一种车载锂电池碰撞热失控预警方法及系统

本发明属于锂电池，具体涉及一种车载锂电池碰撞热失控预警方法及系统。

背景技术：

1、由于锂电池具有高能量密度比、循环使用寿命长和无污染等特点，已经广泛应用于新能源汽车等领域。近年来，国产锂电池的能量密度和使用寿命等性能得到了显著提升，以满足新能源汽车的能量需求。由于新能源汽车三电技术的快速发展与国家政策的大力支持，国产新能源汽车的保有量连续多年居世界第一。然而，随着高能量密度的锂电池在新能源汽车上的广泛应用，由锂电池热失控引起的安全问题频发，新能源汽车发生的起火/爆炸等严重的事故引起了各界的关注，限制了新能源汽车的发展。锂电池热失控的主要诱因有机械滥用，热滥用和电滥用，这些都会导致锂电池内短路，从而产生大量的热使电池内部温度升高，进而引起锂电池内部副反应发生，最终可能会导致起火/爆炸，其中机械滥用是新能源汽车发生热失控的主要原因，汽车在行驶中底盘容易受到外界异物碰撞和穿刺导致电池受到损伤，在有些情况下，受到损伤后的电池不会立刻发生故障，而在之后的某一时刻发生安全问题，所以锂电池的碰撞热失控预警就显得尤为重要，有效的对热失控进行预警，并采取相应的保护措施，对于保护人员生命安全有极大的意义。

2、目前锂电池热失控碰撞预警主要利用电压、温度和电流等特征量的阈值判断预警状态，基于物理模型预测电池的端电压和温度，根据电池单体电压或温度偏离平均值的大小进行预警。锂电池的多物理场建模非常复杂，需要大量的计算资源及时间，并且锂电池的热失控具有较强的非线性以及随机性，传统的物理模型以及单一模型的预测精度还不够令人满意。随着机器学习算法的兴起，现在国内已有多位学者提出了基于机器学习模型的电池故障诊断与热失控预警方法，在一定程度上增加了报警的准确率，但还存在以下问题：

3、(1)现有研究使用的预测方法大都采取单一的神经网络预测，很难提取特征变量的深度信息，泛化性较差；

4、(2)现有研究使用的电池数据集的时间尺度较长，温度和电压变化缓慢，而实际中电池受到碰撞失效后的温度会迅速演变，具有很强的非线性和时变性，电池的热失控预警会非常困难；

5、(3)现有研究大都使用电池热滥用的实验数据进行模型训练，但实际中机械滥用是导致电池热失控的主要原因，需要针对机械滥用工况进行预警方法的开发。

技术实现思路

1、本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种车载锂电池热失控碰撞预警方法及系统，能够准确的预测电池失效与温度变化趋势，并实现了热失控的提前预警，增加了热失控预警的准确率。

2、本发明采用以下技术方案：

3、一种车载锂电池碰撞热失控预警方法，包括以下步骤：

4、s1、通过电池管理系统获得电池的温度、电压、电流和soc等特征数据；

5、s2、采用步骤s1获得的特征数据，利用加权滑动平均滤波对特征数据进行平滑处理，该算法平滑程度高，实时性好，可以有效降低数据的误差；

6、s3、采用步骤s2平滑处理过后的特征数据，对其进行标准化处理，可以提高模型的预测精度；

7、s4、将s3步骤得到的数据作为神经网络模型的输入，利用本发明所建立的组合神经网络模型预测电池的失效以及温度；

8、s5、采用s4步骤得到预测数据，利用本发明设置的多级预警策略，进行预警等级的划分；

9、s6、将预警信息显示在车辆显示装置，并进行声音提示；

10、s7、根据步骤s5的预警等级，做出相应的抑制措施。

11、具体的，步骤s2中，首先令计算机将采集的连续5个数据存入缓存区，然后每采集一个数据便将采样值加入缓存区首端，同时去除缓存区末端的数据，并计算5个采样值的加权平均值。设采样的5个数据为xt,xt-1,…,xt-4，其对应的权值分别为wt,wt-1,…,wt-4，计算缓存区内加权平均值：

12、

13、其中，是t时刻平滑后的值。

14、进一步的，根据实际情况，越接近当前时刻的数据，权值应该越大，这样才能更接近当前时刻的真实值，即max{wt-n}＝wt,min{wt-n}＝wt-4，权值应满足根据上述规则，权值设为：

15、

16、具体的，步骤s3中，由于电压(v)、温度(℃)、电流(a)和soc(％)之间的量纲不同，需要对数据进行归一化，本发明使用的是最大最小标准化方法，使得数据在[0,1]之间，公式如下：

17、

18、其中，x为输入的特征向量，即x＝[xv,xt,xi,xsoc]，分别表示平滑后的当前时刻端电压、温度、电流与soc的值，x*是归一化后的特征向量。

19、具体的，步骤s4中，本发明所建立的组合神经网络模型由两部分组成，分别为基于长短期记忆网络(lstm)的电池失效预测模型和基于一维卷积神经网络(1d-cnn)与长短期记忆网络融合的电池失效温度预测模型。

20、进一步的，本文所建立的组合神经网络模型预测的具体步骤如下：

21、s401：首先利用基于lstm的电池失效预测模型来预测电池是否失效，其输出为0或1，0代表电池未失效；

22、s402：若步骤s401的输出为1，即电池已经失效，组合神经网络模型将切换为基于cnn-lstm的失效温度预测模型来预测电池的温度变化趋势。

23、具体的，步骤s5中，设置三级预警策略。当电池检测到受到外力碰撞时设置为一级预警，当电池发生内短路时设置为二级预警，当电池温度超过130℃时，sei膜发生大规模溶解，此时电池升温速度变快，短时间内电池内部会积聚大量的热，可能会发生起火/爆炸等现象，所以电池温度达到130℃时设置为三级预警，根据步骤s4中组合神经网络模型预测的电池失效情况以及温度的大小，来触发相应的预警级别。

24、本发明的另一技术方案是，一种车载锂电池碰撞热失控预警系统，包括：

25、锂电池状态监测模块，包括温度、电压、电流和碰撞信号的采集，用于实时获取锂电池的状态信息；

26、电池管理模块，包括信号调理电路、数据采集器、主控单元与存储单元，信号调理电路是将传感器输入的信号放大，经过滤波器在一定的频率范围内去除不希望的噪声，数据采集器将采集的模拟信号转为数字信号输入到主控单元；将采样完成的数字信号输入主控单元中，由微处理器对输入数据进行处理、计算，输出预警信号；存储单元主要用于存储本发明所述方法的指令与计算过程产生的数据；

27、报警模块，报警模块包括显示装置和蜂鸣器，主要用于报警信息的提醒；

28、抑制模块，包括气溶胶，和氮气发生器，主要用于电池热失控的抑制。

29、本发明的另一技术方案是，一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行锂电池碰撞热失控预警方法。

30、本发明的另一技术方案是，一种计算设备，包括：

31、一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行锂电池碰撞热失控预警方法的指令。

32、与现有技术相比，本发明至少具有以下有益效果：

33、本发明一种车载锂电池碰撞热失控预警方法及系统，通过锂电池状态监测模块采集多个特征物理量，充分挖掘输入特征和电池热失控行为之间的联系；利用加权滑动平均滤波对特征数据进行平滑处理，该方法实时性好，平滑程度高，能够提高各类数据的精度；将平滑后的数据进行归一化处理，使数据均在[0,1]之间，加快模型的收敛速度以及提高模型的精度；使用本发明所建立的组合神经网络模型对电池的失效与温度进行预测，该算法模型添加了深层神经网络，能够提取输入数据的深层特征，并利用模型切换策略，将电池在正常和失效时的预测任务分解，提高模型的适用性以及失效后电池温度的预测精度；设置了热失控多级预警策略，根据组合神经网络的预测结果触发相应的报警等级，可以在热失控之前触发报警，并采取抑制措施，避免人员发生伤害。

34、下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。