[发明专利]一种基于贝叶斯神经网络的锂电池温度估计方法及系统

说明书

本发明公开了一种基于贝叶斯神经网络的锂电池温度估计方法及系统，该方法包括：采集电池电化学阻抗谱数据和温度标签；基于ARD算法对电池电化学阻抗谱数据进行处理，得到温度相关特征和温度相关阻抗频率点；基于温度相关特征和温度标签训练贝叶斯神经网络模型，采集温度相关阻抗频率点下的阻抗数据；将阻抗虚部数据输入温度估计模型，得到当前时刻电池内部估计温度及置信区间。该系统包括：离线数据采集模块、温度相关数据确定模块、模型训练模块、在线数据采集模块和温度估计模块。通过使用本发明，实现了对动力电池全生命周期的准确内部温度估计。本发明作为一种基于贝叶斯神经网络的锂电池温度估计方法及系统，可广泛应用于电池热管理领域。

技术领域

本发明涉及电池热管理领域，尤其涉及一种基于贝叶斯神经网络的锂电池温度估计方法及系统。

背景技术

锂离子电池因其能量密度高、材料价格低、性能好、无毒无污染、安全等突出特点而广泛用作电动汽车动力电池。出于安全和控制的目的，锂离子电池的温度估计是至关重要的。例如，高温加速电池老化，从而降低其寿命和性能，甚至会导致电池热失控，进一步可能导致火灾或爆炸。用于电池温度监测的典型方法包括在电池表面安装热电偶，这种方法存在一个问题，电池的发热来自内部物理化学反应，电池内外存在传热延迟。特别是在电池发生热失控时(由电池故障或附近的热源引起)径向内外温差可能高达40-50℃。因此，需要额外的诊断技术来监控锂离子电池的内部温度，对电池热失控的早期预警具有重要意义。目前的温度估计方法无法提供不确定性的度量，对结果的解释性有限，导致这些模型的的估计可能误导决策者。

发明内容

为了解决上述技术问题，本发明的目的是提供一种基于贝叶斯神经网络的锂电池温度估计方法及系统，能够克服未知电池SOH及SOC影响的同时，量化模型的不确定性，使得用户获得更多表示系统真实状态的信息。

本发明所采用的第一技术方案是：一种基于贝叶斯神经网络的锂电池温度估计方法，包括以下步骤：

离线采集电池电化学阻抗谱数据和对应的温度标签；

基于ARD算法对电池电化学阻抗谱数据进行处理，得到温度相关特征和温度相关阻抗频率点；

基于温度相关特征和温度标签训练贝叶斯神经网络模型，得到温度估计模型；

在线采集温度相关阻抗频率点下的阻抗数据，得到实际阻抗数据；

将实际阻抗数据中的阻抗虚部数据输入温度估计模型并执行计算，得到当前时刻电池内部估计温度及置信区间。

进一步，所述离线采集电池电化学阻抗谱数据和对应的温度标签这一步骤，其具体包括：

对同型号多个电池进行老化循环测试直至电池衰减到初始容量80％以下；

在固定的循环间隔测量电池在不同温度、不同荷电状态(SOC)和不同健康状态(SOH)下的电化学阻抗谱数据；

获取测试过程中的电池平均内部温度，作为温度标签。

进一步，所述基于ARD算法对电池电化学阻抗谱数据进行处理，得到温度相关特征和温度相关阻抗频率点这一步骤，其具体包括：

将电池电化学阻抗谱数据作为参数输入ARD算法；

建模确定输入参数的零均值高斯先验的宽度；

根据高斯先验的宽度优化输入参数，得到与温度相关性最显著的阻抗虚部特征和与温度相关性最显著的交流阻抗频率点。

进一步，所述基于温度相关特征和温度标签训练贝叶斯神经网络模型，得到温度估计模型这一步骤，其具体包括：

构建多输入单输出贝叶斯神经网络模型，所述贝叶斯神经网络模型包括两层隐藏层；

基于温度相关特征和温度标签训练贝叶斯神经网络模型；