توسعه یک مدل پیشبینی دمای سلول باتری در شرایط بارگذاری سنگین با استفاده از شبکه عصبی عمیق در خودروهای برقی

در این پژوهش یک مدل هوشمند مبتنی بر شبکه عصبی عمیق برای پیشبینی دمای سلول باتری لیتیوم یونی در شرایط بارگذاری سنگین توسعه داده شده است. مدیریت حرارتی باتری در خودروهای برقی و سامانه های ذخیره ساز انرژی نقشی کلیدی در افزایش ایمنی، جلوگیری از فرار حرارتی، بهبود راندمان و افزایش طول عمر باتری ایفا می کند. در شرایط بارگذاری دینامیکی و جریان های بالا، مدل های تحلیلی و فیزیکی کلاسیک یا به داده های ورودی متعدد و پارامترهای شناسایی دشوار نیاز دارند یا قادر به نمایش دقیق رفتار غیرخطی و وابسته به تاریخچه بار نیستند. به همین منظور در این مطالعه ابتدا یک مجموعه داده تجربی شامل پروفایل جریان، ولتاژ، حالت شارژ، دمای محیط و دمای لحظه ای سلول در چندین چرخه شارژ و دشارژ سنگین تهیه شده است. سپس یک شبکه عصبی عمیق با چندین لایه پنهان و ساختار مناسب برای مدل سازی دینامیک زمانی دما طراحی و با استفاده از روش های تنظیم گر (Regularization) و اعتبارسنجی متقابل آموزش داده شده است. عملکرد مدل پیشنهادی با مدل های تجربی متداول مقایسه و بر اساس شاخص هایی مانند خطای میانگین مطلق و ریشه میانگین مربعات خطا ارزیابی شده است. نتایج نشان می دهد مدل مبتنی بر شبکه عصبی عمیق قادر است با دقت بالا و در بازه های زمانی کوتاه تغییرات دمای سلول را در سناریوهای بارگذاری سنگین پیش بینی کند و نسبت به مدل های کلاسیک خطای پیش بینی را به طور معناداری کاهش دهد. این یافته ها نشان می دهد استفاده از رویکردهای یادگیری عمیق می تواند به عنوان ابزار موثر در طراحی و پیاده سازی سامانه های مدیریت حرارتی باتری در کاربردهای توان بالا مورد استفاده قرار گیرد.

کلیدواژه ها:

شبکه عصبی عمیق ، دمای سلول ، باتری ، بارگذاری سنگین ، مدیریت حرارتی ، باتری خودرو برقی ، ذخیره ساز انرژی ، مدل سازی غیرخطی ، داده محور ، پیش بینی دما ، لیتیوم یون ، سامانه خنک کاری ، یادگیری ماشین