CN118501744B 硬壳电池过充内压诊断方法、诊断系统和电池管理系统 （华中科技大学）

US2021190869A1,2021.06.24电池表面温度实测值和荷电状态SOC的近似物理的总损失函数综合PINN模型预测数据、实测数2将待测电池表面温度实测值和SOC共同输入至训练好的PINN模型，得到待测电池防爆计算待测电池防爆阀表面应变参数预测值和应变参数实测入PINN模型进行训练，使其同时学习电池防爆阀应变参数和电池表面温度与SOC的近似物所述残差序列为电池SOC和表面温度分别输入至训练好的PINN模型得到的预测值和对8.如权利要求1至7任一项所述的诊断方法，其特测量电路，用于实时采集防爆阀表面应变参数实测值、34直接影响了储能电站的运行效率。同时目前的预警策略多是通过固定阈值的方法监测异[0008]将待测电池表面温度实测值和SOC共同输入至训练好的PINN模型，得到待测电池[0011]以(电池表面温度，SOC)作为训练样本，电池防爆阀表面应变参数实测值作为标5[0016]所述残差序列为电池SOC和表面温度分别输入至训练好的PINN模型得到的预测值[0018]优选地，所有训练样本来自于相同型号电池内压正常下的各种充电模式工况试过检测电池防爆阀表面的非电气量——应变参数，分别构建应变参数-电池表面温度实测值和荷电状态SOC的近似物理模型和PINN模型，将近似物理模型中各物理参量作为待训练6[0028]图2为本申请实施例提供的基于物理信息融合的神经网络(PINN)的锂电池防爆阀[0029]图3为本申请实施例提供的基于物理信息融合的神经网络(PINN)锂电池防爆阀应[0030]图4为本申请实施例提供的基于物理信息融合的神经网络(PINN)训练集残差分布[0032]图6为本申请实施例提供的基于物理信息融合的神经网络(PINN)内压正常工况下[0033]图7为本申请实施例提供的锂电池在0.5C恒流充电工况下防爆阀应变片电阻预测[0034]图8为本申请实施例提供的锂电池在过充致使内压异常工况下验证集预测值和实[0035]图9为本申请实施例提供的锂电池过充致使内压异常工况下防爆阀应变片电阻预7[0045]将待测电池表面温度实测值和SOC共同输入至训练好的PINN模型，得到待测电池[0048]以(电池表面温度，SOC)作为训练样本，电池防爆阀表面应变参数实测值作为标内部压力因电极材料脱嵌锂和产热而变化，所以通过不同充电模式工况下(如恒流恒压充[0054]所述残差序列为电池SOC和表面温度分别输入至训练好的PINN模型得到的预测值[0056]优选地，所有训练样本来自于相同型号电池内压正常下的各种充电模式工况试8[0065]步骤S1.构建锂电池防爆阀表面应变片电9池温度与SOC的近似物理模型，此近似模型反映电池内压正常情况下的防爆阀表面应变片[0094]步骤S2.基于物理信息融合的神经网络(PI征和实验数据的数据特征，同时还可以利用神经网络的梯度下降原理对近似模型中的K1、4近似物理方程和神经网络预测数据之间的偏离度；loss3表征神经网络预测数据与实测数于神经网络训练的损失函数loss，并将最终得到一组拟合好的常系数K1～K6和用于预测的[0106]步骤S3.基于锂电池防爆阀应变片并利用训练过程中的预测值于实际值的残差确定其分布函数如图5所示，通过残差分布直[0115]根据上述精确模型计算得到锂电池内压正常状态下的防爆阀表面应变片理论电[0116]用该方法得到的诊断阈值不受应变片电阻初值和电池差的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件[0125]可以理解的是，本申请实施例中的处理器可以是中央处理单元(centralprocessingunit，CPU)，还可以是其他通用处理器、数字信号处理器(digitalsignal编程只读存储器(programmablerom，PROM)、可擦除可编程只读存储器(erasablePROM，机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质[0128]可以理解的是，在本申请实施例中涉及的各种数字编号仅为描述方便进行的区