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

本发明专利技术公开了一种基于深度算子学习的锂电池模组温度场重建方法，涉及锂电池技术

【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温度分布情况，从而更好地了解电池的工作状态和健康状况
。2、
有助于实现精确的热管理策略
。
通过了解电池模组内部的温度分布，可以针对性地设计和优化热管理系统，包括散热装置和温度控制策略
。3、
可以及时检测异常温度分布并采取相应的安全措施，如降低充放电速率或启动温度保护机制，以保障电池和系统的安全运行
。
[0004]在处理温度场重建的挑战时，插值方法可以用于填充数据点之间的缺失值，但在高维非线性系统中，由于数据点之间的非线性关系较为复杂，简单的插值方法可能无法准确地反映温度场的变化趋势
。
一些研究基于有限元方法进行温度场重建，如中国专利技术专利申请
《
一种利用热电偶测量校正的气体温度场重建方法
》(
申请号：
CN202210718900.4)
先建立系统的物理模型及对应的网格，再设定对应的边界条件；根据实际测量的温度数据或其他可用的信息，使用优化算法对模拟结果进行参数调整和优化，最终重建温度场
。
该方法虽然可以得到较为精准的温度场结果，但求解时间长，计算复杂不适合用于锂电池实时系统
。
[0005]近年来随着人工智能技术的发展，机器学习开始应用于温度场重建任务
。
中国专利技术专利申请
《
基于机器学习的航天器舱内温度场重建任务研究基准方法
》(
申请号：
CN202211143594.2)
利用训练数据，通过插值方法，训练传统机器学习模型或神经网络，训练多层感知机，或者训练图卷积神经网络模型；根据映射关系或者训练后的模型进行温度场重建
。
然而，以上方法需要对于温度场区域离散化，且只能预测离散化点的温度值，且基于深度学习的方法均是基于黑盒模型，缺乏可解释性
。
[0006]因此，本领域的技术人员致力于开发一种新的锂电池模组温度场重建方法，解决现有技术中存在的上述问题
。

技术实现思路

[0007]有鉴于现有技术的上述缺陷，本专利技术所要解决的技术问题是如何构建一种实时
、
快速
、
无网格化
、
可解释性强和泛化性强的高精度锂电池模组温度场重建方法
。
[0008]为实现上述目的，本专利技术提供了一种基于深度算子学习的锂电池模组温度场重建方法
。
与常见的多层感知机和深度卷积神经网络相比，该方法在网络结构上引入了独特的归纳偏差，从而在常微分方程和偏微分方程问题中具有更高的预测精度
。
本专利技术所提供的技术方案是基于深度算子学习方法中的深度算子神经网络
(Deep Operator Networks
，
DeepONet)
框架，开发了一种适用于锂电池模组温度场重建问题的方法
。
该方法的总体框架图如图1所示，输入分为两个部分：第一个为坐标点输入
d
，通常可以为一个低维向量，第二个为稀疏的温度传感器采样值，表示为
u。
输出为对应坐标点
d
的温度值该方法基于
DeepONet
框架，分别用了两个深度神经网络来处理
d
和
u
，记为主干神经网络和分支神经网络，不同的是，为了更加适应温度场重建问题，分支神经网络的网络结构变为视觉自注意力模型
(Vision Transformer)
的编码器，采用多头自注意力机制，能够有效地捕捉深层次特征
。
主干神经网络模块通过接收低维输入
d
，输出对应的偏置函数，分支神经网络模块接收高维输入
u
，并输出对应的空间相关系数，最后将偏置函数与空间相关系数点积得到输出在反向传播阶段，为了模型的可解释性，即让模型的输出符合物理定律，损失函数包括两个部分：
1)
模型输出与数据测量的偏差；
2)
模型输出与物理规律的偏差
。
[0009]具体地，本专利技术提供的一种基于深度算子学习的锂电池模组温度场重建方法，包括以下步骤：
[0010]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；
[0011]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<本文档来自技高网...

【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：