CN116011339A - 一种基于深度学习和拼接因子的电化学模型参数辨识方法 - Google Patents
一种基于深度学习和拼接因子的电化学模型参数辨识方法 Download PDFInfo
- Publication number
- CN116011339A CN116011339A CN202310060827.0A CN202310060827A CN116011339A CN 116011339 A CN116011339 A CN 116011339A CN 202310060827 A CN202310060827 A CN 202310060827A CN 116011339 A CN116011339 A CN 116011339A
- Authority
- CN
- China
- Prior art keywords
- electrochemical model
- parameter identification
- parameter
- loss function
- working condition
- 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
Links
- 102000015097 RNA Splicing Factors Human genes 0.000 title claims abstract description 131
- 108010039259 RNA Splicing Factors Proteins 0.000 title claims abstract description 131
- 238000000034 method Methods 0.000 title claims abstract description 95
- 238000013135 deep learning Methods 0.000 title claims abstract description 40
- 230000006870 function Effects 0.000 claims abstract description 121
- 239000007790 solid phase Substances 0.000 claims abstract description 62
- 238000004088 simulation Methods 0.000 claims abstract description 45
- 230000035945 sensitivity Effects 0.000 claims abstract description 19
- 238000003062 neural network model Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 48
- 238000012545 processing Methods 0.000 claims description 18
- 230000001172 regenerating effect Effects 0.000 claims description 6
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 4
- 229910052744 lithium Inorganic materials 0.000 claims description 4
- 239000007773 negative electrode material Substances 0.000 claims description 4
- 239000007774 positive electrode material Substances 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 239000006183 anode active material Substances 0.000 claims description 3
- 230000008878 coupling Effects 0.000 claims description 2
- 238000010168 coupling process Methods 0.000 claims description 2
- 238000005859 coupling reaction Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 abstract description 5
- 238000004140 cleaning Methods 0.000 abstract description 4
- 230000032683 aging Effects 0.000 description 5
- 101100125299 Agrobacterium rhizogenes aux2 gene Proteins 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 241000544061 Cuculus canorus Species 0.000 description 1
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 239000011149 active material Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
Images
Classifications
-
- 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
- Battery Electrode And Active Subsutance (AREA)
Abstract
本发明公开了一种基于深度学习和拼接因子的电化学模型参数辨识方法，包括步骤：调整电化学模型的高敏感度参数，生成第一仿真工况数据集，并根据第一仿真工况数据集和高敏感度参数训练生成目标神经网络模型；基于电池实际工况数据清洗出至少两条实际工况数据集；分别将各条实际工况数据集输入所述目标神经网络模型中，生成各条所述实际工况数据集的固相正负极初始浓度参考值；基于所述电化学模型、所述参数辨识主数据集和至少一条所述参数辨识辅数据集，通过预设的第二损失函数对电化学模型参数集和拼接因子进行参数辨识。本发明通过引入深度学习算法和拼接因子，基于多条实际工况数据联合辨识的电化学模型参数，提高参数辨识的准确性。
Description
技术领域
本发明涉及电化学模型技术领域，特别涉及一种基于深度学习和拼接因子的电化学模型参数辨识方法。
背景技术
近年来，以光伏、风能、潮汐能生物质能为代表新能源产业迅速发展。由于新能源发电系统发电质量的不稳定性，因此为了规范电能参数需要引入储能系统，锂离子电池储能系统凭借其储能稳定性的特点，在新能源领域得到广泛应用。
随着电池电化学模型仿真技术的准确度越来越高，一些仿真软件如Comsol等已在电池设计中发挥的作用，但使用电化学模型仿真涉及几十个输入参数，其中如固相扩散系数、电导率、活性材料粒径等参数，即便是通过实验获取也无法保证其准确性。
上述问题导致通过仿真的方法来优化电池设计具有一定局限性，目前通常通过比如启发式算法(遗传算法、粒子群算法、布谷鸟算法等)、神经网络、卡尔曼滤波等方法，以数据驱动的方式获取模型参数。这些方法通常将电池数据分为恒流和动态工况下的数据，并进行分步辨识，同时还需要不同工况数据的初始SOC(即正负极材料初始浓度)状态一致。但在实际应用中，电池几乎不可能有一直恒流工作的条件，以及清洗出的不同工况数据时电池初始状态往往存在较大差异，因此这种方法具有很大的局限性。
因此目前需要一种基于深度学习和拼接因子的电化学模型参数辨识方法，通过深度学习和引入拼接因子，实现基于多条实际工况数据联合辨识的电化学模型参数的效果，提高参数辨识的准确性。
发明内容
为解决电化学模型参数辨识过程中辨识结果精确性较差的技术问题，本发明提供一种基于深度学习和拼接因子的电化学模型参数辨识方法，具体的技术方案如下：
本发明提供一种基于深度学习和拼接因子的电化学模型参数辨识方法，包括步骤：
通过在预设阈值范围内调整电化学模型的高敏感度参数，生成第一仿真工况数据集，所述高敏感度参数为在恒流工况下影响所述电化学模型输出电压的参数，所述电化学模型中包括电化学模型参数集和拼接因子，所述拼接因子用于调整所述电化学模型参数集的固相正负极初始浓度与该所述参数辨识辅数据集的正负极初始浓度相同；
将所述第一仿真工况数据集作为预设神经网络模型的输入值，并将所述高敏感度参数作为训练标签，根据预设的第一损失函数训练生成目标神经网络模型；
基于电池实际工况数据清洗出至少两条实际工况数据集，并从至少两条所述实际工况数据集中选取一条参数辨识主数据集，和至少一条参数辨识辅数据集；
分别将各条所述实际工况数据集输入所述目标神经网络模型中，生成各条所述实际工况数据集的固相正负极初始浓度参考值；
基于所述电化学模型、所述参数辨识主数据集和至少一条所述参数辨识辅数据集，通过预设的第二损失函数对所述电化学模型参数集和所述拼接因子进行参数辨识。
本发明提供的基于深度学习和拼接因子的电化学模型参数辨识方法通过深度学习获取多条数据的初始浓度参考值，并根据初始浓度参考值确定拼接因子的取值范围，进而通过多条数据进行联合辨识，避免在常规电化学模型参数辨识的过程中只通过单条工况数据进行参数辨识存在的过拟合问题，提高电化学模型参数集的泛化能力。
在一些实施方式中，所述的通过在预设阈值范围内调整电化学模型的高敏感度参数之前，还包括：
获取所述电化学模型中所述高敏感度参数；
将预设的第一恒流工况设置为辨识参数的训练工况，预设的第二恒流工况设置为验证工况，根据预设的第三损失函数验证所述高敏感度参数的精度，所述恒流工况包括所述第一恒流工况和所述第二恒流工况，所述第三损失函数如下：
其中，N为所述第一类敏感度参数的个数，vcell,i为锂电池的实际电压，vsim,i为电化学模型的参数，i为参数的序号。
在一些实施方式中，所述第一损失函数为：
其中，N为所述高敏感度参数的个数，θlabel,i为参数标签值，θmodel,i为参数预测值，i为参数的序号。
在一些实施方式中，所述的通过在预设阈值范围内调整电化学模型的高敏感度参数，生成第一仿真工况数据集之前，还包括：
选取常规所述电化学模型中任意一种，常规所述电化学模型包括AMESim电化学模型、P2D电化学模型和P2D热耦合电化学模型；
在所述电化学模型中引入所述拼接因子，根据所述电化学模型参数集中原固相正负极初始浓度与所述拼接因子的乘积结果调整所述电化学模型参数集中所述固相正负极初始浓度。
本发明提供的基于深度学习和拼接因子的电化学模型参数辨识方法进一步公开一种根据拼接因子调整电化学模型参数集中固相正负极初始浓度的调节方法，通过将电化学模型参数集中固相正负极初始浓度与拼接因子的乘积结果作为电化学模型参数集中固相正负极初始浓度，改变电化学模型中数据处理过程，实现参数辨识主数据集和至少一条参数辨识辅数据集之间的数据拼接，便于验证电化学模型参数集的拟合性。
在一些实施方式中，所述的在所述电化学模型中引入所述拼接因子，具体包括：
