CN117236200B - 基于数据驱动降阶模型的飞行汽车电池快充策略优化方法 - Google Patents
基于数据驱动降阶模型的飞行汽车电池快充策略优化方法 Download PDFInfo
- Publication number
- CN117236200B CN117236200B CN202311523057.5A CN202311523057A CN117236200B CN 117236200 B CN117236200 B CN 117236200B CN 202311523057 A CN202311523057 A CN 202311523057A CN 117236200 B CN117236200 B CN 117236200B
- Authority
- CN
- China
- Prior art keywords
- battery
- model
- strategy
- charging
- optimizing
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000007600 charging Methods 0.000 claims abstract description 36
- 239000002245 particle Substances 0.000 claims abstract description 28
- 230000008878 coupling Effects 0.000 claims abstract description 20
- 238000010168 coupling process Methods 0.000 claims abstract description 20
- 238000005859 coupling reaction Methods 0.000 claims abstract description 20
- 238000013461 design Methods 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000002922 simulated annealing Methods 0.000 claims abstract description 7
- 230000004927 fusion Effects 0.000 claims abstract description 4
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 24
- 229910052744 lithium Inorganic materials 0.000 claims description 24
- 239000007790 solid phase Substances 0.000 claims description 23
- 238000007086 side reaction Methods 0.000 claims description 16
- 238000009792 diffusion process Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 14
- 238000000137 annealing Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000003792 electrolyte Substances 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000001556 precipitation Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 6
- 239000007772 electrode material Substances 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000001816 cooling Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 239000007791 liquid phase Substances 0.000 description 22
- 229910001416 lithium ion Inorganic materials 0.000 description 14
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 13
- 238000006243 chemical reaction Methods 0.000 description 13
- 150000002500 ions Chemical class 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 210000004027 cell Anatomy 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 239000003016 pheromone Substances 0.000 description 6
- 230000020169 heat generation Effects 0.000 description 5
- 238000009830 intercalation Methods 0.000 description 5
- 230000002687 intercalation Effects 0.000 description 5
- 238000012546 transfer Methods 0.000 description 5
- 230000035882 stress Effects 0.000 description 4
- 241000257303 Hymenoptera Species 0.000 description 3
- 238000009831 deintercalation Methods 0.000 description 3
- 230000010287 polarization Effects 0.000 description 3
- 230000008719 thickening Effects 0.000 description 3
- 238000007599 discharging Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005342 ion exchange Methods 0.000 description 2
- 239000011148 porous material Substances 0.000 description 2
- QYAPHLRPFNSDNH-MRFRVZCGSA-N (4s,4as,5as,6s,12ar)-7-chloro-4-(dimethylamino)-1,6,10,11,12a-pentahydroxy-6-methyl-3,12-dioxo-4,4a,5,5a-tetrahydrotetracene-2-carboxamide;hydrochloride Chemical compound Cl.C1=CC(Cl)=C2[C@](O)(C)[C@H]3C[C@H]4[C@H](N(C)C)C(=O)C(C(N)=O)=C(O)[C@@]4(O)C(=O)C3=C(O)C2=C1O QYAPHLRPFNSDNH-MRFRVZCGSA-N 0.000 description 1
- 102100026127 Clathrin heavy chain 1 Human genes 0.000 description 1
- 101000912851 Homo sapiens Clathrin heavy chain 1 Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010351 charge transfer process Methods 0.000 description 1
- 238000010277 constant-current charging Methods 0.000 description 1
- 238000010281 constant-current constant-voltage charging Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003411 electrode reaction Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010297 mechanical methods and process Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- Secondary Cells (AREA)
Abstract
本发明涉及一种基于数据驱动降阶模型的飞行汽车电池快充策略优化方法,属于电池充电技术领域,解决了现有技术中的快充策略难以兼顾充电速度、充电寿命和安全性的问题。本发明的方法首先建立电池多物理场耦合模型;然后建立基于蚁群优化‑GRU融合算法的降阶模型;最后设定快充策略寿命设计目标,随机生成电池快充策略,通过降阶模型预测电池寿命,通过粒子群优化‑变速度模拟退火耦合算法对快充策略进行寻优,直到达到迭代截止条件或达到设计目标,输出最终的快充策略。本发明的方法通过数据驱动的降阶模型提高了飞行汽车电池系统快充策略设计和快充策略的优化速度,进而提升了飞行汽车充电速度,并保证了电池使用寿命和安全性。
Description
技术领域
本发明涉及电池充电技术领域,具体涉及一种基于数据驱动降阶模型的飞行汽车电池快充策略优化方法。
背景技术
飞行汽车是面向低空智能交通和立体智慧交通的载运工具,已列入国家综合立体交通网络发展规划纲要,是我国低空立体交通的重要组成。
然而,为了提高推重比、降低整车质量,飞行汽车所装载的电池系统容量有限,为提高飞行汽车运行效率,需要对其电池系统进行快速充电,减少充电时间。现在,已有大量相关研究,如中国专利:CN116384221A和CN116401770A。
现有的电池充电策略方法依赖于实验或建模,实验方法需要设计三电极电池或半电池,并通过电化学工作站长期持续测定其在不同充电电流下的负极电位,测定时间长、测试成本高、工序复杂。建模方法通过复杂的电化学模型进行多次仿真进行设计,建模难度大、模型仿真时间长、迭代反馈速度慢,也难以快速解决动力电池快充策略设计优化难题。
发明内容
鉴于上述问题,本发明提供了一种基于数据驱动降阶模型的飞行汽车电池快充策略优化方法,解决了现有技术中的快充策略难以兼顾充电速度、充电寿命和安全性的问题。
本发明提供了一种基于数据驱动降阶模型的飞行汽车电池快充策略优化方法,具体步骤如下:
步骤一、建立电池的多物理场耦合模型,多物理场耦合模型包括几何模型、电化学模型、副反应模型、热模型、力学模型和液冷换热模型;
步骤二、在给定工况下输入电池电流、环境温度和电池初始化参数至多物理场耦合模型获得仿真信息;使用给定工况和仿真信息建立训练集和测试集;使用训练集和测试集对GRU神经网络模型进行训练,采用蚁群优化算法对GRU神经网络模型进行优化,建立基于蚁群优化-GRU神经网络融合的降阶模型;
步骤三、设定电池快充策略;通过步骤二获得的降阶模型对设定的电池快充策略下的电池进行电池寿命预测获得电池寿命预测值;基于电池寿命预测值,通过粒子群优化-变速度模拟退火耦合算法对设定的快充策略进行寻优,直到达到迭代截止条件或达到设计目标,输出优化电池快充策略。
可选地,几何模型为基于电池的电极材料和结构建立的多粒子等效几何异构模型。
可选地,电化学模型包括电池伪二维模型和/或单粒子模型。
可选地,副反应模型包括SEI膜生成副反应方程、负极析锂副反应方程、电解液分解产气模型和/或扩散诱导应力致使电极损伤模型。
可选地,热模型包括生热模型和电池能量平衡方程。
可选地,电池为飞行汽车的动力电池。
可选地,基于电池寿命预测值,通过粒子群优化-变速度模拟退火耦合算法对设定的快充策略进行寻优,直到达到迭代截止条件或达到设计目标,输出优化电池快充策略的具体步骤为:
基于电池寿命预测值,在当前退火温度下,采用粒子群优化法处理粒子群生成设定电池快充策略的动力电池充电MAP图;
对系列动力电池充电MAP图的粒子群状态和速度进行更新获得更新系列动力电池充电MAP图;
对更新系列动力电池充电MAP图进行蒙特卡洛搜索获得群体最优解;
对当前退火温度进行自适应非线性变速度退火获得更新退货温度;基于群体最优解,在更新退火温度下对粒子群进行更新并寻找更新群体最优解;
进行重复迭代直到满足优化目标需求时结束,获得优化电池快充策略。
与现有技术相比,本发明至少具有现如下有益效果:
(1)本发明的方法通过考虑数据驱动的降阶模型提高飞行汽车电池系统快充策略设计和快充策略的优化速度,提升飞行汽车充电速度的同时,还不影响电池的使用寿命。
(2)本发明的方法通过预测电池电位以设计电池快充策略,降低了电池充电析锂的可能性,进而提升了电池寿命和安全性。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制。
图1为本发明基于数据驱动降阶模型的飞行汽车电池快充策略优化方法的流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本发明的实施例及实施例中的特征可以相互组合。另外,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
本发明的一个具体实施例,如图1,提出了一种基于数据驱动降阶模型的飞行汽车电池快充策略优化方法,具体步骤如下:
步骤一:建立电池的多物理场耦合模型,电池的多物理场耦合模型包括几何模型、电化学模型、热模型、力学模型、液冷换热模型和副反应模型;
可选地,电池为飞行汽车的动力电池。
可选地,几何模型为基于电池的电极材料和结构建立的多粒子等效几何异构模型。
本发明的多粒子等效几何异构模型突破纽曼伪二维模型的均一孔隙结构与固定孔隙率假设,对电极材料采用层状电极结构与多孔隔膜结构实现非匀质特性建模,实现了对电池内部微观与宏观间隙模拟;另外,本发明的多粒子等效几何异构模型通过构建多粒子组合结构模拟实际电解质孔隙结构与电极颗粒形状,突破传统粒子扩散模型的笛卡尔对称、圆柱形对称或球形对称假设,采用异构粒子几何模型描述多孔电极结构细节特征,结合离子扩散效应、离子传输过程、电荷转移过程等建立非匀质异构模型,实现了电池电极非匀质特征仿真。
可选地,电化学模型包括电池伪二维模型或单粒子模型,能够描述电池内部非均一粒子扩散、传输效应及电极、电解液电势场等。具体地,包括固相离子扩散方程、液相离子扩散方程、固相电势方程、液相电势方程和脱锂与嵌锂反应方程。
(1)固相离子扩散方程(包括正极和负极)的表达式为:
其中,为电池固相区域s的径向距离r处时刻t的固相锂离子浓度;/>为电池固相区域s的固相锂离子扩散系数。
通过固相离子扩散方程求解固相锂离子浓度。
(2)液相离子扩散方程(包括正极、负极、隔膜)的表达式为:
其中,为电池液相区域e的液相电解质的体积分数;/>为电池液相区域e的厚度距离x处时刻t的液相锂离子浓度;t +为锂离子的迁移数;D eff为电池液相区域e的液相扩散系数;F为法拉第常数;/>为电池中时刻t的总输入电流密度。
通过液相离子扩散方程求解电池中的液相锂离子浓度C e;
优选地,=0.67;
可以理解的是,厚度是指沿着电池的电极厚度方向(正极-隔膜-负极的方向),径向是指沿着电池的正极-隔膜-负极的方向的轴向将电池等效为圆柱后,沿着圆柱的径向方向。
(3)固相电势方程(包括正极和负极)
其中,为电池y位置的有效等效电导率;/>为电池固相区域s的y位置的厚度距离x处时刻t的固相电势分布;/>为电池y位置处时刻t的总输入电流密度;y=n或p,n为负电极n,p为正电极的位置。
通过固相方程求解电池中的固相电势分布Φ s;
(4)液相电势方程(电解液)
其中,为电池液相区域e的厚度距离x处时刻t的液相电势分布;/>为电解液有效电导率;/>为理想气体常数;T为电池温度;F为法拉第常数;/>为电解液的离子活度系数;/>为液相在厚度距离x处时刻t的锂离子浓度;/>为锂离子的迁移数。
通过液相电势方程求解液相电势分布Φ e。
(5)脱锂与嵌锂反应方程(正极和负极)
其中,表示脱嵌锂过程中电池y位置的锂离子交换电流密度;a表示活性比表面积;/>为脱嵌锂过程中电极反应交换电流密度;/>为脱嵌锂过程中电池y位置的反应过电势;/>为脱嵌锂过程中电池的正极传递系数,/>为脱嵌锂过程中电池的负极传递系数;y=n或p,n为负电极n,p为正电极的位置。
通过脱锂与嵌锂反应方程求解锂离子交换电流密度,用于决定锂离子是否嵌入或脱出。
可选地,传递系数为0.5;=0。
可选地,副反应模型包括SEI膜生成副反应方程、负极析锂副反应方程、电解液分解产气模型和扩散诱导应力致使电极损伤模型等。
其中,SEI膜增厚反应方程和负极析锂副反应方程的表达式如下:
(1) SEI膜增厚反应方程
其中,表示膜生长电流密度;a表示活性比表面积;/>为SEI膜生成过程的反应速率参数;/>为电池中的液相锂离子浓度,为电化学模型求解量;/>为SEI生成反应的传递系数;Φ s,n为电池中的负电极固相电势分布,由电化学模型求解得到;Φ e为液相电势分布,由电化学模型求解得到;/>是SEI膜生成反应的平衡电势,进一步地,/>取/>vs;j为输入电流密度,由输入电流求解得到;R film为SEI膜等效膜阻,由膜厚度计算得到。
通过SEI膜增厚反应方程求解膜生长电流密度。
优选地,=0.5。
(2)负极析锂副反应方程:
其中,表示锂电流密度;/>为析锂过程的反应速率常数;C e为电池中的液相锂离子浓度,由电化学模型计算得到;c e,ref为材料的负极离子浓度;/>和/>分别表示电池的析锂阳极和负极反应传递系数;η LP为析锂反应平衡电势,进一步地,η LP取/>vs/>;=0.3;/>=0.7。
通过析锂反应方程求解析锂电流密度。
可选地,热模型包括生热模型和电池能量平衡方程,以电池热系统的发热量和边界的热量情况、工况电流作为输入,以电池热管理系统的温度场分布作为输出。
(1)生热模型包括欧姆热计算方程和极化热计算方程;
(1.1)欧姆热计算方程:
其中,q o,y表示电池y位置的电池欧姆热;为电池y位置的导热系数;/>和/>分别为极化热和可逆热反应速率的有效值;Φ s,y为电池固相区域s的y位置的固相电势分布,由电化学模型计算得到;Φ e为液相电势分布,由电化学模型计算得到;C e为液相锂离子浓度,由电化学模型计算得到。
通过欧姆热计算方程求解电池欧姆热q o。
(1.2)极化热计算方程:
其中,q p表示电池y位置的电池极化生热;表示电池电流密度i的单位体积净电流;/>表示电池总单位体积净电流;/>表示电池电流密度i的副反应过电势;Φ s为固相电势分布,由电化学模型计算得到;Φ e为液相电势分布,由电化学模型计算得到;S为SEI膜电导率,进一步地,S=6*10-6;R Film为SEI膜的膜阻,由SEI膜厚度计算得到。
通过极化热计算方程求解电池极化热q p。
(2)电池的能量平衡方程:
式中,q为电池最终生热量;表示电池的总生热;m表示电池质量;C p表示平均比热容;S为电极极片表面积;/>表示电池欧姆热;/>表示电池极化热;L表示电池的厚度方向的总长度;
通过电池的能量平衡方程求解电池最终生热量q,当电池最终生热量q为负值时,表明电池温度降低。
可选地,力学模型为基于固体力学方法描述电池的电极在机械应力、热应力、电流应力作用下的膨胀效应。
可选地,液冷换热模型为热-流耦合模型或相变-热-流耦合模型。
本发明通过以上步骤建立电池的多物理场耦合模型。
步骤二:在给定工况下输入电池电流、环境温度和电池初始化参数至多物理场耦合模型获得仿真信息;使用给定工况和仿真信息建立训练集和测试集;使用训练集和测试集对GRU神经网络模型进行训练,采用蚁群优化算法对GRU神经网络模型进行优化,建立基于蚁群优化-GRU神经网络融合的降阶模型。
具体地,仿真信息包括电池寿命和副反应损伤比例等;给定工况包括NEDC工况、CLTC工况、DST工况、FUDS工况、恒流充放电工况和恒流恒压充放电工况等。
可选地,将给定工况和仿真信息按照70%训练集、30%验证集进行划分。
使用蚁群优化算法对GRU神经网络的初始参数寻优,具体步骤为:
步骤1)初始化蚁群优化算法的参数;
步骤2)将蚁群中的每只蚂蚁分别放置于初始禁忌表中的一个顶点上;
步骤3)基于初始禁忌表中蚂蚁所在顶点,计算第k只蚂蚁在当前时刻的由当前状态转移的转移概率;选择下一顶点,更新禁忌表,计算更新禁忌表下第k只蚂蚁的转移概率,直到遍历所有顶点一次,k=1;
步骤4)计算第k只蚂蚁留在各次更新禁忌表的信息素量增量;
步骤5)判断是否为最后一只蚂蚁;如果不是最后一只蚂蚁,令k加1,返回步骤3)~4);如果是最后一只蚂蚁,获得每只蚂蚁留在各次更新禁忌表的信息素量增量,完成当前次周游;
步骤6)基于当前次周游每只蚂蚁留在各次更新禁忌表的信息素量增量获得当前次周游每只蚂蚁的行驶路径;基于当前次周游每只蚂蚁的行驶路径获得更新的最优路径,清空禁忌表;
步骤7)判断是否达到预定周游步数,或者是否出现停滞现象,若是蚁群优化算法结束,若是,输出当前更新的最优路径,获得对GRU神经网络的初始参数的最优解;否则,转入步骤2)进行下一次周游。
蚁群优化算法用于优化初始参数设置,设置蚁群规模K=100、信息素因子τ=2、启发函数因子η=0.2、信息素的挥发因子ρ=0.3、信息素常数Q=100和最大迭代次数n=100,获得最优解。
可选地,设置GRU神经网络的输入数据类别为5,隐藏层为10层,GRU层为10层,采用控制每个神经元随机失活来防止过拟合,设置每个时间步输出,输入门权重矩阵初始值为[0.1,0.1,0.2,0.1,0.5],学习率设置为0.001,迭代次数设置为10000次,测试集/测试集分割比例为7:3,单次抽取的数据片段长度为10,训练目标残差设置为0.00001。
可选地,将GRU神经网络的内部状态向量和输出向量合并为总门控向量,从而使得总门控向量减少为复位门和更新门2个门控参数。
步骤三:设定电池快充策略;通过步骤二获得的降阶模型对设定的电池快充策略下的电池进行电池寿命预测获得电池寿命预测值;基于电池寿命预测值,通过粒子群优化-变速度模拟退火耦合算法对设定的快充策略进行寻优,直到达到迭代截止条件或达到设计目标,输出优化电池快充策略。
可选地,基于已有的充电策略模型随机生成一组电池的快充策略。
本发明设定电池快充策略寿命设计目标;对步骤二建立的降阶模型进行解析计算,选择降阶模型输出的锂电池的负电极固相电势分布作为观测变量,得出既能够满足电池充电速度、又能够防止析锂产生的充电电流边界值。
将设定的电池快充策略及与该快充策略对应的电流工况曲线输入骤二建立的降阶模型获得优化的动力电池的快充策略。
本发明所述的步骤3中的快充策略寿命设计目标,包括指定循环次数下电池剩余容量或电池SOH,也可以指电池达到指定电池SOH条件下的循环次数,也可以指在充电过程中负极析锂电位或总析锂量。
本发明构建的降阶模型用于实现快充策略设计,模型输入为电池快充策略及对应电流工况曲线,输出为电池内部参数演化形式、实际充电容量、温度、充电时间等。
通过粒子群优化-变速度模拟退火耦合算法对设定的快充策略进行寻优,直到达到迭代截止条件或达到设计目标,输出优化电池快充策略的具体步骤为:
选取初始动力电池的快充策略;
可选地,动力电池的快充策略包括恒流充电、恒流恒压充电、分阶段充电、脉冲充电和负脉冲充电策略。
在当前退火温度下,采用粒子群优化法处理粒子群随机生成初始动力电池的快充策略的系列动力电池充电MAP图;然后对系列动力电池充电MAP图的粒子群状态和速度进行更新获得更新系列动力电池充电MAP图;对更新系列动力电池充电MAP图进行蒙特卡洛搜索获得群体最优解;
可以理解的是,对更新系列动力电池充电MAP图进行蒙特卡洛搜索为在预设范围内进行重复性迭代搜索直到满足预设要求;
对当前退火温度进行自适应非线性变速度退火过程获得更新退货温度;群体最优解在更新退火温度下对粒子群进行更新并寻找更新群体最优解;
进行重复迭代直到满足优化目标需求时结束,获得优化电池快充策略。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (6)
1.一种基于数据驱动降阶模型的飞行汽车电池快充策略优化方法,其特征在于,具体步骤如下:
步骤一、建立电池的多物理场耦合模型,多物理场耦合模型包括几何模型、电化学模型、副反应模型、热模型、力学模型和液冷换热模型;
其中,电化学模型包括固相电势方程;通过固相方程求解电池中的负电极固相电势分布;
步骤二、在给定工况下输入电池电流、环境温度和电池初始化参数至多物理场耦合模型获得仿真信息;使用给定工况和仿真信息建立训练集和测试集;使用训练集和测试集对GRU神经网络模型进行训练,采用蚁群优化算法对GRU神经网络模型进行优化,建立基于蚁群优化-GRU神经网络融合的降阶模型;
步骤三、设定电池快充策略;通过步骤二获得的降阶模型对设定的电池快充策略下的电池进行电池寿命预测获得电池寿命预测值;基于电池寿命预测值,通过粒子群优化-变速度模拟退火耦合算法对设定的快充策略进行寻优,直到达到迭代截止条件或达到设计目标,输出优化电池快充策略;
其中,通过步骤二获得的降阶模型对设定的电池快充策略下的电池进行电池寿命预测获得电池寿命预测值时,对步骤二建立的降阶模型进行解析计算,选择降阶模型输出的电池的负电极固相电势分布作为观测变量,得出充电电流边界值;
其中,基于电池寿命预测值,通过粒子群优化-变速度模拟退火耦合算法对设定的快充策略进行寻优,直到达到迭代截止条件或达到设计目标,输出优化电池快充策略的具体步骤为:
基于电池寿命预测值,在当前退火温度下,采用粒子群优化法处理粒子群生成设定电池快充策略的动力电池充电MAP图;
对系列动力电池充电MAP图的粒子群状态和速度进行更新获得更新系列动力电池充电MAP图;
对更新系列动力电池充电MAP图进行蒙特卡洛搜索获得群体最优解;
对当前退火温度进行自适应非线性变速度退火获得更新退货温度;基于群体最优解,在更新退火温度下对粒子群进行更新并寻找更新群体最优解;
进行重复迭代直到满足优化目标需求时结束,获得优化电池快充策略。
2.根据权利要求1所述的飞行汽车电池快充策略优化方法,其特征在于,几何模型为基于电池的电极材料和结构建立的多粒子等效几何异构模型。
3.根据权利要求1所述的飞行汽车电池快充策略优化方法,其特征在于,电化学模型包括电池伪二维模型和/或单粒子模型。
4.根据权利要求1所述的飞行汽车电池快充策略优化方法,其特征在于,副反应模型包括SEI膜生成副反应方程、负极析锂副反应方程、电解液分解产气模型和/或扩散诱导应力致使电极损伤模型。
5.根据权利要求1所述的飞行汽车电池快充策略优化方法,其特征在于,热模型包括生热模型和电池能量平衡方程。
6.根据权利要求1所述的飞行汽车电池快充策略优化方法,其特征在于,电池为飞行汽车的动力电池。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311523057.5A CN117236200B (zh) | 2023-11-16 | 2023-11-16 | 基于数据驱动降阶模型的飞行汽车电池快充策略优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311523057.5A CN117236200B (zh) | 2023-11-16 | 2023-11-16 | 基于数据驱动降阶模型的飞行汽车电池快充策略优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117236200A CN117236200A (zh) | 2023-12-15 |
CN117236200B true CN117236200B (zh) | 2024-02-02 |
Family
ID=89097051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311523057.5A Active CN117236200B (zh) | 2023-11-16 | 2023-11-16 | 基于数据驱动降阶模型的飞行汽车电池快充策略优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117236200B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020116853A1 (ko) * | 2018-12-06 | 2020-06-11 | 주식회사 엘지화학 | 이차 전지의 충전 장치 및 방법 |
US10829004B1 (en) * | 2019-05-15 | 2020-11-10 | Sf Motors, Inc. | Continuous derating fast charging method based on multiple particle reduced order model |
CN115863805A (zh) * | 2022-11-29 | 2023-03-28 | 国网天津市电力公司电力科学研究院 | 一种基于模型预测控制的电动汽车快速充电方法及装置 |
CN116008844A (zh) * | 2023-01-06 | 2023-04-25 | 深圳技术大学 | 一种适应快充策略的车用锂电池健康状态在线预测方法 |
CN116401770A (zh) * | 2023-05-16 | 2023-07-07 | 重庆大学 | 基于电池数字孪生模型与机器学习的快充策略设计方法 |
CN116461355A (zh) * | 2023-04-26 | 2023-07-21 | 东莞中山大学研究院 | 一种锂离子动力电池智能充电方法 |
CN116609678A (zh) * | 2023-04-19 | 2023-08-18 | 长沙理工大学 | 基于改进混合模型的锂离子电池剩余寿命预测方法 |
CN116683069A (zh) * | 2023-07-10 | 2023-09-01 | 上海交通大学 | 一种锂离子电池主动寿命提升的动态优化充电方法 |
-
2023
- 2023-11-16 CN CN202311523057.5A patent/CN117236200B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020116853A1 (ko) * | 2018-12-06 | 2020-06-11 | 주식회사 엘지화학 | 이차 전지의 충전 장치 및 방법 |
US10829004B1 (en) * | 2019-05-15 | 2020-11-10 | Sf Motors, Inc. | Continuous derating fast charging method based on multiple particle reduced order model |
CN111952685A (zh) * | 2019-05-15 | 2020-11-17 | 重庆金康新能源汽车有限公司 | 基于多粒子降阶模型的连续降额快速充电方法 |
CN115863805A (zh) * | 2022-11-29 | 2023-03-28 | 国网天津市电力公司电力科学研究院 | 一种基于模型预测控制的电动汽车快速充电方法及装置 |
CN116008844A (zh) * | 2023-01-06 | 2023-04-25 | 深圳技术大学 | 一种适应快充策略的车用锂电池健康状态在线预测方法 |
CN116609678A (zh) * | 2023-04-19 | 2023-08-18 | 长沙理工大学 | 基于改进混合模型的锂离子电池剩余寿命预测方法 |
CN116461355A (zh) * | 2023-04-26 | 2023-07-21 | 东莞中山大学研究院 | 一种锂离子动力电池智能充电方法 |
CN116401770A (zh) * | 2023-05-16 | 2023-07-07 | 重庆大学 | 基于电池数字孪生模型与机器学习的快充策略设计方法 |
CN116683069A (zh) * | 2023-07-10 | 2023-09-01 | 上海交通大学 | 一种锂离子电池主动寿命提升的动态优化充电方法 |
Non-Patent Citations (1)
Title |
---|
基于信息素扩散模型解耦控制策略的蚁群算法;冀俊忠;刘椿年;黄振;;智能系统学报(第04期);第5-12页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117236200A (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yin et al. | Actively temperature controlled health-aware fast charging method for lithium-ion battery using nonlinear model predictive control | |
Xue et al. | Design of a lithium-ion battery pack for PHEV using a hybrid optimization method | |
Liu et al. | Optimal design of Li-ion batteries through multi-physics modeling and multi-objective optimization | |
Jiang et al. | A microscopic investigation of ion and electron transport in lithium-ion battery porous electrodes using the lattice Boltzmann method | |
CN115632179B (zh) | 一种锂离子电池智能快速充电方法及系统 | |
Li et al. | Physics-based CFD simulation of lithium-ion battery under the FUDS driving cycle | |
Mei et al. | Three-dimensional layered electrochemical-thermal model for a lithium-ion pouch cell Part II. The effect of units number on the performance under adiabatic condition during the discharge | |
Wei et al. | Toward more realistic microgrid optimization: Experiment and high-efficient model of Li-ion battery degradation under dynamic conditions | |
CN112380785A (zh) | 电池热管理优化方法、装置、可读存储介质及计算机设备 | |
CN112464571A (zh) | 基于多约束条件粒子群优化算法的锂电池组参数辨识方法 | |
CN115453377B (zh) | 基于电化学-热-老化与三维降阶的电池组寿命预测方法 | |
CN107066713B (zh) | 一种预测锂离子电池材料电化学性能的仿真方法 | |
Li et al. | Optimization of hybrid energy management system based on high-energy solid-state lithium batteries and reversible fuel cells | |
Zhu et al. | A fractional-order model of lithium-ion battery considering polarization in electrolyte and thermal effect | |
Liu et al. | Energy storage battery SOC estimate based on improved BP neural network | |
Cui et al. | Order reduction electrochemical mechanism model of lithium-ion battery based on variable parameters | |
Wen et al. | Lithium battery health state assessment based on vehicle-to-grid (V2G) real-world data and natural gradient boosting model | |
Wang et al. | System identification and state estimation of a reduced-order electrochemical model for lithium-ion batteries | |
Xu et al. | A novel Drosophila‐back propagation method for the lithium‐ion battery state of charge estimation adaptive to complex working conditions | |
CN117236200B (zh) | 基于数据驱动降阶模型的飞行汽车电池快充策略优化方法 | |
Zheng et al. | Electrical and thermal active co-management for lithium-ion batteries | |
CN110232432A (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
CN111753402A (zh) | 燃料电池汽车辅助动力源锂电池的建模方法 | |
Torchio et al. | Optimal charging of a Li-ion cell: A hybrid model predictive control approach | |
CN110059342A (zh) | 一种锂离子电池p2d模型的参数估计方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |