CN114460481A - 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 - Google Patents

基于Bi-LSTM和注意力机制的储能电池热失控预警方法 Download PDF

Info

Publication number
CN114460481A
CN114460481A CN202210103432.XA CN202210103432A CN114460481A CN 114460481 A CN114460481 A CN 114460481A CN 202210103432 A CN202210103432 A CN 202210103432A CN 114460481 A CN114460481 A CN 114460481A
Authority
CN
China
Prior art keywords
energy storage
storage battery
lstm
thermal runaway
attention mechanism
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202210103432.XA
Other languages
English (en)
Inventor
杨燕
黎俊伟
王国胤
于洪
余娟
杨知方
王博石
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202210103432.XA priority Critical patent/CN114460481A/zh
Publication of CN114460481A publication Critical patent/CN114460481A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)

Abstract

本发明属于储能电池安全预警领域，特别涉及一种基于Bi‑LSTM和注意力机制的储能电池热失控预警方法，包括构建基于Bi‑LSTM与注意力机制的特征挖掘模型，分别训练n个基础模型，计算每个基础模型的重构误差，n个基础模型的重构误差构成基础误差集，根据重构误差集计算重构误差阈值；将n个基础模型的重构误差与重构误差阈值进行比较，若基础误差的重构误差小于重构误差阈值，则基础模型判断电池正常，否则判断电池热失控；综合n个基础模型对电池热失控计算热失控概率P；当热失控概率P超过70％时进行热失控示警；本发明实现储能电池数据特征的精准学习，有效提取热失控过程中储能电池状态信息数据的时变特性。

Description

基于Bi-LSTM和注意力机制的储能电池热失控预警方法
技术领域
本发明属于储能电池安全预警领域，特别涉及一种基于Bi-LSTM和注意力机制的储能电池热失控预警方法。
背景技术
目前，储能电池主要被运用于电动汽车与储能电站中。随着电动汽车和储能电站的大规模推广，储能电池热失控所引发的燃烧和***事故屡见不鲜。当前，能源***中的储能电池安全性不足给国民经济和生命安全带来重大隐患。
储能电池热失控问题的成因分为三类：机械故障、电气故障和热故障。其共性环节为内短路。内短路发展时间尺度达几百小时，且初期阶段现象不明显，而末期会在短时间内引发燃烧***，故而热失控防控预警问题具有重要意义。为解决热失控的防控预警问题，学界主流方法分为三类：基于实验的方法、基于模型的方法、基于数据驱动的方法。基于实验的方法能够得出电池温度安全边界进而指导电池***设计。但实验方法的准确性依赖于大量实验次数，进而存在安全隐患和经济成本高的问题，难以推广运用。基于模型的方法主要通过估计电池的温升、电压变化或温度分布来间接预警热失控。其优点为物理意义明晰，但现有模型方法所针对工况较为单一，难以适用于真实工况。
基于数据驱动的方法是该领域新兴研究热点之一，通过使用历史数据，可以建立储能电池电压、温度、SOC等参数与其热失控关系的数据模型，其优点是可以反映电池真实工况并且避免对于储能电池内部复杂电化学机理的研究。目前，基于数据驱动的方法多为有监督方法，其研究思路是通过实验方法获得特定工况下热失控储能电池数据，将其作为标签来训练神经网络模型，进而对储能电池的热失控情况进行判别。但上述有监督方法存在下述问题：虽然储能电池运行数据规模庞大，但热失控电池数据占比少，存在小样本问题，进而导致模型精度不高，故而有监督方法在该问题上存在局限性。而无监督方法可对没有标签标注的数据集进行学***衡数据不敏感，该方法适用于含有大量正常样本的储能电池判异问题。但处于热失控前中期的储能电池和正常电池数据差异性微弱，仅用简单距离计算方法进行无监督聚类(例如Kmeans方法) 难以分辨出热失控储能电池。综上所述，能够有效捕捉储能电池热失控电池与正常电池数据差异的无监督方法在电化学储能电池热失控预警上具有巨大的应用潜能。
发明内容
针对现有的精准预警储能电池热失控技术瓶颈的问题，本发明提出一种基于Bi-LSTM和注意力机制的储能电池热失控预警方法，包括以下步骤：
获取储能电池运行状态信息，并将获取的储能电池运行状态信息采用 z-score标准化方法进行标准化；并将n个正常电池数据集作为n个训练数据；
构建基于Bi-LSTM与注意力机制的特征挖掘模型，通过n个训练数据分别训练得到n个基础模型，计算每个基础模型的重构误差，n个基础模型的重构误差构成基础误差集，并根据重构误差集计算重构误差阈值；
将n个基础模型的重构误差与重构误差阈值进行比较，若基础误差的重构误差小于重构误差阈值，则基础模型判断电池正常，否则判断电池热失控；
综合n个基础模型对电池热失控计算热失控概率P，表示为：
Figure RE-GDA0003555317320000021
其中，yk为第k个基础模型对该储能电池的判断结果为电池热失控；
当热失控概率P超过70％时进行热失控示警。
进一步的，采用z-score标准化方法进行标准化：
Figure RE-GDA0003555317320000022
其中，x为待归一化的样本值；x*为归一化后的样本值；xμ为样本均值；xσ为样本标准差。
进一步的，基于Bi-LSTM与注意力机制的特征挖掘模型包括Bi-LSTM模型和注意力机制，Bi-LSTM模型包括两层长短期记忆网络，即正向传播的长短期记忆网络和反向传播的长短期记忆网络，正向传播的长短期记忆网络的传播过程包括：
ft＝σ(Wfht-1+Ufxt+bf)；
it＝σ(Wiht-1+Uixt+bi)；
Figure RE-GDA0003555317320000031
Figure RE-GDA0003555317320000032
ot＝σ(Woht-1+Uoxt+bo)；
ht＝ot⊙tanh(Ct)；
其中，xt为当前序列隐层节点的输入；Ct为当前序列隐层的节点状态；ht为为t时刻的正向隐藏层输出；ft、it、ot为中间变量，Wf、Wi、Wo、Wc分别为中间变量ft、it、ot以及
Figure RE-GDA0003555317320000033
