基于电化学老化机理和数据驱动的储能锂电池SOH估算方法技术

本发明专利技术提供一种基于电化学老化机理和数据驱动的储能锂电池SOH估算方法。方法包括：采集锂电池在老化循环下的运行数据并预处理，获得电压、电流数据；建立单粒子模型并在不同老化循环下采用LDW

【技术实现步骤摘要】
基于电化学老化机理和数据驱动的储能锂电池SOH估算方法


[0001]本专利技术涉及锂电池
，具体而言，涉及一种基于电化学老化机理和数据驱动的储能锂电池SOH估算方法。

技术介绍

[0002]锂电池具备能量密度高、零排放、性价比高、无记忆效应、重量轻和携带方便等突出优点。目前，磷酸铁锂电池被广泛应用在电网储能领域，在实际中准确估算电池SOH是锂电池使用过程中的重点和难度技术，这关系着电池的健康安全、使用效率与产品更迭。
[0003]现有锂电池SOH的估算方法包括数据驱动的方法、基于物理模型的方法以及基于混合模型的方法。第一种方法具有很强的适应性和适用性，但该方法不仅需要大量实验数据进行复杂训练，而且由于其省略了一些物理建模步骤以及输入常为无物理意义的特征参数，因此算法输出的可解释性差，验证成本较高。第二种方法分为基于等效电路模型的方法和基于电化学模型的方法，前者计算简单但精度较低，后者精度高但计算复杂。现有文献种，第三种方法考虑到了电池的外特性和内部电化学特性，但是理论基础和实践基础较少，计算难度较大。

