一种基于混合模型的储能系统电池热失控预判方法

1.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：

2.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。
3.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。


技术实现要素：

4.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。
5.一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：
6.用于采集电池相关参数的电池数据采集模型；
7.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；
8.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；
9.用于完成预判实现热失控预警的热失控预判模型。
10.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；
11.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rd与极化电容cd，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rd与内部温度t
in
进行关联；
12.首先通过负载电流和电池的内部温度计算得出电池的soc；
13.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rd的值，并根据得到的阻值计算电池的产热量；
14.将锂电池产热量qj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。
15.优选的是，本发明的lstm预测模型将每个时刻所测参数电压u、电流i、soc、电池内部温度t
in
、电池表面温度t
amb
共同作为输入矩阵，电池预测内部温度、电池预测表面温度作为输出矩阵，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。
16.优选的是，本发明的热失控预判模型，结合温度预测模型，提出了电池热失控判定流程，根据预测模型所得预测温度曲线图，将预测温度与实测温度的对比，得到电池热失控的预判结果和电池热失控的诱因，完成预判实现热失控预警。
17.本发明提出一种基于混合模型的锂电池热失控预判方法，采用电池电热耦合模型和lstm神经网络相结合的混合模型，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，相比于其他的方法，这种方法判断故障流程简单、实用性强而且响应较快，可凭借该优势在实际工程中得到广泛应用。
附图说明
18.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
19.图1为电池热失控预判模型；
20.图2为一阶rc等效电路模型；
21.图3为集总参数热模型；
22.图4为电热耦合模型；
23.图5为基于lstm神经网络的电测内部和表面温度预测模型；
24.图6为热失控预判流程示意图；
25.图7为过充电实验数据；
26.图8为实施例1电池内部温度预测结果示意图；
27.图9为实施例1电池外部温度预测结果示意图；
28.图10为热冲击实验数据；
29.图11为实施例2电池内部温度预测结果示意图；
30.图12为实施例2电池表面温度预测结果示意图。
具体实施方式
31.下面结合附图进一步详细地描述本发明的技术方案，但本发明的保护范围不限于以下所述。
32.一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：
33.用于采集电池相关参数的电池数据采集模型；
34.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；
35.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；
36.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rd与极化电容cd，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rd与内部温度t
in
进行关联；
37.首先通过负载电流和电池的内部温度计算得出电池的soc；
38.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rd的值，并根据得到的阻值计算电池的产热量；
39.将锂电池产热量qj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。
40.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；
41.lstm预测模型将每个时刻所测参数电压u、电流i、soc、电池内部温度t
in
、电池表面温度t
amb
共同作为输入矩阵，电池预测内部温度、电池预测表面温度作为输出矩阵，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。
42.用于完成预判实现热失控预警的热失控预判模型。
43.结合温度预测模型，提出了电池热失控判定流程，根据预测模型所得预测温度曲线图，将预测温度与实测温度的对比，得到电池热失控的预判结果和电池热失控的诱因，完成预判实现热失控预警。
44.一种基于混合模型的储能系统电池热失控预判方法，由四个模块组成，分别是数据采集模块、电池电热耦合模型、lstm预测模型和预判模型，通过数据采集模块和电池电热耦合模型得到lstm的输入参数，lstm预测模型的输出将作为预判模块的判定基础，最后在预判模型中得到电池热失控的预判和诱因判断。
45.电池电压、电池电流、电池表面温度是电池运行中最容易采集的数据，且可作为电池电热模型中的关键参数进而估算电池内部温度及soc，在预测模型中与所需结果t’in、t’surf具有相关性，因此作为模型的输入。
46.现有电池故障诊断模型中，大多采用单一的电池模型，且基本上基于电池电特性展开。而理想的电池诊断方法应该同时基于电池的电特性与热效应进行研究，这样可以缩短故障的报警时间，提高故障监测的准确性。因此本文中采用了一种电池的电热耦合模型。在预判过程中起到精确估算tin和soc的作用。
47.预测模型选取lstm，lstm网络是由hochreiter等最早提出的一种具有记忆功能且专门用于处理时间序列数据的循环神经网络(rnn)。lstm不仅解决了传统bp网络cnn算法中只凭当前输入数据判定输出状态的“信息丢失”问题，而且还解决了传统rnn在处理长时间序列数据时因长期依赖机制而容易陷入“梯度消失”和“梯度爆炸”的不足。该模型所输出的预测结果使用于诊断模块。
48.在预判模块中基于预测结果t’in、t’surf，根据不同的热失控诱因，得到电池内部和电池表面的温升关系，据此，提出了热失控诊断流程，其中ωi、ωs为诊断阈值。热失控判定是通过比较差值γin(t)和阈值ωi来确定是否有热失控发生，当差值小于阈值，即可判定电池不存在热故障，当差值大于阈值时，即可判定电池发生热失控并产生预警信号，此时时间t即为警报时间。第二步检测热失控诱因，通过比较差值γsurf(t)和阈值ωs来确定引发热失控的外界诱因。
49.如图1所示，在热失控预判方法的具体实施中，首先需要采集电池运行中的实时参数，包括电池电压u、电池电流i、电池表面温度t
surf
、环境温度t
amb
，作为预判的基础，输入到本方法所述的电池电热耦合模型和lstm预测模型后，得到电池内部温度预测曲线和电池表面温度预测曲线，经过预判模型得到电池的热失控发生情况，并在热失控发生的情况下得到警报时间t，以及热失控产生的故障原因。
50.具体地，所述电池电热耦合模型由等效电路模型和集总热模型组成，等效电路模型如图2，采用thevenin模型，其虑了电池充放电过程中的极化效应，可以更好地描述电池的动态特性。等效电路中的参数包括理想电压源u
oc
，欧姆内阻r0，极化内阻rd与极化电容cd，利用这些参数与soc和温度的相关性进行参数估计，在此模型上进行soc的实时估算。集总热模型如3所示，它模拟了电池内部温度与外界温度的关系，旨在估计电池的内部温度作为判断电池热失控的辅助指标。所述方法为降低模型的复杂性，只考虑具有对流换热边界条件的径向热行为，并假设电池内部温度均匀，内部产热量均来自电池的内阻。将电池等效电路模型与集总热模型相耦合，如图4所示，经过参数识别的电模型和经过热计算的热模型组合，得到每个时刻的电池soc和电池内部温度t
in
。
51.电池参数准备工作完成后，进行电池内部温度与电池表面温度的预测，如图5所示，将电池电压u、电池电流i、电池表面温度t
surf
、电池soc和电池内部温度t
in
作为输入矩阵，按时刻划分为训练数据和测试数据，将训练数据输入到训练模型，训练lstm神经网络，输入测试数据得到预测数据并将结果迭代到lstm神经网络中。最后将预测结果绘制为以时间为横坐标的温度预测曲线。
52.得到温度预测曲线后，进入热失控预判模块。图6为热失控预判流程；所述判定流程首先计算实际温度与预测温度之间的差值：
53.γ
in
(t)＝t
in-t’in
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
54.γ
surf
(t)＝t
surf-t’surf
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
55.其中t
in
是电池内部温度，t’in
是预测的电池内部温度，t
surf
是电池表面温度，t’surf
是预测的电池表面温度。
56.具体地，所述流程第一步为热失控发生情况的判定。热失控判定是通过比较差值γ
in(t)
和阈值ωi来确定是否有热失控发生，当差值γ
in(t)
小于阈值ωi，即可判定电池不存在热故障，当差值γ
in(t)
大于阈值ωi时，即可判定电池发生热失控并产生预警信号，此时时间t即为警报时间。
57.所述流程第二步为检测热失控诱因，通过比较差值γ
surf(t)
和阈值ωs来确定引发热失控的外界诱因。当差值γ
surf(t)
大于阈值ωs，即可判定热失控原因是由热冲击导致的，当差值γ
surf(t)
小于阈值ωs，即可判定热失控原因是由过充放电导致的。
58.下面结合具体实施例对本发明作进一步解说。
59.实施例1
60.对电池过充导致热失控实验数据进行该方法的验证，对apr18650锂离子电池进行过充电循环，随着循环次数的增加，电池的表面最高温度呈上升趋势，在第18次过充时发生热失控，将实验数据进行处理，得到电池电压，电池表面温度和电池内部温度如图7所示，电池在4600s左右内部温度急剧升高，电池表面温度在4600s后开始升高，热失控持续时间较长。部分数据记录如表1所示：
61.表1温度突变节点附近数据
[0062][0063]
将电池运行数据输入到热失控预判模型当中，预测结果如图8、图9所示。其中图8为实施例1电池内部温度预测结果，图9为实施例1电池外部温度预测结果；根据热失控诊断流程，首先比较内部温度与预测结果，在4600s时，实际温度与预测温度的差值γ
in
超过阈值ωi，可以判定电池在4600s发生了热失控并产生警报；然后比较表面温度与预测结果，实际温度与预测温度的差值γ
surf
未超过阈值ωs，根据诊断流程判定热失控诱因是内部引发导致的电滥用，即过充过放等电滥用原因。
[0064]
诊断结果为：热失控发生，警报时间t＝4600s，热失控原因为电池过充放电。诊断结果与实验相吻合，验证了所提出的诊断方法的有效性。
[0065]
实施例2
[0066]
对电池热冲击导致热失控实验数据进行该方法的验证，在热冲击实验前对锂离子电池单体进行处理：使用循环充放电仪器，使其达到满电状态，室温下，先以0.5c倍率电流放电至终止电压3.0v，搁置60min，然后以0.5c倍率充电至充电终止电压4.2v时转恒压充电，停止充电后搁置60min。按照qc/t743标准充放电循环后，将实验电池置于绝热加速量热仪中进行稳定放电，加热设备按照2℃/min的速率升温至150℃，后停止加热，记录实验数据。电池在加热后期起火燃烧，壳体破裂。将实验数据进行处理，得到电池电压，电池表面温度和电池内部温度如图10所示，电池在4400s左右内部温度急剧升高，电池表面温度在4400s后开始升高，电池发生热失控且燃烧温度最高达到900℃，燃烧结束后温度逐渐降低，热失控过程持续时间较长。部分实验数据记录如表2所示：
[0067]
表2温度突变节点附近数据
[0068][0069]
将电池运行数据输入到热失控预判模型当中，预测结果如图11、图12所示。其中图11为实施例2电池内部温度预测结果，图12为实施例2电池表面温度预测结果；根据热失控
诊断流程，首先比较内部温度与预测结果，在4440s时，实际温度与预测温度的差值γ
in
超过阈值ωi，可以判定电池在4440s发生了热失控并产生警报；然后比较表面温度与预测结果，实际温度与预测温度的差值γ
surf
大于阈值ωs，根据诊断流程判定热失控诱因为热冲击导致的热滥用。
[0070]
诊断结果为：热失控发生，警报时间t＝4440s，热失控原因为外界热冲击。诊断结果与实验相吻合，验证了所提出的诊断方法的有效性。