CN112380630B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112380630B CN112380630B CN202011352018.XA CN202011352018A CN112380630B CN 112380630 B CN112380630 B CN 112380630B CN 202011352018 A CN202011352018 A CN 202011352018A CN 112380630 B CN112380630 B CN 112380630B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- vehicles
- sample
- score
- new energy
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Geometry (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供了一种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,涉及新能源动力电池技术领域,通过TSP通信协议采集新能源汽车的预设信号,同时对新能源电池可能发生的异常预警事件进行定义,用于明确预测目标,并在明确预测目标后,基于采集到的预设信号,通过XGBoost二分类模型算法进行建模,从而能够针对单车天粒度的样本数据进行预测。解决了训练样本不足、样本不均衡、受限于实验室环境实现等因素的技术问题,大幅度提升了算法执行效率,降低了预测样本过拟合的情况,从整体大幅度提升了模型准确度与计算效率。
Description
技术领域
本发明涉及新能源动力电池技术领域,具体涉及一种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。
背景技术
为了缓解能源危机和环境污染的巨大问题,大力发展新能源汽车已成为汽车产业的必然趋势。锂离子动力电池由于具有比能量高、比功率高、充放电倍率高、循环寿命长等优点,已成为新能源汽车中最普遍使用的能量源。然而,随着新能源汽车续驶里程的日益增加,使得锂离子动力电池的能量密度越来越大,降低了锂离子动力电池的安全性,导致以热失控为主的锂离子动力电池安全性事故常有发生。导致电池热失控的因素很多,包括内部因素与外部因素,内部因素主要是电池生产缺陷导致内短路;或电池使用不当,导致内部产生锂枝晶引发正负极短路。外部因素主要是:挤压和针刺等外部因素导致锂离子电池发生短路;或电池外部短路造成电池内部热量累积过快,外部温度过高导致 SEI膜和正极材料等发生分解。
随着科技的发展,新能源汽车的车联网应用为新兴物联网的数据应用领域,但由于数据智能应用起步较晚,且新能源汽车发生热失控导致车辆自燃的事故相对较少,获取已发生的热失控车辆的数据难度更大,所以业界在做热失控故障预测过程缺少真实工况下建模需要的热失控数据的目标变量。现在业界中构建的模型目标变量基本是通过采用实验室数据人工干预方式对电池人为制造热失控故障,进而收集特征数据并定义坏样本,作为预测模型的必要输入。另外一方面业界现有专利使用时间序列方法,但该方法对汽车行驶工况习惯作了持续且稳定的条件假设,弊端在于该方法模型并不能适用所有现实真实车辆行驶工况环境做故障模型的预测。
因此,有必要提出一种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。
发明内容
有鉴于此,本发明的目的在于提供一种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,用于解决预测电池热失控风险的训练样本不足、样本不均衡,且受限于实验室环境等因素所导致的技术问题。
本发明提供了一种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,包括:
步骤S1,通过TSP通信协议采集新能源汽车的预设信号,所述预设信号至少包括行驶状态信号、充电状态信号、SOC、单体电池电压信号以及时间戳;
步骤S2,对车辆的异常预警事件进行定义,用于明确预测目标,并基于所述异常预警事件发生的次数,计算车辆的安全风险总评分,所述异常预警事件至少包括潜在异常电芯、△SOC异常以及电压排序异常;
步骤S3,在明确预测目标后,基于所述步骤S1中采集的预设信号构建预测模型,具体步骤包括:
步骤S301,将收集数据按照天粒度汇总统计计算,并将所述数据中的车辆风险评分高的定义为好样本,将车辆风险评分低的定义为坏样本,所述好样本与坏样本作为所述预测模型的目标变量;
步骤S302,构建所述天粒度的特征变量,所述特征变量至少包括日充电次数、日均快充时长、日均慢充时长、日过充次数以及日过放次数;
步骤S303,删除所述特征变量中特征贡献度排名靠后,且存在多重共线性的特征变量;
步骤S304,通过XGBoost算法,建立二分类模型,其中,
输出是强学习器f(x);
每一轮弱学习器迭代过程包括如下步骤:
步骤b,基于当前节点分裂决策树,设置分数score=0,G为当前需要分裂的节点的一阶导数之和,H为当前需要分裂的节点的二阶导数之和,并对特征序号k进行排序,其中,k=1,2...K;
将样本按特征k从小到大排列,依次取出第i个样本,并依次计算当前样本训练集放入左子树后,得到左子树的一阶导数之和GL与左子树的二阶导数之和HL,右子树的一阶导数之和GR与右子树的二阶导数之和HR,其表达式如下:
GL=G’L+gti,GR=G-GL;
HL=H'L+hti,HR=H-HL;
其中,G’L和H'L的初始值为0,每完成一轮迭代后,令G’L=GL,H'L=HL;
更新最大分数score,其表达式如下:
步骤c,基于所述最大分数score对应的划分特征与特征值分裂树,若得到所述最大分数score为0,则表示当前决策树建立完毕,计算所有叶子区域的最优解,得到弱学习器ht(x),同时更新强学习器f(x),进入下一轮弱学习器迭代;若所述最大分数score不是0,则转到步骤b继续分裂决策树,直至所述最大分数score为0;
步骤S4,利用模型进行预测,即通过收集待预测车辆的天粒度的特征数据,并将所述特征数据输入预测模型后,得到预测模型的输出样本为好样本或坏样本的预测概率结果。
进一步地,所述步骤S2中对发生异常预警事件的车辆按照安全风险总评分进行排序的具体步骤包括:
步骤S201,按天粒度计算每辆车发生异常预警事件的次数;
步骤S202,按照天粒度计算每辆车的安全风险总评分,其评分标准如下:
100–{(X-Xmin)\(Xmax-Xmin)}*100,
其中,X表示车辆当月行为出行次数,Xmax表示行为出行最多次数,Xmin 表示行为出行最少次数;
步骤S203,基于所述步骤S202的风险总评分结果,计算天粒度所有车辆的得分与排名;
步骤S204,并对所述步骤S203中车辆排名靠近尾部的预设车辆数定义为存在电池热失控高危风险车辆。
进一步地,为保证所述步骤S4中预测结果的准确性,还需对所述预测模型进行精度测试验证,所述验证方式为交叉验证和混淆矩阵中精度输出的综合验证方式。
本发明带来了以下有益效果:
本发明所述的一种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,在满足车辆真实行驶工况条件下,经专家业务经验定义给出真实的坏样本作为建模需要,通过XGBoost二分类模型算法进行建模,从而能够针对单车天粒度的样本数据进行预测。解决了训练样本不足、样本不均衡、受限于实验室环境实现等因素的技术问题,大幅度提升了算法执行效率,降低了预测样本过拟合的情况,从整体大幅度提升了模型准确度与计算效率。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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他的附图。
图1为本发明提供的一种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总流程示意图;
图2为本发明提供的对热失控的异常预警事件进行定义的过程流程图;
图3为本发明提供的一种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的建模流程图;
图4为本发明提供的一种基于XGBoost算法建立二分类模型的流程图。
具体实施方式
如图1所示,一种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,包括:
步骤S1,通过TSP通信协议对所述新能源汽车的预设信号进行采集,所述预设信号至少包括行驶状态信号、充电状态信号、VIN、SOC、PACK极值温度与电压、单体电池电压信号、时间戳等企标自定义的信号项,以实现上述预设信号想达到的条件,且当上述企标信号的频率小于10秒时,能够更好实现预测模型的效果。
步骤S2,在采集预设信号的同时,还需对车辆的异常预警事件进行定义,用于明确预测目标,并基于所述异常预警事件发生的次数,计算车辆的安全风险总评分,所述异常预警事件至少包括潜在异常电芯、△SOC异常以及电压排序异常。
在本实施例中,上述异常预警事件基于新能源电池自放电、压差等可能影响热失控的影响所进行定义的热控制因子,包括但不限于以下异常预警事件:如高危行为,所述高危行为包括过充行为、过放行为、电池高温驾驶行为以及电池低温驾驶行为;如潜在异常电芯,所述潜在异常电芯包括车辆电芯温度一致性异常与车辆电芯电压一致性异常;如△SOC异常,所述△SOC异常包括△自偏差、△SOC连续低风险、△SOC连续降低中风险、△连续降低高风险;如电压排序异常,所述电压排序异常包括电压排序变化异常。
如图2所示,对发生异常预警事件的车辆按照安全风险总评分进行排序的具体步骤包括:
步骤S201,按天粒度计算每辆车发生异常预警事件的次数;
步骤S202,按照天粒度计算每辆车的安全风险总评分,其评分标准如下:
