专利名称：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
技术领域：
本发明涉及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，属于电池热管理系统技术领域。
背景技术：
随着世界经济与社会的快速发展，环境问题和能源问题日益受到关注，汽车对燃油的巨大消耗和汽车尾气排放引发出石油资源枯竭和全球温室效应等一系列问题，促使着人们不停地探索绿色交通工具。近年来，使用绿色二次电池作为动力的HEV(混合动力汽车)和EV(纯电动汽车)的出现为减少二氧化碳排放抑制温室效应和节约石油资源做出了巨大贡献。目前在用的动力电池主要有镍氢电池与锂离子电池两种。二次电池作为一种新型的环境友好绿色能源，在全球范围内受到了广泛关注。除了美国、日本等在此领域处于先进水平的国家外，我国对二次电池新能源领域也给予了重点关注，特别是，在当前节能减排、低碳经济的大环境下，作为可替代传统能源之一的二次电池的开发尤为重要，可以说是关系到国家未来能源发展的战略问题之一，具有重要的意义。
对于提供动力的电池系统来说，电池的安全性至关重要。最突出的便是电池的热效应问题。一旦电池发生热失控将会导致非常危险的后果。目前，学者们通过很多的热模型来研究电池的热效应，开发热管理系统来避免电池发生热失控。
在众多涉及到电池热效应的因素当中，电池表面温度对电池热失控的研究具有重要意义。电池在一定环境和条件下进行工作时，电池内部各个产热因素发热的综合表现便是电池的表面温度升高，如果电池表面温度持续升高而不加控制的话，电池将会走向热失控，产生危险的后果。所以电池发生热失控之前的表面温度对于防止该问题的发生具有重要的意义。由于电池内部材料和结构设计的原因，导致电池表面温度分布不均，这时电池表面上的最高温度可以通过热成像仪来测定。因此，本发明应用人工神经网络建立了模型来预测二次电池在工作中的表面最高温度。人工神经网络模型具有处理多输入多输出的能力、较大的数据容量以及对过程机理较低的要求，使用起来非常的方便快捷，基于神经网络中的Back-Propagation(BP)网，采用Levenbrg-Marquardt(LM)算法,建立预测模型,对电池在不同环境温度下充电过程中的表面温度进行预测。该模型方法使电池在热管理系统的帮助下能够安全地工作，从而为电动汽车的普及打下基础。发明内容
本发明的目的是为了解决二次电池存有发生热失控的安全隐患问题，提出一种基于人工神经网络模型的二次电池表面最高温度预测方法。
本发明的目的是通过以下技术方案实现的。
本发明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，能够通过神经网络的模糊控制，精确预测出电池在不同环境温度下以不同倍率电流强度充电过程中其表面最高温度的变化过程，具体步骤如下
1)将二次电池置于高低温试验箱内，连接上充放电试验机；高低温试验箱的温度为-10°c 40°C ；
2)将步骤1)中的电池放电至SOC为0，然后进行充电至SOC为0. 1 1. 2 ；
3)应用红外热成像仪监测电池在充电过程中表面最高温度的变化情况；
4)通过设定Back-Propagation神经网络模型的输入、输出、神经元个数、层数、传递函数和训练算法来完成模型的构建；
5)将步骤3)得到的数据用于模型训练，使模型能够运用于预测；
6)电池在其他环境温度下充电过程中的表面最高温度可以通过步骤5)中训练好的模型进行预测。
步骤2)中的充电条件为同一环境温度下以不同倍率分别对电池进行充电；倍率为1 IOC ；
步骤4)中模型的输入为环境温度和充电时间；输出为电池表面最高温度，神经元个数为5个，层数为3层，第二层和第三层的传递函数分别为tangent-sigmoid函数和 log-sigmoid 函数，训练算法为 Levenbrg-Marquardt(LM)算法；
步骤5)中其他环境温度为_40°C -10°C和40°C 100°C ；
步骤5)中的充电倍率与步骤2)中的充电倍率相同。
有益效果
本发明的模型应用起来简单易行，参数容易控制，所得结果具有实用价值；电池在一定工作条件下的表面最高温度得以预测，为电池热管理系统的有效工作和电池的安全提供了保证。
图1为实施例中步骤4)得到的实验数据；
图2为实施例中模型预测电池在不同环境温度下，5C充电时的表面最高温度曲线图。
具体实施方式
下面结合实施例和附图对本发明做详细说明。
实施例
基于人工神经网络的二次电池表面最高温度预测方法，具体操作步骤为
1)将SAh圆柱形镍氢动力电池置于高低温试验箱内，连接上充放电试验机；
2)对在-10°C、0、10、20、30、4(TC环境温度下的电池进行充电，电池充电前应先放电至SOC = 0 ；
3)同一环境温度下以1C、3C和5C的倍率分别对电池进行充电，充电至电池SOC = 1. 1时停止；
4)应用红外热成像仪监测电池在充电过程中表面最高温度的变化情况，如图1所示；
5)建立Back-Propagation神经网络模型，设定模型的输入为环境温度(为步骤2 中的环境温度数据)和充电时间(为步骤3中的充电过程中的时间)，输出为电池表面最高温度、神经元个数为5个、层数为3层、第二层和第三层的传递函数分别为tangent-sigmoid 函数和log-sigmoid函数，训练算法为Levenbrg-Marquardt(LM)算法；6)运用步骤4)得到的数据用于模型训练，使模型能够运用于预测；7)电池在50°C、60°C、70°C环境温度下以1C、3C和5C充电过程中的表面最高温度可以通过步骤(5)中的模型进行预测，预测结果如图2所示。
权利要求
1.一种基于人工神经网络的二次电池表面最高温度预测方法，其特征在于具体步骤如下1)将二次电池置于高低温试验箱内，连接上充放电试验机；高低温试验箱的温度为-10°c 40°C ；2)将步骤1)中的电池放电至SOC为0，然后进行充电至SOC为0.1 1. 2 ；3)应用红外热成像仪监测电池在充电过程中表面最高温度的变化情况；4)通过设定Back-Propagation神经网络模型的输入、输出、神经元个数、层数、层间的传递函数和训练算法来完成模型的构建；5)将步骤3)得到的数据用于模型训练，使模型能够运用于预测；6)电池在其他环境温度下充电过程中的表面最高温度，通过步骤幻中训练好的模型进行预测。
2.根据权利要求1所述的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， 其特征在于步骤幻中的充电条件为同一环境温度下以不同倍率分别对电池进行充电；倍率为1 10C。
3.根据权利要求1所述的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， 其特征在于步骤4)中模型的输入为环境温度和充电时间；输出为电池表面最高温度，神经元个数为5个，层数为3层，第二层和第三层的传递函数分别为tangent-sigmoid函数和 log-sigmoid 函数，训练算法为 Levenbrg-Marquardt 算法。
4.根据权利要求1所述的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， 其特征在于步骤5)中其他环境温度为_40°C -10°C和40°C 100°C。
5.根据权利要求1所述的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， 其特征在于步骤6)中的充电倍率与步骤幻中的充电倍率相同。
全文摘要
本发明涉及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，属于电池热管理系统技术领域。将二次电池置于高低温试验箱内，连接上充放电试验机；电池放电后进行充电；监测电池在充电过程中表面最高温度的变化情况；通过设定Back-Propagation神经网络模型的输入、输出、神经元个数、层数、传递函数和训练算法来完成模型的构建；将数据用于模型训练，使模型能够运用于预测；电池在其他环境温度下充电过程中的表面最高温度通过模型进行预测。本发明的模型应用起来简单易行，参数容易控制，结果具有实用价值；电池在不同环境温度下工作时的表面最高温度得以预测，为电池热管理系统的有效工作和电池的安全提供了保证。
文档编号G01J5/00GK102494778SQ20111035993
公开日2012年6月13日 申请日期2011年11月14日 优先权日2011年11月14日
发明者吴伯荣, 吴锋, 宋亮, 方凯正, 林静, 穆道斌, 陈实 申请人:北京理工大学