基于混合预测框架的动力电池热失控诊断方法及系统与流程

本发明涉及动力电池，具体涉及一种基于混合预测框架的动力电池热失控诊断方法及系统。

背景技术：

1、随着电动汽车产业的发展，消费者对电动汽车的性能需求逐渐增大，尤其是续航里程和电池容量。由于锂离子电池具有能量密度大、比能量高、电压高、使用寿命长、自放电率低等特性，因此得到了广泛应用。异常条件下，锂离子电池的能量比在不断提高的同时，源自不可逆放热反应的热量导致电池热失控的风险也会增加。热失控是指电池内部出现放热连锁反应引起电池温升速率急剧变化的过热现象。

2、引发动力电池热失控的原因很多，大体上分为因碰撞、挤压、穿刺造成的机械滥用原因、以过充、过放和内短路为主的电滥用原因和局部受热等热滥用原因。当锂离子电池出现热失控现象后，可能会直接导致动力电池组结构奔溃，从而引发电池起火爆炸。因此需要对锂离子电池热失控状态进行风险监控。

3、目前热失控状态评估方法大致分为两种类型，一种是基于热失控特征的检测方法。该类方法主要通过锂离子电池热失控特征信号来实现检测。主要包括针对电滥用的过充，过放，内短路检测，热失控期间锂离子电池特有气体成分的检测，锂离子电池表面温度和温升速率的检测等。此类方法的检测步骤繁琐，成本高昂，时间周期较长。第二种则是基于大数据驱动的热失控检测方法。此类方法忽略了复杂的电池模型和热失控扩散过程，并且需要大量训练数据的获取。为了弥补上述方法的不足，本发明公开了一种基于模型驱动方法和数据驱动方法相混合的热失控在线状态预测方法。

技术实现思路

1、针对上述技术问题，本发明提出了一种基于混合预测框架的动力电池热失控诊断方法及系统，使用循环神经网络gru对电池的运行数据进行预估，将预估值作为模型驱动方法的观测值，从而得到考虑了电池机理模型的参数，实现对电池内部温度和外表温度的预测。

2、为实现上述目的，本发明提供了一种基于混合预测框架的动力电池热失控诊断方法，其特殊之处在于：包括以下步骤：

3、步骤s1：采集动力电池t时刻内的样本数据，所述样本数据包括电压、电流、内部温度、外表温度和环境温度；

4、步骤s2：对所述样本数据进行预处理，并通过密度函数的二阶矩进行标准化处理，得到标准化数据；

5、步骤s3：构建动力电池的一阶等效电路模型，并采用最小二乘法识别初始状态下的电压、欧姆内阻、极化内阻和极化电容；

6、步骤s4：采用电流积分法构建soc估计模型；基于所述动力电池的内部焦耳热和外部环境的热交换热量，构建电池内部温度估计模型；

7、步骤s5：将步骤s2中所述标准化数据输入循环神经网络gru进行训练，得到t+1时刻的预估样本数据；

8、步骤s6：基于所述soc估计模型和电池内部温度估计模型，分别构建状态空间模型；

9、步骤s7：基于所述状态空间模型，将所述预估样本数据作为t+1时刻的观测量输入自适应无迹卡尔曼滤波aukf模型，计算t+1时刻的预测数据；

10、步骤s8：设定阈值，将所述预测数据与实测数据进行对比，以判断动力电池热失控现象。

11、优选地，步骤s2中对所述样本数据进行预处理的方法为：通过以下表达式，将所述样本数据转化为样本矩阵x：

12、

13、式中，xtj表示t时刻j样本的数据。

14、优选地，步骤s2中所述标准化处理的公式为：

15、

16、

17、式中，var()表示概率密度函数的二阶矩，xj表示所有时间内样本j的数据。

18、优选地，步骤s3中所述soc估计模型的表达式为：

19、

20、式中，soct表示t时刻的soc的估算值，soc0表示初始soc，c表示电池的标称容量，ξ表示校正系数，η表示动力电池的充放电效率，it表示t时刻下的充放电电流。

