鋰離子電池包熱管理仿真建模與試驗驗證

中圖分類號：TM912； U463.63^?3 文獻標志碼：A DOI： 10.20104/j.cnki.1674-6546.20250174

【Abstract】To enhance the safetyand effciencyof the power batteries fornewenergy vehicles，this study adopts a multi-scalecoupled approach encompassing“cell-module-pack”levels toestablish ahigh-fidelitythermal management simulation model for lithium-ion bateries.Through charge/discharge experiments conducted within the 15～45^°C temperature rangeand across various StateOf Charge （SOC），cellcharacteristic parametersareacquired，enablingtheconstructionand validationofsecond-orderRCquivalentcircuitmodel.Concuently，athr-dimensionalthermalmodelof thebatterypack is developedusing theNXand STAR-CCM+ softwareplatforms.This model is subsequentlycalibratedandvalidated with experimentaldataobtainedfromthermal-humiditytesting undercontroledhighandlowtemperatures.Theresultsrevealthat the simulation errors for battery pack temperature and cooling line pressure are both under 3% .This confirms that the model canaccuratelymap thethermal behaviorfromthemicro-scalepropertiesof thecelstothemacro-scaledynamicsof the battery pack.

Keywords：Lithium-ionbattery，Thermal management，Simulationmodel

1前言

鋰離子電池憑借其較高的能量密度和較長的循環壽命，成為電動汽車和儲能系統等領域的核心能源載體[1-3]。在電動汽車領域，鋰離子電池的性能直接影響車輛的續駛里程、充放電速度和使用壽命。在儲能系統中，鋰離子電池的穩定性和可靠性對于電網電力輸送、提高可再生能源并網效率起著決定性作用[5]。

然而，鋰離子電池的性能受多種因素影響，工作溫度和荷電狀態（StateOfCharge，SOC）是其中最為關鍵的兩個因素。在低溫環境下，電池內部的電化學反應速率減緩，導致電池容量衰減、內阻增大，嚴重影響電池的充放電性能。而高溫環境雖能提高電化學反應速率，但會加速電池老化，縮短電池的循環壽命。此外，鋰離子電池在不同SOC下的極化特性、熱生成規律也存在顯著差異，進一步增加了電池性能預測與熱管理的復雜性8。

為深入理解鋰離子電池在不同工況下的性能變化規律，國內外學者開展了大量研究。在電特性建模方面，等效電路模型因其結構簡單、計算效率高，在工程實際中得到廣泛應用。例如：戴維南（Thevenin）模型及其衍生的高階RC模型，能夠較好地描述電池的動態響應特性9-10;二階RC模型利用RC回路模擬電池內部的電化學反應和濃化極差現象，較好地平衡了模型復雜度與精度間的矛盾，成為應用最廣泛的模型之一。在熱特性研究領域，電池組的溫度分布不均勻性是影響其性能一致性和壽命的重要因素。計算流體力學（ComputationalFluidDynamics，CFD）仿真技術為電池組散熱結構的有效性分析提供了有力手段。然而，目前多數研究集中在單一溫度工況下的靜態特性分析，對于不同溫度下電池的電熱耦合行為研究尚顯不足。此外，如何通過多尺度建模實現電池電-熱參數的協同辨識，以更準確地預測電池在不同環境溫度下的性能，仍是當前研究的難點。

基于上述背景，本文按照“電芯-模組-電池包”的多尺度耦合方式對鋰離子電池進行熱管理仿真建模，為保證仿真模型的準確性，針對鋰離子電芯和電池包開展多工況測試與驗證。通過在 15～45^°C 溫度區間及不同SOC下進行充放電試驗獲取電芯的特性數據，構建二階RC等效電路模型并進行參數辨識，利用NX與STAR-CCM + 軟件搭建電池包的三維熱模型，并結合高低溫濕熱試驗箱等設備進行驗證，以期為鋰離子電池的熱管理設計與性能優化提供參考。

2仿真模型建立

本文的研究對象為某磷酸鐵鋰電池包，其實物圖和相關參數如圖1和表1所示。

圖1電池包實物

表1鋰離子電池包相關參數

2.1 電芯模型

相較于一階模型，二階RC等效電路模型能更準確地描述長時極化效應，提升動態響應精度且模型復雜度適中，計算量遠低于電化學模型，故本文采用二階RC等效電路模型對上述電池包的電芯進行建模。電芯模型基本結構如圖2所示，主要包含開路電壓源、歐姆內阻 R₀ 和2組RC網絡。

圖2二階RC等效電路模型

模型中電壓與電流的關系為：

式中：I為電流， C₁，C₂ 為極化電容， R₁，R₂ 為極化內阻， U_c1，U_c2 為2個RC對的電壓， U 為端電壓， U_oc 為開路電壓， Ψ_t 為時間。

二階RC等效電路方程為：

式中： τ₁=R₁C₁?τ₂=R₂C₂ 為時間常數。

2.2 電池包模型

電池包模型的核心在于單體電池的建模及其集成。本文采用二階RC等效電路模型捕捉單體電池的非線性動態響應（開路電壓與SOC的關系）。將63個單體模型串聯以提高電壓，構成電池包的等效電路框架。電池包模型主要由電池模組、冷卻管路及導熱片構成，其中電池模組包括63塊同規格電芯，以3S1P形式排布（21塊電芯為1列，共3列串聯）。電池包內冷管流道流向為一進一出且中間多條支路并聯。使用NX軟件對其進行三維建模，如圖3所展示。

圖3電池包三維建模模型

將NX中的電池包三維模型以STEP格式導入STAR- ?CCM+ 中，并設置計算域（Region）和邊界（Boundary）以保證計算準確。隨后利用STAR-CCM+ 自帶的自動網格劃分功能對三維模型進行網格劃分，并在各部件間的交界面進行網格加密處理，以保證網格數量和質量。網格具體設置如表2所示，電池組和冷卻管路部分區域的網格如圖4所示。

表2網格參數

為保證網格獨立性，在保持模型大小不變的同時，通過減小網格尺寸逐漸增加網格數量。當網格數量達到約4200000個時，發現溫度和壓降的計算結果變化量均小于 0.8% 。因此，圖4所示的網格滿足要求，可用于后續計算。

仿真模型的參數設置包括物性參數及邊界條件設置。選擇鋁作為固體域材料，選擇水作為流體域材料，具體參數設置如表3所示。

（a）電池組

圖4電池包模型網格劃分

表3物性參數

分區域設置仿真模型的邊界條件。固體區域忽略電池包內空氣且無水冷。流體區域邊界條件設置為：冷卻管路入口為質量流量入口，大小為0.667kg/s ，入口溫度為 16^°C ；冷卻管路出口為壓力出口，數值為0，出口溫度為 27°C 。

3參數辨識與試驗驗證

3.1電芯參數辨識

電芯參數辨識有多種方法，本文采用MATLAB的基于模型的校準工具箱（Model-BasedCalibrationToolbox）進行電芯參數辨識，該方法高效、標準化且可視化程度高。

首先，為獲取參數辨識所需數據，對電芯進行了混合脈沖功率特性（HybridPulsePowerCharacterization，HPPC）測試，包括容量測試、充放電電流和電壓測試等。測試設備為武漢藍電HPPC測試系統，包含充放電主機（藍電CT系列）、溫控箱（集成式恒溫恒濕箱）、數據采集卡（高速AD轉換模塊）、分析軟件（藍電電池測試系統V7.0）。獲得的HPPC試驗數據包含 15～45^°C 范圍內4個溫度條件下的數據，以 15^°C 為例，電壓和電流的變化曲線如圖5所示。

整理HPPC測試數據并導入基于模型的校準工具箱進行參數辨識， 15^°C 條件下電壓的驗證曲線如圖6所示，電壓的均方根誤差（RootMeanSquareError，RMSE）為 2.1mV ，小于 5mV ，表明本文所搭建的二階RC模型具有較高精度。

圖515℃條件下HPPC測試電壓、電流曲線

3.2電池包熱管理仿真模型驗證

本文通過采集電池包的最高溫度 T_max， 最低溫度 T_min 、平均溫度 T_avg ，根據實時溫度動態啟用制冷、制熱或自循環模式。熱管理策略如下：

a.當 T_max?28 ℃且 T_avg?25 C時，開啟壓縮機和水泵，冷卻液流經蒸發器對電池降溫；b.當 T_max?25^°C 且 T_avg?22 ℃時，關閉壓縮機，保持水泵運行至溫度穩定；c.當 T_maxgt;25^°C 但未達到制冷閾值時，僅開啟水泵自循環（不啟動壓縮機），利用低溫冷卻液自然散熱。

本文主要進行了電池包充放電溫度測試、水冷板壓降測試。電池包充放電溫度測試步驟包括設定循環電流、通過計算機下發控制器局域網（ControllerAreaNetwork，CAN）指令開始放電、記錄各傳感器數據、記錄CAN接收的報文、通過CAN下發指令關機、分析CAN報文數據等。水冷板壓降測試步驟包括打開冷水機循環水泵、調節冷水機流量、記錄壓力表和流量計數據、循環重復5組、關閉冷水機、繪制壓力-流量曲線。電池包測試原理如圖7所示。

圖7電池包測試原理

其中，電池包充放電測試在電池包高低溫試驗臺架上進行，測試儀器為動力電池綜合測試系統和步入式高低溫濕熱試驗箱（型號為AK/BRGDWS-050）。測試條件為：環境溫度 25^°C 環境濕度 65% 、采樣頻率 10Hz 、恒流充電電流50A、恒壓充電截止電流0.05C、恒流放電電流50A、循環3次。具體測試流程如圖8所示，電池包溫度測點如圖9所示，測點位于電芯中心位置。

圖9電池包溫度測點示意

水冷板阻力測試儀器為冷水機、流量計、壓力表等，如圖10所示。

圖10水冷板水阻測試

同時，進行STAR-CCM ⁺ 模型仿真計算，待軟件充分計算結果收斂后，通過設置標量場景，分別選取電池包和冷卻管路，同時設置溫度場函數和壓力場函數，得到溫度云圖和壓力云圖如圖11、圖12所示。

圖11電池包溫度仿真結果

圖12冷卻管路壓力分布仿真結果

為驗證所搭建電池包熱管理仿真模型的精度，截取圖11、圖12中的數據分別與前文所述的電池包測試數據及水冷板水阻實測數據進行對比，如圖13、圖14所示，測試結果與模型仿真數據走勢基本吻合，經計算，電池包最高溫度相差約 1^°C （相對誤差為 2.5% ），水阻最大值相差 755Pa （相對誤差為2.8% ），表明模型精度較高。

圖13電池包溫度對比結果

圖14冷卻管路壓力對比結果

圖13中，溫度測試曲線呈階梯狀，主要原因在于數據采集具有離散性：測試設備（溫度傳感器 + 數據記錄儀）通常按固定時間間隔采集溫度（每 10min 記錄一次）；電池包溫度在測試過程中緩慢上升（從26^°C 上升至 41^°C 耗時 9.7h ），由于溫度變化速率低（平均僅 0.00035^°C/s ），存在長時間內傳感器測得數值基本不變的情況。

4結束語

本文采用“電芯-模組-電池包\"多尺度耦合方法，建立了鋰離子電池熱管理仿真模型。通過二階RC等效電路模型進行電芯參數辨識，在此基礎上構建電池包的三維熱管理模型，系統分析了溫度場和壓力場分布特性。試驗驗證結果表明，電池包溫度和冷卻管路壓力的仿真結果均具有較高的精度（相對誤差 ?3% ），驗證了模型的可靠性。

參考文獻

[1]GOODENOUGHJB，PARK KS. The Li-Ion Rechargeable Battery：A Perspective[J]. Journal of the American Chemical Society，2013，135（4）： 1167-1176.

[2]王中偉，楊坤，馬超，等.不同溫度下鋰離子電池自適應 多狀態聯合估計[J].汽車技術，2025（4）：20-31. WANGZW，YANG K，MA C，et al.The Li-Ion RechargeableBattery：APerspective[J].Automobile Technology，2025（4）：20-31.

[3]張玉坤，鄒朝輝，張云霞.車用鋰離子電池失效分析與預 防措施綜述[J].汽車工程師，2023（4）：1-8. ZHANGYK，ZOUZH，ZHANGYX.Failure Analysis andMitigation Measures of Lithium-Ion Batteries for Vehicles[J].Automotive Engineer，2023（4）：1-8.

[4]晏榆洋，付輝.基于組合數學質量比建模的車用鋰離子 電池組熱管理研究[J].汽車技術，2024（5）：37-44. YANYY，FU H.Research on Thermal Management of AutomotiveLithium-IonBatteryPacksBased on Combinatorial Mathematical Mass Ratio Modeling[J]. Automobile Technology，2024（5）：37-44.

[5]KHALID A，SARWATA I.Unified Univariate-Neural Network Models forLithium-Ion Battery State-of-Charge ForecastingUsingMinimized Akaike Information Criterion Algorithm[J].IEEE Access，2021，9：39154-39170.

[6]王文彬，陳思言，孫宇，等.碳中和視角下的鋰離子動力 電池健康狀態管理綜述[J].汽車文摘，2025（7）：1-13. WANGWB，CHENSY，SUNY，etal.ReviewontheState ofHealth Management of Lithium-Ion Power Batteries underCarbon Neutrality[J]. Automotive Digest，2025（7）：1- 13.

[7]CHENDQ，HONGWC，ZHOUX Z.Transformer Network forRemaining Useful Life Prediction ofLithium-Ion Batteries[J]. IEEE Access，2022，10：19621-19628.

[8]郝卓，李賓，馬洋洋.基于Amesim的車用動力電池老化 及性能對比研究[J].汽車工程師，2021（10）：21-25. HAO Z，LI B，MA Y Y. Comparative Studyon Performance andAging of Vehicle Power Battery based on Amesim[J]. Automotive Engineer，2021（10）：21-25.

[9] 孫川，褚端峰，李海波，等.一種改進的電動汽車鋰電池 RC滯后模型及其應用[J].汽車技術，2019（4）：23-28. SUN C， CHU D F， LI H B，et al. An Improved RC Lagging Model of Electric Vehicle Li-Battery and Its Application[J]. Automobile Technology，2019（4）： 23-28.

[10]尚彥贊，宋紅為，楊照光，等.基于二階RC模型的鋰電池 充放電特性分析[J].高壓電器，2023，59（7）：87-94. SHANGYY，SONGHW，YANGZG，etal.Chargeand Discharge Characteristics Analysis of Lithium Battery Based on Second-Order RC Model[J].High Voltage Apparatus 2023，59（7）： 87-94.

[11]張宇涵，陳雙，任洪卓.基于神經網絡的磁流變減振器模 型參數辨識[J].汽車技術，2022（9）：50-55. ZHANG Y H，CHEN S，REN H Z. Model Parameter Identification of Magnetorheological Shock Absorber Based onNeural Network[J].Automobile Technology，2022（9）：50- 55.