CN117237349B - 电池管理系统的热失控防护方法、装置、设备及存储介质 - Google Patents
电池管理系统的热失控防护方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117237349B CN117237349B CN202311508624.XA CN202311508624A CN117237349B CN 117237349 B CN117237349 B CN 117237349B CN 202311508624 A CN202311508624 A CN 202311508624A CN 117237349 B CN117237349 B CN 117237349B
- Authority
- CN
- China
- Prior art keywords
- thermal runaway
- data
- layer
- battery
- key frame
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000001931 thermography Methods 0.000 claims abstract description 67
- 238000001514 detection method Methods 0.000 claims abstract description 54
- 238000009432 framing Methods 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims description 49
- 230000004927 fusion Effects 0.000 claims description 38
- 238000007781 pre-processing Methods 0.000 claims description 36
- 230000009466 transformation Effects 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 22
- 230000001364 causal effect Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 20
- 230000004913 activation Effects 0.000 claims description 17
- 238000013145 classification model Methods 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本发明提供了一种电池管理系统的热失控防护方法、装置、设备及存储介质，该方法包括：获取目标电池的工作数据和热成像视频；对热成像视频进行分帧操作，得到多个关键帧图像并输入预设的电池检测模型中，通过电池检测模型计算目标电池的性能状态；根据性能状态、工作数据和多个关键帧图像对目标电池进行热失控预测，得到对应的热失控预测分类结果；获取热失控预测分类结果对应的热失控防护策略，并根据热失控防护策略对目标电池进行热失控防护。本方法先通过热成像快速对目标电池的性能状态进行检测，并根据检测的性能状态对目标电池进行热失控的成因预测，通过结合电池当前性能选择热失控策略，能够更加准确地进行热失控防护。
Description
技术领域
本发明涉及电池检测领域，尤其涉及一种电池管理系统的热失控防护方法、装置、设备及存储介质。
背景技术
电池热失控防护技术是目前电动汽车、无人机等领域中的一个重要技术，其主要目的是在电池发生热失控时，能够及时识别并采取有效措施，避免电池爆炸或火灾等危险事件的发生。目前，对目标电池热失控的预警主要依赖于传感器的数据采集和BMS（BatteryManagement System，电池管理系统）系统的热失控分析，但首先传感器获取的数据无法捕捉电池内部的微妙变化，其次BMS系统的热失控分析仅依赖于简单的阈值判断，会忽略一些复杂、非线性或长期累积的数据，因而现有目标电池热失控防护方法准确度不高，安全隐患大。
发明内容
本发明的主要目的在于解决现有的对电池进行热失控防护准确度不高的技术问题。
本发明第一方面提供了一种电池管理系统的热失控防护方法，所述电池管理系统的热失控防护方法包括：
确定所述电池管理系统管理的目标电池，并实时获取所述目标电池在工作过程中的工作数据以及热成像视频；
对所述热成像视频进行分帧操作，得到所述热成像视频的多个关键帧图像；
将所述多个关键帧图像输入预设的电池检测模型中，通过所述电池检测模型根据所述多个关键帧图像计算所述目标电池的性能状态；
根据所述性能状态、所述工作数据和多个关键帧图像对所述目标电池进行热失控预测，得到对应的热失控预测分类结果；
获取所述热失控预测分类结果对应的热失控防护策略，并根据所述热失控防护策略对所述目标电池进行热失控防护。
可选的，在本发明第一方面的第一种实现方式中，所述对所述热成像视频进行分帧操作，得到所述热成像视频的多个关键帧图像包括：
对所述热成像视频进行分帧操作，得到所述热成像视频的多个图像帧；
对所述多个图像帧进行逐帧比对，计算各图像帧之间的相似度；
根据所述多个图像帧的时间轴，将所述相似度大于预设相似度阈值的图像帧抽取为所述热成像视频的关键帧图像，得到多个关键帧图像。
可选的，在本发明第一方面的第二种实现方式中，所述将所述多个关键帧图像输入预设的电池检测模型中，通过所述电池检测模型根据所述多个关键帧图像计算所述目标电池的性能状态包括：
将所述多个关键帧图像输入预设的电池检测模型中，对所述多个关键帧图像进行特征提取，得到各关键帧图像的特征表示；
将各所述特征表示按照所述热成像视频的时间轴，生成对应的时序数据；
通过所述电池检测模型对所述时序数据进行分类，得到所述目标电池的性能状态。
可选的，在本发明第一方面的第三种实现方式中，所述电池检测模型还包括时间卷积网络；
所述通过所述电池检测模型对所述时序数据进行分类，得到所述目标电池的性能状态包括：
对所述时序数据进行数据预处理，并将数据预处理后的时序数据输入所述时间卷积网络；
通过所述时间卷积网络中的因果卷积层和膨胀卷积层对时序数据进行处理计算并提取所述时序数据的特征信息，其中，所述时间卷积网络中的因果卷积层和膨胀卷积层进行残差连接，通过残差连接将输入数据与因果卷积层和膨胀卷积层的输出相加；
使用激活函数对所述特征信息进行非线性映射，得到所述目标电池的性能状态。
可选的，在本发明第一方面的第四种实现方式中，所述根据所述性能状态、所述工作数据和多个关键帧图像对所述目标电池进行热失控预测，得到对应的热失控预测分类结果包括：
对所述性能状态和所述工作数据进行数据预处理，并对多个关键帧图像进行图像预处理；
将数据预处理后的性能状态和工作数据，以及图像预处理后的多个关键帧图像输入预设的热失控预测分类模型中，得到对应的热失控预测分类结果。
可选的，在本发明第一方面的第五种实现方式中，所述热失控预测分类模型包括输入层、注意力机制层、特征融合层、分类层和输出层；
所述将数据预处理后的性能状态和工作数据，以及图像预处理后的多个关键帧图像输入预设的热失控预测分类模型中，得到对应的热失控预测分类结果包括：
将所述性能状态、所述工作数据和多个关键帧图像输入预设的热失控预测分类模型中；
通过所述输入层对所述性能状态和所述工作数据进行数据预处理以及数据特征提取，得到数据特征，并对所述多个关键帧图像进行图像特征提取，得到图像特征；
通过所述注意力机制层分别计算所述数据特征和所述图像特征的注意力权重向量；
通过所述特征融合层根据所述权重向量对所述数据特征和所述图像特征进行加权融合，得到融合特征向量；
通过所述分类层根据所述融合特征向量计算所述目标电池的热失控预测分类结果，并通过所述输出层输出所述热失控预测分类结果。
可选的，在本发明第一方面的第六种实现方式中，所述通过所述分类层根据所述融合特征向量计算所述目标电池的热失控预测分类结果，并通过所述输出层输出所述热失控预测分类结果包括：
通过所述分类层将所述融合特征向量线性变换映射至高维特征空间，得到线性变换结果；
通过预设的激活函数对所述线性变换结果进行非线性变换，得到非线性变换结果；
通过所述分类层中的全连接层根据所述非线性变换结果计算目标电池对应不同类型的热失控成因的概率，并将概率最高的热失控成因作为所述目标电池的热失控预测分类结果；
通过所述输出层输出所述热失控预测分类结果。
本发明第二方面提供了一种电池管理系统的热失控防护装置，所述电池管理系统的热失控防护装置包括：
获取模块，用于确定所述电池管理系统管理的目标电池，并实时获取所述目标电池在工作过程中的工作数据以及热成像视频；
分帧模块，用于对所述热成像视频进行分帧操作，得到所述热成像视频的多个关键帧图像；
性能检测模块，用于将所述多个关键帧图像输入预设的电池检测模型中，通过所述电池检测模型根据所述多个关键帧图像计算所述目标电池的性能状态；
预测模块，用于根据所述性能状态、所述工作数据和多个关键帧图像对所述目标电池进行热失控预测，得到对应的热失控预测分类结果；
防护模块，用于获取所述热失控预测分类结果对应的热失控防护策略，并根据所述热失控防护策略对所述目标电池进行热失控防护。
本发明第三方面提供了一种电池管理系统的热失控防护装置，包括：存储器和至少一个处理器，所述存储器中存储有指令，所述存储器和所述至少一个处理器通过线路互连；所述至少一个处理器调用所述存储器中的所述指令，以使得所述电池管理系统的热失控防护设备执行上述的电池管理系统的热失控防护方法的步骤。
本发明的第四方面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中存储有指令，当其在计算机上运行时，使得计算机执行上述的电池管理系统的热失控防护方法的步骤。
上述电池管理系统的热失控防护方法、装置、设备及存储介质，通过确定所述电池管理系统管理的目标电池，并实时获取所述目标电池在工作过程中的工作数据以及热成像视频；对所述热成像视频进行分帧操作，得到所述热成像视频的多个关键帧图像；将所述多个关键帧图像输入预设的电池检测模型中，通过所述电池检测模型根据所述多个关键帧图像计算所述目标电池的性能状态；根据所述性能状态、所述工作数据和多个关键帧图像对所述目标电池进行热失控预测，得到对应的热失控预测分类结果；获取所述热失控预测分类结果对应的热失控防护策略，并根据所述热失控防护策略对所述目标电池进行热失控防护。本方法先通过热成像快速对目标电池的性能状态进行检测，并根据检测的性能状态对目标电池进行热失控的成因预测，通过结合电池当前性能选择热失控策略，能够更加准确地进行热失控防护。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
图1为本发明实施例中电池管理系统的热失控防护方法的一个实施例示意图；
图2为本发明实施例中电池管理系统的热失控防护装置的一个实施例示意图；
图3为本发明实施例中电池管理系统的热失控防护装置的另一个实施例示意图；
图4为本发明实施例中电池管理系统的热失控防护设备的一个实施例示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例中所提到的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括其他没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种电池管理系统的热失控防护方法进行详细介绍。如图1所示，该电池管理系统的热失控防护的方法，本方法包括如下步骤：
101、确定电池管理系统管理的目标电池，并实时获取目标电池在工作过程中的工作数据以及热成像视频；
在实际应用中，电池管理系统（Battery Management System，简称BMS）是一种用于监控、控制和保护电池的系统。它通常应用于电动车、储能系统和其他需要使用电池作为能源来源的设备中。首先，电池管理系统通常会实时监测电池的各项参数，通过传感器和采集模块，BMS能够获取关键数据，并将其转化为可供分析和决策的信息。在本发明的一个实施例中，将电池管理系统所管理的电池作为目标电池，并在目标电池进行工作，例如充电作业或放电作业时，获取其工作数据，如电压、电流等，并且对电池工作时进行热成像处理，得到目标电池在工作过程中热成像视频。
102、对热成像视频进行分帧操作，得到热成像视频的多个关键帧图像；
在本发明的一个实施例中，所述对所述热成像视频进行分帧操作，得到所述热成像视频的多个关键帧图像包括：对所述热成像视频进行分帧操作，得到所述热成像视频的多个图像帧；对所述多个图像帧进行逐帧比对，计算各图像帧之间的相似度；根据所述多个图像帧的时间轴，将所述相似度大于预设相似度阈值的图像帧抽取为所述热成像视频的关键帧图像，得到多个关键帧图像。
