CN116315189B - 一种基于数据融合的电池包热失控预测方法和系统 - Google Patents
一种基于数据融合的电池包热失控预测方法和系统 Download PDFInfo
- Publication number
- CN116315189B CN116315189B CN202310594542.5A CN202310594542A CN116315189B CN 116315189 B CN116315189 B CN 116315189B CN 202310594542 A CN202310594542 A CN 202310594542A CN 116315189 B CN116315189 B CN 116315189B
- Authority
- CN
- China
- Prior art keywords
- data
- temperature
- battery
- value
- battery pack
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000004927 fusion Effects 0.000 title claims abstract description 30
- 238000005457 optimization Methods 0.000 claims abstract description 35
- 238000001914 filtration Methods 0.000 claims abstract description 32
- 230000000739 chaotic effect Effects 0.000 claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000005070 sampling Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 239000000178 monomer Substances 0.000 claims description 7
- 238000012549 training Methods 0.000 description 10
- 238000005259 measurement Methods 0.000 description 7
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 6
- 229910052744 lithium Inorganic materials 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000000265 homogenisation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/4207—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells for several batteries or cells simultaneously or sequentially
-
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/4285—Testing apparatus
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M2200/00—Safety devices for primary or secondary batteries
-
- 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)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供一种基于数据融合的电池包热失控预测方法和系统,获取电池包的第一特征数据,处理得到第二特征数据,使用热失控预测模型以第二特征数据作为输入并输出热失控预测数据,第一特征数据包括电池包处于的环境温度值、由电池包内每个电池单体的电压值组成的电压数据以及由每个电池单体的温度检测值组成的温度数据,处理包括采用混沌置乱算法对温度数据进行顺序置乱,使用卡尔曼滤波算法对顺序置乱后的温度数据进行融合得到温度优化数据,第二特征数据包括环境温度值、电压数据和温度优化数据。提高热失控预测的准确性和可靠性。
Description
技术领域
本发明涉及电池安全技术领域,尤其涉及一种基于数据融合的电池包热失控预测方法和系统。
背景技术
锂电池在储能、寿命、环保等方面具有绝对的优势。作为新能源领域的重要组成部分,锂电产业发展迅速,已成为制造领域新的投资焦点。随着全球新能源产业的发展,电动汽车逐渐成为锂电池的大需求产业,而船舶也在向着新能源电动船的方向发展。需求的提高也会带来各种各样的问题,锂电池冒烟起火等安全事故时有发生,因此锂电池的热失控问题成为人们研究的焦点。
BMS(Battery Management System,电池管理系统)是新能源船舶动力系统的重要组成部分,是连接动力电池和电动船舶的重要纽带。BMS实时采集、处理动力电池在运行过程中的电压、电流、温度等重要信息,并与外部设备进行通讯,保障电动船舶在运行中的安全。因此在BMS的基础上去提前预判锂电池的热失控情况,可以保障人身安全,避免财产损失。
如何尽可能准确可靠的预测电池的热失控问题成为一个热门话题。
发明内容
本发明为了解决上述问题,提出了一种基于数据融合的电池包热失控预测方法和系统。
