IF 9 | Foshan U，China | 机器学习探究LIB组的热失控传播

 1. 原文链接

DOI Link:

https://doi.org/10.1016/j.energy.2023.127168

 2.通讯作者

• Googleshcolar

https://scholar.google.com/citations?user=mSWe4-sAAAAJ&hl=en&oi=sra

• ScienceDirect: 

• UniversityWeb:

https://www.fosu.edu.cn/mee/teachers/teachers-clgcx/20349.html

 3. 收录日期

Received: 14 December 2022

 4. 研究内容

1. 科学问题

• 不同SoC、充放电条件和不同TR点的不确定性对LIB TR的预测

2. 实验与模型方法

2.1 电池样品

2.2 实验

• Fig. 2(a)：单电池实验平台

1. 实验对象为18650电池，选择不同SoC（100%、80%、50%、30%）进行单电池热失控实验。

2. 实验平台使用加速热量计（ARC），在“热等待搜索”模式下检测电池放热，一旦探测到放热即停止外部加热，利用内部反应的放热引发热失控。

1. 电池模块由5个串联连接的电池组成，实验在防爆箱中进行。

2. 一个电池表面包裹Kanthal材料的加热线，用于触发TR，设定为TR点。

3. 每个电池温度通过K型热电偶监测，电压由防火线收集，数据传输至计算机进行实时记录。

4. 为模拟密闭环境，电池模块用石棉布覆盖，并通过石棉夹固定。

5. 触发热失控的加热功率计算为60W，并在温度超过300°C时停止加热，持续观察TRP情况。

Fig. 2. Experiment platform: (a) TR experiments of a cell are conducted in ARC; (b) The TR propagation experiments of the battery modules are performed in an explosion-proof box, and TR is triggered by a heating wire.

2.3 模拟：模块级热失控传播

• Fig. 3(a)：TRP模拟模型组件

1. 开发了二维电池模块TRP模拟模型，旨在快速计算热失控传播过程。

2. 电池芯是Joule热和内部放热的主要来源，模块中的电池编号为1#至5#，电池间距设为1 mm。

1. 展示了模拟模型的网格布局，用于准确计算热传导和传播路径。

2. 模拟环境的外界温度设定为25°C。

1. 以初始SoC为30%、60%和90%，并分别在1#和3#作为TR点进行模拟。

2. 结果表明，不同初始SoC和TR点对TRP进展有显著影响，因此将初始SoC与TR点作为关键变量进行多组模拟。

2.3 基于模糊系统的TR概率计算

• 1. 模糊系统简介

1. 热失控（TR）概率表示电池发生TR的可能性，其与电池温度、SoC、热传导特性等因素相关，但尚未建立这些因素与TR发生概率的严格数学关系。

2. 本文采用模糊系统计算TR概率，由隶属度转换器（fuzzifier）、模糊规则、模糊推理（fuzzy inference）和隶属度解算器（defuzzifier）组成。

1. 输入变量为电池温度
   TT 和距离TR点的距离 DD，输出为TR概率 RR。

2. 模糊系统将输入变量转换为模糊数，并通过模糊规则和隶属函数进行推理，最后由隶属度解算器输出结果。

1. TR概率与电池温度正相关：温度越高，距离TR点越近，TR概率越高。

2. 考虑到TRP的不确定性，电池温度状态通过隶属度转换器分为“非TR”和“TR”，阈值设定为300°C，以减少温度波动对系统的干扰。

3. 距离值 DD 标记为0时表示电池温度最高或超过300°C时可能发生或已发生TR，因此，模糊推理规则为：温度值越大、距离值越小，TR概率值越高。

1. 输入的温度 TTT 正规化到 [0,1] 范围，距离值 DD 范围设定为 [0,4]，因为实验与模拟中使用了5节电池。

2. 输入变量根据Fig. 4中展示的隶属函数转换为模糊值。

3.4 多任务CNN-LSTM模型的TRP预测

• 1. 模型输入与输出

1. 输入由电池的模糊信息和物理信息组成，输出为多个电池未来时刻的温度。

2. 物理信息包括电压、电流、SoC和历史温度。

1. 模型通过滑动窗口技术学习电池的历史数据，滑动窗口原理（Fig. 5）。

2. 输入历史时刻的长度定义为Input L=H，输出预测时刻的长度定义为Output L= P。

3. 滑动窗口随着时间步迭代，当时间步处t时，模型接受从t−H到t的输入数据，输出预测为从t+1到t+P的数据。

1. 这种迭代方法允许模型学习一定长度的历史数据，并在指定时间范围内获得预测值，实现多步提前预测TRP。

• 模型结构（Fig. 6）

1. 模型由一个CNN分支和多个LSTM分支组成。

2. CNN分支提取电池模块的模糊信息特征，LSTM分支提取电池的物理信息特征。

1. 模糊信息向量表示模块的整体热传导情况，物理信息向量表示单个电池的操作状态。

2. 通过卷积操作提取模糊信息特征（Eq. 11），并利用最大池化层降低矩阵向量尺寸（Eq. 12），优化神经元数量，加速收敛并防止过拟合。

3. CNN提取的模糊信息特征通过Flatten层转换为二维向量，再经过Dense层传递（Eq. 13）。

1. 每个电池的物理信息通过5个LSTM分支提取，LSTM通过链式结构学习时间序列的关系，捕捉电池物理信息的动态变化。

2. LSTM单元的内部结构包括遗忘门、输入门、隐藏状态和输出门（Eq. 14，Fig. 6）。

3. 提取的物理信息特征通过全连接层输出（Eq. 15）。

1. 两个分支的特征向量通过特征融合层连接，形成最终的特征表示 MiM_i。

2. 最终通过全连接层输出电池温度的预测值（Eq. 16）。

3. 多任务结构使得模型能够同时理解整个电池模块的热传导情况和单个电池的操作状态，并能够在没有系统延迟的情况下同时输出多个电池的温度预测。

3. 研究结果

3.1 验证

• 1. 单体电池TR温度对比（Fig. 7(a)）

1. 不同SoC下的单体电池TR温度通过模拟模型计算并与实验结果进行对比。

2. 实验与模拟结果的平均绝对误差为9.7°C，表明模拟模型在单体电池TR温度预测上具有较高的准确性。

Fig. 7(b)：2# TR点触发的TRP实验与模拟结果对比（初始SoC为50%，1C放电条件下）。

• 模拟和实验均显示TRP从靠近TR点的电池开始传播，逐渐向远处扩散。

Fig. 7(c)：4# TR点触发的TRP实验与模拟结果对比（初始SoC为30%，1C充电条件下）。

• TRP表现出从近到远的传播趋势。

1. TRP实验存在显著不确定性，主要体现在电池排气阀的开启、可燃物喷射方向以及电池爆炸位移等因素。
2. 不确定性导致TRP间隔和TR温度的变化，但关键在于电池是否超过TR温度以及相邻电池是否发生TR。
3. 模糊系统用于计算TR概率，将电池温度的波动模糊化，从而减少对预测模型的影响。
4. 神经网络模型结合实验和模拟数据，综合考虑各种因素的不确定性，提高了对TRP的预测能力。

3.2 模糊系统隶属函数优化

• 1. SSA优化模糊输出隶属函数（Fig. 8）

1. 按照第3.1节的描述建立模糊系统，第3.2节中基于SSA对模糊输出的隶属函数进行优化。

2. 设定麻雀种群数量为20，迭代次数为100次。

3. 优化后的R隶属函数和模糊系统的输入输出表面空间图（Fig. 8）。

1. 为验证SSA的优越性，与经典的遗传算法（GA）和粒子群算法（PSO）进行比较，且均设置相同的种群数量和迭代次数。

2. Fig. 9展示了三种算法的迭代过程，以1-PCC作为评价标准。

3. 结果表明，SSA搜索在优化过程中表现出显著优势，进一步的验证将在模型评估部分进行。

3.3 模型评估

• 引入模糊系统和利用CNN提取模糊信息特征后，模型预测精度显著提升。

• 与其他传统方法相比，CNN-LSTM方法在MAE和R²指标上表现出明显优势，验证了其在随后的研究和验证中的有效性。

  Fig. 10. Evaluation results of different methods by MAE and R2.

• 模型在小范围温度预测中表现优异，通过增加历史输入数据长度（H值）或提高时间分辨率，可以进一步提升预测精度。

• 低时间分辨率或短时间历史输入的数据难以支持大范围预测。

• 采用时间分辨率为3秒的实验数据集进行迁移学习验证。

• 表现最佳的模型窗口长度为[H = 1, P = 1]和[H = 5, P = 6]，在18秒的预测窗口内准确预测TRP。

• 通过分析实验验证集中的四个不同实验条件，验证模型的预测效果。

• 使用最常见的窗口长度H = 1, P = 1，模型基于前一时刻的数据预测下一时刻的温度趋势，五个电池的温度趋势均得到精确预测。
  Fig. 11. Temperature prediction based on battery module TRP experiment, model window length is H = 1, P = 1: (a) Case 1; (2) Case 2; (3) Case 3; (4) Case 4.

• 根据每个案例计算的MAE、MAPE和R²，模型在四种情况下都表现出较高的预测精度。

• 基于电池超出300°C的TR特征温度，模型可以多步提前预测电池的TRP。

• 模型的窗口长度为H = 5, P = 6，输出六个预测步骤，四个案例的预测值与实验值趋势一致。

• 最大TR温度的提前预警时间根据Table 14计算，验证了该方法对未来电池TR的有效预测。

4. 重要结论

• 模糊系统与SSA优化：

• 引入模糊系统，输入为电池温度和距离TR点的距离。

• 建立模糊规则：电池温度越高且距离TR越近，则发生TR的可能性越大，从而推断出电池的TR概率。

• 通过计算偏相关系数（PCC），并采用SSA优化TR概率的模糊隶属函数。

• 多任务CNN-LSTM架构：

• 多任务CNN-LSTM模型提取电池模块的模糊信息和物理信息。

• 使用CNN分支和多个LSTM分支，分别处理模糊信息与多任务架构下的电池温度预测，实现多电池同时在线预测。

• PDF