一种动力电池包的温度实时检测方法技术

本发明专利技术提供了一种动力电池包的温度实时检测方法，来实现对动力电池包的温度检测与热场分析，利用动力电池包的电流、电压信息及材料热力学参数对其温度场进行模拟仿真，并用离散实测温度数据通过深度神经网络和卡尔曼滤波器进行修正，使所建立的温度场模型能更真实地反映电池包实际的温度场分布。地反映电池包实际的温度场分布。地反映电池包实际的温度场分布。

【技术实现步骤摘要】
一种动力电池包的温度实时检测方法


[0001]本专利技术涉及，特别涉及一种动力电池包的温度实时检测方法。

技术介绍

[0002]大力推动新能源是当今时代发展的主题之一。由动力电池单体通过串联、并联、混联等方式组成的电池包已经在电动自行车、电动汽车、工业电力系统等行业广泛应用。然而，动力电池包存在老化、鼓包甚至着火等问题，严重阻碍了它的推广。电池包的热场失衡问题备受业内关注。因此，建立准确有效的动力电池包温度场模型将有利于有效评估电池温度场的分布特点和变化情况，是当前电池热管理的一个重要研究方向。
[0003]动力电池种类繁多，锂电池以其能量密度高、使用寿命长等优势被广泛应用。锂电池中，18650柱状电池是应用最为广泛的标准电池，其中18表示直径为18mm，65表示长度为65mm，0表示为圆柱形电池。18650电池包的优点包括容量大、安全性能高、内阻小、尺寸固定、容量选择范围大、焊接工艺成熟等，越来越受到业内人士的青睐。
[0004]目前，对于测量监控动力电池包的温度方法大致可分为两类。一类是利用光纤、红外成像、声表面波或直接利用温度敏感元件进行温度监测，这类可称为外部温度监测方法；另一类是利用电池的自生特性和参数或对流、湍流模型进行热力学仿真，这类可称为内部温度监测方法。将传感器紧贴被测物体，通过热平衡定理，来反映出被测对象的温度，此种测温方法往往应用于只需较少测温点的场合。若增加采样点数，传感器的布局、走线的安放、电路接口的设计等工程难度都将呈几何级数上升，布置太多的温度传感器难以实现。相对于电池的外部测温方法，内部测温方法主要通过建立相应的模型实现。例如，基于阻抗的测温方法是内部测温方法中的一种，这种方法需要大量的实验数据[3]。也有利用计算流体力学及有限元分析软件，通过引入传导和对流等模型来进行数值计算和热力学仿真的方法。电池热力学模型与电池实际发热/传热的差异，比热、传导等参数的误差，都会导致电池包温度场计算的偏差。
[0005]有鉴于此，如何提高电池包温度场计算的准确度为本领域需要解决的技术问题。

技术实现思路

[0006]本专利技术的目的是提供一种动力电池包的温度实时检测方法。
[0007]本专利技术要解决的是的对电池包实时温度检测准确性的问题。
[0008]为了解决上述问题，本专利技术通过以下技术方案实现：
[0009]一种动力电池包的温度实时检测方法，包括：
[0010]采集动力电池包在放电状态下的电压参数及电流参数；
[0011]采集电池包若干采样点的实测温度值；
[0012]若干实测温度输入至卡尔曼预测模型得到采样点下一步预测温度值；
[0013]将所述下一步预测温度、所述电压参数及电流参数输入至电池包温度场模型，得到电池包的三维空间理论温度场；
[0014]建立三维空间理论温度场到所有温度节点映射的深度神经网络模型；
[0015]调用深度神经网络模型，通过电池包内采样点温度来预测其他位置的温度，得到逼近真实温度场的三维空间修正温度场。
[0016]进一步地，深度神经网络模型为三维卷积神经网络，其卷积算法公式：
[0017][0018]其中，x是输入三维矩阵；y为输出三维矩阵；i、j、k为三个维度的坐标；U、V、W为卷积核的三维尺寸，取奇数；ω是卷积核的元素值。
[0019]进一步地，温度实时检测方法，还包括对所述深度神经网络模型训练。
[0020]进一步地，对深度神经网络模型的深度神经网络训练方法包括：
[0021]S1、将若干所述实测温度值输入至判别器；
[0022]S2、对所述修正温度场进行离散采样得到估计温度值，所述估计温度值输入至所述判别器；对所述修正温度场进行离散采样的采样坐标与输入判别器的实测温度的采样坐标一一对应；
[0023]S3、所述判别器输出判定结果并将判定结果反馈至所述深度神经网络模型；
[0024]S4、所述深度神经网络模型根据判定结果进行优化并生成新的修正温度场；
[0025]S5、重复S1至S4，直至所述判别器的正确率为50％
±
ε时，深度神经网络模型优化完成。
[0026]进一步地，所述ε≤1％。
[0027]进一步地，所述判别器为二分类的分类器，输出判定为实测温度值或估计温度值的结果。
[0028]进一步地，由所述电池包温度场模型的公式为：
[0029][0030]其中，Q
P
＝I2R
θ
，C
cell
为电池比热容，T
cell
为电池温度，t为充放电时间，γ为导热系数，R为电池半径，Q
S
为可逆反应热，Q
P
为电池极化反应热和焦耳热，V电池体积，I电池充放电电流，E
emf
为电池开路电压，R
θ
为电池等效内阻。
[0031]进一步地，卡尔曼预测模型的公式为：
[0032]τ
i
(k+1|k)＝aτ
i
(k|k
‑
1)+β(k)[t
i
(k)
–
cτ
i
(k|k
‑
1)][0033]其中，预测增益方程为：
[0034][0035]均方预测误差方程为：
[0036]P(k+1|k)＝a
2 P(k|k
‑
1)
‑
acβ(k)P(k|k
‑
1)]+σ
w2
[0037]计算起始条件可令τ
i
(1|0)＝t
i
(1)，β(k)＝0，由此得到采样点下一步预测温度τ
i
(k+1|k)；
[0038]其中，a为状态转移参量，c为测量增益，均为常数，δ表示温度采样到结果输出的延时时长。
[0039]进一步地，还包括对指定型号的电池包建立传感网络。
[0040]与现有技术相比，本专利技术技术方案及其有益效果如下：
[0041](1)本专利技术的将有限采样点的实测温本专利技术借鉴了深度学习生成式对抗网络(GAN)模型的思路，创新性地引入了三维卷积神经网络模型，并将卡尔曼预测模型中的核心参数求解也纳入神经网络模型的深度学习迭代训练过程，从而使得该模型具备三维空间相关性以及更强的实时性。
[0042](2)本专利技术将有限采样点的温度、电池包的电压参数及电流参数作为电池包温度场模型的约束，推导出电池包当前的理论温度场，适用范围广。
[0043](3)本专利技术借鉴生成式对抗网络模型的思路，利用少量三维空间离散点的测温和电压、电流值，有效反演动力电池包的三维温度场。
[0044](4)本专利技术从常规的深度学习二维卷积演绎出三维卷积神经网络，将有限次实测数据经过电池包温度场模型转换成三维空间理论温度场，再将三维空间理论温度场通过三维卷积神经网络生成更本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种动力电池包的温度实时检测方法，其特征在于，包括：采集动力电池包在放电状态下的电压参数及电流参数；采集电池包若干采样点的实测温度值；若干实测温度输入至卡尔曼预测模型得到采样点下一步预测温度值；建立电池包温度场模型，并将所述下一步预测温度、所述电压参数及电流参数输入至电池包温度场模型，得到电池包的三维空间理论温度场；建立三维空间理论温度场到所有温度节点映射的深度神经网络模型；调用深度神经网络模型，通过电池包内采样点温度来预测其他位置的温度，得到逼近真实温度场的三维空间修正温度场。2.根据权利要求1所述的一种动力电池包的温度实时检测方法，其特征在于，所述深度神经网络模型为三维卷积神经网络，其卷积算法公式：其中，x是输入三维矩阵；y为输出三维矩阵；i、j、k为三个维度的坐标；U、V、W为卷积核的三维尺寸，取奇数；ω是卷积核的元素值。3.根据权利要求1所述的一种动力电池包的温度实时检测方法，其特征在于，还包括对所述深度神经网络模型训练。4.根据权利要求3所述的一种动力电池包的温度实时检测方法，其特征在于，所述对深度神经网络模型的深度神经网络训练方法包括：S1、将若干所述实测温度值输入至判别器；S2、对所述修正温度场进行离散采样得到估计温度值，所述估计温度值输入至所述判别器；对所述修正温度场进行离散采样的采样坐标与输入判别器的实测温度的采样坐标一一对应；S3、所述判别器输出判定结果并将判定结果反馈至所述深度神经网络模型；S4、所述深度神经网络模型根据判定结果进行优化并生成新的修正温度场；S5、重复S1至S4，直至所述判别器的正确率为50％
±
ε时，深度神经网络模型优化完成。5.根据权利要求4所述的一种动力电池包的温度实时检测方法，其特征在于，所述ε≤1％。6.根据权利要求4所述的一种动力电池包的温度实时检测方法，其特征在于，所述判别器为二分类的分类器，输出判定为实...

【专利技术属性】
技术研发人员：周宇，
申请(专利权)人：厦门宇电自动化科技有限公司，
类型：发明
国别省市：