CN117471327A - 一种汽车动力电池的安全性能检测方法 - Google Patents
一种汽车动力电池的安全性能检测方法 Download PDFInfo
- Publication number
- CN117471327A CN117471327A CN202311785565.0A CN202311785565A CN117471327A CN 117471327 A CN117471327 A CN 117471327A CN 202311785565 A CN202311785565 A CN 202311785565A CN 117471327 A CN117471327 A CN 117471327A
- Authority
- CN
- China
- Prior art keywords
- voltage
- battery
- neural network
- narx neural
- training
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000010586 diagram Methods 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000002474 experimental method Methods 0.000 claims description 4
- 210000004027 cell Anatomy 0.000 claims description 3
- JXASPPWQHFOWPL-UHFFFAOYSA-N Tamarixin Natural products C1=C(O)C(OC)=CC=C1C1=C(OC2C(C(O)C(O)C(CO)O2)O)C(=O)C2=C(O)C=C(O)C=C2O1 JXASPPWQHFOWPL-UHFFFAOYSA-N 0.000 claims 1
- 230000006870 function Effects 0.000 description 14
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 6
- 229910001416 lithium ion Inorganic materials 0.000 description 6
- 238000011478 gradient descent method Methods 0.000 description 5
- 238000010200 validation analysis Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 230000001960 triggered effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013016 damping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 208000032953 Device battery issue Diseases 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明属于汽车动力电池检测技术领域,公开了一种汽车动力电池的安全性能检测方法,包括:步骤一、构建NARX神经网络,并对所述NARX神经网络进行训练,得到电池电压预测模型;步骤二、按照采样周期分别采集电池的电流和电压;以t‑n,t‑(n‑1),……,t‑2,t‑1时刻的电流值和电压值作为电池电压预测模型的输入参数,所述电池电压预测模型输出t时刻的预测电压;其中,n≥5且n为整数,t‑n表示t‑n时刻;步骤三、基于四分数盒图策略,根据t时刻的预测电压确定电池的安全等级。
Description
技术领域
本发明属于汽车动力电池检测技术领域,特别涉及一种汽车动力电池的安全性能检测方法。
背景技术
动力电池作为电动汽车的动力来源,是电动汽车性能提升的关键,其安全问题一直受到广泛关注。电动汽车起火事故的频繁发生,揭示了电池存在的安全隐患。当电池发生故障时,其内部结构会被破坏,从而导致其安全性能迅速下降,对电动汽车构成巨大的威胁。因此,对动力电池的安全性能进行准确的预测是保证电动汽车安全、持久运行的关键。
发明内容
本发明的目的是提供一种汽车动力电池的安全性能检测方法,其能够实现电池电压的快速预测,并能够根据预测电压判断电池的安全性能。
本发明提供的技术方案为:
一种汽车动力电池的安全性能检测方法,包括:
步骤一、构建NARX神经网络,并对所述NARX神经网络进行训练,得到电池电压预测模型;
步骤二、按照采样周期分别采集电池的电流和电压;以t-n,t-(n-1),……,t-2,t-1时刻的电流值和电压值作为电池电压预测模型的输入参数,所述电池电压预测模型输出t时刻的预测电压;
其中,n≥5且n为整数,t-n表示t-n时刻;
步骤三、基于四分数盒图策略,根据t时刻的预测电压确定电池的安全等级:
如果或/>,则判断电池处于第一危险等级;
如果或/>,则判断电池处于第二危险等级;
如果或/>,则判断电池处于第三危险等级;
如果,则判断电池处于安全状态;
式中,表示t时刻的预测电压,/>和/>分别为四分数盒图的第一四分位数和第三四分位数,/>为四分位数极差;/>和/>分别表示电池的充电截止电压和放电截止电压;
其中,第一危险等级的危险程度大于第二危险等级的危险程度,所述第二危险等级的危险程度大于第三危险等级的危险程度。
优选的是,在所述步骤一中,还包括:
在不同温度下,对动力电池进行充放电实验,按照采样周期采集电池的电流和电压,得到原始数据集;并将所述原始数据集划分为训练集、验证集和测试集;
其中,采用所述训练集对所述NARX神经网络进行训练。
优选的是,在进行充放电实验的温度阈值为[-30,60]℃。
优选的是,采用LM算法对NARX神经网络进行训练。
优选的是,对所述NARX神经网络进行训练时,采用串并联模式作为反馈模式。
优选的是,所述训练NARX神经网络的输入时延和反馈时延的阶数均设置为5,隐藏层神经元的数量设置为10。
优选的是,所述的汽车动力电池的安全性能检测方法,还包括对训练后的NARX神经网络进行精度验证,如果满足决定系数,则将训练后的NARX神经网络作为电池电压预测模型;
其中,决定系数采用如下公式进行计算:
;
式中,N是为电压序列中电压值的总个数,和/>分别代表t时刻电压的预测值和真实值,/>为电压序列的平均值。
优选的是,所述的汽车动力电池的安全性能检测方法,还包括:如果训练后的NARX神经网络决定系数,则增加NARX神经网络的输入时延和反馈时延的阶数,直到训练后的NARX神经网络满足决定系数/>。
本发明的有益效果是:
本发明提供的汽车动力电池的安全性能检测方法,能够通过精确的电压预测来快速识别电压异常,进而实现电池安全性能的准确判断。
附图说明
图1为本发明所述的NARX神经网络的结构示意图。
图2为本发明所述的四分数盒图的结构示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
本发明提供了一种汽车动力电池的安全性能检测方法,其基于NARX神经网络对动力电池的电压进行预测,之后根据预测的电压对电池的安全性能进行判断,从而能够实现动力电池故障的早期预警。
NARX神经网络是一种动态神经网络,因其加入了延时和反馈机制,显著增强了它对历史数据的记忆能力,这也使得它能够有效处理时间序列数据的长期依赖关系。该网络的输出数据y(t)取决于y(t)的过去值和外部输入数据x(t)的过去值,因此,NARX神经网络可以表示为:
;
其中,为非线性映射函数,/>为输入延时阶数,/>为输出延时阶数。
一个标准的NARX神经网络由输入层、隐藏层、输出层以及输入和输出延时构成,其网络结构如图1所示。其中,TDL为时间延迟线,为输入权重,/>为偏置,/>为层权重,f(/>,/>)为激活函数。此外,隐藏层和输出层构成一个两层前馈网络,其中,隐藏层和输出层的激活函数分别为Sigmoid函数和线性函数。而且NARX神经网络使用TDL来存储x(t)和y(t)序列的过去值,并将其应用于当前输出的计算中,然后相应地更新输出的当前值。因此NARX神经网络的输入包含延时X(t):
;
当电池出现故障时会导致电压异常,电压异常时也意味着电池故障已经发生或者潜在故障将要发生。因此,电压异常是电池故障的一个重要指标,本发明在预测电压的基础上进行电池安全性能判断以实现故障的预测预警。
本发明中主要针对锂离子电池进行研究,由于锂离子电池是一种具有强非线性的动态系统,很难用传统的建模方法准确描述电压的剧烈变化。而NARX神经网络包含了延时X(t),其具有良好的应对系统非线性行为的能力,能够有效应用于锂离子电池非线性系统的电压预测。
在训练NARX 神经网络之前要事先确定输入延时、反馈延时、隐藏层神经元的数量、反馈模式以及训练函数。
延时阶数和隐藏层神经元数量的选择对NARX神经网络的预测精度也有一定的影响,当NARX神经网络的预测性能不太令人满意时,可以尝试增加延时和隐藏层神经元的数量。但如果增加延时和隐藏层神经元的数量,计算成本也会随之增加,而且当数量设置得过高时,极有可能会出现过拟合的倾向,导致NARX神经网络虽然在训练集上的误差达到了一个非常小的值,但是在测试集上的误差却很大。因此,延时阶数和隐藏层神经元数量的选择,一方面要使网络达到较高的预测精度,另一方面又要避免出现过拟合以确保网络的泛化能力,要在这两者之间达到平衡。
NARX神经网络包含两种反馈模式:一种是并联模式,另一种是串并联模式。为了得到更优的训练结果,本发明选择串并联模式作为反馈模式,因为在该模式下,将真实输出反馈到输入端,这样可以有效避免误差的累积,进而得到的NARX模型的预测性能会更出色。
在实际应用中,有很多种训练函数可以用来训练NARX神经网络,其中Levenberg-Marquardt(LM)和Bayesian Regularization(BR)是最常用的两种训练算法。本发明采用LM算法来训练NARX神经网络,它是高斯牛顿法和梯度下降法相结合的一种混合算法。梯度下降法保证了每次迭代时损失函数值都是下降的,但是收敛的速度比较缓慢,而高斯牛顿法收敛的速度很快,但无法保证每次迭代损失函数值都减小。LM算法则综合了两者的优势,通过调整阻尼因子,使得优化能在梯度下降法和高斯牛顿法之间自由切换,在保证每次迭代损失函数值都下降的同时也能保证快速收敛。LM算法的公式如下:
;
其中,是单位矩阵,/>是梯度,/>是阻尼因子。此外,/>以及/>,/>是一个包含函数/>的一阶偏导数的雅可比矩阵。
当大时相当于梯度下降法,/>小时相当于高斯牛顿法。在使用LM算法时先设置一个比较小的/>值,当发现损失函数值反而增大时,将/>增大,使用梯度下降法寻找损失函数的极小值,然后再将/>减小使用高斯牛顿法进行寻找以保证快速收敛。
在NARX神经网络的各参数确定后开始训练,训练一直持续到连续10次迭代仍无法降低验证误差时停止,并且在网络训练结束后,需要对训练良好的NARX电压预测模型的性能进行评估,以确定其是否具有较高的预测精度。在本发明中采用决定系数(R2)对NARX神经网络进行评估。其中,R2的值越接近于1,说明模型的精度越高,预测的值越接近于真实值。
;
式中,N是为电压序列中电压值的总个数,和/>分别代表t时刻电压的预测值和真实值,/>为电压序列的平均值。
在一种实施例中,为了保证NARX神经网络的预测精度,当时判断NARX神经网络满足精度要求,可将其作为电压预测模型使用。如果/>,则增加NARX神经网络的输入时延和反馈时延的阶数,直到训练后的NARX神经网络满足决定系数/>。为了避免过度增加计算量,输入时延和反馈时延的阶数每次增加的数量为1。
本实施例使用的数据集包含了24节相同规格的电池(1865EH型号的磷酸铁锂电池)在8种试验温度(-20℃,-10℃,0℃,10℃,25℃,40℃,55℃,60℃)下进行充放电实验采集到的电压和电流数据,每种温度下采用3个电池进行试验,建立一个在全气候条件下的电压预测模型。其中电压和电流是最容易获取的电池特性数据,因此电流作为NARX神经网络的输入,电压作为NARX神经网络的输出,可以有效降低NARX神经网络的复杂性。一个可靠的电压预测模型应该在未经训练的数据上也能表现出良好的性能,为了实现这一目标,选取25℃下的所有电池都用于验证。除此之外,所建立的电压预测模型在极端温度下也应该能有效并准确的预测电压,因此选择极端温度-20℃、60℃下的各一节电池用于验证。由于锂离子电池本身的性能缺陷,在不同的外部环境温度下会表现出很大的差异性。当电池处于低温环境下,因为环境温度低于电池系统最佳的工作温度范围,因此,电压表现出了比其他温度下的电压更剧烈的波动,可见本实施例实验选用的锂离子电池不具备耐低温性,并且可以看到锂离子电池在高温环境下表现出相对稳定的状态,受高温的影响较小。因为验证集中包含了未经训练的25℃下的所有电池的特性数据以及极端温度(-20℃、60℃)下的电池的特性数据,因此,可以有效验证电压预测模型对于未知数据和在各种环境温度下是否都具有出色的预测性能。通过这种方式,可以确保提出的NARX电压预测模型具有良好的泛化能力以及全气候适用性。
在训练NARX神经网络之前要事先确定输入延时、反馈延时、隐藏层神经元的数量、反馈模式以及训练函数。通过不断的调参,在本实施例中,最终的输入和反馈延时阶数均为5,隐藏层神经元的数量选择为10,并以串并联模式创建和训练网络,训练函数为LM算法,训练数据集由除5节验证电池外的剩余19节电池的特性数据组成。在网络的训练阶段,整个训练数据集被分为三个部分,即训练数据、验证数据和测试数据。其中,70%用于训练,15%用于验证,剩下的15%用于测试。并且训练数据在训练过程中全部呈现给网络,网络根据其误差进行调整。验证数据则用于评估网络的泛化能力,以避免训练的过拟合,并在泛化能力不再提升时停止训练。测试数据对训练没有影响,它用来度量训练质量以及评估模型的预测性能。
在NARX 神经网络训练结束后,在未经训练的电池上验证NARX电压预测模型的预测性能是至关重要的。如前所述,有5节电池用于验证,通过该5节电池的电压预测结果可以看出电池的预测电压与真实电压十分接近。
为了验证所提出的NARX电压预测模型的优越性,将NARX电压预测模型与BP神经网络和LSTM神经网络进行比较。使用相同的隐藏层神经元数量和训练函数对BP神经网络进行训练,以此准确比较NARX模型和BP模型的电压预测性能。BP神经网络的隐藏层神经元数量为10,时刻t的电压由前5个时刻的电压和电流决定。在训练过程中,对输入数据进行归一化处理,以获得更好的收敛性,并且与NARX相同,70%的输入数据用于训练,15%用于验证,剩余的15% 用于测试。然后通过多次反复的训练,建立最佳的BP电压预测模型。对LSTM网络采用同样的数据进行训练,并保存具有最优电压预测效果的LSTM模型。
对于锂电池来说,外界坏境温度越低,电池电压上下波动的幅度范围就越大,这会给电压预测带来极大的挑战。因此,对处于极低温度下的电池进行准确的电压预测是难度最大。所以,在训练过程结束后,使用-20℃下的1节电池进行测试,以对比所建立的NARX模型与所建立的BP模型和LSTM模型的预测性能。通过实验结果可以看出:BP模型的预测电压虽然基本追踪到了真实电压的波动轨迹,但是预测电压与真实电压间的最大误差接近于0.3V。BP模型的,NARX模型对该电池的预测电压与真实电压间的最大误差为0.05V;/>。从指标值的角度分析,NARX模型相较于BP 模型的电压预测精度的提升是显著的,NARX模型预测的电压相比于BP 模型更接近于真实值。与NARX模型相比,LSTM模型R2=0.94713,低于NARX模型,NARX模型对该电池的预测电压与真实电压间的最大误差为0.13V,模型的预测误差要高于NARX模型。通过实验结果可以看出,NARX模型的电压预测能力最强,LSTM模型次之,BP模型最差,说明NARX模型更好的模拟了电池的电化学特性,具有比LSTM模型和BP模型更强的电池非线性系统预测能力。因此本发明提出的NARX电压预测模型可以更准确地预测电池电压,从而获得更好的预测电池的安全性能。
本发明采用四分数盒图(箱须图)策略作为安全性能的判断方法,如图2所示,四分数盒图由五个数值点组成:最小观测值(同一电池电压序列中的最小电压值)、第一四分位数/下四分位数(Q1)、第二四分位数/中位数(Q2)、第三四分位数/上四分位数(Q3)、最大观测值(同一电池电压序列中的最大电压值)。其中,第一四分位数和第三四分位数之间的距离为四分位数极差(IQR),定义为:
;
最大、最小观测值超过上、下四分位数1.5IQR时,胡须仅延伸到上下四分位数1.5IQR以内最极端的观测值处。根据统计学遵循的基本标准,位于第三四分位数之上或第一四分位数之下至少1.5IQR处的值为异常值。异常值截断点定义为:
异常值截断点=;
其中,=1.5时称其为内限,/>=3时称其为外限。
所有处于内限以外的数据都是异常值,其中在内限与外限之间的异常值为温和异常值,在外限以外的异常值为极端异常值。
为了有效实现电池的故障诊断,根据盒图设置各自的电根据盒图设置各自的电压异常报警阈值,划分电池安全等级,电池危险等级分为三个级别,当电池电压超过上下四分位数1.5IQR时,为第三危险等级,会触发三级预警,说明电池可能存在潜藏的微小故障,有必要采取一些措施及时干预,防止电池继续恶化。对于驾驶员来说,在日常使用中要注意检查和维护。如果电池电压超过上下四分位数3IQR时,则为第二危险等级,会触发二级预警,说明电池处于危险之下,预示着故障的发生,需要检查报警发生的位置,并修复或更换故障电池。当电池电压超过充放电截止电压时,为第一危险等级,会触发一级预警,驾驶员和乘车人必须立即停车并下车,以免发生安全事故。需要强调的是,当最大和最小观测值超过充放电截止电压时,划分为第一危险等级,直接触发一级预警。具体划分如表1所示:
表1 电池危险等级表
表1中,和/>分别表示电池的充电截止电压和放电截止电压。
选择5节电池(已知其中2节存在短路,1节存在断路,其余2节为正常状态),对危险等级划分的准确性进行验证。其中,测试结果表明,存在断路的1节电池和存在短路的2节电池均被划分为第二危险等级,其余2节正常电池判断为安全。充分验证了本发明提供的汽车动力电池的安全性能检测方法的准确性。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的图例。
Claims (8)
1.一种汽车动力电池的安全性能检测方法,其特征在于,包括如下步骤:
步骤一、构建NARX神经网络,并对所述NARX神经网络进行训练,得到电池电压预测模型;
步骤二、按照采样周期分别采集电池的电流和电压;以t-n,t-(n-1),……,t-2,t-1时刻的电流值和电压值作为电池电压预测模型的输入参数,所述电池电压预测模型输出t时刻的预测电压;
其中,n≥5且n为整数,t-n表示t-n时刻;
步骤三、基于四分数盒图策略,根据t时刻的预测电压确定电池的安全等级:
如果或/>,则判断电池处于第一危险等级;
如果或/>,则判断电池处于第二危险等级;
如果或,则判断电池处于第三危险等级;
如果,则判断电池处于安全状态;
式中,表示t时刻的预测电压,/>和/>分别为四分数盒图的第一四分位数和第三四分位数,/>为四分位数极差;/>和/>分别表示电池的充电截止电压和放电截止电压;
其中,第一危险等级的危险程度大于第二危险等级的危险程度,所述第二危险等级的危险程度大于第三危险等级的危险程度。
2.根据权利要求1所述的汽车动力电池的安全性能检测方法,其特征在于,在所述步骤一中,还包括:
在不同温度下,对动力电池进行充放电实验,按照采样周期采集电池的电流和电压,得到原始数据集;并将所述原始数据集划分为训练集、验证集和测试集;
其中,采用所述训练集对所述NARX神经网络进行训练。
3.根据权利要求2所述的汽车动力电池的安全性能检测方法,其特征在于,在进行充放电实验的温度阈值为[-30,60]℃。
4.根据权利要求3所述的汽车动力电池的安全性能检测方法,其特征在于,采用LM算法对NARX神经网络进行训练。
5.根据权利要求3或4所述的汽车动力电池的安全性能检测方法,其特征在于,对所述NARX神经网络进行训练时,采用串并联模式作为反馈模式。
6.根据权利要求5所述的汽车动力电池的安全性能检测方法,其特征在于,所述NARX神经网络的输入时延和反馈时延的阶数均设置为5,隐藏层神经元的数量设置为10。
7.根据权利要求6所述的汽车动力电池的安全性能检测方法,其特征在于,还包括对训练后的NARX神经网络进行精度验证,如果满足决定系数,则将训练后的NARX神经网络作为电池电压预测模型;
其中,决定系数采用如下公式进行计算:
;
式中,N是为电压序列中电压值的总个数,和/>分别代表t时刻电压的预测值和真实值,/>为电压序列的平均值。
8.根据权利要求6所述的汽车动力电池的安全性能检测方法,其特征在于,还包括:如果训练后的NARX神经网络的决定系数,则增加NARX神经网络的输入时延和反馈时延的阶数,直到训练后的NARX神经网络满足决定系数/>。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311785565.0A CN117471327B (zh) | 2023-12-25 | 2023-12-25 | 一种汽车动力电池的安全性能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311785565.0A CN117471327B (zh) | 2023-12-25 | 2023-12-25 | 一种汽车动力电池的安全性能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117471327A true CN117471327A (zh) | 2024-01-30 |
CN117471327B CN117471327B (zh) | 2024-05-07 |
Family
ID=89629626
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311785565.0A Active CN117471327B (zh) | 2023-12-25 | 2023-12-25 | 一种汽车动力电池的安全性能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117471327B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104035037A (zh) * | 2014-05-12 | 2014-09-10 | 广东电网公司电力科学研究院 | 一种新能源汽车动力电池soh在线估算的方法 |
CN104813182A (zh) * | 2012-11-30 | 2015-07-29 | 特斯拉汽车公司 | 串联连接的电池元件中的异常充电事件的稳定状态检测 |
CN108519556A (zh) * | 2018-04-13 | 2018-09-11 | 重庆邮电大学 | 一种基于循环神经网络的锂离子电池soc预测方法 |
CN109143105A (zh) * | 2018-09-05 | 2019-01-04 | 上海海事大学 | 一种电动汽车锂离子电池的荷电状态计算方法 |
CN110133507A (zh) * | 2019-04-23 | 2019-08-16 | 杭州电子科技大学 | 一种基于narx-ukf算法的电池剩余电量估计方法 |
CN111007401A (zh) * | 2019-12-16 | 2020-04-14 | 国网江苏省电力有限公司电力科学研究院 | 一种基于人工智能的电动汽车电池故障诊断方法及设备 |
CN112241608A (zh) * | 2020-10-13 | 2021-01-19 | 国网湖北省电力有限公司电力科学研究院 | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 |
CN112883637A (zh) * | 2021-01-29 | 2021-06-01 | 南昌师范学院 | 锂离子电池rul的混沌时序非线性组合预测方法 |
CN113901707A (zh) * | 2021-12-08 | 2022-01-07 | 南昌师范学院 | 一种车用锂离子动力电池soh时间序列预测方法 |
CN114325450A (zh) * | 2022-01-11 | 2022-04-12 | 青岛科技大学 | 基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法 |
CN115170550A (zh) * | 2022-07-29 | 2022-10-11 | 江苏大学 | 一种基于深度学习的电池缺陷检测方法及系统 |
CN116338454A (zh) * | 2023-05-29 | 2023-06-27 | 深圳市北测检测技术有限公司 | 一种新能源汽车的电性能检测方法及装置 |
US20230207964A1 (en) * | 2021-12-28 | 2023-06-29 | Sumitomo Chemical Company, Limited | Nonaqueous electrolyte secondary battery separator, nonaqueous electrolyte secondary battery member, and nonaqueous electrolyte secondary battery |
CN116482536A (zh) * | 2023-01-30 | 2023-07-25 | 吉林大学 | 基于数据驱动的动力电池故障预警与安全风险评估方法 |
CN116502534A (zh) * | 2023-05-04 | 2023-07-28 | 苏州生利新能能源科技有限公司 | 一种储能电池热失控实时预警及长短期故障预测方法 |
CN117031310A (zh) * | 2023-09-05 | 2023-11-10 | 南京工业大学 | 一种电动汽车动力电池剩余使用寿命预测方法 |
CN117059847A (zh) * | 2023-10-09 | 2023-11-14 | 深圳市北测检测技术有限公司 | 燃料电池的性能检测方法、装置、设备及存储介质 |
CN117148168A (zh) * | 2023-10-27 | 2023-12-01 | 宁德时代新能源科技股份有限公司 | 训练模型的方法、预测电池容量的方法、装置及介质 |
US20230395940A1 (en) * | 2022-06-02 | 2023-12-07 | Sumitomo Chemical Company, Limited | Nonaqueous electrolyte secondary battery separator |
-
2023
- 2023-12-25 CN CN202311785565.0A patent/CN117471327B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104813182A (zh) * | 2012-11-30 | 2015-07-29 | 特斯拉汽车公司 | 串联连接的电池元件中的异常充电事件的稳定状态检测 |
CN104035037A (zh) * | 2014-05-12 | 2014-09-10 | 广东电网公司电力科学研究院 | 一种新能源汽车动力电池soh在线估算的方法 |
CN108519556A (zh) * | 2018-04-13 | 2018-09-11 | 重庆邮电大学 | 一种基于循环神经网络的锂离子电池soc预测方法 |
CN109143105A (zh) * | 2018-09-05 | 2019-01-04 | 上海海事大学 | 一种电动汽车锂离子电池的荷电状态计算方法 |
CN110133507A (zh) * | 2019-04-23 | 2019-08-16 | 杭州电子科技大学 | 一种基于narx-ukf算法的电池剩余电量估计方法 |
CN111007401A (zh) * | 2019-12-16 | 2020-04-14 | 国网江苏省电力有限公司电力科学研究院 | 一种基于人工智能的电动汽车电池故障诊断方法及设备 |
CN112241608A (zh) * | 2020-10-13 | 2021-01-19 | 国网湖北省电力有限公司电力科学研究院 | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 |
CN112883637A (zh) * | 2021-01-29 | 2021-06-01 | 南昌师范学院 | 锂离子电池rul的混沌时序非线性组合预测方法 |
CN113901707A (zh) * | 2021-12-08 | 2022-01-07 | 南昌师范学院 | 一种车用锂离子动力电池soh时间序列预测方法 |
US20230207964A1 (en) * | 2021-12-28 | 2023-06-29 | Sumitomo Chemical Company, Limited | Nonaqueous electrolyte secondary battery separator, nonaqueous electrolyte secondary battery member, and nonaqueous electrolyte secondary battery |
CN114325450A (zh) * | 2022-01-11 | 2022-04-12 | 青岛科技大学 | 基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法 |
US20230395940A1 (en) * | 2022-06-02 | 2023-12-07 | Sumitomo Chemical Company, Limited | Nonaqueous electrolyte secondary battery separator |
CN115170550A (zh) * | 2022-07-29 | 2022-10-11 | 江苏大学 | 一种基于深度学习的电池缺陷检测方法及系统 |
CN116482536A (zh) * | 2023-01-30 | 2023-07-25 | 吉林大学 | 基于数据驱动的动力电池故障预警与安全风险评估方法 |
CN116502534A (zh) * | 2023-05-04 | 2023-07-28 | 苏州生利新能能源科技有限公司 | 一种储能电池热失控实时预警及长短期故障预测方法 |
CN116338454A (zh) * | 2023-05-29 | 2023-06-27 | 深圳市北测检测技术有限公司 | 一种新能源汽车的电性能检测方法及装置 |
CN117031310A (zh) * | 2023-09-05 | 2023-11-10 | 南京工业大学 | 一种电动汽车动力电池剩余使用寿命预测方法 |
CN117059847A (zh) * | 2023-10-09 | 2023-11-14 | 深圳市北测检测技术有限公司 | 燃料电池的性能检测方法、装置、设备及存储介质 |
CN117148168A (zh) * | 2023-10-27 | 2023-12-01 | 宁德时代新能源科技股份有限公司 | 训练模型的方法、预测电池容量的方法、装置及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117471327B (zh) | 2024-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lipu et al. | A review of state of health and remaining useful life estimation methods for lithium-ion battery in electric vehicles: Challenges and recommendations | |
Khalid et al. | Bidirectional charging in V2G systems: An in-cell variation analysis of vehicle batteries | |
CN106154182B (zh) | 一种基于改进d-s证据理论的锂电池故障诊断方法 | |
Wang et al. | A method for state-of-charge estimation of Li-ion batteries based on multi-model switching strategy | |
Dai et al. | ANFIS (adaptive neuro-fuzzy inference system) based online SOC (State of Charge) correction considering cell divergence for the EV (electric vehicle) traction batteries | |
CN108562855A (zh) | 电池内短路检测方法、装置和计算机可读存储介质 | |
Ma et al. | Multi-fault diagnosis for series-connected lithium-ion battery pack with reconstruction-based contribution based on parallel PCA-KPCA | |
Xie et al. | Quantified assessment of internal short-circuit state for 18 650 batteries using an extreme learning machine-based pseudo-distributed model | |
Xu et al. | A vehicle-cloud collaborative method for multi-type fault diagnosis of lithium-ion batteries | |
Chen et al. | Practical failure recognition model of lithium-ion batteries based on partial charging process | |
KR20210000207A (ko) | 내부 단락 셀 검출 방법 | |
Chen et al. | State of health estimation for lithium-ion battery based on long short term memory networks | |
He et al. | Voltage abnormality-based fault diagnosis for batteries in electric buses with a self-adapting update model | |
Cui et al. | Current distribution estimation of parallel-connected batteries for inconsistency diagnosis using long short-term memory networks | |
Zhang et al. | State of health estimation for lithium-ion batteries under arbitrary usage using data-driven multimodel fusion | |
Wang et al. | Charging diagnosis of power battery based on adaptive STCKF and BLS for electric vehicles | |
Renxin et al. | Collaborative estimations of state of energy and maximum available energy of lithium-ion batteries with optimized time windows considering instantaneous energy efficiencies | |
CN117471327B (zh) | 一种汽车动力电池的安全性能检测方法 | |
KR20210000206A (ko) | 이상 배터리 셀 검출 방법 | |
Wu et al. | Research on short-circuit fault-diagnosis strategy of lithium-ion battery in an energy-storage system based on voltage cosine similarity | |
Zhang et al. | Modeling of electric vehicle batteries using rbf neural networks | |
CN116819328A (zh) | 一种电动汽车动力电池故障诊断方法、系统、设备及介质 | |
Hong et al. | Multi-forword-step state of charge prediction for real-world electric vehicles battery systems using a novel LSTM-GRU hybrid neural network | |
Liu et al. | A novel method for fault diagnosis and type identification of cell voltage inconsistency in electric vehicles using weighted Euclidean distance evaluation and statistical analysis | |
Park et al. | Hybrid SOC and SOH estimation method with improved noise immunity and computational efficiency in hybrid railroad propulsion system |
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 |