CN113935423A - 耦合模糊控制规则与Elman神经网络的动力电池故障预警方法与系统 - Google Patents

耦合模糊控制规则与Elman神经网络的动力电池故障预警方法与系统 Download PDF

Info

Publication number
CN113935423A
CN113935423A CN202111223863.1A CN202111223863A CN113935423A CN 113935423 A CN113935423 A CN 113935423A CN 202111223863 A CN202111223863 A CN 202111223863A CN 113935423 A CN113935423 A CN 113935423A
Authority
CN
China
Prior art keywords
power battery
neural network
elman neural
fault
early warning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111223863.1A
Other languages
English (en)
Inventor
冯超
骆相宜
陈国宇
张息奎
余昭胜
马晓茜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GUANGZHOU ENERGY DETECTION RESEARCH INSTITUTE
Original Assignee
GUANGZHOU ENERGY DETECTION RESEARCH INSTITUTE
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by GUANGZHOU ENERGY DETECTION RESEARCH INSTITUTE filed Critical GUANGZHOU ENERGY DETECTION RESEARCH INSTITUTE
Priority to CN202111223863.1A priority Critical patent/CN113935423A/zh
Publication of CN113935423A publication Critical patent/CN113935423A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Automation & Control Theory (AREA)
  • Computational Mathematics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Algebra (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种耦合模糊控制规则与Elman神经网络的动力电池故障预警方法及系统，所述方法包括：获取目标动力电池的历史数据，对历史数据进行处理，建立动力电池数据库；训练Elman神经网络模型，得到需要的Elman神经网络模型；利用历史数据库中的数据，建立模糊规则；将训练好的Elman神经网络模型、模糊规则与故障判断模型进行联合，得到综合预警模型；将动力电池实时数据输入综合预警模型，输出正常信号或者故障信号。本发明可以有效改善动力电池突发故障的情况，且该方法简便易行、经济性高，可广泛适用于动力电池故障预警。

Description

耦合模糊控制规则与Elman神经网络的动力电池故障预警方 法与系统
技术领域
本发明涉及动力电池技术领域，尤其涉及一种耦合模糊控制规则与Elman神经网络的动力电池故障预警方法与系统。
背景技术
在能源和环保的压力下，新能源汽车已成为未来汽车的发展方向。预计到2030年，新能源汽车的发展将节约和替代石油共1.64亿吨。然而，动力电池的安全性能一直以来都是新能源汽车行业最为重视的指标。
动力电池安全性通常分为现场安全性和滥用安全性。现场安全性是指电池正常使用时会不会出现自发性的不可预测的安全问题，如：连接问题、隔膜损坏、粉尘等随机发生的问题，导致内短路，引起过热与热失控。而滥用安全性主要包括机械、环境和电安全，是可评估可预测的，随机的小概率发生的安全性问题。目前，动力电池安全性能监测与评价主要集中在滥用安全性问题。《电动汽车用动力蓄电池安全要求(GB 38031-2020)》对电池单体和电池包安全要求和安全性测试方法也是针对滥用安全性的测试；随着电池循环次数的增加，电池内部有可能会发生SEI膜变化、锂枝晶生长、隔膜微孔等劣化现象，进而导致电池安全性的下降。有学者对动力电池单体开展了全生命周期热失控研究，分析电池全生命周期安全性的演变特征对于产品安全的影响；电池系统热扩散测试评价则主要包括热失控触发对象的选择、热失控触的选择(包括不同触发方法的等价性，以及相同触发方法针对不同对象试验结果的可比性等)、判定条件的确定等方面，同时重点关注动力电热扩散行为的特性和传播的机理，从而为动力电池系统的热设计和安全设计提供试验数据和技术支撑。因此，有必要充分地分析动力电池安全隐患和安全性能。
动力电池在运行时事故具有突发性和不确定性的特点，即便是符合正常出厂要求的动力电池，也有一定概率发生突变性事故，因此，对动力电池故障预测的方法尤为重要。
发明内容
为解决上述技术问题，本发明的目的是提供一种耦合模糊控制规则与Elman神经网络的动力电池故障预警方法与系统，该方法可以根据动力电池运行的历史数据和实时数据，对动力电池可能发生的故障进行预测和故障报警。
本发明的目的通过以下的技术方案来实现：
耦合模糊控制规则与Elman神经网络的动力电池故障预警方法，包括：
获取目标动力电池的历史数据，对历史数据进行处理，建立动力电池数据库；
训练Elman神经网络模型，得到需要的Elman神经网络模型；
利用历史数据库中的数据，建立模糊规则；
将训练好的Elman神经网络模型、模糊规则与故障判断模型进行联合，得到综合预警模型；
将动力电池实时数据输入综合预警模型，输出正常信号或者故障信号。
耦合模糊控制规则与Elman神经网络的动力电池故障预警系统，包括：
检测装置、输入装置、存储器、故障报警器、处理器、网络程序和数据总线；
所述检测装置，包括温度传感器、电流测量装置、电压测量装置和电解质测量装置；
所述输入装置用于输入测量到的动力电池运行工作参数数据；
所述存储器用于存储动力电池历史数据；
所述故障报警器用于输出故障信号或正常信号；
所述处理器用于进行故障判断。
与现有技术相比，本发明的一个或多个实施例可以具有如下优点：
本发明综合运用了Elman神经网络模型和模糊规则，利用历史数据对Elman神经网络模型进行训练，利用专家经验总结了模糊规则，提出了故障判断模型的依据和方法，建立了一种具有预测性的综合预警模型，能够对动力电池即将发生的故障进行预警。
采用的Elman神经网络是一种典型的局部回归网络，它在结构上多了个连接层，因此可以记忆过去的状态，特别适合处理时间序列问题；模糊规则能够根据专家经验制定，针对复杂的非线性问题进行划分；故障判断模型综合考虑了各个参数的影响，对故障进行判断。
附图说明
图1是耦合模糊控制规则与Elman神经网络的动力电池故障预警方法流程图；
图2是耦合模糊控制规则与Elman神经网络的动力电池故障预警模型图；
图3是温度参数模糊规则图；
图4是耦合模糊控制规则与Elman神经网络的动力电池故障预警系统图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合实施例及附图对本发明作进一步详细的描述。
如图1所示，为耦合模糊控制规则与Elman神经网络的动力电池故障预警方法流程，包括：
获取目标动力电池的历史数据，对历史数据进行处理，建立动力电池数据库；
获取历史数据，训练Elman神经网络模型，得到需要的Elman神经网络模型；
利用历史数据库中的数据，结合经验，建立模糊规则；
将训练好的Elman神经网络模型、模糊规则与故障判断模型进行联合，得到综合预警模型；
将动力电池实时数据输入综合预警模型，输出正常信号或者故障信号。
训练好的Elman神经网络，用于预测动力电池的运行参数；
模糊规则用于判断单个参数信号是否正常。
上述综合预警模型还包括历史数据库中数据的输入，输出正常信号或者故障信号，具体包括：
获取动力电池数据库中的历史数据，输入Elman神经网络模型进行训练，得到误差较小的Elman神经网络模型；
根据历史数据，结合专家经验，得到模糊规则，判断单个参数的工作情况；
将实时数据输入训练好的Elman神经网络模型，输出数据由模糊规则输出，最后输入进故障判断模型进行判断；
故障判断模型输出故障信号或正常信号。
以温度为例，如图3所示：
动力电池正常工作温度为0-60℃，，输出温度信号RS；
动力电池非正常工作温度时，输出非正常温度信号US；
动力电池故障工作温度时，输出故障温度信号WS；
进一步的，所述对Elman神经网络模型进行训练具体为：
构造样本集，抽取X1-XN组成第一个样本，其中(X1，X2，...，XN-1)为自变量，XN为目标函数；
创建Elman神经网络，采用elmannet函数，设置延迟、隐含层神经元个数和训练函数；
训练网络，使用mapminmax进行归一化和反归一化。
进一步的，所述的动力电池故障预警方法，检测参数信号具体包括：工作电流、工作电压、工作温度和电解质PH。
进一步的，所述故障判断模型，具体由以下公式判断：
Y＝∑Ki
其中i代表第i个参数(i≤4)，Ki代表模糊规则输出的单个参数的预测值，当Y≥2时，综合预警模型输出故障信号，否则输出正常信号。
进一步的，所述Ki，根据以下规则确定：
当工作温度正常时，输出信号为RS，此时K＝0；
当工作温度非正常时，输出信号为US，此时K＝1；
当工作温度故障时，输出信号为WS，此时K＝2；
故障判断模型输出正常信号或故障信号：
当工作温度为正常信号RS，K1＝0；
工作电流为非正常信号US，K2＝1；
工作电压为非正常信号WS，K3＝1；
电解质PH为正常信号RS，K4＝0；
则Y＝∑Ki＝K1+K2+K3+K4＝2，此时判断工作故障，输出故障信号。
进一步的，所述对历史数据进行处理，得到历史数据库，是指在历史数据中选取有效的数据，根据有效数据建立历史数据库。
上述实施例提供的耦合模糊控制规则与Elman神经网络的动力电池故障预警方法，通过动力电池运行的历史数据，根据历史数据库分别对Elman神经网络进行训练和对模糊规则进行划分；并将训练好的Elman神经网络模型、模糊规则和故障判断模型进行结合，得到综合预警模型。综合预警模型中的Elman神经网络模型通过时间序列规律对历史数据的规律进行预测，以此输出预测的工作参数数据；运用综合预警模型中的模糊规则对单个工作参数进行判断，再经故障判断模型进行判断，输出故障信号或者正常信号。可以有效预测动力电池故障发生情况。
如图4，一种耦合模糊控制规则与Elman神经网络的动力电池故障预警系统，所述系统包括网络程序、数据总线、输入装置、存储器、检测装置、处理器和故障报警器；
所述检测装置，包括温度传感器、电流测量装置、电压测量装置和电解质测量装置；
所述输入装置用于输入测量到的动力电池运行工作参数数据；
所述存储器用于存储动力电池历史数据；
所述故障报警器用于输出故障信号或正常信号；
所述处理器用于进行故障判断；
所述动力电池故障预警系统，用于实现上述的一种耦合模糊控制规则与Elman神经网络的动力电池故障预警方法。
进一步的，所述存储器、输入装置、故障报警器、网络程序和所述检测装置均通过数据总线连接至处理器。
进一步的，所述网络程序，用于运行所述的耦合模糊控制规则与Elman神经网络的动力电池故障预警方法。
虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (9)

1.耦合模糊控制规则与Elman神经网络的动力电池故障预警方法，其特征在于，所述方法包括：
获取目标动力电池的历史数据，对历史数据进行处理，建立动力电池数据库；
训练Elman神经网络模型，得到需要的Elman神经网络模型；
利用历史数据库中的数据，建立模糊规则；
将训练好的Elman神经网络模型、模糊规则与故障判断模型进行联合，得到综合预警模型；
将动力电池实时数据输入综合预警模型，输出正常信号或者故障信号。
2.如权利要求1所述的耦合模糊控制规则与Elman神经网络的动力电池故障预警方法，其特征在于，
训练好的Elman神经网络，用于预测动力电池的运行参数；
模糊规则用于判断单个参数信号是否正常。
3.如权利要求1所述的耦合模糊控制规则与Elman神经网络的动力电池故障预警方法，其特征在于，所述综合预警模型中还包括历史数据的输入，具体包括：
获取动力电池数据库中的历史数据，输入Elman神经网络模型进行训练，得到误差较小的Elman神经网络模型；
根据历史数据得到模糊规则，判断单个参数的工作情况；
将实时数据输入训练好的Elman神经网络模型，输出数据由模糊规则输出，最后输入进故障判断模型进行判断；
故障判断模型输出故障信号或正常信号。
4.如权利要求1或3所述的耦合模糊控制规则与Elman神经网络的动力电池故障预警方法，其特征在于，Elman神经网络模型训练包括：
构造样本集，抽取X1-XN组成第一个样本，其中(X1，X2，...，XN-1)为自变量，XN为目标函数；
创建Elman神经网络，采用elmannet函数，设置延迟、隐含层神经元个数和训练函数；
训练网络，使用mapminmax进行归一化和反归一化。
5.如权利要求2所述的耦合模糊控制规则与Elman神经网络的动力电池故障预警方法，其特征在于，
所述参数信号包括工作电流、工作电压、工作温度和电解质PH；
所述模糊规则采用高斯隶属度函数。
6.如权利要求2所述的耦合模糊控制规则与Elman神经网络的动力电池故障预警方法，其特征在于，所述故障判断模型由公式(1)判断：
Y＝∑Ki (1)
其中i代表第i个参数(i≤4)，Ki代表模糊规则输出的单个参数的预测值，当Y≥2时，综合预警模型输出故障信号，否则输出正常信号；其中，Ki的确定包括：当工作参数正常时，输出信号为RS，此时K＝0；当工作参数非正常时，输出信号为US，此时K＝1；当工作参数故障时，输出信号为WS，此时K＝2。
7.耦合模糊控制规则与Elman神经网络的动力电池故障预警系统，其特征在于，所述系统包括检测装置、输入装置、存储器、故障报警器、处理器、网络程序和数据总线；
所述检测装置，包括温度传感器、电流测量装置、电压测量装置和电解质测量装置；
所述输入装置用于输入测量到的动力电池运行工作参数数据；
所述存储器用于存储动力电池历史数据；
所述故障报警器用于输出故障信号或正常信号；
所述处理器用于进行故障判断。
8.如权利要求7所述的耦合模糊控制规则与Elman神经网络的动力电池故障预警系统，其特征在于，所述存储器、输入装置、故障报警器、网络程序和所述检测装置均通过数据总线连接至处理器。
9.如权利要求7所述的耦合模糊控制规则与Elman神经网络的动力电池故障预警系统，其特征在于，所述网络程序用于运行所述的耦合模糊控制规则与Elman神经网络的动力电池故障预警方法。
CN202111223863.1A 2021-10-18 2021-10-18 耦合模糊控制规则与Elman神经网络的动力电池故障预警方法与系统 Pending CN113935423A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111223863.1A CN113935423A (zh) 2021-10-18 2021-10-18 耦合模糊控制规则与Elman神经网络的动力电池故障预警方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111223863.1A CN113935423A (zh) 2021-10-18 2021-10-18 耦合模糊控制规则与Elman神经网络的动力电池故障预警方法与系统

Publications (1)

Publication Number Publication Date
CN113935423A true CN113935423A (zh) 2022-01-14

Family

ID=79280937

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111223863.1A Pending CN113935423A (zh) 2021-10-18 2021-10-18 耦合模糊控制规则与Elman神经网络的动力电池故障预警方法与系统

Country Status (1)

Country Link
CN (1) CN113935423A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114611400A (zh) * 2022-03-18 2022-06-10 河北金锁安防工程股份有限公司 一种预警信息筛选方法及系统
WO2024125189A1 (zh) * 2022-12-12 2024-06-20 中兴通讯股份有限公司 储能电池短路预警方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114611400A (zh) * 2022-03-18 2022-06-10 河北金锁安防工程股份有限公司 一种预警信息筛选方法及系统
CN114611400B (zh) * 2022-03-18 2023-08-29 河北金锁安防工程股份有限公司 一种预警信息筛选方法及系统
WO2024125189A1 (zh) * 2022-12-12 2024-06-20 中兴通讯股份有限公司 储能电池短路预警方法及装置

Similar Documents

Publication Publication Date Title
CN112092675B (zh) 一种电池热失控预警方法、系统及服务器
CN113344024B (zh) 锂离子电池热失控分级预警方法及预警系统
CN112098850B (zh) 基于sdo算法的锂离子电池电压故障诊断方法及系统
CN113935423A (zh) 耦合模糊控制规则与Elman神经网络的动力电池故障预警方法与系统
CN111257753B (zh) 一种电池系统故障诊断方法
CN116154900B (zh) 一种电池储能电站的主动安全三级防控系统及方法
CN112014745A (zh) 一种针对动力电池的三级故障诊断方法
CN115958957B (zh) 一种电动汽车动力电池充电过热故障预测方法及系统
CN113255764A (zh) 利用机器学习检测电化学储能系统故障的方法、系统和装置
CN117054887A (zh) 一种锂离子电池系统内部故障诊断方法
Ding et al. Diagnosis of connection fault for parallel-connected lithium-ion batteries based on long short-term memory networks
CN114734873B (zh) 一种基于云端在线数据的动力电池单体热失控预警方法
CN114580496A (zh) 一种锂离子电池单体故障自检测方法
CN115980585A (zh) 电池故障的检测方法、装置、计算机设备和存储介质
CN114509678B (zh) 一种基于大数据的动力电池热失控预测方法
CN111537893A (zh) 一种锂离子电池模组运行安全的评测方法、系统及电子设备
Zhang et al. Battery voltage fault diagnosis for electric vehicles considering driving condition variation
Diao et al. Research on Electric Vehicle Charging Safety Warning Based on A-LSTM Algorithm
Wu et al. Research on short-circuit fault-diagnosis strategy of lithium-ion battery in an energy-storage system based on voltage cosine similarity
Wang et al. An inconsistency fault diagnosis method for lithium-ion cells in the battery pack based on piecewise dimensionality reduction and outlier identification
Machlev EV battery fault diagnostics and prognostics using deep learning: Review, challenges & opportunities
CN117630672A (zh) 借助变换器模型预测诊断技术设备的设备电池的方法和设备
CN115684976A (zh) 储能电池故障在线诊断定位方法、电子设备及介质
Tang et al. Week-level early warning strategy for thermal runaway risk based on real-scenario operating data of electric vehicles
CN115312891B (zh) 一种基于云端机械损伤预测模型的电池保护方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination