專利名稱：一種基于人工神經(jīng)網(wǎng)絡的二次電池表面最高溫度預測方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于人工神經(jīng)網(wǎng)絡的二次電池表面最高溫度預測方法，屬于電池熱管理系統(tǒng)技術(shù)領(lǐng)域。
背景技術(shù)：
隨著世界經(jīng)濟與社會的快速發(fā)展，環(huán)境問題和能源問題日益受到關(guān)注，汽車對燃油的巨大消耗和汽車尾氣排放引發(fā)出石油資源枯竭和全球溫室效應等一系列問題，促使著人們不停地探索綠色交通工具。近年來，使用綠色二次電池作為動力的HEV(混合動力汽車)和EV(純電動汽車)的出現(xiàn)為減少二氧化碳排放抑制溫室效應和節(jié)約石油資源做出了巨大貢獻。目前在用的動力電池主要有鎳氫電池與鋰離子電池兩種。二次電池作為一種新型的環(huán)境友好綠色能源，在全球范圍內(nèi)受到了廣泛關(guān)注。除了美國、日本等在此領(lǐng)域處于先進水平的國家外，我國對二次電池新能源領(lǐng)域也給予了重點關(guān)注，特別是，在當前節(jié)能減排、低碳經(jīng)濟的大環(huán)境下，作為可替代傳統(tǒng)能源之一的二次電池的開發(fā)尤為重要，可以說是關(guān)系到國家未來能源發(fā)展的戰(zhàn)略問題之一，具有重要的意義。
對于提供動力的電池系統(tǒng)來說，電池的安全性至關(guān)重要。最突出的便是電池的熱效應問題。一旦電池發(fā)生熱失控將會導致非常危險的后果。目前，學者們通過很多的熱模型來研究電池的熱效應，開發(fā)熱管理系統(tǒng)來避免電池發(fā)生熱失控。
在眾多涉及到電池熱效應的因素當中，電池表面溫度對電池熱失控的研究具有重要意義。電池在一定環(huán)境和條件下進行工作時，電池內(nèi)部各個產(chǎn)熱因素發(fā)熱的綜合表現(xiàn)便是電池的表面溫度升高，如果電池表面溫度持續(xù)升高而不加控制的話，電池將會走向熱失控，產(chǎn)生危險的后果。所以電池發(fā)生熱失控之前的表面溫度對于防止該問題的發(fā)生具有重要的意義。由于電池內(nèi)部材料和結(jié)構(gòu)設計的原因，導致電池表面溫度分布不均，這時電池表面上的最高溫度可以通過熱成像儀來測定。因此，本發(fā)明應用人工神經(jīng)網(wǎng)絡建立了模型來預測二次電池在工作中的表面最高溫度。人工神經(jīng)網(wǎng)絡模型具有處理多輸入多輸出的能力、較大的數(shù)據(jù)容量以及對過程機理較低的要求，使用起來非常的方便快捷，基于神經(jīng)網(wǎng)絡中的Back-Propagation(BP)網(wǎng)，采用Levenbrg-Marquardt(LM)算法,建立預測模型,對電池在不同環(huán)境溫度下充電過程中的表面溫度進行預測。該模型方法使電池在熱管理系統(tǒng)的幫助下能夠安全地工作，從而為電動汽車的普及打下基礎(chǔ)。發(fā)明內(nèi)容
本發(fā)明的目的是為了解決二次電池存有發(fā)生熱失控的安全隱患問題，提出一種基于人工神經(jīng)網(wǎng)絡模型的二次電池表面最高溫度預測方法。
本發(fā)明的目的是通過以下技術(shù)方案實現(xiàn)的。
本發(fā)明一種基于人工神經(jīng)網(wǎng)絡的二次電池表面最高溫度預測方法，能夠通過神經(jīng)網(wǎng)絡的模糊控制，精確預測出電池在不同環(huán)境溫度下以不同倍率電流強度充電過程中其表面最高溫度的變化過程，具體步驟如下
1)將二次電池置于高低溫試驗箱內(nèi)，連接上充放電試驗機；高低溫試驗箱的溫度為-10°c 40°C ；
2)將步驟1)中的電池放電至SOC為0，然后進行充電至SOC為0. 1 1. 2 ；
3)應用紅外熱成像儀監(jiān)測電池在充電過程中表面最高溫度的變化情況；
4)通過設定Back-Propagation神經(jīng)網(wǎng)絡模型的輸入、輸出、神經(jīng)元個數(shù)、層數(shù)、傳遞函數(shù)和訓練算法來完成模型的構(gòu)建；
5)將步驟3)得到的數(shù)據(jù)用于模型訓練，使模型能夠運用于預測；
6)電池在其他環(huán)境溫度下充電過程中的表面最高溫度可以通過步驟5)中訓練好的模型進行預測。
步驟2)中的充電條件為同一環(huán)境溫度下以不同倍率分別對電池進行充電；倍率為1 IOC ；
步驟4)中模型的輸入為環(huán)境溫度和充電時間；輸出為電池表面最高溫度，神經(jīng)元個數(shù)為5個，層數(shù)為3層，第二層和第三層的傳遞函數(shù)分別為tangent-sigmoid函數(shù)和 log-sigmoid 函數(shù)，訓練算法為 Levenbrg-Marquardt(LM)算法；
步驟5)中其他環(huán)境溫度為_40°C -10°C和40°C 100°C ；
步驟5)中的充電倍率與步驟2)中的充電倍率相同。
有益效果
本發(fā)明的模型應用起來簡單易行，參數(shù)容易控制，所得結(jié)果具有實用價值；電池在一定工作條件下的表面最高溫度得以預測，為電池熱管理系統(tǒng)的有效工作和電池的安全提供了保證。


圖1為實施例中步驟4)得到的實驗數(shù)據(jù)；
圖2為實施例中模型預測電池在不同環(huán)境溫度下，5C充電時的表面最高溫度曲線圖。
具體實施方式
下面結(jié)合實施例和附圖對本發(fā)明做詳細說明。
實施例
基于人工神經(jīng)網(wǎng)絡的二次電池表面最高溫度預測方法，具體操作步驟為
1)將SAh圓柱形鎳氫動力電池置于高低溫試驗箱內(nèi)，連接上充放電試驗機；
2)對在-10°C、0、10、20、30、4(TC環(huán)境溫度下的電池進行充電，電池充電前應先放電至SOC = 0 ；
3)同一環(huán)境溫度下以1C、3C和5C的倍率分別對電池進行充電，充電至電池SOC = 1. 1時停止；
4)應用紅外熱成像儀監(jiān)測電池在充電過程中表面最高溫度的變化情況，如圖1所示；
5)建立Back-Propagation神經(jīng)網(wǎng)絡模型，設定模型的輸入為環(huán)境溫度(為步驟2 中的環(huán)境溫度數(shù)據(jù))和充電時間(為步驟3中的充電過程中的時間)，輸出為電池表面最高溫度、神經(jīng)元個數(shù)為5個、層數(shù)為3層、第二層和第三層的傳遞函數(shù)分別為tangent-sigmoid 函數(shù)和log-sigmoid函數(shù)，訓練算法為Levenbrg-Marquardt(LM)算法；6)運用步驟4)得到的數(shù)據(jù)用于模型訓練，使模型能夠運用于預測；7)電池在50°C、60°C、70°C環(huán)境溫度下以1C、3C和5C充電過程中的表面最高溫度可以通過步驟(5)中的模型進行預測，預測結(jié)果如圖2所示。
權(quán)利要求
1.一種基于人工神經(jīng)網(wǎng)絡的二次電池表面最高溫度預測方法，其特征在于具體步驟如下1)將二次電池置于高低溫試驗箱內(nèi)，連接上充放電試驗機；高低溫試驗箱的溫度為-10°c 40°C ；2)將步驟1)中的電池放電至SOC為0，然后進行充電至SOC為0.1 1. 2 ；3)應用紅外熱成像儀監(jiān)測電池在充電過程中表面最高溫度的變化情況；4)通過設定Back-Propagation神經(jīng)網(wǎng)絡模型的輸入、輸出、神經(jīng)元個數(shù)、層數(shù)、層間的傳遞函數(shù)和訓練算法來完成模型的構(gòu)建；5)將步驟3)得到的數(shù)據(jù)用于模型訓練，使模型能夠運用于預測；6)電池在其他環(huán)境溫度下充電過程中的表面最高溫度，通過步驟幻中訓練好的模型進行預測。
2.根據(jù)權(quán)利要求1所述的一種基于人工神經(jīng)網(wǎng)絡的二次電池表面最高溫度預測方法， 其特征在于步驟幻中的充電條件為同一環(huán)境溫度下以不同倍率分別對電池進行充電；倍率為1 10C。
3.根據(jù)權(quán)利要求1所述的一種基于人工神經(jīng)網(wǎng)絡的二次電池表面最高溫度預測方法， 其特征在于步驟4)中模型的輸入為環(huán)境溫度和充電時間；輸出為電池表面最高溫度，神經(jīng)元個數(shù)為5個，層數(shù)為3層，第二層和第三層的傳遞函數(shù)分別為tangent-sigmoid函數(shù)和 log-sigmoid 函數(shù)，訓練算法為 Levenbrg-Marquardt 算法。
4.根據(jù)權(quán)利要求1所述的一種基于人工神經(jīng)網(wǎng)絡的二次電池表面最高溫度預測方法， 其特征在于步驟5)中其他環(huán)境溫度為_40°C -10°C和40°C 100°C。
5.根據(jù)權(quán)利要求1所述的一種基于人工神經(jīng)網(wǎng)絡的二次電池表面最高溫度預測方法， 其特征在于步驟6)中的充電倍率與步驟幻中的充電倍率相同。
全文摘要
本發(fā)明涉及一種基于人工神經(jīng)網(wǎng)絡的二次電池表面最高溫度預測方法，屬于電池熱管理系統(tǒng)技術(shù)領(lǐng)域。將二次電池置于高低溫試驗箱內(nèi)，連接上充放電試驗機；電池放電后進行充電；監(jiān)測電池在充電過程中表面最高溫度的變化情況；通過設定Back-Propagation神經(jīng)網(wǎng)絡模型的輸入、輸出、神經(jīng)元個數(shù)、層數(shù)、傳遞函數(shù)和訓練算法來完成模型的構(gòu)建；將數(shù)據(jù)用于模型訓練，使模型能夠運用于預測；電池在其他環(huán)境溫度下充電過程中的表面最高溫度通過模型進行預測。本發(fā)明的模型應用起來簡單易行，參數(shù)容易控制，結(jié)果具有實用價值；電池在不同環(huán)境溫度下工作時的表面最高溫度得以預測，為電池熱管理系統(tǒng)的有效工作和電池的安全提供了保證。
文檔編號G01J5/00GK102494778SQ20111035993
公開日2012年6月13日 申請日期2011年11月14日 優(yōu)先權(quán)日2011年11月14日
發(fā)明者吳伯榮, 吳鋒, 宋亮, 方凱正, 林靜, 穆道斌, 陳實 申請人:北京理工大學