(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110648352.8 (22)申请日 2021.06.10 (65)同一申请的已公布的文献号 申请公布号 CN 113484770 A (43)申请公布日 2021.10.08 (73)专利权人 广东恒翼能科技有限公司 地址 518000 广东省东莞 市东城街道东科 路38号2栋 (72)发明人 谢缔　王守模　汪亮亮　姚继刚　 罗剑乐　莫林真　 (74)专利代理 机构 北京三聚阳光知识产权代理 有限公司 1 1250 代理人 李博洋 (51)Int.Cl. G01R 31/367(2019.01)G01R 31/3842(2019.01) G01R 31/385(2019.01) G01R 31/389(2019.01) G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) 审查员 王改英 (54)发明名称 基于充放电数据在线测算电池内部核心温 度的方法及系统 (57)摘要 本申请公开了基于充放电数据在线测算电 池内部核心温度的方法及系统。 方法包括： 获取 用于确定待测电池的核心温度的多个检测项， 获 取在当前采样时刻对待测电池进行检测得到的 检测项对应的第一测量值， 以及在上一采样时刻 对待测电池进行检测得到的检测项对应的第二 测量值； 获取用于测算待测电池的核心温度的线 性神经网络模型， 将检测项、 第一测量值以及第 二测量值输入线性神经网络模型， 以使线性神经 网络模型测算出待测电池在当前采样时刻 的目 标核心温度。 本申请基于检测项与核心温度之间 的线性关系构建神经网络模型， 并通过该模型直 接确定各个检测项对应的权重， 可以实现快速测 算电池的核心温度， 同时保证了测算出和核心温 度的准确性。 权利要求书4页 说明书15页 附图5页 CN 113484770 B 2022.04.01 CN 113484770 B 1.基于充放电数据在线测算电池内部核心温度的方法， 其特 征在于， 包括： 获取用于确定待测电池的核心温度的多个检测项， 其中， 所述检测项是基于电池在充 放电过程中产生的充放电数据得到的； 获取在当前采样时刻对所述待测电池进行检测得到的所述检测项对应的第 一测量值， 以及在上一采样时刻对所述待测电池进行检测得到的所述检测项对应的第二测量 值； 获取用于测算所述待测电池的核心温度的线性神经网络模型， 其中所述线性神经网络 模型是基于所述检测项与核心温度之间的线性关系构建的； 将所述检测项、 所述第一测量值以及所述第二测量值输入所述线性神经网络模型， 以 使所述线性神经网络模型确定所述检测项对应的目标权重值， 并根据所述 目标权重值、 所 述第一测量 值以及所述第二测量 值测算出 所述待测电池在当前采样时刻的目标核心温度； 其中， 所述获取用于确定待测电池的核心温度的多个检测项， 包括： 获取电池在充放电 过程中产生的充放电数据， 以及电池在充放电时所 处的环境温度， 其中， 所述充放电数据包 括： 电池的表面温度、 电池内阻以及电池电流； 基于所述充放电数据和所述环境温度， 构建 电池集总热模型， 其中， 所述电池集总热模型包括： 核心温度与 表面温度之 间的第一对应关 系， 以及表面温度与环境温度之 间的第二对应关系； 基于所述电池集总热模型， 得到用于确 定待测电池的核心温度的多个 检测项； 所述电池集总热模型为： 其中， C1为第一热容量， C2为第二热容量， Tin为电池的核心 温度， Tsh为电池的表面温度， k1为第一散热系数， k2为第二散热系数， Tamb为环境温度， i 为电池电流， R为电池内阻； 所述获取用于测算所述待测电池的核心温度的线性神经网络模型， 包括： 根据所述检测项和所述核心温度构建非线性模型， 其中， 所述非线性模型为： 式中， y(t)为所述核心温度， 为 所述检测项对应的测量值， nμ、 ny为最大延时拍数， 为 模型输入矢量； 对所述非线性模型进行拟合， 得到初始线性神经网络模型； 对所述初始线性神经网络模型进行训练， 使所述初始线性神经网络模型学习所述核心 温度与权 重值、 测量 值以及偏差值之间的线性关系， 得到所述线性神经网络模型。 2.根据权利要求1所述的方法， 其特征在于， 所述对所述非线性模型进行拟合， 得到初 始线性神经网络模型， 包括： 获取所述检测项对应的离线测试 数据； 利用所述离线测试数据以及所述核心温度构建所述核心温度对应的离散时域模型， 其 中， 所述离 散时域模型如下： 式中， Tin(s)为当前采样时刻的 核心温度， Tsh(s)为当前采样时刻的表面温度， Tsh(s‑1)为上一采样时刻的表面温度， Tamb权　利　要　求　书 1/4 页 2 CN 113484770 B 2(s)为当前采样时刻的环境温度， i(s ‑1)为上一采样时刻的电池电流， 为当前采样时刻的 实时电阻， A、 B、 C、 D分别为检测项对应的权 重值； 基于所述离散时域模型， 确定所述初始线性神经网络模型的输入项、 输出项以及权重 值， 其中， 所述输入项包括： 当前采样时刻的表面 温度、 上一采样时刻的表面温度、 上一采样 时刻的环境温度、 上一采样时刻的电池电流以及当前采样时刻的实时电池内阻， 输出项为 当前采样时刻的核心温度； 利用预设线性模型对所述输入项、 权重值以及输出项进行拟合， 得到所述初始线性神 经网络模型。 3.根据权利要求1所述的方法， 其特征在于， 所述对所述初始线性神经网络模型进行训 练， 使所述初始线性神经网络模型学习 所述核心温度与权重值、 测量值以及偏差值之间的 线性关系， 得到所述线性神经网络模型， 包括： 获取输入训练样本以及输出训练样本， 其中， 所述输入训练样本包括： 所述检测项对应 的初始权重值以及测量值样 本， 所述输出训练样本包括： 核心温度样 本， 所述初始权重值是 根据所述测量 值样本和所述核心温度样本进行线性拟合得到的； 将所述输入训练样本输入所述初始线性神经网络模型， 以使所述初始线性神经网络模 型根据所述初始权 重值以及测量 值样本得到第一核心温度； 在所述第一核心温度与所述核心温度样本不匹配的情况下， 对所述初始权重值进行递 归得到目标权重值， 并使用所述目标权重值和所述测量值样本对所述初始线性神经网络模 型进行训练， 得到的第二核心温度； 在所述第二核心温度与所述核心温度样本匹配的情况下， 将所述目标权重值与所述检 测项之间的对应关系存 储至所述初始线性神经网络模型， 得到所述线性神经网络模型； 其中， 所述线性神经网络模型为： 式中， 为所述线性神经网络模型的输入项， y(t)为所述线性神经网络模型的输 出项， ωi为目标权重值， ε为预设偏差值， m为输入项的数量， 所述预设偏差值的计算公式 为： ε为预设偏差值， N 为样本数量。 4.根据权利要求3所述的方法， 其特征在于， 所述在所述第 一核心温度与所述核心温度 样本不匹配的情况 下， 对所述初始权 重值进行递归得到目标权 重值， 包括： 建立第一递归矩阵Mk以及第二递归矩阵Rk， 其中， 所述第一递归矩阵Mk以及第二递归矩 阵Rk均与所述线性神经网络模型的输入项具有对应关系， 所述对应关系为： 式中， 为输入项矩阵， 为输入项矩阵的转置矩阵， k为输入项的标识， m为输入项的 数量， I为单位矩阵； 获取权重测算方程， 其中， 所述权重测算方程为： 为权重值， y为核心权　利　要　求　书 2/4 页 3 CN 113484770 B 3