CN114783133B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114783133B CN114783133B CN202210685575.6A CN202210685575A CN114783133B CN 114783133 B CN114783133 B CN 114783133B CN 202210685575 A CN202210685575 A CN 202210685575A CN 114783133 B CN114783133 B CN 114783133B
- Authority
- CN
- China
- Prior art keywords
- sensor
- data
- risk index
- fire risk
- mcu
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B17/00—Fire alarms; Alarms responsive to explosion
- G08B17/06—Electric actuation of the alarm, e.g. using a thermally-operated switch
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/12—Alarms for ensuring the safety of persons responsive to undesired emission of substances, e.g. pollution alarms
- G08B21/16—Combustible gas alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
- G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
- G08B25/08—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium using communication transmission lines
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
- G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
- G08B25/10—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium using wireless transmission systems
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Emergency Management (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Environmental & Geological Engineering (AREA)
- Toxicology (AREA)
- Fire Alarms (AREA)
Abstract
本发明公开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,包括:MCU、无线通讯模块、热解粒子传感器、一氧化碳传感器、氢气传感器、温度传感器、报警器;所述MCU通过接口电路分别与热解粒子传感器、一氧化碳传感器、氢气传感器、温度传感器连接,所述无线通讯模块、报警器分别与所述MCU连接。本发明涉及消防预警技术领域,解决现有的储能消防预警系统预警时间过晚,缺乏对多种传感器的数据融合的问题。
Description
技术领域
本发明涉及消防预警技术领域,尤其涉及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。
背景技术
锂电池储能主要有锂电池的火灾危险性和电气设备火灾危险性。锂电池火灾主要是电解液受热分解燃烧,是一种化合物气体燃烧火灾,在电池内部材料之间发生的化学反应。电解液分解大量的热量是电池失控,导致电解液燃烧,在大型的锂电池储能项目上,电池模组具有密度高、集中分布式的特点,多个电池模组通过串并联的关系形成大型的储能系统。这样增加了锂电池故障出现的概率,并且电池之间无法切断电路,增大了火灾发生的概率。储能系统同时附属了很多电气设备,内部还连接了高压大电流的电缆,如果长期发热高温会造成柜体内部分电气元件氧化腐蚀,使其不能满足原设计的电阻、绝缘要求,是整个储能系统存在较大的风险,也会增加火灾发生的概率。火灾事故一旦发生就会造成严重后果,此时对锂离子电池热事故特征参数进行识别、热失控早期预警、安全联动和消防防护显得尤为重要。
现有的技术在储能消防预警中缺点如下:现在市面上常用的基于一氧化碳传感器、可燃气传感器或者VOC传感器的预警系统,一般都在热过载阶段末期才能有效预警,预警时间过晚,等到一氧化碳、可燃气等传感器报警的时候,锂电池已经处于热失控的阶段或者即将处于热失控的阶段。现有的预警系统也有采用多传感器进行预警,但都是各传感器根据自己的读数单独预警,缺乏对多种传感器的数据融合。
发明内容
本发明的目的在于提供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,以解决现有的储能消防预警系统预警时间过晚,缺乏对多种传感器的数据融合的问题。
本发明提供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,包括:MCU、无线通讯模块、热解粒子传感器、一氧化碳传感器、氢气传感器、温度传感器、报警器;所述MCU通过接口电路分别与热解粒子传感器、一氧化碳传感器、氢气传感器、温度传感器连接,所述无线通讯模块、报警器分别与所述MCU连接;所述MCU用于通过相应的接口电路与热解粒子传感器、一氧化碳传感器、氢气传感器、温度传感器进行通讯,并以1s的周期轮询读取以上四种传感器的实时数据;将四种传感器的实时数据作为卷积神经网络AI模型的输入数据,根据所述输入数据输出火灾风险指数预测值;判断所述火灾风险指数预测值是否超过了用户设置的报警阈值;如果火灾风险指数预测值超过用户设置的报警阈值,控制报警器报警;通过无线通讯模块与云平台进行通讯,将所述四种传感器的实时数据和火灾风险指数预测值发送给后台进行展示。
进一步地,所述MCU为ST公司的STM32F405RGT6芯片,芯片内置ARM® Cortex®-M4内核,主频最大168MHz 。
进一步地,通过相应的接口电路与热解粒子传感器、一氧化碳传感器、氢气传感器、温度传感器进行通讯之前,所述MCU先用于进行MCU内核及各外围模块的初始化,然后进入总任务调度;所述总任务调度中有两个任务分支;其中一个任务分支为数据采集任务及卷积神经网络,用于以1s的周期轮询读取以上四种传感器的实时数据;将四种传感器的实时数据作为卷积神经网络AI模型的输入数据,根据所述输入数据输出火灾风险指数预测值;另一个任务分支为无线通讯任务,用于通过无线通讯模块与云平台进行通讯,将所述四种传感器的实时数据和火灾风险指数预测值发送给后台进行展示;之后判断所述火灾风险指数预测值是否超过了用户设置的报警阈值;如果火灾风险指数预测值超过用户设置的报警阈值,控制报警器报警;如果火灾风险指数预测值未超过用户设置的报警阈值,正常执行总任务调度。
进一步地,卷积神经网络依次包括输入层、卷积层、池化层、全连通层、输出层;输入层的输入数据是四种传感器的实时数据,卷积层的功能是对输入数据进行特征提取,卷积层内部包含多个卷积核,组成卷积核的每个元素都对应一个权重系数和一个偏差量;在卷积层进行特征提取后,输出的特征图会被传递至池化层进行特征选择和信息过滤;池化层包含预设定的池化函数,池化函数的功能是将特征图中单个点的结果替换为其相邻区域的特征图统计量;再经过一层卷积层和池化层后进入输出层,输出AI模型的预测结果,输出层输出的数据是火灾风险指数预测值。
进一步地,卷积神经网络AI模型训练所需的实际采集数据样本通过以下方式实现:选用容量为60Ah的锂电池组,电池电压为3.7V,放置于实验防爆电池箱内,实验防爆电池箱内上部安装有四种传感器,包括热解粒子传感器、一氧化碳传感器、氢气传感器和温度传感器,同时用70A/3.7V的恒流电源对锂电池组进行过充,观察并记录锂电池组的发热及火灾发生过程并采集四种传感器的数据。
进一步地,卷积神经网络AI模型训练中,将火灾风险指数和时间成指数关系,拟合后的公式为;其中y是火灾风险指数,取值范围为0-100,数值越大代表风险越大;x代表时间,单位是分钟。
进一步地,使用STM32CubeMX工具中的X-Cube-AI扩展包将AI框架进行C代码的转化,以支持在嵌入式设备上使用,Cube-AI把AI模型转化为一堆数组,而后将这些数组内容解析成模型,然后在STM32的工程代码中使用。
本发明的有益效果如下:本发明提供的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,引入热解粒子传感器,为实现早期预警提供主要的硬件支持。可以在火灾风险指数≥20的时候进行早期风险预警,比现有的火灾报警提前约100分钟左右。在采集大量数据样本的基础上,采用卷积神经网络AI模型进行训练,然后使用STM32CubeMX工具中的X-Cube-AI扩展包进行C代码的转化,部署在MCU上,在实现部署方便的同时,预警准确度也大大提高。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,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基于多传感器数据融合技术的储能消防早期预警系统功能框图;
图2为本发明实施例提供的基于多传感器数据融合技术的储能消防早期预警系统中MCU嵌入式程序的流程图;
图3为本发明实施例提供的基于多传感器数据融合技术的储能消防早期预警系统中卷积神经网络的原理架构图;
图4为实验环境示意图;
图5为火灾风险指数和时间的指数关系图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然,所描述的实施例仅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,都属于本发明保护的范围。以下结合附图,详细说明本发明各实施例提供的技术方案。
请参阅图1,本发明提供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,包括:MCU1、无线通讯模块2、热解粒子传感器3、一氧化碳传感器4、氢气传感器5、温度传感器6、报警器7;MCU1通过接口电路分别与热解粒子传感器3、一氧化碳传感器4、氢气传感器5、温度传感器6连接,无线通讯模块2、报警器7分别与MCU1连接。
本发明中卷积神经网络AI算法部署在MCU中,MCU选用ST公司的STM32F405RGT6芯片,芯片内置ARM® Cortex®-M4内核,主频最大168MHz,足以支持本发明中AI算法的运行。MCU用于通过相应的接口电路与热解粒子传感器、一氧化碳传感器、氢气传感器、温度传感器进行通讯,并以1s的周期轮询读取以上四种传感器的实时数据;将四种传感器的实时数据作为卷积神经网络AI模型的输入数据,根据所述输入数据输出火灾风险指数预测值;判断所述火灾风险指数预测值是否超过了用户设置的报警阈值;如果火灾风险指数预测值超过用户设置的报警阈值,控制报警器报警;通过无线通讯模块与云平台进行通讯,将所述四种传感器的实时数据和火灾风险指数预测值发送给后台进行展示。无线通讯模块2可以是4G通讯模块,报警器7可以是声光报警三色灯。
请参阅图2,MCU嵌入式程序的流程如下:通过相应的接口电路与热解粒子传感器、一氧化碳传感器、氢气传感器、温度传感器进行通讯之前,MCU先用于进行MCU内核及各外围模块的初始化,然后进入总任务调度;所述总任务调度中有两个任务分支;其中一个任务分支为数据采集任务及卷积神经网络,用于以1s的周期轮询读取以上四种传感器的实时数据;将四种传感器的实时数据作为卷积神经网络AI模型的输入数据,根据所述输入数据输出火灾风险指数预测值;另一个任务分支为无线通讯任务,用于通过无线通讯模块与云平台进行通讯,将所述四种传感器的实时数据和火灾风险指数预测值发送给后台进行展示;之后判断所述火灾风险指数预测值是否超过了用户设置的报警阈值;如果火灾风险指数预测值超过用户设置的报警阈值,控制报警器报警;如果火灾风险指数预测值未超过用户设置的报警阈值,正常执行总任务调度。
请参阅图3,卷积神经网络依次包括输入层、卷积层、池化层、全连通层、输出层;输入层的输入数据是四种传感器的实时数据,卷积层的功能是对输入数据进行特征提取,卷积层内部包含多个卷积核,组成卷积核的每个元素都对应一个权重系数和一个偏差量;在卷积层进行特征提取后,输出的特征图会被传递至池化层进行特征选择和信息过滤;池化层包含预设定的池化函数,池化函数的功能是将特征图中单个点的结果替换为其相邻区域的特征图统计量;再经过一层卷积层和池化层后进入输出层,输出AI模型的预测结果,输出层输出的数据是火灾风险指数预测值。
请参阅图4,卷积神经网络AI模型训练所需的实际采集数据样本通过以下方式实现:选用容量为60Ah的锂电池组,电池电压为3.7V,放置于实验防爆电池箱内,实验防爆电池箱内上部安装有四种传感器,包括热解粒子传感器、一氧化碳传感器、氢气传感器和温度传感器,同时用70A/3.7V的恒流电源对锂电池组进行过充,观察并记录锂电池组的发热及火灾发生过程并采集四种传感器的数据。
请参阅图5,在采集并分析了约200组数据后,锂电池组发生火灾的过程如下:开始过充后,锂电池组开始发热,温度开始缓慢上升,Δt1时长约为60分钟,这段时间为发热阶段;Ti1+Δt2为热过载阶段,时长约为100分钟,在这段时间内,温度传导,相关绝缘物受热受损后,释放热解粒子;Ti2+Δt3+Ti3为热失控及火灾阶段,时长约为50分钟,在这段时间内,可燃物进入阴燃阶段,烟雾越来越大,之后燃烧失控,发生火灾,燃爆随时发生。为了能对火灾发生的风险有一个量化的判定指标,引入“火灾风险指数”这个值。将火灾风险指数和时间成指数关系,拟合后的公式为;其中y是火灾风险指数,取值范围为0-100,数值越大代表风险越大;x代表时间,单位是分钟。
表1列举了卷积神经网络的部分训练数据,本发明采用200组数据样本进行AI模型的训练,并对100组实测的实验数据进行火灾指数预测,部分实验数据的预测结果及误差分析如表2所示。
表1 卷积神经网络的部分训练数据
表2 部分实验数据的预测结果及误差分析
如表1所示,采集了200组试验数据,表中是部分数据示例,包含1um、2.5um、10um热解粒子浓度,一氧化碳浓度、氢气浓度、温度6个数据。在本发明中,使用STM32CubeMX工具中的X-Cube-AI扩展包将当前比较热门的AI框架进行C代码的转化,以支持在嵌入式设备上使用。Cube-AI把模型转化为一堆数组,而后将这些数组内容解析成模型,然后在STM32的工程代码中使用。
如表2所示,对100组实验数据进行火灾风险指数预测,表中给出了部分预测值,同时给出了实际值,从数据表格中可以看出,预测误差不超过14%,同时在火灾风险指数大于50时,误差不大于5%;另外从数据中也可以看出,在火灾风险指数大于20时,本发明便能及时给出早期预警,而市面上常见的探测器只能在热失控阶段给出预警,本发明的预警时间大约能提前约100分钟。
以上所述的本发明实施方式并不构成对本发明保护范围的限定。
Claims (1)
1.一种基于多传感器数据融合技术的储能消防早期预警系统,其特征在于,包括:MCU(1)、无线通讯模块(2)、热解粒子传感器(3)、一氧化碳传感器(4)、氢气传感器(5)、温度传感器(6)、报警器(7);所述MCU(1)通过接口电路分别与热解粒子传感器(3)、一氧化碳传感器(4)、氢气传感器(5)、温度传感器(6)连接,所述无线通讯模块(2)、报警器(7)分别与所述MCU(1)连接;
所述MCU(1)用于通过相应的接口电路与热解粒子传感器(3)、一氧化碳传感器(4)、氢气传感器(5)、温度传感器(6)进行通讯,并以1s的周期轮询读取以上四种传感器的实时数据;将四种传感器的实时数据作为卷积神经网络AI模型的输入数据,根据所述输入数据输出火灾风险指数预测值;判断所述火灾风险指数预测值是否超过了用户设置的报警阈值;如果火灾风险指数预测值超过用户设置的报警阈值,控制报警器(7)报警;通过无线通讯模块(2)与云平台进行通讯,将所述四种传感器的实时数据和火灾风险指数预测值发送给后台进行展示;
卷积神经网络AI模型训练所需的实际采集数据样本通过以下方式实现:选用容量为60Ah的锂电池组,电池电压为3.7V,放置于实验防爆电池箱内,实验防爆电池箱内上部安装有四种传感器,包括热解粒子传感器、一氧化碳传感器、氢气传感器和温度传感器,同时用70A/3.7V的恒流电源对锂电池组进行过充,观察并记录锂电池组的发热及火灾发生过程并采集四种传感器的数据;
引入火灾风险指数,将火灾风险指数和时间成指数关系,拟合后的公式为y=2.1062e0.021x;其中y是火灾风险指数,取值范围为0-100,数值越大代表风险越大;x代表时间,单位是分钟;
将不同时间点的1um热解粒子浓度、2.5um热解粒子浓度、10um热解粒子浓度、一氧化碳浓度、氢气浓度、温度以及对应的火灾风险指数作为一组训练数据,基于200组训练数据进行卷积神经网络AI模型的训练,训练得到所述卷积神经网络AI模型;
通过相应的接口电路与热解粒子传感器(3)、一氧化碳传感器(4)、氢气传感器(5)、温度传感器(6)进行通讯之前,所述MCU(1)先用于进行MCU内核及各外围模块的初始化,然后进入总任务调度;
所述总任务调度中有两个任务分支;其中一个任务分支为数据采集任务及卷积神经网络,用于以1s的周期轮询读取以上四种传感器的实时数据;将四种传感器的实时数据作为卷积神经网络AI模型的输入数据,根据所述输入数据输出火灾风险指数预测值;
另一个任务分支为无线通讯任务,用于通过无线通讯模块(2)与云平台进行通讯,将所述四种传感器的实时数据和火灾风险指数预测值发送给后台进行展示;
之后判断所述火灾风险指数预测值是否超过了用户设置的报警阈值;
如果火灾风险指数预测值超过用户设置的报警阈值,控制报警器(7)报警;
如果火灾风险指数预测值未超过用户设置的报警阈值,正常执行总任务调度;
卷积神经网络依次包括输入层、卷积层、池化层、全连通层、输出层;
输入层的输入数据是四种传感器的实时数据,卷积层的功能是对输入数据进行特征提取,卷积层内部包含多个卷积核,组成卷积核的每个元素都对应一个权重系数和一个偏差量;在卷积层进行特征提取后,输出的特征图会被传递至池化层进行特征选择和信息过滤;池化层包含预设定的池化函数,池化函数的功能是将特征图中单个点的结果替换为其相邻区域的特征图统计量;再经过一层卷积层和池化层后进入输出层,输出AI模型的预测结果,输出层输出的数据是火灾风险指数预测值;
使用STM32CubeMX工具中的X-Cube-AI扩展包将AI框架进行C代码的转化,以支持在嵌入式设备上使用,Cube-AI把AI模型转化为一堆数组,而后将这些数组内容解析成模型,然后在STM32的工程代码中使用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210685575.6A CN114783133B (zh) | 2022-06-17 | 2022-06-17 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210685575.6A CN114783133B (zh) | 2022-06-17 | 2022-06-17 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114783133A CN114783133A (zh) | 2022-07-22 |
CN114783133B true CN114783133B (zh) | 2023-04-07 |
Family
ID=82420835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210685575.6A Active CN114783133B (zh) | 2022-06-17 | 2022-06-17 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114783133B (zh) |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110801593B (zh) * | 2019-10-30 | 2022-02-15 | 忻州师范学院 | 一种融合多模态数据的极早期火灾预警系统及方法 |
CN112237707B (zh) * | 2020-09-17 | 2021-12-24 | 嘉兴恒创电力设计研究院有限公司 | 一种多级联动的储能消防控制方法及系统 |
CN113269941A (zh) * | 2021-05-11 | 2021-08-17 | 苏州热工研究院有限公司 | 一种基于多信息融合判断的电气火灾报警装置及控制方法 |
CN113960375A (zh) * | 2021-10-18 | 2022-01-21 | 特斯联科技集团有限公司 | 用于森林草原火灾预警的人工智能雷电探测系统及方法 |
CN216287005U (zh) * | 2021-10-28 | 2022-04-12 | 李海增 | 探测热解粒子非贮压全氟己酮脉冲配电设备灭火报警系统 |
CN215771260U (zh) * | 2021-12-27 | 2022-02-08 | 天津大学四川创新研究院 | 一种储能柜内电化学电池热失控探测器 |
CN114267150A (zh) * | 2021-12-28 | 2022-04-01 | 中国科学技术大学 | 一种锂电池热失控早期火灾检测预警方法 |
-
2022
- 2022-06-17 CN CN202210685575.6A patent/CN114783133B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114783133A (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111060821B (zh) | 具备锂电池故障早期预警功能的电池管理系统及方法 | |
CN111261957B (zh) | 基于分布控制的锂离子储能电池热失控保护系统及方法 | |
CN113161639B (zh) | 废旧锂离子电池安全放电方法 | |
Outeiro et al. | A new parameter extraction method for accurate modeling of PEM fuel cells | |
WO2022228540A1 (zh) | 电池系统和车辆 | |
Yang et al. | Towards a safer lithium-ion batteries: A critical review on cause, characteristics, warning and disposal strategy for thermal runaway | |
CN117250524A (zh) | 不同工况下的锂离子电池热失控的预警方法 | |
CN107247236A (zh) | 一种锂电池参数采集系统及方法 | |
CN211863634U (zh) | 一种电池管理及自动灭火系统 | |
CN114783133B (zh) | 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 | |
CN108258340A (zh) | 一种带气体监控装置的电池系统 | |
Yang et al. | Comprehensive analysis of gas production for commercial LiFePO4 batteries during overcharge-thermal runaway | |
CN114447451A (zh) | 一种储能站电池早期隐患监控方法 | |
Olaru et al. | Challenges and opportunities for the control of Energy Storage Systems. A focus on the Zinc-Air batteries | |
CN207752601U (zh) | 一种锂电池热失控探测及处置装置 | |
CN106197722A (zh) | 矩阵扫描式温度采集方法及系统 | |
CN113161634B (zh) | 一种基于气体信号监测的锂离子电池故障模拟装置及方法 | |
CN115842183A (zh) | 一种锂离子电池储能舱的热失控预警系统及预警方法 | |
CN116519872A (zh) | 一种面向锂离子电池热失控监测的多气体传感器联用监测方法 | |
CN115808634A (zh) | 储能电站锂电池安全状态估计方法、装置、设备及介质 | |
CN111190116A (zh) | 一种锂离子电池安全性管理方法及系统 | |
CN115799673A (zh) | 一种多维感知的储能电池管理系统 | |
CN115684976A (zh) | 储能电池故障在线诊断定位方法、电子设备及介质 | |
Li et al. | Research on Fire Performance Test Technology of Electric Vehicle Power Battery System | |
CN103245898A (zh) | 基于氧传感器的开关柜局部放电实时监测系统 |
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 |