【技术实现步骤摘要】
本申请涉及动力电池，尤其涉及一种基于极化特性的lstm电池温度估计方法。
技术介绍
1、电动汽车动力电池的安全性已成为社会关注的焦点，其中电池组的安全性尤其受到温度的影响。为了避免电池组过热可能导致的热失控问题，电池管理系统(batterymanagement system，bms)对温度的准确估计尤为重要。然而，由于空间和成本的限制，很难在所有电池上安装温度传感器。由于电池组中各电池单元之间存在差异，缺乏温度传感器的电池单元很难获得温升信息，这可能导致电池管理系统缺乏有效监控，从而引发电池组热失控。因此，迫切需要通过深入分析电池特性来准确估计所有电池单元的温度，这对提高电动汽车的安全性具有重要意义。
2、之前的研究主要包括基于物理和数据驱动的方法。例如：基于电化学阻抗光谱(electrochemical impedance spectroscopy，eis)方法通过向电池注入一个或多个频率的交流电流来获得电池的阻抗，然后根据交流电压响应将阻抗与温度相关联；基于偏微分方程(partial differential equation，pde)的方法采用的多态模型可以合理准确地捕捉电池的热行为。这些模型考虑了电池中热量的产生和传递以及热边界条件。这些方法已被证明能够使用一维、二维和三维模型对锂离子电池的温度分布进行建模。然而，eis数据的解析通常需要使用复杂的数学模型和苛刻的实验条件；pde的方法涉及大量参数和复杂的数学运算，实时实施相对困难。
3、鉴于上述挑战，最近的研究越来越倾向于使用数据驱动方法来克服物
技术实现思路
1、本申请实施例通过提供一种基于极化特性的lstm电池温度估计方法，解决了现有技术中通过模型对电池温度预测的准确性较差的问题。
2、为了实现上述目的，本专利技术实施例的技术方案是：
3、第一方面，本专利技术实施例提供了一种基于极化特性的lstm电池温度估计方法，包括：对样本电池进行多倍率放电测试，获得样本电池的第一工况数据；其中，第一工况数据包括样本电池在预设温度环境下，不同放电倍率下的电压值、电流值和温度值；构建基于遗传算法的lstm温度估计第一模型，通过第一工况数据对第一模型进行训练；对训练后的第一模型进行精度测试，基于精度测试结果，根据样本电池的产热机理，确定不同放电倍率下的产热特性；其中，产热特性包括电压产热特性和极化产热特性；基于第一工况数据和产热特性，建立模型训练策略，分别训练不同倍率工况区间对应的电池温度估计模型，获得基于极化特性的lstm温度估计第二模型；获取待测电池的第二工况数据，输入第二模型估计待测电池的温度。
4、在一些可能的实现方式中，在对样本电池进行多倍率放电测试之前，方法还包括：对样本电池进行容量标定测试。
5、在一些可能的实现方式中，容量标定测试包括：在恒温环境中对静置的样本电池进行恒流充放电测试，计算连续预设次数测试所得放电容量的平均值，以此作为电池当前状态的可用容量；和/或将样本电池置于恒温环境中，设定充放电截止电压并进行恒电流充放电循环，选取预设次数放电容量的平均值作为电池当前的可用容量。
6、在一些可能的实现方式中，对样本电池进行多倍率放电测试，包括：每次恒流放电前，使用1/3c电流将样本电池充电至截止电压，再通过恒流恒压充电逐渐将电流降至为截止电流1/20c，使用此电流将电池放电至截止电压；分别在预设的多个放电倍率工况下采集恒流放电的实验数据。
7、在一些可能的实现方式中，在对样本电池进行多倍率放电测试时，方法还包括：在温箱中同一温区位置，放置连接温度传感器的样本电池和对照电池，将样本电池的温度与对照电池的温度差值作为样本电池的实际温升。
8、在一些可能的实现方式中，在通过第一工况数据对第一模型进行训练之前，方法还包括：对工况数据按比例进行划分，构建电池数据集；电池数据集包括：训练集、验证集和测试集；对训练后的第一模型进行精度测试，包括：通过遗传算法获取最优超参数组合，并保存模型参数用于测试集中测试；通过均方根误差rmse、平均绝对误差mae和最大误差me对第一模型进行精度测试。
