CN116184214A - 车用动力电池寿命在线快速预测方法、装置及存储介质 - Google Patents

车用动力电池寿命在线快速预测方法、装置及存储介质 Download PDF

Info

Publication number
CN116184214A
CN116184214A CN202310143859.7A CN202310143859A CN116184214A CN 116184214 A CN116184214 A CN 116184214A CN 202310143859 A CN202310143859 A CN 202310143859A CN 116184214 A CN116184214 A CN 116184214A
Authority
CN
China
Prior art keywords
battery
model
electrochemical
life
prediction
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
CN202310143859.7A
Other languages
English (en)
Inventor
戴海峰
姜波
薛辰宇
魏学哲
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN202310143859.7A priority Critical patent/CN116184214A/zh
Publication of CN116184214A publication Critical patent/CN116184214A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
    • 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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/13—Differential equations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及一种融合机理模型与神经网络的车用动力电池寿命在线快速预测方法、装置及存储介质，其中方法包括：获取电池内部参数并确定关键电化学参数；构建基于神经网络的电池电化学参数估计模型，以加载电流和端电压作为特征，关键电化学参数作为标签进行训练；构建锂离子电池寿命预测模型用于寿命在线快速预测：利用电池电化学参数估计模型处理数据集，获得电化学模型的参数变化趋势；根据关键电化学参数变化趋势以及拐点和寿命长度的不同，对电池的退化模式进行分类，分别建立电池寿命预测模型；将不同电池寿命预测模型进行整合，得到综合寿命在线预测模型。与现有技术相比，本发明具有预测精度高、运算简单等优点。

Description

车用动力电池寿命在线快速预测方法、装置及存储介质
技术领域
本发明涉及新能源汽车动力电池管理领域，尤其是涉及一种融合机理模型与神经网络的车用动力电池寿命在线快速预测方法、装置及存储介质。
背景技术
传统能源枯竭和环境污染问题引发了全世界对新能源领域的高度重视。在各类新能源电池中，锂离子电池以体积小、能量密度高、寿命周期长、工作温度范围广等综合性能特点，被广泛应用在包括新能源汽车在内的多个行业和领域。然而在实际应用中，由电池寿命失效所引起的系统故障和安全事故给人们的生命、财产安全造成了极大的威胁。
锂离子电池的梯次利用同样是当今电动汽车研究的热点之一。通过梯次回收，将有利于降低成本、实现电池资源的充分利用。但对电池老化行为的深刻理解和预测能力是评估系统总体成本和电池重复使用的经济效益的先决条件。
锂离子电池的寿命预测方法通常有两种技术路线，分别为基于模型的方法和数据驱动方法。基于模型方法通常以电化学模型或等效电路模型为基础，结合粒子滤波算法对电池内部状态进行观测和更新并预测电池容量的变化趋势。这种方法短期预测能力较强但是从长期预测效果不佳，且计算过程较为复杂，电池的实际应用场合无法提供足够的计算资源。近年来，随着电动汽车大数据的发展以及一些智能算法的兴起，基于数据驱动的电池寿命预测算法正逐渐成为寿命预测研究的热点。数据驱动的方法从电池充放电循环过程中的电流与端电压数据中获取信息，并利用神经网络、高斯回归等方法学习这些信息与最终寿命之间所蕴含的潜在关系，从而实现寿命预测的效果。数据驱动方法的难点在于如何从海量的锂离子电池数据中选择出与最终寿命相关性最高的特征，并尽可能早期的实现对于锂离子电池寿命的预测。目前该方法存在的问题是，当选取的特征不合适或特征的数据量不足时，数据驱动方法的预测准确性会有较大程度的下降。
发明内容
本发明的目的就是为了提供一种融合机理模型与神经网络的车用动力电池寿命在线快速预测方法、装置及存储介质，在保留机理模型的高预测精度的同时，结合神经网络模型简化预测过程，提高预测速度。
本发明的目的可以通过以下技术方案来实现：
一种融合机理模型与神经网络的车用动力电池寿命在线快速预测方法，包括以下步骤：
步骤1)获取电池内部参数并确定关键电化学参数：
步骤11)建立准确反映电池内部电势以及锂离子浓度分布的电化学模型，利用数值方法对电化学模型进行求解；
步骤12)对电化学模型的参数进行敏感性分析，根据敏感性分析结果确定所需的关键电化学参数；
步骤2)构建基于神经网络的电池电化学参数估计模型并训练：
步骤21)修改关键电化学参数的数值以模拟电池随循环而产生的老化，在不同参数条件下对电化学模型进行求解，得到不同的加载电流下电化学模型的输出端电压，生成用于训练电池电化学参数估计模型的数据集；
步骤22)以加载电流和端电压作为模型的特征，关键电化学参数值作为标签训练神经网络，网络训练过程中考虑微分方程所带来的物理约束以提高网络精度；
步骤3)构建锂离子电池寿命预测模型并用于寿命在线快速预测：
步骤31)以锂离子电池公开数据集作为锂离子电池寿命预测模型的训练基础，利用步骤2)建立的电池电化学参数估计模型处理所述公开数据集，获得电化学模型的参数变化趋势；
步骤32)根据不同电池内部关键电化学参数变化趋势以及拐点和寿命长度的不同，对电池的退化模式进行分类，针对不同类别分别建立电池寿命预测模型；
步骤33)将不同退化模式的电池寿命预测模型进行整合，得到规模小且运行速度快的综合寿命在线预测模型用于电池寿命预测。
所述步骤11)中，以伪二维(Pseudo 2D，P2D)模型为基础建立锂离子电池的电化学模型。
所述步骤12)中，电化学模型参数的敏感性分析基于逐个分析(OAT)方法实现，各个参数的敏感度计算公式为：
Figure SMS_1
其中，SI代表参数的敏感度指标，Ns代表参数在其有效区间内的选择个数，Vj为参数在第j个取值下端电压的大小，V为参数在j个取值下端电压的平均值。
所述电池电化学参数估计模型采用内嵌物理的神经网络(Physics-InformedNeural Network,PINN)方法进行训练。
所述步骤31)中，利用步骤2)建立的电池电化学参数估计模型处理所述公开数据集具体为：利用电池电化学参数估计模型对公开数据集进行预处理，得到关键电化学参数随电池老化而变化的时间序列。
所述步骤32)中，使用Bacon-Watts(BW)方法对电池非线性衰退曲线进行建模并拟合获得其拐点，其表达式为：
Y＝α0+α1(x-x1)+α2(x-x1)tanh((x-x1)/γ)+Z
其中，α0与曲线起始容量相关，α1和α2与曲线两段的衰退速度相关，x1为曲线拐点出现位置，γ为曲线的转折程度系数，该系数越小则曲线的转折速度越快，Y为车用动力电池容量，x为车用动力电池循环周期数，Z为容量测量时产生的噪声。。
所述步骤32)中，通过k临近算法对不同电池的退化模式进行分类。
所述步骤32)中，电池寿命预测模型基于长短期记忆(Long-Short Time Memory,LSTM)网络建立，输入为电化学参数随时间变化的序列，输出为电池的剩余使用寿命和拐点值，对电池寿命预测模型训练后用于估计电池的剩余使用寿命与拐点。
所述步骤33)中，将步骤32)中获得的多个LSTM网络整合到一个规模较小且运行较快的子网络上。
一种融合机理模型与神经网络的车用动力电池寿命在线快速预测装置，包括存储器、处理器，以及存储于所述存储器中的程序，所述处理器执行所述程序时实现如上述所述的方法。
一种存储介质，其上存储有程序，所述程序被执行时实现如上述所述的方法。
与现有技术相比，本发明具有以下有益效果：
(1)本发明的电池寿命在线预测方法，利用电池机理模型获得与电池老化程度相关性较高的特征，并利用这些特征在电池生命周期早期的变化对锂离子退化模式进行分类、剩余使用寿命和拐点进行预测，特征维度更高，预测精度高；
(2)与单独数据驱动方法相比，本发明的特征构建更加具有可解释性；
(3)与单独基于模型方法相比，本发明的运算速度更快，结果更为精确，适应性更强。
附图说明
图1为本发明的方法流程图。
图2为P2D电池电化学模型示意图。
图3为电池容量衰减曲线拐点获取方法示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本实施例提供一种融合机理模型与神经网络的车用动力电池寿命在线快速预测方法，如图1所示，包括以下步骤：
步骤1)获取电池内部参数并确定关键电化学参数。
步骤11)建立准确反映电池内部电势以及锂离子浓度分布的电化学模型，利用数值方法对电化学模型进行求解。
本实施例以P2D模型为基础建立锂离子电池电化学模型，P2D模型如图2所示，将电池在x方向上分为集流体，阳极、隔板和阴极。每个部分由下列耦合的微分方程控制，这些方程共同描述了锂离子电池内部固相和电解质相的电势分布、锂离子浓度分布以及电极过电位：
电解质相的锂离子浓度分布：
Figure SMS_2
其中εe为电解质体积分数，ce为电池电解质相的锂离子浓度，
Figure SMS_3
为电解质等效扩散系数，t+ 0为阳离子迁移数，F为法拉第常数，jLi为电极电流密度。
固相锂离子浓度分布：
Figure SMS_4
其中，cs为固相锂离子浓度，Ds为固相扩散系数。
电解质相电势分布：
Figure SMS_5
其中κeff为电解质有效电导，R为气体常数，T为温度，f为平均摩尔活度系数。
固相电势分布：
Figure SMS_6
其中σeff为固相的有效电导。
电极表面电流密度将这些偏微分方程耦合起来，电流密度jLi通过Bulter-Volmer方程来描述：
Figure SMS_7
其中
Figure SMS_8
为电极比表面积，i0为交换电流密度，αa、αc分别为阳、阴极的电荷转移系数。
利用有限体积法将电池在x方向上分为多个控制体，并用差分代替微分方程中的导数，最终根据加载电流条件得到P2D方程的端电压的数值解。
步骤12)对电化学模型的参数进行敏感性分析，根据敏感性分析结果确定所需的关键电化学参数。
本实施例通过相关文献对P2D模型中众多参数取值范围进行预估，随后通过OAT方法对每个参数的敏感性进行分析，即每次只改变一个参数并观察其对于最终输出的影响。参数改变方法为，在每个参数的取值范围内等间距进行取值；最终输出选择电池的端电压。每个参数的敏感度计算方法如下：
Figure SMS_9
其中，SI代表参数的敏感度指标，Ns代表参数在其合理区间内的选择个数，Vj为参数在第j个取值下端电压的大小，
Figure SMS_10
为参数在j个取值下端电压的平均值。
通过计算不同参数改变对于端电压大小的影响可以得到各个参数的敏感度，并结合各个参数在电池老化过程中的作用可以最终选出三个对端电压值影响较高且与电池老化有一定相关性的参数作为电池电化学参数估计模型的观测对象，即关键电化学参数。
步骤2)构建基于神经网络的电池电化学参数估计模型并训练。
步骤21)修改关键电化学参数的数值以模拟电池随循环而产生的老化，在不同参数条件下对电化学模型进行求解，得到不同的加载电流下电化学模型的输出端电压，生成用于训练电池电化学参数估计模型的数据集。
电池在循环老化过程中，随着电池内部组成部分发生老化，会导致在相同的加载电流的条件下其端电压的响应发生一定程度的变化。通过步骤12)的分析可以将端电压随电池老化产生的变化归因于三个关键参数的改变上。
由于现有数据集缺乏对于电池电化学模型参数的标注，即现有数据不足以训练电池电化学参数估计模型。因此需要通过对步骤11)得到的电池电化学模型进行求解以生成数据集。在生成数据集的过程中要对步骤12)中获得的关键参数进行合理的修改使最终得到的端电压响应结果尽可能贴近真实数据集中老化电池的响应结果。
步骤22)以加载电流和端电压作为模型的特征，关键电化学参数值作为标签训练神经网络，网络训练过程中考虑微分方程所带来的物理约束以提高网络精度。
获得数据集后使用PINN方法训练电池电化学参数估计模型。PINN方法本质上也属于一种神经网络，但是其不同点在于它在构造损失函数的过程中会考虑的微分方程所带来的物理约束信息。普通神经网络在构建损失函数时通常会使用均方误差或交叉熵误差等，然而这种损失函数只考虑了神经网络输出对于真实数据的拟合程度。对于电池这一类的真实物理系统，其动态行为由多个偏微分方程描述，通过在损失函数中加入由偏微分方程带来的导数项的约束可以有效的提升神经网络的训练速度和网络预测精度。
步骤3)构建锂离子电池寿命预测模型并用于寿命在线快速预测。
步骤31)以锂离子电池公开数据集作为锂离子电池寿命预测模型的训练基础，利用步骤2)建立的电池电化学参数估计模型处理所述公开数据集，获得电化学模型的参数变化趋势。
具体的，本步骤会得到关键电化学参数随电池老化而变化的时间序列。
步骤32)根据不同电池内部关键电化学参数变化趋势以及拐点和寿命长度的不同，对电池的退化模式进行分类，针对不同类别分别建立电池寿命预测模型。
本发明的最终目的为在线预测锂离子电池的剩余使用寿命和拐点，其中剩余使用寿命一般定义为电池容量还有多少个循环衰减到初始容量的80％。该信息可以直接从锂离子电池老化公开数据集中获取。而电池拐点一般定义为：在拐点之前电池容量呈现线性衰退，而在拐点后电池容量呈现非线性快速衰退。
电池容量衰退轨迹的拐点通过Bacon-Watts方法对电池非线性衰退曲线进行建模并拟合获得其拐点，其表达式为：
Y＝α0+α1(x-x1)+α2(x-x1)tanh((x-x1)/γ)+Z
其中α0与曲线起始容量相关，α1和α2与曲线两段的衰退速度相关，x1为曲线拐点出现位置，γ为曲线的转折程度系数，该系数越小则曲线的转折速度越快，Y为车用动力电池容量，x为车用动力电池循环周期数，Z为容量测量时产生的噪声。。Bacon-Watts(BW)方法对电池容量衰退曲线进行拟合的示意图如图3所示。
非线性函数拟合方法使用Levenberg-Marquart(LM)方法对Bacon-Watts模型中的参数进行获取，即获取拐点。LM方法使用均方误差作为最优化的目标函数，其优化过程中的更新向量hlm公式如下：
Figure SMS_11
其中
Figure SMS_12
为Bacon-Watts方法提供的模型函数，Q为实际电池容量数据，p＝[α0,α1,x1,α2]T为BW模型函数的参数，W为权重矩阵，/>
Figure SMS_13
为模型函数对于参数的雅可比矩阵。使用该方法可以获得每个电池衰退轨迹的拐点值。
结合步骤31)和步骤32)得到电池寿命预测模型的输入-输出数据集为
Figure SMS_14
N为训练样本数；其中xn＝[θ1,θ2,θ3]T为第n个电池的内部高敏感度参数变化时间序列，yn＝[h,kp]T为第n个电池容量序列的寿命和拐点值。
电池使用工况的不同会导致电池寿命衰退趋势不同，根据不同的寿命长短和拐点值大小利用k临近算法进行聚类，将锂离子电池容量轨迹分为短、中、长三种衰退模式。针对这三种类别分别建立基于LSTM网络的电池寿命预测模型以获得更加精确的预测结果。该网络的输入为前100循环的电池高敏感度电化学参数时间序列，输入为带有置信度的剩余使用寿命和拐点。其中置信区间的计算通过设置分数位损失来实现：
Figure SMS_15
步骤33)将不同退化模式的电池寿命预测模型进行整合，即整合步骤32)中的三个LSTM网络模型，得到规模小且运行速度快的综合寿命在线预测模型用于电池寿命预测。
上述功能如果以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，本发明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)执行本发明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。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依据本发明的构思在现有技术的基础上通过逻辑分析、推理、或者有限的实验可以得到的技术方案，皆应在权利要求书所确定的保护范围内。

Claims (10)

1.一种融合机理模型与神经网络的车用动力电池寿命在线快速预测方法，其特征在于，包括以下步骤：
步骤1)获取电池内部参数并确定关键电化学参数：
步骤11)建立准确反映电池内部电势以及锂离子浓度分布的电化学模型，利用数值方法对电化学模型进行求解；
步骤12)对电化学模型的参数进行敏感性分析，根据敏感性分析结果确定所需的关键电化学参数；
步骤2)构建基于神经网络的电池电化学参数估计模型并训练：
步骤21)修改关键电化学参数的数值以模拟电池随循环而产生的老化，在不同参数条件下对电化学模型进行求解，得到不同的加载电流下电化学模型的输出端电压，生成用于训练电池电化学参数估计模型的数据集；
步骤22)以加载电流和端电压作为模型的特征，关键电化学参数值作为标签训练神经网络，网络训练过程中考虑微分方程所带来的物理约束以提高网络精度；
步骤3)构建锂离子电池寿命预测模型并用于寿命在线快速预测：
步骤31)以锂离子电池公开数据集作为锂离子电池寿命预测模型的训练基础，利用步骤2)建立的电池电化学参数估计模型处理所述公开数据集，获得电化学模型的参数变化趋势；
步骤32)根据不同电池内部关键电化学参数变化趋势以及拐点和寿命长度的不同，对电池的退化模式进行分类，针对不同类别分别建立电池寿命预测模型；
步骤33)将不同退化模式的电池寿命预测模型进行整合，得到规模小且运行速度快的综合寿命在线预测模型用于电池寿命预测。
2.根据权利要求1所述的一种融合机理模型与神经网络的车用动力电池寿命在线快速预测方法，其特征在于，所述步骤11)中，以伪二维P2D模型为基础建立锂离子电池的电化学模型。
3.根据权利要求1所述的一种融合机理模型与神经网络的车用动力电池寿命在线快速预测方法，其特征在于，所述步骤12)中，电化学模型参数的敏感性分析基于逐个分析方法实现，各个参数的敏感度计算公式为：
Figure FDA0004088532690000021
其中，SI代表参数的敏感度指标，Ns代表参数在其有效区间内的选择个数，Vj为参数在第j个取值下端电压的大小，
Figure FDA0004088532690000022
为参数在j个取值下端电压的平均值。
4.根据权利要求1所述的一种融合机理模型与神经网络的车用动力电池寿命在线快速预测方法，其特征在于，所述电池电化学参数估计模型采用PINN方法进行训练。
5.根据权利要求1所述的一种融合机理模型与神经网络的车用动力电池寿命在线快速预测方法，其特征在于，所述步骤31)中，利用步骤2)建立的电池电化学参数估计模型处理所述公开数据集具体为：利用电池电化学参数估计模型对公开数据集进行预处理，得到关键电化学参数随电池老化而变化的时间序列。
6.根据权利要求1所述的一种融合机理模型与神经网络的车用动力电池寿命在线快速预测方法，其特征在于，所述步骤32)中，使用Bacon-Watts方法对电池非线性衰退曲线进行建模并拟合获得其拐点，其表达式为：
Y＝α0+α1(x-x1)+α2(x-x1)tanh((x-x1)/γ)+Z
其中，α0与曲线起始容量相关，α1和α2与曲线两段的衰退速度相关，x1为曲线拐点出现位置，γ为曲线的转折程度系数，该系数越小则曲线的转折速度越快，Y为车用动力电池容量，x为车用动力电池循环周期数，Z为容量测量时产生的噪声。
7.根据权利要求1所述的一种融合机理模型与神经网络的车用动力电池寿命在线快速预测方法，其特征在于，所述步骤32)中，通过k临近算法对不同电池的退化模式进行分类。
8.根据权利要求5所述的一种融合机理模型与神经网络的车用动力电池寿命在线快速预测方法，其特征在于，所述步骤32)中，电池寿命预测模型基于长短期记忆网络建立，输入为电化学参数随时间变化的序列，输出为电池的剩余使用寿命和拐点值，对电池寿命预测模型训练后用于估计电池的剩余使用寿命与拐点。
9.一种融合机理模型与神经网络的车用动力电池寿命在线快速预测装置，包括存储器、处理器，以及存储于所述存储器中的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-8中任一所述的方法。
10.一种存储介质，其上存储有程序，其特征在于，所述程序被执行时实现如权利要求1-8中任一所述的方法。
CN202310143859.7A 2023-02-20 2023-02-20 车用动力电池寿命在线快速预测方法、装置及存储介质 Pending CN116184214A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310143859.7A CN116184214A (zh) 2023-02-20 2023-02-20 车用动力电池寿命在线快速预测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310143859.7A CN116184214A (zh) 2023-02-20 2023-02-20 车用动力电池寿命在线快速预测方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN116184214A true CN116184214A (zh) 2023-05-30

Family

ID=86445860

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310143859.7A Pending CN116184214A (zh) 2023-02-20 2023-02-20 车用动力电池寿命在线快速预测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN116184214A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117637044A (zh) * 2023-10-07 2024-03-01 武汉理工大学 一种电池电压预测方法、装置、电子设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117637044A (zh) * 2023-10-07 2024-03-01 武汉理工大学 一种电池电压预测方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
Khan et al. Batteries state of health estimation via efficient neural networks with multiple channel charging profiles
CN109324291B (zh) 一种针对质子交换膜燃料电池寿命预测的预测方法
CN103954913A (zh) 电动汽车动力电池寿命预测方法
Liu et al. State of health estimation of power batteries based on multi-feature fusion models using stacking algorithm
Kim et al. Impedance-based capacity estimation for lithium-ion batteries using generative adversarial network
Xu et al. A novel hybrid physics-based and data-driven approach for degradation trajectory prediction in Li-ion batteries
AU2021101964A4 (en) Artificial intelligence based smart electric vehicle battery management system
CN111983474A (zh) 一种基于容量衰退模型的锂离子电池寿命预测方法和系统
CN116184214A (zh) 车用动力电池寿命在线快速预测方法、装置及存储介质
CN115994441A (zh) 基于机理信息的大数据云平台在线电池寿命预测方法
CN115792677A (zh) 一种基于改进的elm的锂离子电池寿命预测方法
CN115015760A (zh) 基于神经网络、迁移集成学习的锂电池健康状态评估方法
CN115308608A (zh) 一种全钒液流电池电压预测方法、装置及介质
Li et al. Degradation prediction of proton exchange membrane fuel cell based on the multi-inputs Bi-directional long short-term memory
CN113376541B (zh) 一种基于crj网络的锂离子电池健康状态预测方法
CN113406496B (zh) 基于模型迁移的电池容量预测方法、系统、装置及介质
CN114578234A (zh) 一种考虑因果性特征的锂离子电池退化与容量预测模型
Wen et al. Lithium battery health state assessment based on vehicle-to-grid (V2G) real-world data and natural gradient boosting model
Huang et al. State of health estimation of lithium-ion batteries based on fine-tuning or rebuilding transfer learning strategies combined with new features mining
CN110059342B (zh) 一种锂离子电池p2d模型的参数估计方法
CN116930769A (zh) 一种基于双向生成式对抗神经网络的锂电池建模方法
Renold et al. Comprehensive Review of Machine Learning, Deep Learning, and Digital Twin Data-Driven Approaches in Battery Health Prediction of Electric Vehicles
CN116736133A (zh) 锂离子电池全寿命周期容量退化轨迹的早期预测方法
CN115267586A (zh) 锂电池soh评估方法
CN115236521A (zh) 基于半监督协同训练框架的锂离子电池健康状态估计方法

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