CN114578251A - 基于卷积神经网络的电池模组安全状态评估方法及装置 - Google Patents
基于卷积神经网络的电池模组安全状态评估方法及装置 Download PDFInfo
- Publication number
- CN114578251A CN114578251A CN202210212963.2A CN202210212963A CN114578251A CN 114578251 A CN114578251 A CN 114578251A CN 202210212963 A CN202210212963 A CN 202210212963A CN 114578251 A CN114578251 A CN 114578251A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- battery
- state
- output
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 73
- 238000011156 evaluation Methods 0.000 title claims abstract description 28
- 230000036541 health Effects 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 12
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 11
- 229910052744 lithium Inorganic materials 0.000 claims description 11
- 230000007704 transition Effects 0.000 claims description 10
- 230000007423 decrease Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 230000015556 catabolic process Effects 0.000 claims description 7
- 238000006731 degradation reaction Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 239000007784 solid electrolyte Substances 0.000 claims description 3
- 238000004146 energy storage Methods 0.000 abstract description 21
- 238000012544 monitoring process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 5
- 229910001416 lithium ion Inorganic materials 0.000 description 5
- 238000007600 charging Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000007599 discharging Methods 0.000 description 3
- 238000012983 electrochemical energy storage Methods 0.000 description 3
- 206010000369 Accident Diseases 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000010277 constant-current charging Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 229910000625 lithium cobalt oxide Inorganic materials 0.000 description 2
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 2
- BFZPBUKRYWOWDV-UHFFFAOYSA-N lithium;oxido(oxo)cobalt Chemical compound [Li+].[O-][Co]=O BFZPBUKRYWOWDV-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010280 constant potential charging Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000001351 cycling effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
Abstract
本发明公开了基于卷积神经网络的电池模组安全状态评估方法及装置,所述方法包括:提取不同衰退状态下和不同工作状态下电池单元的输出电压、输出电流和中心位置处表面温度,组成三参数协同评估数据库,将数据库中样本分为训练集和测试集;将训练集输入卷积神经网络;将测试集输入卷积神经网络,若输出精度未达到要求,则返回上述步骤,直到输出结果精度达到要求;将实时采集的电池模组数据输入到最终的卷积神经网络模型中,得到电池单元的安全状态信息和健康状态信息;本发明的优点在于:同时评估电池单元的安全状态和健康状态,识别即将发生热失控或者正在发生热失控的电池单元,从而及时发现储能电池模组的整体风险。
Description
技术领域
本发明涉及储能电池模组安全预警领域,更具体涉及基于卷积神经网络的电池模组安全状态评估方法及装置。
背景技术
在能源短缺和生态环境恶化的双重压力下,以锂离子电池为主要存储介质的电化学储能系统发展迅速。然而,作为电化学储能系统核心部件的锂电池由于其较高的能量密度和易燃易爆的材料体系,在热、电、机械损伤等滥用条件下极易发生热失控。储能系统内锂电池数量多、装机容量大和散热条件不佳,一旦单个电池发生热失控将会引起整个电池模组发生连锁热失控,进而导致模组乃至整个储能系统发生火灾。
锂电池热失控引发火灾已成为制约储能产业发展的主要痛点和技术瓶颈。从目前已发生的电化学储能电站热失控火灾事故来看,多数是系统投入运行之后发生的。当储能系统运行一段时间后,储能系统电池单元性能逐渐衰退,极易发生热失控而导致热量在电池箱内的蔓延与传播,使得储能系统的安全风险逐渐提高。
实时在线监测电池模组内电池单元的健康状态和安全状态,能够及时消除并隔离正在发生或者即将发生热失控的电池单元,对储能电池模组的高效安全运行具有重要的意义。但目前已有的电池模组锂电池单元的安全状态监测主要存在以下不足:
(1)现有的技术手段主要依靠电池单元的表面温度是否达到热失控阈值来判定电池单元是否发生了热失控,这种单因素的判定方式准确性低,报错率较高,难以满足大规模储能电池模组工程应用的实际需要;
(2)电池模组内的电池单元个体差异性较大,且电池单元随着使用时间的增加,其衰退状态也不断加深。衰退的电池单元敏感性增加,在外激励源(过充、过热和机械撞击)的刺激下,极易发生热失控。且热失控温度阈值也会随着电池单元的衰退而发生变化。恒定温度阈值的安全判定方式不符合热失控温度阈值随运行时间不断变化的实际,将导致电池单元安全状态判定的误差率增高。
(3)现有电池模组内电池单元实时在线的监测手段或技术仅能监测电池单元的安全状态,目前还无法实时在线评估电池单元的健康状态或者衰退状态。电池单元的衰退状态直接关联到电池热失控状态,实时在线监测电池单元的健康状态十分有必要。
此外,随着计算机信息学科的迅速发展,以卷积神经网络(Convolutional NeuralNetwork,CNN)为代表的深度学习得到了蓬勃发展。卷积神经网络模型由于预测精度高、迭代速度快和收敛性好等突出优点,在缺陷检测、故障分类和计算机视觉等海量数据处理方面得到了广泛的应用。储能系统由多个电池模组构成,而电池模组又由成千上万个电池单元按照一定的排列方式组装而成。所有电池单元的输出电压、输出电流、电池中心表面温度和电池的衰退信息等参数组成的特征参数集数据量巨大。面对海量的数据库,电池单元安全状态预测模型要能够准确快速的识别即将发生热失控或者正在发生热失控的电池单元,以便及时地采取电池热失控防护措施。
中国专利公开号CN112684346A,公开了一种基于遗传卷积神经网络的锂电池健康状态估计方法,具体为:针对不同类型锂电池在恒流条件下进行充放电,直到电池寿命终止结束记录,形成锂电池恒流充电电压曲线;在电池每一次充电后,确定该电池的当前容量,作为CNN模型的真实值;对记录的电压曲线使用特征点来表征一条电压曲线,并作为CNN模型的输入数据;初始化网络结构及各参数;将处理过的训练集数据进行分组,对每个CNN网络进行训练;将处理过的测试集数据输入到一组CNN网络结构中,选择真实值和预测值之间均方误差最小的网络结构作为最终的预测模型。但是该专利申请只能对电池健康状态估计,不能识别即将发生热失控或者正在发生热失控的电池单元,从而无法及时发现储能电池模组的整体风险。
发明内容
本发明所要解决的技术问题在于现有技术不能同时评估电池单元的安全状态和健康状态,不能识别即将发生热失控或者正在发生热失控的电池单元,从而无法及时发现储能电池模组的整体风险。
本发明通过以下技术手段实现解决上述技术问题的:基于卷积神经网络的电池模组安全状态评估方法,所述方法包括:
步骤一:提取不同衰退状态下和不同工作状态下电池单元的输出电压、输出电流和中心位置处表面温度,组成三参数协同评估数据库,将数据库中样本分为训练集和测试集;
步骤二:将训练集输入卷积神经网络,进行模型训练直到模型收敛;
步骤三:将测试集输入卷积神经网络,若输出精度未达到要求,则返回步骤二,直到输出结果精度达到要求,获得最终的卷积神经网络模型;
步骤四:将实时采集的电池模组中电池单元的输出电压、输出电流和中心位置处表面温度输入到最终的卷积神经网络模型中,得到电池单元的安全状态信息和健康状态信息。
本发明通过获取不同衰退状态电池单元的输出电压、输出电流和电池单元中心表面温度三个因素,构成一个多参数协同评估数据库。通过多参数协同评估数据库训练本发明提出的卷积神经网络模型。收敛的模型可根据电池模组中电池单元的输出电压、输出电流和电池单元的中心表面温度数据三个实时监测数据来评估电池单元的安全状态和健康状态,从而实现储能电池模组的实时在线安全预警和实时在线健康状态的评估,能同时评估电池单元的安全状态和健康状态,识别即将发生热失控或者正在发生热失控的电池单元,从而及时发现储能电池模组的整体风险,以便及时地采取电池热失控防护措施。
进一步地,所述步骤一包括:
提取六组不同衰退状态的新旧电池在三种工作状态下的输出电压Ui、输出电流Ii和电池单元的中心表面温度数据Ti特征参数并作为卷积神经网络的输入,电池健康状态和工作状态作为卷积神经网络的输出,下标i表示上述三个特征物理量在第i时刻的数值;六组不同衰退状态包括100%SOH、85%SOH、70%SOH、55%SOH、40%SOH和25%SOH,三种工作状态包括正常工作、热失控过渡状态和热失控状态;
每组衰退状态的电池在三种工作状态下各采集100组不同时刻下的电池单元的输出电压、输出电流和电池单元内部温度,共9000个数据集,组成三参数协同评估数据库,整个数据库中的数据按照4:1的比例分别划分为训练集和测试集。
更进一步地,根据固体电解质膜SEI的分解温度100~130℃以及锂电池在300℃时出现剧烈温度上升,将电池中心壁面温度在100℃以下及此时的输出电压和输出电流值范围下的工作状态设定为正常工作状态;电池中心温度在100~300℃及此状态下输出电压和输出电流范围下的状态设定为热失控过渡状态;电池中心温度在300℃以上及此状态下输出电压和输出电流范围下的状态设定为热失控状态。
进一步地,所述步骤二之前还包括:
对输出电压Ui、输出电流Ii和电池单元的中心表面温度数据Ti 这三个特征参数分别进行标准正态化处理,公式如下:
式中,μU、μI和μT分别表示电池单元输出电压、输出电流和电池单元中心表面温度的样本均值;σU、σI和σT分别表示电池单元输出电压、输出电流和电池单元中心表面温度的样本标准方差。
进一步地,所述卷积神经网络包括一层输入层、三层卷积层、三层采样层、两层全连接层、一层Softmax分类层和一层输出层,设模型输入矩阵为p=X(i,j),X(i,j)是输入矩阵第i行第j列的特征参数数值,输入矩阵的大小为I×J,卷积核为K(x,y),大小为a×b;C(i,j)为输入矩阵p与卷积核K经过卷积运算后得到的结果,即:
测试集从输入层输入,卷积层逐层提取输入参数特征信息,采样层对特征进行子抽样运算;输出的运算特征与输出层一对一连接构成全连接层,输出层激活函数选Sigmoid函数,其余层选ReLU激活函数;在全连接层处连接Softmax回归分类器作为Softmax分类层来进行电池安全状态和健康状态的分类与预警。
更进一步地,所述Sigmoid函数和ReLU激活函数分别为:
Relu(x)=max(x,0)。
进一步地,所述步骤二包括:
根据卷积神经网络输出结果中的交叉熵损失大小来评估当前卷积神经网络的优劣,若交叉熵损失不满足精度要求,则利用卷积神经网络的反向传播算法不断更新网络权重,使交叉熵损失逐渐趋向于零,反复迭代,增加迭代次数直至卷积神经网络收敛为止。
进一步地,所述步骤三包括:
收敛后的卷积神经网络模型再通过测试集来进行验证,若不满足精度要求,返回步骤二,再次优化网络权重,确定最优的数值,获得最终的卷积神经网络模型。
进一步地,所述电池模组包括磷酸铁锂电池模组、三元锂离子电池模组和钴酸锂电池。
进一步地,所述电池模组中电池单元的形状包括长方体型、圆柱型和钮扣型。
本发明还提供基于卷积神经网络的电池模组安全状态评估装置,包括顺序连接的数据采集模块、数据处理模块及显示模块,
数据采集模块,用于采集电池单元的输出电压信号、输出电流信号和中心壁面处温度信号,并将采集结果发送给数据处理模块;
数据处理模块,用于接收数据采集模块的数据,并执行上述任一项所述的方法;
显示模块,用于将数据处理模块的处理和分类结果显示在计算机前端。
进一步地,所述数据采集模块包括贴片热敏电阻和BMS电池管理系统,所述贴片热敏电阻附着于电池模组的电池单元的中心壁面处,用来测量电池模组中电池单元中心壁面处温度,所述BMS电池管理系统实时监测电池模组中电池单元的输出电压和输出电流。
本发明的优点在于:
(1)本发明通过获取不同衰退状态电池单元的输出电压、输出电流和电池单元中心表面温度三个因素,构成一个多参数协同评估数据库。通过多参数协同评估数据库训练本发明提出的卷积神经网络模型。收敛的模型可根据电池模组中电池单元的输出电压、输出电流和电池单元的中心表面温度数据三个实时监测数据来评估电池单元的安全状态和健康状态,从而实现储能电池模组的实时在线安全预警和实时在线健康状态的评估,能同时评估电池单元的安全状态和健康状态,识别即将发生热失控或者正在发生热失控的电池单元,从而及时发现储能电池模组的整体风险,以便及时地采取电池热失控防护措施。
(2)本发明多参数协同评估电池模组中电池单元的安全状态,准确性高,误判率低。
(3)本发明解决了电池单元在使用过程中无法实时在线监测其健康状态或衰退状态的问题。
附图说明
图1为本发明实施例所公开的基于卷积神经网络的电池模组安全状态评估方法的流程图;
图2为本发明实施例所公开的基于卷积神经网络的电池模组安全状态评估方法中卷积神经网络的框架示意图;
图3为本发明实施例所公开的基于卷积神经网络的电池模组安全状态评估方法中电池模组柜结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
如图1所示,基于卷积神经网络的电池模组安全状态评估方法,所述方法包括:
S1:提取不同衰退状态下和不同工作状态下电池单元的输出电压、输出电流和中心位置处表面温度,组成三参数协同评估数据库,将数据库中样本分为训练集和测试集;具体过程为:
电池单元的健康状态SOH等于当前电池循环使用后的电量与电池单元循环前的电池容量。对多组锂离子电池,通过标准充电或放电倍率以恒流恒压充电或恒流放电的方式在放电截止电压和充电截止电压之间循环多次,直至获取不同健康状态下(100%SOH、85%SOH、70%SOH、55%SOH、40%SOH、25%SOH)的锂离子电池单元。
基于电池中心壁面处温度Ts的相对大小,电池单元的工作状态划分为正常状态:Ts≤100,热失控过渡状态:100<Ts≤300,热失控状态:Ts>300。本研究依次采集不同衰退状态下单个电池单元在正常状态、热失控过渡状态和热失控状态下的输出电压、输出电流和电池单元中心壁面处温度。电池模组中电池性能差异较大,在充电过程中易导致电池单元发生过充现象,因此预实验数据采集过程中选择过充触发方式来收集电池在热失控过渡和热失控阶段的特征状态参数;每组电池单元在正常、热失控过渡和热失控状态下依次采集100组数据组(0:正常工作状态;1:热失控过渡状态;2:电池热失控状态),每个数据组包含电池单元的输出电压、输出电流和电池中心壁面处温度三个特征数据;每种衰退状态下的锂电池单元重复实验5次,共采集500组数据;六组不同衰退状态的新旧电池在三种工作状态下共9000组数据。
因电池单元的输出电压、输出电流和电池中心表面处温度三者的单位不同,数据大小不一,为防止数据丢失特征信息,采集到的电池输出电压、输出电流和电池中心壁面温度依次进行标准正态预处理;采集的9000组数据作为三参数协同评估数据库,按照4:1的比例分为训练集和测试集,即7200组训练集,1800组训练集。
其中,电池单元的健康状态SOH等于当前电池循环使用后的电量与电池单元循环前的电池容量,因此利用公式获取电池单元的健康状态,Qcurr表示当前电池单元循环后的电量,Qini表示初始电池单元的电量。电池电量的确定是通过标准充电或放电倍率以恒流恒压充电或恒流放电的方式在放电截止电压和充电截止电压之间循环两次,以第二次电池的放电容量作为电池的容量。该公式将当前容量与初始容量的比值作为电池健康状态的评估,更具有代表性和针对性。
电池三种工作状态的划分依据:根据固体电解质膜SEI的分解温度100~130℃以及锂电池在300℃时出现剧烈温度上升,将电池中心壁面温度在100℃以下及此时的输出电压和输出电流值范围下的工作状态设定为正常工作状态;电池中心温度在100~300℃及此状态下输出电压和输出电流范围下的状态设定为热失控过渡状态;电池中心温度在300℃以上及此状态下输出电压和输出电流范围下的状态设定为热失控状态。
电池单元的输出电压Ui、输出电流Ii和电池单元的中心表面温度数据Ti三个特征参数的单位不一致,它们的数量级不在同一量纲,将会导致卷积神经网络遗漏一些相对较小的数据。为规避这种误差,提高储能电池模组安全状态监测的准确率,数据集在输入卷积神经网络前,先进行标准正态化处理,即对输出电压Ui、输出电流Ii和电池单元的中心表面温度数据Ti 这三个特征参数分别进行标准正态化处理,公式如下:
式中,μU、μI和μT分别表示电池单元输出电压、输出电流和电池单元中心表面温度的样本均值;σU、σI和σT分别表示电池单元输出电压、输出电流和电池单元中心表面温度的样本标准方差。该标准正态化公式,能够将三类不同样本输入数据(电压数据,电流数据和温度数据)统一起来,减少了单位不同引起的数据相对较大导致预测模型的不稳定和收敛性差。
S2:将训练集输入卷积神经网络,进行模型训练直到模型收敛;具体过程为:
如图2所示,所述卷积神经网络包括一层输入层、三层卷积层、三层采样层、两层全连接层、一层Softmax分类层和一层输出层,设模型输入矩阵为p=X(i,j),X(i,j)是输入矩阵第i行第j列的特征参数数值,输入矩阵的大小为I×J,卷积核为K(x,y),大小为a×b;C(i,j)为输入矩阵p与卷积核K经过卷积运算后得到的结果,即:
测试集从输入层输入,卷积层逐层提取输入参数特征信息,采样层对特征进行子抽样运算;输出的运算特征与输出层一对一连接构成全连接层,输出层激活函数选Sigmoid函数,其余层选ReLU激活函数;在全连接层处连接Softmax回归分类器作为Softmax分类层来进行电池安全状态和健康状态的分类与预警。X(i,j)表示模型的输入矩阵大小,也就是本发明中电压、电流、温度数据组成的三维矩阵。
所述Sigmoid函数和ReLU激活函数分别为:
Relu(x)=max(x,0)。
Sigmoid和ReLU激活函数是CNN模型激活层两类激活函数,主要作用是增加神经网络模型的非线性,不加激活函数的激活层,整个神经网络就可看成一个线性方程组,就失去了神经网络预测模型的意义。其中,x表示输入矩阵,即本发明的输入参数(电压、电流、温度)。
根据卷积神经网络输出结果中的交叉熵损失大小来评估当前卷积神经网络的优劣,若交叉熵损失不满足精度要求,则利用卷积神经网络的反向传播算法不断更新网络权重,使交叉熵损失逐渐趋向于零,反复迭代,增加迭代次数直至卷积神经网络收敛为止。
S3:将测试集输入卷积神经网络,若输出精度未达到要求,则返回S2,直到输出结果精度达到要求,获得最终的卷积神经网络模型;具体的:
收敛后的卷积神经网络模型再通过测试集来进行验证,若不满足精度要求,返回步骤二,再次优化网络权重,确定最优的数值,获得最终的卷积神经网络模型。
S4:将实时采集的电池模组中电池单元的输出电压、输出电流和中心位置处表面温度输入到最终的卷积神经网络模型中,得到电池单元的安全状态信息和健康状态信息。
本发明实施例中,所述电池模组包括磷酸铁锂电池模组、三元锂离子电池模组和钴酸锂电池。所述电池模组中电池单元的形状包括长方体型、圆柱型和钮扣型。
通过以上技术方案,本发明通过获取不同衰退状态电池单元的输出电压、输出电流和电池单元中心表面温度三个因素,构成一个多参数协同评估数据库。通过多参数协同评估数据库训练本发明提出的卷积神经网络模型。收敛的模型可根据电池模组中电池单元的输出电压、输出电流和电池单元的中心表面温度数据三个实时监测数据来评估电池单元的安全状态和健康状态,从而实现储能电池模组的实时在线安全预警和实时在线健康状态的评估,能同时评估电池单元的安全状态和健康状态,识别即将发生热失控或者正在发生热失控的电池单元,从而及时发现储能电池模组的整体风险,以便及时地采取电池热失控防护措施。
实施例2
本发明还提供基于卷积神经网络的电池模组安全状态评估装置,包括顺序连接的数据采集模块、数据处理模块及显示模块,
数据采集模块,用于采集电池单元的输出电压信号、输出电流信号和中心壁面处温度信号,并将采集结果发送给数据处理模块;
数据处理模块,用于接收数据采集模块的数据,并执行上述任一项所述的方法;
显示模块,用于将数据处理模块的处理和分类结果显示在计算机前端。
具体的,所述数据采集模块包括贴片热敏电阻和BMS电池管理系统,所述贴片热敏电阻附着于电池模组的电池单元的中心壁面处,用来测量电池模组中电池单元中心壁面处温度,所述BMS电池管理系统实时监测电池模组中电池单元的输出电压和输出电流。
如图3所示,为电池模组柜结构示意图,其中,1为电池柜体,2为电池单元,3为复合板材,4为贴片热敏电阻,5为电压信号采集模块,6为电流信号处理模块,7为温度信号采集模块,8为储能模组数据处理模块及显示模块,电压信号采集模块、电流信号处理模块及温度信号采集模块组成数据采集模块,电压信号采集模块、电流信号处理模块在本实施例中为BMS电池管理系统也可以采用其他仪器仪表,例如电流互感器、电压互感器,温度信号采集模块主要是整合整个电池模组上的贴片热敏电阻的数据。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.基于卷积神经网络的电池模组安全状态评估方法,其特征在于,所述方法包括:
步骤一:提取不同衰退状态下和不同工作状态下电池单元的输出电压、输出电流和中心位置处表面温度,组成三参数协同评估数据库,将数据库中样本分为训练集和测试集;
步骤二:将训练集输入卷积神经网络,进行模型训练直到模型收敛;
步骤三:将测试集输入卷积神经网络,若输出精度未达到要求,则返回步骤二,直到输出结果精度达到要求,获得最终的卷积神经网络模型;
步骤四:将实时采集的电池模组中电池单元的输出电压、输出电流和中心位置处表面温度输入到最终的卷积神经网络模型中,得到电池单元的安全状态信息和健康状态信息。
2.根据权利要求1所述的基于卷积神经网络的电池模组安全状态评估方法,其特征在于,所述步骤一包括:
提取六组不同衰退状态的新旧电池在三种工作状态下的输出电压Ui、输出电流Ii和电池单元的中心表面温度数据Ti特征参数并作为卷积神经网络的输入,电池健康状态和工作状态作为卷积神经网络的输出,下标i表示上述三个特征物理量在第i时刻的数值;六组不同衰退状态包括100%SOH、85%SOH、70%SOH、55%SOH、40%SOH和25%SOH,三种工作状态包括正常工作、热失控过渡状态和热失控状态;
每组衰退状态的电池在三种工作状态下各采集100组不同时刻下的电池单元的输出电压、输出电流和电池单元内部温度,共9000个数据集,组成三参数协同评估数据库,整个数据库中的数据按照4:1的比例分别划分为训练集和测试集。
4.根据权利要求2所述的基于卷积神经网络的电池模组安全状态评估方法,其特征在于,根据固体电解质膜SEI的分解温度100~130℃以及锂电池在300℃时出现剧烈温度上升,将电池中心壁面温度在100℃以下及此时的输出电压和输出电流值范围下的工作状态设定为正常工作状态;电池中心温度在100~300℃及此状态下输出电压和输出电流范围下的状态设定为热失控过渡状态;电池中心温度在300℃以上及此状态下输出电压和输出电流范围下的状态设定为热失控状态。
6.根据权利要求1所述的基于卷积神经网络的电池模组安全状态评估方法,其特征在于,所述卷积神经网络包括一层输入层、三层卷积层、三层采样层、两层全连接层、一层Softmax分类层和一层输出层,设模型输入矩阵为p=X(i,j),X(i,j)是输入矩阵第i行第j列的特征参数数值,输入矩阵的大小为I×J,卷积核为K(x,y),大小为a×b;C(i,j)为输入矩阵p与卷积核K经过卷积运算后得到的结果,即:
测试集从输入层输入,卷积层逐层提取输入参数特征信息,采样层对特征进行子抽样运算;输出的运算特征与输出层一对一连接构成全连接层,输出层激活函数选Sigmoid函数,其余层选ReLU激活函数;在全连接层处连接Softmax回归分类器作为Softmax分类层来进行电池安全状态和健康状态的分类与预警。
8.根据权利要求1所述的基于卷积神经网络的电池模组安全状态评估方法,其特征在于,所述步骤二包括:
根据卷积神经网络输出结果中的交叉熵损失大小来评估当前卷积神经网络的优劣,若交叉熵损失不满足精度要求,则利用卷积神经网络的反向传播算法不断更新网络权重,使交叉熵损失逐渐趋向于零,反复迭代,增加迭代次数直至卷积神经网络收敛为止。
9.根据权利要求1所述的基于卷积神经网络的电池模组安全状态评估方法,其特征在于,所述步骤三包括:
收敛后的卷积神经网络模型再通过测试集来进行验证,若不满足精度要求,返回步骤二,再次优化网络权重,确定最优的数值,获得最终的卷积神经网络模型。
10.基于卷积神经网络的电池模组安全状态评估装置,其特征在于,包括顺序连接的数据采集模块、数据处理模块及显示模块,
数据采集模块,用于采集电池单元的输出电压信号、输出电流信号和中心壁面处温度信号,并将采集结果发送给数据处理模块;
数据处理模块,用于接收数据采集模块的数据,并执行权利要求1-9任一项所述的方法;
显示模块,用于将数据处理模块的处理和分类结果显示在计算机前端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210212963.2A CN114578251A (zh) | 2022-03-04 | 2022-03-04 | 基于卷积神经网络的电池模组安全状态评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210212963.2A CN114578251A (zh) | 2022-03-04 | 2022-03-04 | 基于卷积神经网络的电池模组安全状态评估方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114578251A true CN114578251A (zh) | 2022-06-03 |
Family
ID=81773270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210212963.2A Pending CN114578251A (zh) | 2022-03-04 | 2022-03-04 | 基于卷积神经网络的电池模组安全状态评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114578251A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115616415A (zh) * | 2022-12-06 | 2023-01-17 | 北京志翔科技股份有限公司 | 电池组状态的评估方法、装置、设备及存储介质 |
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 |
-
2022
- 2022-03-04 CN CN202210212963.2A patent/CN114578251A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115616415A (zh) * | 2022-12-06 | 2023-01-17 | 北京志翔科技股份有限公司 | 电池组状态的评估方法、装置、设备及存储介质 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lai et al. | Mechanism, modeling, detection, and prevention of the internal short circuit in lithium-ion batteries: Recent advances and perspectives | |
CN111584952B (zh) | 用于储能电站电化学电池在线评估的方法和系统 | |
Tian et al. | Consistency evaluation and cluster analysis for lithium-ion battery pack in electric vehicles | |
Wu et al. | A new fault diagnosis and prognosis technology for high-power lithium-ion battery | |
CN112632850B (zh) | 一种锂电池组中异常电池的检测方法及系统 | |
CN109375116B (zh) | 一种基于自编码器的电池系统异常电池识别方法 | |
CN111832221B (zh) | 基于特征筛选的锂电池寿命预测方法 | |
CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及系统 | |
CN116502112A (zh) | 一种新能源电源测试数据管理方法及系统 | |
CN116401585B (zh) | 一种基于大数据的储能电池失效风险评估方法 | |
Garg et al. | Aging model development based on multidisciplinary parameters for lithium‐ion batteries | |
Tian et al. | Data‐driven battery degradation prediction: Forecasting voltage‐capacity curves using one‐cycle data | |
Li et al. | Lithium-ion battery management system for electric vehicles | |
Li et al. | Safety modeling and protection for lithium-ion batteries based on artificial neural networks method under mechanical abuse | |
Xu et al. | Safety warning analysis for power battery packs in electric vehicles with running data | |
Lazreg et al. | Lithium-ion battery pack modeling using accurate OCV model: Application for SoC and SoH estimation | |
CN114578251A (zh) | 基于卷积神经网络的电池模组安全状态评估方法及装置 | |
Zhu et al. | A novel fast estimation and regroup method of retired lithium‐ion battery cells | |
Fan et al. | A novel method of quantitative internal short circuit diagnosis based on charging electric quantity in fixed voltage window | |
Qiao et al. | Quantitative Diagnosis of Internal Short Circuit for Lithium-Ion Batteries Using Relaxation Voltage | |
Lin et al. | Research on Inconsistency Identification of Lithium-ion Battery Pack Based on Operational Data | |
Wei et al. | Two-phase early prediction method for remaining useful life of lithium-ion batteries based on a neural network and Gaussian process regression | |
CN115825755B (zh) | 一种储能电池电芯电压一致性评估方法 | |
Sun et al. | Internal short circuit fault diagnosis for the lithium-ion batteries with unknown parameters based on transfer learning optimized residual network by multi-label data processing | |
Zhou et al. | Research on lithium battery sorting method based on image adaptive recognition of feature points |
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 |