CN114312322B - 车辆检测方法及装置 - Google Patents
车辆检测方法及装置 Download PDFInfo
- Publication number
- CN114312322B CN114312322B CN202111676319.2A CN202111676319A CN114312322B CN 114312322 B CN114312322 B CN 114312322B CN 202111676319 A CN202111676319 A CN 202111676319A CN 114312322 B CN114312322 B CN 114312322B
- Authority
- CN
- China
- Prior art keywords
- temperature
- voltage
- model
- vehicle
- features
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000013210 evaluation model Methods 0.000 claims abstract description 36
- 238000010801 machine learning Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 92
- 238000007477 logistic regression Methods 0.000 claims description 29
- 238000009529 body temperature measurement Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000007599 discharging Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 239000000463 material Substances 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 4
- 239000000178 monomer Substances 0.000 description 12
- 238000004140 cleaning Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 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
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- AKPLHCDWDRPJGD-UHFFFAOYSA-N nordazepam Chemical compound C12=CC(Cl)=CC=C2NC(=O)CN=C1C1=CC=CC=C1 AKPLHCDWDRPJGD-UHFFFAOYSA-N 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
-
- 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)
- Mechanical Engineering (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Secondary Cells (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆检测方法及装置。其中,该方法包括:获取车辆的行驶数据;提取行驶数据中的多个维度的特征,其中,特征用于表征车辆的动力电池的热失控状态;利用状态评估模型对多个维度的特征进行处理,得到车辆的检测结果,其中,检测结果用于表征车辆是否出现热失控现象,状态评估模型是通过机器学习得到的。本发明解决了相关技术中由于对电池热失控现象进行预警的准确性差,不够及时且实时性较差,导致电池热失控事故频发的技术问题。
Description
技术领域
本发明涉及车辆领域,具体而言,涉及一种车辆检测方法及装置。
背景技术
随着新能源汽车的推广和普及,其安全性也越来越受到重视。新能源电动汽车的动力电池易发生热失控的事故,电池热失控是指双极晶体管中常见的电热正反馈,结温过高而导致自燃的现象。如果电池升温达到一定阈值,电池的工作状态就会完全失控,导致电池内部温度直线上升,甚至燃烧爆炸。因此如何实时监测电池热失控相关的数据指标,并对电池热失控现象进行预警至关重要。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种车辆检测方法及装置,以至少解决相关技术中由于对电池热失控现象进行预警的准确性差,不够及时且实时性较差,导致电池热失控事故频发的技术问题。
根据本发明实施例的一个方面,提供了一种车辆检测方法,包括:获取车辆的行驶数据;提取行驶数据中的多个维度的特征,其中,特征用于表征车辆的动力电池的热失控状态;利用状态评估模型对多个维度的特征进行处理,得到车辆的检测结果,其中,检测结果用于表征车辆是否出现热失控现象,状态评估模型是通过机器学习得到的。
可选地,利用状态评估模型对多个维度的特征进行处理,得到车辆的检测结果包括:利用多个子模型分别对多个维度的特征进行处理,得到多个子模型的处理结果,其中,多个子模型与多个维度具有一一对应关系;将多个子模型的处理结果进行加权和,得到检测结果。
可选地,多个维度包括:电压维度、温度维度、电流维度、电量维度和熵维度,多个子模型包括:电压逻辑回归模型、温度逻辑回归模型、电流识别模型、熵判定模型和电量评估模型。
