基于深度学习和启发式算法的电化学模型参数辨识方法技术

本发明专利技术提供了一种基于深度学习和启发式算法的电化学模型参数辨识方法，包括：基于第一类敏感度参数的初始值，通过启发式算法在恒流工况下对第一类敏感度参数进行辨识；验证所述第一类敏感度参数的精度，验证出所述第一类敏感度参数的精度处于第一精度范围，完成所述第一类敏感度参数的辨识；在辨识所述第一类敏感度参数后，通过所述启发式算法在动态工况下辨识第二类敏感度参数；验证所述第二类敏感度参数的精度，验证出所述第二类敏感度参数的精度处于第二精度范围，完成所述第二类敏感度参数的辨识。通过结合神经网络和启发式算法的数据驱动方式获取锂电池全生命周期的电化学模型参数。型参数。型参数。

【技术实现步骤摘要】
基于深度学习和启发式算法的电化学模型参数辨识方法


[0001]本专利技术涉及电池管理
，尤指一种基于深度学习和启发式算法的电化学模型参数辨识方法。

技术介绍

[0002]近年来，由于化石能源危机和环境问题的增加，新能源迅速发展，如风能和太阳能等，以及新能源系统的不稳定性，需要引入储能系统，而锂离子电池已得到广泛应用。
[0003]为了保证锂离子电池在长期使用中的安全可靠性，需要一个由软硬件组成的电池管理系统(BMS)对其进行管理。目前广泛使用的BMS都是基于等效电路模型(ECM)开发的，由于ECM的预测能力有限，电池运行策略的设计都是基于简单的安全约束条件，比如：充电截止电压、放电截止电压和最大电流等。然而，端电压并不能完全反应电池内部的状态，特别是在大电流下，由于过电位较大，这将在充放电过程中大大增加或减小电池的端电压。
[0004]随着硬件计算能力的提升，新型的基于电化学模型(EM)的更加智能、先进的BMS将很快得到应用，由于EM能充分反应电池内部状态，比如：正负极锂离子浓度分布、电势分布、过电位等，能够大幅提高对锂电池的管理能力。电化学模型涉及大量的耦合偏微分方程，特别是还会涉及几十个物理参数，使得EM模型在实际应用中受到限制。
[0005]随着硬件能力的提高，可以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。辨识算法比如：目前已有很多基于启发式算法的锂电池模型参数的辨识方法，这些方法辨识参数需要很长时间，且需要提前测量电池的OCV
‑
SOC曲线，但当电池投入使用后，很难获得电池的OCV
‑
SOC曲线。

技术实现思路

[0006]本专利技术的目的是提供一种基于深度学习和启发式算法的电化学模型参数辨识方法，用于用于解决现有锂电池电化学模型参数辨识需要电池OCV
‑
SOC曲线，且辨识耗时很长的问题。
[0007]本专利技术提供的技术方案如下：
[0008]一种基于深度学习和启发式算法的电化学模型参数辨识方法，包括：
[0009]基于第一类敏感度参数的初始值，通过启发式算法在恒流工况下对第一类敏感度参数进行辨识；
[0010]验证所述第一类敏感度参数的精度，验证出所述第一类敏感度参数的精度处于第一精度范围，完成所述第一类敏感度参数的辨识；
[0011]在辨识所述第一类敏感度参数后，通过所述启发式算法在动态工况下辨识第二类敏感度参数；
[0012]验证所述第二类敏感度参数的精度，验证出所述第二类敏感度参数的精度处于第二精度范围，完成所述第二类敏感度参数的辨识；
[0013]其中，第一类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；第二类敏感度参数为在大倍率或动态工况下影响电化学模型输出电压的参数；所述第一精度范围内的最大值小于等于所述第二精度范围内的最小值。
[0014]在一些实施例中，在所述基于第一类敏感度参数的初始值，通过启发式算法在恒流工况下对第一类敏感度参数进行辨识之前，还包括：
[0015]获取所述锂电池的电压数据集，以训练电化学模型；
[0016]通过神经网络获取所述第一类敏感度参数的初始值；
[0017]将所述第一类敏感度参数的初始值输入至所述电化学模型，得到与所述第一类敏感度参数的初始值对应的输出电压。
[0018]在一些实施例中，所述获取所述锂电池的电压数据集，包括：
[0019]基于所述锂电池的类型，获取所述锂电池的电化学模型的电压数据集的参数范围、第一类敏感度参数和第二类敏感度参数；
[0020]将所述第一类敏感度参数在所述参数范围内离散为预设个数值，并将所述第一类敏感度参数进行组合，以获得第一类敏感度参数集；
[0021]将所述第一类敏感度参数集输入所述电化学模型，在恒流工况下输出电压，并将所述电压作为电压数据集。
[0022]在一些实施例中，所述训练电化学模型，包括：
[0023]将所述电压数据集作为所述电化学模型的输入值，并将所述第一类敏感度参数作为训练标签，以训练所述电化学模型。
[0024]在一些实施例中，训练所述电化学模型的损失函数为：
[0025][0026]其中，N为所述第一类敏感度参数的个数；θ
label,i
为参数标签值；θ
model,i
为参数预测值；i为参数的序号。
[0027]在一些实施例中，所述验证所述第一类敏感度参数的精度，包括：
[0028]将第一恒流工况设置为辨识参数的训练工况，第二恒流工况设置为验证工况，以验证所述第一类敏感度参数的精度。
[0029]在一些实施例中，所述验证所述第一类敏感度参数的精度，包括：
[0030]设置验证所述第一类敏感度参数的精度的损失函数为实际工况电压与所述电化学模型的输出电压的均方电压差：
[0031][0032]其中，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；N为所述第一类敏感度参数的个数；v
cell,i
是锂电池的实际电压；v
sim,i
电化学模型的参数；i为参数的序号。
[0033]在一些实施例中，所述训练工况的第一类敏感度参数包括：一条第一类敏感度参数或至少两条第一类敏感度参数。
[0034]在一些实施例中，所述第一类敏感度参数在所述第一恒流工况和所述第二恒流工
况下会影响所述电化学模型的输出电压。
[0035]在一些实施例中，所述验证所述第二类敏感度参数的精度，包括：
[0036]将第一动态工况设置为辨识参数的训练工况，第二动态工况设置为验证集，以验证所述第二类敏感度参数的精度。
[0037]与现有技术相比，本专利技术所提供的基于深度学习和启发式算法的电化学模型参数辨识方法，能够带来以下有益效果：
[0038]通过结合深度学习和启发式算法的数据驱动方式获取锂电池全生命周期的电化学模型参数，本专利技术无需提前测量电池的OCV
‑
SOC曲线且大幅减少辨识参数所需的时间。
附图说明
[0039]下面将以明确易懂的方式，结合附图说明优选实施方式，对基于深度学习和启发式算法的电化学模型参数辨识方法的上述特性、技术特征、优点及其实现方式予以进一步说明。
[0040]图1是本专利技术的基于深度学习和启发式算法的电化学模型参数辨识方法的一个实施例的流程图；
[0041]图2是本专利技术的数据集中三条电压数据；
[0042]图3是本专利技术的训练神经网络过程中MSELoss变化图；
[0043]图4是本专利技术的电压初始值和神经网络模型的猜测值的示意图；
[0044]图5是本专利技术的高敏感度参数辨识后的模拟电压与实际测得电压的曲线图；
[0045]图6是本专利技术的动态工况1的电流数据图；
[0046]图7是本专利技术的动态工况1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习和启发式算法的电化学模型参数辨识方法，其特征在于，包括：基于第一类敏感度参数的初始值，通过启发式算法在恒流工况下对第一类敏感度参数进行辨识；验证所述第一类敏感度参数的精度，验证出所述第一类敏感度参数的精度处于第一精度范围，完成所述第一类敏感度参数的辨识；在辨识所述第一类敏感度参数后，通过所述启发式算法在动态工况下辨识第二类敏感度参数；验证所述第二类敏感度参数的精度，验证出所述第二类敏感度参数的精度处于第二精度范围，完成所述第二类敏感度参数的辨识；其中，第一类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；第二类敏感度参数为在大倍率或动态工况下影响电化学模型输出电压的参数；所述第一精度范围内的最大值小于等于所述第二精度范围内的最小值。2.根据权利要求1所述的基于深度学习和启发式算法的电化学模型参数辨识方法，其特征在于，在所述基于第一类敏感度参数的初始值，通过启发式算法在恒流工况下对第一类敏感度参数进行辨识之前，还包括：获取所述锂电池的电压数据集，以训练电化学模型；通过神经网络获取所述第一类敏感度参数的初始值；将所述第一类敏感度参数的初始值输入至所述电化学模型，得到与所述第一类敏感度参数的初始值对应的输出电压。3.根据权利要求2所述的基于深度学习和启发式算法的电化学模型参数辨识方法，其特征在于，所述获取所述锂电池的电压数据集，包括：基于所述锂电池的类型，获取所述锂电池的电化学模型的电压数据集的参数范围、第一类敏感度参数和第二类敏感度参数；将所述第一类敏感度参数在所述参数范围内离散为预设个数值，并将所述第一类敏感度参数进行组合，以获得第一类敏感度参数集；将所述第一类敏感度参数集输入所述电化学模型，在恒流工况下输出电压，并将所述电压作为电压数据集。4.根据权利要求3所述的基于深度学习和启发式算法的电化学模型参数辨识方法，其特征在于，所述训练电化学模型，包括：将所述电压数据集作为所述电化学模型的输入值，...

【专利技术属性】
技术研发人员：郝平超，周志民，杨洲，严晓，赵恩海，
申请(专利权)人：上海玫克生储能科技有限公司，
类型：发明
国别省市：