【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及電池管理，尤其涉及一種基于bp神經(jīng)網(wǎng)絡(luò)的鋰電池?zé)崾Э靥卣髯R(shí)別算法。
技術(shù)介紹
1、鋰離子電池作為現(xiàn)代電子設(shè)備、交通工具(如電動(dòng)汽車)以及儲(chǔ)能系統(tǒng)中的核心部件，以其高能量密度、長(zhǎng)壽命和較低的自放電率被廣泛應(yīng)用。然而，鋰電池在工作過(guò)程中會(huì)產(chǎn)生熱量，特別是在過(guò)充、過(guò)放、短路或受到外部沖擊等情況下，電池內(nèi)部會(huì)發(fā)生急劇的溫度升高，導(dǎo)致“熱失控”現(xiàn)象。熱失控是一種危險(xiǎn)的狀態(tài)，可能引發(fā)電池自燃或爆炸，對(duì)人身安全和設(shè)備穩(wěn)定性構(gòu)成嚴(yán)重威脅。
2、為了應(yīng)對(duì)這一問(wèn)題，鋰電池?zé)崾Э貦z測(cè)與預(yù)警技術(shù)成為研究的重點(diǎn)。相關(guān)技術(shù)通過(guò)監(jiān)測(cè)電池內(nèi)部溫度、氣體成分等參數(shù)，結(jié)合數(shù)據(jù)分析與機(jī)器學(xué)習(xí)算法，實(shí)時(shí)識(shí)別和預(yù)測(cè)熱失控的發(fā)生，從而提高電池系統(tǒng)的安全性。傳統(tǒng)的電池管理系統(tǒng)(bms)主要依賴于規(guī)則閾值控制和簡(jiǎn)單的監(jiān)測(cè)技術(shù)，存在一定的局限性，難以實(shí)現(xiàn)精準(zhǔn)的熱失控預(yù)測(cè)和預(yù)警。
3、現(xiàn)有的電池管理系統(tǒng)(bms)通常采用以下幾種方法進(jìn)行鋰電池的監(jiān)控和管理：
4、閾值檢測(cè)方法：基于電池的溫度、壓差、電流等基本參數(shù)的監(jiān)測(cè)，當(dāng)這些參數(shù)超過(guò)預(yù)設(shè)的安全閾值時(shí)，系統(tǒng)會(huì)發(fā)出報(bào)警信號(hào)。例如，當(dāng)溫度上升至設(shè)定的安全閾值時(shí)，系統(tǒng)會(huì)關(guān)閉充電或放電過(guò)程，以避免進(jìn)一步的升溫。這種方法雖然簡(jiǎn)單，但存在滯后性和不精確性，無(wú)法提前預(yù)測(cè)熱失控的發(fā)生。
5、基于等效電路模型(ecm)的監(jiān)測(cè)方法：該方法將電池等效為電阻、電容等電路元件，分析其電氣特性變化。雖然這種方法能捕捉電池內(nèi)部狀態(tài)的變化，但由于電池的非線性特征顯著，模型難以準(zhǔn)確反映實(shí)際的熱力學(xué)狀態(tài)，尤
6、有限的多傳感器監(jiān)控：部分系統(tǒng)引入多種傳感器，如溫度傳感器和氣體傳感器，監(jiān)測(cè)電池的溫度和氣體濃度。但現(xiàn)有系統(tǒng)多只是在電池超出某個(gè)固定參數(shù)值時(shí)觸發(fā)報(bào)警，缺乏對(duì)數(shù)據(jù)的深度分析，導(dǎo)致預(yù)警不夠精準(zhǔn)。
7、但是經(jīng)本專利技術(shù)人探索發(fā)現(xiàn)現(xiàn)有技術(shù)方案仍然存在以下缺陷:
8、傳統(tǒng)的基于閾值的監(jiān)控技術(shù)，主要依賴于預(yù)設(shè)的溫度、電壓等單一物理參數(shù)來(lái)監(jiān)測(cè)電池狀態(tài)，這種方式只在電池達(dá)到極限條件后才能觸發(fā)報(bào)警，缺乏對(duì)潛在問(wèn)題的提前預(yù)警能力，導(dǎo)致無(wú)法有效預(yù)防熱失控的發(fā)生。
9、為此，我們提出一種基于bp神經(jīng)網(wǎng)絡(luò)的鋰電池?zé)崾Э靥卣髯R(shí)別算法。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)主要是解決上述現(xiàn)有技術(shù)所存在的技術(shù)問(wèn)題，提供一種基于bp神經(jīng)網(wǎng)絡(luò)的鋰電池?zé)崾Э靥卣髯R(shí)別算法。
2、為了實(shí)現(xiàn)上述目的，本專利技術(shù)采用了如下技術(shù)方案，一種基于bp神經(jīng)網(wǎng)絡(luò)的鋰電池?zé)崾Э靥卣髯R(shí)別算法，包括如下步驟：
3、第一步，數(shù)據(jù)采集與預(yù)處理：使用溫度、氣體傳感器分別實(shí)時(shí)監(jiān)測(cè)鋰電池系統(tǒng)的溫度、氣體信息；使用溫度傳感器在熱失控發(fā)生前后的溫度變化，以及熱失控事件發(fā)生時(shí)刻溫度的變化斜率作為主要特征參數(shù)；對(duì)于氣體傳感器，考慮熱失控前后氣體濃度的變化，以及氣體濃度變化斜率作為主要特征參數(shù)；將采集到的溫度、氣體數(shù)據(jù)和特征參數(shù)作為數(shù)據(jù)集；
4、第二步，特征提?。翰捎胮ca作為特征提取算法，pca算法能夠?qū)⑻卣鲾?shù)據(jù)降維至原始數(shù)據(jù)的二維或者三維，并對(duì)特征數(shù)據(jù)進(jìn)行歸一化處理使其滿足標(biāo)準(zhǔn)正態(tài)分布；
5、第三步，模型構(gòu)建：使用主特征分量構(gòu)建bp神經(jīng)網(wǎng)絡(luò)模型，利用誤差反向傳播算法優(yōu)化模型參數(shù)，提高模型預(yù)測(cè)精度和穩(wěn)定性；
6、第四步，預(yù)測(cè)和決策：將實(shí)時(shí)監(jiān)測(cè)獲得的數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)模型，如果檢測(cè)到異常，將發(fā)出警報(bào)；如果沒(méi)有任何異常，模型將繼續(xù)進(jìn)行實(shí)時(shí)監(jiān)控，以確保系統(tǒng)的安全性；
7、第五步，結(jié)果解釋：通過(guò)鋰電池?zé)崾Э啬Ｐ蛯?duì)結(jié)果進(jìn)行解釋，并使用相應(yīng)的故障解釋算法進(jìn)行驗(yàn)證。
8、作為優(yōu)選，所述第一步的獲取熱失控發(fā)生前后溫度變化使用溫度傳感器進(jìn)行數(shù)據(jù)采集，并且將采集的數(shù)據(jù)作為數(shù)據(jù)集輸入模型之前還需對(duì)數(shù)據(jù)進(jìn)行特征提取，由于多個(gè)溫度傳感器同時(shí)采集數(shù)據(jù)，因此需對(duì)數(shù)據(jù)進(jìn)行過(guò)濾，選取同一環(huán)境溫度傳感器采集的數(shù)據(jù)作為預(yù)測(cè)模型的輸入，數(shù)據(jù)預(yù)處理后還需進(jìn)行歸一化處理，使得模型收斂速度更快。
9、作為優(yōu)選，所述第二步中，采用pca算法作為特征提取算法，pca算法主要基于特征數(shù)據(jù)之間的共線性和協(xié)方差特征，能夠?qū)⑻卣鲾?shù)據(jù)降維至原始數(shù)據(jù)的二維或者三維，并對(duì)特征數(shù)據(jù)進(jìn)行歸一化處理使其滿足標(biāo)準(zhǔn)正態(tài)分布。
10、作為優(yōu)選，所述第三步中bp神經(jīng)網(wǎng)絡(luò)模型包括輸入層，隱藏層和輸出層，其中輸入層用于輸入數(shù)據(jù)特征，隱藏層的作用是中間神經(jīng)元，輸出層為待預(yù)測(cè)的最終結(jié)果，當(dāng)數(shù)據(jù)輸入訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)模型，輸出層輸出最終預(yù)測(cè)結(jié)果。
11、作為優(yōu)選，所述第四步中熱失控的預(yù)測(cè)模型通過(guò)訓(xùn)練好的預(yù)測(cè)模型來(lái)預(yù)測(cè)，以預(yù)測(cè)出在實(shí)際工作環(huán)境下鋰電池是否會(huì)發(fā)生熱失控情況，并且當(dāng)預(yù)測(cè)到鋰電池即將發(fā)生熱失控的狀態(tài)下，模型及時(shí)發(fā)出預(yù)警。
12、作為優(yōu)選，所述第三步的bp神經(jīng)網(wǎng)絡(luò)模型的具體建立方法如下：首先，確定神經(jīng)網(wǎng)絡(luò)的輸入變量和輸出變量，選擇溫度和氣體濃度數(shù)據(jù)作為輸入特征，以減少模型復(fù)雜度和提高預(yù)測(cè)精度，選擇熱失控標(biāo)志位作為輸出變量；根據(jù)輸入、輸出變量的數(shù)量確定隱層節(jié)點(diǎn)的數(shù)量，一般使用隱層節(jié)點(diǎn)的數(shù)量公式來(lái)計(jì)算隱層節(jié)點(diǎn)的數(shù)量，公式如下：其中h代表隱層節(jié)點(diǎn)個(gè)數(shù)，i代表輸入層的節(jié)點(diǎn)個(gè)數(shù)，o代表輸出層節(jié)點(diǎn)的個(gè)數(shù)，e代表介于10-4和10之間的常數(shù)；模型的激勵(lì)函數(shù)使用tanh或者sigmoid函數(shù)，其中tanh激勵(lì)函數(shù)使用s形函數(shù)，s形函數(shù)如下：sigmoid激勵(lì)函數(shù)使用分段線性函數(shù)，如下：其中e是自然對(duì)數(shù)的底數(shù)，x為函數(shù)自變量，s(x)代表函數(shù)結(jié)果；隱層的激活函數(shù)選取如下：h1＝tanh(s1),h0＝sigmoid(s0),其中，s1，s0分別代表兩個(gè)隱層節(jié)點(diǎn)的輸出值，輸出層的激活函數(shù)為：o＝a·s0+b·s1,其中，a，b代表輸出層與隱層之間的權(quán)重。
13、作為優(yōu)選，bp神經(jīng)網(wǎng)絡(luò)模型中使用反向傳播算法來(lái)優(yōu)化模型參數(shù)，提高預(yù)測(cè)精度和穩(wěn)定性，bp神經(jīng)網(wǎng)絡(luò)中，神經(jīng)元的激活函數(shù)的非線性將導(dǎo)致梯度下降搜索在誤差函數(shù)的曲面收斂時(shí)可能陷入局部極值，從而破壞預(yù)測(cè)精度，使用自適應(yīng)矩估計(jì)(adam)優(yōu)化算法來(lái)優(yōu)化模型參數(shù)，該算法能夠計(jì)算出網(wǎng)絡(luò)學(xué)習(xí)速度，通過(guò)分析歷史梯度變化來(lái)調(diào)整自適應(yīng)權(quán)重，具體方法如下：首先分別計(jì)算梯度的期望值和平方差：其中t為當(dāng)前訓(xùn)練輪次，e為歷史梯度值的期望，d為歷史梯度值的平方差，為全局學(xué)習(xí)率，θt代表t時(shí)刻網(wǎng)絡(luò)參數(shù)值，θt-1代表t-1時(shí)刻網(wǎng)絡(luò)