离子电池组的热故障检测通过综合物理和基于深度神经网络的模型

科学领域:

• 电气工程 电气工程
• 热管理 热管理
• 人工智能的人工智能

背景情况:

• 电池组容易发生热故障,这些故障往往是迟迟发现的.
• 目前的检测方法可能不会触发警报,直到突破关键温度值.

研究的目的:

• 开发一种基于模型的方法,用于早期检测和识别电池组中的热故障.
• 提高电动汽车电池系统的可靠性和安全性.

主要方法:

• 开发了一个高精度的温度估计模型,将基于物理的热建模与神经网络相结合.
• 该方法比较测量和估计的温度,以确定特定的故障.
• 这种方法在72个电池的空气冷却电池组上进行了测试.

主要成果:

• 温度估计模型实现了0.39°C的根平均平方误差和1°C的最大误差.
• 该方法成功检测到诸如传感器故障,冷却液故障和流量阻塞等故障.
• 使用仅8个温度传感器,在13到45分钟内检测到故障,在11个测试周期中没有错误检测.

结论:

• 拟议的基于模型的方法可以在电池组中提前发出热故障警报.
• 这种方法通过解决潜在的热问题,显著提高了电动汽车的安全性和可靠性.