近日，我院最新研究成果“Thermal management modeling and optimization of lithium-ion battery packs via Hammerstein–Wiener model integrated with grey wolf optimization algorithm-optimized gated recurrent”被能源领域国际权威期刊《Journal of Energy Storage》正式发表。

该论文以南昌大学信息工程学院为第一完成单位，硕士研究生袁国豪为第一作者，吴肖龙副教授为通讯作者。该文由我院、武汉科技大学、华中科技大学与新加坡南洋理工大学合作完成。研究获国家自然基金项目资助。

锂电池作为新能源储能与动力系统的核心部件，温度直接影响其安全性、循环寿命与充放电效率。传统锂电池热管理模型存在显著瓶颈：多物理场机理模型计算复杂度高，难以满足实时温控；纯数据驱动模型泛化性差，动态工况下预测精度不足。机理与数据融合的混合建模为此提供了有效路径，可在捕捉基础动态的同时修正误差，实现高精度、低时延温度预测。早期单一神经网络表征能力有限且缺乏物理约束，随着辨识与优化算法发展，混合建模已成为研究重点，但如何兼顾预测精度、机理可解释性与轻量化可靠性，仍是领域亟待解决的关键问题。

针对这一难题，研究团队基于36节18650锂电池组液冷系统，构建了集总参数机理模型，通过Hammerstein–Wiener（HW）非线性系统辨识方法，建立了放电倍率、冷却液流量、冷却液温度与电池温度的动态子模型。不同于传统单一模型的设计，该工作进一步引入门控循环单元（GRU）神经网络对机理模型的残差进行修正，并采用灰狼优化算法（GWO）对GRU的关键超参数进行优化，构建了HW‑GRU‑GWO混合预测模型。

图1 不同放电率下HW输出、HW-GRU-GWO输出与实验数据的温度对比曲线

图1展示了不同放电倍率下HW模型与HW‑GRU‑GWO模型的温度预测对比。结果显示，在放电倍率动态切换工况下，优化模型可精准捕捉温度拐点与变化趋势，预测轨迹与实测值高度贴合。该成果为动态变倍率下锂电池包温度精准预测提供了可靠验证与方法支撑。

图2 不同算法优化的HW模型在放电率子模型上的性能比较：（a）训练集（Fit 1）与测试集（Fit 2）拟合度；（b）训练集（RMSE 1）与测试集（RMSE 2）均方根误差

如图2（a）所示，GWO优化模型在训练集与测试集拟合度分别达95.28%、91.99%，显著优于EHO、PSO、GA算法，温度预测能力更强；图2（b）中，GWO模型在训练与测试阶段均取得最小RMSE，无过拟合；EHO出现明显过拟合，PSO、GA预测误差更大。GWO可更好平衡模型复杂度与精度，在波动工况下稳定性与适应性更优。

该研究中的预测模型不依赖复杂内部参数与高成本实验，以轻量化数据驱动的思路实现电池组动态特性精准分析、温度实时预报与热管理系统高效优化，具备强鲁棒性与工程落地价值，为新能源储能与动力电池的安全、高效、长寿命运行提供关键技术支撑。

论文链接：https://doi.org/10.1016/j.est.2025.119724