基于BP神经网络的动力电池外部短路故障诊断及温升预测方法和系统与流程

本发明涉及动力电池安全技术领域，特别是涉及电动汽车的锂离子动力电池短路故障的安全管理中的温升预测技术。

背景技术：

当前，伴随电动汽车的进一步推广和应用，其若干安全问题也逐渐显露，诸如自燃、爆炸、热失控等事故频频发生。资料表明，很大一部分电动汽车起火事故均由车载动力电池故障所引发的。因此，研究与预测动力电池的故障对于提高电动汽车的安全性与可靠性具有十分重要的意义。

在众多的电池故障形式当中，电池外部短路是最为严重的一类故障。因为短路过程中电池内部化学机理迅速破坏，短时间内电流急剧增大，大量的热在电池内部堆积，电池温度迅速上升，当温度升高到一个临界值之后，就会引发热失控。因此，准确诊断电池短路故障情况进而对可能出现的最高温度进行预测，是安全防护及热管理系统中的重要内容。如何准确预测短路可能出现的最高温度，是一个亟需解决的问题。

技术实现要素：

针对上述本领域中存在的技术问题，本发明提供了一种基于BP神经网络的动力电池外部短路故障诊断及温升预测方法，具体包括以下步骤：

第a步，开启上位机并初始化采样频率f、电流阈值I_s、电量阈值C_s；

第b步，上位机通过电流传感器实时监测电流信号I，若I<I_s，所述上位机继续通过电流传感器实时监测电流信号，重复第b步，若I≥I_s，触发电池外部短路故障诊断及最大温升预测机制，进入第c步；

第c步，所述上位机根据所述采样频率f在第t_i时刻采集并储存电流信号I_i，计算外部短路所释放的电量C，计算关系式如下：

其中，N是发生外部短路后的采样数目。

第d步，诊断所述外部短路是否引发电池漏液，若C≥C_s，电池被诊断为尚未发生漏液，将结果显示于所述上位机界面，并进入第e步，若C<C_s，则诊断为发生漏液，将结果显示于所述上位机界面，并进入第f步；

第e步，神经网络1处理，所述上位机将所述第c步计算得的电量C输入至预先建立并训练好的BP神经网络1中，得出所述BP神经网络1的输出，该输出即为该电池外部短路故障最大温升的预测值ΔT_max。

第f步，神经网络2处理，所述上位机将所述第c步计算得的电量C输入至预先建立并训练好的BP神经网络2中，得出所述BP神经网络2的输出，该输出即为该电池外部短路故障最大温升的预测值ΔT_max。

进一步的，所述BP神经网络1和BP神经网络2的建立和训练过程具体包括：

(1).确定所述BP神经网络1和BP神经网络2的训练样本；

(2).建立所述BP神经网络1和BP神经网络2；

(3).分别对所述BP神经网络1和BP神经网络2进行训练；

(4).确定出最佳的所述BP神经网络1和BP神经网络2。

其中，所述确定所述BP神经网络1和BP神经网络2的训练样本中，还对不同环境温度下以及不同荷电状态下的电池进行外部短路测试，具体包括：对不同荷电状态下的电池初始化后，分别对各触发外部短路；所述电流传感器基于所述采样频率采集每一时刻的电流，根据所述公式(1)获得外部短路所释放的电量C；同时，通过温度传感器基于所述采样频率采集第i时刻的电池正负极表面温度T_1i和T_2i，并基于测试环境温度T₀求出所述电池正负极的温升ΔT_1i＝T_1i-T₀，ΔT_2i＝T_2i-T₀，求得所述电池正负极的平均温升最大值ΔT_max＝max[(ΔT_1i+ΔT_2i)/2]作为电池外部短路的最大温升；根据测试结果将所测试的电池分为未发生漏液和发生漏液两类。

进一步的，采集j个未发生漏液的电池所释放的电量C_1j和对应的最大温升ΔT_{max_1j}，以及k个发生漏液的电池所释放的电量C_2k和对应的最大温升ΔT_{max_2k}作为所述BP神经网络1和BP神经网络2的训练样本。

进一步的，所述步骤(2)的建立所述BP神经网络1和BP神经网络2具体包括：设置所述BP神经网络1和BP神经网络2为由输入层、隐含层和输出层组成的三层结构。输入层节点数n₁为1，输出层节点数n₃为1，根据经验公式确定所述BP神经网络的隐含层节点数n₂，计算关系式如下：

其中，α可取1～10的整数，对于n₂数值，下界向上取整，上界向下取整。

进一步的，所述步骤(3)具体包括:根据由所述步骤(1)确定的训练样本，对α取1～10中不同整数时所对应的不同隐含层节点数的BP神经网络1和BP神经网络2分别进行训练，得到各个已训练好的不同隐含层节点数的BP神经网络1和BP神经网络2。

进一步的，所述步骤(4)的确定出最佳的所述BP神经网络1和BP神经网络2具体包括：从步骤(3)所得到的不同隐含层节点数的BP神经网络1和BP神经网络2中，选择隐含层节点数n₂最少并且满足训练误差要求的BP神经网络分别作为最佳的BP神经网络1和BP神经网络2。

本发明还提供了一种用于执行上述动力电池外部短路故障诊断及温升预测方法的动力电池外部短路故障诊断及温升预测系统，包括：上位机、神经网络模块、电流传感器、温度传感器、动力电池、实际运行负载以及CAN总线。

本发明所提供的动力电池外部短路故障诊断及温升预测方法和系统，实现和操作方便，可起到能够在短路发生的初始阶段、尚未出现高温之前诊断电池的短路及漏液情况，并准确预测短路将引起的最大温升的技术效果，同时能够为动力电池外部短路故障的防护及进一步干预提供良好的基础。

附图说明

附图1为本发明的动力电池外部短路故障诊断及温升预测系统图，

附图2为本发明的动力电池外部短路故障诊断及温升预测方法流程图，

附图3为本发明的确定BP神经网络1和BP神经网络2训练样本中的短路测试流程图，

附图4为本发明的BP神经网络1和BP神经网络2结构图。

具体实施方式

如图1所示，本发明所提供的动力电池外部短路故障诊断及温升预测系统包括：上位机、神经网络模块、电流传感器、温度传感器(未示出)、动力电池、实际运行负载以及CAN总线。

图2示出了本发明所提供的一种基于BP神经网络的动力电池外部短路故障诊断及温升预测方法，具体包括以下步骤：

第a步，开启上位机并初始化采样频率f、电流阈值I_s、电量阈值C_s；

第b步，上位机通过电流传感器实时监测电流信号I，若I<I_s，所述上位机继续通过电流传感器实时监测电流信号，重复第b步，若I≥I_s，触发电池外部短路故障诊断及最大温升预测机制，进入第c步；

第c步，所述上位机根据所述采样频率f在第t_i时刻采集并储存电流信号I_i，计算外部短路所释放的电量C，计算关系式如下：

其中，N是发生外部短路后的采样数目。

第d步，诊断所述外部短路是否引发电池漏液，若C≥C_s，电池被诊断为尚未发生漏液，将结果显示于所述上位机界面，并进入第e步，若C<C_s，则诊断为发生漏液，将结果显示于所述上位机界面，并进入第f步；

第e步，神经网络1处理，所述上位机将所述第c步计算得的电量C输入至预先建立并训练好的BP神经网络1中，得出所述BP神经网络1的输出，该输出即为该电池外部短路故障最大温升的预测值ΔT_max。

第f步，神经网络2处理，所述上位机将所述第c步计算得的电量C输入至预先建立并训练好的BP神经网络2中，得出所述BP神经网络2的输出，该输出即为该电池外部短路故障最大温升的预测值ΔT_max。

在本申请的一个优选实施例中，所述BP神经网络1和BP神经网络2的建立和训练过程具体包括：

(1).确定所述BP神经网络1和BP神经网络2的训练样本；

(2).建立所述BP神经网络1和BP神经网络2；

(3).分别对所述BP神经网络1和BP神经网络2进行训练；

(4).确定出最佳的所述BP神经网络1和BP神经网络2。

在本申请的一个优选实施例中，所述确定所述BP神经网络1和BP神经网络2的训练样本中，还对不同环境温度下以及不同荷电状态下的电池进行外部短路测试，具体包括：如图3所示，对不同荷电状态下的电池初始化后，分别对各触发外部短路；所述电流传感器基于所述采样频率采集每一时刻的电流，根据所述公式(1)获得外部短路所释放的电量C；同时，通过温度传感器基于所述采样频率采集第i时刻的电池正负极表面温度T_1i和T_2i，并基于测试环境温度T₀求出所述电池正负极的温升ΔT_1i＝T_1i-T₀，ΔT_2i＝T_2i-T₀，求得所述电池正负极的平均温升最大值ΔT_max＝max[(ΔT_1i+ΔT_2i)/2]作为电池外部短路的最大温升；根据所述外部短路所释放的电量C和所述最大温升ΔT_max将所述电池外部短路故障分为未发生漏液和发生漏液两类。

在本申请的一个优选实施例中，采集j个未发生漏液的电池所释放的电量C_1j和对应的最大温升ΔT_{max_1j}，以及k个发生漏液的电池所释放的电量C_2k和对应的最大温升ΔT_{max_2k}作为所述BP神经网络1和BP神经网络2的训练样本。

在本申请的一个优选实施例中，所述步骤(2)的建立所述BP神经网络1和BP神经网络2具体包括：设置所述BP神经网络1和BP神经网络2为由输入层、隐含层和输出层组成的三层结构。输入层节点数n₁为1，输出层节点数n₃为1，根据经验公式确定所述BP神经网络的隐含层节点数n₂，计算关系式如下：

其中，α可取1～10的整数，对于n₂数值，下界向上取整，上界向下取整。

在本申请的一个优选实施例中，所述步骤(3)具体包括:根据由所述步骤(1)确定的训练样本，对α取1～10中不同整数时所对应的不同隐含层节点数的BP神经网络1和BP神经网络2分别进行训练，得到各个已训练好的不同隐含层节点数的BP神经网络1和BP神经网络2。

在本申请的一个优选实施例中，所述步骤(4)的确定出最佳的所述BP神经网络1和BP神经网络2具体包括：从步骤(3)所得到的不同隐含层节点数的BP神经网络1和BP神经网络2中，选择隐含层节点数n₂最少并且满足训练误差要求的BP神经网络分别作为最佳的BP神经网络1和BP神经网络2。

以下结合实施例对本发明进行详细说明，本发明的技术方案的范围不局限于以下具体实施例。

步骤一，短路测试确定BP神经网络1和BP神经网络2的训练样本：通过在不同环境温度下分别对不同荷电状态(SoC)的电池进行图3所述的电池短路测试，从而确定训练样本。本实施例中选择2组电池进行短路测试，每一组包含10块被测电池，根据电池荷电状态以及不同的环境温度设置给予每块电池不同的编号如表1所示：

表1电池编号

根据短路测试的漏液情况对测试电池的结果进行重新分类编号，如表2所示：

表2基于短路测试结果对电池重新分类编号

步骤二，建立BP神经网络1和BP神经网络2：所建立的BP神经网络均为三层结构，输入层节点数n₁为1，输出层节点数n₃为1，根据公式(2)确定所述BP神经网络的隐含层节点数n₂，n₂可取3～11的整数；

步骤三，分别训练BP神经网络1和BP神经网络2：以步骤一中得到的C_N1～C_N15和C_L1～C_L5分别作为BP神经网络1和BP神经网络2的输入，并以步骤一中得到的ΔT_{max_N1}～ΔT_{max_N15}和ΔT_{max_L1}～ΔT_{max_L5}分别作为BP神经网络1和BP神经网络2的输出，构建训练样本，对n₂取3～11中不同整数时所对应的BP神经网络1和BP神经网络2分别进行训练，得到各个已训练好的不同隐含层节点数的BP神经网络1和BP神经网络2，本实施例采用levenberg-marquardt学习算法，Hessian矩阵可以近似表示为：

H＝J^TJ (7)

梯度的计算表达式为：

g＝J^Te (8)

其中，H是包含网络误差函数对权值和阈值一阶导数的雅克比矩阵，J为雅克比矩阵，e是网络的误差向量。

训练的迭代计算公式如下：

x(k+1)＝x(k)-[J^TJ+μI]^-1J^Te (9)

其中，k为迭代次数，x(k)为第k次迭代各层之间的连接权向量或阈值向量，I为单位矩阵，系数μ在每一次成功的迭代后(误差性能减少)减少，在进行尝试性迭代后的误差性能增加的情况下增大；

步骤四，分别确定出最佳的BP神经网络1和BP神经网络2：从步骤三所得到的不同隐含层节点数的BP神经网络1和BP神经网络2中，选择隐含层节点数n₂最少并且满足训练误差要求的BP神经网络分别作为最佳的BP神经网络1和BP神经网络2，对于本实施例，最佳的BP神经网络1中n₂取9，最佳的BP神经网络2中的n₂取6；

步骤五，开启上位机并初始化参数，本实施例中采样频率f取20Hz，根据步骤一的短路测试，电流阈值I_s取50A，电量阈值C_s取0.12Ah；

步骤六，上位机通过电流传感器实时监测电流信号I，若I<I_s，上位机继续通过电流传感器实时监测电流信号，重复步骤六，若I≥I_s，触发电池外部短路故障诊断及最大温升预测机制，进入步骤七；

步骤七，上位机根据采样频率f在第t_i时刻采集并储存电流信号I_i，根据公式(1)计算短路所释放的电量C；

步骤八，诊断短路是否引发电池漏液：若C≥C_s，电池被诊断为尚未发生漏液，并将结果显示于上位机界面，进入步骤九，若C<C_s，电池被诊断为发生漏液，并将结果显示于上位机界面，进入步骤十；

步骤九，神经网络1处理，上位机将步骤七计算所得的电量C输入至预先建立并训练好的BP神经网络1中，得出BP神经网络1的输出，该输出即为该电池短路故障最大温升的预测值ΔT_max。

步骤十，神经网络2处理，上位机将步骤七计算所得的电量C输入至预先建立并训练好的BP神经网络2中，得出BP神经网络2的输出，该输出即为该电池短路故障最大温升的预测值ΔT_max。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。