CN108875191B - 一种可变放电倍率和边界条件的锂电池单体热通量测试仿真方法 - Google Patents
一种可变放电倍率和边界条件的锂电池单体热通量测试仿真方法 Download PDFInfo
- Publication number
- CN108875191B CN108875191B CN201810593624.7A CN201810593624A CN108875191B CN 108875191 B CN108875191 B CN 108875191B CN 201810593624 A CN201810593624 A CN 201810593624A CN 108875191 B CN108875191 B CN 108875191B
- Authority
- CN
- China
- Prior art keywords
- heat flux
- neural network
- layer
- lithium battery
- cooling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000004907 flux Effects 0.000 title claims abstract description 80
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 50
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 50
- 238000012360 testing method Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000000178 monomer Substances 0.000 title claims abstract description 27
- 238000004088 simulation Methods 0.000 title claims abstract description 23
- 238000001816 cooling Methods 0.000 claims abstract description 57
- 238000013528 artificial neural network Methods 0.000 claims abstract description 40
- 230000008569 process Effects 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000007599 discharging Methods 0.000 claims abstract description 11
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 43
- 238000004364 calculation method Methods 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 238000002474 experimental method Methods 0.000 claims description 5
- 230000002441 reversible effect Effects 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 210000004027 cell Anatomy 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000020169 heat generation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/32—Circuit design at the digital level
- G06F30/33—Design verification, e.g. functional simulation or model checking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/05—Accumulators with non-aqueous electrolyte
- H01M10/052—Li-accumulators
- H01M10/0525—Rocking-chair batteries, i.e. batteries with lithium insertion or intercalation in both electrodes; Lithium-ion batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Materials Engineering (AREA)
- Manufacturing & Machinery (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Hybrid Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明涉及一种可变放电倍率和边界条件的锂电池单体热通量测试仿真方法,包括:1)设计一种基于双冷却板的锂电池热通量实验测试系统,锂电池单体位于双板中间;2)实验测试过程设计;3)建立三层神经网络模型;4)三层神经网络学习训练,引入神经网络方法建立电池热通量分布模型,利用热通量测试系统获取数据,包括时间、电压、电流、温度、热流密度和充放电倍率;5)三层神经网络算法测试。本发明的有益效果是:本发明设计的双冷却板实验测试系统和神经网络仿真模型,能够精确模拟宽范围放电倍率和边界条件下的锂电池单体充放电的热行为。
Description
技术领域
本发明涉及一种可变放电倍率和边界条件的锂电池单体热通量测试仿真方法,更具体地说,它涉及一种基于实验测试和仿真模拟的锂电池单体热通量分布规律的获取手段。
背景技术
锂电池因能量密度高、寿命长、自放电率低等优点受到了行业的青睐,目前占据着动力电池的主要市场。锂电池也有较大的局限性,最主要的是需要在适宜的环境温度下工作,温度过高或过低都会对其性能、循环寿命以及安全性产生较大影响。动力锂电池在频繁充放电过程中内部产生大量热量,将导致局部温度迅速升高,严重时造成电池热泛滥事故。因此,研究锂电池单体热分布和散热方法对解决其热安全问题具有重要意义。锂电池热管理系统以电池工作温度为控制对象,以保证电池工作温度在锂电池最佳温度范围内为目标。目前市场上依然有许多电动汽车并未配备电池热管理系统,如日本汽车公司LEAF生产的纯电动汽车,其电池组采用密封设计,内部无电池热管理系统,即动力电池组主要靠自然冷却方式进行散热,电池组工作时放热,空气温度升高。同时,动力电池性能还受到充放电倍率、电池状态等参数的影响,且这些影响因素也并非相互独立。通过文献查阅可知,锂电池充放电性能与温度边界条件相关性的研究显得尤为重要。
热生成速率是分析锂电池热行为的重要参数之一,锂电池发热因素有焦耳热或欧姆热,另一种是由于电化学反应引起的熵变。熵变值可以表示吸热,也可以表示基于电极对的放热,锂电池单体的发热率理论公式为:
发明内容
本发明的目的是克服现有技术中的不足,提供一种可变放电倍率和边界条件的锂电池单体热通量测试仿真方法。
这种可变放电倍率和边界条件的锂电池单体热通量测试仿真方法,包括如下步骤:
步骤1:设计一种基于双冷却板的锂电池热通量实验测试系统,锂电池单体位于双板中间;
步骤1-1:实验测试系统包括:1)水槽热交换器和水泵组成水冷系统的驱动部分;2)流量计、球形阀1、球形阀3、温度计1和温度计3组成上层冷却板的水冷循环系统;3)流量计、球形阀2、球形阀4、温度计2和温度计4组成下层冷却板的水冷循环系统;
步骤1-2:热通量传感器放置在冷却板的不同位置;
步骤1-3:通过热通量传感器得到热通量数据,计算平均热通量值Qave和峰值热通量值Qpeak;其中设每种边界条件下和放电倍率下,热通量采样值为Qi,则平均热通量值计算公式为:
步骤1-4:实验测试方案设计:水冷方式采用不同的边界条件,同时风冷实验进行数据对比;选择不同的放电倍率和相同的充电倍率;
步骤2:实验测试过程设计;
步骤2-1:水槽热交换器和水泵至少在开始冷却循环之前两小时开启,使锂电池单体、水槽和水泵达到温度稳定状态;
步骤2-2:开启并初始化热参数采集计算机PC,该计算机作为实验测试的下位机;将冷却板上层和下层的热通量值、进水口和出水口的温度值等数据采集记录在Excel文件中;
步骤2-3:利用仿真软件进行热通量数据采集模拟,该软件作为上位机;首先进行Excel文件读取,判断充电过程还是放电过程;若为放电过程,则进行串口读写操作,包括放电电压、放电电流、温度和采样率等测试参数;最后存储与显示数据,作为神经网络仿真模拟结果的对比数据;
步骤2-4:计算欧姆内阻:
步骤3:建立三层神经网络模型;
步骤3-1:神经网络参数设置;输入层节点数为n,中间层节点数为m,输出层节点数为P;输入层和中间层连接权值为IW(i,j),中间层和输出层连接权值为LW(j,k);输入允许误差为e,最大迭代次数为M,学习率为α,迭代动量系数为β;
步骤3-2:初始化神经网络学习计算过程;输入N个学习样本XS,S=1,2,…,N,迭代次数初始化为t=1,训练过程要求输出误差E>e和N<M;
步骤4:三层神经网络学习训练;引入神经网络方法建立电池热通量分布模型,利用热通量测试系统获取数据,包括时间、电压、电流、温度、热流密度和充放电倍率;
步骤4-1:输入学习样本;
选取第S个学习样本XS,XS=(x1S,x2S…,xnS),YS=(y1S,y2S…,ymS);
步骤4-2:神经网络正向训练;
第一层输出:
ΘiS=f(xiS)i=1,2,…,n (4)
式中,f(·)为第一层神经网络计算方程;
中间层输出:
ΘjS=f(IjS)j=1,2,…,m (5)
输出层输出:
ΘkS=f(IkS)k=1,2,…,p (6)
步骤4-3:计算输出误差值;
ES=∑EkS (7)
式中,EkS为每一个样本值的误差值,ykS为实验测量输出样本值;
步骤4-4:神经网络反向训练;
设前后迭代权值关系为W(t)=W(t-1)+ΔW(t),修改输入层权值IWij和输出层权值LWjk分别为:
1)修改IWij
ΔW(t)=-αδjSΘiS+βΔWij(t) (8)
2)修改LWjk
ΔW(t)=-αδkSΘjS+βΔWjk(t-1) (9)
式中,δkS=-(ΘkS-ykS)·f'(IkS)k=1,2,…,m,f'(·)为第二层神经网络计算方程的导数。
作为优选:所述步骤1-2中,三个热通量传感器放置在冷却板的不同位置:第一个靠近阳极,第二个靠近阴极,第三个位于冷却板中间。
本发明的有益效果是:本发明提出一种基于不同放电倍率和边界条件和锂电池单体热通量实验测试和仿真模拟,在实验测试过程中,采用水冷方法的双冷却板,记录锂电池单体在1C、2C、3C、4C放电倍率和5℃、15℃、25℃条件下的热通量分布数据值,计算平均热通量和峰值热通量;建立三层神经网络模型,利用热通量和端电压分布的实验数据进行仿真模拟和验证;本发明设计的双冷却板实验测试系统和神经网络仿真模型,能够精确模拟宽范围放电倍率和边界条件下的锂电池单体充放电的热行为。
附图说明
图1为基于双冷却板的20Ah容量锂电池热管理系统示意图;
图2为LabView数据采集仿真流程图;
图3为三层神经网络结构图;
图4为5℃边界条件下不同放电倍率容量和电压关系曲线图;
图5为15℃边界条件下不同放电倍率容量和电压关系曲线图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
本发明获取和绘制锂电池单体的热通量分布规律,放电倍率选取1C-4C范围,实验温度选取0℃-25℃范围。选取不同的放电倍率和温度参数或边界条件,其目的是为锂电池单体热行为分析提供重要的定量数据。所述的可变放电倍率和边界条件的锂电池单体热通量测试仿真方法,包括如下步骤:
步骤1:设计一种基于双冷却板的锂电池热通量实验测试系统,锂电池单体位于双板中间。
步骤1-1:实验测试系统的结构图如图1所示,主要由以下几部分组成:(1)水槽热交换器和水泵组成水冷系统的驱动部分;(2)流量计、球形阀1和球形阀3、温度计1和温度计3组成上层冷却板的水冷循环系统;(3)流量计、球形阀2和球形阀4、温度计2和温度计4组成下层冷却板的水冷循环系统。
步骤1-2:三个热通量传感器放置在冷却板的不同位置:第一个靠近阳极,第二个靠近阴极,第三个位于冷却板中间。
步骤1-3:通过三个热通量传感器得到热通量数据,计算平均热通量值Qave和峰值热通量值Qpeak。其中假设每种边界条件下和放电倍率下,热通量采样值为Qi,则平均热通量值计算公式为:
步骤1-4:实验测试方案设计。如表1所示,水冷方式采用三种不同的边界条件,5℃、15℃和25℃。同时风冷实验进行数据对比,边界条件为22℃。选择四种不同的放电倍率(恒流):1C、2C、3C,4C,相同的充电倍率(恒流恒压)为1C。
表1实验测试方案
冷却方式 | 边界条件(℃) | 充电倍率 | 放电倍率 |
水冷 | 5 | 1C | 1C,2C,3C,4C |
水冷 | 15 | 1C | 1C,2C,3C,4C |
水冷 | 25 | 1C | 1C,2C,3C,4C |
风冷 | 22 | 1C | 1C,2C,3C,4C |
步骤2:实验测试过程设计。
步骤2-1:等温水槽(热交换器)和水泵至少在开始冷却循环之前两小时开启,使锂电池单体、水槽和水泵达到温度稳定状态。
步骤2-2:开启并初始化热参数采集计算机(PC),该计算机作为实验测试的下位机。将冷却板上层和下层的热通量值、进水口/出水口的温度值等数据采集记录在Excel文件中。
步骤2-3:利用LabView仿真软件进行热通量数据采集模拟,该软件作为上位机。本发明提出后面板程序流程如图2所示:首先进行Excel文件读取,判断充电过程还是放电过程;若为放电过程,进行串口读写操作,包括放电电压、放电电流、温度和采样率等测试参数;最后存储与显示数据,作为神经网络仿真模拟结果的对比数据。
步骤2-4:计算欧姆内阻。从测量的实验数据可知,内阻可以根据欧姆定律来计算:
步骤3:建立三层神经网络模型。根据误差反向传播的计算分析,可给出下述三层神经网络自学习的数学模型:
步骤3-1:神经网络参数设置。输入层节点数为n,中间层节点数为m,输出层节点数为P;输入层和中间层连接权值为IW(i,j),中间层和输出层连接权值为LW(j,k);输入允许误差为e,最大迭代次数为M,学习率为α,迭代动量系数为β;
步骤3-2:初始化神经网络学习计算过程。输入N个学习样本XS,S=1,2,…,N,迭代次数初始化为t=1,训练过程要求输出误差E>e和N<M。
步骤4:三层神经网络学习训练。引入神经网络方法建立电池热通量分布模型,利用图1所示的热通量测试系统获取数据,包括时间、电压、电流、温度、热流密度和充放电倍率等。
步骤4-1:输入学习样本。
选取第S个学习样本XS,XS=(x1S,x2S…,xnS),YS=(y1S,y2S…,ymS)
步骤4-2:神经网络正向训练。
第一层输出:
ΘiS=f(xiS)i=1,2,…,n (4)
式中,f(·)为第一层神经网络计算方程。
中间层输出:
ΘjS=f(IjS)j=1,2,…,m (5)
输出层输出:
ΘkS=f(IkS)k=1,2,…,p (6)
步骤4-3:计算输出误差值。
ES=∑EkS (7)
式中,EkS为每一个样本值的误差值,ykS为实验测量输出样本值。
步骤4-4:神经网络反向训练。
假设前后迭代权值关系为W(t)=W(t-1)+ΔW(t),修改输入层权值IWij和输出层权值LWjk分别为:
(1)修改IWij
ΔW(t)=-αδjSΘiS+βΔWij(t) (8)
(2)修改LWjk
ΔW(t)=-αδkSΘjS+βΔWjk(t-1) (9)
式中,δkS=-(ΘkS-ykS)·f'(IkS)k=1,2,…,m,f'(·)为第二层神经网络计算方程的导数。
步骤5:三层神经网络算法测试。本发明选取输入节点个数为3,分别为边界条件、充放电电流值和单体电池容量值,定义如下:
边界条件:环境温度对锂电池单体性能有很大的影响,为了提高建模的精度,边界条件和输出变量设置为相同时间和粒度。
充放电电流:本发明实验数据均在恒定电流下进行,放电倍率的增大引起锂电池单体表面温度升高。充电倍率为1C,放电倍率为1C、2C、3C和4C,放电电流为负值。
单体电池容量:在整个时间周期内测量电池的放电容量,定义为放电电流乘以放电时间,放电容量是电流的时间积分,计算公式为,
本发明提出一种基于不同放电倍率和边界条件和锂电池单体热通量实验测试和仿真模拟。在实验测试过程中,采用水冷方法的双冷却板,记录锂电池单体在1C、2C、3C、4C放电倍率和5℃、15℃、25℃条件下的热通量分布数据值,计算平均热通量和峰值热通量。建立三层神经网络模型,利用热通量和端电压分布的实验数据进行仿真模拟和验证。结果显示,本发明设计的双冷却板实验测试系统和神经网络仿真模型,能够精确模拟宽范围放电倍率和边界条件下的锂电池单体充放电的热行为。算法效果如下:
(1)在水冷和风冷环境下,随着放电倍率的增加,热通量分布值增加。
(2)水冷系统中,增加放电倍率(在1C和4C之间)和降低工作温度(在25℃和5℃之间),引起电极和板中的热通量分布值的增加。
(3)水冷和风冷系统中,靠近阳极和阴极的热通量值均高于板中的热通量值。
(4)与水冷系统相比,风冷系统的热通量值和表面温度值较低。
(5)锂电池单体的电极温度总是高于表面温度。在所有放电倍率下,正电流电极温度总是高于负电流电极。
表2和表3分别为不同放电倍率和边界条件下的平均热通量分布值和峰值热通量分布值,水冷系统应用于5℃、15℃和25℃,风冷系统应用于22℃。根据表中数据可知:
(1)风冷系统、4C放电倍率、22℃边界条件下,阴极附近的峰值热通量值为586.72W/m2,靠近阳为667.88W/m2,板中为303.09W/m2;
(2)相同条件,平均热通量值在阴极附近为301.84W/m2,阳极附近为340.07W/m2,板中为147.60W/m2;
(3)结果得出,与板中热通量值相比,阴极和阳极附近的热通量值更高;
(4)其他条件,如1C、2C和3C放电倍率,水冷系统和风冷系统,得到类似的平均热通量值和峰值热通量值的分布规律。
表2不同放电倍率和边界条件下平均热通量分布值
表3不同放电倍率和边界条件下峰值热通量分布值
如图3所示,神经网络模型选取8394个样本,其中70%的样本(5875个)用于训练模型,15%的样本(1259个)用于验证模型,最后15%的样本(1259个)用于测试模型;设置模型三输入节点分别为In1、In2和In3,中间层6个神经元定义为H1-H6,输出端定义为OUT;输入端个数对电池放电过程中的整体性能影响较大,中间层神经元的数量保证回归值接近于真实值。
如图4所示,为锂电池单体全电池实验结果;在1C到4C放电倍率条件下,仿真值与实验值拟合度较好;在较低的放电倍率条件下,电池端电压接近开路电位(OCP);随着放电倍率的增加,由于欧姆电阻、电化学活性和电子运动损耗,电池端电压与OCP显著偏离。
如图5所示,结果显示放电容量随着环境温度的减小而减小;放电倍率的增加(在1C、2C、3C和4C之间)和环境温度的降低(在25℃、15℃和5℃之间)导致放电容量减小;所有放电倍率条件下,放电容量近似为18.5Ah,接近锂电池单体额定容量值20Ah。
Claims (2)
1.一种可变放电倍率和边界条件的锂电池单体热通量测试仿真方法,其特征在于,包括以下步骤:
步骤1:设计一种基于双冷却板的锂电池热通量实验测试系统,锂电池单体位于双板中间;
步骤1-1:实验测试系统包括:1)水槽热交换器和水泵组成水冷系统的驱动部分;2)流量计、球形阀1、球形阀3、温度计1和温度计3组成上层冷却板的水冷循环系统;3)流量计、球形阀2、球形阀4、温度计2和温度计4组成下层冷却板的水冷循环系统;
步骤1-2:热通量传感器放置在冷却板的不同位置;
步骤1-3:通过热通量传感器得到热通量数据,计算平均热通量值Qave和峰值热通量值Qpeak;其中设每种边界条件下和放电倍率下,热通量采样值为Qi,则平均热通量值计算公式为:
步骤1-4:实验测试方案设计:水冷方式采用不同的边界条件,同时风冷实验进行数据对比;选择不同的放电倍率和相同的充电倍率;
步骤2:实验测试过程设计;
步骤2-1:水槽热交换器和水泵至少在开始冷却循环之前两小时开启,使锂电池单体、水槽和水泵达到温度稳定状态;
步骤2-2:开启并初始化热参数采集计算机PC,该计算机作为实验测试的下位机;将冷却板上层和下层的热通量值、进水口和出水口的温度值等数据采集记录在Excel文件中;
步骤2-3:利用仿真软件进行热通量数据采集模拟,该软件作为上位机;首先进行Excel文件读取,判断充电过程还是放电过程;若为放电过程,则进行串口读写操作,包括放电电压、放电电流、温度和采样率等测试参数;最后存储与显示数据,作为神经网络仿真模拟结果的对比数据;
步骤2-4:计算欧姆内阻:
步骤3:建立三层神经网络模型;
步骤3-1:神经网络参数设置;输入层节点数为n,中间层节点数为m,输出层节点数为P;输入层和中间层连接权值为IW(i,j),中间层和输出层连接权值为LW(j,k);输入允许误差为e,最大迭代次数为M,学习率为α,迭代动量系数为β;
步骤3-2:初始化神经网络学习计算过程;输入N个学习样本XS,S=1,2,…,N,迭代次数初始化为t=1,训练过程要求输出误差E>e和N<M;
步骤4:三层神经网络学习训练;引入神经网络方法建立电池热通量分布模型,利用热通量测试系统获取数据,包括时间、电压、电流、温度、热流密度和充放电倍率;
步骤4-1:输入学习样本;
选取第S个学习样本XS,XS=(x1S,x2S…,xnS),YS=(y1S,y2S…,ymS);
步骤4-2:神经网络正向训练;
第一层输出:
ΘiS=f(xiS) i=1,2,…,n (4)
式中,f(·)为第一层神经网络计算方程;
中间层输出:
ΘjS=f(IjS) j=1,2,…,m (5)
输出层输出:
ΘkS=f(IkS)k=1,2,…,p (6)
步骤4-3:计算输出误差值;
ES=∑EkS (7)
式中,EkS为每一个样本值的误差值,ykS为实验测量输出样本值;
步骤4-4:神经网络反向训练;
设前后迭代权值关系为W(t)=W(t-1)+ΔW(t),修改输入层权值IWij和输出层权值LWjk分别为:
1)修改IWij
ΔW(t)=-αδjSΘiS+βΔWij(t) (8)
2)修改LWjk
ΔW(t)=-αδkSΘjS+βΔWjk(t-1) (9)
式中,δkS=-(ΘkS-ykS)·f'(IkS)k=1,2,…,m,f'(·)为第二层神经网络计算方程的导数;
步骤5:三层神经网络算法测试。
2.根据权利要求1所述的可变放电倍率和边界条件的锂电池单体热通量测试仿真方法,其特征在于,所述步骤1-2中,三个热通量传感器放置在冷却板的不同位置:第一个靠近阳极,第二个靠近阴极,第三个位于冷却板中间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810593624.7A CN108875191B (zh) | 2018-06-11 | 2018-06-11 | 一种可变放电倍率和边界条件的锂电池单体热通量测试仿真方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810593624.7A CN108875191B (zh) | 2018-06-11 | 2018-06-11 | 一种可变放电倍率和边界条件的锂电池单体热通量测试仿真方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108875191A CN108875191A (zh) | 2018-11-23 |
CN108875191B true CN108875191B (zh) | 2022-05-17 |
Family
ID=64337961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810593624.7A Active CN108875191B (zh) | 2018-06-11 | 2018-06-11 | 一种可变放电倍率和边界条件的锂电池单体热通量测试仿真方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108875191B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110311179A (zh) * | 2019-05-31 | 2019-10-08 | 国电南瑞科技股份有限公司 | 一种储能电池系统智能预警的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831100A (zh) * | 2012-07-18 | 2012-12-19 | 深圳职业技术学院 | 电池荷电状态估算方法及装置 |
CN103091642A (zh) * | 2013-01-22 | 2013-05-08 | 北京交通大学 | 一种锂电池容量快速估计方法 |
CN107526881A (zh) * | 2017-08-10 | 2017-12-29 | 浙江大学城市学院 | 一种基于连续性推导的锂电池电极阻抗建模方法 |
-
2018
- 2018-06-11 CN CN201810593624.7A patent/CN108875191B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102831100A (zh) * | 2012-07-18 | 2012-12-19 | 深圳职业技术学院 | 电池荷电状态估算方法及装置 |
CN103091642A (zh) * | 2013-01-22 | 2013-05-08 | 北京交通大学 | 一种锂电池容量快速估计方法 |
CN107526881A (zh) * | 2017-08-10 | 2017-12-29 | 浙江大学城市学院 | 一种基于连续性推导的锂电池电极阻抗建模方法 |
Non-Patent Citations (2)
Title |
---|
《Effect of polyacrylonitrile on triethylene glycol diacetate-2-propenoic acid butyl ester gel polymer electrolytes with interpenetrating crosslinked network for flexible lithium ion batteries》;Wang, QJ 等;《JOURNAL OF POWER SOURCES》;20151130;全文 * |
《基于D-UKF的锂离子电池SOC/SOH联合估计》;汪秋婷 等;《科技通报》;20180131;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108875191A (zh) | 2018-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiaqiang et al. | Effects analysis on active equalization control of lithium-ion batteries based on intelligent estimation of the state-of-charge | |
CN102468521B (zh) | 用于估计蓄电池健康状态的方法和装置 | |
CN102565710B (zh) | 用于估计蓄电池健康状态的方法和装置 | |
JP5683175B2 (ja) | 電気化学システムの計測不能な特性を推定する改良された方法 | |
CN109900937B (zh) | 一种具有温度补偿功能的锂电池电荷状态估算方法 | |
CN111062137B (zh) | 一种锂离子电池性能预测模型及其构建方法和应用 | |
Du et al. | Multi-objective optimization discharge method for heating lithium-ion battery at low temperatures | |
CN111832221B (zh) | 基于特征筛选的锂电池寿命预测方法 | |
Wang et al. | Temperature prediction of lithium-ion battery based on artificial neural network model | |
CN108008308A (zh) | 一种锂离子电池发热量的测试系统和方法 | |
Liang et al. | Numerical investigation on a unitization-based thermal management for cylindrical lithium-ion batteries | |
WO2022242058A1 (zh) | 针对现实新能源汽车的电池健康状态估计方法 | |
Ma et al. | Electro-thermal modeling of a lithium-ion battery system | |
Xie et al. | Improving the air-cooling performance for battery packs via electrothermal modeling and particle swarm optimization | |
CN114186437A (zh) | 一种面向电源系统可靠性仿真分析的多物理场耦合退化模型降阶方法 | |
CN108875191B (zh) | 一种可变放电倍率和边界条件的锂电池单体热通量测试仿真方法 | |
Su et al. | Experimental study on charging energy efficiency of lithium-ion battery under different charging stress | |
Li et al. | Optimization of the heat dissipation structure for lithium-ion battery packs based on thermodynamic analyses | |
Fan et al. | A novel method of quantitative internal short circuit diagnosis based on charging electric quantity in fixed voltage window | |
Wang et al. | Battery pack topology structure on state-of-charge estimation accuracy in electric vehicles | |
Yu et al. | Co-estimation of state of charge and internal temperature of pouch lithium battery based on multi-parameter time-varying electrothermal coupling model | |
Han et al. | Modeling for lithium-ion battery used in electric vehicles | |
Zheng et al. | Electrical and thermal active co-management for lithium-ion batteries | |
Dong et al. | Numerical study on flow and heat transfer performance of serpentine parallel flow channels in a high voltage heater system | |
CN113722926B (zh) | 一种方形锂电池电热耦合建模误差源分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240205 Address after: Building 2, 3rd Floor, No. 188 Jili Avenue, Lunan Street, Luqiao District, Taizhou City, Zhejiang Province, 318050 Patentee after: Zhejiang Xingyao Lithium Battery Technology Co.,Ltd. Country or region after: China Address before: 310015 No. 50 Huzhou Street, Hangzhou City, Zhejiang Province Patentee before: Zhejiang University City College Country or region before: China |