CN117554825B - 电动汽车的充电安全性能检测方法及系统 - Google Patents
电动汽车的充电安全性能检测方法及系统 Download PDFInfo
- Publication number
- CN117554825B CN117554825B CN202410041573.2A CN202410041573A CN117554825B CN 117554825 B CN117554825 B CN 117554825B CN 202410041573 A CN202410041573 A CN 202410041573A CN 117554825 B CN117554825 B CN 117554825B
- Authority
- CN
- China
- Prior art keywords
- heat transfer
- battery pack
- transfer data
- data
- target
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 82
- 238000012546 transfer Methods 0.000 claims abstract description 359
- 238000009826 distribution Methods 0.000 claims abstract description 130
- 238000010438 heat treatment Methods 0.000 claims abstract description 128
- 238000000034 method Methods 0.000 claims abstract description 66
- 230000005856 abnormality Effects 0.000 claims abstract description 64
- 238000005192 partition Methods 0.000 claims abstract description 59
- 238000004458 analytical method Methods 0.000 claims abstract description 43
- 238000005457 optimization Methods 0.000 claims abstract description 36
- 238000012800 visualization Methods 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 230000005855 radiation Effects 0.000 claims abstract description 28
- 238000013461 design Methods 0.000 claims abstract description 19
- 239000003795 chemical substances by application Substances 0.000 claims description 33
- 239000013598 vector Substances 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000012706 support-vector machine Methods 0.000 claims description 18
- 238000013506 data mapping Methods 0.000 claims description 17
- 230000002068 genetic effect Effects 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 12
- 238000013450 outlier detection Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000013433 optimization analysis Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 36
- 230000002159 abnormal effect Effects 0.000 description 24
- 238000007726 management method Methods 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 5
- 230000017525 heat dissipation Effects 0.000 description 5
- 230000020169 heat generation Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000009529 body temperature measurement Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004138 cluster model Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000001816 cooling 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
- 238000013079 data visualisation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000007847 structural defect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000002076 thermal analysis method Methods 0.000 description 1
- 239000002699 waste material Substances 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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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
- B60L58/18—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries of two or more battery modules
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physiology (AREA)
- Data Mining & Analysis (AREA)
- Transportation (AREA)
- Power Engineering (AREA)
- Sustainable Energy (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mechanical Engineering (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Sustainable Development (AREA)
- Secondary Cells (AREA)
Abstract
本申请涉及深度学习技术领域，公开了一种电动汽车的充电安全性能检测方法及系统。所述方法包括：获取目标汽车电池组的第一电池组结构信息并进行充电测试和电池组发热分析，得到目标电池组发热数据集；进行数据集划分，得到壳体辐射传热数据以及电池分区传热数据；进行传热数据三维可视化，得到第一传热数据三维智能体和第二传热数据三维智能体；进行传热分布特征提取，得到第一传热分布特征集合和第二传热分布特征集合；通过发热异常检测模型进行电池组充电发热异常检测，得到目标发热异常检测结果；进行电池组结构设计优化，得到第二电池组结构信息，进而提高了电动汽车的充电安全性能检测准确率。
