CN112622624A - 动力电池热失控预警方法、装置、存储介质及终端设备 - Google Patents
动力电池热失控预警方法、装置、存储介质及终端设备 Download PDFInfo
- Publication number
- CN112622624A CN112622624A CN202011514680.0A CN202011514680A CN112622624A CN 112622624 A CN112622624 A CN 112622624A CN 202011514680 A CN202011514680 A CN 202011514680A CN 112622624 A CN112622624 A CN 112622624A
- Authority
- CN
- China
- Prior art keywords
- power battery
- current
- thermal runaway
- early warning
- driving scene
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013145 classification model Methods 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000004590 computer program Methods 0.000 claims description 19
- 238000004140 cleaning Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 7
- 230000036541 health Effects 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 6
- 238000007477 logistic regression Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000000178 monomer Substances 0.000 description 5
- 206010000369 Accident Diseases 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000008186 active pharmaceutical agent Substances 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 238000001507 sample dispersion Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
- B60L3/0046—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electric energy storage systems, e.g. batteries or capacitors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Power Engineering (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Secondary Cells (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种动力电池热失控预警方法、装置、计算机可读存储介质及终端设备，所述方法包括：根据预设的时间周期获取车辆的当前驾驶场景特征和当前动力电池特征；根据所述当前驾驶场景特征和预设的聚类算法识别所述车辆的当前驾驶场景；确定与所述当前驾驶场景相对应的分类模型；根据所述当前动力电池特征、获得的历史动力电池特征和所述分类模型获得所述当前驾驶场景对应的热失控预警阈值；根据所述当前动力电池特征和所述热失控预警阈值判断是否进行热失控预警。采用本发明的技术方案能够实时获取动力电池的热失控预警阈值，提高热失控判断的准确性，降低车辆的安全隐患。
Description
技术领域
本发明涉及电池安全技术领域，尤其涉及一种动力电池热失控预警方法、装置、计算机可读存储介质及终端设备。
背景技术
根据对近年来新能源汽车的起火事故的统计分析，充电场景是起火事故的高发场景，在所有场景中的占比高达50％，在起火事故的原因中，动力电池自燃占比约为31％，主要是由于锂电池发生内部或者外部短路后，短时间内动力电池释放出大量热量，温度急剧升高，导致热失控，从而引起动力电池自燃。
传统的动力电池热失控检测方法是通过硬件检测电池单体本身的物理信号，当物理信号发生明显变化且触发预设阈值时进行报警，但是，预设阈值在设定好之后一般是保持不变的，而随着动力电池使用年限的增加以及车辆驾驶场景的变化，热失控所对应的实际阈值也在相应变化，可能与预设阈值不同，在这种情况下，固定的预设阈值显然不再适用，仍然使用预设阈值来判断动力电池是否发生热失控，会影响判断结果的准确性，导致车辆存在一定的安全隐患。
发明内容
本发明实施例所要解决的技术问题在于，提供一种动力电池热失控预警方法、装置、计算机可读存储介质及终端设备，能够实时获取动力电池的热失控预警阈值，提高热失控判断的准确性，降低车辆的安全隐患。
为了解决上述技术问题，本发明实施例提供了一种动力电池热失控预警方法，包括：
根据预设的时间周期获取车辆的当前驾驶场景特征和当前动力电池特征；
根据所述当前驾驶场景特征和预设的聚类算法识别所述车辆的当前驾驶场景；
确定与所述当前驾驶场景相对应的分类模型；
根据所述当前动力电池特征、获得的历史动力电池特征和所述分类模型获得所述当前驾驶场景对应的热失控预警阈值；
根据所述当前动力电池特征和所述热失控预警阈值判断是否进行热失控预警。
进一步地，所述当前驾驶场景特征至少包括当前车外温度、当前车外风力、当前行驶功率、当前行驶车速、当前急加速频率、当前急减速频率、当前急转弯频率和当前是否充电。
进一步地，所述分类模型至少包括两个不同类型的分类器，所述分类器至少为基于高斯核的SVM分类器、朴素贝叶斯分类器、随机森林分类器、逻辑回归分类器和梯度提升树分类器中的任意一个；
则，所述根据所述当前动力电池特征、获得的历史动力电池特征和所述分类模型获得所述当前驾驶场景对应的热失控预警阈值，具体包括：
将所述当前动力电池特征和所述历史动力电池特征分别输入到每一个所述分类器中，相应获得至少两个输出结果；
根据预设的集成学习算法对所述至少两个输出结果进行相应处理，获得所述热失控预警阈值。
进一步地，所述当前动力电池特征至少包括当前动力电池电压、当前动力电池电流、当前动力电池健康度、当前动力电池温度、当前电压一阶差分、当前电压二阶差分、当前电流一阶差分、当前电流二阶差分、当前单体电压标准差、当前单体电压四阶中心矩、当前单体温度标准差和当前单体温度四阶中心矩。
进一步地，所述热失控预警阈值包括过压预警阈值、过流预警阈值、过温预警阈值和压差预警阈值中的至少一种；
则，所述根据所述当前动力电池特征和所述热失控预警阈值判断是否进行热失控预警，具体包括：
对所述当前动力电池特征和所述热失控预警阈值进行Spark实时计算；
当所述当前动力电池特征存在以下情况中的至少一种时，进行热失控预警：
A、所述当前动力电池特征大于所述过压预警阈值；
B、所述当前动力电池特征大于所述过流预警阈值；
C、所述当前动力电池特征大于所述过温预警阈值；
D、所述当前动力电池特征大于所述压差预警阈值。
进一步地，所述方法还包括：
当进行热失控预警时，生成相应的热失控预警信息；
将所述热失控预警信息反馈给驾驶员，以提醒驾驶员所述车辆将要发生热失控；
将所述热失控预警信息反馈给安全部门，以提醒安全部门进行救援准备。
进一步地，在所述根据所述当前驾驶场景特征和预设的聚类算法识别所述车辆的当前驾驶场景之前，所述方法还包括：
对所述当前驾驶场景特征和所述当前动力电池特征进行卡尔曼滤波处理，相应获得滤波后的驾驶场景特征和滤波后的动力电池特征；
对所述滤波后的驾驶场景特征和所述滤波后的动力电池特征进行数据清洗处理，并存储清洗后的驾驶场景特征和清洗后的动力电池特征。
为了解决上述技术问题，本发明实施例还提供了一种动力电池热失控预警装置，包括：
车辆特征获取模块，用于根据预设的时间周期获取车辆的当前驾驶场景特征和当前动力电池特征；
驾驶场景识别模块，用于根据所述当前驾驶场景特征和预设的聚类算法识别所述车辆的当前驾驶场景；
分类模型确定模块，用于确定与所述当前驾驶场景相对应的分类模型；
热失控预警阈值获取模块，用于根据所述当前动力电池特征、获得的历史动力电池特征和所述分类模型获得所述当前驾驶场景对应的热失控预警阈值；
热失控预警判断模块，用于根据所述当前动力电池特征和所述热失控预警阈值判断是否进行热失控预警。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一项所述的动力电池热失控预警方法。
本发明实施例还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现上述任一项所述的动力电池热失控预警方法。
与现有技术相比，本发明实施例提供了一种动力电池热失控预警方法、装置、计算机可读存储介质及终端设备，先根据预设的时间周期获取车辆的当前驾驶场景特征和当前动力电池特征，再根据所述当前驾驶场景特征和预设的聚类算法识别所述车辆的当前驾驶场景，以确定与所述当前驾驶场景相对应的分类模型，接着根据所述当前动力电池特征、获得的历史动力电池特征和所述分类模型获得所述当前驾驶场景对应的热失控预警阈值，最后根据所述当前动力电池特征和所述热失控预警阈值判断是否进行热失控预警，从而能够根据车辆的当前驾驶场景以及动力电池的使用情况实时获取相应的动力电池的热失控预警阈值，使得热失控预警阈值随着驾驶场景以及动力电池的使用情况的变化而变化，进而提高了热失控判断的准确性，降低了车辆的安全隐患。
附图说明
图1是本发明提供的一种动力电池热失控预警方法的一个优选实施例的流程图；
图2是本发明提供的一种动力电池热失控预警装置的一个优选实施例的结构框图；
图3是本发明提供的一种终端设备的一个优选实施例的结构框图。
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，本技术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，都属于本发明保护的范围。
本发明实施例提供了一种动力电池热失控预警方法，参见图1所示，是本发明提供的一种动力电池热失控预警方法的一个优选实施例的流程图，所述方法包括步骤S11至步骤S15：
步骤S11、根据预设的时间周期获取车辆的当前驾驶场景特征和当前动力电池特征；
步骤S12、根据所述当前驾驶场景特征和预设的聚类算法识别所述车辆的当前驾驶场景；
步骤S13、确定与所述当前驾驶场景相对应的分类模型；
步骤S14、根据所述当前动力电池特征、获得的历史动力电池特征和所述分类模型获得所述当前驾驶场景对应的热失控预警阈值；
步骤S15、根据所述当前动力电池特征和所述热失控预警阈值判断是否进行热失控预警。
具体的，首先根据预先设置的时间周期实时获取车辆的当前驾驶场景特征，以及，实时采集获取车辆的动力电池的电池信号，相应获得车辆的当前动力电池特征，接着基于预先设置的聚类算法，根据获得的车辆的当前驾驶场景特征对车辆当前所处的驾驶场景进行识别，相应获得车辆的当前驾驶场景，然后根据识别出的车辆的当前驾驶场景确定与该当前驾驶场景相对应的分类模型，并将车辆的当前动力电池特征和已经获得的车辆的历史动力电池特征作为确定的分类模型的输入，根据确定的分类模型相应获得车辆的当前驾驶场景所对应的热失控预警阈值，最后根据车辆的当前动力电池特征和获得的热失控预警阈值判断是否需要进行动力电池的热失控预警。
其中，动力电池的热失控预警阈值是动态变化的，不同的驾驶场景所对应的热失控预警阈值是不同的，因此需要根据车辆的当前驾驶场景特征识别出车辆当前所处的驾驶场景，并确定与当前驾驶场景相对应的分类模型，进一步的，考虑到动力电池的使用年限，不同的动力电池使用情况所对应的热失控预警阈值也是不同的，因此需要根据车辆的所有动力电池特征以及确定的分类模型相应获得与当前驾驶场景以及当前动力电池特征相对应的热失控预警阈值，实现热失控预警阈值的动态调整。
需要说明的是，所使用的聚类算法可以是Kmeans聚类算法，通过无监督学习来区分车辆的不同驾驶场景，也可以是其他常用的聚类算法或场景分类算法，本发明实施例不作具体限定。
本发明实施例所提供的一种动力电池热失控预警方法，能够根据车辆的当前驾驶场景以及动力电池的使用情况实时获取当前的动力电池所对应的热失控预警阈值，使得热失控预警阈值随着驾驶场景以及动力电池的使用情况的变化而变化，从而提高了热失控判断的准确性，降低了车辆的安全隐患。
作为上述方案的改进，所述当前驾驶场景特征至少包括当前车外温度、当前车外风力、当前行驶功率、当前行驶车速、当前急加速频率、当前急减速频率、当前急转弯频率和当前是否充电。
具体的，结合上述实施例，车辆的驾驶场景特征包括但不限于车辆的车外温度、车外风力、行驶功率、行驶车速、急加速频率、急减速频率、急转弯频率和是否充电等特征，通过对这些特征进行聚类，可以相应识别出车辆的驾驶场景。
例如，通过Kmeans无监督学习算法自动生成10类驾驶场景，不同的驾驶场景分别对应不同的特征取值范围，假设分类后的第2类驾驶场景所对应的行驶功率的取值范围为[80，120]，行驶车速的取值范围为[20，40]，车外温度的取值范围为[10，15]，如果车辆的当前驾驶场景特征中的当前车外温度为12，当前行驶功率为85，当前行驶车速为29(其他特征所对应的取值范围同理，不再一一列举)，则经过聚类后识别出车辆当前所处的驾驶场景为第2类驾驶场景。
在另一个优选实施例中，所述分类模型至少包括两个不同类型的分类器，所述分类器至少为基于高斯核的SVM分类器、朴素贝叶斯分类器、随机森林分类器、逻辑回归分类器和梯度提升树分类器中的任意一个；
则，所述根据所述当前动力电池特征、获得的历史动力电池特征和所述分类模型获得所述当前驾驶场景对应的热失控预警阈值，具体包括：
将所述当前动力电池特征和所述历史动力电池特征分别输入到每一个所述分类器中，相应获得至少两个输出结果；
根据预设的集成学习算法对所述至少两个输出结果进行相应处理，获得所述热失控预警阈值。
具体的，结合上述实施例，与当前驾驶场景特征相对应的分类模型由至少两个不同类型的分类器组成，在确定分类模型之后，先将车辆的当前动力电池特征和已经获得的车辆的历史动力电池特征作为确定的分类模型的输入，分别输入到分类模型中的每一个分类器中，每一个分类器均对应一个输出结果，相应获得至少两个输出结果，再根据预先设置的集成学习算法对获得的至少两个分类器的输出结果进行相应处理，获得车辆的当前驾驶场景所对应的热失控预警阈值。
需要说明的是，现有技术一般使用单一的分类器作为分类模型，本发明实施例中使用的分类模型包括至少两个不同类型的分类器，并且可以使用基于高斯核的SVM分类器、朴素贝叶斯分类器、随机森林分类器、逻辑回归分类器或梯度提升树分类器，也可以使用其他类型的分类器，本发明实施例不做具体限定。
另外，所使用的集成学习算法可以是Stacking集成学习算法，也可以是其他常用的算法，本发明实施例不作具体限定。
例如，分类模型使用基于高斯核的SVM分类器、朴素贝叶斯分类器、随机森林分类器、逻辑回归分类器和梯度提升树分类器这五种分类器，将车辆的当前动力电池特征和已经获得的车辆的历史动力电池特征分别输入到分类模型中的每一个分类器中，每一个分类器均对应一个输出结果，相应获得五个输出结果，再通过Stacking集成学习算法对这五个输出结果进行进一步学习，从而获得相应的热失控预警阈值；可以理解的，分类器的输出结果为判断函数，这五种分类器对应输出五个判断函数，通过Stacking集成学习算法对这五个判断函数进行处理，相应输出一个更强大的判断函数，结合该判断函数以及车辆的当前动力电池特征进行实时计算，即可获得当前的热失控预警阈值。
本发明实施例所提供的一种动力电池热失控预警方法，通过多种分类器组成分类模型，并通过集成学习算法对分类器的输出结果进行进一步集成学习，能够进一步提高获得的热失控预警阈值的准确性。
作为上述方案的改进，所述当前动力电池特征至少包括当前动力电池电压、当前动力电池电流、当前动力电池健康度、当前动力电池温度、当前电压一阶差分、当前电压二阶差分、当前电流一阶差分、当前电流二阶差分、当前单体电压标准差、当前单体电压四阶中心矩、当前单体温度标准差和当前单体温度四阶中心矩。
具体的，结合上述实施例，车辆的动力电池特征包括但不限于车辆的动力电池电压、动力电池电流、动力电池健康度、动力电池温度、电压一阶差分、电压二阶差分、电流一阶差分、电流二阶差分、单体电压标准差、单体电压四阶中心矩、单体温度标准差和单体温度四阶中心矩等特征。
其中，动力电池健康度是衡量动力电池健康情况的一个参数，取值范围为[0，100]，不同的车厂计算的公式略有不同，但影响因子基本都是容量和续航，以某车厂为例，动力电池健康度SOH的计算公式为SOH＝(a^2+b^2)^0.5×100％，a＝电池现在充满电时的容量/电池出厂时的容量，b＝电池现在的续航/电池出厂时的续航。
可以理解的，在采集获得车辆的动力电池电压、动力电池电流和动力电池温度等特征之后，可以对这些特征进行特征工程，即进行二次计算，相应获得电压一阶差分、电压二阶差分、电流一阶差分、电流二阶差分、单体电压标准差、单体电压四阶中心矩、单体温度标准差和单体温度四阶中心矩等特征，其中，一阶差分可以判断变量的增减情况，二阶差分可以判断增速的增减情况，标准差可以衡量样本分散情况，标准差越大越分散，四阶矩可以衡量样本的异常状况，越大说明越有可能产生异常值，通过这些特征的使用，从而能够更加细致的反映动力电池的电压、电流和温度等特征的变化情况。
需要说明的是，现有技术一般仅使用动力电池温度作为动力电池特征进行判断，只有当产生过温告警时，才会考虑是不是发生了热失控，但是，根据历史经验，在发生过温之前，动力电池的电压、电流发生异常的相关性非常高，因此，本发明实施例不仅考虑“过温”时的热失控报警，当“过压”、“过流”和“压差过大”等情况发生时，也视为发生了“热失控”，并进行相应的热失控预警，防患于未然。
在又一个优选实施例中，所述热失控预警阈值包括过压预警阈值、过流预警阈值、过温预警阈值和压差预警阈值中的至少一种；
则，所述根据所述当前动力电池特征和所述热失控预警阈值判断是否进行热失控预警，具体包括：
对所述当前动力电池特征和所述热失控预警阈值进行Spark实时计算；
当所述当前动力电池特征存在以下情况中的至少一种时，进行热失控预警：
A、所述当前动力电池特征大于所述过压预警阈值；
B、所述当前动力电池特征大于所述过流预警阈值；
C、所述当前动力电池特征大于所述过温预警阈值；
D、所述当前动力电池特征大于所述压差预警阈值。
具体的，结合上述实施例，本发明实施例主要用于解决热失控问题，根据焦耳定律启发，可以将过压、过流、压差过大、过温等告警标签合并为一个标签，统称为热失控告警标签，只要存在其中的至少一项，均视为需要进行热失控报警，相应的，热失控预警阈值可以包括过压预警阈值、过流预警阈值、过温预警阈值和压差预警阈值中的至少一种，出现热失控的情况可以对应包括A、B、C和D四种情况中的至少一种，在实际进行判断时，对获得的车辆的当前动力电池特征和根据分类模型获得的热失控预警阈值(即通过Stacking集成学习后获得的判断函数)进行Spark实时计算，相应获得判断结果，当判断结果出现A、B、C和D四种情况中的至少一种时，判定需要进行热失控预警。
例如，通过Spark Streaming进行实时计算：使用Kafka API，从Kafka(Kafka是车辆信号的消息队列)中接收车辆行驶的相关数据，存储于Spark的executor中，之后Sparkstreaming提交job对车辆行驶的相关数据是否触发预警进行计算，当根据计算结果判定触发预警时，云计算厂商都封装了相应API，可以调用该API实现短信、电话或者邮件的推送，通知线下安全部门做好救援准备工作。
对于线上可以通过API将结果写入车辆远程诊断系统，提醒行驶用户车辆有热失控失控的风险
在又一个优选实施例中，所述方法还包括：
当进行热失控预警时，生成相应的热失控预警信息；
将所述热失控预警信息反馈给驾驶员，以提醒驾驶员所述车辆将要发生热失控；
将所述热失控预警信息反馈给安全部门，以提醒安全部门进行救援准备。
具体的，结合上述实施例，当判定需要进行热失控预警时，生成相应的热失控，并通过线上预警和线下调度相结合的方式进行处理，线上预警是将生成的热失控预警信息反馈给驾驶员(或者车主等车辆相关使用人员)，例如，通过文字画面显示或者声音提醒等方式进行反馈，以提醒驾驶员车辆将要发生热失控，线下调度是将生成的热失控预警信息反馈给安全部门，以提醒安全部门进行救援准备，例如，通过短信、电话或者邮件等方式将热失控预警信息同步于安全部门，通知安全部门针对救援车辆、物资和人员进行提前准备，合理调度相关资源。
本发明实施例所提供的一种动力电池热失控预警方法，在发生热失控之前，通过线上预警和线下调度相结合的方式进行热失控预警处理，能够更加有效地实现热失控预警和相关救援调度，为用户的人身安全和财产安全提供更好的保障。
在又一个优选实施例中，在所述根据所述当前驾驶场景特征和预设的聚类算法识别所述车辆的当前驾驶场景之前，所述方法还包括：
对所述当前驾驶场景特征和所述当前动力电池特征进行卡尔曼滤波处理，相应获得滤波后的驾驶场景特征和滤波后的动力电池特征；
对所述滤波后的驾驶场景特征和所述滤波后的动力电池特征进行数据清洗处理，并存储清洗后的驾驶场景特征和清洗后的动力电池特征。
具体的，结合上述实施例，在获得车辆的当前驾驶场景特征和当前动力电池特征之后，在对获得的车辆的当前驾驶场景特征和当前动力电池特征进行相应处理之前，一般会对当前驾驶场景特征和当前动力电池特征进行数据清洗处理，数据清洗处理主要是为了统一数据的格式、处理缺失值和异常值，而本实施例在进行数据清洗之前，还考虑了数据传输过程中引入的噪声(例如高斯噪声)，因此，在进行数据清洗之前，先对当前驾驶场景特征和当前动力电池特征进行卡尔曼滤波处理，相应获得滤波后的驾驶场景特征和滤波后的动力电池特征，再对滤波后的驾驶场景特征和滤波后的动力电池特征进行数据清洗处理，并对清洗后的驾驶场景特征和清洗后的动力电池特征进行存储，以便于后续使用。
需要说明的是，通过对车辆的当前驾驶场景特征和当前动力电池特征进行数据清洗处理和卡尔曼滤波处理，能够提高数据质量。
本发明实施例还提供了一种动力电池热失控预警装置，参见图2所示，是本发明提供的一种动力电池热失控预警装置的一个优选实施例的结构框图，所述装置包括：
车辆特征获取模块11，用于根据预设的时间周期获取车辆的当前驾驶场景特征和当前动力电池特征；
驾驶场景识别模块12，用于根据所述当前驾驶场景特征和预设的聚类算法识别所述车辆的当前驾驶场景；
分类模型确定模块13，用于确定与所述当前驾驶场景相对应的分类模型；
热失控预警阈值获取模块14，用于根据所述当前动力电池特征、获得的历史动力电池特征和所述分类模型获得所述当前驾驶场景对应的热失控预警阈值；
热失控预警判断模块15，用于根据所述当前动力电池特征和所述热失控预警阈值判断是否进行热失控预警。
优选地，所述当前驾驶场景特征至少包括当前车外温度、当前车外风力、当前行驶功率、当前行驶车速、当前急加速频率、当前急减速频率、当前急转弯频率和当前是否充电。
优选地，所述分类模型至少包括两个不同类型的分类器，所述分类器至少为基于高斯核的SVM分类器、朴素贝叶斯分类器、随机森林分类器、逻辑回归分类器和梯度提升树分类器中的任意一个；
则，所述热失控预警阈值获取模块14具体包括：
第一预警阈值获取单元，用于将所述当前动力电池特征和所述历史动力电池特征分别输入到每一个所述分类器中，相应获得至少两个输出结果；
第二预警阈值获取单元，用于根据预设的集成学习算法对所述至少两个输出结果进行相应处理，获得所述热失控预警阈值。
优选地，所述当前动力电池特征至少包括当前动力电池电压、当前动力电池电流、当前动力电池健康度、当前动力电池温度、当前电压一阶差分、当前电压二阶差分、当前电流一阶差分、当前电流二阶差分、当前单体电压标准差、当前单体电压四阶中心矩、当前单体温度标准差和当前单体温度四阶中心矩。
优选地，所述热失控预警阈值包括过压预警阈值、过流预警阈值、过温预警阈值和压差预警阈值中的至少一种；
则，所述热失控预警判断模块15具体包括：
动力电池特征计算单元，用于对所述当前动力电池特征和所述热失控预警阈值进行Spark实时计算；
热失控预警判断单元，用于当所述当前动力电池特征存在以下情况中的至少一种时，进行热失控预警：
A、所述当前动力电池特征大于所述过压预警阈值；
B、所述当前动力电池特征大于所述过流预警阈值；
C、所述当前动力电池特征大于所述过温预警阈值；
D、所述当前动力电池特征大于所述压差预警阈值。
优选地，所述装置还包括：
热失控预警信息生成模块，用于当进行热失控预警时，生成相应的热失控预警信息；
热失控预警线上提醒模块，用于将所述热失控预警信息反馈给驾驶员，以提醒驾驶员所述车辆将要发生热失控；
热失控预警线下提醒模块，用于将所述热失控预警信息反馈给安全部门，以提醒安全部门进行救援准备。
优选地，所述装置还包括：
车辆特征滤波模块，用于对所述当前驾驶场景特征和所述当前动力电池特征进行卡尔曼滤波处理，相应获得滤波后的驾驶场景特征和滤波后的动力电池特征；
车辆特征清洗模块，用于对所述滤波后的驾驶场景特征和所述滤波后的动力电池特征进行数据清洗处理，并存储清洗后的驾驶场景特征和清洗后的动力电池特征。
需要说明的是，本发明实施例所提供的一种动力电池热失控预警装置，能够实现上述任一实施例所述的动力电池热失控预警方法的所有流程，装置中的各个模块、单元的作用以及实现的技术效果分别与上述实施例所述的动力电池热失控预警方法的作用以及实现的技术效果对应相同，这里不再赘述。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的动力电池热失控预警方法。
本发明实施例还提供了一种终端设备，参见图3所示，是本发明提供的一种终端设备的一个优选实施例的结构框图，所述终端设备包括处理器10、存储器20以及存储在所述存储器20中且被配置为由所述处理器10执行的计算机程序，所述处理器10在执行所述计算机程序时实现上述任一实施例所述的动力电池热失控预警方法。
优选地，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序1、计算机程序2、······)，所述一个或者多个模块/单元被存储在所述存储器20中，并由所述处理器10执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述处理器10可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器10也可以是任何常规的处理器，所述处理器10是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。
所述存储器20主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器20可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(Smart Media Card，SMC)、安全数字(Secure Digital，SD)卡和闪存卡(Flash Card)等，或所述存储器20也可以是其他易失性固态存储器件。
需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，图3结构框图仅仅是上述终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。
综上，本发明实施例所提供的一种动力电池热失控预警方法、装置、计算机可读存储介质及终端设备，能够根据车辆的当前驾驶场景以及动力电池的使用情况实时获取当前的动力电池所对应的热失控预警阈值，使得热失控预警阈值随着驾驶场景以及动力电池的使用情况的变化而变化，从而提高了热失控判断的准确性，降低了车辆的安全隐患。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种动力电池热失控预警方法，其特征在于，包括：
根据预设的时间周期获取车辆的当前驾驶场景特征和当前动力电池特征；
根据所述当前驾驶场景特征和预设的聚类算法识别所述车辆的当前驾驶场景；
确定与所述当前驾驶场景相对应的分类模型；
根据所述当前动力电池特征、获得的历史动力电池特征和所述分类模型获得所述当前驾驶场景对应的热失控预警阈值；
根据所述当前动力电池特征和所述热失控预警阈值判断是否进行热失控预警。
2.如权利要求1所述的动力电池热失控预警方法，其特征在于，所述当前驾驶场景特征至少包括当前车外温度、当前车外风力、当前行驶功率、当前行驶车速、当前急加速频率、当前急减速频率、当前急转弯频率和当前是否充电。
3.如权利要求1所述的动力电池热失控预警方法，其特征在于，所述分类模型至少包括两个不同类型的分类器，所述分类器至少为基于高斯核的SVM分类器、朴素贝叶斯分类器、随机森林分类器、逻辑回归分类器和梯度提升树分类器中的任意一个；
则，所述根据所述当前动力电池特征、获得的历史动力电池特征和所述分类模型获得所述当前驾驶场景对应的热失控预警阈值，具体包括：
将所述当前动力电池特征和所述历史动力电池特征分别输入到每一个所述分类器中，相应获得至少两个输出结果；
根据预设的集成学习算法对所述至少两个输出结果进行相应处理，获得所述热失控预警阈值。
4.如权利要求1所述的动力电池热失控预警方法，其特征在于，所述当前动力电池特征至少包括当前动力电池电压、当前动力电池电流、当前动力电池健康度、当前动力电池温度、当前电压一阶差分、当前电压二阶差分、当前电流一阶差分、当前电流二阶差分、当前单体电压标准差、当前单体电压四阶中心矩、当前单体温度标准差和当前单体温度四阶中心矩。
5.如权利要求1所述的动力电池热失控预警方法，其特征在于，所述热失控预警阈值包括过压预警阈值、过流预警阈值、过温预警阈值和压差预警阈值中的至少一种；
则，所述根据所述当前动力电池特征和所述热失控预警阈值判断是否进行热失控预警，具体包括：
对所述当前动力电池特征和所述热失控预警阈值进行Spark实时计算；
当所述当前动力电池特征存在以下情况中的至少一种时，进行热失控预警：
A、所述当前动力电池特征大于所述过压预警阈值；
B、所述当前动力电池特征大于所述过流预警阈值；
C、所述当前动力电池特征大于所述过温预警阈值；
D、所述当前动力电池特征大于所述压差预警阈值。
6.如权利要求1所述的动力电池热失控预警方法，其特征在于，所述方法还包括：
当进行热失控预警时，生成相应的热失控预警信息；
将所述热失控预警信息反馈给驾驶员，以提醒驾驶员所述车辆将要发生热失控；
将所述热失控预警信息反馈给安全部门，以提醒安全部门进行救援准备。
7.如权利要求1～6任一项所述的动力电池热失控预警方法，其特征在于，在所述根据所述当前驾驶场景特征和预设的聚类算法识别所述车辆的当前驾驶场景之前，所述方法还包括：
对所述当前驾驶场景特征和所述当前动力电池特征进行卡尔曼滤波处理，相应获得滤波后的驾驶场景特征和滤波后的动力电池特征；
对所述滤波后的驾驶场景特征和所述滤波后的动力电池特征进行数据清洗处理，并存储清洗后的驾驶场景特征和清洗后的动力电池特征。
8.一种动力电池热失控预警装置，其特征在于，包括：
车辆特征获取模块，用于根据预设的时间周期获取车辆的当前驾驶场景特征和当前动力电池特征；
驾驶场景识别模块，用于根据所述当前驾驶场景特征和预设的聚类算法识别所述车辆的当前驾驶场景；
分类模型确定模块，用于确定与所述当前驾驶场景相对应的分类模型；
热失控预警阈值获取模块，用于根据所述当前动力电池特征、获得的历史动力电池特征和所述分类模型获得所述当前驾驶场景对应的热失控预警阈值；
热失控预警判断模块，用于根据所述当前动力电池特征和所述热失控预警阈值判断是否进行热失控预警。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行如权利要求1～7任一项所述的动力电池热失控预警方法。
10.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如权利要求1～7任一项所述的动力电池热失控预警方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011514680.0A CN112622624B (zh) | 2020-12-18 | 2020-12-18 | 动力电池热失控预警方法、装置、存储介质及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011514680.0A CN112622624B (zh) | 2020-12-18 | 2020-12-18 | 动力电池热失控预警方法、装置、存储介质及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112622624A true CN112622624A (zh) | 2021-04-09 |
| CN112622624B CN112622624B (zh) | 2022-08-16 |
Family
ID=75317878
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011514680.0A Active CN112622624B (zh) | 2020-12-18 | 2020-12-18 | 动力电池热失控预警方法、装置、存储介质及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112622624B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113658445A (zh) * | 2021-08-24 | 2021-11-16 | 中国第一汽车股份有限公司 | 一种车辆预警方法、装置、车辆及存储介质 |
| CN113968136A (zh) * | 2021-10-29 | 2022-01-25 | 华人运通(江苏)技术有限公司 | 一种电动汽车的低压能量控制方法、系统、设备及介质 |
| 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 |
| CN114325404A (zh) * | 2021-12-09 | 2022-04-12 | 重庆大学 | 一种基于热-神经网络耦合模型的电池温度估计方法 |
| CN115837862A (zh) * | 2021-09-18 | 2023-03-24 | 北京车和家信息技术有限公司 | 一种异常数据检测方法、装置、电子设备以及存储介质 |
| CN116263878A (zh) * | 2022-10-09 | 2023-06-16 | 北京理工大学 | 一种锂离子电池热失控风险预测方法及装置 |
| CN116269394A (zh) * | 2023-02-13 | 2023-06-23 | 湖南汽车工程职业学院 | 一种可穿戴式人体驾驶疲劳监测装置 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003180004A (ja) * | 2001-08-10 | 2003-06-27 | Peugeot Citroen Automobiles Sa | 電気モータ自動車の動力バッテリのパラメータ推定法 |
| US7433794B1 (en) * | 2007-07-18 | 2008-10-07 | Tesla Motors, Inc. | Mitigation of propagation of thermal runaway in a multi-cell battery pack |
| US20110298626A1 (en) * | 2010-06-03 | 2011-12-08 | William Fechalos | Battery system and management method |
| CN103415992A (zh) * | 2011-02-25 | 2013-11-27 | Ntn株式会社 | 电动汽车 |
| US20160018473A1 (en) * | 2014-07-18 | 2016-01-21 | Phoenix Broadband Technologies, Llc | Non-Intrusive Correlating Battery Monitoring System and Method |
| CN108711893A (zh) * | 2018-04-08 | 2018-10-26 | 江西优特汽车技术有限公司 | 一种动力电池热失控预警系统和方法 |
| US20190122132A1 (en) * | 2016-04-19 | 2019-04-25 | Grid4C | Method and system for energy consumption prediction |
| CN110232335A (zh) * | 2019-05-24 | 2019-09-13 | 国汽(北京)智能网联汽车研究院有限公司 | 驾驶场景分类方法及电子设备 |
| CN111391668A (zh) * | 2020-03-31 | 2020-07-10 | 威睿电动汽车技术(宁波)有限公司 | 一种电池热失控预警处理方法、装置、设备及存储介质 |
| CN111612205A (zh) * | 2019-02-25 | 2020-09-01 | 丰田研究所股份有限公司 | 用于针对驾驶路线确定目标电池充电水平的系统和方法 |
| CN111883861A (zh) * | 2020-07-17 | 2020-11-03 | 北京成功领行汽车技术有限责任公司 | 一种电动汽车热失控预警、抑制系统及其控制方法 |
| CN111993896A (zh) * | 2020-08-28 | 2020-11-27 | 李忠 | 车辆电池热失控故障诊断方法、装置、设备及存储介质 |
-
2020
- 2020-12-18 CN CN202011514680.0A patent/CN112622624B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003180004A (ja) * | 2001-08-10 | 2003-06-27 | Peugeot Citroen Automobiles Sa | 電気モータ自動車の動力バッテリのパラメータ推定法 |
| US7433794B1 (en) * | 2007-07-18 | 2008-10-07 | Tesla Motors, Inc. | Mitigation of propagation of thermal runaway in a multi-cell battery pack |
| US20110298626A1 (en) * | 2010-06-03 | 2011-12-08 | William Fechalos | Battery system and management method |
| CN103415992A (zh) * | 2011-02-25 | 2013-11-27 | Ntn株式会社 | 电动汽车 |
| US20160018473A1 (en) * | 2014-07-18 | 2016-01-21 | Phoenix Broadband Technologies, Llc | Non-Intrusive Correlating Battery Monitoring System and Method |
| US20190122132A1 (en) * | 2016-04-19 | 2019-04-25 | Grid4C | Method and system for energy consumption prediction |
| CN108711893A (zh) * | 2018-04-08 | 2018-10-26 | 江西优特汽车技术有限公司 | 一种动力电池热失控预警系统和方法 |
| CN111612205A (zh) * | 2019-02-25 | 2020-09-01 | 丰田研究所股份有限公司 | 用于针对驾驶路线确定目标电池充电水平的系统和方法 |
| CN110232335A (zh) * | 2019-05-24 | 2019-09-13 | 国汽(北京)智能网联汽车研究院有限公司 | 驾驶场景分类方法及电子设备 |
| CN111391668A (zh) * | 2020-03-31 | 2020-07-10 | 威睿电动汽车技术(宁波)有限公司 | 一种电池热失控预警处理方法、装置、设备及存储介质 |
| CN111883861A (zh) * | 2020-07-17 | 2020-11-03 | 北京成功领行汽车技术有限责任公司 | 一种电动汽车热失控预警、抑制系统及其控制方法 |
| CN111993896A (zh) * | 2020-08-28 | 2020-11-27 | 李忠 | 车辆电池热失控故障诊断方法、装置、设备及存储介质 |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113658445A (zh) * | 2021-08-24 | 2021-11-16 | 中国第一汽车股份有限公司 | 一种车辆预警方法、装置、车辆及存储介质 |
| CN115837862A (zh) * | 2021-09-18 | 2023-03-24 | 北京车和家信息技术有限公司 | 一种异常数据检测方法、装置、电子设备以及存储介质 |
| CN113968136A (zh) * | 2021-10-29 | 2022-01-25 | 华人运通(江苏)技术有限公司 | 一种电动汽车的低压能量控制方法、系统、设备及介质 |
| CN113968136B (zh) * | 2021-10-29 | 2023-11-10 | 华人运通(江苏)技术有限公司 | 一种电动汽车的低压能量控制方法、系统、设备及介质 |
| CN114325404A (zh) * | 2021-12-09 | 2022-04-12 | 重庆大学 | 一种基于热-神经网络耦合模型的电池温度估计方法 |
| CN114325404B (zh) * | 2021-12-09 | 2023-09-26 | 重庆大学 | 一种基于热-神经网络耦合模型的电池温度估计方法 |
| 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 |
| 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 |
| CN116263878A (zh) * | 2022-10-09 | 2023-06-16 | 北京理工大学 | 一种锂离子电池热失控风险预测方法及装置 |
| CN116269394A (zh) * | 2023-02-13 | 2023-06-23 | 湖南汽车工程职业学院 | 一种可穿戴式人体驾驶疲劳监测装置 |
| CN116269394B (zh) * | 2023-02-13 | 2024-03-05 | 湖南汽车工程职业学院 | 一种可穿戴式人体驾驶疲劳监测装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112622624B (zh) | 2022-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112622624B (zh) | 动力电池热失控预警方法、装置、存储介质及终端设备 | |
| CN111274881B (zh) | 驾驶安全的监控方法、装置、计算机设备及存储介质 | |
| CN111062240B (zh) | 汽车驾驶安全的监控方法、装置、计算机设备及存储介质 | |
| Yu et al. | Fine-grained abnormal driving behaviors detection and identification with smartphones | |
| EP4130766A1 (en) | Battery detection method and apparatus | |
| CN109934473B (zh) | 充电健康指数评分方法、装置、终端设备及存储介质 | |
| Srinivasan | IoT cloud based real time automobile monitoring system | |
| CN109116242B (zh) | 一种动力电池的数据处理方法和装置 | |
| WO2009158225A2 (en) | Pattern recognition approach to battery diagnosis and prognosis | |
| CN112644336B (zh) | 一种动力电池热失控预测方法及装置 | |
| WO2024041003A1 (zh) | 一种电动汽车静置异常识别方法及装置 | |
| JP7546702B2 (ja) | バッテリー異常診断装置及び方法 | |
| KR101866768B1 (ko) | 운전자 특성을 고려한 운전 지원 장치 및 방법 | |
| CN112699807A (zh) | 一种驾驶员状态信息监控方法和装置 | |
| CN113838022A (zh) | 一种汽车工况异常识别方法、系统、装置及存储介质 | |
| CN117249921B (zh) | 温度采样的异常识别方法、相关装置、车辆及存储介质 | |
| CN115219930B (zh) | 车辆蓄电池老化预警方法、装置、电子设备以及存储介质 | |
| CN114415646B (zh) | 基于DoIP协议的远程车辆诊断方法、系统和终端设备 | |
| CN106600427A (zh) | 新型车辆保险系统 | |
| JP7525201B1 (ja) | 二次電池情報出力装置 | |
| WO2024212403A1 (zh) | 锂电池数据采集异常识别方法、系统、存储介质及设备 | |
| CN116968559A (zh) | 一种用于新能源汽车的动力电池热失控预警方法及系统 | |
| CN115817177B (zh) | 电池热失控预测方法、装置、计算机设备和存储介质 | |
| CN115774204A (zh) | 电池热失控异常的检测方法及电池管理单元 | |
| Qibtiah et al. | Artificial intelligence system for driver distraction by stacked deep learning classification |
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 | ||
| PP01 | Preservation of patent right | ||
| PP01 | Preservation of patent right |
Effective date of registration: 20240222 Granted publication date: 20220816 |