← 返回
基于异常发热与深度学习算法的电动汽车电池热失控故障预测
Battery Thermal Runaway Fault Prognosis in Electric Vehicles Based on Abnormal Heat Generation and Deep Learning Algorithms
| 作者 | Da Li · Peng Liu · Zhaosheng Zhang · Lei Zhang · Junjun Deng · Zhenpo Wang · David G. Dorrell · Weihan Li · Dirk Uwe Sauer |
| 期刊 | IEEE Transactions on Power Electronics |
| 出版日期 | 2022年7月 |
| 技术分类 | 智能化与AI应用 |
| 技术标签 | 故障诊断 机器学习 深度学习 电池管理系统BMS |
| 相关度评分 | ★★★★ 4.0 / 5.0 |
| 关键词 | 电池热失控 故障预测 电动汽车 异常发热 深度学习 LSTM BMS |
语言:
中文摘要
针对电动汽车在复杂工况下电池热失控预测难的问题，本文提出了一种基于异常发热（AHG）的预测模型。该模型结合长短期记忆网络（LSTM）等深度学习算法，能够有效识别电池异常状态，提升电动汽车运行安全性。
English Abstract
Efficient battery thermal runaway prognosis is of great importance for ensuring safe operation of electric vehicles (EVs). This presents formidable challenges under widely varied and ever-changing driving conditions in real-world vehicular operations. In this article, an enabling thermal runaway prognosis model based on abnormal heat generation (AHG) is proposed by combining the long short-term me...
S
SunView 深度解读
该研究对阳光电源的储能系统（如PowerTitan、PowerStack）具有重要参考价值。储能系统本质上是大规模电池组的集成，热失控监测是BMS的核心安全功能。通过引入基于异常发热的深度学习预测模型，阳光电源可优化iSolarCloud平台的电池健康状态（SOH）评估与预警算法，从单纯的阈值报警升级为基于多维特征的故障预测。这不仅能提升储能电站的本质安全水平，降低运维风险，还能为未来电动汽车充电桩业务中电池检测功能的集成提供技术储备。