(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211041730.7 (22)申请日 2022.08.29 (71)申请人 中国人民解 放军陆军工程大 学 地址 210007 江苏省南京市秦淮区后标营 路88号 (72)发明人 杨启亮　王宁　邢建春　谢立强　 黄克峰　贾海宁　陈文杰　 (74)专利代理 机构 北京力量专利代理事务所 (特殊普通 合伙) 11504 专利代理师 刘一霖 (51)Int.Cl. G01R 31/367(2019.01) G01R 31/387(2019.01) G01R 31/388(2019.01) G01R 31/385(2019.01)G01R 31/378(2019.01) G01R 31/392(2019.01) G06F 30/20(2020.01) G06N 3/04(2006.01) (54)发明名称 一种基于混合模型的储能系统电池热失控 预判方法 (57)摘要 本发明公开了一种基于混合模型的电池热 失控预判方法， 综合电池物理模 型和深度学习人 工智能模型实现电池热失控预先判定和报警， 通 过电池电热耦 合模型估算电池的内部温度、 SOC， 结合电池传感器测量的电池表面温度、 电池电 压、 电池电流共 同作为LSTM的输入， 利用混合模 型精确预测电池的表面温度和内部温度。 根据热 失控的故障机理， 通过阈值的方法判定热失控的 发生并确定诱发原因， 实现了对电池 热失控的准 确预测。 这种混合模型方法结合了电池的热特性 和电特性， 同时应用了人工智 能数据驱动方法， 为电池热失控 预判和诊断方法提供了新的思路。 本发明判断故障流程简单、 实用性强而且响应较 快， 具有较好的应用前 景。 权利要求书1页 说明书6页 附图7页 CN 115453367 A 2022.12.09 CN 115453367 A 1.一种基于混合模型的储能系统电池热失控预判方法， 其特征在于将电池模型与LSTM 神经网络模型相结合， 构建如下模型： 用于采集电池相关参数的电池数据采集模型； 用于精确估算内部温度Tin和电池SOC的电池电热耦合模型； 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； 用于完成预判实现热失控预警的热失控预判模型。 2.根据权利要求1所述的基于混合模型的储能系统电池热失控预判方法， 其特征在于， 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； 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Tin进行关 联； 首先通过负载电流和电池的内部温度计算得 出电池的SOC； 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； 将锂电池产热量Qj和环境温度Tamb作为热模型的输入， 计算出锂离子电池的内部温度 Tin； 再将内部温度Tin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Tin和电池SOC的作用。 3.根据权利要求2所述的基于混合模型的储能系统电池热失控预判方法， 其特征在于， 上述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Tin、 电池表面温度 Tamb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。 4.根据权利要求1所述的基于混合模型的储能系统电池热失控预判方法， 其特征在于， 上述热失控预判模型， 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。权　利　要　求　书 1/1 页 2 CN 115453367 A 2一种基于混合模型的储能系统电池热失控预判方 法 技术领域 [0001]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 [0002]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。 [0003]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。 发明内容 [0004]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 。 [0005]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： [0006]用于采集电池相关参数的电池数据采集模型； [0007]用于精确估算内部温度Tin和电池SOC的电池电热耦合模型； [0008]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； [0009]用于完成预判实现热失控预警的热失控预判模型。 [0010]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； [0011]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Tin 进行关联； [0012]首先通过负载电流和电池的内部温度计算得 出电池的SOC； [0013]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； [0014]将锂电池产热量Qj和环境温度Tamb作为热模型的输入， 计算出锂离子电池的内部 温度Tin； 再将内部温度Tin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Tin和电池SOC的作用。说　明　书 1/6 页 3 CN 115453367 A 3