CN114118534A - 基于Informer算法的动力电池热失控预警方法及其控制系统 - Google Patents

基于Informer算法的动力电池热失控预警方法及其控制系统 Download PDF

Info

Publication number
CN114118534A
CN114118534A CN202111312008.8A CN202111312008A CN114118534A CN 114118534 A CN114118534 A CN 114118534A CN 202111312008 A CN202111312008 A CN 202111312008A CN 114118534 A CN114118534 A CN 114118534A
Authority
CN
China
Prior art keywords
power battery
thermal runaway
voltage
data
temperature
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111312008.8A
Other languages
English (en)
Inventor
陈越
钱磊
朱卓敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Powershare Information Technology Co ltd
Original Assignee
Shanghai Powershare Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Powershare Information Technology Co ltd filed Critical Shanghai Powershare Information Technology Co ltd
Priority to CN202111312008.8A priority Critical patent/CN114118534A/zh
Publication of CN114118534A publication Critical patent/CN114118534A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Chemical & Material Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Analytical Chemistry (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)

Abstract

本发明公开了一种基于Informer算法的动力电池热失控预警方法及其控制系统，所述预警方法包括：从数据平台获取动力电池的历史数据，并对其进行预处理；根据预处理后的历史数据，构造特征工程；利用Informer算法进行建模，得到热失控模型；获取动力电池的实时数据和时间戳，并将其传入所述热失控模型，进而预测动力电池在预设时间段内的温度和电压，若动力电池的温度和电压变化均处于异常状态，则判断动力电池为热失控，从而输出预测结果并发送预警信息。本发明提供的技术方案充分利用动力电池的历史数据和实时数据，结合电化学模型与深度学习方法，能够预测动力电池是否热失控，并及时发出预警信息，精准高效，具有较强的前瞻性。

Description

基于Informer算法的动力电池热失控预警方法及其控制系统
技术领域
本发明涉及动力电池安全领域，特别涉及一种基于Informer算法的动力电池热失控预警方法及其控制系统。
背景技术
动力电池热失控的发生有很多成因，如过充电、内短路、锂枝晶、穿刺、碰撞等等。具体地，动力电池发生内短路有两个过程，第一个过程是电压下降，第二个部分是温度升高，然后形成热失控。
目前，针对动力电池内短路造成的热失控预警，主流方法是基于硬件(传感器)对动力电池的当前状态进行一些判断，没法做到前瞻性，无法预先判断动力电池是否存在热失控，危险的话，还会给用户带来危险。虽然在传统的动力电池业务场景中存在利用LSTM(Long sequence time-series forecasting，长序列时间序列预测)算法进行热失控预测，但是该方法只能对未来较短的时间做出预测，随着预测长度的增加，性能会变得越来越低，这无法适应实际生活中的各种预测场景实现随时精准预测。
发明内容
本发明的目的是提供一种能够精确预测动力电池热失控的基于Informer算法的动力电池热失控预警方法及其控制系统。
为达到上述目的，本发明采用的技术方案如下：
一种基于Informer算法的动力电池热失控预警方法，所述预警方法包括：从数据平台获取动力电池的历史数据，并对其进行预处理；根据预处理后的历史数据，构造特征工程；利用Informer算法进行建模，得到热失控模型；获取动力电池的实时数据和时间戳，并将其传入所述热失控模型，进而预测动力电池在预设时间段内的温度和电压，若动力电池的温度和电压变化均处于异常状态，则判断动力电池为热失控，从而输出预测结果并发送预警信息。
作为一种可选的方案，所述异常状态包括：动力电池的电压在第一预设时间内的下降量为预设电压量，并且，动力电池的温度在第二预设时间内的上升量大于预设温度量。
作为另一种可选的方案，所述异常状态包括：动力电池的电压小于预设电压阈值且持续第三预设时间，并且，动力电池的温度大于阈值温度值且持续第四预设时间。
进一步地，动力电池的历史数据包括动力电池的最高温度值和/或最低温度值和/或电压值和/或电流值。
进一步地，动力电池的实时数据包括动力电池的温度值和电压值。
进一步地，预处理的方式包括数据清洗和/或数据分析。
进一步地，所述构造特征工程包括特征选择和/或异常处理和/或特征编码和/或缺失值填充和/或归一化处理。
进一步地，所述预警方法还包括：将输出的预测结果反馈至数据平台。
一种基于上文所述的动力电池热失控预警方法的控制系统，所述控制系统包括：
数据平台，其内预存有动力电池的历史数据；
车载系统，其与所述数据平台连接，所述车载系统被配置为发送动力电池的实时数据；
控制单元，其与所述数据平台和车载系统分别连接，所述控制单元内设有热失控模型，所述热失控模型被配置为预测动力电池是否存在热失控。
进一步地，当动力电池处于以下任意一种情况时，所述热失控模型预测动力电池为热失控：
a.动力电池的电压在第一预设时间内的下降量为预设电压量，并且，动力电池的温度在第二预设时间内的上升量大于预设温度量；
b.动力电池的电压小于预设电压阈值且持续第三预设时间，并且，动力电池的温度大于阈值温度值且持续第四预设时间。
本发明具有的优点：充分利用大数据即动力电池的历史数据和实时数据，结合电化学模型与深度学习方法，能够精准地预测未来较长一段时间内动力电池是否会热失控，并及时发出预警信息，精准高效，具有较强的前瞻性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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一些实施例，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的动力电池热失控预警方法的流程示意图；
图2为本发明实施例提供的控制系统的示意框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，更清楚地了解本发明的目的、技术方案及其优点，以下结合具体实施例并参照附图对本发明实施例中的技术方案进行清楚、完整地描述。需要说明的是，附图中未绘示或描述的实现方式，为所属技术领域中普通技术人员所知的形式。另外，虽然本文可提供包含特定值的参数的示范，但应了解，参数无需确切等于相应的值，而是可在可接受的误差容限或设计约束内近似于相应的值。显然，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。除此，本发明的说明书和权利要求书中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本发明的一个实施例中，提供了一种基于Informer算法的动力电池热失控预警方法，如图1所示，所述预警方法包括：从动力电池大数据平台获取动力电池的历史数据，然后对历史数据进行初步的预处理，预处理的方式包括数据清洗和/或数据分析；根据预处理后的历史数据，构造特征工程，具体包括但不限于特征选择、异常处理、类别特征编码、缺失值填充、连续数值特征归一化等，将经过特征工程处理后的数据作为Informer算法的输入；利用Informer算法进行建模，并对Informer算法进行包括但不限于堆叠不同长度的embedding层的修改，然后得到热失控模型；从动力电池大数据平台获取动力电池的实时数据和时间戳，并将其传入热失控模型，让热失控模型去预测动力电池未来一段时间的电压和温度的变化情况，并根据这个变化情况是否处于异常状态来判断动力电池是否会热失控，即预测动力电池在预设时间段内的热失控情况，从而输出预测结果并发送预警信息，并且将输出的预测结果反馈至动力电池大数据平台中。相比于传统的LSTM，本发明利用修改后的Informer算法性能平均提升在百分之八十左右，且收敛更快(5个epoch就能达到最优，而LSTM需要50个epoch)，同时，泛化能力更强(测试集和验证集的loss抖动平稳)，能够实现未来较长一段时间(比如：24小时、48小时、1周内)动力电池热失控预警。
在本实施例中，动力电池的历史数据包括但不限于动力电池的最高温度值、最低温度值、电压值、电流值、电池容量、电池使用时间，动力电池的实时数据包括但不限于动力电池的温度值、电压值、电池使用时间，具体的动力电池的历史数据和实时数据与车型的行驶数据关联，根据实际情况选择，不以此限定本发明的保护范围。
具体地，异常状态包括以下两种情况，满足其中任意一种即可认定为热失控：
a.动力电池的电压在第一预设时间内的下降量为预设电压量，并且，动力电池的温度在第二预设时间内的上升量大于预设温度量。在本实施例中，第一预设时间为2秒，预设电压量为1V，第二预设时间为1秒，预设温度量为5℃，即当动力电池的电压在2秒内下降1V，且温度在1秒内上升大于5℃时，判断动力电池会发生热失控；
b.动力电池的电压小于预设电压阈值且持续第三预设时间，并且，动力电池的温度大于预设阈值温度值且持续第四预设时间。在本实施例中，预设电压阈值为2V，第三预设时间为2秒，预设阈值温度值为60℃，第四预设时间为5秒，即当动力电池的电压小于2V且持续2秒，并且，温度大于60℃且持续5秒时，判断动力电池会发生热失控。
需要说明的是，上述5℃、1秒、1V等数值均为举例说明，不以此限定本发明的保护范围。
在本发明的一个实施例中，提供了一种基于上文所述的动力电池热失控预警方法的控制系统，如图2所示，所述控制系统包括动力电池大数据平台、车载系统以及控制单元，其中，动力电池大数据平台内预存有动力电池的历史数据；车载系统与动力电池大数据平台连接，车载系统被配置为发送动力电池的实时数据；控制单元与动力电池大数据平台和车载系统分别连接，控制单元内设有热失控模型，热失控模型被配置为预测动力电池是否存在热失控。
具体地，当动力电池处于以下任意一种情况时，热失控模型预测动力电池会发生热失控：
a.动力电池的电压在第一预设时间内的下降量为预设电压量，并且，动力电池的温度在第二预设时间内的上升量大于预设温度量；
b.动力电池的电压小于预设电压阈值且持续第三预设时间，并且，动力电池的温度大于阈值温度值且持续第四预设时间。
本控制系统实施例的思想与上述实施例中动力电池热失控预警方法的工作过程属于同一思想，通过全文引用的方式将上述动力电池热失控预警方法实施例的全部内容并入本控制系统实施例，不再赘述。
本发明提供的基于Informer算法的动力电池热失控预警方法及其控制系统不同于传统的硬件预警，本发明充分利用动力电池的数据，将电化学模型与深度学习方法相结合，采用Informer算法可以有效地提取时间维度的特征，对长序列做到了精准预测，从而对未来时间动力电池是否会发生热失控进行准确高效地预测，具有较强的前瞻性。
以上所述仅为本发明的优选实施例，并非因此限制其专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种基于Informer算法的动力电池热失控预警方法，其特征在于，所述预警方法包括：从数据平台获取动力电池的历史数据，并对其进行预处理；根据预处理后的历史数据，构造特征工程；利用Informer算法进行建模，得到热失控模型；获取动力电池的实时数据和时间戳，并将其传入所述热失控模型，进而预测动力电池在预设时间段内的温度和电压，若动力电池的温度和电压变化均处于异常状态，则判断动力电池为热失控，从而输出预测结果并发送预警信息。
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，所述异常状态包括：动力电池的电压在第一预设时间内的下降量为预设电压量，并且，动力电池的温度在第二预设时间内的上升量大于预设温度量。
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，所述异常状态包括：动力电池的电压小于预设电压阈值且持续第三预设时间，并且，动力电池的温度大于阈值温度值且持续第四预设时间。
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，动力电池的历史数据包括动力电池的最高温度值和/或最低温度值和/或电压值和/或电流值。
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，动力电池的实时数据包括动力电池的温度值和电压值。
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，预处理的方式包括数据清洗和/或数据分析。
7.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，所述构造特征工程包括特征选择和/或异常处理和/或特征编码和/或缺失值填充和/或归一化处理。
8.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，所述预警方法还包括：将输出的预测结果反馈至数据平台。
9.一种基于权利要求1所述的动力电池热失控预警方法的控制系统，其特征在于，所述控制系统包括：
数据平台，其内预存有动力电池的历史数据；
车载系统，其与所述数据平台连接，所述车载系统被配置为发送动力电池的实时数据；
控制单元，其与所述数据平台和车载系统分别连接，所述控制单元内设有热失控模型，所述热失控模型被配置为预测动力电池是否存在热失控。
10.如权利要求9所述的控制系统，其特征在于，当动力电池处于以下任意一种情况时，所述热失控模型预测动力电池为热失控：
a.动力电池的电压在第一预设时间内的下降量为预设电压量，并且，动力电池的温度在第二预设时间内的上升量大于预设温度量；
b.动力电池的电压小于预设电压阈值且持续第三预设时间，并且，动力电池的温度大于阈值温度值且持续第四预设时间。
CN202111312008.8A 2021-11-08 2021-11-08 基于Informer算法的动力电池热失控预警方法及其控制系统 Pending CN114118534A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111312008.8A CN114118534A (zh) 2021-11-08 2021-11-08 基于Informer算法的动力电池热失控预警方法及其控制系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111312008.8A CN114118534A (zh) 2021-11-08 2021-11-08 基于Informer算法的动力电池热失控预警方法及其控制系统

Publications (1)

Publication Number Publication Date
CN114118534A true CN114118534A (zh) 2022-03-01

Family

ID=80381484

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111312008.8A Pending CN114118534A (zh) 2021-11-08 2021-11-08 基于Informer算法的动力电池热失控预警方法及其控制系统

Country Status (1)

Country Link
CN (1) CN114118534A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200164763A1 (en) * 2017-07-21 2020-05-28 Quantumscape Corporation Predictive model for estimating battery states
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
CN113036250A (zh) * 2021-02-27 2021-06-25 重庆长安新能源汽车科技有限公司 一种动力电池热失控全时段监控系统、方法及新能源汽车
CN113173104A (zh) * 2021-04-29 2021-07-27 浙江吉利控股集团有限公司 一种新能源车辆动力电池预警方法及系统
CN113393025A (zh) * 2021-06-07 2021-09-14 浙江大学 一种基于Informer模型编码结构的非侵入式负荷分解方法
CN113409284A (zh) * 2021-06-28 2021-09-17 北京百度网讯科技有限公司 电路板故障检测方法、装置、设备以及存储介质
CN113506924A (zh) * 2021-06-17 2021-10-15 重庆金康动力新能源有限公司 电池包的热失控预警方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200164763A1 (en) * 2017-07-21 2020-05-28 Quantumscape Corporation Predictive model for estimating battery states
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
CN113036250A (zh) * 2021-02-27 2021-06-25 重庆长安新能源汽车科技有限公司 一种动力电池热失控全时段监控系统、方法及新能源汽车
CN113173104A (zh) * 2021-04-29 2021-07-27 浙江吉利控股集团有限公司 一种新能源车辆动力电池预警方法及系统
CN113393025A (zh) * 2021-06-07 2021-09-14 浙江大学 一种基于Informer模型编码结构的非侵入式负荷分解方法
CN113506924A (zh) * 2021-06-17 2021-10-15 重庆金康动力新能源有限公司 电池包的热失控预警方法及系统
CN113409284A (zh) * 2021-06-28 2021-09-17 北京百度网讯科技有限公司 电路板故障检测方法、装置、设备以及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HAOYI ZHOU等: "Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting", PROCEEDINGS OF THE AAAI CONFERENCE ON ARTIFICIAL INTELLIGENCE, vol. 35, no. 12, 18 May 2021 (2021-05-18), pages 11106 - 11115 *

Similar Documents

Publication Publication Date Title
CN104617330B (zh) 电池微短路的识别方法
JP6635743B2 (ja) 蓄電池保全装置、及び、蓄電池保全方法
US8143853B2 (en) Battery with serial cell modules, and vehicle equipped with the same
US10011185B2 (en) Method for battery management and battery management system
US20140375277A1 (en) Method for controlling the temperature of at least one battery element, battery and motor vehicle with such a battery
US20220252671A1 (en) Method for predicting an aging state of a battery
CN106680720A (zh) 基于车联网的车载蓄电池失效预警系统及方法
CN114204626B (zh) 充电控制方法及相关设备
CN105667326B (zh) 一种具有主动防护功能的混合动力汽车充电系统和方法
CN109655753B (zh) 一种电池组soc的估算方法
CN115958957B (zh) 一种电动汽车动力电池充电过热故障预测方法及系统
CN113253138A (zh) 对电池分类的方法、电池、电池回收利用系统和机动车
CN116783757A (zh) 温度确定方法与电流阈值确定方法、电池管理系统
CN110015162A (zh) 电池健康状态检测方法、装置和系统以及存储介质
CN113567874B (zh) 动力电池安全状态的监控检测方法及装置
WO2023052910A1 (en) System and method for estimating state of health and remaining useful life of a battery
CN114188619A (zh) 用于预警电池热失控状态的方法、系统及存储介质
EP4030532A1 (en) Estimation device, estimation method, and computer program
CN114118534A (zh) 基于Informer算法的动力电池热失控预警方法及其控制系统
CN117048342A (zh) 一种用于电动汽车的电池安全检测方法、装置及电动汽车
CN115972982A (zh) 热失控预警方法、装置、设备及可读存储介质
CN115508713A (zh) 一种电池系统安全预警方法、装置、存储介质及设备
KR101748643B1 (ko) 배터리 팩의 측정 데이터 선별 장치 및 방법
GB2602670A (en) Battery monitoring
Gross et al. Measurement of a health index for Li-Ion batteries

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