一种基于阻抗谱和Elman神经网络的锂离子电池内短路检测方法技术

本发明专利技术公开了一种基于阻抗谱和Elman神经网络的锂离子电池内短路检测方法，所述方法包括：采集锂离子电池的阻抗谱数据，基于阻抗谱提取八个内短路特征；计算内短路特征的Pearson相关系数，保留四个相关性较强的特征；利用典型相关性分析对内短路特征进行特征融合，得到一维的综合变量，基于综合变量构建内短路特征数据集；通过粒子群优化算法对Elman神经网络进行优化；基于内短路特征数据集，对Elman神经网络进行训练；对待测电池测量其阻抗谱并进行特征提取和融合，输入Elman神经网络进行检测。与现有技术相比，本发明专利技术能够实现锂离子电池内短路早期阶段的检测，提高了内短路检测的灵敏性。路检测的灵敏性。路检测的灵敏性。

【技术实现步骤摘要】
一种基于阻抗谱和Elman神经网络的锂离子电池内短路检测方法


[0001]本专利技术涉及锂离子电池内短路检测


技术介绍

[0002]随着化石能源的日渐枯竭以及环境问题的凸显，在环境污染和能源危机的双重压力下，混合动力汽车、纯电动汽车、燃料电池汽车，由于其在节能减排上的巨大潜力，越发受到人们的认可。其中，纯电动汽车被认为是未来最有潜力的解决方案之一。动力电池是纯电动汽车的唯一动力来源，出于对汽车速度、效率、续航里程、使用寿命、安全性和成本的综合考虑，目前，大多数纯电动汽车都选用了锂离子电池作为能量来源。锂离子动力电池作为当前新能源汽车的核心部件之一，其安全性受到广泛关注，安全事故频发成为影响其推广的重要原因。导致其安全事故的原因主要有电池过充过放、外部短路和内部短路三大原因。其中前两个问题通过安装可靠的检测电路、外部传感器和保护装置已经获得较好的控制，而内短路由于电池内部难以安装传感器，内部温度传导至电池表面有滞后等问题使得常规的检测手段无法进行快速检测。同时现有的电池热管理系统对于常规的产热可以很好的控制，但对于内短路的集中大量产热往往无法发挥作用，进而造成冒烟、起火和爆炸等重大安全问题，给用户生命财产安全造成巨大威胁。目前急需对内短路机理特性和检测方法进行研究，进而采取合理有效的安全措施，提高动力电池安全性，促进电动汽车的发展。
[0003]目前较为主流的内短路检测方法包括：基于电池模型的内短路检测，基于电池一致性的内短路检测，基于电池自放电的内短路检测，基于深度学习的内短路检测等。上述方案中，基于电池模型的内短路检测要求电池已经表现出一定的电特征或者热特征，对内短路早期阶段的检测能力有限，并且检测能力会受到模型参数的影响。基于电池一致性的内短路检测根据同一工作条件下，电池的电压、电流等参数应该保持一致的原理来实现，因此该方法只能对同一电池组下的电池进行检测，应用场景受到了极大的限制。此外，目前的电池管理系统都具备均衡功能，均衡功能在一定程度上缩小了电池组内电池的一致性差异，进而影响这一类方法的有效性。基于电池自放电的内短路检测要求测量电池在检测前需要静置一段时间，不能实现在线的内短路检测。深度学习算法具有出色的数据挖掘能力，能够有效提高内短路检测模型的识别率，但其网络结构复杂，需要训练大量的网络参数。。
[0004]针对传统内短路检测方法在内短路早期阶段检测能力有限以及检测方法较为复杂的问题，本专利技术公开了一种基于阻抗谱和Elman神经网络的锂离子电池内短路检测方法，能够实现内短路早期阶段的检测，为后续采取措施提供了充足的时间裕度。

技术实现思路

[0005]有鉴于此，本专利技术提供一种基于阻抗谱和Elman神经网络的锂离子电池内短路检测方法，能够实现锂离子电池内短路的早期检测，并且有着较高的准确率。
[0006]本专利技术采取的技术方案为：
[0007]基于阻抗谱和Elman神经网络的锂离子电池内短路检测方法，包括以下步骤：
[0008]S1：采集锂离子电池的阻抗谱数据，基于阻抗谱提取八个内短路特征；
[0009]S2：计算内短路特征的Pearson相关系数，保留四个相关性较强的特征；
[0010]S3：利用典型相关性分析对内短路特征进行特征融合，得到一维的综合变量，基于综合变量构建内短路特征数据集；
[0011]S4：通过粒子群优化算法对Elman神经网络进行优化；
[0012]S5：基于内短路特征数据集，对Elman神经网络进行训练；
[0013]S6：对待测电池测量其阻抗谱并进行特征提取和融合后，输入Elman神经网络进行检测。
[0014]进一步，所述步骤S1具体为：采集不同工作状态、不同使用寿命的锂离子电池的阻抗谱数据，提取低频曲线的斜率和截距，中频曲线最大值点的频率、阻抗实部和虚部，高频曲线与横轴交点的频率、阻抗实部和虚部，共八个内短路特征。
[0015]进一步，所述步骤S2具体为：计算八个短路特征的Pearson相关系数，相关系数越大表明变量之间的相关性越强，保留四个相关性较强的内短路特征，Pearson相关系数r计算公式如下：
[0016][0017]式中：x
i
和y
i
分别为两个变量的第i个数据，和分别为两个变量的均值，n为两个变量的数据大小。
[0018]进一步，所述步骤S3具体为：对保留的四个内短路特征进行典型相关性分析，得到一维综合变量与四个内短路特征构成的四维列向量的线性变换关系，基于综合变量构建内短路特征数据集，综合变量U的计算公式如下：
[0019]U＝a
T
X
[0020]式中：a为典型相关性分析得到的一组系数，X为由四个内短路特征组合成的四维列向量。
[0021]进一步，所述步骤S4具体为：通过粒子群优化算法对Elman神经网络进行优化，解决Elman神经网络的参数设定和易陷入局部最优的问题，粒子群优化算法的优点是具有全局收敛性、易于实现、参数设置简单，被广泛应用于许多领域，如工程优化、控制优化、机器学习等领域。
[0022]进一步，所述步骤S5具体为：基于内短路特征数据集，对Elman神经网络进行训练：
[0023](1)Elman神经网络是一种经典的前馈神经网络，与普通的前馈神经网络不同的是，Elman神经网络引入了反馈连接，可以使当前时刻的隐藏层输入由前一时刻隐藏层的输出和当前时刻输入信号共同决定，可以利用历史信息来提高训练效率和精度。
[0024](2)Elman神经网络的基本结构包括输入层、隐藏层和输出层，其中隐藏层包括当前时刻的隐藏层和上一时刻的隐藏层。在计算过程中，先将当前时刻的输入信号和上一时
刻的隐藏层状态进行加权求和，并通过激活函数(如sigmoid函数、tanh函数等)进行非线性变换，得到当前时刻的隐藏层状态；然后将当前时刻的隐藏层状态传递到输出层进行计算，最终得到网络的输出值。
[0025]进一步，所述步骤S6具体为：对待测电池测量其阻抗谱并进行特征提取和融合后，将融合后的一维变量作为粒子群优化算法优化后的Elman神经网络的输入，进行锂离子电池内短路的检测。
[0026]本专利技术的有益效果在于：本专利技术通过锂离子电池阻抗谱实现内短路早期阶段的检测，提高了内短路检测的灵敏性，同时有着较高的准确性。
附图说明
[0027]图1:Elman神经网络结构图
[0028]图2:结合粒子群优化算法的Elman神经网络训练流程图
[0029]图3:锂离子电池内短路检测流程图
具体实施方式
[0030]为使本专利技术的目的、技术方案和优点表达得更加清楚明白，下面结合附图及具体实施例对本专利技术作进一步详细的说明。
[0031]本专利技术提供了一种基于阻抗谱和Elman神经网络的锂离子电池内短路检测方法，其实施步骤包括：
[0032]S1：采集不同工作状态、不同使用寿命的锂离子电池阻抗谱数据，通过对阻抗谱进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于阻抗谱和Elman神经网络的锂离子电池内短路检测方法，其特征在于，包括以下步骤：S1：采集锂离子电池的阻抗谱数据，基于阻抗谱提取八个内短路特征；S2：计算内短路特征的Pearson相关系数，保留四个相关性较强的特征；S3：利用典型相关性分析对内短路特征进行特征融合，得到一维的综合变量，基于综合变量构建内短路特征数据集；S4：通过粒子群优化算法对Elman神经网络进行优化；S5：基于内短路特征数据集，对Elman神经网络进行训练；S6：对待测电池测量其阻抗谱并进行特征提取和融合后，输入Elman神经网络进行检测。2.如权利要求1所述的一种基于阻抗谱和Elman神经网络的锂离子电池内短路检测方法，其特征在于，在所述步骤S1中采集锂离子电池的阻抗谱数据，通过对奈奎斯特表现形式的阻抗谱的分析，提取低频、中频、高频范围中共八个内短路特征：(1)低频：对低频阻抗谱数据进行线性拟合，得到斜率和截距两个内短路特征；(2)中频：找到中频阻抗谱曲线的最大值点，记录对应的频率、阻抗实部和虚部三个内短路特征；(3)高频：记录高频曲线与横轴的交点，记录对应的频率、阻抗实部和虚部三个内短路特征。3.如权利要求1所述的一种基于阻抗谱和Elman神经网络的锂离子电池内短路检测方法，其特征在于，在所述步骤S2中计算八个内短路特征的Pearson相关系数，相关系数越大表明相关性越强，保留四个相关性较强的特征，Pe...

【专利技术属性】
技术研发人员：王毅，张海龙，聂伟，陈文礼，罗樟，刘期烈，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：