CN111983468B - 基于神经网络的锂动力电池的安全度估算方法 - Google Patents

Abstract

本发明公开了基于神经网络的锂动力电池的安全度估算方法，属于电池安全度估算技术领域。本发明为了解决电池安全度估算精度低的问题。本发明包括：样本获取，所述样本包括电池参数和电池安全度S的数值，所述电池安全度S根据下式获取：

式中，X_i代表第i个电池参数的安全系数，ω_i代表第i个电池参数的权重系数，所述样本划分成训练集和测试集；将所述电池的参数作为神经网络中的输入，电池安全度S的数值为输出，利用训练集进行网络训练；将电池的实时参数输入训练好的循环神经网络中，得到当前电池参数情况下的电池安全度S的数值。本发明实现了电池安全度的实时高精度估算。

Description

基于神经网络的锂动力电池的安全度估算方法

技术领域

本发明涉及电池安全度估算领域，特别是涉及基于神经网络的锂动力电池的安全度估算方法。

背景技术

电动汽车在中国正处于快速发展新阶段，电动汽车的发展带动了动力电池产业的发展。然而，近几年电池自燃、爆炸等事故频发，人们越来越关注新能源汽车电池系统的安全性。一旦电池达到了某种临界条件，例如过电压，过温度，低寿命，如不及时采取相应的安全防范措施，电池热失控势必导致安全性事故。

由此可见，电池的安全性问题成为了新能源行业迫不及待解决的问题。安全性事故来自热失控，而导致热失控的诱因主要有两种，一是机械电气诱因(针刺、碰撞等事故导致)，二是电化学诱因(过充、快充、自发性短路等)，电池单体热失控之后传递给相邻单体，随后大面积蔓延，最终导致安全事故的发生。而热失控的发展也存在一定的阶段性，据相关的资料显示，SEI膜分解的初始温度大概是100摄氏度-130摄氏度，也把这个温度视为一连串热失控温度的起点，而温度达到300摄氏度时，电池的温度将会出现剧烈的提升，如果不采取相应的安全措施，毫无疑问，电池在达到温度顶峰时，会对使用者造成不可挽回的损失。

人工神经网络可以通过并行结构与自身较强的学习能力，能够在外部激励存在时给出相应的输出响应，具有良好的非线性映射能力，但现有技术没有关于利用神经网络实现锂电池安全度的估算。

发明内容

为了解决上述问题，本发明提供了基于神经网络的锂动力电池的安全度估算方法，实现锂电池安全度的高精度估算。

本发明一方面提供了一种基于BP神经网络的锂动力电池的安全度估算方法，包括如下步骤：

样本获取，所述样本包括电池参数和电池安全度S的数值，所述电池安全度S根据下式获取：

式中，X_i代表第i个电池参数的安全系数，ω_i代表第i个电池参数的权重系数，所述样本划分成训练集和测试集；

将所述电池的参数作为BP神经网络中的输入，电池安全度S的数值为输出，建立基于BP神经网络的电池安全度测量模型，利用训练集进行网络训练，训练完成的BP神经网络通过测试集进行测试；

将电池的实时参数输入训练好的BP神经网络中，得到当前电池参数情况下的电池安全度S的数值。

本发明第二方面提供了基于ELMAN神经网络的锂动力电池的安全度估算方法，包括如下步骤：

样本获取，所述样本包括电池参数和电池安全度S的数值，所述电池安全度S根据下式获取：

式中，X_i代表第i个电池参数的安全系数，ω_i代表第i个电池参数的权重系数，所述样本划分成训练集和测试集；

将所述电池的参数作为ELMAN神经网络中的输入，电池安全度S的数值为输出，建立基于ELMAN神经网络的电池安全度测量模型，利用训练集进行网络训练，训练完成的ELMAN神经网络通过测试集进行测试；

将电池的实时参数输入训练好的ELMAN神经网络中，得到当前电池参数情况下的电池安全度S的数值。

本发明第三方面提供了基于RBF神经网络的锂动力电池的安全度估算方法，包括如下步骤：

样本获取，所述样本包括电池参数和电池安全度S的数值，所述电池安全度S根据下式获取：

式中，X_i代表第i个电池参数的安全系数，ω_i代表第i个电池参数的权重系数，所述样本划分成训练集和测试集；

将所述电池的参数作为RBF神经网络中的输入，电池安全度S的数值为输出，建立基于RBF神经网络的电池安全度测量模型，利用训练集进行网络训练，训练完成的RBF神经网络通过测试集进行测试；

将电池的实时参数输入训练好的RBF神经网络中，得到当前电池参数情况下的电池安全度S的数值。

本发明第四方面提供了基于循环神经网络的锂动力电池的安全度估算方法，包括如下步骤：

样本获取，所述样本包括电池参数和电池安全度S的数值，所述电池安全度S根据下式获取：

式中，X_i代表第i个电池参数的安全系数，ω_i代表第i个电池参数的权重系数，所述样本划分成训练集和测试集；

将所述电池的参数作为循环神经网络中的输入，电池安全度S的数值为输出，建立基于循环神经网络的电池安全度测量模型，利用训练集进行网络训练，训练完成的循环神经网络通过测试集进行测试；

将电池的实时参数输入训练好的循环神经网络中，得到当前电池参数情况下的电池安全度S的数值。

如上所述，本发明提供的基于神经网络的锂动力电池的安全度估算方法，具有如下效果：

本申请通过神经网络的训练，不仅能够实现锂动力电池安全度数值的实时估算，而且根据不同电池的不同维度数据对锂动力电池当前状态下的安全度数值进行高精度估算。

附图说明

图1为本发明具体实施例的基于BP神经网络的锂动力电池安全度估算流程示意图；

图2为本发明具体实施例的BP神经网络结构原理图；

图3为本发明具体实施例的基于ELMAN神经网络的锂动力电池安全度估算流程示意图；

图4为本发明具体实施例的ELMAN神经网络结构原理图；

图5为本发明具体实施例的基于RBF神经网络的锂动力电池安全度估算流程示意图；

图6为本发明具体实施例的RBF神经网络结构原理图；

图7为本发明具体实施例的基于循环神经网络的锂动力电池安全度估算流程示意图；

图8为本发明具体实施例的循环神经网络结构原理图；

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

实施例1：本实施例的基于BP神经网络的锂动力电池的安全度估算方法，如图1所示，包括如下步骤：

S1、样本获取，所述样本包括电池参数和电池安全度S的数值，所述电池安全度S根据下式获取：

式中，X_i代表第i个电池参数的安全系数，ω_i代表第i个电池参数的权重系数，所述样本划分成训练集和测试集；

本实施例所述电池参数包括电压、电流、温度、内阻、容量、电池SOH、电池SOC中的一种或多种组合，电池参数的样本可以通过实验获取或通过选取现有的电池管理系统中的历史数据得到，所述实验获取可以参考《GB/T 31485-2015电动汽车用动力蓄电池安全要求及试验方法》中的实验方法进行实验，获取电池在不同状况下的电池参数。

电池的安全性指电池在使用过程中不燃烧、不爆炸、不产生有毒有害气体、不会对使用者造成伤害，定量地描述其在使用过程中的安全程度称为电池安全度，电池样本的范围决定这后续神经网络学习的效果，所以为了实现电池参数数据全范围采集，所以本实施例的电池参数包括边界参数，例如，边界电压、边界温度、边界电流等，边界参数可以根据电池的说明书记载获取，也可以通过上述试验方法进行实验，例如，将单体电池通过《GB/T31485-2015电动汽车用动力蓄电池安全要求及试验方法》中的5.1.1项进行充电，但当至充电电流降至0.05I₁(A)时不停止充电，而是继续保持充电，直至电池发生爆炸、起火或漏液时的电池参数为参数边界，并且，当发生爆炸、起火或漏液时的安全度数值认定为0。

本实施例为了进行示例性说明，本申请中的电池参数选择电压、电流和温度，安全度样本的获取方法包括如下步骤：

S11、将所述电池电压、电流和温度数据进行归一化处理，归一化方法为：

x_min，x_max分别为样本分量中的最大值和最小值，归一化的样本区间为[0,1]。

S12、根据下式分别获取电压安全系数X₁、电流安全系数X₂和温度安全系数X₃；

其中，X_S为电池参数标准工作值，X_m为电池参数的阈值，X_j为第j时刻得到的电池参数采集值；

S13、分别获取电池的电压权重系数ω₁、电流权重系数ω₂和温度权重系数ω₃，具体包括如下步骤：

S131、获取电压安全系数的特征值F₁、电流安全系数的特征值F₂、温度安全系数的特征值F₃、电压总方差D(1)、电流总方差D(2)和温度总方差D(3)；

S132、通过

得到电池电压方差的贡献率σ_i、电流方差的贡献率σ₂和温度方差的贡献率σ₃；

S133、将所述电池电压方差的贡献率σ_i、电流方差的贡献率σ₂和温度方差的贡献率σ₃分别经归一化后得到所述电池电压权重系数ω₁、电流权重系数ω₂和温度权重系数ω₃。

S14、根据S＝ω₁X₁+ω₂X₂+ω₃X₃得到电池的安全度数值样本；

S2、将所述电池的参数作为BP神经网络中的输入，电池安全度S的数值为输出，建立基于BP神经网络的电池安全度测量模型，利用训练集进行网络训练，训练完成的BP神经网络通过测试集进行测试；

如图2所示，本实施例的BP神经网络包括输入层、隐含层和输出层，输入层节点为3个，分别为电池的电压、电流和温度，输出层的节点为1个，即电池安全度S，隐含层数目根据下式确定：

式中，l为隐含层的神经元数目，m、n分别为网络的输入和输出层的神经元数目，a为[1,10]之间的常数。

本实施例采用基于梯度下降的反向传播算法的训练过程对样本进行训练，具体包括如下步骤：

S21、初始化网络，对网络的权值和阈值进行随机赋值，设定最大训练次数为5000，训练目标为10^-4；

S22、采集的训练样本传递给隐含层，根据隐含层中第k各神经元在样本作用下的输入为：

为隐含层第k个神经元的输出值,f为隐含层的激活函数,w_ik为输入层第i个输入节点和隐含层第k个神经元之间的连接权值，x_i为输入层的第i个输入，θ_k为隐含层阀值。

S23、根据下式得到输出层输出的电池安全度数值y：

y为输出层输出的电池安全度数值，g为输出层的激活函数,θ_k为隐含层阀值，w_k为隐含层第k个神经元与输出层神经元之间的连接权值。

本实施例中的激活函数采用sigmoid函数，其公式如下：

它能够把连续的输入值映射到0～1之间，越远离原点，函数图象越平滑，梯度也就越小。而当输入值在0值附近时，函数近似为线性函数，当输入值靠近两端时，对输入值进行抑制。

S24、根据所述输出层的输出值和实际值之间的误差开始逐层计算输出误差，通过误差反向传播调原理对每层的权值和阈值进行更新，经过不断的迭代和更新使网络的输出误差值逐渐减小，为了使得误差最小，本实施例采用均方误差函数作为损失函数，具体为：

式中，

为安全度的期望输出值，y为安全度的实际输出值；

S25、利用梯度下降法对L进行最小化，即对每一个训练样本都使其沿着其负梯度方向变化。

本实施例中的隐含层权重的梯度为：

输出层权重的梯度为：

其中，

表示输入层第i个节点到隐含层第k个节点的权值,

表示隐含层第k个节点到输出层节点的权值,

表示隐含层第k个节点的输入,

表示输出层第k个节点的输入,x_i为输入层的第i个输入。

S26、各个连接权值的更新，由隐含层权重的梯度和输出层权重的梯度对网络各层的连接权值进行更新，使权值沿着其梯度的负方向进行移动，网络各层的连接权值按下式进行更新：

w_r+1为更新后的连接权值,w_r为更新前的连接权值,η为每次迭代的步长，即网络的学习速率，取值范围为0～1之间。

在样本的作用下，网络对各层的连接权值沿其负梯度方向进行不断的更新，不断减小网络的输出值和真实值之间的误差，设定的网络迭代次数或误差精度达到才停止。

S3、将电池的实时参数输入训练好的BP神经网络中，得到当前电池参数情况下的电池安全度S的数值。

本实施例中得到的安全度以百分制表示，相比于分级表达，以0～100为计算范围可以使使用者更好的了解电池工作状态，对即将出现的危险有更长的反应时间。安全度越接近于100表示该动力电池模块的运行模式越安全。

实施例2：本实施例采用基于ELMAN神经网络对锂动力电池的安全度进行估算方法，如图3所示，包括如下步骤：

S1、样本获取，所述样本包括电池参数和电池安全度S的数值，所述电池安全度S根据下式获取：

式中，X_i代表第i个电池参数的安全系数，ω_i代表第i个电池参数的权重系数，所述样本划分成训练集和测试集；

本实施例的样本获取方式与实施例1相同，本实施例中选择作为样本的电池参数为电池的电压、温度和内阻。

步骤S1具体包括：

S11、将所述电池电压、温度和内阻数据进行归一化处理；

S12、根据下式分别获取电压安全系数X₁、温度安全系数X₂和内阻安全系数X₃；

其中，X_S为电池参数标准工作值，X_m为电池参数的阈值，X_j为第j时刻得到的电池参数采集值；

S13、分别获取电池的电压权重系数ω₁、温度权重系数ω₂和内阻权重系数ω₃，具体获取步骤如实施例1所示：

S14、根据S＝ω₁X₁+ω₂X₂+ω₃X₃得到电池的安全度数值样本；

S2、将所述电池的参数作为ELMAN神经网络中的输入，电池安全度S的数值为输出，建立基于ELMAN神经网络的电池安全度测量模型，利用训练集进行网络训练，训练完成的ELMAN神经网络通过测试集进行测试；

本实施例所示的ELMAN神经网络包括输入层、隐含层、输出层和关联层，本实施例的输入层的输入节点为3个，分别为电池的电压、温度和内阻，输出层的输出节点为1个，为电池的安全度数值。隐含层神经元的个数由公式n₂＝2n₁+1确定，其中n₂是隐含层神经元个数，n₁是输入层神经元个数；传递函数代表了神经元输入与输出之间的关系，本实施例为了提高网络的手链速度，采用Tan-sigmoid函数和Pure-linear函数作为ELMAN网络的隐含层和输出层的激励函数，还可以使得更好的逼近期望函数。

本实施例的ELMAN神经网络的训练方法包括如下步骤：

S21、将训练集的电压、温度和内阻值作为神经网络输入层的输入，计算输入层的输出；

S22、计算隐层的输出；

S23、计算输出层的输出；

S24、根据下式计算训练误差：

其中，

为样本输出值，y(k)为训练输出值；

S25、对所述输入层到隐层的权值ω¹、关联层到隐层的权值ω²、隐层到输出层的权值ω³进行矫正；

若未能达到期望，则对权值进行修正，权值修正公式为

其中ξ为学习速率；所述输入层到隐层的权值ω¹、关联层到隐层的权值ω²、隐层到输出层的权值ω³校正过程为：

综上，本实施例的ELMAN神经网络的动态BP算法为：

重复进行S21-S25，直至误差达小于设定值时，训练完成。

S26、输入测试集数据对步骤S3所述的神经网络进行验证；

S3、将电池的实时参数输入训练好的ELMAN神经网络中，得到当前电池参数情况下的电池安全度S的数值。

实施例3：如图5所示，本实施例提供了基于RBF神经网络的锂动力电池的安全度估算方法，包括如下步骤：

S1、样本获取，所述样本包括电池参数和电池安全度S的数值，所述电池安全度S根据下式获取：

式中，X_i代表第i个电池参数的安全系数，ω_i代表第i个电池参数的权重系数，所述样本划分成训练集和测试集；

本实施例的样本获取方式与实施例1相同，本实施例中选择作为样本的电池参数为电池的电压、电流、温度和内阻。

步骤S1具体包括：

S11、将所述电池电压、电流、温度和内阻数据进行归一化处理；

S12、根据下式分别获取电压安全系数X₁、电流安全系数X₂、温度安全系数X₃和内阻安全度系数X₄；

其中，X_S为电池参数标准工作值，X_m为电池参数的阈值，X_j为第j时刻得到的电池参数采集值；

S13、分别获取电池的电压权重系数ω₁、电流权重系数ω₂、温度权重系数ω₃和内阻权重系数ω₄，具体获取步骤如实施例1所示：

S14、根据S＝ω₁X₁+ω₂X₂+ω₃X₃+ω₄X₄得到电池的安全度数值样本；

S2、将所述电池的参数作为RBF神经网络中的输入，电池安全度S的数值为输出，建立基于RBF神经网络的电池安全度测量模型，利用训练集进行网络训练，训练完成的RBF神经网络通过测试集进行测试，具体包括如下步骤：

S21、构建RBF神经网络，如图6所示，本实施例的RBF神经网络为由输入层、隐含层和输出层构成的三层神经网络，该神经网络中，输入层有4个神经单元，分别是电池的电压、电流、温度和内阻，隐含层的径向基核函数采用高斯函数，输出层的神经元只有一个，为电池的安全度数值。隐含层中的神经元个数的确定方法很多，包括实验法、经验公式法、聚类方法等，作为示例的说明，本实施例采用STA算法实现隐含层神经元的确定，具体包括如下步骤：

S211、运用K-means聚类算法对RBF网络输入样本集进行分类，降低隐含层节点数，对于分类的个数k的确定，采用距离代价原则确定，通过下式得到平均最小类际距离l_k1，即所有聚类中心到与其最近聚类中心的距离之和的平均值：

其中，c_j为第i个聚类的中心,c_j为第j个聚类的中心；

S212、根据下式得到平均类内距离l_k2，即所有聚类簇内部距离之和的平均值：

其中，n为样本总数,m_i为第i个聚类的样本总数,x_ij为聚类内部第j个样本；

S213，根据下式得到分类个数为k时的距离代价l_k：

l_k＝l_k1-l_k2；

S214、确定最优的分类个数k，所述最优的分类个数k为最大分类数k_max内，l_k为最大，即：

l_k＝max(l_i),i＝1,2,......k_max；

S22、初始化网络，对网络的权值和阈值进行随机赋值，设定最大训练次数为5000，训练目标为10^-4；

S23、采集的训练样本传递给隐含层，高斯函数作为径向基函数，隐含层第k个神经元的输出为：

其中，x为4维输入矢量，分别对应电池的电压、电流、温度和内阻，c_k为隐含层第k个神经元节点的中心矢量，

为第k个神经元节点的中心宽度；

S24、根据下式得到输出层输出的电池安全度数值y：

y为输出层输出的电池安全度数值，w_i为隐含层到输出层的权重值。

S25、根据所述输出层的输出值和实际值之间的误差开始逐层计算输出误差，当误差大于设定误差时，进行步骤S26，当误差小于等于设定误差或达到预设训练次数时，结束训练，此时的神经网络为训练好的神经网络，本实施例采用的误差指标如下：

式中，

为安全度的期望输出值，y为安全度的实际输出值；

S26、利用梯度下降算法对隐含层中径向基核函数中心、扩展常数和到输出层的权重进行修正，经过不断的迭代和更新使网络的输出误差值逐渐减小。

梯度下降算法为：

S27、将测试集输入训练好的神经网络中对所述RBF神经网络进行验证。

S3、将电池的实时参数输入训练好的RBF神经网络中，得到当前电池参数情况下的电池安全度S的数值。

实施例4：如图7所示，本实施例提供了一种基于循环神经网络的锂动力电池的安全度估算方法，包括如下步骤：

S1、样本获取，所述样本包括电池参数和电池安全度S的数值，所述电池安全度S根据下式获取：

式中，X_i代表第i个电池参数的安全系数，ω_i代表第i个电池参数的权重系数，所述样本划分成训练集和测试集；

本实施例的样本获取方式与实施例1相同，本实施例中选择作为样本的电池参数为电池的电压、温度和内阻。

步骤S1具体包括：

S11、将所述电池电压、温度和内阻数据进行归一化处理；

S12、根据下式分别获取电压安全系数X₁、温度安全系数X₂和内阻安全度系数X₃；

其中，X_S为电池参数标准工作值，X_m为电池参数的阈值，X_j为第j时刻得到的电池参数采集值；

S13、分别获取电池的电压权重系数ω₁、温度权重系数ω₂和内阻权重系数ω₃，具体获取步骤如实施例1所示：

S14、根据S＝ω₁X₁+ω₂X₂+ω₃X₃得到电池的安全度数值样本；

S2、将所述电池的参数作为循环神经网络中的输入，电池安全度S的数值为输出，建立基于循环神经网络的电池安全度测量模型，利用训练集进行网络训练，训练完成的循环神经网络通过测试集进行测试，具体包括如下步骤：

S21、构建循环神经网络，所示神经网络包括输入层、输出层和输出层，本实施例中的输入层的节点为3个，分别为电池的电压、温度和内阻，输出层的输出节点为1个，为电池的安全度数值。隐含层设置为单个LSTM细胞核，以网络的训练时间、均方根误差、平均绝对误差和最大绝对误差作为评价，随着隐含层神经元个数n增加，最大绝对误差有明显下降，另两种误差下降不明显，且训练时间增加，所以隐含层神经元个数应适当增加，设置隐含层神经元个数为100。

S22、将电池参数样本输入神经网络中，对神经网络进行训练。如图8所示，本实施例的LSTM细胞包括遗忘门f、输入门i和输出门o，这三个门控对单元的内部状态建立了自循环。输入门决定了当前时间步的输入和前一个时间步的系统状态对内部状态的更新；遗忘门决定了前一个时间步内部状态对当前时间步状态的更新；输出门决定了内部状态对系统状态的更新。对循环网络进行初始化，当进行权重初始化时，为防止遗忘门在学习中快速忘记先前时间步的信息，遗忘门初始值设置较大数值，设为b_f＝1。门限由一个Sigmoid函数与矩阵点乘组成，函数输出0-1之间的数字，描述每个信息通过门限的程度，0表示禁止一切信息通过，1表示所有信息通过。LSTM网络的前向传播为：

i_t＝σ(W_xiX_t+W_hih_t-1+b_i)

f_t＝σ(W_xfX_t+W_hfh_t-1+b_f)

o_t＝σ(W_xoX_t+W_hoh_t-1+b_o)

c_t＝f_tc_t-1+i_ttanh(W_xcX_t+W_hch_t-1+b_c)

h_t＝o_ttanhc_t

式中：σ和tanh分别为Sigmoid激活函数和双正切激活函数；i_t、f_t、o_t、c_t分别代表t时刻的输入、忘记、输出和细胞状态；W为不同层之间的权重矩阵；b为偏置向量。h_t为隐含层线性输出，即当前输出值，用于描述当前输入的单元状态

S23、将处理好的样本训练数据带入网络进行训练，修正权值。本实施例以平均绝对误差作为损失函数：

式中，f_i为预测值，y_i为真实值，n为将要进行预测的数据量，循环神经网络的反向传播包括沿时间的反向传播和将误差项向上一层传播。

误差沿时间的反向传递中，在t时刻，神经网络的输出值为h_t，定义此时的误差项为：

对应于i_t、f_t、o_t、c_t的四个加权输入以及对应的误差项为：

推导可得

其中

经推导得到误差项向前传递到任意时刻k的公式为：

假设当前为第l层，定义l-1层的误差项是误差函数对l-1层加权输入的导数，即：

本层的输入

f^l-1表示l-1层的激活函数，得到将误差传递到上一层的公式为：

权重梯度公式如下：

在反向传播过程中，按照梯度下降，权重不断更新，完成循环网络的训练。

S24、利用测试集数据集对网络进行验证。计算预测结果的均方根误差、平均绝对误差和最大绝对误差对预测值和真实值偏离程度进行评价。

S3、将电池的实时参数输入训练好的循环神经网络中，得到当前电池参数情况下的电池安全度S的数值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.基于BP神经网络的锂动力电池的安全度估算方法，其特征在于，包括如下步骤：

样本获取，所述样本包括电池参数和电池安全度S的数值，所述电池安全度S根据下式获取：

式中，X_i代表第i个电池参数的安全系数，ω_i代表第i个电池参数的权重系数，所述样本划分成训练集和测试集；

将所述电池的参数作为BP神经网络中的输入，电池安全度S的数值为输出，建立基于BP神经网络的电池安全度测量模型，利用训练集进行网络训练，训练完成的BP神经网络通过测试集进行测试；

将电池的实时参数输入训练好的BP神经网络中，得到当前电池参数情况下的电池安全度S的数值。

2.根据权利要求1所述基于BP神经网络的锂动力电池的安全度估算方法，其特征在于，所述电池参数为电压、电流、温度、内阻、容量、电池SOH、电池SOC中的一种或多种组合。

3.根据权利要求1所述基于BP神经网络的锂动力电池的安全度估算方法，其特征在于，所述权重系数的获取方法包括：

所述电池安全系数的安全系数X_i为：

其中，X_S为电池参数标准工作值，X_m为电池参数的阈值，X_j为第j时刻得到的电池参数采集值；

获取所述电池参数对应的安全系数的特征值F_i和对应变量总方差D(i)；

通过

得到电池参数方差的贡献率σ_i；

将电池参数方差的贡献率σ_i归一化后得到所述电池参数的权重系数ω_i。

4.基于ELMAN神经网络的锂动力电池的安全度估算方法，其特征在于，包括如下步骤：

样本获取，所述样本包括电池参数和电池安全度S的数值，所述电池安全度S根据下式获取：

式中，X_i代表第i个电池参数的安全系数，ω_i代表第i个电池参数的权重系数，所述样本划分成训练集和测试集；

将所述电池的参数作为ELMAN神经网络中的输入，电池安全度S的数值为输出，建立基于ELMAN神经网络的电池安全度测量模型，利用训练集进行网络训练，训练完成的ELMAN神经网络通过测试集进行测试；

将电池的实时参数输入训练好的ELMAN神经网络中，得到当前电池参数情况下的电池安全度S的数值。

5.根据权利要求4所述基于ELMAN神经网络的锂动力电池的安全度估算方法，其特征在于，所述电池参数为电压、电流、温度、内阻、容量、电池SOH、电池SOC中的一种或多种组合；

所述权重系数的获取方法包括：

所述电池安全系数的安全系数X_i为：

其中，X_S为电池参数标准工作值，X_m为电池参数的阈值，X_j为第j时刻得到的电池参数采集值；

获取所述电池参数对应的安全系数的特征值F_i和对应变量总方差D(i)；

通过

得到电池参数方差的贡献率σ_i；

将电池参数方差的贡献率σ_i归一化后得到所述电池参数的权重系数ω_i。

6.基于RBF神经网络的锂动力电池的安全度估算方法，其特征在于，包括如下步骤：

样本获取，所述样本包括电池参数和电池安全度S的数值，所述电池安全度S根据下式获取：

式中，X_i代表第i个电池参数的安全系数，ω_i代表第i个电池参数的权重系数，所述样本划分成训练集和测试集；

将所述电池的参数作为RBF神经网络中的输入，电池安全度S的数值为输出，建立基于RBF神经网络的电池安全度测量模型，利用训练集进行网络训练，训练完成的RBF神经网络通过测试集进行测试；

将电池的实时参数输入训练好的RBF神经网络中，得到当前电池参数情况下的电池安全度S的数值。

7.根据权利要求6所述基于RBF神经网络的锂动力电池的安全度估算方法，其特征在于，所述电池参数为电压、电流、温度、内阻、容量、电池SOH、电池SOC中的一种或多种组合。

8.根据权利要求6所述基于RBF神经网络的锂动力电池的安全度估算方法，其特征在于，所述权重系数的获取方法包括：

所述电池安全系数的安全系数X_i为：

其中，X_S为电池参数标准工作值，X_m为电池参数的阈值，X_j为第j时刻得到的电池参数采集值；

获取所述电池参数对应的安全系数的特征值F_i和对应变量总方差D(i)；

通过

得到电池参数方差的贡献率σ_i；

将电池参数方差的贡献率σ_i归一化后得到所述电池参数的权重系数ω_i。

9.基于循环神经网络的锂动力电池的安全度估算方法，其特征在于，包括如下步骤：

样本获取，所述样本包括电池参数和电池安全度S的数值，所述电池安全度S根据下式获取：

式中，X_i代表第i个电池参数的安全系数，ω_i代表第i个电池参数的权重系数，所述样本划分成训练集和测试集；

将所述电池的参数作为循环神经网络中的输入，电池安全度S的数值为输出，建立基于循环神经网络的电池安全度测量模型，利用训练集进行网络训练，训练完成的循环神经网络通过测试集进行测试；

将电池的实时参数输入训练好的循环神经网络中，得到当前电池参数情况下的电池安全度S的数值。

10.根据权利要求9所述基于循环神经网络的锂动力电池的安全度估算方法，其特征在于，所述电池参数为电压、电流、温度、内阻、容量、电池SOH、电池SOC中的一种或多种组合；

所述权重系数的获取方法包括：

所述电池安全系数的安全系数X_i为：

其中，X_S为电池参数标准工作值，X_m为电池参数的阈值，X_j为第j时刻得到的电池参数采集值；

获取所述电池参数对应的安全系数的特征值F_i和对应变量总方差D(i)；

通过

得到电池参数方差的贡献率σ_i；

将电池参数方差的贡献率σ_i归一化后得到所述电池参数的权重系数ω_i。

Images