对应的权重矩阵，bf、bi、bo、bc别为中间变量ft、it、ot以及
Figure RE-GDA0003555317320000034
对应的偏置参数；Uf、Ui、Uc、Uo分别为遗忘门、输入门、序列隐藏节点状态、输出门对应的输入权重矩阵；σ()为激活函数；⊙表示矩阵中对应的元素相乘。
进一步的，Bi-LSTM模型t时刻隐藏层输出表示为：
h't＝atht+bthi+ct；
其中，h't表示Bi-LSTM模型t时刻隐藏层输出；at、bt为t时刻的反向隐藏层输出权重，ht、hi分别为正、反向时间序列t时刻的隐藏层输出；ct表示偏置项。
进一步的，在基于Bi-LSTM与注意力机制的特征挖掘模型中，将每个时刻输入该模型的特征分类个使用注意力机制进行权重分配，将得到的隐藏层作为输入数据，更新得到新的隐藏层输出h”t，包括：
h”t＝Ath't；
其中，At为注意力机制层的权重矩阵。
进一步的，注意力机制层的权重矩阵At中第i行、j列的元素αi,j为Bi-LSTM 模型t时刻隐藏层输出h′t中第i个元素与第j个元素的相似性，表示为：
Figure RE-GDA0003555317320000041
其中，h'i,t、h'j,t分别表示t时刻Bi-LSTM隐藏层输出h't的第i、第j元素；l为隐藏层输出维度。
进一步的，基于Bi-LSTM与注意力机制的特征挖掘模型训练过程的目标为最小化输入输出数据的重构误差，该目标表示为：
Figure RE-GDA0003555317320000042
其中，
Figure RE-GDA0003555317320000043
为输入Xin与输出
Figure RE-GDA0003555317320000044
的重构误差；m为输入Xin与输出
Figure RE-GDA0003555317320000045
的维度，N为总时长；xin,i,t为输入Xin中第i维度t时刻的元素值；xout,i,t为输出
Figure RE-GDA0003555317320000046
中第i维度t时刻的元素值。
进一步的，待检测样本的重构误差与重构误差阈值进行比较，判断是否进行预警的过程包括：
Figure RE-GDA0003555317320000047
其中，X'in表示某待判断储能电池输入，表示为Xin＝[V,SOC,I,T,M]，V表示储能电池的电池电压，SOC表示储能电池的荷电状态，I表示储能电池的电流， T表示储能电池的温度，M表示一组电池数据中所有单体，即V、SOC、I、T，的电压方差、均值、最大值、最小值；
Figure RE-GDA0003555317320000048
表示某待判断储能电池输出，表示为
Figure RE-GDA0003555317320000049
为根据输入特征V、SOC、I、T、M的重构特征；y表示基础模型对该待判断的储能电池的判断结果；K表示重构误差阈值。
进一步的，重构误差阈值K的计算包括：计算输入数据集对应重构误差集的平均值和标准差，选择大于平均值二个标准差处的重构误差作为重构误差阈值K。
本发发明可以实现储能电池数据特征的精准学习，有效提取热失控过程中储能电池电压、温度、SOC等数据的时变特性；另外本发明通过注意力机制改进基础模型实现储能电池各参数不同时刻的差异化权重学习，并最终形成集成模型，进一步减少对热失控储能电池的漏判和误判。
附图说明
图1为本发明中采用的长短时期记忆网络示意图；
图2为本发明基于Bi-LSTM与注意力机制的储能电池数据特征挖掘示意图；
图3为本发明基于Bi-LSTM与注意力机制的储能电池特征挖掘基础模型；
图4为本发明基于Bi-LSTM与注意力机制的储能电池热失控预警方法流程图；
图5为本发明实施例中预警概率前10位的预警概率值。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提出一种基于Bi-LSTM和注意力机制的储能电池热失控预警方法，包括以下步骤：
获取储能电池运行状态信息，并将获取的储能电池运行状态信息采用 z-score标准化方法进行标准化；并将n个正常电池数据集作为n个训练数据；
构建基于Bi-LSTM与注意力机制的特征挖掘模型，通过n个训练数据分别训练得到n个基础模型，计算每个基础模型的重构误差，n个基础模型的重构误差构成基础误差集，并根据重构误差集计算重构误差阈值；
将n个基础模型的重构误差与重构误差阈值进行比较，若基础误差的重构误差小于重构误差阈值，则基础模型判断电池正常，否则判断电池热失控；
综合n个基础模型对电池热失控计算热失控概率P，表示为：
Figure RE-GDA0003555317320000061
其中，yk为第k个基础模型对该储能电池的判断结果为电池热失控；
当热失控概率P超过70％时进行热失控示警。
实施例1
在本实施例中，进一步对本发明一种基于Bi-LSTM和注意力机制的储能电池热失控预警方法进行具体说明。
本发明提出基于Bi-LSTM与注意力机制的储能电池数据特征挖掘技术，并将其作为储能电池热失控判异的基础模型。储能电池运行状态可由电池电压(V)、电流(I)、荷电状态(SOC)、温度(T)等变量进行描述，这些变量能够通过电池管理***(battery managementsystem，BMS)实时监控得到。由于这些变量具有不同的量纲且数值上具有较大的差别，为保证基础重构模型的训练精度，应首先对储能电池样本进行数据标准化处理。由于储能电池受电池物理状态变化影响可能存在一些偏离样本均值的极端数据，而z-score标准化方法是利用样本整体信息，受极端数据影响较小，故本文选用z-score标准化方法。z-score标准化方法利用样本均值和标准差来进行数据预处理，即：
Figure RE-GDA0003555317320000062
式中：x为待归一化的样本值；x*为归一化后的样本值；xμ为样本均值；xσ为样本标准差。将标准化后的变量作为基础模型输入特征向量。储能电池的热失控过程往往涉及到几十个小时的时间跨度，因此在进行数据重构的过程中，基础模型需具备处理长时间跨度信息的能力。双向长短时记忆网络(Bi-long Short-term Memory，Bi-LSTM)能高效且有效地捕捉长时间跨度信息的特征，故本发明选用Bi-LSTM作为基础模型，由两层长短期记忆网络(Long Short-Term Memory，LSTM)组合得到。LSTM如图1所示。具体模型如下：
ft＝σ(Wfht-1+Ufxt+bf)；
it＝σ(Wiht-1+Uixt+bi)；
Figure RE-GDA0003555317320000071
Figure RE-GDA0003555317320000072
ot＝σ(Woht-1+Uoxt+bo)；
ht＝ot⊙tanh(Ct)；
其中：xt为当前序列隐层节点的输入；Ct为当前序列隐层的节点状态；ht为当前序列隐层节点输出；ft，it，ot为中间变量；W，b分别为权重参数和偏置参数。上述公式中前五项用LSTM(·)描述，表示输入xt与输出ht的关系，进而 Bi-LSTM的t时刻隐藏层输出可表示为：
ht＝LSTM(Vt,It,SOCt,Tt,Mt,ht-1)；
hi＝LSTM(Vt,It,SOCt,Tt,Mt,hi-1)；
h't＝atht+bthi+ct；
式中：LSTM(·)表示LSTM网络的运算过程；ht为t时刻的正向隐藏层输出，由t时刻输入量Vt、It、SOCt、Tt、Mt与上一时刻隐藏层输出ht-1计算得到，其考虑了过去隐藏层输出对当前隐藏层输出的影响，正向隐藏层如图3从下往上数第二层圆圈所示；hi为t时刻的反向隐藏层输出，由t时刻输入量Vt、It、SOCt、Tt、Mt与下一时刻隐藏层输出hi-1计算得到，其考虑了未来隐藏层输出对当前隐藏层输出的影响，反向隐藏层如图3从下向上数第三层的圆圈所示。Bi-LSTM 利用重构误差作为损失函数，并更新网络隐藏层输出h't，如图3从下往上数第四层圆圈所示。
在计算储能电池N时段内累计重构误差时，储能电池的各输入变量在当前时刻重构误差中的相对重要程度存在差异，直接把储能电池多维时间序列的重构误差计算考虑为单变量时序数据异常判断的重构误差累加并不准确，有必要随时间变化赋予当前时刻Bi-LSTM隐藏层以动态权重。而注意力机制能够实现时序数据不同时刻特征的权重差异化学习。为此，本发明在Bi-LSTM基础重构模型中加入注意力机制，图3中彩圈代表注意力机制层，经过注意力机制层后分配给特征向量不同的权重系数。每个时刻的热失控预警基础模型中的输入特征均使用注意力机制进行权重分配，将得到的隐藏层作为输入数据，更新得到新的隐藏层输出h”t，即：
h”t＝Ath't；
式中：At为注意力机制层的权重矩阵。At中的元素αi,j由相似度计算所得，表示为：
Figure RE-GDA0003555317320000081
式中：h'i,t，h'j,t分别表示t时刻Bi-LSTM隐藏层输出h't的第i和第j元素，l 为隐藏层输出维度。最后，通过全连接层得到输出
Figure RE-GDA0003555317320000082
如图 3中最上层圆圈。
综上所述，为有效提取储能电池组电压、温度、电流、SOC等数据特征，本发明综合考虑了储能电池运行数据的时序特性和特征的权重差异化，以实现储能电池数据特征的有效挖掘。将上述模型作为计算电池数据重构误差的基础模型，模型输入向量记作Xin＝[V,SOC,I,T,M]；输出即为输入特征的重构数据，记作
Figure RE-GDA0003555317320000083
输入输出的变量维数相等。模型训练过程优化目标为最小化输入输出数据的重构误差，表示为：
Figure RE-GDA0003555317320000084
式中：J为输入Xin与输出
Figure RE-GDA0003555317320000085
的重构误差；m为Xin和
Figure RE-GDA0003555317320000086
维度；xin,i,t为Xin中第i维度t时刻的元素值；xout,i,t为
Figure RE-GDA0003555317320000087
中第i维度t时刻的元素值。上述基础模型训练完成后，即可用于待检测储能电池热失控的判断。待检测储能电池经过基础模型计算后得到重构误差，判别规则为：
Figure RE-GDA0003555317320000091
式中：X'in表示某待判断储能电池输入；
Figure RE-GDA0003555317320000092
表示某待判断储能电池输出；y 表示基础模型对该待判断的储能电池的判断结果；K表示是否发生热失控的判断阈值；J'表示待判断样本由基础模型计算得到的重构误差。若其重构误差J'大于等于设定的阈值K，则该储能电池被判断为热失控，赋值为1；若其重构误差 J'小于设定的阈值K，则该储能电池被判断为正常，赋值为0。本发明通过训练不同正常电池样本得到对应重构误差集，对该集进行平均值和标准差的计算，本发明选取恰好大于平均值二个标准差处的重构误差作为阈值K。
综上所述，本发明基于Bi-LSTM和注意力机制的储能电池热失控预警方法总体流程图如图3所示，具体包括以下步骤：
步骤1：数据预处理。首先，为了消除计算重构误差时各特征向量量纲的影响，对将量纲不同特征进行归一化处理，本发明采用z-score方法。然后，构造多维时序特征向量。最后，将所得数据中n个正常电池数据集作为n个训练集，剩余电池数据集作为测试集。
步骤2：模型训练。首先，选用第2节中基于Bi-LSTM与注意力机制的储能电池数据特征挖掘技术构建基础模型。然后，基于步骤1中n个训练集，依次训练n个基础模型；并得到重构误差集，由重构误差集计算得到重构误差阈值K。
步骤3：待判断样本计算。输入某待判断的储能电池样本到集成模型，计算该样本重构误差J'，与给定的重构误差阈值K做比较，判断各基础模型输出yk(0/1)，最后进行预警概率计算得到预警概率值P，即：
Figure RE-GDA0003555317320000093
其中，yk为第k个基础模型对该储能电池的判断结果为电池热失控。
将预警概率值超过70％的储能电池视为潜在热失控电池。
实施例2
在本实施例中收集国内某公司的实际储能电池数据，共涉及60组电池，包括每组电池的电压、电流、荷电状态、温度等参数，其时间跨度均约为半年，采样频率均为10Hz。由于非充电状态的电池数据涉及的工况多变，即使是正常样本集之间，差距也较为巨大，故而本发明仅对实际充电数据进行分析。但由于各组电池充电频次和充电时长各不相同，故而以最短充电数据长度为基准值，其余数据长度均为基准值。其中有2组储能电池因热失控引发了燃烧和***。下面对上述数据进行预处理，步骤如下：
首先，热失控爆发阶段时间极短，且初期阶段现象不明显，而末期会在短时间内引发燃烧***，上述过程中储能电池各参数变化明显，为排除电池热失控爆发阶段数据异常对模型判别的影响，将爆发阶段数据删除；
然后，由于储能电池非充电状态涉及的工况过多，模型可能将处于不同工况的储能电池误判为异常。而储能电池在充电过程工况单一，数据特征相对稳定，故而选取其充电部分数据。最后，为了消除计算重构误差时各特征量纲的影响，对将量纲不同特征进行归一化处理。
本发明算例将对比以下方法(M1-M3)其中：
M1：基于无监督学习的储能电池热失控判断模型，模型选用双向长短时记忆神经网络，隐含层数为2层，每层神经元数为40，即保证输入输出神经元数目一致。初始学习率选为0.001，优化器选用自适应学习率的改进算法。
M2：基于无监督学习的储能电池热失控判断模型，模型选用全连接神经网络。其中，隐含层数为3层。第一层神经元数目为40，第二层神经元数目为15，第三层神经元数目为40，即保证输入输出层神经元数目一致。初始学习率选为 0.0001，优化器选用变步长梯度下降算法，将上述基础模型进行集成，形成集成模型。
M3：基于无监督学习的储能电池热失控判断模型，模型选用双向长短时记忆神经网络。其中，隐含层数为4层。第一层神经元数目为40，第二层神经元数目为15，第三层区别于M2，为添加的注意力机制层，第四层神经元数目为 40，即保证输入输出层神经元数目一致。初始学习率选为0.0001，优化器选用变步长梯度下降算法，将上述基础模型进行集成，形成集成模型。
本实施例考虑采取分类准确率、分类精确率、分类召回率、F1值、预警概率、问题车辆可疑程度排序等六个方面来衡量模型的精确程度。其中：分类准确率是指被正确分类的热失控锂电池与被正确分类的健康锂电池占总电池数目的比值，即：
Figure RE-GDA0003555317320000111
式中，A为准确率；Trright是属于真实热失控车辆被正确分类的数量；NTrright是属于健康电池被正确分类的数量；Trwrong是属于真实热失控车辆被错误分类的数量；NTrwrong是属于健康电池被错误分类的数量；分类精确率是指被正确分类的热失控锂电池占被模型判别为热失控车辆的数量的比值，即：
Figure RE-GDA0003555317320000112
式中，P为精确率；Trright是属于真实热失控车辆被正确分类的数量；Trwrong是属于被模型判别为热失控且暂时未热失控的电池数量；召回率是指被正确分类的热失控锂电池占真实热失控锂电池数量的比值，即：
Figure RE-GDA0003555317320000113
式中：P为精确率；Trright为属于真实热失控车辆被正确分类的数量；NTrwrong为真实热失控电池中被判定为正常电池的数量。F1值是精确率和召回率的调和平均值，该值综合考虑了精确确率和召回率，即：
Figure RE-GDA0003555317320000114
预警概率的定义集成模型中基础模型判别为1的次数占所有基础模型的比例，其表现了集成模型对于某一锂电池热失控的判断。问题车辆可疑程度排序表示在当前测试批次中问题车辆概率值的排位，可衡量模型对于可疑车辆的重构误差值是否与正常车辆有较大差异。上述指标均为值越大，模型分类性能越好。另外，本发明针对热失控电池设置预警排序指标，通过计算同一测试集中所有电池的重构误差大小而得到从高到低的排序，记录两组热失控电池的序号，该值越低表明模型性能越好。
储能电池数据特征精准挖掘方法旨在提高集成模型中各基础模型的精度。为了说明该方法对模型精度的提升效果，设置算例如下：M1在60组电池数据中随机选择20组正常储能电池样本作为训练集，剩余40组储能电池样本(含2 组热失控电池数据)作为测试集。M2、M3的训练集、测试集设置同M1，结果如表2、表3、图5所示。
表2基于不同学习策略的集成模型性能比较
Figure RE-GDA0003555317320000121
表3热失控储能电池的预警概率及排序
Figure RE-GDA0003555317320000122
综上所述，本发明为解决储能电池热失控难以有效预警的问题，对提出 M1～M3三种方案进行验证：首先，本发明基于Bi-LSTM提出储能电池参数时序特征提取技术，以形成判异基础模型，利用储能电池数据的重构误差来定义电池间的差异程度，有效提取热失控过程中储能电池电压、温度、SOC等数据的时变特性，在此基础上，通过注意力机制改进基础模型实现储能电池各参数不同时刻的差异化权重学习，减少集成模型对热失控车辆的漏判和误判，进一步形成集成模型，量化了储能电池热失控概率。在本发明的模型中，热失控储能电池能够显著区别于正常电池，该方法对于热失控电池的预警精度最高。
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。

Claims (9)

1.基于Bi-LSTM和注意力机制的储能电池热失控预警方法，其特征在于，包括以下步骤：
获取储能电池运行状态信息，并将获取的储能电池运行状态信息采用z-score标准化方法进行标准化；并将n个正常电池数据集作为n个训练数据；
构建基于Bi-LSTM与注意力机制的特征挖掘模型，通过n个训练数据分别训练得到n个基础模型，计算每个基础模型的重构误差，n个基础模型的重构误差构成基础误差集，并根据重构误差集计算重构误差阈值；
将n个基础模型的重构误差与重构误差阈值进行比较，若基础误差的重构误差小于重构误差阈值，则基础模型判断电池正常，否则判断电池热失控；
综合n个基础模型对电池热失控计算热失控概率P，表示为：
Figure FDA0003493049330000011
其中，yk为第k个基础模型对该储能电池的判断结果为电池热失控；
当热失控概率P超过70％时进行热失控示警。
2.根据权利要求1所述的基于Bi-LSTM和注意力机制的储能电池热失控预警方法，其特征在于，采用z-score标准化方法进行标准化：
Figure FDA0003493049330000012
其中，x为待归一化的样本值；x*为归一化后的样本值；xμ为样本均值；xσ为样本标准差。
3.根据权利要求1所述的基于Bi-LSTM和注意力机制的储能电池热失控预警方法，其特征在于，基于Bi-LSTM与注意力机制的特征挖掘模型包括Bi-LSTM模型和注意力机制，Bi-LSTM模型包括两层长短期记忆网络，即正向传播的长短期记忆网络和反向传播的长短期记忆网络，正向传播的长短期记忆网络的传播过程包括：
ft＝σ(Wfht-1+Ufxt+bf)；
it＝σ(Wiht-1+Uixt+bi)；
Figure FDA0003493049330000021
Figure FDA0003493049330000022
ot＝σ(Woht-1+Uoxt+bo)；
ht＝ot⊙tanh(Ct)；
其中，xt为当前序列隐层节点的输入；Ct为当前序列隐层的节点状态；ht为为t时刻的正向隐藏层输出；ft、it、ot为中间变量，Wf、Wi、Wo、Wc分别为中间变量ft、it、ot以及
Figure FDA0003493049330000023
对应的权重矩阵，bf、bi、bo、bc别为中间变量ft、it、ot以及
Figure FDA0003493049330000024
对应的偏置参数；Uf、Ui、Uc、Uo分别为遗忘门、输入门、序列隐藏节点状态、输出门对应的输入权重矩阵；σ()为激活函数；⊙表示矩阵中对应的元素相乘。
4.根据权利要求3所述的基于Bi-LSTM和注意力机制的储能电池热失控预警方法，其特征在于，Bi-LSTM模型t时刻隐藏层输出表示为：
h't＝atht+bthi+ct；
其中，h't表示Bi-LSTM模型t时刻隐藏层输出；at、bt为t时刻的反向隐藏层输出权重，ht、hi分别为正、反向时间序列t时刻的隐藏层输出；ct表示偏置项。
5.根据权利要求4所述的基于Bi-LSTM和注意力机制的储能电池热失控预警方法，其特征在于，在基于Bi-LSTM与注意力机制的特征挖掘模型中，将每个时刻输入该模型的特征分类个使用注意力机制进行权重分配，将得到的隐藏层作为输入数据，更新得到新的隐藏层输出h”t，包括：
h”t＝Ath't；
其中，At为注意力机制层的权重矩阵。
6.根据权利要求1所述的基于Bi-LSTM和注意力机制的储能电池热失控预警方法，其特征在于，注意力机制层的权重矩阵At中第i行、j列的元素αi,j为Bi-LSTM模型t时刻隐藏层输出h't中第i个元素与第j个元素的相似性，表示为：
Figure FDA0003493049330000031
其中，h'i,t、h'j,t分别表示t时刻Bi-LSTM隐藏层输出h't的第i、第j元素；l为隐藏层输出维度。
7.根据权利要求1所述的基于Bi-LSTM和注意力机制的储能电池热失控预警方法，其特征在于，基于Bi-LSTM与注意力机制的特征挖掘模型训练过程的目标为最小化输入输出数据的重构误差，该目标表示为：
Figure FDA0003493049330000032
其中，
Figure FDA0003493049330000033
为输入Xin与输出
Figure FDA0003493049330000034
的重构误差；m为输入Xin与输出
Figure FDA0003493049330000035
的维度，N为总时长；xin,i,t为输入Xin中第i维度t时刻的元素值；xout,i,t为输出
Figure FDA0003493049330000036
中第i维度t时刻的元素值。
8.根据权利要求7所述的基于Bi-LSTM和注意力机制的储能电池热失控预警方法，其特征在于，待检测样本的重构误差与重构误差阈值进行比较，判断是否进行预警的过程包括：
Figure FDA0003493049330000037
其中，X'in表示某待判断储能电池输入，表示为Xin＝[V,SOC,I,T,M]，V表示储能电池的电池电压，SOC表示储能电池的荷电状态，I表示储能电池的电流，T表示储能电池的温度，M表示一组电池数据中所有单体，即V、SOC、I、T，的电压方差、均值、最大值、最小值；
Figure FDA0003493049330000038
表示某待判断储能电池输出，表示为
Figure FDA0003493049330000039
Figure FDA00034930493300000310
为根据输入特征V、SOC、I、T、M的重构特征；y表示基础模型对该待判断的储能电池的判断结果；K表示重构误差阈值。
9.根据权利要求1所述的基于Bi-LSTM和注意力机制的储能电池热失控预警方法，其特征在于，重构误差阈值K的计算包括：计算输入数据集对应重构误差集的平均值和标准差，选择大于平均值二个标准差处的重构误差作为重构误差阈值K。
CN202210103432.XA 2022-01-27 2022-01-27 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 Pending CN114460481A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210103432.XA CN114460481A (zh) 2022-01-27 2022-01-27 基于Bi-LSTM和注意力机制的储能电池热失控预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210103432.XA CN114460481A (zh) 2022-01-27 2022-01-27 基于Bi-LSTM和注意力机制的储能电池热失控预警方法

Publications (1)

Publication Number Publication Date
CN114460481A true CN114460481A (zh) 2022-05-10

Family

ID=81411786

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210103432.XA Pending CN114460481A (zh) 2022-01-27 2022-01-27 基于Bi-LSTM和注意力机制的储能电池热失控预警方法

Country Status (1)

Country Link
CN (1) CN114460481A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114798503A (zh) * 2022-06-07 2022-07-29 蜂巢能源科技股份有限公司 一种基于安全性的锂离子电池筛选方法、装置和电子设备
CN116565402A (zh) * 2023-07-11 2023-08-08 南京宁煜致科信息技术有限公司 储能电池冷却***及控制方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114798503A (zh) * 2022-06-07 2022-07-29 蜂巢能源科技股份有限公司 一种基于安全性的锂离子电池筛选方法、装置和电子设备
CN114798503B (zh) * 2022-06-07 2023-12-08 蜂巢能源科技股份有限公司 一种基于安全性的锂离子电池筛选方法、装置和电子设备
CN116565402A (zh) * 2023-07-11 2023-08-08 南京宁煜致科信息技术有限公司 储能电池冷却***及控制方法
CN116565402B (zh) * 2023-07-11 2023-09-29 南京宁煜致科信息技术有限公司 储能电池冷却***及控制方法

Similar Documents

Publication Publication Date Title
CN112092675B (zh) 一种电池热失控预警方法、***及服务器
CN112379269B (zh) 电池异常检测模型训练及其检测方法、装置
CN113158947B (zh) 一种动力电池健康评分方法、***及存储介质
CN114325450A (zh) 基于CNN-BiLSTM-AT混合模型的锂离子电池健康状态预测方法
CN113702843B (zh) 一种基于郊狼优化算法的锂电池参数辨识与soc估计方法
CN109375116B (zh) 一种基于自编码器的电池***异常电池识别方法
CN114460481A (zh) 基于Bi-LSTM和注意力机制的储能电池热失控预警方法
CN114559819A (zh) 一种基于信号处理的电动汽车电池安全预警方法
CN109604186A (zh) 动力电池性能柔性评估分选方法
CN115366683A (zh) 一种新能源汽车动力电池多维模型融合的故障诊断策略
CN113705615B (zh) 一种基于神经网络的电动汽车充电过程多级设备故障诊断方法及***
CN114545274A (zh) 一种锂电池剩余寿命预测方法
CN115508711B (zh) 一种基于深度网络模型的电动汽车动力锂电剩余寿命预测方法
CN107895212A (zh) 基于滑动窗口和多视角特征融合的铅酸电池寿命预测方法
CN111273125A (zh) 基于rst-cnn的电力电缆沟道故障诊断方法
CN114580496A (zh) 一种锂离子电池单体故障自检测方法
CN114565008A (zh) 基于长短时记忆自编码器的锂电池异常检测方法
CN114734873B (zh) 一种基于云端在线数据的动力电池单体热失控预警方法
CN115308628A (zh) 一种电池健康状态监测方法
CN113687242A (zh) 基于ga算法优化改进gru神经网络的锂离子电池soh估计方法
Li et al. Timely thermal runaway prognosis for battery systems in real-world electric vehicles based on temperature abnormality
Yao et al. Fault identification of lithium-ion battery pack for electric vehicle based on ga optimized ELM neural network
CN114036647A (zh) 一种基于实车数据的动力电池安全风险评估方法
CN114280490A (zh) 一种锂离子电池荷电状态估计方法及***
CN115865716B (zh) 一种网络状态分析方法、***及计算机可读介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination