CN114781256B - 一种基于云端终身学习的动力电池热失控风险评估方法 - Google Patents
一种基于云端终身学习的动力电池热失控风险评估方法 Download PDFInfo
- Publication number
- CN114781256B CN114781256B CN202210405653.2A CN202210405653A CN114781256B CN 114781256 B CN114781256 B CN 114781256B CN 202210405653 A CN202210405653 A CN 202210405653A CN 114781256 B CN114781256 B CN 114781256B
- Authority
- CN
- China
- Prior art keywords
- thermal runaway
- data
- matrix
- probability
- dynamic
- 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 32
- 238000012502 risk assessment Methods 0.000 title claims abstract description 13
- 230000006870 function Effects 0.000 claims abstract description 26
- 238000007500 overflow downdraw method Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000004140 cleaning Methods 0.000 claims abstract description 4
- 230000004927 fusion Effects 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 63
- 238000009826 distribution Methods 0.000 claims description 33
- 230000009467 reduction Effects 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 5
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 239000000178 monomer Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000005562 fading Methods 0.000 claims description 2
- 238000012847 principal component analysis method Methods 0.000 claims description 2
- 238000007726 management method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 210000001787 dendrite Anatomy 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/257—Belief theory, e.g. Dempster-Shafer
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种基于云端终身学习的动力电池热失控风险评估方法,包括如下步骤:云端数据清洗:整车T‑box将BMS采集的动力电池各性能参数数据实时上传至云端,并对上述数据进行清洗,然后形成单车数据集;计算动态特征元素导致热失控概率以及基于多因素动态可靠度函数的热失控概率:通过提取单车数据集中的与热失控相关的动态特征元素以及相关因素的可靠度函数,基于动态特征元素以及可靠度函数计算其导致热失控的概率;最后,通过多源数据融合方法,将所有热失控概率进行数据融合,最终计算得到动力电池综合热失控风险评估和综合热失控概率。本方法通过对动力电池全生命周期热失控概率计算参数的动态调整,提升了预测的准确性以及实用性。
Description
技术领域
本发明涉及新能源汽车动力电池技术领域,具体涉及一种基于云端终身学习的动力电池热失控风险评估方法。
背景技术
近年来,车辆行业向着电动化快速发展,而续航里程与充电速度始终是制约行业发展的核心痛点,高比能、长寿命锂离子电池的研发成为了解决问题的关键。然而,随着电池比能量的不断提高,由于锂电池生产工艺繁琐、车辆行驶工况复杂,造成了电池起火事件时有发生,也就是电池热失控状况的发生,带来了严重人身安全与财产损失风险。
电池热失控主要是由短路引起的,而电池短路又可分为静态内短路和动态内短路。通常电池起火事件是由静态内断路造成的,静态内短路是由于电池本身材料、工艺问题、电池使用中出现的枝晶、老化问题,以及使用环境中温度、压力等影响因素。
为解决动力电池上述热失控难题,目前行业主要通过电池管理系统BMS采集的电池包内所有单体电压、电流、温度等宏观电化学状态量及其变化率的阈值判断进行电池热失控预警,但该方法受车载芯片存储及计算能力不足,仅能对单一时刻的电池电化学状态进行评价,具有较大的局限性。
发明内容
要解决的技术问题:
针对现有技术存在的问题,并随着云技术的不断发展,车云协同系统不断完善,车辆通过车端T-BOX将BMS采集到的数据实时上传并存储至云端,结合电池从原材料采购至生产加工等工艺相关数据,形成每一单体全生命周期数据可追溯,该数据具有极大的数据挖掘价值,以分析热失控电池全生命周期劣化过程,形成电池热失控预警策略。因此,结合云端终身学习的对动力电池热失控风险评估方法即可解决现有技术的问题,实现全生命周期动态调整,提升了预测的准确性和实用性。
采用的技术方案如下:
本发明提出一种基于云端终身学习的动力电池热失控风险评估方法,具体步骤如下:
步骤一、云端数据清洗:首先,整车T-box将BMS采集的动力电池各性能参数数据,所述性能参数数据包括电压、电流、SOC参数数据,将所述性能参数数据实时上传至云端并保存至云端数据库中;然后,对所述上传的数据进行清洗,将脏数据与空缺数据进行合理的清洗与填补,再对所述填补的数据重新按时间顺序排列,以提高数据质量与预测精度;最后,基于所述清洗后的数据形成单车数据集;
步骤二、计算动态特征元素导致热失控概率以及基于多因素动态可靠度函数的热失控概率:提取所述单车数据集中的与热失控相关的动态特征元素和相关因素的动态可靠度函数,并基于上述动态特征元素以及动态可靠度函数分别计算可能导致热失控的概率;
步骤三、得到单车动力电池综合热失控风险的评估及综合热失控概率:结合上述基于动态特征元素概率分布与多个相关因素动态可靠度函数分别得到的热失控概率,采用多源数据融合方法,将上述所有热失控概率进行多源数据融合,计算得到单车动力电池综合热失控风险的评估及综合热失控概率。
进一步,在步骤二中,计算动态特征元素导致热失控概率的具体步骤如下:
a、将每个单车数据集按相同数据点个数进行开窗分析,数据点个数即为窗口长度,通过提取每个单车的每个窗口的动态特征元素形成特征矩阵,所述动态特征元素包括一次特征值电压、电流及二次特征值电压变化率、电流变化率、内阻、弛豫曲线;
b、采用数据降维方法对所述特征矩阵进行数据降维,以得到主元矩阵;
c、选取一定数量的最先到达窗口长度的采集数量的车辆的主元矩阵,对所选取的车辆主元矩阵中的对应特征元素进行概率分布拟合,形成特征元素概率分布矩阵;
d、分别记录所选取车辆的全生命周期下每个窗口的特征元素概率分布矩阵,形成全生命周期动态特征元素概率分布矩阵;
e、通过计算每个单车在每个窗口所形成的主元矩阵相较于该窗口下的全生命周期的动态特征元素概率分布矩阵的偏离度,可以确定对于该特征元素所诱发热失控的概率;
进一步,所述步骤二中,计算基于多因素动态可靠度函数的热失控概率的步骤如下:提取每个单车每个窗口中可能导致热失控故障发生的多个因素,所述多个因素包括不同欠压程度特征、单体不一致程度特征、容量衰退特征,通过拟合所述多个因素下出现热失控的频次,可分别得到基于各因素下的动态可靠度函数,以生成基于各因素动态可靠度函数的热失控概率。
进一步,在步骤二中,所述数据降维方法包括主成分分析或者变分自编码器。
进一步,在步骤二中,所述数据降维方法为采用主成分分析方法对所述特征矩阵进行数据降维,以提取主元矩阵,具体方法如下:
设特征矩阵为m×n维矩阵X,X包括了上述所有特征元素参数,
其中,
对矩阵X进行中心化,sj为第j列标准差,=1,2,…m
计算协方差矩阵:
进一步,计算协方差矩阵的特征值和特征向量。
|R-λIn|=0
式中,In为n维的单位矩阵,所得特征值λ=(λ1,λ2,…,λn)按λ1≥λ2≥…≥λn排序,相对应的特征向量矩阵为Pn=(p1,p2,…,pn);因此,可将矩阵X分解成为n个向量外积之和,即是:
式中,tk=Xpk,T的每一列向量tk表示第k主成分,根据主成分累积贡献率CPV来确定主成分个数k,计算公式如下:
得到E为残差矩阵,其包含了主成分模型中没有被解释的信息;
以上即为主元矩阵的建立过程,通过选取适当的主成分个数,降低原始数据的复杂度,同时尽可能地保留原始数据变量的主要信息,从而达到降维分析的目的。
进一步,计算动态特征元素导致热失控概率的步骤e中,所述偏离度通过SPE统计量或霍特林统计量计算得到。
进一步,通过SPE统计量的计算公式为:其中Xtest为降维后的矩阵。
进一步,在步骤二中,计算基于多因素动态可靠度函数的热失控概率的步骤中,各因素下的可靠度函数包括基于指数分布、正太分布或者威布尔分布计算得到的可靠度分布函数。
进一步,在所述步骤三中,多元融合方法具体采用基于DS证据理论融合方法。
本发明的有益效果在于:
1、多车横向对比:由于热失控时间发生的概率较低,类比统计学中离群与聚类分析的思想,通过对于同种类电池包的车辆进行横向对比,从而判断出热失控车辆与其他车辆在特征元素上的差异,以进行低概率事件的预警。
2、全生命周期自修正:本方法中,用于判断热失控的动态特征元素概率分布矩阵与多因素动态可靠度函数均为随电池包全生命周期性能演化所不断更新的行车参数进行自我学习与修正,实现全生命周期动态调整,提升了预测的准确性。
3、高实用性:该方法对于云平台海量行车数据进行了数据降维与拟合,最后仅保留动态特征元素概率分布的特征值与多因素动态可靠度函数的特征值,大大降低了云平台数据存储量与计算量,在兼顾热失控预警准确性的同时,提升了算法的实用性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,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是本发明提出的一种基于云端管理的动力电池热失控风险评估的方法流程图。
图2是本发明中涉及的全生命周期动态特征元素概率分布矩阵生成方法示意图
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,本领域技术人员在没有作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。
本发明提供的基于云端管理的电池热失控风险评估方法的工作流程图如图1所示。整车T-box会将BMS采集的动力电池各种性能参数数据,包括V(电压)、I(电流)、T(温度)、SOC(荷电状态)等参数会实时上传至云端的数据会保存至云端数据库中,但其数据质量受到传输信号的影响,会出现传输延迟、传输遗漏、数据错误等问题,因此需要对所传输的数据进行清洗,将脏数据与空缺数据进行合理的清洗与填补,对补发的数据重新按时间顺序排列,形成单车数据集。
图2所示为本发明所提出的全生命周期动态特征元素概率分布矩阵生成方法示意图。数据清洗后,将每个单车数据集按相同采样点个数进行开窗分析,数据点个数即为窗口长度,通过提取单车每一窗口的V、T、I、SOC等一次特征值及其平均值、众数、奈尔系数等统计学量与dU/dt(电压变化率)、dI/dt(电流变化率)、dT/dt(温度变化率)、R(内短路内阻)、弛豫曲线等二次特征值形成特征矩阵,然后采用包括但不仅限于主成分分析(PrincipalComponent Analysis)方法、变分自解码器(Variational Auto-Encoder,VAE)等已知的数据降维方法对特征矩阵进行数据降维提取主元。
以主成分分析为例,设特征矩阵为m×n维矩阵X,X包括了上述所有特征元素参数,
其中,
对矩阵X进行中心化,sj为第j列标准差,=1,2,…m
计算协方差矩阵:
进一步,计算协方差矩阵的特征值和特征向量。
|R-λIn|=0
式中,In为n维的单位矩阵,所得特征值λ=(λ1,λ2,…,λn)按λ1≥λ2≥…≥λn排序,相对应的特征向量矩阵为Pn=(p1,p2,…,pn);因此,可将矩阵X分解成为n个向量外积之和,即是:
式中,tk=Xpk,T的每一列向量tk表示第k主成分,根据主成分累积贡献率CPV来确定主成分个数k,计算公式如下:
得到E为残差矩阵,包含了主成分模型中没有被解释的信息;
以上即为主元矩阵的建立过程,通过选取适当的主成分个数,降低原始数据的复杂度,同时尽可能地保留原始数据变量的主要信息,从而达到降维分析的目的。
进一步,选取一定数量的最先到达窗口长度采集数量的车,对每辆车主元矩阵中的对应元素进行概率分布拟合,最终形成特征元素概率分布矩阵,分别记录全生命周期每个窗口的特征元素概率分布矩阵,形成全生命周期动态特征元素概率分布矩阵,如图2所示。通过计算每辆车在每个窗口所形成主元矩阵中每个特征元素相较于该窗口下特征元素概率分布的包含但不仅限于SPE统计量、霍特林统计量等统计学量,可以确定相对于该特征值所诱发热失控的概率。以SPE统计量为例,计算公式如下:其中Xtest为降维后的矩阵,
随着全生命周期动力电池性能的演变,在通过多车横向对比生成动态特征元素概率分布及其偏离度的同时,可靠度函数也在行车数据存储量的逐渐增多进行自修正。通过拟合不同欠压程度(最低电压与电压众数的差)、单体不一致性程度(电池包内所有单体电压方差与去除掉最大和最小电压后其余单体方差的比值)、容量衰退程度,即老化程度(容量剩余百分比)、以及其他可能导致热失控故障的故障因素下的出现频次,可分别得到基于各因素下的基于包括但不仅限于指数分布、正太分布、威布尔分布等可靠度分布函数,以生成基于多因素动态可靠度函数的热失控概率。
最后,结合上述基于动态特征元素概率分布与多因素动态可靠度函数分别得到的热失控预警概率,采用多源信息融合的方法,给出单车动力电池综合热失控风险评估及热失控概率。
其中,多元信息融合的方法采用DS证据理论融合方法,属于已知的多元信息融合方法中的一种,通过DS证据理论融合方法,即,Dempster合成原则,可得到单车动力电池综合热失控风险评估及热失控概率。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (1)
1.一种基于云端终身学习的动力电池热失控风险评估方法,其特征在于,具体包括以下步骤:
步骤一、云端数据清洗:首先,整车T-box将BMS采集的动力电池各性能参数数据,所述性能参数数据包括电压、电流、SOC参数数据,将所述性能参数数据实时上传至云端并保存至云端数据库中;然后,对所述上传的数据进行清洗,将脏数据与空缺数据进行合理的清洗与填补,再对所述填补的数据重新按时间顺序排列,以提高数据质量与预测精度;最后,基于所述清洗后的数据形成单车数据集;
步骤二、计算动态特征元素导致热失控概率以及基于多因素动态可靠度函数的热失控概率:提取所述单车数据集中的与热失控相关的动态特征元素和相关因素的动态可靠度函数,并基于上述动态特征元素以及动态可靠度函数分别计算可能导致热失控的概率;
步骤三、得到单车动力电池综合热失控风险的评估及综合热失控概率:结合上述基于动态特征元素概率分布与多个相关因素动态可靠度函数分别得到的热失控概率,采用多源数据融合方法,将上述所有热失控概率进行多源数据融合,计算得到单车动力电池综合热失控风险的评估及综合热失控概率;
在步骤二中,计算动态特征元素导致热失控概率的具体步骤如下:
a、将每个单车数据集按相同数据点个数进行开窗分析,数据点个数即为窗口长度,通过提取每个单车的每个窗口的动态特征元素形成特征矩阵,所述动态特征元素包括一次特征值电压、电流及二次特征值电压变化率、电流变化率、内阻、弛豫曲线;
b、采用数据降维方法对所述特征矩阵进行数据降维,以得到主元矩阵;
c、选取一定数量的最先到达窗口长度的采集数量的车辆的主元矩阵,对所选取的车辆主元矩阵中的对应特征元素进行概率分布拟合,形成特征元素概率分布矩阵;
d、分别记录所选取车辆的全生命周期下每个窗口的特征元素概率分布矩阵,形成全生命周期动态特征元素概率分布矩阵;
e、通过计算每个单车在每个窗口所形成的主元矩阵相较于该窗口下的全生命周期的动态特征元素概率分布矩阵的偏离度,可以确定对于该特征元素所诱发热失控的概率;
所述步骤二中,计算基于多因素动态可靠度函数的热失控概率的步骤如下:提取每个单车每个窗口中可能导致热失控故障发生的多个因素,所述多个因素包括不同欠压程度特征、单体不一致程度特征、容量衰退特征,通过拟合所述多个因素下出现热失控的频次,可分别得到基于各因素下的动态可靠度函数,以生成基于各因素动态可靠度函数的热失控概率;
所述步骤二中,所述数据降维方法包括主成分分析或者变分自编码器;所述步骤二中,所述数据降维方法为采用主成分分析方法对所述特征矩阵进行数据降维,以提取主元矩阵,具体方法如下:
设特征矩阵为m×n维矩阵X,X包括了上述所有特征元素参数,
其中,
对矩阵X进行中心化,sj为第j列标准差,i=1,2,…m
计算协方差矩阵:
计算协方差矩阵的特征值和特征向量:
|R-λIn|=0
式中,In为n维的单位矩阵,所得特征值λ=(λ1,λ2,…,λn)按λ1≥λ2≥…≥λn排序,相对应的特征向量矩阵为Pn=(p1,p2,…,pn);因此,可将矩阵X分解成为n个向量外积之和,即是:
式中,tk=Xpk,矩阵T的每一列向量tk表示第k个主成分,根据主成分累积贡献率CPV来确定主成分个数k,计算公式如下:
得到E为残差矩阵,包含了主成分模型中没有被解释的信息;
通过选取适当的主成分个数,降低原始数据的复杂度,同时尽可能地保留原始数据变量的主要信息,从而达到降维分析的目的;
所述步骤二中,计算动态特征元素导致热失控概率的步骤e中,所述偏离度通过SPE统计量或霍特林统计量计算得到;
通过SPE统计量的计算公式为:其中Xtest为降维后的矩阵;
所述步骤二中,计算基于多因素动态可靠度函数的热失控概率的步骤中,各因素下的可靠度函数包括基于指数分布、正太分布或者威布尔分布计算得到的可靠度分布函数;
所述步骤三中,多元融合方法具体采用基于DS证据理论融合方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210405653.2A CN114781256B (zh) | 2022-04-18 | 2022-04-18 | 一种基于云端终身学习的动力电池热失控风险评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210405653.2A CN114781256B (zh) | 2022-04-18 | 2022-04-18 | 一种基于云端终身学习的动力电池热失控风险评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114781256A CN114781256A (zh) | 2022-07-22 |
CN114781256B true CN114781256B (zh) | 2024-06-14 |
Family
ID=82430840
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210405653.2A Active CN114781256B (zh) | 2022-04-18 | 2022-04-18 | 一种基于云端终身学习的动力电池热失控风险评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114781256B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112363061A (zh) * | 2020-11-11 | 2021-02-12 | 上海电享信息科技有限公司 | 一种基于大数据的热失控风险评估方法 |
CN112950811A (zh) * | 2021-02-02 | 2021-06-11 | 武汉理工大学 | 融合整车安全的新能源汽车区域运行风险评估及预警系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019174653A2 (zh) * | 2019-06-17 | 2019-09-19 | 广东恒翼能科技有限公司 | 一种锂电池热失控预警保护系统及方法 |
KR102300991B1 (ko) * | 2019-11-25 | 2021-09-10 | 포워드 디자인 컴퍼니 리미티드 | 환경효과에 기초한 순수 전기자동차 배터리 성능 신뢰성 분석 방법 |
CN113343633B (zh) * | 2021-06-10 | 2022-04-26 | 上海交通大学 | 动力锂电池热失控故障分类及风险预测方法、系统 |
CN113752843B (zh) * | 2021-11-05 | 2022-02-15 | 北京航空航天大学 | 一种基于赛博物理系统的动力电池热失控预警装置及方法 |
CN114240260B (zh) * | 2022-02-17 | 2022-05-20 | 北京航空航天大学 | 一种基于数字孪生的新能源群体车辆热失控风险评估方法 |
-
2022
- 2022-04-18 CN CN202210405653.2A patent/CN114781256B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112363061A (zh) * | 2020-11-11 | 2021-02-12 | 上海电享信息科技有限公司 | 一种基于大数据的热失控风险评估方法 |
CN112950811A (zh) * | 2021-02-02 | 2021-06-11 | 武汉理工大学 | 融合整车安全的新能源汽车区域运行风险评估及预警系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114781256A (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110133508B (zh) | 电动汽车动力电池的安全预警方法 | |
Wang et al. | Voltage fault diagnosis and prognosis of battery systems based on entropy and Z-score for electric vehicles | |
Caliwag et al. | Hybrid VARMA and LSTM method for lithium-ion battery state-of-charge and output voltage forecasting in electric motorcycle applications | |
CN110161414A (zh) | 一种动力电池热失控在线预测方法及系统 | |
CN111257755B (zh) | 一种预防性检测诊断电池包方法 | |
Xu et al. | A vehicle-cloud collaborative method for multi-type fault diagnosis of lithium-ion batteries | |
CN110045291B (zh) | 一种锂电池容量估计方法 | |
CN112098874B (zh) | 一种考虑老化情况下的锂离子电池电量预测方法 | |
CN114462259B (zh) | 基于soc的电池剩余寿命预测方法、系统、汽车及介质 | |
WO2021052540A1 (de) | Zustandswert für wiederaufladbare batterien | |
CN115366683A (zh) | 一种新能源汽车动力电池多维模型融合的故障诊断策略 | |
CN114734873B (zh) | 一种基于云端在线数据的动力电池单体热失控预警方法 | |
CN113030758A (zh) | 基于锂离子电池容量跳水点的老化预警方法、系统、汽车及计算机存储介质 | |
Sangwan et al. | An empirical capacity degradation modeling and prognostics of remaining useful life of Li-ion battery using unscented Kalman filter | |
CN114167301A (zh) | 一种基于电动汽车实车数据的动力电池评估方法 | |
CN116484175A (zh) | 一种动力电池使用数据修复系统与方法 | |
CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
CN114545275A (zh) | 一种锂离子电池剩余使用寿命间接预测方法 | |
CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 | |
CN113791351A (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN114781256B (zh) | 一种基于云端终身学习的动力电池热失控风险评估方法 | |
CN116901707A (zh) | 一种动力电池组故障预警方法、系统及车辆 | |
CN116699407A (zh) | 一种基于安全熵的动力电池安全风险预警方法 | |
CN113420494B (zh) | 一种超级电容贝叶斯概率融合建模方法 | |
DE102022203343A1 (de) | Verfahren und Vorrichtung zum Betreiben eines Systems zum Erkennen einer Anomalie eines elektrischen Energiespeichers für ein Gerät mithilfe von maschinellen Lernverfahren |
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 |