CN114047693A - 面向充电过程的汽车电池火灾自适应防范方法及系统 - Google Patents
面向充电过程的汽车电池火灾自适应防范方法及系统 Download PDFInfo
- Publication number
- CN114047693A CN114047693A CN202111234862.7A CN202111234862A CN114047693A CN 114047693 A CN114047693 A CN 114047693A CN 202111234862 A CN202111234862 A CN 202111234862A CN 114047693 A CN114047693 A CN 114047693A
- Authority
- CN
- China
- Prior art keywords
- charging
- sensor
- sensors
- equation
- matrix
- 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 68
- 230000002265 prevention Effects 0.000 title claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims abstract description 51
- 238000005070 sampling Methods 0.000 claims abstract description 43
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 9
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000002330 electrospray ionisation mass spectrometry Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 241000283984 Rodentia Species 0.000 claims 1
- 101150061147 preA gene Proteins 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 3
- 229910002091 carbon monoxide Inorganic materials 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000779 smoke Substances 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 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
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- 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)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明提供一种面向充电过程的汽车电池火灾自适应防范方法及系统，属于电池的充电管理技术领域。所述方法包括：获取汽车电池的多个充电参数；根据充电参数构建充电参数矩阵；根据公式(1)和公式(2)计算充电危险系数；判断充电危险系数的阈值区间；在判断位于第一阈值区间的情况下，根据公式(3)计算传感器的采样频率，并控制权重较小的前三个类别的传感器关闭，其余类别的传感器打开；在判断位于第二阈值区间的情况下，根据公式(4)计算传感器的采样频率，并控制权重较小的第一个类别的传感器关闭，其余类别的传感器打开；在判断位于第三阈值区间的情况下，根据公式(5)计算传感器的采样频率，并打开所有类别的传感器。
Description
技术领域
本发明涉及电池的充电管理技术领域，具体地涉及一种面向充电过程的汽车电池火灾自适应防范方法及系统。
背景技术
动力蓄电池系统已经成为新能源汽车极为重要的储能部件之一。目前各大车企对汽车电池系统进行了深入的研究，在电池性能管理上取得了很大的突破，但电池系统在使用过程中仍然存在不可忽视的安全问题，尤其电池火灾预防及处理这一块，仍然有很多不足。
目前现有的许多火灾预警系统较为简单，多采用单一传感器为主，通常为温度传感器，且为阈值触发式系统，一旦达到被测量的阈值就视为发生警报并进行报警，断电防止出现意外。这种探测器对火灾特征信号响应灵敏度的不均匀性，导致其对实际火灾的探测能力受到了限制，使得误报率和漏报率一直居高不下。随着技术的进步，火灾探测器中开始采用多种类型的传感器共同探测火焰，但是在实际使用中仍面临许多困难。
