[發明專利]基于自動神經網絡搜索的鋰離子電池機械強度預測方法

在審

• 申請號: 201710220180.8
• 申請日: 2017-04-06
• 公開（公告）號: CN107092733A
• 公開（公告）日: 2017-08-25
• 發明（設計）人: 李整;張健;李水;宋冰潔
• 申請（專利權）人: 汕頭大學
• 主分類號: G06F17/50
• 分類號: G06F17/50
• 代理公司: 廣州三環專利商標代理有限公司44202
• 代理人: 溫旭,張澤思

技術領域

本發明涉及電動汽車能量存儲系統機械強度的評估，具體而言，涉及一種基于自動神經網絡搜索的鋰離子電池機械強度預測方法。

背景技術

基于物理模型和經驗模型對電動汽車的鋰離子電池等能量存儲系統進行建模，以評估電動汽車能量存儲系統的狀態，是當前研究的熱點。經過對電池建模方法的總結，發現基于人工智能（AI）方法的建模可以集成在系統中。但是當輸入發生變化時，它的魯棒性和準確性對專家們仍然是一個很大的挑戰。例如，電池組內部溫度和放電率的變化以及由于道路坡度或摩擦條件引起的突然變化均可能導致電池狀態監測產生較大的誤差，從而導致對電動車輛電池組的低效監控。同時，當電池組在突然遭受外部沖擊或碰撞時，很少有人關注對電池機械強度的評估。因此，出于道路安全的考慮，電池機械強度的評估對于電池生產商及汽車制造商來說是非常有意義的，因為這種由于碰撞而引起的不可預見的影響可能導致電池的爆炸，甚至發生火災。

發明內容

本發明的目的在于提供一種基于自動神經網絡搜索的鋰離子電池機械強度預測方法，基于有限元法的自動神經網絡（ANS）搜索方法，開發了當電池遭受到突然沖擊時基于位移、溫度和應變率三種輸入的鋰離子電池機械強度模型。

為了實現上述的目的，采用如下的技術方案。一種基于自動神經網絡搜索的鋰離子電池機械強度預測方法，其特征在于，包括：

步驟S1：根據電動汽車在突然遭受沖擊下，鋰離子電池主要參數的變化及其對行車安全的影響，確定神經網絡的輸入、輸出參數；

步驟S2：對鋰離子電池進行有限元建模，收集數據樣本作為訓練樣本；

步驟S3：基于數據樣本和給定的自動神經網絡設置制定鋰離子電池機械強度模型，并將兩種類型的不確定性考慮進來；

步驟S4：將所收集的數據樣本以一定的比例劃分為兩部分，并輸入到步驟S3中所制定的鋰離子電池機械強度模型，對數據樣本進行訓練；

步驟S5：只選擇相關系數大于某一確定值的自動神經網絡模型作為進一步分析鋰離子電池機械強度的模型，預測鋰離子電池機械強度；

步驟S6：對模型進行仿真驗證，判斷模型的準確性和魯棒性。

所述自動神經網絡自動選擇隱藏層中的神經元數量、隱藏層和輸出層中的激活函數及訓練算法，所述隱藏層包含未知數量的神經元，所述自動神經網絡搜索通過使用各種訓練算法來設置隱藏層中的神經元數量，位于隱藏層和輸出層中的激活函數將數據的加權求和轉換為一個清晰的值。

所述自動神經網絡搜索的機制是基于人工神經網絡（ANN），由輸入層、隱藏層和輸出層組成，所述輸入層由與輸入數量相同的神經元組成，即位移、溫度、應變率，所述輸出層由單一的輸出機械強度組成。

步驟S2包括：在有限元分析軟件上，先定義鋰離子電池的材料特性，接著應用邊界條件模擬鋰離子電池對施加載荷的力學響應，得到鋰離子電池在遭受突然沖擊下的數據樣本。

所述兩種類型的不確定性是設置的變化和輸入的分布。

基于人工智能（AI）的建模方法在其參數設置方面具有不確定性，其參數設置的改變可以顯著地影響模型預測電池狀態的能力。所述設置的變化是所述自動神經網絡搜索要改變的設置，包括網絡類型、隱藏層和輸出層的激活函數、訓練算法、隱藏神經元的數量。

所述網絡類型包括多層感知器和徑向基函數，所述隱藏層和輸出層的激活函數包括Identity、高斯、正弦、雙曲線、指數和邏輯函數。

諸如沖擊或振動等外在或內在因素可能引起電池的位移、溫度和應變率的非系統性變化，這將顯著影響電池強度的預測。所述鋰離子電池機械強度模型的輸入按正態分布變化。所述輸入的分布是假設所選擇的N個輸入（例如位移、溫度、應變率）按正態分布變化，且公差和標準偏差基于試驗和誤差方法來確定，以產生用于評價電池機械強度模型魯棒性的分布樣本。

步驟S6包括：在N個輸入的不確定條件下，利用數值仿真軟件，對基于自動神經網絡經過優化的模型進行仿真，該自動神經網絡模型在計算機程序設計語言中加載，如C、C++等。

在所述仿真中，假定每個輸入遵循正態分布，其中最小值和最大值被設置為相同的輸入，并且通過將其它輸入保持為它們的平均值，分析每個輸入單獨作用于鋰離子電池時，對其機械強度的影響。

與現有技術相比，本發明是利用自動神經網絡搜索方法構建的鋰離子電池機械強度預測方法，利用該模型對電動汽車在突然遭受沖擊下鋰離子電池機械強度進行預測，為道路安全提供可靠依據，本發明在不確定和動態輸入條件下構建的模型是準確的和魯棒的。