CN114417948A - 一种基于神经网络预测电池热失控的方法 - Google Patents
一种基于神经网络预测电池热失控的方法 Download PDFInfo
- Publication number
- CN114417948A CN114417948A CN202110679481.3A CN202110679481A CN114417948A CN 114417948 A CN114417948 A CN 114417948A CN 202110679481 A CN202110679481 A CN 202110679481A CN 114417948 A CN114417948 A CN 114417948A
- Authority
- CN
- China
- Prior art keywords
- thermal runaway
- data
- battery
- model
- neural network
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- 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
- G06N3/045—Combinations of 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Secondary Cells (AREA)
Abstract
本发明的目的是建立一种基于神经网络预测电池热失控的方法,包括S1:数据准备:基于实验室和用户车辆大数据平台积累的海量数据,获取车辆电池热失控相关数据;S2:建立特征数据集,进行归一化处理;S3:使用卷积神经网络,建立电池热失控预测模型;S4:训练和验证预测模型;S5:使用模型识别电池热失控异常。本发明通过基于实验室和车辆大数据平台积累的海量数据,构建大量特征参数,使用神经网络深度学习算法,训练和学习动力电池发生热失控的规律,构建并生成可预测热失控的模型,结合大数据实时采集车辆信号数据技术,能实时预测车辆发生热失控的风险,并及时发出预警。
Description
技术领域
本发明涉及预测电池热失控的方法,具体涉及一种基于神经网络预测电池热失控的方法。
背景技术
电池作为电动汽车的动力来源,其健康情况直接影响着整车状态。热失控是动力电池最严重的问题之一,一旦出现会导致车辆燃烧,严重的会发生爆炸危险。如何能及时发现可能潜在出现热失控的车辆,一直是各大电动车厂商面临的重要问题。由于电池会随着时间逐渐退化,以及自身的化学反应,加之车主用车习惯、用车工况等各不相同,导致电池出现热失控的原因错综复杂,这也增大了识别和预测电池发生热失控的难度。
目前已有的预测电池热失控的方法,主要通过单个或多个维度分析电池热失控的原因并进行预测,例如电流、电压、温度、电池单体相关状态、电池内部机理等。但是由于电池热失控产生的原因复杂多样,再结合车辆所处的环境条件,很难覆盖到所有的情况。这些方法只会对部分车辆预测有效,而没有覆盖到的车辆依然存在较大风险。
中国专利文献CN109978229A公开了一种基于大数据机器学习进行电动汽车电池热失控预测的方法,该方法仅是通过电池温度数据、电池故障维修数据,建立的预测电池热失控模型。涉及电池热失控发生原因复杂多样,仅通过电池温度和故障相关数据构建,很难反映真实的电池热失控发生原因,导致构建的预测模型在某些复杂条件下预测失效。
中国专利文献CN112363061A公开了一种基于大数据的热失控风险评估方法,该方法仅通过电池温度和电池温度上升速度维度构建的评估模型,太过简单和片面,会导致评估热失控风险与实际误差较大。
发明内容
本发明的目的是建立一种基于神经网络预测电池热失控的方法,通过基于实验室和车辆大数据平台积累的海量数据,构建大量特征参数,使用神经网络深度学习算法,训练和学习动力电池发生热失控的规律,构建并生成可预测热失控的模型,结合大数据实时采集车辆信号数据技术,实时预测车辆发生热失控的风险,并可进一步及时发出预警。
为了实现上述目的,本发明提出如下技术方案。
一种基于神经网络预测电池热失控的方法,所述方法包括如下步骤:
S1:数据准备:是基于实验室和用户车辆大数据平台积累的海量数据,获取车辆电池热失控相关数据,包括电池正常状态数据、出现各种不同异常状态数据、发生热失控数据、用车行为等数据。
S2:建立特征数据集和归一化处理。特征变量包括温度差、静态压差、单体过温、内阻差、自放电差、绝缘阻抗、快充压差等万级别数量的特征。
S3:使用卷积神经网络,建立电池热失控预测模型。
S4:训练和验证预测模型。
S5:使用模型识别电池热失控异常。
进一步地,所述步骤S1又包括如下步骤:
S1-1:采集电池热失控相关数据;
S1-2:数据有效性验证和清洗。
进一步地,所述步骤S2又包括如下步骤:
S2-1:使用采集到的数据,计算用于预测电池热失控的特征变量,生成特征数据集;
