《Results in Engineering》：Artificial Neural Network Surrogate Modeling and Evolutionary Optimization for Multi-Objective Control of Electric Vehicle Battery Thermal Management Systems
编辑推荐：
电动汽车锂离子电池技术的快速扩张对电池热管理系统（BTMS）提出了前所未有的要求。锂离子电池的安全和最佳性能高度依赖于温度；将峰值电池温度（????????）保持在约45°C以下可避免固态电解质界面膜（SEI）的加速生长和容量衰减，而高于
电动汽车锂离子电池技术的快速扩张对电池热管理系统（BTMS）提出了前所未有的要求。锂离子电池的安全和最佳性能高度依赖于温度；将峰值电池温度（????????）保持在约45°C以下可避免固态电解质界面膜（SEI）的加速生长和容量衰减，而高于60–80°C的温度则有引发放热和自持分解反应的风险，这种现象称为热失控，并可能在整个模组中级联传播，造成灾难性后果。除绝对温度外，沿电池组的空间不均匀性Δ??直接决定电芯间容量失衡和最热电芯的加速老化，使得Δ??与????????一样成为重要的控制变量。在下一代电动汽车平台所需的超快充电速率（≥3C）下，热控制问题变得更加复杂。高保真计算流体动力学（CFD）模拟是评估BTMS热性能的黄金标准，但一次真实电芯模组的CFD运行通常需要1至8小时的计算时间，比BMS实时部署允许的时间（10–100毫秒）高出若干数量级。因此，数据驱动的代理模型——基于高保真模拟数据训练以模仿昂贵CFD求解器的输入-输出映射——应运而生，成为物理精度与计算速度之间的理想桥梁。尽管已有研究分别展示了人工神经网络（ANN）代理建模、多目标代理辅助优化以及热失控风险筛查的独立元素，但尚无研究将（i）5折交叉验证的ANN代理模型、（ii）从单一网络同时预测????????、Δ??和定量热失控风险指数，以及（iii）针对未控制基线和基于阈值的控制器进行基准测试的差分进化（DE）优化，在两种不同商用电池格式上结合起来。本研究通过一个模块化的端到端流水线解决了这三个空白：基于已建立的电化学热生成模型生成基于物理的合成数据（模块1），采用5折交叉验证严格训练和验证ANN代理模型并与线性基线比较（模块2），使用差分进化进行多目标优化并刻画Pareto前沿（模块3），生成300 DPI分辨率的出版级图形（模块4），以及全面的定量报告（模块5）。该流水线设计用于可复现性，并可直接扩展到硬件在环（HIL）验证。研究结果表明，ANN代理模型对热不均匀性Δ??实现了??2=0.9972，对峰值温度????????实现了??2=0.9068，5折交叉验证??2=0.9014±0.0029，优于线性回归基线（热失控风险指数Δ??2=+0.47）。将ANN代理模型与差分进化优化相结合，与未控制基线相比，????????降低了37.1%，Δ??降低了43.7%，热失控风险筛查指数降低了94.8%。模型对5C超快充电场景的分析准确识别了当前BTMS设计的硬件饱和边界，量化了通过硬件升级以支持安全5C运行所需弥补的性能差距，此时????????=46.45°C。
论文解读
一、研究背景与问题
高能量密度锂离子电池在电动汽车、电网储能和航空航天领域的快速普及，对电池热管理系统（BTMS）提出了严苛要求。锂离子电池的安全与性能高度依赖温度：峰值温度????????低于约45°C可抑制固态电解质界面膜（SEI）的加速生长与容量衰减，而温度超过60–80°C则可能触发放热、自持分解反应，即热失控，并沿模组级联蔓延。除绝对温度外，电池包内的空间温度不均匀性Δ??直接导致电芯间容量失衡和热区电芯加速老化，使Δ??与????????同等重要。下一代电动汽车平台所需的超快充电速率（≥3C）进一步加剧了这一热控制难题：在高C率下，不可逆焦耳热（∝??2??）和极化损耗随电流超线性增长，可在数秒内饱和传统液冷回路的散热能力。现有BTMS设计通常采用螺旋、平行或交替流道，并辅以纳米流体冷却剂和肋/沟槽几何等强化传热技术，需要实时精确调节两个耦合控制变量——冷却液流量和冷却液入口温度——以同时最小化????????和Δ??。这种耦合构成了真正的多目标控制问题，简单的阈值切换策略无法在不显著损失性能的前提下求解。
高保真计算流体动力学（CFD）模拟虽是评估BTMS热性能的黄金标准，但对具有完整冷却通道几何的真实电芯模组，单次运行通常需要1至8小时，比BMS实时控制所需的时间尺度（10–100毫秒）高出数个数量级。因此，现有BMS热控制主要依赖降阶模型（ROM），如集总热网络、经验多项式和查找表，这些方法以牺牲物理精度换取计算速度，且通常需要针对每种电芯化学体系和模组几何进行大量手动校准，对新工况泛化能力差，也难以扩展到高效多目标控制。数据驱动代理模型——基于高保真模拟数据训练以模仿CFD求解器输入-输出映射——成为平衡物理精度与计算速度的桥梁。人工神经网络（ANN），特别是多层感知机（MLP），已展现出捕获电池系统非线性耦合热电行为的能力，但文献中仍存在三个关键空白：其一，多数BTMS的ANN研究仅在单一训练-测试划分上报告精度，缺乏交叉验证，可能导致过于乐观的??2值；其二，从单一网络同时预测????????、Δ??和定量热失控风险指数的多输出代理模型缺乏严格统计验证；其三，由ANN代理模型引导的多目标进化优化（特别是差分进化）用于实时BTMS控制，并与未控制基线和阈值策略对比的研究尚不充分。
二、研究开展的工作与结论
研究人员构建了一个模块化端到端流水线，涵盖基于物理的数据生成、严格训练与验证的ANN代理模型、基于差分进化的多目标优化、出版级图形生成和定量报告。研究得出以下主要结论：ANN代理模型对Δ??预测的??2=0.9972，对????????预测的??2=0.9068，优于线性回归基线；5折交叉验证确证??2=0.9014±0.0029，说明性能并非数据划分的偶然产物。将ANN代理与差分进化耦合后，与未控制基线相比，????????降低37.1%，Δ??降低43.7%，热失控风险筛查指数降低94.8%。模型对5C超快充电场景的分析表明，在现有硬件约束下，优化器在4C时已饱和于最大泵流量（0.15 L/min）和最低入口温度（20°C），至5C时优化后的????????升至46.45°C、Δ??增至4.49°C，热失控风险指数跳升至0.085，明确指示现有冷却系统无法安全支持5C充电，必须升级泵流量上限或降低冷却液温度下限。此外，特征敏感性分析显示，C-rate是????????的首要预测因子（重要性0.1110），入口温度（0.0253）次之，流量（0.0175）第三，表明冷却液入口温度（即制冷机容量）比泵流量提供更大的热管理杠杆，为硬件选型提供了优先级依据。该研究的重要意义在于首次将5折交叉验证的多输出ANN代理模型、单一网络同时预测三项热目标以及基于差分进化的多目标优化，在两种商业电芯格式（Tesla 21700和Tesla 4680）上统一实现，并提供了低至0.125 ms的单次前向推理时间，展示了从物理模型到实时控制决策的可行通路。
三、主要关键技术方法
研究人员采用了五项核心方法：其一，基于Bernardi热生成模型（分解为不可逆焦耳热与极化热、可逆熵热两部分，并采用C-rate的1.4次幂超线性标度）与Dittus-Boelter对流冷却关联式（以有效冷却导纳形式，采用√??????????的校准指数）构建物理简化数据生成器，产生6,000个训练样本，覆盖Tesla 21700（??=1.0）和Tesla 4680（??=1.3）两种电芯格式，输入空间为C-rate∈[0.5,5.0]、流量∈[0.01,0.15] L/min、入口温度∈[20.0,35.0]°C，并注入高斯传感器噪声模拟测量不确定性。其二，采用拉丁超立方风格的均匀随机抽样（固定随机种子42）设计试验（DOE）。其三，构建三层MLP（128-64-32，tanh激活）代理模型，使用L2正则化（??=0.001）、Adam优化器（学习率0.001）、早停法（15%验证分数，耐心30次迭代），对输入和输出分别独立标准化。其四，实施5折交叉验证以评估泛化性能，每折内重新拟合StandardScaler以避免数据泄漏。其五，采用差分进化（DE）算法（300代，收敛容差10??，L-BFGS-B抛光）进行加权多目标优化，通过从（0.1,0.9）到（0.9,0.1）步长0.1的九组权重扫描刻画Pareto前沿。
四、研究结果
（一）ANN代理模型的精度与泛化性。在包含1,200个样本的独立测试集上，ANN对Δ??的预测性能卓越（??2=0.9972，RMSE=0.0966°C），对????????的预测??2=0.9068（RMSE=3.8723°C），均显著优于线性回归基线（Δ??的??2=0.9191；????????的??2=0.7525）。对热失控风险指数，ANN达到??2=0.8854，而线性基线仅0.4128，提升Δ??2=+0.4726，为所有目标中最大增幅。5折交叉验证的????????的??2=0.9014±0.0029，与单次划分的0.9068在约一个标准差内一致。在40–45°C安全关键温度带内（n=94个测试样本），局部RMSE=4.89°C、MAE=4.59°C，高于全局值，且存在?0.72°C的欠预测偏差，提示安全关键部署需在??????????=45°C以下至少预留一个局部RMSE（约4.9°C）的保守裕度。
（二）控制策略基准测试。在0.5–5.0C范围内20个等间距C-rate工作点上，ANN优化控制（权重???=0.6，???=0.4）实现平均????????=28.46°C，较未控制基线（45.23°C）降低37.1%，较阈值控制（30.61°C）进一步降低7.0%；平均Δ??=1.89°C，优于阈值控制（2.33°C）和未控制（3.35°C）；热失控风险指数从0.1690降至0.0087，降幅94.8%。阈值控制在低C率区间（0.5–1.5C）持续以最大流量运行，导致不必要的泵能耗。
（三）3C下的Pareto前沿分析。在C-rate=3.0C下，通过九组权重扫描得到的Pareto前沿跨越ΔT从1.24°C到1.68°C，????????仅从25.21°C到25.54°C（跨度0.33°C），表明在现有硬件包络内两个目标仅弱冲突，可同时实现近最优。当优先ΔT时优化器饱和于最大流量和最低入口温度；当优先????????时选择中等流量（约0.115 L/min），因为高于约0.05 L/min后????????已达到其下限值。对五个不同随机初始化种子的重训练模型，优化入口温度均收敛至20.00°C（标准差<4×10??°C），流量均值0.147±0.005 L/min（3.6%变异），预测????????标准差0.43°C（1.7%），预测ΔT标准差0.04°C（3.1%），表明优化结果对网络重新初始化不高度敏感。将DE最大代数加倍至600且容差收紧至10??后，优化流量差异仅0.002%，确认原始DE配置已完全收敛。
（四）5C超快充电场景的物理诠释。在1C至3C范围内，ANN优化控制实现????????=25.0–25.3°C且热失控风险指数接近零，1C和2C的最优流量（0.083和0.077 L/min）显著低于硬件上限，表明优化器在泵能耗与冷却效果间取得平衡。在4C时，优化器将流量驱动至硬件饱和上限0.150 L/min并维持最低入口温度20.0°C，但优化后????????=28.94°C仍远低于45°C阈值。在代表350 kW直流快充站的5C场景中，模型预测的优化????????升至46.45°C，ΔT增至4.49°C，热失控风险指数达0.085，较3C工作点跳升一个数量级。定量计算显示，5C时21700电芯（??=1.0）的热生成指数约52.4 W，4680电芯（??=1.3）约68.1 W，而硬件饱和时的最大有效冷却项仅约35.6 W/K，热量超过冷却能力约16.7–32.4，驱动温度升高超出临界阈值。该结果直接表明，安全实现5C运行不是现有硬件上的参数优化问题，而是需要对冷却系统进行根本性升级，例如将最大泵流量提升至0.15 L/min以上或将最低制冷温度降至20°C以下。
（五）特征敏感性分析。基于置换的重要性分析显示，C-rate是????????的首要预测因子（重要性=0.1110），入口温度次之（0.0253），流量第三（0.0175）。这一排序具有物理意义：在DOE采样的中等流量区间，额外流量提供的冷却收益递减，而入口温度直接改变整体冷却温度基线。该结果提示，制冷机容量（入口温度设定）比泵容量（流量）提供更高的单位能量成本热管理杠杆，与Yang等人关于并联模组中温度差导致电芯不均匀老化的研究结果一致。
五、讨论与结论总结
讨论部分集中阐述了模型的假设、局限与不确定性。代理模型和所有优化结果严格限于训练DOE采样包络内（C-rate∈[0.5,5.0]、流量∈[0.01,0.15] L/min、入口温度∈[20,35]°C），对Tesla 21700和Tesla 4680两种电芯格式有效，外推至其他化学体系或几何结构未经验证。训练数据由解析模型生成而非CFD或实验，因此报告的??2和RMSE量化的是ANN再现解析真值的能力，而非解析真值本身再现真实电池热行为的能力，任何底层物理模型系统误差都会几乎不变地传播到代理模型预测中。当前研究未包含独立CFD或实验基准，计划通过硬件在环（HIL）测试和降阶CFD交叉校验来完成。????????????指数是量纲为一的相对筛查指标，编码了温度和均匀性阈值的联合超限机制，并非热失控发生的校准概率。0.125 ms推理时间仅为MLP前向传播时间，不含传感器采集、通信和作动器响应延迟。在安全关键场景中，因优化器直接查询代理模型，预测误差会传播至控制决策，故建议采取至少一个局部RMSE（约4.9°C）的保守裕度并保留独立硬件级过温切断。
研究结论部分翻译如下：本研究提出了一个完整且可复现的端到端流水线，用于锂离子电池热管理系统基于物理的ANN代理建模与多目标进化优化。主要贡献和定量成果如下：第一，使用Bernardi热生成模型与Dittus-Boelter对流冷却关联式的准确组合，生成了包含两种商用电池格式（Tesla 21700和Tesla 4680）共6,000个样本的物理数据集，全面覆盖了整个运行包络。第二，架构为3→128→64→32的MLP代理模型对热不均匀性Δ??实现??2=0.9972，对峰值温度????????实现??2=0.9068，并在101次训练迭代内收敛；5折交叉验证结果??2=0.9014±0.0029提供了泛化能力的严格统计确认；ANN代理模型对热失控风险指数超过线性回归基线Δ??2=+0.47，为最大性能差异。第三，将ANN代理模型与差分进化优化集成，与未控制基线相比，????????????筛查指数（即模型预测的联合阈值超限）降低94.8%，????????降低37.1%，Δ??降低43.7%。第四，基于模型对5C超快充电场景的分析准确识别了当前BTMS设计的硬件饱和边界，量化了在最大泵和制冷机容量下实现安全5C运行所需通过硬件升级弥补的性能差距，达到????????=46.45°C。在产业化路径方面，短期可将训练好的MLP模型及预处理缩放器通过TensorFlow Lite Micro（用于Cortex-M级微控制器）或ONNX Runtime（用于Cortex-A级嵌入式处理器）部署，嵌入式ARM处理器上前向推理远低于1 ms；中期需通过HIL测试验证代理模型-优化器集成；长期可扩展集成电芯健康状态（SoH）作为第四输入特征，使用卷积或图神经网络扩展至模组内三维空间预测，以及利用车载热电偶测量在线更新代理模型，为下一代高能量、超快充电电动汽车电池系统实现全自主物理感知热管理提供清晰路线图。
