenzellen |
CN109786872A (zh) * | 2019-03-18 | 2019-05-21 | 北京航空航天大学 | 一种锂离子电池热失控预警系统及方法 |
CN109978229A (zh) * | 2019-02-12 | 2019-07-05 | 常伟 | 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 |
CN110161414A (zh) * | 2019-06-13 | 2019-08-23 | 北京理工大学 | 一种动力电池热失控在线预测方法及系统 |
CN110634262A (zh) * | 2019-08-16 | 2019-12-31 | 国网江苏省电力有限公司 | 一种磷酸铁锂储能电站电池预制舱火灾预警方法 |
CN110690513A (zh) * | 2019-10-12 | 2020-01-14 | 北京精密机电控制设备研究所 | 一种电池热失控状态检测控制装置及方法 |
CN111653840A (zh) * | 2020-06-08 | 2020-09-11 | 中国第一汽车股份有限公司 | 一种预警方法、装置、设备及存储介质 |
CN111817402A (zh) * | 2020-07-28 | 2020-10-23 | 深圳市福光动力通信设备有限公司 | 一种全状态电池热失控安全管理的方法及装置 |
-
2020
- 2020-11-11 CN CN202011252045.XA patent/CN112363061A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106597299A (zh) * | 2016-11-22 | 2017-04-26 | 南京能启能电子科技有限公司 | 一种锂电池热失控早期预警及自动控制方法 |
CN106682288A (zh) * | 2016-12-13 | 2017-05-17 | 清华大学 | 一种锂离子电池过充电热失控建模方法 |
US20190020077A1 (en) * | 2017-07-17 | 2019-01-17 | International Business Machines Corporation | Battery thermal run-away and combustion prevention system |
DE102017218588A1 (de) * | 2017-10-18 | 2019-04-18 | Bayerische Motoren Werke Aktiengesellschaft | Detektion kritischer Betriebszustände in Lithiumionenzellen |
CN109978229A (zh) * | 2019-02-12 | 2019-07-05 | 常伟 | 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 |
CN109786872A (zh) * | 2019-03-18 | 2019-05-21 | 北京航空航天大学 | 一种锂离子电池热失控预警系统及方法 |
CN110161414A (zh) * | 2019-06-13 | 2019-08-23 | 北京理工大学 | 一种动力电池热失控在线预测方法及系统 |
CN110634262A (zh) * | 2019-08-16 | 2019-12-31 | 国网江苏省电力有限公司 | 一种磷酸铁锂储能电站电池预制舱火灾预警方法 |
CN110690513A (zh) * | 2019-10-12 | 2020-01-14 | 北京精密机电控制设备研究所 | 一种电池热失控状态检测控制装置及方法 |
CN111653840A (zh) * | 2020-06-08 | 2020-09-11 | 中国第一汽车股份有限公司 | 一种预警方法、装置、设备及存储介质 |
CN111817402A (zh) * | 2020-07-28 | 2020-10-23 | 深圳市福光动力通信设备有限公司 | 一种全状态电池热失控安全管理的方法及装置 |
Non-Patent Citations (2)
Title |
---|
李钊 等: "锂离子电池热失控早期预警特征参数分析", 《消防科学与技术》, 15 February 2020 (2020-02-15), pages 146 - 149 * |
赖铱麟;杨凯;刘皓;章姝俊;张明杰;范茂松;: "锂离子电池安全预警方法综述", 储能科学与技术, no. 06, 30 October 2020 (2020-10-30), pages 1926 - 1932 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113466713A (zh) * | 2021-07-15 | 2021-10-01 | 北京工业大学 | 一种基于随机森林的锂电池安全度估算方法及装置 |
CN113466713B (zh) * | 2021-07-15 | 2024-04-12 | 北京工业大学 | 一种基于随机森林的锂电池安全度估算方法及装置 |
CN114483479A (zh) * | 2021-12-23 | 2022-05-13 | 中国大唐集团新能源科学技术研究院有限公司 | 一种基于随机森林的风机高温降容状态评估方法 |
CN114483479B (zh) * | 2021-12-23 | 2023-09-12 | 大唐可再生能源试验研究院有限公司 | 一种基于随机森林的风机高温降容状态评估方法 |
CN114418238A (zh) * | 2022-02-18 | 2022-04-29 | 盛景智能科技(嘉兴)有限公司 | 油温异常预测方法、装置及作业机械 |
CN114781256A (zh) * | 2022-04-18 | 2022-07-22 | 北京航空航天大学 | 一种基于云端终身学习的动力电池热失控风险评估方法 |
CN114781256B (zh) * | 2022-04-18 | 2024-06-14 | 北京航空航天大学 | 一种基于云端终身学习的动力电池热失控风险评估方法 |
CN117349631A (zh) * | 2023-12-04 | 2024-01-05 | 斯润天朗(合肥)科技有限公司 | 电动车热失控预判方法、模型训练方法、装置及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112363061A (zh) | 一种基于大数据的热失控风险评估方法 | |
Feng et al. | Propagation mechanisms and diagnosis of parameter inconsistency within Li-Ion battery packs | |
Panchal et al. | Cycling degradation testing and analysis of a LiFePO4 battery at actual conditions | |
Panchal et al. | Thermal and electrical performance assessments of lithium-ion battery modules for an electric vehicle under actual drive cycles | |
CN110873841B (zh) | 一种基于数据驱动与电池特性相结合的电池寿命预测方法 | |
CN109655754B (zh) | 一种基于充电过程多维分阶的电池性能评估方法 | |
CN108872863B (zh) | 一种优化分类的电动汽车充电状态监测方法 | |
CN110133503B (zh) | 一种电芯检测方法及装置 | |
CN111025168A (zh) | 一种电池健康状态监控装置及电池荷电状态智能估算方法 | |
CN116381514B (zh) | 一种电芯压差预警方法、装置、存储介质及设备 | |
CN111257770B (zh) | 一种电池包功率估算方法 | |
CN116027199B (zh) | 基于电化学模型参数辨识检测电芯全寿命内短路的方法 | |
CN110045291B (zh) | 一种锂电池容量估计方法 | |
CN117341476B (zh) | 一种电池压差故障预警方法及系统 | |
CN115958957B (zh) | 一种电动汽车动力电池充电过热故障预测方法及系统 | |
CN117719345B (zh) | 一种基于ic曲线考虑老化的电池微短路量化方法 | |
CN113866669A (zh) | 电芯内部短路故障的检测方法、装置、设备和介质 | |
CN115389958B (zh) | 一种锂离子电池运行安全性评估方法及系统 | |
CN111983463A (zh) | 一种电动汽车用锂离子电池剩余电量预警诊断测试方法 | |
CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
Wang et al. | Quantitative diagnosis of the soft short circuit for LiFePO4 battery packs between voltage plateaus | |
CN108832187B (zh) | 基于新能源汽车储能需求的锂离子电池的设计方法 | |
CN115469226A (zh) | 一种基于运行大数据的电动汽车动力电池实时安全预警方法 | |
Xu et al. | The Effect of Charge Behavior on Lithium Battery SOH | |
CN112162198B (zh) | 一种适用于混动车辆的电池健康诊断系统及方法 |
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 |