面向锂电池组多场耦合的动态时空建模方法与机理研究

A simple, accurate and rapid on-line prediction should be established for the uneven temperature distribution among Lithium battery packs of electric vehicles. This prediction is critical for battery management systems (BMS) which can assure driving safety. The traditional BMS usually uses the equivalent circuit model (ECM) to monitor the average temperature. Though the emerging electro-thermal multi-field coupling model can predict the uneven electro-thermal distribution, it is highly nonlinear and computing inefficient, thus cannot be embedded in the BMS. In this project, the following solutions are proposed to address the above issues. Firstly, the Karhunen-Loève (KL) decomposition is applied for the spatio-temporal separation of the model, which not only preserves the accuracy but also reduces the complexity of the model. Then the deep learning based offline training method is applied to establish the mapping relationship between temperature spatio-temporal data and low dimensional temporal model. A spatio-temporal synthesis is conducted to form a steady-state analytical model. Further in the working environment, a sliding window is designed to intercept real-time spatio-temporal data, which can enhance the dynamic response performance of the steady-state model. The deep learning updates the parameters online, and finally can give a prediction of the internal potential and temperature distribution of the lithium battery. The deep learning-based dynamic spatio-temporal modeling method in this project can preserve the accuracy of multi-field coupled model, greatly improve the dynamic response and save computing time. This study will provide theoretical basis and algorithm support for the thermal management of lithium battery packs in electric vehicles.

对电动汽车锂电池组进行简便、准确、迅速的电热分布在线预测可以为电池管理系统(BMS)提供关键决策依据，保障行车安全。传统BMS采用等效电路模型只能监控平均温度，新兴的电-热多场耦合模型虽可以预测不均衡电压-温度分布，但因存在高度非线性，无法实现在线预测。本课题针对多场耦合模型的特点，提出了基于深度学习的动态时空建模方法。首先在实验环境下采用Karhunen-Loève (K-L)方法进行时空分离，既保留精度又降低模型复杂度，再利用深度学习离线训练方法建立电热时空数据与低维时间模型的映射关系，建立稳态模型；进一步在工况环境下，通过滑窗截取最新数据，使稳态模型具备动态响应性能，并结合深度学习在线更新，预测锂电池组内部电热分布。本项目提出的基于深度学习的动态时空建模方法，能够保留多场耦合模型的精度，大幅提升模型的动态响应性能与计算时效。本项研究将为电动汽车BMS提供理论依据和算法支持。

发展新能源汽车是我国早日实现双碳目标和汽车产业技术弯道超车的重要战略举措。然而锂电池不均衡的电压-温度分布且难以快速准确估计使其推广面临巨大挑战。本项目针对锂电池内部复杂且高度非线性的电热行为，提出了建立多尺度多物理场电热耦合物理模型的方法。在理论研究方面针对多场耦合的非线性动态物理模型计算复杂问题，设计了基于时空分离的模型简化方法，既保留模型的准确度，又能大幅提高计算速度；针对大尺寸锂电池热过程的二维分布式参数系统，利用时空模型实现了对大尺寸锂电池二维分布式热过程的故障检测。在时空模型的基础上，通过深度学习进行离线训练与在线更新，提升预测准确性；针对锂电池在复杂电热行为影响下的性能退化，对锂离子电池老化过程的整体退化和局部退化进行区别建模，能够捕获降解和再生现象；针对电池老化过程中的容量重生和自放电所导致容量老化轨迹波动及非线性问题，提出一种基于序列分解和深度学习集成的动力电池RUL预测方法；针对电池制造差异、快充、大电流放电等条件，导致电池单体老化历程的显著差异，提出一种基于LSTM网络的迁移学习模型，用于快速充电下的自适应在线容量预测，并提出了一种在10分钟内充电到80% SOC的新电压特征提取方法。在智能辨识算法方面，研究了针对约束进化优化提出了自适应的模糊惩罚智能算法，可以进一步用于简化模型的优化。在应用方面，针对行业常见的两电极电池和三电极电池无法精确获得单一电极电化学信息问题，提出了四电极锂硫电池的制备及电极电化学特性监测方法。研究所提出的基于深度学习的动态时空建模方法也能应用于各类工业过程建模与实时预测。在项目研究期间，课题组共发表论文7篇，其中SCI收录5篇，EI收录2篇，出版英文专著1部，申请专利7项，其中已授权5项。在人才培养方面，指导研究生5名，其中1名已毕业，指导本科生7名。项目合同书的要求全部完成。