【技术实现步骤摘要】
本专利技术属于锂电池健康状态估计领域，具体涉及一种基于pinn的锂离子电池健康状态与剩余寿命联合估计方法。
技术介绍
1、近年来，锂离子电池在电动汽车、储能系统等电力能源领域中的应用越加广泛。在锂离子电池的工作过程中，因电池的循环老化或人为因素会导致电池出现性能下降、短路等常见问题，甚至会引发火灾爆炸等重大安全事故。电池的健康状态和剩余寿命是评估电池老化程度的关键指标。准确评估电池的健康状态和剩余寿命能够有效了解电池的老化情况和自身状态，从而及时进行维护和更换老化电池，确保电池能够长期稳定运行。基于单一物理模型和数据驱动模型的电池健康状态与剩余寿命估计方法各有优缺点，但两者的精度都有待提高。电池健康状态估计和剩余寿命估计两者存在着互相影响和部分评估步骤重叠的问题，分别对两个问题进行研究难以得到全面准确的评价结果，也增加了计算量。由于电池容量再生现象，现有方法对电池健康状态与剩余寿命的估计存在估计精度低的问题，并不能对电池真实的老化情况做到准确描述。
2、所以，需要一个新的技术方案来解决这个问题。
技术实现思路
1、专利技术目的：为了克服现有技术中存在的锂电池健康状态估计精度较差与建模难度大的不足，提供一种基于pinn的锂离子电池健康状态与剩余寿命联合估计方法，能够改善锂电池健康状态估计中的建模难度大、估计精度低的问题，同时针对电池容量再生现象明显的阶段进行健康状态与剩余寿命联合估计，以提高对锂电池健康程度估计的准确度。
2、技术方案：本专利技术提供一种基于p
3、s1：对锂电池老化数据集进行挖掘提炼，提取电池健康特征hfs；
4、s2：建立基于物理模型-数据驱动融合的锂离子电池状态估计模型，将步骤s1中提取的健康特征hfs作为模型输入，实现电池健康状态的估计；
5、s3：将电池健康特征的变化趋势与健康状态评估模型相结合，实现对电池剩余寿命的估计；
6、s4：针对电池容量再生现象明显的阶段进行电池健康状态与剩余寿命的联合估计，以进一步提高估计精度。
7、进一步的，所述步骤s1中对锂电池老化数据集进行挖掘提炼，提取的电池健康特征具体包括：电池恒流充电时间hf1、电池充电温度达峰时间hf2、电池ic曲线峰值hf3和电池ic曲线达峰时的电压值hf4。
8、所述电池ic曲线峰值hf3和电池ic曲线达峰时的电压值hf4的提取方法为：
9、锂电池的ic曲线能够很好地表征电池的健康状态，电池充电过程中，恒流充电阶段的充入电量和电压的计算公式为：
10、q＝it(1)
11、v＝f(q)(2)
12、式中，q为电池充入电量，i为恒流电流，t为充电时间，v为电池端电压，函数f表示q和v之间的关系。ic曲线计算公式为：
13、
14、进一步的，所述步骤s2中建立基于物理模型-数据驱动融合的锂离子电池状态估计模型的方法为：将满足锂电池循环老化物理规律的偏微分方程迭代前后损失函数的差值嵌入到深度前馈神经网络的损失函数中，在深度前馈神经网络参数迭代寻优过程中，满足锂电池循环老化物理规律的偏微分方程将参与每一次的训练过程，因此最终训练出来的网络模型能够满足锂电池老化过程中的实际物理规律，即基于物理模型-数据驱动融合的锂离子电池状态估计模型。
15、所述满足锂电池循环老化物理规律的偏微分方程的表达具体为：
16、定义pinn模型含参数的锂电池健康退化偏微分方程通用形式为：
17、
18、定义偏微分方程的初始条件和边界条件为：
19、u(x,t0)＝g(x),x∈ω(5)
20、
21、式中，t为时间变量，偏微分方程f包含微分算子u(x,t)为f的解，g(x)是f的初始条件，h(x)是f的边界条件；
22、锂电池可用容量损失百分比记为u，则：
23、
24、式中，qnom表示额定容量；qk表示第k个周期中的可用容量；
25、电池容量的健康衰减率可以表示为：
26、
27、式中，θ为电池衰减速率；
28、则电池循环老化的偏微分方程如式(9)所示：
29、
30、式中，r是锂电池老化常数；k为容量损失上限常数；c为容量损失参数；
31、由此，得到描述电池循环老化健康状态的偏微分方程与边界条件如式(10)所示：
32、
33、式中，x为电池退化期间的健康状态参数。
34、所述偏微分方程的损失函数构造的过程为：
35、pinn模型的损失函数l可表示为：
36、l＝lpde+ldata+lic+lbc(11)
37、式中，lpde表示模型驱动的损失量，lic表示初始条件驱动的损失量，lbc表示边界条件驱动的损失量，ldata表示其他数据驱动的损失量。
38、在损失函数的约束下，pinn模型能够在逐渐减小训练数据误差的同时满足锂电池健康退化偏微分方程的求解要求。首先利用逼近函数u(x,t)，然后通过神经网络的自动微分技术，求出描述锂电池健康退化的偏微分方程的残差以及初值和边值的残差，将残差值加入损失函数中，用于更新网络权重参数和偏微分方程物理参数。由此，可以得到pinn网络的损失函数l：
39、
40、
41、
42、
43、式中，λu，λf，λft为权重系数，用来平衡训练过程中的损失项。
44、所述深度前馈神经网络建模方法为：
45、深度前馈神经网络的基本结构由输入层、隐藏层和输出层组成。电池健康特征hf通过隐藏层逐层向下传递，实现信息的传播过程可以被描述为：
46、
47、式中，l表示神经网络的层数，wl、bl分别表示为第l层中所有神经元的输入、输出、权重集合与偏置项。为激活函数，采用双曲正切激活函数：
48、
49、定义神经网络求解参数为θ＝[w,b]，则输入层和输出层之间的关系为：
50、y＝n(x；θ)(18)
51、式中，x代表输入变量，y代表输出变量，n(x；θ)代表神经网络算子。
52、所述步骤s2中将提取的健康特征hfs作为模型输入，实现电池健康状态的估计的具体方法为：
53、将电池数据划分为训练集与测试集，在电池每次循环过程中，从充电电流、温度达峰与ic曲线中提取4个健康特征hf1～hf4，将提取的健康特征作为pinn模型的输入，得到相应的电池健康状态估计结果，使之与深度前馈神经网络和双向长短期神经网络的估计结果进行对比分析。
54、进一步的，所述步骤s3中将电池健康特征的变化趋势与健康状态评估模型相结合，实现对电池剩余寿命的估计的方法为：通过对电本文档来自技高网...
【技术保护点】
1.一种基于PINN的锂离子电池健康状态与剩余寿命联合估计方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于PINN的锂离子电池健康状态与剩余寿命联合估计方法，其特征在于，所述步骤S1中对锂电池老化数据集进行挖掘提炼，提取的电池健康特征具体包括：电池恒流充电时间HF1、电池充电温度达峰时间HF2、电池IC曲线峰值HF3和电池IC曲线达峰时的电压值HF4。
3.根据权利要求2所述的一种基于PINN的锂离子电池健康状态与剩余寿命联合估计方法，其特征在于，所述电池IC曲线峰值HF3和电池IC曲线达峰时的电压值HF4的提取方法为：
4.根据权利要求1所述的一种基于PINN的锂离子电池健康状态与剩余寿命联合估计方法，其特征在于，所述步骤S2中建立基于物理模型-数据驱动融合的锂离子电池状态估计模型的方法为：将满足锂电池循环老化物理规律的偏微分方程迭代前后损失函数的差值嵌入到深度前馈神经网络的损失函数中，在深度前馈神经网络参数迭代寻优过程中，满足锂电池循环老化物理规律的偏微分方程将参与每一次的训练过程，训练出能够满足锂电池老化过程中的实际物理
5.根据权利要求4所述的一种基于PINN的锂离子电池健康状态与剩余寿命联合估计方法，其特征在于，所述满足锂电池循环老化物理规律的偏微分方程的表达具体为：
6.根据权利要求4所述的一种基于PINN的锂离子电池健康状态与剩余寿命联合估计方法，其特征在于，所述偏微分方程的损失函数构造的过程为：
7.根据权利要求4所述的一种基于PINN的锂离子电池健康状态与剩余寿命联合估计方法，其特征在于，所述深度前馈神经网络的建模方法为：
8.根据权利要求2所述的一种基于PINN的锂离子电池健康状态与剩余寿命联合估计方法，其特征在于，所述步骤S2中将提取的健康特征HFs作为模型输入，实现电池健康状态的估计的具体方法为：
9.根据权利要求2所述的一种基于PINN的锂离子电池健康状态与剩余寿命联合估计方法，其特征在于，所述步骤S3中将电池健康特征的变化趋势与健康状态评估模型相结合，实现对电池剩余寿命的估计的方法为：通过对电池循环老化过程中的健康特征的变化趋势进行追踪，并结合PINN模型对电池健康状态的估计结果实现对电池剩余寿命的估计；
10.根据权利要求1所述的一种基于PINN的锂离子电池健康状态与剩余寿命联合估计方法，其特征在于，所述步骤S4中针对电池容量再生现象明显的阶段进行电池健康状态与剩余寿命的联合估计的具体方法为：
...【技术特征摘要】
1.一种基于pinn的锂离子电池健康状态与剩余寿命联合估计方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于pinn的锂离子电池健康状态与剩余寿命联合估计方法，其特征在于，所述步骤s1中对锂电池老化数据集进行挖掘提炼，提取的电池健康特征具体包括：电池恒流充电时间hf1、电池充电温度达峰时间hf2、电池ic曲线峰值hf3和电池ic曲线达峰时的电压值hf4。
3.根据权利要求2所述的一种基于pinn的锂离子电池健康状态与剩余寿命联合估计方法，其特征在于，所述电池ic曲线峰值hf3和电池ic曲线达峰时的电压值hf4的提取方法为：
4.根据权利要求1所述的一种基于pinn的锂离子电池健康状态与剩余寿命联合估计方法，其特征在于，所述步骤s2中建立基于物理模型-数据驱动融合的锂离子电池状态估计模型的方法为：将满足锂电池循环老化物理规律的偏微分方程迭代前后损失函数的差值嵌入到深度前馈神经网络的损失函数中，在深度前馈神经网络参数迭代寻优过程中，满足锂电池循环老化物理规律的偏微分方程将参与每一次的训练过程，训练出能够满足锂电池老化过程中的实际物理规律的网络模型，即基于物理模型-数据驱动融合的锂离子电池状态估计模型。
5.根据权利要求4所述的一种基于pinn的锂离子电...
【专利技术属性】
技术研发人员：傅质馨，李少华，陈李，王宝池，王健，刘皓明，
申请(专利权)人：河海大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。