SSB蓄电池基于机器学习的热预测模型——基于多通道扁管双侧液冷锂离子电池实验数据训练

2026-03-09 16:47:39

摘要

高效热管理对于锂离子电池的安全性、性能及使用寿命至关重要，然而现有研究多集中于传统冷却构型，而非新兴的扁平管多通道液冷系统。本研究提出一种基于机器学习的新型热预测框架，该框架直接利用双侧液冷电池设计的实验数据。研究开发了三个多层感知器模型，用于预测不同工况下的两个关键参数（内阻与温差）。内阻预测模型的判定系数达0.97，平均绝对误差为2.43E-04；温差预测的判定系数最高达0.999，平均绝对误差低至5.70E-02。这些数值表明模型在复现实际热电行为方面具有高度保真性。本研究的核心创新点在于对一种文献中尚未充分探索的冷却架构重新利用真实实验测量数据，从而在不依赖复杂且计算成本高昂的全数值模拟的情况下，实现精确的数据驱动预测。研究结果表明，基于机器学习的预测方法可作为优化下一代电池热管理系统的可靠且可扩展工具，为实际电动汽车应用提供快速的热性能评估。

引言

为应对全球变暖导致的温室气体排放问题，各国政府在过去几年间持续加大对电动汽车产业发展的政策支持[1]。作为电动汽车动力源的锂离子电池，其正常运行需严格限定在特定温度范围内。温度过低会导致电池功率下降，而温度过高则会对电池寿命与安全性产生负面影响[2]。温度不均匀性引发的电化学反应失衡将导致电池模块容量衰减及电池组件循环寿命降低[3]。鉴于这一现象，电池热管理系统(BTMS)成为调控充放电过程中电化学反应产热的关键技术[4]。该系统设计用于将电池温度维持在293.15至313.15K范围内，从而有效降低电芯间温度不均匀性程度[5]。
在电池热管理系统（BTMS）领域，存在多种冷却方式，根据冷却介质的分类标准可划分为相变材料冷却、空气冷却、热管冷却、液体冷却等类型。Yan等[6]开发了一种具有仿生叶脉状液体流道的冷板，与传统流道相比实现了10.17K的最大温降，传热效率提升22.43%。通过三维建模与有限元方法，其研究证明了该方案在锂离子电池冷却系统中的潜力。Zhan等[7]同样研制了仿生叶脉形冷板，重点优化了冷却效率与散热性能。其拓扑优化设计相较S形和均质拓扑冷板展现出更优性能，实现了最高温度和平均温度的显著降低。Fu等[8]介绍了一种专为软包电池设计的蜂窝状翅片冷却板，通过多种参数分析其热性能。结果表明，提高冷却剂质量流量并降低入口温度，能有效将最高电池温度控制在300.44K，同时显著降低压降（Drop）。Zhu等[9]对比研究了肋槽式液冷板与传统直通道液冷板，采用耦合模型评估热性能。其研究强调沟槽结构可改善温度控制与流量均衡，但会轻微增加压降（Drop）。Feng等[10]通过计算流体力学模拟（Simulation）研究了冷却介质与通道设计的影响。他们建立的铝制液冷电池模型，提出了在变环境温度下实现能耗降低37.87%的策略。He等[11]的研究聚焦于浸没式冷却系统，发现对齐排列与最优间距能提升温度均匀性，在较高流速下实现温升的显著降低。Zhu等[12]提出了一种复合相变材料与微槽道扁平热管结合的电池热管理系统(BTMS)，在放电过程中展现出卓越的电池温度维持能力。Shen等[13]通过对比梯度结构设计与传统液冷方案，证实其优化设计可大幅降低温差。类似地，Li等人[14]分析了双向对流冷却通道，指出其热管理稳定性有所增强。Xu等人[15]针对电动汽车电池提出了一种F2型液冷系统，并针对实际应用中的典型工况优化了参数。他们的研究结果表明，特定流速和入口温度可显著提升冷却效率。Ren等人[16]评估了一种底部液冷系统，结论表明该系统在保持温度均匀性的同时能有效降低温升幅度。研究团队证实，通过调控流速和入口温度可显著影响热管理效能。Benavides等人[17]研究了可再生能源并网系统及其对电能质量与能量管理的影响，提出的算法能有效平抑多源波动，并通过优化混合储能系统提升整体效率。
近年来，机器学习已成为锂离子电池热管理领域的关键方法，超越了传统的基于物理的建模方法。通过利用大量实验与模拟数据集，机器学习算法能够准确预测关键热参数，包括复杂非线性条件下的温度分布、内阻及冷却效率。这一进展对电池热管理系统（BTMS）设计尤为重要，传统模型因系统复杂性和变异性在此类场景中表现受限。研究表明，机器学习在电池研究中的重要性日益凸显，其应用主要集中在温度预测、热优化和性能评估等方面。例如，Guo等[18]开发了一种集成间接液体冷却与强制风冷的高级热管理系统，适用于混合动力电动汽车。他们的数值模拟识别出优化电池温度的关键参数（如冷却管径和液体流速）。经优化的系统展现出卓越的热管理效能。Yang等[19]提出了一种机器学习技术，通过随机森林回归和轻量梯度提升回归等多种算法强化电池健康状态预测。研究结果表明，堆叠回归模型实现了99.36%的显著健康状态预测准确率，对电动汽车的能效与安全性提升具有重大意义。与此同时，马et al. [20]提出了一种通过特征工程与机器学习实现的节点电位实时估计方法，其构建的反向传播神经网络展现出卓越的精确度。该研究实现了高达71.29%的均方根误差（RMSE）降低，显著提升了模型泛化能力及优化充电控制系统的实施效果。此外，Zhang等[21]设计了随机森林-卷积神经网络（CNN）混合算法，通过将电化学阻抗谱数据与CNN提供的先进图像识别技术相结合，实现了锂离子电池荷电状态的高精度估计，并借助有效的超参数调优确保处理速度与准确性。Ahmad等[22]开发的创新型电池热管理系统采用介电液体浸没技术，使电池最高温度降低8.3%。他们通过人工神经网络（ANNs）实现的优化方法在热性能方面展现出显著提升。此外，Kanti等人[23]探究了铝的...₂研究采用Cu和CuO纳米流体以提升冷却性能。结果表明，混合纳米流体的热传导性能优于传统流体，而机器学习模型在冷却性能分析中展现出卓越的预测精度。此外，Mehmandoosti等[24]探究了脉动流对电池温度动态特性的影响。其数据表明，优化流动参数可显著降低温度，同时强调斯特劳哈尔数与雷诺数等设计参数对提升冷却效率的关键作用。₃ and CuO nanofluids to enhance cooling performance. Their findings indicated that a hybrid nanofluid outperformed traditional fluids in thermal conductivity, while machine learning models demonstrated outstanding predictive accuracy when applied to cooling performance analysis. Lastly, Mehmandoosti et al. [24] studied the benefits of pulsating flow on battery temperature dynamics. Their results revealed significant temperature reductions with optimized flow settings, while also emphasizing the importance of design parameters such as the Strouhal number and Reynolds number in enhancing cooling efficiency.
尽管该领域先前的研究主要集中于通过实验装置和基于物理的模拟来优化电池热管理系统（BTMS）设计、冷却剂配置及材料创新，但越来越多的研究已开始利用机器学习方法来预测不同运行条件下的热行为、电池健康状态和性能指标。这些机器学习驱动的方法展现出较高的预测精度和灵活性，特别是在与复杂系统几何结构及电化学模型相结合时。然而，这些研究大多依赖于模拟数据或传统电池包架构与标准冷却技术。与这些方法不同，本研究提出了一种基于机器学习的新型热预测框架，其训练数据来自多通道扁平管双侧液冷锂离子电池系统采集的真实实验数据集。尽管原始数据集源自另一研究背景下报道的实验设置，本研究通过将该数据重新诠释并应用于电池模块高级热建模领域，实现了显著的方法论突破。这一独特的方法转变不仅拓展了实验数据的应用价值，更通过为特定且研究不足的电池冷却架构提供高保真度的数据驱动热预测模型，填补了文献中的关键空白。据作者所知，这是首个利用真实实验数据对该特定热构型应用集成学习方法的研究，从而为电池热管理与智能建模的交叉领域开辟了新方向。