CN113013514A - 一种车载锂离子动力电池的热失控气敏报警装置及其检测方法 - Google Patents
一种车载锂离子动力电池的热失控气敏报警装置及其检测方法 Download PDFInfo
- Publication number
- CN113013514A CN113013514A CN202110208652.4A CN202110208652A CN113013514A CN 113013514 A CN113013514 A CN 113013514A CN 202110208652 A CN202110208652 A CN 202110208652A CN 113013514 A CN113013514 A CN 113013514A
- Authority
- CN
- China
- Prior art keywords
- battery
- thermal runaway
- state
- gas
- vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
- H01M10/486—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for measuring temperature
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Electrochemistry (AREA)
- Manufacturing & Machinery (AREA)
- General Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Chemical & Material Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Software Systems (AREA)
- Computational Mathematics (AREA)
- Secondary Cells (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Microelectronics & Electronic Packaging (AREA)
- General Health & Medical Sciences (AREA)
Abstract
本发明公开了一种车载锂离子动力电池的热失控气敏报警装置,包括:箱体;多个电池包模组间隔设置在箱体的内部,且多个电池包模组内部设置有均匀排列的电池单体,多个电池包模组之间为冷却流场通道;气敏传感器设置在冷却流场通道的出口位置;多个热电偶温度传感器均匀排列在多个电池包模组的内部;多个质量传感器一一对应的设置在电池单体的下部;管理装置与气敏传感器、多个热电偶温度传感器和多个质量传感器相连接。本发明还公开了一种车载锂离子动力电池的热失控气敏报警装置的检测方法,通过建立马尔科夫链预测模型判断电池热失控的概率,并对电池采用冷却措施及对驾乘人员进行提醒。
Description
技术领域
本发明涉及锂离子电池安全技术领域,更具体的是,本发明涉及一种车载锂离子动力电池的热失控气敏报警装置及其检测方法。
背景技术
锂离子电池凭借其具高容量,高输出电压,高充电率,高能量密度,自放电低和循环特性优良等诸多优势,已经成为车用动力电池的主流选择。但是,其电极材料的高活性与电解质材料的易燃性决定锂离子电池发生热失控的风险始终存在。近年来,随着电动汽车市场保有量的增长及其动力性能的提高,车载锂离子动力电池热失控引发的恶性安全事故频发,严重打击了消费者对电动车的信心。
对于由层叠式卷绕材料构成的电芯,锂离子电池即使完全正常使用,伴随着每次充放电,电芯都会因载流子在界面处产生的应力残留而出现结构破坏。界面处的结构破损会引起载流子的不均匀沉积,导致枝晶的产生。覆盖在电极表面的SEI钝化膜是防止枝晶诱发破坏性副反应的重要措施。研究表明,SEI钝化膜会在热滥用的情况下分解,导致副反应持续向正方向移动。其产生的气体与热效应会加剧电池结构的热损害程度,使副反应规模超过阈值,将电池的双稳态***导向不可逆的热失控。研究表明,在电池的正常工作时,电池与外界不存在物质交换,没有气体产生。所以,这些副反应产生的气体,可以被作为衡量电芯热损害程度的可测量物理表征,用以评估单体发生热失控的风险。
电池的热损害可分为可逆与不可逆两种。研究表明,热失控的发生与由电池的内短路高度相关,而电池内部结构的不可逆损伤则会成为内短路发生的直接诱因。在电动车的实际使用中,电池单体热损害的发生到热失控的发生是一个渐进的过程。在热损害发生的初期,由于电池自身的结构特点,作为电池的主要输出外参数,温度与电压往往没有明显变化,且这段时间的长短与热损害触发方式的很大关系,但这段时间上的滞后是普遍存在的。这就为工程手段的介入提供了时间窗口,使热失控的主动防护成为可能。而尽可能扩大这个时间窗口就成为工程手段介入能否成功的关键。
热失控在本质上是电解质的剧烈副反应,电池内自由基的浓度对副反应的最终走向具有决定性影响,如果能够快速的降低电池内自由基的浓度,即快速的使电解液失活,则可以有效的阻断副反应在电池内的蔓延,控制其反应规模,防止***因突破阈值而导向热失控状态,实现对热失控的主动安全干预。同时,由于热效应与电压浮动是电池副反应的最显著的特征,电压波动或热敏信号是现有热失控告警***的主要触发手段。但是这种基于单一外参数表征的热失控预警方法存在较高的误报、漏报几率,预警时间滞后,使后续主动安全措施的介入窗口过小,效果乏力。
并且作为强制灭火***的工作物质,以氟氯烷烃为代表的热失控阻断剂在迅速耗尽热失控单体自由基的同时,也会使同一模组内其他完好的电池单体因化学活性丧失而报废。
发明内容
本发明的目的是设计开发了一种车载锂离子动力电池的热失控气敏报警装置,通过获取电池包模组内气体浓度、电池单体温度和电池单体质量的变化并将其发送至位于BMS上位机,能够对处于工作状态下动力电池是否出现损伤及其损伤程度进行实时监测,提高热失控的预警及介入时间。
本发明的另一个目的是设计开发了一种车载锂离子动力电池的热失控气敏报警装置的检测方法,通过建立马尔科夫链预测模型判断电池热失控的概率,并对电池采用冷却措施及对驾乘人员进行提醒,从而实现对热失控发生风险的定量可预测。
本发明提供的技术方案为:
一种车载锂离子动力电池的热失控气敏报警装置,包括:
箱体;以及
多个电池包模组,其间隔设置在所述箱体的内部,且所述多个电池包模组内部设置有均匀排列的电池单体,所述多个电池包模组之间为冷却流场通道;
气敏传感器,其设置在所述冷却流场通道的出口位置;
多个热电偶温度传感器,其均匀排列在所述多个电池包模组的内部;
多个质量传感器,其一一对应的设置在所述电池单体的下部;
管理装置,其与所述气敏传感器、多个热电偶温度传感器和多个质量传感器相连接,用于信号的接收和命令的传递。
优选的是,所述管理装置包括:
信号传输组件,其与所述气敏传感器、多个热电偶温度传感器和多个质量传感器相连接;
单片机,其与所述信号传输组件相连接;
BMS上位机,其与所述单片机相连接,用于信号的接收和命令的传递。
优选的是,还包括:
多个电流/电压信号采集器,其一一对应的与所述电池单体相连接,用于监测所述电池单体的输出电流和输出电压;
固态颗粒检测器,其设置在所述气敏传感器的一侧;
其中,所述多个电流/电压信号采集器和固态颗粒检测器均与所述信号传输组件相连接。
一种车载锂离子动力电池的热失控气敏报警装置的检测方法,使用所述的车载锂离子动力电池的热失控气敏报警装置,包括如下步骤:
步骤一、按照采样周期,采集箱体内的一氧化碳特征气体的浓度、多个电池包模组内的温度和电池单体的质量损失百分比,并构造电池状态表征矩阵:
Ω=(Q,T,Δm)T;
式中,Q为箱体内的一氧化碳特征气体的浓度向量,T为电池包模组内的各个监测点的温度向量,Δm为各个电池单体的质量损失百分比;
步骤二、将电池状态数据按照1:1的比例随机划分为训练集和测试集,对出现过的电池状态表征矩阵按照时序原则在训练集上进行统计,得出电池的状态空间,并建立马尔科夫链预测模型,获得状态转移矩阵:
步骤三、依靠建立的有效马尔科夫链模型预测所述测试集中各个电池状态的未来三个采样周期的电池状态[Ωt+T,Ωt+2T,Ωt+3T],t为当前的时间标签,T为采样周期;
步骤四、将所述未来三个采样周期的电池状态、马尔科夫链有效性和电池的SOC值输入BP神经网络模型中,获得电池热失控处于的阶段等级;
步骤五、通过所述电池热失控处于的阶段等级判断电池热失控的概率,并对电池采用冷却措施及对驾乘人员进行提醒。
优选的是,所述电池从状态Ωi迁移到状态Ωj的概率满足:
优选的是,判断所述马尔科夫链模型是否有效的过程为:
根据所述状态转移矩阵对所述测试集中各个电池状态的未来一个采样周期的电池状态进行预测,并将预测结果与真实状态进行对比,若马尔科夫链有效性大于90%,则证明马尔科夫链预测模型有效,否则重新建立马尔科夫链预测模型。
优选的是,所述马尔科夫链有效性满足:
式中,k为预测结果的准确数量,K为所有测试集状态数量。
优选的是,所述电池的SOC值是基于离线台架试验获取电池SOC-OCV曲线后通过实时电流/电压信号查询获得。
优选的是,所述BP神经网络模型的计算过程为:
步骤1、确定三层BP神经网络的输入层神经元向量x={x1,x2,x3,x4,x5};其中,x1为电池状态Ωt+T,x2为电池状态Ωt+2T,x3为电池状态Ωt+3T,x4为马尔科夫链有效性f,x5为电池的SOC值;
式中,m为输入节点的个数,n为输出节点的个数,a为调节因子;
步骤3、得到输出层神经元向量o={o1,o2};o1为电池热失控风险等级,o2为o1预测结果的可信度;
优选的是,所述步骤五具体包括:
当ο1=0且ο2≥90%时,所述电池不存在发生热失控的概率;
当ο1=1且ο2≥80%时,所述电池发生热失控的概率小于50%并需要对电池的单体进行冷却处理;
当ο1=2且ο2≥70%时,所述电池发生热失控的概率大于50%并需要对电池包模组进行冷却处理;
当ο1=3且ο2≥60%时,所述电池包模组发生热失控并需要提醒驾乘人员及时进行避险并发出报警声。
本发明所述的有益效果:
(1)、本发明设计开发的一种车载锂离子动力电池的热失控气敏报警装置,所采用的气敏传感器采用贴片式电信号传感器,体积小,成本低,不依赖外电源,可在封装过程中可以直接整合入在电池包模组中,不依赖与电池组的外信号输出,受外界因素影响小;不同于传统的光敏检测设备,其不依赖上位机检测设备,可实现对电池包模组内气体成分的实时监测。
(2)、本发明设计开发的车载锂离子动力电池的热失控气敏报警装置,能够对多种热失控先兆表征物理量进行协同测量,可以有效的避免BMS的误报与漏报,且气敏信号的引入可以显著的提前预警时间,提高电动车整体安全性能;
(3)本发明设计开发的车载锂离子动力电池的热失控气敏报警装置的检测方法,解决在动态工况下,准确评估车载锂离子动力电池单体的热失控风险技术难题,使其由不可测到定量可预测,并以此为基础,实现对驾驶员的及时预警;通过***量化热失控发生风险,使BMS可以更准确的识别潜在威胁并评估其程度,极大提高介入措施的效用。
(4)本发明设计开发的车载锂离子动力电池的热失控气敏报警装置的检测方法,配合车载BMS***的安全解决方案,是专门基于电动车安全需求研发的安全子模块,不同于现有为储能电站开发的安全措施,强调与电动车现有控制软体的兼容性,兼顾电动车内部结构布局与动力性需求。
附图说明
图1为本发明所述电池包模组在***中装配结构示意图。
图2为本发明所述锂电池的安全工作范围与热失控表征示意图。
图3为本发明所述各个热失控阶段不同SOC情况下的单体质量变化情况示意图。
图4为本发明所述不同压力环境下电池整体释放热量与单体数目之间的关系示意图。
图5为本发明所述电池内压强随单体表面温度升高的变化情况示意图。
图6为本发明所述多种传感器在电池内的布置结构示意图。
图7为本发明所述电池热失控预警***评估模型架构图。
图8为本发明所述电池热失控预警***机理层物理架构示意图。
具体实施方式
下面结合对本发明做进一步的详细说明,以令本领域技术人员参照说明书文字能够据以实施。
本发明旨在设计一种基于气敏传感器通路(气体信号,气压、气体浓度)、温度传感器(温度信号)及质量传感器(质量变化信号)和结合机器学习与大数据分析的热失控概率评估模型的车载锂离子动力电池热失控预警装置及其检测方法,解决在动态工况下,准确评估车载锂离子动力电池单体的热失控风险技术难题,使其由不可测到定量可预测,并以此为基础,实现对驾驶员的及时预警。
如图1所示,本发明提供的一种车载锂离子动力电池的热失控气敏报警装置包括:箱体100、第一电池包模组111、第二电池包模组112、第三电池包模组113和第四电池包模组114,所述第一电池包模组111、第二电池包模组112、第三电池包模组113和第四电池包模组114间隔设置在所述箱体100的内部,且所述第一电池包模组111、第二电池包模组112、第三电池包模组113和第四电池包模组114内部均设置有均匀排列的电池单体120,所述第一电池包模组111、第二电池包模组112、第三电池包模组113和第四电池包模组114之间为冷却流场通道;所述冷却流场通道包括冷却进气道131和散热出气道132。
如图2所示,在热失控发生前,电池的内结构损伤必须达到一定程度。随着热失控发生的临近,其内部损伤不断扩大,进而触发更大规模的副反应,最终使其发展到不可逆转程度。对于结构完好的锂离子电池,其电芯中的电解液并不参与化学反应,工作状态下与***外无物质交换发生。当锂离子电池发生危及安全的损伤时,无论损伤如何微小,电芯内的电解液将发生氧化反应,其氧化产物将以气体的形式和产热的形式与外界进行物质和能量交换。如图3-5所示,当位于电池顶盖处的泄压阀因电池内压升高而使电池内外环境联通时,将导致三个直接的后果:电池包内压力升高与气体成分改变、电池单体质量减轻和电池单体热量的释放与表面温度升高,气体的主要成分有水、一氧化碳、二氧化碳以及少量有机蒸气,其中,二氧化碳是气体产物的主要成分,特征性成分为一氧化碳与氢氟酸蒸汽。
据此,通过对以上三个物理量,特征气体丰度、电池单体质量损失比例和电池表面温度,对电池模组内环境状态的扰动进行监控,进而在不依赖电池的外参数输出的情况下,判断是否有电解液分解情况的发生及其发生程度,实现对处于工作状态下动力电池是否出现损伤及其损伤程度进行实时监测。
如图1、图6所示,本发明以使用气冷方式进行冷却的、各自独立封装的电池包模组为单位布设传感器,具体包括:气敏传感器140、多个热电偶温度传感器150、多个质量传感器160、固态颗粒检测器170、多个电流/电压信号采集器和管理装置(图中未示出),气敏传感器140设置在所述散热出气道132的出口位置,气冷通道中的空气气流将作为电池产气的运载气体,将电池产气运送至气敏传感器140;多个热电偶温度传感器150均匀排列在所述第一电池包模组111、第二电池包模组112、第三电池包模组113和第四电池包模组114的内部,用于检测所述第一电池包模组111、第二电池包模组112、第三电池包模组113和第四电池包模组114内的温度场分布;多个质量传感器160一一对应的设置在所述电池单体120的下部,用于检测电池单体120的质量损失情况,作为气敏传感器140信号的补充信号,以求确定具体损坏电池单体120的位置;多个电流/电压信号采集器一一对应的与所述电池单体120相连接,用于监测所述电池单体120的输出电流和输出电压;固态颗粒检测器170设置在所述气敏传感器140的一侧;管理装置与所述气敏传感器140、多个热电偶温度传感器150、多个质量传感器160、多个电流/电压信号采集器和固态颗粒检测器170相连接,用于信号的接收和命令的传递。
所述管理装置包括:信号传输组件、单片机和BMS上位机,所述信号传输组件与所述气敏传感器140、多个热电偶温度传感器150、多个质量传感器160、多个电流/电压信号采集器和固态颗粒检测器170相连接;单片机与所述信号传输组件相连接;BMS上位机与所述单片机相连接,用于信号的接收和命令的传递。
不同于现有的、基于傅里叶红外光谱分析的光敏气体检测方法,本发明中采用了基于电信号的贴片式气敏传感器来实时检测模组内特征气体的丰度变化,其监测原理基于特征气体分子被涂层捕获后引起的电阻变化,不依赖于光学检测设备对纯化样品的二次检测,不需要在电池包模组或箱体内加装额外附件,根据模组内冷却气体的流场分布,通过在模组内部布置气敏传感器阵列,可以使上位机实时感知模组内不同位置的特征气体浓度变化。通过耦合热电偶回传的实时温度场分布,可以初步判断问题单体在模组内的位置。配合布置在单体底部的高精度质量传感器,可以使上位机准确锁定模组内的损伤单体,相较于在泄压阀处布置压力传感器的技术方案,采用质量传感器的方法可以避免压力传感器信号噪音大、受环境因素影响明显的缺点。
在本实施例中,在第一电池包模组111、第二电池包模组112、第三电池包模组113和第四电池包模组114的壳体内以4*4的形式布置了16个热电偶温度传感器150。
相较于目前通行的使用电压或温度的单一外参数进行热失控预警的方法,引入可燃气体传感器与质量传感器不仅可以减低误报与漏报的几率,还可以更直接的反映电池内部的状态,可以将热失控的预警时间显著提前,使介入时间窗口宽展至分钟级别,为后续主动安全措施发挥作用创造条件。
本发明设计开发的一种车载锂离子动力电池的热失控气敏报警装置,通过特征气体丰度、电池单体质量损失比例和电池表面温度,对电池包模组内环境状态的扰动进行监控,进而在不依赖电池的外参数输出的情况下,判断是否有电解液分解情况的发生及其发生程度,实现对处于工作状态下动力电池是否出现损伤及其损伤程度进行实时监测。相较于目前通行的使用电压或温度的单一外参数进行热失控预警的方法,引入可燃气体传感器与质量传感器不仅可以减低误报与漏报的几率,还可以更直接的反映电池内部的状态,可以将热失控的预警时间显著提前,使介入时间窗口宽展至分钟级别,为后续主动安全措施发挥作用创造条件。
虽然热失控一旦发生,则可认为***进入了一个不可逆状态,但由于触发热失控的具体工况存在差异,电池的热损害未必一定会导致热失控的发生,因此,传感器获得的电池状态数据必须由概率分析模型去评估热失控发生的风险。
根据电动车的需求,模型应以物理量的变化率为输入,以此工况下的热失控发生概率为输出,从而实现对热失控发生风险的量化评估。因此,位于上位机的热失控风险评估模型应当由描述电池状态的机理仿真模型与评估热失控发生风险的概率模型组成。当获得传感器的物理量波动信号后,首先由机理仿真模型根据输入的信号峰值判断此单体发生的副反应规模,之后由基于机器学习算法的概率分析模型根据副反应规模评估其所处的热损害阶段与可用安全介入窗口的大小。基于此模型的评估结果,BMS***将自主选择向驾驶员预警热失控风险的同时自动选择对应的安全策略,从而达到提高电动车安全性的目的。
如图7所示,本发明中评估模型采用的是以物理模型为基础的概率评估模型,其中,反应动力学模型、热扩散模型、热应变模型和动力应变模型构成物理模型,由物理模型转换为数学模型,并将数学模型与实测数据共同输入到机器学习算法中,上述为机理层;通过机器学习算法获得经验模型/虚拟被测对象,并将经验模型/虚拟被测对象与动态台架数据相结合得到控制干预模型,上述为推理层;最终将输出的干预结果和电器模型的数据共同传输到BMS上位机中,形成操作层。
机理层的任务主要是形成作为模型内核的虚拟样机,推理层的任务是通过机器学习方法,对虚拟样机与实测实验形成的数据库进行数据分析获得热失控风险的概率分布模型,操作层的任务是根据概率层的风险评估结果,对之后的操作进行决策,其中,机理层作为整个评估模型的基础,为其提供了理论支撑,而作为后续上层建筑的推理层与操作层,则需要大数据技术与硬件实现方法的支持与制约,而操作层在推理层给出相应结果判断的基础之上,结合实际情况做出合理化建议,例如对电池包进行相应的冷却措施,或者提醒司机乘客进行安全逃生等。
机理层的核心在于其物理模型对热失控物理图景的精确复现。而这一目标的基础在于对热失控关键表征的物理解耦及相关物理场的耦合方式。本发明中物理模型所采用的物理架构及各主要模块的耦合方式与判断条件如图8所示。作为一种浓差电池,扩散行为被本模型认为是电池功能的第一驱动力,而热源性触发被作为电池热失控触发的本征条件。
推理层中即为车载锂离子动力电池的热失控气敏报警装置的控制方法,使用如权利要求1-3任意一项所述的车载锂离子动力电池的热失控气敏报警装置,通过布置的多种传感器采集电池的气体特征分布、温度分布以及单体的质量损失,利用马尔可夫链-蒙特卡洛算法,对未来一段时间内的电池状态做出置信预测,结合通过建立好的电池等效电路模型表征出的电池特征参数,作为神经网络模型的输入信号,对电池的热失控风险做出相应的评估。具体包括如下步骤:
步骤一:按照采样周期,通过传感器测量采集箱体内的一氧化碳特征气体的浓度、多个电池包模组内的温度和电池单体的质量损失百分比,并构造一组电池的状态表征矩阵:
Ω=(Q,T,Δm)T;
式中,Q为箱体内的一氧化碳特征气体的浓度向量,T为电池包模组内的各个监测点的温度向量,Δm为各个电池单体的质量损失百分比;
步骤二、根据实测实验行程的数据库,将电池状态数据按照1:1的比例随机划分为训练集和测试集,对出现过的电池状态表征矩阵按照时序原则在训练集上进行相应的统计,得出电池的状态空间:
[S1,S2,......Sn];
式中,n为采样时间段数;
建立马尔科夫链预测模型,获得状态转移矩阵:
其中,所述电池从状态Ωi迁移到状态Ωj的概率满足:
步骤三:利用建立好的马尔科夫链状态转移矩阵对测试集各个电池状态的未来一个采样周期电池状态进行预测,预测过程为:
假设当前的电池状态为Ωi,i=1,2,…N,取最大概率:
Pmax=Pij=max(Pi1,Pi2,......PiN),
式中,j为最大概率状态编号,Ωj为下个电池预测状态;
将模型预测结果与真实状态进行对比计算,对马尔科夫链的准确性进行测试,计算马尔科夫链有效性:
式中,k为预测结果的准确数量,K为所有测试集状态数量;
若f>90%,则证明马尔科夫链预测模型有效,否则重新建立马尔科夫链预测模型;
依靠建立的有效马尔科夫链模型预测所述测试集中各个电池状态的未来三个采样周期的电池状态[Ωt+T,Ωt+2T,Ωt+3T],t为当前的时间标签,T为采样周期;
步骤四、将所述未来三个采样周期的电池状态、马尔科夫链有效性和电池的SOC值输入BP神经网络模型中,获得电池热失控处于的阶段等级;
其中,基于离线台架试验获取电池SOC-OCV曲线后,建立电池的物理表征模型,在此基础上,通过CAN总线获取到电池的实时输出电流/电压信号,然后通过建立好的电池的物理表征模型,对电池的SOC进行准确表征,确定其特征状态为SSOC;
所述BP神经网络模型的计算过程为:
步骤1、确定三层BP神经网络的输入层神经元向量x={x1,x2,x3,x4,x5};其中,x1为电池状态S1,x2为电池状态S2,x3为电池状态S3,x4为马尔科夫链有效性,x5为电池的SOC值;
式中,m为输入节点的个数,n为输出节点的个数,a为调节因子,调节因子的取值范围为1~10,所以选取隐层神经元为5个;
步骤3、得到输出层神经元向量o={o1,o2};o1为电池热失控风险等级,o2为o1预测结果的可信度;
隐层及所述输出层的激励函数均采用S型函数fj(x)=1/(1+e-x);
步骤五、通过所述电池热失控处于的阶段等级判断电池热失控的概率,并对电池采用冷却措施及对驾乘人员进行提醒,具体包括:
当ο1=0且ο2≥90%时,所述电池不存在发生热失控的概率;
当ο1=1且ο2≥80%时,所述电池发生热失控的概率小于50%并需要对电池的单体进行冷却处理;
当ο1=2且ο2≥70%时,所述电池发生热失控的概率大于50%并需要对电池包模组进行冷却处理;
当ο1=3且ο2≥60%时,所述电池包模组发生热失控并需要提醒驾乘人员及时进行避险并发出报警声。
尽管本发明的实施方案已公开如上,但其并不仅仅限于说明书和实施方式中所列运用,它完全可以被适用于各种适合本发明的领域,对于熟悉本领域的人员而言,可容易地实现另外的修改,因此在不背离权利要求及等同范围所限定的一般概念下,本发明并不限于特定的细节和这里示出与描述的实施例。
Claims (10)
1.一种车载锂离子动力电池的热失控气敏报警装置及其方法,其特征在于,包括:
箱体;以及
多个电池包模组,其间隔设置在所述箱体的内部,且所述多个电池包模组内部设置有均匀排列的电池单体,所述多个电池包模组之间为冷却流场通道;
气敏传感器,其设置在所述冷却流场通道的出口位置;
多个热电偶温度传感器,其均匀排列在所述多个电池包模组的内部;
多个质量传感器,其一一对应的设置在所述电池单体的下部;
管理装置,其与所述气敏传感器、多个热电偶温度传感器和多个质量传感器相连接,用于信号的接收和命令的传递。
2.如权利要求1所述的车载锂离子动力电池的热失控气敏报警装置及其方法,其特征在于,所述管理装置包括:
信号传输组件,其与所述气敏传感器、多个热电偶温度传感器和多个质量传感器相连接;
单片机,其与所述信号传输组件相连接;
BMS上位机,其与所述单片机相连接,用于信号的接收和命令的传递。
3.如权利要求2所述的车载锂离子动力电池的热失控气敏报警装置及其方法,其特征在于,还包括:
多个电流/电压信号采集器,其一一对应的与所述电池单体相连接,用于监测所述电池单体的输出电流和输出电压;
固态颗粒检测器,其设置在所述气敏传感器的一侧;
其中,所述多个电流/电压信号采集器和固态颗粒检测器均与所述信号传输组件相连接。
4.一种车载锂离子动力电池的热失控气敏报警装置的检测方法,使用如权利要求1-3任意一项所述的车载锂离子动力电池的热失控气敏报警装置,其特征在于,包括如下步骤:
步骤一、按照采样周期,采集箱体内的一氧化碳特征气体的浓度、多个电池包模组内的温度和电池单体的质量损失百分比,并构造电池状态表征矩阵:
Ω=(Q,T,Δm)T;
式中,Q为箱体内的一氧化碳特征气体的浓度向量,T为电池包模组内的各个监测点的温度向量,Δm为各个电池单体的质量损失百分比;
步骤二、将电池状态数据按照1:1的比例随机划分为训练集和测试集,对出现过的电池状态表征矩阵按照时序原则在训练集上进行统计,得出电池的状态空间,并建立马尔科夫链预测模型,获得状态转移矩阵:
步骤三、依靠建立的有效马尔科夫链模型预测所述测试集中各个电池状态的未来三个采样周期的电池状态[Ωt+T,Ωt+2T,Ωt+3T],t为当前的时间标签,T为采样周期;
步骤四、将所述未来三个采样周期的电池状态、马尔科夫链有效性和电池的SOC值输入BP神经网络模型中,获得电池热失控处于的阶段等级;
步骤五、通过所述电池热失控处于的阶段等级判断电池热失控的概率,并对电池采用冷却措施及对驾乘人员进行提醒。
6.如权利要求5所述的车载锂离子动力电池的热失控气敏报警装置的检测方法,其特征在于,判断所述马尔科夫链模型是否有效的过程为:
根据所述状态转移矩阵对所述测试集中各个电池状态的未来一个采样周期的电池状态进行预测,并将预测结果与真实状态进行对比,若马尔科夫链有效性大于90%,则证明马尔科夫链预测模型有效,否则重新建立马尔科夫链预测模型。
8.如权利要求7所述的车载锂离子动力电池的热失控气敏报警装置的检测方法,其特征在于,所述电池的SOC值是基于离线台架试验获取电池SOC-OCV曲线后通过实时电流/电压信号查询获得。
9.如权利要求8所述的车载锂离子动力电池的热失控气敏报警装置的检测方法,其特征在于,所述BP神经网络模型的计算过程为:
步骤1、确定三层BP神经网络的输入层神经元向量x={x1,x2,x3,x4,x5};其中,x1为电池状态Ωt+T,x2为电池状态Ωt+2T,x3为电池状态Ωt+3T,x4为马尔科夫链有效性f,x5为电池的SOC值;
式中,m为输入节点的个数,n为输出节点的个数,a为调节因子;
步骤3、得到输出层神经元向量o={o1,o2};o1为电池热失控风险等级,o2为o1预测结果的可信度;
10.如权利要求9所述的车载锂离子动力电池的热失控气敏报警装置的检测方法,其特征在于,所述步骤五具体包括:
当ο1=0且ο2≥90%时,所述电池不存在发生热失控的概率;
当ο1=1且ο2≥80%时,所述电池发生热失控的概率小于50%并需要对电池的单体进行冷却处理;
当ο1=2且ο2≥70%时,所述电池发生热失控的概率大于50%并需要对电池包模组进行冷却处理;
当ο1=3且ο2≥60%时,所述电池包模组发生热失控并需要提醒驾乘人员及时进行避险并发出报警声。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110208652.4A CN113013514B (zh) | 2021-02-25 | 2021-02-25 | 一种车载锂离子动力电池的热失控气敏报警装置及其检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110208652.4A CN113013514B (zh) | 2021-02-25 | 2021-02-25 | 一种车载锂离子动力电池的热失控气敏报警装置及其检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113013514A true CN113013514A (zh) | 2021-06-22 |
CN113013514B CN113013514B (zh) | 2022-08-05 |
Family
ID=76386406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110208652.4A Active CN113013514B (zh) | 2021-02-25 | 2021-02-25 | 一种车载锂离子动力电池的热失控气敏报警装置及其检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113013514B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114019398A (zh) * | 2021-10-29 | 2022-02-08 | 中国第一汽车股份有限公司 | 一种电池***热失控试验装置及电池***热失控试验方法 |
CN115189047A (zh) * | 2022-07-27 | 2022-10-14 | 吉林大学 | 一种锂离子电池无析锂控制方法及*** |
WO2023071783A1 (zh) * | 2021-10-29 | 2023-05-04 | 宁德时代新能源科技股份有限公司 | 电池热失控检测方法、装置、***、车辆及存储介质 |
EP4207432A3 (en) * | 2021-12-30 | 2023-09-06 | Chongqing Changan New Energy Vehicles Technology Co., Ltd | Method and system for predicting thermal runaway of battery based on machine learning |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070212596A1 (en) * | 1999-06-25 | 2007-09-13 | Nebrigic Dragan D | Single and multiple cell lithium ion battery with built-in controller |
US7433794B1 (en) * | 2007-07-18 | 2008-10-07 | Tesla Motors, Inc. | Mitigation of propagation of thermal runaway in a multi-cell battery pack |
US20130207596A1 (en) * | 2012-01-26 | 2013-08-15 | Li-Tec Battery Gmbh | Electrochemical energy converter device with a cell housing, a battery with at least two of said electrochemical energy converter devices, and a method for the manufacture of an electrochemical energy converter device |
US20130231894A1 (en) * | 2012-03-01 | 2013-09-05 | Nokia Corporation | Method and apparatus for providing battery information |
US20140247137A1 (en) * | 2013-03-04 | 2014-09-04 | Hello Inc. | Base charging station for monitoring device |
US20140295218A1 (en) * | 2013-03-27 | 2014-10-02 | Eva Hakansson | Method of detecting lithium-ion cell damage via vapor detection |
CN108258338A (zh) * | 2017-12-29 | 2018-07-06 | 江苏博强新能源科技股份有限公司 | 电池的管理***和方法 |
CN109177982A (zh) * | 2018-10-31 | 2019-01-11 | 吉林大学 | 考虑驾驶风格的车辆行驶危险度评价方法 |
CN110828760A (zh) * | 2018-08-08 | 2020-02-21 | 辉能科技股份有限公司 | 水平复合式电能供应单元群组 |
CN111325403A (zh) * | 2020-02-26 | 2020-06-23 | 长安大学 | 一种公路隧道机电设备剩余寿命预测方法 |
CN111373586A (zh) * | 2017-06-02 | 2020-07-03 | 弗朗什孔岱大学 | 用于实时诊断电化学***的运行状态的方法和***、以及并入该诊断***的电化学*** |
US20200266405A1 (en) * | 2019-02-20 | 2020-08-20 | Rivian Ip Holdings, Llc | Battery module gas sensor for battery cell monitoring |
US20200307413A1 (en) * | 2019-03-28 | 2020-10-01 | Honda Motor Co., Ltd. | Selection apparatus, selection method, and storage medium |
CN112018292A (zh) * | 2020-09-07 | 2020-12-01 | 上海弘特智能***科技股份有限公司 | 一种ups电池柜安全预警装置及控制的方法 |
CN112090006A (zh) * | 2020-11-10 | 2020-12-18 | 国网江苏省电力有限公司经济技术研究院 | 一种预制舱消防控制***及其控制方法 |
US20210049480A1 (en) * | 2019-08-12 | 2021-02-18 | Micron Technology, Inc. | Predictive maintenance of automotive battery |
-
2021
- 2021-02-25 CN CN202110208652.4A patent/CN113013514B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070212596A1 (en) * | 1999-06-25 | 2007-09-13 | Nebrigic Dragan D | Single and multiple cell lithium ion battery with built-in controller |
US7433794B1 (en) * | 2007-07-18 | 2008-10-07 | Tesla Motors, Inc. | Mitigation of propagation of thermal runaway in a multi-cell battery pack |
US20130207596A1 (en) * | 2012-01-26 | 2013-08-15 | Li-Tec Battery Gmbh | Electrochemical energy converter device with a cell housing, a battery with at least two of said electrochemical energy converter devices, and a method for the manufacture of an electrochemical energy converter device |
US20130231894A1 (en) * | 2012-03-01 | 2013-09-05 | Nokia Corporation | Method and apparatus for providing battery information |
US20140247137A1 (en) * | 2013-03-04 | 2014-09-04 | Hello Inc. | Base charging station for monitoring device |
US20140295218A1 (en) * | 2013-03-27 | 2014-10-02 | Eva Hakansson | Method of detecting lithium-ion cell damage via vapor detection |
CN111373586A (zh) * | 2017-06-02 | 2020-07-03 | 弗朗什孔岱大学 | 用于实时诊断电化学***的运行状态的方法和***、以及并入该诊断***的电化学*** |
CN108258338A (zh) * | 2017-12-29 | 2018-07-06 | 江苏博强新能源科技股份有限公司 | 电池的管理***和方法 |
CN110828760A (zh) * | 2018-08-08 | 2020-02-21 | 辉能科技股份有限公司 | 水平复合式电能供应单元群组 |
CN109177982A (zh) * | 2018-10-31 | 2019-01-11 | 吉林大学 | 考虑驾驶风格的车辆行驶危险度评价方法 |
US20200266405A1 (en) * | 2019-02-20 | 2020-08-20 | Rivian Ip Holdings, Llc | Battery module gas sensor for battery cell monitoring |
US20200307413A1 (en) * | 2019-03-28 | 2020-10-01 | Honda Motor Co., Ltd. | Selection apparatus, selection method, and storage medium |
US20210049480A1 (en) * | 2019-08-12 | 2021-02-18 | Micron Technology, Inc. | Predictive maintenance of automotive battery |
CN111325403A (zh) * | 2020-02-26 | 2020-06-23 | 长安大学 | 一种公路隧道机电设备剩余寿命预测方法 |
CN112018292A (zh) * | 2020-09-07 | 2020-12-01 | 上海弘特智能***科技股份有限公司 | 一种ups电池柜安全预警装置及控制的方法 |
CN112090006A (zh) * | 2020-11-10 | 2020-12-18 | 国网江苏省电力有限公司经济技术研究院 | 一种预制舱消防控制***及其控制方法 |
Non-Patent Citations (4)
Title |
---|
SAKUMURA,Y等: "Markov chain model approximating the Hodgkin-Huxley neuron", 《ARTIFICIAL NEURAL NETWORKS-ICANN 2001,PROCEEDINGS》 * |
乔玉龙等: "基于隐马尔可夫模型的锂电池退化状态识别", 《应用科技》 * |
张绪祥等: "基于HMM的锂电池仓火灾预测算法研究", 《汽车实用技术》 * |
彭凯: "增程式电动车动力电池组预热控制策略研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114019398A (zh) * | 2021-10-29 | 2022-02-08 | 中国第一汽车股份有限公司 | 一种电池***热失控试验装置及电池***热失控试验方法 |
WO2023071783A1 (zh) * | 2021-10-29 | 2023-05-04 | 宁德时代新能源科技股份有限公司 | 电池热失控检测方法、装置、***、车辆及存储介质 |
EP4207432A3 (en) * | 2021-12-30 | 2023-09-06 | Chongqing Changan New Energy Vehicles Technology Co., Ltd | Method and system for predicting thermal runaway of battery based on machine learning |
CN115189047A (zh) * | 2022-07-27 | 2022-10-14 | 吉林大学 | 一种锂离子电池无析锂控制方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN113013514B (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113013514B (zh) | 一种车载锂离子动力电池的热失控气敏报警装置及其检测方法 | |
Yang et al. | Characterization of external short circuit faults in electric vehicle Li-ion battery packs and prediction using artificial neural networks | |
Jiang et al. | Data-driven fault diagnosis and thermal runaway warning for battery packs using real-world vehicle data | |
Wang et al. | A data-driven method for battery charging capacity abnormality diagnosis in electric vehicle applications | |
Chen et al. | Model-based fault diagnosis approach on external short circuit of lithium-ion battery used in electric vehicles | |
CN110416644B (zh) | 一种车载锂离子动力电池隐性损伤监测和热失控早期预警装置及其预警方法 | |
CN110398699A (zh) | 多传感器信息融合的动力电池热失控预警方法 | |
Xu et al. | A vehicle-cloud collaborative method for multi-type fault diagnosis of lithium-ion batteries | |
CN205674885U (zh) | 一种电动汽车的电池检测管理*** | |
Sun et al. | Modified relative entropy-based lithium-ion battery pack online short-circuit detection for electric vehicle | |
CN113791364A (zh) | 模型融合信号驱动的锂离子电池内部短路诊断方法与*** | |
CN115958957B (zh) | 一种电动汽车动力电池充电过热故障预测方法及*** | |
Xu et al. | Safety warning analysis for power battery packs in electric vehicles with running data | |
Wu et al. | A fault detection method of electric vehicle battery through Hausdorff distance and modified Z-score for real-world data | |
He et al. | Voltage abnormality-based fault diagnosis for batteries in electric buses with a self-adapting update model | |
Ding et al. | Diagnosis of connection fault for parallel-connected lithium-ion batteries based on long short-term memory networks | |
Li et al. | Battery safety risk assessment in real-world electric vehicles based on abnormal internal resistance using proposed robust estimation method and hybrid neural networks | |
Cho et al. | An LSTM-PINN hybrid method to estimate lithium-ion battery pack temperature | |
Yang et al. | Internal short circuit detection for parallel-connected battery cells using convolutional neural network | |
Liu et al. | Online diagnosis and prediction of power battery voltage comprehensive faults for electric vehicles based on multi-parameter characterization and improved K-means method | |
Yang et al. | A review on models to prevent and control lithium-ion battery failures: From diagnostic and prognostic modeling to systematic risk analysis | |
Diao et al. | Research on Electric Vehicle Charging Safety Warning Based on A-LSTM Algorithm | |
Zhang et al. | Battery voltage fault diagnosis for electric vehicles considering driving condition variation | |
Hong et al. | Collision-Caused thermal runaway investigation of li-ion battery in Real-World electric vehicles | |
Liu et al. | Voltage fault diagnosis and misdiagnosis analysis of battery systems using the modified Shannon entropy in real-world electric vehicles |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |