CN115221798B - 一种电池热过程时空建模预测方法、系统、设备及介质 - Google Patents

一种电池热过程时空建模预测方法、系统、设备及介质 Download PDF

Info

Publication number
CN115221798B
CN115221798B CN202211133737.1A CN202211133737A CN115221798B CN 115221798 B CN115221798 B CN 115221798B CN 202211133737 A CN202211133737 A CN 202211133737A CN 115221798 B CN115221798 B CN 115221798B
Authority
CN
China
Prior art keywords
network
battery
representing
loss function
prediction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211133737.1A
Other languages
English (en)
Other versions
CN115221798A (zh
Inventor
王冰川
毛阳阳
王勇
何彦伯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN202211133737.1A priority Critical patent/CN115221798B/zh
Publication of CN115221798A publication Critical patent/CN115221798A/zh
Application granted granted Critical
Publication of CN115221798B publication Critical patent/CN115221798B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/05—Accumulators with non-aqueous electrolyte
    • H01M10/052—Li-accumulators
    • H01M10/0525—Rocking-chair batteries, i.e. batteries with lithium insertion or intercalation in both electrodes; Lithium-ion batteries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Chemical & Material Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Manufacturing & Machinery (AREA)
  • Materials Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种电池热过程时空建模预测方法、系统、设备及介质，本方法根据电化学原理和能量守恒定律，构建时空域控制方程，并定义时空域控制方程的物理边界、初始条件以及产热量估计函数；基于全连接网络层，构建具有物理信息的网络预测模型；根据时空域控制方程、物理边界、初始条件以及产热量估计函数，构建网络预测模型的损失函数；初始化网络预测模型的参数，并采用梯度下降算法对网络预测模型的参数进行迭代更新，直到达到预设的最大迭代次数或损失函数稳定收敛，完成网络预测模型的训练；通过训练完成的网络预测模型预测电池热过程的温度。本发明能够提高电池热过程温度预测的精确度，提高温度预测的效率。

Description

一种电池热过程时空建模预测方法、系统、设备及介质
技术领域
本发明涉及锂电池热过程研究技术领域，尤其是涉及一种电池热过程时空建模预测方法、系统、设备及介质。
背景技术
锂离子电池能量密度高、功率密度高、循环寿命长并且对环境相对友好，因此已经被广泛应用于手机、电脑、汽车及智慧电网等场景。为了更好地掌握电池的特性并以此制定合理的使用策略，锂离子电池建模成为了一个重要的研究方向，而锂离子电池的热过程建模则是该研究方向最重要的课题之一。电池中的温度分布会影响固体电极与电解质界面上的化学反应与电反应，对电池的充放电过程有着很大的影响，同时也对电池的安全性能和循环寿命有着决定作用，因此电池热过程的建模研究是十分有意义的。
现有的电池热过程建模技术主要分为如下两类：
第一类技术是基于有限差分原理的传统建模方法，首先利用相关的偏微分方程建立起第一原理模型，之后采用传统的数值计算方法如有限元方法、有限差分方法进行求解。这种方法的缺点是它高度依赖于完整准确的第一原理，需要描述热过程的相关偏微分方程完全已知并且边界条件均匀。然而实际工程问题中往往方程的部分参数是未知的，其边界也是不规则的，复杂的。同时使用传统的数值计算方法对偏微分方程进行求解也会消耗大量的计算资源与计算时间。
第二类技术是数据驱动的机器学习建模方法，这种方法将电池的热过程视为一个黑箱模型，只关心模型输入与输出之间的关系，模型的训练通过使用实际测试得到的输入输出数据进行网络参数更新完成。这种方法虽然不再需要完备的方程信息与大量的计算，但其准确度依赖于采样数据的精确度与规模，而获取足够多的高精度测试数据的代价也是十分巨大的。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种电池热过程时空建模预测方法、系统、设备及介质，能够提高电池热过程温度预测的精确度，提高温度预测的效率。
第一方面，本发明实施例提供了一种电池热过程时空建模预测方法，所述电池热过程时空建模预测方法包括：
根据电化学原理和能量守恒定律，构建时空域控制方程，并定义所述时空域控制方程的物理边界、初始条件以及产热量估计函数；
基于全连接网络层，构建具有物理信息的网络预测模型；
根据所述时空域控制方程、所述物理边界、所述初始条件以及所述产热量估计函数，构建所述网络预测模型的损失函数；
初始化所述网络预测模型的参数，并采用梯度下降算法对所述网络预测模型的参数进行迭代更新，直到达到预设的最大迭代次数或所述损失函数稳定收敛，完成所述网络预测模型的训练；
通过训练完成的所述网络预测模型预测所述电池热过程的温度。
与现有技术相比，本发明第一方面具有以下有益效果：
本方法为了实现了电池产热量的预测，根据电化学原理和能量守恒定律，构建时空域控制方程，并定义时空域控制方程的物理边界、初始条件以及产热量估计函数；为了提高电池热过程温度预测的精确度，提高温度预测的效率，基于全连接网络层，构建具有物理信息的网络预测模型；根据时空域控制方程、物理边界、初始条件以及产热量估计函数，构建网络预测模型的损失函数；初始化网络预测模型的参数，并采用梯度下降算法对网络预测模型的参数进行迭代更新，直到达到预设的最大迭代次数或损失函数稳定收敛，完成网络预测模型的训练；通过训练完成的网络预测模型预测电池热过程的温度。本方法通过产热量估计函数实现了电池产热量的预测，并构建具有物理信息的网络预测模型，能够提高电池热过程温度预测的精确度，提高温度预测的效率。
根据本发明的一些实施例，构建的所述时空域控制方程包括：
Figure 100002_DEST_PATH_IMAGE002
其中，
Figure 100002_DEST_PATH_IMAGE004
表示一个常量参数，
Figure 100002_DEST_PATH_IMAGE006
表示电池的热导率，
Figure 100002_DEST_PATH_IMAGE008
表示电池的温度，x表示空间位置变量，t表示时间变量，q表示电池运行过程中发出的热量，
Figure 100002_DEST_PATH_IMAGE010
表示所述时空域控制方程控制的时空域。
根据本发明的一些实施例，所述定义所述时空域控制方程的物理边界、初始条件以及产热量估计函数，包括：
定义所述时空域控制方程的边界条件：
Figure 100002_DEST_PATH_IMAGE012
其中，
Figure 100002_DEST_PATH_IMAGE014
表示电池与环境之间的热交换系数，
Figure 100002_DEST_PATH_IMAGE016
表示电池的空间位置边界外的温度，T表示电池的温度，
Figure 100002_DEST_PATH_IMAGE018
表示电池时空域的空间边界，
Figure 100002_DEST_PATH_IMAGE020
表示左边界，
Figure 100002_DEST_PATH_IMAGE022
表示右边界；
定义所述时空域控制方程的初始条件：
Figure 100002_DEST_PATH_IMAGE024
其中，
Figure 100002_DEST_PATH_IMAGE026
表示环境的初始温度，
Figure 100002_DEST_PATH_IMAGE028
表示时空域中的时间边界；
定义所述时空域控制方程的产热量估计函数：
Figure 100002_DEST_PATH_IMAGE030
其中，
Figure 417201DEST_PATH_IMAGE010
表示所述时空域控制方程控制的时空域，
Figure 100002_DEST_PATH_IMAGE032
表示电池的产热量，
Figure 100002_DEST_PATH_IMAGE034
表示电池的不同位置的不同发热情况的调整系数，
Figure 100002_DEST_PATH_IMAGE036
表示流经电池的电流，
Figure 100002_DEST_PATH_IMAGE038
表示电池的开路电压，V表示电池的实际端电压，T表示电池的温度，
Figure 100002_DEST_PATH_IMAGE040
表示开路电压对温度的偏导，所述开路电压对所述温度的偏导一般可视为常数。
根据本发明的一些实施例，所述网络预测模型包括温度预测网络，构建的所述温度预测网络包括：
输入空间位置、时间、电池电压和电池电流至第一全连接网络层，获得所述全连接网络层输出的所述时空域控制方程的温度分布；
根据所述温度分布，构造数据驱动部分的损失函数：
Figure 100002_DEST_PATH_IMAGE042
其中，
Figure 100002_DEST_PATH_IMAGE044
表示所述温度预测网络输出的温度分布，
Figure 100002_DEST_PATH_IMAGE046
表示实测数据中的温度分布，
Figure 100002_DEST_PATH_IMAGE048
表示N个采样点的均方误差，
Figure 100002_DEST_PATH_IMAGE050
表示数据驱动部分的损失函数；
根据所述温度分布，构造物理信息部分的损失函数：
Figure 100002_DEST_PATH_IMAGE052
其中，
Figure 100002_DEST_PATH_IMAGE054
与
Figure 100002_DEST_PATH_IMAGE056
表示所述温度预测网络预测的未知参数，
Figure 100002_DEST_PATH_IMAGE058
表示产热量预测网络的输出，
Figure 100002_DEST_PATH_IMAGE060
表示将所述温度预测网络预测的解代入所述时空域控制方程中产生的残差的均方误差，
Figure 100002_DEST_PATH_IMAGE062
表示物理信息部分的损失函数；
根据所述时空域控制方程的温度分布，定义所述边界条件满足程度的损失函数：
Figure 100002_DEST_PATH_IMAGE064
其中，
Figure 100002_DEST_PATH_IMAGE066
表示考察所述边界条件满足程度的损失函数；
根据所述时空域控制方程的温度分布，定义所述初始条件满足程度的损失函数：
Figure 100002_DEST_PATH_IMAGE068
其中，
Figure 100002_DEST_PATH_IMAGE070
表示考察所述初始条件满足程度的损失函数；
根据所述数据驱动部分的损失函数、所述物理信息部分的损失函数、所述初始条件的损失函数以及所述边界条件的损失函数，构建总损失函数：
Figure 100002_DEST_PATH_IMAGE072
其中，
Figure 100002_DEST_PATH_IMAGE074
表示所述温度预测网络中的权重参数和偏置参数的集合，
Figure 100002_DEST_PATH_IMAGE076
表示当前参数下网络的总损失函数值，
