基于BP神经网络与DP等效电路的锂离子电池热电耦合模型构建

This paper proposes a high-accuracy thermoelectro-coupled model for lithium-ion batteries by combining Bayesian-regularized BP neural network for surface temperature prediction with a dual-polarization equivalent circuit model. The coupled model reduces voltage prediction error by 44.395% compared to conventional non-thermal models.

锂离子电池因具有高能量密度、长寿命和低内阻等优点而被广泛应用于电动汽车以及储能领域.电池在使用过程中会因为内部电化学反应而温度升高,目前传统的基于电压、电流特性的电池等效电路模型缺乏对该热过程的描述,难以满足实际应用中对电池模型的精度要求.可以通过提出1种新的参数易于测量的高精度热电耦合模型构建方法解决上述问题.首先利用贝叶斯正则化方法建立基于反向传播神经网络的电池热模型,获取在不同充放电工况下的电池表面温度,再将获取的电池温度特性输入到双极化等效电路模型中,从而构建锂离子电池热电耦合模型.对比传统不考虑热效应的等效电路模型方法,所构建的热电耦合模型可以更准确地预测锂离子电池的温度、电容和内阻随时间的变化,输出电压误差平均减小了 44.395％.