基于人工神经网络的锂离子电池组温度预测

隋全武

（金城集团有限公司 江苏 南京 210002）

引言

每年，传统内燃机动力汽车向大气排放的温室气体占总排放量的13%，传统内燃机动力汽车已经成为造成环境污染的主要元凶之一。为减少温室气体排放，纯电动汽车和混合动力汽车正加速取代传统内燃机动力汽车。锂电池由于自身的高能量与高功率密度、寿命长、环境友好性、无记忆效应等优点，被广泛用于纯电动汽车和混合动力汽车。但是，锂电池低温条件下放电性能不佳；高温条件下，由于锂电池产热速率大，容易造成热积累，使得锂电池的性能与安全性下降[1]，所以对锂离子电池进行温度特性研究是极其必要的。

对锂离子电池温度特性进行研究，国内外学者在产热性能与导热原理上，进行了一系列的研究[2-5]，Anderson等人[2]对大量汽车上所使用的动力电池进行研究，发现当工作温度不断增加时，动力电池的实际使用寿命会大幅减少；Bernardi等人[3]则通过实验对锂离子电池生热进行研究，提出了电池生热的原始基础方程式，为之后研究提供了依据，该原始基础方程式被世界各地的研究学者进行了多次的计算简化，衍生出大量锂离子电池生热计算公式。CHEN等人[4]在Bemardi所提出锂离子电池生热速率模型的基础上，通过对运算量和运算精度对比，认为考虑了电池外壳传热、电池辐射散热的三维模型能够比一维、二维模型具有更准确的运算能力，最后通过改变放电倍率大小、放电深度高低和对流换热能力强弱等因素，对电池生热进行了研究。Thomas E.等人[5]通过多次的实验对锂离子电池的生热进行了分析，他们认为过电势的浓度在正常放电情况下其数值极小，并且当中产生的混合热可以被忽略。Zhang等人[6]在前人研究所取得的成果上，使用商用有限元软件COMSOL建立详细的三维热模型并进行仿真研究，最后获得了一定的仿真研究数据成果

本文主要研究人工神经网络对锂离子电池温度的预测，通过大量数据对神经网络进行训练，然后使用训练好的人工神经网络对锂离子电池的温度进行预测。

1 研究方法

1.1 人工神经网络原理

人工神经网络在学术界内又通常被简称为神经网络，它的基础原理主要是来源于生物工程学。在理解并抽象了人类大脑结构与外界刺激响应的机制后，使用网络拓扑知识作为理论基础，模拟人类大脑神经系统对数据处理活动的一种数学模型。

人工神经网络的神经元的种类被划分为如图1所示的输入层神经元、隐含层神经元、输出层神经元三类。实际研究过程中，经常被研究学者们所使用的是BP神经网络。

图1 人工神经网络模型

1.2 BP人工神经网络数学模型的建立

BP神经网络也被称为误差反向传播算法，通过建立输入与输出的变量矩阵，随机取其中的一组输入单元x1、x2、…、xm来到输入层，与隐含层的连接权重产生一组数据s1、s2、…、sn作为隐含层的输入，然后通过隐含层节点的激活函数f（x）产生输出，这些输出将通过隐含层与输出层的连接权重产生输出层的输入，之后输出层通过与隐含层相同的处理方式得出最终输出元素 y1、y2、…、yk。

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

函数图形如图2所示。

图2 log-sigmod函数曲线图

当输出层产生输出后，比较输出层输出与原始输入数据之间的误差，记为Δe，定义损失函数L（e）如下所示：

使用随机梯度下降法，也就是对每个训练样本都使得其权重向负梯度方向变化。

定义δ的值为：

通过Δe反馈修正各层连接权重，将Δe作为输出层的反向输入，得到输出层的δ，然后将输出层δ根据连接权重反推到隐含层，得到各层的δ值，使用得到的δ值对权重进行更新。然后随机选取新的输入值，使用更新后的权重重复以上运算过程对神经网络进行进一步的训练，直到输出层输出与原始输出数据之间的误差达到允许值范围后完成训练。

2 结果与讨论

本文中由于影响因素为冷却介质流速、冷却介质温度、放电倍率，最终计算结果为电池组的最高温度，所以输入层单元数为3个，输出层单元数为1个。根据前人总结的理论公式来设计隐含层的节点数目：

式中：l是隐含层节点的数目；n是输入节点的数目；m是输出节点的数目；a是1～10之间的任何常数；最终计算得到隐含层神经元数目有6个。

使用实验数据对神经网络模型进行训练，使其误差达到允许范围。

在0.5C、1C、2C倍率放电下一共设计25组实验，所设计的实验如表1所示。

表1 验证神经网络所设计实验

使用所建立的BP神经网络对这25组试验进行预测，其预测结果与实验结果的误差如图3所示。从误差图中可以看出0.5C倍率放电下，预测所得结果与实验所得结果相差小于0.1 K；1C、2C倍率放电下，预测所得结果与实验所得结果相差均小于0.5 K。这说明所建立的BP神经网络能够有效地对不同冷却液体流速、冷却液体温度、放电倍率因素下的锂离子电池组最高温度进行良好的预测。

图3 预测结果与实验结果的误差

3 结论

本文通过改变冷却液体流速、冷却液体温度、放电倍率这三个因素所获得的电池组液冷模型最高温度对所搭建的BP神经网络进行反复训练，最后准确预测了电池组液冷模型的最高温度，预测所得结果与实验所得结果相差均小于0.5K。