【技术实现步骤摘要】
一种基于深度算子学习的锂电池模组温度场重建方法
[0001]本专利技术涉及锂电池技术
、
温度场重建技术与电池管理系统
(BMS)
,尤其涉及一种基于深度算子学习的锂电池模组温度场重建方法
。
技术介绍
[0002]温度是锂电池运行中的一个重要参数,对在锂电池的性能
、
寿命和安全方面起着关键作用
。
在不同温度下,锂电池的电荷传输速率
、
电极反应速率
、
离子扩散速率等都会发生变化
。
过低或过高的温度会导致锂电池性能下降,影响其输出功率和能量密度
。
此外,高温会引起电池内部副反应的加速,导致正极材料的失活
、
负极材料的腐蚀和电解液的降解,从而缩短锂电池的寿命
。
相反,低温会导致电池内部离子扩散速率降低,使电池的充放电效率降低,同样影响电池的寿命
。
因此,在锂电池系统的设计和管理中,对温度的监测和控制必不可少
。
[0003]而在电池管理系统中,往往无法为每一个电芯装载温度传感器,且往往只能装在指定位置
。
在此场景下,就需要温度场重建技术通过收集和分析温度数据,将分散的温度信息整合成一个完整的温度场,从而得到锂电池模组内部不同位置的温度分布图
。
综上所述,通过较少的温度传感器重建锂电池模组温度场具有以下意义:
1、
可以实时监测电池模组内部各个位置的 ...
【技术保护点】
【技术特征摘要】
1.
一种基于深度算子学习的锂电池模组温度场重建方法,其特征在于,所述方法包括以下步骤:步骤
1、
预处理坐标数据
d
,
d
=
[x
,
y
,
z
,
U
t
,
I
,
SOC
,
T
amb
]
τ
,其中,
x
,
y
,
z
为物理系统所在坐标系的坐标,
U
t
为电池端电压,
I
为电池电流,
SOC
为电池荷电状态,
T
amb
为周围环境冷却温度;步骤
2、
将预处理后的所述坐标数据
d
输入主干神经网络,得到输出的偏置函数
Q
,
Q
=
[q1,
q2,
...
,
q
k
]
τ
∈R
k
,其中,
q
i
,
i∈(1
,2,
…
,
k)
是定义量,
k
为所述偏置函数
Q
的维度;所述主干神经网络的结构为多层感知机;步骤
3、
将整个温度场重建空间离散化为
n
个网格,在所述
n
个网格中随机选择
m
个采样点布置温度传感器进行采样,获得采样数据
u
,并将所述采样数据
u
预处理为1通道的图像数据,其中,所述1通道的图像数据的通道值为温度值,
m
个采样点处为采集的温度值,其余为0;步骤
4、
将预处理后的所述采样数据
u
输入分支神经网络,得到输出的空间相关系数
B
,
B
=
[B1,
B2,
...
,
B
n
]
τ
∈R
n
×
k
,
B
i
=
[b1,
b2,
...
,
b
k
]
τ
∈R
k
,其中,
B
i
,
i∈(1
,2,
…
,
n)
是定义量,
b
i
,
i∈(1
,2,
…
,
k)
也是定义量;所述分支神经网络的网络结构是
Vision Transformer
编码器;步骤
5、
将所述空间相关系数
B
中的每一个
B
i
和所述偏置函数
Q
进行聚合,得到隐向量
H
,
H
=
[H1,
H2,
...
,
H
n
]
τ
∈R
n
,其中,
H
i
,
i∈(1
,2,
…
,
n)
是定义量;步骤
6、
通过线性变换层将所述隐向量
H
投影回输出空间,得到所述坐标数据
d
处的预测点温度值步骤
7、
构建损失函数模块,所述损失函数模块包括数据预测偏差损失
L
data
和物理定律偏差损失
L
p ysics
;通过将所述数据预测偏差损失
L
data
和所述物理定律偏差损失
L
p ysics
分配一定的权重
w1和
w2计算得到总损失
L
total
,并将所述
L
total
用作反向传播,优化所述主干神经网络和所述分支神经网络的参数
。2.
如权利要求1所述的基于深度算子学习的锂电池模组温度场重建方法,其特征在于,所述步骤2中的所述主干神经网络输出的所述偏置函数
Q
的计算公式如下:
Q
=
σ
...
【专利技术属性】
技术研发人员:王禹晨,琚长江,杨根科,李文轩,江张胜,方胤,
申请(专利权)人:上海交通大学宁波人工智能研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。