CN116184209A - 一种适用于动力电池热失控的预警方法及装置 - Google Patents
一种适用于动力电池热失控的预警方法及装置 Download PDFInfo
- Publication number
- CN116184209A CN116184209A CN202211557779.8A CN202211557779A CN116184209A CN 116184209 A CN116184209 A CN 116184209A CN 202211557779 A CN202211557779 A CN 202211557779A CN 116184209 A CN116184209 A CN 116184209A
- Authority
- CN
- China
- Prior art keywords
- data
- battery
- power battery
- model
- classification
- 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]
- G01R31/367—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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本申请涉及适用于动力电池热失控的预警方法、装置、计算机设备,包括对车辆数据进行分类,得到已分类数据;构建无监督分类模型,将已分类数据导入分类网络模型中进行筛选确定故障动力电池,获取单个电池数据;构建无监督电池分析模型,将单个电池数据导入电池分析模型中进行筛选确定故障电芯;根据电化学‑热耦合模型输出的结果进行对应动力电池的热失控预警。相较于现有技术中利用有监督网络进行热失控预警的方案相比,能够更有效的对繁杂的车辆数据进行分类,提升车辆数据利用率的同时,结合电化学‑热耦合模型进行热失控预警,能够提升动力电池热失控预警的成功概率。
Description
技术领域
本申请属于电池检测领域,尤其涉及一种适用于动力电池热失控的预警方法及装置。
背景技术
当下采用动力电池的新能源汽车已经成为市场销售的主流产品,为了确保车辆足够的续航,采用大容量的动力电池是必要的技术手段。
随着动力电池容量的不断增大,动力电池本身的安全性也逐渐成为社会关注的重要问题。车辆上动力电池的核心无论是何种材料,动力电池的最大危险均是短路造成的热失控;同时由于动力电池的能量密度很高,一旦发生热失控就会导致起火甚至爆炸等重大事故,因此如何对动力电池的热失控现象进行检测及预警,已成为汽车厂商和动力电池厂商亟需解决的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够对新能源汽车内动力电池的热失控现象进行预警的种适用于动力电池热失控的预警方法及装置。通过构建无监督分类模型,对车辆数据进行分类筛选处理确定故障电芯,进而借助电化学-热耦合模型完成动力电池的热失控预警。
第一方面,本申请提供了一种适用于动力电池热失控的预警方法,所述预警方法包括:
获取安装有动力电池的样本车辆的车辆数据,按包括电极材料在内的分类条件对所述车辆数据进行分类,得到已分类数据;
构建无监督分类模型,将所述已分类数据导入所述分类网络模型中进行筛选,确定故障动力电池,获取所述故障动力电池的单个电池数据;
构建无监督电池分析模型,将所述单个电池数据导入所述电池分析模型中进行筛选,确定故障电芯;
构建对应所述故障电芯的电化学-热耦合模型,根据所述电化学-热耦合模型输出的结果进行对应动力电池的热失控预警。
在其中一个实施例中,所述获取安装有动力电池的样本车辆的车辆数据,按包括电极材料在内的分类条件对所述车辆数据进行分类,得到已分类数据,包括:
从云端平台获取安装有动力电池的样本车辆的车辆数据,对所述车辆数据进行分类得到原始数据集;
基于包括电极材料在内的分类条件对所述原始数据集进行二次分类,得到已分类数据。
在其中一个实施例中,所述基于包括电极材料在内的分类条件对所述原始数据集进行二次分类,得到已分类数据,包括:
按电极材料对所述原始数据集进行分类,分别得到对应磷酸铁锂材质的第一分类数据以及对应三元锂材质的第二分类数据;
按所述样本车辆的行驶工况对所述第一分类数据、所述第二分类数据进行二次分类,得到已分类数据。
在其中一个实施例中,所述构建无监督分类模型,将所述已分类数据导入所述分类网络模型中进行筛选,确定故障动力电池,获取所述故障动力电池的单个电池数据,包括:
构建包括编码器与解码器的无监督分类模型;
将所述已分类数据导入所述无监督分类模型中,基于所述无监督分类模型内的损失函数进行计算,确定故障动力电池;
基于所述故障动力电池的特征信息,从云端数据平台获取所述故障动力电池的单个电池数据。
在其中一个实施例中,在所述无监督分类模型中,包括:
包含第一预设数量LSTM网络的编码器;以及
包含第二预设数量LSTM网络的解码器。
在其中一个实施例中,所述将所述已分类数据导入所述无监督分类模型中,基于所述无监督分类模型内的损失函数进行计算,确定故障动力电池,包括:
将所述已分类数据导入所述分类模型中的编码器中,对所述已分类数据进行降维处理;
将所述降维处理后的数据导入所述分类模型的解码器中,对所述降维处理后的数据进行特征重构;
基于所述无监督分类模型内的损失函数对所述特征重构后的数据进行误差计算,如果得到的误差值高于预设阈值,则判定所述已分类数据对应的电池为故障动力电池。
在其中一个实施例中,所述构建无监督电池分析模型,将所述单个电池数据导入所述电池分析模型中进行筛选,确定故障电芯,包括:
构建包括编码器与解码器的无监督电池分析模型;
将所述单个电池数据导入所述无监督电池分析模型中,基于所述无监督电池分析模型内的损失函数进行计算,确定所述故障动力电池中的故障电芯。
在其中一个实施例中,所述将所述单个电池数据导入所述无监督电池分析模型中,基于所述无监督电池分析模型内的损失函数进行计算,确定所述故障动力电池中的故障电芯,包括:
将所述单个电池数据导入所述分类模型中的编码器中,对所述单个电池数据进行降维处理;
将所述降维处理后的数据导入所述分类模型的解码器中,对所述降维处理后的数据进行特征重构;
基于所述无监督分类模型内的损失函数对所述特征重构后的数据进行误差计算,如果得到的误差值高于预设阈值,则判定所述单个电池数据对应的电芯为故障电芯。
第二方面,本申请还提供了一种适用于动力电池热失控的预警装置,所述预警装置包括:
数据分类模块,用于获取安装有动力电池的样本车辆的车辆数据,按包括电极材料在内的分类条件对所述车辆数据进行分类,得到已分类数据;
数据提取模块,用于构建无监督分类模型,将所述已分类数据导入所述分类网络模型中进行筛选,确定故障动力电池,获取所述故障动力电池的单个电池数据;
数据筛选模块,用于构建无监督电池分析模型,将所述单个电池数据导入所述电池分析模型中进行筛选,确定故障电芯;
电池预警模块,用于构建对应所述故障电芯的电化学-热耦合模型,根据所述电化学-热耦合模型输出的结果进行对应动力电池的热失控预警。
第三方面,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:
获取安装有动力电池的样本车辆的车辆数据,按包括电极材料在内的分类条件对所述车辆数据进行分类,得到已分类数据;
构建无监督分类模型,将所述已分类数据导入所述分类网络模型中进行筛选,确定故障动力电池,获取所述故障动力电池的单个电池数据;
构建无监督电池分析模型,将所述单个电池数据导入所述电池分析模型中进行筛选,确定故障电芯;
构建对应所述故障电芯的电化学-热耦合模型,根据所述电化学-热耦合模型输出的结果进行对应动力电池的热失控预警。
所述计算机程序时实现所述的适用于动力电池热失控的预警方法的步骤。
第四方面,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:
获取安装有动力电池的样本车辆的车辆数据,按包括电极材料在内的分类条件对所述车辆数据进行分类,得到已分类数据;
构建无监督分类模型,将所述已分类数据导入所述分类网络模型中进行筛选,确定故障动力电池,获取所述故障动力电池的单个电池数据;
构建无监督电池分析模型,将所述单个电池数据导入所述电池分析模型中进行筛选,确定故障电芯;
构建对应所述故障电芯的电化学-热耦合模型,根据所述电化学-热耦合模型输出的结果进行对应动力电池的热失控预警。
第五方面,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:
获取安装有动力电池的样本车辆的车辆数据,按包括电极材料在内的分类条件对所述车辆数据进行分类,得到已分类数据;
构建无监督分类模型,将所述已分类数据导入所述分类网络模型中进行筛选,确定故障动力电池,获取所述故障动力电池的单个电池数据;
构建无监督电池分析模型,将所述单个电池数据导入所述电池分析模型中进行筛选,确定故障电芯;
构建对应所述故障电芯的电化学-热耦合模型,根据所述电化学-热耦合模型输出的结果进行对应动力电池的热失控预警。
上述适用于动力电池热失控的预警方法、装置、计算机设备、存储介质和计算机程序产品,利用无监督网络筛选有热失控风险的故障动力电池,继续对故障动力电池建模得到故障电芯,对故障电芯进行热失控预警。相较于现有技术中利用有监督网络进行热失控预警的方案相比,能够更有效的对繁杂的车辆数据进行分类,提升车辆数据利用率的同时,结合电化学-热耦合模型进行热失控预警,能够提升动力电池热失控预警的成功概率。
附图说明
图1为一个实施例中适用于动力电池热失控的预警方法的应用环境图;
图2为一个实施例中适用于动力电池热失控的预警方法的流程示意图;
图3为一个实施例中无监督网络结构图;
图4为另一个实施例中适用于动力电池热失控的预警装置的结构示意图;.
图5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一种适用于动力电池热失控的预警方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。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,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备。服务器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,提供了一种适用于动力电池热失控的预警方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤S20,获取安装有动力电池的样本车辆的车辆数据,按包括电极材料在内的分类条件对车辆数据进行分类,得到已分类数据。
其中,这里的车辆数据是指包括电池电压、电流、温度、SOC、绝缘电阻、内阻、烟雾浓度等数据,由于车辆数据包含类别过于庞大,不同车辆数据对最终确定故障电芯的作用又不尽相同,因此需要对车辆数据进行分类,便于后续步骤中对不同类别的数据进行针对性处理。
步骤S40,构建无监督分类模型,将已分类数据导入分类网络模型中进行筛选,确定故障动力电池,获取故障动力电池的单个电池数据。
为了有效的筛选出故障电芯,本实施例中创新性的提出构建无监督分类模型。相较于有监督类型的分类模型,采用无监督分类模型的有点在于对没有概念标记(分类)的训练样本进行学习,以发现训练样本集中的结构性知识。由于所有标记(分类)是未知的,更适合用于处理复杂类别下或具有较高岐义性的训练样本。此处构建并使用无监督分类模型能够更有效的处理数据的分类。
步骤S60,构建无监督电池分析模型,将单个电池数据导入电池分析模型中进行筛选,确定故障电芯。
同样基于前述步骤构建的无监督网络结构,本步骤中需要构建无监督电池分析模型,便于对前述步骤分类得到的单个电池数据进行再次分析处理确定故障电芯。
步骤S80,构建对应故障电芯的电化学-热耦合模型,根据电化学-热耦合模型输出的结果进行对应动力电池的热失控预警。
在确定故障电芯后,将故障电芯的相关参数导入电化学-热耦合模型中,借助该模型能够有效反映电芯化学状态变化的特征对故障电芯的发展状况进行有效预测,并根据预测结果判断是否需要进行热失控预警。
利用无监督网络筛选有热失控风险的故障动力电池,继续对故障动力电池建模得到故障电芯,对故障电芯进行热失控预警。相较于现有技术中利用有监督网络进行热失控预警的方案相比,能够更有效的对繁杂的车辆数据进行分类,提升车辆数据利用率的同时,结合电化学-热耦合模型进行热失控预警,能够提升动力电池热失控预警的成功概率。
在其中一个实施例中,获取安装有动力电池的样本车辆的车辆数据,按包括电极材料在内的分类条件对车辆数据进行分类,得到已分类数据,即步骤S20,包括:
步骤S22,从云端平台获取安装有动力电池的样本车辆的车辆数据,对车辆数据进行分类得到原始数据集;
在实施中,本实施例的目的是为了筛选出故障电芯,进而借助电化学-热耦合模型对故障电芯进行预警。而本步骤则是获取车辆数据,并对车辆数据进行分类得到用于后续步骤中导入无监督网络结构中筛选故障电芯。
虽然基于当前技术发展,尤其是新能源车辆自身已经布设有足够多的传感器可以获取车辆数据,但是考虑到车辆数据的完整性以及数据可靠性,还是优选从云端平台获取安装有动力电池的样本车辆的车辆数据。
根据车辆型号以及相关参数信息从云端平台获取到安装有动力电池的样本车辆的车辆数据后,对得到的车辆数据进行分类,得到原始数据集。
此处的分类是根据车辆数据中数据所属类别的不同进行的初次分类,类别具体包括:电池电压、电流、温度、SOC、绝缘电阻、内阻、烟雾浓度等数据。
步骤S24,基于包括电极材料在内的分类条件对原始数据集进行二次分类,得到已分类数据。
在实施中,在对车辆数据进行初次分类获取到的原始数据级后,为了后续步骤中能够借助无监督网络结构快速确定可能会发生热失控的故障电芯,此处还需要对原始数据集进行二次分类。考虑到不同电极材质存在热失控的区别较大,进行二次分类的依据就是电极材料。
具体的,基于包括电极材料在内的分类条件对原始数据集进行二次分类,得到已分类数据,即步骤S24包括:
步骤S242,按电极材料对原始数据集进行分类,分别得到对应磷酸铁锂材质的第一分类数据以及对应三元锂材质的第二分类数据;
步骤S244,按样本车辆的行驶工况对第一分类数据、第二分类数据进行二次分类,得到已分类数据。
在实施中,在新能源车辆的形式过程中,电极材料不同的动力电池在不同工况下的放电情况也不尽相同,因此本步骤中依次根据电极材料、行驶工况两个阶段对原始数据集进行分类,得到已分类数据。
在其中一个实施例中,构建无监督分类模型,将已分类数据导入分类网络模型中进行筛选,确定故障动力电池,获取故障动力电池的单个电池数据,即步骤S40,包括:
步骤S42,构建包括编码器与解码器的无监督分类模型;
步骤S44,将已分类数据导入无监督分类模型中,基于无监督分类模型内的损失函数进行计算,确定故障动力电池;
步骤S46,基于故障动力电池的特征信息,从云端数据平台获取故障动力电池的单个电池数据。
在实施中,这里构建的无监督分类模型,包含第一预设数量LSTM网络的编码器;以及包含第二预设数量LSTM网络的解码器。
LSTM(Long Short-Term Memory,长短期记忆)网络是一种时间循环神经网络。其中,编码器(autoencoder,AE)是一类在半监督学习和非监督学习中使用的人工神经网络,功能是通过将输入信息作为学习目标,对输入信息进行表征学习。本实施例所使用的无监督网络结构图详见图3。
具体的,所构建的无监督分类模型中包含的编码器,具体由n层LSTM构成,每层LSTM都由遗忘门,输入门和输出门构成。
遗忘门决定信息的过滤:
ft=σ(Wf·[ht-1,xt]+bf) 公式一;
输入门决定信息的保存:
it=σ(Wi·[ht-1,xt]+bi) 公式二;
输出门决定信息的保留状态:
ot=σ(Wo·[ht-1,xt]+bo) 公式五;
ht=ottanh(Ct) 公式六;
式中,ht-1为上一时间步隐藏状态,Wf,Wi,Wo为权重参数,bf,bi,bo为偏置参数,Ct为候选计算细胞,ft、it、ot分别为遗忘门、输入门、输出门的输出,tanh()为激活函数。
在构建无监督分类模型后,即可执行步骤S44实现基于无监督分类模型确定故障动力电池的操作,步骤S44,包括:
步骤S442,将已分类数据导入分类模型中的编码器中,对已分类数据进行降维处理;
步骤S444,将降维处理后的数据导入分类模型的解码器中,对降维处理后的数据进行特征重构;
步骤S446,基于无监督分类模型内的损失函数对特征重构后的数据进行误差计算,如果得到的误差值高于预设阈值,则判定已分类数据对应的电池为故障动力电池。
在实施中,定位可能发生热失控风险的故障动力电池时,输入无监督网络的为故障动力电池的电压、电流、温度、SOC、绝缘电阻、内阻、烟雾浓度等时序数据,将故障动力电池从所有动力电池中筛选出来。
经过编码器后,输入数据得到重构。在构建包括编码器与解码器的无监督分类模型后,进一步经过对应的损失函数进行计算,若重构后的输出数据相较于输入数据的误差大于阈值,则认为该数据对应的动力电池或单体电池具有热失控风险。
在执行步骤S442-S446确定故障动力电池后,即可根据故障动力电池的电池标签、电池序列号等特征信息向云端数据平台发送请求,定位故障动力电池具有热失控风险的单个电池数据,以便根据单个电池数据进一步确定可能会发生热失控的故障电芯。
在其中一个实施例中,构建无监督电池分析模型,将单个电池数据导入电池分析模型中进行筛选,确定故障电芯,即步骤S60,包括:
步骤S62,构建包括编码器与解码器的无监督电池分析模型;
步骤S64,将单个电池数据导入无监督电池分析模型中,基于无监督电池分析模型内的损失函数进行计算,确定故障动力电池中的故障电芯。
在实施中,这里构建的无监督分类模型与前述步骤S42的技术方案一直,此处不再赘述。
构建无监督分类模型后,即可执行步骤S64,完成故障电芯的确认操作。步骤S64,包括:
步骤S642,将单个电池数据导入分类模型中的编码器中,对单个电池数据进行降维处理;
步骤S644,将降维处理后的数据导入分类模型的解码器中,对降维处理后的数据进行特征重构;
步骤S646,基于无监督分类模型内的损失函数对特征重构后的数据进行误差计算,如果得到的误差值高于预设阈值,则判定单个电池数据对应的电芯为故障电芯。
在实施中,由于使用了相同结构的无监督网络结构,此处确定单个电池数据中可能会发生热失控的故障电芯的处理步骤与前述步骤S44基本一致,仅仅是导入无监督电池分析模型中的数据以及输出的数据上存在差异。
在筛选得到故障电芯后,即可执行步骤S80调用电化学-热耦合模型对故障电芯进行热失控预警。
锂离子电池的内部电化学特性和热特性对其性能有显著影响,但这些特性无法通过实验方法得到。将电池电化学模型与热模型结合分析电池的电化学特性以及热行为。通过电化学模型和热模型原理,建立三维电化学-三维热耦合模型。基于电化学-热耦合模型,能够确定电池在不同放电速率和环境温度下的电化学和热特性。
电化学-热耦合模型中包含诸多表达式,其中:
1)电化学模型中固相颗粒中的锂离子扩散满足如下公式:
公式七中,r表示球形颗粒半径;Cs表示锂离子浓度;Ds表示锂离子扩散系数;t表示时间。
2)电解液的锂离子扩散满足如下公式:
3)固相中的电荷守恒满足如下公式:
公式九中,is表示固相电流矢量密度;σeff表示固相有效电导率;φs表示固相活性颗粒电势。
4)液相中的电荷守恒满足如下公式:
公式十中,ie表示电解液中的电流密度矢量;κeff表示电解液中有效导电率;Rg表示理想气体常数;φe表示电解液电势。
5)颗粒表面与电解液界面的电化学反应动力学满足如下公式:
公式十一中,jn表示局部工作电流;i0表示交换电流密度;ηs表示局部表面过电位。
6)三维热模型满足电池能量守恒方程:
公式十二中,Cp表示电芯比热容;ρ表示电芯密度;Q表示电池内部电芯单元体积产热速率,Q=Qir+ire+i,Qir表示极化热,Qire表示欧姆热,Qi表示可逆热;λx、λy、λz表示不同方向的导热系数;T表示温度。
7)极化热满足:
Qir=ajnTη公式十三;
公式十三中,Sa表示电极活性颗粒表面积;jn表示局部工作电流;T表示温度;η表示电极化学反应过电位。
8)欧姆热满足:
Qire=1+2+3+4公式十四;
公式十四中,Q1表示固相电子电阻欧姆热;Q2表示电解液中离子电阻欧姆热;Q3表示集流体产热;Q4表示隔膜引起的欧姆热。
9)可逆热满足公式十五:
通过调用电化学-热耦合数学模型对动力电池进行热失控预警,基于电化学-热耦合数学模型的理论计算过程,能够得到具有热失控风险单体电池产热情况随时间的变化情况,判断导入该数学模型数据对应的单体电芯在未来是否会发生热失控,若产热超过热失控阈值,则发出预警。
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适用于动力电池热失控的预警方法的适用于动力电池热失控的预警装置。如图4所示,提供了一种适用于动力电池热失控的预警装置400,包括:数据分类模块、数据提取模块、数据筛选模块和电池预警模块,其中:
数据分类模块420,用于获取安装有动力电池的样本车辆的车辆数据,按包括电极材料在内的分类条件对所述车辆数据进行分类,得到已分类数据。
其中,这里的车辆数据是指包括电池电压、电流、温度、SOC、绝缘电阻、内阻、烟雾浓度等数据,由于车辆数据包含类别过于庞大,不同车辆数据对最终确定故障电芯的作用又不尽相同,因此需要对车辆数据进行分类,便于后续步骤中对不同类别的数据进行针对性处理。
数据提取模块440,用于构建无监督分类模型,将所述已分类数据导入所述分类网络模型中进行筛选,确定故障动力电池,获取所述故障动力电池的单个电池数据。
为了有效的筛选出故障电芯,本实施例中创新性的提出构建无监督分类模型。相较于有监督类型的分类模型,采用无监督分类模型的有点在于对没有概念标记(分类)的训练样本进行学习,以发现训练样本集中的结构性知识。由于所有标记(分类)是未知的,更适合用于处理复杂类别下或具有较高岐义性的训练样本。此处构建并使用无监督分类模型能够更有效的处理数据的分类。
数据筛选模块460,用于构建无监督电池分析模型,将所述单个电池数据导入所述电池分析模型中进行筛选,确定故障电芯。
同样基于前述步骤构建的无监督网络结构,本步骤中需要构建无监督电池分析模型,便于对前述步骤分类得到的单个电池数据进行再次分析处理确定故障电芯。
电池预警模块480,用于构建对应所述故障电芯的电化学-热耦合模型,根据所述电化学-热耦合模型输出的结果进行对应动力电池的热失控预警。
在确定故障电芯后,将故障电芯的相关参数导入电化学-热耦合模型中,借助该模型能够有效反映电芯化学状态变化的特征对故障电芯的发展状况进行有效预测,并根据预测结果判断是否需要进行热失控预警。
利用无监督网络筛选有热失控风险的故障动力电池,继续对故障动力电池建模得到故障电芯,对故障电芯进行热失控预警。相较于现有技术中利用有监督网络进行热失控预警的方案相比,能够更有效的对繁杂的车辆数据进行分类,提升车辆数据利用率的同时,结合电化学-热耦合模型进行热失控预警,能够提升动力电池热失控预警的成功概率。
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终端,其内部结构图可以如图5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、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提5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、内存储器。
该非易失性存储介质存储有操作系统和计算机程序。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。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂
窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以0实现一种适用于动力电池热失控的预警方法。该计算机设备的显示屏可以是液
晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关5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0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:
步骤S20,获取安装有动力电池的样本车辆的车辆数据,按包括电极材料在内的分类条件对所述车辆数据进行分类,得到已分类数据;
步骤S40,构建无监督分类模型,将所述已分类数据导入所述分类网络模型中进行筛选,确定故障动力电池,获取所述故障动力电池的单个电池数据;5步骤S60,构建无监督电池分析模型,将所述单个电池数据导入所述电池分析模型中进行筛选,确定故障电芯;
步骤S80,构建对应所述故障电芯的电化学-热耦合模型,根据所述电化学-热耦合模型输出的结果进行对应动力电池的热失控预警。
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:
步骤S20,获取安装有动力电池的样本车辆的车辆数据,按包括电极材料在内的分类条件对所述车辆数据进行分类,得到已分类数据;
步骤S40,构建无监督分类模型,将所述已分类数据导入所述分类网络模型中进行筛选,确定故障动力电池,获取所述故障动力电池的单个电池数据;
步骤S60,构建无监督电池分析模型,将所述单个电池数据导入所述电池分析模型中进行筛选,确定故障电芯;
步骤S80,构建对应所述故障电芯的电化学-热耦合模型,根据所述电化学-热耦合模型输出的结果进行对应动力电池的热失控预警。
在一个实施例中,提供了一种计算机程序产品,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:
步骤S20,获取安装有动力电池的样本车辆的车辆数据,按包括电极材料在内的分类条件对所述车辆数据进行分类,得到已分类数据;
步骤S40,构建无监督分类模型,将所述已分类数据导入所述分类网络模型中进行筛选,确定故障动力电池,获取所述故障动力电池的单个电池数据;
步骤S60,构建无监督电池分析模型,将所述单个电池数据导入所述电池分析模型中进行筛选,确定故障电芯;
步骤S80,构建对应所述故障电芯的电化学-热耦合模型,根据所述电化学-热耦合模型输出的结果进行对应动力电池的热失控预警。
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)
1.一种适用于动力电池热失控的预警方法,其特征在于,所述预警方法包括:
获取安装有动力电池的样本车辆的车辆数据,按包括电极材料在内的分类条件对所述车辆数据进行分类,得到已分类数据;
构建无监督分类模型,将所述已分类数据导入所述分类网络模型中进行筛选,确定故障动力电池,获取所述故障动力电池的单个电池数据;
构建无监督电池分析模型,将所述单个电池数据导入所述电池分析模型中进行筛选,确定故障电芯;
构建对应所述故障电芯的电化学-热耦合模型,根据所述电化学-热耦合模型输出的结果进行对应动力电池的热失控预警。
2.根据权利要求1所述的适用于动力电池热失控的预警方法,其特征在于,所述获取安装有动力电池的样本车辆的车辆数据,按包括电极材料在内的分类条件对所述车辆数据进行分类,得到已分类数据,包括:
从云端平台获取安装有动力电池的样本车辆的车辆数据,对所述车辆数据进行分类得到原始数据集;
基于包括电极材料在内的分类条件对所述原始数据集进行二次分类,得到已分类数据。
3.根据权利要求2所述的适用于动力电池热失控的预警方法,其特征在于,所述基于包括电极材料在内的分类条件对所述原始数据集进行二次分类,得到已分类数据,包括:
按电极材料对所述原始数据集进行分类,分别得到对应磷酸铁锂材质的第一分类数据以及对应三元锂材质的第二分类数据;
按所述样本车辆的行驶工况对所述第一分类数据、所述第二分类数据进行二次分类,得到已分类数据。
4.根据权利要求1所述的适用于动力电池热失控的预警方法,其特征在于,所述构建无监督分类模型,将所述已分类数据导入所述分类网络模型中进行筛选,确定故障动力电池,获取所述故障动力电池的单个电池数据,包括:
构建包括编码器与解码器的无监督分类模型;
将所述已分类数据导入所述无监督分类模型中,基于所述无监督分类模型内的损失函数进行计算,确定故障动力电池;
基于所述故障动力电池的特征信息,从云端数据平台获取所述故障动力电池的单个电池数据。
5.根据权利要求4所述的适用于动力电池热失控的预警方法,其特征在于,在所述无监督分类模型中,包括:
包含第一预设数量LSTM网络的编码器;以及
包含第二预设数量LSTM网络的解码器。
6.根据权利要求5所述的适用于动力电池热失控的预警方法,其特征在于,所述将所述已分类数据导入所述无监督分类模型中,基于所述无监督分类模型内的损失函数进行计算,确定故障动力电池,包括:
将所述已分类数据导入所述分类模型中的编码器中,对所述已分类数据进行降维处理;
将所述降维处理后的数据导入所述分类模型的解码器中,对所述降维处理后的数据进行特征重构;
基于所述无监督分类模型内的损失函数对所述特征重构后的数据进行误差计算,如果得到的误差值高于预设阈值,则判定所述已分类数据对应的电池为故障动力电池。
7.根据权利要求1所述的适用于动力电池热失控的预警方法,其特征在于,所述构建无监督电池分析模型,将所述单个电池数据导入所述电池分析模型中进行筛选,确定故障电芯,包括:
构建包括编码器与解码器的无监督电池分析模型;
将所述单个电池数据导入所述无监督电池分析模型中,基于所述无监督电池分析模型内的损失函数进行计算,确定所述故障动力电池中的故障电芯。
8.根据权利要求7所述的适用于动力电池热失控的预警方法,其特征在于,所述将所述单个电池数据导入所述无监督电池分析模型中,基于所述无监督电池分析模型内的损失函数进行计算,确定所述故障动力电池中的故障电芯,包括:
将所述单个电池数据导入所述分类模型中的编码器中,对所述单个电池数据进行降维处理;
将所述降维处理后的数据导入所述分类模型的解码器中,对所述降维处理后的数据进行特征重构;
基于所述无监督分类模型内的损失函数对所述特征重构后的数据进行误差计算,如果得到的误差值高于预设阈值,则判定所述单个电池数据对应的电芯为故障电芯。
9.一种适用于动力电池热失控的预警装置,其特征在于,所述预警装置包括:
数据分类模块,用于获取安装有动力电池的样本车辆的车辆数据,按包括电极材料在内的分类条件对所述车辆数据进行分类,得到已分类数据;
数据提取模块,用于构建无监督分类模型,将所述已分类数据导入所述分类网络模型中进行筛选,确定故障动力电池,获取所述故障动力电池的单个电池数据;
数据筛选模块,用于构建无监督电池分析模型,将所述单个电池数据导入所述电池分析模型中进行筛选,确定故障电芯;
电池预警模块,用于构建对应所述故障电芯的电化学-热耦合模型,根据所述电化学-热耦合模型输出的结果进行对应动力电池的热失控预警。
10.一种计算机设备,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8中任一项所述的适用于动力电池热失控的预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211557779.8A CN116184209A (zh) | 2022-12-06 | 2022-12-06 | 一种适用于动力电池热失控的预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211557779.8A CN116184209A (zh) | 2022-12-06 | 2022-12-06 | 一种适用于动力电池热失控的预警方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116184209A true CN116184209A (zh) | 2023-05-30 |
Family
ID=86437289
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211557779.8A Pending CN116184209A (zh) | 2022-12-06 | 2022-12-06 | 一种适用于动力电池热失控的预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116184209A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117192373A (zh) * | 2023-08-08 | 2023-12-08 | 浙江凌骁能源科技有限公司 | 动力电池故障分析方法、装置、计算机设备和存储介质 |
-
2022
- 2022-12-06 CN CN202211557779.8A patent/CN116184209A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117192373A (zh) * | 2023-08-08 | 2023-12-08 | 浙江凌骁能源科技有限公司 | 动力电池故障分析方法、装置、计算机设备和存储介质 |
CN117192373B (zh) * | 2023-08-08 | 2024-05-07 | 浙江凌骁能源科技有限公司 | 动力电池故障分析方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Life prediction of lithium-ion batteries based on stacked denoising autoencoders | |
Ma et al. | A novel method for state of health estimation of lithium-ion batteries based on improved LSTM and health indicators extraction | |
Fei et al. | Early prediction of battery lifetime via a machine learning based framework | |
Jiang et al. | Bayesian learning for rapid prediction of lithium-ion battery-cycling protocols | |
CN113361692B (zh) | 一种锂电池剩余寿命结合预测方法 | |
Zhou et al. | Impedance-Based diagnosis of lithium ion batteries: Identification of physical parameters using multi-output relevance vector regression | |
Li et al. | Physical-based training data collection approach for data-driven lithium-ion battery state-of-charge prediction | |
CN113255764A (zh) | 利用机器学习检测电化学储能系统故障的方法、系统和装置 | |
Cui et al. | Prognostics of lithium-ion batteries based on capacity regeneration analysis and long short-term memory network | |
Jeong et al. | Electrode design optimization of lithium secondary batteries to enhance adhesion and deformation capabilities | |
Luo et al. | A simple feature extraction method for estimating the whole life cycle state of health of lithium-ion batteries using transformer-based neural network | |
CN116184209A (zh) | 一种适用于动力电池热失控的预警方法及装置 | |
CN115840144A (zh) | 电池仿真计算方法、装置、计算机设备和存储介质 | |
Bao et al. | Hybrid deep neural network with dimension attention for state-of-health estimation of lithium-ion batteries | |
Zhang et al. | Indirect prediction of remaining useful life for lithium-ion batteries based on improved multiple kernel extreme learning machine | |
Chen et al. | Remaining useful life prediction of the lithium-ion battery based on CNN-LSTM fusion model and grey relational analysis | |
Xu et al. | A hybrid approach to predict battery health combined with attention-based transformer and online correction | |
Tian et al. | Method for predicting the remaining mileage of electric vehicles based on dimension expansion and model fusion | |
Gao et al. | A hybrid cnn-bilstm approach for remaining useful life prediction of evs lithium-ion battery | |
Li et al. | Remaining useful life prediction of lithium-ion batteries using a spatial temporal network model based on capacity self-recovery effect | |
Tarar et al. | Accurate prediction of remaining useful life for lithium-ion battery using deep neural networks with memory features | |
CN116068408B (zh) | 电池老化数据确定方法、装置、计算机设备和存储介质 | |
CN116227650B (zh) | 一种基于正交增强型局部保持投影算法的锂电池温度分布预测模型构建方法 | |
CN117031292A (zh) | 电池健康状态预测方法、装置、计算机设备和存储介质 | |
Sarmah et al. | Numerical and experimental investigation of state of health of Li-ion battery |
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 |