基于人工神經網絡的鋰離子電池組溫度預測

隋全武

（金城集團有限公司 江蘇 南京 210002）

引言

每年，傳統(tǒng)內燃機動力汽車向大氣排放的溫室氣體占總排放量的13%，傳統(tǒng)內燃機動力汽車已經成為造成環(huán)境污染的主要元兇之一。為減少溫室氣體排放，純電動汽車和混合動力汽車正加速取代傳統(tǒng)內燃機動力汽車。鋰電池由于自身的高能量與高功率密度、壽命長、環(huán)境友好性、無記憶效應等優(yōu)點，被廣泛用于純電動汽車和混合動力汽車。但是，鋰電池低溫條件下放電性能不佳；高溫條件下，由于鋰電池產熱速率大，容易造成熱積累，使得鋰電池的性能與安全性下降[1]，所以對鋰離子電池進行溫度特性研究是極其必要的。

對鋰離子電池溫度特性進行研究，國內外學者在產熱性能與導熱原理上，進行了一系列的研究[2-5]，Anderson等人[2]對大量汽車上所使用的動力電池進行研究，發(fā)現(xiàn)當工作溫度不斷增加時，動力電池的實際使用壽命會大幅減少；Bernardi等人[3]則通過實驗對鋰離子電池生熱進行研究，提出了電池生熱的原始基礎方程式，為之后研究提供了依據，該原始基礎方程式被世界各地的研究學者進行了多次的計算簡化，衍生出大量鋰離子電池生熱計算公式。CHEN等人[4]在Bemardi所提出鋰離子電池生熱速率模型的基礎上，通過對運算量和運算精度對比，認為考慮了電池外殼傳熱、電池輻射散熱的三維模型能夠比一維、二維模型具有更準確的運算能力，最后通過改變放電倍率大小、放電深度高低和對流換熱能力強弱等因素，對電池生熱進行了研究。Thomas E.等人[5]通過多次的實驗對鋰離子電池的生熱進行了分析，他們認為過電勢的濃度在正常放電情況下其數(shù)值極小，并且當中產生的混合熱可以被忽略。Zhang等人[6]在前人研究所取得的成果上，使用商用有限元軟件COMSOL建立詳細的三維熱模型并進行仿真研究，最后獲得了一定的仿真研究數(shù)據成果

本文主要研究人工神經網絡對鋰離子電池溫度的預測，通過大量數(shù)據對神經網絡進行訓練，然后使用訓練好的人工神經網絡對鋰離子電池的溫度進行預測。

1 研究方法

1.1 人工神經網絡原理

人工神經網絡在學術界內又通常被簡稱為神經網絡，它的基礎原理主要是來源于生物工程學。在理解并抽象了人類大腦結構與外界刺激響應的機制后，使用網絡拓撲知識作為理論基礎，模擬人類大腦神經系統(tǒng)對數(shù)據處理活動的一種數(shù)學模型。

人工神經網絡的神經元的種類被劃分為如圖1所示的輸入層神經元、隱含層神經元、輸出層神經元三類。實際研究過程中，經常被研究學者們所使用的是BP神經網絡。

圖1 人工神經網絡模型

1.2 BP人工神經網絡數(shù)學模型的建立

BP神經網絡也被稱為誤差反向傳播算法，通過建立輸入與輸出的變量矩陣，隨機取其中的一組輸入單元x1、x2、…、xm來到輸入層，與隱含層的連接權重產生一組數(shù)據s1、s2、…、sn作為隱含層的輸入，然后通過隱含層節(jié)點的激活函數(shù)f（x）產生輸出，這些輸出將通過隱含層與輸出層的連接權重產生輸出層的輸入，之后輸出層通過與隱含層相同的處理方式得出最終輸出元素 y1、y2、…、yk。

其中激活函數(shù)f（x）采用sigmod函數(shù)，本文使用log-sigmod函數(shù)：

函數(shù)圖形如圖2所示。

圖2 log-sigmod函數(shù)曲線圖

當輸出層產生輸出后，比較輸出層輸出與原始輸入數(shù)據之間的誤差，記為Δe，定義損失函數(shù)L（e）如下所示：

使用隨機梯度下降法，也就是對每個訓練樣本都使得其權重向負梯度方向變化。

定義δ的值為：

通過Δe反饋修正各層連接權重，將Δe作為輸出層的反向輸入，得到輸出層的δ，然后將輸出層δ根據連接權重反推到隱含層，得到各層的δ值，使用得到的δ值對權重進行更新。然后隨機選取新的輸入值，使用更新后的權重重復以上運算過程對神經網絡進行進一步的訓練，直到輸出層輸出與原始輸出數(shù)據之間的誤差達到允許值范圍后完成訓練。

2 結果與討論

本文中由于影響因素為冷卻介質流速、冷卻介質溫度、放電倍率，最終計算結果為電池組的最高溫度，所以輸入層單元數(shù)為3個，輸出層單元數(shù)為1個。根據前人總結的理論公式來設計隱含層的節(jié)點數(shù)目：

式中：l是隱含層節(jié)點的數(shù)目；n是輸入節(jié)點的數(shù)目；m是輸出節(jié)點的數(shù)目；a是1～10之間的任何常數(shù)；最終計算得到隱含層神經元數(shù)目有6個。

使用實驗數(shù)據對神經網絡模型進行訓練，使其誤差達到允許范圍。

在0.5C、1C、2C倍率放電下一共設計25組實驗，所設計的實驗如表1所示。

表1 驗證神經網絡所設計實驗

使用所建立的BP神經網絡對這25組試驗進行預測，其預測結果與實驗結果的誤差如圖3所示。從誤差圖中可以看出0.5C倍率放電下，預測所得結果與實驗所得結果相差小于0.1 K；1C、2C倍率放電下，預測所得結果與實驗所得結果相差均小于0.5 K。這說明所建立的BP神經網絡能夠有效地對不同冷卻液體流速、冷卻液體溫度、放電倍率因素下的鋰離子電池組最高溫度進行良好的預測。

圖3 預測結果與實驗結果的誤差

3 結論

本文通過改變冷卻液體流速、冷卻液體溫度、放電倍率這三個因素所獲得的電池組液冷模型最高溫度對所搭建的BP神經網絡進行反復訓練，最后準確預測了電池組液冷模型的最高溫度，預測所得結果與實驗所得結果相差均小于0.5K。