基于深度学习和粒子群算法的锂离子电池核温估计方法

作     者：李毅超 王楠 段彬 康永哲 张承慧 LI Yichao;WANG Nan;DUAN Bin;KANG Yongzhe;ZHANG Chenghui

作者机构：山东大学控制科学与工程学院济南250061 

出 版 物：《机械工程学报》 (Journal of Mechanical Engineering)

年 卷 期：2023年第59卷第22期

页      面：69-78页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

基　　金：国家自然科学基金资助项目(U1964207 U1764258 62133007 61821004 62203265) 

主　　题：锂离子电池 核温估计 双向长短期记忆神经网络 粒子群优化算法 

摘      要：在锂离子电池充放电运行过程中,其核心温度直接反应电池状态,是重要的安全性能指标。然而,电池核心温度无法直接测量,必须研发精准的核心温度估计方法。以核心温度相关性较高的可测变量(电流、电压、环境温度和表面温度)作为输入,建立锂离子电池双向长短期记忆神经网络(Bi-directional long short-term memory,Bi-LSTM)的核心温度预测模型,并引入粒子群优化(Particle swarm optimization,PSO)算法完成智能参数寻优,提高Bi-LSTM模型的预测精度。试验结果表明,在不同的充放电工况下,与决策树法、随机森林法等估计方法相比,本方法能够在宽环境温度下实现锂离子电池核心温度的准确预测,核心温度估计精度最高。