CN116956639A - 一种基于数据分析的高散热性蓄电池评估方法及系统 - Google Patents
一种基于数据分析的高散热性蓄电池评估方法及系统 Download PDFInfo
- Publication number
- CN116956639A CN116956639A CN202311191279.1A CN202311191279A CN116956639A CN 116956639 A CN116956639 A CN 116956639A CN 202311191279 A CN202311191279 A CN 202311191279A CN 116956639 A CN116956639 A CN 116956639A
- Authority
- CN
- China
- Prior art keywords
- preset
- storage battery
- working parameter
- component
- actual working
- 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
- 238000003860 storage Methods 0.000 title claims abstract description 164
- 238000007405 data analysis Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims description 38
- 238000012163 sequencing technique Methods 0.000 claims abstract description 34
- 230000017525 heat dissipation Effects 0.000 claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 238000010586 diagram Methods 0.000 claims description 39
- 230000002159 abnormal effect Effects 0.000 claims description 38
- 238000012795 verification Methods 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 2
- 238000004146 energy storage Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000013461 design Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 abstract description 3
- 239000003792 electrolyte Substances 0.000 description 13
- 238000004891 communication Methods 0.000 description 9
- 230000007613 environmental effect Effects 0.000 description 8
- 239000000243 solution Substances 0.000 description 8
- 238000013210 evaluation model Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 4
- 239000012086 standard solution Substances 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/385—Arrangements for measuring battery or accumulator variables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及储能设备评估技术领域，特别是一种基于数据分析的高散热性蓄电池评估方法及系统；通过将实际工作环境因子与预设工作环境因子进行配对，得到蓄电池内各元器件在待评估时间段内基于时间排序的预设工作参数数据集；根据密度聚类算法对参数数据库中的实际工作参数进行聚类处理，得到蓄电池内各元器件在待评估时间段内基于时间排序的初始实际工作参数数据集；根据所述工作参数状态对各元器件进行评估，得到蓄电池内各元器件的状态类别，基于数据分析技术快速、准确地评估蓄电池的散热性能，实现对蓄电池的散热性能进行全面评估和预测，有助于指导蓄电池的设计优化和性能提升，从而提高蓄电池在高功率应用中的安全性和可靠性。
Description
技术领域
本发明涉及储能设备评估技术领域，特别是一种基于数据分析的高散热性蓄电池评估方法及系统。
背景技术
蓄电池作为一种高效、环保的能量储存装置，广泛应用于便携设备、电动车辆、能源存储系统等领域。随着科技的不断发展，高能量密度蓄电池，尤其是锂离子电池，逐渐成为主流，因为其在相同体积和重量下能提供更大的能量存储能力。然而，高能量密度蓄电池在充放电过程中会产生大量的热量，这会导致蓄电池内部温度升高。高温会加速蓄电池的老化，降低其使用寿命，甚至可能引发安全问题，如过热、短路等，严重影响蓄电池的性能和安全性。因此，实时监测和评估高散热性蓄电池的性能至关重要。目前通过传统的评估方法对蓄电池进行评估时只能提供局部参数，不能全面评估蓄电池的运行状态；并且传统的评估方法只是单纯的数据采集，缺乏深度的数据分析，无法预测蓄电池的散热性能，难以在故障前进行预警和及时维护。
发明内容
本发明克服了现有技术的不足，提供了一种基于数据分析的高散热性蓄电池评估方法及系统。
为达到上述目的本发明采用的技术方案为：
本发明公开了一种基于数据分析的高散热性蓄电池评估方法，包括以下步骤：
获取蓄电池内各元器件在各种预设工作环境因子条件之下工作时对应的历史工作参数，以及获取蓄电池在待评估时间段的实际工作环境因子，将所述实际工作环境因子与预设工作环境因子进行配对，得到蓄电池内各元器件在待评估时间段内基于时间排序的预设工作参数数据集；
建立参数数据库，在待评估时间段连续获取各元器件的实际工作参数，并将所述实际工作参数存储至所述参数数据库中；根据密度聚类算法对参数数据库中的实际工作参数进行聚类处理，得到蓄电池内各元器件在待评估时间段内基于时间排序的初始实际工作参数数据集；
通过局部异常因子算法对各初始实际工作参数数据集进行校验，得到蓄电池内各元器件在待评估时间段内基于时间排序的实际工作参数数据集；根据各元器件对应的预设工作参数数据集与实际工作参数数据集判断出在待评估时间段内各元器件的工作参数状态；
根据所述工作参数状态对各元器件进行评估，得到蓄电池内各元器件的状态类别，并将蓄电池内各元器件的状态类别输出。
进一步地，本发明的一个较佳实施例中，获取蓄电池内各元器件在各种预设工作环境因子条件之下工作时对应的历史工作参数，以及获取蓄电池在待评估时间段的实际工作环境因子，将所述实际工作环境因子与预设工作环境因子进行配对，得到蓄电池内各元器件在待评估时间段内基于时间排序的预设工作参数数据集，具体为：
获取蓄电池内各元器件在各种预设工作环境因子条件之下工作时对应的历史工作参数，构建数据库，并将各元器件在各种预设工作环境因子条件之下工作时对应的历史工作参数导入所述数据库中，得到特性数据库；
获取蓄电池在待评估时间段的实际工作环境因子，将所述实际工作环境因子导入所述特性数据库中，通过欧几里得距离算法计算所述实际工作环境因子与各种预设工作环境因子之间的欧几里得距离；
根据所述欧几里得距离确定出所述实际工作环境因子与各种预设工作环境因子之间的相似度，得到多个相似度；并将多个相似度进行大小排序，排序完成后，提取出最大相似度；
根据所述最大相似度确定出与实际工作环境因子最相似的预设工作环境因子，并获取与实际工作环境因子最相似的预设工作环境因子对应的历史工作参数，将与实际工作环境因子最相似的预设工作环境因子对应的历史工作参数标定为预设工作参数，得到蓄电池内各元器件在当前实际工作环境因子条件之下的预设工作参数；
将各元器件在当前实际工作环境因子条件之下的预设工作参数进行基于采集时间的排序，以得到各元器件在待评估时间段内基于时间排序的预设工作参数数据集。
进一步地，本发明的一个较佳实施例中，根据密度聚类算法对参数数据库中的实际工作参数进行聚类处理，得到蓄电池内各元器件在待评估时间段内基于时间排序的初始实际工作参数数据集，具体为：
预设领域半径与最小邻居数目；其中，领域半径用于定义一个数据点的邻域，最小邻居数目指在一个数据点的邻域内最少要有多少个数据点；
将参数数据库中各实际工作参数定义为独立的数据点，并获取参数数据库中各数据点之间的切比雪夫距离，基于各数据点之间的切比雪夫距离构建距离矩阵；
在所述距离矩阵中计算每个数据点的预设领域半径内的数据点数量，若预设领域半径内的数据点数量大于或等于最小邻居数目，则将预设领域半径内的数据点数量大于或等于最小邻居数目对应的数据点标记为核心点；
对于每一个核心点，在其预设领域半径内寻找出所有直接密度可达的数据点；其中，直接密度可达是指从核心点出发，通过一系列相邻核心点，能够到达的其他数据点；
当找到一个直接密度可达的数据点时，创建一个聚簇；再继续找出与这个聚簇中相匹配的所有直接密度可达的数据点，并将这些数据点也加入到这个聚簇中；重复这个步骤，直到找不到更多的直接密度可达的数据点；
重复以上步骤，直至参数数据库中的所有数据点都被访问和分配到对应的聚簇中，最终聚类得到若干个聚簇；并将若干个聚簇中的数据点进行采集时间排序，得到蓄电池内各元器件在待评估时间段内基于时间排序的初始实际工作参数数据集。
进一步地，本发明的一个较佳实施例中，通过局部异常因子算法对各初始实际工作参数数据集进行校验，得到蓄电池内各元器件在待评估时间段内基于时间排序的实际工作参数数据集，具体为：
获取各初始实际工作参数数据集中各数据点之间的欧氏距离，根据所述欧氏距离确定出各数据点的近邻点；
获取各数据点与其近邻点的局部可达密度，根据各数据点与其近邻点的局部可达密度计算得到各数据点的局部异常因子值；并将各数据点的局部异常因子值与预设阈值进行比较；
若某一数据点的局部异常因子值大于预设阈值，则将数据点在对应的初始实际工作参数数据集中剔除，并将该数据点记录为奇异点；
将所述奇异点导入至其余的初始实际工作参数数据集，并获取该奇异点在其余的初始实际工作参数数据集的局部异常因子值；
若该奇异点在其余的初始实际工作参数数据集的局部异常因子值均大于预设阈值，则说明该奇异点为无效数据点，则将奇异点在参数数据库中抹除；
若该奇异点在其余的初始实际工作参数数据集的局部异常因子值存在不大于预设阈值，则构建排序表，并将该奇异点在其余的初始实际工作参数数据集的局部异常因子值导入所述排序表中进行排序，从而排序出最小局部异常因子值，并将该奇异点聚类到最小局部异常因子值对应的初始实际工作参数数据集中；
重复以上步骤，直至对各初始实际工作参数数据集中所有数据点均校验完毕，得到校验完毕后的初始实际工作参数数据集，并将各校验完毕后的初始实际工作参数数据集，并将各校验完毕后的初始实际工作参数数据集的数据点进行采集时间排序，得到蓄电池内各元器件在待评估时间段内基于时间排序的实际工作参数数据集。
进一步地，本发明的一个较佳实施例中，根据各元器件对应的预设工作参数数据集与实际工作参数数据集判断出在待评估时间段内各元器件的工作参数状态，具体为：
根据元器件在待评估时间段内基于时间排序的预设工作参数数据集构建得到基于时间序列的预设工作参数曲线线图；根据元器件在待评估时间段内基于时间排序的实际工作参数数据集构建得到基于时间序列的实际工作参曲线线图；
获取所述预设工作参数曲线线图在第一预设时间节点上预设工作参数与预设数据点之间的第一曼哈顿距离；获取所述实际工作参曲线线图在第一预设时间节点上实际工作参数与预设数据点之间的第二曼哈顿距离；将所述第一曼哈顿距离与第二曼哈顿距离进行差值处理，得到曼哈顿距离差值；根据所述曼哈顿距离差值确定出预设工作参数曲线线图与实际工作参曲线线图在第一预设时间节点上的第一重合度；
重复以上步骤，直至确定出预设工作参数曲线线图与实际工作参曲线线图在第N预设时间节点上的第N重合度；基于所述第一重合度至第N重合度确定出预设工作参数曲线线图与实际工作参曲线线图的整体重合度；
将所述整体重合度与预设重合度进行比较；若所述整体重合度大于预设重合度，则将整体重合度大于预设重合度对应元器件的工作参数状态记录为正常状态；若所述整体重合度不大于预设重合度，则将整体重合度不大于预设重合度对应元器件的工作参数状态记录为异常状态。
进一步地，本发明的一个较佳实施例中，根据所述工作参数状态对各元器件进行评估，得到蓄电池内各元器件的状态类别，具体为：
若元器件的工作参数状态记录为正常状态，则将该元器件标记为一类元器件；
若元器件的工作参数状态记录为异常状态，构建隐马尔科夫模型，获取工作参数状态记录为异常状态的元器件对应的实际工作参数数据集；并将所述实际工作参数数据集导入所述隐马尔科夫模型中进行故障推演，得到该元器件的故障概率值；
将所述故障概率值与预设故障概率值进行比较；若所述故障概率值大于预设故障概率值，则将该元器件标记为二类元器件；若所述故障概率值不大于预设故障概率值，则将该元器件标记为三类元器件；
获取二类元器件的功能文本信息，根据所述功能文本信息确定出该二类元器件与蓄电池内其余元器件之间的相干度，将相干度大于预设相干度对应的其余元器件标记为三类元器件。
本发明第二方面公开了一种基于数据分析的高散热性蓄电池评估系统，所述高散热性蓄电池评估系统包括存储器与处理器，所述存储器中存储有高散热性蓄电池评估方法程序，当所述高散热性蓄电池评估方法程序被所述处理器执行时，实现任一项所述的高散热性蓄电池评估方法步骤。
本发明解决了背景技术中存在的技术缺陷，本发明具备以下有益效果：通过将实际工作环境因子与预设工作环境因子进行配对，得到蓄电池内各元器件在待评估时间段内基于时间排序的预设工作参数数据集；根据密度聚类算法对参数数据库中的实际工作参数进行聚类处理，得到蓄电池内各元器件在待评估时间段内基于时间排序的初始实际工作参数数据集；根据工作参数状态对各元器件进行评估，得到蓄电池内各元器件的状态类别，基于数据分析技术快速、准确地评估蓄电池的散热性能，实现对蓄电池的散热性能进行全面评估和预测，有助于指导蓄电池的设计优化和性能提升，从而提高蓄电池在高功率应用中的安全性和可靠性。
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实施例的附图。
图1为一种基于数据分析的高散热性蓄电池评估方法第一方法流程图；
图2为一种基于数据分析的高散热性蓄电池评估方法第二方法流程图；
图3为一种基于数据分析的高散热性蓄电池评估方法第三方法流程图；
图4为一种基于数据分析的高散热性蓄电池评估系统的系统框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
如图1所示，本发明公开了一种基于数据分析的高散热性蓄电池评估方法，包括以下步骤：
S102：获取蓄电池内各元器件在各种预设工作环境因子条件之下工作时对应的历史工作参数，以及获取蓄电池在待评估时间段的实际工作环境因子，将所述实际工作环境因子与预设工作环境因子进行配对，得到蓄电池内各元器件在待评估时间段内基于时间排序的预设工作参数数据集；
S104：建立参数数据库，在待评估时间段连续获取各元器件的实际工作参数，并将所述实际工作参数存储至所述参数数据库中；根据密度聚类算法对参数数据库中的实际工作参数进行聚类处理，得到蓄电池内各元器件在待评估时间段内基于时间排序的初始实际工作参数数据集；
S106：通过局部异常因子算法对各初始实际工作参数数据集进行校验，得到蓄电池内各元器件在待评估时间段内基于时间排序的实际工作参数数据集；根据各元器件对应的预设工作参数数据集与实际工作参数数据集判断出在待评估时间段内各元器件的工作参数状态；
S108：根据所述工作参数状态对各元器件进行评估，得到蓄电池内各元器件的状态类别，并将蓄电池内各元器件的状态类别输出。
需要说明的是，本方法通过采集蓄电池在工作过程中的工作参数，并基于数据分析技术快速、准确地评估蓄电池的散热性能，实现对蓄电池的散热性能进行全面评估和预测，有助于指导蓄电池的设计优化和性能提升，从而提高蓄电池在高功率应用中的安全性和可靠性；并且能够有效提高蓄电池的安全性、稳定性和使用寿命，为蓄电池的设计、制造和应用提供重要的参考依据，推动蓄电池在新能源、电动车辆等领域的广泛应用。
其中，获取蓄电池内各元器件在各种预设工作环境因子条件之下工作时对应的历史工作参数，以及获取蓄电池在待评估时间段的实际工作环境因子，将所述实际工作环境因子与预设工作环境因子进行配对，得到蓄电池内各元器件在待评估时间段内基于时间排序的预设工作参数数据集，具体为：
获取蓄电池内各元器件在各种预设工作环境因子条件之下工作时对应的历史工作参数，构建数据库，并将各元器件在各种预设工作环境因子条件之下工作时对应的历史工作参数导入所述数据库中，得到特性数据库；
获取蓄电池在待评估时间段的实际工作环境因子，将所述实际工作环境因子导入所述特性数据库中，通过欧几里得距离算法计算所述实际工作环境因子与各种预设工作环境因子之间的欧几里得距离；
根据所述欧几里得距离确定出所述实际工作环境因子与各种预设工作环境因子之间的相似度，得到多个相似度；并将多个相似度进行大小排序，排序完成后，提取出最大相似度；
根据所述最大相似度确定出与实际工作环境因子最相似的预设工作环境因子，并获取与实际工作环境因子最相似的预设工作环境因子对应的历史工作参数，将与实际工作环境因子最相似的预设工作环境因子对应的历史工作参数标定为预设工作参数，得到蓄电池内各元器件在当前实际工作环境因子条件之下的预设工作参数；
将各元器件在当前实际工作环境因子条件之下的预设工作参数进行基于采集时间的排序，以得到各元器件在待评估时间段内基于时间排序的预设工作参数数据集。
需要说明的是，环境因子包括温度、振动频率、光照、海拔以及湿度等；工作参数包括电压、放电电流、充电电流、内阻、充电效率以及电解液密度等。在不考虑蓄电池自身因素的前提下，蓄电池工作过程中的环境因子会对蓄电池的工作参数产生影响，如环境温度过高会加速蓄电池的自放电和腐蚀，降低其容量和寿命，而低温会降低蓄电池的放电能力和充电效率；在光照条件下，蓄电池的自放电可能会增加，从而降低其储能能力；总的来说，在不同的环境因子组合条件之下工作，性能正常的蓄电池其所对应的工作参数也会有所不同，因此在评估蓄电池的中各元器件的工作参数是否正常时，需要考虑环境因子对其的影响。通过以上方法能够预测出蓄电池各元器件在当前实际工作环境因子组合条件之下工作时所对应的预设工作参数数据集，能够把环境因子对蓄电池工作参数影响因素考虑在内，从而提高对比数据的可靠性，能够进一步提高评估精度。
其中，根据密度聚类算法对参数数据库中的实际工作参数进行聚类处理，得到蓄电池内各元器件在待评估时间段内基于时间排序的初始实际工作参数数据集，具体为：
预设领域半径与最小邻居数目；其中，领域半径用于定义一个数据点的邻域，最小邻居数目指在一个数据点的邻域内最少要有多少个数据点；
将参数数据库中各实际工作参数定义为独立的数据点，并获取参数数据库中各数据点之间的切比雪夫距离，基于各数据点之间的切比雪夫距离构建距离矩阵；
在所述距离矩阵中计算每个数据点的预设领域半径内的数据点数量，若预设领域半径内的数据点数量大于或等于最小邻居数目，则将预设领域半径内的数据点数量大于或等于最小邻居数目对应的数据点标记为核心点；
对于每一个核心点，在其预设领域半径内寻找出所有直接密度可达的数据点；其中，直接密度可达是指从核心点出发，通过一系列相邻核心点，能够到达的其他数据点；
当找到一个直接密度可达的数据点时，创建一个聚簇；再继续找出与这个聚簇中相匹配的所有直接密度可达的数据点，并将这些数据点也加入到这个聚簇中；重复这个步骤，直到找不到更多的直接密度可达的数据点；
重复以上步骤，直至参数数据库中的所有数据点都被访问和分配到对应的聚簇中，最终聚类得到若干个聚簇；并将若干个聚簇中的数据点进行采集时间排序，得到蓄电池内各元器件在待评估时间段内基于时间排序的初始实际工作参数数据集。
需要说明的是，在待评估时间段连续获取各元器件的实际工作参数，如通过电流传感器获取蓄电池的放电电流等，并将所述实际工作参数存储至参数数据库中。由于在采集过程中是把在不同时间节点所采集到的各元器件的工作参数一同储存在参数数据库内，因此当采集完毕后，参数数据库中的数据是杂乱无章的，此时需要通过密度聚类算法对参数数据库中的数据进行聚类，如将放电电流数据聚类至一个聚簇中，将电压数据聚类至另一个聚簇中，直至参数数据库中的所有数据都被访问和分配到对应的聚簇中，最终聚类得到若干个聚簇；并将若干个聚簇中的数据进行采集时间排序，得到蓄电池内各元器件在待评估时间段内基于时间排序的初始实际工作参数数据集。通过以上方法能够将所采集得到的实际工作参数进行分类，从而快速获得不同类型的数据，能够提高系统运算速度，提高系统鲁棒性。
其中，通过局部异常因子算法对各初始实际工作参数数据集进行校验，得到蓄电池内各元器件在待评估时间段内基于时间排序的实际工作参数数据集，具体为：
获取各初始实际工作参数数据集中各数据点之间的欧氏距离，根据所述欧氏距离确定出各数据点的近邻点；
其中，近邻点为K个，用户可以根据具体情况进行调整，如可以是5个；
获取各数据点与其近邻点的局部可达密度，根据各数据点与其近邻点的局部可达密度计算得到各数据点的局部异常因子值；并将各数据点的局部异常因子值与预设阈值进行比较；
其中，对于每个数据点，计算它与其K个邻居点之间的局部可达密度（即K个邻居点之间的平均距离的倒数）。局部可达密度表示数据点在局部区域内的密度。对于每个数据点，计算其局部异常因子值，即该数据点的局部可达密度与其邻居点的局部可达密度的比值，该值反映了数据点相对于其邻居的异常程度。
若某一数据点的局部异常因子值大于预设阈值，则将数据点在对应的初始实际工作参数数据集中剔除，并将该数据点记录为奇异点；
将所述奇异点导入至其余的初始实际工作参数数据集，并获取该奇异点在其余的初始实际工作参数数据集的局部异常因子值；
若该奇异点在其余的初始实际工作参数数据集的局部异常因子值均大于预设阈值，则说明该奇异点为无效数据点，则将奇异点在参数数据库中抹除；
若该奇异点在其余的初始实际工作参数数据集的局部异常因子值存在不大于预设阈值，则构建排序表，并将该奇异点在其余的初始实际工作参数数据集的局部异常因子值导入所述排序表中进行排序，从而排序出最小局部异常因子值，并将该奇异点聚类到最小局部异常因子值对应的初始实际工作参数数据集中；
重复以上步骤，直至对各初始实际工作参数数据集中所有数据点均校验完毕，得到校验完毕后的初始实际工作参数数据集，并将各校验完毕后的初始实际工作参数数据集，并将各校验完毕后的初始实际工作参数数据集的数据点进行采集时间排序，得到蓄电池内各元器件在待评估时间段内基于时间排序的实际工作参数数据集。
需要说明的是，在通过密度聚类算法对参数数据库中的庞大数据进行聚类过程中，难免会出现聚类错误的现象，如出现将电解液密度数据聚类至放电电流数据的聚簇中的现象。因此当通过密度聚类算法对庞大的数据进行聚类完成后，需要进一步通过局部异常因子算法对各初始实际工作参数数据集的数据进行离群检测，从而判定出是否出现数据聚类错误现象。局部异常因子值越接近于1，表示数据点的密度与其邻居点类似，不太可能是奇异点；局部异常因子值显著大于1，表示数据点的密度明显低于其邻居点，可能是奇异点；可以根据局部异常因子值设定一个阈值，超过该阈值的数据点被认为是奇异点。其中，若数据点为奇异点，则认为该数据并不属于该初始实际工作参数数据集，即为离群点，如该数据原本是电压数据而被聚类至放电电流数据集中。通过以上步骤能够筛选出各初始实际工作参数数据集中的奇异数据，从而将聚类错误的数据识别出来，并且将聚类错误的数据重新聚类至正确的聚簇中，从而得到高精度的实际工作参数数据集。
其中，根据各元器件对应的预设工作参数数据集与实际工作参数数据集判断出在待评估时间段内各元器件的工作参数状态，如图2所示，具体为：
S202：根据元器件在待评估时间段内基于时间排序的预设工作参数数据集构建得到基于时间序列的预设工作参数曲线线图；根据元器件在待评估时间段内基于时间排序的实际工作参数数据集构建得到基于时间序列的实际工作参曲线线图；
S204：获取所述预设工作参数曲线线图在第一预设时间节点上预设工作参数与预设数据点之间的第一曼哈顿距离；获取所述实际工作参曲线线图在第一预设时间节点上实际工作参数与预设数据点之间的第二曼哈顿距离；将所述第一曼哈顿距离与第二曼哈顿距离进行差值处理，得到曼哈顿距离差值；根据所述曼哈顿距离差值确定出预设工作参数曲线线图与实际工作参曲线线图在第一预设时间节点上的第一重合度；
S206：重复以上步骤，直至确定出预设工作参数曲线线图与实际工作参曲线线图在第N预设时间节点上的第N重合度；基于所述第一重合度至第N重合度确定出预设工作参数曲线线图与实际工作参曲线线图的整体重合度；
S208：将所述整体重合度与预设重合度进行比较；若所述整体重合度大于预设重合度，则将整体重合度大于预设重合度对应元器件的工作参数状态记录为正常状态；若所述整体重合度不大于预设重合度，则将整体重合度不大于预设重合度对应元器件的工作参数状态记录为异常状态。
需要说明的是，如待评估时间段为1分钟，则预设时间节点则可以以秒为单位，则可以将待评估时间段划分为60个预设时间节点，通过获取预设工作参数曲线线图与实际工作参曲线线图第1个到第60个预设时间节点对应的曼哈顿距离差值，曼哈顿距离差值越大，两个数据点之间的重合度越低。通过将预设工作参数曲线线图与实际工作参曲线线图的多个时间节点的线段重合度求平均值，从而得到整体重合度；若某一元器的预设工作参数曲线线图与实际工作参曲线线图之间整体重合度大于预设重合度，此时说明该元器件的工作参数正常；若某一元器的预设工作参数曲线线图与实际工作参曲线线图之间整体重合度不大于预设重合度，此时说明该元器件的工作参数异常。通过本方法快速有效的判读出在待评估时间段内各元器件的工作参数运行情况。
其中，根据所述工作参数状态对各元器件进行评估，得到蓄电池内各元器件的状态类别，如图3所示，具体为：
S302：若元器件的工作参数状态记录为正常状态，则将该元器件标记为一类元器件；
S304：若元器件的工作参数状态记录为异常状态，构建隐马尔科夫模型，获取工作参数状态记录为异常状态的元器件对应的实际工作参数数据集；并将所述实际工作参数数据集导入所述隐马尔科夫模型中进行故障推演，得到该元器件的故障概率值；
S306：将所述故障概率值与预设故障概率值进行比较；若所述故障概率值大于预设故障概率值，则将该元器件标记为二类元器件；若所述故障概率值不大于预设故障概率值，则将该元器件标记为三类元器件；
S308：获取二类元器件的功能文本信息，根据所述功能文本信息确定出该二类元器件与蓄电池内其余元器件之间的相干度，将相干度大于预设相干度对应的其余元器件标记为三类元器件。
其中，功能文本信息包括二类元器件在蓄电池内部的装配工艺、功能作用、工作模式以及设备性质等。根据所述功能文本信息可以确定出该二类元器件与蓄电池内其余元器件之间的相干度，即关联特征，如蓄电池内部散热器的功能作用是散热，若蓄电池内部的电流传感器的设备性质为易受温度影响的类型，此时说明电流传感器与散热器之间的相干度较大，即关联特征较大。
需要说明的是，一类元器件为运行状态正常的元件器，此类元器件的在短时间内发生故障的概率极低，属于安全器件，不需要对其进行检修；二类元器件为运行状态异常的元件器，此类元器件在短时间发生故障的概率极高，属于危险器件，需要对其进行检修；三类元器件为目前运行状态但其在短时间发生故障概率较高的元器件，属于不稳定器件，需要对其进行持续监测。其中，三类元器件的优先等级高于一类元器件，如当一个元器件先被标记为一类元器件，而后面又被标记为三类元器件，则该元器件为三类元器件。
需要说明的是，隐马尔科夫模型的基本原理是系统的状态是一个不可观测的隐变量（隐藏状态），而我们可以通过观测到的可见变量（观测序列）来推断系统的状态。在设备故障预测中，隐藏状态代表设备的运行状态，而观测序列则是从设备中获得的传感器数据或其他监测数据。
需要说明的是，在蓄电池中，当一个元器件发生故障后，可能会导致其余元器件也发生故障。如当蓄电池散热器故障后，蓄电池内部会产生高温，此时电流传感器等元器件有可能会被烧坏。因此，在本步骤中，当确定出某些元器件为二类元器件后，需要进一步分析该元器件与其余元器件之前的关联特征，从而判断出该元器件在发生故障后是否也会引发其余元器件发生故障，实现对蓄电池的散热性能进行全面评估和预测，有效提高蓄电池的安全性、稳定性和使用寿命，推动蓄电池在新能源、电动车辆等领域的广泛应用。
此外，所述一种基于数据分析的高散热性蓄电池评估方法还包括以下步骤：
通过大数据网络获取蓄电池在不同时段所对应的放电量，构建放电量预测模型，并将蓄电池在不同时段所对应的放电量导入所述放电量预测模型中进行训练，得到训练完成后的放电量预测模型；
获取蓄电池的待评估时段，将待评估时段导入所述训练完成后的放电量预测模型中进行预测，得到蓄电池在待评估时段信息的预测放电量；
获取蓄电池在待评估时段的实际环境因子，根据所述实际环境因子建立检索标签，基于所述检索标签在大数据网络中进行检索，得到蓄电池在待评估时段的电能折损率；
获取蓄电池在待评估时段的实际电量，根据所述实际电量与电能折损率计算得到蓄电池的最大放电量；
若所述最大放电量小于预测放电量，则基于最大放电量与预测放电量得到电量差值，根据所述电量差值对蓄电池进行动态储能。
需要说明的是，由于在不同时段用户行为不一致，在某些时段用户的使用蓄电池的频率较大，在该时段所需用电量也较大，因此可以通过用户在不同时段的历史行为构建放电量预测模型，然后根据放电量预测模型预测得到蓄电池在待评估时段信息的预测放电量；接着再结合环境因素准确检索出蓄电池在待评估时段的电能折损率，如低温下，蓄电池电能折损率较大；从而计算得到蓄电池的最大放电量，即蓄电池在待评估时间段所能够放出最大的电量。若所述最大放电量小于预测放电量，此时说明蓄电池所剩的电量并不能够满足用户的需要，此时需要对蓄电池进行补充电量，使得蓄电池能够持续供电，满足用户需求，提高用户体验感。
此外，所述一种基于数据分析的高散热性蓄电池评估方法还包括以下步骤：
通过大数据网络获取蓄电池内部电解液在不同温度条件之下所对应的标准溶液压力；
构建压力评估模型，并将蓄电池内部电解液在不同温度条件之下所对应的标准溶液压力导入压力评估模型中进行训练，得到训练好的压力评估模型；
获取蓄电池在待评估时段的内部温度值，将所述内部温度值导入所述训练好的压力评估模型中，得到蓄电池内电解液在当前内部温度值之下的预设溶液压力；
获取蓄电池内电解液在待评估时段的实际溶液压力，将所述实际溶液压力与设溶液压力进行比较，得到压力差值；
若所述压力差值大于预设压力差值，则将蓄电池内电解液标记为二类元器件。
需要说明的是，在不同温度条件之下，电解液的标准压力也各不相同，因此可以根据蓄电池内部电解液在不同温度条件之下所对应的标准溶液压力训练得到压力评估模型，然后根据蓄电池在待评估时段的内部温度值与压力评估模型得到得到蓄电池内电解液在当前内部温度值之下的预设溶液压力；若所述压力差值大于预设压力差值，说明蓄电池的电解液压力与理想值偏差较大，则蓄电池内电解液标记为二类元器件。通过本方法能够评估出电解液压力是否正常，以及时进行检修，避免出现电池爆炸事故。
此外，所述一种基于数据分析的高散热性蓄电池评估方法还包括以下步骤：
通过无线信号接收器获取蓄电池内部通讯元件在预设时间段内所反馈的信号信息；
判断在预设时间内无线信号接收器是否能够接收到通讯元件所反馈的信号信息；
若在预设时间内无线信号接收器不能够接收到通讯元件所反馈的信号信息，则将通讯元件标记为二类元器件；
若在预设时间内无线信号接收器能够接收到通讯元件所反馈的信号信息，则判断在预设时间内信号信息的间断次数；
若所述间断次数大于预设间断次数，则将通讯元件标记为二类元器件；若所述间断次数不大于预设间断次数，则将通讯元件标记为三类元器件。
需要说明的是，通讯元件可以是信号发射器、信号转换器等。通过以上方法能够精准评估出蓄电池内的通讯元件的工作状态。
如图4所示，本发明第二方面公开了一种基于数据分析的高散热性蓄电池评估系统，所述高散热性蓄电池评估系统包括存储器11与处理器22，所述存储器11中存储有高散热性蓄电池评估方法程序，当所述高散热性蓄电池评估方法程序被所述处理器22执行时，实现任一项所述的高散热性蓄电池评估方法步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种基于数据分析的高散热性蓄电池评估方法，其特征在于，包括以下步骤：
获取蓄电池内各元器件在各种预设工作环境因子条件之下工作时对应的历史工作参数，以及获取蓄电池在待评估时间段的实际工作环境因子，将所述实际工作环境因子与预设工作环境因子进行配对，得到蓄电池内各元器件在待评估时间段内基于时间排序的预设工作参数数据集；
建立参数数据库，在待评估时间段连续获取各元器件的实际工作参数，并将所述实际工作参数存储至所述参数数据库中；根据密度聚类算法对参数数据库中的实际工作参数进行聚类处理，得到蓄电池内各元器件在待评估时间段内基于时间排序的初始实际工作参数数据集；
通过局部异常因子算法对各初始实际工作参数数据集进行校验，得到蓄电池内各元器件在待评估时间段内基于时间排序的实际工作参数数据集；根据各元器件对应的预设工作参数数据集与实际工作参数数据集判断出在待评估时间段内各元器件的工作参数状态；
根据所述工作参数状态对各元器件进行评估，得到蓄电池内各元器件的状态类别，并将蓄电池内各元器件的状态类别输出。
2.根据权利要求1所述的一种基于数据分析的高散热性蓄电池评估方法，其特征在于，获取蓄电池内各元器件在各种预设工作环境因子条件之下工作时对应的历史工作参数，以及获取蓄电池在待评估时间段的实际工作环境因子，将所述实际工作环境因子与预设工作环境因子进行配对，得到蓄电池内各元器件在待评估时间段内基于时间排序的预设工作参数数据集，具体为：
获取蓄电池内各元器件在各种预设工作环境因子条件之下工作时对应的历史工作参数，构建数据库，并将各元器件在各种预设工作环境因子条件之下工作时对应的历史工作参数导入所述数据库中，得到特性数据库；
获取蓄电池在待评估时间段的实际工作环境因子，将所述实际工作环境因子导入所述特性数据库中，通过欧几里得距离算法计算所述实际工作环境因子与各种预设工作环境因子之间的欧几里得距离；
根据所述欧几里得距离确定出所述实际工作环境因子与各种预设工作环境因子之间的相似度，得到多个相似度；并将多个相似度进行大小排序，排序完成后，提取出最大相似度；
根据所述最大相似度确定出与实际工作环境因子最相似的预设工作环境因子，并获取与实际工作环境因子最相似的预设工作环境因子对应的历史工作参数，将与实际工作环境因子最相似的预设工作环境因子对应的历史工作参数标定为预设工作参数，得到蓄电池内各元器件在当前实际工作环境因子条件之下的预设工作参数；
将各元器件在当前实际工作环境因子条件之下的预设工作参数进行基于采集时间的排序，以得到各元器件在待评估时间段内基于时间排序的预设工作参数数据集。
3.根据权利要求1所述的一种基于数据分析的高散热性蓄电池评估方法，其特征在于，根据密度聚类算法对参数数据库中的实际工作参数进行聚类处理，得到蓄电池内各元器件在待评估时间段内基于时间排序的初始实际工作参数数据集，具体为：
预设领域半径与最小邻居数目；其中，领域半径用于定义一个数据点的邻域，最小邻居数目指在一个数据点的邻域内最少要有多少个数据点；
将参数数据库中各实际工作参数定义为独立的数据点，并获取参数数据库中各数据点之间的切比雪夫距离，基于各数据点之间的切比雪夫距离构建距离矩阵；
在所述距离矩阵中计算每个数据点的预设领域半径内的数据点数量，若预设领域半径内的数据点数量大于或等于最小邻居数目，则将预设领域半径内的数据点数量大于或等于最小邻居数目对应的数据点标记为核心点；
对于每一个核心点，在其预设领域半径内寻找出所有直接密度可达的数据点；其中，直接密度可达是指从核心点出发，通过一系列相邻核心点，能够到达的其他数据点；
当找到一个直接密度可达的数据点时，创建一个聚簇；再继续找出与这个聚簇中相匹配的所有直接密度可达的数据点，并将这些数据点也加入到这个聚簇中；重复这个步骤，直到找不到更多的直接密度可达的数据点；
重复以上步骤，直至参数数据库中的所有数据点都被访问和分配到对应的聚簇中，最终聚类得到若干个聚簇；并将若干个聚簇中的数据点进行采集时间排序，得到蓄电池内各元器件在待评估时间段内基于时间排序的初始实际工作参数数据集。
4.根据权利要求1所述的一种基于数据分析的高散热性蓄电池评估方法，其特征在于，通过局部异常因子算法对各初始实际工作参数数据集进行校验，得到蓄电池内各元器件在待评估时间段内基于时间排序的实际工作参数数据集，具体为：
获取各初始实际工作参数数据集中各数据点之间的欧氏距离，根据所述欧氏距离确定出各数据点的近邻点；
获取各数据点与其近邻点的局部可达密度，根据各数据点与其近邻点的局部可达密度计算得到各数据点的局部异常因子值；并将各数据点的局部异常因子值与预设阈值进行比较；
若某一数据点的局部异常因子值大于预设阈值，则将数据点在对应的初始实际工作参数数据集中剔除，并将该数据点记录为奇异点；
将所述奇异点导入至其余的初始实际工作参数数据集，并获取该奇异点在其余的初始实际工作参数数据集的局部异常因子值；
若该奇异点在其余的初始实际工作参数数据集的局部异常因子值均大于预设阈值，则说明该奇异点为无效数据点，则将奇异点在参数数据库中抹除；
若该奇异点在其余的初始实际工作参数数据集的局部异常因子值存在不大于预设阈值，则构建排序表，并将该奇异点在其余的初始实际工作参数数据集的局部异常因子值导入所述排序表中进行排序，从而排序出最小局部异常因子值，并将该奇异点聚类到最小局部异常因子值对应的初始实际工作参数数据集中；
重复以上步骤，直至对各初始实际工作参数数据集中所有数据点均校验完毕，得到校验完毕后的初始实际工作参数数据集，并将各校验完毕后的初始实际工作参数数据集，并将各校验完毕后的初始实际工作参数数据集的数据点进行采集时间排序，得到蓄电池内各元器件在待评估时间段内基于时间排序的实际工作参数数据集。
5.根据权利要求1所述的一种基于数据分析的高散热性蓄电池评估方法，其特征在于，根据各元器件对应的预设工作参数数据集与实际工作参数数据集判断出在待评估时间段内各元器件的工作参数状态，具体为：
根据元器件在待评估时间段内基于时间排序的预设工作参数数据集构建得到基于时间序列的预设工作参数曲线线图；根据元器件在待评估时间段内基于时间排序的实际工作参数数据集构建得到基于时间序列的实际工作参曲线线图；
获取所述预设工作参数曲线线图在第一预设时间节点上预设工作参数与预设数据点之间的第一曼哈顿距离；获取所述实际工作参曲线线图在第一预设时间节点上实际工作参数与预设数据点之间的第二曼哈顿距离；将所述第一曼哈顿距离与第二曼哈顿距离进行差值处理，得到曼哈顿距离差值；根据所述曼哈顿距离差值确定出预设工作参数曲线线图与实际工作参曲线线图在第一预设时间节点上的第一重合度；
重复以上步骤，直至确定出预设工作参数曲线线图与实际工作参曲线线图在第N预设时间节点上的第N重合度；基于所述第一重合度至第N重合度确定出预设工作参数曲线线图与实际工作参曲线线图的整体重合度；
将所述整体重合度与预设重合度进行比较；若所述整体重合度大于预设重合度，则将整体重合度大于预设重合度对应元器件的工作参数状态记录为正常状态；若所述整体重合度不大于预设重合度，则将整体重合度不大于预设重合度对应元器件的工作参数状态记录为异常状态。
6.根据权利要求1所述的一种基于数据分析的高散热性蓄电池评估方法，其特征在于，根据所述工作参数状态对各元器件进行评估，得到蓄电池内各元器件的状态类别，具体为：
若元器件的工作参数状态记录为正常状态，则将该元器件标记为一类元器件；
若元器件的工作参数状态记录为异常状态，构建隐马尔科夫模型，获取工作参数状态记录为异常状态的元器件对应的实际工作参数数据集；并将所述实际工作参数数据集导入所述隐马尔科夫模型中进行故障推演，得到该元器件的故障概率值；
将所述故障概率值与预设故障概率值进行比较；若所述故障概率值大于预设故障概率值，则将该元器件标记为二类元器件；若所述故障概率值不大于预设故障概率值，则将该元器件标记为三类元器件；
获取二类元器件的功能文本信息，根据所述功能文本信息确定出该二类元器件与蓄电池内其余元器件之间的相干度，将相干度大于预设相干度对应的其余元器件标记为三类元器件。
7.一种基于数据分析的高散热性蓄电池评估系统，其特征在于，所述高散热性蓄电池评估系统包括存储器与处理器，所述存储器中存储有高散热性蓄电池评估方法程序，当所述高散热性蓄电池评估方法程序被所述处理器执行时，实现如权要求1-6任一项所述的高散热性蓄电池评估方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311191279.1A CN116956639B (zh) | 2023-09-15 | 2023-09-15 | 一种基于数据分析的高散热性蓄电池评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311191279.1A CN116956639B (zh) | 2023-09-15 | 2023-09-15 | 一种基于数据分析的高散热性蓄电池评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116956639A true CN116956639A (zh) | 2023-10-27 |
| CN116956639B CN116956639B (zh) | 2023-12-01 |
Family
ID=88449531
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311191279.1A Active CN116956639B (zh) | 2023-09-15 | 2023-09-15 | 一种基于数据分析的高散热性蓄电池评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116956639B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117236572A (zh) * | 2023-11-14 | 2023-12-15 | 深圳市共安实业发展有限公司 | 一种基于数据分析的干粉灭火设备性能评估方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160146895A1 (en) * | 2012-04-27 | 2016-05-26 | California Institute Of Technology | Accurate Assessment of the State of Charge of Electrochemical Cells |
| CN110416641A (zh) * | 2019-07-17 | 2019-11-05 | 珠海格力电器股份有限公司 | 电池组过温保护控制方法、装置、存储介质及控制器 |
| CN110658464A (zh) * | 2018-12-31 | 2020-01-07 | 重庆金康新能源汽车有限公司 | 确定电池健康状态的方法、存储介质以及系统 |
| CN110837058A (zh) * | 2019-11-06 | 2020-02-25 | 江苏科技大学 | 基于大数据的电池组健康状态评估装置及评估方法 |
| CN114487848A (zh) * | 2022-01-17 | 2022-05-13 | 北京和利时系统集成有限公司 | 一种蓄电池的状态计算方法和装置 |
| CN115372828A (zh) * | 2022-08-22 | 2022-11-22 | 上海褒科智能科技有限公司 | 基于充电片段数据和无监督算法的电芯一致性评估方法 |
| US20220381844A1 (en) * | 2021-05-31 | 2022-12-01 | Beijing Xiaomi Mobile Software Co., Ltd. | Prediction method and apparatus of battery health, and storage medium |
| US20230184839A1 (en) * | 2021-12-09 | 2023-06-15 | Zitara Technologies, Inc. | System and method for determining a battery condition |
-
2023
- 2023-09-15 CN CN202311191279.1A patent/CN116956639B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160146895A1 (en) * | 2012-04-27 | 2016-05-26 | California Institute Of Technology | Accurate Assessment of the State of Charge of Electrochemical Cells |
| CN110658464A (zh) * | 2018-12-31 | 2020-01-07 | 重庆金康新能源汽车有限公司 | 确定电池健康状态的方法、存储介质以及系统 |
| CN110416641A (zh) * | 2019-07-17 | 2019-11-05 | 珠海格力电器股份有限公司 | 电池组过温保护控制方法、装置、存储介质及控制器 |
| CN110837058A (zh) * | 2019-11-06 | 2020-02-25 | 江苏科技大学 | 基于大数据的电池组健康状态评估装置及评估方法 |
| US20220381844A1 (en) * | 2021-05-31 | 2022-12-01 | Beijing Xiaomi Mobile Software Co., Ltd. | Prediction method and apparatus of battery health, and storage medium |
| US20230184839A1 (en) * | 2021-12-09 | 2023-06-15 | Zitara Technologies, Inc. | System and method for determining a battery condition |
| CN114487848A (zh) * | 2022-01-17 | 2022-05-13 | 北京和利时系统集成有限公司 | 一种蓄电池的状态计算方法和装置 |
| CN115372828A (zh) * | 2022-08-22 | 2022-11-22 | 上海褒科智能科技有限公司 | 基于充电片段数据和无监督算法的电芯一致性评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| PENG QIN ET AL.: "Battery thermal management system based on the forced-air convection: A review", 《ETRANSPORTATION》, pages 1 - 58 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117236572A (zh) * | 2023-11-14 | 2023-12-15 | 深圳市共安实业发展有限公司 | 一种基于数据分析的干粉灭火设备性能评估方法及系统 |
| CN117236572B (zh) * | 2023-11-14 | 2024-03-29 | 深圳市共安实业发展有限公司 | 一种基于数据分析的干粉灭火设备性能评估方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116956639B (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
| TWI766584B (zh) | 動力電池絕緣監測方法、系統以及裝置 | |
| CN116956639B (zh) | 一种基于数据分析的高散热性蓄电池评估方法及系统 | |
| CN115511013B (zh) | 一种大规模储能电站异常电池识别方法、设备及存储介质 | |
| CN116148679B (zh) | 一种电池健康状态的预测方法及相关装置 | |
| CN115902646B (zh) | 一种储能电池故障识别方法及系统 | |
| CN114514141A (zh) | 充电站监测方法和设备 | |
| CN116154900B (zh) | 一种电池储能电站的主动安全三级防控系统及方法 | |
| CN113987960A (zh) | 基于大数据的电网设备监控系统和方法 | |
| CN116643178B (zh) | 一种电池管理系统的soc估算方法及相关装置 | |
| CN116125300A (zh) | 一种电池包异常监测方法、装置、电子设备及存储介质 | |
| CN113125903A (zh) | 线损异常检测方法、装置、设备及计算机可读存储介质 | |
| CN116754984A (zh) | 一种电池一致性的检测方法及相关装置 | |
| CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
| CN116706973B (zh) | 一种基于多维度分析的储能电池控制方法、系统及介质 | |
| CN117233645B (zh) | 一种储能逆变器电池异常判定方法、系统及介质 | |
| CN116660759B (zh) | 基于bms电池管理系统的电池寿命预测方法及装置 | |
| CN111551856B (zh) | 车辆蓄电池状态检测方法、装置、计算机设备和存储介质 | |
| CN109557469B (zh) | 蓄电池核容数据分析方法及装置 | |
| CN117557415A (zh) | 一种基于智慧物业的社区资源管理方法及系统 | |
| CN116565354A (zh) | 一种电化学储能系统故障分级诊断预警方法、系统及设备 | |
| CN116256651A (zh) | 电池热失能预警方法、系统及可读存储介质 | |
| CN113098249B (zh) | 一种防爆型户外便携式储能电源 | |
| CN113285847A (zh) | 一种智能换流站监测系统的通信网络异常检测方法及系统 | |
| CN116402492B (zh) | 一种家电维修预警方法及其相关设备 |
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 |