21、优选地，步骤s3中所述电池内部温度估计模型的表达式为：

22、qj＝i2(r0+rd)

23、qe＝h(tsurf-tamb)

24、

25、式中，qj表示动力电池内部焦耳热，i表示电流，r0表示初始状态电压，rd表示极化内阻，qe表示动力电池内部与外部环境的热交换热量，h表示对流热交换系数，tsurf表示外表温度，tamb表示环境温度，t(t)表示t时刻动力电池内部温度，cp表示比热容，m表示质量，δt表示单位时间。

26、优选地，步骤s5中，所述soc估计模型的状态空间模型的表达式为：

27、

28、式中，soc0表示初始初始soc，ξt表示t时刻的校正系数，ct表示t时刻的标称容量，η表示动力电池的充放电效率，it表示t时刻的电流it，xt表示t时刻的状态，ut表示t时刻的外部输入即it。

29、优选地，步骤s5中，所述电池内部温度估计模型的状态空间模型的表达式为：

30、

31、式中，t(t-1)表示t-1时刻的内部温度，ht表示t时刻的热交换系数，cp表示比热容，m表示质量，tsurf表示外表温度，tamb表示环境温度，it表示t时刻的电流it，r0表示初始状态的欧姆内阻，rd表示初始状态的极化内阻，xt表示t时刻的状态，ut表示t时刻的外部输入即it。

32、优选地，步骤s8中，判断动力电池热失控现象的方法包括以下步骤：

33、步骤s81：如果实测电池内部温度与所述预测数据中电池内部温度的差值小于设定阈值，无热失控发生，否则转入步骤s82；

34、步骤s82：如果实测外表温度与所述预测数据中外表温度的差值小于设定阈值，则发生热冲击导致热失控；如果实测外表温度与所述预测数据中外表温度的差值大于设定阈值，则发生过冲导致热失控。

35、本发明还提出了一种基于混合预测框架的动力电池热失控诊断系统，所述系统包括数据采集模块、数据预处理模块、循环神经网络预估模块、状态空间模型构建模块、预测模块、和热失控监控模块；

36、所述数据采集模块，用于采集动力电池t时刻内的样本数据，所述样本数据包括电压、电流、内部温度、外表温度和环境温度，并输出至所述数据预处理模块；

37、所述数据预处理模块，用于对所述样本数据进行预处理，并通过密度函数的二阶矩进行标准化处理，得到标准化数据，并输出至所述循环神经网络预估模块；

38、所述循环神经网络预估模块，用于将所述标准化数据进行循环神经网络gru训练，得到t+1时刻的预估样本数据，并输出至所述预测模块；

39、所述状态空间模型构建模块，用于采用电流积分法构建soc估计模型，基于所述动力电池的内部焦耳热和外部环境的热交换热量，构建电池内部温度估计模型，构建状态空间模型；

40、所述预测模块，用于采用自适应无迹卡尔曼滤波aukf模型，并基于所述状态空间模型和预估样本数据，计算t+1时刻的预测数据；

41、所述热失控监控模块，用于设定阈值，并将所述预测数据与实测数据进行比对，以判断是否出现热失控。

42、优选地，所述热失控监控模块，判断是否出现热失控的方法包括以下步骤：如果实测电池内部温度与所述预测数据中电池内部温度的差值小于设定阈值，无热失控发生，否则进入后续判断；如果实测外表温度与所述预测数据中外表温度的差值小于设定阈值，则发生热冲击导致热失控；如果实测外表温度与所述预测数据中外表温度的差值大于设定阈值，则发生过冲导致热失控

43、本发明的有益效果在于：使用循环神经网络gru对电池的运行数据进行预估，将预估值作为模型驱动方法的观测值，从而得到考虑了电池机理模型的参数，实现对电池内部温度和外表温度的预测。通过循环神经网络gru的数据驱动和自适应无迹卡尔曼滤波aukf模型的模型驱动相互迭代预测的方法即能够根据电池热失控的机理进行分析，也可以对非机理参数进行准确地预测，有效地提高了热失控状态监控的容错率和准确性。