CN115392123A - 二次电池物理模型的参数辨识方法、系统、设备及介质 - Google Patents

二次电池物理模型的参数辨识方法、系统、设备及介质 Download PDF

Info

Publication number
CN115392123A
CN115392123A CN202211031146.3A CN202211031146A CN115392123A CN 115392123 A CN115392123 A CN 115392123A CN 202211031146 A CN202211031146 A CN 202211031146A CN 115392123 A CN115392123 A CN 115392123A
Authority
CN
China
Prior art keywords
secondary battery
identified
parameter identification
physical model
parameters
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202211031146.3A
Other languages
English (en)
Inventor
周睿
李俊超
邱志军
徐中领
张耀
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sunwoda Electric Vehicle Battery Co Ltd
Original Assignee
Sunwoda Electric Vehicle Battery Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sunwoda Electric Vehicle Battery Co Ltd filed Critical Sunwoda Electric Vehicle Battery Co Ltd
Priority to CN202211031146.3A priority Critical patent/CN115392123A/zh
Publication of CN115392123A publication Critical patent/CN115392123A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/27Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/23Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Secondary Cells (AREA)

Abstract

本申请涉及一种二次电池物理模型的参数辨识方法及系统,其中,参数辨识方法包括:构建待辨识二次电池的物理模型,并设定待辨识二次电池的物理模型采用的优化算法及其目标函数;采集待辨识的二次电池无损测试的测试数据;在所有测试数据未采集完成时,采用设定的优化算法及其目标函数,基于当前采集完的测试数据所对应的参数,对待辨识二次电池的物理模型进行前期参数辨识;在所有测试数据采集完成后,采用设定的优化算法及其目标函数,基于全部测试数据所对应的参数和前期参数辨识结果,对待辨识二次电池的物理模型进行后期参数辨识,得到二次电池最终的参数辨识结果,本申请能够在早期辨识过程中识别潜在参数,可以广泛应用于参数辨识领域中。

Description

二次电池物理模型的参数辨识方法、系统、设备及介质
技术领域
本申请涉及参数辨识领域,特别是关于一种二次电池物理模型的参数辨识方法、系统、设备及介质。
背景技术
目前,二次电池,例如锂离子电池,已成为电动汽车、电网储能和3C电器的主流选择。作为一种电化学储能装置,二次电池的工作原理涉及多尺度和多物理场的变化。精确的二次电池模型是二次电池智能研发设计与高效安全运行管理的基础,建立相关模型需获取准确的模型参数,但是,各尺度和各物理场的相关模型均面临着参数辨识的问题。
在参数辨识前,需要对二次电池进行有损测试,即需要对电芯和极片拆解,制作扣式电池、对称电池等操作后进行测试,再进行参数辨识,其存在下述问题:1)辨识时间长、人工操作:多数辨识过程中,需先进行测试数据的获取,再将测试数据进行拟合,随着模型转向更基于物理规则的模型,使得相关模型求解时间增加,辨识效率逐渐降低。2)精度差:绝大多数模型中,相关参数与目标测试数据之间为非凸关系,且不同参数间敏感性不一致。3)模型可计算性:二次电池模型对参数较敏感,辨识过程中存在不合理参数组合时,模型求解会出错,从而导致辨识算法无法继续工作。
发明内容
针对上述问题,本申请的目的是提供一种二次电池物理模型的参数辨识方法、系统、设备及介质,能够解决二次电池模型参数辨识过程中辨识时间长、效率低和精度差的问题。
为实现上述目的,本申请采取以下技术方案:第一方面,提供一种二次电池物理模型的参数辨识方法,包括:
构建待辨识二次电池的物理模型,并设定待辨识二次电池的物理模型采用的优化算法及其目标函数;
采集待辨识的二次电池无损测试的测试数据;
在所有测试数据未采集完成时,采用设定的优化算法及其目标函数,基于当前采集完的测试数据所对应的参数,对待辨识二次电池的物理模型进行前期参数辨识,得到前期参数辨识结果;
在所有测试数据采集完成后,采用设定的优化算法及其目标函数,基于全部测试数据所对应的参数和所述前期参数辨识结果,对待辨识二次电池的物理模型进行后期参数辨识,得到二次电池最终的参数辨识结果。
进一步地,所述构建待辨识二次电池的物理模型,并设定待辨识二次电池的物理模型采用的优化算法及其目标函数,包括:
构建待辨识二次电池的物理模型,该模型包括若干待辨识参数;
基于历史数据范围和满足模型使用的精度要求,设定待辨识参数的上限、下限、误差计算方式和误差阈值,其中,误差阈值包括完整数据的误差阈值、部分数据的误差阈值和误差上限;
基于模型求解计算量与参数数量,选定优化算法及其目标函数。
进一步地,所述在所有测试数据未采集完成时,采用设定的优化算法及其目标函数,基于当前采集完的测试数据所对应的参数,对待辨识二次电池的物理模型进行前期参数辨识,得到前期参数辨识结果,包括:
在所有测试数据未采集完成时,采用设定的误差计算方式,在与待辨识二次电池相同体系类型二次电池的历史辨识记录中找出与当前所采集的部分测试数据最接近的参数;
采用设定的优化算法及其目标函数,基于确定的参数,对待辨识二次电池的物理模型进行前期参数辨识,得到前期参数辨识结果。
进一步地,所述采用设定的优化算法及其目标函数,基于确定的参数,对待辨识二次电池的物理模型进行前期参数辨识,得到前期参数辨识结果,包括:
基于确定的参数和设定的部分数据的误差阈值,生成对应的初始候选参数;
采用设定的优化算法及其目标函数,基于生成的初始候选参数,对待辨识二次电池的物理模型进行前期参数辨识,得到前期参数辨识结果。
进一步地,所述在所有测试数据采集完成后,采用设定的优化算法及其目标函数,基于全部测试数据所对应的参数和前期参数辨识结果,对待辨识二次电池的物理模型进行后期参数辨识,得到二次电池最终的参数辨识结果,包括:
在所有测试数据采集完成后,采用设定的误差计算方式,在与待辨识二次电池相同体系类型二次电池的历史辨识记录中找出与当前测试数据最接近的参数;
判断参数对应的误差是否大于设定的完整数据的误差阈值,若参数对应的误差不大于完整数据的误差阈值,则参数已满足精度要求,停止辨识过程并输出前期参数辨识结果作为最终的参数辨识结果;
若参数对应的误差大于设定的完整数据的误差阈值,则采用设定的优化算法及其目标函数,基于确定的参数,对待辨识二次电池的物理模型进行后期参数辨识,得到二次电池最终的参数辨识结果。
进一步地,所述若参数对应的误差大于设定的完整数据的误差阈值,则采用设定的优化算法及其目标函数,基于确定的参数,对待辨识二次电池的物理模型进行后期参数辨识,得到二次电池最终的参数辨识结果,包括:
基于确定的参数和设定的部分数据的误差阈值,生成对应的初始候选参数,并随机选取初始候选参数中的一个解作为当前最优解;
采用设定的优化算法及其目标函数,基于生成的初始候选参数及其当前最优解,对待辨识二次电池的物理模型进行后期参数辨识,得到二次电池最终的参数辨识结果。
进一步地,所述初始候选参数按照下述规则生成:
若确定的参数的误差小于等于部分数据的误差阈值,则按照多维正态分布N(μ,∑)生成初始候选参数X0,其中,μ=θp或θf
Figure BDA0003817466530000031
θp为在所有测试数据未采集完成时与当前测试数据最接近的参数,θf为所有测试数据采集完成后与当前测试数据最接近的参数,U=(u0,u1,u2,…,ui,…,um-1)为待辨识参数的上限,L=(l0,l1,l2,…,li,…,lm-1)为待辨识参数的下限,m为待辨识参数的数量,ui为第i个待辨识参数的上限,li为第i个待辨识参数的下限;
若确定的参数的误差大于部分数据的误差阈值,则按照均匀分布在参数的上限U和下限L内生成初始候选参数X0
第二方面,提供一种二次电池物理模型的参数辨识系统,包括:
模型构建模块,用于构建待辨识二次电池的物理模型,并设定待辨识二次电池的物理模型采用的优化算法及其目标函数;
数据采集模块,用于采集待辨识的二次电池无损测试的测试数据;
前期参数辨识模块,用于在所有测试数据未采集完成时,采用设定的优化算法及其目标函数,基于当前采集完的测试数据所对应的参数,对待辨识二次电池的物理模型进行前期参数辨识,得到前期参数辨识结果;
后期参数辨识模块,用于在所有测试数据采集完成后,采用设定的优化算法及其目标函数,基于全部测试数据所对应的参数和所述前期参数辨识结果,对待辨识二次电池的物理模型进行后期参数辨识,得到二次电池最终的参数辨识结果。
第三方面,提供一种处理设备,包括计算机程序指令,其中,所述计算机程序指令被处理设备执行时用于实现上述二次电池物理模型的参数辨识方法对应的步骤。
第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序指令,其中,所述计算机程序指令被处理器执行时用于实现上述二次电池物理模型的参数辨识方法对应的步骤。
本申请由于采取以上技术方案,其具有以下优点:
1、本申请通过在测试数据获取过程中开始进行参数辨识,能够在早期辨识过程中识别潜在参数,提高辨识过程中在参数空间中搜索的过程。
2、本申请通过在后期参数辨识中使用历史辨识记录以及从潜在参数中生成初始候选参数组,能够提高辨识过程的强化过程,可以显著提高,尤其是求解复杂的二次电池的物理模型的参数辨识效率与参数辨识准确度,缩短辨识时间。
综上所述,本申请可以广泛应用于参数辨识领域中。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。在整个附图中,用相同的附图标记表示相同的部件。在附图中:
图1是本申请一实施例提供的方法流程示意图;
图2是本申请一实施例提供的45℃倍率1C的模型计算结果与目标数据对比示意图;
图3是本申请一实施例提供的后期参数辨识阶段生成的临时候选参数组示意图,其中,图3(a)为生成的临时候选参数组示意图,图3(b)为将临时候选参数组加入边界限制后的示意图;
图4是本申请一实施例提供的后期参数辨识的模型计算结果与目标数据的对比示意图,其中,图4(a)为后期参数辨识的隔膜孔隙A与目标数据的对比示意图,图4(b)为后期参数辨识的负极扩散活化能B与目标数据的对比示意图,图4(c)为后期参数辨识的正极Bruggeman系数C与目标数据的对比示意图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施方式。虽然附图中显示了本申请的示例性实施方式,然而应当理解,可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本申请,并且能够将本申请的范围完整地传达给本领域的技术人员。
应理解的是,文中使用的术语仅出于描述特定示例实施方式的目的,而无意于进行限制。除非上下文另外明确地指出,否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的,并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在,但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行,除非明确指出执行顺序。还应当理解,可以使用另外或者替代的步骤。
尽管可以在文中使用术语第一、第二、第三等来描述多个元件、部件、区域、层和/或部段,但是,这些元件、部件、区域、层和/或部段不应被这些术语所限制。这些术语可以仅用来将一个元件、部件、区域、层或部段与另一区域、层或部段区分开。除非上下文明确地指出,否则诸如“第一”、“第二”之类的术语以及其它数字术语在文中使用时并不暗示顺序或者次序。因此,以下讨论的第一元件、部件、区域、层或部段在不脱离示例实施方式的教导的情况下可以被称作第二元件、部件、区域、层或部段。
为解决二次电池模型参数辨识过程中辨识时间长、效率低和精度差的问题,本申请实施例提供的二次电池物理模型的参数辨识方法、系统、设备及介质,在测试数据获取过程中利用部分参数进行前期参数辨识后,基于前期参数辨识结果和完整的测试数据进行后期参数辨识,能够提高二次电池的物理模型的参数辨识效率和准确度。在本申请中,二次电池包括锂离子二次电池、钠离子二次电池。
实施例1
如图1所示,本实施例提供一种二次电池物理模型的参数辨识方法,包括以下步骤:
1)辨识初始化:构建待辨识二次电池的物理模型,并设定待辨识二次电池的物理模型采用的优化算法及其目标函数。
2)数据采集:采集待辨识的二次电池无损测试的测试数据。
3)前期参数辨识:在所有测试数据未采集完成时,采用设定的优化算法及其目标函数,基于当前采集完的测试数据所对应的参数,对待辨识二次电池的物理模型进行前期参数辨识,得到前期参数辨识结果。
4)后期参数辨识:在所有测试数据采集完成后,采用设定的优化算法及其目标函数,基于全部测试数据所对应的参数和前期参数辨识结果,对待辨识二次电池的物理模型进行后期参数辨识,得到二次电池最终的参数辨识结果。
上述步骤1)中,构建待辨识二次电池的物理模型,并设定待辨识二次电池的物理模型采用的优化算法及其目标函数,包括:
1.1)构建待辨识二次电池的物理模型,其中,二次电池物理模型包括m个待辨识参数θ=(θ012,…θm-1)。
具体地,二次电池的物理模型包括但不限于颗粒离散元模型和电化学模型(例如P2D机理模型、单颗粒模型、等效电路RC模型)以及极片、电芯与模组尺度的有限元力学、热学模型和热力电学耦合模型。
1.2)基于历史数据范围,设定待辨识参数θ的上限U和下限L,该上限和下限即为参数辨识的范围。
具体地,待辨识参数θ的上限为U=(u0,u1,u2,…,ui,…,um-1),待辨识参数θ的下限为L=(l0,l1,l2,…,li,…,lm-1),其中,ui为第i个待辨识参数的上限,li为第i个待辨识参数的下限,且li<ui
1.3)基于满足模型使用的精度要求,设定用于指导参数辨识方向的误差计算方式和用于评估参数辨识结果是否满足要求的误差阈值。
具体地,误差计算方式F包括常用的误差指标,例如均方误差、均方根误差和最大误差等。
具体地,误差阈值包括完整数据的误差阈值ef、部分数据的误差阈值ep和误差上限emax,其中,0≤ef<ep<emax,ef用于完整测试数据的误差评判,ep用于部分测试数据的评判。由于二次电池的物理模型中不同参数之间存在相关性,不合理的参数组合有时会导致二次电池的物理模型求解失败,此时误差计算返回误差上限emax。
1.4)基于模型求解计算量与参数数量,选定优化算法及其目标函数obj(θ)。
具体地,优化算法包括进化算法(遗传算法、差分进化算法)、种群智能算法(粒子群算法、蚁群算法)和代理优化算法(贝叶斯优化算法)等无梯度优化算法,优化算法的优化对象即为参数,优化算法的目标函数即为最小化误差函数。
具体地,参数辨识过程即为采用优化算法寻找该目标函数最小值的过程,包括:
若使用参数θ,待辨识二次电池的物理模型求解出错时,则直接返回误差上限emax;
若使用参数θ,待辨识二次电池的物理模型计算得到参数辨识结果Yθ时,则返回
Figure BDA0003817466530000061
其中,nf为完整测试数据的数据长度,np为当前计算使用的测试数据长度,Ytarget为测试数据,F目标函数,即步骤1.3)中的误差计算方法。
上述步骤3)中,在所有测试数据未采集完成时,采用设定的优化算法及其目标函数,基于当前采集完的测试数据所对应的参数,对待辨识二次电池的物理模型进行前期参数辨识,包括:
3.1)在所有测试数据未采集完成时,采用设定的误差计算方式,在与待辨识二次电池相同体系类型二次电池的历史辨识记录中找出与当前测试数据(即当前所采集的部分测试数据)最接近的参数θp,其中,历史辨识记录为一个包括参数、结果数据和元数据的数据表,结果数据为模型参数与模型使用该参数的计算结果,元数据为除计算结果外的其他数据。
具体地,遍历与待辨识二次电池相同体系类型二次电池的历史辨识记录中每一对参数与结果数据,并采用步骤1.3)中设定的误差计算方式,计算每一结果数据与当前所采集的部分测试数据即目标数据之间的误差,误差最低的结果数据对应的参数即为与当前测试数据最接近的参数θp
3.2)采用设定的优化算法及其目标函数,基于确定的参数θp,对待辨识二次电池的物理模型进行前期参数辨识,得到前期参数辨识结果:
3.2.1)基于确定的参数θp和设定的部分数据的误差阈值ep,生成对应的初始候选参数X0
具体地,优化算法每次迭代中需要计算一组或多组参数,该优化算法生成初始候选参数X0按照下述规则生成:
①若确定的参数θp的误差小于等于部分数据的误差阈值ep,则按照多维正态分布N(μ,∑)生成初始候选参数X0,其中,μ=θp
Figure BDA0003817466530000071
diag表示对角矩阵。若初始候选参数X0中有参数超出设定的上限U和下限L,则将对应位置由上限U和下限L进行替换。
②若无历史辨识记录或确定的参数θp的误差大于部分数据的误差阈值ep,则按照均匀分布在参数的上限U和下限L内生成初始候选参数X0
3.2.2)采用设定的优化算法及其目标函数,基于生成的初始候选参数X0,对待辨识二次电池的物理模型进行前期参数辨识,得到前期参数辨识结果,其中,停止条件为迭代次数超过优化算法最大迭代次数或测试数据已采集完成。
3.3)若测试数据已采集完成,则停止当前进行中的辨识与模型运算任务,并保存辨识过程中的参数与对应结果数据至历史辨识记录中。
上述步骤4)中,在测试数据采集完成后,采用设定的优化算法及其目标函数,基于全部测试数据所对应的参数和前期参数辨识结果,对待辨识二次电池的物理模型进行后期参数辨识,得到二次电池最终的参数辨识结果,包括:
4.1)在所有测试数据采集完成后,采用设定的误差计算方式,在与待辨识二次电池相同体系类型的电池的历史辨识记录中找出与当前测试数据最接近的参数θf
4.2)判断参数θf对应的误差是否大于设定的完整数据的误差阈值ef,若是,则进入步骤4.3);若否,则参数θf已满足精度要求,停止辨识过程并输出前期参数辨识结果作为最终的参数辨识结果。
4.3)采用设定的优化算法及其目标函数,基于确定的参数θf,对待辨识二次电池的物理模型进行后期参数辨识,得到二次电池最终的参数辨识结果:
4.3.1)基于确定的参数θf和设定的部分数据的误差阈值ep,生成对应的初始候选参数X0,并随机选取初始候选参数X0中的一个解作为当前最优解进行参数辨识。
具体地,优化算法每次迭代中需要计算一组或多组参数,该优化算法生成初始候选参数X0按照下述规则生成:
①若确定的参数θf的误差小于等于部分数据的误差阈值ep,则按照多维正态分布N(μ,∑)生成初始候选参数X0,其中,μ=θf
Figure BDA0003817466530000081
若初始候选参数X0中有参数超出设定的上限U和下限L,则将对应位置由上限U和下限L进行替换。
②若确定的参数θf的误差大于部分数据的误差阈值ep,则按照均匀分布在参数的上限U和下限L内生成初始候选参数X0,并随机选取初始候选参数X0中的一个解作为当前最优解进行参数辨识。
4.3.2)采用设定的优化算法及其目标函数,基于生成的初始候选参数X0及其当前最优解,对待辨识二次电池的物理模型进行后期参数辨识,得到的最优参数即为二次电池最终的参数辨识结果,其中,停止条件为迭代次数超过次数优化算法最大迭代次数或当目标函数F的精度小于设定的完整数据的误差阈值ef时。
下面通过具体实施例详细说明本申请的二次电池物理模型的参数辨识方法:
1)构建待辨识二次电池的物理模型,并设定待辨识二次电池的物理模型采用的优化算法及其目标函数:
本实施例采用DFN电化学模型作为待辨识二次电池的物理模型,该模型的待辨识参数包括隔膜孔隙A、负极扩散活化能B和正极Bruggeman系数C。
设定待辨识参数的上限和下限,隔膜孔隙A为0.2~0.6,负极扩散活化能B为10~100kJ/mol,正极Bruggeman系数C为1.2~1.8,即下限L=(0.2,10,1.2),上限U=(0.6,100,1.8)。本实施例通过-10℃倍率0.2C、25℃倍率1C和45℃倍率1C下的电压数据对模型参数进行辨识。
误差计算方式采用均方根误差,完整数据的误差阈值ef为10mV,部分数据的误差阈值ep为100mV,误差上限emax为1000mV。
优化算法选择粒子群算法。
2)采集待辨识的二次电池无损测试的测试数据:
以45℃倍率1C、25℃倍率1C和-10℃倍率0.2C的顺序获取测试数据。
3)在所有测试数据未采集完成时,采用设定的优化算法,基于当前采集完的测试数据所对应的参数,对待辨识二次电池的物理模型进行前期参数辨识:
待完成45℃倍率1C倍率测试后开始进行前期参数辨识,其中,粒子群算法的种群数量为80,超参数w、c1和c2分别为0.79、1.42和1.42,优化最大迭代次数为100。
前期参数辨识得到的前期参数辨识结果包括:隔膜孔隙A为0.4、负极扩散活化能B为32.7kJ/mol和正极Bruggeman系数C为1.36,其45℃倍率1C的模型计算结果与目标数据如图2所示。
4)在测试数据采集完成后,采用设定的优化算法,基于全部测试数据所对应的参数和前期参数辨识结果,对待辨识二次电池的物理模型进行后期参数辨识,得到二次电池最终的参数辨识结果:
上述步骤3)中的前期参数辨识结果对应的误差e介于完整数据的误差阈值ef与部分数据的误差阈值ep之间即ef<e<ep,因此,通过参数θp生成初始候选参数X0,按照μ=(0.4,32.7,1.36),
Figure BDA0003817466530000091
生成临时候选参数组如图3(a)所示,将其加入边界限制后如图3(b)所示。
采用45℃倍率1C、25℃倍率1C和-10℃倍率0.2C的完整测试数据进行后期参数辨识,其中,优化最大迭代次数为200,最终的参数辨识结果:隔膜孔隙A为0.4283,负极扩散活化能B为35.6444kJ/mol,正极Bruggeman系数C为1.3532,部分数据的误差阈值ep为5mV,其模型结果与测试数据如图4所示。
可以看出,采用本申请的方法,在测试数据获取过程中就可以开始进行参数辨识,能够在早期辨识过程中识别潜在参数,且参数辨识结果的效率和准确度很高。
实施例2
本实施例提供一种二次电池物理模型的参数辨识系统,包括:
模型构建模块,用于构建待辨识二次电池的物理模型,并设定待辨识二次电池的物理模型采用的优化算法及其目标函数。
数据采集模块,用于采集待辨识的二次电池无损测试的测试数据。
前期参数辨识模块,用于在所有测试数据未采集完成时,采用设定的优化算法及其目标函数,基于当前采集完的测试数据所对应的参数,对待辨识二次电池的物理模型进行前期参数辨识。
后期参数辨识模块,用于在所有测试数据采集完成后,采用设定的优化算法及其目标函数,基于全部测试数据所对应的参数和前期参数辨识结果,对待辨识二次电池的物理模型进行后期参数辨识,得到二次电池最终的参数辨识结果。
本实施例提供的系统是用于执行上述各方法实施例,具体流程和详细内容请参照上述实施例,此处不再赘述。
实施例3
本实施例提供一种与本实施例1所提供的二次电池物理模型的参数辨识方法对应的处理设备,处理设备可以适用于客户端的处理设备,例如手机、笔记本电脑、平板电脑、台式机电脑等,以执行实施例1的二次电池物理模型的参数辨识方法。
所述处理设备包括处理器、存储器、通信接口和总线,处理器、存储器和通信接口通过总线连接,以完成相互间的通信。存储器中存储有可在处理设备上运行的计算机程序,处理设备运行计算机程序时执行本实施例1所提供的二次电池物理模型的参数辨识方法。
在一些实现中,存储器可以是高速随机存取存储器(RAM:Random AccessMemory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。
在另一些实现中,处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器,在此不做限定。
此外,上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本领域技术人员可以理解,上述计算设备的结构,仅仅是与本申请方案相关的部分结构,并不构成对本申请方案所应用于其上的计算设备的限定,具体的计算设备可以包括更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
实施例4
本实施例提供一种与本实施例1所提供的二次电池物理模型的参数辨识方法对应的计算机程序产品,计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本实施例1所述的二次电池物理模型的参数辨识方法的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
上述实施例提供的一种计算机可读存储介质,其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
上述各实施例仅用于说明本申请,其中各部件的结构、连接方式和制作工艺等都是可以有所变化的,凡是在本申请技术方案的基础上进行的等同变换和改进,均不应排除在本申请的保护范围之外。

Claims (10)

1.一种二次电池物理模型的参数辨识方法,其特征在于,包括:
构建待辨识二次电池的物理模型,并设定待辨识二次电池的物理模型采用的优化算法及其目标函数;
采集待辨识的二次电池无损测试的测试数据;
在所有测试数据未采集完成时,采用设定的优化算法及其目标函数,基于当前采集完的测试数据所对应的参数,对待辨识二次电池的物理模型进行前期参数辨识,得到前期参数辨识结果;
在所有测试数据采集完成后,采用设定的优化算法及其目标函数,基于全部测试数据所对应的参数和所述前期参数辨识结果,对待辨识二次电池的物理模型进行后期参数辨识,得到二次电池最终的参数辨识结果。
2.如权利要求1所述的一种二次电池物理模型的参数辨识方法,其特征在于,所述构建待辨识二次电池的物理模型,并设定待辨识二次电池的物理模型采用的优化算法及其目标函数,包括:
构建待辨识二次电池的物理模型,该物理模型包括若干待辨识参数;
基于历史数据范围和满足模型使用的精度要求,设定待辨识参数的上限、下限、误差计算方式和误差阈值,其中,误差阈值包括完整数据的误差阈值、部分数据的误差阈值和误差上限;
基于模型求解计算量与参数数量,选定优化算法及其目标函数。
3.如权利要求2所述的一种二次电池物理模型的参数辨识方法,其特征在于,所述在所有测试数据未采集完成时,采用设定的优化算法及其目标函数,基于当前采集完的测试数据所对应的参数,对待辨识二次电池的物理模型进行前期参数辨识,得到前期参数辨识结果,包括:
在所有测试数据未采集完成时,采用设定的误差计算方式,在与待辨识二次电池相同体系类型二次电池的历史辨识记录中找出与当前所采集的部分测试数据最接近的参数;
采用设定的优化算法及其目标函数,基于确定的参数,对待辨识二次电池的物理模型进行前期参数辨识,得到前期参数辨识结果。
4.如权利要求3所述的一种二次电池物理模型的参数辨识方法,其特征在于,所述采用设定的优化算法及其目标函数,基于确定的参数,对待辨识二次电池的物理模型进行前期参数辨识,得到前期参数辨识结果,包括:
基于确定的参数和设定的部分数据的误差阈值,生成对应的初始候选参数;
采用设定的优化算法及其目标函数,基于生成的初始候选参数,对待辨识二次电池的物理模型进行前期参数辨识,得到前期参数辨识结果;
若测试数据已采集完成,则停止当前进行中的辨识与模型运算任务,并保存辨识过程中的参数与对应结果数据至历史辨识记录中。
5.如权利要求1所述的一种二次电池物理模型的参数辨识方法,其特征在于,所述在所有测试数据采集完成后,采用设定的优化算法及其目标函数,基于全部测试数据所对应的参数和前期参数辨识结果,对待辨识二次电池的物理模型进行后期参数辨识,得到二次电池最终的参数辨识结果,包括:
在所有测试数据采集完成后,采用设定的误差计算方式,在与待辨识二次电池相同体系类型二次电池的历史辨识记录中找出与当前测试数据最接近的参数;
判断参数对应的误差是否大于设定的完整数据的误差阈值,若参数对应的误差不大于完整数据的误差阈值,则停止辨识过程并输出前期参数辨识结果作为最终的参数辨识结果;
若参数对应的误差大于设定的完整数据的误差阈值,则采用设定的优化算法及其目标函数,基于确定的参数,对待辨识二次电池的物理模型进行后期参数辨识,得到二次电池最终的参数辨识结果。
6.如权利要求5所述的一种二次电池物理模型的参数辨识方法,其特征在于,所述若参数对应的误差大于设定的完整数据的误差阈值,则采用设定的优化算法及其目标函数,基于确定的参数,对待辨识二次电池的物理模型进行后期参数辨识,得到二次电池最终的参数辨识结果,包括:
基于确定的参数和设定的部分数据的误差阈值,生成对应的初始候选参数,并随机选取初始候选参数中的一个解作为当前最优解;
采用设定的优化算法及其目标函数,基于生成的初始候选参数及其当前最优解,对待辨识二次电池的物理模型进行后期参数辨识,得到二次电池最终的参数辨识结果。
7.如权利要求6所述的一种二次电池物理模型的参数辨识方法,其特征在于,所述初始候选参数按照下述规则生成:
若确定的参数的误差小于等于部分数据的误差阈值,则按照多维正态分布生成初始候选参数;
若确定的参数的误差大于部分数据的误差阈值,则按照均匀分布在参数的上限和下限内生成初始候选参数。
8.一种二次电池物理模型的参数辨识系统,其特征在于,包括:
模型构建模块,用于构建待辨识二次电池的物理模型,并设定待辨识二次电池的物理模型采用的优化算法及其目标函数;
数据采集模块,用于采集待辨识的二次电池无损测试的测试数据;
前期参数辨识模块,用于在所有测试数据未采集完成时,采用设定的优化算法及其目标函数,基于当前采集完的测试数据所对应的参数,对待辨识二次电池的物理模型进行前期参数辨识,得到前期参数辨识结果;
后期参数辨识模块,用于在所有测试数据采集完成后,采用设定的优化算法及其目标函数,基于全部测试数据所对应的参数和所述前期参数辨识结果,对待辨识二次电池的物理模型进行后期参数辨识,得到二次电池最终的参数辨识结果。
9.一种处理设备,其特征在于,包括计算机程序指令,其中,所述计算机程序指令被处理设备执行时用于实现权利要求1-7中任一项所述的二次电池物理模型的参数辨识方法对应的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序指令,其中,所述计算机程序指令被处理器执行时用于实现权利要求1-7中任一项所述的二次电池物理模型的参数辨识方法对应的步骤。
CN202211031146.3A 2022-08-26 2022-08-26 二次电池物理模型的参数辨识方法、系统、设备及介质 Pending CN115392123A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211031146.3A CN115392123A (zh) 2022-08-26 2022-08-26 二次电池物理模型的参数辨识方法、系统、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211031146.3A CN115392123A (zh) 2022-08-26 2022-08-26 二次电池物理模型的参数辨识方法、系统、设备及介质

Publications (1)

Publication Number Publication Date
CN115392123A true CN115392123A (zh) 2022-11-25

Family

ID=84123129

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211031146.3A Pending CN115392123A (zh) 2022-08-26 2022-08-26 二次电池物理模型的参数辨识方法、系统、设备及介质

Country Status (1)

Country Link
CN (1) CN115392123A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116047310A (zh) * 2023-02-27 2023-05-02 上海玫克生储能科技有限公司 一种电池模型参数辨识方法、装置和电子设备

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116047310A (zh) * 2023-02-27 2023-05-02 上海玫克生储能科技有限公司 一种电池模型参数辨识方法、装置和电子设备
CN116047310B (zh) * 2023-02-27 2023-09-08 上海玫克生储能科技有限公司 一种电池模型参数辨识方法、装置和电子设备

Similar Documents

Publication Publication Date Title
Xu et al. A novel clustering algorithm for grouping and cascade utilization of retired Li-ion batteries
CN104614630B (zh) 一种电池微短路的识别方法
CN116502112B (zh) 一种新能源电源测试数据管理方法及系统
CN115511013B (zh) 一种大规模储能电站异常电池识别方法、设备及存储介质
CN104614632B (zh) 一种电池微短路的识别方法
CN116449218B (zh) 一种锂电池健康状态的估计方法
Zhang et al. A bayesian mixture neural network for remaining useful life prediction of lithium-ion batteries
CN115392123A (zh) 二次电池物理模型的参数辨识方法、系统、设备及介质
CN116879763A (zh) 一种基于卡尔曼滤波算法的电池故障预警方法
Song et al. Capacity estimation method of lithium-ion batteries based on deep convolution neural network
Ghosh et al. Engineering design of battery module for electric vehicles: comprehensive framework development based on density functional theory, topology optimization, machine learning, multidisciplinary design optimization, and digital twins
CN111129628A (zh) 锂离子电芯充放电的控制方法、系统、介质及电子设备
Wang et al. An inconsistency fault diagnosis method for lithium-ion cells in the battery pack based on piecewise dimensionality reduction and outlier identification
CN116008836A (zh) 电池的短路检测方法、装置及存储介质
Li et al. State-of-health and remaining-useful-life estimations of lithium-ion battery based on temporal convolutional network-long short-term memory
Xu et al. Fault Prognosis Method for Solid Oxide Fuel Cells Based on Mechanism Degradation Process Model and Particle Filtering
CN115267556A (zh) 电池寿命衰降分析方法、存储介质及电子设备
CN115128468A (zh) 一种化学储能电池phm欠压故障预测方法
CN115389954A (zh) 一种电池容量的估算方法、电子设备及可读存储介质
Li et al. Screening of retired lithium-Ion batteries using incremental capacity charging curve-based residual capacity estimation method for facilitating sustainable circular lithium-ion battery system
Shin et al. Feature construction for on-board early prediction of electric vehicle battery cycle life
CN211086535U (zh) 一种锂离子动力电池荷电态预测电路
CN110457833B (zh) 一种用于电池安全与性能分析的数据构建方法
CN112485676B (zh) 一种数字镜像下的电池储能系统状态估计预警方法
CN114167190B (zh) 一种混动车辆电池微短路识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 518100, 1st to 2nd floors, Building A, Xinwangda Industrial Park, No. 18 Tangjia South Road, Gongming Street, Guangming New District, Shenzhen, Guangdong Province

Applicant after: Xinwangda Power Technology Co.,Ltd.

Address before: 518108 Floor 1-2, Building A, Xinwangda Industrial Park, No. 18 Tangjianan Road, Gongming Street, Guangming New District, Shenzhen, Guangdong, China

Applicant before: SUNWODA ELECTRIC VEHICLE BATTERY Co.,Ltd.