基于卷积神经网络的锂离子电池内部短路诊断方法及系统与流程

1.本发明涉及锂离子电池技术领域，特别是涉及一种基于卷积神经网络的锂离子电池内部短路诊断方法及系统。


背景技术：

2.电动汽车技术发展日益成熟，同时消费者对电动汽车性能的需求也越来越高，特别是续航里程。然而，锂离子电池能量密度不断增大的同时，异常情况下，锂离子电池发生热失控的风险也会显著增加。锂离子动力锂离子电池作为电动汽车核心部件之一，目前虽然着重于研发高能量密度的锂离子电池，但是锂离子电池安全性也要得到足够重视。锂离子电池安全性问题是提升锂离子电池能量密度的前提，锂离子电池的安全性研究是电动汽车长期可持续发展的不竭动力。
3.锂离子电池的热失控主要由两方面引发：一方面是锂离子电池的材料和生产工艺存在问题，另一方面是锂离子电池使用过程中存在问题。锂离子电池在使用过程中形成热失控的原因有很多，比如锂离子电池出现内外部短路、过度充放电、大倍率充放电、高低温环境、循环老化、挤压变形等。其中，锂离子电池发生内部短路是引发热失控的最常见原因。
4.为了最大程度地发挥锂离子电池性能，提高其锂离子电池安全性与延长使用寿命，就必须对锂离子电池情况进行在线监控，并同时进行锂离子电池内部短路诊断。锂离子电池的内部短路诊断是通过对锂离子电池的温度、电压、电流等状态信息进行实时监测，通过一定的模型算法实现锂离子电池内部短路的早期预警。
5.目前已有研究人员从不同角度提出了一些锂离子锂离子电池内部短路检测与诊断方法。比如基于参数阈值的锂离子电池内部短路诊断、基于不一致性的锂离子电池内部短路诊断、基于模型的锂离子电池内部短路诊断和基于深度学习的锂离子电池内部短路诊断。其中基于深度学习的诊断方法目前并不多见，主要是因为锂离子电池内部短路数据有限不足以支撑深度学习模型的学习训练。