一种基于数据融合的电池包热失控预测方法,包括:步骤A1,获取电池包的第一特征数据,第一特征数据包括电池包处于的环境温度值、由电池包内每个电池单体的电压值组成的电压数据以及由每个电池单体的温度检测值组成的温度数据;步骤A2,对第一特征数据进行处理得到电池包的第二特征数据;步骤A3,使用预先训练好的热失控预测模型以第二特征数据作为输入对电池包的热失控进行预测,并输出预测数据;步骤A4,当根据预测数据得到电池包将会发生热失控的判断结果时,产生报警信息;其中,在步骤A2中,对第一特征数据的处理包括:步骤B1,采用混沌置乱算法对温度数据进行顺序置乱,使用卡尔曼滤波算法对顺序置乱后的温度数据进行融合得到温度优化数据,温度优化数据包括每个电池单体的温度优化值;其中,第二特征数据包括环境温度值、电压数据和温度优化数据。
进一步的,第一特征数据还包括电池包的电流数据;在步骤A2中,对第一特征数据的处理包括:步骤C1,根据电流数据计算得到电池包的剩余电量,将剩余电量均化到每个电池单体得到剩余电量数据,剩余电量数据包括每个电池单体的平均剩余电量;第二特征数据还包括剩余电量数据。
进一步的,第一特征数据还包括电池包的充放电倍率,第二特征数据还包括电池包的充放电倍率。
进一步的,预测数据包括每个电池单体的温度预测值;在步骤A4中,当存在有温度预测值超出温度阈值时,得到电池包将会发生热失控的判断结果。
进一步的,预测数据包括每个电池单体的电压预测值;在步骤A4中,当存在有电压预测值超出电压阈值时,得到电池包将会发生热失控的判断结果。
进一步的,预测数据包括每个电池单体的温度预测值;在步骤A4中,根据温度预测值计算对应的电池单体的温升速率,当存在有温升速率超出预设速率时,得到电池包将会发生热失控的判断结果。
进一步的,在每次执行步骤A1-A4之后还包括:步骤A5,对连续使用热失控预测模型进行电池包热失控预测的预测次数累加一次,并记录此次向热失控预测模型输入的第二特征数据;步骤A6,当步骤A5中的预测次数达到预设次数时,使用步骤A5中记录的第二特征数据对热失控预测模型进行更新;则在后续的步骤A3中,使用更新后的热失控预测模型对电池包的热失控进行预测。
一种基于数据融合的电池包热失控预测系统,执行前述的一种基于数据融合的电池包热失控预测方法,包括:特征获取模块,用于获取电池包的第一特征数据;特征处理模块,连接特征获取模块,用于对第一特征数据进行处理得到电池包的第二特征数据;预测模块,连接特征处理模块,用于使用预先训练好的热失控预测模型以第二特征数据作为输入对电池包的热失控进行预测,并输出预测数据;报警模块,连接预测模块,用于当根据预测数据得到电池包将会发生热失控时的判断结果时,产生报警信息;其中,特征获取模块包括:第一温度采样单元,用于采集电池包处于的环境温度值;电压采样单元,设置在每个电池单体上,用于采集对应的电池单体的电压值;第二温度采集单元,设置于每个电池单体上,用于获取对应的电池单体的温度检测值;第一特征数据包括环境温度值、由每个电池单体的电压值组成的电压数据以及由每个电池单体的温度检测值组成的温度数据;其中,特征处理模块包括:温度优化单元,用于采用混沌置乱算法对温度数据进行顺序置乱,使用卡尔曼滤波算法对顺序置乱后的温度数据进行融合得到温度优化数据,温度优化数据包括每个电池单体的温度优化值;其中,第二特征数据包括环境温度值、电压数据和温度优化数据。
进一步的,特征获取模块还包括:电流采样单元,用于采集电池包的电流数据;特征处理模块还包括:电量均化单元,用于根据电流数据计算得到电池包的剩余电量,将剩余电量均化到每个电池单体得到剩余电量数据,剩余电量数据包括每个电池单体的平均剩余电量;第二特征数据还包括剩余电量数据。
进一步的,第一特征数据还包括电池包的充放电倍率,第二特征数据还包括电池包的充放电倍率。
本发明的有益技术效果在于:电池单体由两个温度传感器相结合组成双路温度检测方式,在其中一种损坏的情况下,可以通过两组温度值的对比及时发现问题;NTC和PTC热敏电阻测量的温度值都有误差,通过卡尔曼滤波算法进行优化,可以减少误差,逼近真实值,保证测量值的准确性,在卡尔曼滤波之前,使用混沌置乱算法打乱温度数据,减少数据顺序对卡尔曼滤波算法的影响,使得卡尔曼滤波结果达到最优估计值,为热失控预测模型提供更优的输入数据,提高模型预测的准确性和可靠性。
附图说明
图1为本发明一种基于数据融合的电池包热失控预测方法总流程图;
图2为本发明第一特征数据处理流程图;
图3为本发明第一特征数据进一步处理流程图;
图4为本发明热失控预测模型训练流程图;
图5为本发明热失控预测模型更新流程图;
图6为本发明一种基于数据融合的电池包热失控预测系统的模块示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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的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。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合附图和具体实施例对本发明作进一步说明,但不作为本发明的限定。
参见图1-2,本发明提供一种基于数据融合的电池包热失控预测方法,包括:步骤A1,获取电池包的第一特征数据,第一特征数据包括电池包处于的环境温度值、由电池包内每个电池单体的电压值组成的电压数据以及由每个电池单体的温度检测值组成的温度数据;步骤A2,对第一特征数据进行处理得到电池包的第二特征数据;步骤A3,使用预先训练好的热失控预测模型以第二特征数据作为输入对电池包的热失控进行预测,并输出预测数据;步骤A4,当根据预测数据得到电池包将会发生热失控的判断,产生报警信息;其中,在步骤A2中,对第一特征数据的处理包括:步骤B1,采用混沌置乱算法对温度数据进行顺序置乱,使用卡尔曼滤波算法对顺序置乱后的温度数据进行融合得到温度优化数据,温度优化数据包括每个电池单体的温度优化值;其中,第二特征数据包括环境温度值、电压数据和温度优化数据。
通过卡尔曼滤波算法进行优化,可以减少误差,逼近真实值,保证测量数据的准确性,在卡尔曼滤波之前,使用混沌置乱算法打乱温度数据,减少数据顺序对卡尔曼滤波算法的影响,使得卡尔曼滤波结果达到最优估计值,为热失控预测模型提供更优的输入数据。增加环境温度数据进一步增加预测的准确性和可靠性。
其中,每个电池单体的温度检测值包括由正温度系数热敏电阻检测得到的电池单体的第一温度值以及由负温度系数热敏电阻检测得到的电池单体的第二温度值;传统的直接测量方法主要采用一个温度传感器例如NTC或者PTC热敏电阻进行电池单体温度测量,一旦出现问题,将得不到准确的数据,无法判断电池热失控,严重影响设备安全。本发明的电池单体由两个温度传感器相结合组成双路温度检测方式,在其中一种损坏的情况下,可以通过两组数据的对比及时发现问题。
参见图2,进一步的,第一特征数据还包括电池包的电流数据;在步骤A2中,对第一特征数据的处理包括:步骤C1,根据电流数据计算得到电池包的剩余电量,将剩余电量均化到每个电池单体得到剩余电量数据,剩余电量数据包括每个电池单体的平均剩余电量;第二特征数据还包括剩余电量数据。
增加均化的每个单体电池的剩余电量进一步提高模型预测的准确性和可靠性。
进一步的,第一特征数据还包括电池包的充放电倍率,第二特征数据还包括电池包的充放电倍率。
增加电池包的充放电倍率提高模型预测的准确性和可靠性。
参见图3,进一步的,在步骤A2中,在步骤B1之前还包括:步骤B0,判断每个电池单体的温度检测值是否异常:若是,执行步骤B01;若否,执行步骤B1;步骤B01,剔除异常的温度检测值,之后执行步骤B1。
为了保证数据融合的精度,在数据融合之前,要先剔除有问题的温度数据。当两个温度传感器相结合组成双路检测方式,在其中一种损坏的情况下,可以通过两组数据的对比及时发现问题,判断出哪一个传感器故障,既可以保证测量数据的准确性,又可以增加可靠性。
进一步的,在步骤B0中,对于每一个电池单体,比较温度检测值中的第一温度值和第二温度值,当满足以下条件时,认为电池单体的温度检测值为异常:
;
其中,
为负温度系数热敏电阻的精度;
为正温度系数热敏电阻的精度;
为电池单体的第一温度值;
为电池单体的第二温度值。
如果负温度系数热敏电阻和正温度系数热敏电阻这两个温度传感器测量的温度值满足上述条件,则认为温度检测值出现异常,两个温度传感器中的至少一个出现问题。
在步骤B01中,还包括:产生请求更换单体电池的负温度系数热敏电阻和正温度系数热敏电阻的提示信息。进一步的,预测数据包括每个电池单体的温度预测值;在步骤A4中,当存在有温度预测值超出温度阈值时,得到电池包将会发生热失控的判断结果。
进一步的,预测数据包括每个电池单体的电压预测值;在步骤A4中,当存在有电压预测值超出电压阈值时,得到电池包将会发生热失控的判断结果。
电压数据预测为辅,始终跟随温度数据进行训练,其主要用来预测特殊情况下,电压急剧变化时,电池还没急剧升温的热失控风险。
进一步的,预测数据包括每个电池单体的温度预测值;在步骤A4中,根据温度预测值计算对应的电池单体温升速率,当存在有温升速率超出预设速率时,得到电池包会发生热失控的判断结果。
进一步的,热失控预测模型为RNN神经网络模型。隐藏层激活函数采用tanh函数,输出层激活函数采用Softmax函数。
具体的,RNN神经网络模型如公式(1)所示:
; (1);
其中,
为作为输入的第二特征数据,即输入层;
为t时刻作为输出的预测数据,即输出层;
、/>、/>、b、c均为模型参数。
为第t时刻隐藏层特征,在隐藏层;
为第t-1时刻隐藏层特征,在隐藏层。
RNN模型一般分为两步,第一步计算第t个时刻的隐藏层,第二步计算预测数据,RNN的隐藏层之间的节点是有连接的,隐藏层的输入不仅包括输入层的输出,还包括上一时刻t-1隐藏层的输出。
RNN的隐藏层激活函数选取tanh函数,如公式(2)和(3)所示:
; (2);
; (3);
tanh函数将所有的值映射到-1到1这个区间,导数的范围在0到1区间。
输出层激活函数使用Softmax函数,如公式(4)所示:
; (4)
tanh函数和Softmax函数两个函数结合使用,可以实现互补,不易造成梯度消失,可以更快地收敛,梯度计算成本较低。
在步骤B1中,由于一个电池pack的电池单体在理论上温度是一样的,多个电池单体组成的温度数据可以看作一个电池单体的多组温度检测值。本发明采用基于混沌置乱的卡尔曼滤波算法进行温度数据融合。混沌置乱算法采用一维正弦改进的Logistic混沌映射,公式(5)如下:
; (5);
其中系数,/>值域 ;
Logistic混沌系统的初值敏感性和伪随机性为置乱算法提供了坚实的理论基础,正弦改进的Logistic混沌系统打破了Logistic混沌系统本身的局限性。其目的是避免卡尔曼滤波算法受前一时刻数据的影响,因此本发明利用混沌系统对温度数据序列先进行置乱处理。在卡尔曼滤波之前加入混沌置乱,能有效改善数据顺序对卡尔曼滤波算法的影响,使卡尔曼滤波结果达到最优估计值。
卡尔曼滤波算法是以最小均方误差为估计的最佳准则,根据上一时刻的最优估计,预测当前时刻的状态变量,同时又对该状态变量进行观测,得到观测变量,再对观测变量进行修正,从而得到当前时刻的最优状态估计值。根据这种方法不断地对误差进行迭代消除,最终以此提高数据的准确性。
卡尔曼滤波数据融合算法的状态更新模型如公式(6)所示:
; (6);
测量模型如公式(7)所示:
; (7);
其中,
A、B、H为系统参数;
X(k)是k时刻的系统状态;
Z(k)是k时刻的测量值;
U(k)是k时刻对系统的控制量;
W(k)表示过程噪声;
V(k)表示测量噪声,它们一般被假设成高斯白噪声。
温度传感器例如NTC和PTC热敏电阻测量的数据都有误差,通过卡尔曼滤波算法进行优化,可以减小误差,逼近真实值,但卡尔曼滤波算法受限于前一时刻数据的影响。为了避免测量数据的排列顺序对数据融合造成影响,本发明利用混沌系统对数据序列进行置乱处理。
假设n个电池单体,则每次采集可以得到2n个温度值,对每2n个原始温度值取平均值a,作为正弦改进的logistic混沌映射的初值。
将初值代入混沌方程,依次迭代。为了保证混沌序列的随机性,舍弃前100个混沌序列值,从/>开始计数,计到2n个序列为止。先对/>扩大N倍,再取整取模,生成随机序列s(i),将第i个温度值与第s(i)个温度值进行交换位置,随机打乱原始温度值的次序。具体置乱操作如下式所示:
; (8)
;(9)
其中参数N>2n, ,floor为向下取整函数,mod为取模函数。
接着对混沌置乱后的2n个温度值进行卡尔曼滤波数据融合,假设现在时刻的系统状态是k,根据系统的模型,可以基于系统的上一时刻的系统状态而预测出现在时刻的系统状态为:
;(10)
其中,X(k|k-1)是利用上一时刻系统状态预测的结果;
X(k-1|k-1)是上一时刻系统状态的最优估计结果,即上一时刻的温度优化数据;
U(k)为现在时刻系统状态的控制量,如果没有控制量,它可以为0。
X(k|k-1)的协方差为:
(11)
其中,
P(k|k-1)是X(k|k-1)对应的协方差;
P(k-1|k-1)是X(k-1|k-1)对应的协方差;
表示A的转置矩阵;
Q是系统过程的协方差。
现在系统状态k的最优估计值X(k|k)为:
(12)
(13)
其中,
G为卡尔曼增益;
表示H的转置矩阵;
R是测量过程的协方差;
X(k|k)的协方差为:
(14)
其中,I是全为1的矩阵。最后对当前时刻系统状态的协方差进行不断更新,则卡尔曼滤波数据融合算法也会不断地迭代更新。
X(k|k)即为当前时刻的温度优化数据。
参见图4,进一步的,在步骤A3中,热失控预测模型的预先训练过程包括:步骤A31,收集若干电池包的具有时间顺序的第一特征数据形成第一样本序列;步骤A32,对第一样本序列中的第一特征数据进行处理得到电池包的第二特征数据,由第二特征数据组成第二样本序列;步骤A33,将第二样本序列中的第二特征数据划分成训练集和测试集,使用训练集对构建的热失控预测模型进行训练,并使用测试集对热失控预测模型进行测试,测试通过后形成训练好的热失控预测模型;其中,在步骤A31中,第一特征数据包括电池包处于的环境温度值、由电池包内每个电池单体的电压值组成的电压数据以及由每个电池单体的温度检测值组成的温度数据;其中,在步骤A32中,对第一特征数据的处理包括:步骤A321,采用混沌置乱算法对温度数据进行顺序置乱,使用卡尔曼滤波算法对顺序置乱后的温度数据进行融合得到温度优化数据,温度优化数据包括每个电池单体的温度优化值;其中,第二特征数据包括环境温度值、电压数据和温度优化数据。
此外,第一样本序列中的第一特征数据还包括电池包的电流数据,按照步骤C1的处理,根据电流数据计算得到电池包的剩余电量,将剩余电量均化到每个电池单体,得到由每个电池单体的平均剩余电量组成的剩余电量数据;第二样本序列中的第二特征数据还包括剩余电量数据。
具体的,每个电池单体的温度检测值包括由正温度系数热敏电阻检测得到的电池单体的第一温度值以及由负温度系数热敏电阻检测得到的电池单体的第二温度值;此外,第一样本序列中的第一特征数据还包括电池包的充放电倍率;第二样本序列中的第二特征数据还包括充放电倍率。
在训练过程中,在整个动力电池组正常工作的情况下,对n个电池单体进行电压、温度采样,对m个电池包(pack)进行环境温度值和电流数据采样,每次采样将产生2n个电池单体温度检测值,累计5000次第一特征数据作为第一样本序列;对第一样本序列中的每份第一特征数据,对混沌置乱后的每2n个温度数据进行卡尔曼滤波数据融合,获得5000个最后的最优状态估计值即温度优化数据。将5000个修正后的数据集按照80%:20%的比例划分训练集和测试集,确定热失控预测模型并进行测试,其温度误差如果小于一阈值,例如温度传感器是热敏电阻,阈值为热敏电阻的测量精度,则满足温度预测要求,否则扩大第一样本序列的第一特征数据的数量继续训练,直至温度误差小于热敏电阻的测量精度为止。
在训练过程中,以预测时刻的实际获取的温度优化数据和电压数据作为标签。以对预测时刻的预测数据作为预测结果,预测数据包括温度预测值和电压预测值,将电池单体实际获取的温度优化值和电压值和温度预测值、电压预测值进行比较,对热失控预测模型进行不断反馈优化训练,提高预测精度。
进一步的,在步骤A4中,当根据预测数据得到电池包不会发生热失控的判断结果时,返回步骤A1。
参见图5,进一步的,在每次执行步骤A1-步骤A4之后还包括:步骤A5,对连续使用热失控预测模型进行电池包热失控预测的预测次数累加一次,并记录此次向热失控预测模型输入的第二特征数据;步骤A6,当步骤A5中的预测次数达到预设次数时,使用步骤A5中记录的第二特征数据对热失控预测模型进行更新;
则在后续的步骤A3中,使用更新后的热失控预测模型以第二特征数据作为输入以对电池包的热失控进行预测,并输出预测数据。
具体的,预设次数为5000。在步骤A6中,通过计算MSE(Mean Square Error,均方误差),将其代入预测模型不断进行反馈优化,以提高预测精度。
均方误差的计算公式如下:
(15);
其中,
MSE表示均方误差;
为第i个电池单体的预测数据;
为第i个电池单体的标签。
n为电池单体的数量。
如,预测数据为预测的某一电池单体某一时刻的温度预测值,标签为该电池单体的在该时刻的实际的融合后的温度优化值。
如,预测数据为预测的某一电池单体某一时刻的电压预测值,标签为该电池单体的在该时刻的实际检测到的电压值。
参见图6,本发明还提供一种基于数据融合的电池包热失控预测系统,执行前述的一种基于数据优化的电池包热失控预测方法,包括:特征获取模块(1),用于获取电池包的第一特征数据;特征处理模块(2),连接特征获取模块(1),用于对第一特征数据进行处理得到电池包的第二特征数据;预测模块(3),连接特征处理模块(2),用于使用预先训练好的热失控预测模型以第二特征数据作为输入对电池包的热失控进行预测,并输出预测数据;报警模块(4),连接预测模块(3),用于当根据预测数据得到电池包会发生热失控时的结果时,产生报警信息;其中,特征获取模块(1)包括:第一温度采样单元(11),用于采集电池包处于的环境温度值;电压采样单元(12),设置在每个电池单体上,用于采集对应的电池单体的电压值;第二温度采集单元(13),设置于每个电池单体上,用于获取对应的电池单体的温度检测值;第一特征数据包括环境温度值、由每个电池单体的电压值组成的电压数据以及由每个电池单体的温度检测值组成的温度数据;其中,特征处理模块(2)包括:温度优化单元(21),用于采用混沌置乱算法对温度数据进行顺序置乱,使用卡尔曼滤波算法对顺序置乱后的温度数据进行融合得到温度优化数据,温度优化数据包括每个电池单体的温度优化值;其中,第二特征数据包括环境温度值、电压数据和温度优化数据。
通过卡尔曼滤波算法进行优化,可以减少误差,逼近真实值,保证测量数据的准确性,在卡尔曼滤波之前,使用混沌置乱算法打乱温度数据,减少数据顺序对卡尔曼滤波算法的影响,使得卡尔曼滤波结果达到最优估计值,为热失控预测模型提供更优的输入数据。增加环境温度数据进一步增加预测的准确性和可靠性。
具体的,第二温度采样单元(13)包括:正温度系数热敏电阻(PTC热敏电阻)(13a),设置在每个电池单体上,用于采集电池单体的第一温度值;负温度系数热敏电阻(NTC热敏电阻)(13b),设置在每个电池单体上,用于采集电池单体的第二温度值;其中,每个电池单体的温度检测值包括第一温度值和第二温度值。
传统的直接测量方法主要采用一个温度传感器例如NTC或者PTC热敏电阻进行电池单体温度测量,一旦出现问题,将得不到准确的数据,无法判断电池热失控,严重影响设备安全。本发明的电池单体由两个温度传感器相结合组成双路温度检测方式,在其中一种损坏的情况下,可以通过两组数据的对比及时发现问题。
具体的,第一温度采样单元(11)为光纤温度传感器。
进一步的,特征获取模块(1)还包括:电流采样单元(14),用于采集电池包的电流数据;特征处理模块(2)还包括:电量均化单元(22),用于根据电流数据计算得到电池包的剩余电量,将剩余电量均化到每个电池单体,得到由每个电池单体的平均剩余电量组成的剩余电量数据;第二特征数据还包括剩余电量数据。
具体的,对电流数据采用安时积分法计算出每个电池包(pack)的SOC(剩余电量,State Of Charge),均化到每个电池单体;
电流采样单元(14)为分流器,使用分流器采集电池包的电流数据。
进一步的,第一特征数据还包括电池包的充放电倍率,第二特征数据还包括电池包的充放电倍率。
以上仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书及图示内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (10)
1.一种基于数据融合的电池包热失控预测方法,其特征在于,包括:步骤A1,获取电池包的第一特征数据,所述第一特征数据包括所述电池包处于的环境温度值、由所述电池包内每个电池单体的电压值组成的电压数据以及由每个所述电池单体的温度检测值组成的温度数据;步骤A2,对所述第一特征数据进行处理得到所述电池包的第二特征数据;步骤A3,使用预先训练好的热失控预测模型以所述第二特征数据作为输入对所述电池包的热失控进行预测,并输出预测数据;步骤A4,当根据所述预测数据得到所述电池包将会发生热失控的判断结果时,产生报警信息;其中,在所述步骤A2中,对所述第一特征数据的处理包括:步骤B1,采用混沌置乱算法对所述温度数据进行顺序置乱,使用卡尔曼滤波算法对顺序置乱后的所述温度数据进行融合得到温度优化数据,所述温度优化数据包括每个所述电池单体的温度优化值;其中,所述第二特征数据包括所述环境温度值、所述电压数据和所述温度优化数据;其中,每个电池单体的温度检测值包括由正温度系数热敏电阻检测得到的电池单体的第一温度值以及由负温度系数热敏电阻检测得到的电池单体的第二温度值;
其中,所述混沌置乱算法采用一维正弦改进的Logistic混沌方程,公式如下:
;
其中,系数,值域/>;
将所述温度数据的平均值作为所述混沌方程的初始值;
在步骤A2中,在步骤B1之前还包括:
步骤B0,判断每个电池单体的温度检测值是否异常:
若是,执行步骤B01;
若否,执行步骤B1;
步骤B01,剔除异常的温度检测值,之后执行步骤B1;
其中,在步骤B0中,对于每一个电池单体,比较温度检测值中的第一温度值和第二温度值,当满足以下条件时,认为电池单体的温度检测值为异常:
;
其中,
f N为负温度系数热敏电阻的精度;
f T为正温度系数热敏电阻的精度;
TP为电池单体的第一温度值;
TN为电池单体的第二温度值。
2.如权利要求1所述的一种基于数据融合的电池包热失控预测方法,其特征在于,所述第一特征数据还包括所述电池包的电流数据;在所述步骤A2中,对所述第一特征数据的处理包括:步骤C1,根据所述电流数据计算得到所述电池包的剩余电量,将所述剩余电量均化到每个所述电池单体得到剩余电量数据,所述剩余电量数据包括每个所述电池单体的平均剩余电量;所述第二特征数据还包括所述剩余电量数据。
3.如权利要求1所述的一种基于数据融合的电池包热失控预测方法,其特征在于,所述第一特征数据还包括所述电池包的充放电倍率,所述第二特征数据还包括所述电池包的充放电倍率。
4.如权利要求1所述的一种基于数据融合的电池包热失控预测方法,其特征在于,所述预测数据包括每个所述电池单体的温度预测值;在所述步骤A4中,当存在有所述温度预测值超出温度阈值时,得到所述电池包将会发生热失控的判断结果。
5.如权利要求1所述的一种基于数据融合的电池包热失控预测方法,其特征在于,所述预测数据包括每个所述电池单体的电压预测值;在所述步骤A4中,当存在有所述电压预测值超出电压阈值时,得到所述电池包将会发生热失控的判断结果。
6.如权利要求1所述的一种基于数据融合的电池包热失控预测方法,其特征在于,所述预测数据包括每个所述电池单体的温度预测值;在所述步骤A4中,根据所述温度预测值计算对应的所述电池单体的温升速率,当存在有所述温升速率超出预设速率时,得到所述电池包将会发生热失控的判断结果。
7.如权利要求1所述的一种基于数据融合的电池包热失控预测方法,其特征在于,在每次执行所述步骤A1-A4之后还包括:步骤A5,对连续使用热失控预测模型进行电池包热失控预测的预测次数累加一次,并记录此次向所述热失控预测模型输入的所述第二特征数据;步骤A6,当所述步骤A5中的预测次数达到预设次数时,使用所述步骤A5中记录的所述第二特征数据对所述热失控预测模型进行更新;则在后续的所述步骤A3中,使用更新后的所述热失控预测模型对所述电池包的热失控进行预测。
8.一种基于数据融合的电池包热失控预测系统,其特征在于,执行如权利要求1-7任意一项所述的一种基于数据融合的电池包热失控预测方法,包括:特征获取模块,用于获取所述电池包的第一特征数据;特征处理模块,连接所述特征获取模块,用于对所述第一特征数据进行处理得到所述电池包的第二特征数据;预测模块,连接所述特征处理模块,用于使用预先训练好的热失控预测模型以所述第二特征数据作为输入对所述电池包的热失控进行预测,并输出预测数据;报警模块,连接所述预测模块,用于当根据所述预测数据得到所述电池包将会发生热失控时的判断结果时,产生报警信息;其中,所述特征获取模块包括:第一温度采样单元,用于采集所述电池包处于的环境温度值;电压采样单元,设置在每个所述电池单体上,用于采集对应的所述电池单体的电压值;第二温度采集单元,设置于每个所述电池单体上,用于获取对应的所述电池单体的温度检测值;所述第一特征数据包括所述环境温度值、由每个所述电池单体的电压值组成的电压数据以及由每个所述电池单体的所述温度检测值组成的温度数据;其中,特征处理模块包括:温度优化单元,用于采用混沌置乱算法对所述温度数据进行顺序置乱,使用卡尔曼滤波算法对顺序置乱后的所述温度数据进行融合得到温度优化数据,所述温度优化数据包括每个所述电池单体的温度优化值;其中,所述第二特征数据包括所述环境温度值、所述电压数据和所述温度优化数据;
其中,每个电池单体的温度检测值包括由正温度系数热敏电阻检测得到的电池单体的第一温度值以及由负温度系数热敏电阻检测得到的电池单体的第二温度值;
其中,所述混沌置乱算法采用一维正弦改进的Logistic混沌方程,公式如下:
;
其中,系数,值域/>;
将所述温度数据的平均值作为所述混沌方程的初始值。
9.如权利要求8所述的一种基于数据融合的电池包热失控预测系统,其特征在于,所述特征获取模块还包括:电流采样单元,用于采集所述电池包的电流数据;所述特征处理模块还包括:电量均化单元,用于根据所述电流数据计算得到所述电池包的剩余电量,将所述剩余电量均化到每个所述电池单体得到剩余电量数据,所述剩余电量数据包括每个所述电池单体的平均剩余电量;所述第二特征数据还包括所述剩余电量数据。
10.如权利要求8所述的一种基于数据融合的电池包热失控预测系统,其特征在于,所述第一特征数据还包括所述电池包的充放电倍率,所述第二特征数据还包括所述电池包的充放电倍率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310594542.5A CN116315189B (zh) | 2023-05-25 | 2023-05-25 | 一种基于数据融合的电池包热失控预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310594542.5A CN116315189B (zh) | 2023-05-25 | 2023-05-25 | 一种基于数据融合的电池包热失控预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116315189A CN116315189A (zh) | 2023-06-23 |
CN116315189B true CN116315189B (zh) | 2023-08-11 |
Family
ID=86830935
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310594542.5A Active CN116315189B (zh) | 2023-05-25 | 2023-05-25 | 一种基于数据融合的电池包热失控预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116315189B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117969760A (zh) * | 2024-02-01 | 2024-05-03 | 广州邦禾检测技术有限公司 | 一种电池热失控气体的检测方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04169883A (ja) * | 1990-11-02 | 1992-06-17 | Nec Corp | ソーナー信号処理方式 |
CN103514488A (zh) * | 2013-10-08 | 2014-01-15 | 哈尔滨工程大学 | 基于组合预测模型的电力系统短期负荷预测装置及方法 |
JP2015210557A (ja) * | 2014-04-24 | 2015-11-24 | 株式会社明電舎 | 予測装置及び予測方法 |
CN109581223A (zh) * | 2018-11-29 | 2019-04-05 | 吉林大学 | 基于卡尔曼滤波的锂离子电池组的核心温度估计方法 |
CN109895657A (zh) * | 2019-03-22 | 2019-06-18 | 芜湖职业技术学院 | 一种动力电池soc估计装置、汽车及方法 |
CN110954834A (zh) * | 2019-12-06 | 2020-04-03 | 上海理工大学 | 一种移动式动力电池热管理系统检测装置及方法 |
EP3739356A1 (en) * | 2019-05-12 | 2020-11-18 | Origin Wireless, Inc. | Method, apparatus, and system for wireless tracking, scanning and monitoring |
CN111983472A (zh) * | 2020-08-24 | 2020-11-24 | 哈尔滨理工大学 | 一种基于自适应卡尔曼滤波的锂离子动力电池安全度估算方法及估算装置 |
CN113419177A (zh) * | 2021-07-29 | 2021-09-21 | 江苏大学 | 基于结合改进的粒子群算法的扩展卡尔曼滤波soc估算方法 |
CN113639722A (zh) * | 2021-10-18 | 2021-11-12 | 深圳大学 | 连续激光扫描配准辅助惯性定位定姿方法 |
KR20210157033A (ko) * | 2020-06-19 | 2021-12-28 | 주식회사 엘지에너지솔루션 | 이차 전지 안전성 평가 장치 및 이차 전지 안전성 평가 방법 |
CN114495037A (zh) * | 2021-12-31 | 2022-05-13 | 山东师范大学 | 一种基于关键点和卡尔曼滤波的视频预测方法及系统 |
CN114639881A (zh) * | 2022-02-22 | 2022-06-17 | 重庆工商大学 | 一种深度学习的锂离子电池热失控预警方法 |
CN114899523A (zh) * | 2022-05-18 | 2022-08-12 | 浙江大学 | 一种锂离子电池单体热失控核心温度估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446434B (zh) * | 2018-02-07 | 2020-02-11 | 清华大学 | 动力电池热失控安全性的预测方法、装置及计算机可读存储介质 |
-
2023
- 2023-05-25 CN CN202310594542.5A patent/CN116315189B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04169883A (ja) * | 1990-11-02 | 1992-06-17 | Nec Corp | ソーナー信号処理方式 |
CN103514488A (zh) * | 2013-10-08 | 2014-01-15 | 哈尔滨工程大学 | 基于组合预测模型的电力系统短期负荷预测装置及方法 |
JP2015210557A (ja) * | 2014-04-24 | 2015-11-24 | 株式会社明電舎 | 予測装置及び予測方法 |
CN109581223A (zh) * | 2018-11-29 | 2019-04-05 | 吉林大学 | 基于卡尔曼滤波的锂离子电池组的核心温度估计方法 |
CN109895657A (zh) * | 2019-03-22 | 2019-06-18 | 芜湖职业技术学院 | 一种动力电池soc估计装置、汽车及方法 |
EP3739356A1 (en) * | 2019-05-12 | 2020-11-18 | Origin Wireless, Inc. | Method, apparatus, and system for wireless tracking, scanning and monitoring |
CN110954834A (zh) * | 2019-12-06 | 2020-04-03 | 上海理工大学 | 一种移动式动力电池热管理系统检测装置及方法 |
KR20210157033A (ko) * | 2020-06-19 | 2021-12-28 | 주식회사 엘지에너지솔루션 | 이차 전지 안전성 평가 장치 및 이차 전지 안전성 평가 방법 |
CN111983472A (zh) * | 2020-08-24 | 2020-11-24 | 哈尔滨理工大学 | 一种基于自适应卡尔曼滤波的锂离子动力电池安全度估算方法及估算装置 |
CN113419177A (zh) * | 2021-07-29 | 2021-09-21 | 江苏大学 | 基于结合改进的粒子群算法的扩展卡尔曼滤波soc估算方法 |
CN113639722A (zh) * | 2021-10-18 | 2021-11-12 | 深圳大学 | 连续激光扫描配准辅助惯性定位定姿方法 |
CN114495037A (zh) * | 2021-12-31 | 2022-05-13 | 山东师范大学 | 一种基于关键点和卡尔曼滤波的视频预测方法及系统 |
CN114639881A (zh) * | 2022-02-22 | 2022-06-17 | 重庆工商大学 | 一种深度学习的锂离子电池热失控预警方法 |
CN114899523A (zh) * | 2022-05-18 | 2022-08-12 | 浙江大学 | 一种锂离子电池单体热失控核心温度估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116315189A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Farmann et al. | A comprehensive review of on-board State-of-Available-Power prediction techniques for lithium-ion batteries in electric vehicles | |
EP1896925B1 (en) | Apparatus and method for testing state of charge in battery | |
Lin et al. | Multi-model probabilities based state fusion estimation method of lithium-ion battery for electric vehicles: State-of-energy | |
Chen et al. | Online battery state of health estimation based on Genetic Algorithm for electric and hybrid vehicle applications | |
KR102633335B1 (ko) | 리튬이온 배터리팩의 비정상 셀 검출 및 soh 예측 방법 | |
EP2188642B1 (en) | System and method for estimating long term characteristics of battery | |
CN116315189B (zh) | 一种基于数据融合的电池包热失控预测方法和系统 | |
CN114639881B (zh) | 一种深度学习的锂离子电池热失控预警方法 | |
JP2008232758A (ja) | 二次電池の内部状態検出装置及びニューラルネット式状態量推定装置 | |
CN113919222B (zh) | 一种电池组的内部温度在线计算方法 | |
CN115327386B (zh) | 一种基于电热耦合模型的电池组多故障诊断方法 | |
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 | |
He et al. | Voltage abnormality-based fault diagnosis for batteries in electric buses with a self-adapting update model | |
Xu et al. | State-of-charge estimation and health prognosis for lithium-ion batteries based on temperature-compensated Bi-LSTM network and integrated attention mechanism | |
Wei et al. | Multiscale dynamic construction for abnormality detection and localization of Li-ion batteries | |
CN114035086A (zh) | 基于信号处理的电池组多故障诊断方法 | |
Peng et al. | Real-time state of charge estimation of the extended Kalman filter and unscented Kalman filter algorithms under different working conditions | |
Feng et al. | An adaptive state of charge estimation method of lithium-ion battery based on residual constraint fading factor unscented Kalman filter | |
CN116973763A (zh) | 一种锂电池包热失控预警方法和装置 | |
CN113721151B (zh) | 基于双塔深度学习网络的电池容量预估模型及方法 | |
Kannan et al. | A combined DNN-NBEATS architecture for state of charge estimation of lithium-ion batteries in electric vehicles | |
CN114994546A (zh) | 一种基于区块链和Informer神经网络的电池组SOH预测系统及方法 | |
Rodriguez et al. | Discovering governing equations of li-ion batteries pertaining state of charge using input-output data | |
CN117665592A (zh) | 一种锂离子电池热失控故障诊断与预警方法 | |
CN116796285A (zh) | 基于多源信息融合的动力电池热失控超前预警方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |