电池温升异常预警方法技术

本发明专利技术涉及一种电池温升异常预警方法，其包括准备阶段和实测阶段；准备阶段包括以下步骤：步骤1

【技术实现步骤摘要】
电池温升异常预警方法


[0001]本专利技术属于电池安全领域，具体涉及一种电池温升异常预警方法。

技术介绍

[0002]现有技术中，对于电池温升异常的检测，主要通过传感器检测电池内的温度、电压、烟雾等信号来实现，仅能对电池当前的状态进行判断，具有一定的延迟性，无法对电池的未来状态做出精准预测。

技术实现思路

[0003]本专利技术的目的是提供一种能够对电池未来状态进行预测、从而前瞻性地检测电池温升异常的电池温升异常预警方法为达到上述目的，本专利技术采用的技术方案是：一种电池温升异常预警方法，包括准备阶段和实测阶段；所述准备阶段包括以下步骤：步骤1
‑
1：获取与待预警电池同类的电池的各类历史数据，并对所述历史数据进行初步处理；步骤1
‑
2：对经过初步处理后的历史数据进行特征工程，得到若干类神经网络算法的输入数据；步骤1
‑
3：基于所述神经网络算法的输入数据，采用神经网络算法对所述电池建模，得到用于预测电池温度的温升预测模型；所述实测阶段包括以下步骤：步骤2
‑
1：获取所述待预警电池的各类使用数据，并利用所述温升预测模型预测得到所述待预警电池未来一段时间的温度数据；步骤2
‑
2：基于所述待预警电池未来一段时间的温度数据得到预警指标，从而利用所述预警指标判断所述待预警电池的温升是否异常，并在异常时进行预警。
[0004]所述步骤1
‑
3中，所述神经网络算法为LSTM、GRU或transformer算法。
[0005]所述步骤1
‑
3中，所述神经网络算法中融入电池参数计算、充放电行为累计数据计算和与电池相关的电化学参数计算。
[0006]所述步骤1
‑
2中，所述神经网络算法的输入数据包括所述电池的最高电压和最低电压、所述电池的SOC、所述电池的电流、所述电池的总电压、所述电池的最高温度和最低温度。
[0007]所述步骤1
‑
1中，对所述历史数据进行的初步处理包括清洗、分析和采样。
[0008]所述步骤1
‑
1中，对所述历史数据的采样所采用的采样方法使用样本混合规则采样的逻辑。
[0009]所述步骤2
‑
1中，所述待预警电池的使用数据包括实时充放电数据、时间戳以及充放电行为累计数据。
[0010]所述步骤2
‑
2中，所述预警指标包括所述待预警电池未来一段时间温度的方差和/或滑动窗口内一段时间温度的上升速率；若所述待预警电池未来一段时间温度的方差大于预设的第一阈值和/或所述滑动窗口内一段时间温度的上升速率大于预设的第二阈值，则判断所述待预警电池的温升异常。
[0011]所述滑动窗口长度为25~35s。
[0012]所述实测阶段还包括以下步骤：步骤2
‑
3：将所述预警指标和所述待预警电池的温升是否异常作为预测结果反馈至电池大数据平台而形成闭环。
[0013]由于上述技术方案运用，本专利技术与现有技术相比具有下列优点：本专利技术基于电池的大数据，利用深度学习算法对电池未来的温升状态进行预测，并结合一系列温升异常指标，从而实现了未来一段时间电池温升异常的预警，具有前瞻性，且本专利技术适用性广，不局限于动力电池，对于储能电池同样适用。
附图说明
[0014]附图1为本专利技术的电池温升异常预警方法的流程图。
具体实施方式
[0015]下面结合附图所示的实施例对本专利技术作进一步描述。
[0016]实施例一：如附图1所示，针对电动车电池而提出的一种电池温升异常预警方法，包括准备阶段和实测阶段。
[0017]准备阶段包括以下步骤：步骤1
‑
1：从电池大数据平台获取与待预警电池同类的电池的各类历史数据，并对历史数据进行初步处理。对历史数据进行的初步处理包括清洗、分析和采样，对历史数据的采样所采用的采样方法使用样本混合规则采样的逻辑。
[0018]步骤1
‑
2：对经过初步处理后的历史数据进行特征工程，得到若干类神经网络算法的输入数据。所得到的神经网络算法的输入数据包括电池的最高电压和最低电压、电池的SOC、电池的电流、电池的总电压、电池的最高温度和最低温度。
[0019]步骤1
‑
3：基于神经网络算法的输入数据，采用神经网络算法对电池建模，得到用于预测电池温度的温升预测模型。神经网络算法有多种，包括LSTM、GRU等，都适用于电池温度的预测，结合本方案针对预测时序的长短，这里采用transformer算法进行建模：transformer算法是一种时间序列预测的神经网络算法，能够根据历史数据精准地预测未来较长一段时间内数据变化情况，比如本专利中要预测的电池的温度。为了适应电池的场景，神经网络算法中融入电池参数（如电阻）计算、充放电行为累计数据（包括累计行驶里程，累计充电时长，累计充电电量，累计放电电量，累计电池最高温度区间时长分布，累计充电功率区间分布等）计算和与电池相关的电化学参数（如充放电深度，充放电倍率等）计算，从而对transformer算法进行一些的修改，在本专利的生产环境中，性能得到了提升。
[0020]实测阶段包括以下步骤：步骤2
‑
1：获取待预警电池的各类使用数据，包括实时充放电数据、时间戳以及充放电行为累计数据（包括累计行驶里程，累计充电时长，累计充电电量，累计放电电量，累计
电池最高温度区间时长分布，累计充电功率区间分布等）等，并利用温升预测模型预测得到待预警电池未来一段时间的温度数据。
[0021]步骤2
‑
2：基于待预警电池未来一段时间的温度数据得到预警指标，从而利用预警指标判断待预警电池的温升是否异常，并在异常时进行预警。预警指标包括待预警电池未来一段时间温度的方差和/或滑动窗口内一段时间温度的上升速率。若待预警电池未来一段时间温度的方差大于预设的第一阈值A和/或滑动窗口（滑动窗口长度为25~35s，本实施例中滑动窗口长度为30s）内一段时间温度的上升速率大于预设的第二阈值B，则判断待预警电池的温升异常。第一阈值A和第二阈值B均为多次实验经验所得。
[0022]步骤2
‑
3：将预警指标和待预警电池的温升是否异常作为预测结果反馈至电池大数据平台而形成闭环。
[0023]重复步骤2
‑
1至步骤2
‑
3即可持续对待预警电池的温升异常进行预警。
[0024]区别于传统的硬件预警，本方案充分利用电池大数据，对未来的温升异常进行了研判，采用transformer的神经网络算法，有效地提取时间维度的特征，对长序列做到了精准预测。该方案前瞻性较强，且该方法可以适用于任何电池。
[0025]上述实施例只为说明本专利技术的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本专利技术的内容并据以实施，并不能以此限制本专利技术的保护本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电池温升异常预警方法，其特征在于：所述电池温升异常预警方法包括准备阶段和实测阶段；所述准备阶段包括以下步骤：步骤1
‑
1：获取与待预警电池同类的电池的各类历史数据，并对所述历史数据进行初步处理；步骤1
‑
2：对经过初步处理后的历史数据进行特征工程，得到若干类神经网络算法的输入数据；步骤1
‑
3：基于所述神经网络算法的输入数据，采用神经网络算法对所述电池建模，得到用于预测电池温度的温升预测模型；所述实测阶段包括以下步骤：步骤2
‑
1：获取所述待预警电池的各类使用数据，并利用所述温升预测模型预测得到所述待预警电池未来一段时间的温度数据；步骤2
‑
2：基于所述待预警电池未来一段时间的温度数据得到预警指标，从而利用所述预警指标判断所述待预警电池的温升是否异常，并在异常时进行预警。2.根据权利要求1所述的电池温升异常预警方法，其特征在于：所述步骤1
‑
3中，所述神经网络算法为LSTM、GRU或transformer算法。3.根据权利要求2所述的电池温升异常预警方法，其特征在于：所述步骤1
‑
3中，所述神经网络算法中融入电池参数计算、充放电行为累计数据计算和与电池相关的电化学参数计算。4.根据权利要求1所述的电池温升异常预警方法，其特征在于：所述步骤1
‑
2中，所述神经网络算...

【专利技术属性】
技术研发人员：陈越，钱磊，朱卓敏，
申请(专利权)人：上海电享信息科技有限公司，
类型：发明
国别省市：