CN114520389A - 储能装置内部温度的确定方法及装置 - Google Patents
储能装置内部温度的确定方法及装置 Download PDFInfo
- Publication number
- CN114520389A CN114520389A CN202210169941.2A CN202210169941A CN114520389A CN 114520389 A CN114520389 A CN 114520389A CN 202210169941 A CN202210169941 A CN 202210169941A CN 114520389 A CN114520389 A CN 114520389A
- Authority
- CN
- China
- Prior art keywords
- storage device
- energy storage
- internal temperature
- moment
- battery
- 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
-
- 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
- H01M10/60—Heating or cooling; Temperature control
- H01M10/63—Control systems
- H01M10/633—Control systems characterised by algorithms, flow charts, software details or the like
-
- 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
- H01M10/60—Heating or cooling; Temperature control
- H01M10/63—Control systems
- H01M10/637—Control systems characterised by the use of reversible temperature-sensitive devices, e.g. NTC, PTC or bimetal devices; characterised by control of the internal current flowing through the cells, e.g. by switching
-
- 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)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Secondary Cells (AREA)
Abstract
本申请公开了一种储能装置内部温度的确定方法及装置。其中,该方法包括:获取储能装置的外部参数以及在当前时刻之前目标时间段内的已确定的储能装置内部温度,其中,储能装置包括:电池组或者电池,外部参数包括:当前时刻的外部参数和当前时刻之前目标时间段内的外部参数;根据外部参数和已确定的储能装置内部温度,得到当前时刻的储能装置内部温度。本申请解决了由于电池组或者电池封闭造成的电池组或者电池内部温度难以测量的技术问题。
Description
技术领域
本申请涉及电源测试领域,具体而言,涉及一种储能装置内部温度的确定方法及装置。
背景技术
锂离子,钠离子,磷酸铁锂等化学电池组或者电池的应用范围越来越广泛,多应用于水力、火力、风力和太阳能电站等储能系统,以及电动工具、电动自行车、电动汽车、军事装备、航空航天等多个领域。但随着化学电池组或者电池尺寸、能量密度的不断增大,其安全性也越来越成为消费者关注的重点。
锂离子等化学电池组或者电池在受到电滥用、机械滥用以及热滥用的情况下会因内部热量的积累造成高温,引发热失控,进而造成火灾爆炸事故。电池组或者电池的热失控主要在于电池和电池组内部温度。但电池和某些电池组的内部温度存在不易测量的问题。
针对上述由于电池组或者电池封闭造成的电池组或者电池内部温度难以测量的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种储能装置内部温度的确定方法及装置,以至少解决由于电池组或者电池封闭造成的电池组或者电池内部温度难以测量的技术问题。
根据本申请实施例的一个方面,提供了一种储能装置内部温度的确定方法,包括:获取储能装置的外部参数以及在当前时刻之前目标时间段内的已确定的储能装置内部温度,其中,储能装置包括:电池组或者电池,外部参数包括:当前时刻的外部参数和当前时刻之前目标时间段内的外部参数;根据外部参数和已确定的储能装置内部温度,得到当前时刻的储能装置内部温度。
可选地,根据外部参数和已确定的储能装置内部温度,得到当前时刻的储能装置内部温度,包括:将当前时刻之前目标时间段内的外部参数和已确定的储能装置内部温度输入至编码器,得到第一向量;将当前时刻的外部参数输入至第一全连接网络中,得到第二向量;将第一向量与第二向量连接,并输入至第二全连接网络,得到当前时刻的储能装置内部温度。
可选地,将当前时刻之前目标时间段内的外部参数和已确定的储能装置内部温度输入至编码器,包括:将当前时刻之前目标时间段内的外部参数和已确定的储能装置内部温度分别输入至编码器包括的不同神经网络模型。
可选地,得到当前时刻的储能装置内部温度之后,上述方法还包括:根据当前时刻的储能装置内部温度,预测得到当前时刻之后的多个时刻的储能装置内部温度。
可选地,根据当前时刻的储能装置内部温度,预测得到当前时刻之后的多个时刻的储能装置内部温度,包括:将当前时刻的储能装置内部温度和第一向量输入至解码器,得到当前时刻之后的多个时刻的储能装置内部温度。
可选地,将当前时刻的储能装置内部温度和第一向量输入至解码器,得到当前时刻之后的多个时刻的储能装置内部温度,包括:将当前时刻的储能装置内部温度和第一向量输入至解码器中的第一神经网络模型,得到第一输出向量和第一时刻的储能装置内部温度,其中,第一时刻为当前时刻之后的时刻;将第一时刻的储能装置内部温度和第一输出向量输入至解码器中的第二神经网络模型,得到第二输出向量和第二时刻的储能装置内部温度,其中,第二时刻为第一时刻之后的时刻;将第n-1时刻的储能装置内部温度和第n-1输出向量输入至解码器中的第n神经网络模型,得到第n输出向量和第n时刻的储能装置内部温度,其中,第n时刻为第n-1时刻之后的时刻。
可选地,编码器和解码器包括多个相同的神经网络模型,其中,神经网络模型包括以下之一:基于循环神经网络结构的神经网络模型、基于一维卷积结构的神经网络模型以及基于自注意力机制的神经网络模型。
可选地,获取储能装置的外部参数以及在当前时刻之前目标时间段内的已确定的储能装置内部温度之前,上述方法还包括:利用电化学模型和实验数据构建数据库,电化学模型包括如下至少之一:准二维电化学模型、单颗粒模型、三维模型以及介观尺度模型;从数据库中获取储能装置的外部参数以及已确定的储能装置内部温度。
可选地,在储能装置为电池组的情况下,外部参数包括:电池组的端电压、电池组的端电流、电池组的外壳温度、电池组包括的电池的端电压、电池组包括的电池的端电流以及环境温度;在储能装置为电池的情况下,外部参数包括:电池的端电压、电池的端电流、电池的外壳温度以及环境温度。
根据本申请实施例的另一方面,还提供了一种储能装置内部温度的确定装置,包括:获取模块,用于获取储能装置的外部参数以及在当前时刻之前目标时间段内的已确定的储能装置内部温度,其中,储能装置包括:电池组或者电池,外部参数包括:当前时刻的外部参数和当前时刻之前目标时间段内的外部参数;确定模块,用于根据外部参数和已确定的储能装置内部温度,得到当前时刻的储能装置内部温度。
根据本申请实施例的再一方面,还提供了一种非易失性存储介质,非易失性存储介质包括存储的程序,其中,在程序运行时控制非易失性存储介质所在设备执行以上的储能装置内部温度的确定方法。
根据本申请实施例的再一方面,还提供了一种处理器,处理器用于运行存储在存储器中的程序,其中,程序运行时执行以上的储能装置内部温度的确定方法。
在本申请实施例中,采用获取储能装置的外部参数以及在当前时刻之前目标时间段内的已确定的储能装置内部温度,其中,储能装置包括:电池组或者电池,外部参数包括:当前时刻的外部参数和当前时刻之前目标时间段内的外部参数;根据外部参数和已确定的储能装置内部温度,得到当前时刻的储能装置内部温度的方式,通过利用电池组或者电池的外部参数以及在当前时刻之前目标时间段内的内部温度确定电池组或者电池当前时刻的内部温度,从而实现了对电池组或者电池的热失控进行检测的技术效果,进而解决了由于电池组或者电池封闭造成的电池组或者电池内部温度难以测量技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的一种用于实现储能装置内部温度的确定方法的计算机终端(或移动设备)的硬件结构框图;
图2是根据本申请实施例的一种储能装置内部温度的确定方法的流程图;
图3是根据本申请实施例的一种可选的储能装置内部温度的确定方法的示意图;
图4是根据本申请实施例的另一种可选的储能装置内部温度的确定方法的示意图;
图5是根据本申请实施例的再一种可选的储能装置内部温度的确定方法的示意图;
图6是根据本申请实施例的一种储能装置内部温度的确定装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
目前对化学电池组或者电池高温热失控的研究多限于锂离子电池组或电池。相比于锂离子电池组或电池,其他类型的电池组或电池,如磷酸铁锂电池组或电池和钠离子电池组或电池的热失控研究还比较缺乏。对于不同材料的化学电池组或电池,其热模型具有很大的不同,没有一种通用的热模型和方法适用于所有的电化学电池组或电池。此外,针对不同物理形状的化学电池组或电池,其热失控计算方法也会有所不同。因此,本发明提出一种通用的电池组或者电池内部温度的计算方法和预测方法,对于电池组或电池的热失控的检测和预测提供了重要依据。
现在已有的电池组或电池内部温度的计算方法大多基于经验公式,其存在的问题有:
1.经验公式的准确性不高。
2.单一的经验公式无法适用于各种类型的电池组或者电池。
3.单一的经验公式无法适用于各种物理形状的电池组或者电池。
4.一般的经验公式只适用于单体电池,对于不同连接形式的电池组并不适用。
5.经验公式只能计算当前电池组或电池内部的最高温度,无法实现提前一段时间的预测。尤其对于电池组或者电池的热失控问题,计算当前的电池组或者电池内部最高温度的实际意义不大,因为当计算到临界温度时,即使采取切断电源等措施,也无法遏制热量的传递,进而发生热失控。因此,电池组或者电池内部最高温度的提前预测更具有实际意义。
另外,现有的电池组或者电池内部温度的计算方法还有基于化学能和温度场联合仿真的方法。但其需要很大的计算资源,很难做到实时的内部温度计算,并且无法预测一段时间之后的电池组或者电池内部温度。
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现储能装置内部温度的确定方法的计算机终端(或移动设备)的硬件结构框图。如图1所示,计算机终端10(或移动设备10)可以包括一个或多个(图中采用102a、102b,……,102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为BUS总线的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算机终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块,如本申请实施例中的电储能装置内部温度的确定方法对应的程序指令/数据存储装置,处理器102通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的应用程序的电池组内部温度的确定方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(LCD),该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。
根据本申请实施例,提供了一种储能装置内部温度的确定方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图2是根据本申请实施例的一种储能装置内部温度的确定方法,如图2所示,该方法包括如下步骤:
步骤S202,获取储能装置的外部参数以及在当前时刻之前目标时间段内的已确定的储能装置内部温度,其中,储能装置包括:电池组或者电池,外部参数包括:当前时刻的外部参数和当前时刻之前目标时间段内的外部参数;
需要说明的是,上述储能装置包括电池组或者单个电池(也称为电芯)。
步骤S204,根据外部参数和已确定的储能装置内部温度,得到当前时刻的储能装置内部温度。
通过上述步骤,通过利用电池组或者电池的外部参数以及在当前时刻之前目标时间段内的内部温度确定电池组或者电池当前时刻的内部温度的目的,从而实现了对电池组或者电池的热失控进行检测的技术效果。
根据本申请的一个可选的实施例,根据外部参数和已确定的储能装置内部温度,得到当前时刻的储能装置内部温度,包括:将当前时刻之前目标时间段内的外部参数和已确定的储能装置内部温度输入至编码器,得到第一向量;将当前时刻的外部参数输入至第一全连接网络中,得到第二向量;将第一向量与第二向量连接,并输入至第二全连接网络,得到当前时刻的储能装置内部温度,如图3所示。
全连接网络本质上是把所有的输入与输出连接起来的单个交换机,其环上任意两个结点间都有附加链路连接。具有吞吐量大、可靠性高、低延时的特点。这种全连接网络是一个对称的网络,当网络规模为N时,结点度为N-1,网络直径为1,链路数为N(N-1)/2。
可选地,第一向量为编码器的输出,即图3中的H,第一全连接网络为图3中的FC1,第二向量为图3中的T,第二全连接网络为图3中的FC2。向量H是上下文的语义编码向量,表征了过去时间数据中的内在范式,是神经网络训练的结果,也是计算当前电池组或者电池内部温度的重要因素。计算电池组或者电池内部温度的另一个重要因素来自于当前时刻t0的其他可测量值,例如电压,电流,电池外壳温度等。将t0时刻的其他测量值通过FC1,输出一个向量T。将编码器输出的向量H与全连接网络FC1输出的向量T通过连接函数(Concatenates,CAT)连接起来,并通过n层的全连接网络FC2,输出一个标量,即为t0时刻的电池组或者电池内部温度。因此就完成了当前时刻电池组或者电池内部温度的计算。此计算既考虑了当前t0时刻的可测量参数,也考虑了过去一段时间的电池参数。既基于当前时刻的其他可测量值也基于编码器的输出向量H,即表征过去时间数据的内在范式。神经网络的训练数据来源于仿真数据,因为仿真数据是经实验数据验证和矫正过的,所以保证了神经网络输出的准确性。
根据本申请的另一个可选的实施例,将当前时刻之前目标时间段内的外部参数和已确定的储能装置内部温度输入至编码器,包括:将当前时刻之前目标时间段内的外部参数和已确定的储能装置内部温度分别输入至编码器包括的不同神经网络模型。
通过多个神经网络模型来计算当前时刻的电池组组或者电池内部温度。针对计算当前电池组或者电池内部温度,可以将问题归结为基于时间序列的回归模型。采用时间序列模型是因为电池组或者电池当前的内部温度是和之前一段时间的电池组或者电池内部温度(温度连续不能突变)以及电池组或者电池外部参数相关的,神经网络模型的输入为一段时间的电池组或者电池外部参数,以及之前计算得到的电池组或者电池内部温度,神经网络模型的输出为当前时刻的温度值。将时间序列的电压,电流,外壳温度,以及之前计算得到的电池组或者电池内部温度等信息输入到各个神经网络模型中。对于要预测的t0时刻(当前时刻),电池组或者电池内部温度不可知,因此t0时刻的外部可测量数据,如电池组或者电池的电压,电流,外壳温度,环境温度等,也要输入到各个神经网络模型中。如图3所示,将t0时刻之前的时间序列(t(-3)时刻~t(-1)时刻)的各个参数,输入到编码器中的各个神经网络模型中。
通过神经网络模型可以实现内部温度的实时计算。根据仿真模型产生大量的数据,包括在不同条件下的电池组或者电池内部温度,电池组或者电池外部可测量温度,电池组或者电池可测量的电参数等等。因为是仿真,可以在短时间内(相比较于实验)产生大量数据,用于神经网络模型的训练。训练完成的神经网络模型可以实现电池组或者电池内部温度的实时计算。
根据本申请的一个可选的实施例,执行步骤S204得到当前时刻的储能装置内部温度之后,还需要根据当前时刻的储能装置内部温度,预测得到当前时刻之后的多个时刻的储能装置内部温度。
根据本申请的再一个可选的实施例,根据当前时刻的储能装置内部温度,预测得到当前时刻之后的多个时刻的储能装置内部温度,包括:将当前时刻的储能装置内部温度和第一向量输入至解码器,得到当前时刻之后的多个时刻的储能装置内部温度。
在本申请的一些可选的实施例中,将当前时刻的储能装置内部温度和第一向量输入至解码器,得到当前时刻之后的多个时刻的储能装置内部温度,包括:将当前时刻的储能装置内部温度和第一向量输入至解码器中的第一神经网络模型,得到第一输出向量和第一时刻的储能装置内部温度,其中,第一时刻为当前时刻之后的时刻;将第一时刻的储能装置内部温度和第一输出向量输入至解码器中的第二神经网络模型,得到第二输出向量和第二时刻的储能装置内部温度,其中,第二时刻为第一时刻之后的时刻;将第n-1时刻的储能装置内部温度和第n-1输出向量输入至解码器中的第n神经网络模型,得到第n输出向量和第n时刻的储能装置内部温度,其中,第n时刻为第n-1时刻之后的时刻,如图4所示。
可选地,输出向量为神经网络模型的隐变量输出。将计算得到的当前时刻的内部温度t0作为解码器中第一个RNN单元(LSTM)的输入,将编码器的输出H作为解码器的隐变量输入,得到一个标量,即为t1时刻的预测电池组或电池内部温度。再将t1时刻的预测内部温度作为解码器的第二个RNN单元的输入,将解码器第一个RNN单元的隐变量输出作为第二个RNN单元的隐变量输入,得到t2时刻的预测内部温度,以此类推。从而预测出来t1~tn时刻的电池组或电池内部温度。
通过神经网络模型实现了内部温度实时预测。搭建的时间序列的神经网络模型,可以根据历史数据(电池组或电池内部温度,外部可测量温度,电参数等)预测未来一段时间内的电池组或电池内部温度曲线。可以实现电池组或电池内部温度过高的实时预警。
在本申请的另一些可选的实施例中,编码器和解码器包括多个相同的神经网络模型,其中,神经网络模型包括以下之一:基于循环神经网络结构的神经网络模型、基于一维卷积结构的神经网络模型以及基于自注意力机制的神经网络模型。
常见的时间序列编码器结构分为三种:
1)基于循环神经网络的结构。循环神经网络(Recurrent Neural Network,RNN)是一类以序列数据为输入,在序列的演进方向进行递归且所有节点(循环单元)按链式连接的递归神经网络。RNN是一种对序列数据进行建模的深度模型。序列的数据不太好用原始的神经网络处理。为了解决处理序列建模的问题,RNN引入了隐态h,h可以对序列数据提取特征,通过一定的转换作为输出。循环神经网络考虑了时间维度的信息,将时间维度上的参数通过逐个节点的传递,并保留对结果重要的信息。常见的循环神经网络有长短期记忆人工神经网络(Long Short-Term Memory,LSTM),门控循环单元(GRU)等,均可以用来在本发明中作为编码器使用。其中,LSTM是一种时间循环神经网络,是为了解决一般的RNN存在的长期依赖问题而专门设计出来的。
2)基于一维卷积的神经网络。神经网络中的卷积操作可以很好地识别出数据中的有效特征。单层卷积识别出数据的简单范式,多层卷积的叠加可以将单层中的简单范式在更高级的层中生成更复杂的范式。一维卷积可以应用于时间序列的数据分析,提取数据片段中对预测结果有帮助的高级特征,作为上下文的语义编码向量。
3)基于自注意力机制的神经网络。自注意力机制是注意力机制的改进,其减少了对外部信息的依赖,更擅长捕捉输入数据的内部相关性。自注意力机制在时序数据处理中,主要是通过计算不同时刻节点的互相关系,来提取数据中对预测结果有帮助的特征。自注意力机制的神经网络因为计算的是单元节点的相互关系,因此丢失掉了位置信息。因此还需要对输入的不同时刻的数据进行位置编码,再与原数据相加。
通过编码器的神经网络模型可以计算当前时刻的电池内部温度。神经网络模型包括基于循环神经网络结构的神经网络模型、基于一维卷积结构的神经网络模型以及基于自注意力机制的神经网络模型。而解码器的神经网络模型类似于编码器的神经网络模型,同样有基于循环神经网络的结构、一维卷积结构以及基于自注意力机制的结构。图3中的编码器和图4中的解码器均以基于循环神经网络结构的神经网络模型为例。
根据本申请的一个可选的实施例,获取储能装置的外部参数以及在当前时刻之前目标时间段内的已确定的储能装置内部温度之前,上述方法还包括:利用电化学模型和实验数据构建数据库,电化学模型包括如下至少之一:准二维电化学模型、单颗粒模型、三维模型以及介观尺度模型;从数据库中获取储能装置的外部参数以及已确定的储能装置内部温度,如图5所示。
基于电池组或电池结构以及真实的实验环境,收集少量实验数据,用以验证以及矫正仿真参数的准确性,和验证整个计算和预测方法的准确性。实验中,需要测量的值包括但不限于:电池组或电池充/放电的端电压,充/放电电流,电池组或电池表面温度(可以测量到的一个或几个测点的电池组或电池表面温度),环境温度等参数,另外还需要在实验电池组或电池内部加入温度传感器,以测量得到电池组或电池内部的温度。如有实验条件,可以测试一些在高温临界点的数据,更有利于模型的校准。
电化学仿真技术是在电化学研究发展成熟的基础上建立起来的以内部机理为依据的模型,也称为电化学模型。其主要构建方式是通过对电池微观行为进行研究,明晰电池内部多现象的机理(包括电化学反应、传热、传质等)并将其数值化,通过数值方法实现对物理特征的联合计算,从而建立完整的化学电池的理论模型。其特点是仿真结果准确,但通常需要消耗大量的计算资源,通常用于电池设计,很少用于电池参数的实时计算。目前电池的电化学模型根据原理和复杂程度可以分为:准二维电化学模型、单颗粒模型、三维模型、介观尺度模型等。通过构造化学电池多物理场模型进行仿真,并不局限于某一种电化学模型。电化学模型的选择应当基于要分析的电池的结构复杂程度和要求的精确程度。例如,对于单体电池的内部温度计算,可以采用准二维电化学模型,在计算能力允许的条件下,也可以采用精度和复杂度更高的三维模型。但无论采用哪种模型,均应该保证仿真得到的值能够满足最低精度要求和最高计算资源的要求。
将在仿真软件中建立的电化学模型与仿真软件提供的电场和温度场进行联合仿真。在某一时刻可以得到跟实验一致的电池充/放电的端电压,充/放电电流,电池表面温度(可以测量到的一个或几个测点的电池表面温度),环境温度以及电池内部温度等参数。在整个电池充放电过程中,可以得到一系列的与时间相关的以上值。根据实验的测试数据,对电池的电化学参数进行调整,直到得到的仿真结果与实验数据相吻合。用仿真软件模拟电池在不同工况以及工作环境中,充放电时的以上参数值,并进行存储。尽量覆盖所有可能的工况和工作环境,包括低于临界温度和高于临界温度的模拟值。搜集形成庞大的电池数据库,用以接下来训练人工智能神经网络。利用化学电池的多物理场模型进行仿真,并利用少量的实验验证化学电池多物理场仿真的准确性。利用仿真软件构造电池模型,并运用多物理场的耦合,不仅得到化学电池的电参数,包括端电压,电流等,也可以得到电池的温度参数,包括多点的表面温度,以及内部最高温度等。
根据本申请的另一个可选的实施例,在储能装置为电池组的情况下,外部参数包括:电池组的端电压、电池组的端电流、电池组的外壳温度、电池组包括的电池的端电压、电池组包括的电池的端电流以及环境温度;在储能装置为电池的情况下,外部参数包括:电池的端电压、电池的端电流、电池的外壳温度以及环境温度。
本申请提出了一种通用的储能装置内部温度的计算方法和预测方法,解决了封闭的电池组或者电池内部温度难以计算和预测的技术问题,对于电池组或电池的热失控的检测和预测提供了重要依据。本申请不仅适用于锂离子电池组或电池,钠离子电池组或电池,磷酸铁锂电池组或电池等不同种类的化学电池组或电池,也适用于各种物理形状的化学电池组或电池,并且也适用于单体电池,以及各种封闭的,难以测量内部温度的电池组。本申请不止可以计算当前的电池组或电池内部温度,也可以预测未来一段时间的电池组或电池内部温度。此外,本申请所提供的方法不需要有大量的工程经验和数学经验,不需要推导经验公式即可完成。
图6是根据本申请实施例的一种储能装置内部温度的确定装置的结构框图,如图6所示,该装置包括:
获取模块60,用于获取储能装置的外部参数以及在当前时刻之前目标时间段内的已确定的储能装置内部温度,其中,储能装置包括:电池组或者电池,外部参数包括:当前时刻的外部参数和当前时刻之前目标时间段内的外部参数;
确定模块62,用于根据外部参数和已确定的储能装置内部温度,得到当前时刻的储能装置内部温度。
需要说明的是图6所示实施例的优选实施方式可以参见图2所示实施例的相关描述,此处不再赘述。
本申请基于神经网络模型,将结构复杂、计算量大的电化学模型转换成结构简单,计算量小的神经网络模型,具有运算速度快的优点,可以用于在线计算和预测电池组或者电池内部温度。
根据本申请实施例的再一方面,还提供了一种非易失性存储介质,非易失性存储介质包括存储的程序,其中,在程序运行时控制非易失性存储介质所在设备执行以上的储能装置内部温度的确定方法。
上述非易失性存储介质用于存储执行以下功能的程序:获取储能装置的外部参数以及在当前时刻之前目标时间段内的已确定的储能装置内部温度,其中,储能装置包括:电池组或者电池,外部参数包括:当前时刻的外部参数和当前时刻之前目标时间段内的外部参数;根据外部参数和已确定的储能装置内部温度,得到当前时刻的储能装置内部温度。
本申请实施例还提供了一种处理器,处理器用于运行存储在存储器中的程序,其中,程序运行时执行以上的储能装置内部温度的确定方法。
上述处理器用于运行执行以下功能的程序:获取储能装置的外部参数以及在当前时刻之前目标时间段内的已确定的储能装置内部温度,其中,储能装置包括:电池组或者电池,外部参数包括:当前时刻的外部参数和当前时刻之前目标时间段内的外部参数;根据外部参数和已确定的储能装置内部温度,得到当前时刻的储能装置内部温度。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,可以为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以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取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对相关技术做出贡献的部分或者该技术方案的全部或部分可以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(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (12)
1.一种储能装置内部温度的确定方法,其特征在于,包括:
获取储能装置的外部参数以及在当前时刻之前目标时间段内的已确定的储能装置内部温度,其中,所述储能装置包括:电池组或者电池,所述外部参数包括:所述当前时刻的外部参数和所述当前时刻之前目标时间段内的外部参数;
根据所述外部参数和所述已确定的储能装置内部温度,得到所述当前时刻的储能装置内部温度。
2.根据权利要求1所述的方法,其特征在于,根据所述外部参数和所述已确定的储能装置内部温度,得到所述当前时刻的储能装置内部温度,包括:
将所述当前时刻之前目标时间段内的外部参数和所述已确定的储能装置内部温度输入至编码器,得到第一向量;
将所述当前时刻的外部参数输入至第一全连接网络中,得到第二向量;
将所述第一向量与所述第二向量连接,并输入至第二全连接网络,得到所述当前时刻的储能装置内部温度。
3.根据权利要求2所述的方法,其特征在于,将所述当前时刻之前目标时间段内的外部参数和所述已确定的储能装置内部温度输入至编码器,包括:
将所述当前时刻之前目标时间段内的外部参数和所述已确定的储能装置内部温度分别输入至所述编码器包括的不同神经网络模型。
4.根据权利要求2所述的方法,其特征在于,得到所述当前时刻的储能装置内部温度之后,所述方法还包括:
根据所述当前时刻的储能装置内部温度,预测得到所述当前时刻之后的多个时刻的储能装置内部温度。
5.根据权利要求4所述的方法,其特征在于,根据所述当前时刻的储能装置内部温度,预测得到所述当前时刻之后的多个时刻的储能装置内部温度,包括:
将所述当前时刻的储能装置内部温度和所述第一向量输入至解码器,得到所述当前时刻之后的多个时刻的储能装置内部温度。
6.根据权利要求5所述的方法,其特征在于,将所述当前时刻的储能装置内部温度和所述第一向量输入至解码器,得到所述当前时刻之后的多个时刻的储能装置内部温度,包括:
将所述当前时刻的储能装置内部温度和所述第一向量输入至所述解码器中的第一神经网络模型,得到第一输出向量和第一时刻的储能装置内部温度,其中,所述第一时刻为所述当前时刻之后的时刻;
将所述第一时刻的储能装置内部温度和所述第一输出向量输入至所述解码器中的第二神经网络模型,得到第二输出向量和第二时刻的储能装置内部温度,其中,所述第二时刻为所述第一时刻之后的时刻;
将第n-1时刻的储能装置内部温度和第n-1输出向量输入至所述解码器中的第n神经网络模型,得到第n输出向量和第n时刻的储能装置内部温度,其中,所述第n时刻为所述第n-1时刻之后的时刻。
7.根据权利要求5所述的方法,其特征在于,所述编码器和所述解码器包括多个相同的神经网络模型,其中,所述神经网络模型包括以下之一:基于循环神经网络结构的神经网络模型、基于一维卷积结构的神经网络模型以及基于自注意力机制的神经网络模型。
8.根据权利要求1所述的方法,其特征在于,
获取储能装置的外部参数以及在当前时刻之前目标时间段内的已确定的储能装置内部温度之前,所述方法还包括:利用电化学模型和实验数据构建数据库,所述电化学模型包括如下至少之一:准二维电化学模型、单颗粒模型、三维模型以及介观尺度模型;
从所述数据库中获取所述储能装置的外部参数以及所述已确定的储能装置内部温度。
9.根据权利要求1所述的方法,其特征在于,
在所述储能装置为所述电池组的情况下,所述外部参数包括:所述电池组的端电压、所述电池组的端电流、所述电池组的外壳温度、所述电池组包括的电池的端电压、所述电池组包括的电池的端电流以及环境温度;
在所述储能装置为所述电池的情况下,所述外部参数包括:所述电池的端电压、所述电池的端电流、所述电池的外壳温度以及环境温度。
10.一种储能装置内部温度的确定装置,其特征在于,包括:
获取模块,用于获取储能装置的外部参数以及在当前时刻之前目标时间段内的已确定的储能装置内部温度,其中,所述储能装置包括:电池组或者电池,所述外部参数包括:所述当前时刻的外部参数和所述当前时刻之前目标时间段内的外部参数;
确定模块,用于根据所述外部参数和所述已确定的储能装置内部温度,得到所述当前时刻的储能装置内部温度。
11.一种非易失性存储介质,其特征在于,所述非易失性存储介质包括存储的程序,其中,在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至9中任意一项所述的储能装置内部温度的确定方法。
12.一种处理器,其特征在于,所述处理器用于运行存储在存储器中的程序,其中,所述程序运行时执行权利要求1至9中任意一项所述的储能装置内部温度的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210169941.2A CN114520389A (zh) | 2022-02-23 | 2022-02-23 | 储能装置内部温度的确定方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210169941.2A CN114520389A (zh) | 2022-02-23 | 2022-02-23 | 储能装置内部温度的确定方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114520389A true CN114520389A (zh) | 2022-05-20 |
Family
ID=81598433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210169941.2A Pending CN114520389A (zh) | 2022-02-23 | 2022-02-23 | 储能装置内部温度的确定方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114520389A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115845315A (zh) * | 2022-12-15 | 2023-03-28 | 上海纳米技术及应用国家工程研究中心有限公司 | 一种神经网络辅助的水成膜灭火剂低温预警装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104865534A (zh) * | 2015-04-29 | 2015-08-26 | 同济大学 | 一种单体电池内部温度估计方法 |
CN108474823A (zh) * | 2016-11-24 | 2018-08-31 | 华为技术有限公司 | 一种估算温度的方法及装置 |
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 |
CN113484770A (zh) * | 2021-06-10 | 2021-10-08 | 广东恒翼能科技有限公司 | 基于充放电数据在线测算电池内部核心温度的方法及系统 |
CN113835031A (zh) * | 2020-06-04 | 2021-12-24 | 蜂巢能源科技有限公司 | 信息处理方法、装置、电子设备和存储介质 |
CN113962154A (zh) * | 2021-10-22 | 2022-01-21 | 山东大学 | 一种基于迁移学习的锂电池核温评估方法及系统 |
-
2022
- 2022-02-23 CN CN202210169941.2A patent/CN114520389A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104865534A (zh) * | 2015-04-29 | 2015-08-26 | 同济大学 | 一种单体电池内部温度估计方法 |
CN108474823A (zh) * | 2016-11-24 | 2018-08-31 | 华为技术有限公司 | 一种估算温度的方法及装置 |
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 |
CN113835031A (zh) * | 2020-06-04 | 2021-12-24 | 蜂巢能源科技有限公司 | 信息处理方法、装置、电子设备和存储介质 |
CN113484770A (zh) * | 2021-06-10 | 2021-10-08 | 广东恒翼能科技有限公司 | 基于充放电数据在线测算电池内部核心温度的方法及系统 |
CN113962154A (zh) * | 2021-10-22 | 2022-01-21 | 山东大学 | 一种基于迁移学习的锂电池核温评估方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115845315A (zh) * | 2022-12-15 | 2023-03-28 | 上海纳米技术及应用国家工程研究中心有限公司 | 一种神经网络辅助的水成膜灭火剂低温预警装置 |
CN115845315B (zh) * | 2022-12-15 | 2024-04-26 | 上海纳米技术及应用国家工程研究中心有限公司 | 一种神经网络辅助的水成膜灭火剂低温预警装置 |
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 | |
Xu et al. | Remaining useful life prediction of lithium-ion batteries based on wiener process under time-varying temperature condition | |
Liu et al. | Towards long lifetime battery: AI-based manufacturing and management | |
