一种基于机器学习的动力电池热管理系统

1.本发明涉及智能电动汽车动力电池技术领域，尤其是涉及一种基于机器学习的动力电池热管理系统。


背景技术：

2.动力电池是智能电动汽车储能单元，其通过内部的化学反应释放电能，从而为电动汽车提供足够动力。动力电池系统一般由电池模组、电池管理系统bms、热管理系统以及一些电器和机械系统等组成。智能电动汽车的安全性始终受到行业的重视。动力锂离子电池在过充电、针刺、碰撞情况下容易引起热失控而造成冒烟失火甚至爆炸等事故。同时高温将影响动力电池的性能，包括能量密度、使用寿命等参数，因此动力电池的热管理系统是车载电池的核心子系统之一。
3.电动汽车上的动力电池由多个动力电池单体电芯构成，而车辆在不同的行驶状况下，单体电芯由于其自身有一定的内阻，在输出电能的同时会产生一定的热量，使得自身温度变高，动力电池系统在工作过程中产生大量的热聚集在狭小的电池箱体内，热量如果不能够及时地快速散出，当自身温度超出其正常工作温度范围间时会影响电池的性能和寿命，且高温会影响动力电池寿命甚至出现热失控，导致起火爆炸等。
4.动力电池的热管理系统主要通过温度感知和控制装置，加强电池的加热和散热能力，保证电池工作在合适的温度范围和保持电池箱内合理的温度分布。针对动力电池温度控制的特点，目前的温度控制方法主要方式为：
5.(1)优化动力电池内部结构和材料，正负极等特殊部位采用低电阻材料，减少动力电池工作过程中的温升，但改变电池材质，选用贵重材料零部件时将充分提到电池成本，导致动力电池价格比较昂贵；
6.(2)在电池外部选用导热性比较好的材料，通过原始的风冷散热形式降低电池工作过程中的温升。自然风冷散热形式难以控制扩散的热量，从而无法将动力电池温度精确控制在较小的合适范围。另外自然风冷的形式无法在寒冷低温的环境下使电池温度上升到合适工作范围。
7.(3)在电池内部安装温度传感器，并通过传统pid方法控制载热液的液体温度方法，使电池稳定在合适范围。但传统pid方法存在大量的超参数，需要不断测试每一组参数效果，难以得到最优解。


技术实现要素：

8.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于机器学习的动力电池热管理系统。
9.本发明的目的可以通过以下技术方案来实现：
10.一种基于机器学习的动力电池热管理系统，包括依次连接且构成回路的电池包、电子水泵、电加热ptc和制冷换热器，电池包、电子水泵、电加热ptc和制冷换热器分别连接
控制器，所述电池包内部包括电池模组、动力电池载热管和温度传感器，所述控制器内部集成有用以计算当前时刻所需载热剂的温度和流量的机器学习算法。
11.所述动力电池载热管包括载热管进口、载热管出口和载热支管，所述载热管进口与所述载热管出口位于一侧，整个流道设有两个分别用以冷却两侧的模组和电器件的一级支路，每条一级支路分设有若干载热支管，各所述载热支管内设有自适应流量调节阀，当动力电池的温度低于阈值下限或高于阈值上限时，所述自适应流量调节阀自动扩张。
12.所述温度传感器设于电池包内部的每个电池模组的表面。
13.进一步地，电池包内部的每个电池模组的上、下表面分别粘贴有五个温度传感器，各温度传感器分别设于每个电池模组的四个顶角及中心位置处，每个电池模组的温度通过温度传感器融合算法估算。
14.每个电池模组的温度通过温度传感器融合算法估算的表达式为：
[0015][0016][0017][0018][0019]
式中：tf为融合后温度值；tk为第k个温度传感器的测量值，n为温度传感器的总数；ωk为权重；为标准正态分布密度函数；μ为测量温度平均值；σ为测量温度标准差。
[0020]
每个电池模组的温度通过在电池包平面构造m
×
n温度分布格栅图表示，温度分布格栅图的各格栅中的温度通过线性插值方法获取。各所述格栅中，温度值与动力电池的状态构造成固定长度的特征向量，动力电池的状态包括每个电池模组的电压、总电流、电池soc和工作模式。
[0021]
将各格栅的温度值与动力电池的状态作为输入，通过神经网络输出载热剂在载热管中所需的温度和流量，进而控制制冷换热器、电加热ptc和电子水泵。
[0022]
所述神经网络包括多层感知器网络和卷积网络，其中所述多层感知器网络有两层全连接层组成，深度提取各格栅中长度为c的高维特征，所述高维特征在m
×
n格栅中的分布构造成为特征图c
×m×
n；所述卷积网络包括卷积层和全连接层，所述卷积层将c
×m×
n的所述特征图进行高维特征提取，并将得到的特征图展开成特征向量后，使用全连接层回归温度和流量两个参数。
[0023]
所述神经网络在使用前通过训练获取所述神经网络的参数，训练数据通过人工专家实际调节载热剂温度和流量后获取。
[0024]
本发明提供的基于机器学习的动力电池热管理系统，相较于现有技术至少包括如
下有益效果：
[0025]
1)本发明无需改变动力电池系统的零部件和核心材料，且可根据实际情况选用低成本动力电池系统，从而降低整个动力电池系统的成本。
[0026]
2)本发明基于机器学习方法自动学习人工专家调参经验，当动力电池热管理系统确定完毕后，只需要人工专家手动调节一段时间，系统自动可以学习专家经验，并完成动力电池的温度控制，方法比较简便实用。
[0027]
3)本发明无需人工调整控制参数，系统所有参数均根据专家经验，通过反向传播自动修正机器学习模型参数，从而减少控制人员的负担，提高动力电池热管理系统开发效率，缩短热管理系统开发周期。
附图说明
[0028]
图1为实施例中基于机器学习的动力电池热管理系统的结构示意图；
[0029]
图2为实施例中动力电池内部载热管的结构示意图；
[0030]
图3为实施例中动力电池内部温度格栅图分布图；
[0031]
图4为实施例中基于机器学习的动力电池热管理系统的温度控制方法示意图；
[0032]
图5为实施例中采用的神经网络模型结构示意图；
[0033]
图6为实施例中神经网络训练集制作示意图。
具体实施方式
[0034]
下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
[0035]
实施例
[0036]
本发明涉及一种基于机器学习的动力电池热管理系统，该系统在智能电动汽车上的合适位置处布置安装相应的零部件，并通过载热管连接各零部件形成回路。
[0037]
如图1所示，该系统包括电池包、电子水泵、电加热ptc、制冷换热器和控制器。电池包、电子水泵、电加热ptc、制冷换热器依次连接，且制冷换热器的输出端连接电池包。电池包、电子水泵、电加热ptc、制冷换热器分别与控制器连接。其中电池包内部包括模组、动力电池载热管和温度传感器。控制器内部集成有机器学习算法，能够根据电池温度和电池状态，计算出当前时刻所需载热剂的温度和流量，从而调节电池温度保持在合适范围。机器学习算法采用神经网络，神经网络的训练数据是通过人工专家的实际调节数据制作而成。
[0038]
在本发明动力电池热管理系统中，电加热ptc主要用于对电池包进行加热，提高电池包的温度；制冷换热器主要是利用空调冷却回路中的冷却液，将动力电池热管理回路中的热量带走，从而使载热液降温，进一步降低电池包的温度；电子水泵主要使电池包内部的载热管中的载热液流动起来，加快热量传递。
[0039]
动力电池载热管包括载热管进口、载热管出口和载热支管。如图2所示，电池包内的载热管具体结构为对称式。进水口与出水口位于一侧，整个流道先分为两个支路(一级支路)，分别冷却两侧的模组和电器件。每条支路再分为若干载热支管(二级支路)。载热支管通过自适应流量调整阀调整每个模组底部流道的流阻，当温度高于上限阈值或者低于下限
阈值，节流阀内部通道扩张，增大流量，从而能够快速改变电池局部温度。自适应流量调整阀可分为两段，一段由热膨胀材料组成，一段由冷膨胀材料组成，二者相互拼接，位置的前后关系无限制要求，使支管之间能够根据附近模组的温度自适应调节载热液的流量。载热管的结构设计主要考虑软包模组电芯温度由中间向两边依次递减，中间电芯温度最高，因此载热管设计载热液由中间流入，可以最大限度的减少模组内电芯的温差。
[0040]
如图3所示，为了正确探测电池包内的温度，实时控制电池包内的温度保持在固定的范围，各模组电池表面粘贴温度传感器，温度传感器分别位于模组的四个顶角和中心。作为优选方案，温度传感器紧贴于电池包的单个模组表面，即每个模组的上下面分别粘贴有5个温度传感器，分别位于四个顶角和中心。
[0041]
考虑到温度传感器的失效和误差，每个模组的温度通过传感器融合算法估算，公式为：
[0042][0043][0044][0045][0046]
式中：tf为融合后温度值；tk为第k个温度传感器的测量值，n为温度传感器的总数；ωk为权重；为标准正态分布密度函数；μ为测量温度平均值；σ为测量温度标准差。
[0047]
各模组的温度值通过线性插值方法，生成动力电池温度分布格栅图，即：将电池包的平面构造一个m
×
n温度分布格栅图，各格栅中的温度通过线性插值方法，由每个模组的温度计算得到。格栅中，温度值与动力电池的状态构造成固定长度的特征向量。动力电池的状态包括每个模组的电压、总电流、电池soc和工作模式。为扩充每个格栅中的特征信息，通过历史帧信息，采用三次方程进行拟合后，可计算出当前温度变化速度、温度变化加速度，并进一步通过等加速度温度变化模型，预测未来时刻的电池包温度。每个格栅有电池温度和电池状态参数组成，从而构造成为神经网络算法的输入量。
[0048]
插值算法公式为：
[0049][0050]
[0051][0052]
式中：t为当前格栅的温度值；ti和tj为中间变量；ta、tb、tc和td分别为左上角、右上角、左下角和右下角相邻传感器的温度值；(x，y)为当前格栅坐标；(x1，y1)为左上角传感器坐标；(x2，y2)为右下角传感器坐标。
[0053]
如图4所示，本发明主要采用神经网络方法完成动力电池温度控制，神经网络输入为电池温度和电池状态参数，输出为载热剂的温度和载热剂的流量。通过构造输入和输出的训练样本，神经网络自动调节网络权重，使网络能够自动完成动力电池的温度控制。神经网络集成于控制器中，根据输入量得到载热剂在载热管中所需的温度和流量，并进一步控制制冷换热器、电加热ptc和电子水泵，从而完成动力电池包的温度控制。
[0054]
神经网络模型的结构示意图如图5所示，神经网络主要包括多层感知器网络和卷积网络，其中多层感知器网络主要有2层全连接层组成，深度提取各格栅中长度为c的高维特征。高维特征在m
×
n格栅中的分布，可以构造成为特征图c
×m×
n。卷积网络主要包括卷积层和全连接层，卷积层主要将c
×m×
n的所述特征图进行高维特征提取，并将得到的特征图展开成特征向量，再使用全连接层回归温度和流量两个参数。
[0055]
作为优选方案，卷积网络可采用主流的图像分类网络，卷积部分可采用resnet50、resnet101、fpn等网络结构，并使用网络的预训练权重。所述卷积网络的全连接层可采用kaiming initialization方法初始化参数，从而有利于整个网络的快速收敛。
[0056]
基于上述神经网络模型，首先将构造各温度格栅图中的特征向量，特征向量包括温度相关特征(当前温度值、历史前几帧温度值、当前温度变化速度、温度变化加速度、未来几帧温度值)和电池状态特征(每个模组的电压、总电流、电池soc、工作模式)，更多的特征信息更有利于神经网络学习。网络将输入量映射至高维空间，从而完成对应的温度控制任务。输入特征向量先通过多层感知器网络mlp分别对每个格栅中的特征进行特征提取，提取高维特征以后，构造成为多通道的伪图像，从而可以采用卷积神经网络cnn进一步回归得到温度和流量值。在训练过程中，采用smoothl1损失函数，公式为：
[0057]
l
total
＝smoothl1(t
pred-t
gt
)+smoothl1(q
pred-q
gt
)
[0058][0059]
式中：t
pred
为网络输出的载热液温度；t
gt
为实际载热液所需温度；q
pred
为网络输出的载热液流量；q
gt
为实际载热液所需流量。
[0060]
如图6所示，在制作神经网络训练集数据过程中，需将当前电池实际温度和电池状态参数实际显示并记录，人工专家通过观察动力电池实际情况，根据经验调节载热管中载热剂的流量和温度，载热剂的流量和温度数据也实时保存。从而通过人工专家经验数据制作训练所需数据集。
[0061]
本发明方法结合神经网络自学习的优势，通过简单的方式构造神经网络所需要的训练集，训练集数据采集过程中可以由经验丰富的人工专家完成，只需要人工调节若干组数据，神经网络即可得到相关经验的网络模型，具有简单实用等优点。
[0062]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的工作人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

技术特征：
1.一种基于机器学习的动力电池热管理系统，其特征在于，包括依次连接且构成回路的电池包、电子水泵、电加热ptc和制冷换热器，电池包、电子水泵、电加热ptc和制冷换热器分别连接控制器，所述电池包内部包括电池模组、动力电池载热管和温度传感器，所述控制器内部集成有用以计算当前时刻所需载热剂的温度和流量的机器学习算法。2.根据权利要求1所述的基于机器学习的动力电池热管理系统，其特征在于，所述动力电池载热管包括载热管进口、载热管出口和载热支管，所述载热管进口与所述载热管出口位于一侧，整个流道设有两个分别用以冷却两侧的模组和电器件的一级支路，每条一级支路分设有若干载热支管，各所述载热支管内设有自适应流量调节阀，当动力电池的温度低于阈值下限或高于阈值上限时，所述自适应流量调节阀自动扩张。3.根据权利要求1所述的基于机器学习的动力电池热管理系统，其特征在于，所述温度传感器设于电池包内部的每个电池模组的表面。4.根据权利要求3所述的基于机器学习的动力电池热管理系统，其特征在于，电池包内部的每个电池模组的上、下表面分别粘贴有五个温度传感器，各温度传感器分别设于每个电池模组的四个顶角及中心位置处，每个电池模组的温度通过温度传感器融合算法估算。5.根据权利要求4所述的基于机器学习的动力电池热管理系统，其特征在于，每个电池模组的温度通过温度传感器融合算法估算的表达式为：模组的温度通过温度传感器融合算法估算的表达式为：模组的温度通过温度传感器融合算法估算的表达式为：模组的温度通过温度传感器融合算法估算的表达式为：式中：t
f
为融合后温度值；t
k
为第k个温度传感器的测量值，n为温度传感器的总数；ω
k
为权重；为标准正态分布密度函数；μ为测量温度平均值；σ为测量温度标准差。6.根据权利要求4所述的基于机器学习的动力电池热管理系统，其特征在于，每个电池模组的温度通过在电池包平面构造m
×
n温度分布格栅图表示，温度分布格栅图的各格栅中的温度通过线性插值方法获取。7.根据权利要求6所述的基于机器学习的动力电池热管理系统，其特征在于，各所述格栅中，温度值与动力电池的状态构造成固定长度的特征向量，动力电池的状态包括每个电池模组的电压、总电流、电池soc和工作模式。8.根据权利要求7所述的基于机器学习的动力电池热管理系统，其特征在于，将各格栅的温度值与动力电池的状态作为输入，通过神经网络输出载热剂在载热管中所需的温度和
流量，进而控制制冷换热器、电加热ptc和电子水泵。9.根据权利要求8所述的基于机器学习的动力电池热管理系统，其特征在于，所述神经网络包括多层感知器网络和卷积网络，其中所述多层感知器网络有两层全连接层组成，深度提取各格栅中长度为c的高维特征，所述高维特征在m
×
n格栅中的分布构造成为特征图c
×
m
×
n；所述卷积网络包括卷积层和全连接层，所述卷积层将c
×
m
×
n的所述特征图进行高维特征提取，并将得到的特征图展开成特征向量后，使用全连接层回归温度和流量两个参数。10.根据权利要求9所述的基于机器学习的动力电池热管理系统，其特征在于，所述神经网络在使用前通过训练获取所述神经网络的参数，训练数据通过人工专家实际调节载热剂温度和流量后获取。

技术总结
本发明涉及一种基于机器学习的动力电池热管理系统，包括依次连接且构成回路的电池包、电子水泵、电加热PTC和制冷换热器，电池包、电子水泵、电加热PTC和制冷换热器分别连接控制器，所述电池包内部包括电池模组、动力电池载热管和温度传感器，所述控制器内部集成有机器学习算法，能够根据电池温度和电池状态，计算出当前时刻所需载热剂的温度和流量，从而调节电池温度保持在合适范围。与现有技术相比，本发明提出神经网络方法实现电池包温度控制，能够自动学习人工专家经验，实现精确、稳定的电池包温度控制。电池包温度控制。电池包温度控制。


技术研发人员：沈伟 王宁 邓振文
受保护的技术使用者：同济大学
技术研发日：2021.11.19
技术公布日：2022/3/7