Figure 100002_DEST_PATH_IMAGE078
表示所述数据驱动部分的损失函数的权重，
Figure 100002_DEST_PATH_IMAGE080
表示所述物理信息部分的损失函数的权重，
Figure 100002_DEST_PATH_IMAGE082
表示所述初始条件的损失函数的权重，
Figure 100002_DEST_PATH_IMAGE084
表示所述边界条件的损失函数的权重。
根据本发明的一些实施例，所述网络预测模型包括产热量预测网络，构建的所述产热量预测网络包括：
输入时间、电池电压和电池电流至第二全连接网络层，获得所述产热量预测网络输出的所述时空域控制方程的产热量；
通过所述产热量估计函数来计算所述电池的产热量；
根据所述电池的产热量，构建所述产热量预测网络的损失函数：
Figure 100002_DEST_PATH_IMAGE086
其中，
Figure 100002_DEST_PATH_IMAGE088
表示所述产热量预测网络的输出，
Figure 100002_DEST_PATH_IMAGE090
，
Figure 100002_DEST_PATH_IMAGE092
，
Figure 100002_DEST_PATH_IMAGE094
表示在
Figure 100002_DEST_PATH_IMAGE096
个采样点上的残差均方和，
Figure 100002_DEST_PATH_IMAGE098
表示所述产热量预测网络的损失函数。
根据本发明的一些实施例，所述网络预测模型包括参数辨识网络，构建的所述参数辨识网络包括：
输入空间位置、时间和电池电流至第三全连接网络层，获得所述参数辨识网络输出的所述边界条件的参数
Figure 100002_DEST_PATH_IMAGE100
；
根据所述边界条件的参数
Figure 776288DEST_PATH_IMAGE100
，构建所述参数辨识网络的损失函数：
Figure 100002_DEST_PATH_IMAGE102
其中，
Figure 100002_DEST_PATH_IMAGE104
表示所述边界条件上的采样点数量，
Figure 100002_DEST_PATH_IMAGE106
表示所述温度预测网络预测的温度解，
Figure 100002_DEST_PATH_IMAGE108
表示在所述边界条件上的点符合所述边界条件的程度，
Figure 648429DEST_PATH_IMAGE108
越小，表示所述参数辨识网络的输出
Figure 100002_DEST_PATH_IMAGE110
越符合物理信息部分的约束。
根据本发明的一些实施例，所述初始化所述网络预测模型的参数，并采用梯度下降算法对所述网络预测模型的参数进行迭代更新，直到达到预设的最大迭代次数或所述损失函数稳定收敛，完成所述网络预测模型的训练，包括：
初始化所述网络预测模型的网络参数和所述网络预测模型需预测的参数；
预设超参数M，采用所述梯度下降算法对所述网络预测模型中的所述温度预测网络的网络参数和所述网络预测模型中的所述温度预测网络需预测的参数进行迭代更新，以使所述网络预测模型中的损失函数下降，所述温度预测网络需预测的参数包括
Figure 100002_DEST_PATH_IMAGE112
和
Figure 100002_DEST_PATH_IMAGE114
；
在所述温度预测网络的网络参数更新M次后，所述温度预测网络的参数
Figure 251579DEST_PATH_IMAGE112
和
Figure 84537DEST_PATH_IMAGE114
更新一次；
采用参数辨识网络对所述网络预测模型需预测的参数
Figure 290391DEST_PATH_IMAGE110
进行预测；
在达到预设的最大迭代次数或所述损失函数稳定收敛后，完成所述网络预测模型的训练。
第二方面，本发明实施例还提供了一种电池热过程时空建模预测系统，所述电池热过程时空建模预测系统包括：
方程构建单元，用于根据电化学原理和能量守恒定律，构建时空域控制方程，并定义所述时空域控制方程的物理边界、初始条件以及产热量估计函数；
模型构建单元，用于基于全连接网络层，构建具有物理信息的网络预测模型；
损失函数构建单元，用于根据所述时空域控制方程、所述物理边界、所述初始条件以及所述产热量估计函数，构建所述网络预测模型的损失函数；
模型训练单元，用于初始化所述网络预测模型的参数，并采用梯度下降算法对所述网络预测模型的参数进行迭代更新，直到达到预设的最大迭代次数或所述损失函数稳定收敛，完成所述网络预测模型的训练；
温度预测单元，用于通过训练完成的所述网络预测模型预测所述电池热过程的温度。
第三方面，本发明实施例还提供了一种电池热过程时空建模预测设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如上所述的一种电池热过程时空建模预测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上所述的一种电池热过程时空建模预测方法。
可以理解的是，上述第二方面至第四方面与相关技术相比存在的有益效果与上述第一方面与相关技术相比存在的有益效果相同，可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1是本发明一实施例的一种电池热过程时空建模预测方法的流程图；
图2是本发明一实施例的网络预测模型的框架图；
图3是本发明一实施例的温度预测网络的框架图；
图4是本发明一实施例的产热量预测网络的框架图；
图5是本发明一实施例的参数辨识网络的框架图；
图6是本发明一实施例的参数辨识策略示意图；
图7是本发明一实施例的一种电池热过程时空建模预测系统的结构图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，如果有描述到第一、第二等只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
本发明的描述中，需要说明的是，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
首先，对本申请中涉及的若干名词进行解析：
电池热过程模型：电池在充放电的过程中其内部会发生一系列电化学反应并放出热量，同时电池的表面也会与环境进行热传导，因此电池的温度在电池充放电的过程是根据实际工况而随着时间不断变化的。电池热过程模型即为用以描述电池温度变化过程的模型。
物理信息：指实际过程中支配物理过程的物理先验知识，包括基本物理定理，以及描述各类物理过程的偏微分方程。物理信息是建模过程中宝贵的先验知识。
锂离子电池能量密度高、功率密度高、循环寿命长并且对环境相对友好，因此已经被广泛应用于手机、电脑、汽车及智慧电网等场景。为了更好地掌握电池的特性并以此制定合理的使用策略，锂离子电池建模成为了一个重要的研究方向，而锂离子电池的热过程建模则是该研究方向最重要的课题之一。电池中的温度分布会影响固体电极与电解质界面上的化学反应与电反应，对电池的充放电过程有着很大的影响，同时也对电池的安全性能和循环寿命有着决定作用，因此电池热过程的建模研究是十分有意义的。
现有的电池热过程建模技术主要分为如下两类：
第一类技术是基于有限差分原理的传统建模方法，首先利用相关的偏微分方程建立起第一原理模型，之后采用传统的数值计算方法如有限元方法、有限差分方法进行求解。这种方法的缺点是它高度依赖于完整准确的第一原理，需要描述热过程的相关偏微分方程完全已知并且边界条件均匀。然而实际工程问题中往往方程的部分参数是未知的，其边界也是不规则的，复杂的。同时使用传统的数值计算方法对偏微分方程进行求解也会消耗大量的计算资源与计算时间。
第二类技术是数据驱动的机器学习建模方法，这种方法将电池的热过程视为一个黑箱模型，只关心模型输入与输出之间的关系，模型的训练通过使用实际测试得到的输入输出数据进行网络参数更新完成。这种方法虽然不再需要完备的方程信息与大量的计算，但其准确度依赖于采样数据的精确度与规模，而获取足够多的高精度测试数据的代价也是十分巨大的。
为解决上述问题，本发明为了实现了电池产热量的预测，根据电化学原理和能量守恒定律，构建时空域控制方程，并定义时空域控制方程的物理边界、初始条件以及产热量估计函数；为了提高电池热过程温度预测的精确度，提高温度预测的效率，基于全连接网络层，构建具有物理信息的网络预测模型；根据时空域控制方程、物理边界、初始条件以及产热量估计函数，构建网络预测模型的损失函数；初始化网络预测模型的参数，并采用梯度下降算法对网络预测模型的参数进行迭代更新，直到达到预设的最大迭代次数或损失函数稳定收敛，完成网络预测模型的训练；通过训练完成的网络预测模型预测电池热过程的温度。本发明通过产热量估计函数实现了电池产热量的预测，并构建具有物理信息的网络预测模型，能够提高电池热过程温度预测的精确度，提高温度预测的效率。
参照图1，本发明实施例提供了一种电池热过程时空建模预测方法，本电池热过程时空建模预测方法包括但不限于步骤S100至步骤S500：
步骤S100、根据电化学原理和能量守恒定律，构建时空域控制方程，并定义时空域控制方程的物理边界、初始条件以及产热量估计函数；
步骤S200、基于全连接网络层，构建具有物理信息的网络预测模型；
步骤S300、根据时空域控制方程、物理边界、初始条件以及产热量估计函数，构建网络预测模型的损失函数；
步骤S400、初始化网络预测模型的参数，并采用梯度下降算法对网络预测模型的参数进行迭代更新，直到达到预设的最大迭代次数或损失函数稳定收敛，完成网络预测模型的训练；
步骤S500、通过训练完成的网络预测模型预测电池热过程的温度。
在一些实施例的步骤S100至步骤S500中，为了实现了电池产热量的预测，根据电化学原理和能量守恒定律，构建时空域控制方程，并定义时空域控制方程的物理边界、初始条件以及产热量估计函数；为了提高电池热过程温度预测的精确度，提高温度预测的效率，基于全连接网络层，构建具有物理信息的网络预测模型；根据时空域控制方程、物理边界、初始条件以及产热量估计函数，构建网络预测模型的损失函数；初始化网络预测模型的参数，并采用梯度下降算法对网络预测模型的参数进行迭代更新，直到达到预设的最大迭代次数或损失函数稳定收敛，完成网络预测模型的训练；通过训练完成的网络预测模型预测电池热过程的温度。本申请通过产热量估计函数实现了电池产热量的预测，并构建具有物理信息的网络预测模型，能够提高电池热过程温度预测的精确度，提高温度预测的效率。
在一些实施例中，构建的时空域控制方程包括：
Figure 407251DEST_PATH_IMAGE002
其中，
Figure 40358DEST_PATH_IMAGE004
表示一个常量参数，
Figure 626191DEST_PATH_IMAGE006
表示电池的热导率，
Figure 370156DEST_PATH_IMAGE008
表示电池的温度，x表示空间位置变量，t表示时间变量，q表示电池运行过程中发出的热量，
Figure 607103DEST_PATH_IMAGE010
表示时空域控制方程控制的时空域。
在一些实施例中，定义时空域控制方程的物理边界、初始条件以及产热量估计函数，包括：
定义时空域控制方程的边界条件：
Figure 20898DEST_PATH_IMAGE012
其中，
Figure 218661DEST_PATH_IMAGE014
表示电池与环境之间的热交换系数，
Figure 890950DEST_PATH_IMAGE016
表示电池的空间位置边界外的温度，T表示电池的温度，
Figure 592190DEST_PATH_IMAGE018
表示电池时空域的空间边界，
Figure 708045DEST_PATH_IMAGE020
表示左边界，
Figure 986579DEST_PATH_IMAGE022
表示右边界；
定义时空域控制方程的初始条件：
Figure 337926DEST_PATH_IMAGE024
其中，
Figure 34618DEST_PATH_IMAGE026
表示环境的初始温度，
Figure 180429DEST_PATH_IMAGE028
表示时空域中的时间边界；
定义时空域控制方程的产热量估计函数：
Figure 211839DEST_PATH_IMAGE030
其中，
Figure 101297DEST_PATH_IMAGE010
表示时空域控制方程控制的时空域，
Figure 918075DEST_PATH_IMAGE032
表示电池的产热量，
Figure 500366DEST_PATH_IMAGE034
表示电池的不同位置的不同发热情况的调整系数，
Figure 19072DEST_PATH_IMAGE036
表示流经电池的电流，
Figure 712221DEST_PATH_IMAGE038
表示电池的开路电压，V表示电池的实际端电压，T表示电池的温度，
Figure 828909DEST_PATH_IMAGE040
表示开路电压对温度的偏导，开路电压对温度的偏导一般可视为常数。
在一些实施例中，网络预测模型包括温度预测网络，构建的温度预测网络包括：
输入空间位置、时间、电池电压和电池电流至第一全连接网络层，获得全连接网络层输出的时空域控制方程的温度分布；
根据温度分布，构造数据驱动部分的损失函数：
Figure 706735DEST_PATH_IMAGE042
其中，
Figure 588104DEST_PATH_IMAGE044
表示温度预测网络输出的温度分布，
Figure 960310DEST_PATH_IMAGE046
表示实测数据中的温度分布，
Figure 610734DEST_PATH_IMAGE048
表示N个采样点的均方误差，
Figure 128303DEST_PATH_IMAGE050
表示数据驱动部分的损失函数；
根据温度分布，构造物理信息部分的损失函数：
Figure 496968DEST_PATH_IMAGE052
其中，
Figure 407286DEST_PATH_IMAGE054
与
Figure 177796DEST_PATH_IMAGE056
表示温度预测网络预测的未知参数，
Figure 741633DEST_PATH_IMAGE058
表示产热量预测网络的输出，
Figure 472959DEST_PATH_IMAGE060
表示将温度预测网络预测的解代入时空域控制方程中产生的残差的均方误差，
Figure 311602DEST_PATH_IMAGE062
表示物理信息部分的损失函数；
根据时空域控制方程的温度分布，定义边界条件满足程度的损失函数：
Figure 795673DEST_PATH_IMAGE064
其中，
Figure 61570DEST_PATH_IMAGE066
表示考察边界条件满足程度的损失函数；
根据时空域控制方程的温度分布，定义初始条件满足程度的损失函数：
Figure 14613DEST_PATH_IMAGE068
其中，
Figure 656947DEST_PATH_IMAGE070
表示考察初始条件满足程度的损失函数；
根据数据驱动部分的损失函数、物理信息部分的损失函数、初始条件的损失函数以及边界条件的损失函数，构建总损失函数：
Figure 995525DEST_PATH_IMAGE072
其中，
Figure 432322DEST_PATH_IMAGE074
表示温度预测网络中的权重参数和偏置参数的集合，
Figure 872662DEST_PATH_IMAGE076
表示当前参数下网络的总损失函数值，
Figure 53108DEST_PATH_IMAGE078
表示数据驱动部分的损失函数的权重，
Figure 511771DEST_PATH_IMAGE080
表示物理信息部分的损失函数的权重，
Figure 119470DEST_PATH_IMAGE082
表示初始条件的损失函数的权重，
Figure 47105DEST_PATH_IMAGE084
表示边界条件的损失函数的权重。
在一些实施例中，网络预测模型包括产热量预测网络，构建的产热量预测网络包括：
输入时间、电池电压和电池电流至第二全连接网络层，获得产热量预测网络输出的时空域控制方程的产热量；
通过产热量估计函数来计算电池的产热量；
根据电池的产热量，构建产热量预测网络的损失函数：
Figure 765663DEST_PATH_IMAGE086
其中，
Figure 344412DEST_PATH_IMAGE088
表示产热量预测网络的输出，
Figure 732799DEST_PATH_IMAGE090
，
Figure 272364DEST_PATH_IMAGE092
，
Figure 653667DEST_PATH_IMAGE094
表示在
Figure 306497DEST_PATH_IMAGE096
个采样点上的残差均方和，
Figure 255998DEST_PATH_IMAGE098
表示产热量预测网络的损失函数。
在一些实施例中，网络预测模型包括参数辨识网络，构建的参数辨识网络包括：
输入空间位置、时间和电池电流至第三全连接网络层，获得参数辨识网络输出的边界条件的参数
Figure 876335DEST_PATH_IMAGE100
；
根据边界条件的参数
Figure 77641DEST_PATH_IMAGE100
，构建参数辨识网络的损失函数：
Figure 975189DEST_PATH_IMAGE102
其中，
Figure 954647DEST_PATH_IMAGE104
表示边界条件上的采样点数量，
Figure 344171DEST_PATH_IMAGE106
表示温度预测网络预测的温度解，
Figure 942642DEST_PATH_IMAGE108
表示在边界条件上的点符合边界条件的程度，
Figure 84911DEST_PATH_IMAGE108
越小，表示参数辨识网络的输出
Figure 251581DEST_PATH_IMAGE110
越符合物理信息部分的约束。
在一些实施例中，步骤S500包括但不限于步骤S510至步骤S550：
步骤S510、初始化网络预测模型的网络参数和网络预测模型需预测的参数；
步骤S520、预设超参数M，采用梯度下降算法对网络预测模型中的温度预测网络的网络参数和网络预测模型中的温度预测网络需预测的参数进行迭代更新，以使网络预测模型中的损失函数下降，温度预测网络需预测的参数包括
Figure 987456DEST_PATH_IMAGE112
和
Figure 514252DEST_PATH_IMAGE114
；
步骤S530、在温度预测网络的网络参数更新M次后，温度预测网络的参数
Figure 386393DEST_PATH_IMAGE112
和
Figure 723965DEST_PATH_IMAGE114
更新一次；
步骤S540、采用参数辨识网络对网络预测模型需预测的参数
Figure 71770DEST_PATH_IMAGE110
进行预测；
步骤S550、在达到预设的最大迭代次数或损失函数稳定收敛后，完成网络预测模型的训练。
在本实施例中，使电池中的物理参数
Figure 12044DEST_PATH_IMAGE112
和
Figure 879637DEST_PATH_IMAGE114
的更新频率独立于温度预测网络的网络参数的更新频率，温度预测网络的网络参数更新M次后，物理参数
Figure 637377DEST_PATH_IMAGE112
和
Figure 82265DEST_PATH_IMAGE114
再更新一次，使得网络能够稳定收敛，最终完成了对未知参数的估计，提高了参数估计的效果。
为方便本领域人员理解，以下提供一组最佳实施例：
对于电池热过程，基于电化学原理和能量守恒定律，时空域控制方程可以用带有热量项的非线性抛物线偏微分方程进行描述，因此，构建的时空域控制方程包括：
Figure 967175DEST_PATH_IMAGE002
其中，
Figure 813909DEST_PATH_IMAGE004
表示一个常量参数，常量参数
Figure 742550DEST_PATH_IMAGE004
的大小等于电池密度大小与电池热容量大小的乘积，
Figure 550101DEST_PATH_IMAGE006
表示电池的热导率，
Figure 97757DEST_PATH_IMAGE006
也是一个常量参数，
Figure 923630DEST_PATH_IMAGE008
表示电池的温度，
Figure 898539DEST_PATH_IMAGE008
是一个与空间位置变量与时间变量有关的函数，也是本实施例在构建具有物理信息的网络预测模型后希望求解的结果，x表示空间位置变量，t表示时间变量，q表示电池运行过程中发出的热量，
Figure 458965DEST_PATH_IMAGE010
表示时空域控制方程控制的时空域。
定义时空域控制方程的边界条件：
Figure 810312DEST_PATH_IMAGE012
其中，
Figure 490692DEST_PATH_IMAGE014
表示电池与环境之间的热交换系数，
Figure 777448DEST_PATH_IMAGE016
表示电池的空间位置边界外的温度，T表示电池的温度，
Figure 418645DEST_PATH_IMAGE018
表示电池时空域的空间边界，
Figure 167158DEST_PATH_IMAGE020
表示左边界，
Figure 983935DEST_PATH_IMAGE022
表示右边界；
定义时空域控制方程的初始条件：
Figure 300647DEST_PATH_IMAGE024
其中，
Figure 553774DEST_PATH_IMAGE026
表示环境的初始温度，
Figure 246923DEST_PATH_IMAGE028
表示时空域中的时间边界；
定义时空域控制方程的产热量估计函数：
Figure 918207DEST_PATH_IMAGE030
其中，
Figure 530454DEST_PATH_IMAGE010
表示时空域控制方程控制的时空域，
Figure 411823DEST_PATH_IMAGE032
表示电池的产热量，
Figure 252871DEST_PATH_IMAGE034
表示电池的不同位置的不同发热情况的调整系数，
Figure 762350DEST_PATH_IMAGE036
表示流经电池的电流，
Figure 686443DEST_PATH_IMAGE038
表示电池的开路电压，V表示电池的实际端电压，T表示电池的温度，
Figure 930474DEST_PATH_IMAGE040
表示开路电压对温度的偏导，开路电压对温度的偏导一般可视为常数。
在上述控制方程、边界条件及热量估计式中，
Figure DEST_PATH_IMAGE116
为未知参数，
Figure 558901DEST_PATH_IMAGE090
，
Figure 63832DEST_PATH_IMAGE092
,
Figure DEST_PATH_IMAGE118
为电池的空间位置边界外的温度，可设定为
Figure DEST_PATH_IMAGE120
。对热过程建模的目标是估计未知参数，并且求解方程得到
Figure DEST_PATH_IMAGE122
。
参照图2，图中的θ为网络预测模型中网络参数的统称，
Figure DEST_PATH_IMAGE124
为未知参数，网络预测模型包括三个网络，分别为温度预测网络、产热量预测网络以及参数辨识网络，主干网络为温度预测网络，产热量估计网络与参数辨识网络为分支网络，本实施例在损失函数部分引入了物理信息，损失函数由各个网络的预测输出结合物理信息构造。网络预测模型用于预测电池各个位置与时刻的温度，估计电池产生的热量，并且估计边界条件中的未知参数。本实施例在三个网络的损失函数中引入了物理信息，整个网络使用同一个损失函数进行迭代更新；损失函数优化策略中加入了自适应权重分配算法，帮助网络平衡损失函数的各个部分，以使模型更好地向真实值收敛。下面对网络模型的设计进行描述：
参照图3，构建的温度预测网络包括：
输入空间位置x、时间t、电池电压v和电池电流t至第一全连接网络层，获得全连接网络层输出的时空域控制方程的温度分布
Figure DEST_PATH_IMAGE126
，温度预测网络中添加了可训练的物理参数
Figure DEST_PATH_IMAGE128
，用以估计控制方程中的参数
Figure DEST_PATH_IMAGE130
。
温度预测网络的输出即为电池在时空域中的温度分布
Figure 784926DEST_PATH_IMAGE126
，通过得到的温度分布可以根据数据与物理信息构造两个部分的损失函数，具体为：
根据温度分布，构造数据驱动部分的损失函数：
Figure 640886DEST_PATH_IMAGE042
其中，
Figure 73004DEST_PATH_IMAGE044
表示温度预测网络输出的温度分布，
Figure 698021DEST_PATH_IMAGE046
表示实测数据中的温度分布，
Figure 839283DEST_PATH_IMAGE048
表示N个采样点的均方误差，
Figure 776015DEST_PATH_IMAGE050
表示数据驱动部分的损失函数；
根据温度分布，构造物理信息部分的损失函数：
Figure 418349DEST_PATH_IMAGE052
其中，
Figure 507659DEST_PATH_IMAGE054
与
Figure 944457DEST_PATH_IMAGE056
表示温度预测网络预测的未知参数，
Figure 634064DEST_PATH_IMAGE058
表示产热量预测网络的输出，
Figure 548930DEST_PATH_IMAGE060
表示将温度预测网络预测的解代入时空域控制方程中产生的残差的均方误差，
Figure 23905DEST_PATH_IMAGE062
表示物理信息部分的损失函数；
根据时空域控制方程的温度分布，定义边界条件满足程度的损失函数：
Figure 631604DEST_PATH_IMAGE064
其中，
Figure 808508DEST_PATH_IMAGE066
表示考察边界条件满足程度的损失函数；
根据时空域控制方程的温度分布，定义初始条件满足程度的损失函数：
Figure 136852DEST_PATH_IMAGE068
其中，
Figure 590967DEST_PATH_IMAGE070
表示考察初始条件满足程度的损失函数；
根据数据驱动部分的损失函数、物理信息部分的损失函数、初始条件的损失函数以及边界条件的损失函数，构建总损失函数：
Figure 494201DEST_PATH_IMAGE072
其中，
Figure 33767DEST_PATH_IMAGE074
表示温度预测网络中的权重参数和偏置参数的集合，
Figure 900223DEST_PATH_IMAGE076
表示当前参数下网络的总损失函数值，
Figure 943265DEST_PATH_IMAGE078
表示数据驱动部分的损失函数的权重，
Figure 791570DEST_PATH_IMAGE080
表示物理信息部分的损失函数的权重，
Figure 428219DEST_PATH_IMAGE082
表示初始条件的损失函数的权重，
Figure 613213DEST_PATH_IMAGE084
表示边界条件的损失函数的权重。
参照图4，构建的产热量预测网络包括：
输入时间t、电池电压v和电池电流i至第二全连接网络层，获得产热量预测网络输出的时空域控制方程的产热量；
为了使该分支网络向着正确的方法更新网络参数，通过产热量估计函数来计算电池的产热量；
根据电池的产热量，构建产热量预测网络的损失函数：
Figure 510761DEST_PATH_IMAGE086
其中，
Figure 506530DEST_PATH_IMAGE088
表示产热量预测网络的输出，
Figure 879743DEST_PATH_IMAGE090
，
Figure 743794DEST_PATH_IMAGE092
，
Figure 371215DEST_PATH_IMAGE094
表示在
Figure 928099DEST_PATH_IMAGE096
个采样点上的残差均方和，表征了产热量预测网络与产热量估计函数之间的拟合程度，
Figure 523028DEST_PATH_IMAGE098
表示产热量预测网络的损失函数。
由于参数
Figure DEST_PATH_IMAGE132
与
Figure 3819DEST_PATH_IMAGE130
不同，
Figure 266173DEST_PATH_IMAGE132
是单独出现在边界条件中的未知参数，若将
Figure 603745DEST_PATH_IMAGE132
也放入温度预测网络中进行训练，由于边界条件部分的损失函数权重过低，可能导致
Figure 561336DEST_PATH_IMAGE132
的收敛速度过慢，影响整个网络的训练效果。因此，单独构建参数辨识网络预测仅出现在边界条件中的参数
Figure 157403DEST_PATH_IMAGE132
。参照图5，构建的参数辨识网络包括：
输入空间位置x、时间t和电池电流i至第三全连接网络层，获得参数辨识网络输出的边界条件的参数
Figure 884050DEST_PATH_IMAGE132
；
根据边界条件的参数
Figure 392523DEST_PATH_IMAGE132
，构建参数辨识网络的损失函数：
Figure 102990DEST_PATH_IMAGE102
其中，
Figure 971589DEST_PATH_IMAGE104
表示边界条件上的采样点数量，
Figure 693689DEST_PATH_IMAGE106
表示温度预测网络预测的温度解，
Figure 497697DEST_PATH_IMAGE108
表示在边界条件上的点符合边界条件的程度，
Figure 23356DEST_PATH_IMAGE108
越小，表示参数辨识网络的输出
Figure 446378DEST_PATH_IMAGE110
越符合物理信息部分的约束。
参照图6，图6为参数辨识策略示意图，表示网络预测模型在训练过程中网络参数和需预测的参数的迭代更新，参数辨识过程；网络预测模型的训练过程包括：
初始化网络预测模型的网络参数和网络预测模型需预测的参数；
预设超参数M，采用梯度下降算法对网络预测模型中的温度预测网络（即，图中的主干网络）的网络参数和网络预测模型中的温度预测网络需预测的物理参数进行迭代更新，以使网络预测模型中的损失函数下降，温度预测网络需预测的物理参数包括
Figure 6672DEST_PATH_IMAGE112
和
Figure 325789DEST_PATH_IMAGE114
；
在温度预测网络的网络参数更新M次后，温度预测网络的物理参数
Figure 338745DEST_PATH_IMAGE112
和
Figure 34299DEST_PATH_IMAGE114
更新一次；
采用参数辨识网络（即，图中独立的网络结构）对网络预测模型需预测的参数
Figure 449100DEST_PATH_IMAGE110
进行预测；
在达到预设的最大迭代次数或损失函数稳定收敛后，完成网络预测模型的训练。
在本实施例中，温度预测网络的构建利用到了物理信息部分与数据驱动部分，使得建立的网络预测模型更加精确高效，并且引入了电池电压与电池电流两个控制输入，能够帮助网络预测模型更好地识别与预测电池的热过程，进一步提高网络预测模型预测的精确度。通过在网络预测模型中增加产热量预测网络，实现了电池产热量的预测，使得网络预测模型更加精确。使电池中的物理参数
Figure 532594DEST_PATH_IMAGE112
和
Figure 49157DEST_PATH_IMAGE114
的更新频率独立于温度预测网络的网络参数的更新频率，温度预测网络的网络参数更新M次后，物理参数
Figure 938616DEST_PATH_IMAGE112
和
Figure 739081DEST_PATH_IMAGE114
再更新一次，同时由于参数
Figure 321372DEST_PATH_IMAGE132
的特殊性，添加了分支网络（即，参数辨识网络）对其进行预测，使得网络能够稳定收敛，提高了参数估计的效果。
参照图7，本发明实施例还提供了一种电池热过程时空建模预测系统，本电池热过程时空建模预测系统包括方程构建单元100、模型构建单元200、损失函数构建单元300、模型训练单元400以及温度预测单元500，其中：
方程构建单元100，用于根据电化学原理和能量守恒定律，构建时空域控制方程，并定义时空域控制方程的物理边界、初始条件以及产热量估计函数；
模型构建单元200，用于基于全连接网络层，构建具有物理信息的网络预测模型；
损失函数构建单元300，用于根据时空域控制方程、物理边界、初始条件以及产热量估计函数，构建网络预测模型的损失函数；
模型训练单元400，用于初始化网络预测模型的参数，并采用梯度下降算法对网络预测模型的参数进行迭代更新，直到达到预设的最大迭代次数或损失函数稳定收敛，完成网络预测模型的训练；
温度预测单元500，用于通过训练完成的网络预测模型预测电池热过程的温度。
需要说明的是，由于本实施例中的一种电池热过程时空建模预测系统与上述的一种电池热过程时空建模预测方法基于相同的发明构思，因此，方法实施例中的相应内容同样适用于本系统实施例，此处不再详述。
本发明实施例还提供了一种电池热过程时空建模预测设备，包括：至少一个控制处理器和用于与至少一个控制处理器通信连接的存储器。
存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现上述实施例的一种电池热过程时空建模预测方法所需的非暂态软件程序以及指令存储在存储器中，当被处理器执行时，执行上述实施例中的一种电池热过程时空建模预测方法，例如，执行以上描述的图1中的方法步骤S100至步骤S500。
以上所描述的系统实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，可使得上述一个或多个控制处理器执行上述方法实施例中的一种电池热过程时空建模预测方法，例如，执行以上描述的图1中的方法步骤S100至步骤S500的功能。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质（或非暂时性介质）和通信介质（或暂时性介质）。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息（诸如计算机可读指令、数据结构、程序模块或其他数据）的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘（DVD）或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
上面结合附图对本发明实施例作了详细说明，但本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (7)

1.一种电池热过程时空建模预测方法，其特征在于，所述电池热过程时空建模预测方法包括：
根据电化学原理和能量守恒定律，构建时空域控制方程，并定义所述时空域控制方程的物理边界、初始条件以及产热量估计函数，具体为：
构建的所述时空域控制方程包括：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
表示一个常量参数，
Figure DEST_PATH_IMAGE006
表示电池的热导率，
Figure DEST_PATH_IMAGE008
表示电池的温度，x表示空间位置变量，t表示时间变量，q表示电池运行过程中发出的热量，
Figure DEST_PATH_IMAGE010
表示所述时空域控制方程控制的时空域；
定义所述时空域控制方程的边界条件：
Figure DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE014
表示电池与环境之间的热交换系数，
Figure DEST_PATH_IMAGE016
表示电池的空间位置边界外的温度，T表示电池的温度，
Figure DEST_PATH_IMAGE018
表示电池时空域的空间边界，
Figure DEST_PATH_IMAGE020
表示左边界，
Figure DEST_PATH_IMAGE022
表示右边界；
定义所述时空域控制方程的初始条件：
Figure DEST_PATH_IMAGE024
其中，
Figure DEST_PATH_IMAGE026
表示环境的初始温度，
Figure DEST_PATH_IMAGE028
表示时空域中的时间边界；
定义所述时空域控制方程的产热量估计函数：
Figure DEST_PATH_IMAGE030
其中，
Figure 380718DEST_PATH_IMAGE010
表示所述时空域控制方程控制的时空域，
Figure DEST_PATH_IMAGE032
表示电池的产热量，
Figure DEST_PATH_IMAGE034
表示电池的不同位置的不同发热情况的调整系数，
Figure DEST_PATH_IMAGE036
表示流经电池的电流，
Figure DEST_PATH_IMAGE038
表示电池的开路电压，V表示电池的实际端电压，T表示电池的温度，
Figure DEST_PATH_IMAGE040
表示开路电压对温度的偏导，所述开路电压对所述温度的偏导一般可视为常数；
基于全连接网络层，构建具有物理信息的网络预测模型，所述网络预测模型包括温度预测网络，构建的所述温度预测网络包括：
输入空间位置、时间、电池电压和电池电流至第一全连接网络层，获得所述全连接网络层输出的所述时空域控制方程的温度分布；
根据所述温度分布，构造数据驱动部分的损失函数：
Figure DEST_PATH_IMAGE042
其中，
Figure DEST_PATH_IMAGE044
表示所述温度预测网络输出的温度分布，
Figure DEST_PATH_IMAGE046
表示实测数据中的温度分布，
Figure DEST_PATH_IMAGE048
表示N个采样点的均方误差，
Figure DEST_PATH_IMAGE050
表示数据驱动部分的损失函数；
根据所述温度分布，构造物理信息部分的损失函数：
Figure DEST_PATH_IMAGE052
其中，
Figure DEST_PATH_IMAGE054
与
Figure DEST_PATH_IMAGE056
表示所述温度预测网络预测的未知参数，
Figure DEST_PATH_IMAGE058
表示产热量预测网络的输出，
Figure DEST_PATH_IMAGE060
表示将所述温度预测网络预测的解代入所述时空域控制方程中产生的残差的均方误差，
Figure DEST_PATH_IMAGE062
表示物理信息部分的损失函数；
根据所述时空域控制方程的温度分布，定义所述边界条件满足程度的损失函数：
Figure DEST_PATH_IMAGE064
其中，
Figure DEST_PATH_IMAGE066
表示考察所述边界条件满足程度的损失函数；
根据所述时空域控制方程的温度分布，定义所述初始条件满足程度的损失函数：
Figure DEST_PATH_IMAGE068
其中，
Figure DEST_PATH_IMAGE070
表示考察所述初始条件满足程度的损失函数；
根据所述数据驱动部分的损失函数、所述物理信息部分的损失函数、所述初始条件的损失函数以及所述边界条件的损失函数，构建总损失函数：
Figure DEST_PATH_IMAGE072
其中，
Figure DEST_PATH_IMAGE074
表示所述温度预测网络中的权重参数和偏置参数的集合，
Figure DEST_PATH_IMAGE076
表示当前参数下网络的总损失函数值，
Figure DEST_PATH_IMAGE078
表示所述数据驱动部分的损失函数的权重，
Figure DEST_PATH_IMAGE080
表示所述物理信息部分的损失函数的权重，
Figure DEST_PATH_IMAGE082
表示所述初始条件的损失函数的权重，
Figure DEST_PATH_IMAGE084
表示所述边界条件的损失函数的权重；
根据所述时空域控制方程、所述物理边界、所述初始条件以及所述产热量估计函数，构建所述网络预测模型的损失函数；
初始化所述网络预测模型的参数，并采用梯度下降算法对所述网络预测模型的参数进行迭代更新，直到达到预设的最大迭代次数或所述损失函数稳定收敛，完成所述网络预测模型的训练；
通过训练完成的所述网络预测模型预测所述电池热过程的温度。
2.根据权利要求1所述的电池热过程时空建模预测方法，其特征在于，所述网络预测模型包括产热量预测网络，构建的所述产热量预测网络包括：
输入时间、电池电压和电池电流至第二全连接网络层，获得所述产热量预测网络输出的所述时空域控制方程的产热量；
通过所述产热量估计函数来计算所述电池的产热量；
根据所述电池的产热量，构建所述产热量预测网络的损失函数：
Figure DEST_PATH_IMAGE086
其中，
Figure DEST_PATH_IMAGE088
表示所述产热量预测网络的输出，
Figure DEST_PATH_IMAGE090
，
Figure DEST_PATH_IMAGE092
，
Figure DEST_PATH_IMAGE094
表示在
Figure DEST_PATH_IMAGE096
个采样点上的残差均方和，
Figure DEST_PATH_IMAGE098
表示所述产热量预测网络的损失函数。
3.根据权利要求1所述的电池热过程时空建模预测方法，其特征在于，所述网络预测模型包括参数辨识网络，构建的所述参数辨识网络包括：
输入空间位置、时间和电池电流至第三全连接网络层，获得所述参数辨识网络输出的所述边界条件的参数
Figure DEST_PATH_IMAGE100
；
根据所述边界条件的参数
Figure 435875DEST_PATH_IMAGE100
，构建所述参数辨识网络的损失函数：
Figure DEST_PATH_IMAGE102
其中，
Figure DEST_PATH_IMAGE104
表示所述边界条件上的采样点数量，
Figure DEST_PATH_IMAGE106
表示所述温度预测网络预测的温度解，
Figure DEST_PATH_IMAGE108
表示在所述边界条件上的点符合所述边界条件的程度，
Figure 622136DEST_PATH_IMAGE108
越小，表示所述参数辨识网络的输出
Figure DEST_PATH_IMAGE110
越符合物理信息部分的约束。
4.根据权利要求1所述的电池热过程时空建模预测方法，其特征在于，所述初始化所述网络预测模型的参数，并采用梯度下降算法对所述网络预测模型的参数进行迭代更新，直到达到预设的最大迭代次数或所述损失函数稳定收敛，完成所述网络预测模型的训练，包括：
初始化所述网络预测模型的网络参数和所述网络预测模型需预测的参数；
预设超参数M，采用所述梯度下降算法对所述网络预测模型中的所述温度预测网络的网络参数和所述网络预测模型中的所述温度预测网络需预测的参数进行迭代更新，以使所述网络预测模型中的损失函数下降，所述温度预测网络需预测的参数包括
Figure DEST_PATH_IMAGE112
和
Figure DEST_PATH_IMAGE114
；
在所述温度预测网络的网络参数更新M次后，所述温度预测网络的参数
Figure 814083DEST_PATH_IMAGE112
和
Figure 362876DEST_PATH_IMAGE114
更新一次；
采用参数辨识网络对所述网络预测模型需预测的参数
Figure 529547DEST_PATH_IMAGE110
进行预测；
在达到预设的最大迭代次数或所述损失函数稳定收敛后，完成所述网络预测模型的训练。
5.一种电池热过程时空建模预测系统，其特征在于，所述电池热过程时空建模预测系统包括：
方程构建单元，用于根据电化学原理和能量守恒定律，构建时空域控制方程，并定义所述时空域控制方程的物理边界、初始条件以及产热量估计函数，具体为：
构建的所述时空域控制方程包括：
Figure 531001DEST_PATH_IMAGE002
其中，
Figure 464322DEST_PATH_IMAGE004
表示一个常量参数，
Figure 867621DEST_PATH_IMAGE006
表示电池的热导率，
Figure 720039DEST_PATH_IMAGE008
表示电池的温度，x表示空间位置变量，t表示时间变量，q表示电池运行过程中发出的热量，
Figure 943210DEST_PATH_IMAGE010
表示所述时空域控制方程控制的时空域；
定义所述时空域控制方程的边界条件：
Figure 414643DEST_PATH_IMAGE012
其中，
Figure 380823DEST_PATH_IMAGE014
表示电池与环境之间的热交换系数，
Figure 545088DEST_PATH_IMAGE016
表示电池的空间位置边界外的温度，T表示电池的温度，
Figure 521134DEST_PATH_IMAGE018
表示电池时空域的空间边界，
Figure 389733DEST_PATH_IMAGE020
表示左边界，
Figure 767625DEST_PATH_IMAGE022
表示右边界；
定义所述时空域控制方程的初始条件：
Figure 837212DEST_PATH_IMAGE024
其中，
Figure 300555DEST_PATH_IMAGE026
表示环境的初始温度，
Figure 989156DEST_PATH_IMAGE028
表示时空域中的时间边界；
定义所述时空域控制方程的产热量估计函数：
Figure 221554DEST_PATH_IMAGE030
其中，
Figure 727622DEST_PATH_IMAGE010
表示所述时空域控制方程控制的时空域，
Figure 271736DEST_PATH_IMAGE032
表示电池的产热量，
Figure 888662DEST_PATH_IMAGE034
表示电池的不同位置的不同发热情况的调整系数，
Figure 975567DEST_PATH_IMAGE036
表示流经电池的电流，
Figure 652536DEST_PATH_IMAGE038
表示电池的开路电压，V表示电池的实际端电压，T表示电池的温度，
Figure 434678DEST_PATH_IMAGE040
表示开路电压对温度的偏导，所述开路电压对所述温度的偏导一般可视为常数；
模型构建单元，用于基于全连接网络层，构建具有物理信息的网络预测模型，所述网络预测模型包括温度预测网络，构建的所述温度预测网络包括：
输入空间位置、时间、电池电压和电池电流至第一全连接网络层，获得所述全连接网络层输出的所述时空域控制方程的温度分布；
根据所述温度分布，构造数据驱动部分的损失函数：
Figure 589716DEST_PATH_IMAGE042
其中，
Figure 796706DEST_PATH_IMAGE044
表示所述温度预测网络输出的温度分布，
Figure 769210DEST_PATH_IMAGE046
表示实测数据中的温度分布，
Figure 163282DEST_PATH_IMAGE048
表示N个采样点的均方误差，
Figure 122011DEST_PATH_IMAGE050
表示数据驱动部分的损失函数；
根据所述温度分布，构造物理信息部分的损失函数：
Figure 793295DEST_PATH_IMAGE052
其中，
Figure 812067DEST_PATH_IMAGE054
与
Figure 959014DEST_PATH_IMAGE056
表示所述温度预测网络预测的未知参数，
Figure 721434DEST_PATH_IMAGE058
表示产热量预测网络的输出，
Figure 496492DEST_PATH_IMAGE060
表示将所述温度预测网络预测的解代入所述时空域控制方程中产生的残差的均方误差，
Figure 420586DEST_PATH_IMAGE062
表示物理信息部分的损失函数；
根据所述时空域控制方程的温度分布，定义所述边界条件满足程度的损失函数：
Figure 54829DEST_PATH_IMAGE064
其中，
Figure 227797DEST_PATH_IMAGE066
表示考察所述边界条件满足程度的损失函数；
根据所述时空域控制方程的温度分布，定义所述初始条件满足程度的损失函数：
Figure 263886DEST_PATH_IMAGE068
其中，
Figure 93302DEST_PATH_IMAGE070
表示考察所述初始条件满足程度的损失函数；
根据所述数据驱动部分的损失函数、所述物理信息部分的损失函数、所述初始条件的损失函数以及所述边界条件的损失函数，构建总损失函数：
Figure 339475DEST_PATH_IMAGE072
其中，
Figure 443698DEST_PATH_IMAGE074
表示所述温度预测网络中的权重参数和偏置参数的集合，
Figure 68714DEST_PATH_IMAGE076
表示当前参数下网络的总损失函数值，
Figure 600190DEST_PATH_IMAGE078
表示所述数据驱动部分的损失函数的权重，
Figure 818812DEST_PATH_IMAGE080
表示所述物理信息部分的损失函数的权重，
Figure 461146DEST_PATH_IMAGE082
表示所述初始条件的损失函数的权重，
Figure 65303DEST_PATH_IMAGE084
表示所述边界条件的损失函数的权重；
损失函数构建单元，用于根据所述时空域控制方程、所述物理边界、所述初始条件以及所述产热量估计函数，构建所述网络预测模型的损失函数；
模型训练单元，用于初始化所述网络预测模型的参数，并采用梯度下降算法对所述网络预测模型的参数进行迭代更新，直到达到预设的最大迭代次数或所述损失函数稳定收敛，完成所述网络预测模型的训练；
温度预测单元，用于通过训练完成的所述网络预测模型预测所述电池热过程的温度。
6.一种电池热过程时空建模预测设备，其特征在于，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如权利要求1至4任一项所述的电池热过程时空建模预测方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如权利要求1至4任一项所述的电池热过程时空建模预测方法。
CN202211133737.1A 2022-09-19 2022-09-19 一种电池热过程时空建模预测方法、系统、设备及介质 Active CN115221798B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211133737.1A CN115221798B (zh) 2022-09-19 2022-09-19 一种电池热过程时空建模预测方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211133737.1A CN115221798B (zh) 2022-09-19 2022-09-19 一种电池热过程时空建模预测方法、系统、设备及介质

Publications (2)

Publication Number Publication Date
CN115221798A CN115221798A (zh) 2022-10-21
CN115221798B true CN115221798B (zh) 2022-12-30

Family

ID=83617121

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211133737.1A Active CN115221798B (zh) 2022-09-19 2022-09-19 一种电池热过程时空建模预测方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN115221798B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115579492B (zh) * 2022-10-31 2023-12-22 上海汉翱新能源科技有限公司 一种氢燃料电池工作温度控制方法和系统
CN115470742B (zh) * 2022-10-31 2023-03-14 中南大学 一种锂离子电池建模方法、系统、设备及存储介质
CN116304672B (zh) * 2023-01-03 2024-01-05 广州港科大技术有限公司 一种基于t-SNE和BLS的锂电池热过程非线性时空预测模型以及构建方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005011660A (ja) * 2003-06-18 2005-01-13 Nissan Motor Co Ltd 二次電池用電極及びその製造方法並びにこれを用いた二次電池
JP2014034227A (ja) * 2012-08-07 2014-02-24 Suzuki Motor Corp バッテリパックの車載構造
CN108710767A (zh) * 2018-05-29 2018-10-26 广东工业大学 一种基于isomap的锂电池热工艺时空建模方法
CN110522444A (zh) * 2019-09-03 2019-12-03 西安邮电大学 一种基于Kernel-CNN的心电信号识别分类方法
CN111829688A (zh) * 2019-03-27 2020-10-27 中南大学 一种锂离子电池工作过程中的温度场分布预测方法
WO2021236948A1 (en) * 2020-05-22 2021-11-25 Lifelens Technologies, Inc. Gateway device facilitating collection and management of data from a body area network to a study coordinating system
WO2022095265A1 (zh) * 2020-11-09 2022-05-12 贵州电网有限责任公司 一种基于改进平衡优化器算法的光伏电池参数识别方法
CN114638156A (zh) * 2022-02-25 2022-06-17 香港科技大学 一种锂电池温度预测方法、装置、设备及存储介质

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106339591B (zh) * 2016-08-25 2019-04-02 汤一平 一种基于深度卷积神经网络的预防乳腺癌自助健康云服务系统
CN109946622B (zh) * 2019-03-04 2021-02-23 汤依伟 一种锂离子电池的锂沉积预测方法和装置
CN110321803B (zh) * 2019-06-10 2022-08-30 南京邮电大学 一种基于srcnn的交通标志识别方法
CN110161414B (zh) * 2019-06-13 2020-11-06 北京理工大学 一种动力电池热失控在线预测方法及系统
CN111143974B (zh) * 2019-12-06 2022-08-12 重庆大学 一种面向控制的锂电池热模型建立方法
CN111595485B (zh) * 2020-05-07 2022-03-04 广东工业大学 一种基于降阶模型的锂离子电池在线温度分布观测器设计方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005011660A (ja) * 2003-06-18 2005-01-13 Nissan Motor Co Ltd 二次電池用電極及びその製造方法並びにこれを用いた二次電池
JP2014034227A (ja) * 2012-08-07 2014-02-24 Suzuki Motor Corp バッテリパックの車載構造
CN108710767A (zh) * 2018-05-29 2018-10-26 广东工业大学 一种基于isomap的锂电池热工艺时空建模方法
CN111829688A (zh) * 2019-03-27 2020-10-27 中南大学 一种锂离子电池工作过程中的温度场分布预测方法
CN110522444A (zh) * 2019-09-03 2019-12-03 西安邮电大学 一种基于Kernel-CNN的心电信号识别分类方法
WO2021236948A1 (en) * 2020-05-22 2021-11-25 Lifelens Technologies, Inc. Gateway device facilitating collection and management of data from a body area network to a study coordinating system
WO2022095265A1 (zh) * 2020-11-09 2022-05-12 贵州电网有限责任公司 一种基于改进平衡优化器算法的光伏电池参数识别方法
CN114638156A (zh) * 2022-02-25 2022-06-17 香港科技大学 一种锂电池温度预测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN115221798A (zh) 2022-10-21

Similar Documents

Publication Publication Date Title
CN115221798B (zh) 一种电池热过程时空建模预测方法、系统、设备及介质
Liu et al. Joint estimation of battery state-of-charge and state-of-health based on a simplified pseudo-two-dimensional model
Wang et al. Improved singular filtering-Gaussian process regression-long short-term memory model for whole-life-cycle remaining capacity estimation of lithium-ion batteries adaptive to fast aging and multi-current variations
Wang et al. A comprehensive review of battery modeling and state estimation approaches for advanced battery management systems
Kim et al. Data-efficient parameter identification of electrochemical lithium-ion battery model using deep Bayesian harmony search
Wang et al. Perspectives and challenges for future lithium-ion battery control and management
Song et al. A novel variable forgetting factor recursive least square algorithm to improve the anti-interference ability of battery model parameters identification
Tang et al. Design of power lithium battery management system based on digital twin
CN113466710B (zh) 含新能源受端电网中储能电池的soc与soh协同估算方法
Chen et al. A novel framework for lithium‐ion battery state of charge estimation based on Kalman filter Gaussian process regression
CN116643196A (zh) 一种融合机理与数据驱动模型的电池健康状态估计方法
CN114729967A (zh) 用于估计储能器的状态的方法
Chen et al. State of health estimation for lithium-ion battery based on particle swarm optimization algorithm and extreme learning machine
Chen et al. A novel combined estimation method for state of energy and predicted maximum available energy based on fractional-order modeling
CN114089193A (zh) 电池的温度和负极电位在线估计方法、装置和计算机设备
Wang et al. Identification of fractional-order equivalent circuit model of lithium-ion battery for improving estimation of state of charge
CN110059342B (zh) 一种锂离子电池p2d模型的参数估计方法
Liu et al. Dynamic adaptive square-root unscented Kalman filter and rectangular window recursive least square method for the accurate state of charge estimation of lithium-ion batteries
CN115407205A (zh) 考虑温度影响的多时间尺度soc和soh协同估计方法
CN113125969A (zh) 基于aukf的电池数据处理方法、设备和介质
Cai et al. A unified deep learning optimization paradigm for lithium-ion battery state-of-health estimation
Zhang et al. Joint estimation of state-of-charge and state-of-power for hybrid supercapacitors using fractional-order adaptive unscented Kalman filter
Jokar et al. An on-line electrochemical parameter estimation study of lithium-ion batteries using neural networks
Xu et al. A migration-based method for non-invasive revelation of microscopic degradation mechanisms and health prognosis of lithium-ion batteries
Monirul et al. Adaptive state of charge estimation for lithium‐ion batteries using feedback‐based extended Kalman filter

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant