北理工新型电池热模型预测电池短路自燃，提升电动汽车安全性丨Engineering

本文选自中国工程院院刊《Engineering》2021年第3期，原文出自：Extreme Learning Machine-Based Thermal Model for Lithium-Ion Batteries of Electric Vehicles under External Short Circuit（基于极限学习机的电动汽车锂离子动力电池外部短路热模型研究）

01

引言

推广电动汽车（EV）是减少全球对化石燃料依赖和减轻环境污染的一项重要举措。可充电锂离子动力电池被认为是电动汽车目前可行的能量来源。随着电动汽车的广泛应用，由锂离子动力电池引起的电动汽车安全事故逐渐增多，这些事故对电动汽车和动力电池制造厂商的声誉造成一定影响，损害了公众接受电动汽车的信心。

这些安全事故中部分事故是由动力电池的一种电气故障引发的，即外部短路故障。外部短路故障可在某些情况下发生，如电动汽车碰撞导致电池包机械变形、电池包密封失效导致浸水或灰尘进入、动力电池连接线束磨损等。当外部短路故障发生后，动力电池内部发生剧烈的电化学反应，电池温度会急剧升高，可能会进一步触发电池热失控。因此，有必要研究动力电池发生外部短路后的温度行为，从而可以有效地进行动力电池安全管理。

02

文献综述和本文动机

动力电池在滥用条件下会产生大量热量，众多学者研究了动力电池滥用过程中的放热反应机理和生热特性。Ren等开发了一种电化学-热耦合模型，以量化动力电池从过充电到热失控过程中的生热速率。Zhao等利用多尺度电化学-热耦合模型，分析了动力电池针刺过程中的生热行为和电化学反应过程之间的强耦合关系。Chen等提出了一种多层次三维热模型以描述动力电池发生内部短路后电池内外部温度分布。Zhu等通过开展动力电池过充电实验研究了过充电触发热失控的过程，发现电池副反应在发生热失控之前对于温度上升起主导作用。在上述研究中，通过建立复杂的电化学-热耦合模型来描述电池在滥用条件下的热行为。然而，这些模型计算量较大，不能满足电动汽车实际应用中计算效率高的需求。

在动力电池外部短路研究中，学者主要关注外部短路实验方法、热-电行为特性和危害分析、建模和故障诊断等方面。Rheinfeld等采用准等温外部短路测试方法研究电池材料传输特性对电池外部短路特性的影响，并建立了均质化物理模型来描述外部短路过程。在文献中，作者开展了外部短路实验，研究了不同环境温度、电池初始荷电状态（SOC）和外部电阻条件下的电池外部短路的热-电行为特性。Kupper等提出了一种伪三维多尺度模型，分析了在外部短路故障下电池主反应和副反应中的热力学以及动力学过程。

本研究团队在前期工作中，建立了分数阶模型来研究外部短路条件下动力电池的电气特性，并提出了外部短路故障的三步诊断方法；提出了针对动力电池组的外部短路在线故障诊断方法，该方法具备较好的准确度和鲁棒性。本团队在前期提出了一种基于人工神经网络的外部短路电流预测方法，利用电池电压信息来估计外部短路电池单体的电流。

然而，以上研究缺乏有效的热模型来描述外部短路故障条件下动力电池的温升行为，因此有必要开发一种理想的模型以实现预测精度和计算成本之间的平衡。在电动汽车的实际应用中，由于电池系统空间和制造成本的限制，并非所有动力电池单体都配备温度传感器，因此电池温度应尽可能仅使用电流或电压信息来进行估算。这激励我们开发了一种新颖的电池热模型，以高精度和低计算量来预测外部短路条件下的电池温度，从而完善动力电池外部短路领域的研究。

03

原创贡献

本文的创新点包括以下三个方面：

①在不同初始SOC值（20%、40%和80%）和不同环境温度（–10 ℃、 10 ℃、20 ℃和40 ℃）条件下开展动力电池外部短路实验，并构建外部短路故障数据库，用于建立和验证所提出的电池热模型；

②建立基于极限学习机的生热模型（简称ELMT模型）来预测电池发生外部短路后的温度行为。与经典极限学习机相比，ELMT模型中激活函数被集总参数热模型取代，从而更精确地刻画电池温度变化；

③在模型拟合和预测精度以及计算成本方面，使用外部短路实验数据对提出的ELMT模型进行验证。为了证明ELMT模型的有效性，比较了ELMT模型与通过遗 传算法（GA）优化的MLT模型的性能。

04

结论

本文提出了一种ELMT模型以刻画在不同外部短路条件下动力电池的温度行为，在ELMT模型中，利用基于物理意义的集总参数热模型替代经典极限学习机中的激活函数。在不同环境温度（40 ℃、20 ℃、10 ℃ 和–10 ℃）和电池初始SOC值（80%、40%和20%）下系统地开展了动力电池的外部短路实验，构建了外部短 路故障数据库以建立和评估所提出的模型。

为证明所提出模型的优势，比较了ELMT模型与遗传算法参数化的MLT模型。通过使用两种模型拟合训练数据（第1组实验数据）中电池外部短路后的温度，比较了两种模型的拟合精度。在所有实验条件下，ELMT模型拟合温度的RMSE平均值为0.65 ℃，MLT模型拟合温度的RMSE平均值为3.95 ℃。

此外，还比较了两种模型的计算时间， 并证明了ELMT模型相比MLT模型具有更低的计算成本。在模型预测电池外部短路温度方面，使用第2组外部短路实验数据进一步评估两个模型的预测精度。在所有实验条件下，ELMT模型预测温度的RMSE平均值为3.97 ℃，而MLT模型预测温度的RMSE平均值为6.11 ℃。 

以上结果表明，与MLT模型相比，ELMT模型具有更好的拟合和预测精度以及较高的计算效率。

未来的研究工作包括：① 研究外部短路过程中电池阶段性损伤特性；② 提高ELMT模型的泛化能力以更好地预测电池内部温度。

动力电池外部短路实验平台

关键词：电动汽车；电池安全；外部短路；温升预测 ；极限学习机

以上内容来自：Ruixin Yang, Rui Xiong, Weixiang Shen, Xinfan Lin. Extreme Learning Machine-Based Thermal Model for Lithium-Ion Batteries of Electric Vehicles under External Short Circuit[J]. Engineering, 2021, 7(3):395-405.

扫二维码 | 查看原文

原文链接：http://www.engineering.org.cn/en/10.1016/j.eng.2020.08.015