Xiong et al. | An electrochemical model based degradation state identification method of Lithium-ion battery for all-climate electric vehicles application | |
Ding et al. | An improved Thevenin model of lithium-ion battery with high accuracy for electric vehicles | |
CN111157897B (zh) | 评估动力电池的方法、装置、存储介质及处理器 | |
Wang et al. | Application of digital twin in smart battery management systems | |
Zhao et al. | Lithium-ion batteries state of charge prediction of electric vehicles using RNNs-CNNs neural networks | |
Bockrath et al. | State of health estimation of lithium-ion batteries with a temporal convolutional neural network using partial load profiles | |
CN105137358B (zh) | 基于大数据自学习机制的动力电池的soc/soh预测方法 | |
Yu et al. | State of charge estimation method by using a simplified electrochemical model in deep learning framework for lithium-ion batteries | |
CN110534823A (zh) | 一种动力电池均衡管理系统及方法 | |
Sun et al. | Adaptive evolution enhanced physics-informed neural networks for time-variant health prognosis of lithium-ion batteries | |
CN113702855A (zh) | 一种基于多物理场仿真与神经网络的锂电池组健康状态在线预测方法 | |
CN114520389A (zh) | 储能装置内部温度的确定方法及装置 | |
Wu et al. | A lithium-ion battery fractional order state space model and its time domain system identification | |
Garg et al. | Reconfigurable battery systems: Challenges and safety solutions using intelligent system framework based on digital twins | |
Cao et al. | A flexible battery capacity estimation method based on partial voltage curves and polynomial fitting | |
CN115114843A (zh) | 一种电池容量的预测方法、相关装置、设备以及存储介质 | |
Cui et al. | Ultra-early prediction of lithium-ion battery performance using mechanism and data-driven fusion model | |
Lu et al. | A novel method of prediction for capacity and remaining useful life of lithium-ion battery based on multi-time scale Weibull accelerated failure time regression | |
Huang et al. | A multi-variable multi-step Seq2seq networks for the state of charge estimation of lithium-ion battery | |
Li et al. | Synthetic thermal convolutional‐memory network for the lithium‐ion battery behaviour diagnosis against noise interruptions | |
Chen et al. | A simplified extension of physics-based single particle model for dynamic discharge current | |
CN107544033A (zh) | 一种锂离子电池剩余使用寿命数模融合预测方法 |
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 |