申请/专利权人：重庆工商大学

申请日：2022-02-22

公开（公告）日：2024-04-12

公开（公告）号：CN114639881B

主分类号：G06F30/27

分类号：G06F30/27;H01M10/42;H01M10/48

优先权：

专利状态码：有效-授权

法律状态：2024.04.12#授权;2022.07.05#实质审查的生效;2022.06.17#公开

摘要：本发明涉及锂电池技术领域，具体涉及一种深度学习的锂离子电池热失控预警方法，通过获取锂电池的原始数据集、获取外部环境数据和文本数据的融合特征、提取和选择相关健康指标、获取关键特征的时间特征向量、获取图卷积网络的输入、获取电池老化数据的空间特征、建立锂离子电池热失控预警模型及电池的安全预警评估步骤，从而实现高精度的电池热失控预警，提高锂离子电池热失控预警的速度和精度，有助于推动新能源储能安全的智能化进展，加速第四次工业革命在能源与储能行业的应用。

主权项：1.一种深度学习的锂离子电池热失控预警方法，其特征在于包括以下步骤：S1.获取锂电池的原始数据集：采集锂电池的电池数据，并将电池数据分为外部环境数据、文本数据及电池老化数据；S2.获取外部环境数据和文本数据的融合特征：将外部环境数据E及文本数据M拼接，记为外部特征，将外部特征作为全连接网络的输入，非线性变换得到外部环境和文本的融合特征；S3.提取和选择相关健康指标：利用式1所示的相关系数矩阵，计算电压、电流和温度相关特征与电池容量的相关系数，通过设计阈值，筛选关键特征， （1）其中，是特征值，是目标值，和是平均值；S4.获取关键特征的时间特征向量：将每个关键特征输入门控循环单元GRU，再经过全连接网络得到关键特征的时间特征向量，记为；S5.获取图卷积网络的输入：采用卷积神经网络提取关键特征的局部特征，得到特征矩阵，n为关键特征个数，k为时间特征向量维度；计算关键特征的特征向量间的欧氏距离，利用式2所示公式，计算得到拓扑网络，拓扑网络形成邻接矩阵， （2）其中，n为关键特征个数，distX,Y是X和Y两个向量的欧氏距离；S6.获取电池老化数据的空间特征：将邻接矩阵A和特征矩阵X输入式3的图卷积网络G，得到特征向量，将特征向量Z输入到全连接网络得到空间特征， （3）其中，是邻接矩阵，是第层的输出，当则，是第层的权重矩阵，是激活函数；S7.建立锂离子电池热失控预警模型：将融合特征、特征向量和空间特征拼接得到整体特征向量，将整体特征向量输入多层全连接网络进行非线性映射；S8.电池的安全预警评估：将多层全连接网络的输出信息φ输入激活函数，激活函数的输出信息用于电池的安全预警；所述激活函数的输出数据t在[ti,tj]之间，当ti＜t＜tj，系统开始报警；当t＞tj，表明电池严重危险。

全文数据：

权利要求：

百度查询： 重庆工商大学 一种深度学习的锂离子电池热失控预警方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD