基于深度神经网络的锂离子电池表面温度估计方法及系统技术方案

本发明专利技术公开了一种基于深度神经网络的锂离子电池表面温度估计方法及系统，该方法包括以下步骤：步骤

【技术实现步骤摘要】
基于深度神经网络的锂离子电池表面温度估计方法及系统


[0001]本专利技术涉及电动汽车的锂离子电池状态监测
，具体涉及一种基于深度神经网络的锂离子电池表面温度估计方法及系统
。

技术介绍

[0002]自
21
世纪以来，电动汽车的快速发展使其逐渐成为人们日常生活中最常见的交通工具之一
。
然而，随之而来的是一系列前所未有的挑战
。
一方面，大量燃油消耗引起了能源危机的忧虑
。
另一方面，汽车尾气的排放不仅引发了温室效应，还给环境带来了严重的污染，对人类的健康和社会生活构成了严重的威胁
。
因此，电动汽车由于其无污染和零排放等众多优点，得到了越来越多国家政府和企业的重视，逐步在全球范围内得到广泛的推广
。
从各国战略目标来看，电动汽车的发展被广泛认为是保障能源安全和实现低碳经济转型的重要手段之一
。19
世纪诞生的第一辆电动汽车由于电池容量小
、
体积大等问题，未能促进电动汽车的发展与普及
。
与此同时，传统燃油汽车凭借内燃机在机械和动力性能上的优势迅速成为汽车市场的主导力量
。
然而，随着能源危机的出现，人们开始意识到传统燃油汽车对生态环境的影响及其带来的危害
。
到
20
世纪末，为了解决能源与环境问题，电动汽车得到了重新关注，各大车企纷纷加大对电池技术的投资，进一步推动了电动汽车的发展
。
动力电池在保证电动汽车的动力性能和安全性方面起着至关重要的作用
。
低成本
、
高能量比和高安全性的动力电池是电动汽车能够与传统燃油汽车竞争的关键因素
。
在电动汽车的发展过程中，出现了多种类型的动力电池，包括铅酸电池
、
镍氢电池
、
镍镉电池和锂离子电池
。
锂离子电池具有比能量高
、
循环寿命长
、
无记忆效应和环境友好等优点，并且在充放电性能上相对于其他电池有显著优势，因此成为电动汽车动力电池的首选和未来发展的主要方向
。
然而，锂离子电池的工作性能容易受到温度和工作条件的影响
。
低温下，电池可用容量减小，充放电能力下降；高温下，电池内部会发生副反应，影响电池的循环寿命
。
此外，电池系统由一系列单体电池构成，结构紧凑，热量积聚较快
。
若无法及时有效散热，电池包容易出现热失控，甚至爆炸
。
因此，如何提高锂离子电池的工作性能成为各国政府和学者关注的焦点
。
锂离子电池发生热失控的主要原因是内部温度超过限制范围并且缺乏及时的热行为分析和控制
。
因此，有必要研究锂离子电池的热行为变化规律，对其内部温度进行研究，为优化设计热管理系统提供理论依据和指导，以提高锂离子电池的能量效率
、
循环寿命和安全性能
。
这对于提高电动汽车的整车动力性能和保障乘员生命安全具有重要意义
。
[0003]过去已经研究了几种估计单体温度测量的方法，这些方法包括基于电化学阻抗谱
(EIS)
的方法，基于偏微分方程
(PDE)
的热学方法，以及基于数据驱动的方法
。
在
EIS
方法中，将交流电注入电池中的一个或多个频率，然后根据交流电压响应，测量电池的阻抗并将其与温度相关联
。
然而，
EIS
方法需要复杂的
BMS
硬件，并且无法在操作过程中轻松实施
。PDE
方法是多状态模型，能以合理的精度捕捉电池的热行为
。
这些模型考虑了电池中的热量产生和传递，并考虑了热边界条件
。
这些方法能够使用集总或多维的
1D、2D
和
3D
模型来建模锂离子电池的温度分布
。
然而，由于涉及大量参数和复杂的数学运算，这些方法在
BMS
上无法实
时实现
。
[0004]最近，基于机器学习的数据驱动方法被用于建模非线性
、
时间依赖的系统行为，成为电池温度估计的有希望的替代方案
。
基于机器学习的模型使用测量的电池数据进行训练，输入包括电压和电流，输出包括电荷状态
(SOC)
或温度
。
这样的模型学习模仿
LIB
的行为，并用于端电压建模
、
电荷状态
(SOC)
和健康状态
(SOH)
估计，最近还用于温度估计
。
研究发现，将测量电压
、
电流和预测温度的上一个时间步骤作为模型输入，可以预测电池表面温度，最大估计误差小于
3℃
，均方根误差小于
0.3℃。
尽管该研究显示出非常低的误差，但不清楚是否使用了独特的数据对网络进行训练和测试，而且只调查了
25℃
以上的温度，因此在更现实的情况下，所提出的方法具有局限性，温度估计误差大
。
虽然多项研究已经对神经网络
(NN)
进行了温度估计的探索，但这些研究只考察了有限的操作条件范围，并没有考虑到网络模型嵌入到
BMS
微处理器中的情况
。

技术实现思路

[0005]本专利技术提供了一种基于深度神经网络的锂离子电池表面温度估计方法及系统，旨在解决在占用内存小的情况下，对于电池表面进行高精度
、
速度快的温度估计的问题
。
[0006]为了解决上述技术问题，本专利技术实施例提供一种基于深度神经网络的锂离子电池表面温度估计方法，该方法包括以下步骤：
[0007]步骤
S1
：获取固定环境温度的多种驾驶循环方式下电池的电荷状态作为训练数据集；获取固定环境温度的多种标准驾驶循环方式下电池的电荷状态作为验证数据集；获取变化环境温度的混合驾驶循环方式下电池的电荷状态作为测试数据集；
[0008]步骤
S2
：将所述训练数据集输入到前馈神经网络模型，得到初级前馈神经网络模型；
[0009]步骤
S3
：将所述训练数据集输入到与优化后的前馈神经网络模型中进行训练，输出权值；所述优化后的前馈神经网络模型是基于初级前馈神经网络模型，加入了指定滤波频率的滤波器；
[0010]步骤
S4
：将权值加载至优化后的前馈神经网络模型中，对目标电池的表面进行温度估计
。
[0011]在本专利技术的一个实施例中，得到所述指定滤波频率的方法为：获取滤波器的滤波电压
V
f
和滤波电流
I
f本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度神经网络的锂离子电池表面温度估计方法，其特征在于，包括以下步骤：步骤
S1
：获取固定环境温度的多种驾驶循环方式下电池的电荷状态作为训练数据集；获取固定环境温度的多种标准驾驶循环方式下电池的电荷状态作为验证数据集；获取变化环境温度的混合驾驶循环方式下电池的电荷状态作为测试数据集；步骤
S2
：将所述训练数据集输入到前馈神经网络模型，得到初级前馈神经网络模型；步骤
S3
：将所述训练数据集输入到与优化后的前馈神经网络模型中进行训练，输出权值；所述优化后的前馈神经网络模型是基于初级前馈神经网络模型加入了指定滤波频率的滤波器构成；步骤
S4
：将权值加载至优化后的前馈神经网络模型中，对目标电池的表面进行温度估计
。2.
如权利要求1所述的基于深度神经网络的锂离子电池表面温度估计方法，其特征在于：所述指定滤波频率的获得方法为：获取滤波器的滤波电压
V
f
和滤波电流
I
f
，使得输入为
{V
f1
,I
f1
,SOC,T
a
}
，其中
SOC
为电荷状态，
T
a
为环境温度；在
0.01mHz
～
100mHz
的滤波频率范围内，将
{V
f1
,I
f1
,SOC,T
a
}
输入到与滤波器结合的前馈神经神经网络模型进行训练，使得误差最小，得到所述指定滤波频率
。3.
如权利要求1所述的基于深度神经网络的锂离子电池表面温度估计方法，其特征在于：所述多种标准驾驶循环方式包括：城市测功机驾驶时间表
、
统一的测功机驾驶计划
、
高速公路燃油经济性测试和补充联邦测试程序
。4.
如权利要求1所述的基于深度神经网络的锂离子电池表面温度估计方法，其特征在于：所述混合驾驶循环方式是由所述多种标准驾驶循环方式的...

【专利技术属性】
技术研发人员：姚俊峰，王晖南，肖春，张建民，高波，刘佳易，高飞，赵园，
申请(专利权)人：国网山西省电力公司营销服务中心，
类型：发明
国别省市：