CN119493012A 一种用于快速估计电池内部温度的方法和装置 （佛山大学）

一种用于快速估计电池内部温度的方法和本发明涉及一种用于快速估计电池内部温括：建立带阻抗输出的电池电化学_热耦合模型模拟阻抗输出，并获取电池在不同状态下的EIS行DRT转化，并通过相关性分析获取与电池内部温度高相关的高频峰值面积特征；去除低频数算复杂度，建立基于Transformer的多头注意力速无损估计电池内部温度。本发明能够提供高集成到现有的BMS中，作为温度监控和安全管理2对选定的待测试动力电池进行循环老化实验，电池在每次充放电结束后静置一段时测量在10℃~50℃范围内每隔5℃以及在0%SOC~100%SOC变化范围内每隔25%SOC的EIS将测量得到的不同温度、SOC和SOH的EIS数据验证带阻抗输出的电池电通过特征提取算法提取DRT中与电池内部温度相关的关键特征，通过对D将不同SOC和SOH条件下的DRT高频峰面积作为输入，将仿真模拟的电池内部温度作为将DRT数据通过嵌入层转化为高维向量形式，使其适合Transformer架构处理，SOC和SOH数据也通过嵌入层进行处理，与DRT数据Transformer编码器层通过多头注意力机制充分捕捉不同特征之间的关系，且每个通过前馈神经网络和全连接层，将处理后的特征转换为最终的预测3所述电化学阻抗谱测量模块：用于建立带阻抗输出的电池电化学_热耦合模型模拟阻和计算复杂度，建立基于Transformer的多头注意力机制预测模型，捕捉复杂的非线性关对选定的待测试动力电池进行循环老化实验，电池在每次充放电结束后静置一段时测量在10℃~50℃范围内每隔5℃以及在0%SOC~100%SOC变化范围内每隔25%SOC的EIS将测量得到的不同温度、SOC和SOH的EIS数据验证带阻抗输出的电池电通过特征提取算法提取DRT中与电池内部温度相关的关键特征，通过对D将不同SOC和SOH条件下的DRT高频峰面积作为输入，将仿真模拟的电池内部温度作为将DRT数据通过嵌入层转化为高维向量形式，使其适合Transformer架构处理，SOC和SOH数据也通过嵌入层进行处理，与DRT数据Transformer编码器层通过多头注意力机制充分捕捉不同特征之间的关系，且每个通过前馈神经网络和全连接层，将处理后的特征转换为最终的预测4[0004]本发明的目的通过以下技术方案来实现：一种用于快速估计电池内部温度的方测量在10℃~50℃范围内每隔5℃以及在0%SOC~100%SOC变化范围内每隔25%SOC的使用K_K关系评价EIS数据，然后得到阻抗Z(f)与DRT(τ)的关系表示为5将不同SOC和SOH条件下的DRT高频峰面积作为输入，将仿真模拟的电池内部温度和SOH数据也通过嵌入层进行处理，与DRT数据一起作为输入到预测模型中，每一个Transformer编码器层通过多头注意力机制充分捕捉不同特征之间的关系，且每个[0008]一种用于快速估计电池内部温度的装置，所述装置包括电化学阻抗谱测量模块、所述电化学阻抗谱测量模块：用于建立带阻抗输出的电池电化学_热耦合模型模关性分析获取与电池内部温度高相关的高频测量在10℃~50℃范围内每隔5℃以及在0%SOC~100%SOC变化范围内每隔25%SOC的使用K_K关系评价EIS数据，然后得到阻抗Z(f)与DRT(τ)的关系表示为6将不同SOC和SOH条件下的DRT高频峰面积作为输入，将仿真模拟的电池内部温度和SOH数据也通过嵌入层进行处理，与DRT数据一起作为输入到预测模型中，每一个Transformer编码器层通过多头注意力机制充分捕捉不同特征之间的关系，且每个[0015]本发明具体涉及一种用于快速估计电池内部温度的方法，引入弛豫时间分布模型实现电池内部温度的快速高精度预测。7式中可逆熵热(Irm)是由电化学反应引起的电极活性物质的熵变而产生的，只存8在于正负向多孔电极中。不可逆热中的欧姆热()是由固体导体材料和电解液中的电I[0018]上述方程被纳入电化学_热耦合模型中，该模型的一个关键特征是所有与反应动φ为相角，z'(o)为实部阻抗，z"(o)为虚部阻抗，U和I分别9极化电阻通常由Nyquist图中的半圆组合组成。这个过程有效地将这些重叠的半圆转换为用于描述该中心处的阻抗。选择基于RBF的方法的动机是其在实现快速收敛以及在频率数[0023]通过数据处理模块将特定频率范围下的阻抗谱转化成DRT，并集成一个特征提取模型将选择高频峰面积作为输入特征来进行训练。由于实验表明温度与高频段的DRT特征[0027]选择10Hz_1000Hz范围内的曲线对应的是锂离子在SEI中扩散迁移的电荷转移过围内，虚阻抗谱不仅可以用于评估电池的内部温度，同时还能够在一定程度上解耦SOC和[0028]不同电化学反应的时间常数决定了其在DRT峰中的位置和形态，峰的高度反映了处理。SOC和SOH数据也通过嵌入层进行处理，与DRT特征一起作为模型的输入。每一个中Transformer编码器配置了4个注意力头，能够从不同角度分析输入特征之间的依赖关Mhutibead(g.k.p)=conca(head…head,w'（12式中，其中Q,K,V分别是查询(Query)、键(Key)和值(Value)，dk是键的维度。[0032]每个Transformer编码器层都跟随一个前馈神经网络，用于进一