一种构建锂离子电池热失控预测模型的方法及预测系统技术方案

本发明专利技术公开了一种构建锂离子电池热失控预测模型的方法及预测系统，该方法包括以下步骤：对锂离子电池进行热失控实验，采集包括温度、电压和电流在内的电池序列特征数据，以及声音信号和热成像数据；对数据进行切片，生成历史数据；电池状态记为y，根据温度阈值划分热失控状态y＝1和未发生热失控状态y＝0；将历史数据作为输入，以电池热失控异常状态为标签，提取数据特征；计算所有数据特征的注意力权重，进行特征融合；利用分类器得到锂离子电池热失控状态；将历史数据分为训练集和测试集输入到模型中进行训练和验证，以准确率为评判指标判断模型准确度，从而构建热失控预测模型。本发明专利技术构建的多模态模型提高了热失控预测的准确性。准确性。准确性。

【技术实现步骤摘要】
一种构建锂离子电池热失控预测模型的方法及预测系统


[0001]本专利技术属于电池安全预测识别
，具体涉及一种构建锂离子电池热失控预测模型的方法及预测系统。

技术介绍

[0002]锂离子电池因其高能量密度、寿命长和体积小等优点，已作为清洁能源广泛应用于电动汽车和电子设备等。然而，在实际应用中，锂离子电池会遇到一些异常情况，包括机械滥用、电滥用和热滥用。如果锂离子电池发生热失控将造成严重事故，因此电池热失控预警是急切需要解决的安全问题。
[0003]目前，许多研究人员基于实验或基于仿真去探索锂离子电池在热失控过程中的内部反应机理和外部特性，分析热失控过程。基于方程的方法涉及高计算复杂度，通过数学公式推导出锂离子电池发生热失控过程，最终得到电池发生热失控的状态方程。然而，如果锂离子电池处于相对复杂的环境下，很难推导出热失控模型。随着机器学习和深度学习的发展，基于数据驱动的方法克服了这些问题，只关注锂离子电池在整个热失控过程中的电压、电流和温度等特征数据，就可以诊断出电池的异常状态。电压、电流和温度都是序列数据，只能反映电池发生热失控时内部发生异常反应造成这些序列数据的变化，无法在达到热失控之前提前预测。公开号为CN113344024A的专利文献公开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。但由于采用的是正常电池进行预测，距离真实热失控状态有较大偏差。
[0004]此外，除了电池自身的要素特征，电池热失控前还可能出现声音、电池内局部异常发热等，这些特征可能会比电压、电流和温度这些测量数据异常情况更早出现。所以，有必要进一步综合考虑各种异常信号，改进电池热失控的预测方法。

技术实现思路

[0005]有鉴于此，本专利技术的目的之一在于提供一种构建锂离子电池热失控预测模型的方法及预测系统。
[0006]其技术方案如下：
[0007]一种构建锂离子电池热失控预测模型的方法，其关键在于包括采集热失控实验数据和利用该实验数据构建基于神经网络的热失控预测模型，该热失控预测模型包括特征提取器、特征融合器和分类器，所述方法具体包括以下步骤：
[0008]S1、热失控实验数据采集：对锂离子电池进行热失控实验，采集电池序列特征数据，以及声音信号和热成像数据；
[0009]所述电池序列特征数据包括温度数据、电压数据和电流数据；
[0010]S2、数据预处理：对步骤S1中采集的数据进行切片，生成历史数据；
[0011]电池状态记为y，设置温度阈值，超过该阈值代表发生热失控，y＝1，否则代表未发生热失控，y＝0；
[0012]S3、提取特征数据：将经过步骤S2预处理的数据作为输入，以锂离子电池热失控异常状态为标签，利用所述特征提取器提取数据特征；
[0013]S4、特征融合：利用所述特征融合器计算所有所述数据特征的注意力权重，进行特征融合；
[0014]S5、热失控状态判断：利用所述分类器得到锂离子电池热失控状态；
[0015]S6、模型训练：将步骤S2中的所述历史数据分为训练集和测试集，将所述训练集输入到所述热失控预测模型中进行训练，输入所述测试集进行验证，以准确率为评判指标判断模型准确度，从而更新热失控预测模型。
[0016]作为优选，上述步骤S2中切片具体过程为：利用大小为T的滑动窗口对步骤S1采集的数据进行切片，生成历史电压数据X
V
、电流数据X
I
、温度数据X
T
、声音数据X
S
和热成像数据X
P
。
[0017]作为优选，上述特征提取器包括长短时记忆神经网络(LSTM)、一维卷积神经网络(1DCNN)和残差网络ResNet50；
[0018]所述步骤S3中，采用长短时记忆神经网络(LSTM)提取电压、电流和温度序列数据的特征向量，分别记为h
V
∈R
N
×
m
、h
I
∈R
N
×
m
和h
T
∈R
N
×
m
；
[0019]采用一维卷积神经网络(1DCNN)提取声音信号的特征向量，记为h
S
∈R
N
×
m
；
[0020]采用残差网络ResNet50提取热成像的特征向量，记为h
P
∈R
N
×
m
。
[0021]作为优选，上述步骤S3中，按照式(1)～(6)计算提取电压、电流和温度序列数据的特征，
[0022]g
t
＝σ(W
f
·
[h
t
‑1,x
t
])+b
g
(1)
[0023]i
t
＝σ(W
i
·
[h
t
‑1,x
t
])+b
i
(2)
[0024][0025][0026]o
t
＝σ(W
o
·
[h
t
‑1,x
t
])+b
o
(5)
[0027]h
t
＝o
t
*tanh(S
t
)(6)
[0028]其中，g
t
是遗忘门，i
t
是输入门，o
t
是输出门，σ是激活函数，W是权重矩阵，采用正态分布初始化，b是偏置，初始化为0；
[0029]h
t
为电压或电流或温度序列数据的特征；
[0030]提取电压序列数据特征时输入x
t
∈X
V
，提取电流序列数据特征时输入x
t
∈X
I
，提取温度序列数据特征时输入x
t
∈X
T
；
[0031]和S
t
为运算过程中间值。
[0032]作为优选，上述特征融合器用于特征向量的拼接、权重计算和融合；
[0033]所述步骤S4的具体过程为，先将特征向量h
V
、h
I
、h
T
、h
S
和h
P
拼接成特征矩阵h∈R
N
×5×
m
；
[0034]将所述特征矩阵h∈R
N
×5×
m
输入到全连接层，将本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种构建锂离子电池热失控预测模型的方法，其特征在于包括采集热失控实验数据和利用该实验数据构建基于神经网络的热失控预测模型，该热失控预测模型包括特征提取器、特征融合器和分类器，所述方法具体包括以下步骤：S1、热失控实验数据采集：对锂离子电池进行热失控实验，采集电池序列特征数据，以及声音信号和热成像数据；所述电池序列特征数据包括温度数据、电压数据和电流数据；S2、数据预处理：对步骤S1中采集的数据进行切片，生成历史数据；电池状态记为y，设置温度阈值，超过该阈值代表发生热失控，y＝1，否则代表未发生热失控，y＝0；S3、提取特征数据：将经过步骤S2预处理的数据作为输入，以锂离子电池热失控异常状态为标签，利用所述特征提取器提取数据特征；S4、特征融合：利用所述特征融合器计算所有所述数据特征的注意力权重，进行特征融合；S5、热失控状态判断：利用所述分类器得到锂离子电池热失控状态；S6、模型训练：将步骤S2中的所述历史数据分为训练集和测试集，将所述训练集输入到所述热失控预测模型中进行训练，输入所述测试集进行验证，以准确率为评判指标判断模型准确度，从而更新热失控预测模型。2.根据权利要求1所述的一种构建锂离子电池热失控预测模型的方法，其特征在于所述步骤S2中切片具体过程为：利用大小为T的滑动窗口对步骤S1采集的数据进行切片，生成历史电压数据X
V
、电流数据X
I
、温度数据X
T
、声音数据X
S
和热成像数据X
P
。3.根据权利要求2所述的一种构建锂离子电池热失控预测模型的方法，其特征在于：所述特征提取器包括长短时记忆神经网络(LSTM)、一维卷积神经网络(1DCNN)和残差网络ResNet50；所述步骤S3中，采用长短时记忆神经网络(LSTM)提取电压、电流和温度序列数据的特征向量，分别记为h
V
∈R
N
×
m
、h
I
∈R
N
×
m
和h
T
∈R
N
×
m
；采用一维卷积神经网络(1DCNN)提取声音信号的特征向量，记为h
S
∈R
N
×
m
；采用残差网络ResNet50提取热成像的特征向量，记为h
P
∈R
N
×
m
。4.根据权利要求3所述的一种构建锂离子电池热失控预测模型的方法，其特征在于：所述步骤S3中，按照式(1)～(6)计算提取电压、电流和温度序列数据的特征，g
t
＝σ(W
f
·
[h
t
‑1,x
t
])+b
g
(1)i
t
＝σ(W
i
·
[h
t
‑1,x
t
])+b
i
(2)(2)o
t
＝σ(W
o
·
[h
t
‑1,x
t
])+b
o
(5)h
t
＝o
t
*tanh(S
t
)(6)其中，g
t
是遗忘门，i
t
是输入门，o
t
是输出门，σ是激活函数；W是权重矩阵，采用正态分布初始化；b是偏置，初始化为0；
h
t
为电压或电流或温度序列数据的特征；提取电压序列数据特征时输入x
t
∈X
V
，提取电流序列数据特征时输入x
t
∈X
I
，提取温度序列数据特征时输入x
t
∈X
T
；和S
t
为运算过程中间值。5.根据权利要求3或4所述的一...

【专利技术属性】
技术研发人员：姚行艳，陈国麟，曹晓莉，唐灿，
申请(专利权)人：重庆工商大学，
类型：发明
国别省市：