基于神经网络的锂动力电池的安全度估算方法技术

本发明专利技术公开了基于神经网络的锂动力电池的安全度估算方法，属于电池安全度估算技术领域。本发明专利技术为了解决电池安全度估算精度低的问题。本发明专利技术包括：样本获取，所述样本包括电池参数和电池安全度S的数值，所述电池安全度S根据下式获取：

【技术实现步骤摘要】
基于神经网络的锂动力电池的安全度估算方法
本专利技术涉及电池安全度估算领域，特别是涉及基于神经网络的锂动力电池的安全度估算方法。
技术介绍
电动汽车在中国正处于快速发展新阶段，电动汽车的发展带动了动力电池产业的发展。然而，近几年电池自燃、爆炸等事故频发，人们越来越关注新能源汽车电池系统的安全性。一旦电池达到了某种临界条件，例如过电压，过温度，低寿命，如不及时采取相应的安全防范措施，电池热失控势必导致安全性事故。由此可见，电池的安全性问题成为了新能源行业迫不及待解决的问题。安全性事故来自热失控，而导致热失控的诱因主要有两种，一是机械电气诱因(针刺、碰撞等事故导致)，二是电化学诱因(过充、快充、自发性短路等)，电池单体热失控之后传递给相邻单体，随后大面积蔓延，最终导致安全事故的发生。而热失控的发展也存在一定的阶段性，据相关的资料显示，SEI膜分解的初始温度大概是100摄氏度-130摄氏度，也把这个温度视为一连串热失控温度的起点，而温度达到300摄氏度时，电池的温度将会出现剧烈的提升，如果不采取相应的安全措施，毫无疑问，电池在达到温度顶峰时，本文档来自技高网...

【技术保护点】
1.基于BP神经网络的锂动力电池的安全度估算方法，其特征在于，包括如下步骤：/n样本获取，所述样本包括电池参数和电池安全度S的数值，所述电池安全度S根据下式获取：

【技术特征摘要】
1.基于BP神经网络的锂动力电池的安全度估算方法，其特征在于，包括如下步骤：
样本获取，所述样本包括电池参数和电池安全度S的数值，所述电池安全度S根据下式获取：式中，Xi代表第i个电池参数的安全系数，ωi代表第i个电池参数的权重系数，所述样本划分成训练集和测试集；
将所述电池的参数作为BP神经网络中的输入，电池安全度S的数值为输出，建立基于BP神经网络的电池安全度测量模型，利用训练集进行网络训练，训练完成的BP神经网络通过测试集进行测试；
将电池的实时参数输入训练好的BP神经网络中，得到当前电池参数情况下的电池安全度S的数值。


2.根据权利要求1所述基于BP神经网络的锂动力电池的安全度估算方法，其特征在于，所述电池参数为电压、电流、温度、内阻、容量、电池SOH、电池SOC中的一种或多种组合。


3.根据权利要求1所述基于BP神经网络的锂动力电池的安全度估算方法，其特征在于，所述权重系数的获取方法包括：
所述电池安全系数的安全系数Xi为：
其中，XS为电池参数标准工作值，Xm为电池参数的阈值，Xj为第j时刻得到的电池参数采集值；
获取所述电池参数对应的安全系数的特征值Fi和对应变量总方差D(i)；
通过得到电池参数方差的贡献率σi；
将电池参数方差的贡献率σi归一化后得到所述电池参数的权重系数ωi。


4.基于ELMAN神经网络的锂动力电池的安全度估算方法，其特征在于，包括如下步骤：
样本获取，所述样本包括电池参数和电池安全度S的数值，所述电池安全度S根据下式获取：式中，Xi代表第i个电池参数的安全系数，ωi代表第i个电池参数的权重系数，所述样本划分成训练集和测试集；
将所述电池的参数作为ELMAN神经网络中的输入，电池安全度S的数值为输出，建立基于ELMAN神经网络的电池安全度测量模型，利用训练集进行网络训练，训练完成的ELMAN神经网络通过测试集进行测试；
将电池的实时参数输入训练好的ELMAN神经网络中，得到当前电池参数情况下的电池安全度S的数值。


5.根据权利要求4所述基于ELMAN神经网络的锂动力电池的安全度估算方法，其特征在于，所述电池参数为电压、电流、温度、内阻、容量、电池SOH、电池SOC中的一种或多种组合；
所述权重系数的获取方法包括：
所述电池安全系数的安全系数Xi为：
其中，XS为电池参数标准工作值，Xm为电池参数的阈值，Xj为第j时刻得到的电池参数采集值；
获取所述电池参数对应的安全系数的特征值Fi和对应变量总方差D(i)；
通过得到电池参数方差的贡献率σi；
将电池参数方差的贡献率σi归一化后得到所述电池参数的权重系数ωi。<...

【专利技术属性】
技术研发人员：周永勤，黄建鑫，李然，朱博，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：黑龙江;23