S2-2:检查各特征变量的数值范围,进行特征归一化处理。
进一步地,所述步骤S3又包括如下步骤:
S3-1:按照比例划分数据集,生成训练数据集和验证数据集;
S3-2:检验训练数据集和验证数据集一致性;
S3-3:采用卷积神经网络,建立电池热失控预测模型;
进一步地,所述步骤S4又包括如下步骤:
S4-1:使用训练数据集训练预测模型;
S4-2:使用验证数据集验证模型准确性;
S4-3:找出准确度较好的模型,作为最终的预测模型。
进一步地,所述步骤S5又包括如下步骤:
S5-1:实时线上采集车辆电池相关数据;
S5-2:计算用于输入模型的特征变量;
S5-3:将特征变量输入模型,输出电池热失控的概率。
本发明的优点如下:
本发明一方面不仅通过电池温度数据、电池故障维修数据,还包括用户行为数据、车辆工况环境数据、电池内部信号数据等基于实验室和车辆大数据平台积累的海量数据,通过多种各异且全面的各个不同维度,建立的预测电池热失控模型。另一方面本方法通过不同维度的海量数据,建立可能导致发生热失控相关、车辆工况环境相关、用户行为相关、电池内部机理相关等的大量特征参数,并利用神经网络的深度学习算法能有效从大量特征参数中自动学习数据规律的特点,构建并生成可预测动力电池热失控的卷积神经网络模型。通过海量数据和大量特征参数训练出的预测模型,能有效覆盖电池出现热失控情况。再结合大数据实时流处理技术,实时采集车辆信号数据并通过卷积神经网络模型预测车辆发生热失控的风险,并及时发出预警。
附图说明
图1是本发明实施例中基于神经网络预测电池热失控方法示意图;
具体实施方式
下面结合说明书附图对本发明进行进一步的描述:
参见图1,本发明是一种基于神经网络预测电池热失控的方法,具体步骤如下:
S1:数据准备。
步骤S1具体包括如下步骤:
S1-1:采集电池热失控相关数据,包括电池正常状态数据、出现各种不同异常状态数据、发生热失控数据、用车行为等数据。
在本步骤中,车辆电池热失控相关数据的来源主要基于实验室和用户车辆大数据平台积累的海量数据。实验室数据是在实验室中,根据不同环境、工况等条件,进行一系列实验后产生的数据。用户车辆大数据平台数据是真实车主在充放电等用车行为、不同用车工况中产生的数据。采集的数据字段主要包括总电压、总电流、电池温度、电容、内阻、单体电压电流、单体温度、电芯电压、电芯温度、SOC、车速、充电状态、电池异常信号数据等。
S1-2:数据有效性验证和清洗。
由于采集到的数据通常含有噪声数据,例如存在缺失值、值不在正常区间范围内等,噪声数据会造成模型预测偏差。因此,首先要检查并验证数据中是否存在噪声数据,如果存在对数据进行清洗,例如过滤掉异常数据、使用默认值填充缺失数据等。
S2:建立特征数据集和归一化处理。
步骤S2具体包括如下步骤:
S2-1:使用采集到的电池相关数据,计算用于预测电池热失控的特征变量,生成特征数据集;
在本步骤中,特征变量用于后续步骤:训练、验证和预测阶段模型的输入变量。基于S1步骤中处理后的数据,计算出各特征变量。特征变量包括温度差、静态压差、单体过温、内阻差、自放电差、绝缘阻抗、快充压差等万级别数量的特征。
S2-2:检查各特征变量的数值范围,进行特征归一化处理。
通常不同的特征变量取值范围是不同的,并且差异过大。为了最大化程度减小模型偏见和提升模型学习效率,将各特征变量归一化处理,使其数值转换到[0,1]范围区间内。归一化公式如下
S3:使用卷积神经网络,建立电池热失控预测模型。
步骤S3具体包括如下步骤:
S3-1:按照比例划分数据集,生成训练数据集和验证数据集。
在本步骤中,将S2步骤中归一化后的特征数据集按照7:3的比例,分别划分成训练数据集和验证数据集。训练数据集用于训练模型,验证数据集用于检验模型的效果。
S3-2:检验训练数据集和验证数据集一致性。
一致性表示训练数据集和验证数据集在特征类型、数据分布等的一致。例如:具有连续类型的特征变量,它们在训练和验证两个不同数据集中的均值、极值、中位数等应该是相等相近的。离散型的特征变量,它们在两个不同数据集中的样本取值,应该都覆盖到。
训练数据集和验证数据集存在不一致性且差异较大时,会导致模型预测存在偏见,降低模型的泛化能力。
S3-3:采用卷积神经网络,建立电池热失控预测模型。
在本步骤中,采用卷积神经网络(CNN)模型。其中输入层神经元数量与特征变量的数据量保持相同。例如特征数据集中每个样本数据有1000个特征,那么输入层就有1000个神经元。
由于使用的是卷积神经网络,这里隐藏层也称为卷积层。模型中可包含多个卷积层,而每个卷积层可包含多个神经元,每个卷积层对应一个卷积核。将卷积层的数量λ和、各个卷积层神经元的数量δ和卷积核大小η设定为超参数。由于每个卷积层神经元的数量和卷积核大小可以不同,所以
δ={δ1、δ2、...δλ}
η={η1、η2、...ηλ}
超参数不是固定的值,在循环训练模型时这些超参数可以取不同值。当模型表现最优时,超参数值可以固定为当前的值。卷积层使用的激活函数是ReLu,ReLu相比其他函数,如Sigmoid函数、Tanh函数表现的学习能力更好。ReLu函数公式如下:
输出层只有一个神经元,其激活函数是sigmoid函数:
通过sigmoid函数可输出概率值,概率越大表示电池发生热失控的风险越大。
通过以上的输入层、隐藏层、输出层构成完整的神经网络模型。在实际实施中,可使用如Tensorflow、Caffe、PyTorch等深度学习框架构建。
S4:训练和验证预测模型。
步骤S4具体包括如下步骤:
S4-1:使用训练数据集训练预测模型。
在本步骤中,使用训练数据集多次训练模型,直到学习曲线中的误差率下降到出现拐点为止。在训练中可调整在S3步骤中定义的超参数值。
S4-2:使用验证数据集验证模型效果。
使用验证数据集对S4-1步骤中的训练的模型进行验证。如果模型在验证集上的AUC值小于ω,则表示模型效果较差,可重新进行优化训练。AUC值通常取值范围在[0.5,1],值越接近1表示模型效果越好。ω通常是大于0.8小于1,可根据实际业务问题和数据表现取值。
S4-3:找出表现较好的模型,作为最终的预测模型。
S5:使用模型识别电池热失控异常。
步骤S5具体包括如下步骤:
S5-1:实时线上采集车辆电池相关数据。
在本步骤中,可利用大数据实时流处理技术,如Spark Streaming、Flink等。实时采集用户车辆电池的信号数据。
S5-2:计算用于输入模型的特征变量。
将S5-1步骤中采集到的信号数据,使用S2步骤中的方法计算出特征变量。
S5-3:将特征变量输入模型,输出电池热失控的概率。
在本步骤中,设定电池发生热失控概率阈值为э。当模型输出的概率大于等于э时,可认为此电池出现热失控异常并及时预警。一般э范围可控制在[0.50,0.98]范围内,可根据实际发生热失控的历史数据中分析得出最适合的取值。
由以上实施例可见,本发明利用卷积神经网络模型,通过基于实验室和车辆大数据平台的海量数据,建立可能导致发生热失控相关、车辆工况环境相关、用户行为相关、电池内部机理相关等的大量特征参数。利用神经网络的深度学习算法能有效从大量特征参数中自动学习数据规律的特点,构建并生成可预测动力电池热失控的卷积神经网络模型。通过海量数据和大量特征参数训练出的预测模型,能有效覆盖电池出现热失控情况。
Claims (6)
1.一种基于神经网络预测电池热失控的方法,其特征在于,所述方法包括如下步骤:
S1:数据准备:基于实验室和用户车辆大数据平台积累的海量数据,获取车辆电池热失控相关数据,包括电池正常状态数据、出现各种不同异常状态数据、发生热失控数据、用车行为等数据;
S2:建立特征数据集,进行归一化处理;特征变量包括温度差、静态压差、单体过温、内阻差、自放电差、绝缘阻抗、快充压差等万级别数量的特征;
S3:使用卷积神经网络,建立电池热失控预测模型;包括:
S3-1:按照比例划分数据集,生成训练数据集和验证数据集;
S3-2:检验训练数据集和验证数据集一致性;
S3-3:采用卷积神经网络,建立电池热失控预测模型;
S4:训练和验证预测模型,包括:
S4-1:使用训练数据集训练预测模型;
S4-2:使用验证数据集验证模型准确性;
S4-3:找出准确度较好的模型,作为最终的预测模型;
S5:使用模型识别电池热失控异常。
2.根据权利要求1所述的基于神经网络预测电池热失控的方法,其特征在于,所述步骤S1包括:
S1-1:采集电池热失控相关数据;车辆电池热失控相关数据的字段主要包括总电压、总电流、电池温度、电容、内阻、单体电压电流、单体温度、电芯电压、电芯温度、SOC、车速、充电状态、电池异常信号数据等;
S1-2:数据有效性验证和清洗。
3.根据权利要求1所述的基于神经网络预测电池热失控的方法,其特征在于,所述步骤S2包括:
S2-1:使用采集到的数据,计算用于预测电池热失控的特征变量,生成特征数据集;
S2-2:检查各特征变量的数值范围,进行特征归一化处理。
5.根据权利要求1所述的基于神经网络预测电池热失控的方法,其特征在于,所述步骤S4-1使用训练数据集训练预测模型,直到学习曲线中的误差率下降到出现拐点为止;
所述步骤S4-2使用验证数据集验证模型效果,如果模型在验证集上的AUC值小于ω,则表示模型效果较差,重新进行优化训练;AUC值取值范围在[0.5,1],值越接近1表示模型效果越好,ω根据实际业务问题和数据表现取值。
6.根据权利要求1所述的基于神经网络预测电池热失控的方法,其特征在于,所述步骤S5包括:
S5-1:实时线上采集车辆电池相关数据;
S5-2:计算用于输入模型的特征变量;
S5-3:将特征变量输入模型,输出电池热失控的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110679481.3A CN114417948A (zh) | 2021-06-18 | 2021-06-18 | 一种基于神经网络预测电池热失控的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110679481.3A CN114417948A (zh) | 2021-06-18 | 2021-06-18 | 一种基于神经网络预测电池热失控的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114417948A true CN114417948A (zh) | 2022-04-29 |
Family
ID=81260548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110679481.3A Pending CN114417948A (zh) | 2021-06-18 | 2021-06-18 | 一种基于神经网络预测电池热失控的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114417948A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116049640A (zh) * | 2023-04-03 | 2023-05-02 | 河北工业大学 | 一种用于液液非均相反应热行为判别的概率映射识别方法 |
CN116154900A (zh) * | 2023-01-05 | 2023-05-23 | 北京西清能源科技有限公司 | 一种电池储能电站的主动安全三级防控系统及方法 |
CN116500451A (zh) * | 2023-05-29 | 2023-07-28 | 海南蓄能发电有限公司 | 一种蓄电池在线监测系统 |
CN117799498A (zh) * | 2024-03-01 | 2024-04-02 | 湘潭南方电机车制造有限公司 | 一种用于防爆蓄电池电机车的综合保护系统 |
CN116500451B (zh) * | 2023-05-29 | 2024-06-25 | 海南蓄能发电有限公司 | 一种蓄电池在线监测系统 |
-
2021
- 2021-06-18 CN CN202110679481.3A patent/CN114417948A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116154900A (zh) * | 2023-01-05 | 2023-05-23 | 北京西清能源科技有限公司 | 一种电池储能电站的主动安全三级防控系统及方法 |
CN116154900B (zh) * | 2023-01-05 | 2023-11-28 | 北京西清能源科技有限公司 | 一种电池储能电站的主动安全三级防控系统及方法 |
CN116049640A (zh) * | 2023-04-03 | 2023-05-02 | 河北工业大学 | 一种用于液液非均相反应热行为判别的概率映射识别方法 |
CN116049640B (zh) * | 2023-04-03 | 2023-07-07 | 河北工业大学 | 一种用于液液非均相反应热行为判别的概率映射识别方法 |
CN116500451A (zh) * | 2023-05-29 | 2023-07-28 | 海南蓄能发电有限公司 | 一种蓄电池在线监测系统 |
CN116500451B (zh) * | 2023-05-29 | 2024-06-25 | 海南蓄能发电有限公司 | 一种蓄电池在线监测系统 |
CN117799498A (zh) * | 2024-03-01 | 2024-04-02 | 湘潭南方电机车制造有限公司 | 一种用于防爆蓄电池电机车的综合保护系统 |
CN117799498B (zh) * | 2024-03-01 | 2024-06-11 | 湘潭南方电机车制造有限公司 | 一种用于防爆蓄电池电机车的综合保护系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114417948A (zh) | 一种基于神经网络预测电池热失控的方法 | |
CN113344024B (zh) | 锂离子电池热失控分级预警方法及预警系统 | |
CN111652348B (zh) | 一种基于改进cnn的动力电池组故障融合诊断方法及系统 | |
CN110570030A (zh) | 基于深度学习的风电集群功率区间预测的方法及系统 | |
Jiang et al. | A fault diagnosis method for electric vehicle power lithium battery based on wavelet packet decomposition | |
CN110334948B (zh) | 基于特征量预测的电力设备局部放电严重程度评估方法及系统 | |
CN115366683A (zh) | 一种新能源汽车动力电池多维模型融合的故障诊断策略 | |
CN112444748A (zh) | 电池异常检测方法、装置、电子设备及存储介质 | |
Gu et al. | Remaining useful life prediction using composite health index and hybrid LSTM‐SVR model | |
Yao et al. | An intelligent fault diagnosis method for lithium-ion battery pack based on empirical mode decomposition and convolutional neural network | |
Jia et al. | State of health prediction of lithium-ion batteries based on bidirectional gated recurrent unit and transformer | |
Jiang et al. | Multi-objective optimal placement of sensors based on quantitative evaluation of fault diagnosability | |
Liu et al. | State of health estimation of lithium-ion batteries based on multi-feature extraction and temporal convolutional network | |
Li et al. | A lstm-based method for comprehension and evaluation of network security situation | |
Zhang et al. | Remaining useful life prediction of lithium-ion batteries based on TCN-DCN fusion model combined with IRRS filtering | |
Li et al. | Multi-time-step and multi-parameter prediction for real-world proton exchange membrane fuel cell vehicles (PEMFCVs) toward fault prognosis and energy consumption prediction | |
Wang et al. | Assessing the Performance Degradation of Lithium‐Ion Batteries Using an Approach Based on Fusion of Multiple Feature Parameters | |
Li et al. | A framework for predicting network security situation based on the improved LSTM | |
CN115808627A (zh) | 一种锂电池soh预测方法及装置 | |
CN116522594A (zh) | 基于卷积神经网络的时间自适应暂态稳定预测方法及装置 | |
Sun et al. | Autoencoder-enhanced regularized prototypical network for new energy vehicle battery fault detection | |
CN114548701A (zh) | 面向全量测点耦合结构分析与估计的过程预警方法及系统 | |
Sun et al. | Remaining useful life prediction of turbofan engine based on probabilistic principal components analysis and gated recurrent unit | |
Ansari et al. | Multi-Channel Profile Based Artificial Neural Network Approach for Remaining Useful Life Prediction of Electric Vehicle Lithium-Ion Batteries. Energies. 2021; 14 (22), 7521 | |
Xu et al. | Research on residual useful life prediction of Li-ion battery based on Ga-Lm-Bpnn |
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 |