CN116430245A - 基于梯度优化多物理信息神经网络的电池热失控预测方法 - Google Patents

基于梯度优化多物理信息神经网络的电池热失控预测方法 Download PDF

Info

Publication number
CN116430245A
CN116430245A CN202310699901.3A CN202310699901A CN116430245A CN 116430245 A CN116430245 A CN 116430245A CN 202310699901 A CN202310699901 A CN 202310699901A CN 116430245 A CN116430245 A CN 116430245A
Authority
CN
China
Prior art keywords
neural network
physical information
thermal runaway
lithium ion
ion battery
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.)
Withdrawn
Application number
CN202310699901.3A
Other languages
English (en)
Inventor
张艳辉
李卫华
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.)
Weihai Puyue Optoelectronic Technology Co ltd
Original Assignee
Weihai Puyue Optoelectronic Technology Co ltd
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 Weihai Puyue Optoelectronic Technology Co ltd filed Critical Weihai Puyue Optoelectronic Technology Co ltd
Priority to CN202310699901.3A priority Critical patent/CN116430245A/zh
Publication of CN116430245A publication Critical patent/CN116430245A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • 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
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/12—Simultaneous equations, e.g. systems of linear equations
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0499—Feedforward networks
    • 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
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Molecular Biology (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Databases & Information Systems (AREA)
  • Electrochemistry (AREA)
  • Medical Informatics (AREA)
  • Manufacturing & Machinery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Analytical Chemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Secondary Cells (AREA)

Abstract

本申请属于电池技术领域，提供一种基于梯度优化多物理信息神经网络的电池热失控预测方法，包括以下步骤：建立锂离子电池热失控的多参数耦合模型；构造多物理信息神经网络，所述多物理信息神经网络的输入为时间、环境温度及锂离子电池的至少两个空间分布变量，输出为锂离子电池的温度及其所含的锂离子的无量纲浓度，损失函数基于所述多参数耦合模型确定；使用训练数据对多物理信息神经网络进行训练并在训练过程中对反向传播梯度进行优化；使用经过训练的多物理信息神经网络预测锂离子电池的热失控过程。本申请基于锂离子电池热失控的多参数物理机制对神经网络预测模型的训练过程进行监督及优化，能够有效提升预测精度及稳健程度。

Description

基于梯度优化多物理信息神经网络的电池热失控预测方法
技术领域
本申请属于电池技术领域，涉及电池安全管理技术，具体地，提供一种基于梯度优化多物理信息神经网络的电池热失控预测方法。
背景技术
锂离子电池(Lithium-Ion Battery, LIB)由于具有高能量密度、长持续时间和快速充电速率等特点，目前在电动汽车、电动船舶等新能源交通工具所使用的电池方案中具有一定优势，在锂离子电池的使用过程中，其存在的安全问题不可忽视。锂离子电池的主要安全问题是热失控，这是指锂离子电池中的不可逆状态，其中由于初始阶段的内部短路，局部电池温度升高并导致燃烧，直到LIB组分的内部反应物种被燃烧甚至导致锂离子电池的***。对锂离子电池热失控的实时预测以及各种操作条件下热失控现象的估计是一个活跃的研究领域，因为它不仅能够预测热失控，而且还提供了关于锂离子电池结构的优化设计的信息（例如，对表面与体积比进行优化设计）。
目前已有的对锂离子电池热失控过程进行预测的实施方式主要有两种：一种使用有限元法(FEM)、有限差分法(FDM)等对热失控过程进行数值模拟，上述方法物理机理清晰直观，然而需要进行大量的计算工作，无法对随机和快速变化的环境以及锂离子电池遇到的各种实际操作条件进行及时响应，因此难以应用于锂离子电池热失控的快速预测或估计；另一种将深度学习神经网络应用与对锂离子电池热失控过程的预测，然而该种方式采用以纯数据驱动为主，从已给定的神经网络结构和已获得的训练数据中反复训练、学习，得到一个具体的预测模型，即建立一个从输入数据到输出数据之间的映射关系，该方法的实施依赖于给定数据的高准确度和海量的训练数据，但忽略了这些数据在实际物理场景中蕴含的先验知识(如质量守恒、动量守恒等物理定律)，因此不但造成了信息资源的浪费，也无法基于电池热失控的底层核心机制调整预测模型的优化方向。
近年来，物理信息神经网络(Physics Informed Neural Networks, PINN)作为工程中许多含时***的前瞻性代理模型，被广泛研究，物理信息神经网络的主要优点是，它们能够快速建模感兴趣的时间相关***，而不会失去通用性和准确性，从根本上说，PINN不同于普通的数据驱动的深度学习模型，因为它们是结合物理的支配定律进行训练的，以确保它们不会违反这些定律，并产生对异常值稳健的结果。
然而，目前仍未有较为成熟的应用于锂离子电池热失控预测的物理信息神经网络，其主要原因在于：首先，尽管神经网络在训练过程中优化过程中基于物理模型进行学***衡，从数学角度来看，使用PINN求解这些问题更具挑战性和难度。
由此可见，如果采用多物理信息神经网络进行锂离子电池热失控的预测，其关键是如何建立精确描述热失控过程的多参数耦合物理模型，并合理地建立物理模型对神经网络的耦合训练机制。
发明内容
本申请的目的在于解决上述现有技术中存在的问题，提供一种基于梯度优化多物理信息神经网络的电池热失控预测方法，该方法能够利用锂离子电池热失控的多参数物理机制对神经网络预测模型的训练过程进行监督及优化，以保证预测模型的训练在具有实际意义的物理定律的支配下进行，并产生符合实际物理图像的稳健的预测结果。
本申请的实施例可以通过以下技术方案实现：
一种基于梯度优化多物理信息神经网络的电池热失控预测方法，用于预测锂离子电池的热失控过程，包括以下步骤：
建立锂离子电池热失控的多参数耦合模型；
构造多物理信息神经网络，其中，所述多物理信息神经网络的输入为时间
Figure SMS_1
、环境温度/>
Figure SMS_2
及锂离子电池的至少两个空间分布变量/>
Figure SMS_3
、/>
Figure SMS_4
，输出为锂离子电池的温度/>
Figure SMS_5
及其所含的锂离子的无量纲浓度/>
Figure SMS_6
，损失函数/>
Figure SMS_7
基于所述多参数耦合模型确定；
使用训练数据对所述多物理信息神经网络进行训练，其中，在训练过程中基于所述多参数耦合模型对所述多物理信息神经网络的反向传播梯度进行优化；
使用经过训练的所述多物理信息神经网络预测锂离子电池的热失控过程。
优选地，所述多参数耦合模型包括描述锂离子电池热失控过程中热力学反应的第一方程组，以及描述锂离子电池热失控过程中多种介质化学降解反应的第二方程组；所述第一方程组与所述第二方程组通过体积热产生率
Figure SMS_8
互相耦合。
进一步地，所述第一方程组具体为：
Figure SMS_9
，
其中，
Figure SMS_13
、/>
Figure SMS_16
、/>
Figure SMS_19
为分别为锂离子电池的密度、热容及导热系数，/>
Figure SMS_11
为锂离子电池的电解质中锂离子的温度，其是锂离子的分布空间/>
Figure SMS_21
及时间/>
Figure SMS_25
的函数，/>
Figure SMS_27
为/>的计算域，/>
Figure SMS_26
为计算时间上限，/>
Figure SMS_10
为对流传热系数，/>
Figure SMS_24
、/>
Figure SMS_15
、/>
Figure SMS_20
、/>
Figure SMS_17
、/>
Figure SMS_18
、/>
Figure SMS_14
分别为反应焓、单位体积的比活性物质含量、反应指前因子、活化能、摩尔气体常数和反应级数，/>
Figure SMS_22
、/>
Figure SMS_12
分别为温度及无量纲浓度的初始值；
所述第二方程组具体为：
Figure SMS_28
，
其中，
Figure SMS_29
、/>
Figure SMS_33
分别为正极及电解质分解导致的体积热产生率，/>
Figure SMS_37
、/>
Figure SMS_32
、/>
Figure SMS_34
分别为正极分解反应的频率因子、反应系数和热活化能，/>
Figure SMS_38
、/>
Figure SMS_40
分别为/>
Figure SMS_30
、/>
Figure SMS_35
的反应级数，
Figure SMS_39
、/>
Figure SMS_41
、/>
Figure SMS_31
、/>
Figure SMS_36
分别为电解液分解反应的频率因子、热活化能、锂离子浓度及反应级数。
优选地，所述多物理信息神经网络包括分别包括两个独立的第一神经网络及第二神经网络；所述第一神经网络、第二神经网络共享相同的输入
Figure SMS_42
、/>
Figure SMS_43
、/>
Figure SMS_44
、/>
Figure SMS_45
；所述第一神经网络的输出为温度/>
Figure SMS_46
的预测值，所述第二神经网络的输出为无量纲浓度/>
Figure SMS_47
的预测值。
进一步地，所述损失函数
Figure SMS_48
具体为：
Figure SMS_49
，
其中，
Figure SMS_53
、/>
Figure SMS_62
、/>
Figure SMS_68
、/>
Figure SMS_52
及/>
Figure SMS_61
分别为数据拟合损失、偏微分方程损失、常微分方程损失、边界条件损失和初始条件损失，/>
Figure SMS_70
、/>
Figure SMS_76
、/>
Figure SMS_67
、/>
Figure SMS_74
、/>
Figure SMS_56
分别为其加权系数，/>
Figure SMS_58
、/>
Figure SMS_51
、/>
Figure SMS_60
、/>
Figure SMS_57
分别为/>
Figure SMS_65
、/>
Figure SMS_66
、/>
Figure SMS_75
、/>
Figure SMS_81
的预测值，/>
Figure SMS_83
，/>
Figure SMS_50
，
Figure SMS_59
，/>
Figure SMS_69
，/>
Figure SMS_77
，/>
Figure SMS_71
，/>
Figure SMS_79
、/>
Figure SMS_55
分别为变量空间分布变量/>
Figure SMS_64
、/>
Figure SMS_72
对应的导热系数，/>
Figure SMS_80
、/>
Figure SMS_78
、/>
Figure SMS_82
分别为/>
Figure SMS_63
、/>
Figure SMS_73
、/>
Figure SMS_54
的取值上限。
优选地，所述多物理信息神经网络还包括变压层，以及，步骤300中所述在训练过程中基于所述多参数耦合模型对所述多物理信息神经网络的反向传播梯度进行优化，具体为在反向传播中执行以下步骤：
第一步，求取
Figure SMS_84
，其中/>
Figure SMS_85
为求取梯度操作；
第二步，分别求取
Figure SMS_86
，以及/>
Figure SMS_87
、
Figure SMS_88
；
第三步，基于下式求取
Figure SMS_89
、/>
Figure SMS_90
：
Figure SMS_91
；
第四步，基于下式求取
Figure SMS_92
、/>
Figure SMS_93
：
Figure SMS_94
，
其中，rate为预设的学习率；
第五步，使用
Figure SMS_95
、/>
Figure SMS_96
更新所述变压层的权重。
优选地，对所述多物理信息神经网络的反向传播梯度进行优化只在前N次反向传播中执行。
优选地，所述基于梯度优化多物理信息神经网络的电池热失控预测方法还包括对输入
Figure SMS_97
、/>
Figure SMS_98
、/>
Figure SMS_99
、/>
Figure SMS_100
及输出/>
Figure SMS_101
、/>
Figure SMS_102
进行非量纲化处理的步骤。
本申请的实施例提供的一种基于梯度优化多物理信息神经网络的电池热失控预测方法，通过建立描述锂离子电池热失控过程中多种反应机制的多参数耦合模型，并利用该多参数耦合模型生成具有互连结构的损失函数，从而对共享输入的互相独立的神经网络的输出进行耦合地约束，在上述耦合反应机制驱动及监督下进行训练的多物理信息神经网络，能够对锂离子电池热失控过程进行较为精确的预测，且预测鲁棒性得到显著提高。
附图说明
图1为根据本申请实施例提供的基于梯度优化多物理信息神经网络的电池热失控预测方法的流程图；
图2为根据本申请实施例提供的多物理信息神经网络的架构示意图；
图3为根据本申请实施例提供的基于梯度优化多物理信息神经网络的电池热失控预测方法的具体实施步骤示意图；
图4为根据本申请的一个具体实施例提供的多物理信息神经网络对锂离子电池温度的预测结果示意图；
图5为图4中预测结果的局部放大示意图。
具体实施方式
以下，基于优选的实施方式并参照附图对本申请进行进一步说明。
本申请通过实施例提供一种基于梯度优化多物理信息神经网络的电池热失控预测方法，图1示出了在一些优选的实施例中，该预测方法的实施流程图，如图1所示，该方法包括以下步骤：
步骤100，建立锂离子电池热失控的多参数耦合模型；
步骤200，构造多物理信息神经网络，其中，所述多物理信息神经网络的输入为时间
Figure SMS_103
、环境温度/>
Figure SMS_104
及至少两个锂离子电池参数，输出为锂离子电池的温度/>
Figure SMS_105
及无量纲浓度
Figure SMS_106
，损失函数基于所述多参数耦合模型确定；
步骤300，使用训练数据对所述多物理信息神经网络进行训练，其中，在训练过程中基于所述多参数耦合模型对所述多物理信息神经网络的反向传播梯度进行优化；
步骤400，使用经过训练的所述多物理信息神经网络预测锂离子电池的热失控过程。
以下结合附图及具体实施例，对上述各步骤进行详细说明。
在本申请的实施例中，步骤100用于构建对锂离子电池热失控过程进行描述的多参数耦合模型，锂离子电池的热失控是指由于放热反应引起的温度升高或电流和功率耗散增加而导致的部件降解的连续链式反应的发生，它是一种复杂的多物理-化学反应过程，其中包括多种热力学反应及多种成分的化学降解反应。
具体地，锂离子电池热失控过程中的热力学反应可以通过下式(1)描述：
Figure SMS_107
(1)，
其中，
Figure SMS_109
、/>
Figure SMS_112
、/>
Figure SMS_114
为分别为锂离子电池的密度、热容及导热系数，/>
Figure SMS_108
为锂离子电池的电解质中锂离子的温度，其是锂离子的分布空间/>
Figure SMS_111
及时间/>
Figure SMS_115
的函数，/>
Figure SMS_117
为/>
Figure SMS_110
的计算域，/>
Figure SMS_113
为计算时间上限，/>
Figure SMS_116
为体积热产生率。
上式(1)为锂离子电池热失控过程中的能量平衡方程，该方程描述了温度变化率、热传导及体积热产生率之间的能量平衡关系，其中
Figure SMS_118
、/>
Figure SMS_119
的具体形式分别由下式(2)、(3)给出：
Figure SMS_120
(2)，
Figure SMS_121
(3)，
其中，(2)式描述了锂离子电池和外部环境之间的对流热交换，
Figure SMS_123
为对流传热系数，(3)式源自受激化学反应引起的放热反应，与锂离子电池的电解质中锂的无量纲浓度/>
Figure SMS_125
的变化率成比例，具体地，/>
Figure SMS_128
、/>
Figure SMS_124
、/>
Figure SMS_126
、/>
Figure SMS_127
、/>
Figure SMS_129
、/>
Figure SMS_122
分别为反应焓、单位体积的比活性物质含量、反应指前因子、活化能、摩尔气体常数和反应级数。
进一步地，在
Figure SMS_130
的计算域/>
Figure SMS_131
上，/>
Figure SMS_132
、/>
Figure SMS_133
的初始条件由下式(4)给出：
Figure SMS_134
(4)，
其中，
Figure SMS_135
、/>
Figure SMS_136
分别为温度及无量纲浓度的初始值。
同时，锂离子电池热失控过程中，多种成分的连续化学降解引发的放热反应是温度快速上升的重要原因，一般地，化学降解按以下顺序发生：固体电解质界面（SEI）、负极、正极和电解质，通过放热反应产生的热量简单地是每种贡献的相加，因此，
Figure SMS_137
可以表示为下式(5)的形式：
Figure SMS_138
(5)，
其中
Figure SMS_140
、/>
Figure SMS_142
、/>
Figure SMS_144
、/>
Figure SMS_141
分别为固体电解质界面、负极、正极及电解质分解导致的体积热产生率，由于/>
Figure SMS_143
、/>
Figure SMS_145
为热失控过程中降解放热的主要因素，因此，在一些优选的实施例中，可以如下式(5’)所示只考虑/>
Figure SMS_146
、/>
Figure SMS_139
：
Figure SMS_147
(5’)。
Figure SMS_148
、/>
Figure SMS_149
的具体形式可以由阿伦尼斯定律表示，例如，在一些具体的实施例中，
Figure SMS_150
、/>
Figure SMS_151
可以分别表示为下式(6)、(7)的形式：
Figure SMS_152
(6)，
Figure SMS_153
(7)，
其中，
Figure SMS_156
、/>
Figure SMS_159
、/>
Figure SMS_160
分别为正极分解反应的频率因子、反应系数和热活化能，/>
Figure SMS_155
、
Figure SMS_157
分别为/>
Figure SMS_162
、/>
Figure SMS_163
的反应级数，/>
Figure SMS_154
、/>
Figure SMS_158
、/>
Figure SMS_161
、/>
Figure SMS_164
分别为电解液分解反应的频率因子、热活化能、锂离子浓度及反应级数。
上述描述模型反应速率的方程不同，随着时间的推移和温度达到一定水平，这导致了速率的显著差异，从而解释了正极分解反应和电解质分解反应之间合成温度的根本差异。
上述式(1)至式(7)即为对锂离子电池热失控过程进行描述的多参数耦合模型，对锂离子电池热失控过程进行预测，即通过求解上述模型的方程，获取对作为分布空间
Figure SMS_165
、时间/>
Figure SMS_166
和环境温度/>
Figure SMS_167
的函数的温度/>
Figure SMS_168
、无量纲浓度/>
Figure SMS_169
的预测。
通过步骤100建立上述多参数耦合模型后，即可通过步骤200构造多物理信息神经网络，并通过步骤300对多物理信息神经网络进行训练。
在本申请的实施例中，步骤200所构造的多物理信息神经网络，其输入为时间
Figure SMS_170
、环境温度/>
Figure SMS_171
及锂离子电池的至少两个空间分布变量/>
Figure SMS_172
(例如电压、密度等在/>
Figure SMS_173
上具有特定分布的变量)，输出为/>
Figure SMS_174
、/>
Figure SMS_175
，损失函数基于步骤100中建立的多参数耦合模型确定。
物理信息神经网络(Physics-Informed Neural Network，PINN)的常规形式及其训练方式已为本领域技术人员所知晓，一般地，PINN的网络模型形式可以与常规的具有时间预测能力的深度神经网络相同，例如，可以包括输入层、多个中间层、输出层等，与常规的深度神经网络不同的是，PINN通过将用于描述物理模型的方程(又被称为控制方程)作为惩罚项或约束项添加到深度神经网络的经验损失函数中来近似偏微分方程（PDE）的解，从而使参数优化后的数据拟合和控制方程得到满足，即其模型输出等于一个时变***的方程或***响应的解。
具体地，本申请提供的多物理信息神经网络的损失函数通过在常规的经验损失函数中添加式(1)至式(4)作为惩罚项构成，其中，方程(3)和(4)分别是边界条件和初始条件，它们将使方程(1)的控制偏微分方程得到的唯一解，这种基于物理的约束通常也被称为残差损失；而常规的经验损失通常也被称为数据拟合损失，理想情况下，当每个残差和数据拟合损失等于零时，优化就完成了，这意味着满足了物理、边界条件和初始条件的支配定律。
此外，锂离子电池在热失控过程中的复杂反应同时涉及热力学过程及化学降解过程，式(1)～式(4)以及式(5)～式(7)分别用微分方程描述每种过程，并通过
Figure SMS_176
建立起相互之间的耦合关系，上述这些物理相关因素与给定的数据共同监督神经网络，从而提高了PINN的准确性和鲁棒性，因此，在本申请的实施例中，通过PINN进行热失控预测估计，既需要由互相独立的神经网络来分别和同时对每个动态过程进行建模及训练，又需要由统一的惩罚项对其训练进行耦合地监督，这也是本申请提供的神经网络被称为多物理信息神经网络的原因。
具体地，在本申请的一些优选的实施例中，损失函数
Figure SMS_177
可以表示为：
Figure SMS_178
(8)，
其中，
Figure SMS_181
、/>
Figure SMS_182
、/>
Figure SMS_186
、/>
Figure SMS_180
及/>
Figure SMS_183
分别为数据拟合损失、偏微分方程损失(其代表了损失函数中由上述多参数耦合模型驱动的部分)、常微分方程损失、边界条件损失和初始条件损失，/>
Figure SMS_187
、/>
Figure SMS_188
、/>
Figure SMS_179
、/>
Figure SMS_184
、/>
Figure SMS_185
分别为其加权系数。
上述损失函数中各项的具体表示由下式(9)至(13)给出：
Figure SMS_189
(9)，
Figure SMS_190
(10)，
Figure SMS_191
(11)，
Figure SMS_192
(12)，
Figure SMS_193
(13)，
其中，
Figure SMS_195
为均方误差，/>
Figure SMS_197
、/>
Figure SMS_200
、/>
Figure SMS_196
、/>
Figure SMS_198
分别为/>
Figure SMS_201
、/>
Figure SMS_202
、/>
Figure SMS_194
、/>
Figure SMS_199
的预测值。
图2示出了在一些优选的实施例中，通过步骤200建立的多物理信息神经网络的具体架构，如图2所示，在多物理信息神经网络分别包括两个独立的第一神经网络(神经网络T)及第二神经网络(神经网络C)，每个神经网络可以采用本领域技术人员所知晓的具有时间预测能力的神经网络架构，其共享相同的输入，分别学习并输出温度
Figure SMS_203
和锂离子的无量纲浓度/>
Figure SMS_204
的预测值，上述输出通过自动微分计算偏导数项后，采用如下式的各项损失项构造总的损失函数/>
Figure SMS_205
：
Figure SMS_206
，
其中，
Figure SMS_207
，/>
Figure SMS_209
，/>
Figure SMS_221
，/>
Figure SMS_210
，
Figure SMS_216
，/>
Figure SMS_212
，/>
Figure SMS_218
、/>
Figure SMS_214
分别为变量空间分布变量/>
Figure SMS_215
、/>
Figure SMS_208
对应的导热系数，
Figure SMS_220
、/>
Figure SMS_213
、/>
Figure SMS_219
分别为/>
Figure SMS_217
、/>
Figure SMS_222
、/>
Figure SMS_211
的取值上限。
上述各损失项中，重要的是PDE损耗，即能量平衡方程，由于其耦合了两个不同训练的网络的输出，使其能够考虑锂离子电池热失控的多物理特性，并使得本申请提出的多物理信息神经网络具有互连损耗函数的结构。
将训练数据输入神经网络，基于输出计算得到损失函数后，通过反向传播更新神经网络各层权重的训练方式已经为本领域技术人员所知晓，在一些优选的实施例中，为了防止梯度***现象的产生，如图2所示，在输入与第一神经网络、第二神经网络之间具有变压层(transformer)，用于平滑非线性平衡方程的扩散项。
同时，由于损失函数的不同项的梯度变化速度不同，为了避免多物理信息神经网络的不平衡的反向传播梯度计算导致模型训练期间梯度值剧烈振荡，并进而使预测精度不稳定，如图2所示，在多物理信息神经网络的训练过程中，基于上述多参数耦合模型对多物理信息神经网络的反向传播梯度进行优化，以平衡模型训练期间损失函数中不同项之间的相互作用。
具体地，对每一次迭代中总的损失函数
Figure SMS_223
进行求梯度操作(即获取/>
Figure SMS_228
)，然后求取/>
Figure SMS_231
和/>
Figure SMS_226
项梯度的最大值，记作/>
Figure SMS_229
，即/>
Figure SMS_230
；以及分别求取/>
Figure SMS_234
和/>
Figure SMS_224
的均值，记作/>
Figure SMS_227
、/>
Figure SMS_232
，即/>
Figure SMS_233
、/>
Figure SMS_225
；
然后，设置学习率rate，并基于下式(14)、(15)求取优化系数
Figure SMS_235
、/>
Figure SMS_236
：
Figure SMS_238
(14)，
Figure SMS_239
(15)，
然后基于
Figure SMS_240
、/>
Figure SMS_241
进行反向传播以更新变压层的权重，同时基于传播损失/>
Figure SMS_242
，通过常规的反向传播更新第一神经网络和第二神经网络的权重。
进一步地，在一些优选的实施例中，可以利用
Figure SMS_243
、/>
Figure SMS_244
对/>
Figure SMS_245
、/>
Figure SMS_246
的系数进行更新，以达到梯度优化的目的。
在一些优选的实施例中，为进一步提升物理信息神经网络高预测精度的同时，减少计算时间，上述利用
Figure SMS_247
、/>
Figure SMS_248
对变压层权重的优化可以在前N次迭代中进行(其中N为预设的正整数)，在N+1次及其后的迭代中，只对第一神经网络及第二神经网络的权重进行更新，从而在提升物理信息神经网络高预测精度的同时，减少计算时间。
此外，输入和输出规模的差异是造成损失项之间权重不平衡的另一个因素，为了消除物理量归一化的神经网络输出与具有物理尺寸的偏微分方程不匹配的问题，对偏微分方程的变量和系数，即多物理信息神经网络的输入、输出也应进行归一化和无量纲化处理，具体地，使用下式(16)对输入及输出的各变量进行非量纲化处理：
Figure SMS_249
(16)，
其中，
Figure SMS_250
、/>
Figure SMS_251
分别为/>
Figure SMS_252
、/>
Figure SMS_253
的取值下限。
相应地，(1)式、(3)式、(4)式变为：
Figure SMS_254
(17)，
Figure SMS_255
(18)，
Figure SMS_256
(19)。
通过上述步骤200及300完成多物理信息神经网络模型的构造及训练后，即可在步骤400中使用该经过训练的多物理信息神经网络对锂离子电池的热失控过程进行预测，使用经过训练的神经网络模型进行特定参数或变量的预测已为本领域技术人员所知晓，在此不再赘述。
图3示出了在一个具体实施例中，该预测方法的实施流程图，该实施例首先使用COMSOL Multiphysics 5.6的高保真度模型生成足够数量的数据，然后向多物理信息神经网络模型提供用于训练的数据，该模型包括两个不同的神经网络，其中神经网络T被训练来预测温度分布在空间和时间上的演变，而神经网络C被训练来预测由于温度升高而随时间降解的反应物种的浓度，每个神经网络被分配不同的任务，因此，每个网络都需要不同的损失函数，然而，网络是同时优化的，因为它们通过总控制方程相互耦合。
图4示出了该实施例所提供的多物理信息神经网络对锂离子电池温度的预测结果，其中分别提供了设置学习率优化以及未设置学习率优化情况下的预测结果，并与实测参考值进行比较；图5对图4中230分钟至270分钟处的预测结果进行了放大显示。
从图4、图5可以看出，使用本申请提供的基于梯度优化多物理信息神经网络的电池热失控预测方法，能够较为准确地预测锂离子电池热失控过程中温度及无量纲浓度随时间的变化，特别是在状态发生突变的拐点处具有良好的预测效果，进一步地，在设置学习率的情况下，对突变点处的预测能力得到进一步的提升。
以上对本申请的具体实施方式作了详细介绍，对于本技术领域的技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也属于本申请权利要求的保护范围。

Claims (8)

1.一种基于梯度优化多物理信息神经网络的电池热失控预测方法，用于预测锂离子电池的热失控过程，其特征在于，包括以下步骤：
建立锂离子电池热失控的多参数耦合模型；
构造多物理信息神经网络，其中，所述多物理信息神经网络的输入为时间
Figure QLYQS_1
、环境温度
Figure QLYQS_2
及锂离子电池的至少两个空间分布变量/>
Figure QLYQS_3
、/>
Figure QLYQS_4
，输出为锂离子电池的温度/>
Figure QLYQS_5
及其所含的锂离子的无量纲浓度/>
Figure QLYQS_6
，损失函数/>
Figure QLYQS_7
基于所述多参数耦合模型确定；
使用训练数据对所述多物理信息神经网络进行训练，其中，在训练过程中基于所述多参数耦合模型对所述多物理信息神经网络的反向传播梯度进行优化；
使用经过训练的所述多物理信息神经网络预测锂离子电池的热失控过程。
2.根据权利要求1所述的基于梯度优化多物理信息神经网络的电池热失控预测方法，其特征在于：
所述多参数耦合模型包括描述锂离子电池热失控过程中热力学反应的第一方程组，以及描述锂离子电池热失控过程中多种介质化学降解反应的第二方程组；
所述第一方程组与所述第二方程组通过体积热产生率
Figure QLYQS_8
互相耦合。
3.根据权利要求2所述的基于梯度优化多物理信息神经网络的电池热失控预测方法，其特征在于，所述第一方程组具体为：
Figure QLYQS_9
，
其中，
Figure QLYQS_25
、/>
Figure QLYQS_12
、/>
Figure QLYQS_22
为分别为锂离子电池的密度、热容及导热系数，/>
Figure QLYQS_15
为锂离子电池的电解质中锂离子的温度，其是锂离子的分布空间/>
Figure QLYQS_21
及时间/>
Figure QLYQS_23
的函数，/>
Figure QLYQS_27
为/>
Figure QLYQS_17
的计算域，/>
Figure QLYQS_18
为计算时间上限，/>
Figure QLYQS_11
为对流传热系数，/>
Figure QLYQS_19
、/>
Figure QLYQS_13
、/>
Figure QLYQS_26
、/>
Figure QLYQS_10
、/>
Figure QLYQS_20
、/>
Figure QLYQS_14
分别为反应焓、单位体积的比活性物质含量、反应指前因子、活化能、摩尔气体常数和反应级数，/>
Figure QLYQS_24
、/>
Figure QLYQS_16
分别为温度及无量纲浓度的初始值；
所述第二方程组具体为：
Figure QLYQS_28
，
其中，
Figure QLYQS_31
、/>
Figure QLYQS_36
分别为正极及电解质分解导致的体积热产生率，/>
Figure QLYQS_39
、/>
Figure QLYQS_29
、/>
Figure QLYQS_33
分别为正极分解反应的频率因子、反应系数和热活化能，/>
Figure QLYQS_38
、/>
Figure QLYQS_41
分别为/>
Figure QLYQS_30
、/>
Figure QLYQS_35
的反应级数，/>
Figure QLYQS_37
、
Figure QLYQS_40
、/>
Figure QLYQS_32
、/>
Figure QLYQS_34
分别为电解液分解反应的频率因子、热活化能、锂离子浓度及反应级数。
4.根据权利要求1所述的基于梯度优化多物理信息神经网络的电池热失控预测方法，其特征在于：
所述多物理信息神经网络包括分别包括两个独立的第一神经网络及第二神经网络；
所述第一神经网络、第二神经网络共享相同的输入
Figure QLYQS_42
、/>
Figure QLYQS_43
、/>
Figure QLYQS_44
、/>
Figure QLYQS_45
；
所述第一神经网络的输出为温度
Figure QLYQS_46
的预测值，所述第二神经网络的输出为无量纲浓度
Figure QLYQS_47
的预测值。
5.根据权利要求3所述的基于梯度优化多物理信息神经网络的电池热失控预测方法，其特征在于，所述损失函数具体为：
Figure QLYQS_49
，
其中，
Figure QLYQS_73
、/>
Figure QLYQS_81
、/>
Figure QLYQS_82
、/>
Figure QLYQS_54
及/>
Figure QLYQS_63
分别为数据拟合损失、偏微分方程损失、常微分方程损失、边界条件损失和初始条件损失，/>
Figure QLYQS_69
、/>
Figure QLYQS_76
、/>
Figure QLYQS_67
、/>
Figure QLYQS_75
、/>
Figure QLYQS_51
分别为其加权系数，/>
Figure QLYQS_61
、/>
Figure QLYQS_72
、/>
Figure QLYQS_78
、/>
Figure QLYQS_80
分别为/>
Figure QLYQS_83
、/>
Figure QLYQS_52
、/>
Figure QLYQS_60
、/>
Figure QLYQS_66
的预测值，/>
Figure QLYQS_74
，/>
Figure QLYQS_56
，/>
Figure QLYQS_64
，/>
Figure QLYQS_55
，/>
Figure QLYQS_58
，/>
Figure QLYQS_71
，/>
Figure QLYQS_79
、/>
Figure QLYQS_57
分别为变量空间分布变量/>
Figure QLYQS_62
、/>
Figure QLYQS_50
对应的导热系数，/>
Figure QLYQS_65
、/>
Figure QLYQS_70
、/>
Figure QLYQS_77
分别为/>
Figure QLYQS_59
、/>
Figure QLYQS_68
、/>
Figure QLYQS_53
的取值上限。
6.根据权利要求5所述的基于梯度优化多物理信息神经网络的电池热失控预测方法，其特征在于，
所述多物理信息神经网络还包括用于变压层，以及，
步骤300中所述在训练过程中基于所述多参数耦合模型对所述多物理信息神经网络的反向传播梯度进行优化，具体为在反向传播中执行以下步骤：
第一步，求取
Figure QLYQS_84
，其中/>
Figure QLYQS_85
为求取梯度操作；
第二步，分别求取
Figure QLYQS_86
，以及/>
Figure QLYQS_87
、
Figure QLYQS_88
；
第三步，基于下式求取
Figure QLYQS_89
、/>
Figure QLYQS_90
：
Figure QLYQS_91
；
第四步，基于下式求取
Figure QLYQS_92
、/>
Figure QLYQS_93
：
Figure QLYQS_94
，
其中，rate为预设的学习率；
第五步，使用
Figure QLYQS_95
、/>
Figure QLYQS_96
更新所述变压层的权重。
7.根据权利要求6所述的基于梯度优化多物理信息神经网络的电池热失控预测方法，其特征在于：
对所述多物理信息神经网络的反向传播梯度进行优化只在前N次反向传播中执行。
8.根据权利要求1所述的基于梯度优化多物理信息神经网络的电池热失控预测方法，其特征在于：
还包括对输入
Figure QLYQS_97
、/>
Figure QLYQS_98
、/>
Figure QLYQS_99
、/>
Figure QLYQS_100
及输出/>
Figure QLYQS_101
、/>
Figure QLYQS_102
进行非量纲化处理的步骤。
CN202310699901.3A 2023-06-14 2023-06-14 基于梯度优化多物理信息神经网络的电池热失控预测方法 Withdrawn CN116430245A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310699901.3A CN116430245A (zh) 2023-06-14 2023-06-14 基于梯度优化多物理信息神经网络的电池热失控预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310699901.3A CN116430245A (zh) 2023-06-14 2023-06-14 基于梯度优化多物理信息神经网络的电池热失控预测方法

Publications (1)

Publication Number Publication Date
CN116430245A true CN116430245A (zh) 2023-07-14

Family

ID=87081928

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310699901.3A Withdrawn CN116430245A (zh) 2023-06-14 2023-06-14 基于梯度优化多物理信息神经网络的电池热失控预测方法

Country Status (1)

Country Link
CN (1) CN116430245A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116736141A (zh) * 2023-08-10 2023-09-12 锦浪科技股份有限公司 一种锂电池储能安全管理***及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104849675A (zh) * 2015-06-17 2015-08-19 哈尔滨工业大学 锂离子电池电化学和热耦合模型的获取方法
CN110161423A (zh) * 2019-06-26 2019-08-23 重庆大学 一种基于多维度耦合模型的动力锂电池状态联合估计方法
CN113344024A (zh) * 2021-04-22 2021-09-03 华中科技大学 锂离子电池热失控分级预警方法及预警***
CN114355199A (zh) * 2021-12-30 2022-04-15 重庆长安新能源汽车科技有限公司 一种基于循环神经网络的电池热失控风险预测方法及***
CN114966451A (zh) * 2022-06-06 2022-08-30 北京航空航天大学 一种基于物理信息神经网络的电源产品剩余使用寿命在线预测方法
CN115438588A (zh) * 2022-09-29 2022-12-06 中南大学 一种锂电池的温度预测方法、***、设备及存储介质
CN115993551A (zh) * 2023-03-01 2023-04-21 北京航空航天大学 融合物理信息参数和电化学阻抗谱的锂离子电池诊断方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104849675A (zh) * 2015-06-17 2015-08-19 哈尔滨工业大学 锂离子电池电化学和热耦合模型的获取方法
CN110161423A (zh) * 2019-06-26 2019-08-23 重庆大学 一种基于多维度耦合模型的动力锂电池状态联合估计方法
CN113344024A (zh) * 2021-04-22 2021-09-03 华中科技大学 锂离子电池热失控分级预警方法及预警***
CN114355199A (zh) * 2021-12-30 2022-04-15 重庆长安新能源汽车科技有限公司 一种基于循环神经网络的电池热失控风险预测方法及***
CN114966451A (zh) * 2022-06-06 2022-08-30 北京航空航天大学 一种基于物理信息神经网络的电源产品剩余使用寿命在线预测方法
CN115438588A (zh) * 2022-09-29 2022-12-06 中南大学 一种锂电池的温度预测方法、***、设备及存储介质
CN115993551A (zh) * 2023-03-01 2023-04-21 北京航空航天大学 融合物理信息参数和电化学阻抗谱的锂离子电池诊断方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SUNG WOOK KIM 等: "Modeling and prediction of lithium-ion battery thermal runaway via multiphysics-informed neural network", 《JOURNAL OF ENERGY STORAGE》, vol. 60, pages 3 - 12 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116736141A (zh) * 2023-08-10 2023-09-12 锦浪科技股份有限公司 一种锂电池储能安全管理***及方法

Similar Documents

Publication Publication Date Title
Fang et al. A prediction model based on artificial neural network for surface temperature simulation of nickel–metal hydride battery during charging
CN116430245A (zh) 基于梯度优化多物理信息神经网络的电池热失控预测方法
US20220129595A1 (en) Design and optimization method of porous structure for 3d heat dissipation based on triply periodic minimal surface (tpms)
CN112964992B (zh) 基于aukf的电池内部温度信息处理方法、设备和介质
CN110336057B (zh) 一种交叉流电堆二维温度分布观测器构建方法及其应用
Zhang et al. State‐of‐charge estimation of lithium‐ion battery pack based on improved RBF neural networks
Parhizi et al. Accelerating the numerical solution of thermal runaway in Li-ion batteries
Zhang et al. Internal temperature prediction model of the cylindrical lithium-ion battery under different cooling modes
Shen et al. Nonlinear modeling and adaptive fuzzy control of MCFC stack
Li et al. A novel state of charge estimation method of lithium‐ion batteries based on the IWOA‐AdaBoost‐Elman algorithm
Yu et al. Parallel battery pack charging strategy under various ambient temperatures based on minimum lithium plating overpotential control
CN115587512A (zh) 基于ANSYS TwinBuilder的锂电池热电耦合数字孪生模型构建方法
Parhizi et al. An iterative analytical model for aging analysis of Li-ion cells
Deng et al. Physics-dominated neural network for spatiotemporal modeling of battery thermal process
Hao et al. Adaptive model-based reinforcement learning for fast-charging optimization of lithium-ion batteries
Namdari et al. A multiscale entropy-based long short term memory model for lithium-ion battery prognostics
Singh et al. A two-layer framework for optimal control of battery temperature and microgrid operation
Zhou et al. Data-driven real-time prediction of pouch cell temperature field under minimal sensing
Bogdanov et al. Parameter identification algorithm for dynamic modeling of industrial-scale vanadium redox flow batteries
Harb et al. Mathematical Model of the Discharge Behavior of a Spirally Wound Lead‐Acid Cell
CN110059342B (zh) 一种锂离子电池p2d模型的参数估计方法
Shen et al. Neural network predictive control for vanadium redox flow battery
Zou Modelling, state estimation & optimal charging control for a lithium-ion battery
Senkel et al. Experimental validation of a sensitivity-based observer for solid oxide fuel cell systems
Salvador-Iborra et al. Automatic Conversion of a 3D Thermal Model of a Battery Cell into a 1D Lumped-Element Network: Paper for special session 8-Multi-level Models for Simulation of Electrified Vehicles

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20230714