一种基于热-神经网络耦合模型的电池温度估计方法技术

本发明专利技术涉及一种基于热

【技术实现步骤摘要】
一种基于热
‑
神经网络耦合模型的电池温度估计方法


[0001]本专利技术属于电池管理
，涉及一种基于热
‑
神经网络耦合模型的电池温度估计方法。

技术介绍

[0002]动力电池作为纯电动车辆EVs、混合动力车辆HEVs和插电式混合动力车辆PHEVs的核心部件，其性能直接决定着电动车辆的发展。而大尺寸动力电池由于具有外形设计灵活、质量轻、比能量高、布置紧凑等突出优点，在电动车辆的应用比重越来越高。由于大尺寸层叠式电池在制造时一致性较差，正常工作时易产生局部热点，从而导致该类型电池在使用过程中易出现温度不均匀、局部热点明显等现象，甚至触发热失控着火燃烧。而且，各电池厂商为了打消顾客对纯电动车辆续航里程短、充电时间长等使用顾虑，电池研发向着大单体、高能量密度、高功率密度的方向发展，这将大大增加大尺寸层叠式电池的热安全隐患。因此，对大尺寸层叠式电池的温度进行准确高效的估计显得尤为重要。但是电动汽车的真实工况复杂，电流、电压、阻抗的测量精度都限制了大尺寸层叠式电池温度估计精度。
[0003]目前对动力电池的温度估计方法可分为四类：基于热模型的温度估计、基于电化学阻抗谱EIS测量的温度估计、基于热模型与EIS测量相结合的温度估计和基于数据驱动的温度估计。基于热模型估计电池的温度，又大致可分为：利用简单热模型估计电池的平均温度，该方法计算简单，但是估计精度无法反映电池温度的实际情况；利用数值求解方法估计电池的温度分布，此类方法能实现准确估计，但是计算量大，难以实际应用；利用双态热模型，可以结合电池表面温度测量来估计电池内部的温度分布，此类方法模型和算法简单，同时精度较高，但是需要安装大量的温度传感器，难以实现推广应用。基于EIS测量的温度估计，其模型简单，并且不用安装温度传感器，同时不受几何形状限制，但是该类方法仅可获取平均温度。因此，有学者对基于热模型与EIS测量相结合的温度估计进行研究，使用基于阻抗测量的热
‑
阻抗模型来对电池单体内部的温度分布进行估计和预测，该方法既不用安装温度传感器，又可以获取丰富的温度信息，但是该类方法对测量设备精度要求高，建模阶段耗时长。近年来，随着大数据时代的席卷，基于机器学习和人工智能的状态估计方法已广泛应用于动力电池的SOC、SOH和剩余寿命等状态的估计与预测，但是鲜少有用于动力电池的温度估计。该类方法不需要物理模型，也不用深入了解电池的产热传热机理，不受几何形状限制，但是其对数据的数量和质量要求高，计算耗时长，泛化能力较差。
[0004]目前对动力电池的温度进行估计的研究已经有很多，但是将热模型和数据驱动方法相结合进行对大尺寸层叠式电池温度估计的方法则鲜有学者研究使用。一方面，大尺寸层叠式电池的热模型虽然能实现较为准确的温度估计，但存在需要深入探究物理模型，建模过程复杂等问题；另一方面，神经网络模型估计电池温度虽然不需要物理模型，但存在对数据的数量和质量要求高，且泛化能力不强等问题。本专利技术旨在将二者结合，弥补二者的短板，可进一步提升电池关键温度的估计准确度及泛化能力。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提供一种基于热
‑
神经网络耦合模型的电池温度估计方法。
[0006]为达到上述目的，本专利技术提供如下技术方案：
[0007]一种基于热
‑
神经网络耦合模型的电池温度估计方法，该方法包括以下步骤：
[0008]S1：选定待测电池，收集整理该电池的规格及几何参数，并在不同温度下对被测电池进行特性工况测试、恒流及动态工况试验，获取电池模型建立以及温度估计所需的实验数据集；
[0009]S2：考虑电池极耳热效应并基于切比雪夫伽辽金近似法建立电池的低阶热模型，进行参数辨识获得热模型未知参数，并结合扩展卡尔曼滤波EKF算法实时估计电池关键温度；
[0010]S3：基于长短期记忆神经网络建立并训练电池数据驱动模型，确定电池产热、荷电状态SOC和环境温度与电池关键温度间的映射关系；
[0011]S4：通过集成学习算法adaboost耦合物理热模型与神经网络模型，并优化二者的融合权重，进而实现准确的电池温度估计。
[0012]可选的，在所述S1中，待测电池为大尺寸层叠式电池，热模型为二维2
‑
D低阶空间解析热模型，包括描述正、负极耳热行为的集中质量热子模型和描述电池本体热行为的2
‑
D切比雪夫
‑
伽辽金近似电热子模型，考虑两极耳与本体间的热流交换；大尺寸层叠式电池的神经网络模型为长短期记忆LSTM神经网络模型。
[0013]可选的，所述步骤S1实验过程具体为：
[0014]S11：在电池表面的预设位置及两极耳上粘附9个T型热电偶进行温度提取；
[0015]S12：将待测大尺寸层叠式电池在25℃的恒温环境中静置2h；
[0016]S13：以C/20充放电倍率对大尺寸层叠式电池进行充放电，测得该大尺寸层叠式电池的开路电压OCV与荷电状态SOC的关系曲线并确定HPPC测试中相邻测试点的SOC间隔，进行C/3的静态容量测试获取大尺寸层叠式电池在当前温度下的实际容量；
[0017]S14：进行充放电脉冲为1C的HPPC测试，试验SOC区间取10％～90％，获取当前温度下大尺寸层叠式电池的电流、电压数据；
[0018]S15：在45℃、35℃、15℃、10℃、5℃、0℃、
‑
5℃、
‑
10℃、
‑
15℃下重复步骤S12～S14，记录不同温度下的电流、电压数据；
[0019]S16：分别在
‑
15℃、25℃和45℃下进行动态工况测试，包括联邦城市循环工况FUDS、新欧洲驾驶工况NEDC和美国高速工况US06三个类实车工况，获取该大尺寸层叠式电池的电流、电压、温度和阻抗的实验数据；
[0020]S17：测取大尺寸层叠式电池在
‑
15℃、25℃和45℃三个温度、C/3、C/2和1C三个电流倍率下的恒流放电工况数据，包括电流、电压以及各测点的温度数据；
[0021]S18：将获取的实验数据汇总并处理，形成可用的实验数据库。
[0022]可选的，所述S2具体为：
[0023]S21：分别建立该大尺寸层叠式电池的极耳集中质量热子模型和本体2
‑
D切比雪夫
‑
伽辽金近似电热子模型，考虑两极耳与本体间的热流交换，耦合两个子模型，建立该电池的热模型；
[0024]S22：利用步骤S1中获取的实验数据，基于一阶RC模型，通过参数辨识确定大尺寸层叠式电池的内阻参数，根据Bernardi经典产热公式计算电池产热率，并考虑极耳热流在电池本体的定量分配，从而获取本体2
‑
D切比雪夫
‑
伽辽金近似模型的模型输入；
[0025]S23：利用步骤S1中获取的实验数据，通过参数辨识算法辨识本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于热
‑
神经网络耦合模型的电池温度估计方法，其特征在于：该方法包括以下步骤：S1：选定待测电池，收集整理该电池的规格及几何参数，并在不同温度下对被测电池进行特性工况测试、恒流及动态工况试验，获取电池模型建立以及温度估计所需的实验数据集；S2：考虑电池极耳热效应并基于切比雪夫伽辽金近似法建立电池的低阶热模型，进行参数辨识获得热模型未知参数，并结合扩展卡尔曼滤波EKF算法实时估计电池关键温度；S3：基于长短期记忆神经网络建立并训练电池数据驱动模型，确定电池产热、荷电状态SOC和环境温度与电池关键温度间的映射关系；S4：通过集成学习算法adaboost耦合物理热模型与神经网络模型，并优化二者的融合权重，进而实现准确的电池温度估计。2.根据权利要求1所述的一种基于热
‑
神经网络耦合模型的电池温度估计方法，其特征在于：在所述S1中，待测电池为大尺寸层叠式电池，热模型为二维2
‑
D低阶空间解析热模型，包括描述正、负极耳热行为的集中质量热子模型和描述电池本体热行为的2
‑
D切比雪夫
‑
伽辽金近似电热子模型，考虑两极耳与本体间的热流交换；大尺寸层叠式电池的神经网络模型为长短期记忆LSTM神经网络模型。3.根据权利要求2所述的一种基于热
‑
神经网络耦合模型的电池温度估计方法，其特征在于：所述步骤S1实验过程具体为：S11：在电池表面的预设位置及两极耳上粘附9个T型热电偶进行温度提取；S12：将待测大尺寸层叠式电池在25℃的恒温环境中静置2h；S13：以C/20充放电倍率对大尺寸层叠式电池进行充放电，测得该大尺寸层叠式电池的开路电压OCV与荷电状态SOC的关系曲线并确定HPPC测试中相邻测试点的SOC间隔，进行C/3的静态容量测试获取大尺寸层叠式电池在当前温度下的实际容量；S14：进行充放电脉冲为1C的HPPC测试，试验SOC区间取10％～90％，获取当前温度下大尺寸层叠式电池的电流、电压数据；S15：在45℃、35℃、15℃、10℃、5℃、0℃、
‑
5℃、
‑
10℃、
‑
15℃下重复步骤S12～S14，记录不同温度下的电流、电压数据；S16：分别在
‑
15℃、25℃和45℃下进...

【专利技术属性】
技术研发人员：胡晓松，庞晓青，邓忠伟，刘文学，谢翌，李佳承，彭景辉，
申请(专利权)人：重庆大学，
类型：发明
国别省市：