一种动力电池Y电容预测系统及预测方法与流程

一种动力电池y电容预测系统及预测方法
技术领域
1.本发明涉及动力电池测试技术，特别涉及一种动力电池y电容预测系统及预测方法。


背景技术：

2.动力电池y电容是指存在于电池正负极与电池包金属外壳或者内部液冷管路之间的结构电容，是由电池内部结构设计不合理形成。其主要分为2类：一类为金属托盘固定的电池包，通过螺栓分别将电池模组与托盘，托盘与车辆进行固定，电池包电极与电池包托盘间形成y电容；另一类为循环液冷的电池包，电池电芯间装有含冷却液的金属管路来实现恒温控制，电池包电极与冷却管路间形成y电容。y电容过大，其存储的能量可能会对其他零部件或人造成损伤，因此需要控制y电容的容值。
3.在动力电池生产测试过程中，根据国标要求(g b/t 18384-2020)要进行电容耦合的测试要求，在产线上一般测试工位上都会采用lcr表等方式来进行电池包正极对壳体、负极对壳体的电容值测试。
4.在动力电池生产过程中除了y电容测试外，还会进行绝缘、耐压、总压等多个测试，其中在进行交流耐压测试时，得出的漏电流的值，可以通过公式计算出相应的电容值。
5.现有技术主要采用lcr表或万用表直接测量动力电池相应的电容值，属于独立的一个测试步骤，需要相应的测试仪器及测试时间。


技术实现要素：

6.本发明目的是：提供一种动力电池y电容预测系统及预测方法，利用动力电池在前段工位耐压测试时计算出电容值，并与绝缘电阻值、电池总压、后段工位lcr表等测试的电容值进行数据的分析，找到相应的数学关系，目的是在实际生产测试中，利用耐压测试值结合历史测试数据的数学关系，计算出相对更加准确的电容值，同时能够省去lcr表等传统方式的测试步骤，达到降本增效的作用。
7.本发明的技术方案是：
8.一种动力电池y电容预测系统，包括绝缘耐压测试仪、电压采集模块、lcr表、电脑和数据库；其中：
9.绝缘耐压测试仪，测试动力电池正极对壳体、以及负极对壳体的耐压漏电流值、绝缘电阻值；通过电脑读取耐压测试仪的耐压漏电流值，计算出相应的电容值；将测量的绝缘电阻值、漏电流值、计算出的电容值，存储在数据库中；
10.电压采集模块，用于采集动力电池的总压、动力电池正极对壳体、动力电池负对壳体的电压值，并通过电脑读取测量相应的值，将电压值存储在数据库中；
11.lcr表，直接测量动力电池正极对壳体、负极对壳体的电容值，并通过电脑读取仪器测量相应的电容值，将电容值存储在数据库中。
12.优选的，所述绝缘耐压测试模块、电压采集模块、lcr表分别通过切换模块完成相
应的测试。
13.优选的，所述电脑读取耐压测试仪的漏电流大小，计算出相应的电容值的公式为：
[0014][0015]
其中，c为电容值，u
(ac)
为交流电压幅值，f为交流电压频率,i、r分别为耐压漏电流值、绝缘电阻值。
[0016]
优选的，在数据库中，对输入数据形成相应的测试数据集，通过建立一种预测模型，采用bp神经网络与多元回归分析的交叉分析应用来预测y电容的测量值，预测出新电池相对更加准确的电容值。
[0017]
一种动力电池y电容预测方法，包括：
[0018]
步骤一、输入以下(1)～(3)数据，分别形成相应的测试数据集：
[0019]
(1)绝缘耐压测试仪测试的动力电池正极对壳体，以及负极对壳体的耐压漏电流值、绝缘电阻值、运算的电容值；(2)电压采集模块采集的动力电池总压、动力电池正对壳体电压、动力电池负对壳体电压；(3)lcr表测试的动力电池正极对壳体、负极对壳体的电容值；
[0020]
步骤二、通过建立一种预测模型，采用bp神经网络与多元回归分析的交叉分析应用来预测y电容的测量值；
[0021]
首先分析影响y电容值的影响因子及电容值与电压、绝缘电阻和漏电流的变化规律和趋势，然后通过stepwise回归分析影响y电容值的主要影响因子，再利用多元回归分析和bp神经网络构建bp－多元回归预测模型，对y电容值进行预测，并对预测结果进行分析。
[0022]
优选的，步骤二中，具体包括步骤：
[0023]
s1：获取测试数据集；
[0024]
s2：将测试数据集按照8：2比例划分至训练集和测试集；
[0025]
s3：建立stepwise回归模型对影响因子筛选，stepwise回归模型表达为：
[0026]
y＝a0+a 1x1+a2x2+a3x3+a4x4+a5x5；
[0027]
其中，y、x1、x2、x3、x4、x5分别表示测试存储的相应变量；a0、a 1、a2
…
a5表示stepwise回归系数；
[0028]
s4：选择测试数据集的变量作为显著影响因子建立多元回归预测模型，计算y电容的预测值yr：
[0029]
yr＝a 1yi+a2x1i+a3x2i+a4x3i+a5x4i+a6x5i；
[0030]
其中，yi、x1i、x2i、x3i、x4i、x5i分别表示相关变量；a 1、a2、a3、a4、a5、a6表示变量系数；
[0031]
s5：在bp神经网络预测模型中，选择耐压漏电流值及计算的电容值与lcr表测量的电容值作为y电容值的预测的输入输出；
[0032]
s6：结合多元回归与bp神经网络模型按照下面的公式，得出最终的y电容预测值：
[0033]
y＝ω1yb+ω2yr；
[0034]
式中:y表示最终的y电容值；yb表示bp神经网络预测模型预测的y电容值；yr表示多元回归预测模型预测的y电容值；ω1、ω2分别表示bp神经网络预测模型、多元回归预测模型的权值。
[0035]
优选的，得出最终的y电容预测值后，还根据测试集的数据测试验证算法准确率，并进行模型优化，最终得到训练好的y电容测试预测模型；将实测数据输入训练好的y电容预测模型，对动力电池的主正对壳体、主负对壳体的y电容进行预测。
[0036]
本发明的优点是：
[0037]
1、本发明利用动力电池在前段工位耐压测试时计算出电容值，并与绝缘电阻值、电池总压、后段工位lcr表等测试的电容值进行数据的分析，找到相应的数学关系，目的是在实际生产测试中，利用耐压测试值结合历史测试数据的数学关系，计算出相对更加准确的电容值，同时能够省去lcr表等传统方式的测试步骤，达到降本增效的作用。
[0038]
2、本发明通过多元回归分析和bp神经网络的交叉应用建立一种组合预测模型，该模型综合考虑了实际测试的关联项的影响因素以及耐压漏电流计算电容值与直接测量电容值的影响，bp－多元回归预测模型在预测时具有更好的拟合效果，大大提高了预测的准确率，具有更好的预测效果。
附图说明
[0039]
下面结合附图及实施例对本发明作进一步描述：
[0040]
图1为本发明动力电池y电容预测系统的装置图。
具体实施方式
[0041]
如图1所示，本发明的动力电池y电容预测系统，包括绝缘耐压测试仪、电压采集模块、lcr表、电脑和数据库；其中：
[0042]
绝缘耐压测试仪，测试动力电池正极对壳体、以及负极对壳体的耐压漏电流值、绝缘电阻值；通过电脑读取耐压测试仪的耐压漏电流值，计算出相应的电容值；将测量的绝缘电阻值、漏电流值、计算出的电容值，存储在数据库中；
[0043]
所述电脑读取耐压测试仪的漏电流大小，计算出相应的电容值的公式为：
[0044][0045]
其中，c为电容值，u
(ac)
为交流电压幅值，f为交流电压频率,i、r分别为耐压漏电流值、绝缘电阻值。
[0046]
电压采集模块，用于采集动力电池的总压、动力电池正极对壳体、动力电池负对壳体的电压值，并通过电脑读取测量相应的值，将电压值存储在数据库中；
[0047]
lcr表，直接测量动力电池正极对壳体、负极对壳体的电容值，并通过电脑读取仪器测量相应的电容值，将电容值存储在数据库中。
[0048]
所述绝缘耐压测试模块、电压采集模块、lcr表分别通过切换模块完成相应的测试。
[0049]
在数据库中，对输入数据形成相应的测试数据集，通过建立一种预测模型，采用bp神经网络与多元回归分析的交叉分析应用来预测y电容的测量值，预测出新电池相对更加准确的电容值。
[0050]
具体的，本发明的一种动力电池y电容预测方法，包括：
[0051]
步骤一、输入以下(1)～(3)数据，分别形成相应的测试数据集：
[0052]
(1)绝缘耐压测试仪测试的动力电池正极对壳体，以及负极对壳体的耐压漏电流值、绝缘电阻值、运算的电容值；(2)电压采集模块采集的动力电池总压、动力电池正对壳体电压、动力电池负对壳体电压；(3)lcr表测试的动力电池正极对壳体、负极对壳体的电容值；
[0053]
步骤二、通过建立一种预测模型，采用bp神经网络与多元回归分析的交叉分析应用来预测y电容的测量值；
[0054]
首先分析影响y电容值的影响因子及电容值与电压、绝缘电阻和漏电流的变化规律和趋势，然后通过stepwise回归分析影响y电容值的主要影响因子，再利用多元回归分析和bp神经网络构建bp－多元回归预测模型，对y电容值进行预测，并对预测结果进行分析。
[0055]
步骤二中，具体包括步骤：
[0056]
s1：获取测试数据集；
[0057]
s2：将测试数据集按照8：2比例划分至训练集和测试集；
[0058]
s3：建立stepwise回归模型对影响因子筛选，stepwise回归模型表达为：
[0059]
y＝a0+a 1x1+a2x2+a3x3+a4x4+a5x5；
[0060]
其中，y、x1、x2、x3、x4、x5分别表示测试存储的相应变量；a0、a 1、a2
…
a5表示stepwise回归系数；
[0061]
s4：选择测试数据集的变量作为显著影响因子建立多元回归预测模型，计算y电容的预测值yr：
[0062]
yr＝a 1yi+a2x1i+a3x2i+a4x3i+a5x4i+a6x5i；
[0063]
其中，yi、x1i、x2i、x3i、x4i、x5i分别表示相关变量；a 1、a2、a3、a4、a5、a6表示变量系数；
[0064]
s5：在bp神经网络预测模型中，选择耐压漏电流值及计算的电容值与lcr表测量的电容值作为y电容值的预测的输入输出；
[0065]
s6：结合多元回归与bp神经网络模型按照下面的公式，得出最终的y电容预测值：
[0066]
y＝ω1yb+ω2yr；
[0067]
式中:y表示最终的y电容值；yb表示bp神经网络预测模型预测的y电容值；yr表示多元回归预测模型预测的y电容值；ω1、ω2分别表示bp神经网络预测模型、多元回归预测模型的权值；
[0068]
s7：得出最终的y电容预测值后，还根据测试集的数据测试验证算法准确率，并进行模型优化，最终得到训练好的y电容测试预测模型；
[0069]
s8：将实测数据输入训练好的y电容预测模型，对动力电池的主正对壳体、主负对壳体的y电容进行预测。
[0070]
本发明通过多元回归分析和bp神经网络的交叉应用建立一种组合预测模型，该模型综合考虑了实际测试的关联项的影响因素以及耐压漏电流计算电容值与直接测量电容值的影响，bp－多元回归预测模型在预测时具有更好的拟合效果，大大提高了预测的准确率，具有更好的预测效果。
[0071]
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明主要技术方案的精神实质所做的修饰，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种动力电池y电容预测系统，其特征在于，包括绝缘耐压测试仪、电压采集模块、lcr表、电脑和数据库；其中：绝缘耐压测试仪，测试动力电池正极对壳体、以及负极对壳体的耐压漏电流值、绝缘电阻值；通过电脑读取耐压测试仪的耐压漏电流值，计算出相应的电容值；将测量的绝缘电阻值、漏电流值、计算出的电容值，存储在数据库中；电压采集模块，用于采集动力电池的总压、动力电池正极对壳体、动力电池负对壳体的电压值，并通过电脑读取测量相应的值，将电压值存储在数据库中；lcr表，直接测量动力电池正极对壳体、负极对壳体的电容值，并通过电脑读取仪器测量相应的电容值，将电容值存储在数据库中。2.根据权利要求1所述的动力电池y电容预测系统，其特征在于，所述绝缘耐压测试模块、电压采集模块、lcr表分别通过切换模块完成相应的测试。3.根据权利要求1所述的动力电池y电容预测系统，其特征在于，所述电脑读取耐压测试仪的漏电流大小，计算出相应的电容值的公式为：u
(ac)
＝i
×
r,其中，c为电容值，u
(ac)
为交流电压幅值，f为交流电压频率,i、r分别为耐压漏电流值、绝缘电阻值。4.根据权利要求3所述的动力电池y电容预测系统，其特征在于，在数据库中，对输入数据形成相应的测试数据集，通过建立一种预测模型，采用bp神经网络与多元回归分析的交叉分析应用来预测y电容的测量值，预测出新电池相对更加准确的电容值。5.一种动力电池y电容预测方法，其特征在于，包括：步骤一、输入以下(1)～(3)数据，分别形成相应的测试数据集：(1)绝缘耐压测试仪测试的动力电池正极对壳体，以及负极对壳体的耐压漏电流值、绝缘电阻值、运算的电容值；(2)电压采集模块采集的动力电池总压、动力电池正对壳体电压、动力电池负对壳体电压；(3)lcr表测试的动力电池正极对壳体、负极对壳体的电容值；步骤二、通过建立一种预测模型，采用bp神经网络与多元回归分析的交叉分析应用来预测y电容的测量值；首先分析影响y电容值的影响因子及电容值与电压、绝缘电阻和漏电流的变化规律和趋势，然后通过stepwise回归分析影响y电容值的主要影响因子，再利用多元回归分析和bp神经网络构建bp－多元回归预测模型，对y电容值进行预测，并对预测结果进行分析。6.根据权利要求5所述的动力电池y电容预测方法，其特征在于，步骤二中，具体包括步骤：s1：获取测试数据集；s2：将测试数据集按照8：2比例划分至训练集和测试集；s3：建立stepwise回归模型对影响因子筛选，stepwise回归模型表达为：y＝a0+a1x1+a2x2+a3x3+a4x4+a5x5；其中，y、x1、x2、x3、x4、x5分别表示测试存储的相应变量；a0、a1、a2
…
a5表示stepwise回归系数；s4：选择测试数据集的变量作为显著影响因子建立多元回归预测模型，计算y电容的预
测值yr：yr＝a1yi+a2x1i+a3x2i+a4x3i+a5x4i+a6x5i；其中，yi、x1i、x2i、x3i、x4i、x5i分别表示相关变量；a1、a2、a3、a4、a5、a6表示变量系数；s5：在bp神经网络预测模型中，选择耐压漏电流值及计算的电容值与lcr表测量的电容值作为y电容值的预测的输入输出；s6：结合多元回归与bp神经网络模型按照下面的公式，得出最终的y电容预测值：y＝ω1yb+ω2yr；式中:y表示最终的y电容值；yb表示bp神经网络预测模型预测的y电容值；yr表示多元回归预测模型预测的y电容值；ω1、ω2分别表示bp神经网络预测模型、多元回归预测模型的权值。7.根据权利要求6所述的动力电池y电容预测方法，其特征在于，得出最终的y电容预测值后，还根据测试集的数据测试验证算法准确率，并进行模型优化，最终得到训练好的y电容测试预测模型；将实测数据输入训练好的y电容预测模型，对动力电池的主正对壳体、主负对壳体的y电容进行预测。

技术总结
本发明公开了一种动力电池Y电容预测系统及预测方法，利用动力电池在前段工位耐压测试时计算出电容值，并与绝缘电阻值、电池总压、后段工位LCR表等测试的电容值进行数据的分析，找到相应的数学关系，目的是在实际生产测试中，利用耐压测试值结合历史测试数据的数学关系，计算出相对更加准确的电容值，同时能够省去LCR表等传统方式的测试步骤，达到降本增效的作用。本发明通过多元回归分析和BP神经网络的交叉应用建立一种组合预测模型，该模型综合考虑了实际测试的关联项的影响因素以及耐压漏电流计算电容值与直接测量电容值的影响，BP－多元回归预测模型在预测时具有更好的拟合效果，大大提高了预测的准确率，具有更好的预测效果。预测效果。预测效果。


技术研发人员：徐磊 舒伟 董汉 陈超
受保护的技术使用者：苏州清研精准汽车科技有限公司
技术研发日：2023.03.24
技术公布日：2023/8/4