CN116449224A - 一种电池异常发热判断方法及系统 - Google Patents
一种电池异常发热判断方法及系统 Download PDFInfo
- Publication number
- CN116449224A CN116449224A CN202310183644.8A CN202310183644A CN116449224A CN 116449224 A CN116449224 A CN 116449224A CN 202310183644 A CN202310183644 A CN 202310183644A CN 116449224 A CN116449224 A CN 116449224A
- Authority
- CN
- China
- Prior art keywords
- battery
- heating
- value
- operation data
- matrix
- 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
- 238000010438 heat treatment Methods 0.000 title claims abstract description 135
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 55
- 238000012546 transfer Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000003062 neural network model Methods 0.000 claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 68
- 230000020169 heat generation Effects 0.000 claims description 67
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 17
- 230000007613 environmental effect Effects 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000011176 pooling Methods 0.000 claims description 4
- 238000004146 energy storage Methods 0.000 abstract description 44
- 210000004027 cell Anatomy 0.000 description 29
- 238000004891 communication Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 13
- 238000005259 measurement Methods 0.000 description 9
- 238000003745 diagnosis Methods 0.000 description 8
- 238000000513 principal component analysis Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000000872 buffer Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008033 biological extinction Effects 0.000 description 3
- 210000003850 cellular structure Anatomy 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000017525 heat dissipation Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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]
- G01R31/374—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with means for correcting the measurement for temperature or ageing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K17/00—Measuring quantity of heat
- G01K17/06—Measuring quantity of heat conveyed by flowing media, e.g. in heating systems e.g. the quantity of heat in a transporting medium, delivered to or consumed in an expenditure device
- G01K17/08—Measuring quantity of heat conveyed by flowing media, e.g. in heating systems e.g. the quantity of heat in a transporting medium, delivered to or consumed in an expenditure device based upon measurement of temperature difference or of a temperature
-
- 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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- 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
- 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
-
- 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)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Combustion & Propulsion (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Chemical & Material Sciences (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了的一种电池异常发热判断方法及系统，通过电池发热模型预测待测电池的电池发热量预测值，根据待测电池的环境温度以及电池热传递系数，计算得到待测电池的电池发热量测量值，进而判断待测电池是否异常发热，电池发热模型根据历史电池运行数据作为训练数据进行训练，结合了长短记忆神经网络模型与卷积神经网络模型，以提取预测量的时间和空间特征，以实现对真实世界储能电站电池的精确、超前温度预测，实现了电池储能系统温度预警的在线运行，可以进一步提高电池储能系统早期热失控预警能力。
Description
技术领域
本申请涉及电池储能系统智能故障诊断技术领域，具体涉及一种电池异常发热判断方法及系统。
背景技术
电池储能是实现新能源替代，达到双碳目标的重要手段之一。锂离子电池由于其较高的能量和功率密度、较长的循环寿命和更低的成本目前被广泛应用于电池储能电站。许多电池单体以串联和/或并联连接，以满足电压和容量要求。由于储能电站电池规模庞大，因此，电池系统安全至关重要。电池系统故障包括内部和外部短路、过度充电放电、过热等，最终可能导致电池热失控。传统的电池管理系统可以不断地监测电池系统的外部参数，并基于特定规则检测故障发生。但是，当监测的参数在预设的安全范围内时，很难预测潜在的热失控。通常，在热失控发生之前，电池内部会异常发热，因此可以使用基于温度的方法来诊断热失控。
基于温度的诊断方法仅在严重故障发生后有效，因此不能早期预测，仍然无法达到热失控提前预警的作用。虽然目前存在一些神经网络模型可以对热失控进行预测，然而这些方法仅能在明确定义的实验室条件下进行预测，在电池复杂运行工况下实用性较低。
发明内容
为了实现对真实世界储能电站电池的精确、超前温度预测，进一步提高电池储能系统早期热失控预警能力。
第一方面，本申请提供一种电池异常发热判断方法，包括：
将待测电池运行数据输入至电池发热模型，所述电池发热模型输出所述待测电池的所述电池发热量预测值，所述电池发热模型基于长短记忆神经网络模型与卷积神经网络模型建立，并采用历史电池运行数据作为训练数据训练得到；
根据所述待测电池的环境温度以及电池热传递系数，得到所述待测电池的电池发热量测量值；
根据所述电池发热量预测值以及所述电池发热量测量值，判断所述待测电池是否异常发热。
优选地，所述电池发热模型训练步骤包括：
对所述历史电池运行数据进行预处理，得到模型训练数据；
将所述模型训练数据以及对应的历史电池发热量输入至一预设的神经网络模型，得到所述电池发热模型，其中，所述神经网络模型包括：一个输入层、两个卷积层、两个池化层、三个LSTM递归隐藏层、两个tanh激活隐藏层以及一个输出层。
优选地，所述根据所述待测电池的环境温度以及电池热传递系数，得到所述待测电池的电池发热量测量值，包括：
根据所述环境温度，得到所述待测电池的实际温度；
根据所述环境温度、所述实际温度以及所述以及电池热传递系数，得到所述待测电池的电池发热量测量值。
优选地，所述根据所述电池发热量预测值以及所述电池发热量测量值，判断所述待测电池是否异常发热，包括：
根据所述电池发热量预测值以及所述电池发热量测量值，得到所述待测电池发热量残差；
若所述发热量残差达到设定阈值，则判断所述待测电池异常发热。
优选地，所述电池异常发热判断方法还包括：
对所述待测电池运行数据进行预处理。
优选地，所述对所述待测电池运行数据进行预处理，包括：
对所述待测电池运行数据进行归一化处理，得到电池运行数据矩阵；
对所述电池运行数据矩阵进行分解处理，得到处理后的待测电池运行数据。
优选地所述对所述电池运行数据矩阵进行分解处理，得到处理后的待测电池运行数据，包括：
对所述电池运行数据矩阵进行处理，得到所述电池运行数据矩阵的协方差矩阵；
对所述协方差矩阵进行奇异值分解，得到第一矩阵和第二矩阵，所述第一矩阵为载荷矩阵；
根据所述第一矩阵，对所述电池运行数据矩阵进行投影分解，得到目标矩阵和非目标矩阵，所述目标矩阵中包含处理后的待测电池运行数据。
第二方面，本申请提供一种电池异常发热判断系统，包括：
发热量预测模块：将待测电池运行数据输入至电池发热模型，所述电池发热模型输出所述待测电池的所述电池发热量预测值，所述电池发热模型基于长短记忆神经网络模型与卷积神经网络模型建立，并采用历史电池运行数据作为训练数据训练得到；
发热量测量模块：根据所述待测电池的环境温度以及电池热传递系数，得到所述待测电池的电池发热量测量值；
发热判断模块：根据所述电池发热量预测值以及所述电池发热量测量值，判断所述待测电池是否异常发热。
同时，本发明还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，处理器执行计算机程序时实现上述方法。
同时，本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有执行上述方法的计算机程序。
由上述技术方案可知，本申请提供的一种电池异常发热判断方法及系统，通过电池发热模型预测待测电池的电池发热量预测值，根据待测电池的环境温度以及电池热传递系数，计算得到待测电池的电池发热量测量值，进而判断待测电池是否异常发热，电池发热模型根据历史电池运行数据作为训练数据进行训练，结合了长短记忆神经网络模型与卷积神经网络模型，以提取预测量的时间和空间特征，以实现对真实世界储能电站电池的精确、超前温度预测，实现了电池储能系统温度预警的在线运行，可以进一步提高电池储能系统早期热失控预警能力。
为让本发明的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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为本申请实施例中的一种电池异常发热判断方法的流程示意图。
图2a为本申请实施例中的原LSTM细胞结构示意图。
图2b为本申请实施例中的改进LSTM细胞结构示意图。
图3为本申请实施例中的电池发热模型架构示意图。
图4为本申请实施例中的电池发热模型在线计算的滑动窗口示意图。
图5为本申请实施例中的一种电池异常发热判断系统结构示意图。
图6为本申请实施例中的电池异常发热判断系统策略架示意图。
图7为申请实施例中的电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
基于温度的诊断方法仅在严重故障发生后有效，因此不能早期预测，仍然无法达到热失控提前预警的作用。虽然目前存在一些神经网络模型可以对热失控进行预测，然而这些方法仅能在明确定义的实验室条件下进行预测，在电池复杂运行工况下实用性较低，本申请提供一种电池异常发热判断方法、系统、电子设备和计算机可读存储介质，该方法首先训练改进的LSTM-CNN模型；其次对数据进行预处理并采用PCA进行数据降维；然后将降维数据输入训练好的电池发热模型(LSTM-CNN模型)预测温度；最后计算发热率HGR并进行AHG诊断。本发明专利实现了电池储能系统温度预警的在线运行，可以进一步提高电池储能系统早期热失控预警能力。
基于上述内容，本申请还提供一种用于实现本申请一个或多个实施例中提供的电池异常发热判断方法的电池异常发热判断装置，该电池异常发热判断装置可以与用户客户端设备之间通信连接，所述用户客户终端设备可以设有多个，电池异常发热判断装置具体可以通过应用服务器访问所述客户终端设备。
其中，所述电池异常发热判断装置可以自客户终端设备接收电池当前运行数据、电池热传递系数以及电池环境温度，并调用电池发热模型，将电池当前运行数据作为电池发热模型的输入，电池发热模型输出待测电池的电池发热量预测值，所述电池异常发热判断装置根据电池热传递系数以及电池环境温度计算得到待测电池的电池发热量测量值，并根据电池发热量的预测值和测量值的残差是否达到设定阈值，判断待测电池是否异常发热，而后，所述电池异常发热判断装置可以将待测电池诊断结果发送至客户端设备进行显示，以使用户根据客户端设备根据诊断结果对待测电池进行修正。
可以理解的是，所述客户端设备可以包括智能手机、平板电子设备、便携式计算机、台式电脑以及个人数字助理(PDA)等。
在另一实际应用情形中，进行电池异常发热判断的部分可以在如上述内容所述的分类处理中心执行，也可以所有的操作都在所述客户端设备中完成。具体可以根据所述客户端设备的处理能力，以及用户使用场景的限制等进行选择。本申请对此不作限定。若所有的操作都在所述客户端设备中完成，所述客户端设备还可以包括处理器，用于进行电池异常发热判断的具体处理。
上述的客户端设备可以具有通信模块(即通信单元)，可以与远程的服务器进行通信连接，实现与所述服务器的数据传输。例如，通信单元可以将电池异常发热判断指令发送至分类处理中心的服务器，以便服务器根据电池异常发热判断指令进行电池异常发热判断处理。通信单元还可以接收服务器返回的电池异常发热判断结果。所述服务器可以包括任务调度中心一侧的服务器，其他的实施场景中也可以包括中间平台的服务器，例如与任务调度中心服务器有通信链接的第三方服务器平台的服务器。所述的服务器可以包括单台计算机设备，也可以包括多个服务器组成的服务器集群，或者分布式装置的服务器结构。
上述服务器与所述客户端设备之间可以使用任何合适的网络协议进行通信，包括在本申请提交日尚未开发出的网络协议。所述网络协议例如可以包括TCP/IP协议、UDP/IP协议、HTTP协议、HTTPS协议等。当然，所述网络协议例如还可以包括在上述协议之上使用的RPC协议(Remote Procedure Call Protocol，远程过程调用协议)、REST协议(Representational State Transfer，表述性状态转移协议)等。
本申请提供的一种电池异常发热判断方法、系统、电子设备和计算机可读存储介质，通过电池发热模型预测待测电池的电池发热量预测值，根据待测电池的环境温度以及电池热传递系数，计算得到待测电池的电池发热量测量值，进而判断待测电池是否异常发热，电池发热模型根据历史电池运行数据作为训练数据进行训练，结合了长短记忆神经网络模型与卷积神经网络模型，以提取预测量的时间和空间特征，以实现对真实世界储能电站电池的精确、超前温度预测，实现了电池储能系统温度预警的在线运行，可以进一步提高电池储能系统早期热失控预警能力
具体通过下述多个实施例及应用实例分别进行说明。
为了实现对真实世界储能电站电池的精确、超前温度预测，进一步提高电池储能系统早期热失控预警能力，本申请提供一种电池异常发热判断方法的实施例，参见图1，所述电池异常发热判断方法具体包括有如下内容：
步骤100：待测电池运行数据输入至电池发热模型，所述电池发热模型输出所述待测电池的所述电池发热量预测值，所述电池发热模型基于长短记忆神经网络模型与卷积神经网络模型建立，并采用历史电池运行数据作为训练数据训练得到；
可以理解的是长短记忆神经网络模型(LSTM)和卷积神经网络模型(CNN)通常用于处理空间和时间特征。在本发明中，将两者结合起来，采用LSTM提取储能电池的时间特征，采用CNN提取储能电池的空间特征，用于精确的预测电池温度。
LSTM的细胞结构如图2a所示，其中xt、ct和ht分别是第t时刻的输入、状态和输出。与递归神经网络相比，LSTM的细胞中增加了三个门：遗忘门ft、输入门it和输出门ot。因此，LSTM可以更好地处理梯度消失/爆炸的问题，并且适合于长短期时间序列数据预测。
若LSTM细胞状态为三个门的输入，则可以保留细胞的重要状态。在本发明中，将第t-1时刻的细胞状态ct-1也用作LSTM三个门的输入以更好的保留重要状态，如图2b所示。
改进后的LSTM可以表示为：
ft＝σ(Wf×[ct-1，ht-1，xt]×+bf) (3)
it＝σ(Wi×[ct-1，ht-1，xt]+bi) (4)
g2＝tanh(Wc×[ct-1，ht-1，xt]+bc) (5)
ct＝ft×ct-1+it×g2 (6)
ot＝σ(Wo×[ct-1，ht-1，xt]+bo) (7)
yt＝ht＝ot×tanh(ct) (8)
其中Wf、Wi、Wo和Wc分别是遗忘门、输入门、输出门和输入单元的权重矩阵；bf、bi、bo和bc是遗忘门、输入门、输出门和输入单元的偏置量。
步骤200：根据所述待测电池的环境温度以及电池热传递系数，得到所述待测电池的电池发热量测量值；
可以理解的是，电池热传递系数包括如下系数：λbat和Acond，bat是相邻电池之间的传导传热系数和热交换面积；λsink和Acond，sink是电池和散热器之间的传导传热系数和热交换面积；δ为厚度；使用本地温度代替电池环境温度，通过本地温度以及上述电池热传递系数可以计算得到电池发热量测量值。
步骤300：根据所述电池发热量预测值以及所述电池发热量测量值，判断所述待测电池是否异常发热。
在本实施例中，电池发热模型通过电池当前运行数据输出电池发热量预测值，通过电池发热量预测值和电池发热量测量值的残差是否达到设定阈值，来判断电池是否异常发热。
从上述描述可知，本申请实施例提供的一种电池异常发热判断方法，通过电池发热模型预测待测电池的电池发热量预测值，根据待测电池的环境温度以及电池热传递系数，计算得到待测电池的电池发热量测量值，进而判断待测电池是否异常发热电池发热模型根据历史电池运行数据作为训练数据进行训练，结合了长短记忆神经网络模型与卷积神经网络模型，以提取预测量的时间和空间特征，以实现对真实世界储能电站电池的精确、超前温度预测，实现了电池储能系统温度预警的在线运行，可以进一步提高电池储能系统早期热失控预警能力。
在本申请提供的一种电池异常发热判断方法的一个实施例中，所述电池发热模型训练步骤包括：
对所述历史电池运行数据进行预处理，得到模型训练数据；
将所述模型训练数据以及对应的历史电池发热量输入至一预设的神经网络模型，得到所述电池发热模型，其中，所述神经网络模型包括：一个输入层、两个卷积层、两个池化层、三个LSTM递归隐藏层、两个tanh激活隐藏层以及一个输出层。
在本实施例中，在正常充电和放电操作期间，总发热包括可逆和不可逆发热。当电流通过电池单体时，不可逆的发热主要来源于焦耳效应，而可逆的发热则主要来源于电池内部极化。电池与环境之间的热交换通过传导、对流和辐射进行。温度仅随着电池单体内的蓄热而升高。正常运行下的发热可以用伯纳迪方程来描述，该方程表示为：
其中V、Uoc、U、T、R和I分别是体积、开路电压、端子电压、温度、内部阻抗和充电电流。
可以看出，电池温度取决于电气参数，包括内部阻抗、充电电流和开路电压。因此建立电热耦合模型具有必要性。在日常储能电站运行中，电池单体内的时变和随机潜在缺陷使热失控具有随意性，并表现出各种不同的特征。因此建立统一的发热模型极其困难。为了解决这个问题，本发明以基于改进的LSTM-CNN模型的温度预测来计算电池发热。
将改进的LSTM与CNN融合，融合后的电池发热模型(LSTM-CNN)架构如图3所示。改进后的电池发热模型(LSTM-CNN)模型包括11个层：一个输入层；具有relu激活的两个卷积层；两个池化层；三个LSTM递归隐藏层；具有tanh激活功能的两个隐藏层；和一个输出层。将历史储能电站电池运行数据输入到改进的电池发热模型(LSTM-CNN)M模型中进行训练。训练后的电池发热模型(LSTM-CNN)模型可以用于实时预测。
该预测模型由以下公式给出：
其中n和k分别表示特征参数的总数和采样时间长度；Tt,q(t＝1，2，…，k)和Ft,j(t＝2，……，k；j＝1，1，2…，n)表示电池单体q的温度和时间第t时刻的第j个特征参数。
预测模型的输出由下式给出：
其中p是预测窗口的长度。
在本申请提供的一种电池异常发热判断方法的一个实施例中，所述根据所述待测电池的环境温度以及电池热传递系数，得到所述待测电池的电池发热量测量值，包括：
根据所述环境温度，得到所述待测电池的实际温度；
根据所述环境温度、所述实际温度以及所述以及电池热传递系数，得到所述待测电池的电池发热量测量值。
在本实施例中，根据能量守恒定律，电池的热平衡方程由下式给出：
Qge＝Qab+Qdis (10)
其中Qge和Qab是电池发热和吸收率，Qdis是电池与环境之间的散热率。由于在实际储能电站电池运行中很难针对不同场景统一描述Qge，因此式(10)右侧使用实时电池温度测量来计算Qge。
吸热率Qab可通过以下公式计算：
其中Cq是比热；mq是电池质量，ΔTq是采样间隔Δt期间的温差。
对于散热率Qdis，有两种主要的传热方式，包括热传导率Qcond和热对流率Qconv，由下式给出：
Qdis＝Qcond+Qconv (12)
电池表面和环境之间的散热率可以使用牛顿公式计算，公式如下：
Qconv＝αAconv(Tq-Tambient) (13)
其中α为对流传热系数；Aconv是电池表面与环境之间的热交换面积；Tq和Tambient是电池和环境温度。
相邻电池和散热器之间的热传递可以使用傅里叶定律计算，该定律由下式给出：
其中λbat和Acond,bat是相邻电池之间的传导传热系数和热交换面积；λsink和Acond,sink是电池和散热器之间的传导传热系数和热交换面积；δ为厚度；Tsink是散热器的温度。
在正常运行状态下，由于存在测量噪声和单体不一致性，计算的HGR将与正常HGR略有不同。
电池表面和环境之间有多个固体和气体层。根据牛顿公式和傅里叶定律，电池表面和环境之间的传热速率可以用以下公式描述：
其中Tweather是当地温度；X和Y是固体和气体层的数量。
因此，对于稳态传热，局部温度和电池环境温度之间的关系可以用以下公式描述：
Tambient＝Tweather+D (17)
其中D是由下式计算出的常数：
在本申请提供的一种电池异常发热判断方法的一个实施例中，所述根据所述电池发热量预测值以及所述电池发热量测量值，判断所述待测电池是否异常发热，包括：
根据所述电池发热量预测值以及所述电池发热量测量值，得到所述待测电池发热量残差；
若所述发热量残差达到设定阈值，则判断所述待测电池异常发热。
在本实施例中，将测量信号与模型输出的信号相减来计算残差信号，评估残差以确定诊断结果。如果真实世界的HGR与正常运行之间的残差超过某个值，则可以推断相关电池发生或导致热失控的异常反应。
使用本地温度代替电池环境温度，AHG故障判断规则可由以下公式给出：A接触面积，
ΔQge＝(Q′ge,normal-Qge,normal)>G+αAconvC＝M (19)
其中，Q′ge,normal是基于真实世界运行数据计算的发热量；Qge,normall是仿真环境下先前计算的正常条件下的正常发热量；ΔQge是残差；M是基于正常电池数据统计而获得的常数。为了避免温度预测不准确导致的HGR波动，使用Savitzky–Golay滤波器对数据进行滤波。当残差ΔQge是残差大于M时，电池此时异常发热。
在本申请提供的一种电池异常发热判断方法的一个实施例中，所述电池异常发热判断方法还包括：
对所述待测电池运行数据进行预处理。
在本实施例中，实际操作数据需要进行预处理。其中包括数据解析、空值填充、异常值校正和数据过滤。
影响电池温度的因素较多，如电流、充放电倍率、电池老化状态、天气等等。如果这些因素都用作修改后的电池发热模型(LSTM-CNN)模型的输入，将增加计算负担或导致过拟合问题。为了解决这个问题，采用主成分分析(PCA)法降低信息维度，同时保留大部分信息。
在本申请提供的一种电池异常发热判断方法的一个实施例中，所述对所述待测电池运行数据进行预处理，包括：
对所述待测电池运行数据进行归一化处理，得到电池运行数据矩阵；
对所述电池运行数据矩阵进行分解处理，得到处理后的待测电池运行数据。
在本实施例中，将电池运行数据组合成电池运行数据矩阵Z，矩阵Z∈RN×m的变量数为m，每个变量的样本数为N。对数据矩阵进行归一化处理，使得每个变量的样本均值为0，然后对矩阵Z机进行处理得到处理后的待测电池运行数据。
在本申请提供的一种电池异常发热判断方法的一个实施例中，所述对所述电池运行数据矩阵进行分解处理，得到处理后的待测电池运行数据，包括：
对所述电池运行数据矩阵进行处理，得到所述电池运行数据矩阵的协方差矩阵；
对所述协方差矩阵进行奇异值分解，得到第一矩阵和第二矩阵，所述第一矩阵为载荷矩阵；
根据所述第一矩阵，对所述电池运行数据矩阵进行投影分解，得到目标矩阵和非目标矩阵，所述目标矩阵中包含处理后的待测电池运行数据。
在本实施例中，首先计算归一化数据的协方差矩阵CZ：
对式(a)所求协方差矩阵进行奇异值分解(Singular Value Decomposition，SVD)，如下所示：
CZ＝U∑V* (b)
式中，U,∑,∈Rm×m；矩阵U和V为酉矩阵；上标*表示矩阵的转置共轭矩阵。由于CZ对称且正定，因此P＝U＝V*，∧＝∑，CZ又可写作：
CZ＝P∧PT (c)
式中，∧为对角矩阵，对角数值为按降序排序的协方差矩阵的特征值，表示如下：
∧＝diag(λ1，...，λm) (d)
矩阵P的列为协方差矩阵的特征向量，根据信息处理量来排序。通过选择P的前γ个特征向量，即可获得变换后数据的主成分(Principal Component，PC)。P的投影矩阵表示为Ppc∈Rm×γ，对应∧pc∈Rγ×γ中的γ个最大主特征值。协方差矩阵的剩余成分为剩余m-γ个特征向量和特征值，分别表示为Pres∈Rm×(m-γ)和∧res∈R(m-γ)×(m-γ)。因此，协方差矩阵又可写作：
式中，Ppc和Pres是载荷矩阵，将测量数据的空间转换为降维空间。PCA将数据矩阵Z投影到两个正交子空间，即PC子空间和剩余成分子空间，分别表示为Spc＝span{Ppc}和Sres＝span{Pres}。考虑到两个子空间的正交性，在Spc和Sres的投影可表示为：
式中：
数据矩阵Z可以进一步分解为：
式中，T为得分矩阵。由于SVD，T的列彼此正交。得分矩阵表示投影的原始数据，其中Tpc包含主要测量信息，而Tres包含数据的剩余信息。通过选择PC的数量γ，可以降低需要处理数据的维度。γ可通过累积方差百分比(Cumulative Variance Percentage，CVP)法获得。
在具体的实施方式中，为了实现在线温度预测，需要在输入新数据样本时及时预测电池温度。应用滑动窗口向修改的LSTM-CNNM提供迭代更新的数据，如图4所示。
第二方面，为了实现对真实世界储能电站电池的精确、超前温度预测，进一步提高电池储能系统早期热失控预警能力，本申请提供一种电池异常发热判断系统的实施例，参见图5，所述电池异常发热判断系统具体包含有如下内容：
发热量预测模块01：将待测电池运行数据输入至电池发热模型，所述电池发热模型输出所述待测电池的所述电池发热量预测值，所述电池发热模型基于长短记忆神经网络模型与卷积神经网络模型建立，并采用历史电池运行数据作为训练数据训练得到；
发热量测量模块02：根据所述待测电池的环境温度以及电池热传递系数，得到所述待测电池的电池发热量测量值；
发热判断模块03：根据所述电池发热量预测值以及所述电池发热量测量值，判断所述待测电池是否异常发热。
在本实施例中，整个电池异常发热判断系统首先训练改进的LSTM-CNN模型；其次对数据进行预处理并采用PCA进行数据降维；然后将降维数据输入训练好的LSTM-CNN模型预测温度；最后计算发热率HGR并进行AHG诊断，整体系统的策略架构如图6所示。
发热量预测模块01获取待测电池运行数据以及电池历史运行数据，并对电池发热模型(LSTM-CNN)模型进行训练，调用训练好的电池发热模型对电池发热量进行预测得到电池发热量预测值。
发热量测量模块02获取电池的环境温度以及电池热传递系数，计算得到电池发热量测量值。
发热判断模块03计算电池发热量测量值以及电池发热量预测值的残差，若残差达到设定条件，则电池异常发热。
从上述描述可知，本申请实施例提供的一种电池异常发热判断系统，通过电池发热模型预测待测电池的电池发热量预测值，根据待测电池的环境温度以及电池热传递系数，计算得到待测电池的电池发热量测量值，进而判断待测电池是否异常发热，电池发热模型根据历史电池运行数据作为训练数据进行训练，结合了长短记忆神经网络模型与卷积神经网络模型，以提取预测量的时间和空间特征，以实现对真实世界储能电站电池的精确、超前温度预测，实现了电池储能系统温度预警的在线运行，可以进一步提高电池储能系统早期热失控预警能力。
从硬件层面来说，为了实现对真实世界储能电站电池的精确、超前温度预测，进一步提高电池储能系统早期热失控预警能力，本申请提供一种电池异常发热判断方法中的全部或部分内容的电子设备的实施例，所述电子设备具体包含有如下内容：
图7为本申请实施例的电子设备9600的系统构成的示意框图。如图7所示，该电子设备9600可以包括中央处理器9100和存储器9140；存储器9140耦合到中央处理器9100。值得注意的是，该图7是示例性的；还可以使用其他类型的结构，来补充或代替该结构，以实现电信功能或其他功能。
在一实施例中，电池异常发热判断功能可以被集成到中央处理器中。其中，中央处理器可以被配置为进行如下控制：
步骤100：待测电池运行数据输入至电池发热模型，所述电池发热模型输出所述待测电池的所述电池发热量预测值，所述电池发热模型基于长短记忆神经网络模型与卷积神经网络模型建立，并采用历史电池运行数据作为训练数据训练得到；
可以理解的是，长短记忆神经网络模型(LSTM)和卷积神经网络模型(CNN)通常用于处理空间和时间特征。在本发明中，将两者结合起来，采用LSTM提取储能电池的时间特征，采用CNN提取储能电池的空间特征，用于精确的预测电池温度。
LSTM的细胞结构如图2a所示，其中xt、ct和ht分别是第t时刻的输入、状态和输出。与递归神经网络相比，LSTM的细胞中增加了三个门：遗忘门ft、输入门it和输出门ot。因此，LSTM可以更好地处理梯度消失/爆炸的问题，并且适合于长短期时间序列数据预测。
若LSTM细胞状态为三个门的输入，则可以保留细胞的重要状态。在本发明中，将第t-1时刻的细胞状态ct-1也用作LSTM三个门的输入以更好的保留重要状态，如图2b所示。
改进后的LSTM可以表示为：
ft＝σ(Wf×[ct-1，ht-1，xt]×+bf) (3)
it＝σ(Wi×[ct-1，ht-1，xt]+bi) (4)
g2＝tanh(Wc×[ct-1，ht-1，xt]+bc) (5)
ct＝ft×ct-1+it×g2 (6)
ot＝σ(Wo×[ct-1，ht-1，xt]+bo) (7)
yt＝ht＝ot×tanh(ct) (8)
其中Wf、Wi、Wo和Wc分别是遗忘门、输入门、输出门和输入单元的权重矩阵；bf、bi、bo和bc是遗忘门、输入门、输出门和输入单元的偏置量。
步骤200：根据所述待测电池的环境温度以及电池热传递系数，得到所述待测电池的电池发热量测量值；
可以理解的是，电池热传递系数包括如下系数：λbat和Acond，bat是相邻电池之间的传导传热系数和热交换面积；λsink和Acond，sink是电池和散热器之间的传导传热系数和热交换面积；δ为厚度；使用本地温度代替电池环境温度，通过本地温度以及上述电池热传递系数可以计算得到电池发热量测量值。
步骤300：根据所述电池发热量预测值以及所述电池发热量测量值，判断所述待测电池是否异常发热。
在本实施例中，电池发热模型通过电池当前运行数据输出电池发热量预测值，通过电池发热量预测值和电池发热量测量值的残差是否达到设定阈值，来判断电池是否异常发热。
从上述描述可知，本申请实施例提供的一种电子设备，通过电池发热模型预测待测电池的电池发热量预测值，根据待测电池的环境温度以及电池热传递系数，计算得到待测电池的电池发热量测量值，进而判断待测电池是否异常发热，电池发热模型根据历史电池运行数据作为训练数据进行训练，结合了长短记忆神经网络模型与卷积神经网络模型，以提取预测量的时间和空间特征，以实现对真实世界储能电站电池的精确、超前温度预测，实现了电池储能系统温度预警的在线运行，可以进一步提高电池储能系统早期热失控预警能力。
在另一个实施方式中，电池异常发热判断装置可以与中央处理器9100分开配置，例如可以将电池异常发热判断装置配置为与中央处理器9100连接的芯片，通过中央处理器的控制来实现电池异常发热判断功能。
如图7所示，该电子设备9600还可以包括：通信模块9110、输入单元9120、音频处理器9130、显示器9160、电源9170。值得注意的是，电子设备9600也并不是必须要包括图7中所示的所有部件；此外，电子设备9600还可以包括图7中没有示出的部件，可以参考现有技术。
如图7所示，中央处理器9100有时也称为控制器或操作控件，可以包括微处理器或其他处理器装置和/或逻辑装置，该中央处理器9100接收输入并控制电子设备9600的各个部件的操作。
其中，存储器9140，例如可以是缓存器、闪存、硬驱、可移动介质、易失性存储器、非易失性存储器或其它合适装置中的一种或更多种。可储存上述与失败有关的信息，此外还可存储执行有关信息的程序。并且中央处理器9100可执行该存储器9140存储的该程序，以实现信息存储或处理等。
输入单元9120向中央处理器9100提供输入。该输入单元9120例如为按键或触摸输入装置。电源9170用于向电子设备9600提供电力。显示器9160用于进行图像和文字等显示对象的显示。该显示器例如可为LCD显示器，但并不限于此。
该存储器9140可以是固态存储器，例如，只读存储器(ROM)、随机存取存储器(RAM)、SIM卡等。还可以是这样的存储器，其即使在断电时也保存信息，可被选择性地擦除且设有更多数据，该存储器的示例有时被称为EPROM等。存储器9140还可以是某种其它类型的装置。存储器9140包括缓冲存储器9141(有时被称为缓冲器)。存储器9140可以包括应用/功能存储部9142，该应用/功能存储部9142用于存储应用程序和功能程序或用于通过中央处理器9100执行电子设备9600的操作的流程。
存储器9140还可以包括数据存储部9143，该数据存储部9143用于存储数据，例如联系人、数字数据、图片、声音和/或任何其他由电子设备使用的数据。存储器9140的驱动程序存储部9144可以包括电子设备的用于通信功能和/或用于执行电子设备的其他功能(如消息传送应用、通讯录应用等)的各种驱动程序。
通信模块9110即为经由天线9111发送和接收信号的发送机/接收机9110。通信模块(发送机/接收机)9110耦合到中央处理器9100，以提供输入信号和接收输出信号，这可以和常规移动通信终端的情况相同。
基于不同的通信技术，在同一电子设备中，可以设置有多个通信模块9110，如蜂窝网络模块、蓝牙模块和/或无线局域网模块等。通信模块(发送机/接收机)9110还经由音频处理器9130耦合到扬声器9131和麦克风9132，以经由扬声器9131提供音频输出，并接收来自麦克风9132的音频输入，从而实现通常的电信功能。音频处理器9130可以包括任何合适的缓冲器、解码器、放大器等。另外，音频处理器9130还耦合到中央处理器9100，从而使得可以通过麦克风9132能够在本机上录音，且使得可以通过扬声器9131来播放本机上存储的声音。
本申请的实施例还提供能够实现上述实施例中的基于电池异常发热判断方法中全部步骤的一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中的执行主体为服务器或客户端的基于电池异常发热判断方法的全部步骤，例如，所述处理器执行所述计算机程序时实现下述步骤：
步骤100：待测电池运行数据输入至电池发热模型，所述电池发热模型输出所述待测电池的所述电池发热量预测值，所述电池发热模型基于长短记忆神经网络模型与卷积神经网络模型建立，并采用历史电池运行数据作为训练数据训练得到；
可以理解的是长短记忆神经网络模型(LSTM)和卷积神经网络模型(CNN)通常用于处理空间和时间特征。在本发明中，将两者结合起来，采用LSTM提取储能电池的时间特征，采用CNN提取储能电池的空间特征，用于精确的预测电池温度。
LSTM的细胞结构如图2a所示，其中xt、ct和ht分别是第t时刻的输入、状态和输出。与递归神经网络相比，LSTM的细胞中增加了三个门：遗忘门ft、输入门it和输出门ot。因此，LSTM可以更好地处理梯度消失/爆炸的问题，并且适合于长短期时间序列数据预测。
若LSTM细胞状态为三个门的输入，则可以保留细胞的重要状态。在本发明中，将第t-1时刻的细胞状态ct-1也用作LSTM三个门的输入以更好的保留重要状态，如图2b所示。
改进后的LSTM可以表示为：
ft＝σ(Wf×[ct-1，ht-1，xt]×+bf) (3)
it＝σ(Wi×[ct-1，ht-1，xt]+bi) (4)
g2＝tanh(Wc×[ct-1，ht-1，xt]+bc) (5)
ct＝ft×ct-1+it×g2 (6)
ot＝σ(Wo×[ct-1，ht-1，xt]+bo) (7)
yt＝ht＝ot×tanh(ct) (8)
其中Wf、Wi、Wo和Wc分别是遗忘门、输入门、输出门和输入单元的权重矩阵；bf、bi、bo和bc是遗忘门、输入门、输出门和输入单元的偏置量。
步骤200：根据所述待测电池的环境温度以及电池热传递系数，得到所述待测电池的电池发热量测量值；
可以理解的是，电池热传递系数包括如下系数：λbat和Acond，bat是相邻电池之间的传导传热系数和热交换面积；λsink和Acond，sink是电池和散热器之间的传导传热系数和热交换面积；δ为厚度；使用本地温度代替电池环境温度，通过本地温度以及上述电池热传递系数可以计算得到电池发热量测量值。
步骤300：根据所述电池发热量预测值以及所述电池发热量测量值，判断所述待测电池是否异常发热。
在本实施例中，电池发热模型通过电池当前运行数据输出电池发热量预测值，通过电池发热量预测值和电池发热量测量值的残差是否达到设定阈值，来判断电池是否异常发热。
从上述描述可知，本申请实施例提供的一种计算机可读存储介质，通过电池发热模型预测待测电池的电池发热量预测值，根据待测电池的环境温度以及电池热传递系数，计算得到待测电池的电池发热量测量值，进而判断待测电池是否异常发热，电池发热模型根据历史电池运行数据作为训练数据进行训练，结合了长短记忆神经网络模型与卷积神经网络模型，以提取预测量的时间和空间特征，以实现对真实世界储能电站电池的精确、超前温度预测，实现了电池储能系统温度预警的在线运行，可以进一步提高电池储能系统早期热失控预警能力。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(装置)、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。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置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。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供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步骤。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种电池异常发热判断方法，其特征在于，包括：
将待测电池运行数据输入至电池发热模型，所述电池发热模型输出所述待测电池的电池发热量预测值，所述电池发热模型基于长短记忆神经网络模型与卷积神经网络模型建立，并采用历史电池运行数据作为训练数据训练得到；
根据所述待测电池的环境温度以及电池热传递系数，得到所述待测电池的电池发热量测量值；
根据所述电池发热量预测值以及所述电池发热量测量值，判断所述待测电池是否异常发热。
2.根据权利要求1所述的电池异常发热判断方法，其特征在于，所述电池发热模型训练步骤包括：
对所述历史电池运行数据进行预处理，得到模型训练数据；
将所述模型训练数据以及对应的历史电池发热量输入至一预设的神经网络模型，得到所述电池发热模型，其中，所述神经网络模型包括：一个输入层、两个卷积层、两个池化层、三个LSTM递归隐藏层、两个tanh激活隐藏层以及一个输出层。
3.根据权利要求1所述的电池异常发热判断方法，其特征在于，所述根据所述待测电池的环境温度以及电池热传递系数，得到所述待测电池的电池发热量测量值，包括：
根据所述环境温度，得到所述待测电池的实际温度；
根据所述环境温度、所述实际温度以及所述以及电池热传递系数，得到所述待测电池的电池发热量测量值。
4.根据权利要求1所述的电池异常发热判断方法，其特征在于，所述根据所述电池发热量预测值以及所述电池发热量测量值，判断所述待测电池是否异常发热，包括：
根据所述电池发热量预测值以及所述电池发热量测量值，得到所述待测电池发热量残差；
若所述发热量残差达到设定阈值，则判断所述待测电池异常发热。
5.根据权利要求1所述的电池异常发热判断方法，其特征在于，所述电池异常发热判断方法还包括：
对所述待测电池运行数据进行预处理。
6.根据权利要求5所述的电池异常发热判断方法，其特征在于，所述对所述待测电池运行数据进行预处理，包括：
对所述待测电池运行数据进行归一化处理，得到电池运行数据矩阵；
对所述电池运行数据矩阵进行分解处理，得到处理后的待测电池运行数据。
7.根据权利要求6所述的电池异常发热判断方法，其特征在于，所述对所述电池运行数据矩阵进行分解处理，得到处理后的待测电池运行数据，包括：
对所述电池运行数据矩阵进行处理，得到所述电池运行数据矩阵的协方差矩阵；
对所述协方差矩阵进行奇异值分解，得到第一矩阵和第二矩阵，所述第一矩阵为载荷矩阵；
根据所述第一矩阵，对所述电池运行数据矩阵进行投影分解，得到目标矩阵和非目标矩阵，所述目标矩阵中包含处理后的待测电池运行数据。
8.一种电池异常发热判断系统，其特征在于，包括：
发热量预测模块：将待测电池运行数据输入至电池发热模型，所述电池发热模型输出所述待测电池的所述电池发热量预测值，所述电池发热模型基于长短记忆神经网络模型与卷积神经网络模型建立，并采用历史电池运行数据作为训练数据训练得到；
发热量测量模块：根据所述待测电池的环境温度以及电池热传递系数，得到所述待测电池的电池发热量测量值；
发热判断模块：根据所述电池发热量预测值以及所述电池发热量测量值，判断所述待测电池是否异常发热。
9.一种电子设备，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权利要求1至7任一项所述的电池异常发热判断方法。
10.一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，该计算机程序被处理器执行时实现权利要求1至7任一项所述的电池异常发热判断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310183644.8A CN116449224A (zh) | 2023-02-17 | 2023-02-17 | 一种电池异常发热判断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310183644.8A CN116449224A (zh) | 2023-02-17 | 2023-02-17 | 一种电池异常发热判断方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116449224A true CN116449224A (zh) | 2023-07-18 |
Family
ID=87132700
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310183644.8A Pending CN116449224A (zh) | 2023-02-17 | 2023-02-17 | 一种电池异常发热判断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116449224A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117272214A (zh) * | 2023-11-21 | 2023-12-22 | 罗普特科技集团股份有限公司 | 一种安全生产智能管理系统 |
| CN118072496B (zh) * | 2024-04-24 | 2024-06-21 | 深圳市华耀检测技术服务有限公司 | 一种基于物联网的电器设备智能安全检测系统及方法 |
-
2023
- 2023-02-17 CN CN202310183644.8A patent/CN116449224A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117272214A (zh) * | 2023-11-21 | 2023-12-22 | 罗普特科技集团股份有限公司 | 一种安全生产智能管理系统 |
| CN117272214B (zh) * | 2023-11-21 | 2024-02-02 | 罗普特科技集团股份有限公司 | 一种安全生产智能管理系统 |
| CN118072496B (zh) * | 2024-04-24 | 2024-06-21 | 深圳市华耀检测技术服务有限公司 | 一种基于物联网的电器设备智能安全检测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Saxena et al. | Accelerated degradation model for C-rate loading of lithium-ion batteries | |
| Naha et al. | Internal short circuit detection in Li-ion batteries using supervised machine learning | |
| Garg et al. | Design and analysis of capacity models for Lithium-ion battery | |
| US11462929B2 (en) | Systems and methods for direct estimation of battery parameters using only charge/discharge curves | |
| Yu et al. | State of health estimation method for lithium-ion batteries based on multiple dynamic operating conditions | |
| Li et al. | State‐of‐health prediction for lithium‐ion batteries via electrochemical impedance spectroscopy and artificial neural networks | |
| Bhagavatula et al. | Application of artificial neural network in performance prediction of PEM fuel cell | |
| CN116449224A (zh) | 一种电池异常发热判断方法及系统 | |
| Fatima Brondani et al. | Parameter estimation of lithium ion polymer battery mathematical model using genetic algorithm | |
| Fang et al. | State‐of‐charge estimation technique for lithium‐ion batteries by means of second‐order extended Kalman filter and equivalent circuit model: Great temperature robustness state‐of‐charge estimation | |
| Lyu et al. | Li‐ion battery state of health estimation through Gaussian process regression with Thevenin model | |
| CN115113054A (zh) | 一种梯次电池的安全评估方法、装置及电子设备 | |
| Li et al. | A hybrid framework for predicting the remaining useful life of battery using Gaussian process regression | |
| Vyas et al. | State‐of‐charge prediction of lithium ion battery through multivariate adaptive recursive spline and principal component analysis | |
| JP2023534823A (ja) | バッテリー容量推定装置及び方法 | |
| Abu-Seif et al. | Data-Driven modeling for Li-ion battery using dynamic mode decomposition | |
| Hong et al. | Sequential application of denoising autoencoder and long-short recurrent convolutional network for noise-robust remaining-useful-life prediction framework of lithium-ion batteries | |
| Das et al. | Analyzing electric vehicle battery health performance using supervised machine learning | |
| He et al. | SOH estimation for lithium-ion batteries: an improved GPR optimization method based on the developed feature extraction | |
| Liu et al. | Internal short circuit diagnosis of lithium-ion battery based on mechanism model and deep learning | |
| Huang et al. | A transferable long-term lithium-ion battery aging trajectory prediction model considering internal resistance and capacity regeneration phenomenon | |
| Reza et al. | Recent advancement of remaining useful life prediction of lithium-ion battery in electric vehicle applications: A review of modelling mechanisms, network configurations, factors, and outstanding issues | |
| US20230400518A1 (en) | Method and apparatus with battery short detection | |
| Jaiswal et al. | Accurate Device Temperature Forecasting using Recurrent Neural Network for Smartphone Thermal Management | |
| Nguyen-Thoi et al. | An effective deep neural network method for prediction of battery state at cell and module level |
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 |