[发明专利]一种预测动力电池放电时表面最高温度的方法

说明书

本发明提供一种预测动力电池放电时表面最高温度的方法，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。通过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，实现对电池放电时表面最高温度的预测。本发明有望为更为高效的电池管理系统的设计与研发提供一个新的思路，提高电动汽车的热安全性。

技术领域

本发明涉及预测动力电池放电时表面最高温度的技术领域，尤其涉及一种预测动力电池放电时表面最高温度的方法。

背景技术

当今社会，能源的紧缺与环境的污染是急需解决的两大问题，随着近百年来全球化石燃料的消耗和大量化石燃料燃烧过程中所产生的污染日益严重，使得寻求一种无污染且能够长久替代化石燃料的清洁能源成为紧要目标。而具有自身单体电压高、比能量大、适宜工作温度范围大、使用寿命长等优点的锂离子电池成为了替代化石燃料的清洁能源的首要选择。

近年来，虽然动力电池尤其是锂离子电池在电动汽车上广泛应用的同时，频频发生的热安全事故也逐渐引起了人们的广泛关注。经研究表明，大多数电池热安全事故的发生是由于电池滥用造成的，如放电电流过大等原因。考虑到单体电池的厚度比较小，因此单体电池内部的最高温度与表面最高温度相差比较小，故可通过控制电池表面最高温度来避免或减少热安全事故的发生，因此，有效地预测和控制电池表面最高温度对于减少电池热安全事故的发生有重要意义。

基于人工神经网络对电池发热机理的学习要求低且具有非线性映射和泛化的能力，因此，利用人工神经网络预测电池表面温度是一个简便、高效的方法。

现有技术中公开了一种基于人工神经网络的二次电池表面最高温度预测方法。是通过创建BP(Back-Propagation)神经网络模型实现对电池表面最高温度的预测，BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，虽然具有模型清晰、结构简单、计算量小等优点，但是BP神经网络存在着收敛速度慢和易收敛到局部极小点的问题。

发明内容

本发明为了解决现有技术中神经网络预测动力电池表面温度时收敛速度慢和易收敛到局部极小点的问题，提供一种预测动力电池放电时表面最高温度的方法。

为了解决上述问题，本发明采用的技术方案如下所述：

一种预测动力电池放电时表面最高温度的方法，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。

优选地，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。

优选地，所述高低温试验箱内的温度为25℃。

优选地，每次所述动力电池静置的时间相同。

优选地，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。