锂离子电池热失控分级预警方法及预警系统技术方案

本发明专利技术提供了一种锂离子电池热失控分级预警方法及预警系统。该方法采用无故障的电池特征要素对长短期记忆网络、时间卷积网络和GRU神经网络构成的预测模型的热失控预测能力进行训练；接着将待监控电池在时间序列上的电池特征要素输入至预测模型，得到某一时刻的正常状态下的预测值，然后与采集到的该时刻对应的真实值比较，两者相差越大表明电池热失控风险越大。如此操作，既综合了各自的优势，又避免了各自模型训练出来的系数偏差过大问题，从而实现高精度的电池热失控分级检测，提高锂离子电池热失控预警的速度和精度。电池热失控预警的速度和精度。电池热失控预警的速度和精度。

【技术实现步骤摘要】
锂离子电池热失控分级预警方法及预警系统


[0001]本专利技术涉及电池安全预警
，尤其涉及一种锂离子电池热失控分级预警方法及预警系统。

技术介绍

[0002]近年来，锂离子电池储能系统已经广泛应用于新能源并网、微型电网、智能电网等各个区域。锂离子电池以其高能量密度、高转换效率和快速反应等特点，在大型储能系统中有着广阔的前景。然而，随着锂离子电池储能系统的规模化应用，储能系统安全问题引起人们高度重视。通过对事故的统计调查发现，锂离子电池因自身化学反应或外界影响发生的热失控成为发生安全问题的主要原因。锂电池热失控后，具有扩散速度快，火焰强度大，产生大量有毒气体等特点，即使扑灭火灾后，仍可能产生复燃现象，严重威胁整个储能系统。
[0003]电池发生热失控是由于电池自身产热，温度异常升高，引起连锁式放热反应，导致电池燃烧和爆炸。根据触发条件，引发电池热失控原因主要分为三类：机械滥用，例如由于针刺、挤压、重物冲击等导致的机械变形；电滥用，主要为电器元器件故障，如过充、过放，电池内部产生锂枝晶，刺透隔膜；热滥用，例如温度过高造成正负极材料等发生分解。因此，锂离子热失控故障的精准预测将加快储能技术的发展，对推动我国新能源结构转型、保障能源安全及实现节能减排目标有着重大意义。专利CN20160282373.1公开了一种电池故障检测方法和电池故障检测装置，该方法是根据电池组的电池特征要素，采用数据挖掘算法识别电池组中发生故障的电池单体。无需使用基于人工经验而预先设定的阈值，能够提高电池故障检测的准确性。但是，此方法只能对当前的电池状态进行故障检测，无法实现提前预警，容易发生预警和应对不及时的问题。
[0004]有鉴于此，有必要设计一种改进的锂离子电池热失控分级预警方法及预警系统，以解决上述问题。

技术实现思路

[0005]为了克服上述现有技术的不足，本专利技术的目的在于提供一种锂离子电池热失控分级预警方法及预警系统。采用长短期记忆网络、时间卷积网络和GRU神经网络分别预测，并进行等权重耦合，既综合了各自的优势，又避免了各自模型训练出来的系数偏差过大问题，从而实现高精度的电池热失控分级检测，提高锂离子电池热失控预警的速度和精度。
[0006]为实现上述专利技术目的，本专利技术提供了一种锂离子电池热失控分级预警方法，包括以下步骤：
[0007]S1.采集无故障的电池特征要素，分别训练长短期记忆网络、时间卷积网络和GRU神经网络对时间序列上的电池特征要素的预测能力；
[0008]S2.采集待监控电池在时间序列上的电池特征要素，分别输入到训练好的所述长短期记忆网络、时间卷积网络和GRU神经网络中，得到三组预测值，将三组预测值进行等权重耦合，作为无故障预测值；
[0009]S3.继续采集待监控电池在时间序列上的电池特征要素作为真实值，与步骤S2得到的所述无故障预测值进行比较，两者相差越大表明电池热失控风险越大。
[0010]作为本专利技术的进一步改进，所述电池特征要素包括但不限于为电池的温度、电流、电压、荷电状态中的一种或多种。
[0011]作为本专利技术的进一步改进，在步骤S1中，所述无故障的电池特征要素是通过高斯滤波器过滤掉热失控的电池特征要素而得到。
[0012]作为本专利技术的进一步改进，所述高斯滤波器为频域宽度为
±
200w，阈值为Π/100的低通滤波器。
[0013]作为本专利技术的进一步改进，在步骤S1中，所述预测能力的训练包括：采用时间序列上的无故障的电池特征要素对所述长短期记忆网络、时间卷积网络和GRU神经网络分别进行训练，耦合得到预测结果，即电池特征要素在时间上的变化趋势值；然后返回三个网络各自的loss值，继续进行训练。
[0014]作为本专利技术的进一步改进，所述长短期记忆网络和GRU神经网络的loss值通过MSE损失函数得到；所述时间卷积网络的loss值通过平均绝对偏差MAD得到。
[0015]作为本专利技术的进一步改进，步骤S3还包括：将所述真实值与无故障预测值之差的绝对值与所述无故障预测值的比值作为热失控预警系数，所述热失控预警系数越大，表明电池热失控风险越大。
[0016]作为本专利技术的进一步改进，步骤S3还包括：将所述热失控预警系数分为若干个等级区间，进行分级预警；其中，所处的等级区间的上限值越大，表明电池热失控风险越大。
[0017]为实现上述专利技术目的，本专利技术还提供了一种锂离子电池热失控分级预警系统，包括：
[0018]数据采集模块，用于采集电池的特征要素数据；
[0019]热失控模型构建模块，用于将长短期记忆网络、时间卷积网络和GRU神经网络并列构建为与电池的特征要素相关联的预测模型，并采用无故障的电池特征要素对其预测能力进行训练；
[0020]热失控预警模块，用于将待监控电池在时间序列上的电池特征要素输入至所述预测模型，得到某一时刻的预测值，然后与采集到的该时刻对应的真实值比较，得到热失控预警结果。
[0021]作为本专利技术的进一步改进，所述锂离子电池热失控分级预警系统还包括等权重耦合模块，用于将长短期记忆网络、时间卷积网络和GRU神经网络的预测值进行等权重耦合。
[0022]本专利技术的有益效果是：
[0023]1.本专利技术提供的锂离子电池热失控分级预警方法，采用长短期记忆网络、时间卷积网络和GRU神经网络分别预测，并进行等权重耦合，既综合了各自的优势，又避免了各自模型训练出来的系数偏差过大问题，还能减少训练周期，从而实现高精度的电池热失控分级检测，提高锂离子电池热失控预警的速度和精度，有助于推动新能源储能安全的智能化进展，加速第四次工业革命在能源与储能行业的应用。
[0024]2.本专利技术提供的锂离子电池热失控分级预警方法，据正常电池的历史电池特征要素作为训练集，逐渐修正缩小预测出的特征要素与历史电池特征要素真实值之间的差异，在进行预测时由于模型是采用正常数据进行的训练和检验，因此根据实时监测数据得到的
预测值均为正常状态的预测值。进而与该时刻的真实值进行比较，两者相差越大表明电池热失控风险越大。如此操作，能够在时间序列上，提前预测电池工作状态，实现真正意义上的热失控预警。
[0025]3.本专利技术提供的锂离子电池热失控分级预警方法，模型训练时，将预测值和训练集的真实值产生的loss返回，加强训练效果，并能减小整个模型的训练工作量。
附图说明
[0026]图1为本专利技术锂离子电池热失控分级预警方法的模型训练方法流程图。
[0027]图2为本专利技术锂离子电池热失控分级预警的组成结构框图。
[0028]图3为长短期记忆网络的结构图。
[0029]图4为时间卷积网络的结构图。
[0030]图5为GRU神经网络的结构图。
[0031]图6为正态分布的概率密度函数在频域上的图像。
具体实施方式
[0032]为了使本专利技术的目的、技术方案和优点更加清楚，下面结合具体实施例对本专利技术进行详细描述。
[0033本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种锂离子电池热失控分级预警方法，其特征在于，包括以下步骤：S1.采集无故障的电池特征要素，分别训练长短期记忆网络、时间卷积网络和GRU神经网络对时间序列上的电池特征要素的预测能力；S2.采集待监控电池在时间序列上的电池特征要素，分别输入到训练好的所述长短期记忆网络、时间卷积网络和GRU神经网络中，得到三组预测值，将三组预测值进行等权重耦合，作为无故障预测值；S3.继续采集待监控电池在时间序列上的电池特征要素作为真实值，与步骤S2得到的所述无故障预测值进行比较，两者相差越大表明电池热失控风险越大。2.根据权利要求1所述的锂离子电池热失控分级预警方法，其特征在于，所述电池特征要素包括但不限于为电池的温度、电流、电压、荷电状态中的一种或多种。3.根据权利要求1所述的锂离子电池热失控分级预警方法，其特征在于，在步骤S1中，所述无故障的电池特征要素是通过高斯滤波器过滤掉热失控的电池特征要素而得到。4.根据权利要求3所述的锂离子电池热失控分级预警方法，其特征在于，所述高斯滤波器为频域宽度为
±
200w，阈值为Π/100的低通滤波器。5.根据权利要求1所述的锂离子电池热失控分级预警方法，其特征在于，在步骤S1中，所述预测能力的训练包括：采用时间序列上的无故障的电池特征要素对所述长短期记忆网络、时间卷积网络和GRU神经网络分别进行训练，耦合得到预测结果，即电池特征要素在时间上的变化趋势值；然后返回三个网络各自的l...

【专利技术属性】
技术研发人员：曹元成，曹志成，张炜鑫，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：