基于无监督形状聚类的电池数据驱动热异常检测
系统与控制
2022-01-10 v2 人工智能
机器学习
系统与控制
摘要
对电动汽车(EV)与储能(ES)电池而言,热失控是 critical 问题,因其可引发不可控火灾甚至爆炸。热异常检测能识别可能出现热失控的问题电池包。然而存在数据不可用、环境与配置差异及电池老化等常见挑战。我们提出一种数据驱动方法,通过比较热测量值间的形状相似性来检测电池热异常。依据形状,测量值被持续分组为不同簇。通过监测簇内偏差检测异常。与基于模型或其他数据驱动方法不同,本方法对数据丢失具有鲁棒性,且对不同电池包配置仅需极少参考数。初步实验结果表明,该方法不仅可比车载 BMS 更准确,还能在早期阶段检测未预见异常。
引用
@article{arxiv.2103.08796,
title = {Data-driven Thermal Anomaly Detection for Batteries using Unsupervised Shape Clustering},
author = {Xiaojun Li and Jianwei Li and Ali Abdollahi and Trevor Jones},
journal= {arXiv preprint arXiv:2103.08796},
year = {2022}
}
备注
6 pages