可选地,该方法还包括:获取多个训练特征,其中,多个训练特征为电压维度或温度维度的特征;分别对每个训练特征进行划分,确定每个训练特征的概率密度;基于多个训练特征的概率密度,确定目标训练特征;利用目标训练特征的概率密度对逻辑回归模型进行训练,得到电压逻辑回归模型或温度逻辑回归模型。
可选地,基于多个训练特征的概率密度,确定目标训练特征包括:按照多个训练特征的概率密度,对多个训练特征进行排序;获取排序最前的多个训练特征,得到目标训练特征。
可选地,该方法还包括:获取多个充放电电流;获取多个充放电电流中相邻两个时刻的充放电电流的差值,得到多个电流差;基于多个充放电电流和多个电流差进行分布拟合,得到拟合结果;基于拟合结果构建电流识别模型。
可选地,该方法还包括:获取单体电压和测温点温度;确定单体电压的第一信息熵和测温点温度的第二信息熵;基于第一信息熵和第二信息熵进行组合,得到二维坐标系中的目标坐标点;基于目标坐标点对单分类支持向量机模型进行训练,得到熵判定模型。
可选地,该方法还包括:获取当前剩余电量和历史过冲次数;基于当前剩余电量确定第一系数;基于历史过冲次数确定第二系数,其中,第二系数用于表征动力电池的损耗程度;基于第一系数、第二系数、当前剩余电量和历史过冲次数,构建电量评估模型。
可选地,在利用多个子模型分别对多个维度的特征进行处理,得到多个子模型的处理结果之后,该方法还包括:基于动力电池的组成结构和材料,确定目标值;将多个子模型的处理结果和目标值进行加权和,得到检测结果。
可选地,在获取车辆的行驶数据之后,该方法还包括:对行驶数据进行数据清洗,得到清洗后的数据;提取清洗后的数据中的多个维度的特征。
可选地,对行驶数据进行数据清洗包括如下至少之一:对行驶数据进行去重处理;删除行驶数据中时间戳超过预设时间范围的数据;提取单体电压和测温点温度;对行驶数据中的温度、充放电电流和电压进行换算;删除行驶数据中取值小于预设值的数据。
根据本发明实施例的另一方面,还提供了一种车辆检测装置,包括:获取模块,用于获取车辆的行驶数据;提取模块,用于提取行驶数据中的多个维度的特征,其中,特征用于表征车辆的动力电池的热失控状态;处理模块,用于利用状态评估模型对多个维度的特征进行处理,得到车辆的检测结果,其中,检测结果用于表征车辆是否出现热失控现象,状态评估模型是通过机器学习得到的。
可选地,处理模块包括:处理单元,用于利用多个子模型分别对多个维度的特征进行处理,得到多个子模型的处理结果,其中,多个子模型与多个维度具有一一对应关系;加权和单元,用于将多个子模型的处理结果进行加权和,得到检测结果。
可选地,多个维度包括:电压维度、温度维度、电流维度、电量维度和熵维度,多个子模型包括:电压逻辑回归模型、温度逻辑回归模型、电流识别模型、熵判定模型和电量评估模型。
可选地,该装置还包括:第一获取单元,用于获取多个训练特征,其中,多个训练特征为电压维度或温度维度的特征;划分单元,用于分别对每个训练特征进行划分,确定每个训练特征的概率密度;第一确定单元,用于基于多个训练特征的概率密度,确定目标训练特征;第一训练单元,用于利用目标训练特征的概率密度对逻辑回归模型进行训练,得到电压逻辑回归模型或温度逻辑回归模型。
可选地,第一确定单元还用于按照多个训练特征的概率密度,对多个训练特征进行排序,并获取排序最前的多个训练特征,得到目标训练特征。
可选地,该装置还包括:第二获取单元,用于获取多个充放电电流;第三获取单元,用于获取多个充放电电流中相邻两个时刻的充放电电流的差值,得到多个电流差;拟合单元,用于基于多个充放电电流和多个电流差进行分布拟合,得到拟合结果;第一构建单元,用于基于拟合结果构建电流识别模型。
可选地,该装置还包括:第四获取单元,用于获取单体电压和测温点温度;第二确定单元,用于确定单体电压的第一信息熵和测温点温度的第二信息熵;组合单元,用于基于第一信息熵和第二信息熵进行组合,得到二维坐标系中的目标坐标点;第二训练单元,用于基于目标坐标点对单分类支持向量机模型进行训练,得到熵判定模型。
可选地,该装置还包括:第五获取单元,用于获取当前剩余电量和历史过冲次数;第三确定单元,用于基于当前剩余电量确定第一系数;第四确定单元,用于基于历史过冲次数确定第二系数,其中,第二系数用于表征动力电池的损耗程度;第二构建单元,用于基于第一系数、第二系数、当前剩余电量和历史过冲次数,构建电量评估模型。
可选地,该装置还包括:确定模块,用于基于动力电池的组成结构和材料,确定目标值;加权和模块,用于将多个子模型的处理结果和目标值进行加权和,得到检测结果。
可选地,该装置还包括:数据清洗模块,用于对行驶数据进行数据清洗,得到清洗后的数据;提取模块还用于提取清洗后的数据中的多个维度的特征。
可选地,数据清洗模块用于执行如下至少之一:对行驶数据进行去重处理;删除行驶数据中时间戳超过预设时间范围的数据;提取单体电压和测温点温度;对行驶数据中的温度、充放电电流和电压进行换算;删除行驶数据中取值小于预设值的数据。
根据本发明实施例的另一方面,还提供了一种计算机可读存储介质,计算机可读存储介质包括存储的程序,其中,在程序运行时控制计算机可读存储介质所在设备执行上述的车辆检测方法。
根据本发明实施例的另一方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述的车辆检测方法。
在本发明实施例中,采用获取车辆的行驶数据;提取行驶数据中的多个维度的特征,其中,特征用于表征车辆的动力电池的热失控状态;利用状态评估模型对多个维度的特征进行处理,得到车辆的检测结果,其中,检测结果用于表征车辆是否出现热失控现象,状态评估模型是通过机器学习得到的方式,通过机器学习对车辆电池多维度的实时的数据与特征数据进行分析对比,达到了能够准确地对电池的状态进行评估的目的,从而实现了对车辆的电池热失控现象进行检测,预警的技术效果,进而解决了相关技术中由于对电池热失控现象进行预警的准确性差,不够及时且实时性较差,导致电池热失控事故频发的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是根据本发明实施例的一种车辆预测方法的流程示意图;
图2是根据本发明实施例的一种可选的拟合结果的示意图;
图3是根据本发明实施例的一种可选的模型效果图;
图4是根据本发明实施例的一种车辆预测装置的结构示意图。
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,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。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,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、系统、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。
实施例1
根据本发明实施例,提供了一种车辆检测的方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种车辆检测方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取车辆的行驶数据。
上述步骤中的车辆指的是装有动力电池的车辆,例如,新能源汽车等,上述步骤中的行驶数据是汽车在不同的状态下的实时采集到的车辆数据,包括但不限于电流、电压、温度、压差、压升量、温差、温升量、熵等一切能够表征动力电池热失控状态的参数信息。
可选地,获取汽车的行驶数据之后,对行驶数据进行清洗预处理,包括但不限于,对数据去重、时间戳异常值处理、提取单体电压和测温点温度、温度矫正、充/放电电流矫正、电池包总电压矫正、对累计里程等数据进行针对性的数据处理、忽略数据中单体电压和测温点温度全部为0的数据对预测模型得分的影响、忽略数据中测温点温度最低值为0,最高值小于5的数据对预测模型得分的影响、忽略数据中单体电压最高值等于单体电压最低值等于3.650的数据对预测模型得分的影响、忽略单体电压小于0或大于4.4的数据对预测模型得分的影响、忽略温点温度小于0或大于200的数据对预测模型得分的影响等对数据的预处理。通过对数据进行清洗预处理可以减少一些错误数据,无关数据等对后续判断数据的误差,提高准确度,提升效率。
步骤S104,提取行驶数据中的多个维度的特征,其中,特征用于表征车辆的动力电池的热失控状态。
上述步骤中的特征包括电压、温度、电流、soc(state of charge即,荷电状态)、熵等多个维度的指标作为有效反应热失控状态的特征,例如,各个单体电芯电压、动力电池内部总电压、各个单体电芯温度、动力电池最低单体温度等。并且,可以基于丰富的数据源,对每个指标进行多维度拓展,例如对于电压和温度,在考虑其数值本身的情况下,将电压和温度的变化量也纳入模型的衡量内容,对于多个单体通过信息熵衡量其一致性,对于精度较高的数据拟合合适的分布来判断异常值。例如,在本发明实施例中,可以提取但不限于如下特征:
CellVoltage:各个单体电芯电压;
CellVoltageDiff:最高单体电压和最低单体电压之间的差值;
CellVoltageDelta:各个单体电芯电压下一个时刻与上一个时刻的差值;
InnerVoltage:动力电池内部总电压;
HIghVoltage:动力电池最高单体电压;
LowVoltage:动力电池最低单体电压;
CellTemp:各个单体电芯温度;
CellTempDiff:没高测温点温度和最低测温点温度之间的差值;
CellTempDelta:各个单体电芯温度下一个时刻和上一个时刻的差值;
HIghTemp:动力电池最高单体温度;
LowTemp:动力电池最低单体温度;
Current:动力电池充/放电电流;
CurrentDelta:动力电池充/放电电流下一个时刻和上一个时刻的差值;
VoltEntropy:所以单体电压计算得到的信息熵;
TempEntropy:所以测温点温度计算得到的信息熵;
Point:Entropy_colt和Entropy_temp组成的二维坐标中的点;
Soc0:充电开始时的SOC;
Soc1:充电结束时的SOC;
Soc_delta:结束SOC减去起始SOC表示充电过程SOC的变化量;
OverChargeTimes:历史累计过冲次数;
TimeDiff:当前接收数据的时间戳和上一条数据时间戳的差值。
在一种可选的实施例中,可以通过现有的特征提取方式对行驶数据进行处理,得到不同维度的特征,但不仅限于此,也可以采用其他方式实现,本发明对此不作具体限定。
步骤S106,利用状态评估模型对多个维度的特征进行处理,得到车辆的检测结果,其中,检测结果用于表征车辆是否出现热失控现象,状态评估模型是通过机器学习得到的。
在一种可选的实施例中,可以针对电压、温度、电流、soc、熵等指标采用不同的机器学习方法分别建立状态评估模型。同时,考虑到其余因素对动力电池热失控的影响,可以根据经验引入合适的常数项修正模型误差。根据以上指标,状态评估模型可以是具有6个部分的可加模型,6个部分分别为基于概率密度的电压模型、基于概率密度的温度模型、基于分布的异常电流识别模型、基于信息熵的单体一致性判定模型、基于soc的过充风险评估模型以及常数项。
在利用状态评估模型对上述多个维度的特征进行处理的过程中,可以针对不同指标通过不同模型进行处理,得到不同模型的得分值,进而通过如下公式得到最终的得分,基于该得分值可以确定车辆是否会出现热失控现象:
Score=β1*Vd+β2*Td+β3*Cd+β4*Ea+β5*SOC+C,
其中,β1,β2,β3,β4,β5为各模型的权重值,即各模型对动力电池热失控的影响,在实际使用过程中,可以针对不同型号新能源汽车和动力电池采用不同的取值,以识别更多的异常车为标准;Vd为电压概率密度模型的得分,Td为温度概率密度模型的得分,Cd为异常电流识别模型的得分,Ea为信息熵单体一致性判定模型的得分,Soc为基于SOC过充风险评估模型的得分。
在本发明实施例中,采用获取车辆的行驶数据;提取行驶数据中的多个维度的特征,其中,特征用于表征车辆的动力电池的热失控状态;利用状态评估模型对多个维度的特征进行处理,得到车辆的检测结果,其中,检测结果用于表征车辆是否出现热失控现象,状态评估模型是通过机器学习得到的方式,通过机器学习对车辆电池多维度的实时的数据与特征数据进行分析对比,达到了能够准确地对电池的状态进行评估的目的,从而实现了对车辆的电池热失控现象进行检测及预警的技术效果,进而解决了相关技术中由于对电池热失控现象进行预警的准确性差,不够及时且实时性较差,导致电池热失控事故频发的技术问题。
可选地,利用状态评估模型对多个维度的特征进行处理,得到车辆的检测结果包括:利用多个子模型分别对多个维度的特征进行处理,得到多个子模型的处理结果,其中,多个子模型与多个维度具有一一对应关系;将多个子模型的处理结果进行加权和,得到检测结果。
通过利用多个子模型分别对多个维度的数据特征进行处理,分别建立相应的子模型,再把子模型的处理结果进行加权和得到检测结果,达到了每个子模型的检测结果都具有针对性,进而把子模型的结果加权和得到最终的检测结果使得检测结果的准确性更高。
可选地,上述的多个维度包括:电压维度、温度维度、电流维度、电量维度和熵维度,上述的多个子模型包括:电压逻辑回归模型、温度逻辑回归模型、电流识别模型、熵判定模型和电量评估模型。
在一种可选地实施例中,对电压维度通过机器学习的方法建立电压逻辑回归模型,对温度维度通过机器学习的方法建立温度逻辑回归模型,对电流维度通过机器学习的方法建立电流识别模型,对电量维度通过机器学习的方法建立电量评估模型,对熵维度通过机器学习的方法建立熵判定模型。
可选地,该方法还包括:获取多个训练特征,其中,多个训练特征为电压维度或温度维度的特征;分别对每个训练特征进行划分,确定每个训练特征的概率密度;基于多个训练特征的概率密度,确定目标训练特征;利用目标训练特征的概率密度对逻辑回归模型进行训练,得到电压逻辑回归模型或温度逻辑回归模型。
上述的训练特征可以包括:不同车辆行驶过程中采集到的电压维度或温度维度的特征,以及车辆是否发生热失控的标注信息。对于电压和温度指标,可以选取以下具体特征纳入模型数据范围:CellVoltage、CellVoltageDiff、CellVoltageDelta、InnerVoltage、HIghVoltage、LowVoltage、CellTemp、CellTempDiff、CellTempDelta、HIghTemp和LowTemp。
针对上述特征,在所有正常车数据中提取特征作为正样本;对于热失控车辆,提取在发生热失控前的一段时间内的数据作为负样本。分别对每个特征划分对应的特征区间选项,计算每个特征的概率函数。概率密度计算公式如下:
由于异常值是整体数据中的很小一部分,因此可以忽略异常值,对所有特征的所有概率密度进行计算。进一步可以根据征出现的概率对所有特征进行选择,选择出现次数多,概率大特征作为目标训练特征进行训练,进而得到的模型更加的准确,因此,可以筛选出概率密度较低的多个特征作为目标训练特征。可以将目标训练特征的概率密度作为训练数据,用logistic模型对这些数机械能训练,得到电压温度关于概率密度的logistic模型。
可选地,基于多个训练特征的概率密度,确定目标训练特征包括:按照多个训练特征的概率密度,对多个训练特征进行排序;获取排序最前的多个训练特征,得到目标训练特征。
在一种可选地实施例中,在得到训练特征后,对训练特征的概率密度进行排序,选取排名前十的训练特征作为目标训练特征,其中,概率密度越低的训练特征的排序越高,选择排名越靠前的训练特征作为目标训练特征,使得训练得到的模型的处理结果更加准确。
需要说明的是,可以分别对正样本和负样本进行特征筛选。
可选地,该方法还包括:获取多个充放电电流;获取多个充放电电流中相邻两个时刻的充放电电流的差值,得到多个电流差;基于多个充放电电流和多个电流差进行分布拟合,得到拟合结果;基于拟合结果构建电流识别模型。
在一种可选地实施例中,动力电池充/放电电流精度较高,因此提取充/放电电流真实值以及计算得出的两个时刻的升量作为数据源。利用EM算法拟合分布,选取lomax分布拟合,进行结果可视化和均方误差、绝对误差、拟合优度、可解释方差评估拟合结果。其中,拟合结果见图2,图中Fitted曲线表示拟合结果,Actual曲线表示实际结果。
评价指标如下:Mean_squared_error的指标:2.3965469674281517e-07,Mean_absolute_error的指标:0.00015565805321614162,Mean_squared_log_error的指标:2.3375983167095477e-07,r2_score的指标:0.9914617992918154,Explained_variance_score的指标:0.9914908945389258。
利用分布拟合的结果,通过设置分位数,获得判别电流异常的阈值。
可选地,该方法还包括:获取单体电压和测温点温度;确定单体电压的第一信息熵和测温点温度的第二信息熵;基于第一信息熵和第二信息熵进行组合,得到二维坐标系中的目标坐标点;基于目标坐标点对单分类支持向量机模型进行训练,得到熵判定模型。
在一种可选地实施例中,选取信息熵作为单体一致性判断的依据。将单体电压和温度测温点的信息熵组合成二维坐标中的单个点,每条数据都会得到一个电压温度信息熵组成的点,然后将正常车的数据得到的这些点输入OneClassSvm算法模型中,训练出一个包含所有正常数据点的模型。当传入一条新的数据点时,模型会判断该点是正常点(>0)还是异常点(<0)。其中,模型效果见图3,图中同心圆环表示分割超平面,空心圆圈表示训练样本。
熵的计算公式:分割超平面内部的是所有正常的点,每产生一条数据,模型会计算电压温度信息熵组成的点是否在分割超平面内,如果在会返回一个大于0的数,表示正常点;否则会返回一个小于0的数,表示异常点,此外如果小于0的值离0越远,表示离分割超平面越远,也就是异常程度比较大。
可选地,该方法还包括:获取当前剩余电量和历史过冲次数;基于当前剩余电量确定第一系数;基于历史过冲次数确定第二系数,其中,第二系数用于表征动力电池的损耗程度;基于第一系数、第二系数、当前剩余电量和历史过冲次数,构建电量评估模型。
在一种可选地实施例中,通过两个指标来衡量,第一个是当前的SOC(即,当前的剩余电量),基于当前剩余电量确定第一系数,只对当前SOC大于等于90的数据进行处理,否的直接返回0,第二个是历史的过充次数,基于历史过冲次数确定第二系数,第二系数用于表征动力电池的损耗程度。根据当前SOC从90-100之间的取值不同,选取不同的第一系数。然后根据不同的历史过冲次数给到不同的电池损耗程度。最后结合这两个指标以及相应的第一系数,第二系数给出最终的发生热失控的系数,进而构建电量评估模型。
可选地,在利用多个子模型分别对多个维度的特征进行处理,得到多个子模型的处理结果之后,该方法还包括:基于动力电池的组成结构和材料,确定目标值;将多个子模型的处理结果和目标值进行加权和,得到检测结果。
上述的目标值可以是基于动力电池的组成结构和材料(三元锂、磷酸铁锂等)的影响所确定的常数,如果是不同类型的电池,就需要考虑整个常数项的影响。
在一种可选地实施例中,赋予每个子模型一个模型系数,具体系数由交叉验证获取(就是每个系数给定一定的范围,此处是0-1之间等差取100个系数),得到最终系数组成。考虑不同电池包组成结构和材料,加入了一个常数项,通过加入常数项,使得最终的结果更加准确。
可选地,在获取车辆的行驶数据之后,该方法还包括:对行驶数据进行数据清洗,得到清洗后的数据;提取清洗后的数据中的多个维度的特征。
可选地,对行驶数据进行数据清洗包括如下至少之一:对行驶数据进行去重处理;删除行驶数据中时间戳超过预设时间范围的数据;提取单体电压和测温点温度;对行驶数据中的温度、充放电电流和电压进行换算;删除行驶数据中取值小于预设值的数据。
在一种可选地实施例中,数据清洗预处理包括但不限于以下的几种或多种:
(1)数据去重。对完全重复的数据,只保留一条。
(2)时间戳异常值处理。删除年、月、日、时、分、秒超过正常取值范围的数据。
(3)提取单体电压和测温点温度。将每个单体电压和测温点温度都提取出来,各自作为单独的一列数据,并将所有单体电压和测温点温度数据格式转化成int16数据类型,以减小占用空间。
(4)温度矫正。原始数据中的温度数值不是真实温度,需要进行相应换算得到真实温度值
(5)充/放电电流矫正。原始数据中的充/放电电流不是真实的充/放电电流,需要进行相应换算得到真实充/放电电流。
(6)电池包总电压矫正。原始数据中总电压的数据不是真实的总电压,需要进行相应换算得到真实的总电压数据。
(7)对累计里程等数据进行针对性的数据处理。
(8)忽略数据中单体电压和测温点温度全部为0的数据对预测模型得分的影响。
(9)忽略数据中测温点温度最低值为0,最高值小于5的数据对预测模型得分的影响。
(10)忽略数据中单体电压最高值等于单体电压最低值等于3.650的数据对预测模型得分的影响。
(11)忽略单体电压小于0或大于4.4的数据对预测模型得分的影响。
(12)忽略温点温度小于0或大于200的数据对预测模型得分的影响。
通过进行上述的数据清洗,可以去除一些不必要的数据,减少不必要的数据处理时间,提升工作效率。
实施例2
根据本发明实施例的另一方面,还提供了一种车辆检测装置,该装置可以执行上述实施例1中提供的车辆检测方法,具体实现方式和优选应用场景与上述实施例1相同,在此不做赘述。
图4是根据本发明实施例的一种车辆预测装置的结构示意图,如图4所示,该装置包括:获取模块42,用于获取车辆的行驶数据;提取模块44,用于提取行驶数据中的多个维度的特征,其中,特征用于表征车辆的动力电池的热失控状态;处理模块46,用于利用状态评估模型对多个维度的特征进行处理,得到车辆的检测结果,其中,检测结果用于表征车辆是否出现热失控现象,状态评估模型是通过机器学习得到的。
可选地,处理模块46包括:处理单元,用于利用多个子模型分别对多个维度的特征进行处理,得到多个子模型的处理结果,其中,多个子模型与多个维度具有一一对应关系;加权和单元,用于将多个子模型的处理结果进行加权和,得到检测结果。
可选地,多个维度包括:电压维度、温度维度、电流维度、电量维度和熵维度,多个子模型包括:电压逻辑回归模型、温度逻辑回归模型、电流识别模型、熵判定模型和电量评估模型。
可选地,该装置还包括:第一获取单元,用于获取多个训练特征,其中,多个训练特征为电压维度或温度维度的特征;划分单元,用于分别对每个训练特征进行划分,确定每个训练特征的概率密度;第一确定单元,用于基于多个训练特征的概率密度,确定目标训练特征;第一训练单元,用于利用目标训练特征的概率密度对逻辑回归模型进行训练,得到电压逻辑回归模型或温度逻辑回归模型。
可选地,第一确定单元还用于按照多个训练特征的概率密度,对多个训练特征进行排序,并获取排序最前的多个训练特征,得到目标训练特征。
可选地,该装置还包括:第二获取单元,用于获取多个充放电电流;第三获取单元,用于获取多个充放电电流中相邻两个时刻的充放电电流的差值,得到多个电流差;拟合单元,用于基于多个充放电电流和多个电流差进行分布拟合,得到拟合结果;第一构建单元,用于基于拟合结果构建电流识别模型。
可选地,该装置还包括:第四获取单元,用于获取单体电压和测温点温度;第二确定单元,用于确定单体电压的第一信息熵和测温点温度的第二信息熵;组合单元,用于基于第一信息熵和第二信息熵进行组合,得到二维坐标系中的目标坐标点;第二训练单元,用于基于目标坐标点对单分类支持向量机模型进行训练,得到熵判定模型。
