CN114035053A - 一种锂电池热失控预警方法及其系统 - Google Patents
一种锂电池热失控预警方法及其系统 Download PDFInfo
- Publication number
- CN114035053A CN114035053A CN202111332648.5A CN202111332648A CN114035053A CN 114035053 A CN114035053 A CN 114035053A CN 202111332648 A CN202111332648 A CN 202111332648A CN 114035053 A CN114035053 A CN 114035053A
- Authority
- CN
- China
- Prior art keywords
- battery
- early warning
- monitored
- model
- thermal runaway
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/389—Measuring internal impedance, internal conductance or related variables
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种锂电池热失控预警方法,其步骤至少包括:获取待监控电池的电池特征要素;根据电池特征要素,构建待监控电池的仿真模型;根据仿真模型,计算获得待监控电池的运行参数和机理参数,并构建运行参数和机理参数的参数映射关系;以及根据参数映射关系和机理参数,获取待监控电池的多指标预警结果。本发明提供一种锂电池热失控预警方法,能够对不同工况下出现的锂电池热失控安全问题进行判定识别,能有效降低误判率,节约锂电池热失控的监控成本。
Description
技术领域
本发明属于电池安全技术领域,特别涉及一种锂电池热失控预警方法及其系统。
背景技术
锂离子电池安全事故的成因大多是热失控。锂离子电池热失控的主要原因有热滥用、电滥用和机械滥用,条件滥用会触发电池内部的副反应,导致温度升高直至热失控。热失控成因复杂,同时通过热失控实验研究热失控,不仅耗时耗力还存一定的安全风险。在即将发生热失控时,输出电压、电流等电特性参数无明显异常,通过监测分析这些预警参数并不能有效预警热失控。安全问题已经成为锂离子电池应用领域中关注焦点和亟待解决的重要课题。
发明内容
本发明的目的在于提供一种锂电池热失控预警方法及其系统,能够对不同工况下出现的锂电池热失控安全问题进行判定识别,能有效降低误判率,节约锂电池热失控的监控成本。
为解决上述技术问题,本发明是通过以下技术方案实现的:
本发明提供的一种锂电池热失控预警方法,其步骤至少包括:
获取待监控电池的电池特征要素;
根据所述电池特征要素,构建所述待监控电池的仿真模型;
根据所述仿真模型,计算获得所述待监控电池的运行参数和机理参数,并构建所述运行参数和所述机理参数的参数映射关系;以及
根据所述参数映射关系和所述机理参数,获取所述待监控电池的多指标预警结果。
在本发明的一个实施例中,所述仿真模型包括第一模型,根据所述待监控电池的电化学参数,构建所述第一模型。
在本发明的一个实施例中,所述仿真模型包括第二模型,根据所述待监控电池的温度与电化学过程之间的关系,构建所述第二模型。
在本发明的一个实施例中,所述仿真模型包括第三模型,根据所述待监控电池输出电压、工作电流、电池热量之间的关系,构建所述第三模型。
在本发明的一个实施例中,构建所述仿真模型的步骤包括:
筛选和辨识模型参数,以提升模型精度;以及
通过电池实验验证模型精度,以更新所述模型参数。
在本发明的一个实施例中,所述运行参数包括电池电压、压差、电流、内阻、温度、温升、温升速率。
在本发明的一个实施例中,所述机理参数包括固相液相锂离子浓度梯度、活性物质微粒尺寸、固液电位、锂离子扩散速率、SEI膜厚度。
在本发明的一个实施例中,在所述待监控电池的不同工况下,筛选所述运行参数和所述机理参数,获得不同工况下的预警特性指标,并根据所述预警特性指标的阈值获得所述多指标预警结果。
在本发明的一个实施例中,根据所述多指标预警结果的数据融合结果,对所述待监控电池进行动态预警。
一种锂电池热失控预警系统,基于本发明所述的一种锂电池热失控预警方法,包括:
数据采集模块,采集待监控电池的电池特征要素对应的数值数据;
仿真建模模块,连接于所述数据采集模块,根据所述电池特征要素的数值数据,建立模拟所述待监控电池运行状态的仿真模型;
特征指标集构建模块,连接于所述数据采集模块和所述仿真建模模块,根据所述仿真模型,获取反应所述待监控电池运行状态的运行参数和机理参数,并构建所述运行参数和所述机理参数的映射关系,获得所述待监控电池不同工况下的预警特征指标集;
预警模块,连接于所述特征指标集构建模块,根据所述预警特征指标集,获取所述待监控电池热失控预警的多指标预警结果。
如上所述,本发明通过构建待监控电池的运行参数和机理参数的映射关系,在不同工况下,根据不同的预警指标对待监控电池的运行状态进行预警,预警准确率高,误判率低。本发明通过构建多个仿真模型以获取电池的运行参数,能在电池运行参数和机理参数之间构建完整全面的映射,提升了预警指标筛选的准确性,也提升了电池热失控监控的安全性。本发明通过将多指标预警结果进行融合,构建安全指标体系,能系统快速地对待监控电池的运行状态进行安全预警。本发明通过遗传等方法对仿真模型参数进行辨识和更新,提升了仿真模型的建模精度。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为锂电池热失控预警的方法流程图。
图2为仿真模型的构建流程图。
图3为通过第一模型获取适应度最优解的方法流程图。
图4为放电倍率为1/3C时,实测放电曲线和仿真放电曲线的对比误差图。
图5为放电倍率为1C时,实测放电曲线和仿真放电曲线的对比误差图。
图6为放电倍率为4/3C时,实测放电曲线和仿真放电曲线的对比误差图。
图7为放电倍率为1/3C、1C、4/3C时,仿真电压和实验测试电压的曲线拟合对比图。
图8为第二模型的耦合关系图。
图9为第二模型在放电倍率为1C、5/3C时,仿真电压和实验测试电压的曲线拟合对比图。
图10为第三模型的构建流程图。
图11为等效电路模型和传热模型的耦合关系图。
图12为等效电路模型的参数辨识流程图。
图13为1C放电倍率下电池模组的仿真电压和实验测试电压的对比图。
图14为1C放电倍率下,电池模组的仿真温度和实验测试温度的对比图。
图15为多指标预警结果进行数据融合的方法流程图。
图16为一种锂电池热失控预警系统的结构图。
图17为一种电子设备的结构原理框图。
图18为一种计算机可读存储介质的结构原理框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
锂电池发生热失控时,产热速度极快,无法有效传热、散热,导致其发生热失控后,电池将在极短时间内起火燃烧。并且,热失控发生的前期电池物理形状无明显变化,仅轻微膨胀,鼓包形变微弱,从外部观察往往难以察觉。热失控成因复杂,涉及电池的材料层级、电芯层级、系统层级,基于热失控的机理,将电压、电流、温度和释放气体作为特征故障信号来监测和检测锂离子电池是否存在热失控事件,虽然检测方法简单,但是监测效果也不能适应热失控时间发生的节奏。因此需要引进更具有监测效果的电池特征参数,和监测方法,实现对锂电池热失控的监控和管理。
请参阅图1所示,本发明提供一种锂电池热失控预警方法,用于预警锂电池和电池包的热失控,其步骤包括:
S1、获取待监控电池的电池特征要素和机理参数。
S2、根据所述电池特征要素,构建所述待监控电池运行状态的仿真模型,以模拟所述待监控电池的运行状态,并从而获得所述待监控电池的运行参数。
S3、获取所述运行参数和所述机理参数间的参数映射关系。
S4、通过所述参数映射关系,计算获得所述待监控电池的多指标预警结果。
S5、融合所述多指标预警结果,并按照得到的融合结果,对所述待监控电池进行热失控预警。
请参阅图1所示,在本发明的一个实施例中,所述电池特征要素包括输出电压、工作电流、电池温度、荷电状态和充放电时间。所述电池特征要素是一种可通过外界手段实时采集并更新的数据信息,能直接反应所述待监控电池的当前工作状态。所述电池特征要素的实时采集和更新,可依托于电池管理系统,也可以使用电池测试平台。所述仿真模型是根据所述电池特征要素中的一种或多种构建的。
请参阅图2所示,在本发明的一个实施例中,所述仿真模型包括多个模型,在本实施例中,选用例如3个模型,在其他实施例中,所述仿真模型的数量也可以是例如2个,例如4个等等。所述仿真模型包括第一模型、第二模型、第三模型。构建所述仿真模型的步骤包括:
S21、基于所述待监控电池的电化学参数,构建所述第一模型。
S22、基于所述待监控电池的温度,与所述待监控电池的电化学过程之间的关系,构建所述第二模型。
S23、基于所述待监控电池的输出电压、工作电流、电池热量之间的关系,构建所述第三模型。
请参阅图2所示,在本发明的一个实施例中,三种模型的建立基础不同,通过多个模型做仿真,对电池的电化学和热行为进行全面而细致的定量研究,以便于更为准确地找到所述运行参数和所述机理参数之间的映射关系,以筛选出预警热失控最准确快速且安全的安全特征指标,以提升所述待监控电池热失控预警的准确率和效率。其中,所述映射关系可以是所述待监控电池的电化学参数与其外电压、温度之间的映射关系。
请参阅图2所示,通过电池管理系统或电池测试平台,获取所述待监控电池的设计参数和材料参数。其中,所述设计参数包括正负极材料、正极长度、负极长度、隔膜长度、电解液材料。所述材料参数包括正负极平衡电极电位、正负极固相扩散系数、正负极颗粒半径、正负极电解质相体积分数、正负极活性颗粒最大锂浓度、正负极电化学反应速率常数。以所述设计参数和所述材料参数为电化学参数。通过对电化学反应机理的公式化以及所述电化学参数进行方程拟合,获得所述第一模型。所述第一模型为一种电化学模型,具体为一种电池老化仿真模型。其中,在所述电化学参数中,选用在所述待监控电池老化过程中数据变化显著的参数,构建所述第一模型的辨识参数,例如正负极活性颗粒最大锂浓度,例如正负极固相扩散系数,例如正负极电化学反应速率常数。
请参阅图2所示,在本发明的一个实施例中,获取所述第一模型,考虑到准二维电化学模型描述的是电池内部两相三区域的反应过程,其中,两相为固相和液相,三区域为正极、负极、隔膜三个区域。考虑到锂离子的扩散、电极表面电势变化、电极表面电势和电流的关系,综合这些影响因素,建立所述第一模型。在所述待监控电池中,正负极电极颗粒内部的锂离子扩散过程,其锂离子的固相扩散过程可以依照以下公式:
其中,DS代表锂离子固相扩散系数,t为测试时间,cs代表锂离子浓度,r代表固体球形颗粒的半径方向,且r的取值范围为0≤r≤RS,RS代表固相活性颗粒半径。
请参阅图2所示,在所述待监控电池中,正负极电极颗粒内部的锂离子扩散过程,其锂离子的液相扩散过程可以依照以下公式:
其中εe代表不同区域的液相体积分数,代表锂离子液相有效扩散系数,且其中De代表液相浓度扩散系数,Brug代表锂电池不同区域的波茨曼系数,为锂离子液相转移系数,jLi代表了锂离子电池的局部体积转移电流密度,x为电极的板极厚度方向,F为法拉第常数,Ce为液相锂离子浓度。
请参阅图2所示,在所述待监控电池中,电极表面固相电势的计算参照以下公式:
请参阅图2所示,在所述待监控电池中,电极内部液相电势的计算参照以下公式:
其中keff代表液相有效离子电导率,且其中k代表了电解液电导率,代表了有效扩散传导性,代表锂离子液相转移系数,jLi代表了锂离子电池的局部体积转移电流密度,Φe代表锂离子电池液相势能,Ce为液相锂离子浓度,Ce,0为液相初始锂浓度,x为板极厚度方向,F为法拉第常数,R代表摩尔气体常数,T为电池温度,f±为液相扩散常数。
请参阅图2所示,在所述待监控电池中,锂离子电池的局部体积转移电流密度jLi可以表示为:
η=φs-φe-Eocv (7)
在式(6)-式(8)中,η表示球形颗粒表面过电势,Eocv为电极材料的开路电势,i0为交换电流密度,αa和αc分别为阳极、阴极的传递系数,本实施例中取值为例如0.5,jLi代表了锂离子电池的局部体积转移电流密度,F为法拉第常数,as为活性颗粒比表面积,Φe代表锂离子电池液相势能,Φs代表固相势能,K(T)为电化学反应常数,Cs,max为活性材料内锂离子浓度最大值,Cs,e固相-液相交界面处的锂离子浓度,Ce为液相锂离子浓度,αa与αc分别为电池阳极、阴极的传递系数。
请参阅图2所示,所述第一模型的输入量为工作电流密度I(t),输出量为锂离子电池端电压V(t),所述待监控电池的输出端电压也就是正负电极直接的电势差:
V(t)=φs,p(L,t)-φs,n(0,t) (10)
其中,φs,p(L,t)代表电池电极正极电势,φs,n(0,t)代表电池电极负极电势。
请参阅图2所示,在本发明的一个实施例中,在建立的锂离子固相扩散方程、液相扩散方程、固相电势方程、液相电势方程以及动力学方程的基础上,考虑石墨负极的老化进而引入SEI膜副反应,从而确定所述待监控电池的电池容量衰减情况,即所述待监控电池的荷电状态。其中,SEI膜即solidelectrolyte interphase,是一种固体电解质界面膜,SEI膜的形成对电极材料的性能产生至关重要的影响。因此,考虑到寄生锂/溶剂还原反应:
S+Li++e-→PSEI;
寄生反应的动力学可以通过在石墨负极上的粒子表面局部电流密度来反映,其动力学表达式如下:
其中,iloc,SEI代表了在石墨负极上,粒子表面的局部电流密度,iloc,1C,ref是在1C倍率的放电速率下的局部电流密度,HK是无量纲石墨的膨胀因子函数(取决于石墨荷电状态),J是寄生反应的无量纲交换电流密度,α是电化学还原反应的传递系数,ηSEI是过电位,qSEI是形成SEI引起的局部累积电荷,f是基于SEI膜属性的集总无量纲参数。
请参阅图3所示,在获得所述第一模型的动力学表达式的基础上,通过所述第一模型获得所述待监控电池的运行参数和机理参数,获得所述运行参数的步骤包括:
S211、设置待辨识参数。获取所述待监控电池在老化状态下的正负极活性颗粒最大锂浓度、正负极固相扩散系数、正负极电化学反应速率常数,并限制所述待辨识参数的取值范围。采集所述待辨识参数的数据,并将采集到的数据集群作为初代集群。
S212、在所述初代集群中,选出个体数据并计算其适应度。首先确定适应度的计算式,在所述待监控电池例如1C恒流放电的工况下,对选出的所述个体数据进行辨识,确定目标函数表达式为:
其中,L2代表了选出的所述个体数据的适应度,θ表示待识别的参数,Vt为1C倍率下锂离子放电端电压的实验数据,Vs为采用同样输入电流的情况下由所述第一模型计算得到的电压仿真数据。其中,C用来表示电池充放电能力倍率,1C表示电池一小时完全放电时电流强度。
S213、获取所述个体数据的条数,设置遗传代数g,在本实施例中,所述遗传代数为例如200代,所述个体数据的条数为例如80条。在计算所述初代集群的适应度时,将所述初代集群的代数i列为第一代,表述为i=1。
S214、设置交叉遗传的遗传参数,所述遗传参数包括交叉遗传的交叉率、变异率。在本实施例中,交叉遗传的交叉率设置为例如0.5,变异率设置为例如0.01。
S215、选择在所述初代种群中适应度高、仿真误差小于例如5%的个体数据,并通过交叉遗传的方式,将选出的所述个体数据进行交叉遗传,获得子代数据集群。当获得某一代子代集群时,代数i≥g,则停止遗传,并将获得的子代数据集群作为所述第一模型的最优解参数输出,从而获得所述第一模型下对应的运行参数。
请参阅图3所示,通过计算所述初代集群的适应度,挑选出其中仿真效果最好的参数,再保留这部分参数,将其做交叉遗传。通过这种方式,将上一代的数据集群不断与下一代数据集群以平均值的方式结合重组,获得更新一代的数据集群,在这个数据遗传的过程中通过计算数据的适应度,其中适应度最高的子代数据,即所述第一模型的最优解。这个过程,通过高适应度的上一代经多代遗传,不断地获取高适应度的子代,且将所述第一模型的高适应度解扩大成为一个集群,有利于在所述运行参数和所述机理参数之间建立更为全面准确的映射。
请参阅图3所示,在本发明中,获得所述第一模型后,通过单体电池多倍率放电实验来验证其准确性。其中,所述单体电池多倍率放电实验的过程如下,将所述待监控电池在例如25℃恒温箱环境中静置例如1h,以例如1C电流恒流充电,至单体电池的充电截止电压为例如4.2V后,转恒压充电至电流降至例如0.05C,停止充电。将所述待监控电池静置例如30min,再分别以例如1/3C、例如1C、例如5/3C的电流恒流放电,至单体电池的放电截止电压为例如3V。记录实验过程中电池放电过程的电压数据。
请参阅图4-图7所示,将实验过程中的电压数据制成实测放电曲线图,再将所述第一模型仿真得到的放电曲线图与所述实测放电曲线图进行比较,从而验证所述第一模型的准确性。从图4-图6中可以看出,在放电倍率为1/3C、1C、4/3C时,所述第一模型的仿真放电曲线与实测放电曲线的最大绝对误差分别为35.03mv、30.43mv、29.71mv。从图7中可以看出,在整个放电循环中,仿真曲线与实测曲线基本重合,验证了所述第一模型的准确性。
请参阅图8所示,在所述待监控电池的工作过程中,电池温度与其电化学过程之间是相互影响和制约的,因此可以根据这一特征,构建所述第二模型。所述第二模型是一种电化学-热耦合模型。将所述第一模型和锂离子电池的传热模型分别置于两个组件,利用所述第一模型,将计算得到的电池平均发热功率作为热源,并传递给传热模型20,传热模型20通过平均发热功率计算整个电池几何域的平均温度,并将计算结果传递给所述第一模型,以此往复迭代,从而形成耦合。所述第一模型是一种一维模型,与三维的传热模型20耦合,能更为直观、准确地对所述待监控电池多种工况下的运行状态进行仿真。
请参阅图8所示,锂离子电池生热主要来源有,由化学反应产生的反应热Qf、带电粒子的焦耳热效应产生的欧姆热Qn以及极化热Qp。而所述待监控电池的热源包括电芯、正极柱、负极柱中的一种或多种。其中,获取电池热源的生热率Qh可以通过以下表达式:
其中,I为锂电池电流,A在电池处于充电状态时取正值、放电状态时取负值,U0为所述待监控电池的开路电压,U为电池工作电压,T为电池温度,V为电池体积。在自然冷却环境中,考虑锂电池气固界面的对流换热qc,即传热模型,其计算方法是依据以下公式:
qc=hcA(tw-tf) (14)
其中,hc为对流换热系数,A为有效对流换热面积,tw为电池表面温度,tf为环境温度。
请参阅图8和图9所示,在本发明的一个实施例中,获得所述第二模型后,设置单体电池热性能实验,验证所述第二模型的准确性。其中,所述单体电池热性能实验的过程如下,将所述待监控电池放置在例如25℃的恒温箱环境中静置例如1h。而后保持环境温度不变,在例如1C强度下将所述待监控电池充电至截止电压为例如4.2V后,转恒压充电,而后等待所述待监控电池的充电电流降至例如0.05C时,停止充电。将所述待监控电池静置例如30min,并按照例如1C放电至标定电压为例如3V。记录所述待监控电池放电过程的温度数据,并重复以上实验过程,再进行电压倍率为例如5/3C的电池放电过程。
请参阅图9所示,为测量所述待监控电池在放电过程中的温升数据,在所述待监控电池的表面中心点处布置热电阻传感器,记录电池在放电过程中的温度变化,其中,所述热电阻传感器的型号为例如PT100。由图9可以看出,不同放电倍率下电池温升的实验曲线与仿真曲线吻合较好,所述待监控电池的初始温度和最终温度相一致,所述第二模型仿真温度的误差在0.65℃以内,验证了所述第二模型的有效性。因此,通过所述第二模型可以有效地获取所述待监控电池的温度参数。
请参阅图10所示,考虑所述待监控电池的工作电流、输出电压以及电池生热三者之间的关系,进一步建立所述第三模型。所述第三模型是一种电-热耦合模型。其中建立所述第三模型的步骤包括:
S231、构建所述待监控电池的动态等效电路模型。
S232、辨识电池模型参数。
S233、耦合等效电路模型10和传热模型。
S234、模型精度验证。
请请参阅图10所示,通过电池充放电实验实时采样得到动力电池电流、电压和温度数据。所述待监控电池的二阶的等效电路模型中,使用两个RC并联环节(阻容并联环节)描述动力电池的极化特性。根据基尔霍夫电压定律和基尔霍夫电流定律,以及电容电压变化与其电流的关系,等效电路模型10的表达式为:
其中,UOC表示所述待监控电池的开路电压,Ri表示接触电阻,RDi(i=1,2)为极化内阻,CDi(i=1,2)为极化电容,UDi(i=1,2)为极化电压,Ut为输出电压,iL为输入电流。
请参阅图11和图12所示,建立等效电路模型10后,通过辨识模型参数以精确模拟所述待监控电池的运行状态。其参数识别的步骤包括:
S2321、输入数据变量。
S2322、求解所述数据变量的最小增益和协方差矩阵。
S2323、系统参数变量预测和更新。
S2324、预测电压数据。
S2325、计算电压误差数据。
请参阅图12所示,基于实时采样得到的动力电池电流、电压和温度数据构建输入数据变量。其中,数据输入变量例如为1Ut,k-1···Ut,k-n,iL,k···iL,k-n,而后求解所述输入数据变量的最小二乘法增益和协方差矩阵,其计算方法如下:
请参阅图12所示,根据式(16)得到所述输入数据变量的最小二乘法增益和协方差,再根据得到的解结果,进行系统参数变量的预测和更新,获得所述系统参数变量的表达式如下:
请参阅图12所示,通过式(17)获得等效电路模型10的模型参数,所述模型参数例如为c1,···,c2n+1。通过式(17)中所述系统参数变量的计算获得预测电压,所述预测电压通过所述预测电压和采集到的实时电压数据进行计算,获得所述预测电压的电压误差,所述电压误差所述电压误差再通过负反馈传递到式(17)中,帮助调整所述系统参数变量,提升所述系统参数变量的准确度,从而提升所述模型参数的准确度,以便于所述第三模型能更精确地模拟所述待监控电池的运行。
请参阅图11所示,在所述待监控电池的传热模型的基础上,以混合功率脉冲特性实验和热性能实验来辨识所述模型参数,将等效电路模型10与传热模型20通过电池发热量耦合起来,并通过电池模组热性能实验来验证所述第三模型的精确性。其中,所述电池模组热性能实验中的电池模组由例如20块单体电池串联获得,所述电池模组热性能实验的过程如下,将所述待监控电池在例如25℃的恒温箱环境中静置例如1h,而后保持环境温度不变,在例如1C强度恒流充电状况下,将所述待监控电池充电至截止电压为例如84V时,将恒流充电转为恒压充电,当所述待监控电池的充电电流降至例如0.05C时,停止充电。将所述待监控电池静置例如30min,按照例如1C的倍率放电至标定电压例如60V。记录所述待监控电池放电过程中的电压和温度数据。重复以上实验的充电过程,其中,所述待监控电池的放电倍率换为例如2C倍率,再次记录实验数据。
请参阅图13和图14所示,在例如1C放电倍率下,所述电池模组的仿真电压和实验测试电压的拟合曲线误差极小,本实施例中所述第三模型具备很高的准确度。在所述电池模组的温度变化图中,仿真出的电池温度变化范围在2~2.6℃,实验的电池温度变化范围邻近1℃,实验结果与模拟结果的温度变化存在微小差异,误差较小。产生这种误差的原因是商用电池使用的添加剂不明确以及模拟中使用的对流系数与实验存在细微差异造成的。因此,在本实施例的所述第三模型中,由于不考虑实际电池模组的散热条件,因此模拟温度略高于实验温度,有利于提前预警电池的热失控。
请参阅图1所示,所述仿真模型对所述待监控电池的运行状态进行仿真,获得所述待监控电池在多种工况下的运行参数和机理参数,所述运行参数包括电池电压、电压差、工作电流、电池内阻、电池温度、电池温升、电池温升速率。通过所述仿真模型获得所述运行参数中的一种或多种。再找到所述运行参数和电池的机理参数之间的关联,在所述运行参数和所述机理参数之间建立映射。其中,所述机理参数包括固相液相锂离子浓度梯度、活性物质微粒尺寸、固液电位、锂离子扩散速率、SEI膜厚度。
请参阅图1所示,在本发明的一个实施例中,所述仿真模型有多个,通过所述第一模型、所述第二模型、所述第三模型的共同工作,建立所述运行参数和所述机理参数的全面映射。通过对所述运行参数和所述机理参数的同步监控,获取多种工况下所述待监控电池的预警特性指标,建立所述待监控电池各种工况下的机理特征指标集。例如,在内部短路的工况下,可以通过电解质电导率、气体、活性物质微粒尺寸来监测所述待监控电池的运行状态。在电池过度充放电的工况下,可以通过正负电极锂离子浓度、SEI膜厚度来监测所述待监控电池的运行状态。在大倍率充放电的情况下,可以通过锂离子扩散速率、可循环锂的损失来监测所述待监控电池的运行状态。在高温环境的工况下,可以通过固相液相锂离子浓度梯度、活性物质微粒尺寸、产热速率来监测所述待监控电池的运行状态。
请参阅图1所示,在不同的工况下,所述待监控电池都有不同的监测指标,而在每个工况下的监测指标都有多种。因此在某一工况下,结合建立的所述机理特征指标集,对该工况下的预警特性指标进行数据采集,并结合所述预警特性指标的阈值规则,就能对所述待监控电池进行预警,获得多个预警结果。
请参阅图15所示,在本发明的一个实施例中,将多个工况下,多个预警结果涉及的数据、结果进行融合,以便于能清晰且动态地跟踪事实上待监控电池的安全性能。其融合步骤包括:
S51、运行参数筛选。在电池实验和所述仿真模型的仿真数据中,筛选所述待监控电池各种工况下,能反映当前电池运行状态的运行参数。
S52、最适应特征指标提取。根据筛选出的运行参数,获取其映射的机理参数,并从所述运行参数和所述机理参数中,提取反映所述待监控电池当前工况的最适应特征指标。
S53、构建安全预测指标体系。根据所述最适应特征指标,获取其阈值规则,构建所述待监控电池的安全预测指标体系。