具体的，对热成像视频进行分帧操作，这个操作可以理解为将连续的视频剥离成多个独立的静态图像帧。在具体操作过程中，每一帧图像代表了电池在一个特定时间点的热成像情况。这样，就能得到一系列热成像图像，每个图像都代表了电池在充放电过程中的某一时间点的热状态，对于关键帧的获取可以通过多种方式获取热成像拍摄的关键帧图像，例如基于时间间隔，按照设定的时间间隔从视频中均匀地提取关键帧。例如，每隔一秒或每隔几秒提取一帧作为关键帧，或者通过评估图像质量来选择关键帧。可以使用图像质量评估算法，如图像清晰度、对比度、亮度等指标来衡量每一帧的质量，选择质量最好的帧作为关键帧。而在本实施例中，主要通过计算各图像帧之间相似度的方式，对这些图像帧进行逐帧比对，计算各图像帧之间的相似度。这是为了找出在温度变化上有显著差异的帧，也就是说，要找出电池在充放电过程中温度变化的关键时刻。同一时间，这个步骤也有助于发现和定位可能存在的异常温度区域。然后，可以设置一个预设的相似度阈值，这个阈值会根据的特定需求设定，比如可以设定阈值为70%。这意味着，只有当两个连续的图像帧在热成像上的相似度低于70%时，才认为电池在这两个时间点经历了显著的温度变化。最后，在整个时间轴上，将那些相似度大于预设相似度阈值的图像帧抽取出来作为关键帧图像。这些关键帧图像代表了电池在整个充放电过程中的关键热成像变化。
103、将多个关键帧图像输入预设的电池检测模型中，通过电池检测模型根据多个关键帧图像计算目标电池的性能状态；
在本发明的一个实施例中，所述将所述多个关键帧图像输入预设的电池检测模型中，通过所述电池检测模型根据所述多个关键帧图像计算所述目标电池的性能状态包括：将所述多个关键帧图像输入预设的电池检测模型中，对所述多个关键帧图像进行特征提取，得到各关键帧图像的特征表示；将各所述特征表示按照所述热成像视频的时间轴，生成对应的时序数据；通过所述电池检测模型对所述时序数据进行分类，得到所述目标电池的性能状态。
具体的，通过特征提取，可以从图像中提取出与目标电池性能相关的关键信息，从而更好地理解和分析目标电池的状态。在这个过程中，目标电池检测模型会利用其内部的算法和学习能力，对每个关键帧图像进行深入分析。它会识别图像中的不同特征并将它们转化为数值化的特征表示。这些特征表示可以被视为对图像内容的抽象表达，其中包含了反映目标电池性能的重要特征。通过对多个关键帧图像进行特征提取，可以综合考虑目标电池在不同时间点的状态变化，从而更全面地了解目标电池的性能特征。例如可以将每个关键帧的特征向量展开成一维向量，得到一个形状为(D)的向量。接下来，将这些一维向量按时间顺序连接起来，形成一个形状为(T, D)的二维矩阵。这个矩阵的每一行代表一个关键帧的特征向量，而每列则代表特征向量的不同维度。
进一步的，所述电池检测模型还包括时间卷积网络；所述通过所述电池检测模型对所述时序数据进行分类，得到所述目标电池的性能状态包括：对所述时序数据进行数据预处理，并将数据预处理后的时序数据输入所述时间卷积网络；通过所述时间卷积网络中的因果卷积层和膨胀卷积层对时序数据进行处理计算并提取所述时序数据的特征信息，其中，所述时间卷积网络中的因果卷积层和膨胀卷积层进行残差连接，通过残差连接将输入数据与因果卷积层和膨胀卷积层的输出相加；使用激活函数对所述特征信息进行非线性映射，得到所述目标电池的性能状态。
具体的，TCN（Temporal Convolutional Network，时间卷积网络）模型使用TCN模型对时序数据进行分类分析。首先，将预处理和特征提取步骤得到的时序数据输入到已经训练好的TCN模型中。TCN模型能够捕捉时序信息，并在不引入循环结构的情况下进行建模。TCN模型会将关键帧数据表示为一个序列。每个关键帧可以是图像、向量或其他形式的数据。这些关键帧按照时间顺序排列，形成一个输入序列。对关键帧序列进行一维卷积操作。一维卷积操作会在时间维度上滑动卷积核，提取局部特征。卷积核的长度通常小于序列的长度，这样可以提取层次化的特征信息。在卷积操作之后，通常会应用非线性激活函数，如ReLU（修正线性单元），以引入非线性因素。在TCN模型中，可以使用池化操作来降低序列的长度和维度。最大池化或平均池化可以减少计算量，并保留关键的特征信息。为了提取更高级别的特征，TCN模型可以通过堆叠多个卷积层来增加模型的深度。每个卷积层的输出经过非线性激活函数后，成为下一层的输入。此外，为了解决梯度消失和训练困难问题，一些TCN模型采用残差连接，即将前一层的输出与当前层的输入相加，以保留更多低级别的特征信息。最后一层可以是全连接层、池化层或其它适当的层次结构，用于将TCN模型的输出映射到所需的任务，即所述待检测目标电池的性能状态上。此外，在进行卷积操作时，TCN模型中使用的卷积操作是循环因果卷积（causal convolution）。循环因果卷积是指卷积操作的输出只依赖于输入序列中当前和过去的元素，不依赖于未来的元素。当输入一个序列数据进行循环因果卷积时，假设有一个长度为n的时间序列x = [x1, x2, ..., xn]，其中xi表示在i时刻的某种数值或特征。现在想要用TCN模型对这个时间序列进行处理和建模。假设有一个长度为n的时间序列x = [x1, x2, ..., xn]，其中xi表示在i时刻的某种数值或特征。现在想要用TCN模型对这个时间序列进行处理和建模。首先，将时间序列x表示为一个序列数据，在TCN模型的第一个卷积层中，使用了一个长度为k的卷积核（k通常被称作卷积核的大小）。假设使用了n_out个输出通道，那么得到的第一个卷积层的输出z1可以表示为：
z1[i] = f(w1 * x[i:i+k-1] + b1)；
其中w1是一个形状为(k, n_in, n_out)的卷积核张量，b1是一个形状为(n_out,)的偏置向量，f是一个非线性激活函数，例如ReLU。
这里的关键是，由于期望模型只能根据当前时刻之前的信息进行预测，所以采用了循环因果卷积，来实现对滞后时序的建模。具体地说，将卷积核进行填充，确保在每个时刻t处，只考虑t之前的信息，而不包括t及以后的信息。常见的做法是在卷积核左侧添加k-1个零，使得卷积操作可以保证输出序列长度与输入序列相同。然后，可以将第一个卷积层的输出作为下一层的输入，也就是下一层的输入为z1 = [z1[1], z1[2], ..., z1[n]]。重复上述步骤，通过堆叠多个卷积层，可以提取更高级别的特征，并且通过残差连接来确保信息的传递和特征的保留。
104、根据性能状态、工作数据和多个关键帧图像对目标电池进行热失控预测，得到对应的热失控预测分类结果；
在本发明的一个实施例中，所述根据所述性能状态、所述工作数据和多个关键帧图像对所述目标电池进行热失控预测，得到对应的热失控预测分类结果包括：对所述性能状态和所述工作数据进行数据预处理，并对多个关键帧图像进行图像预处理；将数据预处理后的性能状态和工作数据，以及图像预处理后的多个关键帧图像输入预设的热失控预测分类模型中，得到对应的热失控预测分类结果。
具体的，性能状态即是电池的SOH（State of Health，健康状态）是指电池的容量衰减程度、内阻变化情况等关键指标，通过对电池的健康状态（SOH）进行分析，可以了解电池的老化程度和性能衰减情况。这些信息对于判断电池的可靠性和安全性非常重要。同时，所述工作数据和关键帧图像也提供了电池在实际工作中的性能表现和热分布情况的参考。基于所述电池的健康状态（SOH）、工作数据和关键帧图像，可以利用预设的算法或模型对目标电池进行热失控预测。这些算法或模型可能基于历史数据和经验规则，也可能使用机器学习或深度学习技术。通过综合考虑电池的健康状态（SOH）、工作数据和关键帧图像，可以得出热失控预测分类结果。热失控预测分类结果可以提供关于电池热失控原因的评估，例如过充、过放、外力损伤等。这样的分类结果可以帮助用户了解电池的安全状况，并采取相应的防护措施来减少热失控风险。
进一步的，所述热失控预测分类模型包括输入层、注意力机制层、特征融合层、分类层和输出层；所述将数据预处理后的性能状态和工作数据，以及图像预处理后的多个关键帧图像输入预设的热失控预测分类模型中，得到对应的热失控预测分类结果包括：将所述性能状态、所述工作数据和多个关键帧图像输入预设的热失控预测分类模型中；通过所述输入层对所述性能状态和所述工作数据进行数据预处理以及数据特征提取，得到数据特征，并对所述多个关键帧图像进行图像特征提取，得到图像特征；通过所述注意力机制层分别计算所述数据特征和所述图像特征的注意力权重向量；通过所述特征融合层根据所述权重向量对所述数据特征和所述图像特征进行加权融合，得到融合特征向量；通过所述分类层根据所述融合特征向量计算所述目标电池的热失控预测分类结果，并通过所述输出层输出所述热失控预测分类结果。
具体的，在实际应用中，因为性能状态、工作数据都是数值数据，而关键帧图像是图像数据，因此可以使用融合多种类型特征的神经网络模型对性能状态和工作数据和多个关键帧图像进行处理，融合多种类型特征的神经网络模型可以使用多输入模型、深度融合模型或注意力融合模型，其中，多输入模型可以将数值数据和图像数据分别作为不同的输入层，并通过连接层将它们合并为一个模型。这种方法可以使用常见的卷积神经网络，如ResNet、EfficientNet等，或视觉Transformer来处理图像数据，并使用全连接层来处理数值数据。深度融合模型可以将数值数据和图像数据分别送入各自的神经网络中进行特征提取和分类预测，并将它们的输出连接到全连接层中进行综合学习和分类预测。这种方法可以使用多个神经网络模型，例如一个卷积神经网络和一个全连接神经网络，以处理不同类型的特征。而本实施例主要使用注意力融合模型，其使用注意力机制来加权融合不同类型的特征。这种方法可以对数值数据和图像数据分别进行特征提取。
具体的，通过所述输入层对所述性能状态和所述工作数据进行数据预处理以及数据特征提取，得到数据特征，并对所述多个关键帧图像进行图像特征提取，得到图像特征，其中，对性能状态和工作数据等等数值数据，将数值数据作为输入层的神经元，通过一些全连接层进行特征提取和转换，得到了一个维度为d的数值特征向量，图像特征提取可以使用视觉Transformer（如ViT）来处理图像数据，提取图像特征。假设得到了一个维度为d的图像特征向量，然后在注意力机制层使用注意力机制来加权融合数值特征和图像特征。可以使用自注意力机制（self-attention）来计算每个特征的重要性权重，得到了数值特征和图像特征的注意力权重向量，然后将数值特征向量和图像特征向量按照注意力权重进行加权融合，得到最终的融合特征向量，最后将融合特征向量输入到全连接层进行分类预测。这个层可以包括多个全连接层、激活函数和损失函数，用于模型的训练和优化。
进一步的，所述通过所述分类层根据所述融合特征向量计算所述目标电池的热失控预测分类结果，并通过所述输出层输出所述热失控预测分类结果包括：通过所述分类层将所述融合特征向量线性变换映射至高维特征空间，得到线性变换结果；通过预设的激活函数对所述线性变换结果进行非线性变换，得到非线性变换结果；通过所述分类层中的全连接层根据所述非线性变换结果计算目标电池对应不同类型的热失控成因的概率，并将概率最高的热失控成因作为所述目标电池的热失控预测分类结果；通过所述输出层输出所述热失控预测分类结果。
具体的，将得到的融合特征向量作为全连接层的输入，将融合特征向量通过线性变换映射到一个更高维度的特征空间。这个线性变换通常是一个全连接层，其中包含多个神经元（节点），每个神经元与融合特征向量的每个元素相连。对线性变换的结果进行非线性变换，引入非线性关系以增加模型的表达能力。常用的激活函数包括ReLU、sigmoid、tanh等。激活函数的选择取决于具体的任务和模型设计。根据任务的不同，输出层的设计也会有所差异。例如，对于二分类任务，可以使用一个神经元并应用sigmoid激活函数来输出一个0到1之间的概率值；对于多分类任务，可以使用多个神经元，并应用softmax激活函数来输出每个类别的概率分布。根据输出层的结果，可以根据预先定义的阈值或者选择概率最高的类别来进行最终的分类预测。
105、获取热失控预测分类结果对应的热失控防护策略，并根据热失控防护策略对目标电池进行热失控防护。电池在放电时超过其额定放电电流或放电时间过长，也可能导致电池发生热失控。为了防止过放电引起的热失控，可以设置电池管理系统，监测和控制电池的放电过程，确保在安全范围内进行放电。
在本发明的一个实施例中，热失控预测分类结果包括过充电、过放电、短路、过热环境和机械损伤等，当电池过充电时，电池在充电时超过其额定容量或充电电压过高，可能导致电池内部产生过多的热量，进而引发热失控。针对这种情况，可以采取的防护策略包括限制充电电压和充电时间，以及使用具有过充保护功能的充电器。目标电池为过放电时，短路时，电池内部或外部的短路会导致大量电流通过电池，引发剧烈的热量释放，从而引发热失控。为了防止短路，可以采取一系列措施，如使用绝缘材料隔离电池、安装保险丝或过流保护装置等。此外，电池在高温环境下工作，可能导致电池内部反应的加速和热失控的风险增加。为了防止过热环境引起的热失控，可以通过优化电池散热设计、控制周围环境温度、提供有效的散热设备等方式进行防护。最后，电池的物理损伤，如挤压、穿刺、摔落等，可能导致电池内部结构破坏，进而引发热失控。为了避免机械损伤引起的热失控，可以采取防护措施，如使用防护外壳、避免电池受到外力冲击等。
在本实施例中，通过确定所述电池管理系统管理的目标电池，并实时获取所述目标电池在工作过程中的工作数据以及热成像视频；对所述热成像视频进行分帧操作，得到所述热成像视频的多个关键帧图像；将所述多个关键帧图像输入预设的电池检测模型中，通过所述电池检测模型根据所述多个关键帧图像计算所述目标电池的性能状态；根据所述性能状态、所述工作数据和多个关键帧图像对所述目标电池进行热失控预测，得到对应的热失控预测分类结果；获取所述热失控预测分类结果对应的热失控防护策略，并根据所述热失控防护策略对所述目标电池进行热失控防护。本方法先通过热成像快速对目标电池的性能状态进行检测，并根据检测的性能状态对目标电池进行热失控的成因预测，通过结合电池当前性能选择热失控策略，能够更加准确地进行热失控防护。
上面对本发明实施例中电池管理系统的热失控防护方法进行了描述，下面对本发明实施例中电池管理系统的热失控防护装置进行描述，请参阅图2，本发明实施例中电池管理系统的热失控防护装置一个实施例包括：
获取模块201，用于确定所述电池管理系统管理的目标电池，并实时获取所述目标电池在工作过程中的工作数据以及热成像视频；
分帧模块202，用于对所述热成像视频进行分帧操作，得到所述热成像视频的多个关键帧图像；
性能检测模块203，用于将所述多个关键帧图像输入预设的电池检测模型中，通过所述电池检测模型根据所述多个关键帧图像计算所述目标电池的性能状态；
预测模块204，用于根据所述性能状态、所述工作数据和多个关键帧图像对所述目标电池进行热失控预测，得到对应的热失控预测分类结果；
防护模块205，用于获取所述热失控预测分类结果对应的热失控防护策略，并根据所述热失控防护策略对所述目标电池进行热失控防护。
本发明实施例中，所述电池管理系统的热失控防护装置运行上述电池管理系统的热失控防护方法，所述电池管理系统的热失控防护装置，通过确定所述电池管理系统管理的目标电池，并实时获取所述目标电池在工作过程中的工作数据以及热成像视频；对所述热成像视频进行分帧操作，得到所述热成像视频的多个关键帧图像；将所述多个关键帧图像输入预设的电池检测模型中，通过所述电池检测模型根据所述多个关键帧图像计算所述目标电池的性能状态；根据所述性能状态、所述工作数据和多个关键帧图像对所述目标电池进行热失控预测，得到对应的热失控预测分类结果；获取所述热失控预测分类结果对应的热失控防护策略，并根据所述热失控防护策略对所述目标电池进行热失控防护。本方法先通过热成像快速对目标电池的性能状态进行检测，并根据检测的性能状态对目标电池进行热失控的成因预测，通过结合电池当前性能选择热失控策略，能够更加准确地进行热失控防护。
请参阅图3，本发明实施例中电池管理系统的热失控防护装置的第二个实施例包括：
获取模块201，用于确定所述电池管理系统管理的目标电池，并实时获取所述目标电池在工作过程中的工作数据以及热成像视频；
分帧模块202，用于对所述热成像视频进行分帧操作，得到所述热成像视频的多个关键帧图像；
性能检测模块203，用于将所述多个关键帧图像输入预设的电池检测模型中，通过所述电池检测模型根据所述多个关键帧图像计算所述目标电池的性能状态；
预测模块204，用于根据所述性能状态、所述工作数据和多个关键帧图像对所述目标电池进行热失控预测，得到对应的热失控预测分类结果；
防护模块205，用于获取所述热失控预测分类结果对应的热失控防护策略，并根据所述热失控防护策略对所述目标电池进行热失控防护。
在本发明的一个实施例中，所述分帧模块202具体用于：
对所述热成像视频进行分帧操作，得到所述热成像视频的多个图像帧；
对所述多个图像帧进行逐帧比对，计算各图像帧之间的相似度；
根据所述多个图像帧的时间轴，将所述相似度大于预设相似度阈值的图像帧抽取为所述热成像视频的关键帧图像，得到多个关键帧图像。
在本发明的一个实施例中，所述性能检测模块203包括：
特征提取单元2031，用于将所述多个关键帧图像输入预设的电池检测模型中，对所述多个关键帧图像进行特征提取，得到各关键帧图像的特征表示；
时序生成单元2032，用于将各所述特征表示按照所述热成像视频的时间轴，生成对应的时序数据；
分类单元2033，用于通过所述电池检测模型对所述时序数据进行分类，得到所述目标电池的性能状态。
在本发明的一个实施例中，所述电池检测模型还包括时间卷积网络；
所述分类单元2033具体用于：
对所述时序数据进行数据预处理，并将数据预处理后的时序数据输入所述时间卷积网络；
通过所述时间卷积网络中的因果卷积层和膨胀卷积层对时序数据进行处理计算并提取所述时序数据的特征信息，其中，所述时间卷积网络中的因果卷积层和膨胀卷积层进行残差连接，通过残差连接将输入数据与因果卷积层和膨胀卷积层的输出相加；
使用激活函数对所述特征信息进行非线性映射，得到所述目标电池的性能状态。
在本发明的一个实施例中，所述预测模块204包括：
预处理单元2041，用于对所述性能状态和所述工作数据进行数据预处理，并对多个关键帧图像进行图像预处理；
模型输入单元2042，用于将数据预处理后的性能状态和工作数据，以及图像预处理后的多个关键帧图像输入预设的热失控预测分类模型中，得到对应的热失控预测分类结果。
在本发明的一个实施例中，所述热失控预测分类模型包括输入层、注意力机制层、特征融合层、分类层和输出层；
所述模型输入单元2042具体用于：
将所述性能状态、所述工作数据和多个关键帧图像输入预设的热失控预测分类模型中；
通过所述输入层对所述性能状态和所述工作数据进行数据预处理以及数据特征提取，得到数据特征，并对所述多个关键帧图像进行图像特征提取，得到图像特征；
通过所述注意力机制层分别计算所述数据特征和所述图像特征的注意力权重向量；
通过所述特征融合层根据所述权重向量对所述数据特征和所述图像特征进行加权融合，得到融合特征向量；
通过所述分类层根据所述融合特征向量计算所述目标电池的热失控预测分类结果，并通过所述输出层输出所述热失控预测分类结果。
在本发明的一个实施例中，所述模型输入单元2042具体还用于：
通过所述分类层将所述融合特征向量线性变换映射至高维特征空间，得到线性变换结果；
通过预设的激活函数对所述线性变换结果进行非线性变换，得到非线性变换结果；
通过所述分类层中的全连接层根据所述非线性变换结果计算目标电池对应不同类型的热失控成因的概率，并将概率最高的热失控成因作为所述目标电池的热失控预测分类结果；
通过所述输出层输出所述热失控预测分类结果。
本实施例在上一实施例的基础上，详细描述了各个模块的具体功能以及部分模块的单元构成，通过上述模块和模块中的各单元，确定所述电池管理系统管理的目标电池，并实时获取所述目标电池在工作过程中的工作数据以及热成像视频；对所述热成像视频进行分帧操作，得到所述热成像视频的多个关键帧图像；将所述多个关键帧图像输入预设的电池检测模型中，通过所述电池检测模型根据所述多个关键帧图像计算所述目标电池的性能状态；根据所述性能状态、所述工作数据和多个关键帧图像对所述目标电池进行热失控预测，得到对应的热失控预测分类结果；获取所述热失控预测分类结果对应的热失控防护策略，并根据所述热失控防护策略对所述目标电池进行热失控防护。本方法先通过热成像快速对目标电池的性能状态进行检测，并根据检测的性能状态对目标电池进行热失控的成因预测，通过结合电池当前性能选择热失控策略，能够更加准确地进行热失控防护。
上面图2和图3从模块化功能实体的角度对本发明实施例中的中电池管理系统的热失控防护装置进行详细描述，下面从硬件处理的角度对本发明实施例中电池管理系统的热失控防护设备进行详细描述。
图4是本发明实施例提供的一种电池管理系统的热失控防护设备的结构示意图，该电池管理系统的热失控防护设备400可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）410（例如，一个或一个以上处理器）和存储器420，一个或一个以上存储应用程序433或数据432的存储介质430（例如一个或一个以上海量存储设备）。其中，存储器420和存储介质430可以是短暂存储或持久存储。存储在存储介质430的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对电池管理系统的热失控防护设备400中的一系列指令操作。更进一步地，处理器410可以设置为与存储介质430通信，在电池管理系统的热失控防护设备400上执行存储介质430中的一系列指令操作，以实现上述电池管理系统的热失控防护方法的步骤。
电池管理系统的热失控防护设备400还可以包括一个或一个以上电源440，一个或一个以上有线或无线网络接口450，一个或一个以上输入输出接口460，和/或，一个或一个以上操作系统431，例如Windows Serve，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图4示出的电池管理系统的热失控防护设备结构并不构成对本发明提供的电池管理系统的热失控防护设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述电池管理系统的热失控防护方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统或装置、单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上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的精神和范围。
Claims (5)
1.一种电池管理系统的热失控防护方法，其特征在于，所述电池管理系统的热失控防护方法包括：
确定所述电池管理系统管理的目标电池，并实时获取所述目标电池在工作过程中的工作数据以及热成像视频；
对所述热成像视频进行分帧操作，得到所述热成像视频的多个图像帧；对所述多个图像帧进行逐帧比对，计算各图像帧之间的相似度；根据所述多个图像帧的时间轴，将所述相似度大于预设相似度阈值的图像帧抽取为所述热成像视频的关键帧图像，得到多个关键帧图像；
将所述多个关键帧图像输入预设的电池检测模型中，通过所述电池检测模型根据所述多个关键帧图像计算所述目标电池的性能状态，其中，所述将所述多个关键帧图像输入预设的电池检测模型中，通过所述电池检测模型根据所述多个关键帧图像计算所述目标电池的性能状态包括：将所述多个关键帧图像输入预设的电池检测模型中，对所述多个关键帧图像进行特征提取，得到各关键帧图像的特征表示，所述电池检测模型还包括时间卷积网络；将各所述特征表示按照所述热成像视频的时间轴，生成对应的时序数据；对所述时序数据进行数据预处理，并将数据预处理后的时序数据输入所述时间卷积网络；通过所述时间卷积网络中的因果卷积层和膨胀卷积层对时序数据进行处理计算并提取所述时序数据的特征信息，其中，所述时间卷积网络中的因果卷积层和膨胀卷积层进行残差连接，通过残差连接将输入数据与因果卷积层和膨胀卷积层的输出相加；使用激活函数对所述特征信息进行非线性映射，得到所述目标电池的性能状态；
将所述性能状态、所述工作数据和多个关键帧图像输入预设的热失控预测分类模型中，所述热失控预测分类模型包括输入层、注意力机制层、特征融合层、分类层和输出层；通过所述输入层对所述性能状态和所述工作数据进行数据预处理以及数据特征提取，得到数据特征，并对所述多个关键帧图像进行图像特征提取，得到图像特征，其中，所述通过所述输入层对所述性能状态和所述工作数据进行数据预处理以及数据特征提取，得到数据特征包括：将所述性能状态和所述工作数据作为输入层的神经元，并进行特征提取和转换，得到了一个维度为d的数值特征向量，将所述数值特征向量作为数据特征；通过所述注意力机制层分别计算所述数据特征和所述图像特征的注意力权重向量；通过所述特征融合层根据所述注意力权重向量对所述数据特征和所述图像特征进行加权融合，得到融合特征向量；通过所述分类层根据所述融合特征向量计算所述目标电池的热失控预测分类结果，并通过所述输出层输出所述热失控预测分类结果，其中，所述热失控预测分类结果包括过充电、过放电、短路、过热环境和机械损伤；
获取所述热失控预测分类结果对应的热失控防护策略，并根据所述热失控防护策略对所述目标电池进行热失控防护。
2.根据权利要求1所述的电池管理系统的热失控防护方法，其特征在于，所述通过所述分类层根据所述融合特征向量计算所述目标电池的热失控预测分类结果，并通过所述输出层输出所述热失控预测分类结果包括：
通过所述分类层将所述融合特征向量线性变换映射至高维特征空间，得到线性变换结果；
通过预设的激活函数对所述线性变换结果进行非线性变换，得到非线性变换结果；
通过所述分类层中的全连接层根据所述非线性变换结果计算目标电池对应不同类型的热失控成因的概率，并将概率最高的热失控成因作为所述目标电池的热失控预测分类结果；
通过所述输出层输出所述热失控预测分类结果。
3.一种电池管理系统的热失控防护装置，其特征在于，所述电池管理系统的热失控防护装置包括：
获取模块，用于确定所述电池管理系统管理的目标电池，并实时获取所述目标电池在工作过程中的工作数据以及热成像视频；
分帧模块，用于对所述热成像视频进行分帧操作，得到所述热成像视频的多个图像帧；对所述多个图像帧进行逐帧比对，计算各图像帧之间的相似度；根据所述多个图像帧的时间轴，将所述相似度大于预设相似度阈值的图像帧抽取为所述热成像视频的关键帧图像，得到多个关键帧图像；
性能检测模块，用于将所述多个关键帧图像输入预设的电池检测模型中，通过所述电池检测模型根据所述多个关键帧图像计算所述目标电池的性能状态，其中，所述将所述多个关键帧图像输入预设的电池检测模型中，通过所述电池检测模型根据所述多个关键帧图像计算所述目标电池的性能状态包括：将所述多个关键帧图像输入预设的电池检测模型中，对所述多个关键帧图像进行特征提取，得到各关键帧图像的特征表示，所述电池检测模型还包括时间卷积网络；将各所述特征表示按照所述热成像视频的时间轴，生成对应的时序数据；对所述时序数据进行数据预处理，并将数据预处理后的时序数据输入所述时间卷积网络；通过所述时间卷积网络中的因果卷积层和膨胀卷积层对时序数据进行处理计算并提取所述时序数据的特征信息，其中，所述时间卷积网络中的因果卷积层和膨胀卷积层进行残差连接，通过残差连接将输入数据与因果卷积层和膨胀卷积层的输出相加；使用激活函数对所述特征信息进行非线性映射，得到所述目标电池的性能状态；
预测模块，用于将所述性能状态、所述工作数据和多个关键帧图像输入预设的热失控预测分类模型中，所述热失控预测分类模型包括输入层、注意力机制层、特征融合层、分类层和输出层；通过所述输入层对所述性能状态和所述工作数据进行数据预处理以及数据特征提取，得到数据特征，并对所述多个关键帧图像进行图像特征提取，得到图像特征，其中，所述通过所述输入层对所述性能状态和所述工作数据进行数据预处理以及数据特征提取，得到数据特征包括：将所述性能状态和所述工作数据作为输入层的神经元，并进行特征提取和转换，得到了一个维度为d的数值特征向量，将所述数值特征向量作为数据特征；通过所述注意力机制层分别计算所述数据特征和所述图像特征的注意力权重向量；通过所述特征融合层根据所述注意力权重向量对所述数据特征和所述图像特征进行加权融合，得到融合特征向量；通过所述分类层根据所述融合特征向量计算所述目标电池的热失控预测分类结果，并通过所述输出层输出所述热失控预测分类结果，其中，所述热失控预测分类结果包括过充电、过放电、短路、过热环境和机械损伤；
防护模块，用于获取所述热失控预测分类结果对应的热失控防护策略，并根据所述热失控防护策略对所述目标电池进行热失控防护。
4.一种电池管理系统的热失控防护设备，其特征在于，所述电池管理系统的热失控防护设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述电池管理系统的热失控防护设备执行如权利要求1-2中任意一项所述的电池管理系统的热失控防护方法的步骤。
5.一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指令，其特征在于，所述指令被处理器执行时实现如权利要求1-2中任意一项所述电池管理系统的热失控防护方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311508624.XA CN117237349B (zh) | 2023-11-14 | 2023-11-14 | 电池管理系统的热失控防护方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311508624.XA CN117237349B (zh) | 2023-11-14 | 2023-11-14 | 电池管理系统的热失控防护方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117237349A CN117237349A (zh) | 2023-12-15 |
| CN117237349B true CN117237349B (zh) | 2024-03-05 |
Family
ID=89098802
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311508624.XA Active CN117237349B (zh) | 2023-11-14 | 2023-11-14 | 电池管理系统的热失控防护方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117237349B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117434452B (zh) * | 2023-12-08 | 2024-03-05 | 珠海市嘉德电能科技有限公司 | 锂电池充放电检测方法、装置、设备及存储介质 |
| CN117436595B (zh) * | 2023-12-20 | 2024-03-29 | 深圳市联特微电脑信息技术开发有限公司 | 新能源汽车能耗预测方法、装置、设备及存储介质 |
| CN117474905A (zh) * | 2023-12-26 | 2024-01-30 | 广东贝洛新材料科技有限公司 | 材料性能检测方法、装置、设备及存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110501644A (zh) * | 2019-08-14 | 2019-11-26 | 中国电力科学研究院有限公司 | 二次电池的热失控监控及防护方法、系统 |
| CN111595461A (zh) * | 2020-06-23 | 2020-08-28 | 中国民用航空飞行学院 | 一种锂离子电池热失控火灾探测预警综合实验系统及方法 |
| CN113777496A (zh) * | 2021-09-06 | 2021-12-10 | 北京化工大学 | 基于时间卷积神经网络的锂离子电池剩余寿命预测方法 |
| US11309596B1 (en) * | 2020-03-30 | 2022-04-19 | Amazon Technologies, Inc. | Infrared thermal run-away detection for battery packs |
| CN114509685A (zh) * | 2022-02-21 | 2022-05-17 | 重庆工商大学 | 一种构建锂离子电池热失控预测模型的方法及预测系统 |
| CN116071359A (zh) * | 2023-03-08 | 2023-05-05 | 中汽研新能源汽车检验中心(天津)有限公司 | 一种电池老化程度检测方法、电子设备及存储介质 |
| CN116342520A (zh) * | 2023-03-21 | 2023-06-27 | 楚能新能源股份有限公司 | 一种基于卷积神经网络的电芯热失控检测方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11967850B2 (en) * | 2019-08-21 | 2024-04-23 | SparkCognition, Inc. | Systems and methods of applying artificial intelligence to battery technology |
-
2023
- 2023-11-14 CN CN202311508624.XA patent/CN117237349B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110501644A (zh) * | 2019-08-14 | 2019-11-26 | 中国电力科学研究院有限公司 | 二次电池的热失控监控及防护方法、系统 |
| US11309596B1 (en) * | 2020-03-30 | 2022-04-19 | Amazon Technologies, Inc. | Infrared thermal run-away detection for battery packs |
| CN111595461A (zh) * | 2020-06-23 | 2020-08-28 | 中国民用航空飞行学院 | 一种锂离子电池热失控火灾探测预警综合实验系统及方法 |
| CN113777496A (zh) * | 2021-09-06 | 2021-12-10 | 北京化工大学 | 基于时间卷积神经网络的锂离子电池剩余寿命预测方法 |
| CN114509685A (zh) * | 2022-02-21 | 2022-05-17 | 重庆工商大学 | 一种构建锂离子电池热失控预测模型的方法及预测系统 |
| CN116071359A (zh) * | 2023-03-08 | 2023-05-05 | 中汽研新能源汽车检验中心(天津)有限公司 | 一种电池老化程度检测方法、电子设备及存储介质 |
| CN116342520A (zh) * | 2023-03-21 | 2023-06-27 | 楚能新能源股份有限公司 | 一种基于卷积神经网络的电芯热失控检测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 锂离子动力电池热失控与安全管理研究综述;朱晓庆 等;机械工程学报;20200720(14);第105-132页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117237349A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117237349B (zh) | 电池管理系统的热失控防护方法、装置、设备及存储介质 | |
| EP4130766A1 (en) | Battery detection method and apparatus | |
| CN105277896B (zh) | 基于elm‑mukf的锂电池剩余寿命预测方法 | |
| KR102247052B1 (ko) | 배터리의 이상 상태를 감지하는 장치 및 방법 | |
| CN108020781B (zh) | 一种断路器故障诊断方法 | |
| CN112630662B (zh) | 一种基于数据驱动及多参数融合的动力电池soh估算方法 | |
| CN114744309B (zh) | 基于bms的电池安全管理方法、装置、设备及存储介质 | |
| CN116154900B (zh) | 一种电池储能电站的主动安全三级防控系统及方法 | |
| CN116643178B (zh) | 一种电池管理系统的soc估算方法及相关装置 | |
| CN115902646B (zh) | 一种储能电池故障识别方法及系统 | |
| Zhang et al. | State‐of‐health estimation for the lithium‐ion battery based on gradient boosting decision tree with autonomous selection of excellent features | |
| CN116660759B (zh) | 基于bms电池管理系统的电池寿命预测方法及装置 | |
| CN114639881A (zh) | 一种深度学习的锂离子电池热失控预警方法 | |
| CN112884199A (zh) | 水电站设备故障预测方法、装置、计算机设备和存储介质 | |
| Wang et al. | Internal temperature prediction of ternary polymer lithium‐ion battery pack based on CNN and virtual thermal sensor technology | |
| CN116400244B (zh) | 储能电池的异常检测方法及装置 | |
| CN115508713A (zh) | 一种电池系统安全预警方法、装置、存储介质及设备 | |
| CN115034471A (zh) | 一种储能故障预测方法及其装置 | |
| Ferreira et al. | Intelligent Industrial IoT system for detection of short-circuit failure in windings of wind turbines | |
| CN113935423A (zh) | 耦合模糊控制规则与Elman神经网络的动力电池故障预警方法与系统 | |
| KR20210108076A (ko) | 열분포 영상을 활용한 머신러닝 기반 배터리 충전상태 추정 방법 | |
| CN117434452B (zh) | 锂电池充放电检测方法、装置、设备及存储介质 | |
| CN117613822B (zh) | 变频器快速停机方法、装置、设备及存储介质 | |
| CN116176353B (zh) | 一种高性能电池的监控方法、装置、设备及存储介质 | |
| KR20230167664A (ko) | 배터리 셀 수명 진단 장치 및 그것의 동작 방법 |
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 |