本发明专利技术公开了一种用于电池组系统的最大载荷预测方法,涉及锂电池技术领域,包括建立一种高置信度的电池组有限元模型;获取不同加载工况下电池组系统的最大载荷组成神经网络的数据集;根据数据集划分训练集和预测集,对训练集和预测集做归一化处理;构建SSA‑BP神经网络模型,对锂电池组系统的最大载荷进行预测;本发明专利技术操作方法简便,可解决传统有限元模型预测复杂,又可避免BP神经网络易陷入局部最优的情形,提高模型的运算效率和预测精度。
【技术实现步骤摘要】
本专利技术属于锂电池,具体涉及一种应用于锂电池组系统的最大载荷预测方法.
技术介绍
1、由于锂电池具有高能量密度比,循环使用寿命长和无污染等优点,已经广泛应用于新能源汽车。然而,随着锂电池在新能源汽车上的广泛应用,我国报道了多起新能源汽车安全问题,造成了爆炸,起火等严重的后果。动力电池作为电动汽车上的核心部件,动力电池受到局部挤压是汽车碰撞引发的主要损伤形式,严重时电池会发生燃爆导致电动车损毁甚至是人身伤害。通过做实验来分析电池组在挤压工况下的安全性,会消耗大量人力和时间成本,并且锂电池安全实验有发生爆炸的风险,具有一定的危险性。因此,采用有限元仿真与神经网络相结合的方法来对电池组系统最大载荷进行预测具有非常重要的工程实用价值。
2、目前,大多数人采用实验和有限元模型结合的方法去研究挤压工况下锂电池组的机械性能已经取得了一些成果,但存在以下不足:
3、(1)研究人员必须做大量的碰撞实验来研究机械性能,大多数实验在封闭的室内,这些实验极易引发锂离子电池明火燃烧,产生大量的有毒气体,严重时还会发生爆炸。而且电池自燃和其他材料燃烧不同,常规的灭火装置不能起到作用。这就对实验场地有较高的要求,研究人员也需要做好自身的安全防护,而且测试往往都需要做好几组对比,实验成本巨大。
4、(2)研究人员必须得根据实验和有限元模型进行数千次分析,以了解锂电池组机械特性并进行电池组稳健性的设计。此过程十分消耗人力和时间成本,因此无法在汽车行业激烈的竞争中推广使用。
技术实现思路p>1、本专利技术所要解决的技术问题在于针对上述现有技术中的不足,提供一种应用于锂电池组系统的最大载荷预测方法,通过建立fea-ann数据驱动模型预测锂电池组力学性能,代替传统的有限元模型,这可以提高预测效率,缩短开发周期,降低人力和时间成本,也可以避免实验造成的安全事故。有助于实现电池模组或单体电池的稳定设计。与此同时可以增强单体电池的安全性能,确保电池在发生挤压时处于较好的状态,从而降低发生碰撞时动力电池的燃爆率。本专利技术采用以下技术方案:
2、针对现有技术中的上述不足,本专利技术提供的一种用于电池组系统的最大载荷预测方法解决了通过有限元模型预测电池组系统的力学特性,存在预测过程复杂和费时的问题。
3、一种应用于锂电池组系统的最大载荷预测方法,包括以下步骤:
4、s1、在有限元软件lsdyna中建立锂电池单体模型,通过实验验证单体模型的准确性,然后将其应用至电池组系统,建立一种具有高置信度的电池组模型;
5、s2、测试不同挤压载荷条件下,锂电池组系统有限元模型在不同结构参数和加载条件组合下的最大载荷;
6、s3、将不同结构参数和加载条件组合数据;及其对应的最大载荷构成神经网络数据集;
7、s4、搭建人工神经网络模型;
8、s5、通过人工神经网络模型对不同结构参数和加载条件组合下的电池组最大载荷进行预测;
9、进一步地,所属步骤s1包括以下分步骤:
10、s11、所述电池组模型采用8个锂电池单体组成;
11、s12、所述锂电池单体模型采用内芯均质化模型(将正负极和隔膜材料简化成一个空心圆柱实体)和一个外壳组合而成;
12、s13、所述加载板为直径5mm的圆柱壳体。
13、上述进一步方案的有益效果包括:本专利技术通过有限元模型来获取电池组在不同挤压状况下的神经网络载荷数据集,可以有效地降低时间和人力成本。
14、进一步地,所述步骤s11包括以下分步骤:
15、s111、根据电池模组的尺寸参数,建立电池模组几何模型;
16、s112、采用180度堆积方式将8个锂电池单体组合堆积成锂电池组系统;
17、s113、根据设计的参数信息定义电池模组的材料参数,得到电池组有限元模型。
18、进一步地,所述步骤s3中结构参数包括:锂电池外壳厚度、内芯杨氏模量、内芯泊松比;所述加载条件包括:加载速度、加载角度。
19、进一步地,所述步骤s4包括以下分步骤;
20、s41、将数据集样本90%划分为训练集,10%划分为测试集,之后对所有数据做归一化处理。
21、s42、bp神经网络初始化,包括隐含层层数、隐含层节点数、学习率、最大训练次数和传递函数等,隐含层层数和节点数都取11,bp神经网络学习率为0.01,迭代次数为5000次,训练目标为0.0001;
22、s43、将归一化后的数据带入到bp神经网络预测结果,并在反归一化后依据评估指标进行后续评估;
23、s44、初始化麻雀算法参数;根据参考的论文和经验取麻雀种群个体数为30,迭代次数为50,发现者占种群总数比例为0.4,剩下为加入者,警戒者所占总群总数比例为0.2,预警值为0.6,安全值st为0.8。
24、s45、依据公式(3~5),更新每只麻雀位置,输出最优的位置作为bp神经网络的权值;同时输出全局最优解作为bp神经网络的阈值,完成bp神经网络参数的优化;
25、s46、使用优化后的bp神经网络对锂电池组最大载荷进行预测,并对结果进行评估,若满足误差指标,输出对应的结果;否则,重新从步骤s44开始;
26、归一化公式:
27、
28、其中,x为输入的特征向量,即x=[xt,xc,xs,xk,xn],分别代表外壳厚度,泊松比,杨氏模量,加载速度和挤压角度。
29、发现者的位置更新如下:
30、
31、公式(3)中t表示迭代次数;t表示最大迭代次数;xi,j(t)表示第i只麻雀在第j维迭代次数为t时的位置信息值,α表示[0,1]之间的随机数;r2(r2∈[0,1])表示预警值,st(st∈[0.5,1])表示安全值,q表示服从正态分布的随机数;l表示一个1×d的矩阵,其中内部每个元素都为1。
32、如公式(3)所示,当r2<st时,预警值小于安全值,表明搜索周围是安全的,可以进行大规模搜索;当r2≥st时,预警值大于安全值,表明侦察者发现捕食者,立即发出报警信号来通知其他麻雀迅速飞向其他安全区域。
33、加入者位置更新如公式(4)所示:
34、
35、公式(4)中:xworst(t)表示当前全局最差位置;xi,j(t)表示发现者此时位于的最佳位置;a+=at(aat)-1,a表示一个内部元素随机分配1或-1的1×d矩阵,at为a的转置。
36、当i>n/2时,表示适应度值较差的第i只加入者处于饥饿状态,它需要飞往其他方向寻找食物。
37、侦察者一般占种群总数的15%左右,位置更新如公式(5)所示:
38、
39、式中:xbestj(t)表示当前全局最佳位置;β为服从均值为0、方差为1的正态分布随机数的步长控制参数;k∈[-1,1]表示麻雀运动方向,也本文档来自技高网
...
【技术保护点】
1.一种应用于锂电池组系统的最大载荷预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,所述步骤S1包括以下几个分步骤:
3.根据权利要求2所述的方法,其特征在于,所述步骤S11包括以下几个分步骤:
4.根据权利要求1所述的方法,其特征在于,所述步骤S3中结构参数包括:锂电池外壳厚度、内芯杨氏模量、内芯泊松比;所述加载条件包括:加载速度、加载角度。
5.根据权利要求1所述的方法,其特征在于,所述步骤S4包括以下分步骤:
6.根据权利要求1所述的方法,其特征在于,所述步骤S4中神经网络模型包括:输入层、隐藏层和输出层;
7.根据权利要求5所述的方法,其特征在于,所述步骤S4中,归一化公式:
8.根据权利要求5所述的方法,其特征在于,所述步骤S4中,
9.根据权利要求8所述的方法,所述加入者位置更新如公式(4)所示:
10.根据权利要求5所述的方法,其特征在于,所述步骤S42和S43中对神经网络模型训练或测试时,将训练数据对的结构参数和加载条件组合数据作为神经网络模型的输入,对应的电池组系统最大载荷作为神经网络模型的输出。
...
【技术特征摘要】
1.一种应用于锂电池组系统的最大载荷预测方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的方法,其特征在于,所述步骤s1包括以下几个分步骤:
3.根据权利要求2所述的方法,其特征在于,所述步骤s11包括以下几个分步骤:
4.根据权利要求1所述的方法,其特征在于,所述步骤s3中结构参数包括:锂电池外壳厚度、内芯杨氏模量、内芯泊松比;所述加载条件包括:加载速度、加载角度。
5.根据权利要求1所述的方法,其特征在于,所述步骤s4包括以下分步骤:
6.根据权利要求1所述...
【专利技术属性】
技术研发人员:李杰,袁博兴,张云龙,何永全,汤元会,程乐,赵鸿祥,
申请(专利权)人:长安大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。