基于机器学习的动力电池包温度场压缩感知研究

发布时间：2023-03-16 08:44

　　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...

【文章页数】：81 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
    1.3 论文组织结构
第二章 动力电池包温度场压缩感知重建理论
    2.1 温度场压缩感知重建理论
    2.2 温度场实验系统
        2.2.1 实验系统介绍
        2.2.2 传感器校准
    2.3 本章小结
第三章 动力电池包温度场重建模型的建立
    3.1 温度传感器测量点位置选取
    3.2 重建模型
        3.2.1 ElastcicNet算法模型
        3.2.2 KNN算法模型
        3.2.3 ERT算法模型
        3.2.4 DNN算法模型
        3.2.5 LSTM算法模型
    3.3 重建结果评估
    3.4 本章小结
第四章 动力电池包温度场重建实验
    4.1 实验设计
        4.1.1 实验对象
        4.1.2 实验方案
        4.1.3 实验数据预处理
    4.2 温度场重建实验结果与分析
        4.2.1 温度场离线数据分析
        4.2.2 温度场在线测试
        4.2.3 温度场实验结论
    4.3 本章小结
第五章 总结与展望
    5.1 工作总结
    5.2 主要创新点
    5.3 未来展望
参考文献
致谢
攻读硕士学位期间的科研成果



本文编号：3763030