CN116151037B - 电池包储运空间温度预测模型构建及危险源定位方法 - Google Patents
电池包储运空间温度预测模型构建及危险源定位方法 Download PDFInfo
- Publication number
- CN116151037B CN116151037B CN202310408760.5A CN202310408760A CN116151037B CN 116151037 B CN116151037 B CN 116151037B CN 202310408760 A CN202310408760 A CN 202310408760A CN 116151037 B CN116151037 B CN 116151037B
- Authority
- CN
- China
- Prior art keywords
- temperature
- vertex angles
- temperature distribution
- temperatures
- row
- 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
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- 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
-
- 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
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Battery Mounting, Suspending (AREA)
- Secondary Cells (AREA)
Abstract
本发明实施例公开了一种电池包储运空间温度预测模型构建及危险源定位方法。其中,温度模型构建方法包括:对电池包储运空间内八个顶角的温度进行实时检测,其中,所述储运空间为长方体;当检测到任一顶角的实测温度达到设定阈值后,将各时刻八个顶角的实测温度作为样本,对基于深度学习的温度预测模型进行训练,其中,所述设定阈值为判定电池包升温的最低温度;训练好的模型用于:根据四个顶角在同一时刻的实测温度,预测所述时刻储运空间内的温度分布。本实施例通过储运空间各顶点的温度,测算整个空间内的温度分布情况。
Description
技术领域
本发明实施例涉及人工智能领域,尤其涉及一种电池包储运空间温度预测模型构建及危险源定位方法。
背景技术
在电池或新能源汽车存储和运输过程中,由于路途颠簸可能会使电池产生内部短路,造成升温、热失控等现象。这时电池只是在内部发生变化,无法通过气体泄露监测危险源,只能通过温度监测来保证电池的安全性。
现有技术中尚没有一种好的方法,能够实时监测库房或集装箱内的温度变化情况,更不能及时对发生过温危险的电池包进行定位。
发明内容
本发明实施例提供一种电池包储运空间温度预测模型构建及危险源定位方法,通过储运空间各顶点的温度对深度学习网络进行无监督训练,测算整个空间内的温度分布情况。
第一方面,本发明实施例提供了一种电池包储运空间温度预测模型构建方法,包括:
对电池包储运空间内八个顶角的温度进行实时检测,其中,所述储运空间为长方体;
当检测到任一顶角的实测温度达到设定阈值后,将各时刻八个顶角的实测温度作为样本,对基于深度学习的温度预测模型进行训练,其中,所述设定阈值为判定电池包升温的最低温度;
训练好的模型用于:根据四个顶角在同一时刻的实测温度,预测所述时刻储运空间内的温度分布;
训练过程中,先后将所述四个顶角和其余四个顶角的实测温度输入模型,各自预测温度分布,每次预测后通过约束八个顶角的预测温度与实测温度匹配,以及约束所述温度分布的空间变化均匀,来更新模型参数;
其中,所述四个顶角的选取原则为:使所述长方体每个面内均有一条对角线的两个顶角被选中,以保证模型输入与输出均能够参照每个面上的实测温度信息。
第二方面,本发明实施例提供了一种电池包储运空间温度预测模型构建方法,包括:
对电池包储运空间内八个顶角的温度进行实时检测,其中,所述储运空间为长方体;
当检测到任一顶角的实测温度达到设定阈值后,将四个顶角的实测温度输入训练好的温度预测模型,得到储运空间内的温度分布;
根据所述温度分布中温度最高的点,定位具有过温危险的电池包;
其中,所述设定阈值为判定电池包升温的最低温度,所述训练好的温度预测模型采用上述实施例所述的方法构建。
第三方面,本发明实施例还提供了一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现任一实施例所述的电池包储运空间温度预测模型构建方法,或电池包危险源定位方法。
第四方面,本发明实施例还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任一实施例所述的电池包储运空间温度预测模型构建方法,或电池包危险源定位方法。
本发明实施例在库房或集装箱等电池包储运空间内安装温度传感器阵列,对储运空间内的温度变化进行实时检测,通过实测温度对深度学习网络进行无监督训练,预测空间内的温度分布情况。训练过程中将八个顶角分为两组,先后将每组顶角输入模型得到各自的温度分布,通过约束预测结果中八个顶角的预测温度与实测温度匹配,以及约束所述温度分布的空间变化均匀,来更新模型参数。其中,两组顶角的划分原则为:使每一组的四个顶角均能覆盖长方体每个面上的一条对角线。这样使每一组顶角都能反映温度的三维空间信息;且当其中一组的实测温度作为模型输入时,另一组的实测温度能够作为模型输出的约束,与预测温度进行比对,使模型的输入和输出均能够参照传感器的实测信息,提高预测结果的准确性。
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是本发明实施例提供的一种电池包储运空间温度预测模型构建方法的流程图。
图2是本发明实施例的提供的一种传感器位置的示意图。
图3是本发明实施例的提供的一种温度分布的二维矩阵示意图。
图4是本发明实施例提供的一种电池包危险源定位方法的流程图。
图5是本发明实施例提供的一种电子设备的结构示意图。
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,下面将对本发明的技术方案进行清楚、完整的描述。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的前提下所得到的所有其它实施例,都属于本发明所保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
图1是本发明实施例提供的一种电池包储运空间温度预测模型构建方法的流程图。该方法适用于通过温度来监测储运空间内电池包安全的情况,由电子设备执行。如图1所示,该方法具体包括:
S110、对电池包储运空间内八个顶角的温度进行实时检测,其中,所述储运空间为长方体。
所述长方体储运空间包括库房、集装箱等。长方体的各条边可以相等,也可以不相等,相等时储运空间为正方体。优选的,储运空间为密闭空间。
可选的,储运空间内部每个顶角的温度通过温度传感器来检测。如图2所示,将八个传感器A、B、C、D、E、F、G和H分别安装在库房或集装箱内的八个顶角处,实时检测当前位置的温度,作为后续操作的输入数据。
S120、当检测到任一顶角的实测温度达到设定阈值后,将各时刻八个顶角的实测温度作为样本,对基于深度学习的温度预测模型进行训练,其中,所述设定阈值为判定电池包升温的最低温度。
实测温度指由温度传感器测量得到的温度。当任一顶角的实测温度大于设定阈值时,认为有电池包发生升温,这时继续监测八个顶角的实测温度,并将同一时刻八个顶角实测温度作为一个样本,用于神经网络模型的训练。结合图2,将传感器A、B、C、D、E、F、G和H获取的实测温度分别记为RA、RB、RC、RD、RE、RF、RG和RH,则将同一时刻的实测温度[RA,RB,RC,RD,RE,RF,RG,RH]作为一个样本,通过持续监测过程中得到的多个样本,对基于深度学习的温度预测模型进行无监督训练,最终使样本数据值输入训练好的模型后,模型能够输出同一时刻储运空间内的温度分布。
为了实现这一目的,本实施例在一个样本中选取四个顶角作为模型输入,训练过程中先后将所述四个顶角和其余四个顶角的实测温度输入模型,各自预测一个温度分布,每次预测后通过约束八个顶角的预测温度与实测温度匹配,以及约束所述温度分布的空间变化均匀,来更新模型参数。
进一步的,所述四个顶角的选取原则为:使长方体每个面内均有一条对角线的两个顶角被选中。这样选取可以保证:选中的四个顶角与未选中的四个顶角均能够覆盖长方体每个面上的顶角,使模型的输入、输出均能够参照每个面上的实测温度信息,保证预测结果的准确性。可选的,从长方体两个相对的面内各选一条对角线,且两条选中的对角线互不平行,由所述两条选中的对角线的顶角构成所述四个顶角。
以图2为例,从长方体ABCDEDGH的两个相对平面ABEF和CDHG内各选一条对角线AF和DG,可以看出,选中的两条对角线AF和DG互不平行,则由A、F、D和G组成所述选中的四个顶角,它们覆盖了平面ABCD中的A、D,平面ABED中的A、F,平面BDFH中的D、F,平面ACEG中的A、G,平面CDHG中的D、G,以及平面EGFH中的F、G,也就是覆盖了长方体每个面上的顶角,能够反映每个面上的温度信息。同时,未被选中的四个顶角B、C、E和H也覆盖了长方体每个面上的顶角,也能够反映每个面上温度信息。这样,将A、F、D和G的实测温度作为模型输入进行训练时,B、C、E和H的实测温度将对它们的预测温度形成约束;将B、C、E和H的实测温度作为模型输入进行训练时,A、F、D和G的实测温度将对它们的预测温度形成约束;从而使模型的输入、输出均能够参照每个面上的实测温度信息,保证预测结果的准确性。
可选的,所述温度预测模型可以采用多层(大于等于5层)卷积神经网络来提取数据特征,每层的卷积核是3×3;卷积神经网络后使用全连接层生成特定尺寸的结果。根据输入、输出数据尺寸调整输出层和输出层维度即可。
在一具体实施方式中,利用每个样本进行模型训练过程包括如下步骤:
步骤一、对当前样本中所述四个顶角(即选中的四个顶角)和其余四个顶角(即未选中的四个顶角)分别进行排序,使排序后所述四个顶角的空间位置关系与排序后所述其余四个顶角的空间位置关系相同。本申请的深度学习模型是用于模拟储电池包内部升温时储运空间内的温度扩散关系的,保证每次训练中输入数据的空间位置关系相同,是为了保证同一模型所模拟的输入、输出关系一致,促进模型收敛。
可选的,排序后所述四个顶角依次位于所述长方体在第一视角下的左上前、右下前、左下后和右上后顶角位置。参照图2,将选中的四个顶角A、F、D和G排序为A、D、G、F,则在以ABCD为正面、以ABEF为顶面的第一视角下,从长方体中心来看,A、D、G、F依次位于长方体的左上前、右下前、左下后、右上后顶角位置。
排序后所述其余四个顶角也依次位于所述长方体在第二视角下的左上前、右下前、左下后和右上后顶角位置,与选中的四个顶角之间的空间位置关系相同。参照图2,将未选中的四个顶角B、C、E和H排序为B、E、H、C,则在以ABEF为正面、以ABCD为顶面的第二视角下,从长方体中心来看,B、E、H、C依次位于长方体的左上前、右下前、左下后、右上后顶角位置。
步骤二、将排序后所述四个顶角的实测温度输入模型,得到第一温度分布。可选的,将所述长方体沿长、宽、高方向分别划分为K段,形成K+1个节点,则第一温度分布表现为(K+1)×(K+1)×(K+1)的矩阵,其中,K为大于1的自然数。在一具体实施方式中,参照图2,将选中的四个顶角A、D、G、F的实测温度以序列[RA,RD,RG,RF]的形式输入模型,得到第一温度分布矩阵MADGF。储运空间内各节点的第一预测温度以第一视角下的长方体正面ABCD和左侧面AECG的公共边AC上的节点为行索引、以正面ABCD和顶面ABEF的公共边AB上的节点为列索引、以顶面ABEF和左侧面AECG的公共边AE上的节点为排索引,排布在第一温度分布矩阵MADGF中;且第一视角下的左上前顶角A、右上前顶角B、左下前顶角C、右下前顶角D、左上后顶角E、右上后顶角F、左下后顶角G、右下后顶角H的第一预测温度分别排布于第一温度分布矩阵MADGF的第1行第1列第1排、第1行第K+1列第1排、第K+1行第1列第1排、第K+1行第K+1列第1排、第1行第1列第K+1排、第1行第K+1列第K+1排、第K+1行第1列第K+1排和第K+1行第K+1列第K+1排。图3以正面ABCD为例,给出了MADGF第1排的二维矩阵排布。
步骤三、通过约束八个顶角在所述第一温度分布中的第一预测温度与实测温度匹配,以及约束所述第一温度分布的空间变化均匀,来更新模型参数。可选的,“约束八个顶角在所述第一温度分布中的第一预测温度与实测温度匹配”通过以下方式实现:
首先,根据所述空间位置关系和排布位置关系,从所述第一温度分布中提取八个顶角的第一预测温度。参照图2和图3,可以从所述第一温度分布的矩阵MADGF中,提取MADGF(0,0,0)、MADFG(0,K,0)、MADFG(K,0,0)、MADFG(K,K,0)、MADFG(0,0,K)、MADFG(0,K,K)、MADFG(K,0,K)和MADFG(K,K,K),分别作为所述长方体在第一视角下左上前顶角A、右上前顶角B、左下前顶角C、右下前顶角D、左上后顶角E、右上后顶角F、左下后顶角G、右下后顶角H的第一预测温度。
然后,通过损失函数,约束八个顶角的第一预测温度和实测温度的差异最小。参照图2和图3,可以构建如下损失函数,将损失函数最小化作为训练目标:
L1=abs[MADGF(0,0,0)-RA]+abs[MADFG(0,K,0)-RB]+abs[MADFG(K,0,0)-RC]+abs[MADFG(K,K,0)-RD]+abs[MADFG(0,0,K)-RE]+abs[MADFG(0,K,K)-RF]+abs[MADFG(K,0,K)-RG]+abs[MADFG(K,K,K)-RH)(1)
值得一提的是,尽管在损失函数中将八个顶角的预测温度与实测温度都进行了比较,但由于选中的四个顶角的实测温度是模型输入,因此选中的四个顶角的预测温度与实测温度的差异相对比较小,在模型参数更新中所起的作用也较小;而未选中的四个顶角的预测温度与实测温度的差异相对较大,在模型参数更新中也会起到主要调整作用。
可选的,“约束所述第一温度分布的空间变化均匀”可以通过约束相邻空间位置的温度变化最小来实现。具体的,可以构建如下损失函数,将损失函数最小化作为训练目标:
(2)
基于以上,将L1和L2相加作为模型的总损失函数,即可同时约束八个顶角在所述第一温度分布中的第一预测温度与实测温度匹配,以及所述第一温度分布的空间变化均匀。
步骤四、将排序后所述其余四个顶角的实测温度输入更新后的模型,得到第二温度分布。其中,排序后所述其余四个顶角的第二预测温度在所述第二温度分布中的排布位置关系,与排序后所述四个顶角的第一预测温度在所述第一温度分布中的排布位置关系相同。
可选的,在第一温度分布表现为(K+1)×(K+1)×(K+1)的矩阵的情况下,第二温度分布也表现为(K+1)×(K+1)×(K+1)的矩阵。参照图2,将未选中的四个顶角B、E、H、C的实测温度以序列[RB,RE,RH,RC]的形式输入更新后的模型,得到第二温度分布矩阵MBEHC。其中,储运空间内各节点的第二预测温度以第二视角下的长方体正面ABEF和左侧面BDFH的公共边BF上的节点为行索引、以正面ABEF和顶面ABCD的公共边AB上的节点为列索引、以顶面ABCD和左侧边BDFH的公共边BD上的节点为排索,排布在第二温度分布矩阵MBEHC中;且第二视角下的左上前顶角B、右上前顶角A、左下前顶角F、右下前顶角E、左上后顶角D、右上后顶角C、左下后顶角H、右下后顶角G的第二预测温度分别排布于第二温度分布矩阵MBEHC的第1行第1列第1排、第1行第K+1列第1排、第K+1行第1列第1排、第K+1行第K+1列第1排、第1行第1列第K+1排、第1行第K+1列第K+1排、第K+1行第1列第K+1排和第K+1行第K+1列第K+1排。也就是说,B、D、F、H的第二预测温度在MBEHC中的排布位置关系,与A、D、G、F的第二预测温度在MADGF中的排布位置关系相同。
步骤五、通过约束八个顶角在所述第二温度分布中的第二预测温度与实测温度匹配,以及约束所述第二温度分布的空间变化均匀,来更新模型参数。参照图2和图3,可以构建如下损失函数,通过损失函数最小化来约束八个顶角在所述第二温度分布中的第二预测温度与实测温度匹配:
L3=abs[MBEHC(0,0,0)-RB]+abs[MBEHC(0,K,0)-RA]+abs[MBEHC(K,0,0)-RF]+abs[MBEHC(K,K,0)-RE]+abs[MBEHC(0,0,K)-RD]+abs[MBEHC(0,K,K)-RC]+abs[MBEHC(K,0,K)-RH]+abs[MBEHC(K,K,K)-RG)(3)
同时,构建如下损失函数,通过损失函数最小化来约束所述第二温度分布的空间变化均匀:
(4)
最后,将L3和L4相加作为模型的总损失函数,更新模型参数。
本实施例在库房或集装箱等电池包储运空间内安装温度传感器阵列,对储运空间内的温度变化进行实时检测,通过实测温度对深度学习网络进行无监督训练,预测空间内的温度分布情况。训练过程中将八个顶角分为两组,先后将每组顶角输入模型得到各自的温度分布,通过约束预测结果中八个顶角的预测温度与实测温度匹配,以及约束所述温度分布的空间变化均匀,来更新模型参数。其中,两组顶角的划分原则为:使每一组的四个顶角均能覆盖长方体每个面上的一条对角线。这样使每一组顶角都能反映温度的三维空间信息;且当其中一组的实测温度作为模型输入时,另一组的实测温度能够作为模型输出的约束,与预测温度进行比对,使模型的输入和输出均能够参照传感器的实测信息,提高预测结果的准确性。
基于上述电池包储运空间温度预测模型构建方法,本发明实施例还提供一种电池包危险源定位方法。如图4所示,该方法具体包括:
S210、对电池包储运空间内八个顶角的温度进行实时检测,其中,所述储运空间为长方体。
S220、当检测到任一顶角的实测温度达到设定阈值后,将四个顶角的实测温度输入训练好的温度预测模型,得到储运空间内的温度分布。
所述训练好的温度预测模型采用上述任一实施例所述的方法构建。其中,这里储运空间和设定阈值,与上述任一实施例中的储运空间和设定阈值可以相同,也可以不同,本实施例不作限制。
S230、根据所述温度分布中温度最高的点,定位具有过温危险的电池包。
根据预测得到的温度分布,可以推算出储运空间内任意位置的温度。其中温度最高的点多是由于电池包内部升温造成的,可以根据该点寻找到具有过温危险的电池包。
需要说明的是,本实施例基于上述任一实施例实现,具备上述任一实施例的技术效果。
图5为本发明实施例提供的一种电子设备的结构示意图,如图5所示,该设备包括处理器60、存储器61、输入装置62和输出装置63;设备中处理器60的数量可以是一个或多个,图5中以一个处理器60为例;设备中的处理器60、存储器61、输入装置62和输出装置63可以通过总线或其他方式连接,图5中以通过总线连接为例。
存储器61作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的电池包储运空间温度预测模型构建方法对应的程序指令/模块。处理器60通过运行存储在存储器61中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述的电池包储运空间温度预测模型构建方法。
存储器61可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器61可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器61可进一步包括相对于处理器60远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置62可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置63可包括显示屏等显示设备。
本发明实施例还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任一实施例的电池包储运空间温度预测模型构建方法。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案。
Claims (10)
1.一种电池包储运空间温度预测模型构建方法,其特征在于,包括:
对电池包储运空间内八个顶角的温度进行实时检测,其中,所述储运空间为长方体;
当检测到任一顶角的实测温度达到设定阈值后,将各时刻八个顶角的实测温度作为样本,对基于深度学习的温度预测模型进行训练,其中,所述设定阈值为判定电池包升温的最低温度;
训练好的模型用于:根据四个顶角在同一时刻的实测温度,预测所述时刻储运空间内的温度分布;
训练过程中,先后将所述四个顶角和其余四个顶角的实测温度输入模型,各自预测温度分布,每次预测后通过约束八个顶角的预测温度与实测温度匹配,以及约束所述温度分布的空间变化均匀,来更新模型参数;
其中,所述四个顶角的选取原则为:使所述长方体每个面内均有一条对角线的两个顶角被选中,以保证模型输入与输出均能够参照每个面上的实测温度信息。
2.根据权利要求1所述的方法,其特征在于,所述储运空间包括:库房或集装箱;
所述四个顶角的选取过程包括:从所述长方体两个相对的面内各选一条对角线,且两条选中的对角线互不平行,由所述两条选中的对角线的顶角构成所述四个顶角。
3.根据权利要求1所述的方法,其特征在于,所述先后将所述四个顶角和其余四个顶角的实测温度作为模型输入对温度分布进行预测,通过约束八个顶角的预测温度与实测温度匹配,以及约束所述温度分布的空间变化均匀,来更新模型参数,包括:
对所述四个顶角和其余四个顶角分别进行排序,使排序后所述四个顶角的空间位置关系与排序后所述其余四个顶角的空间位置关系相同;
将排序后所述四个顶角的实测温度输入模型,得到第一温度分布;通过约束八个顶角在所述第一温度分布中的第一预测温度与实测温度匹配,以及约束所述第一温度分布的空间变化均匀,来更新模型参数;
将排序后所述其余四个顶角的实测温度输入更新后的模型,得到第二温度分布;通过约束八个顶角在所述第二温度分布中的第二预测温度与实测温度匹配,以及约束所述第二温度分布的空间变化均匀,来更新模型参数;
其中,排序后所述四个顶角的第一预测温度在所述第一温度分布中的排布位置关系,与排序后所述其余四个顶角的第二预测温度在所述第二温度分布中的排布位置关系相同。
4.根据权利要求3所述的方法,其特征在于,所述约束八个顶角在所述第一温度分布中的第一预测温度与实测温度匹配,包括:
根据所述空间位置关系和排布位置关系,从所述第一温度分布中提取八个顶角的第一预测温度;
通过损失函数,约束八个顶角的第一预测温度和实测温度的差异最小。
5.根据权利要求4所述的方法,其特征在于,所述对所述四个顶角和其余四个顶角分别进行排序,使排序后所述四个顶角的空间位置关系与排序后所述其余四个顶角的空间位置关系相同,包括:
对所述四个顶角进行排序,排序后所述四个顶角依次位于所述长方体在第一视角下的左上前、右下前、左下后和右上后顶角位置;
对其余四个顶角进行排序,排序后所述其余四个顶角依次位于所述长方体在第二视角下的左上前、右下前、左下后和右上后顶角位置。
6.根据权利要求5所述的方法,其特征在于,所述长方体沿长、宽、高方向分别划分出K+1个节点,预测得到的温度分布表现为(K+1)×(K+1)×(K+1)的矩阵;各节点的第一预测温度以所述第一视角下长方体正面和左侧面的公共边节点为行索引、以正面和顶面的公共边节点为列索引、以顶面和左侧面的公共边节点为排索引,排布在所述第一温度分布的矩阵中;
所述根据所述空间位置关系和排布位置关系,从所述第一温度分布中提取八个顶角的第一预测温度,包括:
从所述第一温度分布的矩阵中,提取第1行第1列第1排、第1行第K+1列第1排、第K+1行第1列第1排、第K+1行第K+1列第1排、第1行第1列第K+1排、第1行第K+1列第K+1排、第K+1行第1列第K+1排和第K+1行第K+1列第K+1排的元素,分别作为所述长方体在第一视角下左上前、右上前、左下前、右下前、左上后、右上后、左下后、右下后顶角的第一预测温度。
7.根据权利要求1所述的方法,其特征在于,约束所述温度分布的空间变化均匀,包括:
通过损失函数,约束相邻空间位置的温度变化最小。
8.一种电池包危险源定位方法,包括:
对电池包储运空间内八个顶角的温度进行实时检测,其中,所述储运空间为长方体;
当检测到任一顶角的实测温度达到设定阈值后,将四个顶角的实测温度输入训练好的温度预测模型,得到储运空间内的温度分布;
根据所述温度分布中温度最高的点,定位具有过温危险的电池包;
其中,所述设定阈值为判定电池包升温的最低温度,所述训练好的温度预测模型采用如权利要求1-7任一所述的方法构建。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现权利要求1-7任一所述的电池包储运空间温度预测模型构建方法,或如权利要求8所述的电池包危险源定位方法。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,该程序被处理器执行时实现权利要求1-7任一所述的电池包储运空间温度预测模型构建方法,或如权利要求8所述的电池包危险源定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310408760.5A CN116151037B (zh) | 2023-04-18 | 2023-04-18 | 电池包储运空间温度预测模型构建及危险源定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310408760.5A CN116151037B (zh) | 2023-04-18 | 2023-04-18 | 电池包储运空间温度预测模型构建及危险源定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116151037A CN116151037A (zh) | 2023-05-23 |
CN116151037B true CN116151037B (zh) | 2023-08-01 |
Family
ID=86360335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310408760.5A Active CN116151037B (zh) | 2023-04-18 | 2023-04-18 | 电池包储运空间温度预测模型构建及危险源定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116151037B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101033035A (zh) * | 2006-03-10 | 2007-09-12 | 荷兰公司 | 集装箱紧固装置及系统 |
CN102679505A (zh) * | 2012-06-13 | 2012-09-19 | 重庆大学 | 房间温度控制方法 |
CN103807980A (zh) * | 2014-03-04 | 2014-05-21 | 施晓亚 | 一种预测中央空调异常的方法 |
CN206413678U (zh) * | 2016-11-24 | 2017-08-18 | 华南理工大学 | 一种香梨多温区冰温保鲜库 |
CN108344104A (zh) * | 2017-12-27 | 2018-07-31 | 青岛海尔空调器有限总公司 | 一种用于空调器的室内温度预测方法以及空调器 |
CN112307623A (zh) * | 2020-10-30 | 2021-02-02 | 蜂巢能源科技有限公司 | 电芯热失控预测方法、装置、介质、电池管理系统及车辆 |
CN113056163A (zh) * | 2019-12-27 | 2021-06-29 | 科卡姆有限公司 | 集装箱式hvac控制 |
CN114984488A (zh) * | 2022-06-21 | 2022-09-02 | 中国电力科学研究院有限公司 | 一种用于储能电池模块的自动灭火方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3177645A1 (en) * | 2021-05-11 | 2022-11-11 | Strong Force Vcn Portfolio 2019, Llc | Systems, methods, kits, and apparatuses for edge-distributed storage and querying in value chain networks |
-
2023
- 2023-04-18 CN CN202310408760.5A patent/CN116151037B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101033035A (zh) * | 2006-03-10 | 2007-09-12 | 荷兰公司 | 集装箱紧固装置及系统 |
CN102679505A (zh) * | 2012-06-13 | 2012-09-19 | 重庆大学 | 房间温度控制方法 |
CN103807980A (zh) * | 2014-03-04 | 2014-05-21 | 施晓亚 | 一种预测中央空调异常的方法 |
CN206413678U (zh) * | 2016-11-24 | 2017-08-18 | 华南理工大学 | 一种香梨多温区冰温保鲜库 |
CN108344104A (zh) * | 2017-12-27 | 2018-07-31 | 青岛海尔空调器有限总公司 | 一种用于空调器的室内温度预测方法以及空调器 |
CN113056163A (zh) * | 2019-12-27 | 2021-06-29 | 科卡姆有限公司 | 集装箱式hvac控制 |
CN112307623A (zh) * | 2020-10-30 | 2021-02-02 | 蜂巢能源科技有限公司 | 电芯热失控预测方法、装置、介质、电池管理系统及车辆 |
CN114984488A (zh) * | 2022-06-21 | 2022-09-02 | 中国电力科学研究院有限公司 | 一种用于储能电池模块的自动灭火方法及系统 |
Non-Patent Citations (1)
Title |
---|
Fast Thermal Runaway Detection for Lithium-Ion Cells in Large Scale Traction Batteries;Sascha Koch 等;《Batteries》;第1-11页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116151037A (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dornhege et al. | A frontier-void-based approach for autonomous exploration in 3d | |
Hifi et al. | A literature review on circle and sphere packing problems: Models and methodologies | |
CN110825884B (zh) | 基于人工智能的嵌入表示处理方法、装置及电子设备 | |
CN108871353A (zh) | 路网地图生成方法、系统、设备及存储介质 | |
CN109145489B (zh) | 一种基于概率图的障碍物分布仿真方法、装置以及终端 | |
CN109801335A (zh) | 图像处理方法、装置、电子设备和计算机存储介质 | |
Craparo et al. | Sensor placement in active multistatic sonar networks | |
WO2020189242A1 (ja) | 情報処理装置、情報処理方法及びプログラム | |
GB2534903A (en) | Method and apparatus for processing signal data | |
CN112214677A (zh) | 一种兴趣点推荐方法、装置、电子设备及存储介质 | |
CN115222044A (zh) | 模型训练方法、图数据处理方法、装置、设备及存储介质 | |
CN113506293B (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN116151037B (zh) | 电池包储运空间温度预测模型构建及危险源定位方法 | |
Ateş et al. | Area‐priority‐based sensor deployment optimisation with priority estimation using K‐means | |
CN107995630B (zh) | 一种无线网络覆盖的信号数据计算方法及装置 | |
KR20220088946A (ko) | 방사 예측 처리 방법, 스택 일반화 모델 훈련 방법 및 장치 | |
Skøien et al. | A Model Web approach to modelling climate change in biomes of Important Bird Areas | |
CN115830578A (zh) | 应用于目标无人车辆的物品巡检方法、装置和电子设备 | |
CN115908318A (zh) | 电力线弧垂确定方法、装置、设备、介质和产品 | |
CN116154332B (zh) | 一种电池包泄露源定位方法、设备及介质 | |
CN115760908A (zh) | 基于胶囊网络感知特征的绝缘子跟踪方法和装置 | |
CN115221389A (zh) | 一种跨模态检索模型的训练方法、装置、设备及存储介质 | |
CN111524108B (zh) | 一种变电站设备检测方法及设备 | |
CN114972931A (zh) | 一种基于知识蒸馏的货物存放方法及装置 | |
CN114414090A (zh) | 基于遥感影像和多层感知的地表温度预测方法及系统 |
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 |