英语原文共 5 页，剩余内容已隐藏，支付完成后下载完整资料
基于镍氢电池的模拟充电期间对人工神经网络表面温度预测模型
摘要：在这项研究中，基于人工神经网络预测模型，构建了镍氢电池的表面温度模拟。该模型是从一种由Levenberg-Marquardt算法训练得来的反向传播网络发展而来的。在10℃、20℃、30℃和40℃的每一个环境温度下，以便为模型的训练提供数据，圆柱形镍氢电池在1℃，3℃和5℃的环境下被充电110％。线性回归法是采用checkthe模型训练的质量，以及均方误差和绝对误差。结果表明：所构建的模型在预测精度方面保证了其优秀的培训质量。由模型的各种环境温度下的预测，电池在充电期间其表面温度是50℃，60℃，70℃。实验结果与实验数据吻合较好验证。电池表面温度的值被计算为超过50℃，60℃的环境温度下，如果它是通过在5℃充电，这可能会导致电池的安全性的问题。
文章历史：收到：2011年11月25日；收到修改后的表：2012年2月15日；接受：2012年2月16日；可在线获取：2012年2月25日
关键词：预测模型、反向传播网络、电池表面温度、充电率、环境温度
1.简介
目前，由于对石油短缺和环境污染的关注，电动驱动的车辆越来越多地被接受。。动力电池被广泛研究，因为它是新能源汽车所利用的关键器件。除了电化学性能，电池的安全性是也起到了至关重要的。对于安全问题上的密切关系，电池热行为重点集中在许多研究中。 史等人[1]通过二维数学建模研究了在镍 - 金属氢化物电池的快速充电过程所产生的热量。 Araki等人[2]讨论了快速充放电循环小型镍MHbattery的热行为。Kim等人[3]通过三维热模型考察了锂离子电池的热失控。张教授等人[4]分析了三种类型的使用数学模型计算圆柱形锂离子电池的发热源。蔡和白等人[5]提出了一种在商业软件（COMSOL公司多物理）的帮助下多物理场锂离子电池的热模型。然而，通常，所提出的模型涉及复杂的内部物理 - 化学反应和复杂的数学计算[6]。这将是对构建一个简单可行的方法电池的热行为研究的模型大大有益的。至于原因，不管内部机构情况下，人工神经网络（ANN）通常用来处理多输入和多输出的情况，它在这项工作中是用于构建预测模型来模拟镍氢电池的表面温度。
在镍氢电池的情况下，其产生的热量主要出现在充电过程中，这可能在过充电和快速充电的过程中更为显着。在笔者的前期工作中，发现当镍氢电池的表面温度超过90℃，可能会发生电解液泄漏。如果温度继续上升，将可能发生电池爆炸。如果电池的表面温度可以精确地模拟，防止从热失控将是有效的。如上所述，基于反向传播（BP）网络的建立关联到神经网络上，预测模型来集中于电池表面温度的变化不同的环境温度下充电，尤其是，在较高的环境温度（50℃，60中℃，70℃），电池的安全性也进行了讨论。
2. 模型描述
使用一个计算模型模拟人类大脑思维、人工神经网络已广泛应用于许多科学和工程领域的应用。它是一个大规模并行分布式处理器，具有用于容纳经验调节和使它自身可使用的天然倾向[9]。在实际应用中，最常用提出神经网络结构被称为多层感知，这是由一个输入层，一个或多个隐含层和一个输出层组成的的前馈神经网络。隐层是由一些处理单元称为神经元，可以处理来自输入层中的数据，相应的结果将通过输出层被给予。
在这个过程中，前馈神经网络打算通过利用其良好的学习能力的优势，以赶上输入数据的电势调节。所以，它可通过掌握调节推断结果输出时新的数据被输入到模型[11].
其结果是，复杂的非线性问题的处理可以用神经网络模型[12]被简化。对于镍氢电池，在充电过程中产生的热包括反应热、热的组合、极化热和欧姆热[13]。反应热是定期充电期间放热（如见于式（1））[14]，而氢气和氧气发生反应过充电时释放大量的组合的热量（如等式（2）所示）[13]。极化和欧姆加热与整个充电过程中产生一起。因此这是不可避免的，以提高电池的表面温度与生成的热的这些若干方面。据推测，产生了更多的热量，较高电池表面温度相同的充电条件下变。
Ni(OH)2 M → NiOOH MH minus;14.65 kJ molminus;1 (1)
2H 1/2O2 → H2O minus;285.9 kJ molminus;1 (2)
在实验中，散热到环境是不考虑，发现该电池的表面温度（Ts）由充电电流（I），环境温度（TAMT）和充电时间（t）来影响。然而，具体的计算模式在这些变量之间是未知的。但是，在Ts可能在使用等式来表达。 （3），为了从其中不给出变量关系的详细表达的功能得到Ts时，它是有帮助的介绍基于上述陈述工作的神经网络模型。模型的示意图示于图1。预计TS可以通过模型和不同的环境温度下的充电可以实现在预测Ts的目的计算出来。 ANN的学习能力是通过模型训练的方式实现的。推荐最受欢迎的训练算法是反向传播（BP）算法及其变种[15]。反向传播意味着网络错误将传播回来，如果它没有达到在模型训练过程中的预期值，同时在网络权重和偏置值不断调整，以获得最小误差[16]。由BP算法训练前馈神经网络通常被称为BP网络，这是对这项工作的模型构建的理想选择。基于BP网络，预测模型的设计及其与三层结构示于图。 2，其中在该模型通过参数通过试验和错误来确定。 p表示输入到图中的模型中的数据，U表示该模型的输出结果是TS，w和b是权重和偏置值分别。有在输入层中的两个节点，因为当电流I设置中，Ts将与TAMT和叔变化。根据洛夫定理（J = 2I 1）[10]，在隐藏层中使用的神经元的数目可以被确定为5.即一个神经元被设置在输出层是归因到Ts作为模型的一个只输出。
Ts = f (I, Tamt, t) (3)
但是，在Ts可能使用等式（3）来表达。 为了从功能上得到给出的变量关系的具体表现Ts，它有利于引入基于上述声明中工作的人工神经网络模型模型的示意图示于图 1。预计TS通过模型和不同的环境温度下的充电可以实现在预测Ts的目的。 ANN的学习能力是通过模型训练的方式实现的。推荐最受欢迎的训练算法是反向传播（BP）算法及其变种[15]。反向传播意味着网络错误将传播回来，如果它没有达到在模型训练过程中的预期值，可以在网络权重和偏置值不断调整，以获得最小误差[16]。由BP算法训练前馈神经网络通常被称为BP网络，这是对这项工作的模型构建的最理想的选择。基于BP网络，预测模型的设计及其与三层结构示于图2，其中在该模型通过参数通过试验和错误来确定。 p表示输入到图中的模型中的数据，U表示该模型的输出结果是TS，w和b分别是权重和偏置值。有在输入层中的两个节点，因为当电流I设置中，Ts将与TAMT及T变化。根据洛夫定理（J =2I 1）[10]，在隐藏层中使用的神经元的数目可以被确定为5.即一个神经元被设置在输出层是归因到Ts作为模型的一个只输出。选择的模型构建的传递函数tangentsigmoid和登录乙状结肠在上两层，分别写在方程（4）和（5）[17]。
Tan-sigmoid 函数：
Log-sigmoid 函数：
这里v是输出层神经元的数目，f（）表示Log-sigmoid 函数。此后，通过上述模型Ts的预测值达到最终值。在ANN建模，它要选择一个合适的算法训练建成的模型是非常重要的。为BP网络，BP训练的基本原理符合梯度下降法，它能够通过改变权重和偏置值沿负梯度的方向上减少网络错误。在这项工作中，梯度下降法的一种变体叫做列文伯格- 马夸尔特（LM）算法，用来训练构造模型[9]。 LM算法被公式（8）表示 [9]。
(8)
这里XK表示重量或偏差的向量，J是雅可比矩阵，包括相对于重量和偏差网络错误的一阶导数，D是单位矩阵，c是网络错误，z为测试标量。 LM算法把梯度下降法和牛顿法结合在一起。梯度下降方法有很好的收敛性，并且当它被用于神经网络的训练时，初始迭代快速下降下来。然而，随着截止到最佳值，目标函数下降变得非常缓慢。牛顿法在一个理想的搜索方向生产附近的最优值，但是它不如梯度下降法收敛效果好。因而，迭代可以继续快速进行。在保证收敛效果的情况下，LM算法有望转化为牛顿法并保证模型的训练速度和精度。构建模型的培训质量需要进行有效使用值的评估。
3.实验：
在10℃，20℃，30℃和40℃的每一个环境温度下，一个8安圆柱形镍氢电池充电至其110％都能获得为ANN预测模型的训练数据。该数据记录是由红外热成像仪（从德国红外Tec的公司VarioCam升级版）中进行。该模型是在MATLAB软件平台构造下预测50℃，60℃和70℃的环境温度下充电的电池的表面温度。学习率模型训练期间设置为0.05，训练时期是5000。
4.实验结果及讨论
4.1. 实验结果
模型的训练结果示于图3-5。图3是模型的均方误差（MSE）的收敛曲线。它表明，该MSE几乎会聚在第500次，其中值是4.98621e-006。显然，LM算法训练模型收敛速度快，精度高。在第5000培训时，MSE的值为4.98657e-006，它与第500个值进行比较变化不大。在这种情况下，该模型可以被定性为一个训练好的值[20]，虽然MSE不达到0的理想值,但可投入使用。合理来讲，5000信号出现时间设计为训练是足够满足该模型的应用程序的需求。。
图1 电池的表面温度的神经网络模型预测
图2 BP网络结构
图3 模型的均方误差
图4 模型的输出结果和目标之间的线性回归关系
图5 绝对误差（Delta;E）模型输出和目标之间。
图4给出了模型输出（u）和相应的目标（CT）的每个元素之间的线性回归关系，进一步检查模型培训的质量，这里u是模拟结果和CT实用数据。 S和M对应于斜率和由经训练的模型给出了回归线（红色实线）的y截距。当输出值精准的等于目标值时。理想状态适合被视为虚线。对于回归线，1和4.04e-005是为S和M分别获得，并且m的值非常接近0。所以，回归线和理想拟合线在图中的几乎重叠时，表示该模型的输出非常好地符合目标值。R代表输出和目标之间的相关系数。若R的值达到1或接近1，相关性将变得更好[22]，则神经网络建模就会更有效地执行。在经训练的模型的情况下，1个R的值意味着一个完全相关数据领先所有输出数据（如标注在中空周期）分配于回归线[23]。总之，结果表明，该模型是良好的培训质量。该模型输出的每个元素和相应目标之间的绝对误差在图5进行说明。 最大误差为2.51times;10-3℃和最小值为8.88times;10-6◦C。实际上，即使考虑最大误差的值，它相比，在实验电池的实际表面温度，它可以微小到忽略不计的。另外，还阐明了该模型是具有高质量的训练。
图6 电池表面温度变化曲线（BST，预测数据）随着时间的推移，在不同的环境温度下1 C倍率充电。
4.2. 预测结果及验证
当电池在各环境温度下不同的速率充电预测Ts的曲线示于图6-8。可以看出，这些曲线的开始值等于相应的环境温度的值。 TS会随着充电过程去。电池表面的最高温度出现在充电结束。此外，由于当电池以相同的速度被充电的环境温度上升TS将变大。在相同的环境温度，Ts的上升率可以从曲线斜率来确定。它将与充电率的升高而升高。因此，TS上升速率是在5℃充电最高的，而该值在1℃充电最低。结果可以归因于当电池在不同的速率充电产生不同的偏振效果。
图7电池表面温度变化曲线（BST，预测数据）随着时间的推移，在不同的环境温度下的3C费率收费。
图8 电池表面温度变化曲线（BST，预测数据）随着时间的推移，在不同的环境温度下5℃费率充电。
表格1在充电结束电池表面温度（BST）的预测值，各种环境温度（TAMT）下。
TS在各种环境温度下的充电结束时的预测值在表1中以在60◦C例如充电列出的，可以发现，电池表面的端子的温度是68.44◦C当充电速率为1℃，它比环境温度高8.44◦C，而不同的是15.11◦C在3℃的情况下然而，如果充电率变化至5℃，表面温度即使达到90◦C，差异值变得更大。当然，电池热行为的影响作为充电率的增加。此外，如果不采取降温措施在90？C的表面温度高可能会造成电池的安全问题。图9是模拟结果和实验数据的比较。为安全起见，实验只50◦C的环境温度下进行，以验证模型。结果表明，模拟曲线与实测值吻合较好。
图9 模拟结果和实验数据，50？C的环境温度之间的比较。
三种情况的1℃，3℃和5℃与1.30◦C的最大温度差的数据。它是可以接受的，使预测带在与上面50◦C的实际电池的表面温度这样的小错误。显然，预测值与实验数据，这也证实了该模型是有效工作的良好的一致性。在这项研究中，所涉及的人工神经网络建模的参数的数目是在参考经验模型[1,2]进行同样的模拟相对较少。该模型建设，培训和预测可以在短的时间内完成。此外，据推测，该预测模型可以扩展到锂离子电池，研究其热性能，服务于电池组的热管理系统。 5.结论人工神经网络模型构建了镍氢电池的表面温度（TS）的预测。该模型是由含三层BP网络发达。有在输入层中的两个节点，在隐藏层5的神经元，并在输出层中的一个神经元。该模型是由LM算法训练和培训质量是由线性回归的方法，以及模型MSE和绝对错误检查。结果表明，该模型对预测精度的保证优秀的培训质量。然后，TS值由不同的环境温度和充电速率下，训练有素的神经网络模型计算。这验证了TS协议与实验数据，这体现了该模型的有效模拟。预测结果表明，表面温度会甚至超过90◦C当电池在5℃的60？C
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[147490]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
