[發明專利]一種構建鋰離子電池熱失控預測模型的方法及預測系統

在審

• 申請號: 202210157234.1
• 申請日: 2022-02-21
• 公開（公告）號: CN114509685A
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 姚行艷;陳國麟;曹曉莉;唐燦
• 申請（專利權）人: 重慶工商大學
• 主分類號: G01R31/3842
• 分類號: G01R31/3842;G01R31/378;G06N3/02
• 代理公司: 重慶為信知識產權代理事務所(普通合伙) 50216
• 代理人: 余錦曦

1.一種構建鋰離子電池熱失控預測模型的方法，其特征在于包括采集熱失控實驗數據和利用該實驗數據構建基于神經網絡的熱失控預測模型，該熱失控預測模型包括特征提取器、特征融合器和分類器，所述方法具體包括以下步驟：

S1、熱失控實驗數據采集：對鋰離子電池進行熱失控實驗，采集電池序列特征數據，以及聲音信號和熱成像數據；

所述電池序列特征數據包括溫度數據、電壓數據和電流數據；

S2、數據預處理：對步驟S1中采集的數據進行切片，生成歷史數據；

電池狀態記為y，設置溫度閾值，超過該閾值代表發生熱失控，y＝1，否則代表未發生熱失控，y＝0；

S3、提取特征數據：將經過步驟S2預處理的數據作為輸入，以鋰離子電池熱失控異常狀態為標簽，利用所述特征提取器提取數據特征；

S4、特征融合：利用所述特征融合器計算所有所述數據特征的注意力權重，進行特征融合；

S5、熱失控狀態判斷：利用所述分類器得到鋰離子電池熱失控狀態；

S6、模型訓練：將步驟S2中的所述歷史數據分為訓練集和測試集，將所述訓練集輸入到所述熱失控預測模型中進行訓練，輸入所述測試集進行驗證，以準確率為評判指標判斷模型準確度，從而更新熱失控預測模型。

2.根據權利要求1所述的一種構建鋰離子電池熱失控預測模型的方法，其特征在于所述步驟S2中切片具體過程為：利用大小為T的滑動窗口對步驟S1采集的數據進行切片，生成歷史電壓數據X_V、電流數據X_I、溫度數據X_T、聲音數據X_S和熱成像數據X_P。

3.根據權利要求2所述的一種構建鋰離子電池熱失控預測模型的方法，其特征在于：所述特征提取器包括長短時記憶神經網絡(LSTM)、一維卷積神經網絡(1D CNN)和殘差網絡ResNet50；

所述步驟S3中，采用長短時記憶神經網絡(LSTM)提取電壓、電流和溫度序列數據的特征向量，分別記為h_V∈R^N×m、h_I∈R^N×m和h_T∈R^N×m；

采用一維卷積神經網絡(1D CNN)提取聲音信號的特征向量，記為h_S∈R^N×m；

采用殘差網絡ResNet50提取熱成像的特征向量，記為h_P∈R^N×m。

4.根據權利要求3所述的一種構建鋰離子電池熱失控預測模型的方法，其特征在于：所述步驟S3中，按照式(1)～(6)計算提取電壓、電流和溫度序列數據的特征，

g_t＝σ(W_f·[h_t-1,x_t])+b_g (1)

i_t＝σ(W_i·[h_t-1,x_t])+b_i (2)

o_t＝σ(W_o·[h_t-1,x_t])+b_o (5)

h_t＝o_t*tanh(S_t) (6)

其中，g_t是遺忘門，i_t是輸入門，o_t是輸出門，σ是激活函數；

W是權重矩陣，采用正態分布初始化；

b是偏置，初始化為0；

h_t為電壓或電流或溫度序列數據的特征；

提取電壓序列數據特征時輸入x_t∈X_V，提取電流序列數據特征時輸入x_t∈X_I，提取溫度序列數據特征時輸入x_t∈X_T；

和S_t為運算過程中間值。