学者次要关心外部短尝试方式、热-电举动特征战风险阐发、筑模战毛病诊断等方面

本文提出了一种ELMT模子以描绘正在分歧外部短前提下动力电池的温度行为,正在ELMT模子中,操纵基于物理意义的集总参数热模子替代典范极限进修机中的激活函数。正在分歧温度(40 ℃、20 ℃、10 ℃和–10 ℃)和电池初始SOC值(80%、40%和20%)下系统地开展了动力电池的外部短尝试,建立了外部短毛病数据库以成立和评估所提出的模子。为证明所提出模子的劣势,比力了ELMT模子取遗传算法参数化的 MLT模子。通过利用两种模子拟合锻炼数据(第1组尝试数据)中电池外部短后的温度,比力了两种模子的拟合精度。正在所有尝试前提下,ELMT模子拟合温度的 RMSE平均值为0.65 ℃,MLT模子拟合温度的RMSE平均值为3.95 ℃。此外,还比力了两种模子的计较时间,并证了然ELMT模子比拟MLT模子具有更低的计较成本。正在模子预测电池外部短温度方面,利用第2组外部短尝试数据进一步评估两个模子的预测精度。正在所有尝试前提下,ELMT模子预测温度的RMSE平均值为 3.97 ℃,而MLT模子预测温度的RMSE平均值为6.11 ℃。以上成果表白,取MLT模子比拟,ELMT模子具有更好的拟合和预测精度以及较高的计较效率。

①正在分歧初始 SOC值(20%、40%和80%)和分歧温度(–10 ℃、 10 ℃、20 ℃和40 ℃)前提下开展动力电池外部短尝试,并建立外部短毛病数据库,用于成立和验证所提出的电池热模子;

集总参数热模子能够用来描述动力电池的生热行为,该模子假设电池内部温度分布平均。按照能量守恒定律,电池总产热量等于对流换热量取生热量之和,具体能够暗示为:

推广电动汽车(EV)是削减全球对化石燃料依赖和减轻污染的一项主要行动。可充电锂离子动力电池被认为是电动汽车目前可行的能量来历。跟着电动汽车的普遍使用,由锂离子动力电池惹起的电动汽车平安变乱逐步增加,这些变乱对电动汽车和动力电池制制厂商的声誉形成必然影响,损害了接管电动汽车的决心。这些平安变乱中部门变乱是由动力电池的一种电气毛病激发的,即外部短毛病。外部短毛病可正在某些环境下发生,如电动汽车碰撞导致电池包机械变形、电池包密封失效导致浸水或尘埃进入、动力电池毗连线束磨损等。当外部短毛病发生后,动力电池内部发生猛烈的电化学反映,电池温度会急剧升高,可能会进一步触发电池热失控。因而,有需要研究动力电池发生外部短后的温度行为,从而能够无效地前进履力电池平安办理。

MLT模子参数采用遗传算法辨识获得,遗传算法是一种常用的非线性式优化算法。正在遗传算法中,不竭优化模子参数以最小化以下方针函数:

动力电池外部短电流和温度的尝试成果如图2和图3所示。图2(a)、(b)别离显示了正在温度20 ℃和40 ℃,初始SOC值20%、60%和80%的前提下第1组尝试中的电池电流和温度成果;图2(c)、(d)别离显示了正在温度10 ℃和–10 ℃,初始SOC值20%、60% 和80%的前提下第1组尝试中电池电流和温度成果。同理,图3显示了正在分歧温度和分歧初始SOC值下动力电池第2组的外部短尝试成果。如图2和图3所示,当发生外部短后,动力电池电流正在1 s内敏捷添加,峰值电流可达到近150 A(约61 C-rate)。大电流自放电发生的焦耳热储蓄积累正在电池内部,导致电池温度敏捷升高。电池电流达到峰值后,逐步减小。如文献[18]所述,电流达到峰值后逐步减小的缘由是,高温可能导致电池隔阂发生“闭孔”效应,从而降低了锂离子的扩散和迁徙速度。随后,电池履历了“放电平台期”(discharge plateau),最初电流降至0 A,表白电池已损坏。

正在公式(2)中,研究人员曾经证了然正在外部短前提下电池可应生热远小于不成应生热。正在本文中,为进一步证明可应生热占比力小,我们操纵第一组尝试中的电池外部短数据(初始SOC值为 40%,温度为20 ℃)来计较和对比可逆取不成应生热。图4(a)、(b)别离暗示了丈量获得的熵热系数dU 0/dT 以及可逆取不成应生热的对比成果。

正在动力电池外部短研究中,学者次要关心外部短尝试方式、热-电行为特征和风险阐发、建模和毛病诊断等方面。Rheinfeld等采用准等温外部短测试方式研究电池材料传输特征对电池外部短特征的影响,并成立了均质化物理模子来描述外部短过程。正在文献[16,17]中,做者开展了外部短尝试,研究了分歧温度、电池初始荷电形态(SOC)和外部电阻前提下的电池外部短的热-电行为特征。Kupper 等提出了一种伪三维多标准模子,阐发了正在外部短毛病下电池从反映和副反映中的热力学以及动力学过程。本研究团队正在前期工做中,成立了分数阶模子来研究外部短前提下动力电池的电气特征,并提出了外部短毛病的三步诊断方式;提出了针对动力电池组的外部短正在线毛病诊断方式,该方式具备较好的精确度和鲁棒性。正在文献[21]中,本团队提出了一种基于人工神经收集的外部短电流预测方式,操纵电池电压消息来估量外部短电池单体的电流。

(1)取一般的机械进修模子比拟,ELMT模子极大地提高了计较效率,缘由是其正在锻炼过程中无需迭代调整公式(14)中的参数;

表3比力了两种模子正在分歧前提下的温度拟合成果取实测温度之间的均方根误差(RMSE);表4列出了每种温度以及所有前提下两种模子温度拟合的RMSE 平均成果。能够看出,正在所有前提下,ELMT模子比 MLT模子具有更好的拟合精度,此中,ELMT模子的 RMSE平均值为0.65 ℃,而MLT模子的RMSE平均值为 3.95 ℃(表4)。因而,取具有不异数量可调参数的MLT 模子比拟,ELMT模子拟合分歧前提下动力电池外部短的温度行为具备更优异的机能。

为评价模子描述外部短前提下电池温度行为的机能,操纵第1组尝试数据查验ELMT模子拟合电池温度的精度。图7显示了正在温度为40 ℃和20 ℃以及初始SOC值为80%,40%和20%的前提下,ELMT模子和MLT模子的温度拟合成果;图8显示了正在温度为 10 ℃和–10 ℃以及取图7不异的初始SOC值前提下,两模子的温度拟合成果。此外,正在每个子图中,插图(i)暗示ELMT模子的温度拟合误差,插图(ii)暗示MLT 模子的温度拟合误差。能够看出,ELMT模子的温度拟合误差均小于4 ℃,而MLT模子的温度拟合误差能够高达25 ℃。

正在本节中,利用第2节中获得的动力电池外部短尝试数据来验证和评价所提出的ELMT模子。操纵第1 组尝试数据对模子进行锻炼,以查验模子拟合动力电池外部短温度的精度;操纵第2组尝试数据评价模子对动力电池外部短温度的预测精度。正在所有模子拟合和预测的评价中,对ELMT模子和MLT模子进行对比阐发。

因为第2组外部短尝试数据未参取模子锻炼过程,因而利用第2组尝试数据评价ELMT模子对于动力电池外部短温度预测的精确性。同样地,操纵MLT模子进行对比阐发。

图5 典范极限进修机布局图。 x 和 y 暗示输入和输出数据; n 和 m 为输入层和输出层的总数据量; w 为输入层和现含层之间的毗连权值; β js 为现含层和输出层之间的毗连权值; g (∙)暗示激活函数; b 暗示现含层中的阈值; i 暗示第 i 个输入数据; j 暗示第 j 个现含层神经元; s 暗示第 s 个输出数据

式中, β js 为现含层和输出层之间的毗连权值; s 为输出层第 s 个节点( s = 1, 2, …, m ); i 为输入层第 i 个节点; j 为现含层中第 j 个节点。若是定义毗连权值矩阵β为

图2 分歧温度和初始SOC值下动力电池电流和温度成果(第一组)。(a)20 ℃和40 ℃下的电流;(b)20 ℃和40 ℃下的温度;(c)–10 ℃和10 ℃的电流;(d)–10 ℃和10 ℃的温度

为研究外部短前提下动力电池的电、热行为特征,本文正在分歧尝试前提下开展了电池外部短测试。这些前提涵盖了高、中和低的温度(别离为 40 ℃、20 ℃、10 ℃和–10 ℃),以及高、中和低的电池初始SOC值(别离为80%、40%和20%)。正在每种尝试前提下,反复进行两次外部短测试,尝试成果别离用第1组和第2组尝试成果暗示。将尝试数据用于锻炼和验证本文提出的模子。表1为本文所利用的18650型 Li(Ni 0.5 Co 0.2 Mn 0.3 )O 2 电池的细致规格。

公式(13)表达了每一时辰温度的输出成果能够通过 L 个子模子输出加权后乞降获得。正在每个集总参数子模子中,能够间接丈量电池质量、概况积A和温度 T amb 。未知的参数矩阵P能够表达为

式中, 暗示不成应生热; I L T (d U 0 /d T )暗示可应生热; I L 为电流; R i 为电池内部总内阻; U o 暗示电池开电压。

本文进行了如图1所示的外部短尝试,该平台用于开展动力电池外部短尝试并研究电池外部短行为特征。正在前期工做中,我们曾经成立了一种电池组外部短尝试平台并已对其进行细致阐述。

推广电动汽车是削减全球对化石燃料依赖和减轻污染的一项主要行动。可充电锂离子动力电池被认为是电动汽车目前可行的能量来历。跟着电动汽车的普遍使用,由锂离子动力电池惹起的电动汽车平安变乱逐步增加,此中,锂离子动力电池外部短是电动汽车常见且严沉的电气毛病之一,这些变乱对电动汽车和动力电池制制厂商的声誉形成必然影响,也损害了接管电动汽车的决心,亟需冲破这一瓶颈,提高电动汽车电池机能。

本文沉点关心动力电池单体外部短尝试,该平台次要包罗以下几部门:①气动电池外部短尝试节制从机;②为节制从机供给气源的空气压缩机;③防爆凹凸温试验箱;④电流、电压和温度传感器;⑤高精度数据采集仪。

从图4(b)能够看到,不成应生热弘远于可应生热。因而,公式(2)中的 能够被忽略。随后,将简化后的公式(2)代入公式(1)中可获得

明显,ELMT模子比拟MLT模子的锻炼所用时间更少。如前所述,ELMT模子具有更高计较效率的缘由正在于大部门参数正在锻炼前随机生成,无需正在锻炼过程中迭代调整。比拟之下,MLT模子参数是通过利用遗传算法不竭迭代求得的。

正在 L 个子模子有3 × L 个参数有待确定。按照极限进修机的道理,上述参数能够正在必然范畴内随机生成且锻炼过程中无需迭代调整,如许能够极大降低模子参数化的计较复杂度。上述参数范畴能够按照先验学问获得,例如, h 正在强制对流换热前提下的取值范畴为10~200 W· m –2 ·K –1 。因而,参数取值范畴如表2所示,通过设定较宽的参数取值范畴以涵盖各类电池外部短前提并取得最优解。

■ 声明|部门素材源自收集,如涉侵权,请联系我们处置。任何问题,请取从编沟通,微信:Mr_youliao.前往搜狐,查看更多

步调4:确定现含层取输出层之间的毗连权值。权值矩阵β能够通过求解以下方程组的最小二乘解获得,此中Y* 为丈量数据矩阵。

正在典范极限进修机中,激活函数凡是是高度非线性且持续可微的,包罗S型函数、双曲正切函数和高斯函数等。但通过学者多年的深切研究,曾经证明激活函数能够是肆意非线性函数,以至能够是不持续或不成微的形式。

②成立基于极限进修机的生热模子(简称ELMT模子)来预测电池发生外部短后的温度行为。取典范极限进修机比拟,ELMT模子中激活函数被集总参数热模子代替,从而更切确地描绘电池温度变化;

总体来说,不成应生热包罗以下两个部门:①电流流经集流体和固态电解质界面(SEI)膜所发生的焦耳热;②由过电势带来的极化反映产热。可应生热次要由电池电化学反映发生,是由锂离子正在电池内部的正、负极材猜中的嵌入或脱嵌过程所惹起的。

③具有较高初始SOC值的电池正在所有温度下的温升速度相对较大。此外,我们前期的研究工做也总结阐发了其他外部短相关测试成果。

表6显示了两种模子正在分歧SOC值和温度下的温度预测值取丈量值之间RMSE成果的比力。表7显示了正在分歧温度以及所有前提下温度预测的RMSE平均成果比力。如表7所示,ELMT模子所有前提下的 RMSE平均值仅为3.97 ℃,而MLT模子所有前提下的 RMSE平均值为6.11 ℃。能够发觉,ELMT模子比拟 MLT模子具有更高的温度预测精度。

Huang等初次提出了典范极限进修机,极限进修机降服了单现含层前馈神经收集的部门错误谬误,即锻炼速度慢、容易陷入局部极小值以及对进修速度等。典范极限进修机的布局如图5所示。因为毗连输入层取现含层之间的权值以及现含层中的阈值可随机生成,锻炼过程中无需迭代调整,只需按照锻炼数据确定现含层取输出层之间的毗连权值,因而该方式计较效率较高。

图9显示了两种模子正在40 ℃和20 ℃以及正在三种分歧初始SOC值前提下的电池温度预测成果。图10显示了正在10 ℃和–10 ℃以及不异SOC值前提下的电池温度预测成果。正在图9和图10子图中,插图(i)暗示ELMT模子的外部短温度预测误差成果;插图(ii)暗示MLT 模子的外部短温度预测误差成果。

中国工程院院刊《Engineering》2021年第3期刊发理工大学熊瑞传授科研团队的《基于极限进修机的电动汽车锂离子动力电池外部短热模子研究》一文。文章提出了一种新型电池热模子以精确描绘动力电池外部短发生后的温度行为。文章的次要内容有:正在分歧电池荷电形态和温度下,设想并系统开展了动力电池外部短尝试;为模子参数的物理意义和模子的精准性,操纵集总参数热模子替代典范极限进修机中的激活函数,建立了基于极限进修机的电池热(ELMT)模子,实现了模子无需迭代调理参数和模子参数就能够具备物理属性的双沉劣势,极大提高了模子计较效率取精确度;为评估模子改良的需要性,比力了极限进修机热模子取遗传算法参数化的多集总参数热(MLT)模子。成果表白,ELMT模子比拟MLT模子具有更优异的计较效率以及拟合、预测精度。

动力电池正在前提下会发生大量热量,浩繁学者研究了动力电池过程中的放热反映机理和生热特征。Ren等开辟了一种电化学-热耦合模子,以量化动力电池从过充电到热失控过程中的生热速度。Zhao 等操纵多标准电化学-热耦合模子,阐发了动力电池针刺过程中的生热行为和电化学反映过程之间的强耦合关系。Chen等提出了一种多条理三维热模子以描述动力电池发生内部短后电池表里部温度分布。Zhu 等通过开展动力电池过充电尝试研究了过充电触发烧失控的过程,发觉电池副反映正在发生热失控之前对于温度上升起从导感化。正在上述研究中,通过成立复杂的电化学-热耦合模子来描述电池正在前提下的热行为。然而,这些模子计较量较大,不克不及满脚电动汽车现实使用入彀算效率高的需求。

将来的研究工做包罗:①研究外部短过程中电池阶段性毁伤特征;②提高ELMT模子的泛化能力以更好地预测电池内部温度。

现含层取输出层之间的毗连权值 β j 能够通过拟合实测温度取模子输出之间的最小二乘解确定。正在本文中,考虑计较复杂度取模子精度,集总参数子模子数量能够设置为20,即 L = 20。

综上所述,ELMT模子和MLT模子有20个可调参数,两模子之间的次要区别正在于参数的获取方式:ELMT模子参数是通过单次最小二乘求解获得的,无需迭代调整;MLT模子的所有参数是通过不竭迭代优化获得的。

(2)因为ELMT模子是一种神经收集模子,因而取简单集总参数热模子比拟,通过拟合锻炼数据能够获得更高的模子精度;

然而,以上研究缺乏无效的热模子来描述外部短毛病前提下动力电池的温升行为,因而有需要开辟一种抱负的模子以实现预测精度和计较成本之间的均衡。正在电动汽车的现实使用中,因为电池系统空间和制形成本的,并非所有动力电池单体都配备温度传感器,因而电池温度应尽可能仅利用电流或电压消息来进行估算。这激励我们开辟了一种新鲜的电池热模子,以高精度和低计较量来预测外部短前提下的电池温度,从而完美动力电池外部短范畴的研究。

图3 分歧温度和初始SOC值下动力电池电流和温度成果(第二组)。(a)20 ℃和40 ℃下的电流;(b)20 ℃和40 ℃下的温度;(c)–10 ℃和10 ℃的电流;(d)–10 ℃和10 ℃的温度

③正在模子拟合和预测精度以及计较成本方面,利用外部短尝试数据对提出的ELMT模子进行验证。为了证明ELMT模子的无效性,比力了ELMT模子取通过遗传算法(GA)优化的MLT模子的机能。

(3)取典范极限进修机比拟,ELMT模子采用集总参数热模子来取代激活函数,因而更具有现实物理意义,同时能够基于先验学问确定模子参数中w和b的取值范畴;

(4)将热模子和典范极限进修机连系的方式扩展使用到其他难以确定参数的电池模子中,如电化学模子,通过设置合理的参数取值范畴,能够使模子精度较高。

步调2:随机生成输入层取现含层之间的毗连权值w 以及现含层中的阈值b。权值矩阵w和阈值向量b能够暗示为

为了证明ELMT模子的劣势,将MLT模子做为对照模子。MLT模子的布局取图6所示的ELMT模子不异,然而 R i 、 h 、 C p 和 β j 需要进行迭代调整以迫近尝试数据。为公允比力,MLT模子由5个集总参数热模子构成,因而MLT模子有20个可调参数,这取ELMT模子中的可调参数(毗连现含层取输出层之间的20个权沉 β j )不异。

正在本文中,连系具备现实物理意义的集总参数热模子取典范极限进修机,提出一种基于极限进修机的生热模子,即ELMT模子,来描述动力电池正在外部短前提下的温度行为。具体来说,将典范极限进修机中的激活函数替代为3.1节中引见的集总参数热模子。ELMT 模子的布局如图6所示,此中利用 L 个集总参数子模子。将电流 I k 做为模子输入,温度 T k +1 做为模子输出( k = 1, 2, …, N –1), N –1暗示温度输出数据的总量。 L 个集总参数子模子能够被视为极限进修机中的激活函数。

式中, h 为对流换热系数; T amb 为温度; T 为电池温度; C p 、 V 、 A 、 ρ 和 t 别离暗示电池比热容、体积、概况积、密度和时间; q 为电池生热量,按照文献[22,23],能够由下式计较:

正在数据采集仪器并记实尝试数据后,接触器(图1)由外部短从机节制闭合,接触器闭合后动力电池的正极和负极正在电池外部间接毗连,从而模仿电动汽车正在现实使用中的外部短毛病。同时,电池电流、电压和温度消息由响应的传感器丈量并存储至数据采集仪。当电流和电压降低到0 A和0 V时暗示电池已损坏,此时手动接触器,尝试竣事。

第2节将引见动力电池外部短尝试平台和阐发尝试成果。第3节将提出并细致申明ELMT模子。正在第4节中,利用分歧初始SOC值和温度下的外部短数据验证所提出的模子。第5节为本文结论。