基于人工智能的电池热管理方法及系统发明专利

专利名称：基于人工智能的电池热管理方法及系统

专利类型：发明专利

专利申请号：CN202410764937.X

专利申请（专利权）人：山东理工职业学院
权利人地址：山东省济宁市太白湖新区济宁大道37号

专利发明（设计）人：吴季安,郭长会

专利摘要：本发明公开了基于人工智能的电池热管理方法及系统，方法包括电池热管理系统建构、分层热管理、热管理策略参数优化、热管理策略自适应调整和锂离子电池热管理。本发明涉及电池热管理技术领域，具体是指基于人工智能的电池热管理方法及系统，本方案构建电池热管理基本系统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；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；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；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。

主权利要求：
1.基于人工智能的电池热管理方法，其特征在于：该方法包括以下步骤：步骤S1：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；
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；
所述锂离子电池模组，具体指锂离子电池单体组合，并在所述锂离子电池单体组合中内置散热水道；
所述热管理单元，具体包括冷却装置、加热装置、相变材料散热装置和分层热管理模组；
所述基本传感监测单元，具体包括传感器、电池管理模组和电池数据记录模组；
所述系统控制优化单元，具体为采用实时动态热管理和长期电池健康热管理的双层次系统控制优化方法；
所述能源优化管理单元，具体指采用氢消耗最小化策略进行锂离子电池电源热安全管理；
所述电池热管理基本系统的初始化，具体为设置热管理控制优化目标，包括最高温度设置、电池温差设置和相变材料平均温度设置；
步骤S2：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；
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；
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；
步骤S3：热管理策略参数优化，具体为采用贝叶斯优化方法优化实时动态热管理模型和长期电池健康热管理的模型参数，得到优化集成模型；
步骤S4：热管理策略自适应调整，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：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；
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；
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；
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；
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；
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；
步骤S5：锂离子电池热管理，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。
2.根据权利要求1所述的基于人工智能的电池热管理方法，其特征在于：在步骤S2中，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：步骤S21：实时动态热管理；
步骤S22：长期电池健康热管理；
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；
步骤S24：分层热管理，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。
3.根据权利要求2所述的基于人工智能的电池热管理方法，其特征在于：在步骤S21中，所述实时动态热管理，具体包括以下步骤：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；
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；
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；
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；
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；
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；
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。
4.根据权利要求3所述的基于人工智能的电池热管理方法，其特征在于：在步骤S22：长期电池健康热管理，具体包括以下步骤：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；
μ Q
步骤S222：网络初始化，具体为初始化动作网络μ(s|θ)、评述网络Q(s，a|θ)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；
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：μ
at＝μ(st|θ)+Nt；
μ
式中，at是时间步t时的热管理策略，t是时间步索引，μ(st|θ)是从所述动作网络中导μ出初始热管理策略，其中，μ是动作网络标识符，st是时间步t时的状态参数，θ 是动作网络的网络参数，Nt是探索噪声；
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：dt＝(st，at，st+1，rt)；
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；
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：di＝(si，ai，si+1，ri)；
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；
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；
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：Q′ μ′
式中，←左侧的θ 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θQ是更新后的动作目标网络的网络参数，τ是取值远小于1的目标平滑因子，θ是评述网络的μ Q′网络参数，θ是动作网络的网络参数，←右侧的θ 是更新前的评述目标网络的网络参数，←μ′右侧的θ 是更新前的动作目标网络的网络参数；
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；
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。
5.根据权利要求4所述的基于人工智能的电池热管理方法，其特征在于：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；
所述第一优化子模型ModelCD1，用于实时动态热管理；
所述第二优化子模型ModelCD2，用于长期电池健康热管理。
6.基于人工智能的电池热管理系统，用于实现如权利要求1‑5中任一项所述的基于人工智能的电池热管理方法，其特征在于：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。
7.根据权利要求6所述的基于人工智能的电池热管理系统，其特征在于：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；
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；
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；
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；
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。 说明书 : 基于人工智能的电池热管理方法及系统技术领域[0001] 本发明涉及电池热管理技术领域，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[0002] 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。[0003] 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。发明内容[0004] 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。[0005] 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：[0006] 步骤S1：电池热管理系统建构；[0007] 步骤S2：分层热管理；[0008] 步骤S3：热管理策略参数优化；[0009] 步骤S4：热管理策略自适应调整；[0010] 步骤S5：锂离子电池热管理。[0011] 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；[0012] 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。[0013] 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；[0014] 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；[0015] 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；[0016] 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：[0017] 步骤S21：实时动态热管理，具体包括以下步骤：[0018] 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；[0019] 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；[0020] 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；[0021] 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；[0022] 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；[0023] 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；[0024] 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；[0025] 步骤S22：长期电池健康热管理，具体包括以下步骤：[0026] 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；[0027] 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；[0028] 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：[0029] ；[0030] 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；[0031] 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：[0032] dt=(st,at,st+1,rt)；[0033] 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；[0034] 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：[0035] di=(si,ai,si+1,ri)；[0036] 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；[0037] 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：[0038] 步骤S2261：计算评述网络目标值，计算公式为：[0039] ；[0040] 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；[0041] 步骤S2262：构建评述网络损失函数，计算公式为：[0042] ；[0043] 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；[0044] 步骤S2263：评述网络的网络参数更新，计算公式为：[0045] ；[0046] 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；[0047] 步骤S2264：动作网络的网络参数更新，计算公式为：[0048] ；[0049] 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；[0050] 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：[0051] ；[0052] 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；[0053] 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；[0054] 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；[0055] 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；[0056] 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。[0057] 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；[0058] 所述第一优化子模型ModelCD1，用于实时动态热管理；[0059] 所述第二优化子模型ModelCD2，用于长期电池健康热管理。[0060] 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：[0061] 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；[0062] 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；[0063] 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；[0064] 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；[0065] 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；[0066] 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。[0067] 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。[0068] 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；[0069] 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；[0070] 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；[0071] 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；[0072] 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；[0073] 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。[0074] 采用上述方案本发明取得的有益效果如下：[0075] （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；[0076] （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；[0077] （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；[0078] （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。附图说明[0079] 图1为本发明提供的基于人工智能的电池热管理方法的流程示意图；[0080] 图2为本发明提供的基于人工智能的电池热管理系统的示意图；[0081] 图3为步骤S2分层热管理的流程示意图；[0082] 图4为步骤S22长期电池健康热管理的流程示意图；[0083] 图5为步骤S4热管理策略自适应调整的流程示意图；[0084] 图6为步骤S21实时动态热管理的数据可视化示意图。[0085] 附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。具体实施方式[0086] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0087] 在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。[0088] 实施例一，参阅图1，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：[0089] 步骤S1：电池热管理系统建构；[0090] 步骤S2：分层热管理；[0091] 步骤S3：热管理策略参数优化；[0092] 步骤S4：热管理策略自适应调整；[0093] 步骤S5：锂离子电池热管理。[0094] 实施例二，参阅图1和图2，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；[0095] 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；[0096] 所述锂离子电池模组，具体指锂离子电池单体组合，并在所述锂离子电池单体组合中内置散热水道；[0097] 所述热管理单元，具体包括冷却装置、加热装置、相变材料散热装置和分层热管理模组；[0098] 通过所述分层热管理，进行实时动态热管理和长期电池健康热管理，并依据所述实时动态热管理和长期电池健康热管理的输出，控制所述冷却装置和所述加热装置进行温度控制；[0099] 所述基本传感监测单元，具体包括传感器、电池管理模组和电池数据记录模组；[0100] 通过所述传感器，实时采集得到锂离子电池的温度数据、电指标数据和监测参数数据；[0101] 通过所述电池管理模组，采集得到长期电热管理参考数据，具体包括充放电循环次数、电容衰减情况数据、内阻变化数据、温度变化周期数据、电指标波动情况数据和放电深度数据；[0102] 通过所述电池数据记录模组，采集得到电热管理历史控制决策数据；[0103] 所述系统控制优化单元，具体为采用实时动态热管理和长期电池健康热管理的双层次系统控制优化方法；[0104] 所述能源优化管理单元，具体指采用氢消耗最小化策略进行锂离子电池电源热安全管理；[0105] 所述电池热管理基本系统的初始化，具体为设置热管理控制优化目标，包括最高温度设置、电池温差设置和相变材料平均温度设置。[0106] 通过执行上述操作，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。[0107] 实施例三，参阅图1、图2、图3、图4和图6，该实施例基于上述实施例，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；[0108] 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；[0109] 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；[0110] 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：[0111] 步骤S21：实时动态热管理，具体包括以下步骤：[0112] 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；[0113] 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，计算公式为：[0114] ；[0115] 式中， 是基本长短期记忆子网输出，LSTM(·)是长短期记忆神经网络表示函数，ft是遗忘门输出，t是时间步索引，it是输入门输出，gt是候选细胞状态，Ct是当前细胞状态，Ot是输出门输出；[0116] 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，计算公式为：[0117] ；[0118] 式中，ODNN是深度神经子网的输出，l是深度神经子网的网络总层数，f(·)是激活函数，fl‑1(·)是第l‑1层深度神经子网的激活函数，f1是第1层深度神经子网的激活函数，X(1)是输入数据，W是深度神经子网权重，b是深度神经子网偏置项，W 是第1层深度神经子网的(1)权重，b 是第1层深度神经子网偏置项；[0119] 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；[0120] 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；[0121] 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；[0122] 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；[0123] 参阅图6，其中，水平方向为时序索引，垂直方向为取值为[0,降温控制，取值为2时，表示需要升温控制，深度方向为电池模组表面温度预测数据；[0124] 通过执行上述操作，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。[0125] 实施例四，参阅图1、图2、图3和图4，该实施例基于上述实施例，步骤S22：长期电池健康热管理，具体包括以下步骤：[0126] 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；[0127] 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；[0128] 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：[0129] ；[0130] 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；[0131] 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：[0132] dt=(st,at,st+1,rt)；[0133] 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；[0134] 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：[0135] di=(si,ai,si+1,ri)；[0136] 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；[0137] 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：[0138] 步骤S2261：计算评述网络目标值，计算公式为：[0139] ；[0140] 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；[0141] 步骤S2262：构建评述网络损失函数，计算公式为：[0142] ；[0143] 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；[0144] 步骤S2263：评述网络的网络参数更新，计算公式为：[0145] ；[0146] 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；[0147] 步骤S2264：动作网络的网络参数更新，计算公式为：[0148] ；[0149] 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；[0150] 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：[0151] ；[0152] 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；[0153] 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；[0154] 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；[0155] 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；[0156] 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；[0157] 所述瞬时锂离子电池温控调整参考数据，用于依据实时锂离子电池温度数据和短期温度变化需求，进行锂离子电池的温度控制；[0158] 所述热安全维护电池温控调整参考数据，用于依据实时锂离子电池温度数据和长期电池健康需求，进行锂离子电池的温度控制。[0159] 通过执行上述操作，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。[0160] 实施例五，参阅图1和图2，该实施例基于上述实施例，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；[0161] 所述第一优化子模型ModelCD1，用于实时动态热管理；[0162] 所述第二优化子模型ModelCD2，用于长期电池健康热管理。[0163] 实施例六，参阅图1、图2和图5，该实施例基于上述实施例，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：[0164] 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；[0165] 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；[0166] 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；[0167] 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；[0168] 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；[0169] 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；[0170] 所述热管理决策信息，包括实时决策和长期决策；[0171] 依据所述实时决策，使用所述第一优化子模型ModelCD1，通过冷却装置和加热装置进行瞬时需求温度控制；[0172] 依据所述长期决策，使用所述第二优化子模型ModelCD2，通过冷却装置、加热装置和相变材料进行长期需求温度控制。[0173] 通过执行上述操作，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。[0174] 实施例七，参阅图1和图2，该实施例基于上述实施例，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。[0175] 实施例八，参阅图1和图2，该实施例基于上述实施例，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；[0176] 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；[0177] 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；[0178] 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；[0179] 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；[0180] 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。[0181] 需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。[0182] 尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型。[0183] 以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

专利地区：山东

专利申请日期：2024-06-14

专利公开日期：2024-08-27

专利公告号：CN118350290B