技术实现要素：

6.针对上述问题，本发明提供了一种基于卷积神经网络的锂离子电池内部短路诊断方法及系统。
7.为实现上述目的，本发明提供了如下方案：
8.一种基于卷积神经网络的锂离子电池内部短路诊断方法，包括：
9.建立锂离子电池三维电化学
‑
热
‑
内部短路耦合模型；
10.基于所述偶合模型，通过三维有限元模拟的方式对锂离子电池内部短路情况进行仿真，得到锂离子电池内部短路特征参数数据；
11.通过所述锂离子电池内部短路特征参数数据对卷积神经网络进行训练，得到锂离子电池内部短路诊断模型；所述锂离子电池内部短路诊断模型的输出为锂离子电池内部短路等级；
12.通过锂离子电池内部短路诊断模型对锂离子电池内部短路状态进行诊断。
13.可选地，所述锂离子电池三维电化学
‑
热
‑
内部短路耦合模型包括电化学模型、热模型和内部短路模型；所述电化学模型受热模型的温度影响，所述热模型受电化学模型中的电化学反应热影响；所述内部短路模型受所述电化学模型产生的电压影响，所述电化学模型受所述内部短路模型的短路电流影响；所述热模型受所述内部短路模型的短路焦耳热影响。
14.可选地，所述锂离子电池内部短路特征参数数据包括电池在充、放电过程中的电流、电压、电池温度、剩余电量、内阻、电量损失、库伦效率、能量效率和时间。
15.可选地，在所述通过所述锂离子电池内部短路特征参数数据对卷积神经网络进行训练之前，还包括：
16.对所述锂离子电池内部短路特征参数数据进行预处理；所述预处理包括线性插值和和归一化处理。
17.可选地，按照锂离子电池内部短路电阻的阻值区间范围，将锂离子电池内部短路情况设置为一级、二级、三级和正常。
18.可选地，所述卷积神经网络包括1层输入层、2层卷积层、2层池化层、1层flatten层、2层全连接层、1层dropout层和1层输出层。
19.可选地，所述卷积神经网络训练的损失函数为mse，优化器为adam，学习率为1e
‑3，训练周期数为400。
20.本发明还提供了一种基于卷积神经网络的锂离子电池内部短路诊断系统，包括：
21.耦合模型建立模块，用于建立锂离子电池三维电化学
‑
热
‑
内部短路耦合模型；
22.仿真模块，用于基于所述偶合模型，通过三维有限元模拟的方式对锂离子电池内部短路情况进行仿真，得到锂离子电池内部短路特征参数数据；
23.训练模块，用于通过所述锂离子电池内部短路特征参数数据对卷积神经网络进行训练，得到锂离子电池内部短路诊断模型；所述锂离子电池内部短路诊断模型的输出为锂离子电池内部短路等级；
24.诊断模块，用于通过锂离子电池内部短路诊断模型对锂离子电池内部短路状态进行诊断。
25.根据本发明提供的具体实施例，本发明公开了以下技术效果：
26.本发明提供的基于卷积神经网络的锂离子电池内部短路诊断方法，通过锂离子电池三维电化学
‑
热内部短路耦合模型，对锂离子电池内部短路进行仿真输出大量内部短路特征参数数据，再基于卷积神经网络的诊断模型能够精确诊断锂离子电池内部短路情况，为锂离子电池安全预警提供一个较好的方法。
附图说明
27.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
28.图1为本发明实施例基于卷积神经网络的锂离子电池内部短路诊断方法的流程
图；
29.图2为本发明实施例基于卷积神经网络的锂离子电池内部短路诊断方法的具体操作流程图；
30.图3为本发明实施例离子电池三维电化学
‑
热
‑
内部短路耦合模型；
31.图4为本发明构建的本发明构建的卷积神经网络结构。
具体实施方式
32.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。
33.本发明的目的是提供一种基于卷积神经网络的锂离子电池内部短路诊断方法及系统，通过锂离子电池三维电化学
‑
热内部短路耦合模型，对锂离子电池内部短路进行仿真输出大量内部短路特征参数数据，基于卷积神经网络对锂离子电池内部短路情况进行诊断。
34.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
35.如图1
‑
2所示，一种基于卷积神经网络的锂离子电池内部短路诊断方法，包括以下步骤：
36.步骤101：建立锂离子电池三维电化学
‑
热
‑
内部短路耦合模型。
37.结合锂离子电池的电化学模型、热模型和内部短路模型特点，电化学模型受热模型的温度t影响，热模型受电化学模型中的电化学反应热q影响；内部短路模型受电化学模型产生的电压v影响，电化学模型受内部短路模型的短路电流i影响；热模型受内部短路模型的短路焦耳热q
short
影响。根据锂离子电池的电特性(v和i)和热特性(q和t)，具体影响的数学模型关系如图3所示。
38.1、三维电化学模型
39.根据欧姆定律，锂离子电池电解液电势分布可以用下式表示：
[0040][0041]
式中，φ
ε
为电解液电势，κ
eff
为电解液的有效li

电导率，r为气体常数，t为电池温度，f
±
为平均摩尔活度系数，c
ε
为锂浓度，j
li
为局部电流体密度。
[0042]
基于欧姆定律，活性电极颗粒的电势分布φ
s
可以通过下式描述。
[0043][0044]
式中，σ
eff
是活性电极的li

有效电导率，φ
s
为活性电极电势，i
e
为电解液的离子电流密度，iinput
‑
ishort为电池的实际电流密度。
[0045]
li

在电极中的嵌入、脱嵌反应可以用巴特勒
‑
福尔默方程(bulter
‑
volmer)来描述：
[0046][0047]
式中，i
o
为交换电流密度，交换电流密度与li

浓度分布有关，α
n
、a
p
分别为正、负极的电化学反应传递系数，通常都取值0.5，η为活化过电位。
[0048]
电池两端的输出电压可以表示为：
[0049]
v(t)＝φ
s
|
x＝l
‑
φ
s
|
x＝0
[0050]
2、三维热模型
[0051]
锂离子电池温度动力学是通过能量平衡来建模的：
[0052][0053]
式中，ρ为密度，c
p
为比热容，λ为导热系数。q
gen
为总的产热量，q
dis
为散热量(包括对流热和辐射热)。
[0054]
电池热源主要来自欧姆热和化学反应热。化学反应主要包括锰溶解、锂沉积、电解液分解、sei膜分解、正极分解和负极分解等。所以产热量可以表示为：
[0055]
q
gen
＝q
ohm
q
mn
q
li
q
ele
q
sei
q
pe
q
ne
[0056]
3、内短路模型
[0057]
由电池内部短路产生的额外热量可表示为下式：
[0058]
q
short
＝i
s2hort
r
short
[0059]
电池内部短路电流可表示为：
[0060][0061]
式中，v
out
为电池正负极间电压。
[0062]
结合锂离子电池的电化学模型、热模型和内部短路模型特点，根据电池的电特性(v和i)和热特性(q和t)将这三种模型耦合一块如图3所示。
[0063]
步骤102：基于所述偶合模型，通过三维有限元模拟的方式对锂离子电池内部短路情况进行仿真，得到锂离子电池内部短路特征参数数据。
[0064]
对锂离子电池不同内部短路程度和应用工况环境进行参数化扫描仿真，生成大量的锂离子电池内部短路特征参数数据。
[0065]
选择电池在充、放电过程中的电流(i)、电压(v)、电池温度(t
bat
)、soc(剩余电量)、内阻(r)、电量损失(c
loss
)、库伦效率(η
c
)、能量效率(η
e
)和时间(t)作为内部短路特征参数。
[0066]
在发生内部短路的情况下，充电时间增长，截止时的电池soc会比正常电池的大，出现假“过充电”现象；放电时间缩短截止时的电池soc会也比正常电池的大，出现提前断电”现象。电池soc估算方式如下。
[0067][0068]
式中，c
max
是电池容量。
[0069]
电池内阻r是检测电池内部短路的重要参数，电池内部短路越严重该参数值变化越大。电池内阻r的计算方法如下。
[0070][0071]
式中，v
ocv
为电池的开路电压，可由v
ocv
‑
soc曲线获取。
[0072]
在电池发生内部短路的情况下，与正常电池相比，充电阶段需要输入电池的总电量会多一些，放电阶段输出的总电量会少一些。这是由短路电阻(rshort)不断损失电量造成的这种差异。电池在充放电过程中的电量损失(closs)的计算方式如下。
[0073]
充电阶段电量损失表示为：
[0074][0075]
放电阶段电量损失表示为：
[0076][0077]
电池库伦效率计算方式如下所示：
[0078][0079]
式中，c
ch
和c
dis
分别表示电池的充电容量和放电容量。在电池发生内部短路的情况下，放电容量减小，充电容量虚高，库伦效率会呈现降低的现象。
[0080]
电池能量效率计算方式如下所示：
[0081][0082]
式中，e
ch
和e
dis
分别表示电池的充电电能和放电电能。类似的，在电池发生内部短路的情况下，放电电能减小，充电电能增大，能量效率会降低。
[0083]
采用仿真模型对x种充放电倍率和y种环境温度在z种内部短路情况下(设置图3中的r
short
短路电阻实现z种内部短路情况)进行参数化扫描仿真生成x*y*z组由9个特征参数数据构成的内部短路数据集。
[0084]
在进行电池内部短路模型仿真时，由于充放电倍率不同，充电周期和放电周期的时间各有不同，每个特征参数输出数据结构长度各不一致。数据结构不一致无法直接用于深度学习，因此本发明首先采用线性插值的方式将特征参数输出数据结构长度插值为235个数据点。
[0085]
由于电池内部短路数据集中的特征参数有多个，这些特征参数的度量单位不全一致，参数值差异较大。深度学习模型对于特征参数取值大小的敏感程度可能会不一致。因此需要对每个内部短路特征参数先进行0～1的归一化处理。
[0086]
按照r
short
值的区间范围，将z种内部短路情况设置为一级、二级、三级和正常。
[0087]
步骤103：通过所述锂离子电池内部短路特征参数数据对卷积神经网络进行训练，
得到锂离子电池内部短路诊断模型；所述锂离子电池内部短路诊断模型的输出为锂离子电池内部短路等级。
[0088]
搭建的卷积神经网络结构如图4所示，该结构由1层输入层、2层卷积层、2层池化层、1层flatten层、2层全连接层、1层dropout层和1层输出层组成。
[0089]
卷积神经网络模型完整的架构表如表1所示：
[0090]
表1卷积神经网络模型架构表
[0091][0092]
以锂离子电池内部短路特征参数为输入变量、锂离子电池内部短路分类标签(分类标签是这4个：一级、二级、三级和正常)为输出变量，对锂离子电池内部短路诊断模型展开学习训练。
[0093]
卷积神经网络的参数是卷积核和偏置，参数学习通过误差反向传播算法。对于第l层为卷积层，第l
‑1层输入映射为则卷积层的特征映射净输入为其中第p个特征映射净输入为：
[0094][0095]
式中，w
(l,p,d)
为卷积核，b
(l,p)
为偏置。
[0096]
因此，损失函数l关于卷积核w
(l,p,d)
的偏导数为：
[0097][0098]
式中，为损失函数的误差项。
[0099]
损失函数l关于第p个偏置b
(l,p)
的偏导数为：
[0100][0101]
卷积层和池化层的误差项可以通过反向传播算法计算所得。其中，当l 1层为卷积层时，第l层的第p个特征映射误差项b
(l,p)
为：
[0102][0103]
式中，f
l
'(
·
)为第l层的激活函数，为宽卷积。
[0104]
当l 1层为池化层时，第l层的第p个特征映射误差项b
(l,p)
为：
[0105]
δ
(l,p)
＝f
l
'(z
(l,p)
)
⊙
up(δ
(l 1,p)
)
ꢀꢀ
(11)
[0106]
式中，up(
·
)是上采样函数。
[0107]
用于模型学习训练的损失函数为mse，优化器为adam，学习率为1e
‑3，训练周期数为400。
[0108]
步骤104：通过锂离子电池内部短路诊断模型对锂离子电池内部短路状态进行诊断。
[0109]
本发明针对锂离子电池内部短路建立了锂离子电池三维电化学
‑
热
‑
内部短路耦合模型，可实现锂离子电池内部短路的大量模拟仿真；基于卷积神经网络的诊断模型能够精确诊断锂离子电池内部短路情况，为锂离子电池安全预警提供一个较好的方法。
[0110]
本发明还提供了一种基于卷积神经网络的锂离子电池内部短路诊断系统，包括：
[0111]
耦合模型建立模块，用于建立锂离子电池三维电化学
‑
热
‑
内部短路耦合模型；
[0112]
仿真模块，用于基于所述偶合模型，通过三维有限元模拟的方式对锂离子电池内部短路情况进行仿真，得到锂离子电池内部短路特征参数数据；
[0113]
训练模块，用于通过所述锂离子电池内部短路特征参数数据对卷积神经网络进行训练，得到锂离子电池内部短路诊断模型；所述锂离子电池内部短路诊断模型的输出为锂离子电池内部短路等级；
[0114]
诊断模块，用于通过锂离子电池内部短路诊断模型对锂离子电池内部短路状态进行诊断。
[0115]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0116]
本发明中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。