[发明专利]基于深度学习多层网络建模的电池热管理方法及系统

权利要求书

1.一种基于深度学习多层网络建模的电池热管理方法，其特征在于，包括以下步骤：

S1、测量电池的热物性参数，所述热物性参数包括电池的密度、比热容；

S2、根据电池热物性参数，建立电池的三维热效应方程，对应的公式如下，

式中，T为电池的温度，t为时间，ρ为电池内部材料的平均密度，q为电池单位体积产热速率，c_p为电池的定压比热容，λ_x、λ_y、λ_z是电池在三维正交方向上的导热系数，求解得电池的温度场分布情况；

S3、建立电池热效应模型

根据电池的基本参数，包括标称容量、标称电压、放电截止电压、充电截止电压、内阻参数，结合电池的串联及并联热分布方式，形成在深度学习多层网络下电池组的热效应模型；

S4、根据电池的热效应模型，通过前向参数的自适应拟合方法，获取热能参数控制输出方程，其中前向参数包括产热量、热性能分布、热物性参数；通过反向的制冷控制参数，形成热控制方程参数的配置，建立不同的冷却方式对电池进行温度调控；

所述步骤S2、S3和S4通过电池管理控制器实现，所述电池管理控制器包括高速数字信号处理内核和ARM内核，所述高速数字信号处理内核用于在所述步骤S2、S3和S4中进行深度学习SAE拟合网络，包括计算热效能参数拟合方程，建立电池热效应模型、深度学习SAE反向调参，所述ARM内核根据电池热管理模型作出模糊决策，输出制冷控制参数，所述ARM内核完成电池的精度控制，通过精度控制后的传感器反馈，完成电池温度的平衡；

所述深度学习SAE拟合网络以多层神经网络的多层非线性函数，以sigmod函数为基础单元，来拟合电池热效应模型，精确获取热效应模型的非线性特征，进而实现精确控制；

所述深度学习SAE拟合网络接收到所述热物性参数后，进行热效能参数拟合方程的处理，将处理结果传递给电源热管理模型，所述电源热管理模型对所述深度学习SAE进行反向调参，将调参结果传递给所述深度学习SAE拟合网络；

根据热能参数的控制方程拟合获取电池热效应模型，当温度超过了最大允许的工作温度，所述电池热效应模型通过自适应控制方式，采用温度反馈控制方式，所述温度反馈控制的先验知识是通过高速数字信号处理内核用于在所述步骤S2、S3和S4中进行所述深度学习SAE拟合网络，包括计算热效能参数拟合方程，建立电池热效应管理模型获取的。

2.根据权利要求1所述的电池热管理方法，其特征在于，所述冷却方式采用的冷却源包括风、液体和电。

3.根据权利要求1所述的电池热管理方法，其特征在于，步骤S1中采用前端传感器获取前向参数，步骤S4中采用高速数字信号处理内核处理器进行深度学习SAE拟合网络，包括计算热效能参数拟合方程，建立电源热管理模型、深度学习SAE反向调参。

4.根据权利要求1所述的电池热管理方法，其特征在于，还包括以下步骤：ARM内核根据电池热管理模型作出的模糊决策，输出制冷控制参数。