CN115825790A - 电池绝缘故障的预警方法、装置、系统和计算机设备 - Google Patents
电池绝缘故障的预警方法、装置、系统和计算机设备 Download PDFInfo
- Publication number
- CN115825790A CN115825790A CN202210110117.XA CN202210110117A CN115825790A CN 115825790 A CN115825790 A CN 115825790A CN 202210110117 A CN202210110117 A CN 202210110117A CN 115825790 A CN115825790 A CN 115825790A
- Authority
- CN
- China
- Prior art keywords
- insulation
- early warning
- battery
- stable
- characteristic
- 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.)
- Granted
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本申请涉及一种电池绝缘故障的预警方法、装置、系统、计算机设备、存储介质和计算机程序产品。所述方法包括:确定绝缘稳定工况以及获取电池历史数据;根据所述绝缘稳定工况对所述电池历史数据进行特征提取,得到稳定绝缘特征;根据所述稳定绝缘特征确定特征预警阈值,和/或,根据所述稳定绝缘特征生成绝缘预警模型。采用本方法能够有效避免了由于电池绝缘性能下降而导致的危险。
Description
技术领域
本申请涉及电池技术领域,特别是涉及一种电池绝缘故障的预警方法、装置、系统、计算机设备、存储介质和计算机程序产品。
背景技术
随着新能源电动汽车的发展,动力电池逐步取代传统车辆的油箱,成为新能源等电动汽车的关键零部件之一。然而,动力电池的绝缘介质可能会因为环境潮湿、使用不当等原因而导致老化,影响绝缘性能,可能由此而产生漏电等危险。因此,有必要对电池的绝缘性能进行检测。
传统的绝缘检测方法需要对电池电路进行重新设计,增加了绝缘预警的成本,而且,传统的绝缘检测方法只适用于已经出现绝缘故障的电路,无法有效避免绝缘风险。
因此,传统的电池绝缘故障检测方法存在着成本较高且无法有效避免因电池绝缘性能下降而导致的危险。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提升绝缘故障预警准确率的电池绝缘故障的预警方法、装置、系统、计算机设备、存储介质和计算机程序产品。
第一方面,本申请提供了一种电池绝缘故障的预警方法。所述方法包括:
确定绝缘稳定工况,以及,获取电池历史数据;所述绝缘稳定工况包括电池的绝缘值的波动幅度处于预设范围内时的工况;
根据所述绝缘稳定工况对所述电池历史数据进行特征提取,得到稳定绝缘特征;所述稳定绝缘特征包括电池在所述绝缘稳定工况下的用于预测所述电池绝缘故障的特征;
根据所述稳定绝缘特征确定特征预警阈值,和/或,根据所述稳定绝缘特征生成绝缘预警模型;所述特征预警阈值和/或所述绝缘预警模型用于对电池的绝缘故障进行预警。
在一个实施例中,所述根据所述稳定绝缘特征确定特征预警阈值,包括:
通过相关性系数和/或均值距离在所述稳定绝缘特征中选取关键绝缘特征;
确定所述关键绝缘特征所对应的阈值,作为所述特征预警阈值。
在一个实施例中,所述根据所述稳定绝缘特征生成绝缘预警模型,包括:
在所述稳定绝缘特征中选取关键绝缘特征;
划分所述关键绝缘特征,得到至少一个特征集合;
基于各个所述特征集合进行模型训练,得到各个所述特征集合对应的同类特征预警模型;
根据各个所述同类特征预警模型的输出结果,对各个所述同类特征预警模型进行融合,得到所述绝缘预警模型。
在一个实施例中,所述绝缘稳定工况,包括充电开启热管理工况、放电开启热管理工况、大电流放电工况、大电流充电工况、高荷电状态放电工况、充电枪插入工况、充电枪拔出工况、开路电压平台区工况中的至少一种。
在一个实施例中:
所述充电开启热管理工况包括充电段温度大于第一温度的工况;
所述放电开启热管理工况包括放电段温度大于第二温度的工况;
所述大电流放电工况包括放电电流大于第一电流的工况;
所述大电流充电工况包括充电电流大于第二电流的工况;
所述高荷电状态放电工况包括放电时荷电状态在第一荷电状态和第二荷电状态之间的工况;
所述充电枪插入工况包括充电段的前若干帧的工况;
所述充电枪拔出工况包括非充电段的前若干帧的工况;
所述开路电压平台区工况包括电池电压变化缓慢的工况。
第二方面,本申请还提供了一种电池绝缘故障预警装置。所述装置包括:
数据模块,被配置为确定绝缘稳定工况,以及,获取电池历史数据;所述绝缘稳定工况包括电池的绝缘值的波动幅度处于预设范围内时的工况;
特征模块,被配置为根据所述绝缘稳定工况对所述电池历史数据进行特征提取,得到稳定绝缘特征;所述稳定绝缘特征包括电池在所述绝缘稳定工况下的用于预测所述电池绝缘故障的特征;
预警模块,被配置为根据所述稳定绝缘特征确定特征预警阈值,和/或,根据所述稳定绝缘特征生成绝缘预警模型;所述特征预警阈值和/或所述绝缘预警模型用于对所述电池的绝缘故障进行预警。
在一个实施例中,所述预警模块还被配置为:通过相关性系数和/或均值距离在所述稳定绝缘特征中选取关键绝缘特征;确定所述关键绝缘特征所对应的阈值,作为所述特征预警阈值。
在一个实施例中,所述预警模块还被配置为:在所述稳定绝缘特征中选取关键绝缘特征;划分所述关键绝缘特征,得到至少一个特征集合;基于各个所述特征集合进行模型训练,得到各个所述特征集合对应的同类特征预警模型;根据各个所述同类特征预警模型的输出结果,对各个所述同类特征预警模型进行融合,得到所述绝缘预警模型。
第三方面,本申请还提供了一种电池绝缘故障预警系统。所述系统包括:
电池管理端和绝缘故障预警后台;
所述电池管理端,被配置为采集车辆电池的电池数据,并将采集的所述电池数据发送至所述绝缘故障预警后台,供所述绝缘故障预警后台从所述电池数据中提取历史电池数据;
所述绝缘故障预警后台,被配置为根据所确定的绝缘稳定工况对所述电池历史数据进行特征提取,得到稳定绝缘特征;所述绝缘稳定工况包括电池的绝缘值的波动幅度处于预设范围内时的工况;所述稳定绝缘特征包括电池在所述绝缘稳定工况下的用于预测所述电池绝缘故障的特征;根据所述稳定绝缘特征确定特征预警阈值,和/或,根据所述稳定绝缘特征生成绝缘预警模型;所述特征预警阈值和/或所述绝缘预警模型用于对所述电池的绝缘故障进行预警。
第四方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
确定绝缘稳定工况,以及,获取电池历史数据;所述绝缘稳定工况包括电池的绝缘值的波动幅度处于预设范围内时的工况;
根据所述绝缘稳定工况对所述电池历史数据进行特征提取,得到稳定绝缘特征;所述稳定绝缘特征包括电池在所述绝缘稳定工况下的用于预测所述电池绝缘故障的特征;
根据所述稳定绝缘特征确定特征预警阈值,和/或,根据所述稳定绝缘特征生成绝缘预警模型;所述特征预警阈值和/或所述绝缘预警模型用于对所述电池的绝缘故障进行预警。
第五方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
确定绝缘稳定工况,以及,获取电池历史数据;所述绝缘稳定工况包括电池的绝缘值的波动幅度处于预设范围内时的工况;
根据所述绝缘稳定工况对所述电池历史数据进行特征提取,得到稳定绝缘特征;所述稳定绝缘特征包括电池在所述绝缘稳定工况下的用于预测所述电池绝缘故障的特征;
根据所述稳定绝缘特征确定特征预警阈值,和/或,根据所述稳定绝缘特征生成绝缘预警模型;所述特征预警阈值和/或所述绝缘预警模型用于对所述电池的绝缘故障进行预警。
第六方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
确定绝缘稳定工况,以及,获取电池历史数据;所述绝缘稳定工况包括电池的绝缘值的波动幅度处于预设范围内时的工况;
根据所述绝缘稳定工况对所述电池历史数据进行特征提取,得到稳定绝缘特征;所述稳定绝缘特征包括电池在所述绝缘稳定工况下的用于预测所述电池绝缘故障的特征;
根据所述稳定绝缘特征确定特征预警阈值,和/或,根据所述稳定绝缘特征生成绝缘预警模型;所述特征预警阈值和/或所述绝缘预警模型用于对所述电池的绝缘故障进行预警。
上述电池绝缘故障的预警方法、装置、系统、计算机设备、存储介质和计算机程序产品,通过确定绝缘稳定工况,并获取电池绝缘值稳定的工况下的与绝缘故障相关的特征作为稳定绝缘特征,再进一步基于稳定绝缘特征确定特征预警阈值和/或生成绝缘预警模型,从而可以基于特征预警阈值和/或绝缘预警模型进行相应的绝缘故障预警,由于在绝缘稳定工况下电池的绝缘值较为稳定,不会出现波动幅度较大的变化,基于绝缘稳定工况下的绝缘值和相关的参数来确定特征预警阈值和/或生成绝缘预警模型,可以得到能够反映绝缘故障的特征预警阈值和/或识别准确率较高的绝缘预警模型,从而,无须对电池电路进行重新设计即可实现电池绝缘故障的预警,进行绝缘预警的成本降低,而且,可以提前预测到电池的绝缘故障,有效避免了由于电池绝缘性能下降而导致的危险。
附图说明
图1为一个实施例中电池绝缘故障的预警方法的应用环境图;
图2为一个实施例中电池绝缘故障预警方法的流程示意图;
图3a为一个实施例中基于特征预警阈值进行绝缘故障预警的示意图;
图3b为一个实施例的基于绝缘预警模型进行绝缘故障预警的示意图;
图4为一个实施例中电池绝缘故障预警装置的结构框图;
图5为一个实施例中电池绝缘故障预警系统的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的电池绝缘故障的预警方法,可以应用于如图1所示的应用环境中。
其中,电池管理端102通过网络与绝缘故障预警后台104进行通信。数据存储系统可以存储绝缘故障预警后台104执行电池绝缘故障预警方法所需的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。
其中,电池管理端102可以具体为搭载有电池管理系统(Battery ManagementSystem,BMS)的终端。例如,可以是部署在新能源汽车上搭载电池管理系统的车载电池管理端。电池管理系统主要用于智能化管理及维护各个电池单元,防止电池出现过充电和过放电,延长电池的使用寿命,监控电池的状态。绝缘故障预警后台104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种电池绝缘故障预警方法,以该方法应用于图1中的绝缘故障预警后台104为例进行说明,包括以下步骤:
步骤202,确定绝缘稳定工况,以及,获取电池历史数据。
上述绝缘稳定工况包括电池的绝缘值的波动幅度处于预设范围内时的工况。例如,在某个工况下绝缘值在0-60KΩ的幅度内波动。当绝缘值在预设的范围内时波动,即电池的绝缘值趋于稳定。绝缘故障预警后台104可以结合历史数据和绝缘故障机理(例如,箱体内湿度高导致绝缘故障、绝缘胶缺陷导致绝缘故障)来确定电池绝缘值趋于稳定的工况,作为上述的绝缘稳定工况。
在一个实施例中,绝缘稳定工况可以具体包括充电开启热管理工况、放电开启热管理工况、大电流放电工况、大电流充电工况、高荷电状态(State of Charge,SOC)放电工况、充电枪插入工况、充电枪拔出工况、开路电压(Open Circuit Voltage,OCV)平台区工况中的至少一种;
其中,充电开启热管理工况可以包括充电段温度大于第一温度T1的工况;放电开启热管理工况可以包括放电段温度大于第二温度T2的工况;大电流放电工况可以包括放电电流大于第一电流I1的工况;大电流充电工况可以包括充电电流大于第二电流I2的工况;高荷电状态放电工况可以包括放电时荷电状态在第一荷电状态和第二荷电状态之间的工况;充电枪插入工况可以包括充电段的前若干帧(例如,前n帧,n>1)的工况;充电枪拔出工况包括非充电段的前若干帧的工况;开路电压平台区工况包括电池电压变化缓慢的工况。
其中,T1和T2可以为不同的温度值,也可以为相同的温度值;同样地,I1和I2可以为不同的电流值,也可以为相同的电流值;本领域技术人员可以根据实际情况而设定。
本领域技术人员可以理解的是,在实际应用中,还可以根据其他的绝缘值稳定的工况获取稳定绝缘特征,上述实施例仅用作绝缘稳定工况的具体示例,并非对具体的绝缘稳定工况进行限制。
上述的电池历史数据,可以包括电池运作时所产生的数据。例如,电池在充电状态下的温度、放电时的电流等。此外,电池管理端102可以针对电池采集电池数据,并将该电池数据上发至数据存储系统。绝缘故障预警后台104可以从数据存储系统所存储的电池数据中提取所需的数据作为上述的电池历史数据。
步骤204,根据绝缘稳定工况对电池历史数据进行特征提取,得到稳定绝缘特征;稳定绝缘特征包括电池在绝缘稳定工况下用于预测电池绝缘故障的特征。
绝缘故障预警后台104可以从电池历史数据中提取出绝缘稳定工况下的能够用于对绝缘故障进行预测的特征,作为上述的稳定绝缘特征。例如,电池历史数据中包括有多个工况及其对应的绝缘值、电压等数据,确定多个工况中的绝缘稳定工况,然后根据绝缘稳定工况所对应的数据进一步确定电压变化率、绝缘值变化率、压差等稳定绝缘特征。
在绝缘稳定工况下,电池的绝缘值较为稳定,不会出现波动幅度较大的变化,基于绝缘稳定工况下的绝缘值进行绝缘故障预警,可以提升预警准确率。
在一个实施例中,稳定绝缘特征可以具体包括绝缘值均值、绝缘值分位数、绝缘值极值、绝缘值标准差、电压变化率、绝缘值变化率、压差、温差、电流、异常帧数中的至少一种。
本领域技术人员可以理解的是,在实际应用中,还可以采用其他参数或数学统计方式获取到稳定绝缘特征,上述实施例仅用作稳定绝缘特征的具体示例,并非对具体的稳定绝缘特征进行限制。
步骤206,根据稳定绝缘特征确定特征预警阈值,和/或,根据稳定绝缘特征生成绝缘预警模型;特征预警阈值和/或绝缘预警模型用于对电池的绝缘故障进行预警。
绝缘故障预警后台104可以基于稳定绝缘特征来确定特征预警阈值,从而,在进行实时的绝缘故障预警中,可以基于电池实时数据与特征预警阈值的比较结果来实现绝缘故障预警。例如,可以根据历史数据(出现绝缘故障时某个稳定绝缘特征的数值)来设定稳定绝缘特征对应的阈值,作为上述的特征预警阈值。
此外,绝缘故障预警后台104也可以基于稳定绝缘特征来训练出绝缘预警模型,从而,在进行实时的绝缘故障预警中,可以将电池实时数据输入至绝缘预警模型,根据绝缘预警模型的输出结果来进行绝缘故障预警。
上述的电池绝缘故障预警方法中,通过确定绝缘稳定工况,并获取电池绝缘值稳定的工况下的与绝缘故障相关的特征作为稳定绝缘特征,再进一步基于稳定绝缘特征确定特征预警阈值和/或生成绝缘预警模型,从而可以基于特征预警阈值和/或绝缘预警模型进行相应的绝缘故障预警,由于在绝缘稳定工况下电池的绝缘值较为稳定,不会出现波动幅度较大的变化,基于绝缘稳定工况下的绝缘值和相关的参数来确定特征预警阈值和/或生成绝缘预警模型,可以得到能够反映绝缘故障的特征预警阈值和/或识别准确率较高的绝缘预警模型,从而,无须对电池电路进行重新设计即可实现电池绝缘故障的预警,进行绝缘预警的成本降低,而且,可以提前预测到电池的绝缘故障,有效避免了由于电池绝缘性能下降而导致的危险。
在一个实施例中,根据稳定绝缘特征确定特征预警阈值,包括:
通过相关性系数和/或均值距离在稳定绝缘特征中选取关键绝缘特征;确定关键绝缘特征所对应的阈值,作为特征预警阈值。
绝缘故障预警后台104可以通过相关性系数、均值距离等的处理方式,从多种稳定绝缘特征中,筛选出可以充分反映绝缘故障的特征,作为上述的关键绝缘特征。
以在充电开启热管理工况和充电未开启热管理工况的稳定绝缘特征中选取关键绝缘特征为例说明,首先,可以针对充电开启热管理工况,确定一定时间内(例如,一天,一个充电循环或一小时)的绝缘值并求均值,获得充电开启热管理工况和充电未开启热管理工况的绝缘值均值,作为上述的稳定绝缘特征。例如,在充电开启热管理工况下电池绝缘故障前的绝缘值均值为10000Ω,无绝缘故障的绝缘值均值为16000Ω;而在充电未开启热管理工况下,电池绝缘故障前的绝缘值均值为15000Ω,无绝缘故障的绝缘值均值为17000Ω。
充电开启热管理工况和充电未开启热管理工况的故障前后的缘值均值的差值分别为6000Ω和2000Ω,说明充电开启热管理工况下绝缘值均值特征与绝缘故障相关度更大,因此,根据均值距离选取出充电开启热管理工况的稳定绝缘特征作为关键绝缘特征。
通过对关键绝缘特征进行周期性统计(例如,以1天或30天为周期统计大电流放电工况下绝缘值25分位数),并基于统计结果确定各个关键绝缘特征所对应的阈值,作为特征预警阈值。在一种确定特征预警阈值的具体示例中,假设在充电开启热管理工况下电池无绝缘故障时的绝缘值均值为16000Ω,则从16000Ω向下循环选取候选的特征预警阈值进行测试,直至测试结果满足误报率和预警准确率达到预设值为止。在另一种确定特征预警阈值的具体示例中,可以通过单层决策树查找基尼系数变化最大的分割点,并以该分割点对应的数值作为特征预警阈值。
图3a为一个实施例中基于特征预警阈值进行绝缘故障预警的示意图。如图所示,绝缘故障预警后台可以基于如箱体内湿度较高导致绝缘等的绝缘故障机理得到大量的稳定绝缘特征,然后通过均值距离、相关性系数等数学统计方式,筛选出关键绝缘特征,并确定对应的特征预警阈值。从而,在进行预警时,绝缘故障预警后台可以根据电池实时数据与特征预警阈值的比较结果进行绝缘故障预警。
上述的绝缘故障预警方法中,通过数学处理的方式确定特征预警阈值所耗费计算资源较少且效率较高,降低了绝缘故障预警的成本。
在一个实施例中,根据稳定绝缘特征生成绝缘预警模型,包括:
在稳定绝缘特征中选取关键绝缘特征;划分关键绝缘特征,得到至少一个特征集合;基于各个特征集合进行模型训练,得到各个特征集合对应的同类特征预警模型;根据各个同类特征预警模型的输出结果,对各个同类特征预警模型进行融合,得到绝缘预警模型。
绝缘故障预警后台104可以通过相关性系数、均值距离等的处理方式,从多种稳定绝缘特征中,筛选出可以充分反映绝缘故障的特征,作为上述的关键绝缘特征。
然后,可以根据绝缘故障机理、绝缘稳定工况、特征提取的周期等分类条件,将关键绝缘特征划分成多个特征集合,并对各个特征集合进行决策树、支持向量机(supportvector machines,SVM)或其他机器学习模型训练,由此得到各个特征集合所对应的模型,作为上述的同类特征预警模型。
最后,可以基于同类特征预警模型的输出结果对多个同类特征模型进行融合,以得到最终的绝缘预警模型。本领域技术人员可以根据需要设计融合的方式,例如可以是基于投票机制的融合、线性加权融合等。
例如,按照充电段和放电段划分特征,充电段的特征集合可以包括有充电开启热管理工况、大电流充电工况、充电枪插入工况的关键绝缘特征,放电段的特征集合可以包括放电开启热管理工况、大电流放电工况、充电枪拔出工况的关键绝缘特征。采用两个特征集合分别对决策树模型进行训练,得到同类特征预警模型_充电段和同类特征预警模型_放电段,最后对同类特征预警模型_充电段和同类特征预警模型_放电段进行融合,生成最终的绝缘预警模型,例如,对同类特征预警模型_充电段和同类特征预警模型_放电段该两个模型的输出结果采用“或”判断逻辑来输出最终的预警结果。
图3b为一个实施例的基于绝缘预警模型进行绝缘故障预警的示意图。如图所示,绝缘故障预警后台可以基于如箱体内湿度较高导致绝缘等的绝缘故障机理得到大量的稳定绝缘特征,然后根据绝缘故障机理、绝缘稳定工况、特征提取的周期等分类条件,将关键绝缘特征划分成多个特征集合,并对各个特征集合分别进行模型训练,得到特征集合各自对应的预警模型,最后对各个预警模型进行融合,得到最终的绝缘预警模型。从而,在进行预警时,绝缘故障预警后台可以将电池实时数据输入至绝缘预警模型,根据绝缘预警模型的输出结果进行绝缘故障预警。
上述的绝缘故障预警方法中,通过模型训练的方式得到准确识别绝缘故障风险的绝缘预警模型,基于该绝缘预警模型进行预警,提升了绝缘故障预警的准确率。
本领域技术人员可以理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的电池绝缘故障预警方法的电池绝缘故障预警装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个电池绝缘故障预警装置实施例中的具体限定可以参见上文中对于电池绝缘故障预警方法的限定,在此不再赘述。
在一个实施例中,如图4所示,提供了一种电池绝缘故障预警装置400,包括:数据模块402、特征模块404和预警模块406,其中:
数据模块402,被配置为确定绝缘稳定工况,以及,获取电池历史数据;绝缘稳定工况包括电池的绝缘值的波动幅度处于预设范围内时的工况;
特征模块404,被配置为根据绝缘稳定工况对电池历史数据进行特征提取,得到稳定绝缘特征;稳定绝缘特征包括电池在绝缘稳定工况下的用于预测电池绝缘故障的特征;
预警模块406,被配置为根据稳定绝缘特征确定特征预警阈值,和/或,根据稳定绝缘特征生成绝缘预警模型;特征预警阈值和/或绝缘预警模型用于对电池的绝缘故障进行预警。
上述的电池绝缘故障预警装置中,通过确定绝缘稳定工况,并获取电池绝缘值稳定的工况下的与绝缘故障相关的特征作为稳定绝缘特征,再进一步基于稳定绝缘特征确定特征预警阈值和/或生成绝缘预警模型,从而可以基于特征预警阈值和/或绝缘预警模型进行相应的绝缘故障预警,由于在绝缘稳定工况下电池的绝缘值较为稳定,不会出现波动幅度较大的变化,基于绝缘稳定工况下的绝缘值和相关的参数来确定特征预警阈值和/或生成绝缘预警模型,可以得到能够反映绝缘故障的特征预警阈值和/或识别准确率较高的绝缘预警模型,从而,无须对电池电路进行重新设计即可实现电池绝缘故障的预警,进行绝缘预警的成本降低,而且,可以提前预测到电池的绝缘故障,有效避免了由于电池绝缘性能下降而导致的危险。
在一个实施例中,预警模块406还被配置为:通过相关性系数和/或均值距离在稳定绝缘特征中选取关键绝缘特征;确定关键绝缘特征所对应的阈值,作为特征预警阈值。
在一个实施例中,预警模块406还被配置为:在稳定绝缘特征中选取关键绝缘特征;划分关键绝缘特征,得到至少一个特征集合;基于各个特征集合进行模型训练,得到各个特征集合对应的同类特征预警模型;根据各个同类特征预警模型的输出结果,对各个同类特征预警模型进行融合,得到绝缘预警模型。
在一个实施例中,绝缘稳定工况,包括充电开启热管理工况、放电开启热管理工况、大电流放电工况、大电流充电工况、高荷电状态放电工况、充电枪插入工况、充电枪拔出工况、开路电压平台区工况中的至少一种。
在一个实施例中,充电开启热管理工况包括充电段温度大于第一温度的工况;放电开启热管理工况包括放电段温度大于第二温度的工况;大电流放电工况包括放电电流大于第一电流的工况;大电流充电工况包括充电电流大于第二电流的工况;高荷电状态放电工况包括放电时荷电状态在第一荷电状态和第二荷电状态之间的工况;充电枪插入工况包括充电段的前若干帧的工况;充电枪拔出工况包括非充电段的前若干帧的工况;开路电压平台区工况包括电池电压变化缓慢的工况。
在一个实施例中,稳定绝缘特征,包括绝缘值均值、绝缘值分位数、绝缘值极值、绝缘值标准差、电压变化率、绝缘值变化率、压差、温差、电流、异常帧数中的至少一种。
上述电池绝缘故障预警装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的电池绝缘故障预警方法的电池绝缘故障预警系统。该系统所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个电池绝缘故障预警系统实施例中的具体限定可以参见上文中对于电池绝缘故障预警方法的限定,在此不再赘述。
在一个实施例中,如图5所示,提供了一种电池绝缘故障预警系统500,包括:电池管理端502和绝缘故障预警后台504,其中:
电池管理端502,被配置为采集车辆电池的电池数据,并将采集的电池数据发送至绝缘故障预警后台,供绝缘故障预警后台从电池数据中提取历史电池数据;
绝缘故障预警后台504,被配置为根据所确定的绝缘稳定工况对电池历史数据进行特征提取,得到稳定绝缘特征;绝缘稳定工况包括电池的绝缘值的波动幅度处于预设范围内时的工况;稳定绝缘特征包括电池在绝缘稳定工况下的用于预测电池绝缘故障的特征;根据稳定绝缘特征确定特征预警阈值,和/或,根据稳定绝缘特征生成绝缘预警模型;特征预警阈值和/或绝缘预警模型用于对电池的绝缘故障进行预警
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储电池数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电池绝缘故障预警方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:确定绝缘稳定工况,以及,获取电池历史数据;绝缘稳定工况包括电池的绝缘值的波动幅度处于预设范围内时的工况;根据绝缘稳定工况对电池历史数据进行特征提取,得到稳定绝缘特征;稳定绝缘特征包括电池在绝缘稳定工况下的用于预测电池绝缘故障的特征;根据稳定绝缘特征确定特征预警阈值,和/或,根据稳定绝缘特征生成绝缘预警模型;特征预警阈值和/或绝缘预警模型用于对电池的绝缘故障进行预警。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:通过相关性系数和/或均值距离在稳定绝缘特征中选取关键绝缘特征;确定关键绝缘特征所对应的阈值,作为特征预警阈值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:在稳定绝缘特征中选取关键绝缘特征;划分关键绝缘特征,得到至少一个特征集合;基于各个特征集合进行模型训练,得到各个特征集合对应的同类特征预警模型;根据各个同类特征预警模型的输出结果,对各个同类特征预警模型进行融合,得到绝缘预警模型。
在一个实施例中,绝缘稳定工况,包括充电开启热管理工况、放电开启热管理工况、大电流放电工况、大电流充电工况、高荷电状态放电工况、充电枪插入工况、充电枪拔出工况、开路电压平台区工况中的至少一种。
在一个实施例中,充电开启热管理工况包括充电段温度大于第一温度的工况;放电开启热管理工况包括放电段温度大于第二温度的工况;大电流放电工况包括放电电流大于第一电流的工况;大电流充电工况包括充电电流大于第二电流的工况;高荷电状态放电工况包括放电时荷电状态在第一荷电状态和第二荷电状态之间的工况;充电枪插入工况包括充电段的前若干帧的工况;充电枪拔出工况包括非充电段的前若干帧的工况;开路电压平台区工况包括电池电压变化缓慢的工况。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:确定绝缘稳定工况,以及,获取电池历史数据;绝缘稳定工况包括电池的绝缘值的波动幅度处于预设范围内时的工况;根据绝缘稳定工况对电池历史数据进行特征提取,得到稳定绝缘特征;稳定绝缘特征包括电池在绝缘稳定工况下的用于电池预测绝缘故障的特征;根据稳定绝缘特征确定特征预警阈值,和/或,根据稳定绝缘特征生成绝缘预警模型;特征预警阈值和/或绝缘预警模型用于对电池的绝缘故障进行预警。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:通过相关性系数和/或均值距离在稳定绝缘特征中选取关键绝缘特征;确定关键绝缘特征所对应的阈值,作为特征预警阈值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:在稳定绝缘特征中选取关键绝缘特征;划分关键绝缘特征,得到至少一个特征集合;基于各个特征集合进行模型训练,得到各个特征集合对应的同类特征预警模型;根据各个同类特征预警模型的输出结果,对各个同类特征预警模型进行融合,得到绝缘预警模型。
在一个实施例中,绝缘稳定工况,包括充电开启热管理工况、放电开启热管理工况、大电流放电工况、大电流充电工况、高荷电状态放电工况、充电枪插入工况、充电枪拔出工况、开路电压平台区工况中的至少一种。
在一个实施例中,充电开启热管理工况包括充电段温度大于第一温度的工况;放电开启热管理工况包括放电段温度大于第二温度的工况;大电流放电工况包括放电电流大于第一电流的工况;大电流充电工况包括充电电流大于第二电流的工况;高荷电状态放电工况包括放电时荷电状态在第一荷电状态和第二荷电状态之间的工况;充电枪插入工况包括充电段的前若干帧的工况;充电枪拔出工况包括非充电段的前若干帧的工况;开路电压平台区工况包括电池电压变化缓慢的工况。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种电池绝缘故障的预警方法,包括:
确定绝缘稳定工况,以及,获取电池历史数据;所述绝缘稳定工况包括电池的绝缘值的波动幅度处于预设范围内时的工况;
根据所述绝缘稳定工况对所述电池历史数据进行特征提取,得到稳定绝缘特征;所述稳定绝缘特征包括电池在所述绝缘稳定工况下的用于预测所述电池绝缘故障的特征;
根据所述稳定绝缘特征确定特征预警阈值,和/或,根据所述稳定绝缘特征生成绝缘预警模型;所述特征预警阈值和/或所述绝缘预警模型用于对所述电池的绝缘故障进行预警。
2.根据权利要求1所述的方法,其特征在于,所述根据所述稳定绝缘特征确定特征预警阈值,包括:
通过相关性系数和/或均值距离在所述稳定绝缘特征中选取关键绝缘特征;
确定所述关键绝缘特征所对应的阈值,作为所述特征预警阈值。
3.根据权利要求1所述的方法,其特征在于,所述根据所述稳定绝缘特征生成绝缘预警模型,包括:
在所述稳定绝缘特征中选取关键绝缘特征;
划分所述关键绝缘特征,得到至少一个特征集合;
基于各个所述特征集合进行模型训练,得到各个所述特征集合对应的同类特征预警模型;
根据各个所述同类特征预警模型的输出结果,对各个所述同类特征预警模型进行融合,得到所述绝缘预警模型。
4.根据权利要求1所述的方法,其特征在于,所述绝缘稳定工况,包括充电开启热管理工况、放电开启热管理工况、大电流放电工况、大电流充电工况、高荷电状态放电工况、充电枪插入工况、充电枪拔出工况、开路电压平台区工况中的至少一种。
5.根据权利要求4所述的方法,其特征在于:
所述充电开启热管理工况包括充电段温度大于第一温度的工况;
所述放电开启热管理工况包括放电段温度大于第二温度的工况;
所述大电流放电工况包括放电电流大于第一电流的工况;
所述大电流充电工况包括充电电流大于第二电流的工况;
所述高荷电状态放电工况包括放电时荷电状态在第一荷电状态和第二荷电状态之间的工况;
所述充电枪插入工况包括充电段的前若干帧的工况;
所述充电枪拔出工况包括非充电段的前若干帧的工况;
所述开路电压平台区工况包括电池电压变化缓慢的工况。
6.一种电池绝缘故障预警装置,包括:
数据模块,被配置为确定绝缘稳定工况,以及,获取电池历史数据;所述绝缘稳定工况包括电池的绝缘值的波动幅度处于预设范围内时的工况;
特征模块,被配置为根据所述绝缘稳定工况对所述电池历史数据进行特征提取,得到稳定绝缘特征;所述稳定绝缘特征包括电池在所述绝缘稳定工况下的用于预测所述电池绝缘故障的特征;
预警模块,被配置为根据所述稳定绝缘特征确定特征预警阈值,和/或,根据所述稳定绝缘特征生成绝缘预警模型;所述特征预警阈值和/或所述绝缘预警模型用于对电池的绝缘故障进行预警。
7.一种电池绝缘故障预警系统,包括:
电池管理端和绝缘故障预警后台;
所述电池管理端,被配置为采集车辆电池的电池数据,并将采集的所述电池数据发送至所述绝缘故障预警后台,供所述绝缘故障预警后台从所述电池数据中提取历史电池数据;
所述绝缘故障预警后台,被配置为根据所确定的绝缘稳定工况对所述电池历史数据进行特征提取,得到稳定绝缘特征;所述绝缘稳定工况包括电池的绝缘值的波动幅度处于预设范围内时的工况;所述稳定绝缘特征包括电池在所述绝缘稳定工况下的用于预测所述电池绝缘故障的特征;根据所述稳定绝缘特征确定特征预警阈值,和/或,根据所述稳定绝缘特征生成绝缘预警模型;所述特征预警阈值和/或所述绝缘预警模型用于对所述电池的绝缘故障进行预警。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。
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,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210110117.XA CN115825790B (zh) | 2022-01-29 | 2022-01-29 | 电池绝缘故障的预警方法、装置、系统和计算机设备 |
PCT/CN2022/136584 WO2023142685A1 (zh) | 2022-01-29 | 2022-12-05 | 电池绝缘故障的预警方法、装置、系统和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210110117.XA CN115825790B (zh) | 2022-01-29 | 2022-01-29 | 电池绝缘故障的预警方法、装置、系统和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115825790A true CN115825790A (zh) | 2023-03-21 |
CN115825790B CN115825790B (zh) | 2023-10-17 |
Family
ID=85522405
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210110117.XA Active CN115825790B (zh) | 2022-01-29 | 2022-01-29 | 电池绝缘故障的预警方法、装置、系统和计算机设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115825790B (zh) |
WO (1) | WO2023142685A1 (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102385381A (zh) * | 2011-09-30 | 2012-03-21 | 中联重科股份有限公司 | 一种运行设备的故障预警提示系统 |
CN102495373A (zh) * | 2011-11-30 | 2012-06-13 | 重庆长安汽车股份有限公司 | 一种动力电池绝缘检测系统及检测方法 |
CN103605056A (zh) * | 2013-11-20 | 2014-02-26 | 奇瑞汽车股份有限公司 | 一种高压直流绝缘监测装置及电动汽车 |
CN105277787A (zh) * | 2015-09-30 | 2016-01-27 | 上海凌翼动力科技有限公司 | 电动汽车绝缘电阻故障预测方法及系统 |
CN105334434A (zh) * | 2015-10-19 | 2016-02-17 | 金龙联合汽车工业(苏州)有限公司 | 一种电动车辆绝缘监测和报警方法 |
CN206479582U (zh) * | 2017-02-28 | 2017-09-08 | 科力远混合动力技术有限公司 | 一种混合动力汽车绝缘检测电路 |
CN110534822A (zh) * | 2019-07-19 | 2019-12-03 | 贵州热缆技术有限责任公司 | 一种动力电池故障预警系统 |
CN111308376A (zh) * | 2020-02-24 | 2020-06-19 | 上海蔚来汽车有限公司 | 动力电池绝缘监测方法、系统以及装置 |
US20200313245A1 (en) * | 2017-12-18 | 2020-10-01 | Tsinghua University | Power battery pack safety prevention and control system for electric vehicle and control method |
CN113567870A (zh) * | 2021-07-07 | 2021-10-29 | 浙江绿色慧联有限公司 | 基于边缘计算的电池安全预警系统及方法 |
WO2021249269A1 (zh) * | 2020-06-08 | 2021-12-16 | 中国第一汽车股份有限公司 | 预警方法、装置、设备及存储介质 |
CN113850979A (zh) * | 2021-09-24 | 2021-12-28 | 重庆云宸新能源科技有限公司 | 一种基于ai算法的电池远程预警系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102559199B1 (ko) * | 2015-11-02 | 2023-07-25 | 삼성전자주식회사 | 배터리 관리 방법 및 배터리 관리 장치 |
US10209314B2 (en) * | 2016-11-21 | 2019-02-19 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
CN111426955B (zh) * | 2020-04-23 | 2021-06-08 | 华南理工大学 | 一种锂离子电池故障诊断方法 |
CN111381170A (zh) * | 2020-05-15 | 2020-07-07 | 上海工程技术大学 | 基于大数据的电动汽车电池包健康状态预测方法及系统 |
CN112444748A (zh) * | 2020-10-12 | 2021-03-05 | 武汉蔚来能源有限公司 | 电池异常检测方法、装置、电子设备及存储介质 |
-
2022
- 2022-01-29 CN CN202210110117.XA patent/CN115825790B/zh active Active
- 2022-12-05 WO PCT/CN2022/136584 patent/WO2023142685A1/zh unknown
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102385381A (zh) * | 2011-09-30 | 2012-03-21 | 中联重科股份有限公司 | 一种运行设备的故障预警提示系统 |
CN102495373A (zh) * | 2011-11-30 | 2012-06-13 | 重庆长安汽车股份有限公司 | 一种动力电池绝缘检测系统及检测方法 |
CN103605056A (zh) * | 2013-11-20 | 2014-02-26 | 奇瑞汽车股份有限公司 | 一种高压直流绝缘监测装置及电动汽车 |
CN105277787A (zh) * | 2015-09-30 | 2016-01-27 | 上海凌翼动力科技有限公司 | 电动汽车绝缘电阻故障预测方法及系统 |
CN105334434A (zh) * | 2015-10-19 | 2016-02-17 | 金龙联合汽车工业(苏州)有限公司 | 一种电动车辆绝缘监测和报警方法 |
CN206479582U (zh) * | 2017-02-28 | 2017-09-08 | 科力远混合动力技术有限公司 | 一种混合动力汽车绝缘检测电路 |
US20200313245A1 (en) * | 2017-12-18 | 2020-10-01 | Tsinghua University | Power battery pack safety prevention and control system for electric vehicle and control method |
CN110534822A (zh) * | 2019-07-19 | 2019-12-03 | 贵州热缆技术有限责任公司 | 一种动力电池故障预警系统 |
CN111308376A (zh) * | 2020-02-24 | 2020-06-19 | 上海蔚来汽车有限公司 | 动力电池绝缘监测方法、系统以及装置 |
WO2021249269A1 (zh) * | 2020-06-08 | 2021-12-16 | 中国第一汽车股份有限公司 | 预警方法、装置、设备及存储介质 |
CN113567870A (zh) * | 2021-07-07 | 2021-10-29 | 浙江绿色慧联有限公司 | 基于边缘计算的电池安全预警系统及方法 |
CN113850979A (zh) * | 2021-09-24 | 2021-12-28 | 重庆云宸新能源科技有限公司 | 一种基于ai算法的电池远程预警系统 |
Non-Patent Citations (1)
Title |
---|
杨坤: "电动汽车高压电故障诊断及预测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Also Published As
Publication number | Publication date |
---|---|
WO2023142685A1 (zh) | 2023-08-03 |
CN115825790B (zh) | 2023-10-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20170115355A1 (en) | Maximum capacity estimator for battery state of health and state of charge determinations | |
Kim et al. | Data-driven state of health estimation of li-ion batteries with RPT-reduced experimental data | |
CN105676138B (zh) | 一种预测电池的剩余电量的方法和系统 | |
WO2014191794A1 (en) | Cell monitoring apparatus, battery monitoring apparatus, integrated circuit and method of monitoring a rechargeable cell | |
CN113589174B (zh) | 一种锂离子动力电池系统电芯一致性预测方法及装置 | |
KR102259265B1 (ko) | 배터리 셀에 대한 충전 상태를 추정하는 방법 | |
US10838012B2 (en) | Method of diagnosing an electrical energy storage apparatus, an electronic device for use in an electrical energy storage apparatus and an electrical energy storage apparatus | |
CN113083739B (zh) | 电芯分选方法、装置以及计算机设备 | |
Li et al. | Real-time estimation of lead-acid battery parameters: A dynamic data-driven approach | |
KR20220096993A (ko) | 배터리 노화 상태 추정 방법 및 이를 수행하는 장치 | |
CN115598556A (zh) | 电动车辆的动力电池的健康状态确定方法及服务器 | |
CN115980585A (zh) | 电池故障的检测方法、装置、计算机设备和存储介质 | |
CN114895205A (zh) | 电池模型参数的获取方法、装置、计算机设备、存储介质 | |
CN115389954A (zh) | 一种电池容量的估算方法、电子设备及可读存储介质 | |
CN116794510A (zh) | 故障预测方法、装置、计算机设备和存储介质 | |
WO2023052910A1 (en) | System and method for estimating state of health and remaining useful life of a battery | |
CN113406496B (zh) | 基于模型迁移的电池容量预测方法、系统、装置及介质 | |
Renold et al. | Comprehensive Review of Machine Learning, Deep Learning, and Digital Twin Data-Driven Approaches in Battery Health Prediction of Electric Vehicles | |
CN115825790B (zh) | 电池绝缘故障的预警方法、装置、系统和计算机设备 | |
CN114970734A (zh) | 异常电池确定方法、装置、计算机设备和存储介质 | |
CN115856641A (zh) | 一种电池剩余充电时间预测方法、装置及电子设备 | |
CN113420494B (zh) | 一种超级电容贝叶斯概率融合建模方法 | |
CN116243165A (zh) | 确定电池一致性的方法、装置、计算设备及车辆 | |
CN115656834A (zh) | 一种电池容量预测方法、装置及电子设备 | |
Mu et al. | Estimation of State of Charge of Lithium‐Ion Batteries Based on Wide and Deep Neural Network Model |
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 |