CN115879370A

CN115879370A - 一种预测和监控锂离子电池组内部温度场的方法

Info

Publication number: CN115879370A
Application number: CN202211440577.5A
Authority: CN
Inventors: 陈明彪; 宋文吉; 冯自平
Original assignee: Guangzhou Institute of Energy Conversion of CAS
Current assignee: Guangzhou Institute of Energy Conversion of CAS
Priority date: 2022-11-17
Filing date: 2022-11-17
Publication date: 2023-03-31

Abstract

本发明公开了一种预测和监控锂离子电池组内部温度场的方法，涉及锂离子电池温度预测领域，本发明通过在高精度的生热模型获得样本数据，再利用神经网络算法以及当前工况数据，预测整个电池组温度场的温度。本发明提出的预测和监控锂离子电池组内部温度场方法利用神经网络算法进而巧妙地将高精度模型庞大的计算放置在温度预测之前的阶段，可以实现在线的实时测量监控，从而利用有限的温度采集点获得高精度的全域温度数据，监控电池组或电池系统的温度变化，为紧急情况下的决策提供重要的数据支持。

Description

一种预测和监控锂离子电池组内部温度场的方法

技术领域

本发明涉及锂离子电池温度预测领域，具体涉及一种预测和监控锂离子电池组内部温度场的方法。

背景技术

在实际的锂离子电池组温度监控中，由于节约成本以及技术的限制，在电池组或电池系统中，通常是采用布置有限个温度采集点的方法，采集电池组或系统的温度。但实际上，有限个温度点根本无法展现整个电池包或电池系统的温度特征。比如锂离子电池内部(电解液、活性材料)的温度就比表面采集的温度要大，如果仅仅通过表面温度判断电池的状况，容易导致安全问题。

目前有采用温度预测的方法对电池温度进行预测和监控，比如发明专利(CN107392352B)公开了一种基于融合极限学习机的电池未来温度预测方法及系统，该方法虽然也采用数据训练和预测的方法，但是其所建立的模型是低精度的，而且所输出的数据需要真实实验数据作为输入才能获得输出，且在预测过程需要两次利用低精度模型，这降低了该方法的适用性以及精度。此外，有发明专利(申请号CN110244225A)公开一种预测动力电池放电时表面最高温度的方法，但是该方法只能预测表面温度。发明专利(申请号CN113139338A)提供了一种温度预测方法、温度预测装置，但是该发明的训练数据只是基于历史工况数据，并没有输入整个电池组温度场的样本数据，因此它只能较准确预测特定采集点下的温度，而无法准确预测整个电池组温度场。

可见，目前采用数据驱动的电池组温度监控的方法，所采用方法获得精度较低，或不能获得整个电池组温度场的数据，操作不方便，效果不理想。

我们提出了高精度生热模型，可以获得特定工况的温度变化，再利用神经网络算法进行数据训练，获得高精度的数据拟合模型，当输入当前工况后，则可以很快预测温度。

发明内容

针对现有技术中的不足，本发明提供一种预测和监控锂离子电池组内部温度场的方法，其中提出了高精度生热模型，其可以获得特定工况的温度变化，再利用神经网络算法进行数据训练，获得高精度的数据拟合模型，当输入当前工况后，则可以很快预测温度，最终实现在线的实时测量监控。

为实现上述目的，本发明可以采用以下技术方案进行：

一种预测和监控锂离子电池组内部温度场的方法，其包括如下步骤：

建立电池组生热模型，实验测量不同工况下的锂离子电池组的N个随机点位置的温度数据，并对比同一工况下指定点温度的计算值和实验值的差异，将指定点温度的计算值和实验值的差异控制在设定值以内；若差异超过设定值则继续修正电池组生热模型直到满足条件；

在具体应用场景上通过数据采集获得特定M个点的温度以及当前工况下锂离子电池组的电压、SOC、充放电倍率数据，将上述采集获得数据输入所述电池组生热模型，以获得获得不同电压、SOC、充放电倍率下的数据组；

利用神经网络算法模型对上述计算获得的数据组进行样本训练，并将当前工况下的在线测量的有限数据输入神经网络算法模型中，以预测下一个时刻的锂离子电池组的温度场，所述有限数据包括M个温度点，电池电压、SOC、充放电倍率，并根据整体温度场的分布判断电池是否处于安全或热失控的非安全状态，提前预警。

如上所述的种预测和监控锂离子电池组内部温度场的方法，进一步的，建立所述电池组生热模型的方法包括：数值计算方法、电化学-热耦合计算方法或电-热耦合计算方法的任一种或任意组合。

如上所述的种预测和监控锂离子电池组内部温度场的方法，进一步的，建立所述电池组生热模型需根据实际应用场景的模型建立。

如上所述的种预测和监控锂离子电池组内部温度场的方法，进一步的，所述锂离子电池组包括一个或多个锂离子电池。

如上所述的种预测和监控锂离子电池组内部温度场的方法，进一步的，所述在线测量的方法包括额外增加温度测量点或直接从电池管理系统调用数据。

如上所述的种预测和监控锂离子电池组内部温度场的方法，进一步的，用于温度场预测的所述神经网络算法包括神经网络算法、BP神经网络算法的任一种或任意组合。

如上所述的种预测和监控锂离子电池组内部温度场的方法，进一步的，所述计算获得的数据组是不含有实际测量的数据。

如上所述的种预测和监控锂离子电池组内部温度场的方法，进一步的，所述当前工况下的在线测量的有限数据包括电池电压、SOC、充放电倍率、健康状态、内阻的任一种或任意组合。

如上所述的种预测和监控锂离子电池组内部温度场的方法，进一步的，所述下一个时刻的锂离子电池组的温度场包括整个电池组表面以及内部的温度数据。

如上所述的种预测和监控锂离子电池组内部温度场的方法，进一步的，所述具体应用场景包括电动汽车和/或储能电站。

本发明与现有技术相比，其有益效果在于：本发明通过在高精度的生热模型获得样本数据，再利用神经网络算法以及当前工况数据，预测整个电池组温度场的温度。本发明提出的预测和监控锂离子电池组内部温度场方法利用神经网络算法进而巧妙地将高精度模型庞大的计算放置在温度预测之前的阶段，可以实现在线的实时测量监控，从而利用有限的温度采集点获得高精度的全域温度数据，监控电池组或电池系统的温度变化，为紧急情况下的决策提供重要的数据支持。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图进行简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为本发明实施例的预测和监控锂离子电池组内部温度场的方法的流程示意图。

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、完整的描述，显然，所描述的实施例仅是本申请一部分实施例，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，都属于本申请保护的范围。

实施例：

需要说明的是，本发明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，以便这里描述的本发明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，本发明实施例的术语“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。

下文中所用的词语“示例性”的意思为“用作例子、实施例或说明性”。作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

参见图1，本发明提供一种预测和监控锂离子电池组内部温度场的方法，其包括高精度数学模型建立与验证、在线数据测量以及温度场预测三个部分，具体可以包括如下步骤：

步骤101：建立电池组生热模型，实验测量不同工况下的锂离子电池组的N个随机点位置的温度数据，并对比同一工况下指定点温度的计算值和实验值的差异，将指定点温度的计算值和实验值的差异控制在设定值以内；若差异超过设定值则继续修正电池组生热模型直到满足条件。

具体的，高精度数学模型建立与验证部分是指先建立电池组生热模型，然后实验测量不同工况下的锂离子电池组的N个随机点位置的温度数据，并对比同一工况下指定点温度的计算值和实验值的差异，将指定点温度的计算值和实验值的差异控制在5％以内；若差异超过5％则继续修正电池组生热模型直到满足条件。

在某些实施例中，计算值和实验值的差异值控制量也可根据实际工程需要进行适当调整，但一般不得超过10％。

在某些实施例中，所建立的电池组生热模型包括但不限于数值计算方法、电化学-热耦合计算方法、电-热耦合计算方法，需要庞大的计算量。计算模型需要包括但不限于电池的尺寸、比热容、热导率、密度、内阻、生热速率、熵热系数、SOC、倍率以及冷却的边界条件参数。对于空气或其他流体冷却，则包括但不限于流体比热容、密度、热导率、流量、温度；对于相变材料冷却需要包括但不限于热导率、比热容、相变潜热、密度、大小、形状。

在另一些实施例中，建立电池组生热模型需根据实际应用场景的模型建立。

步骤102：在具体应用场景上通过数据采集获得特定M个点的温度以及当前工况下锂离子电池组的电压、SOC、充放电倍率数据，将上述采集获得数据输入所述电池组生热模型，以获得获得不同电压、SOC、充放电倍率下的数据组。

具体的，在线数据测量是指在具体应用场景上通过数据采集获得特定M个点的温度以及当前工况下锂离子电池组的电压、SOC、充放电倍率数据，将上述采集获得数据输入所述电池组生热模型，利用高精度数学模型计算获得不同电压、SOC、充放电倍率下的数据组。示例性的，具体应用场景可以是电动汽车，也可以是储能电站。

在某些实施例中，锂离子电池组可以是一个或多个锂离子电池。

在另一些实施例中，在线测量的方法可以是额外增加温度测量点或直接从电池管理系统调用数据。

步骤103：利用神经网络算法模型对上述计算获得的数据组进行样本训练，并将当前工况下的在线测量的有限数据输入神经网络算法模型中，以预测下一个时刻的锂离子电池组的温度场，所述有限数据包括M个温度点，电池电压、SOC、充放电倍率。

具体的，温度场预测是指先利用高精度数学模型计算获得不同电压、SOC、充放电倍率下的数据组，利用神经网络算法模型进行样本训练，其次将当前工况下的在线测量的有限数据，包括M个温度点，电池电压、SOC、充放电倍率，输入神经网络算法模型中，预测下一个时刻的电池组温度场，并根据整体温度场的分布判断电池是否处于安全或热失控的非安全状态，提前预警。示例性的，用于温度场预测的所述神经网络算法包括神经网络算法、BP神经网络算法的任一种或任意组合。

在某些实施例中，所述计算获得的数据组是不含有实际测量的数据。

在某些实施例中，当前工况下的在线测量的有限数据包括电池电压、SOC、充放电倍率、健康状态、内阻的任一种或任意组合。

另一些实施例中，下一个时刻的锂离子电池组的温度场包括整个电池组表面以及内部的温度数据。

通过在高精度的生热模型获得样本数据，再利用神经网络算法以及当前工况数据，预测整个电池组温度场的温度。该方法利用神经网络算法巧妙地将高精度模型庞大的计算放置在温度预测之前的阶段，可以实现在线的实时测量监控。这利用有限的温度采集点获得高精度的全域温度数据，监控电池组或电池系统的温度变化，为紧急情况下的决策提供重要的数据支持。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”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必须针对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一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰，都应涵盖在本发明的保护范围内。

Claims

1.一种预测和监控锂离子电池组内部温度场的方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的种预测和监控锂离子电池组内部温度场的方法，其特征在于，建立所述电池组生热模型的方法包括：数值计算方法、电化学-热耦合计算方法或电-热耦合计算方法的任一种或任意组合。

3.根据权利要求1所述的种预测和监控锂离子电池组内部温度场的方法，其特征在于，建立所述电池组生热模型需根据实际应用场景的模型建立。

4.根据权利要求1所述的种预测和监控锂离子电池组内部温度场的方法，其特征在于，所述锂离子电池组包括一个或多个锂离子电池。

5.根据权利要求1所述的种预测和监控锂离子电池组内部温度场的方法，其特征在于，所述在线测量的方法包括额外增加温度测量点或直接从电池管理系统调用数据。

6.根据权利要求1所述的种预测和监控锂离子电池组内部温度场的方法，其特征在于，用于温度场预测的所述神经网络算法包括神经网络算法、BP神经网络算法的任一种或任意组合。

7.根据权利要求1所述的种预测和监控锂离子电池组内部温度场的方法，其特征在于，所述计算获得的数据组是不含有实际测量的数据。

8.根据权利要求1所述的种预测和监控锂离子电池组内部温度场的方法，其特征在于，所述当前工况下的在线测量的有限数据包括电池电压、SOC、充放电倍率、健康状态、内阻的任一种或任意组合。

9.根据权利要求1所述的种预测和监控锂离子电池组内部温度场的方法，其特征在于，所述下一个时刻的锂离子电池组的温度场包括整个电池组表面以及内部的温度数据。

10.根据权利要求1所述的种预测和监控锂离子电池组内部温度场的方法，其特征在于，所述具体应用场景包括电动汽车和/或储能电站。