CN118131052A - 锂离子电池模组级温度预测方法及装置 - Google Patents
锂离子电池模组级温度预测方法及装置 Download PDFInfo
- Publication number
- CN118131052A CN118131052A CN202410545944.0A CN202410545944A CN118131052A CN 118131052 A CN118131052 A CN 118131052A CN 202410545944 A CN202410545944 A CN 202410545944A CN 118131052 A CN118131052 A CN 118131052A
- Authority
- CN
- China
- Prior art keywords
- battery
- prediction
- vector
- temperature
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 title claims abstract description 38
- 229910001416 lithium ion Inorganic materials 0.000 title claims abstract description 38
- 239000013598 vector Substances 0.000 claims abstract description 171
- 230000004927 fusion Effects 0.000 claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 230000004044 response Effects 0.000 claims abstract description 16
- 230000015654 memory Effects 0.000 claims description 26
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 7
- 230000006403 short-term memory Effects 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 2
- 239000000178 monomer Substances 0.000 abstract description 7
- 238000012360 testing method Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 12
- 238000012545 processing Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000033228 biological regulation Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000764238 Isis Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- Secondary Cells (AREA)
Abstract
本申请提出一种锂离子电池模组级温度预测方法及装置,涉及电池测试技术领域,其中,方法包括:获取电池模组中任一目标电池的电池状态数据,电池状态数据至少包括电流、电压、荷电状态值和电池表面温度;响应于电池表面温度高于目标阈值,获取目标电池的热图像;根据热图像获取第一预测向量,并根据电池状态数据组成的状态向量获取第二预测向量;根据第一预测向量和第二预测向量融合得到的融合向量,获取电池模组的预测温度场。解决了对电池模组温度预测的准确性较差的问题,能够对电池单体进行自适应的温度预测,再组成电池模组的温度场,避免了不同电池信息在神经网络中进行处理造成的混淆,实现对电池模组的温度预测。
Description
技术领域
本申请涉及电池测试技术领域,尤其涉及一种锂离子电池模组级温度预测方法及装置。
背景技术
锂离子电池因其高能量密度、低自放电率、长循环寿命和无记忆效应而广泛应用于储能系统。然而,电池可能由于内短路或散热不良而产生异常热量。热量会增加电池本身的温度,同时传递到周围的电池,导致电池模组的温度升高。一旦热失控发生,大量热量将转移到相邻的电池,从而触发另一个热失控,从而传播热失控。
目前,存在利用神经网络对电池进行温度预测的方法,但是由于数据的缺乏和热失控传播的不确定性,简单的神经网络模型的泛化能力较差,并且容易过拟合,导致对电池模组温度预测的准确性较差。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请的第一个目的在于提出一种锂离子电池模组级温度预测方法,以实现电池模组热失控的准确预测。
本申请的第二个目的在于提出一种锂离子电池模组级温度预测装置。
本申请的第三个目的在于提出一种电子设备。
本申请的第四个目的在于提出一种计算机可读存储介质。
本申请的第五个目的在于提出一种计算机程序产品。
为达上述目的,本申请第一方面实施例提出了一种锂离子电池模组级温度预测方法,包括:
获取电池模组中任一目标电池的电池状态数据,所述电池状态数据至少包括电流、电压、荷电状态值和电池表面温度;
响应于所述电池表面温度高于目标阈值,获取所述目标电池的热图像;
根据所述热图像获取第一预测向量,并根据所述电池状态数据组成的状态向量获取第二预测向量;
根据所述第一预测向量和所述第二预测向量融合得到的融合向量,获取所述电池模组的预测温度场。
为达上述目的,本申请第二方面实施例提出了一种锂离子电池模组级温度预测装置,包括:
数据获取模块,用于获取电池模组中任一目标电池的电池状态数据,所述电池状态数据至少包括电流、电压、荷电状态值和电池表面温度;
热图像获取模块,用于响应于所述电池表面温度高于目标阈值,获取所述目标电池的热图像;
预测向量获取模块,用于根据所述热图像获取第一预测向量,并根据所述电池状态数据组成的状态向量获取第二预测向量;
温度预测模块,用于根据所述第一预测向量和所述第二预测向量融合得到的融合向量,获取所述电池模组的预测温度场。
为达上述目的,本申请第三方面实施例提出了一种电子设备,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现本申请第一方面实施例提出的一种锂离子电池模组级温度预测方法。
为达上述目的,本申请第四方面实施例提出了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现本申请第一方面实施例提出的一种锂离子电池模组级温度预测方法。
为达上述目的,本申请第五方面实施例提出了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现本申请第一方面实施例提出的一种锂离子电池模组级温度预测方法。
本申请提供的锂离子电池模组级温度预测方法及装置,通过获取电池模组中任一目标电池的电池状态数据,电池状态数据至少包括电流、电压、荷电状态值和电池表面温度;响应于电池表面温度高于目标阈值,获取目标电池的热图像;根据热图像获取第一预测向量,并根据电池状态数据组成的状态向量获取第二预测向量;根据第一预测向量和第二预测向量融合得到的融合向量,获取电池模组的预测温度场。解决了对电池模组温度预测的准确性较差的问题,能够对电池单体进行自适应的温度预测,再组成电池模组的温度场,避免了不同电池信息在神经网络中进行处理造成的混淆,实现对电池模组的温度预测,并且便于对电池模组中的电池单体进行扩展预测,另外,仅仅在表面温度较高的情况下,进行热图像的采集和处理,能够降低数据处理过程中的计算量和内存占用。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例所提供的一种锂离子电池模组级温度预测方法的流程示意图;
图2为本申请实施例所提供的另一种锂离子电池模组级温度预测方法的流程示意图;
图3为本申请实施例所提供的一个长短期记忆神经网络结构图;
图4为本申请实施例所提供的一个多模态多任务融合神经网络结构图;
图5本申请实施例提供的一种锂离子电池模组级温度预测装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的锂离子电池模组级温度预测方法和装置。
图1为本申请实施例所提供的一种锂离子电池模组级温度预测方法的流程示意图。
在目前电池材料和制造技术的限制下,电池的热失控问题无法从根本上解决。传统方法多聚焦于单个电池的温度预测,电池模组温度预测相比单电池预测难度更高。
针对这一问题,本申请实施例提供了一种锂离子电池模组级温度预测方法,以实现电池模组热失控的准确预测,如图1所示,该锂离子电池模组级温度预测方法包括以下步骤:
步骤101,获取电池模组中任一目标电池的电池状态数据,电池状态数据至少包括电流、电压、荷电状态值和电池表面温度。
需要说明的是,电池模组是由多个电芯组装而成的单元,即电池模组是由多个目标电池组成的。
可选地,对于任一目标电池,获取任一时刻下的电池状态数据,获取频率可以是1秒1次,即获取每一秒的电池状态数据。
在本申请实施例中,电池状态数据至少包括电压、电流、荷电状态(State ofCharge,简称SOC)值和电池表面温度。
其中,荷电状态值表示电池使用一段时间后剩余电量与未使用前的电量的比值,常用百分数表示,其取值范围为0~1,当SOC=0时表示电池放电完全,当SOC=1时表示电池完全充满。
在本申请实施例中,电压和电流分别通过电压传感器和电流传感器获取,并进一步根据电压或电流计算SOC值,例如采用电流积分法或者开路电压法计算SOC值,具体的计算方式为现有技术,在本申请实施例中不再赘述。
在本申请实施例中,电池表面温度由T型热电偶测量获取。