9、在一些可能的实现方式中，通过遗传算法获取最优超参数组合，并保存模型参数用于测试集中测试，包括：通过遗传法从训练集中选择超参数，训练第一模型；采用验证集的损失函数值进行适应度评估，判断是否为该周期内最小的验证集损失函数值，若是，则得到优化后的超参数组合，用于下一步模型在测试集中的测试，若不是，通过遗传法初始化种群，并检查其是否满足循环周期数，否的话，则进行交叉、变异、生成新的种群输入到适应度函数，进行下一轮的适应度评估。
10、在一些可能的实现方式中，均方根误差rmse表示为：
11、
12、平均绝对误差mae表示为：
13、
14、最大误差me表示为：
15、
16、其中，n为数据集长度，δt为温升。
17、在一些可能的实现方式中，基于精度测试结果，根据样本电池的产热机理，确定不同放电倍率下的产热特性，包括：根据，bernardi方程：确定电池的产热主要与极化热和反应热的关系，极化热包括欧姆极化、浓差极化和电化学极化，随着电流的增加，极化热会成为电池总产热量的重要部分；分析宽倍率工况下极化特性对产热的影响，根据电池恒流放电实验采集的第一工况数据，获取不同放电倍率下的电压-容量曲线，获得极化特性随放电倍率变化的情况。
18、在一些可能的实现方式中，基于第一工况数据和产热特性，建立模型训练策略，分别训练不同倍率工况区间对应的电池温度估计模型，获得基于极化特性的lstm温度估计第二模型，包括：在预设的低倍率工况区间内，采用第一工况数据中对应的低倍率工况数据训练获得低倍率温度估计模型；在预设的中倍率工况区间内，采用第一工况数据中对应的中倍率工况数据训练获得中倍率温度估计模型；在预设的高倍率工况区间内，采用第一工况数据中当前工况对应的数据训练获得对应倍率温度估计模型，并采用迁移学习方本文档来自技高网...
【技术保护点】
1.一种基于极化特性的LSTM电池温度估计方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，在对所述样本电池进行多倍率放电测试之前，所述方法还包括：对所述样本电池进行容量标定测试。
3.根据权利要求2所述的方法，其特征在于，所述容量标定测试包括：
4.根据权利要求3所述的方法，其特征在于，所述对所述样本电池进行多倍率放电测试，包括：
5.根据权利要求4所述的方法，其特征在于，在对样本电池进行多倍率放电测试时，所述方法还包括：
6.根据权利要求5所述的方法，其特征在于，在通过所述第一工况数据对所述第一模型进行训练之前，所述方法还包括：
7.根据权利要求6所述的方法，其特征在于，所述通过遗传算法获取最优超参数组合，并保存模型参数用于测试集中测试，包括：
8.根据权利要求7所述的方法，其特征在于，所述均方根误差RMSE表示为：
9.根据权利要求8所述的方法，其特征在于，所述基于精度测试结果，根据所述样本电池的产热机理，确定不同放电倍率下的产热特性，包括：
10.
...【技术特征摘要】
1.一种基于极化特性的lstm电池温度估计方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，在对所述样本电池进行多倍率放电测试之前，所述方法还包括：对所述样本电池进行容量标定测试。
3.根据权利要求2所述的方法，其特征在于，所述容量标定测试包括：
4.根据权利要求3所述的方法，其特征在于，所述对所述样本电池进行多倍率放电测试，包括：
5.根据权利要求4所述的方法，其特征在于，在对样本电池进行多倍率放电测试时，所述方法还包括：
6.根据权利要求5所述的方法，其特征在于，在通过所述第一工况数据对所述第一模型进行训练...
【专利技术属性】
技术研发人员：王赟，江文锋，郭佳，杨东，许光光，刘良，
申请(专利权)人：复旦大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。