JLG蓄电池一种软包锂离子电池热模型及基于稀疏传感器的热监测策略
来源：JLG电瓶 2026-02-28 10:38:08 点击：
摘要
为解决锂电池模组温度监测中监测成本与精度之间的trade-off问题，本研究提出了一种高效的热监测strategy，将软包锂离子电池热模型与稀疏传感器数据相融合。首先基于袁庆阳等人提出的"Mode-Thermal Power"映射方法求解锂电池热功率，构建了软包锂离子电池模组的一维热模型。针对该热模型应用于电池模组时精度下降的问题，提出了一种校正补偿方法。多种工况下的验证表明，一维热模型的平均相关系数(ACC)超过0.93，最大相对误差(MaxRE)低于5%。校正补偿方法的应用使模型预测精度提升了5.44%。随后，利用热模型快速构建了一个数据集，并采用Gappy POD方法实现基于稀疏传感信息的锂电池模块多区域温度场实时重建。系统分析了模态阶数、传感器数量及数据集构建方式对锂电池模块温度重建精度的影响。结果表明，即使在传感器数量有限、热衰减或热失控条件下，所提方法仍保持较高的预测精度，最大预测误差小于7%。最后，特征响应频率fτ本研究提出通过量化热功率波动频率与温度重建精度之间的关联性进行评估。验证结果表明，特征响应频率能有效表征极端动态工况（如频繁随机功率切换）下基于稀疏传感的温度重建方法的稳定运行边界。该研究成果为基于稀疏传感器的大型锂电池模组热监控及热失控预警提供了可行的解决方案与理论支撑。引言
锂电池热模型的发展与应用[8][9]对于优化电池热管理策略、提升系统安全性及延长电池寿命至关重要。热模型能够定量表征电池在不同工况下的温度分布与热行为特征，为实时监测与预测电池热状态提供理论基础。通过精确的热模型，研究人员不仅能识别电池内部不同区域的温度变化，还能揭示局部热点形成的机理，从而更深入地理解温度分布不均对电池性能衰减与安全风险的影响。热模型的模拟结果有助于电池热管理系统（BTMS）的设计，优化冷却策略与散热结构[10]，并预防因过热导致的性能下降或安全问题。在实际锂电池热监测中，热模型与传感器测量数据的结合构建了一个融合数据与底层机制的混合式热管理框架。通过模型预测与传感器信息的动态耦合，该系统为电池管理系统（BMS）提供实时热状态估计与预警支持，从而增强系统检测热风险的能力，提升温度监测精度与响应速度，推动智能化、预测性热管理的发展。在锂电池热建模领域，三种常见模型类型包括：
- (i)
集总热模型该模型将锂电池简化为具有均匀热容的结构，计算电池的体积生热率，并采用计算流体动力学（CFD）方法模拟热行为。虽然计算简单且适用于工程应用，但在复杂几何结构或强非线性条件下其精度会降低[14]。 - （ii）
等效电路-热耦合模型：通过将生热速率反馈机制嵌入等效电路，该模型优化了电压特性与热特性的同步预测。其虽能提升热响应能力，但需要较高的建模专业度与参数校准技术[15]。 - （iii）
电化学-热耦合模型该模型在微观层面反映了电池内部的电化学过程与热源演化，为详细的热分析提供了高精度。然而其计算复杂性限制了其在实际系统中的部署[16]。图1展示了三种热力学模型的优缺点。
综上所述，集总热模型是一种便于工程应用的热模型构建方法。然而，该类别下的大多数方法过度简化了锂电池的热行为，从而削弱了模型的泛化能力。此外，集总参数模型通常将锂电池视为单一内部热源，导致对单体电池内部不同区域温度变化行为的描述精度不足。作为集总参数热模型的延伸与改进，袁庆扬等人[17]提出了"模态-热功率"映射法来构建锂电池热模型。该方法仅需少量标准化锂电池温升实验数据，即可反映复杂环境条件下电池各部位温度及温差变化。研究显示，该方法在多种型号的软包锂离子电池上均表现出良好效果。目前大多数锂电池热模型研究集中于单体电芯，因其热行为相对简单且更易建模。然而，关于锂电池模块（由多个单体电池组成）的热管理研究相对较少，尤其是在考虑多电池之间复杂的热耦合效应时。现有的锂电池热模型构建方法通常难以扩展至模块级应用。与单体电池相比，电池模块在热管理方面面临重大挑战，主要体现在以下三个方面。（1）电池单体间的热耦合效应：锂电池模块通常由多个单体电池组成，这些电池之间的热耦合效应会导致每个单体的热行为受到其他单体的影响。单体的工作状态、内阻及充放电效率等因素可能导致不同单体产生不同的热量，进而影响其他单体的温度分布。因此，电池模块的热管理不仅需要关注单个电池的热状态，还需考虑模块内电池间的热耦合[18][19]及其对整体温度场的影响；（2）非均匀热分布：在锂电池模块中，由于电池产热特性与冷却路径的差异[20][21][22]，温度分布往往呈现非均匀性。电池单体间的产热速率与散热条件（如冷却液流速、导热系数）存在差异，导致模块内部温度场呈现显著空间差异性。产热速率不均与外部冷却条件不一致会加剧这种温度分布不均匀性；(3) 多维传热机制：锂电池模块的热管理不仅涉及电池单体内部的热传导，还包含[23]所提出的多维度传热机制。由于传热是一个复杂的三维过程，电池模块内部的温度场不仅受电芯自身热特性的影响，还受环境温度、冷却剂流动条件和散热结构等外部因素的制约。因此，需要建立多物理场耦合模型来精确描述和预测锂电池模块内部的热行为。
在处理大规模锂电池模组时，基于稀疏传感器的低成本高效热监测方法，对于降低工程成本及提供热失控风险早期预警至关重要。现有温度场重构方法可大致分为两类：基于物理的方法与数据驱动方法。
- (i)
基于物理的温度场重构方法这些方法通过求解热传导方程来模拟电池的热行为，具有较高的预测精度。此类方法通常需要建立详细的物理模型，综合考虑电池内部的热传导、对流以及热源分布等因素[24]。尽管能为电池模块热管理提供理论支持，但这些方法计算量庞大，不适用于实时应用场景，尤其在大规模电池系统中，计算压力会显著增加。 - （ii）
数据驱动方法与基于物理的方法不同，数据驱动方法利用从传感器收集的实时温度数据，应用数学建模和机器学习算法来预测温度场的分布[25]。这些方法不依赖传统的物理建模，而是利用数据中的温度特征和模式，通过机器学习算法进行预测和重建[26][27]。数据驱动方法具有高度灵活性和适应性，特别适用于实时监测和动态调整。数据驱动方法中的多种算法，如人工神经网络（ANN）、径向基函数神经网络（RBF NN）和反向传播神经网络（BP），已广泛应用于温度场预测与重构领域。例如，Fang等[28]采用虚拟温度传感器（VTS）结合ANN技术从稀疏传感器数据中重构温度场，Liu等[29]开发了融合RBF NN与扩展卡尔曼滤波的模型用于估算电池内部温度分布，Huang等则...[30]将电池热模型与卡尔曼滤波相结合，实现了温度场的实时估计。然而，数据驱动的神经网络方法存在若干局限：首先，神经网络训练通常需要大量实验数据，且数据质量与多样性会直接影响预测精度[31]。在数据稀缺或传感器布设不均的情况下，神经网络的预测性能可能受限。其次，神经网络常被视为"黑箱"模型，其内部机制缺乏透明的物理解释，这影响了模型的可解释性与可靠性[32]。最后，随着神经网络模型复杂度的提升，训练与计算所需的时间及计算资源呈指数级增长，导致此类方法难以适用于实时温控系统[33]。
为克服神经网络方法的局限性，降阶技术[34]作为一种有效的数据驱动方法被引入。该技术通过提取最具代表性的模态信息来降低系统维度，显著减少计算复杂度并提升实时性能。与复杂的物理建模不同，降阶方法依赖高维数据的维度约简来提取温度场重构的主要特征。常见降阶方法如主成分分析(PCA)[35]和本征正交分解(POD)[36]已广泛应用于锂电池热行为的建模与预测。这些方法通过简化系统维度，不仅保持了高精度，还大幅降低了计算开销，使其适用于大规模电池系统的实时监测。其中，Gappy POD方法[37]结合了POD与数据驱动技术，克服了传统POD对完整数据的依赖，能够利用稀疏或不完整的传感器数据实现有效的温度场重建。该方法提取温度场的主导模态信息并恢复缺失数据，提高了温度预测的准确性，降低了对密集传感器布局的依赖。此外，Gappy POD方法将POD与最小二乘法相结合[38]，提供了清晰的数学基础，无需像神经网络那样训练复杂模型，从而具备更高效的温度场重建能力。
基于先前提出的软包锂离子电池"模式-热功率"映射方法[17]，本研究解决了实际应用中的一个关键障碍：在单电池层面表现良好的热模型，当直接扩展至模块时往往出现显著精度下降，这主要源于电池间的热耦合效应及其引发的有效边界条件漂移。为弥合这一鸿沟，我们提出一种模块级校正策略，通过补偿耦合模块环境中基于单元映射的系统性偏差，从而实现从单细胞建模到模块级预测的可靠跨尺度扩展。在此基础上，开发了软包锂离子电池模块的一维热模型，并进一步与Gappy POD稀疏重建算法耦合，构建出融合有限传感器测量与基于物理模型输出的集成化、实时性、多区域温度场监测框架。注：术语表中"Bridge"对应"跨链桥"未在原文出现，其余术语均未涉及，故严格遵循原文表述。所提出的策略能够在稀疏传感器部署与高度动态运行条件下，实现对模块内关键区域温度分布的精准且低成本的在线估计，并在涉及热安全（包括热失控相关工况）的极端/滥用场景下保持有效性。为兼顾性能与实用性，我们系统性地研究了模态阶数、传感器数量及数据集构建方式对重构精度的影响，同时为该策略确立了限制级适用性标准。针对多种锂离子电池模块的验证进一步证明了该方法的鲁棒性与全年龄适用性。总体而言，所提出的监测框架不仅提升了模块级热状态感知的空间分辨率，更为锂离子电池模块的热安全管理与热失控预警提供了兼具理论依据和工程实践可行性的解决方案。
为使上述进展更加明确，现将创新点与主要贡献总结如下：
- (i)
模块级跨尺度校正（从电池到模块的缺失环节）针对由热耦合与动态升高的"有效环境温度"导致的模块中电池级模式-热功率映射精度崩溃问题，本研究提出基于校正因子的补偿方法，在不显著增加实验负担的情况下将电池模型转换为模块级预测，使模块最大相对误差（MaxRE）从约6–12%降至约2–5%。 - （ii）
端到端集成建模-重建框架：我们建立了"修正热模型→快速数据集生成→实时稀疏重建"的统一流程，实现基于稀疏传感器的多区域温度场在线监测。 - （iii）
基于特征响应频率的适用性边界：引入特征响应频率这一量化指标，将功率变化频率与重建质量退化关联起来，为极端动态工况提供了具有明确物理意义的稳定运行边界判据。
- 上一篇：JLG蓄电池通过复合固态电解质隔膜增强半固态电池的钉刺安全性
- 下一篇：返回列表