机械滥用场景下锂离子电池温度多模态神经网络预测方法

摘要

针对锂离子电池机械滥用场景下单一模态建模、简单融合策略和物理约束不足导致的温度预测精度低的问题，提出了一种基于多模态神经网络的最高温度预测方法。首先，选用1 200 mA·h的18650型锂离子电池，在10%～90%荷电状态范围内开展机械挤压实验，采集热成像图、荷电状态、电压、载荷和变形等多源数据，构建超过200组的多模态数据集。然后，利用多尺度卷积模块、注意力机制和双向长短期记忆网络提取热成像时空特征，结合一维卷积神经网络与双向长短期记忆网络提取电化学与力学时序特征，并通过变换器融合机制实现跨模态特征自适应融合。最后，引入温度变化率约束的物理损失函数，以提升预测的合理性和鲁棒性。研究结果表明：多模态神经网络模型短期预测(1～3步)的决定系数达到0.972～0.990,中长期预测(6～15步)的决定系数稳定在0.900以上，能够实现机械滥用条件下锂离子电池的多步预测，并在不同荷电状态和预测步长下表现出显著的精度优势和良好的适应性，为锂离子电池热失控的多级预警和安全管理提供了技术支持。

关键词

锂离子电池 / 机械滥用 / 注意力机制 / 温度预测

基金资助

国家自然科学基金资助项目(52407236)