CN115512777B - 一种基于容量变化率的电化学模型参数辨识方法和系统 - Google Patents

一种基于容量变化率的电化学模型参数辨识方法和系统 Download PDF

Info

Publication number
CN115512777B
CN115512777B CN202211164759.4A CN202211164759A CN115512777B CN 115512777 B CN115512777 B CN 115512777B CN 202211164759 A CN202211164759 A CN 202211164759A CN 115512777 B CN115512777 B CN 115512777B
Authority
CN
China
Prior art keywords
working condition
parameter identification
simulation
condition data
data set
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.)
Active
Application number
CN202211164759.4A
Other languages
English (en)
Other versions
CN115512777A (zh
Inventor
郝平超
张学思
周志民
杨洲
周国鹏
赵恩海
严晓
张�杰
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.)
Shanghai MS Energy Storage Technology Co Ltd
Original Assignee
Shanghai MS Energy Storage Technology 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 Shanghai MS Energy Storage Technology Co Ltd filed Critical Shanghai MS Energy Storage Technology Co Ltd
Priority to CN202211164759.4A priority Critical patent/CN115512777B/zh
Publication of CN115512777A publication Critical patent/CN115512777A/zh
Priority to US18/371,595 priority patent/US20240110986A1/en
Application granted granted Critical
Publication of CN115512777B publication Critical patent/CN115512777B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/374—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with means for correcting the measurement for temperature or ageing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3835—Arrangements for monitoring battery or accumulator variables, e.g. SoC involving only voltage measurements
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Secondary Cells (AREA)

Abstract

本发明公开了一种基于容量变化率的电化学模型参数辨识方法和系统，其方法包括步骤：获取锂电池实际运行过程中的工况数据，从工况数据中清洗出实际工况数据集；通过预设的电化学模型模拟生成仿真工况数据集；基于预设的第一损失函数、实际工况数据集和仿真工况数据集进行参数辨识；计算根据历史参数辨识结果仿真得到的电池容量和根据当前参数辨识结果仿真得到的电池容量之间的容量收敛系数；比较容量收敛系数和预设的收敛阈值；在容量收敛系数大于收敛阈值时，重新生成仿真工况数据集；在容量收敛系数不大于收敛阈值时，输出电化学模型参数集作为参数辨识结果。本发明可以在锂电池电化学模型参数辨识过程中引入容量变化率来提高参数辨识的准确性。

Description

一种基于容量变化率的电化学模型参数辨识方法和系统
技术领域
本发明涉及电化学模型技术领域，特别涉及一种基于容量变化率的电化学模型参数辨识方法和系统。
背景技术
在常规电化学模型参数辨识的过程中，通常将电池工况模拟成恒流和动态两种工况，并分步辨识恒流工况和动态工况下的电池数据。
但是实际电池运行过程中，电池几乎不可能有一直保持在恒流工况状态下工作，这导致根据该方案进行参数辨识后的数据准确性较差。
因此目前需要一种基于容量变化率的电化学模型参数辨识方法，在锂电池电化学模型参数辨识过程中，引入容量变化率来提高参数辨识的准确性。
发明内容
为解决现有技术中电化学模型参数辨识后的数据准确性较差的技术问题，本发明提供一种基于容量变化率的电化学模型参数辨识方法和系统，具体的技术方案如下：
本发明提供一种基于容量变化率的电化学模型参数辨识方法，包括步骤：
获取锂电池实际运行过程中的工况数据，从所述工况数据中清洗出实际工况数据集；
通过预设的电化学模型模拟生成仿真工况数据集；
基于预设的第一损失函数、所述实际工况数据集和所述仿真工况数据集进行参数辨识；
计算根据历史参数辨识结果仿真得到的电池容量和根据当前参数辨识结果仿真得到的电池容量之间的容量收敛系数；
比较所述容量收敛系数和预设的收敛阈值；
在所述容量收敛系数大于所述收敛阈值时，重新生成所述仿真工况数据集；
在所述容量收敛系数不大于所述收敛阈值时，输出所述电化学模型参数集作为参数辨识结果。
本发明提供的基于容量变化率的电化学模型参数辨识方法解决实际电站中电池无法清洗出恒流满充满放的数据，并且清洗出的单条数据用于参数辨识极易造成辨识出的参数较低的技术问题，通过容量变化率的限制，提高了锂电池电化学模型参数辨识的准确性，结合实际电池工作数据和容量变化率提高参数辨识效果。
在一些实施方式中，所述的通过预设的电化学模型模拟生成仿真工况数据集之后，所述的比较所述容量收敛系数和预设的收敛阈值之前，还包括步骤：
基于所述第一损失函数计算所述实际工况数据集和所述仿真工况数据集之间的第一损失函数结果值；
在所述第一损失函数结果值大于预设的第一损失函数结果阈值时，将当前参数辨识结果存储至历史参数辨识结果数据库，重新生成所述仿真工况数据集和所述参数辨识结果；
在所述第一损失函数结果值不大于所述第一损失函数结果阈值时，计算根据所述历史参数辨识结果数据库中前一次历史参数辨识结果仿真得到的电池容量和根据当前参数辨识结果仿真得到的电池容量之间的容量收敛系数。
在一些实施方式中，所述第一损失函数包括电压均方误差损失函数，所述的基于预设的第一损失函数计算所述实际工况数据集和所述仿真工况数据集之间的第一损失函数结果值，具体包括：
计算所述实际工况数据集和所述仿真工况数据集之间的电压均方误差作为所述第一损失函数结果值，公式如下：
其中Vsim,i为所述仿真工况数据集中第i个采样点的模型仿真输出电压值，Vreal,i为所述实际工况数据集第i个采样点的实测电压值，N为电压数据的个数。
在一些实施方式中，所述的计算根据历史参数辨识结果仿真得到的电池容量和根据当前参数辨识结果仿真得到的电池容量之间的容量收敛系数，具体包括：
对所述历史参数辨识结果进行参数标准化后，计算通过所述电化学模型根据所述历史参数辨识结果仿真得到的电池容量；
对所述当前参数辨识结果进行参数标准化后，计算通过所述电化学模型根据所述当前参数辨识结果仿真得到的电池容量；
计算根据所述历史参数辨识结果仿真得到的电池容量和根据所述当前参数辨识结果仿真得到的电池容量之间的所述容量收敛系数，公式如下：
其中δ为所述容量收敛系数，Cmax,k-1为根据所述历史参数辨识结果仿真得到的电池容量，Cmax,k为根据所述当前参数辨识结果仿真得到的电池容量。
在一些实施方式中，所述的比较所述容量收敛系数和预设的收敛阈值之后，还包括：
在所述容量收敛系数不大于所述收敛阈值时，调整所述仿真工况数据集中固相初始浓度与所述实际工况数据集中固相初始浓度相同；
基于预设的第二损失函数计算所述实际工况数据集和调整固相初始浓度后所述仿真工况数据集之间的第二损失函数结果值；
在所述第二损失函数结果值大于预设的第二损失函数结果阈值时，重新生成所述仿真工况数据集；
在所述第二损失函数结果值不大于所述第二损失函数结果阈值时，输出所述电化学模型参数集作为所述参数辨识结果。
本发明提供的基于容量变化率的电化学模型参数辨识方法通过调整仿真工况数据集的固相初始浓度，并根据实际工况数据集和调整固相初始浓度后仿真工况数据集之间损失函数结果，进一步提高电化学模型参数的泛化能力和准确性。
在一些实施方式中，所述第二损失函数包括电压差值损失函数，所述的基于预设的第二损失函数计算所述实际工况数据集和调整固相初始浓度后所述仿真工况数据集之间的第二损失函数结果值，具体包括：
计算所述实际工况数据集中输出的第一个电压值和调整固相初始浓度后所述仿真工况数据集中输出的第一个电压值之间的电压差值，作为所述第二损失函数结果值，公式如下：
|Vsim,1-Vreal,1|；
其中Vsim,1为模型仿真输出的第一个电压值，Vreal,1为在该工况下电池实测的第一个电压值。
在一些实施方式中，所述第二损失函数还包括电压均方误差损失函数。
在一些实施方式中，所述实际工况数据集中初始工况数据前存在大于预设时长的电池静止时段；
所述实际工况数据集中SOC变化区间大于预设的SOC变化阈值。
在一些实施方式中，根据本发明的另一方面，本发明还提供一种基于容量变化率的电化学模型参数辨识系统，包括：
获取模块，用于获取锂电池实际运行过程中的工况数据，从所述工况数据中清洗出实际工况数据集；
仿真模块，用于通过预设的电化学模型模拟生成仿真工况数据集；
辨识模块，分别与所述获取模块和所述仿真模块连接，用于基于预设的第一损失函数、所述实际工况数据集和所述仿真工况数据集进行参数辨识；
计算模块，分别与所述辨识模块和所述仿真模块连接，用于计算根据历史参数辨识结果仿真得到的电池容量和根据当前参数辨识结果仿真得到的电池容量之间的容量收敛系数；
比较模块，与所述计算模块连接，用于比较所述容量收敛系数和预设的收敛阈值；
生成模块，与所述比较模块连接，用于在所述容量收敛系数大于所述收敛阈值时，重新生成所述仿真工况数据集；
输出模块，与所述比较模块连接，用于在所述容量收敛系数不大于所述收敛阈值时，输出所述电化学模型参数集作为参数辨识结果。
在一些实施方式中，根据本发明的另一方面，本发明还提供一种存储介质，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现如上述一种基于容量变化率的电化学模型参数辨识方法所执行的操作。
本发明提供，至少包括以下一项技术效果：
(1)解决实际电站中电池无法清洗出恒流满充满放的数据，并且清洗出的单条数据用于参数辨识极易造成辨识出的参数较低的技术问题，通过容量变化率的限制，提高了锂电池电化学模型参数辨识的准确性，结合实际电池工作数据和容量变化率提高参数辨识效果；
(2)通过调整仿真工况数据集的固相初始浓度，并根据实际工况数据集和调整固相初始浓度后仿真工况数据集之间损失函数结果，进一步提高电化学模型参数的泛化能力和准确性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种基于容量变化率的电化学模型参数辨识方法的流程图；
图2为本发明一种基于容量变化率的电化学模型参数辨识方法的另一个流程图；
图3为本发明一种基于容量变化率的电化学模型参数辨识方法中计算第一损失函数结果值的流程图；
图4为本发明一种基于容量变化率的电化学模型参数辨识方法中计算容量收敛系数的流程图；
图5为本发明一种基于容量变化率的电化学模型参数辨识方法中计算第二损失函数结果值的流程图；
图6为本发明一种基于容量变化率的电化学模型参数辨识方法中计算第二损失函数结果值另一个的流程图；
图7为本发明一种基于容量变化率的电化学模型参数辨识系统的示例图。
图中标号：获取模块-10、仿真模块-20、辨识模块-30、计算模块-40、比较模块-50、生成模块-60和输出模块-70。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其他实施例中也可以实现本申请。在其他情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所述描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其他特征、整体、步骤、操作、元素、组件和/或集合的存在或添加。
为使图面简洁，各图中只示意性地表示出了与本发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘出了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
另外，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
本发明的一个实施例，如图1所示，本发明提供一种基于容量变化率的电化学模型参数辨识方法，包括步骤：
S100获取锂电池实际运行过程中的工况数据，从工况数据中清洗出实际工况数据集。
具体地，由于锂电池电化学模型参数较多，为了保证参数辨识的准确性以及参数集的泛化能力，传统基于实验数据的参数辨识方法需要获取电池在不同工况下的满充满放数据，比如电池在1C工况(恒流工况)下从SOC＝100％到SOC＝0％的数据，以及动态工况下从SOC＝100％到SOC＝0％的数据，但是电池在电站中实际工作时，很难保持理想状态下的恒流工况，难以获取这种恒流工况下从SOC＝100％到SOC＝0％的数据，因此需要从工况数据中清洗出参数辨识所需的实际工况数据集。
进一步地，在清洗实际工况数据集的过程中，可以只清洗电池中单电芯的实际工况数据集，也可以清洗电池中多电芯的实际工况数据集。
示例性地，在从工况数据中清洗出实际工况数据集的过程中，需满足实际工况数据集中初始工况数据前存在大于预设时长的电池静止时段，以及实际工况数据集中SOC变化区间大于预设的SOC变化阈值两个条件，比如电芯应静止1小时以上以保证电芯开始工作时内部处于平衡状态，且soc变化区间应足够大，应涉及70％以上的SOC波动。
S200通过预设的电化学模型模拟生成仿真工况数据集。
具体地，本申请公开的技术方案在实现过程中，可以采用不同电化学模型，例如AMESim电化学模型、P2D电化学模型和P2D热耦合电化学模型等等。
S300基于预设的第一损失函数、实际工况数据集和仿真工况数据集进行参数辨识。
具体地，判断实际工况数据集和仿真工况数据集的第一损失函数结果值是否符合预期阈值区间，若符合，则判断本次参数辨识结果准确，若不符合，则判断本次参数辨识结果不准确。
S500计算根据历史参数辨识结果仿真得到的电池容量和根据当前参数辨识结果仿真得到的电池容量之间的容量收敛系数。
具体地，在实际电化学模型参数识别过程中，每组电芯或每个电芯只能清洗一条数据用于参数辨识，因此很难保证参数集的可靠性，即参数集的泛化能力较差，因此本实施例通过增加容量变化率的限制来提高参数辨识的可靠性，通过容量收敛系数来评估参数辨识的精确度。
S600比较容量收敛系数和预设的收敛阈值。
具体地，收敛阈值可以根据电池状态确定，电池在正常老化下，其容量不会出现突然的变化，因此收敛阈值可以选择在3％，若电化学模型仿真精度高，则可以减小收敛阈值以提高参数辨识的精确度。
S710在容量收敛系数大于收敛阈值时，重新生成仿真工况数据集。
具体地，在容量收敛系数大于收敛阈值时，判断此时参数辨识结果精确度较差，因此舍弃该组电化学模型参数集，更新电化学模型参数集并重新生成仿真工况数据集。
S720在容量收敛系数不大于收敛阈值时，输出电化学模型参数集作为参数辨识结果。
本实施例提供的基于容量变化率的电化学模型参数辨识方法解决实际电站中电池无法清洗出恒流满充满放的数据，并且清洗出的单条数据用于参数辨识极易造成辨识出的参数较低的技术问题，通过容量变化率的限制，提高了锂电池电化学模型参数辨识的准确性，结合实际电池工作数据和容量变化率提高参数辨识效果。
在一个实施例中，如图2所示，步骤S200通过预设的电化学模型模拟生成仿真工况数据集之后，步骤S500计算根据历史参数辨识结果仿真得到的电池容量和根据当前参数辨识结果仿真得到的电池容量之间的容量收敛系数之前，还包括步骤：
S310基于第一损失函数计算实际工况数据集和仿真工况数据集之间的第一损失函数结果值。
S410在第一损失函数结果值大于预设的第一损失函数结果阈值时，将当前参数辨识结果存储至历史参数辨识结果数据库，重新生成仿真工况数据集和参数辨识结果。
S420在第一损失函数结果值不大于第一损失函数结果阈值时，计算根据历史参数辨识结果数据库中前一次历史参数辨识结果仿真得到的电池容量和根据当前参数辨识结果仿真得到的电池容量之间的容量收敛系数。
具体地，在执行步骤S410的过程中，将当前参数辨识结果附加时间戳存储至历史参数辨识结果数据库时，由此实现在第一损失函数结果值不大于第一损失函数结果阈值时，根据时间戳从历史参数辨识结果数据库中提取前一次历史参数辨识结果仿真得到的电池容量。
本实施例提供的基于容量变化率的电化学模型参数辨识方法在基于容量变化率进行参数辨识之前，先根据实际工况数据集和仿真工况数据集之间的第一损失函数结果值进行参数辨识，进一步提高参数辨识准确性。
在一个实施例中，如图3所示，步骤S300基于预设的第一损失函数计算实际工况数据集和仿真工况数据集之间的第一损失函数结果值，具体包括：
S310计算实际工况数据集和仿真工况数据集之间的电压均方误差作为第一损失函数结果值。
具体地，计算第一损失函数结果值的公式如下：
其中Vsim,i为仿真工况数据集中第i个采样点的模型仿真输出电压值，Vreal,i为实际工况数据集第i个采样点的实测电压值，N为电压数据的个数。
在一个实施例中，如图4所示，步骤S500计算根据历史参数辨识结果仿真得到的电池容量和根据当前参数辨识结果仿真得到的电池容量之间的容量收敛系数，具体包括：
S510对历史参数辨识结果进行参数标准化后，计算通过电化学模型根据历史参数辨识结果仿真得到的电池容量。
具体地，根据输入历史参数辨识结果后的电化学模型对锂电池在预设荷电状态下的标准充电过程进行模拟仿真，计算正极锂离子体积平均浓度和负极锂离子体积平均浓度。
示例性地，根据输入历史参数辨识结果后的电化学模型对锂电池在SOC＝100％时的标准充电过程进行模拟仿真，以钴酸锂电芯为例，根据产品说明应在0.5C下先充电至4.2V，之后维持电压4.2V直至电流下降至0.05C，根据电化学模型输出的仿真数据集计算正极锂离子体积平均浓度和负极锂离子体积平均浓度。
在获得SOC＝100％时的正极锂离子体积平均浓度和负极锂离子体积平均浓度后，应控制电化学模型按照标准放电过程进行仿真，以获得修改模型参数后的容量，其中锂电池容量的计算公式为：
Qdis＝∫Idt；
其中Qdis为锂电池在仿真过程中的放电量，按照电芯标准放电过程进行仿真，使锂电池从0.5C直至电压降至2.5V。
S520对当前参数辨识结果进行参数标准化后，计算通过电化学模型根据当前参数辨识结果仿真得到的电池容量。
具体地，根据步骤S510中的方式计算电化学模型模拟输出在荷电状态下根据当前参数辨识结果仿真得到的电池容量。
S530计算根据历史参数辨识结果仿真得到的电池容量和根据当前参数辨识结果仿真得到的电池容量之间的所述容量收敛系数。
具体地，计算容量收敛系数的公式如下：
其中δ为容量收敛系数，Cmax,k-1为根据历史参数辨识结果仿真得到的电池容量，Cmax,k为根据当前参数辨识结果仿真得到的电池容量。
在一个实施例中，如图5所示，步骤S600比较容量收敛系数和预设的收敛阈值之后，还包括步骤：
S730在容量收敛系数不大于收敛阈值时，调整仿真工况数据集中固相初始浓度与实际工况数据集中固相初始浓度相同。
S800基于预设的第二损失函数计算实际工况数据集和调整固相初始浓度后仿真工况数据集之间的第二损失函数结果值。
S910在第二损失函数结果值大于预设的第二损失函数结果阈值时，重新生成仿真工况数据集。
S920在第二损失函数结果值不大于第二损失函数结果阈值时，输出电化学模型参数集作为参数辨识结果。
具体地，在比较容量收敛系数和预设的收敛阈值之后，调整辨识出的电化学参数集的固相初始浓度与实际工况数据集中固相初始浓度相同，通过第二损失函数判断调整固相初始浓度后仿真工况数据集与该电芯对应的实际工况数据集中数据是否吻合，若吻合则判断参数辨识结果准确，若不吻合则判断参数辨识结果不准确。
本实施例提供的基于容量变化率的电化学模型参数辨识方法通过调整仿真工况数据集的固相初始浓度，并根据实际工况数据集和调整固相初始浓度后仿真工况数据集之间损失函数结果，进一步提高电化学模型参数的泛化能力和准确性。
在一个实施例中，预先清洗出至少两条实际工况数据集，例如分别清洗出第一实际工况数据集和第二实际工况数据集两条实际工况数据集，在根据第一实际工况数据集生成电化学模型参数后，容量收敛系数不大于收敛阈值时，调整仿真工况数据集中固相初始浓度与第二实际工况数据集中固相初始浓度相同，基于预设的第二损失函数计算实际工况数据集和调整固相初始浓度后仿真工况数据集之间的第三损失函数结果值，在第三损失函数结果值大于预设的第二损失函数结果阈值时，重新生成仿真工况数据集，在第三损失函数结果值不大于第二损失函数结果阈值时，输出电化学模型参数集作为参数辨识结果，通过清洗好的另一条数据进行电化学参数集泛化能力的验证。
在一个实施例中，如图6所示，步骤S800基于预设的第二损失函数计算实际工况数据集和调整固相初始浓度后仿真工况数据集之间的第二损失函数结果值，具体包括：
S810计算实际工况数据集中输出的第一个电压值和调整固相初始浓度后仿真工况数据集中输出的第一个电压值之间的电压差值，作为第二损失函数结果值。
具体地，计算第二损失函数结果值的公式如下：
|Vsim,1-Vreal,1|；
其中Vsim,1为模型仿真输出的第一个电压值，Vreal,1为在该工况下电池实测的第一个电压值。
示例性地，第二损失函数还包括电压均方误差损失函数，其中电压均方误差损失函数与步骤S310中的电压均方误差损失函数相同。
在一个实施例中，如图7所示，根据本发明的另一方面，本发明还提供一种基于容量变化率的电化学模型参数辨识系统，包括获取模块10、仿真模块20、辨识模块30、计算模块40、比较模块50、生成模块60和输出模块70。
其中获取模块10用于获取锂电池实际运行过程中的工况数据，从工况数据中清洗出实际工况数据集。
具体地，由于锂电池电化学模型参数较多，为了保证参数辨识的准确性以及参数集的泛化能力，传统基于实验数据的参数辨识方法需要获取电池在不同工况下的满充满放数据，比如电池在1C工况(恒流工况)下从SOC＝100％到SOC＝0％的数据，以及动态工况下从SOC＝100％到SOC＝0％的数据，但是电池在电站中实际工作时，很难保持理想状态下的恒流工况，难以获取这种恒流工况下从SOC＝100％到SOC＝0％的数据，因此需要从工况数据中清洗出参数辨识所需的实际工况数据集。
进一步地，在清洗实际工况数据集的过程中，可以只清洗电池中单电芯的实际工况数据集，也可以清洗电池中多电芯的实际工况数据集。
示例性地，在从工况数据中清洗出实际工况数据集的过程中，需满足实际工况数据集中初始工况数据前存在大于预设时长的电池静止时段，以及实际工况数据集中SOC变化区间大于预设的SOC变化阈值两个条件，比如电芯应静止1小时以上以保证电芯开始工作时内部处于平衡状态，且soc变化区间应足够大，应涉及70％以上的SOC波动。
仿真模块20用于通过预设的电化学模型模拟生成仿真工况数据集。
具体地，本申请公开的技术方案在实现过程中，可以采用不同电化学模型，例如AMESim电化学模型、P2D电化学模型和P2D热耦合电化学模型等等。
辨识模块30分别与获取模块10和仿真模块20连接，用于基于预设的第一损失函数、实际工况数据集和仿真工况数据集进行参数辨识。
具体地，判断实际工况数据集和仿真工况数据集的第一损失函数结果值是否符合预期阈值区间，若符合，则判断本次参数辨识结果准确，若不符合，则判断本次参数辨识结果不准确。
计算模块40分别与辨识模块30和仿真模块20连接，用于计算根据历史参数辨识结果仿真得到的电池容量和根据当前参数辨识结果仿真得到的电池容量之间的容量收敛系数。
具体地，在实际电化学模型参数识别过程中，每组电芯或每个电芯只能清洗一条数据用于参数辨识，因此很难保证参数集的可靠性，即参数集的泛化能力较差，因此本实施例通过增加容量变化率的限制来提高参数辨识的可靠性，通过容量收敛系数来评估参数辨识的精确度。
比较模块50与计算模块40连接，用于比较容量收敛系数和预设的收敛阈值。
具体地，收敛阈值可以根据电池状态确定，电池在正常老化下，其容量不会出现突然的变化，因此收敛阈值可以选择在3％，若电化学模型仿真精度高，则可以减小收敛阈值以提高参数辨识的精确度。
生成模块60与比较模块50连接，用于在容量收敛系数大于收敛阈值时，重新生成仿真工况数据集。
具体地，在容量收敛系数大于收敛阈值时，判断此时参数辨识结果精确度较差，因此舍弃该组电化学模型参数集，更新电化学模型参数集并重新生成仿真工况数据集。
输出模块70与比较模块50连接，用于在容量收敛系数不大于收敛阈值时，输出电化学模型参数集作为参数辨识结果。
本实施例提供的基于容量变化率的电化学模型参数辨识方系统解决实际电站中电池无法清洗出恒流满充满放的数据，并且清洗出的单条数据用于参数辨识极易造成辨识出的参数较低的技术问题，通过容量变化率的限制，提高了锂电池电化学模型参数辨识的准确性，结合实际电池工作数据和容量变化率提高参数辨识效果。
在一些实施方式中，根据本发明的另一方面，本发明还提供一种存储介质，存储介质中存储有至少一条指令，指令由处理器加载并执行以实现上述的基于容量变化率的电化学模型参数辨识方法实施例中所执行的操作，例如，存储介质可以是只读内存(ROM)、随机存取存储器(RAM)、只读光盘(CD-ROM)、磁带、软盘和光数据存储设备等。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述或记载的部分，可以参见其他实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的一种基于容量变化率的电化学模型参数辨识方法和系统，可以通过其他的方式实现。例如，以上所描述的一种基于容量变化率的电化学模型参数辨识方法和系统实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个单元或模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的通讯连接可以是通过一些接口，装置或单元的通讯连接或集成电路，可以是电性、机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可能集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
应当说明的是，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种基于容量变化率的电化学模型参数辨识方法，其特征在于，包括步骤：
获取锂电池实际运行过程中的工况数据，从所述工况数据中清洗出实际工况数据集；
通过预设的电化学模型模拟生成仿真工况数据集；
基于预设的第一损失函数、所述实际工况数据集和所述仿真工况数据集进行参数辨识；
计算根据历史参数辨识结果仿真得到的电池容量和根据当前参数辨识结果仿真得到的电池容量之间的容量收敛系数；
比较所述容量收敛系数和预设的收敛阈值；
在所述容量收敛系数大于所述收敛阈值时，重新生成所述仿真工况数据集；
在所述容量收敛系数不大于所述收敛阈值时，输出所述电化学模型参数集作为参数辨识结果；
所述的通过预设的电化学模型模拟生成仿真工况数据集之后，所述的比较所述容量收敛系数和预设的收敛阈值之前，还包括步骤：
基于所述第一损失函数计算所述实际工况数据集和所述仿真工况数据集之间的第一损失函数结果值；
在所述第一损失函数结果值大于预设的第一损失函数结果阈值时，将当前参数辨识结果存储至历史参数辨识结果数据库，重新生成所述仿真工况数据集和所述参数辨识结果；
在所述第一损失函数结果值不大于所述第一损失函数结果阈值时，计算根据所述历史参数辨识结果数据库中前一次历史参数辨识结果仿真得到的电池容量和根据当前参数辨识结果仿真得到的电池容量之间的容量收敛系数；
所述第一损失函数包括电压均方误差损失函数，所述的基于预设的第一损失函数计算所述实际工况数据集和所述仿真工况数据集之间的第一损失函数结果值，具体包括：
计算所述实际工况数据集和所述仿真工况数据集之间的电压均方误差作为所述第一损失函数结果值，公式如下：
其中Vsim，i为所述仿真工况数据集中第i个采样点的模型仿真输出电压值，Vreal，i为所述实际工况数据集第i个采样点的实测电压值，N为电压数据的个数；
所述的计算根据历史参数辨识结果仿真得到的电池容量和根据当前参数辨识结果仿真得到的电池容量之间的容量收敛系数，具体包括：
对所述历史参数辨识结果进行参数标准化后，计算通过所述电化学模型根据所述历史参数辨识结果仿真得到的电池容量；
对所述当前参数辨识结果进行参数标准化后，计算通过所述电化学模型根据所述当前参数辨识结果仿真得到的电池容量；
计算根据所述历史参数辨识结果仿真得到的电池容量和根据所述当前参数辨识结果仿真得到的电池容量之间的所述容量收敛系数，公式如下：
其中δ为所述容量收敛系数，Cmax，k-1为根据所述历史参数辨识结果仿真得到的电池容量，Cmax，k为根据所述当前参数辨识结果仿真得到的电池容量。
2.根据权利要求1所述的一种基于容量变化率的电化学模型参数辨识方法，其特征在于，所述的比较所述容量收敛系数和预设的收敛阈值之后，还包括：
在所述容量收敛系数不大于所述收敛阈值时，调整所述仿真工况数据集中固相初始浓度与所述实际工况数据集中固相初始浓度相同；
基于预设的第二损失函数计算所述实际工况数据集和调整固相初始浓度后所述仿真工况数据集之间的第二损失函数结果值；
在所述第二损失函数结果值大于预设的第二损失函数结果阈值时，重新生成所述仿真工况数据集；
在所述第二损失函数结果值不大于所述第二损失函数结果阈值时，输出所述电化学模型参数集作为所述参数辨识结果。
3.根据权利要求2所述的一种基于容量变化率的电化学模型参数辨识方法，其特征在于，所述第二损失函数包括电压差值损失函数，所述的基于预设的第二损失函数计算所述实际工况数据集和调整固相初始浓度后所述仿真工况数据集之间的第二损失函数结果值，具体包括：
计算所述实际工况数据集中输出的第一个电压值和调整固相初始浓度后所述仿真工况数据集中输出的第一个电压值之间的电压差值，作为所述第二损失函数结果值，公式如下：
|Vsim，1-Vreal，1|；
其中Vsim，1为模型仿真输出的第一个电压值，Vreal，1为在该工况下电池实测的第一个电压值。
4.根据权利要求2所述的一种基于容量变化率的电化学模型参数辨识方法，其特征在于，
所述第二损失函数还包括电压均方误差损失函数。
5.根据权利要求1、3～4中任意一项所述的一种基于容量变化率的电化学模型参数辨识方法，其特征在于，
所述实际工况数据集中初始工况数据前存在大于预设时长的电池静止时段；
所述实际工况数据集中SOC变化区间大于预设的SOC变化阈值。
6.一种基于容量变化率的电化学模型参数辨识系统，其特征在于，包括：
获取模块，用于获取锂电池实际运行过程中的工况数据，从所述工况数据中清洗出实际工况数据集；
仿真模块，用于通过预设的电化学模型模拟生成仿真工况数据集；
辨识模块，分别与所述获取模块和所述仿真模块连接，用于基于预设的第一损失函数、所述实际工况数据集和所述仿真工况数据集进行参数辨识；
计算模块，分别与所述辨识模块和所述仿真模块连接，用于计算根据历史参数辨识结果仿真得到的电池容量和根据当前参数辨识结果仿真得到的电池容量之间的容量收敛系数；
比较模块，与所述计算模块连接，用于比较所述容量收敛系数和预设的收敛阈值；
生成模块，与所述比较模块连接，用于在所述容量收敛系数大于所述收敛阈值时，重新生成所述仿真工况数据集；
输出模块，与所述比较模块连接，用于在所述容量收敛系数不大于所述收敛阈值时，输出所述电化学模型参数集作为参数辨识结果；
所述的通过预设的电化学模型模拟生成仿真工况数据集之后，所述的比较所述容量收敛系数和预设的收敛阈值之前，还包括步骤：
基于所述第一损失函数计算所述实际工况数据集和所述仿真工况数据集之间的第一损失函数结果值；
在所述第一损失函数结果值大于预设的第一损失函数结果阈值时，将当前参数辨识结果存储至历史参数辨识结果数据库，重新生成所述仿真工况数据集和所述参数辨识结果；
在所述第一损失函数结果值不大于所述第一损失函数结果阈值时，计算根据所述历史参数辨识结果数据库中前一次历史参数辨识结果仿真得到的电池容量和根据当前参数辨识结果仿真得到的电池容量之间的容量收敛系数；
所述第一损失函数包括电压均方误差损失函数，所述的基于预设的第一损失函数计算所述实际工况数据集和所述仿真工况数据集之间的第一损失函数结果值，具体包括：
计算所述实际工况数据集和所述仿真工况数据集之间的电压均方误差作为所述第一损失函数结果值，公式如下：
其中Vsim，i为所述仿真工况数据集中第i个采样点的模型仿真输出电压值，Vreal，i为所述实际工况数据集第i个采样点的实测电压值，N为电压数据的个数；
所述的计算根据历史参数辨识结果仿真得到的电池容量和根据当前参数辨识结果仿真得到的电池容量之间的容量收敛系数，具体包括：
对所述历史参数辨识结果进行参数标准化后，计算通过所述电化学模型根据所述历史参数辨识结果仿真得到的电池容量；
对所述当前参数辨识结果进行参数标准化后，计算通过所述电化学模型根据所述当前参数辨识结果仿真得到的电池容量；
计算根据所述历史参数辨识结果仿真得到的电池容量和根据所述当前参数辨识结果仿真得到的电池容量之间的所述容量收敛系数，公式如下：
其中δ为所述容量收敛系数，Cmax，k-1为根据所述历史参数辨识结果仿真得到的电池容量，Cmax，k为根据所述当前参数辨识结果仿真得到的电池容量。
7.一种存储介质，其特征在于，所述存储介质中存储有至少一条指令，所述指令由处理器加载并执行以实现如权利要求1～5中任意一项所述的一种基于容量变化率的电化学模型参数辨识方法所执行的操作。
CN202211164759.4A 2022-09-23 2022-09-23 一种基于容量变化率的电化学模型参数辨识方法和系统 Active CN115512777B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211164759.4A CN115512777B (zh) 2022-09-23 2022-09-23 一种基于容量变化率的电化学模型参数辨识方法和系统
US18/371,595 US20240110986A1 (en) 2022-09-23 2023-09-22 Method and system for identifying electrochemical model parameters based on capacity change rate

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211164759.4A CN115512777B (zh) 2022-09-23 2022-09-23 一种基于容量变化率的电化学模型参数辨识方法和系统

Publications (2)

Publication Number Publication Date
CN115512777A CN115512777A (zh) 2022-12-23
CN115512777B true CN115512777B (zh) 2024-02-09

Family

ID=84506461

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211164759.4A Active CN115512777B (zh) 2022-09-23 2022-09-23 一种基于容量变化率的电化学模型参数辨识方法和系统

Country Status (2)

Country Link
US (1) US20240110986A1 (zh)
CN (1) CN115512777B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115980590B (zh) * 2023-01-10 2023-08-08 上海玫克生储能科技有限公司 电化学参数的辨识方法、装置、设备和存储介质
CN116205053B (zh) * 2023-02-02 2023-12-01 上海玫克生储能科技有限公司 一种求解模拟输出工况序列的方法和装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114325395A (zh) * 2020-09-30 2022-04-12 北京昇科能源科技有限责任公司 一种电池状态的确定方法及装置
CN114552038A (zh) * 2022-02-24 2022-05-27 中山大学 基于动态规划的锂电池无析锂快速充电方法及系统
CN115084693A (zh) * 2022-06-28 2022-09-20 上海玫克生储能科技有限公司 一种锂电池固相浓度修正方法、系统及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220057451A1 (en) * 2020-08-21 2022-02-24 Carnegie Mellon University System and method for estimation of battery state and health

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114325395A (zh) * 2020-09-30 2022-04-12 北京昇科能源科技有限责任公司 一种电池状态的确定方法及装置
CN114552038A (zh) * 2022-02-24 2022-05-27 中山大学 基于动态规划的锂电池无析锂快速充电方法及系统
CN115084693A (zh) * 2022-06-28 2022-09-20 上海玫克生储能科技有限公司 一种锂电池固相浓度修正方法、系统及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Accurate Lithium-ion battery parameter estimation with continuous-time system identification methods;Bing Xia et al.;《Applied Energy》;第426-436页 *
电池变温度模型似然函数参数辨识及 SOC 估计;陈 媛等;《电子测量与仪器学报》;第1-9页 *

Also Published As

Publication number Publication date
CN115512777A (zh) 2022-12-23
US20240110986A1 (en) 2024-04-04

Similar Documents

Publication Publication Date Title
CN115512777B (zh) 一种基于容量变化率的电化学模型参数辨识方法和系统
CN107957562B (zh) 一种锂离子电池剩余寿命在线预测方法
US10422835B2 (en) Innovative framework combining cycling and calendar aging models
KR20190032780A (ko) 배터리 상태 추정 장치 및 방법
CN115084693B (zh) 一种锂电池固相浓度修正方法、系统及存储介质
CN113484771A (zh) 一种锂离子电池宽温度全寿命soc及容量估计的方法
CN114264964B (zh) 一种电池容量评估的方法、装置、设备及介质
CN113687239B (zh) 一种用于噪声免疫的tcpso锂离子电池参数辨识方法
CN109716151B (zh) 用于估计电池电压的方法和设备
CN113176516A (zh) 容量预测方法、装置、电子设备及存储介质
CN115407217B (zh) 一种电动汽车锂电池荷电状态在线估计方法及系统
CN114252797B (zh) 一种基于不确定性估计的锂电池剩余使用寿命预测方法
CN116224127A (zh) 基于大数据分析的电池健康状态估算方法
CN115951225A (zh) 一种电池均衡优化容量估计方法和装置
CN113900028B (zh) 一种考虑初始荷电状态和充放电路径的电池健康状态估计方法及系统
CN113608130B (zh) 电池簇荷电状态在线估算方法
CN115825746A (zh) 一种锂电池的电池状态的估计方法及装置
CN112946498B (zh) 电动势曲线的获得方法和装置、及处理器
Manzie et al. Simplification techniques for PDE-based Li-Ion battery models
CN110850304A (zh) 一种满充电检测方法、装置和存储介质
Yan et al. State of charge estimation for lithium‐ion battery via MILS algorithm based on ensemble Kalman filter
CN115510648B (zh) 一种锂电池电芯实际容量和电芯健康度识别方法和系统
CN111679196A (zh) 一种pngv模型参数的在线辨识方法、装置、计算机设备
CN116087808B (zh) 一种电化学模型参数辨识过程的电流修正方法及系统
Turos et al. Offline battery pack model optimization

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
GR01 Patent grant
GR01 Patent grant