基于热阻网络的电池数字孪生温度预测方法、系统及汽车与流程
本发明涉及新能源汽车电池领域,特别涉及一种基于热阻网络的电池数字孪生温度预测系统、方法及汽车。
背景技术:
1、电池管理系统(bms)依赖稀疏的温度传感器布置,仅能获取电池表面局部温度点数据。这种监测方式无法准确反映电池内部三维温度场分布,特别是无法监测电芯中心区域温度,导致热场重构误差超过±5°c。电池管理系统(bms) 热管理多采用基于单点温度测量的阈值控制策略。当监测点温度超过预设阈值时启动加热。这种控制方式忽略了电池内部温度梯度,无法应对局部过热风险。同时缺乏对电池内部温度场时空演化的预测能力。无法基于当前状态预测未来温度变化趋势,实现提前干预和优化控制。
技术实现思路
1、针对现有技术不足,本发明提供一种基于热阻网络的电池数字孪生温度预测系统、方法及汽车,通过热阻网络模型与ai修正层的协同机制,实现了对电池内部温度场的高精度动态预测。
2、为了解决上述技术问题,本发明所采用的技术方案为:
3、基于热阻网络的电池数字孪生温度预测方法,包括采集电池包多维度数据;将多维度数据送入到基于简化热阻网络法构建电池低阶数字孪生模型中进行电池包内部温度场计算,得到的计算结果经ai修正模块修正模型误差后输出最终温度预测数据。
4、ai修正模块内置机器学习单元,实时学习并修正模型误差;所述ai修正模块预先通过离线数据库中的数据进行学习。
5、电池低阶数字孪生模型的搭建包括:采用分层热阻网络结构,将电池分解为多个热阻节点,通过模型降阶技术,将复杂三维热模型简化为低阶热阻网络模型。
6、低阶热阻网络模型采用热阻网络基本方程对模型进行描述,对于第i个热阻节点,其热平衡方程为:
7、;
8、式中:为第i个节点的热容;为第i个节点的温度;为第i个节点的热源功率;为第i个节点与第j个节点之间的热阻;n为总节点数。
9、ai修正模块采用残差学习机制对低阶热阻网络模型的输出误差进行ai修正;通过数据驱动方法预测物理模型的偏差δt,并动态注入修正量得到模型真实输出量:;
10、式中,为简化热阻网络预测温度;为模型简化前后的温度残差;x为动态参数向量;为ai修正函数。
11、将温度残差分解为可学习的多模态分量以避免噪声干扰,分解后的多模态分量为:;式中为通过ceemdan算法提取的误差模态分量;为高频噪声。
12、采用动态权重修正函数,通过注意力机制分配时空权重获取得到ai修正函数,其中ai修正函数为:;式中为空间权重矩阵;为时间权重矩阵,其中attn为注意力机制函数;lstm为循环记忆神经网络。
13、低阶热阻网络模型中的热阻参数采用在线校准和修正,修正后的热阻参数为:
14、;
15、式中:核极限学习机kelm为基于老化状态soh动态调整热阻值;为初始热阻参数值。
16、基于热阻网络基本方程建立模型参数与电池状态的映射关系,其中电池状态包括soc、soh、温度;映射关系为:
17、;
18、式中,为电池平均温度,和为通过实验数据拟合的参数化函数。
19、ai修正模块为轻量化lstm或gnn模型,输入动态参数。
20、采集的多维度数据采用ceemdan算法分解残差模态,剔除高频噪声;残差预测 lstm 模型动态更新补偿项。
21、ai修正模块通过预先训练实现对于温度的修正补偿,其预训练步骤包括:
22、数据预处理:采集温度、电流、电压数据,用ceemdan算法剔除高频噪声,保留主模态误差分量;
23、动态修正模型:训练轻量化lstm网络,输入历史残差序列及工况参数,输出温度补偿量;
24、老化自适应:集成核极限学习机kelm实现动态调整热阻参数。
25、基于热阻网络的电池数字孪生温度预测系统,包括数据采集模块、低阶数字孪生模型、ai修正模块;
26、其中数据采集模块采集电池包多维度数据;将多维度数据送入到基于简化热阻网络法构建的电池低阶数字孪生模型中进行电池包内部温度场计算,低阶数字孪生模型的计算结果经ai修正模块修正模型误差后输出最终温度预测数据。
27、所述数据采集模块实时采集电池的多维度数据,多维度数据包括电压、电流、温度。
28、所述低阶数字孪生模型预先搭建,采用分层热阻网络结构,将电池分解为多个热阻节点,通过模型降阶技术,将复杂三维热模型简化为低阶热阻网络模型。
29、所述ai修正模块内置机器学习单元,实时学习并修正模型误差;所述ai修正模块预先通过离线数据库中的数据进行学习。
30、所述预测系统还包括接口模块,所述接口模块用于提供标准化的数据接口和控制接口,实现低阶数字孪生模型的数据输出以及与车载控制器的对接。
31、一种汽车,所述汽车包括所述的温度预测系统或采用所述的预测方法对电池进行温度预测。
32、本发明与现有技术相比, 1、显著提升温度预测精度与实时性:本方案通过热阻网络模型与ai修正层的协同机制,实现了对电池内部温度场的高精度动态重构。相较于传统依赖稀疏传感器的监测方式,系统能够精准捕获电芯中心区域与表面的温度梯度分布,有效解决了热场重构的空间局限性问题。同时,多时间尺度建模技术保障了模型对焦耳热等快速变化过程的高响应性,结合增量学习算法对预测误差的实时修正,使温度预测的时效性与准确性获得突破性提升,完全满足车载bms毫秒级控制需求。
33、2、优化热管理能效与系统资源占用:基于数字孪生平台的前瞻性控制策略彻底改变了传统阈值控制的被动模式。系统通过预测电池温度场时空演化趋势,动态调整冷却/加热功率的施加时机与强度,显著减少过度冷却或加热导致的无效能耗。在快充与低温场景下,该策略可大幅降低热管理系统综合能耗。此外,模型降阶技术与内存优化设计大幅压缩了计算资源需求,使复杂模型能在车载芯片有限算力下高效运行,为其他控制功能释放宝贵资源。
34、3、增强系统自适应能力与安全性保障:本方案独有的动态参数映射与在线学习机制赋予模型持续进化能力。系统实时追踪电池老化状态、工况变化等动态因素,通过特征提取引擎自适应修正模型参数,克服了传统静态模型因性能衰减导致的预测失效问题。这种自适应性结合梯度补偿算法,使热管理阈值能随电池寿命周期智能调整,从根源上规避局部过热风险。最终在保障电池安全运行的同时,延长电池使用寿命。
35、4、实现多维度技术融合价值:本申请创新性地将物理驱动模型与数据驱动方法深度融合,既保留了热阻网络法的物理解释性,又通过ai学习机制弥补简化模型的精度缺陷。这种"低阶框架+智能修正"的架构为车载bms提供了高精度、低延时的预测能力,推动热管理从"事后响应"向"事前干预"范式转变。其技术价值不仅体现在单点性能突破,更在于构建了可扩展的数字孪生平台框架,为后续电池状态联合估计等高级功能奠定基础。
1.基于热阻网络的电池数字孪生温度预测方法,其特征在于:包括采集电池包多维度数据;将多维度数据送入到基于简化热阻网络法构建电池低阶数字孪生模型中进行电池包内部温度场计算,得到的计算结果经ai修正模块修正模型误差后输出最终温度预测数据。
2.如权利要求1所述的基于热阻网络的电池数字孪生温度预测方法,其特征在于:ai修正模块内置机器学习单元,实时学习并修正模型误差;所述ai修正模块预先通过离线数据库中的数据进行学习。
3.如权利要求1所述的基于热阻网络的电池数字孪生温度预测方法,其特征在于:电池低阶数字孪生模型的搭建包括:采用分层热阻网络结构,将电池分解为多个热阻节点,通过模型降阶技术,将复杂三维热模型简化为低阶热阻网络模型。
4.如权利要求3所述的基于热阻网络的电池数字孪生温度预测方法,其特征在于:低阶热阻网络模型采用热阻网络基本方程对模型进行描述,对于第i个热阻节点,其热平衡方程为:
5.如权利要求3所述的基于热阻网络的电池数字孪生温度预测方法,其特征在于:ai修正模块采用残差学习机制对低阶热阻网络模型的输出误差进行ai修正;通过数据驱动方法预测物理模型的偏差δt,并动态注入修正量得到模型真实输出量:;
6.如权利要求5所述的基于热阻网络的电池数字孪生温度预测方法,其特征在于:将温度残差分解为可学习的多模态分量以避免噪声干扰,分解后的多模态分量为:;式中为通过ceemdan算法提取的误差模态分量;为高频噪声。
7.如权利要求5所述的基于热阻网络的电池数字孪生温度预测方法,其特征在于:采用动态权重修正函数,通过注意力机制分配时空权重获取得到ai修正函数,其中ai修正函数为:;式中为空间权重矩阵;为时间权重矩阵,其中attn为注意力机制函数;lstm为循环记忆神经网络。
8.如权利要求4所述的基于热阻网络的电池数字孪生温度预测方法,其特征在于:低阶热阻网络模型中的热阻参数采用在线校准和修正,修正后的热阻参数为:
9.如权利要求4所述的基于热阻网络的电池数字孪生温度预测方法,其特征在于:基于热阻网络基本方程建立模型参数与电池状态的映射关系,其中电池状态包括soc、soh、温度;映射关系为:
10.如权利要求1所述的基于热阻网络的电池数字孪生温度预测方法,其特征在于:ai修正模块为轻量化lstm或gnn模型,输入动态参数。
11.如权利要求1所述的基于热阻网络的电池数字孪生温度预测方法,其特征在于:采集的多维度数据采用ceemdan算法分解残差模态,剔除高频噪声;残差预测 lstm 模型动态更新补偿项。
12.如权利要求8所述的基于热阻网络的电池数字孪生温度预测方法,其特征在于:ai修正模块通过预先训练实现对于温度的修正补偿,其预训练步骤包括:
13.基于热阻网络的电池数字孪生温度预测系统,其特征在于:包括数据采集模块、低阶数字孪生模型、ai修正模块;
14.如权利要求13所述的基于热阻网络的电池数字孪生温度预测系统,其特征在于:所述数据采集模块实时采集电池的多维度数据,多维度数据包括电压、电流、温度。
15.如权利要求13所述的基于热阻网络的电池数字孪生温度预测系统,其特征在于:所述低阶数字孪生模型预先搭建,采用分层热阻网络结构,将电池分解为多个热阻节点,通过模型降阶技术,将复杂三维热模型简化为低阶热阻网络模型。
16.如权利要求13所述的基于热阻网络的电池数字孪生温度预测系统,其特征在于:所述ai修正模块内置机器学习单元,实时学习并修正模型误差;所述ai修正模块预先通过离线数据库中的数据进行学习。
17.如权利要求13所述的基于热阻网络的电池数字孪生温度预测系统,其特征在于:所述预测系统还包括接口模块,所述接口模块用于提供标准化的数据接口和控制接口,实现低阶数字孪生模型的数据输出以及与车载控制器的对接。
18.一种汽车,其特征在于:所述汽车包括如权利要求13-17任一所述的温度预测系统或采用如权利要求1-12任一所述的预测方法对电池进行温度预测。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com