[发明专利]基于梯度优化多物理信息神经网络的电池热失控预测方法

说明书

本申请属于电池技术领域，提供一种基于梯度优化多物理信息神经网络的电池热失控预测方法，包括以下步骤：建立锂离子电池热失控的多参数耦合模型；构造多物理信息神经网络，所述多物理信息神经网络的输入为时间、环境温度及锂离子电池的至少两个空间分布变量，输出为锂离子电池的温度及其所含的锂离子的无量纲浓度，损失函数基于所述多参数耦合模型确定；使用训练数据对多物理信息神经网络进行训练并在训练过程中对反向传播梯度进行优化；使用经过训练的多物理信息神经网络预测锂离子电池的热失控过程。本申请基于锂离子电池热失控的多参数物理机制对神经网络预测模型的训练过程进行监督及优化，能够有效提升预测精度及稳健程度。

技术领域

本申请属于电池技术领域，涉及电池安全管理技术，具体地，提供一种基于梯度优化多物理信息神经网络的电池热失控预测方法。

背景技术

锂离子电池(Lithium-Ion Battery, LIB)由于具有高能量密度、长持续时间和快速充电速率等特点，目前在电动汽车、电动船舶等新能源交通工具所使用的电池方案中具有一定优势，在锂离子电池的使用过程中，其存在的安全问题不可忽视。锂离子电池的主要安全问题是热失控，这是指锂离子电池中的不可逆状态，其中由于初始阶段的内部短路，局部电池温度升高并导致燃烧，直到LIB组分的内部反应物种被燃烧甚至导致锂离子电池的爆炸。对锂离子电池热失控的实时预测以及各种操作条件下热失控现象的估计是一个活跃的研究领域，因为它不仅能够预测热失控，而且还提供了关于锂离子电池结构的优化设计的信息（例如，对表面与体积比进行优化设计）。

目前已有的对锂离子电池热失控过程进行预测的实施方式主要有两种：一种使用有限元法(FEM)、有限差分法(FDM)等对热失控过程进行数值模拟，上述方法物理机理清晰直观，然而需要进行大量的计算工作，无法对随机和快速变化的环境以及锂离子电池遇到的各种实际操作条件进行及时响应，因此难以应用于锂离子电池热失控的快速预测或估计；另一种将深度学习神经网络应用与对锂离子电池热失控过程的预测，然而该种方式采用以纯数据驱动为主，从已给定的神经网络结构和已获得的训练数据中反复训练、学习，得到一个具体的预测模型，即建立一个从输入数据到输出数据之间的映射关系，该方法的实施依赖于给定数据的高准确度和海量的训练数据，但忽略了这些数据在实际物理场景中蕴含的先验知识(如质量守恒、动量守恒等物理定律)，因此不但造成了信息资源的浪费，也无法基于电池热失控的底层核心机制调整预测模型的优化方向。

近年来，物理信息神经网络(Physics Informed Neural Networks, PINN)作为工程中许多含时系统的前瞻性代理模型，被广泛研究，物理信息神经网络的主要优点是，它们能够快速建模感兴趣的时间相关系统，而不会失去通用性和准确性，从根本上说，PINN不同于普通的数据驱动的深度学习模型，因为它们是结合物理的支配定律进行训练的，以确保它们不会违反这些定律，并产生对异常值稳健的结果。

然而，目前仍未有较为成熟的应用于锂离子电池热失控预测的物理信息神经网络，其主要原因在于：首先，尽管神经网络在训练过程中优化过程中基于物理模型进行学习与优化，然而其不一定保证能够对非可见数据点与物理控制方程的完美构象；其次，研究发现，训练过程中PINN的收敛在很大程度上取决于所涉及的物理类型，这是由于控制方程是作为损失函数中的软约束提供的，容易受到分布外数据的影响；此外，由于损失函数的高度非凸性以及同时优化多个损失函数时造成的不平衡，从数学角度来看，使用PINN求解这些问题更具挑战性和难度。

由此可见，如果采用多物理信息神经网络进行锂离子电池热失控的预测，其关键是如何建立精确描述热失控过程的多参数耦合物理模型，并合理地建立物理模型对神经网络的耦合训练机制。

发明内容

本申请的目的在于解决上述现有技术中存在的问题，提供一种基于梯度优化多物理信息神经网络的电池热失控预测方法，该方法能够利用锂离子电池热失控的多参数物理机制对神经网络预测模型的训练过程进行监督及优化，以保证预测模型的训练在具有实际意义的物理定律的支配下进行，并产生符合实际物理图像的稳健的预测结果。