一种基于少量温度传感器的超级电容模组温度监测方法.docxVIP

摘要超级电容器服役性能及老化过程与温度密切相关，温度过高会引起热失控从而影响超级电容运行安全，因此监测超级电容系统中每只单体温度尤为重要，而传统的传感器监测方案存在成本高、不易安装等问题。本工作以商用超级电容模组为研究对象，提出了一种基于少量单体温度预估模组内剩余单体温度的方法，可以减少传感器的使用。通过研究不同冷却风速下、多段恒流充放电时模组内各单体的温度数据，发现单体温度间具有强相关性。建立基于BP神经网络的模组温度预估模型，通过对比不同单体组合作为输入，并分别移除电流、电压、风速等因素后的预训练效果，确定了最佳的模型架构。通过对比不同算法在同一数据集上的预测效果，选定了Levenberg-Marquardt作为模型的训练算法。模型可实现通过3只单体温度预估剩余9只单体温度，测试数据集上的总体平均绝对误差为0.06℃，最大绝对误差在0.30℃以内，满足储能系统对温度监测精度的要求。该方法所需测试条件简单，同时能够降低温度传感器购置成本，为超级电容热管理系统的温度监测提供了一种新的方法。

关键词超级电容模组；温度预估；神经网络；温度监测

超级电容是一种介于电池和传统电容器的高效储能器件，具有功率密度大、循环寿命长、充电速度快以及工作温度相对宽的特点，广泛应用于不间断电源系统、微电网功率波动平抑、城市公交车和轨道交通制动能量回收等诸多领域。在构建规模化储能系统时，由于超级电容单体极限工作电压较低，不能满足大规模储能的需求，故在实际应用中，超级电容常以单体串并联成模组的形式进行工作。

温度对超级电容实际工作性能及其寿命有显著影响。对于超级电容单体，温度降低时由于电解液活性降低，其内阻有所增大；温度升高，超级电容内阻降低，在一定程度上减小了由内阻带来的损耗，原因在于高温提升了超级电容内部电解液的离子迁移率。但也有研究表明，高温将缩短超级电容器的寿命，温度每升高10℃，超级电容老化速度将加快1.7～2.5倍，这将大大缩短超级电容及其构成的储能系统的有效服役时间。同时，高温也会加快超级电容电解液的蒸发，电解液的流失将导致性能的持续下降。对于超级电容模组，由于电气参数和散热条件不同，同一模组内各单体在运行时存在温度不一致的情况，温度的不一致性进一步加剧单体电气参数的不一致性，使得模组整体性能进一步劣化。

随着储能系统安全性要求的提高，许多应用场合中要求对超级电容储能模块的每只单体温度进行实时监测，尤其在载运工具等关乎人身财产安全的领域。例如，上海奥威科技开发有限公司2018年提出的企业标准《船用超级电容器系统》中，要求电容器管理系统对每只单体温度进行显示、报警和保护，并规定温度测量装置的标定准确度不低于0.5℃。实时获取温度的分布情况，能够为超级电容热管理系统制定控制策略提供依据，保障储能系统安全稳定运行。

现有获取超级电容模组温度分布的方法主要是传感器监测和仿真预估两种。基于传感器监测方案能够实时准确地获取超级电容单体温度数据，但在超级电容单体数量较多的模组中进行监测需要放置大量温度传感器，所需成本大且不易安装。在超级电容模组温度分布的仿真预估方面，Voicu等利用CFD(computationalfluiddynamics)软件Fluent6.3对超级电容模组进行考虑空冷下的数值建模，准确地得到了模组温度分布且与实验数据吻合较好。Frivaldsky等利用COMSOL3.5a软件设计了具有不同复杂程度的超级电容热模型，其改进型电化学双层电容器热模型与精密实验测量结果的相对误差仅为0.08%。西南交通大学戴朝华等在COMSOLMutiphysics中建立了双电层电容器电化学-热耦合模型，在此基础上研究了不同空间结构下超级电容的热特性，其多物理仿真结果与实验数据的相对误差最大为1.38%。上述基于有限元分析方法对超级电容模组进行的仿真建模虽然能够取得较为精确的温度分布情况，但计算量很大，因此无法用来进行温度的实时预估且不能部署到超级电容管理系统当中。

神经网络是一种对于非线性映射关系有着强大拟合能力的学习框架，目前已有诸多研究利用神经网络对不同应用领域的温度值进行预估的案例：如利用PSO-BP神经网络预估开关柜设备温度、利用LSTM神经网络进行地铁车站温度预估、基于BP神经网络对燃煤锅炉温度分布进行预估等，均对相应实测温度数据有良好的拟合度，说明利用神经网络对温度变化进行预估具有一定可行性。

目前，在储能系统研究领域，已有学者使用神经网络方法进行动力电池的温度预估。在单体温度预估方面，Fang等提出了基于神经网络的镍氢电池单体表面温度预估模型，模型以充电电流、环境温度和充电时间作为输入，用以预估镍氢电池的表面温度，模型的最大绝对误差为1.30℃，但未考虑电池放电情形下的温度预估问题，且其预估精度仍有提升空间；L