基于梯度优化多物理信息神经网络的电池热失控预测方法

技术领域

本申请属于电池技术领域，涉及电池安全管理技术，具体地，提供一种基于梯度优化多物理信息神经网络的电池热失控预测方法。

背景技术

锂离子电池(Lithium-Ion Battery, LIB)由于具有高能量密度、长持续时间和快速充电速率等特点，目前在电动汽车、电动船舶等新能源交通工具所使用的电池方案中具有一定优势，在锂离子电池的使用过程中，其存在的安全问题不可忽视。锂离子电池的主要安全问题是热失控，这是指锂离子电池中的不可逆状态，其中由于初始阶段的内部短路，局部电池温度升高并导致燃烧，直到LIB组分的内部反应物种被燃烧甚至导致锂离子电池的爆炸。对锂离子电池热失控的实时预测以及各种操作条件下热失控现象的估计是一个活跃的研究领域，因为它不仅能够预测热失控，而且还提供了关于锂离子电池结构的优化设计的信息（例如，对表面与体积比进行优化设计）。

目前已有的对锂离子电池热失控过程进行预测的实施方式主要有两种：一种使用有限元法(FEM)、有限差分法(FDM)等对热失控过程进行数值模拟，上述方法物理机理清晰直观，然而需要进行大量的计算工作，无法对随机和快速变化的环境以及锂离子电池遇到的各种实际操作条件进行及时响应，因此难以应用于锂离子电池热失控的快速预测或估计；另一种将深度学习神经网络应用与对锂离子电池热失控过程的预测，然而该种方式采用以纯数据驱动为主，从已给定的神经网络结构和已获得的训练数据中反复训练、学习，得到一个具体的预测模型，即建立一个从输入数据到输出数据之间的映射关系，该方法的实施依赖于给定数据的高准确度和海量的训练数据，但忽略了这些数据在实际物理场景中蕴含的先验知识(如质量守恒、动量守恒等物理定律)，因此不但造成了信息资源的浪费，也无法基于电池热失控的底层核心机制调整预测模型的优化方向。

近年来，物理信息神经网络(Physics Informed Neural Networks, PINN)作为工程中许多含时系统的前瞻性代理模型，被广泛研究，物理信息神经网络的主要优点是，它们能够快速建模感兴趣的时间相关系统，而不会失去通用性和准确性，从根本上说，PINN不同于普通的数据驱动的深度学习模型，因为它们是结合物理的支配定律进行训练的，以确保它们不会违反这些定律，并产生对异常值稳健的结果。

然而，目前仍未有较为成熟的应用于锂离子电池热失控预测的物理信息神经网络，其主要原因在于：首先，尽管神经网络在训练过程中优化过程中基于物理模型进行学习与优化，然而其不一定保证能够对非可见数据点与物理控制方程的完美构象；其次，研究发现，训练过程中PINN的收敛在很大程度上取决于所涉及的物理类型，这是由于控制方程是作为损失函数中的软约束提供的，容易受到分布外数据的影响；此外，由于损失函数的高度非凸性以及同时优化多个损失函数时造成的不平衡，从数学角度来看，使用PINN求解这些问题更具挑战性和难度。

由此可见，如果采用多物理信息神经网络进行锂离子电池热失控的预测，其关键是如何建立精确描述热失控过程的多参数耦合物理模型，并合理地建立物理模型对神经网络的耦合训练机制。

发明内容

本申请的目的在于解决上述现有技术中存在的问题，提供一种基于梯度优化多物理信息神经网络的电池热失控预测方法，该方法能够利用锂离子电池热失控的多参数物理机制对神经网络预测模型的训练过程进行监督及优化，以保证预测模型的训练在具有实际意义的物理定律的支配下进行，并产生符合实际物理图像的稳健的预测结果。

本申请的实施例可以通过以下技术方案实现：

一种基于梯度优化多物理信息神经网络的电池热失控预测方法，用于预测锂离子电池的热失控过程，包括以下步骤：

建立锂离子电池热失控的多参数耦合模型；

构造多物理信息神经网络，其中，所述多物理信息神经网络的输入为时间

使用训练数据对所述多物理信息神经网络进行训练，其中，在训练过程中基于所述多参数耦合模型对所述多物理信息神经网络的反向传播梯度进行优化；

使用经过训练的所述多物理信息神经网络预测锂离子电池的热失控过程。

优选地，所述多参数耦合模型包括描述锂离子电池热失控过程中热力学反应的第一方程组，以及描述锂离子电池热失控过程中多种介质化学降解反应的第二方程组；所述第一方程组与所述第二方程组通过体积热产生率

进一步地，所述第一方程组具体为：

，

其中，

所述第二方程组具体为：

，

其中，

优选地，所述多物理信息神经网络包括分别包括两个独立的第一神经网络及第二神经网络；所述第一神经网络、第二神经网络共享相同的输入

进一步地，所述损失函数

，

其中，

优选地，所述多物理信息神经网络还包括变压层，以及，步骤300中所述在训练过程中基于所述多参数耦合模型对所述多物理信息神经网络的反向传播梯度进行优化，具体为在反向传播中执行以下步骤：

第一步，求取

第二步，分别求取

第三步，基于下式求取

；

第四步，基于下式求取

，

其中，

第五步，使用

优选地，对所述多物理信息神经网络的反向传播梯度进行优化只在前

优选地，所述基于梯度优化多物理信息神经网络的电池热失控预测方法还包括对输入

本申请的实施例提供的一种基于梯度优化多物理信息神经网络的电池热失控预测方法，通过建立描述锂离子电池热失控过程中多种反应机制的多参数耦合模型，并利用该多参数耦合模型生成具有互连结构的损失函数，从而对共享输入的互相独立的神经网络的输出进行耦合地约束，在上述耦合反应机制驱动及监督下进行训练的多物理信息神经网络，能够对锂离子电池热失控过程进行较为精确的预测，且预测鲁棒性得到显著提高。

附图说明

图1为根据本申请实施例提供的基于梯度优化多物理信息神经网络的电池热失控预测方法的流程图；

图2为根据本申请实施例提供的多物理信息神经网络的架构示意图；

图3为根据本申请实施例提供的基于梯度优化多物理信息神经网络的电池热失控预测方法的具体实施步骤示意图；

图4为根据本申请的一个具体实施例提供的多物理信息神经网络对锂离子电池温度的预测结果示意图；

图5为图4中预测结果的局部放大示意图。

具体实施方式

以下，基于优选的实施方式并参照附图对本申请进行进一步说明。

本申请通过实施例提供一种基于梯度优化多物理信息神经网络的电池热失控预测方法，图1示出了在一些优选的实施例中，该预测方法的实施流程图，如图1所示，该方法包括以下步骤：

步骤100，建立锂离子电池热失控的多参数耦合模型；

步骤200，构造多物理信息神经网络，其中，所述多物理信息神经网络的输入为时间

步骤300，使用训练数据对所述多物理信息神经网络进行训练，其中，在训练过程中基于所述多参数耦合模型对所述多物理信息神经网络的反向传播梯度进行优化；

步骤400，使用经过训练的所述多物理信息神经网络预测锂离子电池的热失控过程。

以下结合附图及具体实施例，对上述各步骤进行详细说明。

在本申请的实施例中，步骤100用于构建对锂离子电池热失控过程进行描述的多参数耦合模型，锂离子电池的热失控是指由于放热反应引起的温度升高或电流和功率耗散增加而导致的部件降解的连续链式反应的发生，它是一种复杂的多物理-化学反应过程，其中包括多种热力学反应及多种成分的化学降解反应。

具体地，锂离子电池热失控过程中的热力学反应可以通过下式(1)描述：

(1)，

其中，

上式(1)为锂离子电池热失控过程中的能量平衡方程，该方程描述了温度变化率、热传导及体积热产生率之间的能量平衡关系，其中

(2)，

(3)，

其中，(2)式描述了锂离子电池和外部环境之间的对流热交换，

进一步地，在

(4)，

其中，

同时，锂离子电池热失控过程中，多种成分的连续化学降解引发的放热反应是温度快速上升的重要原因，一般地，化学降解按以下顺序发生：固体电解质界面（SEI）、负极、正极和电解质，通过放热反应产生的热量简单地是每种贡献的相加，因此，

(5)，

其中

(5’)。

、/>

(6)，

(7)，

其中，

上述描述模型反应速率的方程不同，随着时间的推移和温度达到一定水平，这导致了速率的显著差异，从而解释了正极分解反应和电解质分解反应之间合成温度的根本差异。

上述式(1)至式(7)即为对锂离子电池热失控过程进行描述的多参数耦合模型，对锂离子电池热失控过程进行预测，即通过求解上述模型的方程，获取对作为分布空间

通过步骤100建立上述多参数耦合模型后，即可通过步骤200构造多物理信息神经网络，并通过步骤300对多物理信息神经网络进行训练。

在本申请的实施例中，步骤200所构造的多物理信息神经网络，其输入为时间

物理信息神经网络(Physics-Informed Neural Network，PINN)的常规形式及其训练方式已为本领域技术人员所知晓，一般地，PINN的网络模型形式可以与常规的具有时间预测能力的深度神经网络相同，例如，可以包括输入层、多个中间层、输出层等，与常规的深度神经网络不同的是，PINN通过将用于描述物理模型的方程(又被称为控制方程)作为惩罚项或约束项添加到深度神经网络的经验损失函数中来近似偏微分方程（PDE）的解，从而使参数优化后的数据拟合和控制方程得到满足，即其模型输出等于一个时变系统的方程或系统响应的解。

具体地，本申请提供的多物理信息神经网络的损失函数通过在常规的经验损失函数中添加式(1)至式(4)作为惩罚项构成，其中，方程(3)和(4)分别是边界条件和初始条件，它们将使方程(1)的控制偏微分方程得到的唯一解，这种基于物理的约束通常也被称为残差损失；而常规的经验损失通常也被称为数据拟合损失，理想情况下，当每个残差和数据拟合损失等于零时，优化就完成了，这意味着满足了物理、边界条件和初始条件的支配定律。

此外，锂离子电池在热失控过程中的复杂反应同时涉及热力学过程及化学降解过程，式(1)～式(4)以及式(5)～式(7)分别用微分方程描述每种过程，并通过

具体地，在本申请的一些优选的实施例中，损失函数

(8)，

其中，

上述损失函数中各项的具体表示由下式(9)至(13)给出：

(9)，

(10)，

(11)，

(12)，

(13)，

其中，

图2示出了在一些优选的实施例中，通过步骤200建立的多物理信息神经网络的具体架构，如图2所示，在多物理信息神经网络分别包括两个独立的第一神经网络(神经网络T)及第二神经网络(神经网络C)，每个神经网络可以采用本领域技术人员所知晓的具有时间预测能力的神经网络架构，其共享相同的输入，分别学习并输出温度

，

其中，

上述各损失项中，重要的是PDE损耗，即能量平衡方程，由于其耦合了两个不同训练的网络的输出，使其能够考虑锂离子电池热失控的多物理特性，并使得本申请提出的多物理信息神经网络具有互连损耗函数的结构。

将训练数据输入神经网络，基于输出计算得到损失函数后，通过反向传播更新神经网络各层权重的训练方式已经为本领域技术人员所知晓，在一些优选的实施例中，为了防止梯度爆炸现象的产生，如图2所示，在输入与第一神经网络、第二神经网络之间具有变压层(transformer)，用于平滑非线性平衡方程的扩散项。

同时，由于损失函数的不同项的梯度变化速度不同，为了避免多物理信息神经网络的不平衡的反向传播梯度计算导致模型训练期间梯度值剧烈振荡，并进而使预测精度不稳定，如图2所示，在多物理信息神经网络的训练过程中，基于上述多参数耦合模型对多物理信息神经网络的反向传播梯度进行优化，以平衡模型训练期间损失函数中不同项之间的相互作用。

具体地，对每一次迭代中总的损失函数

然后，设置学习率

(14)，

(15)，

然后基于

进一步地，在一些优选的实施例中，可以利用

在一些优选的实施例中，为进一步提升物理信息神经网络高预测精度的同时，减少计算时间，上述利用

此外，输入和输出规模的差异是造成损失项之间权重不平衡的另一个因素，为了消除物理量归一化的神经网络输出与具有物理尺寸的偏微分方程不匹配的问题，对偏微分方程的变量和系数，即多物理信息神经网络的输入、输出也应进行归一化和无量纲化处理，具体地，使用下式(16)对输入及输出的各变量进行非量纲化处理：

(16)，

其中，

相应地，(1)式、(3)式、(4)式变为：

(17)，

(18)，

(19)。

通过上述步骤200及300完成多物理信息神经网络模型的构造及训练后，即可在步骤400中使用该经过训练的多物理信息神经网络对锂离子电池的热失控过程进行预测，使用经过训练的神经网络模型进行特定参数或变量的预测已为本领域技术人员所知晓，在此不再赘述。

图3示出了在一个具体实施例中，该预测方法的实施流程图，该实施例首先使用COMSOL Multiphysics 5.6的高保真度模型生成足够数量的数据，然后向多物理信息神经网络模型提供用于训练的数据，该模型包括两个不同的神经网络，其中神经网络T被训练来预测温度分布在空间和时间上的演变，而神经网络C被训练来预测由于温度升高而随时间降解的反应物种的浓度，每个神经网络被分配不同的任务，因此，每个网络都需要不同的损失函数，然而，网络是同时优化的，因为它们通过总控制方程相互耦合。

图4示出了该实施例所提供的多物理信息神经网络对锂离子电池温度的预测结果，其中分别提供了设置学习率优化以及未设置学习率优化情况下的预测结果，并与实测参考值进行比较；图5对图4中230分钟至270分钟处的预测结果进行了放大显示。

从图4、图5可以看出，使用本申请提供的基于梯度优化多物理信息神经网络的电池热失控预测方法，能够较为准确地预测锂离子电池热失控过程中温度及无量纲浓度随时间的变化，特别是在状态发生突变的拐点处具有良好的预测效果，进一步地，在设置学习率的情况下，对突变点处的预测能力得到进一步的提升。

以上对本申请的具体实施方式作了详细介绍，对于本技术领域的技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也属于本申请权利要求的保护范围。