作为一种可能的实施方式,电池状态数据还可以包括电池所在的环境温度,环境温度可以通过电池仓内的温度计或温度传感器获取。
步骤102,响应于电池表面温度高于目标阈值,获取目标电池的热图像。
可选地,目标阈值是电池表面温度升高的临界值,当电池表面温度高于目标阈值时,对应的目标电池可能存在温度升高的风险。
在本申请实施例中,目标阈值可以是60°,即在目标电池的电池表面温度高于60°的情况下,获取目标电池的热图像。
其中,获取目标电池的热图像是获取电池模组的热图像,在电池模组的热图像中包括各个目标电池的热图像区域,热图像用于捕捉电池之间的热传递特性,可以由热成像仪拍摄。
在本申请实施例中,热图像的获取频率与电池状态数据的获取频率相同,即在目标电池的电池表面温度高于60°的情况下,任一时刻下,获取目标电池的电池状态数据以及热图像。
步骤103,根据热图像获取第一预测向量,并根据电池状态数据组成的状态向量获取第二预测向量。
可选地,获取任一目标电池在一定时长内的热图像序列,将任一目标电池的热图像输入三维卷积神经网络中,对热图像进行特征提取,获取第一预测向量。
在本申请实施例中,获取到当前时刻为止所有热图像组成热图像序列。
其中,与二维卷积神经网络相比,三维卷积神经网络增加了时间维度,能够关注到热图像随时间的变化,提取出的第一预测向量能够体现热图像的图像特征。
可选地,将任一目标电池在任一时刻下的电池状态数据组成状态向量,将一定时长内的状态向量输入时序预测神经网络中,对状态向量进行特征提取,获取第二预测向量。
其中,时序预测神经网络可以是长短期记忆神经网络,对状态向量进行时序上的特征提取。
需要说明的是,在电池表面温度高于目标阈值的情况下,任一时刻下,对应获取任一目标电池的状态向量与热图像,分别进行特征提取。
步骤104,根据第一预测向量和第二预测向量融合得到的融合向量,获取电池模组的预测温度场。
可选地,将第一预测向量和第二预测向量进行拼接,得到融合向量,例如,对于第i个目标电池,将对应的第一预测向量记为,第二预测向量记为/>,则融合向量为。
进一步的,将融合向量通过完全连接层输出,得到任一目标电池的预测温度,电池模组内包括的各目标电池的预测温度组成的合集,即为电池模组的预测温度场,能够直观展示电池模组内的温度分布情况。
本实施例中,通过获取电池模组中任一目标电池的电池状态数据,电池状态数据至少包括电流、电压、荷电状态值和电池表面温度;响应于电池表面温度高于目标阈值,获取目标电池的热图像;根据热图像获取第一预测向量,并根据电池状态数据组成的状态向量获取第二预测向量;根据第一预测向量和第二预测向量融合得到的融合向量,获取电池模组的预测温度场。解决了对电池模组温度预测的准确性较差的问题,能够对电池单体进行自适应的温度预测,再组成电池模组的温度场,避免了不同电池信息在神经网络中进行处理造成的混淆,实现对电池模组的温度预测,并且便于对电池模组中的电池单体进行扩展预测,另外,仅仅在表面温度较高的情况下,进行热图像的采集和处理,能够降低数据处理过程中的计算量和内存占用。
本实施例提供了另一种锂离子电池模组级温度预测方法,图2为本申请实施例所提供的另一种锂离子电池模组级温度预测方法的流程示意图。
如图2所示,该锂离子电池模组级温度预测方法可以包括以下步骤:
步骤201,获取电池模组中任一目标电池的电池状态数据,电池状态数据至少包括电流、电压、荷电状态值和电池表面温度。
步骤201可参见前述实施例中对应步骤的相关说明,本实施例中对此不再赘述。
进一步的,根据电池表面温度与目标阈值的大小关系,执行步骤202或执行步骤203-205。
步骤202,响应于电池表面温度低于或者等于目标阈值,根据任一目标电池的电池状态数据组成的状态向量,获取电池模组的预测温度场。
可选地,目标阈值是电池表面温度升高的临界值,在本申请实施例中,目标阈值可以是60°。
可以理解的是,当电池表面温度低于或者等于目标阈值时,对应的目标电池温度正常,可以基于任一目标电池的状态向量获取预测温度。
可选地,将任一目标电池的电池状态数据组成的状态向量输入时序预测网络,以输出任一目标电池的预测温度。
其中,时序预测网络是长短期记忆神经网络(LSTM)。
如图3所示,参数是t-1时刻的输入向量、/>是t-1时刻的输出向量,LSTM网络是连续进行预测的,将t-1时刻的输出向量/>和t时刻的输入向量/>作为t时刻的输入,并利用sigmoid激活函数控制添加t-1时刻的隐藏状态/>的程度。参数/>是遗忘门激活,参数/>是输入门激活,也是sigmoid激活函数的输出结果,参数/>是t时刻的隐藏状态,由t-1时刻的输出门确定,参数/>是输出门激活把/>放入tanh内,决定最后输出/>的部分,并和/>相乘,得到最后的输出/>,即t时刻下的预测温度。
其中,t-1时刻的输入向量可以是t-1时刻的状态向量。
进一步的,将t时刻的和/>以及t+1时刻的输入向量/>作为t+1时刻的输入,通过LSTM网络获取t+1时刻的输出/>和隐藏状态/>,将状态一直传递下去,进行连续的温度预测。
在电池表面温度正常的情况下,依据时序预测网络即可准确预测下一时刻或未来多个时刻下目标电池的预测温度。
进一步的,获取电池模组内包括的各目标电池的预测温度组成的合集,作为电池模组的预测温度场,能够直观展示电池模组内的温度分布情况。
步骤203,响应于电池表面温度高于目标阈值,获取目标电池的热图像。
步骤203可参见前述实施例中对应步骤的相关说明,本实施例中对此不再赘述。
步骤204,根据热图像获取第一预测向量,并根据状态向量获取第二预测向量。
可选地,在目标时长内,获取任一目标电池的热图像序列;将热图像序列输入训练完成的第一神经网络,以输出第一预测向量。
其中,第一神经网络是三维卷积神经网络,三维卷积神经网络中的三维卷积层具有时间维度。
在本申请实施例中,目标时长是识别到电池表面温度高于目标阈值的时刻到当前时刻的时长。
其中,三维卷积神经网络分支由三个三维卷积层、两个最大池化层、一个扁平层(Flatten)和两个Dropout的完全连接层组成。
其中,Dropout是一种防止神经网络过拟合的算法。在每个训练批次中,通过忽略一半的特征检测器(让一半的隐层节点值为0),可以明显地减少过拟合现象。
三维卷积层的输入和输出/>之间的关系表示为:
其中,表示连接到当前特征图的前一层中的特征图集合,/>和/>分别是核的高度和宽度,/>表示时间维度,/>是核的第一权重矩阵,/>是第一偏差。
其中,输入是任一目标电池的热图像序列。
三维卷积层和全连接层的激活函数分别是整流线性单元(ReLU)和tanh。体现图像特征的第一预测向量由三维卷积神经网络分支提取,输出为:
其中,是第二权重矩阵,/>是第二偏差。
需要说明的是,第一权重矩阵和第二权重矩阵/>基于三维卷积层自动调节优化得到,根据输入r的序列长度获取对应的第一权重矩阵/>,根据输出z的序列长度获取对应的第二权重矩阵/>。
可选地,对于任一目标电池,获取任一时刻下的状态向量,并将目标时长内的各状态向量组成状态向量序列;将任一目标电池的状态向量序列输入训练完成的第二神经网络,以输出第二预测向量,其中,第二神经网络是长短期记忆神经网络。
需要说明的是,第二神经网络是长短期记忆神经网络中的单个网络结构,将步骤202中训练完成的LSTM网络初始化,并重新训练全连接层的权重,其中,LSTM网络的表达式如下:
传递到完全连接层,其输出为:
其中,表示第i个目标电池的第二预测向量,/>表示第i个目标电池的状态向量在LSTM网络中的输出,/>是第三权重矩阵,/>是第三偏差。
需要说明的是,第三权重矩阵基于完全连接层自动调节优化得到,根据输入/>的序列长度获取对应的第三权重矩阵/>。
在本申请实施例中,可以是一个向量,也可以是多个向量,基于LSTM网络的输入确定,例如,输入为第i个目标电池在某一时刻下的状态向量,则/>是一个向量,对应的第三权重矩阵/>只有一个数值;输入为第i个目标电池在某一时段下的多个状态向量,则/>是多个向量,对应的第三权重矩阵/>的长度基于状态向量的长度确定。
步骤205,根据第一预测向量和第二预测向量融合得到的融合向量,获取电池模组的预测温度场。
可选地,将任一目标电池的融合向量输入全连接层,其中,全连接层用于生成权重、偏差和激活函数;根据权重和偏差对融合向量进行调整,并通过激活函数获取全连接层的输出,其中,输出为任一目标电池的预测温度;根据电池模组内各目标电池的预测温度,生成电池模组的预测温度场。
作为一种可能的实施方式,通过构建电池温度预测网络获取融合向量:
构建电池温度预测网络,其中,电池温度预测网络包括特征融合层;基于特征融合层将任一目标电池的第一预测向量和第二预测向量连接,生成融合向量。
电池温度预测网络包含一个特征融合层和两个完全连接层,其中,特征融合层将两种模式的向量连接起来,例如,对于第i个目标电池,将对应的第一预测向量记为,第二预测向量记为/>,则融合向量为/>。
融合向量通过完全连接层按如下方式输出:
其中,是第i个目标电池的预测温度,/>是第四权重矩阵,/>是第四偏差,是激活函数。
在本申请实施例中,各个偏差是基于所在的神经网络训练生成的常数。
作为一个示例,如图4所示,由n个长短期记忆神经网络分支、一个三维卷积神经网络分支和n个电池温度预测网络构成多模态多任务融合神经网络,其中,n表示目标电池的数量。Dropout层被添加到模型的部分密集层中,以保持模型的强度。
其中,三维卷积神经网络分支由三个三维卷积层、两个最大池化层、一个扁平层和两个Dropout的完全连接层组成。
对于第i个目标电池,将对应的热图像序列输入三维卷积神经网络分支中,状态向量/>输入长短期记忆神经网络分支中,分别获取第一预测向量/>和第二预测向量,通过第i个电池温度预测网络将第一预测向量/>和第二预测向量/>连接,得到融合向量/>,进一步的,将融合向量输入完全连接层进行调整,得到第i个电池的预测温度。
需要说明的是,由于各个目标电池的热图像是通过获取电池模组的热图像得到,在图4中,输出的热图像序列是电池模组的热图像序列,通过三维卷积神经网络获取电池模组内n个目标电池的第一预测向量组成的集合,其中,/>。
进一步的,获取电池模组内包括的各目标电池的预测温度组成的合集,作为电池模组的预测温度场,能够直观展示电池模组内的温度分布情况。
步骤206,响应于预测温度场内任一目标电池的预测温度高于热失控温度,对电池模组进行热失控预警。
在本申请实施例中,热失控温度为100°,即当预测温度场内任一目标电池的预测温度高于100°时,对电池模组进行热失控预警。
作为另一种可能的实施方式,考虑到电池模组的温升问题,可以在预测温度场内任一目标电池的预测温度高于100°且温升大于50°/秒的情况下,对电池模组进行热失控预警。
电池热失控事件是罕见的,通过进行温度判断,切换对应的预测模型进行温度预测,能够提高模型的适用性。
本实施例中,通过获取电池模组中任一目标电池的电池状态数据,电池状态数据至少包括电流、电压、荷电状态值和电池表面温度;响应于电池表面温度低于或者等于目标阈值,根据任一目标电池的电池状态数据组成的状态向量,获取电池模组的预测温度场;响应于电池表面温度高于目标阈值,获取目标电池的热图像;根据热图像获取第一预测向量,并根据电池状态数据组成的状态向量获取第二预测向量;根据第一预测向量和第二预测向量融合得到的融合向量,获取电池模组的预测温度场;响应于预测温度场内任一目标电池的预测温度高于热失控温度,对电池模组进行热失控预警。本实施例在不同的温度下采用不同的预测模型进行预测,适应性提取电池数据,使神经网络能够全面捕捉整体和局部特征,实现电池模组级的热失控预测,并基于多任务构架同时预测多个电池的预测温度。
为了实现上述实施例,本申请还提出一种锂离子电池模组级温度预测装置。
图5为本申请实施例提供的一种锂离子电池模组级温度预测装置的结构示意图。
如图5所示,该锂离子电池模组级温度预测装置500包括:数据获取模块501、热图像获取模块502、预测向量获取模块503和温度预测模块504。
数据获取模块501,用于获取电池模组中任一目标电池的电池状态数据,电池状态数据至少包括电流、电压、荷电状态值和电池表面温度;
热图像获取模块502,用于响应于电池表面温度高于目标阈值,获取目标电池的热图像;
预测向量获取模块503,用于根据热图像获取第一预测向量,并根据电池状态数据组成的状态向量获取第二预测向量;
温度预测模块504,用于根据第一预测向量和第二预测向量融合得到的融合向量,获取电池模组的预测温度场。
进一步地,在本申请实施例的一种可能的实现方式中,预测向量获取模块503,具体用于:
在目标时长内,获取任一目标电池的热图像序列;
将热图像序列输入训练完成的第一神经网络,以输出第一预测向量,其中,第一神经网络是三维卷积神经网络,三维卷积神经网络中的三维卷积层具有时间维度。
对于任一目标电池,获取任一时刻下的状态向量,并将目标时长内的各状态向量组成状态向量序列;
将任一目标电池的状态向量序列输入训练完成的第二神经网络,以输出第二预测向量,其中,第二神经网络是长短期记忆神经网络。
进一步地,在本申请实施例的一种可能的实现方式中,温度预测模块504,具体用于:
将任一目标电池的融合向量输入全连接层,其中,全连接层用于生成权重、偏差和激活函数;
根据权重和偏差对融合向量进行调整,并通过激活函数获取全连接层的输出,其中,输出为任一目标电池的预测温度;
根据电池模组内各目标电池的预测温度,生成电池模组的预测温度场。
构建电池温度预测网络,其中,电池温度预测网络包括特征融合层;
基于特征融合层将任一目标电池的第一预测向量和第二预测向量连接,生成融合向量。
进一步地,在本申请实施例的一种可能的实现方式中,锂离子电池模组级温度预测装置还用于:
响应于电池表面温度低于或者等于目标阈值,将任一目标电池的状态向量输入时序预测网络,以输出任一目标电池的预测温度;其中,时序预测网络是长短期记忆神经网络。
响应于预测温度场内任一目标电池的预测温度高于热失控温度,对电池模组进行热失控预警。
需要说明的是,前述对锂离子电池模组级温度预测方法实施例的解释说明也适用于该实施例的锂离子电池模组级温度预测装置,此处不再赘述。
本实施例中,通过获取电池模组中任一目标电池的电池状态数据,电池状态数据至少包括电流、电压、荷电状态值和电池表面温度;响应于电池表面温度高于目标阈值,获取目标电池的热图像;根据热图像获取第一预测向量,并根据电池状态数据组成的状态向量获取第二预测向量;根据第一预测向量和第二预测向量融合得到的融合向量,获取电池模组的预测温度场。解决了对电池模组温度预测的准确性较差的问题,能够对电池单体进行自适应的温度预测,再组成电池模组的温度场,避免了不同电池信息在神经网络中进行处理造成的混淆,实现对电池模组的温度预测,并且便于对电池模组中的电池单体进行扩展预测,另外,仅仅在表面温度较高的情况下,进行热图像的采集和处理,能够降低数据处理过程中的计算量和内存占用。
为了实现上述实施例,本申请还提出一种电子设备,包括:处理器,以及与所述处理器通信连接的存储器;所述存储器存储计算机执行指令;所述处理器执行所述存储器存储的计算机执行指令,以实现执行前述实施例所提供的锂离子电池模组级温度预测方法。
为了实现上述实施例,本申请还提出一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现前述实施例所提供的锂离子电池模组级温度预测方法。
为了实现上述实施例,本申请还提出一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现前述实施例所提供的锂离子电池模组级温度预测方法。
本申请中所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
需要说明的是,来自用户的个人信息应当被收集用于合法且合理的用途,并且不在这些合法使用之外共享或出售。此外,应在收到用户知情同意后进行此类采集/共享,包括但不限于在用户使用该功能前,通知用户阅读用户协议/用户通知,并签署包括授权相关用户信息的协议/授权。此外,还需采取任何必要步骤,保卫和保障对此类个人信息数据的访问,并确保有权访问个人信息数据的其他人遵守其隐私政策和流程。
本申请预期可提供用户选择性阻止使用或访问个人信息数据的实施方案。即本申请预期可提供硬件和/或软件,以防止或阻止对此类个人信息数据的访问。一旦不再需要个人信息数据,通过限制数据收集和删除数据可最小化风险。此外,在适用时,对此类个人信息去除个人标识,以保护用户的隐私。
在前述各实施例描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种锂离子电池模组级温度预测方法,其特征在于,包括以下步骤:
获取电池模组中任一目标电池的电池状态数据,所述电池状态数据至少包括电流、电压、荷电状态值和电池表面温度;
响应于所述电池表面温度高于目标阈值,获取所述目标电池的热图像;
根据所述热图像获取第一预测向量,并根据所述电池状态数据组成的状态向量获取第二预测向量;
根据所述第一预测向量和所述第二预测向量融合得到的融合向量,获取所述电池模组的预测温度场。
2.根据权利要求1所述的锂离子电池模组级温度预测方法,其特征在于,所述根据所述热图像获取第一预测向量,包括:
在目标时长内,获取任一目标电池的热图像序列;
将所述热图像序列输入训练完成的第一神经网络,以输出所述第一预测向量,其中,所述第一神经网络是三维卷积神经网络,所述三维卷积神经网络中的三维卷积层具有时间维度。
3.根据权利要求1所述的锂离子电池模组级温度预测方法,其特征在于,所述根据所述电池状态数据组成的状态向量获取第二预测向量,包括:
对于任一目标电池,获取任一时刻下的所述状态向量,并将目标时长内的各状态向量组成状态向量序列;
将所述任一目标电池的所述状态向量序列输入训练完成的第二神经网络,以输出所述第二预测向量,其中,所述第二神经网络是长短期记忆神经网络。
4.根据权利要求1所述的锂离子电池模组级温度预测方法,其特征在于,所述根据所述第一预测向量和所述第二预测向量融合得到的融合向量,获取所述电池模组的预测温度场,包括:
将任一目标电池的所述融合向量输入全连接层,其中,所述全连接层用于生成权重、偏差和激活函数;
根据所述权重和偏差对所述融合向量进行调整,并通过所述激活函数获取所述全连接层的输出,其中,所述输出为所述任一目标电池的预测温度;
根据所述电池模组内各目标电池的所述预测温度,生成所述电池模组的预测温度场。
5.根据权利要求1或4所述的锂离子电池模组级温度预测方法,其特征在于,所述根据所述第一预测向量和所述第二预测向量融合得到的融合向量,包括:
构建电池温度预测网络,其中,所述电池温度预测网络包括特征融合层;
基于所述特征融合层将任一目标电池的所述第一预测向量和所述第二预测向量连接,生成所述融合向量。
6.根据权利要求1所述的锂离子电池模组级温度预测方法,其特征在于,所述方法还包括:
响应于所述电池表面温度低于或者等于所述目标阈值,将所述任一目标电池的所述状态向量输入时序预测网络,以输出所述任一目标电池的预测温度;其中,所述时序预测网络是长短期记忆神经网络。
7.根据权利要求1所述的锂离子电池模组级温度预测方法,其特征在于,所述方法还包括:
响应于所述预测温度场内任一目标电池的预测温度高于热失控温度,对所述电池模组进行热失控预警。
8.一种锂离子电池模组级温度预测装置,其特征在于,包括:
数据获取模块,用于获取电池模组中任一目标电池的电池状态数据,所述电池状态数据至少包括电流、电压、荷电状态值和电池表面温度;
热图像获取模块,用于响应于所述电池表面温度高于目标阈值,获取所述目标电池的热图像;
预测向量获取模块,用于根据所述热图像获取第一预测向量,并根据所述电池状态数据组成的状态向量获取第二预测向量;
温度预测模块,用于根据所述第一预测向量和所述第二预测向量融合得到的融合向量,获取所述电池模组的预测温度场。
9.一种电子设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410545944.0A CN118131052A (zh) | 2024-05-06 | 2024-05-06 | 锂离子电池模组级温度预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410545944.0A CN118131052A (zh) | 2024-05-06 | 2024-05-06 | 锂离子电池模组级温度预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118131052A true CN118131052A (zh) | 2024-06-04 |
Family
ID=91247980
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410545944.0A Pending CN118131052A (zh) | 2024-05-06 | 2024-05-06 | 锂离子电池模组级温度预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118131052A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220044023A1 (en) * | 2020-08-05 | 2022-02-10 | Ambarella International Lp | Object-aware temperature anomalies monitoring and early warning by combining visual and thermal sensing sensing |
CN114509685A (zh) * | 2022-02-21 | 2022-05-17 | 重庆工商大学 | 一种构建锂离子电池热失控预测模型的方法及预测系统 |
CN115407207A (zh) * | 2022-08-29 | 2022-11-29 | 广东工业大学 | 锂离子电池荷电状态的在线预测方法与系统 |
CN115879370A (zh) * | 2022-11-17 | 2023-03-31 | 中国科学院广州能源研究所 | 一种预测和监控锂离子电池组内部温度场的方法 |
CN116111221A (zh) * | 2022-11-17 | 2023-05-12 | 中材新材料装备科技(天津)有限公司 | 一种基于图像处理对锂电池健康评估方法 |
-
2024
- 2024-05-06 CN CN202410545944.0A patent/CN118131052A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220044023A1 (en) * | 2020-08-05 | 2022-02-10 | Ambarella International Lp | Object-aware temperature anomalies monitoring and early warning by combining visual and thermal sensing sensing |
CN114509685A (zh) * | 2022-02-21 | 2022-05-17 | 重庆工商大学 | 一种构建锂离子电池热失控预测模型的方法及预测系统 |
CN115407207A (zh) * | 2022-08-29 | 2022-11-29 | 广东工业大学 | 锂离子电池荷电状态的在线预测方法与系统 |
CN115879370A (zh) * | 2022-11-17 | 2023-03-31 | 中国科学院广州能源研究所 | 一种预测和监控锂离子电池组内部温度场的方法 |
CN116111221A (zh) * | 2022-11-17 | 2023-05-12 | 中材新材料装备科技(天津)有限公司 | 一种基于图像处理对锂电池健康评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lipu et al. | Optimal BP neural network algorithm for state of charge estimation of lithium-ion battery using PSO with PCA feature selection | |
Song et al. | Combined CNN-LSTM network for state-of-charge estimation of lithium-ion batteries | |
Khan et al. | Batteries state of health estimation via efficient neural networks with multiple channel charging profiles | |
Jiang et al. | Multi-kernel relevance vector machine with parameter optimization for cycling aging prediction of lithium-ion batteries | |
Lipu et al. | Real-time state of charge estimation of lithium-ion batteries using optimized random forest regression algorithm | |
Takyi-Aninakwa et al. | An optimized relevant long short-term memory-squared gain extended Kalman filter for the state of charge estimation of lithium-ion batteries | |
Cheng et al. | State‐of‐charge estimation with aging effect and correction for lithium‐ion battery | |
Li et al. | State‐of‐health prediction for lithium‐ion batteries via electrochemical impedance spectroscopy and artificial neural networks | |
CN115291116A (zh) | 储能电池健康状态预测方法、装置及智能终端 | |
CN114692827A (zh) | 面向边缘联邦学习的电动汽车锂电池soh在线预测方法 | |
CN115063418A (zh) | 一种基于图像识别的动力电池温度检测方法 | |
CN116071359A (zh) | 一种电池老化程度检测方法、电子设备及存储介质 | |
Manoharan et al. | Electric vehicle battery pack state of charge estimation using parallel artificial neural networks | |
Kannan et al. | A combined DNN-NBEATS architecture for state of charge estimation of lithium-ion batteries in electric vehicles | |
CN118131052A (zh) | 锂离子电池模组级温度预测方法及装置 | |
CN116315189B (zh) | 一种基于数据融合的电池包热失控预测方法和系统 | |
Bayir et al. | Real time determination of rechargeable batteries’ type and the state of charge via cascade correlation neural network | |
Mirzaee et al. | Estimation of internal states in a Li-ion battery using BiLSTM with Bayesian hyperparameter optimization | |
KR102436147B1 (ko) | 열분포 영상을 활용한 머신러닝 기반 배터리 충전상태 추정 방법 | |
Chen et al. | An LSTM-SA model for SOC estimation of lithium-ion batteries under various temperatures and aging levels | |
Vanem et al. | Data-driven approaches to diagnostics and state of health monitoring of maritime battery systems | |
Liu et al. | Online fusion estimation method for state of charge and state of health in lithium battery storage systems | |
KR102575963B1 (ko) | 셀 밸런싱 신경망 모델을 이용한 리튬 이온 배터리 팩 제어방법 및 그 제어장치 | |
CN117341477B (zh) | 磷酸铁锂动力电池内短路预警方法、装置和计算机设备 | |
CN117977636B (zh) | 一种基于样本熵的熔盐耦合火电机组的调频方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |