CN119397780A 一种低温环境下的锂离子电池预热方法及系统 （佛山大学）

一种低温环境下的锂离子电池预热方法及本发明公开了一种低温环境下的锂离子电型与多目标优化算法对锂离子电池仿真数据集基于锂离子电池最优预热参数对锂离子电池进发明能够在不同低温条件下寻找使电池达到最2对锂离子电池进行实验数据分析，构建锂离子电池RC等效电路模型与锂对锂离子电池RC等效电路模型与锂离子电池热模型进行实验仿真，通过神经网络回归预测模型与多目标优化算法对锂离子电池仿真数据集进行优化处基于锂离子电池最优预热参数对锂离子电池进行最优预热处理，得通过热电偶获取锂离子电池的内部温度数据以及通过PI加热膜获取锂离子电池的外基于锂离子电池的内部温度数据与锂离子电池的外部温度数据，对对满电状态的锂离子电池进行不同环境温度、不同放电电流下对满电状态的锂离子电池进行不同环境温度、不同荷电状态、不同对锂离子电池放电容量随环境温度与放电电流变化的值以及锂离子电池端电压与电离子电池放电容量随环境温度与放电电流变化的值以及锂离子电池端电压与电流数据进通过Matlab的cftool工具箱对锂离子电池端电压与电流数据进行拟合处根据锂离子电池放电容量随环境温度与放电电流变化的值，确定锂结合锂离子电池的极化内阻值、锂离子电池的极化电容值与锂离子电池的欧姆内阻根据关于锂离子电池端电压与电流数据的多项式回归方程以及关于锂离子电池放电容量随环境温度与放电电流变化的值的多项式回归方程，结合基尔霍夫电压和电流定律，根据关于锂离子电池端电压与电流数据的多项式回归方程以及关于锂离子电池放电3根据电池半经验老化模型公式构建锂离子电池的容量衰减的将锂离子电池RC等效电路模型、锂离子电池热模型、锂离子电池基于锂离子电池仿真数据集对神经网络回归预测模型进获取锂离子电池输入数据并通过训练后的神经网络回归预计算离子电池的预热能耗和可用能量，定义可用能量权重通过多目标优化算法对锂离子电池的放电容量、锂离子电池容量衰减将锂离子电池仿真数据集输入至神经网络回归预测模型，所述神经基于麻雀搜索算法优化模型，对神经网络回归预测模型的参数基于优化后的神经网络回归预测模型的卷积神经网络，对锂离基于优化后的神经网络回归预测模型的长短期记忆网络，对将锂离子电池仿真数据集时序特征作为验证数据集指标，对不同环境温度下的锂离子电池预热后的外部温结合锂离子电池在不同预热功率、不同预热时间、通过训练后的神经网络回归预测模型对锂离子电池输4基于帕累托最优解确定目标值，所述目标值包括锂离子电池可用通过辅助函数计算最优预热功率和预热时间下的锂离子电池放电容第一模块，用于对锂离子电池进行实验数据分析，构建锂离子电第二模块，用于对锂离子电池RC等效电路模第三模块，用于通过神经网络回归预测模型与多目标优化算第四模块，用于基于锂离子电池最优预热参数对锂离子电池进行最5[0008]通过神经网络回归预测模型与多目标优化算法对锂离子电池仿真数据集进行优[0011]通过热电偶获取锂离子电池的内部温度数据以及通过PI加热膜获取锂离子电池6锂离子电池放电容量随环境温度与放电电流[0015]对锂离子电池放电容量随环境温度与放电电流变化的值以及锂离子电池端电压[0020]根据关于锂离子电池端电压与电流数据的多项式回归方程以及关于锂离子电池[0021]根据关于锂离子电池端电压与电流数据的多项式回归方程以及关于锂离子电池[0022]进一步，所述对锂离子电池RC等效电路模型与锂离子电分比模型与PI加热膜预热多项式回归方程进行耦合并输入至COMSOL仿真软件进行实验仿锂离子电池的放电容量与锂离子电池容量衰减的7[0047]第二模块，用于对锂离子电池RC等效电路模型与锂离子电池热模型进行实验仿8[0049]第四模块，用于基于锂离子电池最优预热参数对锂离子[0050]本发明方法及系统的有益效果是：本发明通过对锂离子[0053]图3是本发明具体实施例提供的锂离子电池自适应于低温环境下的最佳预热策略[0057]图7是本发明具体实施例提供的COMSOL在不同温度、不同放电电流下的电池仿真[0058]图8是本发明具体实施例提供的COMSOL在不同温度、不同放电电流下的电池仿真[0061]图11是本发明具体实施例提供的SSA_CNN_LSTM算法锂离子电池放电容量训练结[0062]图12是本发明具体实施例提供的SSA_CNN_LSTM算法锂离子电池容量损失百分比[0063]图13是本发明具体实施例提供的采用NSGA_II多目标优化找到的可用能力与容量[0064]图14是本发明具体实施例提供的采用NSGA_II多目标优化找到的可用能力与预热[0065]图15是本发明具体实施例提供的采用NSGA_II多目标优化找到的容量损失率与预9步骤的执行顺序均可根据本领域技术人员的功率和加热时间的优化，寻找在不同低温条件下使电池达到最大可用能量的最优预热参子电池的外部温度数据；基于锂离子电池的内部温度数据与锂离子电池的外部温度数据，[0080]选取新的一块NCR18650BD型电池，将电池在常温123456[0084]对锂离子电池放电容量随环境温度与放电电流变化的值以及锂离子电池端电压回归方程以及关于锂离子电池放电容量随环境温度与放电电流变化的值的多项式回归方[0097]y＝a1+a2I+a3SOC+a4T[0105]具体地，根据电池半经验老化模型公式构建锂离子电池的容量衰减的百分比模[0118]1)参数优化：使用麻雀搜索算法(SSA)优化模型的关键参数，包括(NumOfUnits)回归层(regressionLayer)实现回归任务的输出，确保网络输出与目标值之间的直接数值锂离子电池的放电容量与锂离子电池容量衰减的量为预热功率和预热时间。通过多目标优化函数(gamultiobj)求解得到帕累托最优解12.4793707.625316.228845.028239.723379.4可用能量增加了8.28预热能耗减少了4.93老化损失率减少了7.37对比采用9W预损失率减少了45.829证明所提出的最佳预热策略具有较好的实用性。[0149]3)本发明实施例的预热策略还可以根据具体的环境温度、SOC和放电电流进行调[0152]第二模块202，用于对锂离子电池RC等效电路模型与锂离子电池热模型进行实验[0153]第三模块203，用于通过神经网络回归预测模型与多目标优化算法对锂离子电池[0154]第四模块204，用于基于锂离子电池最优预热参数对锂离子电池进行最优预热处[0156]以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施