一种基于神经网络与数据差分的锂电池热失控分层预警方法技术

本发明专利技术提供了一种基于神经网络与数据差分的锂电池热失控分层预警方法，属于电池消防技术领域，其通过神经网络修正低保真数据与差分预测，减少预测滞后的同时提高预测预防效果，具有较好的推广价值。具有较好的推广价值。具有较好的推广价值。

【技术实现步骤摘要】
一种基于神经网络与数据差分的锂电池热失控分层预警方法


[0001]本专利技术涉及电池消防
，特别地涉及一种基于神经网络与数据差分的锂电池热失控分层预警方法。

技术介绍

[0002]新能源电池热失控预警是新能源电池驱动设备安全的重要防线，是减少火灾带来的生命财产损失的有效途径。新能源电池起火过程中，电池内部仍在发生化学反应可能导致多诺米骨牌效应，传统预警难度大；利用烟雾传感器可有效对锂电池热失控进行预警并采取措施防止发生火灾。现有技术对热失控的预测通常有极大的滞后现象，对热失控的预测预防效果差。

技术实现思路

[0003]针对上述现有技术中的问题，本申请提出了一种基于神经网络与数据差分的锂电池热失控分层预警方法，目的在于减少预测滞后的同时提高预测预防效果。
[0004]为实现以上目的，本专利技术采用以下技术方案：一种基于神经网络与数据差分的锂电池热失控分层预警方法，其采用的预警系统至少包括：信号采样装置，其能够获取表征电池热失控的感应信号，其包括低采样频率高采样精度和高采样频率低采样精度两种采样模式；中央处理器装置，其能够根据所述表征电池热失控的感应信号进行神经网络处理，预测获得未来的采样值，并对所预测的未来的采样值进行差分处理，根据差分值的大小确定风险等级，并输出与风险等级相关的执行信号；以及报警装置，能够接收执行信号并响应于执行信号作出报警提示；其预警方法至少包括以下步骤：步骤S1、利用信号采样装置进行信号采集；步骤S2、中央处理器装置根据信号采集装置所获取的感应信号确定风险等级，并根据风险等级调整采样模式；步骤S3、当风险等级达到预设等级要求时，中央处理器装置输出与风险等级相关的执行信号，利用报警装置作出报警提示。
[0005]优选的，步骤S1中使用低采样频率高采样精度模式进行信号采集；步骤S2具体包括，从信号采样装置获取到采样值后，使用一次神经网络对未来的等时间距的数次采样值进行预测，之后，对预测的数次采样值进行差分计算，当差分值高于所设定的第一阈值时确定风险等级为二级并将采样装置的采样模式调整为高采样频率低采样精度模式，否则仍为一级，信号采样装置仍然采用低采样频率高采样精度模式进行信号采集；在进入高采样频率低采样精度模式后，对采集到的低精度序列进行神经网络拟合，进行精度的提升处理，再将精度提升处理后的当前数据与之前的高精度数据作为神经网络后续序列预测的输入，再对未来一定时间间隔的采样值序列进行预测，进行差分计算，当差
分值高于第二阈值时确定风险等级为三级；步骤S3具体包括，当中央处理器确定风险等级为三级时，中央处理器装置输出执行信号，利用报警装置作出报警提示。
[0006]优选的，所使用的差分计算包括前向差分、后向差分、对拟合函数末端求导，或其组合。
[0007]与现有技术相比，本专利技术至少具备有以下有益效果：1、分层式的控制系统进入不同的阶段，动态调整测量系统的功耗与精度；2、使用神经网络对高采样频率下的数据进行一次修正后再与低采样频率数据进行预测，充分利用数据，提高采样信噪比，为以差分计算的结果作为分层依据的分层系统奠定理论基础；3、使用差分计算作为分层控制依据，对锂电池热失控的急剧变化有较好的预测效果；4、基于传统数据存在采样频率与采样精度的指标不能同时提高的基础矛盾，使用了简单神经网络提高数据信噪比，减少了信号的高频噪声，在缓解采样频率与采样精度的矛盾的同时，用来进行分层预警的差分计算结果不会过多的被高频噪声所干扰，使得使用差分作为分层指标的准确率极大的提高。此外，可以使用两个传感器同时感知数据，使用两个不同的频率进行采样，使得预测的曲线有最高的准确度。
附图说明
[0008]在下文中将基于实施例并参考附图来对本专利技术进行更详细的描述。其中：图1是本专利技术的神经网络拟合后差分计算的示意图；图2是本专利技术的初始采样结果示意图；图3是本专利技术保留原采样点的神经网络拟合结果示意图；图4是本专利技术去除原采样点的神经网络拟合结果示意图；图5是本专利技术未二次使用神经网络优化的神经网络拟合结果示意图；图6是本专利技术二次使用神经网络优化的神经网络拟合结果前后对比图；图7是本专利技术采用的神经网络结构示意图；在附图中，相同的部件使用相同的附图标记。附图并未按照实际的比例。
具体实施方式
[0009]下面将结合附图对本专利技术作进一步说明。
[0010]本专利技术提供一种基于神经网络与数据差分的锂电池热失控分层预警方法，其采用的预警系统至少包括：信号采样装置，其能够获取表征电池热失控的感应信号，其包括低采样频率高采样精度和高采样频率低采样精度两种采样模式；中央处理器装置，其能够根据所述表征电池热失控的感应信号进行神经网络处理，预测获得未来的采样值，并对所预测的未来的采样值进行差分处理，根据差分值的大小确定风险等级，并输出与风险等级相关的执行信号；以及报警装置，能够接收执行信号并响应于执行信号作出报警提示；
其预警方法至少包括以下步骤：步骤S1、利用信号采样装置进行信号采集；步骤S2、中央处理器装置根据信号采集装置所获取的感应信号确定风险等级，并根据风险等级调整采样模式；步骤S3、当风险等级达到预设等级要求时，中央处理器装置输出与风险等级相关的执行信号，利用报警装置作出报警提示。
[0011]优选的，步骤S1中使用低采样频率高采样精度模式进行信号采集；步骤S2具体包括，从信号采样装置获取到采样值后，使用一次神经网络对未来的等时间距的数次采样值进行预测，之后，对预测的数次采样值进行差分计算，当差分值高于所设定的第一阈值时确定风险等级为二级并将采样装置的采样模式调整为高采样频率低采样精度模式，否则仍为一级，信号采样装置仍然采用低采样频率高采样精度模式进行信号采集；在进入高采样频率低采样精度模式后，对采集到的低精度序列进行神经网络拟合，进行精度的提升处理，再将精度提升处理后的当前数据与之前的高精度数据作为神经网络后续序列预测的输入，再对未来一定时间间隔的采样值序列进行预测，进行差分计算，当差分值高于第二阈值时确定风险等级为三级；步骤S3具体包括，当中央处理器确定风险等级为三级时，中央处理器装置输出执行信号，利用报警装置作出报警提示。
[0012]优选的，所使用的差分计算包括前向差分、后向差分、对拟合函数末端求导，或其组合。优选的，在进行信号采样时，信号采样装置可同时采用低采样频率高采样精度模式和高采样频率低采样精度两种模式进行信号采集。
[0013]在对新能源电池进行数据采集时，依次获取到不同采样频率的不同采样精度的数据，然后经过神经网络拟合，进行差分计算，如图1所示。先获取到的采样数据如图2菱形部分所示，之后，对其进行了神经网络拟合(如图3所示)，再进行差分后可以得到图4的第一段拟合曲线，对第一段拟合曲线的末端进行差分运算(此处为微分求导)，判断决策此时应该进入风险等级二，启用高采样频率低采样精度模式；获取到的采样点如图2点状部分，使用神经网络拟合后可以得到图4的第二段拟合曲线，对第二段拟合曲线的末端进行差分运算(此处为微分求导)，判断计算结果决策为风险等级三，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络与数据差分的锂电池热失控分层预警方法，其特征在于，其采用的预警系统至少包括：信号采样装置，其能够获取表征电池热失控的感应信号，其包括低采样频率高采样精度和高采样频率低采样精度两种采样模式；中央处理器装置，其能够根据所述表征电池热失控的感应信号进行神经网络处理，预测获得未来的采样值，并对所预测的未来的采样值进行差分处理，根据差分值的大小确定风险等级，并输出与风险等级相关的执行信号；以及报警装置，能够接收执行信号并响应于执行信号作出报警提示；其预警方法至少包括以下步骤：步骤S1、利用信号采样装置进行信号采集；步骤S2、中央处理器装置根据信号采样装置所获取的感应信号确定风险等级，并根据风险等级调整采样模式；步骤S3、当风险等级达到预设等级要求时，中央处理器装置输出与风险等级相关的执行信号，利用报警装置作出报警提示。2.如权利要求1所述的基于神经网络与数据差分的锂电池热失控分层预警方法，其特征在于，步骤S1中使用低采样频率高采样精度模式进行信号采集；步骤S2具体包括，从信号采样装置获取到采样值后，使用一次神经网络对未来的等时间距的数次采样值进行预测，之后，对预测的数次采样值进行差分计算，当差分值高于所设定的第一阈值时确定风险等级为二级并将信号采样装置的采样模式调整为高采样频率低采样精度模式，否则，风险等级仍为一级，信号采样装置仍然采用低采...

【专利技术属性】
技术研发人员：孙启皓，郑寅午，司致远，李辰骏，张语芯，汪子涵，沈凯，任翱博，巫江，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：