[发明专利]一种电池热过程时空建模预测方法、系统、设备及介质

说明书

本发明公开了一种电池热过程时空建模预测方法、系统、设备及介质，本方法根据电化学原理和能量守恒定律，构建时空域控制方程，并定义时空域控制方程的物理边界、初始条件以及产热量估计函数；基于全连接网络层，构建具有物理信息的网络预测模型；根据时空域控制方程、物理边界、初始条件以及产热量估计函数，构建网络预测模型的损失函数；初始化网络预测模型的参数，并采用梯度下降算法对网络预测模型的参数进行迭代更新，直到达到预设的最大迭代次数或损失函数稳定收敛，完成网络预测模型的训练；通过训练完成的网络预测模型预测电池热过程的温度。本发明能够提高电池热过程温度预测的精确度，提高温度预测的效率。

技术领域

本发明涉及锂电池热过程研究技术领域，尤其是涉及一种电池热过程时空建模预测方法、系统、设备及介质。

背景技术

锂离子电池能量密度高、功率密度高、循环寿命长并且对环境相对友好，因此已经被广泛应用于手机、电脑、汽车及智慧电网等场景。为了更好地掌握电池的特性并以此制定合理的使用策略，锂离子电池建模成为了一个重要的研究方向，而锂离子电池的热过程建模则是该研究方向最重要的课题之一。电池中的温度分布会影响固体电极与电解质界面上的化学反应与电反应，对电池的充放电过程有着很大的影响，同时也对电池的安全性能和循环寿命有着决定作用，因此电池热过程的建模研究是十分有意义的。

现有的电池热过程建模技术主要分为如下两类：

第一类技术是基于有限差分原理的传统建模方法，首先利用相关的偏微分方程建立起第一原理模型，之后采用传统的数值计算方法如有限元方法、有限差分方法进行求解。这种方法的缺点是它高度依赖于完整准确的第一原理，需要描述热过程的相关偏微分方程完全已知并且边界条件均匀。然而实际工程问题中往往方程的部分参数是未知的，其边界也是不规则的，复杂的。同时使用传统的数值计算方法对偏微分方程进行求解也会消耗大量的计算资源与计算时间。

第二类技术是数据驱动的机器学习建模方法，这种方法将电池的热过程视为一个黑箱模型，只关心模型输入与输出之间的关系，模型的训练通过使用实际测试得到的输入输出数据进行网络参数更新完成。这种方法虽然不再需要完备的方程信息与大量的计算，但其准确度依赖于采样数据的精确度与规模，而获取足够多的高精度测试数据的代价也是十分巨大的。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种电池热过程时空建模预测方法、系统、设备及介质，能够提高电池热过程温度预测的精确度，提高温度预测的效率。

第一方面，本发明实施例提供了一种电池热过程时空建模预测方法，所述电池热过程时空建模预测方法包括：

根据电化学原理和能量守恒定律，构建时空域控制方程，并定义所述时空域控制方程的物理边界、初始条件以及产热量估计函数；

基于全连接网络层，构建具有物理信息的网络预测模型；

根据所述时空域控制方程、所述物理边界、所述初始条件以及所述产热量估计函数，构建所述网络预测模型的损失函数；

初始化所述网络预测模型的参数，并采用梯度下降算法对所述网络预测模型的参数进行迭代更新，直到达到预设的最大迭代次数或所述损失函数稳定收敛，完成所述网络预测模型的训练；

通过训练完成的所述网络预测模型预测所述电池热过程的温度。

与现有技术相比，本发明第一方面具有以下有益效果：