LU500227B1 - A system and a method for smart grading and early warning the thermal runaway of a lithium-ion battery - Google Patents

A system and a method for smart grading and early warning the thermal runaway of a lithium-ion battery Download PDF

Info

Publication number
LU500227B1
LU500227B1 LU500227A LU500227A LU500227B1 LU 500227 B1 LU500227 B1 LU 500227B1 LU 500227 A LU500227 A LU 500227A LU 500227 A LU500227 A LU 500227A LU 500227 B1 LU500227 B1 LU 500227B1
Authority
LU
Luxembourg
Prior art keywords
battery
thermal runaway
early warning
prediction
lithium
Prior art date
Application number
LU500227A
Other languages
English (en)
Inventor
Zhicheng Cao
Yuancheng Cao
Hao Wu
Wuxin Sha
Yunhui Zhong
Weixin Zhang
Original Assignee
Zhejiang Landun Electric New Material Tech Co Ltd
Univ Huazhong Science Tech
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang Landun Electric New Material Tech Co Ltd, Univ Huazhong Science Tech filed Critical Zhejiang Landun Electric New Material Tech Co Ltd
Priority to LU500227A priority Critical patent/LU500227B1/en
Application granted granted Critical
Publication of LU500227B1 publication Critical patent/LU500227B1/en

Links

Classifications

    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392Determining battery ageing or deterioration, e.g. state of health
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/3644Constructional arrangements
    • G01R31/3648Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
    • GPHYSICS
    • G01MEASURING; TESTING
    • G01RMEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367Software therefor, e.g. for battery testing using modelling or look-up tables
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/044Recurrent networks, e.g. Hopfield networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Secondary Cells (AREA)

Claims (10)

Revendications
1. Une méthode d'alerte précoce fractionnée d’emballement thermique de batterie lithium-ion se caractérise par les étapes suivantes: $1. Collecter les éléments caractéristiques de la batterie sans défaillance et former respectivement la capacité de prévision du réseau de mémoire à long-court terme, réseau de convolution temporelle et réseau neuronaul GRU aux éléments caractéristiques de la batterie dans la suite temporcile: SZ. Collectez les éléments caractéristiques de la batterie à surveiller dans la suite temporelle, entrez-les respectivement au réseau de mémoire à long-court terme, réseau de convolution temporelle ct réscau neuronaul GRU formé pour obtenir trois ensembles de valeurs prédictives ot effectuer le couplage de pondération égale sur les trois ensembles de valeurs prédictives de manière à être considérées comme valeur prédictive sans défaillance:
53. Continuez à collecter fes éléments caractéristiques de la batterie à surveiller dans la suite temporelle de manière à être considérées comme valeur réelle, comparez avec la valeur prédictive sans défaillance obtenue de l'étape S2, plus la différence entre les deux est élevée, plus le risque d’emballement thermique de batterie est grand.
2. La méthode d'alerte précoce fractionnée d’emballement thermique de batterie lithium-ion décrite dans l'article I de la Demande des Droits se caractérise par le fait que les éléments caractéristiques de la batterie comprennent, sans s’y limiter, la température, le courant, la tension et l’état de charge de la batterie,
3. La méthode d'alerte précoce fractionnée d’embailement thermique de batterie lithium-ion décrite dans l'article I de la Demande des Droits se caractérise par le fait que les éléments caractéristiques de la batterie sans défaillance décrits à l’étape S1 sont obtenus en filtrant les éléments caractéristiques de la batterie d’emballementthermique par un filtre gaussien.
4. La méthode d'alerte précoce fractionnée d'emballement thermique de batterie lithium-ion décrite dans l’article HI de la Demande des Droits se caractérise par le fait gue le filtre gaussien est un filtre passe-bas avec une largeur de domaine de fréguence de + 200w of une valeur de seuil de 11/100.
5. La méthode d'alerte précoce fractionnée d’embailement thermique de batterie lithium-ion décrite dans l’article { de la Demande des Droits se caractérise par le fait que la formation de la 1 capacité de prévision décrite à Pétape ST comprend la formation du réseau de mémoire à long-court terme, réseau de convolution temporelle et réseau neuronanl GRU aux éléments caractéristiques de ia batterie dans la suile temporelle en coliectant des éléments caractéristiques de la batterie sans défaiBance pour obtenir les résultats de la prévision par couplage, c’est la valeur de la tendance des variations des éléments caractéristiques de la batterie dans le temps; puis la valeur de loss des trois réseaux est renvoyée , et la formation se poursuit,
6. La méthode d’alerte précoce fractionnée d'embaîlement thermique de batterie hithinm-ion décrite dans l'aricle V de la Demande des Droits se caractérise par le fait que la valeur de loss du réseau de mémoire à long-court terme et du réseau neuronauf GRU est obtenue à travers de la fonction de perte MSE; la valeur de loss du réseau de convolution temporelle est obtenued travers de l'écart absolu moyen MAD.
7. La méthode d'alerte précoce fractionnée d’emballement thermique de batterie lithium-ion décrite dans l'article I de la Demande des Droits se caractérise par le fait que l'étape 53 est également inclase le radio entre la valeur absolue de la différence entre la valeur réelle et la valeur prédictive sans défaillance et la valeur prédictive sans défaillance est considéré comme coefficient d'alerte précoce d’emballement thermique, plus le coefficient d'alerte précoce d'emballement thermique est élevé, plus le risque d’emballement thermique de batterie est grand.
&. La méthode d'alerte précoce fracthionnée d’emballement thermique de batterie lithium-ion décrit dans l'article VIT de la Demande des Droits se caractérise par le fait que l’étane S3 est également inclnse le coefficient d'alerte précoce d'emballement thermique subdivisé en plusieurs intervalles fractionnés pour une alerte précoce fractionnée; Parmi eux, plus la limite supérieure dans l'intervaile fractionné est élevée, plus le risque d'emballement thermique de batterie est grand.
9, Un système d'alerte précoce fractionnde d'emballement thermique de batterie Hibiom-ion se caractérise par le fait comme suivant: Module d'acquisition de données destiné à collecter les données relatives aux éléments caractéristiques de la batterie: Module de construction du modèle d’emballement thermique destiné à construire le réscau de rvémoue à long-court terme, le réscau de convolution temporelle et le réseau neuronanl GRU dans un modèle prédictif associé aux éléments caractéristiques de la baticne, et former la capacité de prévision on prenant des éléments caractéristiques de la batterie sans défaillance; 2
Module d'alerte précoce d'emballement thermique est destiné à entrer les éléments caractéristiques de la batterie à surveiller dans la suite temporelle au modèle de prédiction pour obtenir la valeur prédictive à un certain moment, puis la comparer avec la valeur réelle collectée correspondant à ce moment pour obtenir le résultat d'alerte précoce d'embailement thermique.
10. Le système d'alerte précoce fractionnee d’emballement thermique de batterie hthinm-ion décrit dans l'article IX de la Demande des Droits se caractérise par le fait que le sysième est également inclus le module de couplage de pondération égale qui est destiné à effeciner Le couplage de pondération égale des valeurs prédictives du réseau de mémoire à long-court terme, réseau de convolution temporelle et réseau neuronaut GRU.
3
LU500227A 2021-05-31 2021-05-31 A system and a method for smart grading and early warning the thermal runaway of a lithium-ion battery LU500227B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
LU500227A LU500227B1 (en) 2021-05-31 2021-05-31 A system and a method for smart grading and early warning the thermal runaway of a lithium-ion battery

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
LU500227A LU500227B1 (en) 2021-05-31 2021-05-31 A system and a method for smart grading and early warning the thermal runaway of a lithium-ion battery

Publications (1)

Publication Number Publication Date
LU500227B1 true LU500227B1 (en) 2021-11-30

Family

ID=78780136

Family Applications (1)

Application Number Title Priority Date Filing Date
LU500227A LU500227B1 (en) 2021-05-31 2021-05-31 A system and a method for smart grading and early warning the thermal runaway of a lithium-ion battery

Country Status (1)

Country Link
LU (1) LU500227B1 (fr)

Similar Documents

Publication Publication Date Title
AU2021102629A4 (en) Lithium battery thermal runaway multi-level detection and early warning system and judgment method
Fan et al. Research and application of smart grid early warning decision platform based on big data analysis
CN108847686B (zh) 一种光伏逆变器故障预测方法
CN108960321B (zh) 一种大型锂电池储能电站电池故障预测方法
CN109002781B (zh) 一种储能变流器故障预测方法
Sun et al. A novel fault prediction method based on convolutional neural network and long short-term memory with correlation coefficient for lithium-ion battery
CN106408016A (zh) 一种配电网停电时间自动识别模型构造方法
Chen et al. A vision transformer-based deep neural network for state of health estimation of lithium-ion batteries
Diao et al. Research on Electric Vehicle Charging Safety Warning Based on A-LSTM Algorithm
LU500227B1 (en) A system and a method for smart grading and early warning the thermal runaway of a lithium-ion battery
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
Liu et al. Battery fault diagnosis scheme based on improved RBF neural network
CN112085043B (zh) 一种变电站网络安全智能监控方法及系统
Zhang et al. Research for SOC prediction of lithium battery based on GA-ESN
CN111160386A (zh) 一种基于主动无功功率扰动的数据驱动电力孤岛检测方法
Wang et al. The Application Research of Deep Learning Based Method for Short-term Wind Speed Forecasting
Parizad et al. Semi-supervised false data detection using gated recurrent units and threshold scoring algorithm
Cui Construction of an Intelligent Fault Identification System for Power Grid under Adaptive Genetic Algorithm
Wang et al. A double broad learning approach based on variational modal decomposition for Lithium-Ion battery prognostics
Tang et al. Rul prediction of lithium batteries based on dlukf algorithm
Liu et al. Lithium Battery Thermal-Runaway Monitoring Based on Whole-Feature Neural Networks
Hou et al. Remaining useful life prediction of power lithium-ion battery based on artificial neural network model
Jiang et al. Lithium-ion battery RUL indirect prediction based on GAAA-ELM
Zhou et al. Research on Battery Safety Management and Protection Technology of Energy Storage Power Station
Zhang et al. Risk Situational Awareness of Power Grid Based on Deep Neural Networks

Legal Events

Date Code Title Description
FG Patent granted

Effective date: 20211130