CN114325404B - 一种基于热-神经网络耦合模型的电池温度估计方法 - Google Patents
一种基于热-神经网络耦合模型的电池温度估计方法 Download PDFInfo
- Publication number
- CN114325404B CN114325404B CN202111499134.9A CN202111499134A CN114325404B CN 114325404 B CN114325404 B CN 114325404B CN 202111499134 A CN202111499134 A CN 202111499134A CN 114325404 B CN114325404 B CN 114325404B
- Authority
- CN
- China
- Prior art keywords
- battery
- model
- temperature
- thermal
- neural network
- 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
Abstract
本发明涉及一种基于热‑神经网络耦合模型的电池温度估计方法,属于电池管理技术领域。该方法为:S1:选定待测电池,收集整理该电池的规格及关键几何参数,获取电池模型建立以及温度估计所需的实验数据集;S2:考虑极耳热效应并基于切比雪夫伽辽金近似法建立电池的低阶热模型,进行参数辨识获得热模型未知参数,并结合扩展卡尔曼滤波EKF算法实时估计电池关键温度;S3:基于长短期记忆神经网络建立并训练电池数据驱动模型,确定电池产热、荷电状态SOC和环境温度与电池关键温度间的映射关系;S4:通过集成学习算法adaboost耦合物理热模型与神经网络模型,并优化二者的融合权重,进而实现准确的电池温度估计。
Description
技术领域
本发明属于电池管理技术领域,涉及一种基于热-神经网络耦合模型的电池温度估计方法。
背景技术
动力电池作为纯电动车辆EVs、混合动力车辆HEVs和插电式混合动力车辆PHEVs的核心部件,其性能直接决定着电动车辆的发展。而大尺寸动力电池由于具有外形设计灵活、质量轻、比能量高、布置紧凑等突出优点,在电动车辆的应用比重越来越高。由于大尺寸层叠式电池在制造时一致性较差,正常工作时易产生局部热点,从而导致该类型电池在使用过程中易出现温度不均匀、局部热点明显等现象,甚至触发热失控着火燃烧。而且,各电池厂商为了打消顾客对纯电动车辆续航里程短、充电时间长等使用顾虑,电池研发向着大单体、高能量密度、高功率密度的方向发展,这将大大增加大尺寸层叠式电池的热安全隐患。因此,对大尺寸层叠式电池的温度进行准确高效的估计显得尤为重要。但是电动汽车的真实工况复杂,电流、电压、阻抗的测量精度都限制了大尺寸层叠式电池温度估计精度。
目前对动力电池的温度估计方法可分为四类:基于热模型的温度估计、基于电化学阻抗谱EIS测量的温度估计、基于热模型与EIS测量相结合的温度估计和基于数据驱动的温度估计。基于热模型估计电池的温度,又大致可分为:利用简单热模型估计电池的平均温度,该方法计算简单,但是估计精度无法反映电池温度的实际情况;利用数值求解方法估计电池的温度分布,此类方法能实现准确估计,但是计算量大,难以实际应用;利用双态热模型,可以结合电池表面温度测量来估计电池内部的温度分布,此类方法模型和算法简单,同时精度较高,但是需要安装大量的温度传感器,难以实现推广应用。基于EIS测量的温度估计,其模型简单,并且不用安装温度传感器,同时不受几何形状限制,但是该类方法仅可获取平均温度。因此,有学者对基于热模型与EIS测量相结合的温度估计进行研究,使用基于阻抗测量的热-阻抗模型来对电池单体内部的温度分布进行估计和预测,该方法既不用安装温度传感器,又可以获取丰富的温度信息,但是该类方法对测量设备精度要求高,建模阶段耗时长。近年来,随着大数据时代的席卷,基于机器学习和人工智能的状态估计方法已广泛应用于动力电池的SOC、SOH和剩余寿命等状态的估计与预测,但是鲜少有用于动力电池的温度估计。该类方法不需要物理模型,也不用深入了解电池的产热传热机理,不受几何形状限制,但是其对数据的数量和质量要求高,计算耗时长,泛化能力较差。
目前对动力电池的温度进行估计的研究已经有很多,但是将热模型和数据驱动方法相结合进行对大尺寸层叠式电池温度估计的方法则鲜有学者研究使用。一方面,大尺寸层叠式电池的热模型虽然能实现较为准确的温度估计,但存在需要深入探究物理模型,建模过程复杂等问题;另一方面,神经网络模型估计电池温度虽然不需要物理模型,但存在对数据的数量和质量要求高,且泛化能力不强等问题。本发明旨在将二者结合,弥补二者的短板,可进一步提升电池关键温度的估计准确度及泛化能力。
发明内容
有鉴于此,本发明的目的在于提供一种基于热-神经网络耦合模型的电池温度估计方法。
为达到上述目的,本发明提供如下技术方案:
一种基于热-神经网络耦合模型的电池温度估计方法,该方法包括以下步骤:
S1:选定待测电池,收集整理该电池的规格及几何参数,并在不同温度下对被测电池进行特性工况测试、恒流及动态工况试验,获取电池模型建立以及温度估计所需的实验数据集;
S2:考虑电池极耳热效应并基于切比雪夫伽辽金近似法建立电池的低阶热模型,进行参数辨识获得热模型未知参数,并结合扩展卡尔曼滤波EKF算法实时估计电池关键温度;
S3:基于长短期记忆神经网络建立并训练电池数据驱动模型,确定电池产热、荷电状态SOC和环境温度与电池关键温度间的映射关系;
S4:通过集成学习算法adaboost耦合物理热模型与神经网络模型,并优化二者的融合权重,进而实现准确的电池温度估计。
可选的,在所述S1中,待测电池为大尺寸层叠式电池,热模型为二维2-D低阶空间解析热模型,包括描述正、负极耳热行为的集中质量热子模型和描述电池本体热行为的2-D切比雪夫-伽辽金近似电热子模型,考虑两极耳与本体间的热流交换;大尺寸层叠式电池的神经网络模型为长短期记忆LSTM神经网络模型。
可选的,所述步骤S1实验过程具体为:
S11:在电池表面的预设位置及两极耳上粘附9个T型热电偶进行温度提取;
S12:将待测大尺寸层叠式电池在25℃的恒温环境中静置2h;
S13:以C/20充放电倍率对大尺寸层叠式电池进行充放电,测得该大尺寸层叠式电池的开路电压OCV与荷电状态SOC的关系曲线并确定HPPC测试中相邻测试点的SOC间隔,进行C/3的静态容量测试获取大尺寸层叠式电池在当前温度下的实际容量;
S14:进行充放电脉冲为1C的HPPC测试,试验SOC区间取10%~90%,获取当前温度下大尺寸层叠式电池的电流、电压数据;
S15:在45℃、35℃、15℃、10℃、5℃、0℃、-5℃、-10℃、-15℃下重复步骤S12~S14,记录不同温度下的电流、电压数据;
S16:分别在-15℃、25℃和45℃下进行动态工况测试,包括联邦城市循环工况FUDS、新欧洲驾驶工况NEDC和美国高速工况US06三个类实车工况,获取该大尺寸层叠式电池的电流、电压、温度和阻抗的实验数据;
S17:测取大尺寸层叠式电池在-15℃、25℃和45℃三个温度、C/3、C/2和1C三个电流倍率下的恒流放电工况数据,包括电流、电压以及各测点的温度数据;
S18:将获取的实验数据汇总并处理,形成可用的实验数据库。
可选的,所述S2具体为:
S21:分别建立该大尺寸层叠式电池的极耳集中质量热子模型和本体2-D切比雪夫-伽辽金近似电热子模型,考虑两极耳与本体间的热流交换,耦合两个子模型,建立该电池的热模型;
S22:利用步骤S1中获取的实验数据,基于一阶RC模型,通过参数辨识确定大尺寸层叠式电池的内阻参数,根据Bernardi经典产热公式计算电池产热率,并考虑极耳热流在电池本体的定量分配,从而获取本体2-D切比雪夫-伽辽金近似模型的模型输入;
S23:利用步骤S1中获取的实验数据,通过参数辨识算法辨识得到热模型特性参数,并结合扩展卡尔曼滤波算法设计温度估计器估计大尺寸层叠式电池的关键温度。
可选的,所述S4具体为:
S41:分别收集整理热模型和神经网络模型输出的两组电池温度估计数据,并赋予初始权重值;
S42:通过集成学习算法adaboost训练两组温度数据权重值,得到最优权重,从而输出准确度更高的电池温度估计值。
可选的,在S2中,参数辨识方法为粒子群优化算法。
可选的,所述S23中,所述扩展卡尔曼滤波算法能替换为无迹卡尔曼滤波或H无穷滤波最优估计算法。
可选的,所述S42中,确定温度输出权重的方法为集成学习算法adaboost。
本发明的有益效果在于:
本发明将热模型和神经网络模型各自在线估计获得的大尺寸层叠式电池的温度提供给集成学习算法adaboost作为其样本训练集,基于此将赋予初始权重的弱学习器训练得到拥有最佳权重的强学习器,从而实现更高精度的大尺寸层叠式电池温度估计。本发明的优点有:
(1)针对车用大尺寸层叠式电池建立热-神经网络耦合模型,能够准确捕捉大尺寸层叠式电池在宽温度范围内的热行为;
(2)将热模型与神经网络模型结合估计大尺寸层叠式电池温度,既能提升热模型的估计精度,又能弥补神经网络模型泛化能力不足的短板;
(3)该热-神经网络耦合模型计算复杂度适中,结合EKF算法可实现大尺寸层叠式电池的在线温度估计,可应用于实车BMS。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明整体的方法流程图;
图2为本发明实施例步骤S1中实验数据获取流程图;
图3为本发明实施例步骤S2流程图;
图4为本发明实施例中大尺寸层叠式电池的简易规格、温度采集点示意及其散热情况图;
图5为本发明实施例中大尺寸层叠式电池的热模型简图;
图6为本发明实施例中大尺寸层叠式电池的长短期记忆神经网络模型简图;
图7为本发明实施例中大尺寸层叠式电池的长短期记忆神经网络模型训练过程示意图;
图8为本发明实施例中热-神经网络耦合模型原理简图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
请参阅图1,基于热-神经网络耦合模型的电池温度估计方法分为以下步骤:
S1:选定待测电池,收集整理该电池的规格及关键几何参数,并在不同温度下对被测电池进行特性工况测试、恒流及动态工况试验,获取电池模型建立以及温度估计所需的实验数据集;
S2:考虑电池极耳热效应并基于切比雪夫伽辽金近似法建立电池的低阶热模型,进行参数辨识获得热模型未知参数,并结合扩展卡尔曼滤波EKF算法实时估计电池关键温度;
S3:基于长短期记忆神经网络建立并训练电池数据驱动模型,确定电池产热、荷电状态SOC和环境温度与电池关键温度间的映射关系;
S4:通过集成学习算法adaboost耦合物理热模型与神经网络模型,并优化二者的融合权重,进而实现准确的电池温度估计。
请参阅图2,步骤S1中实验数据获取具体包括步骤S11~S18。
S11:在电池表面的预设位置及两极耳上粘附9个T型热电偶进行温度提取;
S12:将待测大尺寸层叠式电池在25℃的恒温环境中静置2h;
S13:以C/20充放电倍率对大尺寸层叠式电池进行充放电,测得该大尺寸层叠式电池的开路电压OCV与荷电状态SOC的关系曲线并确定HPPC测试中相邻测试点的SOC间隔,进行C/3的静态容量测试获取大尺寸层叠式电池在当前温度下的实际容量;
S14:进行充放电脉冲为1C的HPPC测试,试验SOC区间取10%~90%,获取当前温度下大尺寸层叠式电池的电流、电压数据;
S15:在45℃、35℃、15℃、10℃、5℃、0℃、-5℃、-10℃、-15℃下重复步骤S12-S14,记录不同温度下的电流、电压数据;
S16:分别在-15℃、25℃和45℃下进行动态工况测试,包括联邦城市循环工况FUDS、新欧洲驾驶工况NEDC和美国高速工况US06三个类实车工况,获取该大尺寸层叠式电池的电流、电压、温度、阻抗等实验数据;
S17:测取大尺寸层叠式电池在-15℃、25℃和45℃三个温度、C/3、C/2和1C三个电流倍率下的恒流放电工况数据,包括电流、电压以及各测点的温度数据;
S18:将获取的实验数据汇总并处理,形成可用的实验数据库。
请参阅图3,步骤S2中热模型建立及参数辨识的具体包括步骤S21~S23。
S21:分别建立该大尺寸层叠式电池的极耳集中质量热子模型和本体2-D切比雪夫-伽辽金近似电热子模型,考虑两极耳与本体间的热流交换,耦合两个子模型,建立该电池的热模型。具体包括步骤S211~S213。
S211:建立该大尺寸层叠式电池的本体热子模型,并确定完成大尺寸层叠式电池温度估计所需的模型参数。具体地,
大尺寸层叠式电池的简易规格及散热情况参阅图4,其热模型参阅图5。假设大尺寸层叠式电池的温度分布服从笛卡尔坐标下带对流边界的2-D非稳态导热方程:
满足边界条件:
其中,T(x,y,t)为与空间位置和时间相关的温度函数。q(x,y,t)为电池的单位体积产热率,是与空间位置有关的时变函数。kx和ky分别为电池x和y方向上的导热率。x∈[0,w],y∈[0,l],w和l分别为电池的宽度和长度。ρ和Cp为电池的体积平均密度和比热容。下标r、l、t和b分别表示电池的右、左、上和下边界。hx=[hr,-hl]和hy=[ht,-hb]为等效传热系数。T∞,x=[Tr,∞,Tl,∞]和T∞,y=[Tt,∞,Tb,∞]表示两个方向上的冷却液温度。
S212:将步骤S211中的2-D非稳态导热方程进行坐标变换以及边界条件齐次化,并对热模型进行降阶处理,将其转化为面向控制的状态空间表达式。
为充分利用雅可比多项式的正交特性,首先进行坐标变换,将物理域(x∈[0,w],y∈[0,l])变为谱域满足
为方便计算,令
其中,α=2/w,β=2/l分别为x和y方向上的缩放因子。
即将原2-D非稳态导热方程变为谱域描述为:
满足边界条件:
其中,
为了能利用CG近似方法对2-D非稳态导热方程进行降阶处理,接下来使用边界提升技术将上述非齐次边界条件齐次化。具体地,
其中为任意温度函数,满足原始边界条件
为辅助温度函数,满足修正温度函数
服从齐次边界条件
其中,
使用时空分离技术,将辅助温度函数用有限和的形式近似描述:
其中χkj(t)为时间系数,和/>分别为x和y方向上的空间基函数,各有N个。利用切比雪夫多项式可以得到每个方向上的空间基函数。
利用伽辽金近似,可以推导得出如下表达式
其中,
式中,为一测试函数,将上式中的的q*、/>υ和Te用各自的表达式替换,即可求解χkj并确定辅助温度函数/>想要求解每个方向上的空间基函数,需要提前确定任意温度函数Te。基于切比雪夫多项式的正交特性,可以构建如下表达式:
将Te带入公式即可利用伽辽金近似方法迭代求解电池的2-D非稳态导热过程。
最后,利用伽辽金近似和边界升降技术,原2-D非稳态导热方程可变形为状态空间表达形式:
y=Cx+Te
其中,E、A、B和C为系统矩阵,Te为与空间位置相关的任意非时变温度函数,系统状态x=(χ00,χ10,…,χN0,χ01,χ11,…,χN1,χ0N,χ1N,…,χNN)T。系统输入u=[q 1]T,q为单位体积产热率。具体地,各系统矩阵表达如下。
为方便表达,定义变量
则有
E(i,j)=pCp(ψj,ψi)
B(i1)=(1,ψi)
其中i,j=0,1,…,N。
系统输出y可根据实际控制系统的需求温度进行定义。一般地,热管理系统要求热模型能够有效监控电池的最高温度、最大温度梯度以及体积平均温度。在本发明中,如图4,提取T3~T9以及体积平均温度Tb作为该热模型的输出温度,即
y=[T3 T4 T5 T6 T7 T8 T9 Tb]T
Te=[Te,3 Te,4 Te,5 Te,6 Te,7 Te,8 Te,9 Te,b]T
S213:确定电池热源项,建立大尺寸层叠式电池的极耳集中质量热模型,并与电池本体的2-D切比雪夫-伽辽金近似模型耦合求解。
极耳热模型表达如下(由于正、负极极耳产热传热原理相同,本发明仅给出通用公式,下同):
其中Tt和T∞分别指极耳集总温度和环境温度。mt、Cpt、ht和At分别为极耳的质量、比热容、对流换热系数和对流换热面积。qt和qct分别指极耳的产热率和极耳与本体之间的热流量。对于qct,在发明中规定流入极耳为负,流出极耳为正。极耳的产热qt仅为欧姆热,可通过下式计算:
qt=I2Rst=I2(Rot+Rct)
其中,Rst为极耳总内阻,Rot为极耳本身的欧姆内阻,Rct为极耳与导线的接触内阻。
根据经验公式计算电池极耳与本体间的热流量:
qct=hctAct(Tt-Tm)
其中,Tm为与所研究极耳同侧的测点温度。hct为电池极耳与本体之间阻碍传热的接触系数。Act为极耳与本体实际进行热传导的面积。该测量点与极耳足够接近,因此该公式不包括电池本体内的热传导。
在利用CG近似方法求解电池2-D温度分布时,需将电池极耳与本体间的热流交换叠加到电池本体每个离散单元的不均匀产热上。极耳与本体间的热流量qct在电池本体上的分布呈如下规律为:
其中i,j=1,…,Ng-1,k=1,…,M,M为电池本体的离散体积单元数,取M=(Ng-1)×(Ng-1)。Ng为电池本体x、y方向上的离散点数。qct,k为热流量qct分配到电池本体离散体积单元(xi,yi)的热量。βct为一调节因子,表征qct,k中对该单元温度变化有实际贡献的热量在qct,k中的比重,取值范围为[0,1],在本发明中取为1。
电池本体各离散体积单元的产热率为:
其中,k=1,…,M,qb,k为(xi,yi)离散单元的产热率,熵热系数来源于该型号电池的电池手册。
电池本体每个离散体积单元的总热量为:
qk=qb,k+qct,k
据此,可以通过极耳与本体间的热流量将极耳集中质量热模型与本体的2-D切比雪夫-伽辽金近似模型耦合起来,形成耦合热模型,并基于此设计温度观测器实现大尺寸层叠式电池温度的实时估计。
S22:利用步骤S1中获取的实验数据,基于一阶RC模型,通过参数辨识确定大尺寸层叠式电池的内阻参数,根据Bernardi经典产热公式计算电池产热率,并考虑极耳热流在电池本体的定量分配,从而获取本体2-D切比雪夫-伽辽金近似模型的模型输入,步骤S22包括S221~S222,具体地,
S221:基于HPPC工况提取的电流、电压数据,通过一阶RC模型结合PSO算法离线辨识不同温度、不同SOC下的电池内阻参数,同时考虑充放电条件下(电流方向的影响)电池的欧姆内阻和极化内阻;
S222:将电池内阻明确为电池温度、SOC和电流方向的函数关系,根据产热公式和MAP插值实现每一时刻电池各局部产热率的计算。其中,产热公式如下:
其中,为电池的整体产热率;I为电池的总电流;Ro和Rp分别表示电池等效的欧姆内阻和极化内阻;T为绝对反应温度;/>表示电池的熵热系数。
S23:利用步骤S1中获取的实验数据,通过参数辨识算法辨识得到热模型特性参数,并结合扩展卡尔曼滤波算法设计温度估计器估计大尺寸层叠式电池的关键温度,步骤S23包括S231~S233,具体地,
S231:基于恒流工况数据(-15℃和25℃环境下1C恒流激励的电流及温度数据)确定极耳集中质量模型的未知参数:等效对流换热系数ht、等效内阻Rst和等效传热系数hec(分为正极、负极)。
S232:基于动态工况数据(25℃的NEDC)确定2-D切比雪夫-伽辽金近似模型的未知参数:换热系数h、平均密度ρ、比热容Cp、导热率kt、调节因子βp。其中调节因子βp用于调整电池的极化内阻在产热率中的贡献,表达式如下:
S233:根据以上参数辨识过程,得到最优参数的电池耦合热模型,结合卡尔曼滤波算法实现大尺寸层叠式电池的在线温度估计。其中,将大尺寸层叠式电池中心的温度测量值作为温度估计器的在线反馈量,其量测方程根据实际量测输入变形为:
yk=Hxk+Te,c+vk
其中,Te,c为中心温度点对应的任意温度函数值,输出矩阵H可表示为:
H=C(5,j)
其中c模型输出方程的系统矩阵,j=0,1,…,N。滤波过程中过程噪声和量测噪声对应的误差协方差经调参确定。通过时间更新和量测修正这两个卡尔曼滤波核心过程,首先初始化系统状态x及状态估计误差协方差,然后确定过程噪声和量测噪声协方差,最后即可完成大尺寸层叠式电池温度的滤波更新。其中,时间更新和测量修正过程描述如下。
时间更新:
其中和/>分别为k时刻系统状态的先验估计和后验估计,/>和Pk为其对应的误差协方差。
测量修正:
其中Kk为系统状态更新的卡尔曼增益,I为对应大小的单位矩阵,zk为模型的测量输入。
进一步,步骤S3中神经网络模型的建立及训练过程具体包括步骤S31~S32。
S31:长短期记忆LSTM神经网络模型的结构参阅图6。LSTM对信息的存储和更新通过遗忘门、输入门和输出门三个门控信号,并由sigmoid函数和点乘运算实现。其计算过程如下:
ft=σ(Wf·[ht-1,xt]+bf)
it=σ(Wi·[ht-1,xt]+bi)
ot=σ(Wo·[ht-1,xt]+bo)
ht=ot*tanh(Ct)
其中,xt、ht和Ct分别表示t时刻隐藏层的输入、输出以及记忆单元。W和b分别表示权重矩阵和偏差向量。
S32:利用步骤S1中获取的实验数据,计算电池产热Q、荷电状态SOC,联合采集到的环境温度Tamb一同作为神经网络模型输入,训练神经网络模型,输出估计的当前时刻大尺寸层叠式电池温度。神经网络模型训练过程参阅图7。具体地,步骤S32包含以下内容。
电池产热计算同上,此处不再赘述。
大尺寸层叠式电池的SOC通过下式进行计算:
其中SoC(t)`I(t)分别指动力电池时变的荷电状态和电流,η为库伦效率,Qn为动力电池的容量,会随着电池循环次数、温度等条件发生变化。
S4中阐述的耦合热-神经网络模型原理请参阅图8,通过集成学习算法adaboost将热模型和神经网络模型的温度输出耦合起来,从而实现准确的大尺寸层叠式电池温度估计。具体地,步骤S4包含步骤S41-S42。
S41:假设热模型和神经网络模型输出的大尺寸层叠式电池温度分别为和/>将两个温度数据集利用集成学习算法adaboost进行权重分配,初始化样本集权重为:
D(1)=(w11,w12,...,w1m)
其中,m为样本数量。热模型的温度输出神经网络模型的温度输出/>该温度矩阵中包含了用于热预警及性能管理的最高温度和平均温度。
S42:进行迭代计算,最终得到最优权重值。首先,计算回归误差率,公式如下:
其中,和Tt分别为t时刻模型预测的温度以及实验测量的真实温度。m是每次权重更新所需的样本数量。此处进行了必要的简化,即认为每个样本权重一直保持初始权重E表示训练集上的最大误差,即:
权重的计算公式如下:
然后对热模型和神经网络模型的输出权重进行计算,使得两个模型的权重和为1。其计算公式如下:
最后,耦合热-神经网络模型输出的估计温度为:
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (3)
1.一种基于热-神经网络耦合模型的电池温度估计方法,其特征在于:该方法包括以下步骤:
S1:选定待测电池,收集整理该电池的规格及几何参数,并在不同温度下对被测电池进行特性工况测试、恒流及动态工况试验,建立电池模型以及获取温度估计所需的实验数据集;
S2:考虑电池极耳热效应并基于切比雪夫伽辽金近似法建立电池的低阶热模型,进行参数辨识获得低阶热模型未知参数,并结合扩展卡尔曼滤波EKF算法实时估计电池关键温度;
S3:基于长短期记忆神经网络建立并训练电池数据驱动模型,得到神经网络模型,确定电池产热、荷电状态SOC和环境温度与电池关键温度间的映射关系;
S4:通过集成学习算法adaboost耦合低阶热模型与神经网络模型,并优化二者的融合权重,进而实现准确的电池温度估计;
待测电池为大尺寸层叠式电池;
所述步骤S1实验过程具体为:
S11:在电池表面的预设位置及两极耳上粘附9个T型热电偶进行温度提取;
S12:将待测大尺寸层叠式电池在25℃的恒温环境中静置2h;
S13:以C/20充放电倍率对大尺寸层叠式电池进行充放电,测得该大尺寸层叠式电池的开路电压OCV与荷电状态SOC的关系曲线并确定HPPC测试中相邻测试点的SOC间隔,进行C/3的静态容量测试获取大尺寸层叠式电池在当前温度下的实际容量;
S14:进行充放电脉冲为1C的HPPC测试,试验SOC区间取10%~90%,获取当前温度下大尺寸层叠式电池的电流、电压数据;
S15:在45℃、35℃、15℃、10℃、5℃、0℃、-5℃、-10℃、-15℃下重复步骤S12~S14,记录不同温度下的电流、电压数据;
S16:分别在-15℃、25℃和45℃下进行动态工况试验,包括联邦城市循环工况FUDS、新欧洲驾驶工况NEDC和美国高速工况US06三个类实车工况,获取该大尺寸层叠式电池的电流、电压、温度和阻抗的实验数据;
S17:测取大尺寸层叠式电池在-15℃、25℃和45℃三个温度、C/3、C/2和1C三个电流倍率下的恒流放电工况数据,包括电流、电压以及各测点的温度数据;
S18:将获取的实验数据汇总并处理,形成可用的实验数据集;
所述S2具体为:
S21:分别建立该大尺寸层叠式电池的极耳集中质量热子模型和本体2-D切比雪夫-伽辽金近似电热子模型,考虑两极耳与本体间的热流交换,耦合两个子模型,建立该电池的低阶热模型;
S22:利用步骤S1中获取的实验数据,基于一阶RC模型,通过参数辨识确定大尺寸层叠式电池的内阻参数,根据Bernardi经典产热公式计算电池产热率,并考虑极耳热流在电池本体的定量分配,从而获取本体2-D切比雪夫-伽辽金近似模型的模型输入;
S23:利用步骤S1中获取的实验数据,通过参数辨识算法辨识得到低阶热模型特性参数,并结合扩展卡尔曼滤波算法设计温度估计器估计大尺寸层叠式电池的关键温度;
所述S4具体为:
S41:分别收集整理低阶热模型和神经网络模型输出的两组电池温度估计数据,并赋予初始权重值;
S42:通过集成学习算法adaboost训练两组温度估计数据权重值,得到最优权重,输出电池温度估计值。
2.根据权利要求1所述的一种基于热-神经网络耦合模型的电池温度估计方法,其特征在于:在S2中,参数辨识方法为粒子群优化算法。
3.根据权利要求1所述的一种基于热-神经网络耦合模型的电池温度估计方法,其特征在于:所述S23中,扩展卡尔曼滤波算法能替换为无迹卡尔曼滤波或H无穷滤波最优估计算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111499134.9A CN114325404B (zh) | 2021-12-09 | 2021-12-09 | 一种基于热-神经网络耦合模型的电池温度估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111499134.9A CN114325404B (zh) | 2021-12-09 | 2021-12-09 | 一种基于热-神经网络耦合模型的电池温度估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114325404A CN114325404A (zh) | 2022-04-12 |
CN114325404B true CN114325404B (zh) | 2023-09-26 |
Family
ID=81051263
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111499134.9A Active CN114325404B (zh) | 2021-12-09 | 2021-12-09 | 一种基于热-神经网络耦合模型的电池温度估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114325404B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115458143B (zh) * | 2022-09-16 | 2023-05-23 | 兰州大学 | 基于神经网络的无源植入式医疗器械射频发热评估方法 |
CN115221816B (zh) * | 2022-09-19 | 2023-03-03 | 国网浙江省电力有限公司宁波供电公司 | 确定燃料电池水管理状态操作条件组合的方法和装置 |
CN115438588B (zh) * | 2022-09-29 | 2023-05-09 | 中南大学 | 一种锂电池的温度预测方法、系统、设备及存储介质 |
CN115935635B (zh) * | 2022-11-29 | 2024-02-27 | 上海玫克生储能科技有限公司 | 基于电化学模型的锂电池路端电压计算方法、装置及介质 |
CN116304672B (zh) * | 2023-01-03 | 2024-01-05 | 广州港科大技术有限公司 | 一种基于t-SNE和BLS的锂电池热过程非线性时空预测模型以及构建方法 |
CN116734424B (zh) * | 2023-06-13 | 2023-12-22 | 青岛理工大学 | 基于rc模型和深度强化学习的室内热环境的控制方法 |
CN116736141A (zh) * | 2023-08-10 | 2023-09-12 | 锦浪科技股份有限公司 | 一种锂电池储能安全管理系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260612A (zh) * | 2015-10-26 | 2016-01-20 | 哈尔滨工业大学 | 一种电池在线温度估计方法 |
CN109143105A (zh) * | 2018-09-05 | 2019-01-04 | 上海海事大学 | 一种电动汽车锂离子电池的荷电状态计算方法 |
CN110703114A (zh) * | 2019-10-28 | 2020-01-17 | 重庆大学 | 一种基于电-热-神经网络耦合模型的动力电池soc和sot联合状态估计方法 |
CN110954831A (zh) * | 2019-12-06 | 2020-04-03 | 重庆大学 | 一种多时间尺度的方形锂电池soc和sot联合估计方法 |
CN111143974A (zh) * | 2019-12-06 | 2020-05-12 | 重庆大学 | 一种面向控制的锂电池热模型建立方法 |
CN111413618A (zh) * | 2020-03-27 | 2020-07-14 | 国联汽车动力电池研究院有限责任公司 | 一种锂离子电池的等效电路模型参数关系计算方法及系统 |
CN112622624A (zh) * | 2020-12-18 | 2021-04-09 | 华人运通(江苏)技术有限公司 | 动力电池热失控预警方法、装置、存储介质及终端设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10312699B2 (en) * | 2017-07-31 | 2019-06-04 | Robert Bosch Gmbh | Method and system for estimating battery open cell voltage, state of charge, and state of health during operation of the battery |
WO2019053557A1 (ja) * | 2017-09-14 | 2019-03-21 | 株式会社半導体エネルギー研究所 | 二次電池の異常検知システム及び二次電池の異常検出方法 |
-
2021
- 2021-12-09 CN CN202111499134.9A patent/CN114325404B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260612A (zh) * | 2015-10-26 | 2016-01-20 | 哈尔滨工业大学 | 一种电池在线温度估计方法 |
CN109143105A (zh) * | 2018-09-05 | 2019-01-04 | 上海海事大学 | 一种电动汽车锂离子电池的荷电状态计算方法 |
CN110703114A (zh) * | 2019-10-28 | 2020-01-17 | 重庆大学 | 一种基于电-热-神经网络耦合模型的动力电池soc和sot联合状态估计方法 |
CN110954831A (zh) * | 2019-12-06 | 2020-04-03 | 重庆大学 | 一种多时间尺度的方形锂电池soc和sot联合估计方法 |
CN111143974A (zh) * | 2019-12-06 | 2020-05-12 | 重庆大学 | 一种面向控制的锂电池热模型建立方法 |
CN111413618A (zh) * | 2020-03-27 | 2020-07-14 | 国联汽车动力电池研究院有限责任公司 | 一种锂离子电池的等效电路模型参数关系计算方法及系统 |
CN112622624A (zh) * | 2020-12-18 | 2021-04-09 | 华人运通(江苏)技术有限公司 | 动力电池热失控预警方法、装置、存储介质及终端设备 |
Non-Patent Citations (3)
Title |
---|
A Control-Oriented Electrothermal Model for Pouch-Type Electric Vehicle Batteries;Xiaosong Hu 等;《IEEE TRANSACTIONS ON POWER ELECTRONICS》;第36卷(第5期);5530-5544 * |
On-board monitoring of 2-D spatially-resolved temperatures in cylindrical lithium-ion batteries: Part I. Low-order thermal modelling;Robert R. Richardson 等;《Journal of Power Sources》;377-388 * |
动力型锂离子电池面向控制的热模拟与温度估计研究;刘文学;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;C035-535 * |
Also Published As
Publication number | Publication date |
---|---|
CN114325404A (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114325404B (zh) | 一种基于热-神经网络耦合模型的电池温度估计方法 | |
Liu et al. | A review of lithium-ion battery state of charge estimation based on deep learning: Directions for improvement and future trends | |
Chen et al. | SOC estimation for lithium-ion battery using the LSTM-RNN with extended input and constrained output | |
CN109143083B (zh) | 一种数据驱动的电动车辆锂离子电池析锂诊断方法 | |
Tian et al. | Lithium-ion battery health estimation with real-world data for electric vehicles | |
US11054474B2 (en) | Method and apparatus for estimating state of battery | |
Wang et al. | Real-time estimation of temperature distribution for cylindrical lithium-ion batteries under boundary cooling | |
CN110427639B (zh) | 基于双尺度流形学习的锂离子电池热过程时空建模方法 | |
Chang et al. | A probabilistic approach for prognosis of battery pack aging | |
CN108733943A (zh) | 基于双重ls-svm的锂电池热工艺时空建模方法 | |
Chen et al. | Remaining available energy prediction for lithium-ion batteries considering electrothermal effect and energy conversion efficiency | |
CN116500444B (zh) | 一种面向运行安全的电动飞行汽车电池多状态联合估计方法 | |
Chen et al. | Electrochemical-distributed thermal coupled model-based state of charge estimation for cylindrical lithium-ion batteries | |
CN115407205A (zh) | 考虑温度影响的多时间尺度soc和soh协同估计方法 | |
Lin et al. | Simultaneous and rapid estimation of state of health and state of charge for lithium-ion battery based on response characteristics of load surges | |
Zhao et al. | A state of health estimation framework based on real-world electric vehicles operating data | |
Wang et al. | Temperature state prediction for lithium-ion batteries based on improved physics informed neural networks | |
Cui et al. | Order reduction electrochemical mechanism model of lithium-ion battery based on variable parameters | |
Hu et al. | Performance evaluation strategy for battery pack of electric vehicles: Online estimation and offline evaluation | |
Huang et al. | State of health estimation of lithium-ion batteries based on fine-tuning or rebuilding transfer learning strategies combined with new features mining | |
Zhou et al. | An improved particle swarm optimization-least squares support vector machine-unscented Kalman filtering algorithm on SOC estimation of lithium-ion battery | |
Wang et al. | Identification of fractional-order equivalent circuit model of lithium-ion battery for improving estimation of state of charge | |
CN106772075B (zh) | 一种考虑温度梯度的在线电池阻抗模型优化方法 | |
CN116227650B (zh) | 一种基于正交增强型局部保持投影算法的锂电池温度分布预测模型构建方法 | |
CN110059342B (zh) | 一种锂离子电池p2d模型的参数估计方法 |
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 |