论文部分内容阅读
近年来随着国家对新能源产业的大力扶持,动力电池的应用场景也越来越广泛,然而热场失衡问题仍是制约着动力电池性能提升的瓶颈之一,因此电池热管理系统越来越受到业内人士的重视。基于热力学等温度场模型由于需要很多确定性的材料参数、容易受环境温度影响,而且随着伴随着电池使用与老化过程,很多物理性、化学性参数都会发生改变,这些因素都严重限制着此类方法的应用范围;然而完全依赖传感器网络的完备布局方式在工程应用中难以实现。为了解决上述问题,本文探索用机器学习方法来解决温度场压缩感知问题,针对处于低传感器压缩率状况下的18650动力锂电池包二维非稳态温度场在线预测方法进行研究。为了模拟真实的工况,实验使用功率可调的负载,通过校准后的128路热电偶传感器对动力电池包温度场进行完备采样并将其作为预测目标,分别使用机器学习中的ElaticNet、KNN、ERT、DNN以及LSTM算法输入不同传感器压缩率下的稀疏采样数据进行离线预测以及在线验证,利用预测的温度场数据与完备采样的温度场数据之间的差异进行分析评估,结果表明了在本文实验环境下:(1)随着传感器压缩率的不断增大,总体预测误差越来越小,但是传感器压缩率增大至一定程度后,预测误差下降程度逐渐趋于平缓(2)除了线性算法ElasticNet外,其余算法均可以在传感器压缩率低至5%,且当不同电池单体在同一时刻的最高温差高达35℃的情况下,仍可重建出最大误差不超过1℃、平均误差不超过0.1℃的温度场。(3)相对于DNN和LSTM的温度场预测效果而言,ERT和KNN算法具有更高的精度和稳定性。综上所述,本研究为低传感器压缩率下的温度监控提供理论依据,为动力电池热管理系统传感部分的性能优化提供实验依据,这在新能源领域有很好的原创性和应用前景。