CN115407223A - 电池结构的热-力安全在线智能检测系统及方法 - Google Patents
电池结构的热-力安全在线智能检测系统及方法 Download PDFInfo
- Publication number
- CN115407223A CN115407223A CN202210933661.4A CN202210933661A CN115407223A CN 115407223 A CN115407223 A CN 115407223A CN 202210933661 A CN202210933661 A CN 202210933661A CN 115407223 A CN115407223 A CN 115407223A
- Authority
- CN
- China
- Prior art keywords
- thermal
- battery structure
- mechanical damage
- prediction model
- damage prediction
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Secondary Cells (AREA)
Abstract
本发明属于电池在线检测技术领域,提供了一种电池结构热‑力安全在线智能检测系统及方法。其中,该系统包括光纤光栅阵列传感器,其用于实时在线检测电池结构的温度和应变量,得到电池结构的动态阵列传感信号;处理器,其被配置为:处理电池结构的动态阵列传感信号,再基于预先训练好的热‑力损伤预测模型,预测得到电池结构热‑力损伤量化结果。其显著提高了电池结构热‑力损伤的有限元模拟精度,并在此基础上有效提高热‑力损伤预测模型的智能预测精度,从而实现了损伤定位、损伤类型及其程度的高精度识别。
Description
技术领域
本发明属于电池在线检测技术领域,尤其涉及一种电池结构的热-力安全在线智能检测系统及方法。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
传统的电池管理系统包含了电池的电流、电压和温度的在线检测,有的电池管理系统还有压力和应变的在线检测,普遍采用电学测量技术,即属于电学传感器,例如测量电流的电流表、测量电压的电压表、测量温度的热电偶温度传感器、测量压力的压电传感器、测量应变的电阻应变片。电学传感器都是分立式传感器,每一个电学传感器都需要独立完整地布置传输电路,在电池尤其动力电池的较高电压环境中需要对电学传感器及其传输电路进行可靠的电绝缘和防化学腐蚀保护,在车载环境中需要对电学传感器及其传输电路进行可靠的固定、耐摩擦磨损、耐老化、耐疲劳处理,否则电学传感器本身就变成了电池安全的重大隐患;电学传感器在本质上易受电磁干扰而影响检测稳定性和检测精度。因此电池中的电学传感器的用量很少。
但是,电池结构(包括电池盒体、电池盒内的电池模组外表面、电池模组内的电池外表面及用于电池封装固定的结构、线缆)复杂多变,属于典型的多尺度、多层次、多材料、多界面、热-力耦合问题,在电池结构的热-力损伤机理建模仿真、传感优化布局、动态阵列传感信号处理、实时在线智能预测一系列关键技术方面的研究基本上处于空白状态,无法实现电池结构的热-力安全在线智能检测。
发明内容
为了解决上述背景技术中存在的技术问题,本发明提供一种电池结构的热-力安全在线智能检测系统及方法,其综合了电池结构的温度、应力应变、损伤程度及形貌的空间分布和时间演化特征。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种电池结构热-力安全在线智能检测系统,其包括:
光纤光栅阵列传感器,其用于实时在线检测电池结构的温度和应变量,得到电池结构的动态阵列传感信号;
处理器,其被配置为:处理电池结构的动态阵列传感信号,再基于预先训练好的热-力损伤预测模型,预测得到电池结构热-力损伤量化结果;
其中,所述热-力损伤预测模型的训练过程为:
根据基于电池结构热-力损伤的有限元模型的模拟值与相应条件下的电池结构的动态阵列传感信号的对比结果,调整和优化所述有限元模型;
将优化后的有限元模型所得到的模拟结果作为训练数据,直接训练热-力损伤预测模型;
将热-力损伤预测模型对电池结构的热-力损伤预测结果与相应条件下的所述电池结构的动态阵列传感信号进行对比,基于两者误差验证热-力损伤预测模型;如果符合精度要求,则得到了训练好的热-力损伤预测模型;否则,继续训练热-力损伤预测模型,直至满足精度要求。
作为一种实施方式,所述光纤光栅阵列传感器贴设在电池结构表面。
优选地,所述光纤光栅阵列传感器贴设在电池盒体的外表面和内表面、电池盒内的电池模组外表面、电池模组内的电池外表面及线缆外表面。
作为一种实施方式,所述光纤光栅阵列传感器内置在用于电池封装固定的胶体中。
其中,光纤光栅传感器属于光学传感器,光纤光栅具有尺寸小、重量轻、灵敏度高、抗电磁干扰能力强、耐腐蚀、耐高温、集传感与传输于一体、自身组网的特点,既适合于埋入结构件内部也适合于表贴在结构件上;其中的长周期光纤光栅具有分布式传感特点,但是定位精度不高;短周期光纤光栅具有准分布式传感特点,定位精度高;光纤光栅传感器能避免电学传感器的本征局限性。
作为一种实施方式,所述电池结构热-力损伤的有限元模型采用多物理场耦合多尺度有限元模拟软件构建而成,用于数值分析电池结构的温度、应力应变及损伤形貌的空间分布和时间演变规律。
作为一种实施方式,根据热-力损伤预测模型所需的训练样本数量,开展相应数量的电池结构热-力损伤有限元模拟。
作为一种实施方式,所述处理器,还被配置为:
基于电池结构热-力损伤量化结果,从方案数据库中匹配出对应状态基维护和维修方案。
本发明的第二个方面提供一种采用如上述所述的电池结构热-力安全在线智能检测系统的检测方法,其包括:
实时在线获取电池结构的温度和应变量,得到电池结构的动态阵列传感信号;
基于预先训练好的热-力损伤预测模型,预测得到电池结构热-力损伤量化结果;
其中,所述热-力损伤预测模型的训练过程为:
根据基于电池结构热-力损伤的有限元模型的模拟值与相应条件下的电池结构的动态阵列传感信号的对比结果,调整和优化所述有限元模型;
将优化后的有限元模型所得到的模拟结果作为训练数据,直接训练热-力损伤预测模型;
将热-力损伤预测模型对电池结构的热-力损伤预测结果与相应条件下的所述电池结构的动态阵列传感信号进行对比,基于两者误差验证热-力损伤预测模型;如果符合精度要求,则得到了训练好的热-力损伤预测模型;否则,继续训练热-力损伤预测模型,直至满足精度要求。
作为一种实施方式,所述电池结构热-力损伤的有限元模型采用多物理场耦合多尺度有限元模拟软件构建而成,用于数值分析电池结构的温度、应力应变及损伤形貌的空间分布和时间演变规律。
作为一种实施方式,根据热-力损伤预测模型所需的训练样本数量,开展相应数量的电池结构热-力损伤有限元模拟。
本发明的第三个方面提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的检测方法中的步骤。
本发明的第四个方面提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的检测方法中的步骤。
与现有技术相比,本发明的有益效果是:
(1)本发明利用光纤光栅阵列传感器检测电池结构的温度和应变量,得到电池结构的动态阵列传感信号,显著提高了电池结构热-力损伤的有限元模拟精度,并在此基础上有效提高热-力损伤预测模型的智能预测精度,从而实现了损伤定位、损伤类型及其程度的高精度智能识别。
(2)本发明的电池结构热-力安全在线智能检测系统及方法既融合了人工智能技术,又立足于传热学、复合材料科学、固体结构力学、损伤力学和传感检测技术,从而为电池的直接使用者、电池的专业维护和维修者、电池的制造商和整机系统集成商可以分级地提供电池安全信息。
(3)本发明的电池结构热-力安全在线智能检测系统及方法既可以在电池使役时实时在线提供电池结构安全信息和状态基维护维修方案,又可以在电池使役之前的研发阶段有基于科学理论和知识体系的技术完善期,达到了电池结构热-力安全在线智能检测系统受到机理和数据双轮协同推动的效果,从而实现低成本、高效率、高精度的电池结构热-力安全在线智能检测系统开发。
(4)本发明的电池结构热-力安全在线智能检测系统及方法使得电池使役健康状态能被实时在线地量化评估,有助于电芯材料和制造工艺、电池模组封装材料和工艺、电池包封装材料和工艺的优化设计。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,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。
图1是本发明实施例的电池结构热-力安全在线智能检测原理图;
图2是本发明实施例的光纤光栅阵列传感器结构示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
本实施例提供一种电池结构热-力安全在线智能检测系统,其包括光纤光栅阵列传感器和处理器。
(1)光纤光栅阵列传感器
如图2所示,光纤光栅阵列传感器用于实时在线检测电池结构的温度和应变量,得到电池结构的动态阵列传感信号。
在具体实施过程中,所述光纤光栅阵列传感器贴设在电池结构表面。
在其他实施例中,所述光纤光栅阵列传感器内置在用于电池封装固定的胶体中。
这样形成光纤光栅传感网络,能够确保高的存活率和稳定检测寿命。
(2)处理器
处理器,其被配置为:处理电池结构的动态阵列传感信号,再基于预先训练好的热-力损伤预测模型,预测得到电池结构热-力损伤量化结果。
其中,参照图1,所述热-力损伤预测模型的训练过程为:
步骤1:根据基于电池结构热-力损伤的有限元模型的模拟值与相应条件下的电池结构的动态阵列传感信号的对比结果,调整和优化所述有限元模型。
在一些实施例中,所述电池结构热-力损伤的有限元模型采用多物理场耦合多尺度有限元模拟软件构建而成,用于数值分析电池结构的温度、应力应变及损伤形貌的空间分布和时间演变规律。
此处需要说明的是,在其他实施例中,根据材料参数、几何模型、力学载荷和约束条件,在通用有限元仿真软件平台上,也可开展电池结构热-力损伤的有限元模型的仿真分析。
具体地,随机选取一部分(例如80%数量)的光纤光栅传感器检测的温度和应变量,且记为热-力损伤预测模型的间接训练数据,将剩余的光纤光栅传感器检测的温度和应变量记为热-力损伤预测模型的验证数据;用上述的热-力损伤预测模型间接训练数据和相对应的电池结构热-力损伤的有限元模拟结果作对比,进而根据两者误差调整和优化相对应的电池结构热-力损伤有限元模型及算法,以有效提高电池结构热-力过程及损伤的有限元模拟精度。
其中,根据热-力损伤预测模型所需的直接训练样本数量,开展相应数量的电池结构热-力损伤有限元模拟。
步骤2:将优化后的有限元模型所得到的模拟结果作为训练数据,直接训练热-力损伤预测模型。
步骤3:将热-力损伤预测模型对电池结构的热-力损伤预测结果与相应条件下的所述电池结构的动态阵列传感信号进行对比,基于两者误差验证热-力损伤预测模型;如果符合精度要求,则得到了训练好的热-力损伤预测模型;否则,继续训练热-力损伤预测模型,直至满足精度要求。
优选地,采用训练后的电池结构热-力损伤预测模型,预测与热-力损伤预测模型验证数据对应的电池结构测点及其光纤光栅轴向上的温度和应变,进而将热-力损伤预测模型预测的温度、应变和热-力损伤预测模型验证数据比较,评估其误差;假如上述误差能被接受,则表明用于动态阵列传感信号处理的电池结构热-力损伤预测模型得以合理建立;假如上述误差尚不能被接受,则再次随机地划分热-力损伤预测模型间接训练数据和验证数据(甚至补充光纤光栅阵列传感器的在线检测数据),重复上述的有限元模拟和热-力损伤预测模型训练过程,直至用于动态阵列传感信号处理的电池结构热-力损伤预测模型得以合理建立。
其中,热-力损伤预测模型,属于一种人工智能模型,包含但不限于深度神经网络模型、专家系统模型、随机决策森林模型、支持向量机模型、学习矢量量化模型。
在一个或多个实施例中,所述处理器,还被配置为:
基于电池结构热-力损伤量化结果,从方案数据库中匹配出对应状态基维护和维修方案。
例如:当光伏储能电站的储能电池结构热-力损伤量化结果发现第3个电池模组存在高温风险状态时,则从方案数据库中匹配出对应状态基维护方案:加速第3个电池模组对应冷却水的流速以对第3个电池模组降温。
例如:当新能源车的动力电池结构热-力损伤量化结果发现第5个电池模组存在应变损伤风险状态时,则从方案数据库中匹配出对应状态基维护方案:首先加速第5个电池模组对应冷却水的流速以对第5个电池模组降温;如果第5个电池模组的应变损伤风险状态解除,则继续正常使用第5个电池模组;如果第5个电池模组的应变损伤风险状态仍未能解除,则停止第5个电池模组的充放电工作;如果在第5个电池模组停止工作60分钟后第5个电池模组的应变损伤风险状态仍未能解除,则需要停车检查、维修第5个电池模组。
例如:当新能源车的动力电池结构热-力损伤量化结果发现电池盒的底壳体存在应变损伤风险状态时,则从方案数据库中匹配出对应状态基维护方案:送专业汽修厂检查电池盒的底壳体质量。
实施例二
参照图1,本实施例提供了采用如上述所述的电池结构热-力安全在线智能检测系统的检测方法,其包括:
实时在线获取电池结构的温度和应变量,得到电池结构的动态阵列传感信号;
基于预先训练好的热-力损伤预测模型,预测得到电池结构热-力损伤量化结果;
其中,所述热-力损伤预测模型的训练过程为:
根据基于电池结构热-力损伤的有限元模型的模拟值与相应条件下电池结构的动态阵列传感信号的对比结果,调整和优化所述有限元模型;
将优化后的有限元模型所得到的模拟结果作为训练数据,直接训练热-力损伤预测模型;
将热-力损伤预测模型对电池结构的热-力损伤预测结果与相应条件下所述电池结构的动态阵列传感信号进行对比,基于两者误差验证热-力损伤预测模型;如果符合精度要求,则得到了训练好的热-力损伤预测模型;否则,继续训练热-力损伤预测模型,直至满足精度要求。
作为一种实施方式,所述电池结构热-力损伤的有限元模型采用多物理场耦合多尺度有限元模拟软件构建而成,用于数值分析电池结构的温度、应力应变及损伤形貌的空间分布和时间演变规律。
作为一种实施方式,根据热-力损伤预测模型所需的直接训练样本数量,开展相应数量的电池结构热-力损伤有限元模拟。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的检测方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的检测方法中的步骤。
本发明是参照根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种电池结构热-力安全在线智能检测系统,其特征在于,包括:
光纤光栅阵列传感器,其用于实时在线检测电池结构的温度和应变量,得到电池结构的动态阵列传感信号;
处理器,其被配置为:处理电池结构的动态阵列传感信号,再基于预先训练好的热-力损伤预测模型,预测得到电池结构热-力损伤量化结果;
其中,所述热-力损伤预测模型的训练过程为:
根据基于电池结构热-力损伤的有限元模型的模拟值与相应条件下的电池结构的动态阵列传感信号的对比结果,调整和优化所述有限元模型;
将优化后的有限元模型所得到的模拟结果作为训练数据,直接训练热-力损伤预测模型;
将热-力损伤预测模型对电池结构的热-力损伤预测结果与相应条件下的所述电池结构的动态阵列传感信号进行对比,基于两者误差验证热-力损伤预测模型;如果符合精度要求,则得到了训练好的热-力损伤预测模型;否则,继续训练热-力损伤预测模型,直至满足精度要求。
2.如权利要求1所述的电池结构热-力安全在线智能检测系统,其特征在于,所述光纤光栅阵列传感器贴设在电池结构表面;
或所述光纤光栅阵列传感器内置在用于电池封装固定的胶体中。
3.如权利要求1所述的电池结构热-力安全在线智能检测系统,其特征在于,所述电池结构热-力损伤的有限元模型采用多物理场耦合多尺度有限元模拟软件构建而成,用于数值分析电池结构的温度、应力应变及损伤形貌的空间分布和时间演变规律。
4.如权利要求1所述的电池结构热-力安全在线智能检测系统,其特征在于,根据热-力损伤预测模型所需的训练样本数量,开展相应数量的电池结构热-力损伤有限元模拟。
5.如权利要求1所述的电池结构热-力安全在线智能检测系统,其特征在于,所述处理器,还被配置为:
基于电池结构热-力损伤量化结果,从方案数据库中匹配出对应状态基维护和维修方案。
6.一种采用如权利要求1所述的电池结构热-力安全在线智能检测系统的检测方法,其特征在于,包括:
实时在线获取电池结构的温度和应变量,得到电池结构的动态阵列传感信号;
基于预先训练好的热-力损伤预测模型,预测得到电池结构热-力损伤量化结果;
其中,所述热-力损伤预测模型的训练过程为:
根据基于电池结构热-力损伤的有限元模型的模拟值与相应条件下的电池结构的动态阵列传感信号的对比结果,调整和优化所述有限元模型;
将优化后的有限元模型所得到的模拟结果作为训练数据,直接训练热-力损伤预测模型;
将热-力损伤预测模型对电池结构的热-力损伤预测结果与相应条件下的所述电池结构的动态阵列传感信号进行对比,基于两者误差验证热-力损伤预测模型;如果符合精度要求,则得到了训练好的热-力损伤预测模型;否则,继续训练热-力损伤预测模型,直至满足精度要求。
7.如权利要求6所述的检测方法,其特征在于,所述电池结构热-力损伤的有限元模型采用多物理场耦合多尺度有限元模拟软件构建而成,用于数值分析电池结构的温度、应力应变及损伤形貌的空间分布和时间演变规律。
8.如权利要求6所述的检测方法,其特征在于,根据热-力损伤预测模型所需的训练样本数量,开展相应数量的电池结构热-力损伤有限元模拟。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求6-8中任一项所述的检测方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求6-8中任一项所述的检测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210933661.4A CN115407223A (zh) | 2022-08-04 | 2022-08-04 | 电池结构的热-力安全在线智能检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210933661.4A CN115407223A (zh) | 2022-08-04 | 2022-08-04 | 电池结构的热-力安全在线智能检测系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115407223A true CN115407223A (zh) | 2022-11-29 |
Family
ID=84160154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210933661.4A Pending CN115407223A (zh) | 2022-08-04 | 2022-08-04 | 电池结构的热-力安全在线智能检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115407223A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115615343A (zh) * | 2022-12-05 | 2023-01-17 | 中汽数据有限公司 | 动力电池安全监测方法、电子设备和存储介质 |
-
2022
- 2022-08-04 CN CN202210933661.4A patent/CN115407223A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115615343A (zh) * | 2022-12-05 | 2023-01-17 | 中汽数据有限公司 | 动力电池安全监测方法、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
Lipu et al. | Intelligent algorithms and control strategies for battery management system in electric vehicles: Progress, challenges and future outlook | |
Chen et al. | A novel state-of-charge estimation method of lithium-ion batteries combining the grey model and genetic algorithms | |
Rezvanizaniani et al. | Review and recent advances in battery health monitoring and prognostics technologies for electric vehicle (EV) safety and mobility | |
CN107870306A (zh) | 一种基于深度神经网络下的锂电池荷电状态预测算法 | |
CN109740859A (zh) | 基于主成分分析法和支持向量机的变压器状态评估方法及系统 | |
CN109755683A (zh) | 一种基于压缩感知理论的电池包内部温度实时监测方法 | |
CN112630662B (zh) | 一种基于数据驱动及多参数融合的动力电池soh估算方法 | |
JP2024059625A (ja) | バッテリー性能予測 | |
CN116455085B (zh) | 一种电池储能电站智能监控系统 | |
JP7390310B2 (ja) | データ処理装置、データ処理方法、及びコンピュータプログラム | |
CN115618732B (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
CN113777515A (zh) | 一种电动汽车充电安全预警方法 | |
CN115407223A (zh) | 电池结构的热-力安全在线智能检测系统及方法 | |
Yao et al. | Fault identification of lithium-ion battery pack for electric vehicle based on ga optimized ELM neural network | |
CN114966422A (zh) | 基于动力电池参数的实时监控预警系统 | |
CN117330987B (zh) | 基于时间的电池健康状态评估的方法、系统、介质和设备 | |
CN113486926B (zh) | 一种自动化码头设备异常检测系统 | |
CN117330963B (zh) | 储能电站故障检测方法、系统及设备 | |
Zhang et al. | Deep learning-based vibration stress and fatigue-life prediction of a battery-pack system | |
Ma et al. | Remaining useful life transfer prediction and cycle life test optimization for different formula Li-ion power batteries using a robust deep learning method | |
CN115267586A (zh) | 锂电池soh评估方法 | |
CN114881246A (zh) | 基于集成学习的锂电池剩余使用寿命预测方法及系统 | |
CN117117923B (zh) | 一种基于大数据的储能控制并网管理方法及系统 | |
JP7497432B2 (ja) | バッテリー性能予測 |
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 |