【技术实现步骤摘要】
本专利技术涉及动力电池安全领域，尤其涉及一种基于深度卷积长短期记忆网络(convolution based long short-term memory，以下简称clstm)的电池热失控预警方法。
技术介绍
1、锂离子动力电池因其高比能、长循环寿命等优势在电动汽车领域得到广泛应用，但锂离子动力电池的安全高效管理仍是电动汽车高质量增长的重大技术挑战，必须对电池进行严格的管理，防止过充、过放、过温。此外，由于其内部结构复杂，锂电池的充放电过程是高度耦合的物理化学反应。不同的充放电速率、环境温度等因素会对电池组的衰减程度和使用寿命产生较大的影响，并且电池内部的电化学参数会随着电池的使用而逐渐发生变化。这就要求电池管理系统(battery management system，以下简称bms)能够识别参数的变化，并采取适当的控制策略来保证其安全性。当蓄电池即将越过安全边界进入故障状态时，故障诊断系统应及时预警，根据已有的工程应用经验判断故障，并给出合理的对策。
2、递归神经网络由于能够捕捉时间周期的长依赖关系而被用于时间序列预测。然而当使用长短期记忆(long short-term memory，以下简称lstm)网络进行电池数据预测时，从电池信号中提取的统计特征不能很好地表示非平稳信息。而在实际的应用中，非平稳特性信息对电池数据的预测至关重要。因此，需要在传统的预测算法中加入对非平稳信息特征的提取，从而提高电池数据预测的精度，同时也更有利于提取电池的热失控信息。
技术实现思路
2、具体技术方案如下：
3、一种基于深度卷积长短期记忆网络的电池热失控预警方法，包括以下步骤：
4、s1：从数据平台获取动力电池的历史数据，并对其进行预处理；所述历史数据包括电池数据字段数据；
5、s2：从预处理后的数据中选取电池单体电压和探头温度数据，对选取的两组数据分别提取其统计特征，并对选取的两组数据分别采用时频分析技术提取其时间-频率特征；
6、s3：采用深度卷积长短期记忆网络构建并训练预测模型，训练用的输入数据为s1得到的预处理后的电池数据字段数据，以及s2得到的电池单体电压和探头温度数据的统计特征、时间-频率特征；训练完成的预测模型用于实现电池单体电压和探头温度的预测；
7、s4：获取动力电池的实时数据，所述实时数据包括电池数据字段数据；将所述实时数据输入训练完成的预测模型，得到预测时间窗口内的单体电池电压预测值和探头温度预测值；
8、s5：对所述单体电池电压预测值和探头温度预测值分别进行改进方差和平均极值熵的计算，将得到的单体电池电压改进方差、单体电池电压平均极值熵、探头温度改进方差、探头温度平均极值熵分别与其设定阈值进行比较，若存在其中任意一项的数值大于设定阈值的情况，则判断电池出现热失控风险，发出热失控预警；所述设定阈值通过对历史数据进行统计分析得到。
9、进一步地，所述s5中，改进方差s2的计算表达式如下：
10、
11、式中，m为电池包中电池单体的总数，avg表示m个电池单体数据序列k的均值，电池单体数据序列k表示电池单体电压e或探头温度t，其中，k(1)表示第1号电池单体数据序列；k(i,j)表示j时刻下的第i号电池单体数据序列，i＝1,2,…,m，j＝1,2,…,n，n为预测时间窗口对应的预测时长。
12、进一步地，所述s5中，平均极值熵的计算表达式如下：
13、
14、式中，n为预测时间窗口对应的预测时长，kmax表示t时刻电池单体数据序列中的最大值，kmin表示t时刻电池单体数据序列中的最小值。
15、进一步地，所述s5中，设定阈值的获取方式为：计算历史数据中电池单体电压的改进方差和平均极值熵、探头温度的改进方差和平均极值熵，通过箱型图分析电池正常数据和热失控数据，将单体电池电压改进方差se箱型图分析的上四分位数的值作为se的设定阈值，单体电池电压平均极值熵箱型图分析的上四分位数的值作为的设定阈值，探头温度改进方差st箱型图分析的上四分位数的值作为st的设定阈值，探头温度平均极值熵箱型图分析的上四分位数的值作为的设定阈值。
16、进一步地，所述s1中，动力电池的历史数据包括：电池单体电压、探头温度、电池包电压、电流、soc、soh、里程。
17、进一步地，所述s1中，预处理的方式具体为：首先进行数据清洗，再进行数据归一化，最后做标准化处理。
18、进一步地，所述s2中，预处理后的电池单体电压的统计特征，包括电压的均值、标准差、方差、最大值、最小值；预处理后的温度数据的统计特征包括温度的均值、标准差、方差、最大值、最小值。
19、进一步地，所述s2中，时频分析技术包括：短时傅里叶变换、小波变换、经验模态分解、集合经验模态分解。
