基于人工智能的电池热管理方法及系统

本发明涉及电池热管理，具体是指基于人工智能的电池热管理方法及系统。

背景技术：

1、基于人工智能的电池热管理方法是利用机器学习算法分析电池的运行数据，预测温度变化，并优化冷却和加热策略，以提高电池的性能和寿命。这种方法通过精确控制电池温度，防止过热和过冷，确保电池在最佳温度范围内工作，从而提升安全性和效率。

2、但是，在已有的锂离子电池热管理方法中，存在着传统电池热管理方法在搭配机器学习系统的热管理方面，不仅需要提高升降温效率，还需要优化电池热管理的整体流程自动性和集成性的技术问题；在已有的锂离子电池热管理方法中，存在着已有方法时常关注单一的瞬时热管理或单一的长期健康管理，无法兼顾两项热管理任务，且两项热管理任务的具体执行之间难以实现自动决策和热管理协同的技术问题；在已有的锂离子电池热管理方法中，存在着具体的实时热管理在动态预测层面需要处理较为复杂的数据维度，不仅要考虑时序性特征还要结合高维数据进行协同分析，动态调整的准确率和效率都不足的技术问题；在已有的锂离子电池热管理方法中，存在着长期热管理需要处理复杂的多维耦合系统数据，可靠性和稳定性都有待提高的技术问题。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了基于人工智能的电池热管理方法及系统，针对在已有的锂离子电池热管理方法中，存在着传统电池热管理方法在搭配机器学习系统的热管理方面，不仅需要提高升降温效率，还需要优化电池热管理的整体流程自动性和集成性的技术问题，本方案创造性地构建电池热管理基本系统，通过在电池模组中内置散热水道，辅助相变材料进行温度控制，提高了升降温的效率，并通过设计分层热管理和自适应策略，提高了锂离子电池热管理的自动性和精确性；针对在已有的锂离子电池热管理方法中，存在着已有方法时常关注单一的瞬时热管理或单一的长期健康管理，无法兼顾两项热管理任务，且两项热管理任务的具体执行之间难以实现自动决策和热管理协同的技术问题，本方案创造性地采用结合模糊推理的自适应神经网络的方法进行热管理策略自适应调整，通过分析历史数据进行实时自动决策，从而灵活地优化两种热管理策略，提升了系统的可用性和方法的潜在应用前景；针对在已有的锂离子电池热管理方法中，存在着具体的实时热管理在动态预测层面需要处理较为复杂的数据维度，不仅要考虑时序性特征还要结合高维数据进行协同分析，动态调整的准确率和效率都不足的技术问题，本方案创造性地采用结合卷积长短期记忆神经网络的深度神经网络模型，进行实时动态热管理，通过卷积神经网络、长短期记忆网络和深度神经网络的集成，提高了模型的可用性和方法整体的准确率，优化了时序特征和实时数据的处理；针对在已有的锂离子电池热管理方法中，存在着长期热管理需要处理复杂的多维耦合系统数据，可靠性和稳定性都有待提高的技术问题，本方案创造性地采用基于动作-评述网络强化学习框架的深度确定性策略梯度算法进行长期电池健康热管理，提高了系统的稳定性和可靠性，同时通过结合实时动态热管理，整体上提高了锂离子电池热管理对于电池健康和热安全的整体保护。

2、本发明采取的技术方案如下：本发明提供的基于人工智能的电池热管理方法，该方法包括以下步骤：

3、步骤s1：电池热管理系统建构；

4、步骤s2：分层热管理；

5、步骤s3：热管理策略参数优化；

6、步骤s4：热管理策略自适应调整；

7、步骤s5：锂离子电池热管理。

8、进一步地，在步骤s1中，所述电池热管理系统建构，用于构建进行锂离子电池热管理的基本系统架构，并进行系统初始化设计，具体为构建电池热管理基本系统，并进行所述电池热管理基本系统的初始化；

9、所述电池热管理基本系统，具体指基于机器学习的锂离子电池热管理系统，包括基本锂离子电池模组、热管理单元、基本传感监测单元、系统控制优化单元和能源优化管理单元。

10、进一步地，在步骤s2中，所述分层热管理，用于执行双层锂离子电池的热管理，具体为构建分层热管理机制，并进行锂离子电池的分层热管理，所述分层热管理机制，具体包括实时动态热管理和长期电池健康热管理；

11、所述实时动态热管理，用于进行热管理瞬态需求预测，并依据锂离子电池的温度数据、电指标数据和监测参数数据，通过电池模组表面温度预测，进行动态调整冷却和辅助加热，具体为采用结合卷积长短期记忆神经网络的深度神经网络模型，进行实时动态热管理；

12、所述长期电池健康热管理，用于进行长期电池寿命健康需求预测，并依据长期电热管理参考数据，通过电池健康热安全预测，进行锂离子电池整体能源管理，具体为采用基于动作-评述网络强化学习框架的深度确定性策略梯度算法，进行长期电池健康热管理；

13、所述构建分层热管理机制，并进行锂离子电池的分层热管理的步骤，包括：

14、步骤s21：实时动态热管理，具体包括以下步骤：

15、步骤s211：短期数据筛选和预处理，具体为对所述锂离子电池的温度数据、电指标数据和监测参数数据进行数据标准化处理，所述数据标准化处理，具体指z分值标准化，得到优化实时动态热管理原始数据集，所述优化实时动态热管理原始数据集，用于电池模组表面温度预测；

16、步骤s212：构建基本长短期记忆子网，用于处理时序特征，具体为构建包括输入门、遗忘门、输出门、细胞状态、隐藏状态的基本长短期记忆子网；

17、步骤s213：构建深度神经子网，用于连接长短期记忆子网和卷积神经子网，进行多层次特征提取，具体为在所述基本长短期记忆子网后构建深度神经子网；

18、步骤s214：构建卷积神经子网，用于处理温度变化模式特征，具体为在所述深度神经子网后构建包括卷积层、最大池化层和密集层的卷积神经子网；

19、步骤s215：子网集成，具体为通过所述构建基本长短期记忆子网、所述构建深度神经子网和所述构建卷积神经子网，进行子网集成，得到结合卷积长短期记忆神经网络的深度神经网络模型；

20、步骤s216：电池模组表面温度预测，具体为通过进行子网集成，基于所述优化实时动态热管理原始数据集，预测得到电池模组表面温度预测数据；

21、步骤s217：实时动态热管理，具体为设置电池安全工作温度阈值，并通过将所述电池模组表面温度预测数据和所述电池安全工作温度阈值进行数值比较，进行主动冷却或加热控制；

22、步骤s22：长期电池健康热管理，具体包括以下步骤：

23、步骤s221：长期数据筛选和预处理，具体为对所述长期电热管理参考数据，进行标准化处理和缺失值处理，得到优化长期健康热管理原始数据集；

24、步骤s222：网络初始化，具体为初始化动作网络、评述网络和目标网络，并设置初始化动作网络、评述网络和目标网络的参数相同，并初始化回放缓冲区d；

25、步骤s223：热管理策略初始选择，具体为通过确定性策略，从所述动作网络中导出初始热管理策略，并给所述初始热管理策略添加探索噪声，计算公式为：

26、；

27、式中，at是时间步t时的热管理策略，t是时间步索引，是从所述动作网络中导出初始热管理策略，其中，是动作网络标识符，st是时间步t时的状态参数，是动作网络的网络参数，nt是探索噪声；

28、步骤s224：热管理策略存储，具体为通过模拟执行所述热管理策略at，并观察下一时间步的状态参数st+1变化，得到热管理策略的价值参数rt，并构建策略价值参数组dt，并将所述策略价值参数组dt存储至回放缓冲区d中，所述策略价值参数组dt的计算公式为：

29、dt=(st,at,st+1,rt)；

30、式中，dt是对应时间步t时的策略价值参数组，st是时间步t时的状态参数，st+1是下一时间步的状态参数，rt是时间步t时的热管理策略的价值参数；

31、步骤s225：回放缓冲区采样，具体为通过随机采样，从所述回放缓冲区中采样得到随机策略价值参数组di，计算公式为：

32、di=(si,ai,si+1,ri)；

33、式中，di是对应时间步i时的策略价值参数组，i是随机采样时间步；

34、步骤s226：采样训练，具体为通过梯度下降策略更新评述网络，并通过深度确定性策略梯度算法更新动作网络，包括以下步骤：

35、步骤s2261：计算评述网络目标值，计算公式为：

36、；

37、式中，是评述网络目标值，ri是时间步i时的热管理策略的价值参数，i是随机采样时间步，是折扣因子，si+1是时间步i的下一时间步的状态参数，是动作目标网络的输出，用于表示评述目标网络的热管理策略，其中，是动作目标网络标识符，是动作目标网络的网络参数，是评述目标网络的输出，是评述目标网络标识符，是评述目标网络的网络参数，是评述目标网络的热管理策略，具体取值为；

38、步骤s2262：构建评述网络损失函数，计算公式为：

39、；

40、式中，lq是评述网络损失函数，是随机策略价值参数组di关于回放缓冲区d的概率分布，是评述网络目标值，是评述网络的输出，q是评述网络标识符，si是时间步i的状态参数，i是随机采样时间步，ai是时间步i的热管理策略，是评述网络的网络参数；

41、步骤s2263：评述网络的网络参数更新，计算公式为：

42、；

43、式中，左侧的是更新后的评述网络的网络参数，是更新运算符，右侧的是更新前的评述网络的网络参数，是学习率参数，是关于评述网络的网络参数的梯度运算符，lq是评述网络损失函数；

44、步骤s2264：动作网络的网络参数更新，计算公式为：

45、；

46、式中，是深度策略梯度，用于表示长期电池健康管理中的热管理策略的价值，是关于动作网络的网络参数的梯度运算符，是状态参数si关于回放缓冲区d的概率分布，是关于热管理策略a的态度运算符，是评述网络的输出，是动作网络的输出；

47、步骤s227：目标网络更新，具体为使用目标平滑因子进行目标网络的网络参数更新，计算公式为：

48、；

49、式中，左侧的是更新后的评述目标网络的网络参数，是更新运算符，左侧的是更新后的动作目标网络的网络参数，是取值远小于1的目标平滑因子，是评述网络的网络参数，是动作网络的网络参数，右侧的是更新前的评述目标网络的网络参数，右侧的是更新前的动作目标网络的网络参数；

50、步骤s228：电池健康热安全预测，具体为通过所述目标网络更新，得到最优目标网络，并通过得到所述最优目标网络，预测得到最优热管理策略；

51、步骤s229：长期电池健康热管理，具体为依据所述最优热管理策略，进行长期电池健康热管理；

52、步骤s23：双层次热管理模型训练，具体为通过所述实时动态热管理和所述长期电池健康热管理，进行分层热管理模型训练，得到实时动态热管理模型modelcld和长期电池健康热管理modeldpg；

53、步骤s24：分层热管理，具体为通过使用所述实时动态热管理模型modelcld，进行实时动态热管理，得到瞬时锂离子电池温控调整参考数据，并通过使用所述长期电池健康热管理modeldpg，进行长期电池健康热管理，得到热安全维护电池温控调整参考数据。

54、进一步地，在步骤s3中，所述热管理策略参数优化，用于优化分层热管理的相关策略参数，具体为采用贝叶斯优化方法优化所述实时动态热管理模型modelcld和所述长期电池健康热管理modeldpg的模型参数，得到优化集成模型modelcd，所述优化集成模型，具体包括第一优化子模型modelcd1和第二优化子模型modelcd2；

55、所述第一优化子模型modelcd1，用于实时动态热管理；

56、所述第二优化子模型modelcd2，用于长期电池健康热管理。

57、进一步地，在步骤s4中，所述热管理策略自适应调整，用于进行双层热管理策略的具体决策预测判断，具体为依据电热管理历史控制决策数据，采用结合模糊推理的自适应神经网络的方法进行热管理策略自适应调整，得到电池热管理自适应决策数据，具体包括以下步骤：

58、步骤s41：构建模糊推理系统，具体为将电热管理历史控制决策数据中的具体热管理策略作为模糊推理系统的输入变量，并将热管理结果作为输出变量，通过构建模糊规则库进行策略和结果的关系描述，构建所述模糊推理系统；

59、步骤s42：参数初始化，具体为将热管理策略、具体策略内容和热管理结果作为自适应神经网络的输入变量；

60、步骤s43：构建自适应神经网络基本结构，具体为依次通过参数初始化，构建参数输入层，并依次构建模糊规则层、规则适应度层、模糊规则输出层和累加层，构建得到所述自适应神经网络；

61、步骤s44：自适应神经网络模型参数优化，具体为采用自适应矩估计优化算法，优化所述自适应神经网络的模型参数；

62、步骤s45：热管理策略自适应调整模型训练，具体为通过所述自适应神经网络模型参数优化，进行模型训练，得到热管理策略自适应调整模型modelaf；

63、步骤s46：自适应模型集成，具体为通过使用所述热管理策略自适应调整模型modelaf，结合实时电池实时锂离子电池监测数据，进行热管理策略决策，得到热管理决策信息。

64、进一步地，在步骤s5中，所述锂离子电池热管理，用于进行锂离子电池的双层次热管理，具体为通过所述热管理策略自适应调整，进行热管理决策判断，得到热管理决策信息，并依据所述热管理决策信息进行分层热管理，得到锂离子电池热管理决策及管理参考方案。

65、本发明提供的基于人工智能的电池热管理系统，包括锂离子电池模组、热管理模块、电池监测模块、控制优化模块和能源管理模块；

66、所述锂离子电池模组，用于表示锂离子电池的实物基本模组，通过构建所述锂离子电池模组，进行基于机器学习的锂离子电池热管理；

67、所述热管理模块，用于表示执行分层热管理的功能模块，通过分层热管理，构建分层热管理机制，并依据所述分层热管理机制，分别对锂离子电池模组进行实时动态热管理和长期电池健康热管理；

68、所述电池监测模块，用于采集实时锂离子电池模组的各项指标数据，通过所述电池监测模块，得到实时锂离子电池监测数据，并将所述实时锂离子电池监测数据用于分层热管理和热管理策略自适应调整；

69、所述控制优化模块，用于热管理策略参数优化，通过热管理策略参数优化，得到热管理优化模型，并通过得到所述热管理优化模型，进行热管理模块优化；

70、所述能源管理模块，用于热管理策略自适应调整，通过热管理策略自适应调整，得到自适应热管理决策信息，并依据所述自适应热管理决策信息，进行锂离子电池热管理，得到锂离子电池热管理决策及管理参考方案。

71、采用上述方案本发明取得的有益效果如下：

72、（1）针对在已有的锂离子电池热管理方法中，存在着传统电池热管理方法在搭配机器学习系统的热管理方面，不仅需要提高升降温效率，还需要优化电池热管理的整体流程自动性和集成性的技术问题，本方案创造性地构建电池热管理基本系统，通过在电池模组中内置散热水道，辅助相变材料进行温度控制，提高了升降温的效率，并通过设计分层热管理和自适应策略，提高了锂离子电池热管理的自动性和精确性；

73、（2）针对在已有的锂离子电池热管理方法中，存在着已有方法时常关注单一的瞬时热管理或单一的长期健康管理，无法兼顾两项热管理任务，且两项热管理任务的具体执行之间难以实现自动决策和热管理协同的技术问题，本方案创造性地采用结合模糊推理的自适应神经网络的方法进行热管理策略自适应调整，通过分析历史数据进行实时自动决策，从而灵活地优化两种热管理策略，提升了系统的可用性和方法的潜在应用前景；

74、（3）针对在已有的锂离子电池热管理方法中，存在着具体的实时热管理在动态预测层面需要处理较为复杂的数据维度，不仅要考虑时序性特征还要结合高维数据进行协同分析，动态调整的准确率和效率都不足的技术问题，本方案创造性地采用结合卷积长短期记忆神经网络的深度神经网络模型，进行实时动态热管理，通过卷积神经网络、长短期记忆网络和深度神经网络的集成，提高了模型的可用性和方法整体的准确率，优化了时序特征和实时数据的处理；

75、（4）针对在已有的锂离子电池热管理方法中，存在着长期热管理需要处理复杂的多维耦合系统数据，可靠性和稳定性都有待提高的技术问题，本方案创造性地采用基于动作-评述网络强化学习框架的深度确定性策略梯度算法进行长期电池健康热管理，提高了系统的稳定性和可靠性，同时通过结合实时动态热管理，整体上提高了锂离子电池热管理对于电池健康和热安全的整体保护。