CN118501744B 硬殼電池過充內壓診斷方法、診斷系統和電池管理系統 （華中科技大學）

US2021190869A1,2021.06.24電池表面溫度實測值和荷電狀態SOC的近似物理的總損失函數綜合PINN模型預測數據、實測數2將待測電池表面溫度實測值和SOC共同輸入至訓練好的PINN模型，得到待測電池防爆計算待測電池防爆閥表面應變參數預測值和應變參數實測入PINN模型進行訓練，使其同時學習電池防爆閥應變參數和電池表面溫度與SOC的近似物所述殘差序列為電池SOC和表面溫度分別輸入至訓練好的PINN模型得到的預測值和對8.如權利要求1至7任一項所述的診斷方法，其特測量電路，用于實時采集防爆閥表面應變參數實測值、34直接影響了儲能電站的運行效率。同時目前的預警策略多是通過固定閾值的方法監測異[0008]將待測電池表面溫度實測值和SOC共同輸入至訓練好的PINN模型，得到待測電池[0011]以(電池表面溫度，SOC)作為訓練樣本，電池防爆閥表面應變參數實測值作為標5[0016]所述殘差序列為電池SOC和表面溫度分別輸入至訓練好的PINN模型得到的預測值[0018]優選地，所有訓練樣本來自于相同型號電池內壓正常下的各種充電模式工況試過檢測電池防爆閥表面的非電氣量——應變參數，分別構建應變參數-電池表面溫度實測值和荷電狀態SOC的近似物理模型和PINN模型，將近似物理模型中各物理參量作為待訓練6[0028]圖2為本申請實施例提供的基于物理信息融合的神經網絡(PINN)的鋰電池防爆閥[0029]圖3為本申請實施例提供的基于物理信息融合的神經網絡(PINN)鋰電池防爆閥應[0030]圖4為本申請實施例提供的基于物理信息融合的神經網絡(PINN)訓練集殘差分布[0032]圖6為本申請實施例提供的基于物理信息融合的神經網絡(PINN)內壓正常工況下[0033]圖7為本申請實施例提供的鋰電池在0.5C恒流充電工況下防爆閥應變片電阻預測[0034]圖8為本申請實施例提供的鋰電池在過充致使內壓異常工況下驗證集預測值和實[0035]圖9為本申請實施例提供的鋰電池過充致使內壓異常工況下防爆閥應變片電阻預7[0045]將待測電池表面溫度實測值和SOC共同輸入至訓練好的PINN模型，得到待測電池[0048]以(電池表面溫度，SOC)作為訓練樣本，電池防爆閥表面應變參數實測值作為標內部壓力因電極材料脫嵌鋰和產熱而變化，所以通過不同充電模式工況下(如恒流恒壓充[0054]所述殘差序列為電池SOC和表面溫度分別輸入至訓練好的PINN模型得到的預測值[0056]優選地，所有訓練樣本來自于相同型號電池內壓正常下的各種充電模式工況試8[0065]步驟S1.構建鋰電池防爆閥表面應變片電9池溫度與SOC的近似物理模型，此近似模型反映電池內壓正常情況下的防爆閥表面應變片[0094]步驟S2.基于物理信息融合的神經網絡(PI征和實驗數據的數據特征，同時還可以利用神經網絡的梯度下降原理對近似模型中的K1、4近似物理方程和神經網絡預測數據之間的偏離度；loss3表征神經網絡預測數據與實測數于神經網絡訓練的損失函數loss，并將最終得到一組擬合好的常系數K1～K6和用于預測的[0106]步驟S3.基于鋰電池防爆閥應變片并利用訓練過程中的預測值于實際值的殘差確定其分布函數如圖5所示，通過殘差分布直[0115]根據上述精確模型計算得到鋰電池內壓正常狀態下的防爆閥表面應變片理論電[0116]用該方法得到的診斷閾值不受應變片電阻初值和電池差的技術方案本質上或者說對現有技術做出貢獻的部分或者該技術方案的部分可以以軟件[0125]可以理解的是，本申請實施例中的處理器可以是中央處理單元(centralprocessingunit，CPU)，還可以是其他通用處理器、數字信號處理器(digitalsignal編程只讀存儲器(programmablerom，PROM)、可擦除可編程只讀存儲器(erasablePROM，機可讀存儲介質可以是計算機能夠存取的任何可用介質或者是包含一個或多個可用介質[0128]可以理解的是，在本申請實施例中涉及的各種數字編號僅為描述方便進行的區