20、进一步地，所述s3中，clstm模型包括：卷积层、lstm层、全连接层；所述卷积层用于捕捉局部依赖关系，所述lstm层用于执行序列预测。
21、本专利技术的有益效果是：
22、(1)本专利技术使用时频分析技术提取时间频率特征，并用卷积神经网络算法提高对电池数据预测的准确性；所用的clstm算法通过卷积操作能够同时处理时间序列数据的时间域和频率域特征，对于电池电压和温度这类信号非平稳的特性，clstm能够很好地捕捉到信号变化；而且，clstm可以构建成深层网络结构，每一层都能够学习到不同级别的抽象特征。这使得clstm能够从原始数据中学习到更复杂的模式，使得该算法对于电池性能的细微变化更为敏感。
23、(2)本专利技术使用历史数据中动力电池单体电压和探头温度的改进方差和平均极值熵来设置热失控报警阈值，通过计算实时的单体电池电压预测值和探头温度预测值的改进方差和平均极值熵，并将其与设定阈值作比较，判断是否达到热失控报警条件。这种机器学习和机理分析相结合的方法，能够精准地判断未来较长一段时间内动力电池是否会热失控，精准高效，具有一定的应用前景。
本文档来自技高网...【技术保护点】
1.一种基于深度卷积长短期记忆网络的电池热失控预警方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度卷积长短期记忆网络的电池热失控预警方法，其特征在于，所述S5中，改进方差S2的计算表达式如下：
3.根据权利要求1所述的基于深度卷积长短期记忆网络的电池热失控预警方法，其特征在于，所述S5中，平均极值熵的计算表达式如下：
4.根据权利要求1所述的基于深度卷积长短期记忆网络的电池热失控预警方法，其特征在于，所述S5中，设定阈值的获取方式为：计算历史数据中电池单体电压的改进方差和平均极值熵、探头温度的改进方差和平均极值熵，通过箱型图分析电池正常数据和热失控数据，将单体电池电压改进方差SE箱型图分析的上四分位数的值作为SE的设定阈值，单体电池电压平均极值熵箱型图分析的上四分位数的值作为的设定阈值，探头温度改进方差ST箱型图分析的上四分位数的值作为ST的设定阈值，探头温度平均极值熵箱型图分析的上四分位数的值作为的设定阈值。
5.根据权利要求1所述的基于深度卷积长短期记忆网络的电池热失控预警方法，其特征在于，所述S1中，动力电池
6.根据权利要求1所述的基于深度卷积长短期记忆网络的电池热失控预警方法，其特征在于，所述S1中，预处理的方式具体为：首先进行数据清洗，再进行数据归一化，最后做标准化处理。
7.根据权利要求1所述的基于深度卷积长短期记忆网络的电池热失控预警方法，其特征在于，所述S2中，预处理后的电池单体电压的统计特征，包括电压的均值、标准差、方差、最大值、最小值；预处理后的温度数据的统计特征包括温度的均值、标准差、方差、最大值、最小值。
8.根据权利要求1所述的基于深度卷积长短期记忆网络的电池热失控预警方法，其特征在于，所述S2中，时频分析技术包括：短时傅里叶变换、小波变换、经验模态分解、集合经验模态分解。
9.根据权利要求1所述的基于深度卷积长短期记忆网络的电池热失控预警方法，其特征在于，所述S3中，CLSTM模型包括：卷积层、LSTM层、全连接层；所述卷积层用于捕捉局部依赖关系，所述LSTM层用于执行序列预测。
...【技术特征摘要】
1.一种基于深度卷积长短期记忆网络的电池热失控预警方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度卷积长短期记忆网络的电池热失控预警方法，其特征在于，所述s5中，改进方差s2的计算表达式如下：
3.根据权利要求1所述的基于深度卷积长短期记忆网络的电池热失控预警方法，其特征在于，所述s5中，平均极值熵的计算表达式如下：
4.根据权利要求1所述的基于深度卷积长短期记忆网络的电池热失控预警方法，其特征在于，所述s5中，设定阈值的获取方式为：计算历史数据中电池单体电压的改进方差和平均极值熵、探头温度的改进方差和平均极值熵，通过箱型图分析电池正常数据和热失控数据，将单体电池电压改进方差se箱型图分析的上四分位数的值作为se的设定阈值，单体电池电压平均极值熵箱型图分析的上四分位数的值作为的设定阈值，探头温度改进方差st箱型图分析的上四分位数的值作为st的设定阈值，探头温度平均极值熵箱型图分析的上四分位数的值作为的设定阈值。
5.根据权利要求1所述的基于深度卷积长短期记忆网络的电池热失控预警方法，其特...
【专利技术属性】
技术研发人员：胡蓓，谢海波，杨华勇，黄昱波，郭天宇，
申请(专利权)人：浙江大学高端装备研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。