CN116500449A - 电芯温度预测方法、装置、存储介质及电子设备 - Google Patents

电芯温度预测方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN116500449A
CN116500449A CN202310486659.1A CN202310486659A CN116500449A CN 116500449 A CN116500449 A CN 116500449A CN 202310486659 A CN202310486659 A CN 202310486659A CN 116500449 A CN116500449 A CN 116500449A
Authority
CN
China
Prior art keywords
temperature
lithium battery
model
battery
temperature prediction
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
Application number
CN202310486659.1A
Other languages
English (en)
Inventor
李倩
魏琼
严晓
赵恩海
顾单飞
江铭臣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai MS Energy Storage Technology Co Ltd
Original Assignee
Shanghai MS Energy Storage Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai MS Energy Storage Technology Co Ltd filed Critical Shanghai MS Energy Storage Technology Co Ltd
Priority to CN202310486659.1A priority Critical patent/CN116500449A/zh
Publication of CN116500449A publication Critical patent/CN116500449A/zh
Pending legal-status Critical Current

Links

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]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
    • G01K13/00—Thermometers specially adapted for specific purposes
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

本申请提供一种电芯温度预测方法、装置、存储介质及电子设备。所述方法包括：获取输入参数，所述输入参数包括时间、锂电池的电池电流、电池电压和开路电压；利用温度预测模型对所述输入参数进行处理以获取锂电池的电芯温度，其中，所述温度预测模型为物理信息神经网络，其中嵌入有锂电池的内部温度物理模型。所述方法能够提高电池温度预测的效率和准确性。

Description

电芯温度预测方法、装置、存储介质及电子设备
技术领域
本申请属于供电技术领域，涉及一种温度预测方法，特别是涉及一种电芯温度预测方法、装置、存储介质及电子设备。
背景技术
锂电池是一种高能量密度的电池，逐渐成为了新能源汽车和储能领域的主要选择之一。相比于传统的铅酸电池和镍氢电池，锂电池具有更高的能量密度、更长的使用寿命和更低的自放电率。锂电池可以应用于新能源汽车、移动设备、储能系统等领域，对于推动可持续发展和节能环保具有重要意义。
在新能源汽车领域，锂电池是最主要的动力源之一。随着电动汽车市场的不断扩大，锂电池的技术水平和产业规模也在不断提高。锂电池的高能量密度可以提供更长的续航里程，而且充电速度也越来越快，可以满足消费者的需求。
在储能领域，锂电池的应用也越来越广泛。随着可再生能源的快速发展，储能系统需要具有高能量密度、高效率和高可靠性等特点。锂电池可以提供比传统的铅酸电池更高的能量密度和更长的寿命，可以满足储能系统对于高性能电池的需求。
在使用过程中，锂电池可能出现内部温度过高而导致电解液挥发、正负极活性物质的分解、膨胀和热失控等问题，进而引发电池的性能退化、损坏甚至爆炸等严重后果。因此，及时获取锂电池的电芯温度具有重要意义。现有技术中，通常基于电池内部物理特性和热传递方程式，利用传热学原理建立数学模型，并通过计算机模拟或实验验证等方法预测锂电池的电芯温度。然而，此种方式需要大量的物理参数和模型假设，效率较低。
发明内容
本申请实施例提供一种电芯温度预测方法、装置、存储介质及电子设备，用于解决现有技术效率过低的问题。
第一方面，本申请实施例提供一种一种锂电池电芯温度预测方法，所述方法包括：获取输入参数，所述输入参数包括时间、锂电池的电池电流、电池电压和开路电压；利用温度预测模型对所述输入参数进行处理以获取锂电池的电芯温度，其中，所述温度预测模型为物理信息神经网络，其中嵌入有锂电池的内部温度物理模型。
在所述第一方面的一种实现方式中，所述温度预测模型在训练中所采用的损失函数包括回归问题导致的第一损失函数项、与所述电池内部温度物理模型相关的第二损失函数项以及与初始条件相关的第三损失函数项。
在所述第一方面的一种实现方式中，所述损失函数Loss通过下式表示：
Loss＝Lossr+α×Lossf+β×Lossinitial，
Lossinitial＝|f(t＝0)-Tamb|2，
其中，α和β为自适应系数，是所述温度预测模型预测的温度，Ti为真实温度，N是训练数据的数量，f是所述内部温度物理模型，Tamb是环境温度。
在所述第一方面的一种实现方式中，所述内部温度物理模型由所述锂电池的集总电容热模型和不可逆发热模型确定。
在所述第一方面的一种实现方式中，所述内部温度物理模型f通过下式表示：
其中，λ1和λ2是热方程的系数，I为所述电池电流，V为所述电池电压，Vcov是所述开路电压，Tamb是环境温度，T是所述锂电池的电芯温度，t是时间。
在所述第一方面的一种实现方式中，所述温度预测模型的激活函数ELU(x)通过下式表示：
第二方面，本申请实施例提供一种锂电池电芯温度预测装置，所述装置包括：输入参数获取模块，用于获取输入参数，所述输入参数包括时间、锂电池的电池电流、电池电压和开路电压；电芯温度预测模块，用于利用温度预测模型对所述输入参数进行处理以获取锂电池的电芯温度，其中，所述温度预测模型为物理信息神经网络，其中嵌入有锂电池的内部温度物理模型。
在所述第二方面的一种实现方式中，所述内部温度物理模型由所述锂电池的集总电容热模型和不可逆发热模型确定。
第三方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本申请第一方面中任一项所述的方法。
第四方面，本申请实施例提供一种电子设备，所述电子设备包括：存储器，存储有一计算机程序；处理器，与所述存储器通信相连，调用所述计算机程序时执行本申请第一方面中任一项所述的方法。
本申请实施例提供的锂电池电芯温度预测方法，能够利用温度预测模型对输入参数进行处理来得到锂电池的电芯温度。在应用中，只需要获取输入参数并将其输入至温度预测模型即可得到锂电池的电芯温度。该过程无需大量的物理参数和模型假设，计算量较少，且具有很高的效率。
此外，本申请实施例提供的锂电池电芯温度预测方法将锂电池的内部温度物理模型嵌入神经网络中，此种方式得到的预测结果具有更高的预测精度。
附图说明
图1A显示为本申请实施例所述电芯温度预测方法的一种应用场景示意图。
图1B显示为本申请实施例中神经网络处理器的结构示意图。
图2显示为本申请实施例所述电芯温度预测方法的流程图。
图3显示为本申请实施例所述电芯温度预测装置的结构示意图。
图4显示为本申请实施例所述电子设备的结构示意图。
元件标号说明
1 电子设备
11 通用处理器
111 中央处理器
112 神经网络处理器
12 显示器
13 存储器
31 输入参数获取模块
32 电芯温度预测模块
4 电子设备
41 存储器
42 处理器
43 显示器
S21～S22 步骤
具体实施方式
以下通过特定的具体实例说明本申请的实施方式，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申请的其他优点与功效。本申请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，在没有背离本申请的精神下进行各种修饰或改变。需说明的是，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。
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申请的基本构想，遂图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
在使用过程中，锂电池可能出现内部温度过高而导致电解液挥发、正负极活性物质的分解、膨胀和热失控等问题，进而引发电池的性能退化、损坏甚至爆炸等严重后果。因此，及时获取锂电池的电芯温度具有重要意义。
在一些技术方案中采用物理模型法来获取电池的电芯温度。具体地，这些技术方案会基于电池内部物理特性和热传递方程式，利用传热学原理建立数学模型，并通过计算机模拟或实验验证等方法预测锂电池的电芯温度。然而，此种方式需要大量的物理参数和模型假设，效率较低。
在另一些技术方案中利用统计模型法来获取电池的电芯温度。具体地，这些技术方案会利用数据分析和建模技术，对电池内部温度数据进行处理和分析，构建回归模型、时间序列模型等，并通过模型拟合和预测的方法预测电池内部温度。然而，此种方式对数据质量和数量要求较高，且预测精度有限。
至少针对上述问题，本申请实施例提供一种电芯温度预测方法。该方法能够利用温度预测模型对输入参数进行处理来得到锂电池的电芯温度。在应用中，只需要获取输入参数并将其输入至温度预测模型即可得到锂电池的电芯温度。该过程无需大量的物理参数和模型假设，计算量较少，且具有很高的效率。
此外，本申请实施例提供的锂电池电芯温度预测方法将锂电池的内部温度物理模型嵌入神经网络中，此种方式得到的预测结果具有更高的预测精度。
本申请实施例提供的电池电芯温度预测方法能够应用于电子设备。本申请实施例所述的电子设备可以包括平板电脑、笔记本电脑、超级移动个人计算机(Ultra-MobilePersonal Computer，UMPC)、上网本、个人数字助理(Personal Digital Assistant，PDA)等终端设备，但并不以此为限。图1A显示为本申请实施例中一种电子设备1的结构示意图。如图1A所示，本申请实施例提供的电子设备1包括至少一个通用处理器11、显示器12和存储器13。
通用处理器11可以是能够处理电子指令的任何类型的装置。本申请实施例中电子设备1可包括一个或者多个通用处理器11，例如包括中央处理器(Central ProcessingUnit，CPU)111和神经网络处理器(Neural-network Processing Unit，NPU)112中的一个或两个。此外，还可以包括图形处理器(Graphics Processing Unit，GPU)、微处理器、微控制器、主处理器、控制器以及ASIC(Application Specific Integrated Circuit，专用集成电路)等中的一个或多个。通用处理器11被配置为执行各种类型的数字存储指令，例如存储在存储器13中的软件或者固件程序，它能使电子设备1提供多种服务。例如，处理器11能够执行程序或者处理数据，以执行本申请实施例提供的锂电池电芯温度预测方法的至少一部分。
中央处理器111的功能主要是解析计算机指令以及处理计算机软件中的数据，实现对电子设备1整体上的控制，对电子设备1的所有硬件资源(如存储资源、通信资源、I/0接口等)进行控制调配。
神经网络处理器是基于神经网络算法与加速的新型处理器总称，专门为人工智能而设计，用于加速神经网络的运算，解决传统芯片在神经网络运算时效率低下的问题。
需要说明的是，神经网络处理器的名称并不构成对本申请的限定，例如在其他应用场景中，神经网络处理器也可以变形、替换为其他类似功能的处理器，例如张量处理器(Tensor Processing Unit，TPU)，深度学习处理器(Deep learning Processing Unit，DPU)，等等。
图1B显示为本申请实施例中神经网络处理器112的一种结果示意图。该神经网络处理器112可作为协处理器挂载到主CPU上，由主CPU分配任务。神经网络处理器112的核心部分为运算电路，通过控制器控制运算电路提取存储器中的矩阵数据并进行乘法运算。
在一些可能的实现中，运算电路内部包括多个处理单元(process engine，PE)。在另一些可能的实现方式中，运算电路可以是二维脉动阵列。在又一些实现方式中，运算电路还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。
向量计算单元可以对运算电路的输出做进一步处理，如向量乘，向量加，指数运算，对数运算，大小比较等等。例如，向量计算单元可以用于神经网络中非卷积/非全连接层的网络计算，如池化(pooling)，批归一化(batch normalization)，局部响应归一化(localresponse normalization)等。
统一存储器用于存放输入数据以及输出数据。权重数据直接通过存储单元访问控制器(direct memory access controller，DMAC)将外部存储器中的输入数据存入到输入存储器和/或统一存储器，将外部存储器中的权重数据存入权重存储器，以及将统一存储器中的数据存入外部存储器。
总线接口单元用于通过总线实现主CPU、DMAC和取指存储器之间进行交互。
与控制器连接的取指存储器(instruction fetch buffer)用于存储控制器使用的指令。控制器用于调用取指存储器中缓存的指令，实现控制该运算加速器的工作过程。
显示器12具体可包括显示屏(显示面板)。在一些实现方式中，可以采用液晶显示器(Liquid Crystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode，OLED)等形式来配置显示面板。此外，显示器12还可以是触控面板(触摸屏、触控屏)，触控面板可包括显示屏和触敏表面。当触敏表面检测到在其上或附近的触摸操作后，传送给中央处理器111以确定触摸事件的类型，随后中央处理器111根据触摸事件的类型在显示装置上提供相应的视觉输出。
存储器13可以包括易失性存储器(Volatile Memory)，例如随机存取存储器(Random Access Memory，RAM)、高速缓存cache。存储器13也可以包括非易失性存储器(Non-Volatile Memory)，例如只读存储器(Read-Only Memory，ROM)、快闪存储器(FlashMemory)、硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-State Drive，SSD)。存储器13可用于存储图像采集装置11所采集的图像等数据。存储器13还可用于存储程序指令，以供处理器调用并执行本申请描述的锂电池电芯温度预测方法的至少一部分。
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详细描述。
图2显示为本申请实施例提供的锂电池电芯温度预测方法的流程图。如图2所示，本申请实施例提供的锂电池电芯温度预测方法包括以下步骤S21和S22。
S21获取输入参数。其中，输入参数可以包括时间、锂电池的电池电流、电池电压和开路电压。锂电池的开路电压是指在不外接负载时，锂电池正负极之间的电势差。
S22，利用温度预测模型对输入参数进行处理以获取锂电池的电芯温度。温度预测模型为物理信息神经网络，其中嵌入有锂电池的内部温度物理模型。
在一些可能的实现方式中，温度预测模型包含输入层，物理层，隐藏层和输出层。输入层用于将输入参数输入网络中进行处理。物理层用于引入内部温度物理模型并将其嵌入到网络中，以对问题进行物理建模。隐藏层包含多个神经元，用于对输入数据进行转换和特征提取。输出层用于将隐藏层输出的结果映射到输出变量，即映射得到电芯温度。在这些实现方式中，温度预测模型被用来近似未知的物理过程(也即，电池发热过程)，无需显式地离散化偏微分方程或者求解数值上的微分方程。
根据以上描述可知，本申请实施例提供的锂电池电芯温度预测方法，能够利用温度预测模型对输入参数进行处理来得到锂电池的电芯温度。在应用中，只需要获取输入参数并将其输入至温度预测模型即可得到锂电池的电芯温度。该过程无需大量的物理参数和模型假设，计算量较少，且具有很高的效率。
此外，本申请实施例提供的锂电池电芯温度预测方法将锂电池的内部温度物理模型嵌入神经网络中，此种方式融合了物理学规律和数据驱动的学习，由此得到的预测结果具有更高的预测精度。
于本申请的一实施例中，温度预测模型在训练中所采用的损失函数包括回归问题导致的第一损失函数项、与电池内部温度物理模型相关的第二损失函数项以及与初始条件相关的第三损失函数项。
于本申请的一实施例中，损失函数Loss通过下式1至4得到。
Loss＝Lossr+α×Lossf+β×Lossinitial，式1。
Lossinitial＝|f(t＝0)-Tamb|2，式4。
其中，Lossr为回归问题导致的第一损失函数项，Lossf为与电池内部温度物理模型相关的第二损失函数项，Lossinitial为与初始条件相关的第三损失函数项。α和β为自适应系数，是第i个训练数据对应的温度预测模型预测的温度，Ti为真实温度，N是训练数据的数量，f是所述内部温度物理模型，Tamb是环境温度。
在一些可能的实现方式中，α和β可以采用以下式5至式8得到。
其中，δ为超参数，其数值可以根据实际需求进行配置。在一些实施例中，超参数δ的数值可以配置为0.9，但本申请并不以此为限。αprevious和分别为上一轮训练过程中的α和/>βprevious和/>分别为上一轮训练过程中的β和/>
于本申请的一实施例中，锂电池的内部温度物理模型由锂电池的集总电容热模型和不可逆发热模型确定。
锂电池的集总电容热模型用于描述锂电池在充放电过程中的热行为。集总电容热模型中，每个子系统都表示锂电池的一个部分，例如电极、电解质、散热系统等等。每个子系统都由一个电容和一个热容来表示。电容表示该子系统的电能储存能力，而热容则表示该子系统的热能储存能力。在充放电过程中，电池内部会产生一定的热量，通过热传导被传递到各个子系统中。于本申请实施例中，锂电池的集总电容模型可以采用以下式9表示。
其中，m是锂电池的电池质量，Cp是锂电池的热容，T是锂电池的温度，t是时间，是锂电池运行时产生的热量，h是凸面热系数，Tamb是环境温度，A是电极板面积。
对于锂电池而言，不可逆加热是其最大的热源。锂电池的不可逆发热模型可以通过以下
式10表示。
其中，V是锂电池的电池电压，VOCV是锂电池的开路电压,I是电池电流。在一些实现方式中I可以是锂电池测试期间施加的电流。
于本申请的一实施例中，内部温度物理模型f可以通过以下式11表示。
其中，λ1和λ2是热方程的系数，I为电池电流，V为电池电压，Vcov是开路电压，Tamb是环境温度，T是锂电池的电芯温度，t是时间。该内部温度物理模型f可以作为物理约束直接被嵌入至温度预测模型中。
于本申请的一实施例中，温度预测模型的激活函数ELU(x)可以通过以下式12表示。
式12所示的激活函数能够引入非线性特征，从而使得温度预测模型能够更好地拟合输入参数与电芯温度之间的复杂函数关系。
于本申请的一实施例中，温度预测模型的网络架构使用多层感知器(MultilayerPerceptron，MLP)。多层感知器由输入层、隐藏层和输出层组成，其中输入层用于接收输入数据，输出层用于输出电芯温度的预测结果，中间的隐藏层用于学习特征表示。每个神经元接收上一层中所有神经元的输出作为输入，通过加权求和和激活函数的作用，生成当前神经元的输出，然后将输出传递到下一层。在训练过程中，可以使用反向传播算法计算梯度并更新网络参数，使得模型的预测结果更加准确。
于本申请的一实施例中，电池电芯温度预测方法还可以包括：对输入参数进行预处理。对输入参数进行的预处理，包括但不限于数据清洗、数据归一化或者标准化、特征选择或降维、数据增强、数据划分等。通过预处理能够保证数据的质量和完整性。
本申请实施例所述的锂电池电芯温度预测方法的保护范围不限于本实施例列举的步骤执行顺序，凡是根据本申请的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本申请的保护范围内。
本申请实施例还提供一种锂电池电芯温度预测装置。所述锂电池电芯温度预测装置可以实现本申请所述的锂电池电芯温度预测方法，但本申请所述的锂电池电芯温度预测方法的实现装置包括但不限于本实施例列举的锂电池电芯温度预测装置的结构，凡是根据本申请的原理所做的现有技术的结构变形和替换，都包括在本申请的保护范围内。
图3显示为本申请实施例中锂电池电芯温度预测装置3的结构示意图。如图3所示，本申请实施例提供的锂电池电芯温度预测装置3包括输入参数获取模块31和电芯温度预测模块32。其中，输入参数获取模块31用于获取输入参数，该输入参数包括时间、锂电池的电池电流、电池电压和开路电压。电芯温度预测模块32用于利用温度预测模型对输入参数进行处理以获取锂电池的电芯温度，其中，温度预测模型为物理信息神经网络，其中嵌入有锂电池的内部温度物理模型。
需要说明的是，电芯温度预测装置3中的输入参数获取模块31和电芯温度预测模块32分别与图2所示电芯温度预测方法中的步骤S21和S22相对应，此处不做过多赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置或方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅是示意性的，例如，模块/单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或单元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，装置或模块或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的模块/单元可以是或者也可以不是物理上分开的，作为模块/单元显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块/单元来实现本申请实施例的目的。例如，在本申请各个实施例中的各功能模块/单元可以集成在一个处理模块中，也可以是各个模块/单元单独物理存在，也可以两个或两个以上模块/单元集成在一个模块/单元中。
本领域普通技术人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序。该计算机程序被处理器执行时实现本申请任一实施例所述的锂电池电芯温度预测方法。
本领域普通技术人员可以理解实现上述实施例的方法中的全部或部分步骤是可以通过程序来指令处理器完成，所述的程序可以存储于计算机可读存储介质中，所述存储介质是非短暂性(non-transitory)介质，例如随机存取存储器，只读存储器，快闪存储器，硬盘，固态硬盘，磁带(magnetic tape)，软盘(floppy disk)，光盘(optical disc)及其任意组合。上述存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc，DVD))、或者半导体介质(例如固态硬盘(solid state disk，SSD))等。
本申请实施例还提供一种电子设备。图4显示为本申请实施例提供的电子设备4的结构示意图。如图4所示，本申请实施例提供的电子设备4包括存储器41和处理器42。存储器41存储有一计算机程序。处理器42与存储器41通信相连，调用所述计算机程序时执行本申请任一实施例提供的锂电池电芯温度预测方法。
在一些可能的实现方式中，电子设备4还可以包括显示器43。显示器43与存储器41和处理器42通信相连，用于显示锂电池电芯温度预测方法的相关图形用户界面(GraphicalUser Interface，GUI)。
上述各个附图对应的流程或结构的描述各有侧重，某个流程或结构中没有详述的部分，可以参见其他流程或结构的相关描述。
综上所述，本申请实施例提供的电芯温度预测方法，能够利用温度预测模型对输入参数进行处理来得到锂电池的电芯温度。在应用中，只需要获取输入参数并将其输入至温度预测模型即可得到锂电池的电芯温度。该过程无需大量的物理参数和模型假设，计算量较少，且具有很高的效率。此外，本申请实施例提供的锂电池电芯温度预测方法将锂电池的内部温度物理模型嵌入神经网络中，此种方式得到的预测结果具有更高的预测精度。因此，本申请有效克服了现有技术中的种种缺点而具高度产业利用价值。
上述实施例仅例示性说明本申请的原理及其功效，而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本申请的权利要求所涵盖。

Claims (10)

1.一种锂电池电芯温度预测方法，其特征在于，所述方法包括：
获取输入参数，所述输入参数包括时间、锂电池的电池电流、电池电压和开路电压；
利用温度预测模型对所述输入参数进行处理以获取锂电池的电芯温度，其中，所述温度预测模型为物理信息神经网络，其中嵌入有锂电池的内部温度物理模型。
2.根据权利要求1所述的方法，其特征在于，所述温度预测模型在训练中所采用的损失函数包括回归问题导致的第一损失函数项、与所述电池内部温度物理模型相关的第二损失函数项以及与初始条件相关的第三损失函数项。
3.根据权利要求2所述的方法，其特征在于，所述损失函数Loss通过下式表示：
Loss＝Lossr+α×Lossf+β×Lossinitial，
Lossinitial＝|f(t＝0)-Tamb|2，
其中，α和β为自适应系数，Tp i re是所述温度预测模型预测的温度，Ti为真实温度，N是训练数据的数量，f是所述内部温度物理模型，Tamb是环境温度。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述内部温度物理模型由所述锂电池的集总电容热模型和不可逆发热模型确定。
5.根据权利要求4所述的方法，其特征在于，所述内部温度物理模型f通过下式表示：
其中，λ1和λ2是热方程的系数，I为所述电池电流，V为所述电池电压，Vcov是所述开路电压，Tamb是环境温度，T是所述锂电池的电芯温度，t是时间。
6.根据权利要求1至5中任一项所述的方法，其特征在于，所述温度预测模型的激活函数ELU(x)通过下式表示：
7.一种锂电池电芯温度预测装置，其特征在于，所述装置包括：
输入参数获取模块，用于获取输入参数，所述输入参数包括时间、锂电池的电池电流、电池电压和开路电压；
电芯温度预测模块，用于利用温度预测模型对所述输入参数进行处理以获取锂电池的电芯温度，其中，所述温度预测模型为物理信息神经网络，其中嵌入有锂电池的内部温度物理模型。
8.根据权利要求7所述的电芯温度预测装置，其特征在于，所述内部温度物理模型由所述锂电池的集总电容热模型和不可逆发热模型确定。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法。
10.一种电子设备，其特征在于，所述电子设备包括：
存储器，存储有一计算机程序；
处理器，与所述存储器通信相连，调用所述计算机程序时执行权利要求1至6中任一项所述的方法。
CN202310486659.1A 2023-04-28 2023-04-28 电芯温度预测方法、装置、存储介质及电子设备 Pending CN116500449A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310486659.1A CN116500449A (zh) 2023-04-28 2023-04-28 电芯温度预测方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310486659.1A CN116500449A (zh) 2023-04-28 2023-04-28 电芯温度预测方法、装置、存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN116500449A true CN116500449A (zh) 2023-07-28

Family

ID=87319849

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310486659.1A Pending CN116500449A (zh) 2023-04-28 2023-04-28 电芯温度预测方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN116500449A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN117454186A (zh) * 2023-12-22 2024-01-26 宁德时代新能源科技股份有限公司 模型训练、电池性能预测方法、装置、设备及存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN117454186A (zh) * 2023-12-22 2024-01-26 宁德时代新能源科技股份有限公司 模型训练、电池性能预测方法、装置、设备及存储介质
CN117454186B (zh) * 2023-12-22 2024-05-14 宁德时代新能源科技股份有限公司 模型训练、电池性能预测方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
CN116500449A (zh) 电芯温度预测方法、装置、存储介质及电子设备
CN112348185A (zh) 一种基于变分模态分解与集成深度模型的锂电池剩余寿命预测方法
CN113671381B (zh) 一种基于时间卷积网络的锂离子动力电池估算方法
CN113177290B (zh) 基于深度代理模型归一化的卫星组件温度场预测方法
CN115840144A (zh) 电池仿真计算方法、装置、计算机设备和存储介质
CN115564152A (zh) 基于stirpat模型的碳排放量预测方法及装置
CN116125279A (zh) 一种电池健康状态的确定方法、装置、设备及存储介质
CN115656824A (zh) 基于cnn-lstm模型的锂电池核电状态预测方法
CN117741442A (zh) 电芯温度预测方法、装置、设备、存储介质和程序产品
CN117092510A (zh) 电池运行模拟方法、装置及系统
CN117031292A (zh) 电池健康状态预测方法、装置、计算机设备和存储介质
TWI769875B (zh) 深度學習網路裝置、其使用的記憶體存取方法與非揮發性儲存媒介
CN116227127A (zh) 变压器的性能确定方法、装置、计算机设备和存储介质
CN116191404A (zh) 分布式电源发电预测方法、装置、电子设备及存储介质
CN114638823A (zh) 基于注意力机制序列模型的全切片图像分类方法及装置
CN118035811B (zh) 基于图卷积神经网络的用电设备状态感知方法、控制服务器及介质
Wang et al. A double broad learning approach based on variational modal decomposition for Lithium-Ion battery prognostics
CN113159100B (zh) 电路故障诊断方法、装置、电子设备和存储介质
CN117233630B (zh) 锂离子电池的使用寿命预测方法、装置和计算机设备
CN117341477B (zh) 磷酸铁锂动力电池内短路预警方法、装置和计算机设备
US20230004430A1 (en) Estimation of power profiles for neural network models running on ai accelerators
CN116500448A (zh) 电池性能指标获取方法、装置、存储介质及电子设备
CN118114491A (zh) 倍率性能优化方法、装置、设备、存储介质和程序产品
CN117909714A (zh) 充电功率预测模型训练方法、装置和计算机设备
CN118625155A (zh) 储能电池弱监督学习模型训练方法、装置及相关设备

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