Description
技术领域
本申请涉及深度学习技术领域，尤其涉及一种电动汽车的充电安全性能检测方法及系统。
背景技术
电动汽车作为清洁能源交通工具的代表，其电池充电安全性能一直是研究和关注的焦点。随着电动汽车的快速发展，电池组发热问题在充电过程中引起了广泛关注。充电过程中的发热异常导致电池寿命缩短、安全性降低以及整车性能下降。
传统的充电安全检测方法往往局限于单一维度的监测，忽视了电池内部和外部结构对热量传递的影响。并且传统的充电安全性能检测方法存在着对数据分析和维度处理的挑战，以及对电池结构设计的不足，进而导致现有技术的准确率低。
发明内容
本申请提供了一种电动汽车的充电安全性能检测方法及系统，进而提高了电动汽车的充电安全性能检测准确率。
本申请第一方面提供了一种电动汽车的充电安全性能检测方法，所述电动汽车的充电安全性能检测方法包括：
获取目标汽车电池组的第一电池组结构信息，并对所述目标汽车电池组进行充电测试和电池组发热分析，得到目标电池组发热数据集；
根据所述第一电池组结构信息对所述目标电池组发热数据集进行数据集划分，得到壳体辐射传热数据以及电池分区传热数据；
对所述壳体辐射传热数据进行传热数据三维可视化，得到第一传热数据三维智能体，并对所述电池分区传热数据进行传热数据三维可视化，得到第二传热数据三维智能体；
对所述第一传热数据三维智能体进行传热分布特征提取，得到第一传热分布特征集合，并对所述第二传热数据三维智能体进行传热分布特征提取，得到第二传热分布特征集合；
将所述第一传热分布特征集合和所述第二传热分布特征集合输入预置的发热异常检测模型进行电池组充电发热异常检测，得到目标发热异常检测结果；
根据所述目标发热异常检测结果，对所述第一电池组结构信息进行电池组结构设计优化，得到第二电池组结构信息。
本申请第二方面提供了一种电动汽车的充电安全性能检测系统，所述电动汽车的充电安全性能检测系统包括：
获取模块，用于获取目标汽车电池组的第一电池组结构信息，并对所述目标汽车电池组进行充电测试和电池组发热分析，得到目标电池组发热数据集；
划分模块，用于根据所述第一电池组结构信息对所述目标电池组发热数据集进行数据集划分，得到壳体辐射传热数据以及电池分区传热数据；
处理模块，用于对所述壳体辐射传热数据进行传热数据三维可视化，得到第一传热数据三维智能体，并对所述电池分区传热数据进行传热数据三维可视化，得到第二传热数据三维智能体；
提取模块，用于对所述第一传热数据三维智能体进行传热分布特征提取，得到第一传热分布特征集合，并对所述第二传热数据三维智能体进行传热分布特征提取，得到第二传热分布特征集合；
检测模块，用于将所述第一传热分布特征集合和所述第二传热分布特征集合输入预置的发热异常检测模型进行电池组充电发热异常检测，得到目标发热异常检测结果；
优化模块，用于根据所述目标发热异常检测结果，对所述第一电池组结构信息进行电池组结构设计优化，得到第二电池组结构信息。
本申请提供的技术方案中，获取目标电池组的结构信息，包括排列方式、空间体积、数量和连接方式。这使得针对不同结构的电池组可以进行特定化的充电安全性能检测和优化。通过对电池组发热数据集的划分和三维可视化，分析了壳体和电池分区的传热情况。这样的可视化和划分能够更直观地理解电池组内部的热传递情况。从三维智能体中提取传热分布特征，如中心点、边缘点、传热权值等。这有助于全面了解热量在不同区域的分布规律和权重情况。应用预置的发热异常检测模型，包括支持向量机和极限学习机等，对提取的传热分布特征进行分析，实现电池组充电发热异常的检测。根据异常检测结果对电池组结构信息进行优化。利用改进遗传算法等优化手段，迭代设计出更安全和高效的第二电池组结构信息。通过发热异常检测，可以及时发现电池组充电过程中的异常情况，提高了车辆充电过程的安全性。结合对电池组结构的分析和优化，可设计出更适合的电池组结构，提高了充电效率和安全性能。通过三维可视化和传热分布特征提取，能够全面评估电池组内部的传热情况，为性能优化提供了更多数据支持。考虑到不同电池组结构的分析，能够定制化地针对特定车型或电池组做出安全性能评估，进而提高了电动汽车的充电安全性能检测准确率。
附图说明
图1为本申请实施例中电动汽车的充电安全性能检测方法的一个实施例示意图；
图2为本申请实施例中电动汽车的充电安全性能检测系统的一个实施例示意图。
具体实施方式
本申请实施例提供了一种电动汽车的充电安全性能检测方法及系统，进而提高了电动汽车的充电安全性能检测准确率。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本申请实施例的具体流程进行描述，请参阅图1，本申请实施例中电动汽车的充电安全性能检测方法的一个实施例包括：
步骤101、获取目标汽车电池组的第一电池组结构信息，并对目标汽车电池组进行充电测试和电池组发热分析，得到目标电池组发热数据集；
可以理解的是，本申请的执行主体可以为电动汽车的充电安全性能检测系统，还可以是终端或者服务器，具体此处不做限定。本申请实施例以服务器为执行主体为例进行说明。
具体的，获取目标汽车电池组的第一电池组结构信息，这包括电池组的排列方式、空间体积、数量以及电池组的连接方式。这些结构信息有助于确定电池组的充电特性和热管理需求。基于这些信息，创建针对特定电池组的充电测试策略和数据采集策略，这些策略将考虑电池组的特殊性质，如其容量、输出电压和热特性，以确保测试过程既安全又有效。根据制定的充电测试策略，对目标汽车电池组进行充电测试，同时按照数据采集策略对电池组进行发热数据的采集。收集电池组在不同充电状态下的温度和其他相关数据，以评估其性能和安全性。获得的初始电池组发热数据集是原始的，包含因设备误差、环境变化或其他非控制因素引起的野值。对初始电池组发热数据集进行野值检测，通过统计分析方法，例如使用标准差或四分位数间距来识别和剔除异常值。野值检测的结果不仅能帮助理解数据中的异常情况，还能确保后续分析的准确性和可靠性。完成野值检测后，对数据集进行标准化处理，调整数据到一定的范围或尺度，以便于不同数据集之间可以进行比较和分析。得到的目标电池组发热数据集将更加准确反映电池组在充电过程中的实际热行为。
步骤102、根据第一电池组结构信息对目标电池组发热数据集进行数据集划分，得到壳体辐射传热数据以及电池分区传热数据；
具体的，根据电池组的第一电池组结构信息确定目标汽车电池组的壳体温度阈值和分区温度阈值。电池组的结构特性决定了其在充电时的发热行为，而不同的结构将呈现出不同的发热模式。确定温度阈值是为了在后续的处理中区分正常的发热范围和导致性能下降或安全风险的异常发热。将目标电池组的发热数据集输入到预置的聚类模型中进行数据聚类分析，将发热数据按照其空间和温度特性进行分组，从而有效区分壳体传热数据和分区传热数据。聚类模型通过分析电池组内部和外部的温度分布，可以将数据有效地划分为代表壳体发热和电池单元发热的两大类。根据事先设定的壳体温度阈值对聚类后得到的初始壳体传热数据进行筛选，以去除那些超出正常范围的异常值，从而得到标准的壳体传热数据。同样，根据分区温度阈值对初始分区传热数据进行筛选，确保得到的数据反映了电池单元在正常运行条件下的真实发热情况。确保后续分析的准确性和可靠性，通过去除异常值，可以获得更具代表性和可信度的数据集。对筛选后得到的标准壳体传热数据进行进一步处理，通过获取其最大值和最小值，然后进行归一化处理，得到最终的壳体辐射传热数据。归一化通过调整数据范围使其落在一个特定的区间（通常是0到1），消除不同数据之间因范围差异而产生的影响，从而使得数据更加适合于后续的分析和建模。同理，对标准分区传热数据也进行同样的归一化处理，得到电池分区传热数据。
步骤103、对壳体辐射传热数据进行传热数据三维可视化，得到第一传热数据三维智能体，并对电池分区传热数据进行传热数据三维可视化，得到第二传热数据三维智能体；
需要说明的是，根据第一电池组结构信息，通过创建电池组的初始三维模型，对目标汽车电池组进行三维重构。该模型详细展现了电池组的每个单元及其排列方式，为后续的数据映射和可视化提供了准确的几何基础。对初始三维电池组模型进行网格划分，将电池组的三维模型细分为多个小的网格单元，每个网格单元代表电池组中的一个特定区域，这种细化有助于更精确地映射和分析电池组内部的热分布情况。网格划分完成后，构建壳体辐射传热数据与网格三维电池组模型之间的第一传热数据映射关系，以及电池分区传热数据与网格三维电池组模型之间的第二传热数据映射关系。映射关系的建立是为了将实际的传热数据与电池组的三维模型相联系，确保数据在空间上的准确表示。根据第一传热数据映射关系，将壳体辐射传热数据映射至网格三维电池组模型，并对这些数据进行三维可视化处理，将原先的抽象数据转换为直观的三维图形，形成第一传热数据三维智能体。这种三维智能体能够清晰地展示电池组壳体的热分布情况，使得复杂的热流动和传热过程变得直观易懂。同样，根据第二传热数据映射关系，将电池分区的传热数据映射至同一网格三维电池组模型，并进行三维可视化处理，得到第二传热数据三维智能体。这个智能体侧重于展示电池单元内部的热分布，有助于识别电池组中的热点区域和异常温度变化。
步骤104、对第一传热数据三维智能体进行传热分布特征提取，得到第一传热分布特征集合，并对第二传热数据三维智能体进行传热分布特征提取，得到第二传热分布特征集合；
具体的，获取第一传热数据三维智能体中的多个第一网格点传热数据，这些网格点是在之前的三维重构和网格划分中定义的，代表电池组不同区域的热分布状态。在这些网格点中，将数据进一步划分为中心点和边缘点，中心点代表电池组的主要热区域，而边缘点则围绕着这些中心点，反映了热量如何从电池的核心区域向外传播。通过这种划分，可以更准确地分析电池组内部的热流动情况。根据第一边缘点传热数据计算每个第一中心点传热数据的分布权值。这个权值是通过分析中心点和边缘点之间的热传递关系来确定的，其目的是衡量每个中心点在整个电池组热分布中的相对重要性。这种加权方法使得对电池组的热分析更加精确，能够准确识别电池组中的高热区域及其对周围环境的影响。然后，根据这些分布权值对每个第一中心点传热数据进行加权分析，综合考虑每个中心点的热状态及其对周围区域的影响，从而得到更为准确的第一目标点传热数据。这些目标点传热数据反映了电池组在不同充电状态下的关键热分布特征。根据这些第一目标点传热数据生成第一传热分布特征集合，这个集合提供了电池组热分布的全面视图，为进一步的分析和优化提供了关键信息。同样的过程也应用于第二传热数据三维智能体。从第二传热数据三维智能体中提取第二网格点传热数据，并对这些数据进行中心点和边缘点划分，进一步计算每个第二中心点传热数据的分布权值。这些计算帮助服务器了解电池分区内部的热传递情况，特别是在电池单元之间的热互作用。通过对第二中心点传热数据进行加权分析，可以得到第二目标点传热数据，这些数据反映了电池组内部不同分区的热状态和潜在的热风险。根据这些第二目标点传热数据生成第二传热分布特征集合，这个集合为理解和改善电池组的内部热管理提供了重要的视角和数据支持。
步骤105、将第一传热分布特征集合和第二传热分布特征集合输入预置的发热异常检测模型进行电池组充电发热异常检测，得到目标发热异常检测结果；
具体的，对第一传热分布特征集合进行特征向量转换，将从第一传热数据三维智能体中提取的传热特征转化为一种数学上可处理的格式，即特征向量。这些特征向量能够精确地反映电池组壳体的热分布特征。类似地，将第二传热分布特征集合进行特征向量转换，以便于机器学习模型的输入和处理。第二传热分布特征向量描述的是电池单元内部的热分布情况。将这些特征向量输入到预置的发热异常检测模型中。该模型包括支持向量机（SVM）和极限学习机（ELM）等机器学习技术，以及一个用于最终决策的输出层。支持向量机在处理第一传热分布特征向量方面具有优势，因为它能够有效地处理高维数据，并且在分类和回归问题上表现出色。通过SVM对第一传热分布特征向量进行分析，可以得到关于电池组壳体发热异常的检测结果。极限学习机则用于处理第二传热分布特征向量，其在处理大规模数据和复杂非线性问题上有显著的效率和准确性。通过ELM对第二传热分布特征向量进行分析，可以获得电池单元内部发热异常的检测结果。SVM擅长处理复杂的分类问题，而ELM则在快速处理大量数据方面更为有效。通过输出层将这两种检测结果进行加权融合。考虑壳体发热和电池单元内部发热的不同重要性和影响，通过合适的加权策略，能够综合两个方面的检测结果，输出最终的目标发热异常检测结果。
步骤106、根据目标发热异常检测结果，对第一电池组结构信息进行电池组结构设计优化，得到第二电池组结构信息。
具体的，根据目标发热异常检测结果，确定预置改进遗传算法的优化目标，确保优化过程聚焦于提高电池组的充电安全性能，特别是在控制发热异常方面。优化目标的设定是根据检测出的发热异常特征，比如热点位置、温度分布不均等因素。同时，根据这些优化目标，定义目标汽车电池组的迭代次数，以确保算法有足够的迭代周期来逼近最优解。通过改进遗传算法对第一电池组结构信息进行种群初始化，生成多个第一候选结构信息，每个候选结构都是对原始电池组结构的一种变化。这些候选结构信息代表了电池组结构的不同变体，包括电池单元的排列方式、间距、冷却通道设计等。种群初始化的目的是为了创建一个多样化的解决方案集合，从中筛选出最适合的电池组结构设计。接着，分别计算每个第一候选结构信息的适应度数据，并根据这些适应度数据对多个第一候选结构信息进行排序分析。适应度数据的计算是基于每个候选结构在模拟充电过程中的表现，比如发热均匀性、热效率和安全性等。通过排序分析，可以得到一个按照适应度从高到低排列的候选结构信息序列，这为接下来的筛选提供了依据。根据优化目标，对这个候选结构信息序列进行筛选，得到至少一个第二候选结构信息。筛选过程重点考虑哪些结构变体最能满足安全和效率的双重需求，这涉及改变电池单元的布局、优化散热路径或调整电池组的整体尺寸和形状。根据设定的迭代次数，对这些第二候选结构信息进行电池组结构设计的最优化分析。这个过程中，改进的遗传算法通过模拟自然选择和遗传机制，逐渐改进电池组结构，直到找到最优解或达到预定的迭代次数。最优化分析的结果是得到目标汽车电池组的第二电池组结构信息，这个结构信息应当在保证电池组充电性能的同时，最大限度地减少发热异常的风险，从而提高整个电动汽车充电系统的安全性和可靠性。
本申请实施例中，获取目标电池组的结构信息，包括排列方式、空间体积、数量和连接方式。这使得针对不同结构的电池组可以进行特定化的充电安全性能检测和优化。通过对电池组发热数据集的划分和三维可视化，分析了壳体和电池分区的传热情况。这样的可视化和划分能够更直观地理解电池组内部的热传递情况。从三维智能体中提取传热分布特征，如中心点、边缘点、传热权值等。这有助于全面了解热量在不同区域的分布规律和权重情况。应用预置的发热异常检测模型，包括支持向量机和极限学习机等，对提取的传热分布特征进行分析，实现电池组充电发热异常的检测。根据异常检测结果对电池组结构信息进行优化。利用改进遗传算法等优化手段，迭代设计出更安全和高效的第二电池组结构信息。通过发热异常检测，可以及时发现电池组充电过程中的异常情况，提高了车辆充电过程的安全性。结合对电池组结构的分析和优化，可设计出更适合的电池组结构，提高了充电效率和安全性能。通过三维可视化和传热分布特征提取，能够全面评估电池组内部的传热情况，为性能优化提供了更多数据支持。考虑到不同电池组结构的分析，能够定制化地针对特定车型或电池组做出安全性能评估，进而提高了电动汽车的充电安全性能检测准确率。
在一具体实施例中，执行步骤101的过程可以具体包括如下步骤：
（1）获取目标汽车电池组的第一电池组结构信息，第一电池组结构信息包括：电池组排列方式、电池组空间体积、电池组数量和电池组连接方式；
（2）根据第一电池组结构信息创建目标汽车电池组的充电测试策略以及数据采集策略；
（3）根据充电测试策略对目标汽车电池组进行充电测试，并根据数据采集策略对目标汽车电池组进行电池组发热数据采集，得到初始电池组发热数据集；
（4）对初始电池组发热数据集进行野值检测，得到数据集野值检测结果，并根据数据集野值检测结果对初始电池组发热数据集进行数据集标准化处理，得到目标电池组发热数据集。
具体的，获取目标汽车电池组的第一电池组结构信息，这包括电池组的排列方式、空间体积、电池组数量和电池组的连接方式。例如，假设有一个电池组由多个锂离子电池单元组成，排列方式是串联或并联，或者两者的组合。电池组的空间体积和数量将直接影响其热管理和充电特性。连接方式则涉及电池单元之间如何电气连接。接着，根据第一电池组结构信息创建目标汽车电池组的充电测试策略以及数据采集策略。充电测试策略需要考虑电池组的最大充电电流、充电时间以及充电终止条件，这些都需要根据电池组的具体规格和制造商的建议进行设置。数据采集策略则涉及在充电测试过程中收集关键的性能指标，例如电压、电流、温度和充电状态。根据所制定的充电测试策略，对目标汽车电池组进行充电测试，同时根据数据采集策略对电池组进行发热数据的采集。模拟实际使用中的充电条件并收集关键数据。在充电测试中，特别注意监测电池组的温度变化，因为温度是评估电池安全性的重要指标。例如，如果电池组在充电过程中的某个阶段出现温度急剧上升，这表明电池内部发生了不正常的化学反应或存在结构缺陷。通过这样的测试，可以得到初始电池组发热数据集，这个数据集包含了在不同充电阶段电池组的热表现。接着，对初始电池组发热数据集进行野值检测。野值是指那些不符合整体数据分布模式的异常数据点，由设备故障、操作错误或非典型的环境条件造成。野值的存在会扭曲数据分析的结果，因此需要被识别并处理。野值检测可以采用多种统计技术，例如基于标准差的方法或基于四分位数范围的方法。例如，可以将超出平均值加减三倍标准差的数据点标记为野值。通过这种方式，可以从初始数据集中识别并剔除这些异常点。对初始电池组发热数据集进行标准化处理。标准化处理是将数据转换成具有标准的或常见的格式，以便于分析和比较。这包括调整数据的尺度，使其符合特定的范围，例如将所有的温度数据转换为以摄氏度为单位，或者将数据正规化到0到1的范围。标准化处理的目的是减少不同测试条件下数据之间的差异性，确保后续分析的准确性和可靠性。例如，如果进行了多次充电测试，每次测试的环境温度或充电设备略有不同，标准化处理就可以消除这些变量带来的影响。
在一具体实施例中，执行步骤102的过程可以具体包括如下步骤：
（1）根据第一电池组结构信息确定目标汽车电池组的壳体温度阈值和分区温度阈值；
（2）将目标电池组发热数据集输入预置的聚类模型进行数据聚类分析，得到初始壳体传热数据以及初始分区传热数据；
（3）根据壳体温度阈值对初始壳体传热数据进行数据筛选，得到标准壳体传热数据，并根据分区温度阈值对初始分区传热数据进行数据筛选，得到标准分区传热数据；
（4）获取标准壳体传热数据的第一最大值和第一最小值，并根据第一最大值和第一最小值对标准壳体传热数据进行归一化处理，得到壳体辐射传热数据；
（5）获取标准分区传热数据的第二最大值和第二最小值，并根据第二最大值和第二最小值对标准分区传热数据进行归一化处理，得到电池分区传热数据。
具体的，根据第一电池组结构信息来确定目标汽车电池组的壳体温度阈值和分区温度阈值。例如，假设一个电池组由多个密集排列的锂离子电池单元组成，其壳体温度阈值根据电池材料的热稳定性和散热能力来确定，而分区温度阈值则基于电池单元间的热耦合程度和内部散热机制来设定。这些阈值的设定是为了识别超出正常运行范围的温度，从而预防的热失控或其他安全隐患。将目标电池组的发热数据集输入到预置的聚类模型中进行数据聚类分析。聚类模型可以基于温度数据的相似性将其分为不同的类别，如壳体传热数据和分区传热数据。例如，一个简单的聚类模型通过比较不同测量点的温度与整体平均温度的差异来区分壳体和分区的热特性，从而得到初始的壳体传热数据和分区传热数据。接着，为了精确地评估电池组的热分布，对这些初始数据进行进一步的筛选和处理。根据设定的壳体温度阈值对初始壳体传热数据进行筛选，可以剔除那些异常高或低的温度值，这些值是由于测量误差或临时的散热不良造成的。通过这种筛选，得到的标准壳体传热数据更能准确反映电池组壳体在正常充电过程中的热特性。同样地，根据分区温度阈值对初始分区传热数据进行筛选，以确保所得到的数据反映了电池单元内部的实际发热情况。然后，对筛选后的标准壳体传热数据进行归一化处理，使数据更容易在不同情境下进行比较和分析。归一化处理通常包括将数据转换到一个统一的尺度，例如0到1的范围内。通过获取标准壳体传热数据的最大值和最小值，可以将所有数据点按比例缩放，使其分布在一个标准化的范围内。这样的处理不仅消除了数据的尺度差异，还使得数据的分布和变化趋势更加清晰。同样的处理也适用于标准分区传热数据。通过获取这些数据的最大值和最小值，并进行归一化处理，可以得到反映电池分区内部热分布的标准化数据。这种数据有助于评估电池单元间的热相互作用和识别潜在的热风险区域。例如，如果在电池组的某个分区观察到相对较高的归一化温度值，这表明该区域存在过热的风险，需要进行进一步的分析和处理。
在一具体实施例中，执行步骤103的过程可以具体包括如下步骤：
（1）根据第一电池组结构信息对目标汽车电池组进行三维重构，得到对应的初始三维电池组模型；
（2）对初始三维电池组模型进行网格划分，得到网格三维电池组模型；
（3）构建壳体辐射传热数据与网格三维电池组模型之间的第一传热数据映射关系，并构建电池分区传热数据与网格三维电池组模型之间的第二传热数据映射关系；
（4）根据第一传热数据映射关系，将壳体辐射传热数据映射至网格三维电池组模型并对壳体辐射传热数据进行传热数据三维可视化，得到第一传热数据三维智能体；
（5）根据第二传热数据映射关系，将电池分区传热数据映射至网格三维电池组模型并对电池分区传热数据进行传热数据三维可视化，得到第二传热数据三维智能体。
具体的，根据第一电池组结构信息对目标汽车电池组进行三维重构，将电池组的实际物理结构转换成三维模型。这个初始三维电池组模型不仅需要精确地反映每个电池单元的尺寸和位置，还要考虑到电池之间的间隙和它们与壳体的相对位置。接着，对初始三维电池组模型进行网格划分。网格划分指的是将整个三维模型分解成许多小的单元或“网格”，每个网格代表电池组的一个小区域。例如，在一个大型电池组中，将每个电池单元进一步细分为多个网格，这样可以更详细地分析和可视化每个电池单元内部及其与邻近单元之间的热交换。构建壳体辐射传热数据与网格三维电池组模型之间的第一传热数据映射关系，以及电池分区传热数据与网格三维电池组模型之间的第二传热数据映射关系，这两个映射关系是将实际测量到的传热数据与三维模型中的相应位置关联起来的关键。例如，如果在电池组的外壳检测到高温区域，这些数据将被映射到三维模型中相应位置的壳体网格上；同样，如果某个电池单元内部的温度较高，这些信息也会被映射到对应的电池单元网格中。这种映射关系的建立是为了确保数据的空间位置准确，从而在可视化分析中能够准确反映热分布情况。根据第一传热数据映射关系，将壳体辐射传热数据映射至网格三维电池组模型并进行三维可视化，这个过程将抽象的温度数据转换成直观的三维图像，使得电池组的热分布一目了然。得到的第一传热数据三维智能体是一个包含了电池组壳体热分布的详细三维表示，为进一步的分析和优化提供了可视化的基础。同样，根据第二传热数据映射关系，将电池分区传热数据映射至网格三维电池组模型并进行三维可视化，这一步骤关注的是电池单元内部的热分布情况。通过这种可视化，可以观察到每个电池单元内部甚至单元间的热交换情况，识别出电池组内部的热点区域或热传递不均的情况。得到的第二传热数据三维智能体提供了一个关于电池单元内部热分布的直观三维视图，这有助于评估电池组的热管理效率和设计改进措施。
在一具体实施例中，执行步骤104的过程可以具体包括如下步骤：
（1）获取第一传热数据三维智能体中的多个第一网格点传热数据，并对多个第一网格点传热数据进行中心点和边缘点划分，得到多个第一中心点传热数据和每个第一中心点传热数据对应的多个第一边缘点传热数据；
（2）根据多个第一边缘点传热数据分别计算每个第一中心点传热数据的第一传热数据分布权值；
（3）根据第一传热数据分布权值分别对每个第一中心点传热数据进行加权分析，得到多个第一目标点传热数据，并根据多个第一目标点传热数据生成第一传热分布特征集合；
（4）获取第二传热数据三维智能体中的多个第二网格点传热数据，并对多个第二网格点传热数据进行中心点和边缘点划分，得到多个第二中心点传热数据和每个第二中心点传热数据对应的多个第二边缘点传热数据；
（5）根据多个第二边缘点传热数据分别计算每个第二中心点传热数据的第二传热数据分布权值；
（6）根据第二传热数据分布权值分别对每个第二中心点传热数据进行加权分析，得到多个第二目标点传热数据，并根据多个第二目标点传热数据生成第二传热分布特征集合。
具体的，获取第一传热数据三维智能体中的多个第一网格点传热数据，从三维模型中提取关于电池组壳体的热分布信息。这些数据通常来源于实际的温度测量或热仿真结果，每个网格点的数据代表了其对应空间位置的热状态。对这些第一网格点传热数据进行中心点和边缘点的划分，识别和区分电池组壳体中的热集中区域与其边缘区域。中心点通常是指热量集中或温度较高的区域，而边缘点则是相对温度较低或热量分布较为均匀的区域。例如，在电池组的某个区域如果发现温度异常升高，那么这个区域的网格点就可以被标记为中心点，而周围温度较低的区域则被标记为边缘点。根据第一边缘点传热数据，分别计算每个第一中心点传热数据的分布权值。评估每个中心点与其周围边缘点之间的温度差异，进而确定每个中心点在整个壳体热分布中的重要性。例如，如果一个中心点周围的边缘点温度差异很大，那么这个中心点的权值会更高，表示这里是一个关键的热点区域。根据这些分布权值，对每个第一中心点传热数据进行加权分析，得到多个第一目标点传热数据。综合考虑中心点和边缘点的热状态，更准确地描绘壳体的整体热分布情况。根据这些第一目标点传热数据生成第一传热分布特征集合，这个集合提供了电池组壳体热分布的全面视图，为进一步的安全性分析提供了关键信息。同样的流程也适用于第二传热数据三维智能体，关注的是电池分区内部的热分布情况。通过获取第二传热数据三维智能体中的多个第二网格点传热数据，并对这些数据进行中心点和边缘点划分，可以识别出电池单元内部的热集中区域和相对较冷的区域。然后，根据第二边缘点传热数据计算每个第二中心点传热数据的分布权值，并对这些数据进行加权分析，得到第二目标点传热数据。这些数据反映了电池分区内部的详细热状态，有助于评估电池单元之间的热交互和的热风险。根据这些第二目标点传热数据生成第二传热分布特征集合。
在一具体实施例中，执行步骤105的过程可以具体包括如下步骤：
（1）对第一传热分布特征集合进行特征向量转换，得到第一传热分布特征向量，并对第二传热分布特征集合进行特征向量转换，得到第二传热分布特征向量；
（2）将第一传热分布特征向量和第二传热分布特征向量输入预置的发热异常检测模型，发热异常检测模型包括：支持向量机、极限学习机以及输出层；
（3）通过支持向量机对第一传热分布特征向量进行电池组充电发热异常检测，得到第一发热异常检测结果；
（4）通过极限学习机对第二传热分布特征向量进行电池组充电发热异常检测，得到第二发热异常检测结果；
（5）通过输出层对第一发热异常检测结果和第二发热异常检测结果进行加权融合，输出目标发热异常检测结果。
具体的，对第一和第二传热分布特征集合进行特征向量转换，将从三维传热数据智能体中提取的热分布特征转换为机器学习算法可处理的数学形式。将转换后的第一和第二传热分布特征向量输入到预置的发热异常检测模型。这个模型是一个复合型机器学习模型，它包括支持向量机（SVM）、极限学习机（ELM）以及一个输出层。支持向量机是一种强大的监督学习算法，常用于分类问题，它能够在高维空间中找到将数据点最佳分割的边界。SVM可以用来分析第一传热分布特征向量，识别出电池组壳体部分的发热异常。例如，如果某些壳体区域的温度显著高于周围区域，SVM可以帮助识别这种模式并将其标记为异常。同时，极限学习机在处理大规模数据集和复杂模式识别方面表现出色。在这个环节中，ELM被用来处理第二传热分布特征向量，即电池单元内部的温度数据。通过ELM，可以快速识别出电池内部是否存在任何异常的热模式，例如某些电池单元的温度异常升高。通过模型的输出层对SVM和ELM得到的第一和第二发热异常检测结果进行加权融合。这个融合过程考虑了壳体和电池单元内部的热异常检测结果的相对重要性，并将它们综合起来形成一个统一的发热异常检测结果。例如，如果壳体上的某个区域和电池单元内部的某个区域同时显示出高温，这两个信号可以被加权合并，以更准确地反映整个电池组的热稳定性。
在一具体实施例中，执行步骤106的过程可以具体包括如下步骤：
（1）根据目标发热异常检测结果，确定预置改进遗传算法的优化目标，并根据优化目标定义目标汽车电池组的迭代次数；
（2）通过改进遗传算法，对第一电池组结构信息进行种群初始化，得到多个第一候选结构信息；
（3）分别计算每个第一候选结构信息的第一适应度数据，并根据第一适应度数据对多个第一候选结构信息进行排序分析，得到候选结构信息序列；
（4）根据优化目标，对候选结构信息序列进行筛选，得到至少一个第二候选结构信息；
（5）根据迭代次数对至少一个第二候选结构信息进行电池组结构设计最优化分析，得到目标汽车电池组的第二电池组结构信息。
具体的，根据目标发热异常检测结果确定预置改进遗传算法的优化目标，这直接影响后续优化过程的方向和效率。例如，如果检测结果显示电池组的某个区域在充电时温度异常升高，那么优化目标会集中在改善该区域的热管理能力，比如通过调整电池排列、优化散热设计或改变电池组的物理结构等。同时，根据这些优化目标定义目标汽车电池组的迭代次数，确保算法有足够的机会来逼近最优解，同时也避免了过度计算和资源浪费。通过改进遗传算法对第一电池组结构信息进行种群初始化，生成多个第一候选结构信息，即的电池组结构方案。在这个阶段，算法根据电池组的初始结构信息，通过引入随机变异和组合，生成一系列不同的结构变体，这些变体包括不同的电池排列方式、电池间隙大小或其他结构参数的变化。例如，如果原始电池组是由密集排列的圆柱形电池单元组成，种群初始化产生各种不同排列方式的电池组，如更分散的排列或不同的电池定向等。接着，对每个第一候选结构信息计算其适应度数据，并根据适应度数据对这些候选结构信息进行排序分析，得到候选结构信息序列。适应度评估是基于每个候选结构方案在模拟环境中的表现，如其热管理效能、结构稳定性或充电效率等。例如，如果某个候选结构方案在模拟测试中显示出更好的热均匀性或更低的热峰值，那么这个方案的适应度就会更高。然后，根据优化目标，从候选结构信息序列中筛选出至少一个第二候选结构信息。这个过程会考虑多种因素，如结构方案的可实现性、成本效益或对现有制造工艺的适应性等。例如，如果优化目标是减少热峰值而不显著增加制造成本，那么会优先考虑那些不需要大幅改变电池组设计的候选方案。根据设定的迭代次数对这些第二候选结构信息进行电池组结构设计的最优化分析。改进的遗传算法通过模拟自然选择和遗传过程，不断地调整和优化电池组结构方案，直到找到最优解或达到预定的迭代次数。例如，算法会对候选方案进行交叉、变异和选择操作，以此来逐步改进电池组的结构设计，最终得到一个在热管理、成本和制造方面都优化的电池组结构方案。
上面对本申请实施例中电动汽车的充电安全性能检测方法进行了描述，下面对本申请实施例中电动汽车的充电安全性能检测系统进行描述，请参阅图2，本申请实施例中电动汽车的充电安全性能检测系统一个实施例包括：
获取模块201，用于获取目标汽车电池组的第一电池组结构信息，并对所述目标汽车电池组进行充电测试和电池组发热分析，得到目标电池组发热数据集；
划分模块202，用于根据所述第一电池组结构信息对所述目标电池组发热数据集进行数据集划分，得到壳体辐射传热数据以及电池分区传热数据；
处理模块203，用于对所述壳体辐射传热数据进行传热数据三维可视化，得到第一传热数据三维智能体，并对所述电池分区传热数据进行传热数据三维可视化，得到第二传热数据三维智能体；
提取模块204，用于对所述第一传热数据三维智能体进行传热分布特征提取，得到第一传热分布特征集合，并对所述第二传热数据三维智能体进行传热分布特征提取，得到第二传热分布特征集合；
检测模块205，用于将所述第一传热分布特征集合和所述第二传热分布特征集合输入预置的发热异常检测模型进行电池组充电发热异常检测，得到目标发热异常检测结果；
优化模块206，用于根据所述目标发热异常检测结果，对所述第一电池组结构信息进行电池组结构设计优化，得到第二电池组结构信息。
通过上述各个组成部分的协同合作，获取目标电池组的结构信息，包括排列方式、空间体积、数量和连接方式。这使得针对不同结构的电池组可以进行特定化的充电安全性能检测和优化。通过对电池组发热数据集的划分和三维可视化，分析了壳体和电池分区的传热情况。这样的可视化和划分能够更直观地理解电池组内部的热传递情况。从三维智能体中提取传热分布特征，如中心点、边缘点、传热权值等。这有助于全面了解热量在不同区域的分布规律和权重情况。应用预置的发热异常检测模型，包括支持向量机和极限学习机等，对提取的传热分布特征进行分析，实现电池组充电发热异常的检测。根据异常检测结果对电池组结构信息进行优化。利用改进遗传算法等优化手段，迭代设计出更安全和高效的第二电池组结构信息。通过发热异常检测，可以及时发现电池组充电过程中的异常情况，提高了车辆充电过程的安全性。结合对电池组结构的分析和优化，可设计出更适合的电池组结构，提高了充电效率和安全性能。通过三维可视化和传热分布特征提取，能够全面评估电池组内部的传热情况，为性能优化提供了更多数据支持。考虑到不同电池组结构的分析，能够定制化地针对特定车型或电池组做出安全性能评估，进而提高了电动汽车的充电安全性能检测准确率。
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，装置和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，本申请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）执行本申请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精神和范围。
Claims (8)
1.一种电动汽车的充电安全性能检测方法，其特征在于，所述电动汽车的充电安全性能检测方法包括：
获取目标汽车电池组的第一电池组结构信息，并对所述目标汽车电池组进行充电测试和电池组发热分析，得到目标电池组发热数据集；
根据所述第一电池组结构信息对所述目标电池组发热数据集进行数据集划分，得到壳体辐射传热数据以及电池分区传热数据；
对所述壳体辐射传热数据进行传热数据三维可视化，得到第一传热数据三维智能体，并对所述电池分区传热数据进行传热数据三维可视化，得到第二传热数据三维智能体；
对所述第一传热数据三维智能体进行传热分布特征提取，得到第一传热分布特征集合，并对所述第二传热数据三维智能体进行传热分布特征提取，得到第二传热分布特征集合；
将所述第一传热分布特征集合和所述第二传热分布特征集合输入预置的发热异常检测模型进行电池组充电发热异常检测，得到目标发热异常检测结果；
根据所述目标发热异常检测结果，对所述第一电池组结构信息进行电池组结构设计优化，得到第二电池组结构信息。
2.根据权利要求1所述的电动汽车的充电安全性能检测方法，其特征在于，所述获取目标汽车电池组的第一电池组结构信息，并对所述目标汽车电池组进行充电测试和电池组发热分析，得到目标电池组发热数据集，包括：
获取目标汽车电池组的第一电池组结构信息，所述第一电池组结构信息包括：电池组排列方式、电池组空间体积、电池组数量和电池组连接方式；
根据所述第一电池组结构信息创建所述目标汽车电池组的充电测试策略以及数据采集策略；
根据所述充电测试策略对所述目标汽车电池组进行充电测试，并根据所述数据采集策略对所述目标汽车电池组进行电池组发热数据采集，得到初始电池组发热数据集；
对所述初始电池组发热数据集进行野值检测，得到数据集野值检测结果，并根据所述数据集野值检测结果对所述初始电池组发热数据集进行数据集标准化处理，得到目标电池组发热数据集。
3.根据权利要求1所述的电动汽车的充电安全性能检测方法，其特征在于，所述根据所述第一电池组结构信息对所述目标电池组发热数据集进行数据集划分，得到壳体辐射传热数据以及电池分区传热数据，包括：
根据所述第一电池组结构信息确定所述目标汽车电池组的壳体温度阈值和分区温度阈值；
将所述目标电池组发热数据集输入预置的聚类模型进行数据聚类分析，得到初始壳体传热数据以及初始分区传热数据；
根据所述壳体温度阈值对所述初始壳体传热数据进行数据筛选，得到标准壳体传热数据，并根据所述分区温度阈值对所述初始分区传热数据进行数据筛选，得到标准分区传热数据；
获取所述标准壳体传热数据的第一最大值和第一最小值，并根据所述第一最大值和所述第一最小值对所述标准壳体传热数据进行归一化处理，得到壳体辐射传热数据；
获取所述标准分区传热数据的第二最大值和第二最小值，并根据所述第二最大值和所述第二最小值对所述标准分区传热数据进行归一化处理，得到电池分区传热数据。
4.根据权利要求1所述的电动汽车的充电安全性能检测方法，其特征在于，所述对所述壳体辐射传热数据进行传热数据三维可视化，得到第一传热数据三维智能体，并对所述电池分区传热数据进行传热数据三维可视化，得到第二传热数据三维智能体，包括：
根据所述第一电池组结构信息对所述目标汽车电池组进行三维重构，得到对应的初始三维电池组模型；
对所述初始三维电池组模型进行网格划分，得到网格三维电池组模型；
构建所述壳体辐射传热数据与所述网格三维电池组模型之间的第一传热数据映射关系，并构建所述电池分区传热数据与所述网格三维电池组模型之间的第二传热数据映射关系；
根据所述第一传热数据映射关系，将所述壳体辐射传热数据映射至所述网格三维电池组模型并对所述壳体辐射传热数据进行传热数据三维可视化，得到第一传热数据三维智能体；
根据所述第二传热数据映射关系，将所述电池分区传热数据映射至所述网格三维电池组模型并对所述电池分区传热数据进行传热数据三维可视化，得到第二传热数据三维智能体。
5.根据权利要求4所述的电动汽车的充电安全性能检测方法，其特征在于，所述对所述第一传热数据三维智能体进行传热分布特征提取，得到第一传热分布特征集合，并对所述第二传热数据三维智能体进行传热分布特征提取，得到第二传热分布特征集合，包括：
获取所述第一传热数据三维智能体中的多个第一网格点传热数据，并对所述多个第一网格点传热数据进行中心点和边缘点划分，得到多个第一中心点传热数据和每个第一中心点传热数据对应的多个第一边缘点传热数据；
根据所述多个第一边缘点传热数据分别计算每个第一中心点传热数据的第一传热数据分布权值；
根据所述第一传热数据分布权值分别对每个第一中心点传热数据进行加权分析，得到多个第一目标点传热数据，并根据所述多个第一目标点传热数据生成第一传热分布特征集合；
获取所述第二传热数据三维智能体中的多个第二网格点传热数据，并对所述多个第二网格点传热数据进行中心点和边缘点划分，得到多个第二中心点传热数据和每个第二中心点传热数据对应的多个第二边缘点传热数据；
根据所述多个第二边缘点传热数据分别计算每个第二中心点传热数据的第二传热数据分布权值；
根据所述第二传热数据分布权值分别对每个第二中心点传热数据进行加权分析，得到多个第二目标点传热数据，并根据所述多个第二目标点传热数据生成第二传热分布特征集合。
6.根据权利要求1所述的电动汽车的充电安全性能检测方法，其特征在于，所述将所述第一传热分布特征集合和所述第二传热分布特征集合输入预置的发热异常检测模型进行电池组充电发热异常检测，得到目标发热异常检测结果，包括：
对所述第一传热分布特征集合进行特征向量转换，得到第一传热分布特征向量，并对所述第二传热分布特征集合进行特征向量转换，得到第二传热分布特征向量；
将所述第一传热分布特征向量和所述第二传热分布特征向量输入预置的发热异常检测模型，所述发热异常检测模型包括：支持向量机、极限学习机以及输出层；
通过所述支持向量机对所述第一传热分布特征向量进行电池组充电发热异常检测，得到第一发热异常检测结果；
通过所述极限学习机对所述第二传热分布特征向量进行电池组充电发热异常检测，得到第二发热异常检测结果；
通过所述输出层对所述第一发热异常检测结果和所述第二发热异常检测结果进行加权融合，输出目标发热异常检测结果。
7.根据权利要求1所述的电动汽车的充电安全性能检测方法，其特征在于，所述根据所述目标发热异常检测结果，对所述第一电池组结构信息进行电池组结构设计优化，得到第二电池组结构信息，包括：
根据所述目标发热异常检测结果，确定预置改进遗传算法的优化目标，并根据所述优化目标定义所述目标汽车电池组的迭代次数；
通过所述改进遗传算法，对所述第一电池组结构信息进行种群初始化，得到多个第一候选结构信息；
分别计算每个第一候选结构信息的第一适应度数据，并根据所述第一适应度数据对所述多个第一候选结构信息进行排序分析，得到候选结构信息序列；
根据所述优化目标，对所述候选结构信息序列进行筛选，得到至少一个第二候选结构信息；
根据所述迭代次数对所述至少一个第二候选结构信息进行电池组结构设计最优化分析，得到所述目标汽车电池组的第二电池组结构信息。
