[发明专利]一种基于压缩感知理论的电池包内部温度实时监测方法

说明书

本发明属于电池组热管理技术领域，一种基于压缩感知理论的电池包内部温度实时监测方法，针对同类型电池包，基于充放电及不同负载情况下所有位置点温度的实验数据；应用深度学习中神经网络算法，训练出适用于该电池包的模拟温度场模型；再由软件调用该模型，即可达到通过感知电池包内某些特定位置温度来预测电池包所有感兴趣点的温度状态的效果，从而完成对电池包内部温度的全局实时监测。

技术领域

本发明涉及电动汽车用电池组热管理领域，特别是一种基于压缩感知理论的电池包内部温度实时监测方法。

背景技术

当前国际上，电动化趋势愈演愈烈，随着新兴的电动自行车、电动汽车的开发和商业化生产、新型潜艇、航天器(PROBA)及无人水下航行器(UUV)的发展，航空、航天、航海等领域对新型绿色动力电池的需求大幅度增加。

动力电池工作电流大、产热量大，同时电池包又处于一个相对封闭的环境，在充放电过程中产生大量的热量会导致电池内部温度升高以及单体电池之间温度的不均匀，造成电池性能不稳定，影响电池单体性能的一致性及电池荷电状态(SOC)估计的准确性，严重时甚至影响到电池的使用安全及寿命，因此建立电池包温度场对于电池散热结构的优化和散热性能的提升具有重要意义。

然而，由于受到电池生产工艺的限制，绝大多数的电池热管理系统无法对电池包内每个位置进行温度感知，因而很难确定电池包内的最高温度。而对于电池热管理系统，使用电池包内实际最高点温度作为输入量和参考量显然比使用检测到的温度最大值更加可靠、安全。

现有的热管理方法中，传统的CFD(计算流体动力学)方法存在着诸多缺陷。比如关键性热力学参数不好掌握，不太适合耦合场的状况，有可能会产生伪物理效应。再者，CFD涉及大量的数值计算，通过大量传感器来监视电池包的温度场，随着模型的复杂程度增加、离散点数目的增加，通常需较高的计算机硬软件配置来进行计算。而在实际应用中，动力电池包中的电池数量多、复杂程度高，使用情况复杂，CFD方法实用价值不高。

因此，对于动力电池的热管理系统而言，有必要提出一种在温度传感器布置的数量尽可能少的基础上能够实现对电池包内所有位置进行实时温度检测的方法。

发明内容

本发明的主要目的在于克服现有技术中的上述缺陷，提出一种基于压缩感知理论的电池包内部温度实时监测方法，该方法适用范围广、方便移植，可以很容易应用到动力电池热管理系统的控制单元，实现对于动力电池的实时温度检测。

本发明采用如下技术方案：

一种基于压缩感知理论的电池包内部温度实时监测方法，其特征在于，包括：

1)针对指定型号的动力电池包设计完备的传感网络；

2)在充放电条件下采集动力电池包工作过程中的完备的温度数据；

3)选择电池包内部分测温节点作为实际应用中的实测点，建立实测点到所有温度节点映射的深度神经网络模型；

4)通过采集的数据训练得到该深度神经网络模型的合适权值参数；

5)利用与训练数据互异的实测数据测试该数学模型的正确性；

6)调用深度神经网络模型，通过感知电池包内某些特定位置温度来预测其他位置的温度状态，从而完成对电池包内部温度的实时监测。

所述步骤1)具体为，选择电池包内需要进行实测的温度位置，并在这些位置安放热电偶传感，完成热电偶传感器、测温仪、负载或充电设备与PC机四者间的硬件连接与软件通讯。

所述步骤3)中，采用深度学习中的LSTM神经网络算法，训练出适用于该电池包的模拟温度场模型，建立实测点到所有温度节点映射的深度神经网络模型。