技术实现思路

[0004]本专利技术的目的包括提供了一种基于电化学老化机理和数据驱动的储能锂电池SOH估算方法，其能够实现适用于工程数据的储能锂电池SOH精确估算，便于在老化过程中对锂电池进行合理的健康管理和安全布控。
[0005]本专利技术的实施例可以这样实现：
[0006]本专利技术提供一种基于电化学老化机理和数据驱动的储能锂电池SOH估算方法，方法包括：
[0007]S1：采集锂电池在老化循环下的运行数据，对运行数据进行预处理，获得满足后续计算需求的电压、电流数据；
[0008]S2：对电池本体建立单粒子模型，并在不同老化循环下采用线性递减权重粒子群优化算法辨识正负极固相最大锂离子浓度；
[0009]S3：对不同循环次数的锂电池建立对应的IC曲线和DV曲线，并分别提取IC曲线和DV曲线中的特征参数，以量化活性锂离子损失以及活性材料损失；
[0010]S4：将正负极固相最大锂离子浓度、量化活性锂离子损失以及活性材料损失的集合作为输入，电池SOH作为输出，建立反向传播神经网络模型；
[0011]S5：选择电池的部分循环及全部循环的正负极固相最大锂离子浓度、量化活性锂离子损失以及活性材料损失集合分别作为两个反向传播神经网络模型的输入，分别实现电池剩下循环的SOH估算和同款电池所有循环下的SOH估算。
[0012]在可选的实施方式中，S1包括：
[0013]对不同循环次数的锂电池，以预设的采样频率获取锂电池在预设工况中的容量Q
和电压V。
[0014]在可选的实施方式中，S2包括：
[0015]S21：对电池伪二维电化学模型进行简化；
[0016]S22：完成单粒子模型的建立后，在不同老化循环过程中采用LDW
‑
PSO算法对单粒子模型中的正负极固相最大锂离子浓度进行辨识。
[0017]在可选的实施方式中，S21所采用的计算公式为：
[0018][0019]其中，U
t
为电池端电压，E
i
为开路电势，c
s,surf,i
为固相表面锂离子浓度，R为普适气体常数，T为实验温度，F为法拉第常数，R
SEI,i
为欧姆内阻，j
i
为固相粒子表面锂离子孔壁通量，R
i
为粒子半径，ε
i
为材料孔隙率，εf,i为填充物质体积分数，l
i
为极板厚度，A为极板有效面积，I为输入电流，k
i
为平均电极反应速率常数，c
s,max,i
为固相最大锂离子浓度，c
e
为液相锂离子浓度，i代表正极或负极。
[0020]在可选的实施方式中，S22中的LDW
‑
PSO算法包括：
[0021]S221：初始化粒子群的速度和位置；
[0022]S222：计算每个粒子的适应度；
[0023]S223：对某个粒子而言，若在此次迭代中该粒子的位置达到了该粒子的历史最优位置，则令该位置为个体最优值，否则不改变个体最优值；
[0024]S224：对某个粒子而言，若在此次迭代中该粒子的位置达到了粒子群的历史最优位置，则令该位置为群体最优值，否则不改变群体最优值；
[0025]S225：更新粒子位置和速度；
[0026]S226：判断是否达到最大迭代次数，若是则停止算法，若否则回到S221。
[0027]在可选的实施方式中，S22中的LDW
‑
PSO算法的计算公式为：
[0028][0029]其中，r1和r2为0到1中的随机数，c1和c2为学习因子，k为迭代次数，k
iter
为最大迭代次数，p
best
为个体最优值，g
best
为群体最优值，w为权重因子，w
max
为最大权重因子，w
min
为最小权重因子。
[0030]在可选的实施方式中，S3中的特征参数包括IC曲线中左侧峰值处dQ/dV值以及DV曲线中最右侧的容量值。
[0031]在可选的实施方式中，S3包括：
[0032]S31：以容量增量
△
Q与电压阶跃
△
V的比值
△
Q/
△
V代替容量对电压的微分dQ/dV，以电压阶跃
△
V与容量增量
△
Q的比值
△
V/
△
Q代替电压对容量的微分dV/dQ；
[0033]S32：对数据进行平滑和插值优化处理，绘制不同老化循环次数的dQ/dV
‑
V曲线和dV/dQ
‑
Q曲线，分别为IC曲线和DV曲线；
[0034]S33：分别提取锂电池不同老化状态的IC曲线和DV曲线的特征参数，比较锂电池不同老化循环时的特征参数变化；
[0035]S34：利用获取得到的特征参数进行不同老化循环下的量化活性锂离子损失以及活性材料损失的量化。
[0036]在可选的实施方式中，S32所采用的计算公式为：
[0037][0038]其中，是IC曲线中的左侧峰值，是IC曲线中的左侧峰值的初始值，Q
DV
是DV曲线中最右侧的容量值，Q
DV,1
是DV曲线中最右侧容量值的初始值。
[0039]在可选的实施方式中，S4包括：
[0040]S41：设置反向传播神经网络模型的结构设计为输入层有4个节点，分别对应正负极固相最大锂离子浓度、量化活性锂离子损失以及活性材料损失的序列，激活函数为双极性Sigmoid函数，隐藏层节点数设置为5，激活函数为线性激活函数，输出层为电池SOH，最大迭代次数为100次，学习速率为0.01，目标误本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于电化学老化机理和数据驱动的储能锂电池SOH估算方法，其特征在于，所述方法包括：S1：采集锂电池在老化循环下的运行数据，对所述运行数据进行预处理，获得满足后续计算需求的电压、电流数据；S2：对电池本体建立单粒子模型，并在不同老化循环下采用线性递减权重粒子群优化算法辨识正负极固相最大锂离子浓度；S3：对不同循环次数的锂电池建立对应的IC曲线和DV曲线，并分别提取所述IC曲线和所述DV曲线中的特征参数，以量化活性锂离子损失以及活性材料损失；S4：将所述正负极固相最大锂离子浓度、所述量化活性锂离子损失以及所述活性材料损失的集合作为输入，电池SOH作为输出，建立反向传播神经网络模型；S5：选择电池的部分循环及全部循环的所述正负极固相最大锂离子浓度、所述量化活性锂离子损失以及所述活性材料损失集合分别作为两个所述反向传播神经网络模型的输入，分别实现电池剩下循环的SOH估算和同款电池所有循环下的SOH估算。2.根据权利要求1所述的基于电化学老化机理和数据驱动的储能锂电池SOH估算方法，其特征在于，所述S1包括：对不同循环次数的锂电池，以预设的采样频率获取锂电池在预设工况中的容量Q和电压V。3.根据权利要求1所述的基于电化学老化机理和数据驱动的储能锂电池SOH估算方法，其特征在于，所述S2包括：S21：对电池伪二维电化学模型进行简化；S22：完成单粒子模型的建立后，在不同老化循环过程中采用LDW
‑
PSO算法对所述单粒子模型中的正负极固相最大锂离子浓度进行辨识。4.根据权利要求3所述的基于电化学老化机理和数据驱动的储能锂电池SOH估算方法，其特征在于，所述S21所采用的计算公式为：其中，U
t
为电池端电压，E
i
为开路电势，c
s,surf,i
为固相表面锂离子浓度，R为普适气体常数，T为实验温度，F为法拉第常数，R
SEI,i
为欧姆内阻，j
i
为固相粒子表面锂离子孔壁通量，R
i
为粒子半径，ε
i
为材料孔隙率，ε
f,i
为填充物质体积分数，l
i
为极板厚度，A为极板有效面积，I为输入电流，k
i
为平均电极反应速率常数，c
s,max,i
为固相最大锂离子浓度，c
e
为液相锂离子浓度，i代表正极或负极。5.根据权利要求3所述的基于电化学老化机理和数据驱动的储能锂电池SOH估算方法，其特征在于，所述S22中的LDW
‑
PSO算法包括：
S221：初始化粒子群的速度和位置；S222：计算每个粒子的适应度；S223：对某个粒子而言，若在此次迭代中该粒子的位置达到了该粒子的历史最优位置，则令该位置为个体最优值，否则不改变个体最优值；S224：对某个粒子而言，若在此次迭代中该粒子的位置达到了粒子群的历史最优位置，则令该位置为群体最优值，否则不改变群体最优值；S225：更新粒子位置和速度；S226：判断是否达到最大迭代次数，若是则停止算法，若否则回到S221。6.根据权利要求3所述的基于电化学老化机理和数据驱动的储能锂电池SOH估算方法，其特征在于，所述S22中的LDW
‑
...

【专利技术属性】
技术研发人员：吴卓彦，尹立坤，刘延超，康喆，张晓萌，熊然，贾俊，肖伟，赵霁，钟卫东，
申请(专利权)人：清华四川能源互联网研究院，
类型：发明
国别省市：