现有多传感器融合系统有通过数据级融合及决策级融合两级融合进行决策，用到的算法有模糊集合理论及D-S证据理论。这些算法计算比较繁琐，在面对多节点，大量数据处理时不能得心应手。
此外，现有技术只通过较为单一的传感器进行静态的采样操作，通常不考虑汽车所处工况及此时汽车电池火灾相关参数的特点。通过传感器采集相关数据并和事先拟定的阈值进行简单比对来进行决策。但由于当汽车自身所处工况及电池所处状态的不同，我们很难只通过静态的视角来对火灾进行监测与预警。同时，在静态的模型下，对主控芯片的算力没有进行合理的分配，造成了资源的浪费和能源的消耗，不利于电池的续航寿命的提升。
发明内容
本发明实施例的目的是提供一种面向充电过程的汽车电池火灾自适应防范方法及系统，该方法及系统能够提高汽车电池在充电过程中的安全性。
为了实现上述目的，本发明实施例提供一种面向充电过程的汽车电池火灾自适应防范方法，包括：
获取汽车电池的多个充电参数；
根据所述多个充电参数构建充电参数矩阵；
根据公式(1)和公式(2)计算充电危险系数，
I＝∝1×R1+∝2×R2+∝3×R3+∝4×R4+∝5×R5， (2)
其中，R为危险系数矩阵，R1、R2、R3、R4以及R5为危险系数矩阵R中的元素，∝1、∝2、∝3、∝4以及∝5为对应的权重，I为所述充电危险系数，Z为所述充电参数矩阵，Y为预设的安全值矩阵，U为预设的阈值矩阵；
判断所述充电危险系数的阈值区间；
在判断所述充电危险系数位于第一阈值区间的情况下，根据公式(3)计算传感器的采样频率，并控制权重较小的前三个类别的传感器关闭，其余类别的传感器打开，
fv＝fmin×(1+I)， (3)
其中，fv为所述采样频率，fmin为所述采样频率的最小值，I为所述充电危险系数；
在判断所述充电危险系数位于第二阈值区间的情况下，根据公式(4)计算传感器的采样频率，并控制权重较小的第一个类别的传感器关闭，其余类别的传感器打开，
fv＝fmin×(1+I)2， (4)
其中，fv为所述采样频率，fmin为所述采样频率的最小值，I为所述充电危险系数；
在判断所述充电危险系数位于第三阈值区间的情况下，根据公式(5)计算传感器的采样频率，并打开所有类别的传感器，
fv＝fmin×(1+I)3， (5)
其中，fv为所述采样频率，fmin为所述采样频率的最小值，I为所述充电危险系数；
再次返回执行获取汽车电池的多个充电参数的步骤。
可选地，所述第一阈值区间为0至40％，所述第二阈值区间为41％至70％，所述第三阈值区间为71％至100％。
可选地，所述方法包括：
获取用于训练神经网络训练集，其中，所述训练集包括多个类别传感器的采样数据，每个类别包括用于采集汽车电池不同节点的信息的多个传感器；
根据公式(6)计算每个类别的传感器的采样数据，
其中，Dx表示类别为x的传感器的采样数据，xn表示类别为x的传感器中编号为n的传感器的采样信息，Wxn表示类别为x的传感器中编号为n的传感器的权重；
根据公式(7)计算当前发生火灾的预测概率，
其中，P为所述预测概率，WDx表示类别为x的传感器的权重；
判断所述预测概率与所述训练集中标准的概率的差值和是否等于0；
在判断所述预测概率与所述训练集中标准的概率的差值和不等于0的情况下，根据公式(8)计算损失函数，
其中，L为所述损失函数，m为所述训练集的数据规模，y为训练集中标准的概率，i为计数变量；
根据公式(9)计算偏导数矩阵，
其中，Q为所述偏导数矩阵，
以及
分别为损失函数对权重Wx1、Wx2以及Wxn的偏导数，T为转置符号；
根据公式(10)更新每个权重，
Wi＝Wi-1-eta×Q， (10)
其中，Wi为更新后的权重，eta为预设的学习因子；
再次返回执行根据公式(6)计算每个类别的传感器的采样数据的步骤；
在判断所述预测概率与所述训练集中标准的概率的差值和等于0的情况下，输出每个类别的传感器的权重。
可选地，所述获取汽车电池的多个充电参数包括：
从BMS中获取所述充电参数。
可选地，所述根据所述多个充电参数构建充电参数矩阵包括：
根据公式(11)构建所述充电参数矩阵，
其中，Y为所述充电参数矩阵，a1、a2、ai、b1、b2、bi、c1、c2、ci、d1、d2、di、e1、e2以及ei为充电参数矩阵中的元素。
可选地，所述根据公式(1)和公式(2)计算充电危险系数包括：
采用加权递推平均滤波法处理所述充电参数矩阵以得到公式(12)所示的一组充电状态参数矩阵，
Z＝[A B C D E]T， (12)
其中，Z为处理后的一组充电状态参数矩阵，A、B、C、D以及E分别为a1、a2、ai、b1、b2、bi、c1、c2、ci、d1、d2、di、e1、e2处理后的参数。
可选地，所述根据公式(1)和公式(2)计算充电危险系数包括：
根据公式(13)建立所述阈值矩阵，
U＝[Amax Bmax Cmax Dmax Emax]T， (13)
其中，U为所述阈值矩阵，Amax、Bmax、Cmax、Dmax以及Emax为预设的阈值。
可选地，所述根据公式(1)和公式(2)计算充电危险系数包括：
根据公式(14)建立所述安全值矩阵，
Y＝[AS BS CS DS ES]T， (14)
其中，Y为所述安全值矩阵，AS、BS、CS、DS以及ES为预设的安全值。
另一方面，本发明还提供一种面向充电过程的汽车电池火灾自适应防范系统，所述系统包括：
多个类别的传感器，每个类别包括多个用于采集汽车电池的多个节点的信息的传感器；
控制器，与所述传感器连接，用于执行如上述任一所述的方法。
再一方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有指令，所述指令用于被机器读取以使得所述机器执行如上述任一所述的方法。
通过上述技术方案，本发明提供的面向充电过程的汽车电池火灾自适应防范方法及系统通过获取汽车电池在充电过程中的充电参数来计算对应的危险系数，再结合对危险系数的评估来选择传感器的采样频率以及种类，在保证汽车电池充电安全性的同时，降低了系统的能耗。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1是根据本发明的一个实施方式的面向充电过程的汽车电池火灾自适应防范方法的流程图；
图2是根据本发明的一个实施方式的火灾警报系统的结构框图；
图3是根据本发明的一个实施方式的获取各个类别的传感器的权重的方法的流程图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
如图1所示是根据本发明的一个实施方式的面向充电过程的汽车电池火灾自适应防范方法的流程图。在该图1中，该方法可以包括：
在步骤S10中，获取汽车电池的多个充电参数；
在步骤S11中，根据多个充电参数构建充电参数矩阵；
在步骤S12中，根据公式(1)和公式(2)计算充电危险系数，
I＝∝1×R1+∝2×R2+∝3×R3+∝4×R4+∝5×R5， (2)
其中，R为危险系数矩阵，R1、R2、R3、R4以及R5为危险系数矩阵R中的元素，∝1、∝2、∝3、∝4以及∝5为对应的权重，I为充电危险系数，Z为充电参数矩阵，Y为预设的安全值矩阵，U为预设的阈值矩阵；
在步骤S13中，判断充电危险系数的阈值区间；
在步骤S14中，在判断充电危险系数位于第一阈值区间的情况下，根据公式(3)计算传感器的采样频率，并控制权重较小的前三个类别的传感器关闭，其余类别的传感器打开，
fv＝fmin×(1+I)， (3)
其中，fv为采样频率，fmin为采样频率的最小值，I为充电危险系数；
在步骤S15中，在判断充电危险系数位于第二阈值区间的情况下，根据公式(4)计算传感器的采样频率，并控制权重较小的第一个类别的传感器关闭，其余类别的传感器打开，
fv＝fmin×(1+I)2， (4)
其中，fv为采样频率，fmin为采样频率的最小值，I为充电危险系数；
在步骤S16中，在判断充电危险系数位于第三阈值区间的情况下，根据公式(5)计算传感器的采样频率，并打开所有类别的传感器，
fv＝fmin×(1+I)3， (5)
其中，fv为采样频率，fmin为采样频率的最小值，I为充电危险系数；
最后再次返回执行获取汽车电池的多个充电参数的步骤，即返回执行步骤S10。
现有技术中，常规的电池火灾警报系统多是采用单一传感器为主。在多数情况下，通常采用单一的温度传感器，且为阈值触发式系统，一旦达到被测量的阈值就视为发生警报并进行报警，断电防止出现意外。这种探测器对火灾特征信号响应灵敏度的不均匀性，导致其对实际火灾的探测能力受到了限制，使得误报率和漏报率一直居高不下。近年来，虽然出现了通过多种传感器相互组合来精确判断火灾警报状况的方式，但是这种方式需要结合在控制器端更加复杂的控制方法，同时由于在现场设置的传感器的数量及种类的增加，在这样的火灾警报系统工作时，也会产生更多的能耗。
基于以上技术缺陷，本发明提供如图1所示的方法。在该如图1所示的方法中，步骤S10可以用于获取电池的多个电池参数。该多个电池参数可以是例如电压、电流、温度、温升、压差。在该实施方式中，该多个电池参数可以是直接通过BMS来获取，从而在步骤S11中建立如公式(6)构建的充电参数矩阵，
其中，Y为充电参数矩阵，a1、a2、ai、b1、b2、bi、c1、c2、ci、d1、d2、di、e1、e2以及ei为充电参数矩阵中的元素。
基于公式(6)中的充电参数，考虑到每个类别的充电参数均为多个，在后续计算时会造成计算量的增加，因此在该实施方式中，可以采用加权递推平均滤波法处理充电参数矩阵以得到公式(7)所示的一组充电状态参数矩阵，
Z＝[A B C D E]T， (7)
其中，Z为处理后的一组充电状态参数矩阵，A、B、C、D以及E分别为a1、a2、ai、b1、b2、bi、c1、c2、ci、d1、d2、di、e1、e2处理后的参数，T为转置符号。
步骤S12可以用于计算充电危险系数。其中，阈值矩阵和安全值矩阵可以是根据如下的公式(8)和公式(9)来建立，
U＝[Amax Bmax Cmax Dmax Emax]T， (8)
其中，U为阈值矩阵，Amax、Bmax、Cmax、Dmax以及Emax为预设的阈值；
Y＝[AS BS CS DS BS]T， (9)
其中，Y为安全值矩阵，AS、BS、CS、DS以及ES为预设的安全值。
步骤S13可以用于判断当前计算出的充电危险系数位于哪个阈值区间，再针对每个阈值区间所对应的控制方法来对传感器的采样频率和开启的类别进行调整，从而实现对传感器的控制的动态调整。具体地，在判断该充电危险系数位于第一阈值区间的情况下，此时说明当前危险性较小，因此可以关闭权重较小的前三个类别的传感器关闭；在判断该充电危险系数位于第二阈值区间的情况下，此时说明当前存在一定的危险性，需要通过开启较多的传感器来监测当前汽车电池的状态；在判断该充电危险系数位于第三阈值区间的情况下，此时说明当前存在较大的危险性，因此需要将全部的传感器开启，实现全面的监测。相较于现有技术在充电过程中所有传感器全程开启的方法，本发明提供的方法能够动态调整传感器的采样频率，同时动态开启传感器的类别和数量，在保证监测效果的同时，降低了设备的整体功耗。
对于每个阈值区间的划分，则可以是本领域人员所知的多种方式。但是在本发明的一个优选示例中，结合在本发明中所提供的充电危险系数的计算方法，该第一阈值区间可以为0至40％，第二阈值区间可以为41％至70％，第三阈值区间可以为71％至100％。而对于该传感器的具体类别，虽然可以是本领域人员所知的多种方式，但是在本发明的一个优选示例中，考虑到传感器的组合以及权重的变化方式，该传感器可以是组合可以是如图2所示的火灾警报系统中的传感器组合。在该图2中，该传感器的类别可以是烟雾传感器、一氧化碳传感器、气压传感器、温度传感器以及火焰传感器。控制芯片可以通过GSM模块、通信模块与控制中心(云平台)联系，从而上传烟雾传感器、一氧化碳传感器、气压传感器、温度传感器以及火焰传感器的检测信号，并通过电磁阀实时控制现场的消防设备。
在该实施方式中，对于每个类别的传感器所对应的权重，虽然可以是本领域人员所知的多种方式，例如人为直接确定。但是，考虑到每个类别的传感器的权重直接影响本发明所提供的方法的技术效果，因此在本发明的一个优选示例中，该权重可以是通过如图3中所示出的方法来得到。在如图2中，该方法可以包括：
在步骤S20中，获取用于训练神经网络训练集。其中，该训练集可以包括多个类别传感器的采样数据，每个类别可以包括用于采集汽车电池不同节点的信息的多个传感器；
在步骤S21中，根据公式(10)计算每个类别的传感器的采样数据，
其中，Dx表示类别为x的传感器的采样数据，xn表示类别为x的传感器中编号为n的传感器的采样信息，Wxn表示类别为x的传感器中编号为n的传感器的权重，a，b，c，d或e则可以表示烟雾传感器、一氧化碳传感器、气压传感器、温度传感器以及火焰传感器中的至少一种；
在步骤S22中，根据公式(11)计算当前发生火灾的预测概率，
其中，P为预测概率，WDx表示类别为x的传感器的权重；
在步骤S23中，判断预测概率与训练集中标准的概率的差值和是否等于0；
在步骤S24中，在判断预测概率与训练集中标准的概率的差值和不等于0的情况下，根据公式(12)计算损失函数，
其中，L为损失函数，m为训练集的数据规模，y为训练集中标准的概率，i为计数变量；
在步骤S25中，根据公式(13)计算偏导数矩阵，
其中，Q为偏导数矩阵，
以及
分别为损失函数对权重Wx1、Wx2以及Wxn的偏导数，T为转置符号；
在步骤S26中，根据公式(14)更新每个权重，
Wi＝Wi-1-eta×Q， (14)
其中，Wi为更新后的权重，eta为预设的学习因子；
再次返回执行根据公式(4)计算每个类别的传感器的采样数据的步骤；
在判断预测概率与训练集中标准的概率的差值和等于0的情况下，输出每个类别的传感器的权重。
在该如图3中所示出的方法中，步骤S20至步骤S22用于基于当前的权重来计算预测概率。由于训练集中包括多个传感器的采样数据，因此可以在步骤S23中采用差值和来确定当前神经网络(公式(11))预测的精确度。在该神经网络预测不准确的情况下，此时可以通过步骤S24至步骤S26来更新每个权重，直到该差值和等于0。
另一方面，本发明还提供一种面向充电过程的汽车电池火灾自适应防范系统，所述系统可以包括多个类别的传感器和控制器。其中，每个类别可以包括多个用于采集汽车电池的多个节点的信息的传感器；控制器可以与传感器连接，用于执行如上述任一所述的方法。
再一方面，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有指令，所述指令用于被机器读取以使得所述机器执行如上述任一所述的方法。
通过上述技术方案，本发明提供的面向充电过程的汽车电池火灾自适应防范方法及系统通过获取汽车电池在充电过程中的充电参数来计算对应的危险系数，再结合对危险系数的评估来选择传感器的采样频率以及种类，在保证汽车电池充电安全性的同时，降低了系统的能耗。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种面向充电过程的汽车电池火灾自适应防范方法，其特征在于，所述方法包括：
获取汽车电池的多个充电参数；
根据所述多个充电参数构建充电参数矩阵；
根据公式(1)和公式(2)计算充电危险系数，
I＝∝1×R1+∝2×R2+∝3×R3+∝4×R4+∝5×R5，(2)
其中，R为危险系数矩阵，R1、R2、R3、R4以及R5为危险系数矩阵R中的元素，∝1、∝2、∝3、∝4以及∝5为对应的权重，I为所述充电危险系数，Z为所述充电参数矩阵，Y为预设的安全值矩阵，U为预设的阈值矩阵；
判断所述充电危险系数的阈值区间；
在判断所述充电危险系数位于第一阈值区间的情况下，根据公式(3)计算传感器的采样频率，并控制权重较小的前三个类别的传感器关闭，其余类别的传感器打开，
fv＝fmin×(1+I)， (3)
其中，fv为所述采样频率，fmin为所述采样频率的最小值，I为所述充电危险系数；
在判断所述充电危险系数位于第二阈值区间的情况下，根据公式(4)计算传感器的采样频率，并控制权重较小的第一个类别的传感器关闭，其余类别的传感器打开，
fv＝fmin×(1+I)2， (4)
其中，fv为所述采样频率，fmin为所述采样频率的最小值，I为所述充电危险系数；
在判断所述充电危险系数位于第三阈值区间的情况下，根据公式(5)计算传感器的采样频率，并打开所有类别的传感器，
fv＝fmin×(1+I)3， (5)
其中，fv为所述采样频率，fmin为所述采样频率的最小值，I为所述充电危险系数；
再次返回执行获取汽车电池的多个充电参数的步骤。
2.根据权利要求1所述的方法，其特征在于，所述第一阈值区间为0至40％，所述第二阈值区间为41％至70％，所述第三阈值区间为71％至100％。
3.根据权利要求1所述的方法，其特征在于，所述方法包括：
获取用于训练神经网络训练集，其中，所述训练集包括多个类别传感器的采样数据，每个类别包括用于采集汽车电池不同节点的信息的多个传感器；
根据公式(6)计算每个类别的传感器的采样数据，
其中，Dx表示类别为x的传感器的采样数据，xn表示类别为x的传感器中编号为n的传感器的采样信息，Wxn表示类别为x的传感器中编号为n的传感器的权重；
根据公式(7)计算当前发生火灾的预测概率，
其中，P为所述预测概率，WDx表示类别为x的传感器的权重；
判断所述预测概率与所述训练集中标准的概率的差值和是否等于0；
在判断所述预测概率与所述训练集中标准的概率的差值和不等于0的情况下，根据公式(8)计算损失函数，
其中，L为所述损失函数，m为所述训练集的数据规模，y为训练集中标准的概率，i为计数变量；
根据公式(9)计算偏导数矩阵，
其中，Q为所述偏导数矩阵，
以及
分别为损失函数对权重Wx1、Wx2以及Wxn的偏导数，T为转置符号；
根据公式(10)更新每个权重，
Wi＝Wi-1-eta×Q， (10)
其中，Wi为更新后的权重，eta为预设的学习因子；
返回执行根据公式(4)计算每个类别的传感器的采样数据的步骤；
在判断所述预测概率与所述训练集中标准的概率的差值和等于0的情况下，输出每个类别的传感器的权重。
4.根据权利要求1所述的方法，其特征在于，所述获取汽车电池的多个充电参数包括：
从BMS中获取所述充电参数。
5.根据权利要求1所述的方法，其特征在于，所述根据所述多个充电参数构建充电参数矩阵包括：
根据公式(11)构建所述充电参数矩阵，
其中，Y为所述充电参数矩阵，a1、a2、ai、b1、b2、bi、c1、c2、ci、d1、d2、di、e1、e2以及ei为充电参数矩阵中的元素。
6.根据权利要求5所述的方法，其特征在于，所述根据公式(1)和公式(2)计算充电危险系数包括：
采用加权递推平均滤波法处理所述充电参数矩阵以得到公式(12)所示的一组充电状态参数矩阵，
Z＝[A B C D E]T， (12)
其中，Z为处理后的一组充电状态参数矩阵，A、B、C、D以及E分别为a1、a2、ai、b1、b2、bi、c1、c2、ci、d1、d2、di、e1、e2处理后的参数。
7.根据权利要求6所述的方法，其特征在于，所述根据公式(1)和公式(2)计算充电危险系数包括：
根据公式(13)建立所述阈值矩阵，
U＝[Amax Bmax Cmax Dmax Emax]T， (13)
其中，U为所述阈值矩阵，Amax、Bmax、Cmax、Dmax以及Emax为预设的阈值。
8.根据权利要求7所述的方法，其特征在于，所述根据公式(1)和公式(2)计算充电危险系数包括：
根据公式(14)建立所述安全值矩阵，
Y＝[AS BS CS DS ES]T， (14)
其中，Y为所述安全值矩阵，AS、BS、CS、DS以及ES为预设的安全值。
9.一种面向充电过程的汽车电池火灾自适应防范系统，其特征在于，所述系统包括：
多个类别的传感器，每个类别包括多个用于采集汽车电池的多个节点的信息的传感器；
控制器，与所述传感器连接，用于执行如权利要求1至8任一所述的方法。
10.一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存储有指令，所述指令用于被机器读取以使得所述机器执行如权利要求1至8任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111234862.7A CN114047693B (zh) | 2021-10-22 | 2021-10-22 | 面向充电过程的汽车电池火灾自适应防范方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111234862.7A CN114047693B (zh) | 2021-10-22 | 2021-10-22 | 面向充电过程的汽车电池火灾自适应防范方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114047693A true CN114047693A (zh) | 2022-02-15 |
| CN114047693B CN114047693B (zh) | 2023-12-22 |
Family
ID=80206096
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111234862.7A Active CN114047693B (zh) | 2021-10-22 | 2021-10-22 | 面向充电过程的汽车电池火灾自适应防范方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114047693B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114683852A (zh) * | 2022-02-28 | 2022-07-01 | 合肥工业大学 | 基于多传感器融合的汽车电池放电过程的预警方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019174422A1 (zh) * | 2018-03-16 | 2019-09-19 | 北京国双科技有限公司 | 实体关联关系的分析方法及相关装置 |
| CN111196560A (zh) * | 2020-01-03 | 2020-05-26 | 山东大学 | 桥式起重机危险区域范围动态调整方法及系统 |
| CN113306449A (zh) * | 2021-06-15 | 2021-08-27 | 安徽信息工程学院 | 一种新能源汽车的电池健康提醒方法及系统 |
-
2021
- 2021-10-22 CN CN202111234862.7A patent/CN114047693B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019174422A1 (zh) * | 2018-03-16 | 2019-09-19 | 北京国双科技有限公司 | 实体关联关系的分析方法及相关装置 |
| CN111196560A (zh) * | 2020-01-03 | 2020-05-26 | 山东大学 | 桥式起重机危险区域范围动态调整方法及系统 |
| CN113306449A (zh) * | 2021-06-15 | 2021-08-27 | 安徽信息工程学院 | 一种新能源汽车的电池健康提醒方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 罗小权;潘善亮;: "多传感器数据融合在火灾检测中的应用研究", 无线通信技术, no. 03 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114683852A (zh) * | 2022-02-28 | 2022-07-01 | 合肥工业大学 | 基于多传感器融合的汽车电池放电过程的预警方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114047693B (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10522031B2 (en) | System and method providing early prediction and forecasting of false alarms by applying statistical inference models | |
| CN111917877A (zh) | 物联网设备的数据处理方法及装置、电子设备、存储介质 | |
| CN112639495A (zh) | 一种电池检测的方法和装置 | |
| CN112800116A (zh) | 一种业务数据的异常检测方法及装置 | |
| US20200156680A1 (en) | Railway vehicle major component and system diagnosis apparatus | |
| CN112307623A (zh) | 电芯热失控预测方法、装置、介质、电池管理系统及车辆 | |
| Vinothini et al. | IoT based flood detection and notification system using decision tree algorithm | |
| CN114047693A (zh) | 面向充电过程的汽车电池火灾自适应防范方法及系统 | |
| CN114491931A (zh) | 数字孪生智能变电站系统故障的诊断方法及系统 | |
| CN114023399A (zh) | 一种基于人工智能的空气颗粒物分析预警方法和装置 | |
| CN113283548B (zh) | 一种车辆安全评分方法、装置、设备和存储介质 | |
| US9207106B2 (en) | System and method for incident detection with spatiotemporal thresholds estimated via nonparametric quantile regression | |
| CN112644336A (zh) | 一种动力电池热失控预测方法及装置 | |
| He et al. | Analysis and real-time prediction of local incident impact on transportation networks | |
| CN112572522A (zh) | 车辆轴承的轴温故障的预警方法及装置 | |
| CN116402346A (zh) | 基于城市管网的风险预警方法、系统、设备及存储介质 | |
| CN116907772A (zh) | 桥梁结构监测传感器的自诊断与故障源鉴别方法及系统 | |
| CN117033913A (zh) | 基于电力设备画像的异常检测方法及设备、存储介质 | |
| CN116703037B (zh) | 一种基于道路施工的监控方法及装置 | |
| CN107368000B (zh) | 一种机房动力环境监控方法 | |
| CN113506419B (zh) | 基于视频数据的室内安全状态分析方法及系统 | |
| CN113038379B (zh) | 基于名单的预警处理方法、装置、电子设备与存储介质 | |
| KR102454756B1 (ko) | 무선통신을 이용한 ai 탑재형 다중 검지 영역 통합 차단시스템 | |
| Lourenço et al. | Driving profile using evolutionary computation | |
| CN116011305A (zh) | 水务系统故障定位方法、装置及水务系统故障定位系统 |
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 |