基于所述参数辨识主数据集的所述固相正负极初始浓度、至少一条所述参数辨识辅数据集的所述固相正负极初始浓度和预设的拼接因子上下限系数，生成所述拼接因子的阈值范围；
在所述拼接因子的阈值范围中取任意值作为所述拼接因子，在所述电化学模型中引入所述拼接因子。
本发明提供的基于深度学习和拼接因子的电化学模型参数辨识方法通过预设拼接因子上下限系数并结合参数辨识主数据集的初始SOC和至少一条参数辨识辅数据集的初始SOC，生成拼接因子的阈值范围，在设置拼接因子上下限系数时可以综合考虑电池老化程度，使电化学模型在参数辨识过程中在拼接因子的阈值范围进行拼接因子的参数辨识，提高电化学模型参数集和拼接因子的参数辨识效率。
在一些实施方式中，所述的根据所述参数辨识主数据集中原固相正负极初始浓度与所述拼接因子的乘积结果调整所述固相正负极初始浓度，具体包括：
将所述电化学模型参数集中固相负极初始浓度调整为原固相负极初始浓度与所述拼接因子的乘积；
根据调整后所述电化学模型参数集中固相负极初始浓度、正负极厚度和正负极活性材料体积分数，计算调整后所述电化学模型参数集中固相正极初始浓度，公式如下：
其中，cp,o,aux为调整后所述电化学模型参数集中固相正极初始浓度，cp,0,main为调整前所述电化学模型参数集中固相正极初始浓度，cn,0,main为调整后所述电化学模型参数集中固相负极初始浓度，cn,0,aux为调整前所述电化学模型参数集中固相负极初始浓度，Ln为负极厚度，Lp为正负极厚度，εn为负极活性材料体积分数，εp为正极活性材料体积分数。
在一些实施方式中，所述的基于所述电化学模型、所述参数辨识主数据集和至少一条所述参数辨识辅数据集，通过预设的第二损失函数对所述电化学模型参数集和所述拼接因子进行参数辨识，具体包括：
基于所述电化学模型、所述参数辨识主数据集，通过所述第二损失函数对所述电化学模型参数集执行第一参数辨识处理；
基于所述电化学模型、至少一条所述参数辨识辅数据集，通过所述第二损失函数对所述电化学模型参数集和所述拼接因子执行第二参数辨识处理；
在所述第一参数辨识处理和所述第二参数辨识处理均通过时，输出所述电化学模型参数集和所述拼接因子作为参数辨识结果；
在所述第一参数辨识处理不通过时，重新生成所述电化学模型参数集；
在所述第二参数辨识处理不通过时，重新生成所述电化学模型参数集和所述拼接因子。
在一些实施方式中，所述的基于所述电化学模型、所述参数辨识主数据集，通过所述第二损失函数对所述电化学模型参数集执行第一参数辨识处理，具体包括：
将所述电化学模型参数集输入所述电化学模型中得到第二仿真工况数据集，根据所述第二损失函数计算所述第二仿真工况数据集和所述参数辨识主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损失函数结果阈值时，判断所述第一参数辨识处理通过；
在所述第二损失函数结果值不大于所述损失函数结果阈值时，判断所述第一参数辨识处理不通过。
在一些实施方式中，所述的基于所述电化学模型、至少一条所述参数辨识辅数据集，通过所述第二损失函数对所述电化学模型参数集和所述拼接因子执行第二参数辨识处理，具体包括：
在采用一条所述参数辨识辅数据集时，将经过所述拼接因子调整后的所述电化学模型参数集输入所述电化学模型中得到第三仿真工况数据集，根据所述损失函数计算所述第三仿真工况数据集和该所述参数辨识辅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所述损失函数结果阈值时，判断所述第二参数辨识处理通过；
在所述第二损失函数结果值不大于所述损失函数结果阈值时，判断所述第二参数辨识处理不通过。
在一些实施方式中，至少两个所述拼接因子和所述参数辨识辅数据集一一对应，所述的基于所述电化学模型、至少一条所述参数辨识辅数据集，通过所述第二损失函数对所述电化学模型参数集和所述拼接因子执行第二参数辨识处理，具体还包括：
在采用至少两条所述参数辨识辅数据集时，将经过各个所述拼接因子调整后的所述电化学模型参数集输入所述电化学模型中得到至少两条所述第四仿真工况数据集，根据所述损失函数计算各条所述第四仿真工况数据集和对应的所述参数辨识辅数据集之间的第三损失函数子结果值；
根据各个所述第三损失函数子结果值和预设的各个所述参数辨识辅数据集对应的结果权重值，计算第三损失函数总结果值；
在所述第三损失函数总结果值大于所述损失函数结果阈值时，判断所述第二参数辨识处理通过；
在所述第三损失函数总结果值不大于所述损失函数结果阈值时，判断所述第二参数辨识处理不通过。
本发明提供的基于深度学习和拼接因子的电化学模型参数辨识方法公开一种根据至少两条参数辨识辅数据集和第三仿真工况数据集进行电化学模型参数辨识的方案，分别将多条参数辨识辅数据集与第三仿真工况数据集进行数据拼接，同时根据多条参数辨识辅数据集进行参数辨识，进一步提高电化学模型参数集和各个拼接因子的辨识精确度。
本发明提供，至少包括以下一项技术效果：
(1)通过深度学习获取多条数据的初始浓度参考值，并根据初始浓度参考值确定拼接因子的取值范围，进而通过多条数据进行联合辨识，避免在常规电化学模型参数辨识的过程中只通过单条工况数据进行参数辨识存在的过拟合问题，提高电化学模型参数集的泛化能力；
(2)进一步公开一种根据拼接因子调整电化学模型参数集中固相正负极初始浓度的调节方法，通过将电化学模型参数集中固相正负极初始浓度与拼接因子的乘积结果作为电化学模型参数集中固相正负极初始浓度，改变电化学模型中数据处理过程，实现参数辨识主数据集和至少一条参数辨识辅数据集之间的数据拼接，便于验证电化学模型参数集的拟合性；
(3)通过预设拼接因子上下限系数并结合参数辨识主数据集的初始SOC和至少一条参数辨识辅数据集的初始SOC，生成拼接因子的阈值范围，在设置拼接因子上下限系数时可以综合考虑电池老化程度，使电化学模型在参数辨识过程中在拼接因子的阈值范围进行拼接因子的参数辨识，提高电化学模型参数集和拼接因子的参数辨识效率；
(4)公开一种根据至少两条参数辨识辅数据集和第三仿真工况数据集进行电化学模型参数辨识的方案，分别将多条参数辨识辅数据集与第三仿真工况数据集进行数据拼接，同时根据多条参数辨识辅数据集进行参数辨识，进一步提高电化学模型参数集和各个拼接因子的辨识精确度。
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为本发明一种基于深度学习和拼接因子的电化学模型参数辨识方法的流程图；
图2为本发明一种基于深度学习和拼接因子的电化学模型参数辨识方法中验证高敏感度参数的精度的流程图；
图3为本发明一种基于深度学习和拼接因子的电化学模型参数辨识方法中预设电化学模型的流程图；
图4为本发明一种基于深度学习和拼接因子的电化学模型参数辨识方法中引入拼接因子的流程图；
图5为本发明一种基于深度学习和拼接因子的电化学模型参数辨识方法中参数辨识的流程图；
图6为本发明一种基于深度学习和拼接因子的电化学模型参数辨识方法中第一参数辨识处理的流程图；
图7为本发明一种基于深度学习和拼接因子的电化学模型参数辨识方法中第二参数辨识处理的流程图；
图8为本发明一种基于深度学习和拼接因子的电化学模型参数辨识方法中的第二参数辨识处理的另一个流程图。
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深度学习和拼接因子的电化学模型参数辨识方法，包括步骤：
S200通过在预设阈值范围内调整电化学模型的高敏感度参数，生成第一仿真工况数据集。
具体地，高敏感度参数为在恒流工况下影响电化学模型输出电压的参数，电化学模型中包括电化学模型参数集和拼接因子，拼接因子用于调整电化学模型参数集的固相正负极初始浓度与该参数辨识辅数据集的正负极初始浓度相同。
S300将第一仿真工况数据集作为预设神经网络模型的输入值，并将高敏感度参数作为训练标签，根据预设的第一损失函数训练生成目标神经网络模型。
S400基于电池实际工况数据清洗出至少两条实际工况数据集，并从至少两条实际工况数据集中选取一条参数辨识主数据集，和至少一条参数辨识辅数据集。
具体地，基于电池实际工况数据清洗出至少两条实际工况数据集，并从至少两条实际工况数据集中选取一条参数辨识主数据集，和至少一条参数辨识辅数据集时，需满足全部实际工况数据集中初始工况数据前均存在大于预设时长的电池静止时段，至少一条实际工况数据集中SOC变化区间大于预设的SOC变化阈值，至少一条实际工况数据集中包括电池弛豫阶段工况数据，上述基于电池实际工况数据清洗出至少两条实际工况数据集的清洗方案，可以提高清洗出实际工况数据集的表征性，便于电化学模型基于实际工况数据集进行参数辨识后得到电化学模型参数集针对该锂电池的实际工况具有泛用性。
S500分别将各条实际工况数据集输入所述目标神经网络模型中，生成各条实际工况数据集的固相正负极初始浓度参考值。
S600基于电化学模型、参数辨识主数据集和至少一条参数辨识辅数据集，通过预设的第二损失函数对电化学模型参数集和拼接因子进行参数辨识。
本实施例提供的基于深度学习和拼接因子的电化学模型参数辨识方法通过深度学习获取多条数据的初始浓度参考值，并根据初始浓度参考值确定拼接因子的取值范围，进而通过多条数据进行联合辨识，避免在常规电化学模型参数辨识的过程中只通过单条工况数据进行参数辨识存在的过拟合问题，提高电化学模型参数集的泛化能力。
在一个实施例中，如图2所示，步骤S200通过在预设阈值范围内调整电化学模型的高敏感度参数，生成第一仿真工况数据集之前，还包括：
S130获取电化学模型中所述高敏感度参数。
S140将预设的第一恒流工况设置为辨识参数的训练工况，预设的第二恒流工况设置为验证工况，根据预设的第三损失函数验证高敏感度参数的精度。
具体地，恒流工况包括第一恒流工况和第二恒流工况，第三损失函数如下：
其中，N为第一类敏感度参数的个数，vcell,i为锂电池的实际电压，vsim,i为电化学模型的参数，i为参数的序号。
进一步地，第一损失函数为：
其中，N为高敏感度参数的个数，θlabel,i为参数标签值，θmodel,i为参数预测值，i为参数的序号。
在一个实施例中，如图3所示，步骤S200通过在预设阈值范围内调整电化学模型的高敏感度参数，生成第一仿真工况数据集之前，还包括：
S110选取常规电化学模型中任意一种。
具体地，常规电化学模型包括AMESim电化学模型、P2D电化学模型和P2D热耦合电化学模型。
S120在电化学模型中引入拼接因子，根据电化学模型参数集中原固相正负极初始浓度与拼接因子的乘积结果调整电化学模型参数集中固相正负极初始浓度。
本实施例提供的基于深度学习和拼接因子的电化学模型参数辨识方法进一步公开一种根据拼接因子调整电化学模型参数集中固相正负极初始浓度的调节方法，通过将电化学模型参数集中固相正负极初始浓度与拼接因子的乘积结果作为电化学模型参数集中固相正负极初始浓度，改变电化学模型中数据处理过程，实现参数辨识主数据集和至少一条参数辨识辅数据集之间的数据拼接，便于验证电化学模型参数集的拟合性。
在一个实施例中，如图4所示，步骤S120在电化学模型中引入拼接因子，具体包括：
S121基于参数辨识主数据集的初始SOC、至少一条参数辨识辅数据集的初始SOC和预设的拼接因子上下限系数，生成拼接因子的阈值范围。
具体地，预设α、β分别为拼接因子上限系数和拼接因子下限系数，生成拼接因子的阈值范围如下：
其中ω为拼接因子，SOCaux为参数辨识辅数据集的初始SOC，SOCmain为参数辨识主数据集的初始SOC，α、β的设置与SOC的识别精确有关，在电池老化程度低、通过电池管理系统(BATTERY MANAGEMENTSYSTEM，BMS)识别SOC的精确较高时，在设置α、β的过程中α、β的取值接近1，在电池老化程度高、通过BMS识别SOC的精确较低时，在设置α、β的过程中α、β的取值远离1，例如在识别SOC的精确较高时，α、β分别取值(1，0.9)。
S122在拼接因子的阈值范围中取任意值作为拼接因子，在电化学模型中引入拼接因子。
本实施例提供的基于深度学习和拼接因子的电化学模型参数辨识方法通过预设拼接因子上下限系数并结合参数辨识主数据集的初始SOC和至少一条参数辨识辅数据集的初始SOC，生成拼接因子的阈值范围，在设置拼接因子上下限系数时可以综合考虑电池老化程度，使电化学模型在参数辨识过程中在拼接因子的阈值范围进行拼接因子的参数辨识，提高电化学模型参数集和拼接因子的参数辨识效率。
在一个实施例中，S122在拼接因子的阈值范围中取任意值作为拼接因子，在电化学模型中引入拼接因子之后，还包括：
将电化学模型参数集中固相负极初始浓度调整为原固相负极初始浓度与拼接因子的乘积。
具体地，公式如下：
cn,0,aux＝ω*cn,0,main；
其中，cn,0,aux为调整前电化学模型参数集中原固相负极初始浓度，cn,0,aux为电化学模型参数集中固相负极初始浓度。
根据调整后电化学模型参数集中固相负极初始浓度、正负极厚度和正负极活性材料体积分数，计算调整后电化学模型参数集中固相正极初始浓度。
具体地，计算公式如下：
其中，cp,o,aux为调整后电化学模型参数集中固相正极初始浓度，cp,0,main为调整前电化学模型参数集中固相正极初始浓度，cn,0,main为调整后电化学模型参数集中固相负极初始浓度，cn,0,aux为调整前电化学模型参数集中固相负极初始浓度，Ln为负极厚度，Lp为正负极厚度，εn为负极活性材料体积分数，εp为正极活性材料体积分数。
在一个实施例中，如图5所示，步骤S600基于电化学模型、参数辨识主数据集和至少一条参数辨识辅数据集，通过预设的第二损失函数对电化学模型参数集和拼接因子进行参数辨识，具体包括：
S610基于电化学模型、参数辨识主数据集，通过损失函数对电化学模型参数集执行第一参数辨识处理。
S620基于电化学模型、至少一条参数辨识辅数据集，通过损失函数对电化学模型参数集和拼接因子执行第二参数辨识处理。
S630在第一参数辨识处理和第二参数辨识处理均通过时，输出电化学模型参数集和拼接因子作为参数辨识结果。
S640在第一参数辨识处理不通过时，重新生成电化学模型参数集。
S650在第二参数辨识处理不通过时，重新生成电化学模型参数集和拼接因子。
在一个实施例中，如图6所示，步骤S610基于电化学模型、参数辨识主数据集，通过损失函数对电化学模型参数集执行第一参数辨识处理，具体包括：
S611将电化学模型参数集输入电化学模型中得到第一仿真工况数据集，根据损失函数计算第一仿真工况数据集和参数辨识主数据集之间的第一损失函数结果值。
具体地，损失函数包括电压均方差损失函数和电压差值损失函数，当采用电压均方差损失函数时，损失函数如下：
其中Vsim,i为第一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为参数辨识主数据集第i个采样点的实测电压值，N为电压数据的个数，MSE为电压均方差损失函数结果值。
当采用电压差值损失函数时，损失函数如下：
V1＝|Vsim,1-Vreal,1|；
其中Vsim,1为第一仿真工况数据集中输出的第一个电压值，Vreal,1为参数辨识主数据集中第一个电压值，V1为电压差值损失函数结果值。
S612在第一损失函数结果值大于预设的损失函数结果阈值时，判断第一参数辨识处理通过。
S613在第一损失函数结果值不大于损失函数结果阈值时，判断第一参数辨识处理不通过。
在一个实施例中，如图7所示，步骤S620基于电化学模型、至少一条参数辨识辅数据集，通过损失函数对电化学模型参数集和拼接因子执行第二参数辨识处理，具体包括：
S621在采用一条参数辨识辅数据集时，将经过拼接因子调整后的电化学模型参数集输入电化学模型中得到第二仿真工况数据集，根据损失函数计算第二仿真工况数据集和该参数辨识辅数据集之间的第二损失函数结果值。
具体地，第一参数辨识处理和第二参数辨识处理可以采用相同或不同的损失函数，采用损失函数的种类相同或不同不影响辨识结果的精确度。
S622在第二损失函数结果值大于损失函数结果阈值时，判断第二参数辨识处理通过。
S623在第二损失函数结果值不大于损失函数结果阈值时，判断第二参数辨识处理不通过。
在一个实施例中，如图8所示，步骤S620基于电化学模型、至少一条参数辨识辅数据集，通过损失函数对电化学模型参数集和拼接因子执行第二参数辨识处理，具体还包括：
S624在采用至少两条参数辨识辅数据集时，将经过各个拼接因子调整后的电化学模型参数集输入电化学模型中得到至少两条第三仿真工况数据集，根据损失函数计算各条第三仿真工况数据集和对应的参数辨识辅数据集之间的第三损失函数子结果值。
具体地，至少两个拼接因子和参数辨识辅数据集一一对应，在参数辨识过程中，同时针对至少两条第三仿真工况数据集、至少两个拼接因子和一个电化学模型参数集进行参数辨识，分别根据各个拼接因子调整电化学模型参数集后，与对应的第三仿真工况数据集进行损失函数子结果值的计算。
S625根据各个第三损失函数子结果值和预设的各个参数辨识辅数据集对应的结果权重值，计算第三损失函数总结果值。
示例性地，第三损失函数总结果值的计算公式如下：
MSE＝β1*MSEaux1+β2*MSEaux2+…βn*MSEauxn；
β1+β2+…βn＝1；
其中，MSE为第三损失函数总结果值，MSEaux1、MSEaux2、…MSEauxn为各个第三损失函数子结果值，β1、β2、…βn为各个参数辨识辅数据集对应的结果权重值。
S626在第三损失函数总结果值大于损失函数结果阈值时，判断第二参数辨识处理通过。
S627在第三损失函数总结果值不大于损失函数结果阈值时，判断第二参数辨识处理不通过。
本实施例提供的基于深度学习和拼接因子的电化学模型参数辨识方法公开一种根据至少两条参数辨识辅数据集和第三仿真工况数据集进行电化学模型参数辨识的方案，分别将多条参数辨识辅数据集与第三仿真工况数据集进行数据拼接，同时根据多条参数辨识辅数据集进行参数辨识，进一步提高电化学模型参数集和各个拼接因子的辨识精确度。
在一个实施例中，步骤S624在采用至少两条参数辨识辅数据集时，将经过各个拼接因子调整后的电化学模型参数集输入电化学模型中得到至少两条第三仿真工况数据集，根据损失函数计算各条第三仿真工况数据集和对应的参数辨识辅数据集之间的第三损失函数子结果值之后，步骤S626在第三损失函数总结果值大于损失函数结果阈值时，判断第二参数辨识处理通过之前，还包括步骤：
根据各个第三损失函数子结果值和预设的各个参数辨识辅数据集对应的结果权重值，以及第一损失函数结果值和参数辨识主数据集对应的结果权重值，计算第三损失函数总结果值。
示例性地，第三损失函数总结果值的计算公式如下：
MSE＝β0*MSEmain+β1*MSEaux1+β2*MSEaux2+…βn*MSEauxn；
β0+β1+β2+…βn＝1；
其中，MSE为第三损失函数总结果值，MSEaux1、MSEaux2、…MSEauxn为各个第三损失函数子结果值，MSEmain为第一损失函数结果值，β1、β2、…βn为各个参数辨识辅数据集对应的结果权重值，β0为参数辨识主数据集对应的结果权重值。
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，所揭露的一种基于深度学习和拼接因子的电化学模型参数辨识方法，可以通过其他的方式实现。例如，以上所描述的一种基于深度学习和拼接因子的电化学模型参数辨识方法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 (10)
1.一种基于深度学习和拼接因子的电化学模型参数辨识方法，其特征在于，包括步骤：
通过在预设阈值范围内调整电化学模型的高敏感度参数，生成第一仿真工况数据集，所述高敏感度参数为在恒流工况下影响所述电化学模型输出电压的参数，所述电化学模型中包括电化学模型参数集和拼接因子，所述拼接因子用于调整所述电化学模型参数集的固相正负极初始浓度与该所述参数辨识辅数据集的正负极初始浓度相同；
将所述第一仿真工况数据集作为预设神经网络模型的输入值，并将所述高敏感度参数作为训练标签，根据预设的第一损失函数训练生成目标神经网络模型；
基于电池实际工况数据清洗出至少两条实际工况数据集，并从至少两条所述实际工况数据集中选取一条参数辨识主数据集，和至少一条参数辨识辅数据集；
分别将各条所述实际工况数据集输入所述目标神经网络模型中，生成各条所述实际工况数据集的固相正负极初始浓度参考值；
基于所述电化学模型、所述参数辨识主数据集和至少一条所述参数辨识辅数据集，通过预设的第二损失函数对所述电化学模型参数集和所述拼接因子进行参数辨识。
2.根据权利要求1所述的一种基于深度学习和拼接因子的电化学模型参数辨识方法，其特征在于，所述的通过在预设阈值范围内调整电化学模型的高敏感度参数之前，还包括：
获取所述电化学模型中所述高敏感度参数；
将预设的第一恒流工况设置为辨识参数的训练工况，预设的第二恒流工况设置为验证工况，根据预设的第三损失函数验证所述高敏感度参数的精度，所述恒流工况包括所述第一恒流工况和所述第二恒流工况，所述第三损失函数如下：
其中，N为所述第一类敏感度参数的个数，vcell,i为锂电池的实际电压，vsim,i为电化学模型的参数，i为参数的序号。
3.根据权利要求1所述的一种基于深度学习和拼接因子的电化学模型参数辨识方法，其特征在于，所述第一损失函数为：
其中，N为所述高敏感度参数的个数，θlabel,i为参数标签值，θmodel,i为参数预测值，i为参数的序号。
4.根据权利要求1所述的一种基于深度学习和拼接因子的电化学模型参数辨识方法，其特征在于，所述的通过在预设阈值范围内调整电化学模型的高敏感度参数，生成第一仿真工况数据集之前，还包括：
选取常规所述电化学模型中任意一种，常规所述电化学模型包括AMESim电化学模型、P2D电化学模型和P2D热耦合电化学模型；
在所述电化学模型中引入所述拼接因子，根据所述电化学模型参数集中原固相正负极初始浓度与所述拼接因子的乘积结果调整所述电化学模型参数集中所述固相正负极初始浓度。
5.根据权利要求4所述的一种基于深度学习和拼接因子的电化学模型参数辨识方法，其特征在于，所述的在所述电化学模型中引入所述拼接因子，具体包括：
基于所述参数辨识主数据集的所述固相正负极初始浓度、至少一条所述参数辨识辅数据集的所述固相正负极初始浓度和预设的拼接因子上下限系数，生成所述拼接因子的阈值范围；
在所述拼接因子的阈值范围中取任意值作为所述拼接因子，在所述电化学模型中引入所述拼接因子。
6.根据权利要求4所述的一种基于深度学习和拼接因子的电化学模型参数辨识方法，其特征在于，所述的根据所述参数辨识主数据集中原固相正负极初始浓度与所述拼接因子的乘积结果调整所述固相正负极初始浓度，具体包括：
将所述电化学模型参数集中固相负极初始浓度调整为原固相负极初始浓度与所述拼接因子的乘积；
根据调整后所述电化学模型参数集中固相负极初始浓度、正负极厚度和正负极活性材料体积分数，计算调整后所述电化学模型参数集中固相正极初始浓度，公式如下：
其中，cp,o,aux为调整后所述电化学模型参数集中固相正极初始浓度，cp,0,main为调整前所述电化学模型参数集中固相正极初始浓度，cn,0,main为调整后所述电化学模型参数集中固相负极初始浓度，cn,0,aux为调整前所述电化学模型参数集中固相负极初始浓度，Ln为负极厚度，Lp为正负极厚度，εn为负极活性材料体积分数，εp为正极活性材料体积分数。
7.根据权利要求1所述的一种基于深度学习和拼接因子的电化学模型参数辨识方法，其特征在于，所述的基于所述电化学模型、所述参数辨识主数据集和至少一条所述参数辨识辅数据集，通过预设的第二损失函数对所述电化学模型参数集和所述拼接因子进行参数辨识，具体包括：
基于所述电化学模型、所述参数辨识主数据集，通过所述第二损失函数对所述电化学模型参数集执行第一参数辨识处理；
基于所述电化学模型、至少一条所述参数辨识辅数据集，通过所述第二损失函数对所述电化学模型参数集和所述拼接因子执行第二参数辨识处理；
在所述第一参数辨识处理和所述第二参数辨识处理均通过时，输出所述电化学模型参数集和所述拼接因子作为参数辨识结果；
在所述第一参数辨识处理不通过时，重新生成所述电化学模型参数集；
在所述第二参数辨识处理不通过时，重新生成所述电化学模型参数集和所述拼接因子。
8.根据权利要求7所述的一种基于深度学习和拼接因子的电化学模型参数辨识方法，其特征在于，所述的基于所述电化学模型、所述参数辨识主数据集，通过所述第二损失函数对所述电化学模型参数集执行第一参数辨识处理，具体包括：
将所述电化学模型参数集输入所述电化学模型中得到第二仿真工况数据集，根据所述第二损失函数计算所述第二仿真工况数据集和所述参数辨识主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损失函数结果阈值时，判断所述第一参数辨识处理通过；
在所述第二损失函数结果值不大于所述损失函数结果阈值时，判断所述第一参数辨识处理不通过。
9.根据权利要求7所述的一种基于深度学习和拼接因子的电化学模型参数辨识方法，其特征在于，所述的基于所述电化学模型、至少一条所述参数辨识辅数据集，通过所述第二损失函数对所述电化学模型参数集和所述拼接因子执行第二参数辨识处理，具体包括：
在采用一条所述参数辨识辅数据集时，将经过所述拼接因子调整后的所述电化学模型参数集输入所述电化学模型中得到第三仿真工况数据集，根据所述损失函数计算所述第三仿真工况数据集和该所述参数辨识辅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所述损失函数结果阈值时，判断所述第二参数辨识处理通过；
在所述第二损失函数结果值不大于所述损失函数结果阈值时，判断所述第二参数辨识处理不通过。
10.根据权利要求7所述的一种基于深度学习和拼接因子的电化学模型参数辨识方法，其特征在于，至少两个所述拼接因子和所述参数辨识辅数据集一一对应，所述的基于所述电化学模型、至少一条所述参数辨识辅数据集，通过所述第二损失函数对所述电化学模型参数集和所述拼接因子执行第二参数辨识处理，具体还包括：
在采用至少两条所述参数辨识辅数据集时，将经过各个所述拼接因子调整后的所述电化学模型参数集输入所述电化学模型中得到至少两条所述第四仿真工况数据集，根据所述损失函数计算各条所述第四仿真工况数据集和对应的所述参数辨识辅数据集之间的第三损失函数子结果值；
根据各个所述第三损失函数子结果值和预设的各个所述参数辨识辅数据集对应的结果权重值，计算第三损失函数总结果值；
在所述第三损失函数总结果值大于所述损失函数结果阈值时，判断所述第二参数辨识处理通过；
在所述第三损失函数总结果值不大于所述损失函数结果阈值时，判断所述第二参数辨识处理不通过。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310060827.0A CN116011339A (zh) | 2023-01-17 | 2023-01-17 | 一种基于深度学习和拼接因子的电化学模型参数辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310060827.0A CN116011339A (zh) | 2023-01-17 | 2023-01-17 | 一种基于深度学习和拼接因子的电化学模型参数辨识方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116011339A true CN116011339A (zh) | 2023-04-25 |
Family
ID=86037155
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310060827.0A Pending CN116011339A (zh) | 2023-01-17 | 2023-01-17 | 一种基于深度学习和拼接因子的电化学模型参数辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116011339A (zh) |
-
2023
- 2023-01-17 CN CN202310060827.0A patent/CN116011339A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Multi-objective optimization of lithium-ion battery model using genetic algorithm approach | |
| CN115436812B (zh) | 一种基于拼接因子的电化学模型参数辨识方法和系统 | |
| CN113702845B (zh) | 退役锂电池核心参数评估方法和设备 | |
| CN106842045A (zh) | 一种基于自适应权重方法的电池多模型融合建模方法和电池管理系统 | |
| Ruan et al. | Quantitative analysis of performance decrease and fast-charging limitation for lithium-ion batteries at low temperature based on the electrochemical model | |
| Chang et al. | Electric vehicle battery pack micro-short circuit fault diagnosis based on charging voltage ranking evolution | |
| Shui et al. | Combining reduced-order model with data-driven model for parameter estimation of lithium-ion battery | |
| Shi et al. | Combining physicochemical model with the equivalent circuit model for performance prediction and optimization of lead-acid batteries | |
| Lin et al. | Lithium-ion battery state of charge/state of health estimation using SMO for EVs | |
| 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 | |
| CN110442901A (zh) | 一种锂离子电池电化学简化模型及其参数的获取方法 | |
| CN115189047A (zh) | 一种锂离子电池无析锂控制方法及系统 | |
| Binelo et al. | Mathematical modeling and parameter estimation of battery lifetime using a combined electrical model and a genetic algorithm | |
| Khaki et al. | Parameter identification of electrochemical model of vanadium redox battery by metaheuristic algorithms | |
| Monirul et al. | Accurate SOC estimation of ternary lithium-ion batteries by HPPC test-based extended Kalman filter | |
| Zhu et al. | A self-correction single particle model of lithium-ion battery based on multi-population genetic algorithm | |
| Bi et al. | Automatic estimation of parameters of a reduced order electrochemical model for lithium-ion batteries at the beginning-of-life | |
| CN116011339A (zh) | 一种基于深度学习和拼接因子的电化学模型参数辨识方法 | |
| Lyu et al. | Digital twin modeling method for lithium-ion batteries based on data-mechanism fusion driving | |
| Njoku et al. | Model comparison and selection for battery digital twin development using pybamm | |
| CN114609525A (zh) | 基于分数阶容积卡尔曼滤波的动力电池soc估计方法 | |
| Zheng et al. | Capacity and state‐of‐charge (SOC) estimation for lithium‐ion cells based on charging time differences curves | |
| CN114710116A (zh) | 一种基于模糊模型的光伏电池组件的实测建模方法及系统 | |
| Liu et al. | Self‐Discharge Voltage Drop Estimation Method Based on Improved Gaussian Process Regression | |
| Yu et al. | Parameter Identification of Fractional-order Model for Lithium-ion Batteries via a Neighborhood Differential Evolution Algorithm |
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 |