S54、将获得的各工况下的所述最适应特征指标进行数据融合,对所述待监控电池的热失控安全性进行实时跟踪预警。所述数据融合为一种多源异质数据融合,其融合方法可以是基于卡尔曼滤波模型。
请参阅图16所示,本发明还提供一种锂电池热失控预警系统10,锂电池热失控预警系统10包括:
数据采集模块101,通过电池管理系统或电池测试平台,实时采集待监控电池的电池特征要素和机理参数对应的数值数据。
仿真建模模块102,连接于数据采集模块101,根据所述电池特征要素的数值数据,建立模拟所述待监控电池运行状态的仿真模型。
特征指标集构建模块103,连接于数据采集模块101和仿真建模模块102,根据所述仿真模型,获取反应所述待监控电池运行状态的运行参数,并构建所述运行参数和所述机理参数的映射关系,获得所述待监控电池不同工况下的预警特征指标集。
预警模块104,连接于特征指标集构建模块103,根据所述预警特征指标集,获取所述待监控电池热失控预警的多指标预警结果。
请参阅图17所示,本发明还提出一种电子设备,所述电子设备包括处理器20和存储器30,所述存储器30存储有程序指令,所述处理器20运行程序指令实现上述的数据模型的配置方法。所述处理器20可以是通用处理器,包括中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件;所述存储器30可能包含随机存取存储器(Random Access Memory,简称RAM),也可能还包括非易失性存储器(Non-Volatile Memory),例如至少一个磁盘存储器。所述存储器30也可以为随机存取存储器(Random Access Memory,RAM)类型的内部存储器,所述处理器20、存储器30可以集成为一个或多个独立的电路或硬件,如专用集成电路(Application SpecificIntegrated Circuit,ASIC)。需要说明的是,上述的存储器30中的计算机程序可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,电子设备,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。
请参阅图18所示,本发明还提出一种计算机可读存储介质401,所述计算机可读存储介质401存储有计算机指令40计算机指令40,所述计算机指令40用于使所述计算机执行上述的数据模型的配置方法。计算机可读存储介质401可以是,电子介质、磁介质、光介质、电磁介质、红外介质或半导体系统或传播介质。计算机可读存储介质401还可以包括半导体或固态存储器、磁带、可移动计算机磁盘、随机存取存储器(RAM)、只读存储器(ROM)、硬磁盘和光盘。光盘可以包括光盘-只读存储器(CD-ROM)、光盘-读/写(CD-RW)和DVD。
在本说明书的描述中,参考术语“本实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明实施例只是用于帮助阐述本发明。实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种锂电池热失控预警方法,其特征在于,其步骤至少包括:
获取待监控电池的电池特征要素;
根据所述电池特征要素,构建所述待监控电池的仿真模型;
根据所述仿真模型,计算获得所述待监控电池的运行参数和机理参数,并构建所述运行参数和所述机理参数的参数映射关系;以及
根据所述参数映射关系和所述机理参数,获取所述待监控电池的多指标预警结果。
2.根据权利要求1所述的一种锂电池热失控预警方法,其特征在于,所述仿真模型包括第一模型,根据所述待监控电池的电化学参数,构建所述第一模型。
3.根据权利要求1所述的一种锂电池热失控预警方法,其特征在于,所述仿真模型包括第二模型,根据所述待监控电池的温度与电化学过程之间的关系,构建所述第二模型。
4.根据权利要求1所述的一种锂电池热失控预警方法,其特征在于,所述仿真模型包括第三模型,根据所述待监控电池输出电压、工作电流、电池热量之间的关系,构建所述第三模型。
5.根据权利要求1所述的一种锂电池热失控预警方法,其特征在于,构建所述仿真模型的步骤包括:
筛选和辨识模型参数,以提升模型精度;以及
通过电池实验验证模型精度,以更新所述模型参数。
6.根据权利要求1所述的一种锂电池热失控预警方法,其特征在于,所述运行参数包括电池电压、压差、电流、内阻、温度、温升、温升速率。
7.根据权利要求1所述的一种锂电池热失控预警方法,其特征在于,所述机理参数包括固相液相锂离子浓度梯度、活性物质微粒尺寸、固液电位、锂离子扩散速率、SEI膜厚度。
8.根据权利要求1所述的一种锂电池热失控预警方法,其特征在于,在所述待监控电池的不同工况下,筛选所述运行参数和所述机理参数,获得不同工况下的预警特性指标,并根据所述预警特性指标的阈值获得所述多指标预警结果。
9.根据权利要求1所述的一种锂电池热失控预警方法,其特征在于,根据所述多指标预警结果的数据融合结果,对所述待监控电池进行动态预警。
10.一种锂电池热失控预警系统,基于权利要求1所述的一种锂电池热失控预警方法,其特征在于,包括:
数据采集模块,采集待监控电池的电池特征要素对应的数值数据;
仿真建模模块,连接于所述数据采集模块,根据所述电池特征要素的数值数据,建立模拟所述待监控电池运行状态的仿真模型;
特征指标集构建模块,连接于所述数据采集模块和所述仿真建模模块,根据所述仿真模型,获取反应所述待监控电池运行状态的运行参数和机理参数,并构建所述运行参数和所述机理参数的映射关系,获得所述待监控电池不同工况下的预警特征指标集;
预警模块,连接于所述特征指标集构建模块,根据所述预警特征指标集,获取所述待监控电池热失控预警的多指标预警结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111332648.5A CN114035053A (zh) | 2021-11-11 | 2021-11-11 | 一种锂电池热失控预警方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111332648.5A CN114035053A (zh) | 2021-11-11 | 2021-11-11 | 一种锂电池热失控预警方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114035053A true CN114035053A (zh) | 2022-02-11 |
Family
ID=80144069
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111332648.5A Pending CN114035053A (zh) | 2021-11-11 | 2021-11-11 | 一种锂电池热失控预警方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114035053A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116520171A (zh) * | 2023-06-29 | 2023-08-01 | 广汽埃安新能源汽车股份有限公司 | 电池热失控的预警策略确定方法及装置 |
-
2021
- 2021-11-11 CN CN202111332648.5A patent/CN114035053A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116520171A (zh) * | 2023-06-29 | 2023-08-01 | 广汽埃安新能源汽车股份有限公司 | 电池热失控的预警策略确定方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Extreme learning machine-based thermal model for lithium-ion batteries of electric vehicles under external short circuit | |
Lipu et al. | A review of state of health and remaining useful life estimation methods for lithium-ion battery in electric vehicles: Challenges and recommendations | |
Kong et al. | Pseudo-two-dimensional model and impedance diagnosis of micro internal short circuit in lithium-ion cells | |
Rezvanizaniani et al. | Review and recent advances in battery health monitoring and prognostics technologies for electric vehicle (EV) safety and mobility | |
Liang et al. | A comparative study between physics, electrical and data driven lithium-ion battery voltage modeling approaches | |
JP7095110B2 (ja) | バッテリ状態推定方法 | |
Mehta et al. | An improved single-particle model with electrolyte dynamics for high current applications of lithium-ion cells | |
Su et al. | An adaptive boosting charging strategy optimization based on thermoelectric-aging model, surrogates and multi-objective optimization | |
Wang et al. | Temperature prediction of lithium-ion battery based on artificial neural network model | |
Wang et al. | Decoupling parameter estimation strategy based electrochemical-thermal coupled modeling method for large format lithium-ion batteries with internal temperature experimental validation | |
Jia et al. | Precise and fast safety risk classification of lithium-ion batteries based on machine learning methodology | |
Xiao et al. | Rapid measurement method for lithium‐ion battery state of health estimation based on least squares support vector regression | |
Luo et al. | A simple feature extraction method for estimating the whole life cycle state of health of lithium-ion batteries using transformer-based neural network | |
Zhu et al. | A novel based-performance degradation Wiener process model for real-time reliability evaluation of lithium-ion battery | |
Sarkar et al. | Electrochemical models: Methods and applications for safer lithium-ion battery operation | |
Ding et al. | Diagnosis of connection fault for parallel-connected lithium-ion batteries based on long short-term memory networks | |
Long et al. | Multi-parameter optimization method for remaining useful life prediction of lithium-ion batteries | |
Liu et al. | Review on degradation mechanism and health state estimation methods of lithium-ion batteries | |
Peng et al. | Real-time state of charge estimation of the extended Kalman filter and unscented Kalman filter algorithms under different working conditions | |
Bao et al. | Hybrid deep neural network with dimension attention for state-of-health estimation of Lithium-ion Batteries | |
CN114035053A (zh) | 一种锂电池热失控预警方法及其系统 | |
Yao et al. | An intelligent fault diagnosis method for lithium-ion battery pack based on empirical mode decomposition and convolutional neural network | |
Liu et al. | Internal short circuit diagnosis of lithium-ion battery based on mechanism model and deep learning | |
Kumar et al. | Lithium-ion ferrous phosphate prismatic cell aging analysis and assessment for the development of battery management systems | |
Rodriguez et al. | Discovering governing equations of li-ion batteries pertaining state of charge using input-output data |
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 |