一种考虑电池排布的锂离子动力电池成组设计方法

摘要

本发明公开了一种考虑电池排布的锂离子动力电池成组设计方法，该方法包括：构建具有不同排布结构的锂离子电池模块库；获取锂离子电池模块库的放电温度数据；根据锂离子电池模块库的放电温度数据，通过粒子群优化算法获取锂离子电池模块库的最优散热间隙；基于最优散热间隙，将锂离子电池模块库进行组合，得到待优化的锂离子电池电池组；将待优化的锂离子电池电池组输入至神经网络进行优化训练，构建优化后的锂离子电池电池组。本发明通过构建具有不同结构的电池库进而优化电池之间的间隙与间距实现降低电池组放电时的温度。本发明作为一种考虑电池排布的锂离子动力电池成组设计方法，可广泛应用于锂离子动力电池散热技术领域。

权利要求

1.一种考虑电池排布的锂离子动力电池成组设计方法，其特征在于，包括以下步骤：考虑锂离子电池组内部的空间结构，构建具有不同排布结构的锂离子电池模块库；

基于预设的锂离子电池放电条件，获取锂离子电池模块库的放电温度数据；

根据电池单体数量，确定粒子群优化算法的目标函数；

根据锂离子电池模块库的放电温度数据，确定粒子群优化算法的适应度函数；

将电池单体横向间隙和电池单体纵向间隙输入至所述粒子群优化算法，结合粒子群优化算法的目标函数进行迭代优化，直至优化结果满足所述粒子群优化算法的适应度函数，输出优化结果，所述优化结果为具有不同排布结构的锂离子电池模块库的最低放电温度；

根据具有不同排布结构的锂离子电池模块库的最低放电温度，确定具有不同排布结构的锂离子电池模块库的最优散热间隙；

将具有不同排布结构的锂离子电池模块库中的电池单体根据最优散热间隙进行排列，得到排列后的具有不同排布结构的锂离子电池模块库，所述排列后的具有不同排布结构的锂离子电池模块库包括排列后的矩形排布锂离子电池模块库、排列后的菱形排布锂离子电池模块库和排列后的错位排布锂离子电池模块库；

根据随机组合原则，对排列后的矩形排布锂离子电池模块库、排列后的菱形排布锂离子电池模块库和排列后的错位排布锂离子电池模块库进行组合，得到待优化的锂离子电池电池组；

将待优化的锂离子电池电池组输入至神经网络，所述神经网络包括输入层、第一全连接层、隐藏层、Tanh激活函数、第二全连接层、Sigmoid激活函数和输出层；

基于神经网络的输入层，获取待优化的锂离子电池电池组的待优化参数，所述待优化参数表示待优化的锂离子电池电池组中的不同排布锂离子电池模块库之间的间距；

基于神经网络的第一全连接层，对待优化参数进行维度映射处理，得到第一映射后的待优化参数；

基于神经网络的隐藏层，对第一映射后的待优化参数进行非线性变换处理，得到变换后的待优化参数；

基于神经网络的Tanh激活函数，对变换后的待优化参数进行建模，得到待优化参数的非线性关系；

基于神经网络的第二全连接层和Sigmoid激活函数，对待优化参数的非线性关系进行维度映射处理，得到第二映射后的待优化参数；

基于神经网络的输出层，输出第二映射后的待优化参数，所述第二映射后的待优化参数表示不同排布锂离子电池模块库之间的最优间距；

根据不同排布锂离子电池模块库之间的最优间距对待优化的锂离子电池电池组中的不同排布锂离子电池模块库之间的间距进行优化，得到优化后的锂离子电池电池组。

2.根据权利要求1所述一种考虑电池排布的锂离子动力电池成组设计方法，其特征在于，所述考虑锂离子电池组内部的空间结构，构建具有不同排布结构的锂离子电池模块库这一步骤，其具体包括：考虑锂离子电池组内部的空间结构，确定锂离子电池参数，所述锂离子电池参数包括电池单体数量、电池单体横向间隙和电池单体纵向间隙；

将锂离子电池参数输入至仿真模拟软件，确定锂离子电池的排布类别，所述锂离子电池的排布类别包括矩形排布、菱形排布和错位排布；

根据锂离子电池的排布类别，构建矩形排布的锂离子电池模块库、菱形排布的锂离子电池模块库和错位排布的锂离子电池模块库；

整合矩形排布的锂离子电池模块库、菱形排布的锂离子电池模块库和错位排布的锂离子电池模块库，构建具有不同排布结构的锂离子电池模块库。

3.根据权利要求2所述一种考虑电池排布的锂离子动力电池成组设计方法，其特征在于，所述电池单体横向间隙和电池单体纵向间隙均表示两个电池单体的圆心之间的距离与一个电池单体直径之差。

4.根据权利要求3所述一种考虑电池排布的锂离子动力电池成组设计方法，其特征在于，所述基于预设的锂离子电池放电条件，获取锂离子电池模块库的放电温度数据这一步骤，其具体包括：根据锂离子电池放电环境系数，构建预设的锂离子电池放电条件，所述锂离子电池放电环境系数包括锂离子电池内部参数、电压电流值、环境温度、气压值、空气流速和传热系数；

基于预设的锂离子电池放电条件，对SOC值为1的锂离子电池模块库进行2C恒流放电处理，直至锂离子电池模块库的SOC值为0，获取离子电池模块库放电过程中的平均温度，最高温度和最低温度；

整合离子电池模块库放电过程中的平均温度，最高温度和最低温度，得到锂离子电池模块库的放电温度数据。

5.根据权利要求4所述一种考虑电池排布的锂离子动力电池成组设计方法，其特征在于，所述粒子群优化算法的目标函数的表达式具体如下所示：；

上式中， 表示粒子群优化算法的目标函数， 表示电池单体的个数， 表示第 个电池单体的温度， 表示从第几个电池单体开始取值。

6.根据权利要求5所述一种考虑电池排布的锂离子动力电池成组设计方法，其特征在于，所述粒子群优化算法的适应度函数的表达式具体如下所示：；

上式中， 表示粒子群优化算法的适应度函数， 表示平均温度， 表示粒子的位置向量， 表示粒子位置 对应电池模块的平均温度。

7.根据权利要求6所述一种考虑电池排布的锂离子动力电池成组设计方法，其特征在于，所述具有不同排布结构的锂离子电池模块库的最优散热间隙包括矩形排布的锂离子电池模块库的最优横向间隙、矩形排布的锂离子电池模块库的最优纵向间隙、菱形排布的锂离子电池模块库的最优横向间隙、菱形排布的锂离子电池模块库的最优纵向间隙、错位排布的锂离子电池模块库的最优横向间隙和错位排布的锂离子电池模块库的最优纵向间隙。

说明书

一种考虑电池排布的锂离子动力电池成组设计方法

技术领域

[0001] 本发明涉及锂离子动力电池散热技术领域，尤其涉及一种考虑电池排布的锂离子动力电池成组设计方法。

背景技术

[0002] 锂离子电池的发展是新能源汽车的核心技术，已经在电动汽车中得到了广泛的应用，它具有功率密度高、寿命长、自放电低等优点。电池工作温度是影响汽车动力电池工作效率和安全性能的关键因素之一，常用锂离子电池的最佳工作温度在20–45℃。为了满足新能源汽车高功率密度、长续航的要求，通常把大量电池密集地排布成一个电池组，设计良好的动力电池成组结构对于避免电池的过热和电池组内的不均匀发热至关重要。如果动力电池组的成组设计不完善，那么在对电池组进行冷却过程中，不同位置的单体电池冷却效果不同，会引起单体电池温度差别过大，增加单体电池性能的不一致性，严重影响动力电池组的性能与使用寿命；

[0003] 现阶段常用的冷却方式可以分为主动冷却和被动冷却，其中主动冷却包括风冷，液冷等，被动冷却则有相变冷却和热管散热冷却等。通过查阅相关研究发现，在风冷条件下，锂离子电池单体的排布方式和间距对电池组热管理性能有不同程度的影响，现有通过模拟了强制风冷条件下的1x24、3x8和5x5阵列的矩形排布，19个电池的六边形排布和28个电池圆形排布的散热情况，并研究了风扇位置和空气流速对电池组热管理性能的影响；再有通过研究了电池矩形排布和交错排布下的散热对比分析以及对锂离子电池组在强制风冷策略下交错排布的参数进行研究，另外还有建立了流动阻力网络和传热模型，并通过调整矩形电池单体之间的间距优化了并联风冷电池组的结构，最大温差减小了42%，实现了更好的热管理性能，又有通过研究了在风冷情况下并联拓扑结构对锂离子电池模组的影响，但是现有的电池组的设计研究都局限于单一的排布方式，忽略了不同排布方式混合成组对动力电池组热管理性能的影响。

发明内容

[0004] 为了解决上述技术问题，本发明的目的是提供一种考虑电池排布的锂离子动力电池成组设计方法，通过构建具有不同结构的电池库进而优化电池之间的间隙与间距实现降低电池组放电时的温度。

[0005] 本发明所采用的第一技术方案是：一种考虑电池排布的锂离子动力电池成组设计方法，包括以下步骤：

[0006] 考虑锂离子电池组内部的空间结构，构建具有不同排布结构的锂离子电池模块库；

[0007] 基于预设的锂离子电池放电条件，获取锂离子电池模块库的放电温度数据；

[0008] 根据锂离子电池模块库的放电温度数据，通过粒子群优化算法获取具有不同排布结构的锂离子电池模块库的最优散热间隙；

[0009] 基于最优散热间隙，将具有不同排布结构的锂离子电池模块库进行组合，得到待优化的锂离子电池电池组；

[0010] 将待优化的锂离子电池电池组输入至神经网络进行优化训练，构建优化后的锂离子电池电池组。

[0011] 进一步，所述考虑锂离子电池组内部的空间结构，构建具有不同排布结构的锂离子电池模块库这一步骤，其具体包括：

[0012] 考虑锂离子电池组内部的空间结构，确定锂离子电池参数，所述锂离子电池参数包括电池单体数量、电池单体横向间隙和电池单体纵向间隙；

[0013] 将锂离子电池参数输入至仿真模拟软件，确定锂离子电池的排布类别，所述锂离子电池的排布类别包括矩形排布、菱形排布和错位排布；

[0014] 根据锂离子电池的排布类别，构建矩形排布的锂离子电池模块库、菱形排布的锂离子电池模块库和错位排布的锂离子电池模块库；

[0015] 整合矩形排布的锂离子电池模块库、菱形排布的锂离子电池模块库和错位排布的锂离子电池模块库，构建具有不同排布结构的锂离子电池模块库。

[0016] 进一步，所述电池单体横向间隙和电池单体纵向间隙均表示两个电池单体的圆心之间的距离与一个电池单体直径之差。

[0017] 进一步，所述基于预设的锂离子电池放电条件，获取锂离子电池模块库的放电温度数据这一步骤，其具体包括：

[0018] 根据锂离子电池放电环境系数，构建预设的锂离子电池放电条件，所述锂离子电池放电环境系数包括锂离子电池内部参数、电压电流值、环境温度、气压值、空气流速和传热系数；

[0019] 基于预设的锂离子电池放电条件，对SOC值为1的锂离子电池模块库进行2C恒流放电处理，直至锂离子电池模块库的SOC值为0，获取离子电池模块库放电过程中的平均温度，最高温度和最低温度；

[0020] 整合离子电池模块库放电过程中的平均温度，最高温度和最低温度，得到锂离子电池模块库的放电温度数据。

[0021] 进一步，所述根据锂离子电池模块库的放电温度数据，通过粒子群优化算法获取具有不同排布结构的锂离子电池模块库的最优散热间隙这一步骤，其具体包括：

[0022] 根据电池单体数量，确定粒子群优化算法的目标函数；

[0023] 根据锂离子电池模块库的放电温度数据，确定粒子群优化算法的适应度函数；

[0024] 将电池单体横向间隙和电池单体纵向间隙输入至所述粒子群优化算法，结合粒子群优化算法的目标函数进行迭代优化，直至优化结果满足所述粒子群优化算法的适应度函数，输出优化结果，所述优化结果为具有不同排布结构的锂离子电池模块库的最低放电温度；

[0025] 根据具有不同排布结构的锂离子电池模块库的最低放电温度，确定具有不同排布结构的锂离子电池模块库的最优散热间隙。

[0026] 进一步，所述粒子群优化算法的目标函数的表达式具体如下所示：

[0027] ；

[0028] 上式中， 表示粒子群优化算法的目标函数， 表示电池单体的个数， 表示第 个电池单体的温度，表示从第几个电池单体开始取值。

[0029] 进一步，所述粒子群优化算法的适应度函数的表达式具体如下所示：

[0030] ；

[0031] 上式中， 表示粒子群优化算法的适应度函数， 表示平均温度， 表示粒子的位置向量， 表示粒子位置 对应电池模块的平均温度。

[0032] 进一步，所述具有不同排布结构的锂离子电池模块库的最优散热间隙包括矩形排布的锂离子电池模块库的最优横向间隙、矩形排布的锂离子电池模块库的最优纵向间隙、菱形排布的锂离子电池模块库的最优横向间隙、菱形排布的锂离子电池模块库的最优纵向间隙、错位排布的锂离子电池模块库的最优横向间隙和错位排布的锂离子电池模块库的最优纵向间隙。

[0033] 进一步，所述基于最优散热间隙，将具有不同排布结构的锂离子电池模块库进行组合，得到待优化的锂离子电池电池组这一步骤，其具体包括：

[0034] 将具有不同排布结构的锂离子电池模块库中的电池单体根据最优散热间隙进行排列，得到排列后的具有不同排布结构的锂离子电池模块库，所述排列后的具有不同排布结构的锂离子电池模块库包括排列后的矩形排布锂离子电池模块库、排列后的菱形排布锂离子电池模块库和排列后的错位排布锂离子电池模块库；

[0035] 根据随机组合原则，对排列后的矩形排布锂离子电池模块库、排列后的菱形排布锂离子电池模块库和排列后的错位排布锂离子电池模块库进行组合，得到待优化的锂离子电池电池组。

[0036] 进一步，所述将待优化的锂离子电池电池组输入至神经网络进行优化训练，构建优化后的锂离子电池电池组这一步骤，其具体包括：

[0037] 将待优化的锂离子电池电池组输入至神经网络，所述神经网络包括输入层、第一全连接层、隐藏层、Tanh激活函数、第二全连接层、Sigmoid激活函数和输出层；

[0038] 基于神经网络的输入层，获取待优化的锂离子电池电池组的待优化参数，所述待优化参数表示待优化的锂离子电池电池组中的不同排布锂离子电池模块库之间的间距；

[0039] 基于神经网络的第一全连接层，对待优化参数进行维度映射处理，得到第一映射后的待优化参数；

[0040] 基于神经网络的隐藏层，对第一映射后的待优化参数进行非线性变换处理，得到变换后的待优化参数；

[0041] 基于神经网络的Tanh激活函数，对变换后的待优化参数进行建模，得到待优化参数的非线性关系；

[0042] 基于神经网络的第二全连接层和Sigmoid激活函数，对待优化参数的非线性关系进行维度映射处理，得到第二映射后的待优化参数；

[0043] 基于神经网络的输出层，输出第二映射后的待优化参数，所述第二映射后的待优化参数表示不同排布锂离子电池模块库之间的最优间距；

[0044] 根据不同排布锂离子电池模块库之间的最优间距对待优化的锂离子电池电池组中的不同排布锂离子电池模块库之间的间距进行优化，得到优化后的锂离子电池电池组。

[0045] 本发明方法的有益效果是：本发明通过构建具有不同排布结构的锂离子电池模块库，以模块化设计方法为指导设计了具有矩形排布、菱形排布和错位排布的电池单体模块库，以粒子群优化算法分析了电池单体间隙对电池模块热管理性能的影响，在不改变电池组电池单体数量的情况下建立了反映不同电池排布模块成组设计的神经网络模型，探究了电池组内不同的电池排布模块配置方案对电池组热管理性能的影响，通过优化分析确定电池组最佳排布结构参数，以达到动力电池组热管理性能最佳的目的，降低电池组放电时的温度。

附图说明

[0046] 图1是本发明实施例一种考虑电池排布的锂离子动力电池成组设计方法的步骤流程图；

[0047] 图2是本发明具体实施例锂离子动力电池成组设计的步骤结构框图；

[0048] 图3是本发明具体实施例的矩形排布的电池模块横向和纵向间隙定义示意图；

[0049] 图4是本发明具体实施例的菱形排布的电池模块横向和纵向间隙定义示意图；

[0050] 图5是本发明具体实施例的错位排布的电池模块横向和纵向间隙定义示意图；

[0051] 图6是本发明具体实施例的粒子群优化间隙结果图；

[0052] 图7是本发明具体实施例的电池组成组设计示意图；

[0053] 图8是本发明具体实施例矩形排布在第一电池模块位置下最优示意图；

[0054] 图9是本发明具体实施例菱形排布在第二电池模块位置下最优示意图；

[0055] 图10是本发明具体实施例错位排布在第三电池模块位置下最优示意图；

[0056] 图11是本发明具体实施例神经网络结构示意图；

[0057] 图12是本发明具体实施例矩形排布在第一电池模块位置下神经网络优化结果示意图；

[0058] 图13是本发明具体实施例菱形排布在第二电池模块位置下神经网络优化结果示意图；

[0059] 图14是本发明具体实施例错位排布在第三电池模块位置下神经网络优化结果示意图。

具体实施方式

[0060] 下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

[0061] 参照图1，本发明提供了一种考虑电池排布的锂离子动力电池成组设计方法，该方法包括以下步骤：

[0062] S1、考虑锂离子电池组内部的空间结构，构建具有不同排布结构的锂离子电池模块库；

[0063] 具体地，考虑锂离子电池组内部的空间结构，确定锂离子电池参数，所述锂离子电池参数包括电池单体数量、电池单体横向间隙和电池单体纵向间隙；将锂离子电池参数输入至仿真模拟软件，确定锂离子电池的排布类别，所述锂离子电池的排布类别包括矩形排布、菱形排布和错位排布；根据锂离子电池的排布类别，构建矩形排布的锂离子电池模块库、菱形排布的锂离子电池模块库和错位排布的锂离子电池模块库；整合矩形排布的锂离子电池模块库、菱形排布的锂离子电池模块库和错位排布的锂离子电池模块库，构建具有不同排布结构的锂离子电池模块库；

[0064] 其中，电池单体横向间隙和电池单体纵向间隙均表示两个电池单体的圆心之间的距离与一个电池单体直径之差；

[0065] 在本实施例中，向计算机模拟系统的多物理场模拟软件COMSOL Multiphysics输入相关参数确定电池排布的种类，本发明以常见的矩形排布、菱形排布和错位排布来构建电池排布模块库，以18个电池为一个电池模块作为例子说明，Delta1和Delta2的取值范围定义在1mm到4mm的范围内，其中在1mm到4mm的范围内每隔0.1mm取一个仿真数据，则电池Delta1的数据个数为30个，Delta2的数据个数同为30个，经过组合一共有900个仿真数据，横向间隙Delta1定义为两电池圆心之间的距离 与一个电池直径 之差，纵向间隙Delta2为两电池圆心之间的距离 与一个电池直径 之差，三种排布电池模块的横/纵间隙示意图如图3、图4和图5所示。

[0066] S2、基于预设的锂离子电池放电条件，获取锂离子电池模块库的放电温度数据；

[0067] 具体地，根据锂离子电池放电环境系数，构建预设的锂离子电池放电条件，所述锂离子电池放电环境系数包括锂离子电池内部参数、电压电流值、环境温度、气压值、空气流速和传热系数；基于预设的锂离子电池放电条件，对SOC值为1的锂离子电池模块库进行2C恒流放电处理，直至锂离子电池模块库的SOC值为0，获取离子电池模块库放电过程中的平均温度，最高温度和最低温度；整合离子电池模块库放电过程中的平均温度，最高温度和最低温度，得到锂离子电池模块库的放电温度数据；

[0068] 在本实施例中，向计算机模拟系统设定锂离子电池内部参数，锂离子电池内部参数包括电池容量、电池密度、层内和透层导热系数，电池的电压电流，环境温度为25℃，气压为101.325kPa，空气流速固定为1m/s，传热系数为4（W/Km2），锂电池在SOC=1时初始状态以2C倍率恒流放电，直至电池SOC=0，通过仿真得到各电池模块内部的平均温度，最高温度和最低温度。

[0069] S3、根据锂离子电池模块库的放电温度数据，通过粒子群优化算法获取具有不同排布结构的锂离子电池模块库的最优散热间隙；

[0070] 具体地，根据电池单体数量，确定粒子群优化算法的目标函数；根据锂离子电池模块库的放电温度数据，确定粒子群优化算法的适应度函数；将电池单体横向间隙和电池单体纵向间隙输入至所述粒子群优化算法，结合粒子群优化算法的目标函数进行迭代优化，直至优化结果满足所述粒子群优化算法的适应度函数，输出优化结果，所述优化结果为具有不同排布结构的锂离子电池模块库的最低放电温度；根据具有不同排布结构的锂离子电池模块库的最低放电温度，确定具有不同排布结构的锂离子电池模块库的最优散热间隙。

[0071] 在本实施例中，通过粒子群优化算法分别对矩形排布，菱形排布和错位排布的横/纵向间隙进行优化，它的输入是[Delta1，Delta2]，输出是[平均温度]，最后得到的最优散热间隙结果如图6所示，粒子群优化算法的目标函数为：

[0072] ；

[0073] 上式中， 表示粒子群优化算法的目标函数， 表示电池单体的个数， 表示第 个电池单体的温度，表示从第几个电池单体开始取值；

[0074] 适应度函数定义为：

[0075] ；

[0076] 上式中， 表示粒子群优化算法的适应度函数， 表示平均温度， 表示粒子的位置向量， 表示粒子位置 对应电池模块的平均温度；

[0077] 即平均温度最小值，迭代次数为200次，根据上一次的速度和当前适应度，改变该粒子的速度，以期望更好的速度和位置，根据新的速度，更新每个粒子的位置，形成新的粒子群。重复迭代重复适应度计算、速度更新和位置更新的过程，直到符合停止准则为止。

[0078] S4、基于最优散热间隙，将具有不同排布结构的锂离子电池模块库进行组合，得到待优化的锂离子电池电池组；

[0079] 具体地，将具有不同排布结构的锂离子电池模块库中的电池单体根据最优散热间隙进行排列，得到排列后的具有不同排布结构的锂离子电池模块库，所述排列后的具有不同排布结构的锂离子电池模块库包括排列后的矩形排布锂离子电池模块库、排列后的菱形排布锂离子电池模块库和排列后的错位排布锂离子电池模块库；根据随机组合原则，对排列后的矩形排布锂离子电池模块库、排列后的菱形排布锂离子电池模块库和排列后的错位排布锂离子电池模块库进行组合，得到待优化的锂离子电池电池组；

[0080] 在本实施例中，优化后的各电池模块进行不同位置上的组合形成一个54个锂离子电池组成的电池组，一个电池组分为三个位置，分别是第一电池模块位置、第二电池模块位置和第三电池模块位置，第一电池模块位置可以放置三种排布中的任意一种，同理第二电池模块和第三电池模块位置亦可三种排布。DeltaR1为第一电池模块和第二电池模块之间的优化间距，DeltaR2为第二电池模块和第三电池模块之间的优化间距，如图7所示。DeltaR1值和DeltaR2值定义为从1mm‑10mm范围变化，变化间隔为1mm，经过软件COMSOL Multiphysics仿真计算，最后得到2700个关于不同电池模块排布和不同间距的仿真数据，图8、图9和图10分别是矩形，菱形和错位排布在第一电池模块位置下最优组合；

[0081] 进一步对本发明的图8、图9和图10进行解释说明，高温部分集中为电池组后半部分的中间位置的电池，颜色越深代表温度越高。

[0082] S5、将待优化的锂离子电池电池组输入至神经网络进行优化训练，构建优化后的锂离子电池电池组。

[0083] 具体地，将待优化的锂离子电池电池组输入至神经网络，所述神经网络包括输入层、第一全连接层、隐藏层、Tanh激活函数、第二全连接层、Sigmoid激活函数和输出层；基于神经网络的输入层，获取待优化的锂离子电池电池组的待优化参数，所述待优化参数表示待优化的锂离子电池电池组中的不同排布锂离子电池模块库之间的间距；基于神经网络的第一全连接层，对待优化参数进行维度映射处理，得到第一映射后的待优化参数；基于神经网络的隐藏层，对第一映射后的待优化参数进行非线性变换处理，得到变换后的待优化参数；基于神经网络的Tanh激活函数，对变换后的待优化参数进行建模，得到待优化参数的非线性关系；基于神经网络的第二全连接层和Sigmoid激活函数，对待优化参数的非线性关系进行维度映射处理，得到第二映射后的待优化参数；基于神经网络的输出层，输出第二映射后的待优化参数，所述第二映射后的待优化参数表示不同排布锂离子电池模块库之间的最优间距；根据不同排布锂离子电池模块库之间的最优间距对待优化的锂离子电池电池组中的不同排布锂离子电池模块库之间的间距进行优化，得到优化后的锂离子电池电池组；

[0084] 在本实施例中，如图11所示，定义一个名为Hidden layer1的全连接层，表示输入层和第一个隐藏层之间的连接，紧接着使用Tanh激活函数对第一个隐藏层的输出结果进行处理，再定义一个Hidden layer2全连接层，表示第一个隐藏层和输出层之间的连接，最后使用Sigmoid激活函数对输出层的输出结果进行处理，将其缩放到0和1之间得到的结果传入输出层Output layer，得到模型的预测结果；

[0085] 全连接层的作用是对输入数据进行特征提取和转换，将输入数据的维度映射到下一层的维度。隐藏层起到了对输入数据进行非线性变换的作用，能够捕捉输入数据中的复杂关系和特征。Tanh激活函数使得神经网络能够对非线性关系进行建模。Sigmoid函数将输出值映射到0和1之间，这样概率化处理方便了输出结果的解释和使用。输入层和输出层分别是接收外部输入的数据和对神经网络的最终输出结果；

[0086] 进一步的，为了获得最优的DeltaR1和DeltaR2，在2700个数据中随机取样选取1800个数据作为神经网络模型训练的数据集，随机取样的目的是在训练过程中使用多个不同的样本，避免过拟合，以提高模型的泛化能力和鲁棒。模型训练完毕之后，由原本1mm‑
10mm范围，间隔为1mm取一个数据，变成间隔为0.5mm取一个数据，得到的数据集作为神经的输入，最后分别获得矩形，菱形，错位排布在第一电池模块位置的400个输出数据，如图12、图13和图14所示，最优间距分别是DeltaR1=10mm，DeltaR2=7.9mm；DeltaR1=10mm，DeltaR2=
5.8mm；DeltaR1=10mm，DeltaR2=6.3mm；

[0087] 进一步对本发明的图12、图13和图14进行解释说明，以图12为例，横坐标为预测数据的个数，纵坐标为平均温度C，一个圆点为一组间距[DeltaR1，DeltaR2]，例如第一个点代表[DeltaR1=0.5mm，DeltaR2=0.5mm]时的平均温度，下面一个点代表[DeltaR1=0.5mm，DeltaR2=1mm]时的平均温度，以此类推。

[0088] 以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。