參數(shù)值，代表全局學(xué)習(xí)的速度，ρ1和ρ2代表全局學(xué)習(xí)率的指數(shù)衰減率；然后計(jì)算全局偏移的一階矩估計(jì)和二階矩估計(jì)：其中m代表偏移量的一階矩估計(jì)，n代表偏移量的二階矩估計(jì)，為全局學(xué)習(xí)率，而代表全局學(xué)習(xí)速度的偏差：其中代表一階矩估計(jì)偏差，代表二階矩估計(jì)偏差δ和ε為兩個(gè)小的正數(shù)，用于防止分母為0；計(jì)算偏差校正：其中ms代表歷史一階矩估計(jì)的偏差，ns代表歷史二階矩估計(jì)的偏差；最終計(jì)算參數(shù)的迭代式更新：其中α代表最終的更新步長(zhǎng)，m代表一階矩估計(jì)，n代表二階矩估計(jì)。
14、作為優(yōu)選，bp算法中權(quán)重的計(jì)算根據(jù)損失函數(shù)，使用損失函本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于BP神經(jīng)網(wǎng)絡(luò)的鋰電池?zé)崾Э靥卣髯R(shí)別算法，其特征在于：包括如下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于BP神經(jīng)網(wǎng)絡(luò)的鋰電池?zé)崾Э靥卣髯R(shí)別算法，其特征在于：所述第一步的獲取熱失控發(fā)生前后溫度變化使用溫度傳感器進(jìn)行數(shù)據(jù)采集，并且將采集的數(shù)據(jù)作為數(shù)據(jù)集輸入模型之前還需對(duì)數(shù)據(jù)進(jìn)行特征提取，由于多個(gè)溫度傳感器同時(shí)采集數(shù)據(jù)，因此需對(duì)數(shù)據(jù)進(jìn)行過(guò)濾，選取同一環(huán)境溫度傳感器采集的數(shù)據(jù)作為預(yù)測(cè)模型的輸入，數(shù)據(jù)預(yù)處理后還需進(jìn)行歸一化處理，使得模型收斂速度更快。
3.根據(jù)權(quán)利要求1所述的一種基于BP神經(jīng)網(wǎng)絡(luò)的鋰電池?zé)崾Э靥卣髯R(shí)別算法，其特征在于：所述第二步中，采用PCA算法作為特征提取算法，PCA算法主要基于特征數(shù)據(jù)之間的共線性和協(xié)方差特征，能夠?qū)⑻卣鲾?shù)據(jù)降維至原始數(shù)據(jù)的二維或者三維，并對(duì)特征數(shù)據(jù)進(jìn)行歸一化處理使其滿足標(biāo)準(zhǔn)正態(tài)分布。
4.根據(jù)權(quán)利要求1所述的一種基于BP神經(jīng)網(wǎng)絡(luò)的鋰電池?zé)崾Э靥卣髯R(shí)別算法，其特征在于：所述第三步中BP神經(jīng)網(wǎng)絡(luò)模型包括輸入層，隱藏層和輸出層，其中輸入層用于輸入數(shù)據(jù)特征，隱藏層的作用是中間神經(jīng)元，輸出層為待預(yù)測(cè)的最終結(jié)果，當(dāng)數(shù)據(jù)輸
5.根據(jù)權(quán)利要求1所述的一種基于BP神經(jīng)網(wǎng)絡(luò)的鋰電池?zé)崾Э靥卣髯R(shí)別算法，其特征在于：所述第四步中熱失控的預(yù)測(cè)模型通過(guò)訓(xùn)練好的預(yù)測(cè)模型來(lái)預(yù)測(cè)，以預(yù)測(cè)出在實(shí)際工作環(huán)境下鋰電池是否會(huì)發(fā)生熱失控情況，并且當(dāng)預(yù)測(cè)到鋰電池即將發(fā)生熱失控的狀態(tài)下，模型及時(shí)發(fā)出預(yù)警。
6.根據(jù)權(quán)利要求1所述的一種基于BP神經(jīng)網(wǎng)絡(luò)的鋰電池?zé)崾Э靥卣髯R(shí)別算法，其特征在于：所述第三步的BP神經(jīng)網(wǎng)絡(luò)模型的具體建立方法如下：首先，確定神經(jīng)網(wǎng)絡(luò)的輸入變量和輸出變量，選擇溫度和氣體濃度數(shù)據(jù)作為輸入特征，以減少模型復(fù)雜度和提高預(yù)測(cè)精度，選擇熱失控標(biāo)志位作為輸出變量；根據(jù)輸入、輸出變量的數(shù)量確定隱層節(jié)點(diǎn)的數(shù)量，一般使用隱層節(jié)點(diǎn)的數(shù)量公式來(lái)計(jì)算隱層節(jié)點(diǎn)的數(shù)量，公式如下：其中H代表隱層節(jié)點(diǎn)個(gè)數(shù)，I代表輸入層的節(jié)點(diǎn)個(gè)數(shù)，O代表輸出層節(jié)點(diǎn)的個(gè)數(shù)，e代表介于10-4和10之間的常數(shù)；模型的激勵(lì)函數(shù)使用tanh或者sigmoid函數(shù)，其中tanh激勵(lì)函數(shù)使用S形函數(shù)，S形函數(shù)如下：sigmoid激勵(lì)函數(shù)使用分段線性函數(shù)，如下：其中e是自然對(duì)數(shù)的底數(shù)，x為函數(shù)自變量，S(x)代表函數(shù)結(jié)果；隱層的激活函數(shù)選取如下：h1＝tanh(S1),h0＝sigmoid(S0),其中，S1，S0分別代表兩個(gè)隱層節(jié)點(diǎn)的輸出值，輸出層的激活函數(shù)為：o＝a·s0+b·s1,其中，a，b代表輸出層與隱層之間的權(quán)重。
7.根據(jù)權(quán)利要求6所述的一種基于BP神經(jīng)網(wǎng)絡(luò)的鋰電池?zé)崾Э靥卣髯R(shí)別算法，其特征在于：BP神經(jīng)網(wǎng)絡(luò)模型中使用反向傳播算法來(lái)優(yōu)化模型參數(shù)，提高預(yù)測(cè)精度和穩(wěn)定性，BP神經(jīng)網(wǎng)絡(luò)中，神經(jīng)元的激活函數(shù)的非線性將導(dǎo)致梯度下降搜索在誤差函數(shù)的曲面收斂時(shí)可能陷入局部極值，從而破壞預(yù)測(cè)精度，使用自適應(yīng)矩估計(jì)(Adam)優(yōu)化算法來(lái)優(yōu)化模型參數(shù)，該算法能夠計(jì)算出網(wǎng)絡(luò)學(xué)習(xí)速度，通過(guò)分析歷史梯度變化來(lái)調(diào)整自適應(yīng)權(quán)重，具體方法如下：首先分別計(jì)算梯度的期望值和平方差：其中t為當(dāng)前訓(xùn)練輪次，E為歷史梯度值的期望，D為歷史梯度值的平方差，為全局學(xué)習(xí)率，θt代表t時(shí)刻網(wǎng)絡(luò)參數(shù)值，θt-1代表t-1時(shí)刻網(wǎng)絡(luò)參數(shù)值，代表全局學(xué)習(xí)的速度，ρ1和ρ2代表全局學(xué)習(xí)率的指數(shù)衰減率；然后計(jì)算全局偏移的一階矩估計(jì)和二階矩估計(jì)：其中m代表偏移量的一階矩估計(jì)，n代表偏移量的二階矩估計(jì)，為全局學(xué)習(xí)率，而代表全局學(xué)習(xí)速度的偏差：其中代表一階矩估計(jì)偏差，代表二階矩估計(jì)偏差δ和ε為兩個(gè)小的正數(shù)，用于防止分母為0；計(jì)算偏差校正：其中ms代表歷史一階矩估計(jì)的偏差，ns代表歷史二階矩估計(jì)的偏差；最終計(jì)算參數(shù)的迭代式更新：其中α代表最終的更新步長(zhǎng)，m代表一階矩估計(jì)，n代表二階矩估計(jì)。
8.根據(jù)權(quán)利要求7所述的一種基于BP神經(jīng)網(wǎng)絡(luò)的鋰電池?zé)崾Э靥卣髯R(shí)別算法，其特征在于：BP算法中權(quán)重的計(jì)算根據(jù)損失函數(shù)，使用損失函數(shù)L來(lái)指導(dǎo)優(yōu)化過(guò)程，損失函數(shù)中，如果預(yù)測(cè)值和已知值的差很小，則損失函數(shù)較小；相反，如果預(yù)測(cè)值和已知值的差較大，損失函數(shù)也會(huì)較高。
9.根據(jù)權(quán)利要求1所述的一種基于BP神經(jīng)網(wǎng)絡(luò)的鋰電池?zé)崾Э靥卣髯R(shí)別算法，其特征在于：所述第五步模型結(jié)果驗(yàn)證步驟如下：首先，將熱失控發(fā)生前后一段時(shí)間內(nèi)的數(shù)據(jù)作為訓(xùn)練集，并使用訓(xùn)練集數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練；然后，使用測(cè)試數(shù)據(jù)集，以測(cè)試模型的精度和可靠性；根據(jù)預(yù)測(cè)效果和模型精度，如果需要改進(jìn)模型，再次使用訓(xùn)練集數(shù)據(jù)進(jìn)行訓(xùn)練；將整個(gè)訓(xùn)練和測(cè)試數(shù)據(jù)集的性能對(duì)比作為最終評(píng)估的性能參數(shù)；將鋰電池?zé)崾Э仡A(yù)測(cè)模型的預(yù)測(cè)結(jié)果與專家系統(tǒng)進(jìn)行比較，從而驗(yàn)證預(yù)測(cè)結(jié)果的準(zhǔn)確性，...
【技術(shù)特征摘要】
1.一種基于bp神經(jīng)網(wǎng)絡(luò)的鋰電池?zé)崾Э靥卣髯R(shí)別算法，其特征在于：包括如下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于bp神經(jīng)網(wǎng)絡(luò)的鋰電池?zé)崾Э靥卣髯R(shí)別算法，其特征在于：所述第一步的獲取熱失控發(fā)生前后溫度變化使用溫度傳感器進(jìn)行數(shù)據(jù)采集，并且將采集的數(shù)據(jù)作為數(shù)據(jù)集輸入模型之前還需對(duì)數(shù)據(jù)進(jìn)行特征提取，由于多個(gè)溫度傳感器同時(shí)采集數(shù)據(jù)，因此需對(duì)數(shù)據(jù)進(jìn)行過(guò)濾，選取同一環(huán)境溫度傳感器采集的數(shù)據(jù)作為預(yù)測(cè)模型的輸入，數(shù)據(jù)預(yù)處理后還需進(jìn)行歸一化處理，使得模型收斂速度更快。
3.根據(jù)權(quán)利要求1所述的一種基于bp神經(jīng)網(wǎng)絡(luò)的鋰電池?zé)崾Э靥卣髯R(shí)別算法，其特征在于：所述第二步中，采用pca算法作為特征提取算法，pca算法主要基于特征數(shù)據(jù)之間的共線性和協(xié)方差特征，能夠?qū)⑻卣鲾?shù)據(jù)降維至原始數(shù)據(jù)的二維或者三維，并對(duì)特征數(shù)據(jù)進(jìn)行歸一化處理使其滿足標(biāo)準(zhǔn)正態(tài)分布。
4.根據(jù)權(quán)利要求1所述的一種基于bp神經(jīng)網(wǎng)絡(luò)的鋰電池?zé)崾Э靥卣髯R(shí)別算法，其特征在于：所述第三步中bp神經(jīng)網(wǎng)絡(luò)模型包括輸入層，隱藏層和輸出層，其中輸入層用于輸入數(shù)據(jù)特征，隱藏層的作用是中間神經(jīng)元，輸出層為待預(yù)測(cè)的最終結(jié)果，當(dāng)數(shù)據(jù)輸入訓(xùn)練好的bp神經(jīng)網(wǎng)絡(luò)模型，輸出層輸出最終預(yù)測(cè)結(jié)果。
5.根據(jù)權(quán)利要求1所述的一種基于bp神經(jīng)網(wǎng)絡(luò)的鋰電池?zé)崾Э靥卣髯R(shí)別算法，其特征在于：所述第四步中熱失控的預(yù)測(cè)模型通過(guò)訓(xùn)練好的預(yù)測(cè)模型來(lái)預(yù)測(cè)，以預(yù)測(cè)出在實(shí)際工作環(huán)境下鋰電池是否會(huì)發(fā)生熱失控情況，并且當(dāng)預(yù)測(cè)到鋰電池即將發(fā)生熱失控的狀態(tài)下，模型及時(shí)發(fā)出預(yù)警。
6.根據(jù)權(quán)利要求1所述的一種基于bp神經(jīng)網(wǎng)絡(luò)的鋰電池?zé)崾Э靥卣髯R(shí)別算法，其特征在于：所述第三步的bp神經(jīng)網(wǎng)絡(luò)模型的具體建立方法如下：首先，確定神經(jīng)網(wǎng)絡(luò)的輸入變量和輸出變量，選擇溫度和氣體濃度數(shù)據(jù)作為輸入特征，以減少模型復(fù)雜度和提高預(yù)測(cè)精度，選擇熱失控標(biāo)志位作為輸出變量；根據(jù)輸入、輸出變量的數(shù)量確定隱層節(jié)點(diǎn)的數(shù)量，一般使用隱層節(jié)點(diǎn)的數(shù)量公式來(lái)計(jì)算隱層節(jié)點(diǎn)的數(shù)量，公式如下：其中h代表隱層節(jié)點(diǎn)個(gè)數(shù)，i代表輸入層的節(jié)點(diǎn)個(gè)數(shù)，o代表輸出層節(jié)點(diǎn)的個(gè)數(shù)，e代表介于10-4和10之間的常數(shù)；模型的激勵(lì)函數(shù)使用tanh或者sigmoid函數(shù)，其中tanh激勵(lì)函數(shù)使用s形函數(shù)，s形函數(shù)如下：sigmoid激勵(lì)函數(shù)使用分段線性函數(shù)，如下：其中e是自然對(duì)數(shù)的底數(shù)，x為函數(shù)自變量，s(x)代表函數(shù)結(jié)果；隱層的激活函數(shù)選取如下：h1＝tanh(s1),h0＝sigmoid(s0),其中，s1，s0分別代表兩個(gè)隱層節(jié)點(diǎn)的輸出值，輸出層的激活函數(shù)為：o＝a·s0+b·s1,其中，a，b代表輸出層與隱層之間的權(quán)重。
7.根據(jù)權(quán)利要求6所述的一種基于bp神經(jīng)網(wǎng)絡(luò)的鋰電池?zé)崾Э靥卣髯R(shí)別算法，其特征在于：bp神經(jīng)網(wǎng)絡(luò)模型中使用反向傳播算法來(lái)優(yōu)化模型參數(shù)，提高預(yù)測(cè)精度和穩(wěn)定性，bp神經(jīng)網(wǎng)絡(luò)中，神經(jīng)元的激活函數(shù)的非線性將導(dǎo)致梯度下降搜索在誤差函數(shù)的曲面收斂時(shí)可能陷入局部極值，從而破壞預(yù)測(cè)精度，使用自適應(yīng)矩估計(jì)(adam)優(yōu)化算法...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：呂銀華，邵飛，劉博，
申請(qǐng)(專利權(quán))人：銀興物聯(lián)科技湖州有限公司，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。