100–{(X-Xmin)\(Xmax-Xmin)}*100,
其中,X表示车辆当月行为出行次数,Xmax表示行为出行最多次数,Xmin 表示行为出行最少次数,热失控风险总评分等于上述提及的全部异常预警事件加权求和(权重系数和为1);
步骤S203,基于所述步骤202的风险总评分结果,计算天粒度所有车辆的得分与排名;
步骤S204,并对所述步骤203中车辆排名靠近尾部的预设车辆数定义为存在电池热失控高危风险车辆。
当求出评分结果后,对当天所有车辆的总评分进行降序排列,取排名靠近尾部的预设数量数为P%的车辆,作为电池热失控的风险车辆,其中,P是通过实际数据观察得到的数据,还可以根据实际数据分布进行调节。通过对所有下线车数据进行采集计算,定义具有代表性的异常事件识别,面向所有单车按天粒度对出现异常事件进行标准化评价,再通过加权求和方法与业务专家权重输入计算,得出所有新能源车辆总体中相对存在较高热失控风险的车辆,通过此系列方法来定义建立预测模型需要的目标变量,进而通过XGBoost二分类模型算法进行建模,从而进行单车天粒度的样本数据的预测。
需要说明的是,建模算法现在业界普遍采用针对二分类建模方法选型普遍选用基础的逻辑回归、时序模型分析的ARIMA模型以及机器学习中随机森林与 GBDT方法,同时还采用了集成学习XGBoost算法优点包括传统GBDT以CART 作为基分类器。考虑到XGBoost还支持线性分类器,这个时候XGBoost相当于带L1和L2正则化项的逻辑斯蒂回归(分类问题)或者线性回归(回归问题)。 XGBoost不仅使用到了一阶导数,还使用二阶导数,损失更少精确,还可以自定义损失;XGBoost的并行优化,XGBoost的并行是在特征粒度上的;它还考虑了训练数据为稀疏值的情况,可以为缺失值或者指定的值指定分支的默认方向,大大地提升了算法的效率,同时还支持列抽样,不仅能降低过拟合,还能减少计算。总之,相比于现有的技术,该模型算法可在减少计算量的基础上,提升预测热失控模型的。另外针对模型构建的变量特征以天粒度进行计算与处理,满足汽车实际业务场景设计与需要。
步骤S3,当所述步骤S2中明确预测相关目标后,基于所述步骤S1中采集的预设信号构建预测模型算法,如图3所示,具体步骤包括:
步骤S301,将收集数据按照天粒度汇总统计计算,并累计天粒度的样本数据,同时将所述样本数据中的车辆风险评分高的定义为好样本,将车辆风险评分低的定义为坏样本,所述好样本与坏样本作为所述预测模型的目标变量。
步骤S302,构建所述天粒度的特征变量,所述特征变量包括但不限于日充电次数、日均快充时长、日均慢充时长、日过充次数、日过放次数、日SOC>90%静置时长、日充电开始SOC<10%时长、单日行驶里程、SOH、日均内阻标准差、日均静态压差>100mV的次数、单日充放电单体电压过高次数、单日充放电单体电压过低、单日SOC过低次数、单日SOC一致性差异过大次数以及单日SOC一致性劣化速度异常次数等。
步骤S303,然后进行特征工程处理,删除所述特征变量中特征贡献度排名靠后,且存在多重共线性的特征变量。
需要说明的是,本实施例中的多重共线性具体是指线性回归模型中的解释变量之间,由于存在精确相关关系或高度相关关系而使预测模型估计失真或难以估计准确。通常对于共线性的处理方法为VIF检验,将VIF检验系数大于5 以上的特征判定为共线性特征,并予以删除处理。而贡献度则是通过计算并使用IV值、相关系数、方差分析等方法,并进行排序,选出排名最高的几个特征,共线性通过计算相关系数和作图的方法,排除有多重共线性的特征。
步骤S304,通过XGBoost算法,建立二分类模型,该算法主流程序如下描述,不涉及运行效率的优化和健壮性优化的内容:
输出是强学习器f(x);
如图4所示,每一轮弱学习器迭代过程包括如下步骤:
步骤b,基于当前节点分裂决策树,设置分数score=0,G为当前需要分裂的节点的一阶导数之和,H为当前需要分裂的节点的二阶导数之和,并对特征序号k进行排序,其中,k=1,2...K:
将样本按特征k从小到大排列,依次取出第i个样本,并依次计算当前样本训练集放入左子树后,得到左子树的一阶导数之和GL与左子树的二阶导数之和HL,右子树的一阶导数之和GR与右子树的二阶导数之和HR,其表达式如下:
GL=G’L+gti,GR=G-GL;
HL=H'L+hti,HR=H-HL;
其中,G’L和H'L的初始值为0,每完成一轮迭代后,令G’L=GL,H'L=HL;
更新最大分数score,其表达式如下:
步骤c,基于所述最大分数score对应的划分特征与特征值分裂树,若得到所述最大分数score为0,则表示当前决策树建立完毕,计算所有叶子区域的最优解,得到弱学习器ht(x),同时更新强学习器f(x),进入下一轮弱学习器迭代;若所述最大分数score不是0,则转到步骤b继续分裂决策树,直至所述最大分数score为0;
步骤S4,利用模型进行预测,通过收集待预测车辆的天粒度的特征数据,并将所述特征数据输入预测模型后,得到预测模型的输出样本为好样本或坏样本的预测概率结果。
同时为了保证预测结果的准确性,还需对所述预测模型进行精度测试验证,常用的精度测试方法主要是交叉验证,但是通过交叉验证和混淆矩阵中精度输出的综合方式进行验证,能够更加准确地对算法精度进行估算,例如10折交叉验证(10-fold crossvalidation),首先将样本数据集分成十份,轮流将其中9份做训练,1份做验证。然后从10次混淆矩阵中提取数据,该数据包括精确度、准确率、召回率、特异度等判定值结果的均值作为对算法精度的估计,所述混淆矩阵参见表1,并结合进行多次10折交叉验证求其均值,其中,
精确度(Precision):P=TP/(TP+FP),反映了被分类器判定的正例中真正的正例样本的比重;
准确率(Accuracy):A=(TP+TN)/(P+N)=(TP+TN)/(TP+FN+FP+ TN),反映了分类器统对整个样本的判定能力——能将正的判定为正,负的判定为负;
真正类率(sehsitivity-敏感度),即召回率(Recall),TPR=TP/(TP+FN) =1-FN/T;反映了被正确判定的正例占总的正例的比重;
真负类率(Specificity-特异度),S=TN/(TN+FP)=1-FP/N,明显的这个和召回率是对应的指标,只是用它在衡量类别0的判定能力。
表1:
预测 | ||||
1 | 0 | 合计 | ||
实际 | 1 | True Positive(TP) | False Negative(FN) | Actual Positive(TP+FN) |
0 | False Positive(FP) | True Negative(TN) | Actual Negative(FP+TN) | |
合计 | Predicted Positive(TP+FP) | Predicted Negative(FN+TN) | TP+FP+FN+TN |
Claims (3)
1.一种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,其特征在于,包括:
步骤S1,通过TSP通信协议采集新能源汽车的预设信号,所述预设信号至少包括行驶状态信号、充电状态信号、SOC、单体电池电压信号以及时间戳;
步骤S2,对车辆的异常预警事件进行定义,用于明确预测目标,并基于所述异常预警事件发生的次数,计算车辆的安全风险总评分,所述异常预警事件至少包括潜在异常电芯、△SOC异常以及电压排序异常;
步骤S3,在明确预测目标后,基于所述步骤S1中采集的预设信号构建预测模型,具体步骤包括:
步骤S301,将收集数据按照天粒度汇总统计计算,并将所述数据中的车辆风险评分高的定义为好样本,将车辆风险评分低的定义为坏样本,所述好样本与坏样本作为所述预测模型的目标变量;
步骤S302,构建所述天粒度的特征变量,所述特征变量至少包括日充电次数、日均快充时长、日均慢充时长、日过充次数以及日过放次数;
步骤S303,删除所述特征变量中特征贡献度排名靠后,且存在多重共线性的特征变量;
步骤S304,通过XGBoost算法,建立二分类模型,其中,
输出是强学习器f(x);
每一轮弱学习器迭代过程包括如下步骤:
步骤b,基于当前节点分裂决策树,设置分数score=0,G为当前需要分裂的节点的一阶导数之和,H为当前需要分裂的节点的二阶导数之和,并对特征序号k进行排序,其中,k=1,2...K;
将样本按特征k从小到大排列,依次取出第i个样本,并依次计算当前样本训练集放入左子树后,得到左子树的一阶导数之和GL与左子树的二阶导数之和HL,右子树的一阶导数之和GR与右子树的二阶导数之和HR,其表达式如下:
GL=G’L+gti,GR=G-GL;
HL=H'L+hti,HR=H-HL;
其中,G’L和H'L的初始值为0,每完成一轮迭代后,令G’L=GL,H'L=HL;
更新最大分数score,其表达式如下:
步骤c,基于所述最大分数score对应的划分特征与特征值分裂树,若得到所述最大分数score为0,则表示当前决策树建立完毕,计算所有叶子区域的最优解,得到弱学习器ht(x),同时更新强学习器f(x),进入下一轮弱学习器迭代;若所述最大分数score不是0,则转到步骤b继续分裂决策树,直至所述最大分数score为0;
步骤S4,利用模型进行预测,即通过收集待预测车辆的天粒度的特征数据,并将所述特征数据输入预测模型后,得到预测模型的输出样本为好样本或坏样本的预测概率结果。
2.根据权利要求1所述的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,其特征在于,所述步骤S2中对发生异常预警事件的车辆按照安全风险总评分进行排序的具体步骤包括:
步骤S201,按天粒度计算每辆车发生异常预警事件的次数;
步骤S202,按照天粒度计算每辆车的安全风险总评分,其评分标准如下:
100–{(X-Xmin)\(Xmax-Xmin)}*100,
其中,X表示车辆当月行为出行次数,Xmax表示行为出行最多次数,Xmin表示行为出行最少次数;
步骤S203,基于所述步骤S202的风险总评分结果,计算天粒度所有车辆的得分与排名;
步骤S204,并对所述步骤S203中车辆排名靠近尾部的预设车辆数定义为存在电池热失控高危风险车辆。
3.根据权利要求1所述的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,其特征在于,为保证所述步骤S4中预测结果的准确性,还需对所述预测模型进行精度测试验证,所述验证方式为交叉验证和混淆矩阵中精度输出的综合验证方式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011352018.XA CN112380630B (zh) | 2020-11-27 | 2020-11-27 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011352018.XA CN112380630B (zh) | 2020-11-27 | 2020-11-27 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112380630A CN112380630A (zh) | 2021-02-19 |
CN112380630B true CN112380630B (zh) | 2022-06-14 |
Family
ID=74587779
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011352018.XA Active CN112380630B (zh) | 2020-11-27 | 2020-11-27 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112380630B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112986834B (zh) * | 2021-02-26 | 2023-08-15 | 深蓝汽车科技有限公司 | 一种基于电压排序的电池安全监控方法及系统 |
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 |
CN114325406A (zh) * | 2021-12-30 | 2022-04-12 | 重庆长安新能源汽车科技有限公司 | 一种基于机器学习思维预测电池热失控的方法及系统 |
CN114240260B (zh) * | 2022-02-17 | 2022-05-20 | 北京航空航天大学 | 一种基于数字孪生的新能源群体车辆热失控风险评估方法 |
CN115588244B (zh) * | 2022-09-29 | 2024-07-02 | 深蓝汽车科技有限公司 | 一种车联网大数据实时分析方法、装置、设备及介质 |
CN117970127B (zh) * | 2024-03-29 | 2024-07-30 | 深圳联友科技有限公司 | 用于识别动力电池异常自放电的方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110058178A (zh) * | 2019-05-14 | 2019-07-26 | 郑州大学 | 一种锂电池健康状态检测方法和系统 |
CN111812515A (zh) * | 2020-07-17 | 2020-10-23 | 广西师范大学 | 基于XGboost模型的锂离子电池荷电状态估算 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11383612B2 (en) * | 2018-10-22 | 2022-07-12 | Oracle International Corporation | Detection of electric vehicle charging at premise |
-
2020
- 2020-11-27 CN CN202011352018.XA patent/CN112380630B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110058178A (zh) * | 2019-05-14 | 2019-07-26 | 郑州大学 | 一种锂电池健康状态检测方法和系统 |
CN111812515A (zh) * | 2020-07-17 | 2020-10-23 | 广西师范大学 | 基于XGboost模型的锂离子电池荷电状态估算 |
Non-Patent Citations (1)
Title |
---|
基于车辆行为的车载电池SOC的预测;许娟婷 等;《传动技术》;20190331;第33卷(第117期);22-28 * |
Also Published As
Publication number | Publication date |
---|---|
CN112380630A (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112380630B (zh) | 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 | |
CN111707951B (zh) | 一种电池组一致性评估方法及系统 | |
CN112034356B (zh) | 基于gp-ukf的电动汽车动力电池在线soh估算方法 | |
Haris et al. | Degradation curve prediction of lithium-ion batteries based on knee point detection algorithm and convolutional neural network | |
CN113702843B (zh) | 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法 | |
Xu et al. | A vehicle-cloud collaborative method for multi-type fault diagnosis of lithium-ion batteries | |
CN115327422A (zh) | 基于充放电行为的电动公交动力电池健康度评价方法 | |
CN110221222A (zh) | 电池安全截止电压预测方法、装置及电池管理系统 | |
CN110941929A (zh) | 一种基于ARMA和Elman神经网络联合建模的电池健康状态评估方法 | |
CN113821976A (zh) | 一种基于集成算法的锂电池故障诊断建模方法 | |
CN113125960A (zh) | 一种基于随机森林模型的车载锂离子电池荷电状态预测方法 | |
CN111999650A (zh) | 一种基于支持向量回归算法的锂电池剩余寿命预测方法 | |
CN114280479A (zh) | 一种基于电化学阻抗谱的退役电池快速分选方法 | |
CN115469227A (zh) | 一种集合变分自编码器与动态规整的锂电池异常检测方法 | |
Zhang et al. | Interpretable battery cycle life range prediction using early cell degradation data | |
Long et al. | Multi-parameter optimization method for remaining useful life prediction of lithium-ion batteries | |
CN114545279B (zh) | 一种基于神经网络常微分方程的锂电池健康状态估计方法 | |
CN117949832B (zh) | 一种基于优化神经网络的电池soh分析方法 | |
CN115684936A (zh) | 一种基于机器学习的动力电池健康失效概率计算与健康失效图谱建立方法 | |
Lamprecht et al. | Random forest regression of charge balancing data: A state of health estimation method for electric vehicle batteries | |
Rozaqi et al. | SOC estimation for Li-ion battery using optimum RLS method based on genetic algorithm | |
CN110232432B (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
CN116930769A (zh) | 一种基于双向生成式对抗神经网络的锂电池建模方法 | |
CN116449244A (zh) | 基于单次放电曲线的锂电池老化轨迹早期预测方法及系统 | |
CN116466250A (zh) | 基于动态工况模型误差特征的动力电池健康状态估计方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: 401133 room 208, 2 house, 39 Yonghe Road, Yu Zui Town, Jiangbei District, Chongqing Patentee after: Deep Blue Automotive Technology Co.,Ltd. Address before: 401133 room 208, 2 house, 39 Yonghe Road, Yu Zui Town, Jiangbei District, Chongqing Patentee before: CHONGQING CHANGAN NEW ENERGY AUTOMOBILE TECHNOLOGY Co.,Ltd. |