基于多物理场建模与人工神经网络的动力电池温度预测

《Journal of Energy Storage》：Temperature prediction of lithium-ion batteries based on multiphysics modeling and artificial neural networks

　　

摘要

本研究通过结合多物理场建模与人工神经网络方法，提出了一种高效的锂离子电池实时温度预测模型，旨在解决其热安全问题。首先利用COMSOL Multiphysics平台构建电化学-热耦合模型，其中采用集总电池模型模拟电化学-热行为，同时运用二维轴对称热模型来确定锂离子电池的温度。随后在多种环境温度、充电速率及传热系数条件下，对21700型圆柱形锂离子电池的充电过程进行仿真，得到了包含21,444组数据的时间序列数据集。基于该数据集，分别训练并验证了四种不同的人工神经网络模型，即反向传播神经网络、一维卷积神经网络、长短期记忆网络以及CNN-LSTM混合模型。此外还探讨了这些模型超参数的优化策略。最终比较了各模型的预测性能，结果表明所有模型都能以毫秒级的时间精度有效预测电池实时温度。由于CNN-LSTM混合模型能够同时捕捉局部特征与长期时间依赖性，因此具有最佳的预测性能，既具备高精度又拥有较强的泛化能力。这些研究结果为锂离子电池热管理系统的实时温度监测与预测提供了有效的解决方案。

引言

随着电动汽车和储能技术的快速发展，人们对大容量、快速充电且安全性高的电池需求日益增加。锂离子电池因其高能量密度、低自放电率、长循环寿命以及轻量化设计等优点，被广泛用于储能系统[1]。然而，其性能所带来的热安全问题已成为制约锂离子电池发展的主要瓶颈[2]。众所周知，电池的容量、使用寿命及热安全性在很大程度上取决于温度分布。一旦电池材料处于异常温度环境下，锂离子电池的性能与稳定性可能会严重下降，甚至引发严重的安全事故[3]。因此，准确预测各种条件下的电池实时温度对于及时控制温度波动、监测并防止热失控，以及设计高效的锂离子电池热管理系统具有重要意义[4][5]。

锂离子电池的温度测量通常包括实验方法和建模方法两种途径。实验方法一般通过各类传感器来获取电池内部和/或表面的温度分布情况[6]。例如，Du及其同事[7]开发了一种原位测量装置，成功可视化了圆柱形电池的二维内部温度分布，发现3C放电速率下最大温度偏差为4.73℃。类似地，还有研究人员将分布式光纤传感器植入电池中，测得电池内部与表面之间的最大温度差可达9.7℃[8][9]。Novais等人[10]则在锂离子软包电池中集成光纤布拉格光栅传感器，用来测量电池的内部和外部温度变化，发现当充电速率为8C时，电池温度可上升4.7±0.1℃。不过，实验方法存在成本高、安全隐患多以及操作复杂等局限性，难以被广泛应用于锂离子电池的实时温度预测中。

除了实验测量外，数值模拟也被认为是研究锂电池性能的一种高效有力手段，因为它具有操作简单安全、效率更高且成本较低等优点[11]。尤其是多物理场模型，常被用于研究锂离子电池所具有的电化学-热-机械耦合特性[12]。在之前的研究中，我们曾构建电化学-机械耦合模型，用于研究锂离子电池中的锂枝晶生长现象[13][14]。针对锂离子电池的热行为，Wang及其同事[15]开发了一种适用于宽范围环境温度的电化学-热耦合模型，能够模拟-20℃时的“低温凹陷”现象。Xie等人[16]则基于等效电路构建了电热耦合模型，用于描述电池的热行为，并借此优化风冷系统，成功将电池组的最高温度降低了15.9%。同样，Goswami等人[17]也提出了电化学-热耦合模型，用于模拟不同条件下的圆柱形电池热行为。但由于对锂离子电池进行建模时需要处理复杂的多物理场耦合问题，要实现真实场景的建模往往需要较高的计算资源，这可能导致因热管理不及时而造成电池损坏，从而难以满足电池管理系统的实时监测需求[18]。

为应对这些挑战，流行的机器学习算法为利用有限的实验和/或仿真数据对锂离子电池进行建模提供了一种有效方法。这类数据驱动的机器学习方法无需详细计算电池的电化学-热特性，即可用于预测锂离子电池的各种性能，包括温度[19]、充电状态[SOC][20]、健康状态[SOH]等等[21]。例如，人工神经网络尤其擅长从电压、电流和温度等原始数据或高维特征数据中自动学习关键特征和规律。它们能够以相对简单的结构和算法，有效拟合输入与输出之间的复杂非线性关系，同时还具备出色的泛化能力。目前，已在锂离子电池相关领域开发出了多种人工神经网络模型，应用于电池建模[22]、充电状态估算[23][24]、剩余使用寿命预测[25]以及温度预测[26][27]等方面。Fang等人[28]利用BP-NN模型，在10℃至40℃的不同工作条件下对实验数据进行了训练，成功预测了锂金属氢化物电池的温度变化。Jaliliantabar等人[29]则基于2012年的实验数据点，利用多层感知器神经网络开发了实时电池温度预测模型，为基于相变原理的锂离子电池热管理系统做出了重要贡献。Goswami及其同事[11]则使用卷积神经网络提取电池运行过程中的模拟热图像，准确预测了18650型圆柱形锂离子电池热失控过程的三个发展阶段。Han等人[30]构建了长短期记忆网络模型，用于预测在不同电流负荷和传热系数条件下锂离子电池核心温度随时间的变化，平均预测精度达到了99%。Wang等人[31]则基于泡沫金属热管理系统开发了锂离子电池热模型，通过BP-NN、RBF-NN和Elman-NN三种模型分析了网络结构及建模技术对温度预测性能的影响，发现Elman-NN模型具有最佳的适应性、高效的训练速度以及出色的泛化能力。对于锂离子电池而言，准确的实时温度预测是实现高效热管理系统的关键。但由于实验方法本身存在不可避免的局限性，要实现对锂离子电池的精确温度测量仍然面临挑战。因此，构建精确的热模型对于预测不同工作条件下的温度变化具有重要意义。尽管如此，现有的热建模方法仍难以满足锂离子电池在线实时温度预测的需求[32]。将多物理场建模与机器学习技术相结合，或许是实现锂离子电池温度预测的有效途径。但目前仅有少数研究致力于探索将建模与机器学习方法结合进行温度预测的方法，尚未形成关于选择何种合适机器学习模型的统一结论。

本研究提出了一种将多物理场建模与人工神经网络相结合的混合方法，用于高效预测锂离子电池的实时温度，重点关注具有强非线性特征的充电过程以及热安全问题。首先，借助COMSOL Multiphysics软件构建了电化学-热耦合模型，用于模拟21700型圆柱形锂离子电池在各种工作条件下的充电过程温度变化，最终获得了包含21,444组数据的数据集。该数据集被用于训练四种不同的人工神经网络模型，同时对这些模型的优化策略及综合性能进行了分析和研究。

章节要点

多物理场建模方法

由于集总电池模型具有计算成本低、计算速度快以及参数识别便捷等优点，已被广泛应用于电池管理系统的实时控制中[33]。先前的研究表明，该模型能够在忽略内部细节的情况下，充分捕捉电池的整体化学行为，因为较小的温度波动对锂离子电池中的电化学反应影响甚微[34]。在本研究中，采用了集总

人工神经网络模型

人工神经网络是一种受生物启发的计算模型，其结构由多层大量的人工神经元组成，这些神经元通过权重相互连接。通过数据驱动的训练过程，可以优化网络参数，从而实现对复杂非线性系统的建模。为了满足在各种工作条件下快速、准确且低耗地预测锂离子电池实时温度的需求

COMSOL Multiphysics下的热仿真结果

通过应用所构建的电化学-热耦合模型，针对不同条件下的锂离子电池进行了多组仿真分析。在电池表面设置了具有不同传热系数的热通量边界条件，以此模拟强制空气对流冷却效果。电池的初始温度设定为环境温度，初始充电状态则为0%。图4展示了电池在经过

结论

本研究提出了一种结合多物理场建模与人工神经网络的锂离子电池实时温度预测模型。首先利用COMSOL Multiphysics建立了锂离子电池的电化学-热耦合模型，再利用多物理场建模得到的包含21,444组数据的数据集，开发了四种不同的人工神经网络模型，即反向传播神经网络、一维卷积神经网络、长短期记忆网络以及CNN-LSTM混合模型。研究了这些模型的精度及泛化性能

CRediT作者贡献说明

周文宁：论文撰写——审阅与编辑、论文撰写——初稿、研究指导、项目管理、实验研究、资金申请、概念构思。宋志成：论文撰写——初稿、模型验证、软件应用、方法设计、实验研究。方娟：论文撰写——审阅与编辑、实验研究。刘勋良：论文撰写——审阅与编辑、实验研究。颜玉英：论文撰写——审阅与编辑、实验研究。

利益冲突声明

作者声明，他们不存在任何可能影响本文研究结果的已知财务利益冲突或个人关系。

致谢

本研究得到了北京市自然科学基金的资助（项目编号：3232042）。

周文宁|宋志成|方娟|刘勋良|颜玉英

北京科技大学能源与环境工程学院，中国北京100083