CN113848494B - 一种动力电池温度的在线监测方法及车载t-box - Google Patents
一种动力电池温度的在线监测方法及车载t-box Download PDFInfo
- Publication number
- CN113848494B CN113848494B CN202111100784.1A CN202111100784A CN113848494B CN 113848494 B CN113848494 B CN 113848494B CN 202111100784 A CN202111100784 A CN 202111100784A CN 113848494 B CN113848494 B CN 113848494B
- Authority
- CN
- China
- Prior art keywords
- temperature
- power battery
- fault
- frame
- current
- 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
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012544 monitoring process Methods 0.000 title claims abstract description 34
- 239000000178 monomer Substances 0.000 claims abstract description 143
- 238000012549 training Methods 0.000 claims description 40
- 238000010438 heat treatment Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 14
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 abstract description 8
- 230000001681 protective effect Effects 0.000 abstract description 6
- 230000000630 rising effect Effects 0.000 abstract 2
- 210000004027 cell Anatomy 0.000 description 48
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000012360 testing method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明公开了一种汽车动力电池温度的在线监测方法及车载T‑BOX，将获取的当前时刻的每个动力电池单体温度和车况数据同时输入至动力电池温度预测模型得到当前时刻的下一时刻的电池温度预测值，该电池温度预测值实际为该动力电池单体在电池单体温度正常情况下的电池温度理论值，通过计算下一时刻的电池温度理论值与实际电池温度之间的温度偏离量，即可对动力电池单位温度的变化趋势进行预测，根据每个动力电池单体的温度偏移量与对应的故障权重得到故障量级，与预设报警等级阈值的大小关系对每个动力电池单体是否发生升温故障进行监测。本发明可在监测到动力电池单体刚开始发生升温故障时及时采取保护措施，有效避免动力电池进入热失控阶段。
Description
技术领域
本发明涉及汽车电子技术领域，更具体的说，涉及一种动力电池温度的在线监测方法及车载T-BOX。
背景技术
新能源汽车的动力电池在工作时会发热，正常情况下的发热是可控的，但是当电池温度过高或充电电压过高时，动力电池内部化学反应会接连发生，从而产生连锁反应，使电池内压及温度急剧上升，进而引发电池热失控，导致燃烧或爆炸。
现有对动力电池温度的监测一般通过温度传感器采集各个单体电池温度，当单体电池温度达到或超过设定阈值时进行报警。然而，由于动力电池温度会迅速升高，因此，即使产生报警，往往动力电池已经处于热失控发生阶段，此时也无法采取比如截断充电电源等保护措施，最终导致动力电池燃烧或爆炸。
发明内容
有鉴于此，本发明公开一种汽车动力电池温度的在线监测方法及车载T-BOX，以通过计算动力电池单体在下一时刻的电池温度理论值与实际电池温度之间的温度偏离量，可对动力电池单位温度的变化趋势进行预测，从而可以在监测到动力电池单体刚开始发生升温故障时及时采取保护措施，有效避免动力电池进入热失控阶段。
一种汽车动力电池温度的在线监测方法，应用于车载T-BOX，所述在线监测方法包括：
获取当前时刻的每个动力电池单体温度和车况数据；
将每个所述动力电池单体温度和车况数据同时输入至预先建立的动力电池温度预测模型，得到每个动力电池单体在所述当前时刻的下一时刻的电池温度预测值；
获取每个所述动力电池单体在所述下一时刻的实际电池温度；
基于每个所述动力电池单体在所述下一时刻的所述电池温度预测值和对应的所述实际电池温度，计算得到每个所述动力电池单体的温度偏移量；
基于每个所述动力电池单体的所述温度偏移量与对应的故障权重得到故障量级，所述故障量级表示故障严重程度；
根据所述故障量级与预设报警等级阈值的大小关系，对每个所述动力电池单体是否发生升温故障进行监测。
可选的，所述动力电池温度预测模型为：以历史指定时刻的动力电池单体温度和车况数据为训练样本，以历史指定时刻的下一时刻的动力电池单体温度为样本标签，对LSTM神经网络模型训练得到。
可选的，所述根据所述故障量级与预设报警等级阈值的大小关系，对每个所述动力电池单体是否发生升温故障进行监测，具体包括：
当所述故障量级不大于第一报警等级阈值时，确定所述故障量级对应的动力电池单体未发生升温故障，不触发升温故障报警；
当所述故障量级大于所述第一报警等级阈值且小于第二报警等级阈值时，将所述故障量级对应的动力电池单体的相关数据发送至云端服务器，由所述云端服务器对所述动力电池单体的当前温度偏移量以及对应的历史温度偏移量均进行故障量级计算，分别得到当前故障量级以及历史故障量级，若所述当前故障量级和所述历史故障量级均超过所述第一报警等级阈值，则向所述车载T-BOX发送报警控制指令；
当所述故障量级不小于所述第二报警等级阈值时，立即出发升温故障报警；
其中，所述预设报警等级阈值包括：所述第一报警等级阈值和所述第二报警等级阈值。
可选的，所述获取当前时刻的每个动力电池单体温度具体包括：
获取每个所述动力电池单体的当前温度帧；
当所述当前温度帧为首帧时，控制采集周期计时器开始计时，重置所述首帧的下一帧ID，并对所述当前温度帧进行缓存；
当所述当前温度帧为连续帧时，对所述当前温度帧进行缓存；
当所述当前温度帧为非首帧和非连续帧时，将所述当前温度帧作为异常帧进行清除；
当所述采集周期计时器达到一个采集周期时，对缓存的所有温度帧进行完整性校验，其中，所述所有温度帧包括：所述首帧以及各个所述连续帧；
当所述所有温度帧通过完整性校验时，将所述所有温度帧确定为所述动力电池单体温度。
可选的，还包括：
在所述动力电池温度预测模型训练过程中，通过超参数解调对所述动力电池温度预测模型进行优化，使所述动力电池温度预测模型达到预设标准的动力电池温度预测模型。
可选的，还包括：
将所述当前时刻的每个所述动力电池单体温度和所述车况数据最为最新训练样本，将每个动力电池单体在所述当前时刻的下一时刻的实际电池温度作为最新样本标签，对所述动力电池温度预测模型进行优化训练。
一种车载T-BOX，包括：
第一获取单元，用于获取当前时刻的每个动力电池单体温度和车况数据；
温度预测单元，用于将每个所述动力电池单体温度和车况数据同时输入至预先建立的动力电池温度预测模型，得到每个动力电池单体在所述当前时刻的下一时刻的电池温度预测值；
第二获取单元，用于获取每个所述动力电池单体在所述下一时刻的实际电池温度；
计算单元，用于基于每个所述动力电池单体在所述下一时刻的所述电池温度预测值和对应的所述实际电池温度，计算得到每个所述动力电池单体的温度偏移量；
故障量级确定单元，用于基于每个所述动力电池单体的所述温度偏移量与对应的故障权重得到故障量级，所述故障量级表示故障严重程度；
监测单元，用于根据所述故障量级与预设报警等级阈值的大小关系，对每个所述动力电池单体是否发生升温故障进行监测。
可选的，所述监测单元具体包括：
第一确定子单元，用于当所述故障量级不大于第一报警等级阈值时，确定所述故障量级对应的动力电池单体未发生升温故障，不触发升温故障报警；
发送子单元，用于当所述故障量级大于所述第一报警等级阈值且小于第二报警等级阈值时，将所述故障量级对应的动力电池单体的相关数据发送至云端服务器，由所述云端服务器对所述动力电池单体的当前温度偏移量以及对应的历史温度偏移量均进行故障量级计算，分别得到当前故障量级以及历史故障量级，若所述当前故障量级和所述历史故障量级均超过所述第一报警等级阈值，则向所述车载T-BOX发送报警控制指令；
报警子单元，用于当所述故障量级不小于所述第二报警等级阈值时，立即出发升温故障报警；
其中，所述预设报警等级阈值包括：所述第一报警等级阈值和所述第二报警等级阈值。
可选的，所述第一获取单元具体用于：
获取每个所述动力电池单体的当前温度帧；
当所述当前温度帧为首帧时，控制采集周期计时器开始计时，重置所述首帧的下一帧ID，并对所述当前温度帧进行缓存；
当所述当前温度帧为连续帧时，对所述当前温度帧进行缓存；
当所述当前温度帧为非首帧和非连续帧时，将所述当前温度帧作为异常帧进行清除；
当所述采集周期计时器达到一个采集周期时，对缓存的所有温度帧进行完整性校验，其中，所述所有温度帧包括：所述首帧以及各个所述连续帧；
当所述所有温度帧通过完整性校验时，将所述所有温度帧确定为所述动力电池单体温度。
可选的，还包括：
模型优化单元，用于在所述动力电池温度预测模型训练过程中，通过超参数解调对所述动力电池温度预测模型进行优化，使所述动力电池温度预测模型达到预设标准的动力电池温度预测模型。
从上述的技术方案可知，本发明公开了一种汽车动力电池温度的在线监测方法及车载T-BOX，车载T-BOX将获取的当前时刻的每个动力电池单体温度和车况数据同时输入至预先建立的动力电池温度预测模型，得到每个动力电池单体在当前时刻的下一时刻的电池温度预测值，获取每个动力电池单体在下一时刻的实际电池温度，基于每个动力电池单体的电池温度预测值和对应的实际电池温度得到温度偏移量，并基于每个动力电池单体的温度偏移量与对应的故障权重得到故障量级，根据故障量级与预设报警等级阈值的大小关系对每个动力电池单体是否发生升温故障进行监测。本发明中动力电池单体在下一时刻的电池温度预测值实际为该动力电池单体在电池单体温度正常情况下的电池温度理论值，通过计算动力电池单体在下一时刻的电池温度理论值与实际电池温度之间的温度偏离量，即可对动力电池单位温度的变化趋势进行预测，从而可以在监测到动力电池单体刚开始发生升温故障时及时采取保护措施，有效避免了动力电池进入热失控阶段。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的实施例，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，还可以根据公开的附图获得其他的附图。
图1为本发明实施例公开的一种汽车动力电池温度的在线监测方法流程图；
图2为本发明实施例公开的一种动力电池温度采集框图；
图3为本发明实施例公开的一种获取当前时刻的每个动力电池单体温度的方法流程图；
图4为本发明实施例公开的一种keras测试数据的测试结果曲线对比图；
图5为本发明实施例公开的一种车载T-BOX的结构示意图。
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，本领域普通技术人员在没有做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。
本发明实施例公开了一种汽车动力电池温度的在线监测方法及车载T-BOX，车载T-BOX将获取的当前时刻的每个动力电池单体温度和车况数据同时输入至预先建立的动力电池温度预测模型，得到每个动力电池单体在当前时刻的下一时刻的电池温度预测值，获取每个动力电池单体在下一时刻的实际电池温度，基于每个动力电池单体的电池温度预测值和对应的实际电池温度得到温度偏移量，并基于每个动力电池单体的温度偏移量与对应的故障权重得到故障量级，根据故障量级与预设报警等级阈值的大小关系对每个动力电池单体是否发生升温故障进行监测。本发明中动力电池单体在下一时刻的电池温度预测值实际为该动力电池单体在电池单体温度正常情况下的电池温度理论值，通过计算动力电池单体在第一时刻的电池温度理论值与实际电池温度之间的温度偏离量，即可对动力电池单位温度的变化趋势进行预测，从而可以在监测到动力电池单体刚开始发生升温故障时及时采取保护措施，从而有效避免了动力电池进入热失控阶段。
参见图1，本发明实施例公开的一种汽车动力电池温度的在线监测方法流程图，该方法应用于车载T-BOX(TelematicsBOX，远程信息处理器)，所述在线监测方法包括：
步骤S101、获取当前时刻的每个动力电池单体温度和车况数据。
现有的新能源汽车都具有BMS(BATTERY MANAGEMENT SYSTEM，电池管理系统)，参见图2所示的动力电池温度采集框图，单体动力电池都自带温度传感器，BMS通过各个温度传感器实时采集每个动力电池单体温度，并将采集的每个动力电池单体温度发送至汽车CAN(Controller Area Network，控制器局域网络)总线，其中，CAN总线还与其它ECU(Electronic Control Unit，电子控制单元)连接。
车载T-BOX作为车辆与云端服务器的枢纽，车载T-BOX可以从CAN总线上获取每个动力电池单体温度和车况数据，通过对每个动力电池单体温度进行处理后发送至云端服务器。
在实际应用中，车载T-BOX和云端服务器可以通过4G/5G连接。
其中，本实施例中的车况数据主要为电池温度影响参数，包括：车辆运行速度、电池工作环境温度、充电模式(比如，电池电压、电池电流等)等。
步骤S102、将每个动力电池单体温度和车况数据同时输入至预先建立的动力电池温度预测模型，得到每个动力电池单体在当前时刻的下一时刻的电池温度预测值。
本实施例中，电池温度预测值也即在动力电池单体在电池单体温度正常情况下的电池温度理论值。
需要说明的是，不同的车况数据下预测得到的电池温度预测值不同，比如，将相同的动力电池单体温度和不同的车况数据输入至动力电池温度预测模型，会得到不同的电池温度预测值。
因此，在对动力电池温度预测模型进行训练时，车况数据也是训练样本的一部分。
其中，动力电池温度预测模型为：以历史指定时刻的动力电池单体温度和车况数据为训练样本，以历史指定时刻的下一时刻的动力电池单体温度为样本标签，对LSTM(Long-Short Term Memory，长短期记忆网络)神经网络模型训练得到。
LSTM由Hochreiter&Schmidhuber(1997)提出，适用于处理和预测时间序列中间隔和延迟相对长的重要事件。本实施例中，新能源汽车一方面通过车载T-BOX将实时采集的每个动力电池单体的温度上传至云端服务器，这样车载T-BOX在进行动力电池温度预测模型训练时，可以从云端服务器获取充实的训练样本；另一方面，车载T-BOX可以通过从云端服务器获取动力电池单体温度数据对动力电池温度预测模型不断优化，同时可以通过空中下载技术(Over-the-Air Technology，OTA)将动力电池温度预测模型训练时采用的算法部署到车载设备，例如车载T-BOX。
通常所有循环神经网络(Recurrent Neural Network，RNN)都具有一种重复神经网络模块的链式结构。在标准的RNN中，该重复神经网络模块具有有一个非常简单的结构，具体为一个单一神经网络层。LSTM作为RNN的一类，同样具有重复神经网络模块，但是LSTM中的重复神经网络模块中的网络结构与单一神经网络层不同，而是具有四个神经网络层，具体参见现有成熟技术，此处不再赘述。
步骤S103、获取每个动力电池单体在下一时刻的实际电池温度。
假设，当前时刻为T，当前时刻T的下一时刻为T+1，本发明在根据当前时刻T采集的动力电池单体温度和车况数据预测得到T+1时刻电池温度预测值后，会在车辆运行时刻达到T+1时刻，再次获取T+1时刻的实际电池温度，由于电池温度预测值为动力电池单体在电池单体温度正常情况下的电池温度理论值，因此，通过将T+1时刻的电池温度预测值与实际电池温度进行比较，即可对动力电池单体温度的变化趋势进行预测。
步骤S104、基于每个动力电池单体在下一时刻的电池温度预测值和对应的实际电池温度，计算得到每个动力电池单体的温度偏移量。
其中，每个动力电池单体的温度偏移量δ为下一时刻的电池温度预测值和对应的实际电池温度的差值绝对值。
需要特别说明的是，通常动力电池中包含多个动力电池单体，每个动力电池单体在动力电池中的位置不同，相对应的故障权重也会存在差别。
假设，动力电池中包含n个动力电池单体，每个动力电池单体的温度偏移量分别为：δt1、δt2、δt3、……、δtn，相对应的故障权重分别为：βt1、βt2、βt3、……、βtn。
步骤S105、基于每个动力电池单体的温度偏移量与对应的故障权重得到故障量级。
其中，故障量级表示故障严重程度，故障量级越高，对应的故障严重程度越高，反之，故障量级越低，对应的故障严重程度越低。
在实际应用中，将每个动力电池单体的温度偏移量与对应的故障权重相乘得到故障量级。
步骤S106、根据故障量级与预设报警等级阈值的大小关系，对每个动力电池单体是否发生升温故障进行监测。
本发明按照报警处理方式不同，将报警等级划分为三种，分别如下：
报警等级0：动力电池单体未达到报警条件，不触发报警。
报警等级I：动力电池单体达到预报警条件，将达到预报警条件的动力电池单体的相关数据发送至云端服务器进行检查确认。
报警等级II：动力电池单体达到立即报警条件，立即触发报警。
其中，本发明中的报警可以为声光报警。
假设每个动力电池单体的温度偏离率为δ，对应的故障权重为β，则故障量级为δ*β，第一报警等级阈值为MI，第二报警等级阈值为MII。
(1)当δ*β≥MII时，立即触发升温故障报警。
(2)当MII>δ*β>MI时，将δ*β对应的动力电池单体的相关数据发送至云端服务器，由云端服务器对动力电池单体的当前温度偏移量和对应的历史温度偏移量均进行故障量级计算，分别得到当前故障量级以及历史故障量级，若当前故障量级和历史故障量级均超过第一报警等级阈值MI，云端服务器向车载T-BOX发送报警控制指令。
其中，动力电池单体的相关数据包括：动力电池单体的当前温度偏移量、故障权重、动力电池单体的标识等。
(3)当δ*β<MI时，不触发升温故障报警，仅将动力电池单体的相关数据发送至云端服务器进行保存。
本发明设计的报警方法能有效地检测因动力电池严重故障导致动力电池急速升温的情况，也能准确的判定动力电池部分损伤导致的逐步升温的情况。
综上可知，本发明公开了一种汽车动力电池温度的在线监测方法，车载T-BOX将获取的当前时刻的每个动力电池单体温度和车况数据同时输入至预先建立的动力电池温度预测模型，得到每个动力电池单体在当前时刻的下一时刻的电池温度预测值，获取每个动力电池单体在下一时刻的实际电池温度，基于每个动力电池单体的电池温度预测值和对应的实际电池温度得到温度偏移量，并基于每个动力电池单体的温度偏移量与对应的故障权重得到故障量级，根据故障量级与预设报警等级阈值的大小关系对每个动力电池单体是否发生升温故障进行监测。本发明中动力电池单体在下一时刻的电池温度预测值实际为该动力电池单体在电池单体温度正常情况下的电池温度理论值，通过计算动力电池单体在第一时刻的电池温度理论值与实际电池温度之间的温度偏离量，即可对动力电池单位温度的变化趋势进行预测，从而可以在监测到动力电池单体刚开始发生升温故障时及时采取保护措施，从而有效避免了动力电池进入热失控阶段。
通常动力电池上的温度传感器数量从几十个到几百个不等，而CAN帧一次只能传输8字节的有效数据，因此一个采集周期的所有温度数据往往采用多帧的发送方式，温度数据容易出现异常和缺失。基于此，本发明公开了一种车载T-BOX针对BMS采集的各个动力电池单体温度的多帧处理过程。
参见图3，本发明实施例公开的一种获取当前时刻的每个动力电池单体温度的方法流程图，该方法包括：
步骤S201、获取每个动力电池单体的当前温度帧；
步骤S202、判断当前温度帧是否为首帧，如果是，则执行步骤S203，如果否，则执行步骤S204；
步骤S203、控制采集周期计时器开始计时，重置首帧的下一帧ID，并继续执行步骤S206；
在当前温度帧为首帧时，对应的帧标识N＝1，首帧的下一帧ID对应的帧标识N＝2。
步骤S204、判断当前温度帧是否为连续帧，如果否，则执行步骤S205，如果是，则执行步骤S206；
步骤S205、将当前温度帧作为异常帧进行清除；
步骤S206、对当前温度帧进行缓存；
其中，缓存的当前温度帧为首帧或是连续帧；
步骤S207、当采集周期计时器达到一个采集周期时，对缓存的所有温度帧进行完整性校验；
其中，所有温度帧包括：所述首帧以及各个所述连续帧。
步骤S208、当所有温度帧通过完整性校验时，将所有温度帧确定为动力电池单体温度。
由此可以看出，本发明通过对一个周期内的初始动力电池单体温度的完整性进行校验，并对异常帧进行清除，保证了采集的动力电池单体温度的有效性。
在实际应用中，建立动力电池温度预测模型的过程如下：
(1)确定动力电池温度预测模型属于聚类模型、分类模型还是回归模型，在构建动力电池温度预测模型时，使用应用模型、应用框架还是监督/非监督学习，最后根据温度数据特征和目标问题确定适合的应用模型和应用框架。
(2)在进行问题定义时，确定建模的对象为动力电池温度，其他维度也即车况数据包括：车辆运行速度、电池工作环境温度、充电模式(电池电压、电池电流)等。
(3)确定动力电池温度预测模型的评估标准，主要包括：
Precision：指的是正确预测的正样本数占所有预测为正样本的数量的比值，也就是说所有预测为正样本的样本中有多少是真正的正样本。
Recall：可以称为召回率、查全率，指的是正确预测的正样本数占真实正样本总数的比值，也就是从这些样本中能够正确找出多少个正样本。
F1：相当于precision和recall的调和平均，recall和precision任何一个数值减小，F1:都会减小，反之，亦然。
(4)在进行数据准备时，通过现有新能源汽车的车载T-BOX，能够获取到不同新能源车型在不同正常工况及不同异常工况下所有动力电池单体温度。
可以按照不同温度以及工况对所有动力电池单体温度进行筛选，包括：数据清洗、数据标签、数据正则化和数据降维等，去掉极端情况下的动力电池单体温度，比如去除掉环境温度在(0°～40°)以外时采集的动力电池单体温度，并将筛选得到的动力电池温度分为训练样本集和测试数据集。
(5)动力电池温度预测模型训练，以历史指定时刻的动力电池单体温度和车况数据为训练样本，以历史指定时刻的下一时刻的动力电池单体温度为样本标签，对LSTM神经网络模型进行训练。在动力电池温度预测模型训练过程中，主要对动力电池温度预测模型进行调试和测试，通过超参数解调对动力电池温度预测模型进行优化，使动力电池温度预测模型达到预设标准。
其中，超参数包括：Batch_size参数、学习率、激活函数、迭代步长和神经元参数等等。
具体的，在对动力电池温度预测模型进行训练时，通过对每次训练得到的动力电池温度预测模型进行评估，来确定本次训练得到的动力电池温度预测模型是否达到预设标准，若未达到预设标准，则通过超参数解调对本次训练得到的动力电池温度预测模型进行优化，再次对优化后的动力电池温度预测模型以历史指定时刻的动力电池单体温度和车况数据为训练样本进行训练，直至得到达到预设标准的动力电池温度预测模型。
模型评估的过程为：将动力电池温度预测模型训练过程中的相关数据与评估标准进行对比，不断调整超参数迭代学习模型，同时解决梯度爆炸、消失和不收敛等问题，最终达到目标拟合结果。
(6)服务部署：本发明将训练得到动力电池温度预测模型部署到实际车载设备，比如车载T-BOX上，通过台架环境及实车测试可以进一步验证动力电池温度预测模型的各项指标和有效性。
在实际应用中，在进行动力电池温度预测模型训练时可以使用Keras工具。Keras是一个由Python编写的开源人工神经网络库，其支持现代人工智能领域的主流算法，包括前馈结构和递归结构的神经网络，也可以通过封装参与构建统计学习模型。
详见图4所示的keras测试数据的测试结果曲线对比图，图4中的1表示实际温度曲线，图中的2表示预测温度曲线，对比曲线1和曲线2可知，预测温度曲线和实际温度曲线具有相同的趋势性，通过参数调整以及训练样本增加，就可以得到满足精度需求的动力电池温度预测模型。
为提高动力电池温度预测模型的准确性，本发明还可以对动力电池温度预测模型进行自优化。
因此，为进一步优化上述实施例，在线监测方法还可以包括：
将当前时刻的每个动力电池单体温度和车况数据最为最新训练样本，将每个动力电池单体在当前时刻的下一时刻的实际电池温度作为最新样本标签，对动力电池温度预测模型进行优化训练。
具体的，车辆启动后，车载T-BOX从CAN总线实时采集每个动力电池单体温度和车况数据，车载T-BOX一方面根据动力电池单体温度和车况数据对动力电池温度进行在线监测，另一方面，将动力电池单体温度和车况数据发送至云端服务器进行存储，以便于后续对动力电池温度预测模型进行优化。
车载T-BOX实时接收车辆不同工况的动力电池单体温度和车况数据，对电池温度预测模型进行训练优化，并按照既定的部署策略，通过远程空中升级OTA等方式部署至车载终端。
车载T-BOX即可以通过电池温度预测模型对动力电池温度进行在线监测，同时可以使用温度故障数据对最新的电池温度预测模型进行验证。
因此，本发明既能有效监测动力电池温度，又能对动力电池温度预测模型进行优化，提高动力电池温度预测模型的准确率。
与上述汽车动力电池温度的在线监测方法实施例相对应，本发明还公开了一种车载T-BOX。
参见图5，本发明实施例公开的一种车载T-BOX的结构示意图，车载T-BOX包括：
第一获取单元301，用于获取当前时刻的每个动力电池单体温度和车况数据。
车载T-BOX作为车辆与云端服务器的枢纽，车载T-BOX可以从CAN总线上获取每个动力电池单体温度和车况数据，通过对每个动力电池单体温度进行处理后发送至云端服务器。
其中，本实施例中的车况数据主要为电池温度影响参数，包括：车辆运行速度、电池工作环境温度、充电模式(比如，电池电压、电池电流等)等。
温度预测单元302，用于将每个动力电池单体温度和车况数据同时输入至预先建立的动力电池温度预测模型，得到每个动力电池单体在当前时刻的下一时刻的电池温度预测值。
本实施例中，电池温度预测值也即在动力电池单体在电池单体温度正常情况下的电池温度理论值。
需要说明的是，不同的车况数据下预测得到的电池温度预测值不同，比如，将相同的动力电池单体温度和不同的车况数据输入至动力电池温度预测模型，会得到不同的电池温度预测值。
因此，在对动力电池温度预测模型进行训练时，车况数据也是训练样本的一部分。
其中，动力电池温度预测模型为：以历史指定时刻的动力电池单体温度和车况数据为训练样本，以历史指定时刻的下一时刻的动力电池单体温度为样本标签，对LSTM(Long-Short Term Memory，长短期记忆网络)神经网络模型训练得到。
第二获取单元303，用于获取每个动力电池单体在下一时刻的实际电池温度。
假设，当前时刻为T，当前时刻T的下一时刻为T+1，本发明在根据当前时刻T采集的动力电池单体温度和车况数据预测得到T+1时刻电池温度预测值后，会在车辆运行时刻达到T+1时刻，再次获取T+1时刻的实际电池温度，由于电池温度预测值为动力电池单体在电池单体温度正常情况下的电池温度理论值，因此，通过将T+1时刻的电池温度预测值与实际电池温度进行比较，即可对动力电池单体温度的变化趋势进行预测。
计算单元304，用于基于每个动力电池单体在下一时刻的电池温度预测值和对应的实际电池温度，计算得到每个动力电池单体的温度偏移量。
其中，每个动力电池单体的温度偏移量δ为下一时刻的电池温度预测值和对应的实际电池温度的差值绝对值。
需要特别说明的是，通常动力电池中包含多个动力电池单体，每个动力电池单体在动力电池中的位置不同，相对应的故障权重也会存在差别。
故障量级确定单元305，用于基于每个动力电池单体的温度偏移量与对应的故障权重得到故障量级。
其中，故障量级表示故障严重程度，故障量级越高，对应的故障严重程度越高，反之，故障量级越低，对应的故障严重程度越低。
在实际应用中，将每个动力电池单体的温度偏移量与对应的故障权重相乘得到故障量级。
监测单元306，用于根据故障量级与预设报警等级阈值的大小关系，对每个动力电池单体是否发生升温故障进行监测。
本发明按照报警处理方式不同，将报警等级划分为三种，分别如下：
报警等级0：动力电池单体未达到报警条件，不触发报警。
报警等级I：动力电池单体达到预报警条件，将达到预报警条件的动力电池单体的相关数据发送至云端服务器进行检查确认。
报警等级II：动力电池单体达到立即报警条件，立即触发报警。
其中，本发明中的报警可以为声光报警。
本发明设计的报警方法能有效地检测因动力电池严重故障导致动力电池急速升温的情况，也能准确的判定动力电池部分损伤导致的逐步升温的情况。
综上可知，本发明公开了一种车载T-BOX，车载T-BOX将获取的当前时刻的每个动力电池单体温度和车况数据同时输入至预先建立的动力电池温度预测模型，得到每个动力电池单体在当前时刻的下一时刻的电池温度预测值，获取每个动力电池单体在下一时刻的实际电池温度，基于每个动力电池单体的电池温度预测值和对应的实际电池温度得到温度偏移量，并基于每个动力电池单体的温度偏移量与对应的故障权重得到故障量级，根据故障量级与预设报警等级阈值的大小关系对每个动力电池单体是否发生升温故障进行监测。本发明中动力电池单体在下一时刻的电池温度预测值实际为该动力电池单体在电池单体温度正常情况下的电池温度理论值，通过计算动力电池单体在第一时刻的电池温度理论值与实际电池温度之间的温度偏离量，即可对动力电池单位温度的变化趋势进行预测，从而可以在监测到动力电池单体刚开始发生升温故障时及时采取保护措施，从而有效避免了动力电池进入热失控阶段。
为进一步优化上述实施例，监测单元306具体可以包括：
第一确定子单元，用于当故障量级不大于第一报警等级阈值时，确定故障量级对应的动力电池单体未发生升温故障，不触发升温故障报警。
发送子单元，用于当故障量级大于第一报警等级阈值且小于第二报警等级阈值时，将故障量级对应的动力电池单体的相关数据发送至云端服务器，由云端服务器对动力电池单体的当前温度偏移量以及对应的历史温度偏移量均进行故障量级计算，分别得到当前故障量级以及历史故障量级，若当前故障量级和历史故障量级均超过第一报警等级阈值，则向车载T-BOX发送报警控制指令。
报警子单元，用于当故障量级不小于第二报警等级阈值时，立即出发升温故障报警。
其中，预设报警等级阈值包括：第一报警等级阈值和第二报警等级阈值。
本实施例中，假设每个动力电池单体的温度偏离率为δ，对应的故障权重为β，则故障量级为δ*β，第一报警等级阈值为MI，第二报警等级阈值为MII。
(1)当δ*β≥MII时，立即触发升温故障报警。
(2)当MII>δ*β>MI时，将δ*β对应的动力电池单体的相关数据发送至云端服务器，由云端服务器对动力电池单体的当前温度偏移量和对应的历史温度偏移量均进行故障量级计算，分别得到当前故障量级以及历史故障量级，若当前故障量级和历史故障量级均超过第一报警等级阈值MI，云端服务器向车载T-BOX发送报警控制指令。
其中，动力电池单体的相关数据包括：动力电池单体的当前温度偏移量、故障权重、动力电池单体的标识等。
(3)当δ*β<MI时，不触发升温故障报警，仅将动力电池单体的相关数据发送至云端服务器进行保存。
通常动力电池上的温度传感器数量从几十个到几百个不等，而CAN帧一次只能传输8字节的有效数据，因此一个采集周期的所有温度数据往往采用多帧的发送方式，温度数据容易出现异常和缺失。基于此，本发明公开了一种车载T-BOX针对BMS采集的各个动力电池单体温度的多帧处理过程。
因此，为进一步优化上述实施例，第一获取单元301具体可以用于：
获取每个动力电池单体的当前温度帧；
当当前温度帧为首帧时，控制采集周期计时器开始计时，重置首帧的下一帧ID，并对当前温度帧进行缓存；
当当前温度帧为连续帧时，对当前温度帧进行缓存；
当当前温度帧为非首帧和非连续帧时，将当前温度帧作为异常帧进行清除；
当采集周期计时器达到一个采集周期时，对缓存的所有温度帧进行完整性校验，其中，所有温度帧包括：首帧以及各个连续帧；
当所有温度帧通过完整性校验时，将所有温度帧确定为动力电池单体温度。
由此可以看出，本发明通过对一个周期内的初始动力电池单体温度的完整性进行校验，并对异常帧进行清除，保证了采集的动力电池单体温度的有效性。
为进一步优化上述实施例，车载T-BOX还可以包括：
模型优化单元，用于在动力电池温度预测模型训练过程中，通过超参数解调对动力电池温度预测模型进行优化，使动力电池温度预测模型达到预设标准的动力电池温度预测模型。
为提高动力电池温度预测模型的准确性，本发明还可以对动力电池温度预测模型进行自优化。
因此，车载T-BOX还可以包括：
自优化单元，用于将当前时刻的每个动力电池单体温度和车况数据最为最新训练样本，将每个动力电池单体在当前时刻的下一时刻的实际电池温度作为最新样本标签，对动力电池温度预测模型进行优化训练。
具体的，车辆启动后，车载T-BOX从CAN总线实时采集每个动力电池单体温度和车况数据，车载T-BOX一方面根据动力电池单体温度和车况数据对动力电池温度进行在线监测，另一方面，将动力电池单体温度和车况数据发送至云端服务器进行存储，以便于后续对动力电池温度预测模型进行优化。
车载T-BOX实时接收车辆不同工况的动力电池单体温度和车况数据，对电池温度预测模型进行训练优化，并按照既定的部署策略，通过远程空中升级OTA等方式部署至车载终端。
车载T-BOX即可以通过电池温度预测模型对动力电池温度进行在线监测，同时可以使用温度故障数据对最新的电池温度预测模型进行验证。
因此，本发明既能有效监测动力电池温度，又能对动力电池温度预测模型进行优化，提高动力电池温度预测模型的准确率。
需要特别说明的是，车载T-BOX中各组成部分的具体工作原理，请参见方法实施例对应部分，此处不再赘述。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种汽车动力电池温度的在线监测方法，其特征在于，应用于车载T-BOX，所述在线监测方法包括：
获取当前时刻的每个动力电池单体温度和车况数据；
将每个所述动力电池单体温度和车况数据同时输入至预先建立的动力电池温度预测模型，得到每个动力电池单体在所述当前时刻的下一时刻的电池温度预测值；
获取每个所述动力电池单体在所述下一时刻的实际电池温度；
基于每个所述动力电池单体在所述下一时刻的所述电池温度预测值和对应的所述实际电池温度，计算得到每个所述动力电池单体的温度偏移量；
基于每个所述动力电池单体的所述温度偏移量与对应的故障权重得到故障量级，所述故障量级表示故障严重程度；
根据所述故障量级与预设报警等级阈值的大小关系，对每个所述动力电池单体是否发生升温故障进行监测；
其中，所述根据所述故障量级与预设报警等级阈值的大小关系，对每个所述动力电池单体是否发生升温故障进行监测，具体包括：
当所述故障量级不大于第一报警等级阈值时，确定所述故障量级对应的动力电池单体未发生升温故障，不触发升温故障报警；
当所述故障量级大于所述第一报警等级阈值且小于第二报警等级阈值时，将所述故障量级对应的动力电池单体的相关数据发送至云端服务器，由所述云端服务器对所述动力电池单体的当前温度偏移量以及对应的历史温度偏移量均进行故障量级计算，分别得到当前故障量级以及历史故障量级，若所述当前故障量级和所述历史故障量级均超过所述第一报警等级阈值，则向所述车载T-BOX发送报警控制指令；
当所述故障量级不小于所述第二报警等级阈值时，立即出发升温故障报警；
其中，所述预设报警等级阈值包括：所述第一报警等级阈值和所述第二报警等级阈值。
2.根据权利要求1所述的在线监测方法，其特征在于，所述动力电池温度预测模型为：以历史指定时刻的动力电池单体温度和车况数据为训练样本，以历史指定时刻的下一时刻的动力电池单体温度为样本标签，对LSTM神经网络模型训练得到。
3.根据权利要求1所述的在线监测方法，其特征在于，所述获取当前时刻的每个动力电池单体温度具体包括：
获取每个所述动力电池单体的当前温度帧；
当所述当前温度帧为首帧时，控制采集周期计时器开始计时，重置所述首帧的下一帧ID，并对所述当前温度帧进行缓存；
当所述当前温度帧为连续帧时，对所述当前温度帧进行缓存；
当所述当前温度帧为非首帧和非连续帧时，将所述当前温度帧作为异常帧进行清除；
当所述采集周期计时器达到一个采集周期时，对缓存的所有温度帧进行完整性校验，其中，所述所有温度帧包括：所述首帧以及各个所述连续帧；
当所述所有温度帧通过完整性校验时，将所述所有温度帧确定为所述动力电池单体温度。
4.根据权利要求1所述的在线监测方法，其特征在于，还包括：
在所述动力电池温度预测模型训练过程中，通过超参数解调对所述动力电池温度预测模型进行优化，使所述动力电池温度预测模型达到预设标准的动力电池温度预测模型。
5.根据权利要求1所述的在线监测方法，其特征在于，还包括：
将所述当前时刻的每个所述动力电池单体温度和所述车况数据最为最新训练样本，将每个动力电池单体在所述当前时刻的下一时刻的实际电池温度作为最新样本标签，对所述动力电池温度预测模型进行优化训练。
6.一种车载T-BOX，其特征在于，包括：
第一获取单元，用于获取当前时刻的每个动力电池单体温度和车况数据；
温度预测单元，用于将每个所述动力电池单体温度和车况数据同时输入至预先建立的动力电池温度预测模型，得到每个动力电池单体在所述当前时刻的下一时刻的电池温度预测值；
第二获取单元，用于获取每个所述动力电池单体在所述下一时刻的实际电池温度；
计算单元，用于基于每个所述动力电池单体在所述下一时刻的所述电池温度预测值和对应的所述实际电池温度，计算得到每个所述动力电池单体的温度偏移量；
故障量级确定单元，用于基于每个所述动力电池单体的所述温度偏移量与对应的故障权重得到故障量级，所述故障量级表示故障严重程度；
监测单元，用于根据所述故障量级与预设报警等级阈值的大小关系，对每个所述动力电池单体是否发生升温故障进行监测；
其中，所述监测单元具体包括：
第一确定子单元，用于当所述故障量级不大于第一报警等级阈值时，确定所述故障量级对应的动力电池单体未发生升温故障，不触发升温故障报警；
发送子单元，用于当所述故障量级大于所述第一报警等级阈值且小于第二报警等级阈值时，将所述故障量级对应的动力电池单体的相关数据发送至云端服务器，由所述云端服务器对所述动力电池单体的当前温度偏移量以及对应的历史温度偏移量均进行故障量级计算，分别得到当前故障量级以及历史故障量级，若所述当前故障量级和所述历史故障量级均超过所述第一报警等级阈值，则向所述车载T-BOX发送报警控制指令；
报警子单元，用于当所述故障量级不小于所述第二报警等级阈值时，立即出发升温故障报警；
其中，所述预设报警等级阈值包括：所述第一报警等级阈值和所述第二报警等级阈值。
7.根据权利要求6所述的车载T-BOX，其特征在于，所述第一获取单元具体用于：
获取每个所述动力电池单体的当前温度帧；
当所述当前温度帧为首帧时，控制采集周期计时器开始计时，重置所述首帧的下一帧ID，并对所述当前温度帧进行缓存；
当所述当前温度帧为连续帧时，对所述当前温度帧进行缓存；
当所述当前温度帧为非首帧和非连续帧时，将所述当前温度帧作为异常帧进行清除；
当所述采集周期计时器达到一个采集周期时，对缓存的所有温度帧进行完整性校验，其中，所述所有温度帧包括：所述首帧以及各个所述连续帧；
当所述所有温度帧通过完整性校验时，将所述所有温度帧确定为所述动力电池单体温度。
8.根据权利要求6所述的车载T-BOX，其特征在于，还包括：
模型优化单元，用于在所述动力电池温度预测模型训练过程中，通过超参数解调对所述动力电池温度预测模型进行优化，使所述动力电池温度预测模型达到预设标准的动力电池温度预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111100784.1A CN113848494B (zh) | 2021-09-18 | 2021-09-18 | 一种动力电池温度的在线监测方法及车载t-box |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111100784.1A CN113848494B (zh) | 2021-09-18 | 2021-09-18 | 一种动力电池温度的在线监测方法及车载t-box |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113848494A CN113848494A (zh) | 2021-12-28 |
| CN113848494B true CN113848494B (zh) | 2024-01-26 |
Family
ID=78974662
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111100784.1A Active CN113848494B (zh) | 2021-09-18 | 2021-09-18 | 一种动力电池温度的在线监测方法及车载t-box |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113848494B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114726042B (zh) * | 2022-04-14 | 2024-08-09 | 广州奔想智能科技有限公司 | 一种利用充电曲线监测电池健康的预警方法及电池充电柜 |
| CN115377552A (zh) * | 2022-04-24 | 2022-11-22 | 宁德时代新能源科技股份有限公司 | 一种动力电池自加热控制方法、系统、存储介质及电子设备 |
| CN117872166B (zh) * | 2024-03-11 | 2024-05-14 | 广东采日能源科技有限公司 | 储能电池热失控检测方法、装置及电子设备 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014087236A (ja) * | 2012-10-26 | 2014-05-12 | Mitsubishi Electric Corp | 充放電制御装置 |
| CN104297691A (zh) * | 2014-09-29 | 2015-01-21 | 上海吉能电源系统有限公司 | 电池组健康状态诊断系统和方法 |
| JP2016031876A (ja) * | 2014-07-30 | 2016-03-07 | ダイムラー・アクチェンゲゼルシャフトＤａｉｍｌｅｒ ＡＧ | バッテリ冷却状態判定装置、電動車両、及びバッテリ冷却状態判定方法 |
| EP3306815A1 (fr) * | 2016-10-06 | 2018-04-11 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Procédé de surveillance et de diagnostic d'une architecture photovoltaïque |
| CN108680358A (zh) * | 2018-03-23 | 2018-10-19 | 河海大学 | 一种基于轴承温度模型的风电机组故障预测方法 |
| CN109283469A (zh) * | 2018-09-21 | 2019-01-29 | 四川长虹电器股份有限公司 | 电池管理系统故障预测方法、装置及可读存储介质 |
| CN109752651A (zh) * | 2017-11-03 | 2019-05-14 | 株洲中车时代电气股份有限公司 | 一种牵引电机超温故障预测的方法及系统 |
| CN109935867A (zh) * | 2017-12-18 | 2019-06-25 | 现代自动车株式会社 | 用于诊断燃料电池的温度传感器故障的方法和系统 |
| CN110018425A (zh) * | 2019-04-10 | 2019-07-16 | 北京理工大学 | 一种动力电池故障诊断方法及系统 |
| CN112763929A (zh) * | 2020-12-31 | 2021-05-07 | 华东理工大学 | 一种储能电站系统电池单体健康预测方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018017644A1 (en) * | 2016-07-22 | 2018-01-25 | Eos Energy Storage, Llc | Battery management system |
-
2021
- 2021-09-18 CN CN202111100784.1A patent/CN113848494B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014087236A (ja) * | 2012-10-26 | 2014-05-12 | Mitsubishi Electric Corp | 充放電制御装置 |
| JP2016031876A (ja) * | 2014-07-30 | 2016-03-07 | ダイムラー・アクチェンゲゼルシャフトＤａｉｍｌｅｒ ＡＧ | バッテリ冷却状態判定装置、電動車両、及びバッテリ冷却状態判定方法 |
| CN104297691A (zh) * | 2014-09-29 | 2015-01-21 | 上海吉能电源系统有限公司 | 电池组健康状态诊断系统和方法 |
| EP3306815A1 (fr) * | 2016-10-06 | 2018-04-11 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | Procédé de surveillance et de diagnostic d'une architecture photovoltaïque |
| CN109752651A (zh) * | 2017-11-03 | 2019-05-14 | 株洲中车时代电气股份有限公司 | 一种牵引电机超温故障预测的方法及系统 |
| CN109935867A (zh) * | 2017-12-18 | 2019-06-25 | 现代自动车株式会社 | 用于诊断燃料电池的温度传感器故障的方法和系统 |
| CN108680358A (zh) * | 2018-03-23 | 2018-10-19 | 河海大学 | 一种基于轴承温度模型的风电机组故障预测方法 |
| CN109283469A (zh) * | 2018-09-21 | 2019-01-29 | 四川长虹电器股份有限公司 | 电池管理系统故障预测方法、装置及可读存储介质 |
| CN110018425A (zh) * | 2019-04-10 | 2019-07-16 | 北京理工大学 | 一种动力电池故障诊断方法及系统 |
| CN112763929A (zh) * | 2020-12-31 | 2021-05-07 | 华东理工大学 | 一种储能电站系统电池单体健康预测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 串联混合动力公交车电池管理系统设计;惠鸿忠;;农业装备与车辆工程(03);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113848494A (zh) | 2021-12-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113848494B (zh) | 一种动力电池温度的在线监测方法及车载t-box | |
| Kreutz et al. | Machine learning-based icing prediction on wind turbines | |
| CN113960476B (zh) | 基于信息物理融合技术的动力电池故障监测方法及系统 | |
| US7761389B2 (en) | Method for anomaly prediction of battery parasitic load | |
| CN111823952B (zh) | 电芯温度的诊断方法、存储介质和电子设备 | |
| RU2626780C1 (ru) | Способ и система удаленного мониторинга энергетических установок | |
| RU2649542C1 (ru) | Способ и система удаленного мониторинга объектов | |
| Yan et al. | Uncertainty management in Lebesgue-sampling-based diagnosis and prognosis for lithium-ion battery | |
| CN112287602B (zh) | 一种基于机器学习和孤立森林的动车轴温故障预警方法 | |
| CN110688617B (zh) | 风机振动异常检测方法及装置 | |
| CN108205114B (zh) | 电池寿命的预测方法及系统 | |
| CN113763667B (zh) | 一种基于5g边缘计算的火灾预警及状态监测装置及方法 | |
| CN117471346A (zh) | 用于确定退役电池模组剩余寿命和健康状态的方法及系统 | |
| CN113935423A (zh) | 耦合模糊控制规则与Elman神经网络的动力电池故障预警方法与系统 | |
| Wang et al. | Exhaust gas temperature sensing data anomaly detection for aircraft auxiliary power unit condition monitoring | |
| CN113295399A (zh) | 换流阀元件状态评估方法、装置、电子设备和存储介质 | |
| CN114091750A (zh) | 电网负荷异常预测方法、系统和存储介质 | |
| CN112085043B (zh) | 一种变电站网络安全智能监控方法及系统 | |
| CN116774050A (zh) | 电池的故障处理方法、装置、云服务器及存储介质 | |
| CN116432831A (zh) | 一种化学品风险类型异常事件的预测方法 | |
| RU2735296C1 (ru) | Способ многопараметрического контроля состояния сложных электротехнических объектов | |
| Mei et al. | A novel fusion prognostic approach for the prediction of the remaining useful life of a lithiumion battery | |
| CN114328473A (zh) | 一种电池数据的检测方法及装置 | |
| CN117318024B (zh) | 基于cnn神经网络的光伏发电功率预测管理方法及系统 | |
| CN116087782B (zh) | 一种汽车电池故障预警方法、系统、装置及存储介质 |
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 |