CN117429262A - 一种新能源汽车火情预警方法和控制器 - Google Patents
一种新能源汽车火情预警方法和控制器 Download PDFInfo
- Publication number
- CN117429262A CN117429262A CN202311591925.3A CN202311591925A CN117429262A CN 117429262 A CN117429262 A CN 117429262A CN 202311591925 A CN202311591925 A CN 202311591925A CN 117429262 A CN117429262 A CN 117429262A
- Authority
- CN
- China
- Prior art keywords
- temperature
- fire
- preset
- battery pack
- new energy
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000008859 change Effects 0.000 claims abstract description 89
- 238000001514 detection method Methods 0.000 claims abstract description 34
- 238000012544 monitoring process Methods 0.000 claims abstract description 20
- 239000007789 gas Substances 0.000 claims description 66
- 238000012549 training Methods 0.000 claims description 46
- 238000012360 testing method Methods 0.000 claims description 34
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 claims description 30
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 19
- 230000017525 heat dissipation Effects 0.000 claims description 15
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 10
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 2
- 230000002265 prevention Effects 0.000 abstract description 2
- 239000003570 air Substances 0.000 description 40
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000001960 triggered effect Effects 0.000 description 5
- 206010000369 Accident Diseases 0.000 description 4
- 238000007599 discharging Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000013021 overheating Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 230000006378 damage Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 239000000779 smoke Substances 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
- B60L3/0046—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electric energy storage systems, e.g. batteries or capacitors
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/12—Recording operating variables ; Monitoring of operating variables
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
- B60L2240/545—Temperature
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Secondary Cells (AREA)
Abstract
一种新能源汽车火情预警方法和控制器,应用于火灾预防与控制领域,该方法包括实时监测新能源汽车中电池组的温度变化,得到温度数据序列;通过预设的温度检测模型对温度数据序列进行分析,得到目标温度变化趋势;在确定目标温度变化趋势与电池组进行充放电时的标准温度变化趋势不一致时,获取由传感器采集的空气温度和气体浓度;将空气温度和气体浓度输入至预设的火情预测模型中,得到火情预测概率;根据火情预测概率确定新能源汽车是否存在火灾风险;在根据火情预测概率确定新能源汽车存在火灾风险的情况下,触发预设警报装置。本申请具有及时预测火灾的发生,提高新能源汽车火情预警的准确性和及时性的效果。
Description
技术领域
本申请涉及火灾预防与控制领域,尤其涉及一种新能源汽车火情预警方法和控制器。
背景技术
随着新能源汽车的普及,其安全性问题也日益受到关注。其中,电池火灾是新能源汽车的主要安全隐患之一。由于电池在充电、放电或使用过程中可能出现过热、短路等问题,从而引发火灾。因此,开发一种有效的新能源汽车火情预警方法,对于保障车辆安全和乘客生命财产安全具有重要意义。
在相关技术中,已经有一些方法和技术被用于新能源汽车的火情预警。例如,通过安装温度传感器和烟雾传感器来实时监测电池的温度和烟雾浓度,当检测到异常时发出警报。此外,还可以利用火焰探测器来探测电池是否发生燃烧。然而,在未发生火灾时,如何及时预测火灾的发生,提高新能源汽车火情预警的准确性和及时性是一个待解决的问题。
发明内容
本申请提供了一种新能源汽车火情预警方法和控制器,用于及时预测火灾的发生,提高新能源汽车火情预警的准确性和及时性。
第一方面,本申请提供了一种新能源汽车火情预警方法,方法包括:实时监测新能源汽车中电池组的温度变化,得到温度数据序列,温度数据序列包括在预设时长内各个时刻对应的温度值;通过预设的温度检测模型对温度数据序列进行分析,得到目标温度变化趋势;在确定目标温度变化趋势与电池组进行充放电时的标准温度变化趋势不一致时,获取由传感器采集的空气温度和气体浓度,气体浓度为一氧化碳、二氧化硫以及氮氧化物的混合气体的浓度;将空气温度和气体浓度输入至预设的火情预测模型中,得到火情预测概率;根据火情预测概率确定新能源汽车是否存在火灾风险;在根据火情预测概率确定新能源汽车存在火灾风险的情况下,触发预设警报装置。
在上述实施例中,通过实时监测新能源汽车中电池组的温度变化,并根据预设的温度检测模型对温度数据序列进行分析,得到目标温度变化趋势。当目标温度变化趋势与电池组进行充放电时的标准温度变化趋势不一致时,使用传感器采集的空气温度和气体浓度,并输入预设的火情预测模型中,得到火情预测概率。通过火情预测概率确定新能源汽车是否存在火灾风险,当存在火灾风险时,触发预设的警报装置,可以及时监测新能源汽车的温度变化,并通过火情预测概率提前发现火灾风险,有效预防火灾的发生。
结合第一方面的一些实施例,在一些实施例中,在通过预设的温度检测模型对温度数据序列进行分析,得到目标温度变化趋势的步骤之前,方法还包括:获取温度数据样本,温度数据样本中包括不同时刻的温度值;对温度数据样本进行预处理,预处理包括去除异常值、填补缺失值操作;将温度数据样本划分为训练集和测试集;使用训练集对预设第一模型进行训练,使用测试集对训练好的预设第一模型进行评估;在确定预设第一模型的准确性达到预设第一准确度阈值时,得到温度检测模型。
在上述实施例中,首先获取温度数据样本,并对其进行预处理操作;然后将温度数据样本划分为训练集和测试集,并使用训练集对预设的第一模型进行训练,使用测试集评估模型的准确性。当预设的第一模型准确性达到预设的阈值时,得到温度检测模型,以提高模型的准确性和可靠性,提高火情预测的准确度。
结合第一方面的一些实施例,在一些实施例中,在确定目标温度变化趋势与电池组进行充放电时的标准温度变化趋势不一致时,获取由传感器采集的空气温度和气体浓度,具体包括:获取电池组进行充电时的第一温度数据序列和电池组进行放电时的第二温度数据序列;将第一温度数据序列和第二温度数据序列输入至预设的温度检测模型中,得到电池组进行充放电时的标准温度变化趋势;计算目标温度变化趋势与标准温度变化趋势的相关性,确定目标温度变化趋势与电池组进行充放电时的标准温度变化趋势是否一致;在确定目标温度变化趋势与电池组进行充放电时的标准温度变化趋势不一致时,获取由传感器采集的空气温度和气体浓度。
在上述实施例中,通过获取电池组进行充电和放电时的温度数据序列,并将其输入预设的温度检测模型中,得到电池组进行充放电时的标准温度变化趋势。然后计算目标温度变化趋势与标准温度变化趋势的相关性,判断它们是否一致。当两者不一致时,获取传感器采集的空气温度和气体浓度,以通过对电池组周围环境的监测,提高火情预测的准确性和可靠性。
结合第一方面的一些实施例,在一些实施例中,根据火情预测概率确定新能源汽车是否存在火灾风险,具体包括:根据火情预测概率,确定火灾风险发生的概率值;当概率值超过预设风险概率时,确定新能源汽车存在火灾风险。
在上述实施例中,通过火情预测概率确定火灾风险发生的概率值:根据预设的火情预测模型,将输入的空气温度和气体浓度数据进行分析和计算,得到火情预测概率。火情预测概率反映了当前条件下新能源汽车发生火灾的可能性。如果火情预测概率超过了预设的风险概率阈值,意味着新能源汽车存在着较高的火灾风险。准确地评估新能源汽车存在火灾风险的可能性有助于及时采取预防措施,保护车辆和人员的安全,减少火灾造成的损失和伤害。
结合第一方面的一些实施例,在一些实施例中,实时监测新能源汽车中电池组的温度变化,得到温度数据序列,温度数据序列包括在预设时长内各个时刻对应的温度值的步骤之后,方法还包括:在电池组的温度超过预设第一温度阈值时,将电池组断开连接;在电池组的温度低于预设第一温度阈值且高于预设第二温度阈值时,向散热装置发送散热指令。
在上述实施例中,当电池组的温度超过预设的第一温度阈值时,断开电池组连接可以避免进一步升温,防止电池组过热,减少火灾风险和其他潜在的安全问题。断开电池组连接还可以防止可能的电池过热引起的电气故障和损坏。当电池组的温度低于预设的第一温度阈值且高于预设的第二温度阈值时,向散热装置发送散热指令可以有效降低温度,保持电池组在正常工作温度范围内,防止电池组过热,保证其性能和寿命,并减少火灾风险。通过及时的散热措施,可以有效地控制电池组的温度,确保其处于安全和稳定的工作状态。
结合第一方面的一些实施例,在一些实施例中,在将空气温度和气体浓度输入至预设的火情预测模型中,得到火情预测概率的步骤之前,方法还包括:获取历史空气温度和历史气体浓度;对历史空气温度和历史气体浓度进行特征工程处理,得到数据集,特征工程处理包括特征选择、特征缩放以及特征变换操作;将数据集划分为训练集和测试集;将训练集输入至预设第二模型进行训练,使用测试集评估预设第二模型的预测准确度;在确定预测准确度超过预设第二准确度阈值时,得到火情预测模型。
在上述实施例中,通过获取历史数据、特征工程处理、数据集划分和模型训练评估,得到一个具有较高预测准确度的火情预测模型,以便有效地预测新能源汽车的火灾风险,并为采取相应的预防措施提供可靠的依据。
结合第一方面的一些实施例,在一些实施例中,在根据火情预测概率确定新能源汽车存在火灾风险的情况下,触发预设警报装置的步骤之后,方法还包括:根据火灾风险确定发生火灾风险的大致位置;将大致位置显示在车载显示屏上,使得驾驶员及时采取相应的措施避免火灾的发生。
在上述实施例中,在确定火灾风险后,通过将大致位置显示在车载显示屏上,提供及时的位置信息给驾驶员,使其能够快速采取相应的措施来避免火灾的发生。这有助于提高新能源汽车的安全性,减少火灾风险对车辆和乘员的潜在威胁。
第二方面,本申请实施例提供了一种控制器,该控制器包括:监测模块,用于实时监测新能源汽车中电池组的温度变化,得到温度数据序列,温度数据序列包括在预设时长内各个时刻对应的温度值;
分析模块,用于通过预设的温度检测模型对温度数据序列进行分析,得到目标温度变化趋势;
获取模块,用于在确定目标温度变化趋势与电池组进行充放电时的标准温度变化趋势不一致时,获取由传感器采集的空气温度和气体浓度,气体浓度为一氧化碳、二氧化硫以及氮氧化物的混合气体的浓度;
确定模块,用于将空气温度和气体浓度输入至预设的火情预测模型中,得到火情预测概率;
判断模块,用于根据火情预测概率确定新能源汽车是否存在火灾风险;
触发模块,用于在根据火情预测概率确定新能源汽车存在火灾风险的情况下,触发预设警报装置。
第三方面,本申请实施例提供了一种控制器,该控制器包括:一个或多个处理器和存储器;该存储器与该一个或多个处理器耦合,该存储器用于存储计算机程序代码,该计算机程序代码包括计算机指令,该一个或多个处理器调用该计算机指令以使得该控制器执行如第一方面以及第一方面中任一可能的实现方式描述的方法。
第四方面,本申请实施例提供一种包含指令的计算机程序产品,当上述计算机程序产品在控制器上运行时,使得上述控制器执行如第一方面以及第一方面中任一可能的实现方式描述的方法。
第五方面,本申请实施例提供一种计算机可读存储介质,包括指令,当上述指令在控制器上运行时,使得上述控制器执行如第一方面以及第一方面中任一可能的实现方式描述的方法。
可以理解地,上述第二方面、第三方面提供的控制器,第四方面提供的计算机程序产品和第五方面提供的计算机存储介质均用于执行本申请实施例所提供的方法。因此,其所能达到的有益效果可参考对应方法中的有益效果,此处不再赘述。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1.由于采用了温度检测模型和火情预测模型,实现了对新能源汽车火灾风险的精确预测。传统方法往往只依靠单一的温度监测来判断火灾风险,而本发明结合了多种参数,如空气温度和气体浓度,通过模型分析和判断,有效提高了预测的准确性和可靠性。本申请能够及时发现潜在的火灾风险,为驾驶员和相关人员提供了时间来采取应急措施,从而避免火灾事故的发生,保障人身和财产的安全。
2、由于采用了通过实时监测新能源汽车中电池组的温度变化,并根据预设的温度检测模型对温度数据序列进行分析,得到目标温度变化趋势。当目标温度变化趋势与电池组进行充放电时的标准温度变化趋势不一致时,使用传感器采集的空气温度和气体浓度,并输入预设的火情预测模型中,得到火情预测概率。通过火情预测概率确定新能源汽车是否存在火灾风险,当存在火灾风险时,触发预设的警报装置,可以及时监测新能源汽车的温度变化,并通过火情预测概率提前发现火灾风险,有效预防火灾的发生。
3、由于采用了通过获取电池组进行充电和放电时的温度数据序列,并将其输入预设的温度检测模型中,得到电池组进行充放电时的标准温度变化趋势。然后计算目标温度变化趋势与标准温度变化趋势的相关性,判断它们是否一致。当两者不一致时,获取传感器采集的空气温度和气体浓度,以通过对电池组周围环境的监测,提高火情预测的准确性和可靠性。
附图说明
图1是本申请实施例中新能源汽车火情预警方法的一个流程示意图;
图2是本申请实施例中新能源汽车火情预警方法的另一个流程示意图;
图3是本申请实施例中控制器的一种功能模块结构示意图;
图4是本申请实施例中控制器的一种实体装置结构示意图。
具体实施方式
本申请以下实施例中所使用的术语只是为了描述特定实施例的目的,而并非旨在作为对本申请的限制。如在本申请的说明书和所附权利要求书中所使用的那样,单数表达形式“一个”、“一种”、“”、“上述”、“该”和“这一”旨在也包括复数表达形式,除非其上下文中明确地有相反指示。还应当理解,本申请中使用的术语“和/或”是指包含一个或多个所列出项目的任何或所有可能组合。
以下,术语“第一”、“第二”仅用于描述目的,而不能理解为暗示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征,在本申请实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
为便于理解,下面介绍本申请实施例的应用场景。在当前的新能源汽车技术领域中,电池是关键的能源储存装置。然而,由于电池的特性和工作环境的不确定性,存在着潜在的火灾风险。因此,需要一种有效的方法来预警和控制新能源汽车的火灾风险,以确保驾驶员和车辆的安全。
在一个城市的场景中,有一家物流公司拥有一支大型的新能源汽车车队,负责运输货物。每辆车都搭载了高容量的电池组,以满足长距离运输的需求。然而,由于电池组的充放电过程中温度的变化以及周围环境的条件,车辆发生火灾的风险增加。
该物流公司依靠驾驶员的经验和观察来判断车辆是否存在火灾风险。然而,这种方法存在很大的局限性,驾驶员可能无法准确判断电池组的温度变化趋势以及周围环境中潜在的火灾危险因素,从而导致火灾事故的发生。
因此,需要一种新的方法来实时监测和预测新能源汽车的火灾风险,及时采取措施以防止火灾事故的发生。这就是本申请提出的一种新能源汽车火情预警方法和控制器的主要需要解决的问题。
在目前的技术中,某些新能源汽车可能使用温度传感器来监测电池组的温度变化。当温度超过设定阈值时,控制器会触发警报,提醒驾驶员注意火灾风险。然而,这种方法存在一些缺陷。
假设一辆新能源汽车使用了传统的温度传感器来监测电池组的温度变化。当温度超过预设阈值时,控制器发出警报并切断电池供电。然而,由于温度的瞬时变化和环境因素的影响,传感器可能会出现误报警情况,导致车辆的正常运行受到干扰。
此外,传统的温度监测方法仅仅关注电池组的温度变化,无法全面评估周围环境中的火灾风险因素,如空气温度和气体浓度。因此,在现有技术中,对于预警和控制新能源汽车火灾风险的方法仍然存在一定的缺陷。
在本申请提出的新能源汽车火情预警方法中,通过实时监测电池组的温度变化,并结合预设的温度检测模型和火情预测模型,可以更准确地预测和预警火灾风险。
假设一辆新能源汽车使用了本申请提出的方法进行火灾风险预警。控制器实时监测电池组的温度变化,并通过预设的温度检测模型分析得到目标温度变化趋势。同时,传感器采集周围环境的空气温度和气体浓度输入至预设的火情预测模型中,得到火情预测概率。根据火情预测概率,控制器可以准确判断新能源汽车是否存在火灾风险,并及时触发预设警报装置,采取相应的措施来防止火灾事故的发生。
通过本方案,驾驶员和车辆管理人员可以更加可靠地了解新能源汽车的火灾风险状况,并采取适当的措施来保障车辆和人员的安全。相比传统的温度监测方法,本方案考虑了周围环境因素,提供了更全面的火情预测和预警功能,可以有效地弥补现有技术的缺陷。
为便于理解,下面结合上述场景,对本实施提供的方法进行流程叙述。请参阅图1,为本申请实施例中新能源汽车火情预警方法的一个流程示意图。
S101、实时监测新能源汽车中电池组的温度变化,得到温度数据序列;
温度数据序列包括在预设时长内各个时刻对应的温度值。
通过新能源汽车的电池组中的温度传感器,获取电池组的温度。温度传感器可以直接接触电池组或位于其附近。将不同时刻获取的电池组的温度记录,形成温度数据序列。
S102、通过预设的温度检测模型对温度数据序列进行分析,得到目标温度变化趋势;
使用经过训练的温度检测模型,对待分析的温度数据序列进行分析。根据温度检测模型的输出结果,可以得到目标温度变化趋势。
S103、在确定目标温度变化趋势与电池组进行充放电时的标准温度变化趋势不一致时,获取由传感器采集的空气温度和气体浓度;
气体浓度为一氧化碳、二氧化硫以及氮氧化物的混合气体的浓度。
控制器通过统计方法或数据可视化技术检查目标温度变化趋势是否偏离了电池组进行充放电时的标准温度变化趋势。在确定偏离时,通过新能源汽车上的空气传感器和气体浓度传感器获取空气温度和气体浓度。
其中,气体浓度传感器包括一氧化碳传感器、二氧化硫传感器以及氮氧化物传感器,通过这些传感器获取一氧化碳、二氧化硫以及氮氧化物的混合气体的浓度。
可选的,一般情况下,在确定目标温度变化趋势与电池组进行充放电时的标准温度变化趋势不一致时,获取由传感器采集的空气温度和气体浓度可以通过如下方式来实现:
获取电池组进行充电时的第一温度数据序列和电池组进行放电时的第二温度数据序列;将第一温度数据序列和第二温度数据序列输入至预设的温度检测模型中,得到电池组进行充放电时的标准温度变化趋势;计算目标温度变化趋势与标准温度变化趋势的相关性,确定目标温度变化趋势与电池组进行充放电时的标准温度变化趋势是否一致;在确定目标温度变化趋势与电池组进行充放电时的标准温度变化趋势不一致时,获取由传感器采集的空气温度和气体浓度。
在电池组进行充电时,记录第一温度数据序列;在电池组进行放电时,记录第二温度数据序列。
将第一温度数据序列和第二温度数据序列输入预设的温度检测模型中。温度检测模型可以是一个统计模型、机器学习模型或其他温度分析算法。该温度检测模型将分析输入的第一温度数据序列和第二温度数据序列,并生成电池组进行充放电时的标准温度变化趋势。
将目标温度变化趋势与标准温度变化趋势进行比较,使用相关性分析方法,如相关系数来计算它们之间的相关性。较高的相关性表明目标温度变化趋势与标准温度变化趋势较为一致,较低的相关性则可能表示两者存在不一致。
根据相关性,确定目标温度变化趋势与电池组进行充放电时的标准温度变化趋势是否一致。如果相关性较高,则可以认为它们一致;如果相关性较低,则表示存在不一致性。
如果目标温度变化趋势与标准温度变化趋势不一致,获取由传感器采集的空气温度和气体浓度数据。
S104、将空气温度和气体浓度输入至预设的火情预测模型中,得到火情预测概率;
将空气温度和气体浓度数据输入到预设的火情预测模型中。火情预测模型可以是基于机器学习的分类模型、神经网络模型或其他适用于火情预测的模型。
通过运行火情预测模型,获取火情预测概率作为输出结果。火情预测概率表示在给定的空气温度和气体浓度条件下,发生火情的可能性。
S105、根据火情预测概率确定新能源汽车是否存在火灾风险;
控制器根据火情预测概率,进行火灾风险评估。控制器根据火情预测概率,确定火灾风险等级为低风险、中风险和高风险等级,当火情预测概率表示火灾风险等级为高风险时,则认为存在火灾风险。
可选的,一般情况下,根据火情预测概率确定新能源汽车是否存在火灾风险可以通过如下方式来实现:
根据火情预测概率,确定火灾风险发生的概率值;当概率值超过预设风险概率时,确定新能源汽车存在火灾风险。
根据火情预测概率,控制器设定一个合理的火灾风险的概率值,当火情预测概率超过该阈值时,认为新能源汽车存在火灾风险。
S106、在根据火情预测概率确定新能源汽车存在火灾风险的情况下,触发预设警报装置。
确定警报装置,警报装置可以是声音警报器、光闪警报灯和短信/邮件提醒等。根据火情预测概率,确定触发警报的条件。当火情预测模型输出的火情预测概率确定存在火灾风险,触发警报装置。
下面对本实施例的场景进行补充。
在结合上述场景后,下面对本实施提供的方法进行进一步的更具体的流程叙述。请参阅图2,为本申请实施例中新能源汽车火情预警方法的另一个流程示意图。
在图2所示实施例的步骤S101以及步骤S102之间可以执行如下步骤:
S201、在电池组的温度超过预设第一温度阈值时,将电池组断开连接;
根据电池组的规格确定一个适当的第一温度阈值。该第一温度阈值应基于电池组的最大安全操作温度,当温度传感器检测到电池组的温度超过预设的第一温度阈值时,触发断开连接的操作。
S202、在电池组的温度低于预设第一温度阈值且高于预设第二温度阈值时,向散热装置发送散热指令;
当温度传感器检测到电池组的温度低于第一阈值且高于第二阈值时,触发向散热装置发送散热指令的操作。
控制器一旦判断电池组的温度范围符合条件,向散热装置发送散热指令。散热装置可以是散热风扇、调节散热片等。
可以理解的是,在一些实施例中,步骤S201~S202也可以不执行,这样在执行完步骤S101可以直接执行步骤S102,此处不作限定。
在图2所示实施例的步骤S101以及步骤S102之间可以执行如下步骤:
S203、获取温度数据样本,温度数据样本中包括不同时刻的温度值;
通过新能源汽车的电池组中的温度传感器,获取电池组的温度。温度传感器可以直接接触电池组或位于其附近。
将不同时刻获取的电池组的温度记录,形成温度数据序列。
确定进行温度采样的频率,较高的采样频率可以提供更精细的温度变化信息。根据设置的温度采样的频率,定期读取温度传感器输出的温度值。记录下每个时间点的温度值,并将其组成温度数据样本。
S204、对温度数据样本进行预处理,预处理包括去除异常值、填补缺失值操作;
根据选择的去除异常值和填补缺失值的方法,对温度数据样本进行相应的操作。去除异常值时,可以删除或标记异常值。填补缺失值时,根据选择的填补策略进行填补操作。常见的填补策略包括均值或中位数填补和插值方法
S205、将温度数据样本划分为训练集和测试集;
通过随机划分将温度数据样本划分为训练集和测试集,将温度数据样本划分为70%至80%的训练集和20%至30%的测试集。
使用训练集来训练模型,通过学习样本的模式和特征来建立模型。然后,使用测试集来评估模型的性能,并进行性能指标的计算。
S206、使用训练集对预设第一模型进行训练,使用测试集对训练好的预设第一模型进行评估;
将训练集和测试集分别拆分为特征和标签。特征是用于训练预设第一模型的输入变量,而标签是预测预设第一模型的目标变量。特征可能是时间、日期或其他与温度相关的变量,而标签是温度值本身。
预设第一模型可以是线性回归、决策树、随机森林等常见的回归模型。
使用训练集对预设第一模型进行训练。将特征和对应的标签提供给预设第一模型,让预设第一模型学习特征与标签之间的关系。预设第一模型会根据训练数据进行参数调整和学习,以最小化预测值与实际标签之间的差异。
使用测试集对训练好的预设第一模型进行评估。将测试集的特征输入到预设第一模型中进行预测,并与测试集的实际标签进行比较。常见的评估指标包括均方根误差、平均绝对误差和决定系数等。
S207、在确定预设第一模型的准确性达到预设第一准确度阈值时,得到温度检测模型;
根据预设第一模型在测试集上的准确性评估结果,判断是否达到了预设第一准确度阈值。如果预设第一模型的准确度达到或超过了预设第一准确度阈值,那么预设第一模型已经满足预设的准确性要求。
可以理解的是,在一些实施例中,步骤S203~S207也可以不执行,这样在执行完步骤S101可以直接执行步骤S102,此处不作限定。
在图2所示实施例的步骤S103以及步骤S104之间可以执行如下步骤:
S208、获取历史空气温度和历史气体浓度;
通过新能源汽车上的空气传感器和气体浓度传感器获取历史空气温度和历史气体浓度。
其中,气体浓度传感器包括一氧化碳传感器、二氧化硫传感器以及氮氧化物传感器,通过这些传感器获取一氧化碳、二氧化硫以及氮氧化物的混合气体的浓度。
S209、对历史空气温度和历史气体浓度进行特征工程处理,得到数据集,
特征工程处理包括特征选择、特征缩放以及特征变换操作;
特征选择包括通过计算历史空气温度和气体浓度之间的相关性,选择与温度检测相关性较高的特征。
特征缩放包括对历史空气温度和历史气体浓度进行标准化,使其具有零均值和单位方差。将历史空气温度和历史气体浓度缩放到特定的范围,例如[0, 1]。
特征变换包括将历史空气温度和历史气体浓度的多项式特征添加到数据集中。
S210、将数据集划分为训练集和测试集;
通过随机划分将数据集划分为训练集和测试集,将数据集划分为70%至80%的训练集和20%至30%的测试集。
使用训练集来训练模型,通过学习样本的模式和特征来建立模型。然后,使用测试集来评估模型的性能,并进行性能指标的计算。
S211、将训练集输入至预设第二模型进行训练,使用测试集评估预设第二模型的预测准确度;
将训练集和测试集分别拆分为特征和标签。特征是用于训练预设第二模型的输入变量,而标签是预测预设第二模型的目标变量。
预设第二模型可以是线性回归、决策树、随机森林等常见的回归模型。
使用训练集对预设第二模型进行训练。将特征和对应的标签提供给预设第二模型,让预设第二模型学习特征与标签之间的关系。预设第二模型会根据训练数据进行参数调整和学习,以最小化预测值与实际标签之间的差异。
使用测试集对训练好的预设第二模型进行评估。将测试集的特征输入到预设第一模型中进行预测,并与测试集的实际标签进行比较。常见的评估指标包括均方根误差、平均绝对误差和决定系数等。
S212、在确定预测准确度超过预设第二准确度阈值时,得到火情预测模型;
根据预设第二模型在测试集上的预测准确度,判断是否达到了预设第二准确度阈值。如果预设第二模型的预测准确度达到或超过了预设第二准确度阈值,那么预设第二模型已经满足预设的准确性要求。
可以理解的是,在一些实施例中,步骤S208~S212也可以不执行,这样在执行完步骤S103可以直接执行步骤S104,此处不作限定。
在图2所示实施例的步骤S106之后可以执行如下步骤:
S213、根据火灾风险确定发生火灾风险的大致位置;
利用传感器、监测设备等技术手段,实时采集新能源汽车及其周围环境的数据。这些数据可以包括电池温度、电流、电压等相关参数,以及周围空气温度和气体浓度。通过对这些数据进行实时监测和分析,可以及时发现潜在的火灾风险。
S214、将大致位置显示在车载显示屏上,使得驾驶员及时采取相应的措施避免火灾的发生。
控制器与车载显示屏建立通信连接,显示屏将确定的大致位置以圆圈的图形标志显示,以告知驾驶员及时采取相应的措施,从而避免火灾的发生。
可以理解的是,在一些实施例中,步骤S213~S214也可以不执行,这样在执行完步骤S106之后直接结束,此处不作限定。
下面从模块的角度介绍本申请实施例中的控制器。请参阅图3,为本申请实施例中控制器的一种功能模块结构示意图。
该控制器包括:监测模块,用于实时监测新能源汽车中电池组的温度变化,得到温度数据序列,温度数据序列包括在预设时长内各个时刻对应的温度值;
分析模块,用于通过预设的温度检测模型对温度数据序列进行分析,得到目标温度变化趋势;
获取模块,用于在确定目标温度变化趋势与电池组进行充放电时的标准温度变化趋势不一致时,获取由传感器采集的空气温度和气体浓度,气体浓度为一氧化碳、二氧化硫以及氮氧化物的混合气体的浓度;
确定模块,用于将空气温度和气体浓度输入至预设的火情预测模型中,得到火情预测概率;
判断模块,用于根据火情预测概率确定新能源汽车是否存在火灾风险;
触发模块,用于在根据火情预测概率确定新能源汽车存在火灾风险的情况下,触发预设警报装置。
在一些实施例中,该控制器还包括第一训练模块,具体用于:
获取温度数据样本,温度数据样本中包括不同时刻的温度值;
对温度数据样本进行预处理,预处理包括去除异常值、填补缺失值操作;
将温度数据样本划分为训练集和测试集;
使用训练集对预设第一模型进行训练,使用测试集对训练好的预设第一模型进行评估;
在确定预设第一模型的准确性达到预设第一准确度阈值时,得到温度检测模型。
在一些实施例中,该获取模块具体用于:
获取电池组进行充电时的第一温度数据序列和电池组进行放电时的第二温度数据序列;
将第一温度数据序列和第二温度数据序列输入至预设的温度检测模型中,得到电池组进行充放电时的标准温度变化趋势;
计算目标温度变化趋势与标准温度变化趋势的相关性,确定目标温度变化趋势与电池组进行充放电时的标准温度变化趋势是否一致;
在确定目标温度变化趋势与电池组进行充放电时的标准温度变化趋势不一致时,获取由传感器采集的空气温度和气体浓度。
在一些实施例中,该判断模块具体用于:
根据火情预测概率,确定火灾风险发生的概率值;
当概率值超过预设风险概率时,确定新能源汽车存在火灾风险。
在一些实施例中,该控制器还包括降温模块,具体用于:
在电池组的温度超过预设第一温度阈值时,将电池组断开连接;
在电池组的温度低于预设第一温度阈值且高于预设第二温度阈值时,向散热装置发送散热指令。
在一些实施例中,该控制器还包括第二训练模块,具体用于:
获取历史空气温度和历史气体浓度;
对历史空气温度和历史气体浓度进行特征工程处理,得到数据集,特征工程处理包括特征选择、特征缩放以及特征变换操作;
将数据集划分为训练集和测试集;
将训练集输入至预设第二模型进行训练,使用测试集评估预设第二模型的预测准确度;
在确定预测准确度超过预设第二准确度阈值时,得到火情预测模型。
在一些实施例中,该控制器还包括显示模块,具体用于:
根据火灾风险确定发生火灾风险的大致位置;
将大致位置显示在车载显示屏上,使得驾驶员及时采取相应的措施避免火灾的发生。
上面从模块化功能实体的角度对本申请实施例中的控制器进行描述,下面从硬件处理的角度对本发明申请实施例中的控制器进行描述,请参阅图4,为本申请实施例中控制器的一种实体装置结构示意图。
需要说明的是,图4示出的控制器的结构仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示,控制器包括中央处理单元(Central Processing Unit,CPU)401,其可以根据存储在只读存储器(Read-Only Memory,ROM)402中的程序或者从存储部分408加载到随机访问存储器(Random Access Memory,RAM)403中的程序而执行各种适当的动作和处理,例如执行上述实施例中所述的方法。在RAM 403中,还存储有系统操作所需的各种程序和数据。CPU 401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(Input /Output,I/O)接口405也连接至总线404。
以下部件连接至I/O接口405:包括摄像头等的输入部分406;包括液晶显示器(Liquid Crystal Display,LCD)以及麦克风等的输出部分407;包括硬盘等的存储部分408;以及包括诸如LAN(Local Area Network,局域网)卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器410上,以便于从其上读出的计算机程序根据需要被安装入存储部分408。
特别地,根据本发明的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的计算机程序。在这样的实施例中,该计算机程序可以通过通信部分409从网络上被下载和安装,和/或从可拆卸介质411被安装。在该计算机程序被中央处理单元(CPU)401执行时,执行本发明中限定的各种功能。
需要说明的是,本发明实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory,CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的计算机程序。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。其中,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
具体的,本实施例的控制器包括处理器和存储器,存储器上存储有计算机程序,计算机程序被处理器执行时,实现上述实施例提供的新能源汽车火情预警方法。
作为另一方面,本发明还提供了一种计算机可读的存储介质,该存储介质可以是上述实施例中描述的控制器中所包含的;也可以是单独存在,而未装配入该控制器中。上述存储介质承载有一个或者多个计算机程序,当上述一个或者多个计算机程序被一个该控制器的处理器执行时,使得该控制器实现上述实施例中提供的方法。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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申请各实施例技术方案的范围。
上述实施例中所用,根据上下文,术语“当…时”可以被解释为意思是“如果…”或“在…后”或“响应于确定…”或“响应于检测到…”。类似地,根据上下文,短语“在确定…时”或“如果检测到(所陈述的条件或事件)”可以被解释为意思是“如果确定…”或“响应于确定…”或“在检测到(所陈述的条件或事件)时”或“响应于检测到(所陈述的条件或事件)”。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行该计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。该计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。该计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,该计算机指令可以从一个网站的站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站的站点、计算机、服务器或数据中心进行传输。该计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如DVD)、或者半导体介质(例如固态硬盘)等。
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,该流程可以由计算机程序来指令相关的硬件完成,该程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法实施例的流程。而前述的存储介质包括:ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。
Claims (10)
1.一种新能源汽车火情预警方法,其特征在于,所述方法包括:
实时监测新能源汽车中电池组的温度变化,得到温度数据序列,所述温度数据序列包括在预设时长内各个时刻对应的温度值;
通过预设的温度检测模型对所述温度数据序列进行分析,得到目标温度变化趋势;
在确定所述目标温度变化趋势与所述电池组进行充放电时的标准温度变化趋势不一致时,获取由传感器采集的空气温度和气体浓度,所述气体浓度为一氧化碳、二氧化硫以及氮氧化物的混合气体的浓度;
将所述空气温度和所述气体浓度输入至预设的火情预测模型中,得到火情预测概率;
根据所述火情预测概率确定所述新能源汽车是否存在火灾风险;
在根据所述火情预测概率确定所述新能源汽车存在火灾风险的情况下,触发预设警报装置。
2.根据权利要求1所述的方法,其特征在于,在所述通过预设的温度检测模型对所述温度数据序列进行分析,得到目标温度变化趋势的步骤之前,所述方法还包括:
获取温度数据样本,所述温度数据样本中包括不同时刻的温度值;
对所述温度数据样本进行预处理,所述预处理包括去除异常值、填补缺失值操作;
将所述温度数据样本划分为训练集和测试集;
使用所述训练集对预设第一模型进行训练,使用所述测试集对训练好的预设第一模型进行评估;
在确定所述预设第一模型的准确性达到预设第一准确度阈值时,得到所述温度检测模型。
3.根据权利要求1所述的方法,其特征在于,所述在确定所述目标温度变化趋势与所述电池组进行充放电时的标准温度变化趋势不一致时,获取由传感器采集的空气温度和气体浓度,具体包括:
获取所述电池组进行充电时的第一温度数据序列和所述电池组进行放电时的第二温度数据序列;
将所述第一温度数据序列和所述第二温度数据序列输入至预设的温度检测模型中,得到所述电池组进行充放电时的标准温度变化趋势;
计算所述目标温度变化趋势与所述标准温度变化趋势的相关性,确定所述目标温度变化趋势与所述电池组进行充放电时的标准温度变化趋势是否一致;
在确定所述目标温度变化趋势与所述电池组进行充放电时的标准温度变化趋势不一致时,获取由传感器采集的所述空气温度和所述气体浓度。
4.根据权利要求1所述的方法,其特征在于,所述根据所述火情预测概率确定所述新能源汽车是否存在火灾风险,具体包括:
根据所述火情预测概率,确定火灾风险发生的概率值;
当所述概率值超过预设风险概率时,确定新能源汽车存在火灾风险。
5.根据权利要求1所述的方法,其特征在于,所述实时监测新能源汽车中电池组的温度变化,得到温度数据序列,所述温度数据序列包括在预设时长内各个时刻对应的温度值的步骤之后,所述方法还包括:
在所述电池组的温度超过预设第一温度阈值时,将所述电池组断开连接;
在所述电池组的温度低于预设第一温度阈值且高于预设第二温度阈值时,向所述散热装置发送散热指令。
6.根据权利要求1所述的方法,其特征在于,在所述将所述空气温度和所述气体浓度输入至预设的火情预测模型中,得到火情预测概率的步骤之前,所述方法还包括:
获取历史空气温度和历史气体浓度;
对所述历史空气温度和所述历史气体浓度进行特征工程处理,得到数据集,所述特征工程处理包括特征选择、特征缩放以及特征变换操作;
将所述数据集划分为训练集和测试集;
将所述训练集输入至预设第二模型进行训练,使用所述测试集评估预设第二模型的预测准确度;
在确定所述预测准确度超过预设第二准确度阈值时,得到所述火情预测模型。
7.根据权利要求1所述的方法,其特征在于,所述在根据所述火情预测概率确定所述新能源汽车存在火灾风险的情况下,触发预设警报装置的步骤之后,所述方法还包括:
根据所述火灾风险确定发生火灾风险的大致位置;
将所述大致位置显示在车载显示屏上,使得驾驶员及时采取相应的措施避免火灾的发生。
8.一种控制器,其特征在于,包括:
监测模块,用于实时监测新能源汽车中电池组的温度变化,得到温度数据序列,所述温度数据序列包括在预设时长内各个时刻对应的温度值;
分析模块,用于通过预设的温度检测模型对所述温度数据序列进行分析,得到目标温度变化趋势;
获取模块,用于在确定所述目标温度变化趋势与所述电池组进行充放电时的标准温度变化趋势不一致时,获取由传感器采集的空气温度和气体浓度,所述气体浓度为一氧化碳、二氧化硫以及氮氧化物的混合气体的浓度;
确定模块,用于将所述空气温度和所述气体浓度输入至预设的火情预测模型中,得到火情预测概率;
判断模块,用于根据所述火情预测概率确定所述新能源汽车是否存在火灾风险;
触发模块,用于在根据所述火情预测概率确定所述新能源汽车存在火灾风险的情况下,触发预设警报装置。
9.一种控制器,其特征在于,包括:一个或多个处理器和存储器;
所述存储器与所述一个或多个处理器耦合,所述存储器用于存储计算机程序代码,所述计算机程序代码包括计算机指令,所述一个或多个处理器调用所述计算机指令以使得所述控制器执行如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,包括指令,其特征在于,当所述指令在控制器上运行时,使得所述控制器执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311591925.3A CN117429262A (zh) | 2023-11-27 | 2023-11-27 | 一种新能源汽车火情预警方法和控制器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311591925.3A CN117429262A (zh) | 2023-11-27 | 2023-11-27 | 一种新能源汽车火情预警方法和控制器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117429262A true CN117429262A (zh) | 2024-01-23 |
Family
ID=89549901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311591925.3A Pending CN117429262A (zh) | 2023-11-27 | 2023-11-27 | 一种新能源汽车火情预警方法和控制器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117429262A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117746602A (zh) * | 2024-02-19 | 2024-03-22 | 及安盾(海南)科技有限公司 | 基于多源数据融合的火灾风险智能预警方法及系统 |
-
2023
- 2023-11-27 CN CN202311591925.3A patent/CN117429262A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117746602A (zh) * | 2024-02-19 | 2024-03-22 | 及安盾(海南)科技有限公司 | 基于多源数据融合的火灾风险智能预警方法及系统 |
CN117746602B (zh) * | 2024-02-19 | 2024-05-28 | 及安盾(海南)科技有限公司 | 基于多源数据融合的火灾风险智能预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9083064B2 (en) | Battery pack pressure monitoring system for thermal event detection | |
CN209719310U (zh) | 一种bms电池管理系统 | |
CN117429262A (zh) | 一种新能源汽车火情预警方法和控制器 | |
US8154297B2 (en) | System and method for predictive maintenance of a battery assembly using temporal signal processing | |
CN113310647B (zh) | 电池包泄露检测的方法、装置、电子设备及存储介质 | |
CN113415165B (zh) | 一种故障诊断方法、装置、电子设备及存储介质 | |
CN114148216A (zh) | 电池自放电率异常检测方法、系统、设备及存储介质 | |
CN111506048B (zh) | 车辆故障预警方法及相关设备 | |
KR102169791B1 (ko) | 철도차량 주요부품 및 시스템 진단장치 | |
CN116758656A (zh) | 用于车辆监管的车载终端、系统及方法 | |
CN115394033A (zh) | 用于核电厂的智慧消防方法和装置 | |
CN116494766A (zh) | 一种汽车碰撞中电池安全防护方法及系统 | |
CN112307623A (zh) | 电芯热失控预测方法、装置、介质、电池管理系统及车辆 | |
CN114692926A (zh) | 车用电池的安全评估方法、系统、设备及可读存储介质 | |
CN113095763A (zh) | 一种在途商品车的监控方法、装置、系统及介质 | |
CN116661399A (zh) | 一种化工车间安全监控方法以及系统 | |
CN115184808B (zh) | 电池热失控风险检测方法、装置、设备及计算机存储介质 | |
CN113567870A (zh) | 基于边缘计算的电池安全预警系统及方法 | |
CN115951241A (zh) | 一种车载动力锂电池热失控预警保护方法及系统 | |
CN116342013A (zh) | 基于边缘计算的服务区危化品车辆智能监管系统及方法 | |
CN214101878U (zh) | 车灯故障预测系统 | |
EP3206198A1 (en) | Pneumatic fire detectors | |
CN113570840A (zh) | 基于计算机视觉的加油站危险事故预警方法、装置及设备 | |
CN215897886U (zh) | 一种物流管理平台报警装置 | |
CN117630719A (zh) | 热失控风险告警系统、方法、设备和介质 |
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 |