[发明专利]一种预测动力电池放电时表面最高温度的方法

权利要求书

1.一种预测动力电池放电时表面最高温度的方法，其特征在于，包括如下步骤：

S1：采集动力电池的放电数据，所述放电数据包括不同放电条件下每个时间点的表面最高温度；

S2：通过所述动力电池的放电数据建立一个基于模拟退火算法优化的小波神经网络预测模型；

S3：通过所述基于模拟退火算法优化的小波神经网络预测模型预测所述动力电池放电时的表面最高温度。

2.如权利要求1所述的预测动力电池放电时表面最高温度的方法，其特征在于，步骤S1包括如下步骤：

S11：将动力电池置于高低温试验箱内，并连接充放电设备；

S12：对所述动力电池进行放电直至电池剩余电量为0并静置1-2小时；

S13：再以CC-CV的充电模式对所述动力电池充电至电池剩余电量为100％；

S14：静置1-2小时后，用红外热成像仪监测所述动力电池在不同放电条件下每个时间点的表面最高温度并采集所述表面最高温度。

3.如权利要求2所述的预测动力电池表面放电时最高温度的方法，其特征在于，所述高低温试验箱内的温度为25℃。

4.如权利要求2所述的预测动力电池放电时表面最高温度的方法，其特征在于，每次所述动力电池静置的时间相同。

5.如权利要求2所述的预测动力电池放电时表面最高温度的方法，其特征在于，所述不同放电条件包括分别在-20℃、0℃、25℃、35℃和60℃的环境温度下，分别以0.5C、1C、2C、5C和10C的倍率对电池进行放电。

6.如权利要求1所述的预测动力电池放电时表面最高温度的方法，其特征在于，步骤S2包括如下步骤：

S21：通过选取所述小波神经网络的输入层、隐含层、输出层的层数和节点个数，以及小波函数和训练算法，对预测模型进行初步构建；

S22：将采集的部分所述动力电池的放电数据作为训练数据采用模拟退火算法对所述小波神经网络模型进行训练，实现小波神经网络的参数寻优；

S23：将寻得的最优参数作为所述小波神经网络的对应参数的初始值，结合LM算法再次进行训练，使所述小波神经网络输出值的精度达到设定精度，停止训练，得到基于模拟退火算法优化的小波神经网络预测模型；

S24：将剩余的所述动力电池的放电数据作为测试数据，用于基于模拟退火算法优化的小波神经网络预测模型的预测效果。

7.如权利要求6所述的预测动力电池放电时表面最高温度的方法，其特征在于，所述小波神经网络的输入为：环境温度、放电电流、所述动力电池端电压、电池剩余电量、放电时间，输出为：电池表面最高温度。

8.如权利要求6所述的预测动力电池放电时表面最高温度的方法，其特征在于，所述输入层、所述隐含层和所述输出层都是一层，所述节点数分别是5、10、1。

9.如权利要求6所述的预测动力电池放电时表面最高温度的方法，其特征在于，所述模拟退火算法包括确定状态产生函数、状态接受函数、状态更新公式、内循环终止准则、外循环终止准则、降温系数、初始温度和优化粒子数量；所述模拟退火算法优化小波神经网络中输入层与隐含层的权值、隐含层与输出层的权值、平移因子和伸缩因子的初始值。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-9任一所述方法的步骤。