本发明专利技术公开了一种基于混合模型的电池热失控预判方法，综合电池物理模型和深度学习人工智能模型实现电池热失控预先判定和报警，通过电池电热耦合模型估算电池的内部温度、SOC，结合电池传感器测量的电池表面温度、电池电压、电池电流共同作为LSTM的输入，利用混合模型精确预测电池的表面温度和内部温度。根据热失控的故障机理，通过阈值的方法判定热失控的发生并确定诱发原因，实现了对电池热失控的准确预测。这种混合模型方法结合了电池的热特性和电特性，同时应用了人工智能数据驱动方法，为电池热失控预判和诊断方法提供了新的思路。本发明专利技术判断故障流程简单、实用性强而且响应较快，具有较好的应用前景。具有较好的应用前景。具有较好的应用前景。
【技术实现步骤摘要】
一种基于混合模型的储能系统电池热失控预判方法
[0001]本专利技术适用于锂离子电池在储能系统领域的应用，公开了一种基于混合模型的电池热失控预判方法，旨在降低储能系统中电池热失控事故的发生。
技术介绍
[0002]锂离子电池由于其功率密度与能量密度高、循环寿命长、自放电率低以及价格适中等优点，广泛应用于储能系统和电动汽车中，但随着大量推广和普及，一系列事故也频频发生。尤其是热失控引起的自燃、爆炸等事故，会带来严重后果。
[0003]现有的热失控诊断方法可分为两大类，基于电池特征信息和基于电池模型的方法。对于基于特征的方法，主要研究了热失控过程中的电压和温度演变，找到早期热失控诊断过程中有用的特征信息，比如电压、温度、阻抗等。基于模型的方法需要电池物理和化学方程方面的专业知识，涉及复杂的数学建模和观测器设计，以及繁琐的参数调整过程。
技术实现思路
[0004]本专利技术提供了一种基于混合模型的电池热失控的预判方法，将神经网络和电池模型相结合，从锂离子电池热失控的机理出发设计算法流程，实现对电池的内部温度和表面温度异常的预测判定。
[0005]一种基于混合模型的储能系统电池热失控预判方法，将电池模型与LSTM神经网络模型相结合，构建如下模型：
[0006]用于采集电池相关参数的电池数据采集模型；
[0007]用于精确估算内部温度T
in
和电池SOC的电池电热耦合模型；
[0008]用于得到基于各个时刻的电池预测内部温度曲线、电池预测表面温度曲线的LSTM预测模型；
[0009]用于完成预判实现热失控预警的热失控预判模型。
[0010]优选的是，本专利技术将一阶等效电路模型和集总参数热模型相结合，形成电池电热耦合模型，通过电热耦合模型精准估算出电池SOC和电池的内部温度；
[0011]对一阶等效电路模型进行参数识别，识别出理想电压源Uoc，欧姆内阻R0，极化内阻R
d
与极化电容C
d
，并使用安时积分法进行SOC估算；在此基础上，与集总参数热模型进行耦合，一阶等效电路模型和集总参数热模型之间通过欧姆内阻R0、极化内阻R
d
与内部温度T
in
进行关联；
[0012]首先通过负载电流和电池的内部温度计算得出电池的SOC；
[0013]其次根据SOC、温度与内阻之间的关系，确定欧姆内阻R0、极化内阻R
d
的值，并根据得到的阻值计算电池的产热量；
[0014]将锂电池产热量Q
j
和环境温度T
amb
作为热模型的输入，计算出锂离子电池的内部温度T
in
；再将内部温度T
in
作为参数传入电池等效电路模型，在下一个时刻与电流I计算电池新的SOC形成一个回路；实现了实时精确估算内部温度T
in
和电池SOC的作用。
[0015]优选的是，本专利技术的LSTM预测模型将每个时刻所测参数电压U、电流I、SOC、电池内部温度T
in
、电池表面温度T
amb
共同作为输入矩阵，电池预测内部温度、电池预测表面温度作为输出矩阵，得到基于各个时刻的电池预测内部温度曲线、电池预测表面温度曲线。
[0016]优选的是，本专利技术的热失控预判模型，结合温度预测模型，提出了电池热失控判定流程，根据预测模型所得预测温度曲线图，将预测温度与实测温度的对比，得到电池热失控的预判结果和电池热失控的诱因，完成预判实现热失控预警。
[0017]本专利技术提出一种基于混合模型的锂电池热失控预判方法，采用电池电热耦合模型和LSTM神经网络相结合的混合模型，这种混合模型方法结合了电池的热特性和电特性，同时应用了数据驱动方法，为电池热失控预判和诊断方法提供了新的思路，相比于其他的方法，这种方法判断故障流程简单、实用性强而且响应较快，可凭借该优势在实际工程中得到广泛应用。
附图说明
[0018]附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中：
[0019]图1为电池热失控预判模型；
[0020]图2为一阶RC等效电路模型；
[0021]图3为集总参数热模型；
[0022]图4为电热耦合模型；
[0023]图5为基于LSTM神经网络的电测内部和表面温度预测模型；
[0024]图6为热失控预判流程示意图；
[0025]图7为过充电实验数据；
[0026]图8为实施例1电池内部温度预测结果示意图；
[0027]图9为实施例1电池外部温度预测结果示意图；
[0028]图10为热冲击实验数据；
[0029]图11为实施例2电池内部温度预测结果示意图；
[0030]图12为实施例2电池表面温度预测结果示意图。
具体实施方式
[0031]下面结合附图进一步详细地描述本专利技术的技术方案，但本专利技术的保护范围不限于以下所述。
[0032]一种基于混合模型的储能系统电池热失控预判方法，将电池模型与LSTM神经网络模型相结合，构建如下模型：
[0033]用于采集电池相关参数的电池数据采集模型；
[0034]用于精确估算内部温度T
in
和电池SOC的电池电热耦合模型；
[0035]将一阶等效电路模型和集总参数热模型相结合，形成电池电热耦合模型，通过电热耦合模型精准估算出电池SOC和电池的内部温度；
[0036]对一阶等效电路模型进行参数识别，识别出理想电压源Uoc，欧姆内阻R0，极化内阻R
d
与极化电容C
d
，并使用安时积分法进行SOC估算；在此基础上，与集总参数热模型进行耦
合，一阶等效电路模型和集总参数热模型之间通过欧姆内阻R0、极化内阻R
d
与内部温度T
in
进行关联；
[0037]首先通过负载电流和电池的内部温度计算得出电池的SOC；
[0038]其次根据SOC、温度与内阻之间的关系，确定欧姆内阻R0、极化内阻R
d
的值，并根据得到的阻值计算电池的产热量；
[0039]将锂电池产热量Q
j
和环境温度T
amb
作为热模型的输入，计算出锂离子电池的内部温度T
in
；再将内部温度T
in
作为参数传入电池等效电路模型，在下一个时刻与电流I计算电池新的SOC形成一个回路；实现了实时精确估算内部温度T
in
和电池SOC的作用。
[0040]用于得到基于各个时刻的电池预测内部温度曲线、电池预测表面温度曲线的LSTM预测模型；
[0041]LSTM预测模型将每个时刻所测参数电压U、电流I、SOC、电池内部温度T
in
、电本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于混合模型的储能系统电池热失控预判方法，其特征在于将电池模型与LSTM神经网络模型相结合，构建如下模型：用于采集电池相关参数的电池数据采集模型；用于精确估算内部温度T
in
和电池SOC的电池电热耦合模型；用于得到基于各个时刻的电池预测内部温度曲线、电池预测表面温度曲线的LSTM预测模型；用于完成预判实现热失控预警的热失控预判模型。2.根据权利要求1所述的基于混合模型的储能系统电池热失控预判方法，其特征在于，将一阶等效电路模型和集总参数热模型相结合，形成电池电热耦合模型，通过电热耦合模型精准估算出电池SOC和电池的内部温度；对一阶等效电路模型进行参数识别，识别出理想电压源Uoc，欧姆内阻R0，极化内阻R
d
与极化电容C
d
，并使用安时积分法进行SOC估算；在此基础上，与集总参数热模型进行耦合，一阶等效电路模型和集总参数热模型之间通过欧姆内阻R0、极化内阻R
d
与内部温度T
in
进行关联；首先通过负载电流和电池的内部温度计算得出电池的SOC；其次根据SOC、温度与内阻之间的关系，确定欧姆内阻R0、极化内阻R
d
【专利技术属性】
技术研发人员：杨启亮，
申请(专利权)人：中国人民解放军陆军工程大学，
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。