可选地,该装置还包括:第五获取单元,用于获取当前剩余电量和历史过冲次数;第三确定单元,用于基于当前剩余电量确定第一系数;第四确定单元,用于基于历史过冲次数确定第二系数,其中,第二系数用于表征动力电池的损耗程度;第二构建单元,用于基于第一系数、第二系数、当前剩余电量和历史过冲次数,构建电量评估模型。
可选地,该装置还包括:确定模块,用于基于动力电池的组成结构和材料,确定目标值;加权和模块,用于将多个子模型的处理结果和目标值进行加权和,得到检测结果。
可选地,该装置还包括:数据清洗模块,用于对行驶数据进行数据清洗,得到清洗后的数据;提取模块44还用于提取清洗后的数据中的多个维度的特征。
可选地,数据清洗模块用于执行如下至少之一:对行驶数据进行去重处理;删除行驶数据中时间戳超过预设时间范围的数据;提取单体电压和测温点温度;对行驶数据中的温度、充放电电流和电压进行换算;删除行驶数据中取值小于预设值的数据。
实施例3
根据本发明实施例的另一方面,还提供了一种计算机可读存储介质,计算机可读存储介质包括存储的程序,其中,在程序运行时控制计算机可读存储介质所在设备执行上述实施例1的车辆检测方法。
实施例4
根据本发明实施例的另一方面,还提供了一种处理器,处理器用于运行程序,其中,程序运行时执行上述实施例1的车辆检测方法。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
在本发明的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
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,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种车辆检测方法,其特征在于,包括:
获取车辆的行驶数据;
提取所述行驶数据中的多个维度的特征,其中,所述特征用于表征所述车辆的动力电池的热失控状态,所述特征至少包括:各个单体电芯电压、最高单体电压和最低单体电压之间的差值、各个单体电芯电压下一个时刻与上一个时刻的差值、动力电池内部总电压、动力电池最高单体电压、动力电池最低单体电压、各个单体电芯温度、最高测温点温度和最低测温点温度之间的差值、各个单体电芯温度下一个时刻和上一个时刻的差值、动力电池最高单体温度、动力电池最低单体温度、动力电池充/放电电流、动力电池充/放电电流下一个时刻和上一个时刻的差值、所有单体电压计算得到的信息熵、所有测温点温度计算得到的信息熵、电极熵和温度熵组成的二维坐标中的点、充电开始时的荷电状态、充电结束时的电池电量、结束荷电状态减去起始荷电状态表示充电过程荷电状态的变化量、历史累计过冲次数、当前接收数据的时间戳和上一条数据时间戳的差值;
利用状态评估模型对所述多个维度的特征进行处理,得到所述车辆的检测结果,其中,所述状态评估模型至少包括多个子模型,所述多个子模型与所述多个维度具有一一对应关系,所述检测结果用于表征所述车辆是否出现热失控现象,所述状态评估模型是通过机器学习得到的,所述多个维度包括:电压维度、温度维度、电流维度、电量维度和熵维度,所述多个子模型包括:电压逻辑回归模型、温度逻辑回归模型、电流识别模型、熵判定模型和电量评估模型;
所述方法还包括:获取单体电压和测温点温度;确定所述单体电压的第一信息熵和所述测温点温度的第二信息熵;基于所述第一信息熵和所述第二信息熵进行组合,得到二维坐标系中的目标坐标点;基于所述目标坐标点对单分类支持向量机模型进行训练,得到所述熵判定模型;
所述方法还包括:获取当前剩余电量和历史过冲次数;基于所述当前剩余电量确定第一系数;基于所述历史过冲次数确定第二系数,其中,所述第二系数用于表征所述动力电池的损耗程度;基于所述第一系数、所述第二系数、所述当前剩余电量和所述历史过冲次数,构建所述电量评估模型。
2.根据权利要求1所述的方法,其特征在于,利用状态评估模型对所述多个维度的特征进行处理,得到所述车辆的检测结果包括:
利用多个子模型分别对所述多个维度的特征进行处理,得到所述多个子模型的处理结果;
将所述多个子模型的处理结果进行加权和,得到所述检测结果。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取多个训练特征,其中,所述多个训练特征为电压维度或温度维度的特征;
分别对每个训练特征进行划分,确定所述每个训练特征的概率密度;
基于所述多个训练特征的概率密度,确定目标训练特征;
利用所述目标训练特征的概率密度对逻辑回归模型进行训练,得到所述电压逻辑回归模型或所述温度逻辑回归模型。
4.根据权利要求3所述的方法,其特征在于,基于所述多个训练特征的概率密度,确定目标训练特征包括:
按照所述多个训练特征的概率密度,对所述多个训练特征进行排序;
获取排序最前的多个训练特征,得到所述目标训练特征。
5.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取多个充放电电流;
获取所述多个充放电电流中相邻两个时刻的充放电电流的差值,得到多个电流差;
基于所述多个充放电电流和所述多个电流差进行分布拟合,得到拟合结果;
基于所述拟合结果构建所述电流识别模型。
6.根据权利要求2所述的方法,其特征在于,在利用多个子模型分别对所述多个维度的特征进行处理,得到所述多个子模型的处理结果之后,所述方法还包括:
基于所述动力电池的组成结构和材料,确定目标值;
将所述多个子模型的处理结果和所述目标值进行加权和,得到所述检测结果。
7.一种车辆检测装置,其特征在于,包括:
获取模块,用于获取车辆的行驶数据;
提取模块,用于提取所述行驶数据中的多个维度的特征,其中,所述特征用于表征所述车辆的动力电池的热失控状态,所述特征至少包括:各个单体电芯电压、最高单体电压和最低单体电压之间的差值、各个单体电芯电压下一个时刻与上一个时刻的差值、动力电池内部总电压、动力电池最高单体电压、动力电池最低单体电压、各个单体电芯温度、最高测温点温度和最低测温点温度之间的差值、各个单体电芯温度下一个时刻和上一个时刻的差值、动力电池最高单体温度、动力电池最低单体温度、动力电池充/放电电流、动力电池充/放电电流下一个时刻和上一个时刻的差值、所有单体电压计算得到的信息熵、所有测温点温度计算得到的信息熵、电极熵和温度熵组成的二维坐标中的点、充电开始时的荷电状态、充电结束时的电池电量、结束荷电状态减去起始荷电状态表示充电过程荷电状态的变化量、历史累计过冲次数、当前接收数据的时间戳和上一条数据时间戳的差值;
处理模块,用于利用状态评估模型对所述多个维度的特征进行处理,得到所述车辆的检测结果,其中,所述状态评估模型至少包括多个子模型,所述多个子模型与所述多个维度具有一一对应关系,所述检测结果用于表征所述车辆是否出现热失控现象,所述状态评估模型是通过机器学习得到的,所述多个维度包括:电压维度、温度维度、电流维度、电量维度和熵维度,所述多个子模型包括:电压逻辑回归模型、温度逻辑回归模型、电流识别模型、熵判定模型和电量评估模型;
所述装置还包括:第四获取单元,用于获取单体电压和测温点温度;第二确定单元,用于确定所述单体电压的第一信息熵和所述测温点温度的第二信息熵;组合单元,用于基于所述第一信息熵和所述第二信息熵进行组合,得到二维坐标系中的目标坐标点;第二训练单元,用于基于所述目标坐标点对单分类支持向量机模型进行训练,得到所述熵判定模型;所述装置还包括:第五获取单元,用于获取当前剩余电量和历史过冲次数;第三确定单元,用于基于所述当前剩余电量确定第一系数;第四确定单元,用于基于所述历史过冲次数确定第二系数,其中,所述第二系数用于表征所述动力电池的损耗程度;第二构建单元,用于基于所述第一系数、所述第二系数、所述当前剩余电量和所述历史过冲次数,构建所述电量评估模型。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111676319.2A CN114312322B (zh) | 2021-12-31 | 2021-12-31 | 车辆检测方法及装置 |
PCT/CN2022/117872 WO2023124220A1 (zh) | 2021-12-31 | 2022-09-08 | 车辆检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111676319.2A CN114312322B (zh) | 2021-12-31 | 2021-12-31 | 车辆检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114312322A CN114312322A (zh) | 2022-04-12 |
CN114312322B true CN114312322B (zh) | 2024-04-12 |
Family
ID=81022766
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111676319.2A Active CN114312322B (zh) | 2021-12-31 | 2021-12-31 | 车辆检测方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114312322B (zh) |
WO (1) | WO2023124220A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN115294745B (zh) * | 2022-05-23 | 2023-09-29 | 电子科技大学 | 一种基于神经网络与数据差分的锂电池热失控分层预警方法 |
CN115320385B (zh) * | 2022-07-28 | 2024-04-30 | 重庆金康赛力斯新能源汽车设计院有限公司 | 车辆电池的热失控预警方法、装置、设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978229A (zh) * | 2019-02-12 | 2019-07-05 | 常伟 | 一种对动力电池组全电芯多点温度及连接点温度进行热失控预测的方法 |
CN111381169A (zh) * | 2020-03-05 | 2020-07-07 | 大连理工大学 | 一种动力电池热失控预警方法 |
CN112038716A (zh) * | 2020-08-14 | 2020-12-04 | 合肥国轩高科动力能源有限公司 | 一种锂离子电池包热失控预警方法 |
CN112092675A (zh) * | 2020-08-31 | 2020-12-18 | 长城汽车股份有限公司 | 一种电池热失控预警方法、系统及服务器 |
CN112622624A (zh) * | 2020-12-18 | 2021-04-09 | 华人运通(江苏)技术有限公司 | 动力电池热失控预警方法、装置、存储介质及终端设备 |
CN113437371A (zh) * | 2021-05-19 | 2021-09-24 | 湖南大学 | 一种新能源汽车锂离子电池热失控预警系统及预警方法 |
CN113500916A (zh) * | 2020-03-23 | 2021-10-15 | 北京新能源汽车股份有限公司 | 一种电池系统安全状态的预警方法、预警装置及控制设备 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8719195B2 (en) * | 2011-10-10 | 2014-05-06 | The Boeing Company | Battery adaptive learning management system |
US11691518B2 (en) * | 2017-07-21 | 2023-07-04 | Quantumscape Battery, Inc. | Predictive model for estimating battery states |
CN112590613A (zh) * | 2020-09-10 | 2021-04-02 | 安徽江淮汽车集团股份有限公司 | 车辆电池热失控故障诊断方法、装置、设备及存储介质 |
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 |
-
2021
- 2021-12-31 CN CN202111676319.2A patent/CN114312322B/zh active Active
-
2022
- 2022-09-08 WO PCT/CN2022/117872 patent/WO2023124220A1/zh unknown
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978229A (zh) * | 2019-02-12 | 2019-07-05 | 常伟 | 一种对动力电池组全电芯多点温度及连接点温度进行热失控预测的方法 |
CN111381169A (zh) * | 2020-03-05 | 2020-07-07 | 大连理工大学 | 一种动力电池热失控预警方法 |
CN113500916A (zh) * | 2020-03-23 | 2021-10-15 | 北京新能源汽车股份有限公司 | 一种电池系统安全状态的预警方法、预警装置及控制设备 |
CN112038716A (zh) * | 2020-08-14 | 2020-12-04 | 合肥国轩高科动力能源有限公司 | 一种锂离子电池包热失控预警方法 |
CN112092675A (zh) * | 2020-08-31 | 2020-12-18 | 长城汽车股份有限公司 | 一种电池热失控预警方法、系统及服务器 |
CN112622624A (zh) * | 2020-12-18 | 2021-04-09 | 华人运通(江苏)技术有限公司 | 动力电池热失控预警方法、装置、存储介质及终端设备 |
CN113437371A (zh) * | 2021-05-19 | 2021-09-24 | 湖南大学 | 一种新能源汽车锂离子电池热失控预警系统及预警方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2023124220A1 (zh) | 2023-07-06 |
CN114312322A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114312322B (zh) | 车辆检测方法及装置 | |
CN111707951B (zh) | 一种电池组一致性评估方法及系统 | |
CN109655754B (zh) | 一种基于充电过程多维分阶的电池性能评估方法 | |
US20160195589A1 (en) | Degradation diagnosis system and degradation diagnosis method for secondary battery | |
CN111448467B (zh) | 用于对电池容量进行建模和估计的方法及系统 | |
CN108490366B (zh) | 电动汽车退役电池模块健康状态的快速评估方法 | |
CN112946483B (zh) | 电动汽车电池健康的综合评估方法及存储介质 | |
CN113917334B (zh) | 基于进化lstm自编码器的电池健康状态估计方法 | |
CN113281671A (zh) | 一种基于igs-svm的锂离子电池剩余使用寿命预测方法及系统 | |
CN114818831B (zh) | 基于多源感知的双向锂离子电池故障检测方法及系统 | |
CN116401585B (zh) | 一种基于大数据的储能电池失效风险评估方法 | |
CN113253128B (zh) | 一种电池系统soc一致性评估方法和内阻一致性评估方法 | |
CN116150572A (zh) | 一种基于聚类分析的汽车电池单体一致性缺陷评估方法 | |
CN114545234A (zh) | 一种基于电池温度梯度变化监测电池状态的方法 | |
CN115267555A (zh) | 基于电池多点温度测量的储能系统电池soh评估系统 | |
CN114290960A (zh) | 获取动力电池的电池健康度的方法、装置和车辆 | |
CN113866655A (zh) | 融合车联网运行数据与测试数据的动力电池容量评估方法 | |
CN114580496A (zh) | 一种锂离子电池单体故障自检测方法 | |
CN115327417A (zh) | 一种动力电池单体异常的预警方法、系统及电子设备 | |
CN116502534A (zh) | 一种储能电池热失控实时预警及长短期故障预测方法 | |
CN114879070A (zh) | 一种电池状态评估方法及相关设备 | |
CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
CN116466237B (zh) | 一种锂电池的充电安全监测预警方法及系统 | |
CN116774075A (zh) | 一种锂离子电池健康状态评估方法及系统 | |
CN117031337A (zh) | 一种电芯内短路检测方法、装置、存储介质及设备 |
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 |