基于BP神經元網絡的鋰電池溫度預測

徐 晶 ，丁 凡 ，王 翔 ，嚴 明 ，陳 建

（揚州大學，江蘇 揚州 215000）

近年來，電動汽車的迅速發展使得鋰電池的應用越來越廣，但隨之而來的鋰電池自燃事故也愈演愈烈[1-4]。這是由于鋰電池在部分工況下會產生大量的熱，如果不及時將熱量散出，會對電池模組的安全性造成一定的危害[5-6]。因此，大量學者針對鋰電池溫度預測的問題展開諸多研究。

王翔等[7]通過改變對流換熱系數對鋰電池熱力學模型進行改進，提升了鋰電池溫度仿真的精度。林名強等[8]從溫度變化曲線中提取了3個幾何特征作為健康因子，并與增量容量曲線的峰值結合作為反向傳播神經網絡的輸入來建立模型估算SOH（電池容量衰減）。王萍等[9]提出了一種基于帶遺忘因子的遞推最小二乘法-無跡卡爾曼濾波算法的鋰離子電池內核溫度估計方法，通過驗證發現該方法可以將誤差控制在1 ℃內。陳星等[10]基于Ansys對單體電池在不同環境溫度不同換熱面下的溫升情況進行了研究。

雖然上述學者對電池溫度的預測已經做了大量工作，但是預測的速度和精確度都有待提升。因此，本文提出一種基于神經網絡的鋰電池溫度預測的方法，通過大量實驗數據對神經網絡進行訓練，然后使用訓練好的人工神經網絡對鋰離子電池的溫度進行預測。

1 實驗設計

1.1 實驗設備

本次研究對象為21700型鋰離子電池，其熱力學性能試驗平臺包括1個21700型鋰離子電池、1個330-00A恒溫箱、3個RS05/11K熱電偶傳感器、3個RS485溫度采集模塊、1個RC3561電池內阻測試儀、1個PX-100可調恒流電子負載以及1個筆記本電腦，具體的性能參數如表1所示。

表1 實驗儀器性能參數表

330-00A保溫箱用于模擬不同環境溫度，RS05/11K熱電偶傳感器用于監測電池溫度，布置在鋰離子電池表面（K1、K2、K3分別對應頂部、電池柱體中部、底部位置），RS485溫度采集模塊用于采集電池溫度數據，采樣周期為0.05 s，RC3561電池內阻測試儀用于檢測電池內阻變化，PX-100可調恒流電子負載允許鋰離子電池能夠以不同放電倍率進行恒流放電，完整的測試平臺現場圖如圖1所示。

圖1 實驗平臺現場圖

1.2 實驗方法

為了保證實驗對象的一致性較好，首先要對電池進行初選，盡可能地選擇出電阻一致的電池進行實驗，本文準備了A型和B型電池各50個，對這些電池進行內阻測試，內阻測試原理圖如圖2所示。

圖2 內阻測試原理圖

對電池內阻測試完成后，再對電池進行容量測試，從各型電池中分別選擇5個容量和電阻均較一致的電池進行熱力學性能實驗分析，原理圖如圖3所示。

圖3 實驗原理圖

具體實驗流程如下：首先將電池分別以0.5 C恒流充電至截止電壓4.20 V，并在25 ℃恒溫環境下靜置1 h后再進行后續實驗。將電池固定在恒溫箱內電池測試架上，通過溫度采集模塊對電池表面三個溫度測試點進行監測。當三個測試點溫度均與目標溫度的誤差在1 ℃內時，分別在0.5 C～2 C 放電倍率，20℃～40 ℃恒溫環境下對電池進行恒流放電。為了便于數據的分析處理，本文選用三個測試點的平均值作為測試結果。

2 BP神經網絡模型

人工神經網絡在學術界內又通常被簡稱為神經網絡，它的基礎原理主要來源于生物工程學。它是在理解并抽象了人類大腦結構與外界刺激響應的機制后，使用網絡拓撲知識作為理論基礎，模擬人類大腦神經系統對數據處理活動的一種數學模型。人工神經網絡神經元的種類被劃分為如圖4所示的輸入層神經元、隱含層神經元、輸出層神經元三類。實際研究過程中，經常被研究學者們所使用的是BP神經網絡。

圖4 人工神經網絡模型

本文選用電池熱力學溫度實驗中的SOC、放電電流、環境溫度作為輸入參數，將電池表面溫度作為網絡的輸出層，隱含層節點數量的計算公式：

式中，a為在［1，10］區間的數值，且根據公式計算可算出隱含層節點數量大于等于3，小于等于12。經過多次仿真實驗得到，網絡仿真效果達到最高時，隱含層節點數m=6，具體設置的參數如圖5所示。

圖5 BP神經網絡示意圖

本文使用75%的實驗數據對神經網絡模型進行訓練，25%的實驗數據作為驗證。使其誤差達到允許范圍。在0.5 C～2 C 放電倍率，20 ℃～40 ℃恒溫環境下一共設計20組實驗，所設計的實驗工況如表2 所示。本文中環境溫度、電壓、電流作為網絡的輸入，其中神經網絡的迭代步數為2 000。

表2 設計實驗工況

3 結果與討論

通過實驗，圖6為1 C放電倍率下，不同環境溫度的電池表面的溫升曲線；同一放電倍率下，環境溫度越高，電池表面的溫升值也就越大。從總體上看，電池表面溫度的上升速率呈現先上升后下降再上升的趨勢。這是因為放電初始由于電池內阻的存在，生熱率迅速上升，中期由于放電穩定，因此溫升速率增幅降低。后期內阻受到溫度的影響，生熱率又逐漸提升。

圖6 同放電倍率下不同環境溫度的溫升曲線

圖7為20 ℃恒溫環境下，不同放電倍率下的電池表面的溫升曲線。根據電池溫升數據，同一環境溫度下單體電池的放電電流越大，電池表面的溫升現象越明顯；電流越小，電池表面的溫升速率越慢，并且不會出現溫度急劇上升的現象。電池的生熱量與放電過程中電流的平方成正比，因此電池在放電過程中放電電流越大，電池的生熱量就越大。所以電池在相同的放電時間內電流越大，電池表面的溫升越快。

圖7 同環境溫度不同放電倍率下的溫升曲線

綜上，在存在系統測試誤差的條件下，允許部分數據具有誤差波動，并且將該波動數據結果用作數據參考。在恒溫可變電流條件下，電池表面最高溫度超過30 ℃；電流每增加0.5 C，放電結束時的最高溫度升高超過2.9 ℃，最高升高12.1 ℃。在恒定電流和可變溫度條件下，環境溫度越高，電池表面最高平均溫度呈上升趨勢，最高升高9.3 °C。

使用所建立的BP神經網絡對這 20 組試驗進行預測，其模型訓練結果如圖 8 所示，其模型的訓練時間為4分21秒，均方根誤差為0.026 2。從模型訓練結果圖中可以看出0.5 C～2 C 放電倍率，20 ℃～40℃恒溫環境下，預測所得結果與實驗所得結果幾乎吻合，最大誤差均小于5%。

圖8 模型訓練結果

為了進一步驗證，將20 ℃～40 ℃恒溫環境下以0.75 C放電倍率放電的溫度進行預測，并與實驗所得結果進行對比，結果如圖9所示，實測溫度與預測溫度平均誤差小于5%。說明所建立的 BP 神經網絡能夠有效地對不同環境溫度、放電倍率因素下的鋰離子電池的實時溫度進行良好預測。

圖9 模型驗證結果對比

4 結語

本文利用通過改變SOC、環境溫度、放電倍率這三個關鍵因素所獲得的鋰離子電池實時溫度數據對所搭建的 BP 神經網絡進行反復訓練， 最后準確預測了鋰離子電池實時溫度，預測所得結果與實驗所得結果誤差小于5%。