【技术实现步骤摘要】
面向充电过程的汽车电池火灾自适应防范方法及系统
[0001]本专利技术涉及电池的充电管理
,具体地涉及一种面向充电过程的汽车电池火灾自适应防范方法及系统。
技术介绍
[0002]动力蓄电池系统已经成为新能源汽车极为重要的储能部件之一。目前各大车企对汽车电池系统进行了深入的研究,在电池性能管理上取得了很大的突破,但电池系统在使用过程中仍然存在不可忽视的安全问题,尤其电池火灾预防及处理这一块,仍然有很多不足。
[0003]目前现有的许多火灾预警系统较为简单,多采用单一传感器为主,通常为温度传感器,且为阈值触发式系统,一旦达到被测量的阈值就视为发生警报并进行报警,断电防止出现意外。这种探测器对火灾特征信号响应灵敏度的不均匀性,导致其对实际火灾的探测能力受到了限制,使得误报率和漏报率一直居高不下。随着技术的进步,火灾探测器中开始采用多种类型的传感器共同探测火焰,但是在实际使用中仍面临许多困难。
[0004]现有多传感器融合系统有通过数据级融合及决策级融合两级融合进行决策,用到的算法有模糊集合理论及D
‑
S证据理论。这些算法计算比较繁琐,在面对多节点,大量数据处理时不能得心应手。
[0005]此外,现有技术只通过较为单一的传感器进行静态的采样操作,通常不考虑汽车所处工况及此时汽车电池火灾相关参数的特点。通过传感器采集相关数据并和事先拟定的阈值进行简单比对来进行决策。但由于当汽车自身所处工况及电池所处状态的不同,我们很难只通过静态的视角来对火灾进行监测与预警。同时,在静态的模型下, ...
【技术保护点】
【技术特征摘要】
1.一种面向充电过程的汽车电池火灾自适应防范方法,其特征在于,所述方法包括:获取汽车电池的多个充电参数;根据所述多个充电参数构建充电参数矩阵;根据公式(1)和公式(2)计算充电危险系数,I=
∝1×
R1+
∝2×
R2+
∝3×
R3+
∝4×
R4+
∝5×
R5,(2)其中,R为危险系数矩阵,R1、R2、R3、R4以及R5为危险系数矩阵R中的元素,
∝1、
∝2、
∝3、
∝4以及
∝5为对应的权重,I为所述充电危险系数,Z为所述充电参数矩阵,Y为预设的安全值矩阵,U为预设的阈值矩阵;判断所述充电危险系数的阈值区间;在判断所述充电危险系数位于第一阈值区间的情况下,根据公式(3)计算传感器的采样频率,并控制权重较小的前三个类别的传感器关闭,其余类别的传感器打开,f
v
=f
min
×
(1+I),
ꢀꢀ
(3)其中,f
v
为所述采样频率,f
min
为所述采样频率的最小值,I为所述充电危险系数;在判断所述充电危险系数位于第二阈值区间的情况下,根据公式(4)计算传感器的采样频率,并控制权重较小的第一个类别的传感器关闭,其余类别的传感器打开,f
v
=f
min
×
(1+I)2,
ꢀꢀ
(4)其中,f
v
为所述采样频率,f
min
为所述采样频率的最小值,I为所述充电危险系数;在判断所述充电危险系数位于第三阈值区间的情况下,根据公式(5)计算传感器的采样频率,并打开所有类别的传感器,f
v
=f
min
×
(1+I)3,
ꢀꢀ
(5)其中,f
v
为所述采样频率,f
min
为所述采样频率的最小值,I为所述充电危险系数;再次返回执行获取汽车电池的多个充电参数的步骤。2.根据权利要求1所述的方法,其特征在于,所述第一阈值区间为0至40%,所述第二阈值区间为41%至70%,所述第三阈值区间为71%至100%。3.根据权利要求1所述的方法,其特征在于,所述方法包括:获取用于训练神经网络训练集,其中,所述训练集包括多个类别传感器的采样数据,每个类别包括用于采集汽车电池不同节点的信息的多个传感器;根据公式(6)计算每个类别的传感器的采样数据,其中,D
x
表示类别为x的传感器的采样数据,x
n
表示类别为x的传感器中编号为n的传感器的采样信息,W
xn
表示类别为x的传感器中编号为n的传感器的权重;根据公式(7)计算当前发生火灾的预测概率,其中,P为所述预测概率,W
Dx
表示类别为x的传感器的权重;判断所述预测概率与所述训练集中标准的概率的差值和是否等于0;在判断所述预测概率与所述训练集中标准的概率的差值和不等于0的情况下,根据公式(8)计算损失函数,
其中,L为所述损失函数,m为所述训练集的数据规模,y为训练集中标准的概率,i为计数变量;根据公式(9)计算偏导数矩阵,其中,Q为所述偏导数矩阵,以...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。