8.一种电动汽车的充电安全性能检测系统，其特征在于，所述电动汽车的充电安全性能检测系统包括：
获取模块，用于获取目标汽车电池组的第一电池组结构信息，并对所述目标汽车电池组进行充电测试和电池组发热分析，得到目标电池组发热数据集；
划分模块，用于根据所述第一电池组结构信息对所述目标电池组发热数据集进行数据集划分，得到壳体辐射传热数据以及电池分区传热数据；
处理模块，用于对所述壳体辐射传热数据进行传热数据三维可视化，得到第一传热数据三维智能体，并对所述电池分区传热数据进行传热数据三维可视化，得到第二传热数据三维智能体；
提取模块，用于对所述第一传热数据三维智能体进行传热分布特征提取，得到第一传热分布特征集合，并对所述第二传热数据三维智能体进行传热分布特征提取，得到第二传热分布特征集合；
检测模块，用于将所述第一传热分布特征集合和所述第二传热分布特征集合输入预置的发热异常检测模型进行电池组充电发热异常检测，得到目标发热异常检测结果；
优化模块，用于根据所述目标发热异常检测结果，对所述第一电池组结构信息进行电池组结构设计优化，得到第二电池组结构信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410041573.2A CN117554825B (zh) | 2024-01-11 | 2024-01-11 | 电动汽车的充电安全性能检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410041573.2A CN117554825B (zh) | 2024-01-11 | 2024-01-11 | 电动汽车的充电安全性能检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117554825A CN117554825A (zh) | 2024-02-13 |
| CN117554825B true CN117554825B (zh) | 2024-03-19 |
Family
ID=89815159
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410041573.2A Active CN117554825B (zh) | 2024-01-11 | 2024-01-11 | 电动汽车的充电安全性能检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117554825B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013119367A1 (en) * | 2012-02-08 | 2013-08-15 | Chong Uk Lee | Reconfigurable battery |
| CN109860465A (zh) * | 2019-02-26 | 2019-06-07 | 北京长城华冠汽车科技股份有限公司 | 动力电池模组和动力电池系统 |
| CN110487423A (zh) * | 2019-07-09 | 2019-11-22 | 朱清 | 一种用于智能电柜的阵列式三维温度场探测系统 |
| CN111008471A (zh) * | 2019-12-01 | 2020-04-14 | 国网辽宁省电力有限公司电力科学研究院 | 一种直流电源蓄电池组的动态优化方法及装置 |
| DE102020108471A1 (de) * | 2020-03-27 | 2021-09-30 | Daimler Ag | Fahrzeugbatterie sowie Verfahren zum Versorgen eines elektrischen Antriebs eines Kraftfahrzeugs ausschließlich mit einer Teilbatterie unter gleichzeitiger Erwärmung weiterer Teilbatterien |
| WO2021226505A1 (en) * | 2020-05-07 | 2021-11-11 | Zitara Technologies, Inc. | Battery analysis system and method |
| CN115936061A (zh) * | 2022-11-04 | 2023-04-07 | 南京工业职业技术大学 | 基于数据驱动的火电厂烟气含氧量软测量方法及系统 |
| CN116722249A (zh) * | 2023-07-20 | 2023-09-08 | 江西德泰智控电源有限公司 | 一种电池热失控预警保护系统及其保护方法 |
| CN116865377A (zh) * | 2023-06-08 | 2023-10-10 | 浙江晨泰科技股份有限公司 | 一种基于电池bms、能源管理和储能消防于一体的智能充电管理方法及系统 |
| CN117059847A (zh) * | 2023-10-09 | 2023-11-14 | 深圳市北测检测技术有限公司 | 燃料电池的性能检测方法、装置、设备及存储介质 |
| CN117289168A (zh) * | 2023-09-19 | 2023-12-26 | 北京翼新数智科技有限公司 | 基于传感器数据和智能算法的产品质量监测系统 |
| CN117310542A (zh) * | 2023-11-03 | 2023-12-29 | 广东众志检测仪器有限公司 | 一种电池模组热性能检测方法及系统 |
| CN117317408A (zh) * | 2023-09-07 | 2023-12-29 | 大庆恒驰电气有限公司 | 基于大数据和人工智能的电池及热量优化管理方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10960785B2 (en) * | 2019-04-23 | 2021-03-30 | Joby Aero, Inc. | Battery thermal management system and method |
| US20230155200A1 (en) * | 2021-11-18 | 2023-05-18 | Beta Air, Llc | Module monitor unit for an electric aircraft battery pack and methods of use |
-
2024
- 2024-01-11 CN CN202410041573.2A patent/CN117554825B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2013119367A1 (en) * | 2012-02-08 | 2013-08-15 | Chong Uk Lee | Reconfigurable battery |
| CN109860465A (zh) * | 2019-02-26 | 2019-06-07 | 北京长城华冠汽车科技股份有限公司 | 动力电池模组和动力电池系统 |
| CN110487423A (zh) * | 2019-07-09 | 2019-11-22 | 朱清 | 一种用于智能电柜的阵列式三维温度场探测系统 |
| CN111008471A (zh) * | 2019-12-01 | 2020-04-14 | 国网辽宁省电力有限公司电力科学研究院 | 一种直流电源蓄电池组的动态优化方法及装置 |
| DE102020108471A1 (de) * | 2020-03-27 | 2021-09-30 | Daimler Ag | Fahrzeugbatterie sowie Verfahren zum Versorgen eines elektrischen Antriebs eines Kraftfahrzeugs ausschließlich mit einer Teilbatterie unter gleichzeitiger Erwärmung weiterer Teilbatterien |
| WO2021226505A1 (en) * | 2020-05-07 | 2021-11-11 | Zitara Technologies, Inc. | Battery analysis system and method |
| CN115936061A (zh) * | 2022-11-04 | 2023-04-07 | 南京工业职业技术大学 | 基于数据驱动的火电厂烟气含氧量软测量方法及系统 |
| CN116865377A (zh) * | 2023-06-08 | 2023-10-10 | 浙江晨泰科技股份有限公司 | 一种基于电池bms、能源管理和储能消防于一体的智能充电管理方法及系统 |
| CN116722249A (zh) * | 2023-07-20 | 2023-09-08 | 江西德泰智控电源有限公司 | 一种电池热失控预警保护系统及其保护方法 |
| CN117317408A (zh) * | 2023-09-07 | 2023-12-29 | 大庆恒驰电气有限公司 | 基于大数据和人工智能的电池及热量优化管理方法 |
| CN117289168A (zh) * | 2023-09-19 | 2023-12-26 | 北京翼新数智科技有限公司 | 基于传感器数据和智能算法的产品质量监测系统 |
| CN117059847A (zh) * | 2023-10-09 | 2023-11-14 | 深圳市北测检测技术有限公司 | 燃料电池的性能检测方法、装置、设备及存储介质 |
| CN117310542A (zh) * | 2023-11-03 | 2023-12-29 | 广东众志检测仪器有限公司 | 一种电池模组热性能检测方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| 18650动力电池组不同布置形式的热特性影响研究;戴海燕 等;电源技术;20200620;第44卷(第6期);第825-827、879页 * |
| 基于ANSYS的18650锂离子电池单体稳态热分析;余小清 等;汽车实用技术;20170415(第7期);第18-19页 * |
| 混合动力汽车用镍氢电池组散热性能仿真与试验;秦大同 等;中国公路学报;20100915;第23卷(第5期);第107-112页 * |
| 电动工程车牵引蓄电池的寿命分析及使用维护;邓虹辉 等;技术与市场;20141231;第21卷(第7期);第36-38页 * |
| 电动汽车充电安全防护研究综述;于东民 等;中国电机工程学报;20220320;第42卷(第6期);第2145-2163页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117554825A (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111157897B (zh) | 评估动力电池的方法、装置、存储介质及处理器 | |
| US20170117725A1 (en) | Thermal Monitoring of Battery Packs | |
| Michau et al. | Fleet PHM for critical systems: bi-level deep learning approach for fault detection | |
| Qiu et al. | A novel entropy-based fault diagnosis and inconsistency evaluation approach for lithium-ion battery energy storage systems | |
| CN116154900B (zh) | 一种电池储能电站的主动安全三级防控系统及方法 | |
| Qiu et al. | Fault diagnosis for lithium-ion battery energy storage systems based on local outlier factor | |
| CN114487856A (zh) | 换电站电池的热失控预警方法及系统 | |
| CN115877205A (zh) | 一种伺服电机的故障智能诊断系统及其诊断方法 | |
| Wei et al. | Multiscale dynamic construction for abnormality detection and localization of Li-ion batteries | |
| Wang et al. | Lithium-ion battery remaining useful life prediction using a two-phase degradation model with a dynamic change point | |
| CN117368745B (zh) | 基于深度学习的硬包锂电池安全监测方法及装置 | |
| Wei et al. | Multi-level data-driven battery management: From internal sensing to big data utilization | |
| JP7070224B2 (ja) | 電池情報処理システムおよび電池情報処理方法 | |
| Zhao et al. | Battery fault diagnosis and failure prognosis for electric vehicles using spatio-temporal transformer networks | |
| CN117554825B (zh) | 电动汽车的充电安全性能检测方法及系统 | |
| Wang et al. | Large-scale field data-based battery aging prediction driven by statistical features and machine learning | |
| KR20160107095A (ko) | 배터리의 잔여 수명을 자동으로 실시간 추정하는 장치 및 방법 | |
| Chen et al. | Using weather and schedule-based pattern matching and feature-based principal component analysis for whole building fault detection—Part I development of the method | |
| CN116660759A (zh) | 基于bms电池管理系统的电池寿命预测方法及装置 | |
| Zhao et al. | Battery degradation stage detection and life prediction without accessing historical operating data | |
| Zhang et al. | Online state of health estimation for lithium-ion batteries based on gene expression programming | |
| CN117452236B (zh) | 新能源汽车的电池寿命检测方法及系统 | |
| CN117007977B (zh) | 一种储能电池健康状态诊断方法 | |
| Jiang et al. | Driving behavior-guided battery health monitoring for electric vehicles using machine learning | |
| Guo et al. | Towards Accurate and Efficient Sorting of Retired Lithium-ion Batteries: A Data Driven Based Electrode Aging Assessment Approach |
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 |