[发明专利]一种基于混合模型的储能系统电池热失控预判方法

说明书

本发明公开了一种基于混合模型的电池热失控预判方法，综合电池物理模型和深度学习人工智能模型实现电池热失控预先判定和报警，通过电池电热耦合模型估算电池的内部温度、SOC，结合电池传感器测量的电池表面温度、电池电压、电池电流共同作为LSTM的输入，利用混合模型精确预测电池的表面温度和内部温度。根据热失控的故障机理，通过阈值的方法判定热失控的发生并确定诱发原因，实现了对电池热失控的准确预测。这种混合模型方法结合了电池的热特性和电特性，同时应用了人工智能数据驱动方法，为电池热失控预判和诊断方法提供了新的思路。本发明判断故障流程简单、实用性强而且响应较快，具有较好的应用前景。

技术领域

本发明适用于锂离子电池在储能系统领域的应用，公开了一种基于混合模型的电池热失控预判方法，旨在降低储能系统中电池热失控事故的发生。

背景技术

锂离子电池由于其功率密度与能量密度高、循环寿命长、自放电率低以及价格适中等优点，广泛应用于储能系统和电动汽车中，但随着大量推广和普及，一系列事故也频频发生。尤其是热失控引起的自燃、爆炸等事故，会带来严重后果。

现有的热失控诊断方法可分为两大类，基于电池特征信息和基于电池模型的方法。对于基于特征的方法，主要研究了热失控过程中的电压和温度演变，找到早期热失控诊断过程中有用的特征信息，比如电压、温度、阻抗等。基于模型的方法需要电池物理和化学方程方面的专业知识，涉及复杂的数学建模和观测器设计，以及繁琐的参数调整过程。

发明内容

本发明提供了一种基于混合模型的电池热失控的预判方法，将神经网络和电池模型相结合，从锂离子电池热失控的机理出发设计算法流程，实现对电池的内部温度和表面温度异常的预测判定。

一种基于混合模型的储能系统电池热失控预判方法，将电池模型与LSTM神经网络模型相结合，构建如下模型：

用于采集电池相关参数的电池数据采集模型；

用于精确估算内部温度T_in和电池SOC的电池电热耦合模型；

用于得到基于各个时刻的电池预测内部温度曲线、电池预测表面温度曲线的LSTM预测模型；

用于完成预判实现热失控预警的热失控预判模型。

优选的是，本发明将一阶等效电路模型和集总参数热模型相结合，形成电池电热耦合模型，通过电热耦合模型精准估算出电池SOC和电池的内部温度；

对一阶等效电路模型进行参数识别，识别出理想电压源Uoc，欧姆内阻R₀，极化内阻R_d与极化电容C_d，并使用安时积分法进行SOC估算；在此基础上，与集总参数热模型进行耦合，一阶等效电路模型和集总参数热模型之间通过欧姆内阻R₀、极化内阻R_d与内部温度T_in进行关联；

首先通过负载电流和电池的内部温度计算得出电池的SOC；

其次根据SOC、温度与内阻之间的关系，确定欧姆内阻R₀、极化内阻R_d的值，并根据得到的阻值计算电池的产热量；

将锂电池产热量Q_j和环境温度T_amb作为热模型的输入，计算出锂离子电池的内部温度T_in；再将内部温度T_in作为参数传入电池等效电路模型，在下一个时刻与电流I计算电池新的SOC形成一个回路；实现了实时精确估算内部温度T_in和电池SOC的作用。