【技术实现步骤摘要】
基于神经网络与热网络模型的锂电池内部温度在线估计方法
[0001]本专利技术属于电池
,涉及基于神经网络与热网络模型的锂电池内部温度在线估计方法。
技术介绍
[0002]锂离子电池凭借其较高的能量密度、较长的循环寿命和环境友好等方面的优势,成为新能源汽车动力电池的首要选择。然而,随着锂离子电池向高能量密度和大型化趋势发展,以热失控为特征的热安全性问题时有发生。对于大尺寸的方形电池,由于其厚度大,沿厚度方向导热系数低,故在厚度方向存在较大的温度梯度,导致电池内部温度明显偏高且分布不均匀。当大倍率的电流加载到电池上时,这一特征变得更为明显。仅监测电池表面温度无法获取电池内部热状态,因此,有必要建立一种电池内部温度在线估计方法,对电池进行有效的热监控,从而更好地进行热管理使电池发挥最佳工作性能。
[0003]目前通过内置热电偶的方法获取电池内部温度的实现难度较大,且会严重影响电池性能,不适用于工业化。无需安装热电偶的内部温度估计方法包括离线与在线两类。对于离线方法,一般指数值模拟,将电池产热模型加载至三维CFD模型上,计算电池整体的温度场,如果电池数值模型的网格足够多,则可以提供足够详细的温度分布信息,此类方法虽然可以获得很好的温度分布仿真效果,但是需要大量的计算资源且耗时,且对前期建模精度依赖程度高,所以并不适用于实际工况的实时温度估计。对于在线方法,包括:(1)基于简化热/电
‑
热模型的估计方法,通过建立电池的简化热/电热模型和选用合适的观测器/滤波器等温度估计器,从而实现锂离子电池的实 ...
【技术保护点】
【技术特征摘要】
1.基于神经网络与热网络模型的锂电池内部温度在线估计方法,其特征在于:该方法具体包括以下步骤:S1:选定待测试的动力电池,获取技术参数;S2:在不同工况点下进行电池的表面温度测试,采集电池测试数据;S3:将采集的数据用于神经网络训练,建立神经网络模型,对电池在不同工况点下的表面温度进行预测;S4:根据电池的输入电流与电压,在线辨识电池的内阻并完成当前时刻的SOC估计;S5:建立电池的热网络模型,将S3中神经网络模型预测的表面温度作为热网络模型的输入,将S4中的内阻与SOC估计值代入热网络模型,计算下一时刻的电池内部温度。2.根据权利要求1所述的基于神经网络与热网络模型的锂电池内部温度在线估计方法,其特征在于:所述S1中,动力电池的技术参数包括电池的长度、高度、厚度、质量、密度、比热容、导热系数、上下截止电压和标称容量。3.根据权利要求2所述的基于神经网络与热网络模型的锂电池内部温度在线估计方法,其特征在于:所述S2具体包括以下步骤:S21:在电池表面布置热电偶,进行不同环境温度和不同工况下的电池表面温升测试;设定采集时间间隔,其中所采集的信息包括但不限于电池电流、端电压、电池所处环境温度以及电池表面测点的温度;S22:将采集的实验数据汇总处理,得到不同环境温度和不同工况下的电池温升数据集。4.根据权利要求3所述的基于神经网络与热网络模型的锂电池内部温度在线估计方法,其特征在于:所述S3具体包括以下步骤:S31:设置BP神经网络的模型结构为包括输入层、隐藏层和输出层的三层神经网络;所述输入层包括四个神经元,分别为每个时刻采集的电池电流I、端电压V、环境温度Ta以及SOC,所述隐藏层拥有s个神经元,所述输出层拥有n个神经元,分别为当前时刻电池表面不同测点的温度;S32:通过安时积分法获取电池每个时刻的SOC,计算公式如下:其中,SOC(t)为电池在t时刻的SOC估计值,SOC(t0)为电池初始SOC值,η
i
代表充放电库伦效率,放电时为1,充电时取0.98~1,i(τ)为电池在τ时刻的充放电电流,C
max
表示电池的最大可用容量;S33:将实验获取的数据集按照一定比例随机划分为训练集、验证集和测试集三部分;S34:确定隐藏层的神经元数量,计算公式如下:其中,m和n分别为输入层和输出层的神经元数量,a的取值范围为[1,10];S35:将tansig函数用作隐藏层激活函数,将purelin函数用作输出层激活函数,作为恒等映射函数,即纯线性函数,tansig函数计算公式如下:
其中,x为tansig函数的输入值;S36:将每个时刻采集的电池电流I、端电压V、环境温度Ta以及SOC作为BP神经网络模型BPNN的输入,该时刻电池表面不同测点的温度作为BPNN的输出进行训练,该训练方法包括但不限于梯度下降法,训练终止条件包括但不限于达到最大迭代次数;S37:基于训练好的BP神经网络模型BPNN,输入待预测工况下的电池电流I、端电压V、环境温度Ta以及SOC,通过BPNN的输出获得对应工况下电池表面各测点的温度预测值。5.根据权利要求4所述的基于神经网络与热网络模型的锂电池内部温度在线估计方法,其特征在于:所述S4具体包括以下步骤:S41:建立电池的一阶RC电路模型,定义电池系统的输入数据矩阵和待辨识参数矩阵θ
k
如下:其中,V
k
为电池k时刻的端电压,I
k
为电池k时刻的电流,I
k
‑1为电池k
‑
1时刻的电流,a1,a2和a3为转换系数,用于下式:其中,R
o
为电池的欧姆内阻,R
p
为电池的极化内阻,C
p
为电池的极化电容;S42:基于采集的电池电流电压数据,构成电池系统的输入数据矩阵采用带遗忘因子的递推最小二乘法进行在线参数辨识,算法流程如下:子的递推最小二乘法进行在线参数辨识,算法流程如下:子的递推最小二乘法进行在线参数辨识,算法流程如下:其中,K
k
表示算法的增益矩阵,P
k
‑1和P
k
分别表示k
‑
1时刻与k时刻状态估计值的误差协方差矩阵,和分别表示k
‑
1时刻与k时刻的系统参数矩阵辨识结果,y
k
为k时刻实际测量得到的观测值,即实测电压值,I为单位矩阵,λ表示遗忘因子,取λ=0.95~1;S43:确定SOC估计的先验状态方程和观测方程:S43:确定SOC估计的先验状态方程和观测方程:其中,x=[SOC,U
p
],U
p
表示电池一阶RC模型的极化电压,u为锂离子电池系统的输入,即
激励电流I,y为电池输出的端电压V,表示SOC与U
P
在k时刻的先验估计值所组成的矩阵,表示SOC与U
P
在k
‑
1时刻的后验估计值所组成的矩阵,u
k
‑1为k
‑
1时刻电池的电流值,为电池系统在k时刻输出的端电压估计值,A,B,C和D为电池系统状态空间方程的常数矩阵或者常数值,具体如下:或者常数值,具体如下:或者常数值,具体如下:D=R
o
其中,R
o
,R
p
和C
p
由S41和S42的参数辨识得到...
【专利技术属性】
技术研发人员:谢翌,郭世杰,李伟,胡晓松,张扬军,杨瑞,范以宁,
申请(专利权)人:重庆大学,
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。