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 PDFInfo
- 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
Links
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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning 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)
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
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) |
-
2021
- 2021-05-31 LU LU500227A patent/LU500227B1/en active IP Right Grant
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 | |
Chen et al. | A vision transformer-based deep neural network for state of health estimation of lithium-ion batteries | |
CN106408016A (zh) | 一种配电网停电时间自动识别模型构造方法 | |
Qiao et al. | Data-Driven Fault Diagnosis of Internal Short Circuit for Series-Connected Battery Packs Using Partial Voltage Curves | |
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 | |
Liu et al. | Battery fault diagnosis scheme based on improved RBF neural network | |
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 | |
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 | |
Jie et al. | Investigation on Power System Dynamic Monitoring System Using Artificial Neural Networks | |
Cui | Construction of an Intelligent Fault Identification System for Power Grid under Adaptive Genetic Algorithm | |
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 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
FG | Patent granted |
Effective date: 20211130 |