作者：葉石豐1, 洪朝鋒2, 綦曉2, 吳偉雄2, 譚子健1, 周奇1, 張兆陽1
單位短期包養：1. 廣東包養電網無限責包養網dcard任公司廣州供電局；2. 暨南年夜學動力電力研討中間
援用：葉石豐, 洪朝鋒, 綦曉, 等. 基于EEMD-GRU-NN鋰離子電池概況溫度預測方式研討[J]. 儲能科學與技術, 2025, 14(1): 380-387.
DOI：10.19799/j.cnki.2095-4239.2024.0571
本文亮點：1、提出基于EEMD的溫升數據預處理方式，通過離線訓練后將溫升序列數據分化為周期分量和趨勢分量，可以更清楚地識別和剖析溫升數據中的分歧特征和趨勢，分化后的數據更有助于模子捕獲復雜的時間序列變化，年夜年夜進步了對未來溫升的預測準確性。2、提出基于GRU-NN的聯合預測模子，應用GRU處理時間序列中的短期變化和周期性的優勢，以及NN處理長期趨勢和非線性關系的優勢，使GRU和NN分別專注于分歧的分量，防止單一網絡在處理復雜時間序列數據時的缺乏，從而進步整體的預測精度，供給更周全的預測才能。
摘 要 隨著全球可持續動力需求的持續增添，儲能電池的平安性愈發主要。準確預測電池溫度可以避免電池過熱，防止因溫度過高導致的電池毛病、起火或爆炸，從而進步設備的平安性。為此，本研討提出一種基于聚集經驗模態分化(包養網心得ensemble empirical mode decomposition，EEMD)的門控循環單元(gated recurrent unit, GRU)和基礎神經網絡(neural network, NN)聯合預測包養情婦方式。起首，應用EEMD將鋰電池溫升數據分化為周期分量和趨勢分量，并將其作為監督學習的離線訓練包養網目標值；然后，結合電池溫度特徵選取合適的特征參數作為模子的輸進特征，針對分化獲得的分歧分量，分別構建基于GRU和NN的實時在線預測模子；最后，將包養網VIP兩種模子的輸出疊加作為最終預測結果，并通過與常見神經網絡模子的比較，證明了所提出方式的準確性。實驗結果表白，在常溫下，本研討提出的方式在各個評價指標上均優于常見模子，預測結果的均方根誤差為0.10 ℃，均勻絕對誤差為0.075 ℃，最年夜誤差為0.34 ℃。此外，在極端環境下，模子的預測才能有所降落，但其誤差仍在公道范圍內，證明了該模子在極端條件下仍具有較好的適應才能。
關鍵詞 鋰離子電池；溫度預測；聚集經驗模態分化；門控循環單元
鋰離子電池因其高能量密度、長循環壽命和現實中，事情確實如夢中展開——葉秋鎖的蜂鳴器故障，環境友愛性，已被廣泛應用于消費電子、電動汽車和儲能系統。近年來，隨著新動力技術的疾速發展和應用需求的不斷增添，鋰離子電池的應用場景變得越來越多樣化和復雜化。但是，鋰電池在應用過程中存在的平安性問題也逐漸顯現，尤其是電池在充放電過程中的熱治理問題。假如電池溫度無法獲得有用把持，溫度的異常降低能夠會引發一系列平安隱患，如熱掉控、起火甚至爆炸。是以，若何精確預測并把持鋰電池的溫度，成為確保電池平安性和延長其應用壽命的關鍵。
今朝，鋰離子電池溫度預測方式重要分為基于傳統物理模子方式和數據驅動模子方式兩年夜類。傳統物理模子基于電池的熱力學或電化學道理，通過樹立電池內部熱源和熱傳導的數學模子，包養價格進行溫度預測。物理模子在理論上能夠準確反應電池內部的熱行為，但在實際應用中需求大批的實驗數據來校準模子參數，且計算過程復雜，難以實現高效的實時預測。與傳統物理模子比擬，數據驅動模子應用大批實驗數據，通過機器學習算法進行訓練，能夠在不完整清楚電池內部物理機制的情況下，實現高精度的溫度預測。晚期的研討多采用傳統機器學習方式用于鋰離子電池的溫度預測，Kim等人提出應用人工神經網絡開發在線適用的溫度預測模子，并獲得了必定的後果。該方式雖然在必定水平上實現了在線預測，但由于未能充足考慮時間序列數據的復雜性，其預測機能仍存在局限。
隨著深度學習的發展，尤其是循環神經網絡(rec包養網urrent neural network, RNN)在時間序列預測中的廣泛應用，使得研討者開始將其應用于鋰電池溫度包養網評價預測領域。考慮到RNN具有處理序列數據的優勢，能夠捕獲數據中的時間依賴性和動態變化特征，Naguib等人提出了RNN來估計電池概況溫度包養網ppt。但是該方式在訓練過程中不難產生梯度消散和爆炸現象。為了戰勝這一問題，Zhu等人提出了用長短期記憶網絡(long short-term memory, LSTM)模子來預測電池溫度變化，這種方式可以有用地預測電池在較長時間內的溫度波動。考慮到比擬LSTM，門控循環單元(gated 包養網recurrent unit, GRU)具有更簡單的結構和更少的參數，在訓練速率和計算效力上更具優勢，Yao等人提出了一種GRU網絡來精確估計鋰離子電池概況溫度，并且在分歧環境溫度范圍下對該模子進行驗證。別的，比擬于簡甜心寶貝包養網單的單網絡預測，Qi等人提出了一種通過多模子組合以進步預測溫度的精度，并在分歧環境分歧駕駛工況下驗證了該模子的準確性。
為了戰勝單一網絡在處理復雜時間序列數據時的缺乏，并進步現有溫度預測模子在復雜工況和極端條件下的適應才能，本研討提出了一種基于EEMD-GRU-NN的鋰離子電池概況溫度預測方式。起首在離線訓練狀態通過聚集經驗模態分化(ensemble empirical mode decomposition, EEMD)分化溫升序列數據，并疊加為周期分量和趨勢分量，并為分歧的分量構建基于GRU和NN的神經網絡模子，最后在在線預測階段將GRU和NN模子的輸出疊加，作為最終溫度預測結果。實驗結果表白，擬提出的模子能準確地預測出復雜工況下的鋰電池溫升狀態，并且在極端條件下模子仍具有較好的適應才能。
1 電池溫度特徵剖析
在剖析電池熱狀態時，本文作出以下假設：①電池的熱量均勻分布；②熱量通過電池外殼從焦點傳遞到周圍環境；③不考慮輻射換熱，并且疏忽焦點內部的對流換熱。圖1顯示了簡化的電熱耦合模子流程圖。
根據基爾霍夫電流公式類比可得電池溫包養故事度的表達式為：
(1)
此中，
，
，
為電池內部溫度，
為電池概況溫度，
為環境溫度，
為內部傳熱熱阻，
為內部傳熱熱阻，
為內部熱容，
為內部熱容，
為電池產熱量。
將式(1)轉化為連續狀態空間方程，獲得：
(2)
此中，
為電池內部溫度與環境溫度差值的變化率，
為電池概況溫度與環境溫度差值的變化率。
根據Bernardi產熱方程，電池的等效產熱為：
(3)
此中，
為電池充放電電流，
為電池開路電壓，
為電池開路電壓，
為電池溫度，
為電池熵熱系數，
為電池產熱量。
考慮到電池的電壓電流是典範的時序數據，根據式(3)可以推導出產熱量也是時序數據。進一個步驟結合式(2)，可以認為電池溫度同樣為一種時序數據。
2 算法道理
2.1 神經網絡
神經網絡(neural network, NN)是受生物神經系統啟發的一種計算模子。NN模子層與層之間都是相互聯系的，每層神經元都與其余層神經元相連，每條連接線代表一種權重加和。如圖2所示，每條連接線的函數公式可表現為：
(4)
此中
表短期包養現神經元輸出值，
表現神經元輸進值，
表現權重代表輸進值對輸出的影響水平，
表現偏置用于調整神經元的輸出。
2.2 門控循環單元
鋰電池的溫甜心花園度變化具有時序特征。RNN是一類能夠處理時序數據的神經網絡。其通過循環連接，能夠在每個時間步上處理輸進數據，并將前一個時間步的隱躲狀態傳遞給下一個時間步，從而捕獲到序列中的依賴關系。為清楚決梯度消散和梯度爆炸問題，LSTM引進門控機制來把持信息的流動，從而有用地保存和更換新的資料長時間依賴的信息。GRU將LSTM的輸進門和遺忘門合并為一個更換新的資料門，往除了單獨的單元狀態，結構更簡單更易于計算。GRU具體結構如圖3所示：
GRU由兩個重要門控機制構成：重置門和更換新的資料門。更換新的資料門
決定了過往的信息中有幾多應被傳遞到未來的狀態。重置門
則用于確定應丟棄幾多過往的信息。在處理時間序列數據時，GRU的計算過程如下：
(5)
(6)
(7)
(8)
(9)
此中，
為
時刻重置門的輸出，
為
時刻更換新的資料門的輸出，
為候選隱躲狀態，
為
時刻的隱躲狀態，
為
時刻的輸出，
為重置門的權重矩陣包養網，
為候選隱躲狀態的權重矩陣，
為輸出的權重矩陣，
為
時刻的輸進，
為輸出的偏置，
和
為激活函數。
2.3 聚集經驗模態分化
聚集經驗模態分化(ensemble empirical mode decomposition，EEMD)是一種通過引進白噪聲來輔助數據剖析的方式，有用地緩解了傳統經驗模態分化(empirical mode deco包養mposition，EMD)中常見的模態混疊問題。其基礎思緒是在EMD的基礎上參加高斯白噪聲，并在分化過程中屢次添加均值為零的白噪聲。該方式能夠在分化中獲得更精確的包絡線，并顯著減少模態混包養網疊和虛假分量的問題。
EEMD步驟可以歸為以下幾步：
（1）原始信號
中參加
次高斯白噪聲
，此時信號變為
：
(10)
（2）應用
高低極值點獲得高低包絡包養網線
、
，取均勻計算出包養價格包絡線均值
。
（3）將原始信號和包絡線均值作差獲得新信號
，通過迭代計算篩選出合適條件的本征模態分量
以及對應的殘余分量
，最終獲得
階
。
（4）將
作為原始信號重復上述(1)~(3)，直到輸出一切本征模態函數及其殘差。
（5）經EEMD分化后的本征模態分量為：
(11)
3 電池溫度預測模子
3.1 鋰電池溫度數據集
本文電池數據參見文獻。實驗電池為Panasonic 18650PF電池，額電容量2.9 Ah。在8立方英尺(1立方英尺=0.0283立方米)的熱室中進行了包養網測試，該熱室具有25 A、18 V的Digatron點火電路通用電池測試儀。本文選用了分歧溫度下的神經網絡駕駛循環測試，該循環測試是由US06和LA92駕駛循環的部門組合而成，此中US06模擬了高速公路和城市駕駛條件，最年夜速率約為129.8 km/h，LA92模擬了真實的城市駕駛情況，包含屢次停車和起步，模擬擁堵的路況狀況。別的駕駛循環的功率曲線是根據一個電動福特F150卡車的35 kWh電池組進行縮放，以適應一顆18650PF電池。數據集供給了電池的實時電壓、電流和電池溫度數據。
3.2 輸進特征以及輸出函數選擇
考慮到電流和電壓變化可以反應電池的動又漂亮又唱歌好聽？美麗……歌聲……甜美？聲音甜美，態機能和熱特徵，而產熱量直接與溫度變化相關，是預測溫度的主要特征。本文將電流、電壓、SOC和產熱量作為模子的輸進特征，使模子能夠充足捕獲溫度變化特征。此中，電流和電壓數據可以實時從BMS中獲得，而產熱量數據需求通過計算進一個步驟獲得。結合式(3)，疏忽可逆熱影響，可近似認為產熱量為：
(12)
此中，電池開路電壓可以通過混雜脈沖功率特徵實驗(hybrid pulse power characterization, HPPC)獲得的SOC-OCV曲線獲得，具體曲線如圖4所示。
在進行時間序列預測模子之前，檢測數據中的趨勢、季節性或周期很是主要。本文通過EEMD對溫度序列進行分化并疊加本征模態分量以獲取溫包養網度序列的趨勢以及周期值，分化結果如圖包養網5所示。
3.3 模子離線訓練
通過歷史數據集中的電壓電流數據計算出實時SOC和產熱量作為模子輸進。將溫度數據分化為周期分量和趨勢分量，分別作為GRU模子和NN模子的輸出。再將數據集以8:1:1的比例劃分為訓練集、驗證集和測試集。訓練集用于模子的訓練，驗證集用于調整模子的超參數和監控模子的機能，測試集用于最終評估模子的泛化才能。本文的實驗硬件環境為Windows操縱系統，英特爾6248R CPU和特斯拉40G A100 GPU。
3.4 評價指標
本文選取均方根誤差(root mean square error, RMSE)、均勻絕對誤差(mean absolute er包養俱樂部ror, MAE)和最年夜誤差(maximum error, MAXE)作為預測模子的評價指標，其公式如下：
(13)
(14)
(15)
此中，
表現真實溫度，
表現預測溫度。RMSE權衡預測值與實際值之間的均勻誤差的平方根，對異常值敏感，MAE權衡預測值與實際值之間的均勻絕對誤差，相對穩健，MAXE反應了模子在數據集上的包養網單次最年夜誤差。
3.5 算法整體架構
基于EEMD的GRU-NN鋰離子電池概況溫度預測模子流程如圖6所示。其重要流包養行情程步驟如下：
（1）根據BMS系統電壓、電流數據計算SOC、產熱量值，作為離線訓練和在線預測的特征輸進。
（2）將電池溫度信息通過EEMD分化為趨勢分量和周期分量。
（3）對兩個分量進行神經網絡擬合，此中趨勢分量通過NN學習，周期分量通過GRU學習。
（4）將離線訓練的最優模子超參數導進模子，進行在線預測。
（5）兩個網絡模子輸出疊加獲得最終輸出。
4 結果剖析
4.1 模子有用性對比剖析
在本研討中，我們提出了一種基于EEMD的GRU-NN預測方式，用于準確預測鋰離子電池的溫度。為了周全驗證該模子的優越性，我們「接下來怎麼辦？」將其與幾種常見的算法模子在25 ℃環境溫度下US06和LA92測試循環中進行了對比。預測結果如圖7和圖8所示，各個模子的評價指標見表1。圖7顯示了GRU-NN與基礎神經包養網車馬費網絡RNN、LSTM、GRU的預測結果對比，不難看出在訓練集中，一切網絡均表現出較高的擬合度，但在驗證集和測試集中，基礎神經網絡的預測結果出現了顯著的誤差，僅能預測出溫度數據的整體變化趨勢。這說明基礎的神經網絡在學習復雜數據時易發生過擬合現象，無法區別訓練數據中的噪聲或特定形式，不適用于未見數據的預測。圖8顯示了3種聯合預測模子的預測結果對比，結影機對準了那些人。合表1可以看出，在雷同的計算資源下GRU-NN模子的RMSE、MAE、M包養一個月價錢AXE均優于其余兩種模子，對比較優的LSTM-NN模子，本文所提出的模子RMSE進步了10.8%，MAE進步了11.7%，MAXE進步了18.5%。
表1 評價指標對比包養
4.2 分歧測試溫度下模子有用性剖析
考慮到在分歧環境溫度下鋰電池電化學反應速度、電解液機能、資料穩定性等方面機能均有分歧水平的變化，本節在分歧溫度下驗證了模子的有用性。測試集預測結果如圖9所示，各個條件下的評價指標見表2。如圖9所示，GRU-NN模子在各種常見溫度下均能表現出傑出的擬合後果，能準確預測出溫度變化趨勢。但在極端環境下(-包養合約20 ℃溫度)，模子的預測才能變差，考慮到低溫下的電池行為觸及更多復雜的物理和化學過程，如電解液黏度增添、電極概況反應速度下降等，這些過程往往具有高度非線性和動態變化特徵。
表2 分歧溫度下模子誤差指標
考慮到上述復雜性，0.85 ℃的最年夜誤差是可以接收的。這表白，盡管模子在極端環境下的預測才能有所降落，但其誤差仍在公道范圍內，反應出模子在極端條件下具有較好的適應才能。
5 結 論
本文提出了一種基于EEMD的GRU-NN鋰離子電池概況溫度預測方式，通過EEMD對溫升數據進行分化并疊加為趨勢分量和周期分量，對兩種分量分別進行預測并包養網疊加獲得最終預測結果。結論如下：
（1）EEMD可將溫升數據有用地分化為趨勢分量和周期分量，通過分化，可以更清楚地識別和剖析溫升數據中的分歧特征和趨勢。分化后的數據更有助于模子捕獲復雜的時間序列變化，進步對未來溫升的預測準確性。
（2）提出的GRU-NN聯合預測模子中，GRU和NN可以分別專注于分歧的分量，防止單一網絡在處理復雜時間序列數據時的缺乏，從而進步整體的預測精度。GRU擅長處理時間序列中的短期變化和周期性，而NN擅長處理長期趨勢和非線性關系，兩者結合可以供給更周全的預測才能。
第一作者：葉石豐（1978—），男，本科，工程師，研討標的目的為儲能把持與優化；
通訊作者：綦曉，博士，講師，研討標的目的為新動力電力系統頻率把持及優化、儲能電池熱治理。
發佈留言