CN114267150A - 一种锂电池热失控早期火灾检测预警方法 - Google Patents
一种锂电池热失控早期火灾检测预警方法 Download PDFInfo
- Publication number
- CN114267150A CN114267150A CN202111632963.XA CN202111632963A CN114267150A CN 114267150 A CN114267150 A CN 114267150A CN 202111632963 A CN202111632963 A CN 202111632963A CN 114267150 A CN114267150 A CN 114267150A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- thermal runaway
- early
- early warning
- detection
- 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
Links
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 52
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 239000000779 smoke Substances 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 23
- 239000003792 electrolyte Substances 0.000 claims abstract description 7
- 230000004927 fusion Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000001537 neural effect Effects 0.000 claims description 5
- 239000013618 particulate matter Substances 0.000 claims description 5
- 230000000306 recurrent effect Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 4
- 238000001467 acupuncture Methods 0.000 claims description 3
- 238000004146 energy storage Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 239000008186 active pharmaceutical agent Substances 0.000 abstract description 8
- 238000007781 pre-processing Methods 0.000 abstract description 3
- 238000012850 discrimination method Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000003750 conditioning effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 150000002641 lithium Chemical class 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000001208 nuclear magnetic resonance pulse sequence Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
Images
Landscapes
- Secondary Cells (AREA)
- Fire Alarms (AREA)
Abstract
本发明公开了一种锂电池热失控早期火灾检测预警方法。该方法包括锂电池热失控过程中的特征向量检测模型、火灾检测及预警的判别方法及分布式终端处理平台。主要方法为采用热电阻温度传感器、锂电池电解液蒸汽电化学探测器式、激光烟雾探测器进行电池热失控早期特征参量的检测，并在电池仓内根据空间容量进行传感器部署；获得的传感器数据，通过归一化预处理后，进入终端处理平台，通过DS证据理论模型，进行锂电池热失控及火灾预警推断，给出预警及报警。
Description
技术领域
本发明涉及一种锂电池热失控早期火灾检测预警方法，适用于动力锂电池早期火灾探测及预警。
背景技术
近年来，在新能源汽车发展及国家产业政策的推动下，动力锂电池因具备高能量密度、大倍率充放电性能和长循环寿命等优点发展迅猛，已成为电动汽车电能、储能电站存储载体采用的主要动力电池类型。然而，锂电池的自燃和爆炸事故也呈高发态势。
目前对于锂电池火灾的早期探测和预警，传统的方法主要基于环境的检测数据，使用传感器获取锂电池火灾过程中的特征参量，根据一定的专家经验进行分析及预判。基于单一传感器或者多传感器数据的分析，传统的方法预判错误率高，在实际中存在误报漏报的问题。
基于以上情况，本发明基于多传感器融合的数据，提出一种基于DS论据理论的锂电池火灾预警方案，并通过神经递归网络的方法对多传感器数据的序列进行学习及预判，可获得更高的检测准确率。
发明内容
本发明的目的在于提供一种锂电池热失控早期火灾检测预警方法。该方法包括锂电池热失控过程中的特征向量检测模型、火灾检测及预警的判别方法及分布式终端处理平台。主要方法为采用热电阻温度传感器、半导体电解液蒸汽探测器、烟雾颗粒物探测器进行电池热失控早期特征参量的检测，并在电池仓内根据空间容量进行传感器部署；获得的传感器数据，通过归一化预处理后，进入终端处理平台，通过DS证据理论模型，进行锂电池热失控及火灾预警推断，给出预警及报警。
为实现上述目的，本发明采用的技术方案是：
本发明包括基于温度、可燃气体、烟雾的多传感器探测系统，多参数融合(DS)证据理论模型，基于递归神经网络的传感器数据序列分析模型和基于比特大陆BM1880的智能终端处理平台。
一种锂电池热失控早期火灾检测预警方法，包括以下步骤：
(1)采用分布式传感器部署方法在电池仓中布置多个传感器，测得温度、可燃气体和烟雾的特征参量。优选地，所述特征参量至少包括电池仓环境温度、可燃气体浓度和烟雾的颗粒物浓度数值。
(2)采用步骤(1)所测得的特征参量，通过多参数融合证据理论模型，进行锂电池热失控及火灾预警判断，给出预警及报警。
进一步地，所述锂电池热失控早期火灾检测预警方法，包括传感器部署方案、动力锂电池早期热失控DS证据理论模型、终端深度学习处理平台。其中采用分布式传感器部署方法，对温度、可燃气体、烟雾的特征参量进行监测。其中主要使用热敏电阻实现对电池仓环境温度的精确测量；使用电化学气体探测方法实现对锂电池电解液蒸汽的检测；使用激光散射探测方法实现热失控过程中产生的烟雾进行检测。
进一步地，所述的传感器部署方法，包括对温度、可燃气体及颗粒物的检测，每立方米3.7V/1000AH锂电池储能空间内，按照2组每组5个热电阻传感器、2个可燃气体传感器、2个烟雾传感器线性及对称的分布式部署方法，能够实现对锂电池早期热失控及火灾产生的环境影响进行准确监测。
进一步地，步骤(2)中，使用多参数融合(DS)证据理论模型及其计算方法进行锂电池早期火灾预警，通过对温度、可燃气体、烟雾这三个传感器信息的融合，研判火灾的状态。所述的多参数融合证据理论模型为：将锂电池热失控并发生早期火灾分三个状态表示分别为正常、预警、火灾；通过针刺、加热、过充等方式进行实验，获取三种6组传感器在热失控三个状态的信任度σ1、σ2、σ3、σ4、σ5、σ6分别为：
其中
表示早期火灾的三个状态概率值,n表示早期火灾的三个状态概率值，m为第m个传感器。可获得融合后的置信公式为：
其中：
Φ为空集且满足：σ(Φ)＝0；
根据上述传感器融合数据及预测公式，选择
中最大的概率值，进行锂电池热失控早期火灾状态的判定。
进一步地，所述预警方法还包括：步骤(2)中，通过神经递归网络的方法对多传感器数据的序列进行学习及预判。
进一步地，所述预警方法还包括：步骤(2)中，使用深度学习递归神经网络(RNN)的方法，进行多传感器数据信任度σ的推算。通过将温度、可燃气体、烟雾探测的物理量{V1,V2,V3,V4,V5,V6}输入至RNN网络中,训练得到σ1、σ2、σ3、σ4、σ5、σ6。最终将获得的模型二值化处理后移植至BM1880芯片中，实现终端处理平台的智能决策。其中，V1和V2为温度特征参数值，单位均为摄氏度；V3和V4为气体特征参数值，单位均为PPM；V5和V6为烟雾特征参数值，单位均为mg/M3
进一步地，所述的归一化预处理包括：传感器获取到数据后，针对多传感器融合的模型，对数据进行归一化处理，将数据处理到[0，1]区间，使用的数学方法为：
获得多个传感器的归一化处理数据。
本发明采用热电阻温度传感器、锂电池电解液蒸汽电化学探测器、激光烟雾探测器进行电池热失控早期特征参量的检测，并在电池仓内根据空间容量进行传感器部署；获得的传感器数据，通过归一化预处理后，进入终端处理平台，通过DS证据理论模型，进行锂电池热失控及火灾预警推断，给出预警及报警，并通过神经递归网络的方法对多传感器数据的序列进行学习及预判，可获得更高的检测准确率。
附图说明
图1是本发明的锂电池热失控实验平台示意图；
图2是本发明的总体硬件框图；
图3是本发明的数据处理流程图。
图中，1电池箱、2锂电池、3温度传感器、4烟雾传感器、5可燃气体传感器、6直流电源。
具体实施方式
下面结合附图和实施例，对本发明作进一步的描述。
图1是本发明锂电池热失控实验平台示意图。如图1所示，锂电池热失控实验平台包括电池箱1、锂电池2、阵列式温度传感器3、烟雾传感器4、ZE21-CS可燃气体传感器5、直流电源6、数字式CAN总线、采集卡和BM1880智能终端。BM1880智能终端为终端处理平台。阵列式温度传感器3为阵列式PT100热敏电阻温度采集系统。烟雾传感器4为激光烟雾探测器。锂电池2置于电池箱1内。直流电源6设置于电池箱1外。直流电源6分别与阵列式温度传感器3、烟雾传感器4和ZE21-CS可燃气体传感器5通过导线连接。电池箱1内设置有温度传感器3、烟雾传感器4和可燃气体传感器5。可燃气体传感器5为电解液蒸汽传感器。数字式CAN总线一端依次连接采集卡和BM1880智能终端。数字式CAN总线另一端连接温度传感器3、烟雾传感器4和可燃气体传感器5。温度传感器3、烟雾传感器4和可燃气体传感器5为并联连接到并联连接到数字式CAN总线上。阵列式温度传感器3采用多个热敏电阻，用于测量电池仓的温度。ZE21-CS可燃气体传感器5用于测量电解液蒸汽的浓度。烟雾传感器4为烟雾颗粒物传感器，用于测量烟雾中颗粒物的浓度。分布式传感器部署在锂电池周围，按照每立方米10个热敏电阻、2个可燃气体传感器5、2个烟雾传感器4的方式进行部署；通过直流电源给传感器设备供电；分布式传感器通过数字式CAN总线及模拟式电压电流方式进行环境信息的采集，并将采集数据发送至高速采集卡，高速采集卡进行数据收集并滤波的基本处理后，将信息发送至终端平台。
图2是本发明的总体硬件框图。烟雾传感器4、阵列式温度传感器3和可燃气体传感器5获取的信号均被输送至信号调理电路，经过信号调理电路处理后的数据经微控制器系统，然后通过CAN通信发送至PC机或者BM1880。烟雾传感器4为激光式光电颗粒物检测传感器。阵列式温度传感器3获取的是模拟电压信号，10个温度传感器被均分成2组，每组5个传感器进行温度的平均计算，以减少误差。可燃气体传感器5获取的模拟电压信号，设置该传感器采样率为100Hz，平均10个数值做一次卡尔曼滤波，以获得波动小及准确的检测信息。激光式光电颗粒物检测传感器，获得的是数字信号，设置其采样频率为0.1Hz，使用均值滤波方法进行数据的处理。2组6个环境参量特征值获取后，在微控制系统中进行同步，并把数据通过CAN通信发送至PC机或者BM1880；在试验期间需要获取大量的数据，采用的是PC平台进行数据收集和模型训练；在最终使用平台中，将获得的数据模型二值化后移植到BM1880智能终端上处理。
图3是本发明的数据处理流程图。传感器获取到数据后，针对多传感器融合的模型，需要对数据进行归一化处理。将数据处理到[0，1]区间，使用的数学方法为：
获得6个传感器的归一化处理数据，其中x(t)为特征参数实际测量值，x(min)为特征参数的最小检测值，x(max)为特征参数的最大检测值，y(t)为归一化后的数值，该数值处于(0，1)之间。
将传感器数据送至训练好的神经递归网络模型，获得每组传感器数据对应电池热失控早期火灾中正常、预警和火灾三个状态的发生信任度，得到：
其中
表示早期火灾的三个状态概率值,n表示早期火灾的三个状态概率值，m为第m个传感器。
再将信任度值放到多参数融合模型中，基于以下模型的计算公式：
Φ为空集且满足：σ(Φ)＝0；
根据上述传感器融合数据及预测公式，选择
中最大的概率值，得到正常、预警和火灾的发生概率值，完成早期状态研判。
本发明的工作过程如下：
首先通过实验平台，对针刺、高温加热、过充等热失控过程进行模拟实验，并记录不同的试验条件，电池从正常至预警及火灾过程中，传感器对应的6个特征值(即)数据及变化，获得到原始数据集；专家系统判定正常、预警及火灾这三个状态的临界位置，确定原始数据标签；针对临界位置处特征值数据，建立深度学习的递归神经网络模型，使用6个特征值作为脉冲序列输入至网络，获得6个特征对应的正常、预警、火灾发生置信概率值；使用较多的训练输入数据提高模型的泛化能力和鲁棒性。
获得的6个传感器信任度值后，输入到DS证据模型中，进行锂电池早期热失控状态的综合判断输出，作为模型的最终输出。
其次，根据训练的结果，将神经网络模型进行二值化处理，并将二值化后得到的二进制代码移植到BM1880前端处理平台，可通过带有标签的测试集数据进行测试，确认模型的移植情况。
最后，进行现场试验，将实时获得的6个传感器特征值输入值BM1880平台，进行特征值的测试，获得锂电池早期热失控火灾发生的研判情况。
在本发明的一个实施例中，
加热热失控过程
磷酸铁锂电池箱中获得温度、气体、烟雾数据为；
通过下面计算公式进行计算：
获得：
k＝0.02436
因此，发生
的概率最大，得到结论为当前处于预警状态。
本发明未详细阐述部分属于本领域技术人员的公知技术。以上所述的实施例仅是对本发明的优选实施方式进行描述，优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。
Claims (8)
1.一种锂电池热失控早期火灾检测预警方法，其特征在于，包括以下步骤：
(1)采用分布式传感器部署方法在电池仓中布置多个传感器，测得温度、可燃气体和烟雾的特征参量；
(2)采用步骤(1)所测得的特征参量，通过多参数融合证据理论模型，进行锂电池热失控及火灾预警判断，给出预警及报警。
2.根据权利要求1所述的一种锂电池热失控早期火灾检测预警方法，其特征在于，步骤(1)中，所述的传感器部署方法采用线性及对称的分布式部署方法，对温度、可燃气体及颗粒物进行检测。
3.根据权利要求1所述的一种锂电池热失控早期火灾检测预警方法，其特征在于，步骤(2)中，使用多参数融合证据理论模型及其计算方法进行锂电池早期火灾预警，通过对温度、可燃气体、烟雾这三个传感器信息的融合，研判火灾的状态；所述的多参数融合证据理论模型为：将锂电池热失控并发生早期火灾分三个状态表示分别为正常、预警、火灾；通过针刺、加热或过充方式进行实验，获取三种6组传感器在热失控三个状态的信任度σ1、σ2、σ3、σ4、σ5、σ6分别为：
其中
表示早期火灾的三个状态概率值,n表示早期火灾的三个状态，m表示第m个传感器；可获得融合后的置信公式为：
其中：
Φ为空集且满足：σ(Φ)＝0；
根据上述传感器融合数据及预测公式，选择
中最大的概率值，进行锂电池热失控早期火灾状态的判定。
4.根据权利要求1所述的一种锂电池热失控早期火灾检测预警方法，其特征在于，步骤(2)中，通过神经递归网络的方法对多传感器数据的序列进行学习及预判。
5.根据权利要求3所述的一种锂电池热失控早期火灾检测预警方法，其特征在于，步骤(2)中，使用深度学习递归神经网络的方法，进行多传感器数据信任度σ的推算；通过将温度、可燃气体、烟雾探测的物理量{V1,V2,V3,V4,V5,V6}输入至递归神经网络中，训练得到σ1、σ2、σ3、σ4、σ5、σ6；最终将获得的模型二值化处理后移植至芯片中，实现终端处理平台的智能决策；其中，V1和V2为温度特征参数值，单位均为摄氏度；V3和V4为气体特征参数值，单位均为PPM；V5和V6为烟雾特征参数值，单位均为mg/M3。
6.根据权利要求1所述的一种锂电池热失控早期火灾检测预警方法，其特征在于，步骤(1)中，使用热敏电阻实现对电池仓环境温度的测量；使用电化学气体探测方法实现对可燃气体的检测；使用激光散射探测方法实现热失控过程中产生的烟雾进行检测；其中，所述可燃气体包括锂电池电解液蒸汽。
7.根据权利要求1所述的一种锂电池热失控早期火灾检测预警方法，其特征在于，步骤(1)中，所述特征参量至少包括电池仓环境温度、可燃气体浓度和烟雾的颗粒物浓度数值。
8.根据权利要求1所述的一种锂电池热失控早期火灾检测预警方法，其特征在于，步骤(1)中，每立方米3.7V/1000AH锂电池储能空间内，按照2组每组5个热电阻传感器、2个可燃气体传感器、2个烟雾传感器线性及对称的分布式部署方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111632963.XA CN114267150A (zh) | 2021-12-28 | 2021-12-28 | 一种锂电池热失控早期火灾检测预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111632963.XA CN114267150A (zh) | 2021-12-28 | 2021-12-28 | 一种锂电池热失控早期火灾检测预警方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114267150A true CN114267150A (zh) | 2022-04-01 |
Family
ID=80831241
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111632963.XA Pending CN114267150A (zh) | 2021-12-28 | 2021-12-28 | 一种锂电池热失控早期火灾检测预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114267150A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114783133A (zh) * | 2022-06-17 | 2022-07-22 | 南京中谷芯信息科技有限公司 | 一种基于多传感器数据融合技术的储能消防早期预警系统 |
| CN114965655A (zh) * | 2022-06-27 | 2022-08-30 | 北京理工大学 | 一种基于气体信号的锂离子电池热失控故障诊断系统 |
| CN117761542A (zh) * | 2023-12-27 | 2024-03-26 | 江苏讯汇科技股份有限公司 | 基于电池内部温度估计的电池柜热失控预警方法 |
| CN118940221A (zh) * | 2024-10-15 | 2024-11-12 | 西安交通大学 | 一种磷酸铁锂电池热失控多参量融合预警方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102737468A (zh) * | 2012-07-11 | 2012-10-17 | 重庆大学 | 基于无线多传感器信息融合的火灾检测系统及方法 |
| CN110667435A (zh) * | 2019-09-26 | 2020-01-10 | 武汉客车制造股份有限公司 | 一种新能源汽车动力电池的火灾监测预警系统及方法 |
| CN111739243A (zh) * | 2020-05-14 | 2020-10-02 | 电子科技大学 | 一种基于d-s证据理论的火灾状态检测方法 |
| CN113053053A (zh) * | 2021-03-01 | 2021-06-29 | 淮阴工学院 | 基于粒子群优化的区间论证多传感器融合的灾难蜂窝报警联动系统 |
-
2021
- 2021-12-28 CN CN202111632963.XA patent/CN114267150A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102737468A (zh) * | 2012-07-11 | 2012-10-17 | 重庆大学 | 基于无线多传感器信息融合的火灾检测系统及方法 |
| CN110667435A (zh) * | 2019-09-26 | 2020-01-10 | 武汉客车制造股份有限公司 | 一种新能源汽车动力电池的火灾监测预警系统及方法 |
| CN111739243A (zh) * | 2020-05-14 | 2020-10-02 | 电子科技大学 | 一种基于d-s证据理论的火灾状态检测方法 |
| CN113053053A (zh) * | 2021-03-01 | 2021-06-29 | 淮阴工学院 | 基于粒子群优化的区间论证多传感器融合的灾难蜂窝报警联动系统 |
Non-Patent Citations (2)
| Title |
|---|
| 向前 等: "基于证据理论的动力锂电池火灾检测装置设计", 《铜陵学院学报》 * |
| 张凤银: "基于多传感器融合的电动汽车电池仓火灾自动预警系统研究与设计", 《中国优秀博硕士学位论文全文数据库（硕士）工程科技II辑》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114783133A (zh) * | 2022-06-17 | 2022-07-22 | 南京中谷芯信息科技有限公司 | 一种基于多传感器数据融合技术的储能消防早期预警系统 |
| CN114965655A (zh) * | 2022-06-27 | 2022-08-30 | 北京理工大学 | 一种基于气体信号的锂离子电池热失控故障诊断系统 |
| CN117761542A (zh) * | 2023-12-27 | 2024-03-26 | 江苏讯汇科技股份有限公司 | 基于电池内部温度估计的电池柜热失控预警方法 |
| CN117761542B (zh) * | 2023-12-27 | 2025-05-09 | 江苏讯汇科技股份有限公司 | 基于电池内部温度估计的电池柜热失控预警方法 |
| CN118940221A (zh) * | 2024-10-15 | 2024-11-12 | 西安交通大学 | 一种磷酸铁锂电池热失控多参量融合预警方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114267150A (zh) | 一种锂电池热失控早期火灾检测预警方法 | |
| CN112092675B (zh) | 一种电池热失控预警方法、系统及服务器 | |
| WO2023036037A1 (zh) | 基于多种类、多数量传感器的智能电池监测预警方法及系统 | |
| CN112098850B (zh) | 基于sdo算法的锂离子电池电压故障诊断方法及系统 | |
| CN205680751U (zh) | 一种电池热失控检测系统 | |
| CN116046989B (zh) | 基于阵列传感器的锂电池火灾特征气体探测方法及系统 | |
| CN110187225A (zh) | 一种锂电池内短路电压电流异常检测方法及系统 | |
| CN115327386B (zh) | 一种基于电热耦合模型的电池组多故障诊断方法 | |
| CN114255562A (zh) | 基于物联网的智慧消防预警系统 | |
| CN117872159B (zh) | 一种基于数据分析的锂电芯充放电异常检测方法及系统 | |
| CN113013514A (zh) | 一种车载锂离子动力电池的热失控气敏报警装置及其检测方法 | |
| CN113255764A (zh) | 利用机器学习检测电化学储能系统故障的方法、系统和装置 | |
| CN116923188B (zh) | 一种新能源车的充电保护系统 | |
| CN116572747B (zh) | 电池故障检测方法、装置、计算机设备和存储介质 | |
| CN109920197A (zh) | 用于储能电站的消防预警装置及系统 | |
| CN118940221B (zh) | 一种磷酸铁锂电池热失控多参量融合预警方法及系统 | |
| Wang et al. | Forest fire detection system based on Fuzzy Kalman filter | |
| CN116718648B (zh) | 一种电池热失控气体的检测与识别方法及其报警装置 | |
| CN112649101A (zh) | 一种电池模块预警方法和系统及火灾探测装置 | |
| CN117594889A (zh) | 一种适用于独立式蓄电池组的运行安全智能管控系统 | |
| CN115951241A (zh) | 一种车载动力锂电池热失控预警保护方法及系统 | |
| CN114487888B (zh) | 一种车辆电池系统异常电池筛选及监测方法 | |
| CN119026052B (zh) | 一种储能电站中热失控锂电池的快速处理方法及系统 | |
| CN115616415B (zh) | 电池组状态的评估方法、装置、设备及存储介质 | |
| CN118330491B (zh) | 一种基于电化学阻抗的电池过充失效预警方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220401 |