CN114509685A - 一种构建锂离子电池热失控预测模型的方法及预测系统 - Google Patents

Abstract

本发明公开了一种构建锂离子电池热失控预测模型的方法及预测系统，该方法包括以下步骤：对锂离子电池进行热失控实验，采集包括温度、电压和电流在内的电池序列特征数据，以及声音信号和热成像数据；对数据进行切片，生成历史数据；电池状态记为y，根据温度阈值划分热失控状态y＝1和未发生热失控状态y＝0；将历史数据作为输入，以电池热失控异常状态为标签，提取数据特征；计算所有数据特征的注意力权重，进行特征融合；利用分类器得到锂离子电池热失控状态；将历史数据分为训练集和测试集输入到模型中进行训练和验证，以准确率为评判指标判断模型准确度，从而构建热失控预测模型。本发明构建的多模态模型提高了热失控预测的准确性。

Description

一种构建锂离子电池热失控预测模型的方法及预测系统

技术领域

本发明属于电池安全预测识别技术领域，具体涉及一种构建锂离子电池热失控预测模型的方法及预测系统。

背景技术

锂离子电池因其高能量密度、寿命长和体积小等优点，已作为清洁能源广泛应用于电动汽车和电子设备等。然而，在实际应用中，锂离子电池会遇到一些异常情况，包括机械滥用、电滥用和热滥用。如果锂离子电池发生热失控将造成严重事故，因此电池热失控预警是急切需要解决的安全问题。

目前，许多研究人员基于实验或基于仿真去探索锂离子电池在热失控过程中的内部反应机理和外部特性，分析热失控过程。基于方程的方法涉及高计算复杂度，通过数学公式推导出锂离子电池发生热失控过程，最终得到电池发生热失控的状态方程。然而，如果锂离子电池处于相对复杂的环境下，很难推导出热失控模型。随着机器学习和深度学习的发展，基于数据驱动的方法克服了这些问题，只关注锂离子电池在整个热失控过程中的电压、电流和温度等特征数据，就可以诊断出电池的异常状态。电压、电流和温度都是序列数据，只能反映电池发生热失控时内部发生异常反应造成这些序列数据的变化，无法在达到热失控之前提前预测。公开号为CN113344024A的专利文献公开了一种锂离子电池热失控分级预警方法及预警系统。该方法采用无故障的电池特征要素对长短期记忆网络、时间卷积网络和GRU神经网络构成的预测模型的热失控预测能力进行训练；接着将待监控电池在时间序列上的电池特征要素输入至预测模型，得到某一时刻的正常状态下的预测值，然后与采集到的该时刻对应的真实值比较，两者相差越大表明电池热失控风险越大。但由于采用的是正常电池进行预测，距离真实热失控状态有较大偏差。

此外，除了电池自身的要素特征，电池热失控前还可能出现声音、电池内局部异常发热等，这些特征可能会比电压、电流和温度这些测量数据异常情况更早出现。所以，有必要进一步综合考虑各种异常信号，改进电池热失控的预测方法。

发明内容

有鉴于此，本发明的目的之一在于提供一种构建锂离子电池热失控预测模型的方法及预测系统。

其技术方案如下：

一种构建锂离子电池热失控预测模型的方法，其关键在于包括采集热失控实验数据和利用该实验数据构建基于神经网络的热失控预测模型，该热失控预测模型包括特征提取器、特征融合器和分类器，所述方法具体包括以下步骤：

S1、热失控实验数据采集：对锂离子电池进行热失控实验，采集电池序列特征数据，以及声音信号和热成像数据；

所述电池序列特征数据包括温度数据、电压数据和电流数据；

S2、数据预处理：对步骤S1中采集的数据进行切片，生成历史数据；

电池状态记为y，设置温度阈值，超过该阈值代表发生热失控，y＝1，否则代表未发生热失控，y＝0；

S3、提取特征数据：将经过步骤S2预处理的数据作为输入，以锂离子电池热失控异常状态为标签，利用所述特征提取器提取数据特征；

S4、特征融合：利用所述特征融合器计算所有所述数据特征的注意力权重，进行特征融合；

S5、热失控状态判断：利用所述分类器得到锂离子电池热失控状态；

S6、模型训练：将步骤S2中的所述历史数据分为训练集和测试集，将所述训练集输入到所述热失控预测模型中进行训练，输入所述测试集进行验证，以准确率为评判指标判断模型准确度，从而更新热失控预测模型。

作为优选，上述步骤S2中切片具体过程为：利用大小为T的滑动窗口对步骤S1采集的数据进行切片，生成历史电压数据X_V、电流数据X_I、温度数据X_T、声音数据X_S和热成像数据X_P。

作为优选，上述特征提取器包括长短时记忆神经网络(LSTM)、一维卷积神经网络(1D CNN)和残差网络ResNet50；

所述步骤S3中，采用长短时记忆神经网络(LSTM)提取电压、电流和温度序列数据的特征向量，分别记为h_V∈R^N×m、h_I∈R^N×m和h_T∈R^N×m；

采用一维卷积神经网络(1D CNN)提取声音信号的特征向量，记为h_S∈R^N×m；

采用残差网络ResNet50提取热成像的特征向量，记为h_P∈R^N×m。

作为优选，上述步骤S3中，按照式(1)～(6)计算提取电压、电流和温度序列数据的特征，

g_t＝σ(W_f·[h_t-1,x_t])+b_g (1)

i_t＝σ(W_i·[h_t-1,x_t])+b_i (2)

o_t＝σ(W_o·[h_t-1,x_t])+b_o (5)

h_t＝o_t*tanh(S_t) (6)

其中，g_t是遗忘门，i_t是输入门，o_t是输出门，σ是激活函数，W是权重矩阵，采用正态分布初始化，b是偏置，初始化为0；

h_t为电压或电流或温度序列数据的特征；

提取电压序列数据特征时输入x_t∈X_V，提取电流序列数据特征时输入x_t∈X_I，提取温度序列数据特征时输入x_t∈X_T；

和S_t为运算过程中间值。

作为优选，上述特征融合器用于特征向量的拼接、权重计算和融合；

所述步骤S4的具体过程为，先将特征向量h_V、h_I、h_T、h_S和h_P拼接成特征矩阵h∈R^{N ×5×m}；

将所述特征矩阵h∈R^N×5×m输入到全连接层，将其分别乘以可训练的权重矩阵W^Q、W^K和W^T，计算得到查询矩阵Q、键矩阵K和值矩阵V；

再根据注意力运算函数

计算得到注意力得分矩阵α＝[α₁,α₂,α₃,α₄,α₅]∈R^N×5×5，其中α₁、α₂、α₃、α₄和α₅分别是电压特征、电流特征、温度特征、声音信号特征、热成像特征的注意力分数，d是全连接层的隐藏维度，K^T是键矩阵K的转置矩阵；

引入注意力机制计算得到注意力权重特征矩阵H＝α·V；

最后，利用式(8)对每个特征加权求和完成特征融合，

H＝α₁·h₁+α₂·h₂+α₃·h₃+α₄·h₄+α₅·h₅ (8)

其中h是与α对应的特征向量。

作为优选，上述步骤S3中，1D CNN由卷积层、池化层和全连接层组成，通过多个卷积核对输入数据进行卷积和池化操作以提取数据的潜在特征，具体按照式(9)～(11)计算提取声音信号特征，

y_i＝f(u_i*k+b_i) (9)

z_i(j)＝maxy_i(k),k∈D_j (10)

h_i＝W_iz_i+b_i (11)

其中，y_i表示第i个过滤器得到的特征表示，k表示卷积核，u表示输入，u∈X_S，*表示卷积操作，f(·)表示tanh激活函数，z_i(j)表示经过池化后的第i个过滤器的特征，D_j表示第j个池化区域，y_i(k)表示第i个过滤器的特征表示在池化核内的元素，W是权重矩阵，b是偏置，h_i为声音信号特征。

作为优选，上述步骤S5中，利用多层全连接网络作为分类器得到锂离子电池热失控状态，模型训练过程中，将融合后的特征与相应的电池状态y在分类器中建立对应关系，利用Adam优化器不断训练模型，直到收敛。

作为优选，上述步骤S6具体为，将步骤S2中的所述数据中80％作为训练集，剩下的20％作为测试集；

将所述训练集输入到所述多模态模型中进行训练，模型训练epoch为3000，学习率为8e-5，采用Adam优化器，得到训练完成的热失控预测模型；

再输入所述测试集进行验证，得到预测结果，利用准确率ACC为评判指标判断模型准确度，

其中，TP代表热失控状态预测为热失控个数，TN代表正常状态预测为正常状态个数，FP代表正常状态预测为热失控个数，FN代表热失控状态预测为正常状态个数。

本发明的目的之二在于提供一种锂离子电池热失控预测系统。

一种锂离子电池热失控预测系统，其关键在于，包括数据采集模块、数据传输模块和热失控预测模块；

所述数据采集模块用于采集电池的电压、电流、温度、声音和热成像数据；

所述数据传输模块用于将所述数据采集模块采集的数据传输给所述热失控预测模块；

所述热失控预测模块包括存储器、处理器以及存储在存储器上并可在处理器上运行的数据处理机构，所述数据处理机构用于：

将数据传输模块传输的数据输入热失控预测模型，所述热失控预测模型根据输入的所述数据，输出预测的电池热失控状态；

所述热失控预测模型根据上述任意一项所述方法构建并训练更新。

与现有技术相比，本发明的有益效果：通过采集热失控实验过程中的电池序列特征、声音信号和热成像数据等多种不同类型的数据，从不同的特征角度考虑电池热失控过程，使用不同深度学习模型挖掘数据的潜在特征，利用注意力机制计算特征间的权重，考虑了不同特征对分类结果的重要性，构建多模态模型，提高了热失控预测的准确性。

附图说明

图1为实施例一的构建预测模型的方法的流程图；

图2为实施例二的结构示意图。

具体实施方式

以下结合实施例和附图对本发明作进一步说明。

实施例一

如图1，一种构建锂离子电池热失控预测模型的方法，包括采集热失控实验数据和利用该实验数据构建基于神经网络的热失控预测模型，该热失控预测模型包括特征提取器、特征融合器和分类器，所述方法具体包括以下步骤：

S1、热失控实验数据采集：对锂离子电池进行热失控实验，采集电池序列特征数据，以及声音信号和热成像数据；

所述电池序列特征数据包括电压、电流和温度数据；

S2、数据预处理：对步骤S1中采集的数据进行切片，生成历史数据；

切片具体过程为：利用大小为T的滑动窗口对步骤S1采集的数据进行切片，生成历史电压数据X_V、电流数据X_I、温度数据X_T、声音数据X_S和热成像数据X_P；

将锂离子电池热失控预测定义为二分类任务，电池状态记为y，设置温度阈值，超过该阈值代表发生热失控，y＝1，否则代表未发生热失控，y＝0；

S3、提取特征数据：将经过步骤S2预处理的数据作为输入，以锂离子电池热失控异常状态为标签，利用所述特征提取器提取数据特征；

S4、特征融合：利用特征融合器计算所有所述数据特征的注意力权重，进行特征融合；

S5、热失控状态判断：利用分类器得到锂离子电池热失控状态；

S6、模型训练：将步骤S2中的所述历史数据分为训练集和测试集，将所述训练集输入到热失控预测模型中进行训练，输入所述测试集进行验证，以准确率为评判指标判断模型准确度，从而更新热失控预测模型。

由于电压、电流和温度数据为序列数据，与声音信号和热成像数据为不同格式的数据，因此特征提取器包括长短时记忆神经网络(LSTM)、一维卷积神经网络(1D CNN)和残差网络ResNet50。故：

所述步骤S3中，采用长短时记忆神经网络(LSTM)提取电压、电流和温度序列数据的特征向量，分别记为h_V∈R^N×m、h_I∈R^N×m和h_T∈R^N×m；

LSTM是特殊的循环神经网络(RNN)，由输入门、输出门、遗忘门和存储单元组成，能够解决长序列训练过程中的梯度消失和梯度爆炸问题，在长序列时间预测中有表现出更好的性能；

按照式(1)～(6)计算提取电压、电流和温度序列数据的特征，

g_t＝σ(W_f·[h_t-1,x_t])+b_g (1)

i_t＝σ(W_i·[h_t-1,x_t])+b_i (2)

o_t＝σ(W_o·[h_t-1,x_t])+b_o (5)

h_t＝o_t*tanh(S_t) (6)

其中，g_t是遗忘门，i_t是输入门，o_t是输出门，σ是激活函数；

W是权重矩阵，采用正态分布初始化，计算过程中不断更新；

b是偏置，初始化为0；

h_t为电压或电流或温度序列数据的特征；

提取电压序列数据特征时输入x_t∈X_V，提取电流序列数据特征时输入x_t∈X_I，提取温度序列数据特征时输入x_t∈X_T；

和S_t为运算过程中间值。

所述步骤S3中，采用一维卷积神经网络(1D CNN)提取声音信号的特征向量，记为h_S∈R^N×m。1D CNN由卷积层、池化层和全连接层组成，通过多个卷积核对输入数据进行卷积和池化操作以提取数据的潜在特征，具体按照式(9)～(11)计算提取声音信号特征，

y_i＝f(u_i*k+b_i) (9)

z_i(j)＝maxy_i(k),k∈D_j (10)

h_i＝W_iz_i+b_i (11)

其中，y_i表示第i个过滤器得到的特征表示，k表示卷积核，u表示输入，u∈X_S，*表示卷积操作，f(·)表示tanh激活函数，z_i(j)表示经过池化后的第i个过滤器的特征，D_j表示第j个池化区域，y_i(k)表示第i个过滤器的特征表示在池化核内的元素，W是权重矩阵，采用正态分布初始化，b是偏置，初始化为0，h_i为声音信号特征。

所述步骤S3中，采用残差网络ResNet50提取热成像的特征向量，记为h_P∈R^N×m。ResNet网络的出现证明网络能够向更深方向发展，其核心思想是重复叠加convolutionalblock和identify block。

所述步骤S4的具体过程为，先将特征向量h_V、h_I、h_T、h_S和h_P拼接成特征矩阵h∈R^{N ×5×m}；

将所述特征矩阵h∈R^N×5×m输入到全连接层，将其分别乘以可训练的权重矩阵W^Q、W^K和W^T，计算得到查询矩阵Q、键矩阵K和值矩阵V；初始阶段根据经验人为对权重矩阵W^Q、W^K和W^T赋值，在模型训练过程中，权重矩阵W^Q、W^K和W^T不断更新；

再根据注意力运算函数

计算得到注意力得分矩阵α＝[α₁,α₂,α₃,α₄,α₅]∈R^N×5×5，其中α₁、α₂、α₃、α₄和α₅分别是电压特征、电流特征、温度特征、声音信号特征、热成像特征的注意力分数，d是全连接层的隐藏维度，K^T是键矩阵K的转置矩阵；

引入注意力机制计算得到注意力权重特征矩阵H＝α·V；

最后，利用式(8)对每个特征加权求和完成特征融合，

H＝α₁·h₁+α₂·h₂+α₃·h₃+α₄·h₄+α₅·h₅ (8)

其中h是与α对应的特征向量。

步骤S5中，利用多层全连接网络作为分类器得到锂离子电池热失控状态。在模型训练过程中，将融合后的特征与相应的电池状态y在分类器中建立对应关系，利用Adam优化器不断训练模型，直到收敛。

所述步骤S6具体为，将步骤S2中的所述数据中80％作为训练集，剩下的20％作为测试集；

将所述训练集输入到所述热失控预测模型中进行训练，模型训练epoch为3000，学习率为8e-5，采用Adam优化器，得到训练完成的热失控预测模型，所有参数在模型训练过程中自动学习得到；

再输入所述测试集进行验证，得到预测结果，对比预测状态与实际电池状态，可知有四种预测结果：

实际为热失控状态，预测为热失控状态；

实际为热失控状态，预测为正常状态；

实际为正常状态，预测为热失控状态；

实际为正常状态，预测为正常状态；

统计各种预测结果的个数，利用准确率ACC为评判指标判断模型准确度，

其中，TP代表热失控状态预测为热失控个数，TN代表正常状态预测为正常状态个数，FP代表正常状态预测为热失控个数，FN代表热失控状态预测为正常状态个数；

得到的准确率ACC应大于80％，才认为模型训练达到要求，再进行后续测试。

在热失控过程中，由于锂离子电池会发出一些异常的声音和出现电池内局部发热，这些特征可能会比电压、电流和温度这些测量数据异常情况更早出现。所以，本发明首次提出声音和热成像也应该是数据驱动方法需要考虑的重要特征。序列数据、声音和热成像是不同的数据格式，因此，单一模型无法提取这些数据的特征从而实现锂离子电池热失控预测。

本发明基于序列数据、声音和热成像三种不同类型的特征，提出一种多模态多特征锂离子电池热失控预测模型构建方法，从不同的特征角度考虑电池热失控过程，使用不同深度学习模型挖掘数据的潜在特征，利用注意力机制计算特征间的权重，考虑了不同特征对分类结果的重要性，提高了热失控预测的准确性。

实施例二

如图2，一种锂离子电池热失控预测系统，包括数据采集模块100、数据传输模块200和热失控预测模块300；

所述数据采集模块100用于采集电池的电压、电流、温度、声音和热成像数据：例如，可以采用电流/电压信号采集器101获取电压和电流数据，采用温度传感器102采集温度数据，采用声音传感器103采集声音信号数据，采用热成像仪104采集热成像数据；

所述数据传输模块200用于将所述数据采集模块100采集的数据传输给所述热失控预测模块300；

所述热失控预测模块300包括存储器301、处理器302以及存储在存储器301上并可在处理器302上运行的数据处理机构，该数据处理机构可以是计算机程序，所述数据处理机构用于：

将数据传输模块200传输的数据输入热失控预测模型，所述热失控预测模型根据输入的所述数据，输出预测的电池热失控状态；

所述热失控预测模型根据实施例一所述方法构建并训练得到。

最后需要说明的是，上述描述仅仅为本发明的优选实施例，本领域的普通技术人员在本发明的启示下，在不违背本发明宗旨及权利要求的前提下，可以做出多种类似的表示，这样的变换均落入本发明的保护范围之内。

Claims (9)

1.一种构建锂离子电池热失控预测模型的方法，其特征在于包括采集热失控实验数据和利用该实验数据构建基于神经网络的热失控预测模型，该热失控预测模型包括特征提取器、特征融合器和分类器，所述方法具体包括以下步骤：

S1、热失控实验数据采集：对锂离子电池进行热失控实验，采集电池序列特征数据，以及声音信号和热成像数据；

所述电池序列特征数据包括温度数据、电压数据和电流数据；

S2、数据预处理：对步骤S1中采集的数据进行切片，生成历史数据；

电池状态记为y，设置温度阈值，超过该阈值代表发生热失控，y＝1，否则代表未发生热失控，y＝0；

S3、提取特征数据：将经过步骤S2预处理的数据作为输入，以锂离子电池热失控异常状态为标签，利用所述特征提取器提取数据特征；

S4、特征融合：利用所述特征融合器计算所有所述数据特征的注意力权重，进行特征融合；

S5、热失控状态判断：利用所述分类器得到锂离子电池热失控状态；

S6、模型训练：将步骤S2中的所述历史数据分为训练集和测试集，将所述训练集输入到所述热失控预测模型中进行训练，输入所述测试集进行验证，以准确率为评判指标判断模型准确度，从而更新热失控预测模型。

2.根据权利要求1所述的一种构建锂离子电池热失控预测模型的方法，其特征在于所述步骤S2中切片具体过程为：利用大小为T的滑动窗口对步骤S1采集的数据进行切片，生成历史电压数据X_V、电流数据X_I、温度数据X_T、声音数据X_S和热成像数据X_P。

3.根据权利要求2所述的一种构建锂离子电池热失控预测模型的方法，其特征在于：所述特征提取器包括长短时记忆神经网络(LSTM)、一维卷积神经网络(1D CNN)和残差网络ResNet50；

所述步骤S3中，采用长短时记忆神经网络(LSTM)提取电压、电流和温度序列数据的特征向量，分别记为h_V∈R^N×m、h_I∈R^N×m和h_T∈R^N×m；

采用一维卷积神经网络(1D CNN)提取声音信号的特征向量，记为h_S∈R^N×m；

采用残差网络ResNet50提取热成像的特征向量，记为h_P∈R^N×m。

4.根据权利要求3所述的一种构建锂离子电池热失控预测模型的方法，其特征在于：所述步骤S3中，按照式(1)～(6)计算提取电压、电流和温度序列数据的特征，

g_t＝σ(W_f·[h_t-1,x_t])+b_g (1)

i_t＝σ(W_i·[h_t-1,x_t])+b_i (2)

o_t＝σ(W_o·[h_t-1,x_t])+b_o (5)

h_t＝o_t*tanh(S_t) (6)

其中，g_t是遗忘门，i_t是输入门，o_t是输出门，σ是激活函数；

W是权重矩阵，采用正态分布初始化；

b是偏置，初始化为0；

h_t为电压或电流或温度序列数据的特征；

提取电压序列数据特征时输入x_t∈X_V，提取电流序列数据特征时输入x_t∈X_I，提取温度序列数据特征时输入x_t∈X_T；

和S_t为运算过程中间值。

5.根据权利要求3或4所述的一种构建锂离子电池热失控预测模型的方法，其特征在于：所述特征融合器用于特征向量的拼接、权重计算和融合；

所述步骤S4的具体过程为，先将特征向量h_V、h_I、h_T、h_S和h_P拼接成特征矩阵h∈R^N×5×m；

将所述特征矩阵h∈R^N×5×m输入到全连接层，将其分别乘以可训练的权重矩阵W^Q、W^K和W^T，计算得到查询矩阵Q、键矩阵K和值矩阵V；

再根据注意力运算函数

计算得到注意力得分矩阵α＝[α₁,α₂,α₃,α₄,α₅]∈R^N×5×5，其中α₁、α₂、α₃、α₄和α₅分别是电压特征、电流特征、温度特征、声音信号特征、热成像特征的注意力分数，d是全连接层的隐藏维度，K^T是键矩阵K的转置矩阵；

引入注意力机制计算得到注意力权重特征矩阵H＝α·V；

最后，利用式(8)对每个特征加权求和完成特征融合，

H＝α₁·h₁+α₂·h₂+α₃·h₃+α₄·h₄+α₅·h₅ (8)

其中h是与α对应的特征向量。

6.根据权利要求3所述的一种构建锂离子电池热失控预测模型的方法，其特征在于：所述步骤S3中，1D CNN由卷积层、池化层和全连接层组成，通过多个卷积核对输入数据进行卷积和池化操作以提取数据的潜在特征，具体按照式(9)～(11)计算提取声音信号特征，

y_i＝f(u_i*k+b_i) (9)

z_i(j)＝maxy_i(k),k∈D_j (10)

h_i＝W_iz_i+b_i (11)

其中，y_i表示第i个过滤器得到的特征表示，k表示卷积核，u表示输入，u∈X_S，*表示卷积操作，f(·)表示tanh激活函数，z_i(j)表示经过池化后的第i个过滤器的特征，D_j表示第j个池化区域，y_i(k)表示第i个过滤器的特征表示在池化核内的元素，W是权重矩阵，b是偏置，h_i为声音信号特征。

7.根据权利要求5所述的一种构建锂离子电池热失控预测模型的方法，其特征在于：所述步骤S5中，利用多层全连接网络作为分类器得到锂离子电池热失控状态。

8.根据权利要求5所述的一种构建锂离子电池热失控预测模型的方法，其特征在于：所述步骤S6具体为，将步骤S2中的所述数据中80％作为训练集，剩下的20％作为测试集；

将所述训练集输入到所述多模态模型中进行训练，模型训练epoch为3000，学习率为8e-5，采用Adam优化器，得到训练完成的热失控预测模型；

再输入所述测试集进行验证，得到预测结果，利用准确率ACC为评判指标判断模型准确度，

其中，TP代表热失控状态预测为热失控个数，TN代表正常状态预测为正常状态个数，FP代表正常状态预测为热失控个数，FN代表热失控状态预测为正常状态个数。

9.一种锂离子电池热失控预测系统，其特征在于：包括数据采集模块(100)、数据传输模块(200)和热失控预测模块(300)；

所述数据采集模块(100)用于采集电池的电压、电流、温度、声音和热成像数据；

所述数据传输模块(200)用于将所述数据采集模块(100)采集的数据传输给所述热失控预测模块(300)；

所述热失控预测模块(300)包括存储器(301)、处理器(302)以及存储在存储器(301)上并可在处理器(302)上运行的数据处理机构，所述数据处理机构用于：

将数据传输模块(200)传输的数据输入热失控预测模型，所述热失控预测模型根据输入的所述数据，输出预测的电池热失控状态；

所述热失控预测模型根据上述权利要求2～9任意一项所述方法构建并训练更新。

Images