基于深度学习和启发式算法的电化学模型参数辨识方法与流程

1.本发明涉及电池管理技术领域，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。


背景技术：

2.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。
3.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。
4.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。
5.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。


技术实现要素：

6.本发明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。
7.本发明提供的技术方案如下：
8.一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：
9.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；
10.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；
11.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；
12.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；
13.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。
14.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：
15.获取所述锂电池的电压数据集，以训练电化学模型；
16.通过神经网络获取所述第一类敏感度参数的初始值；
17.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。
18.在一些实施例中，所述获取所述锂电池的电压数据集，包括：
19.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；
20.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；
21.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。
22.在一些实施例中，所述训练电化学模型，包括：
23.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。
24.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，本发明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，本发明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是本发明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是本发明的数据集中三条电压数据；
[0042]
图3是本发明的训练神经网络过程中mseloss变化图；
[0043]
图4是本发明的电压初始值和神经网络模型的猜测值的示意图；
[0044]
图5是本发明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是本发明的动态工况1的电流数据图；
[0046]
图7是本发明的动态工况1的电压数据图；
[0047]
图8是本发明的动态工况2的电流图；
[0048]
图9是本发明的动态工况2的电压图；
[0049]
图10是本发明的动态工况下的电压对比图；
[0050]
图11是本发明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。
具体实施方式
[0051]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对照附图说明本发明的具体实施方式。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图，并获得其他的实施方式。
[0052]
为使图面简洁，各图中只示意性地表示出了与本发明相关的部分，它们并不代表其作为产品的实际结构。另外，以使图面简洁便于理解，在有些图中具有相同结构或功能的部件，仅示意性地绘示了其中的一个，或仅标出了其中的一个。在本文中，“一个”不仅表示“仅此一个”，也可以表示“多于一个”的情形。
[0053]
在一个实施例中，如图1所示，本发明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，包括：
[0054]
s101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。
[0055]
具体的，通过启发式算法在恒流工况下辨识高敏感度参数，包括步骤：
[0056]
基于神将网络输出的高敏感度参数的初始值，通过启发式算法在高敏感度工况1进一步提高高敏感度参数的精确度。
[0057]
其中，启发式算法包括遗传算法、粒子群算法、布谷鸟算法等。
[0058]
其中，第一类敏感度参数为高敏感度参数，高敏感度工况包括0.5c，可以为一条数据也可以为多条数据的叠加。
[0059]
s102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。
[0060]
在辨识过程中，通过添加验证集：高敏感度工况2，例如：1c，即另外一种工况的数据，可为一条数据或多条数据的叠加。
[0061]
其数据包括0.5c下的充放电数据，0.4c、0.5c下两种工况下的数据之和。
[0062]
验证辨识出来的参数，并以参数在验证集上的表现(电压的mse)来衡量参数的的精确度，减小参数的过拟合，当精确度达到阈值1时，完成高敏感度参数的辨识。其中，mse可以任意，主要取决于精度。
[0063]
其中，高敏感度工况1和高敏感度工况2都是恒流工况，即电流不变，区别是电流倍率不同。
[0064]
s103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。
[0065]
s104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。
[0066]
具体的，通过启发式算法在动态工况下辨识低敏感度参数，包括：
[0067]
在辨识出高敏感度参数后，进一步通过动态工况1进一步辨识低敏感度参数，并通过动态工况2做为验证集验证辨识出来的参数，并以参数在验证集上的表现来衡量参数的精确度，当精确度达到阈值2是完成低敏感度参数的辨识。
[0068]
其中阈值1为第一精度范围，阈值2为第二精度范围。
[0069]
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。
[0070]
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，本发明无需提前测量电池的ocv-soc曲线。
[0071]
在一个实施例中，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：
[0072]
获取所述锂电池的电压数据集，以训练电化学模型。
[0073]
通过神经网络获取所述第一类敏感度参数的初始值。
[0074]
具体的，通过神经网络获取高敏感度参数初始值，包括步骤：
[0075]
将实际电池运行工况输入到训练的神经网络中，获取该电池电化学模型高敏感度参数的初始值。其中，工况是电池的工作状态。
[0076]
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。
[0077]
在一个实施例中，所述获取所述锂电池的电压数据集，包括：
[0078]
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；
[0079]
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；
[0080]
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。
[0081]
锂电池电化学模型中涉及几十个物理参数，在恒流工况下只有部分参数参数对模型的输出电压有影响，这些参数定义为高敏感度参数，其余在大倍率或动态工况下对模型输出电压有影响的参数定义为低敏感度参数。
[0082]
第一类敏感度参数为高敏感度参数，第二类敏感度参数为低敏感度参数。
[0083]
通过在电池模型参数的合理范围内调整高敏感度参数，可通过电化学模型生成该类型电芯(取决于电池的类型，主要包含磷酸铁锂、钴酸锂、三元锂等)在一定工况(恒流工况)下的高精度数据，高精度数据包含电流、电压、温度等。
[0084]
更优地，可将该数据与电芯实际运行数据结合，生成训练神经网络的数据集。该数据为模型输出电压、温度值，与真实电池及其接近，因此误差极小。
[0085]
在一些实施例中，所述训练电化学模型，包括：
[0086]
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。
[0087]
具体的，2.训练参数辨识神经网络，包括步骤：
[0088]
训练数据集中的电压、电流等数据作为训练神经网络的特征输入。高敏感度参数作为标签，选择合适的深度学习方法，训练神经网络，其中神经网络可选择cnn、lstm等。
[0089]
若是已知参数的电芯，其在所述恒流工况下的数据可以与模型生成数据一起作为训练神经网络模型的特征输入。
[0090]
在一些实施例中，训练所述电化学模型的损失函数为：
[0091][0092]
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。
[0093]
其中，参数标签值是已知的，参数预测值是通过电化学模型进行预测的。
[0094]
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：
[0095]
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。
[0096]
在一个实施例中，所述验证所述第一类敏感度参数的精度，包括：
[0097]
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：
[0098][0099]
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。
[0100]
在一个实施例中，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。
[0101]
在一个实施例中，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。
[0102]
在一个实施例中，所述验证所述第二类敏感度参数的精度，包括：
[0103]
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。
[0104]
在一个实施例中，如图11所示，本发明还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，包括：
[0105]
首先进行参数敏感度分析，然后获取恒流工况下高敏感度参数，并输入电池在恒流工况下的运行数据，在该工况下训练神经网络，以获取智能算法初始值辨识第一类参数。获取动态工况下低敏感度参数，辨识其余参数，最后测试集提高参数集泛化性能。
[0106]
本实例以三元nmc电池为例，该电池标称容量为5ah：
[0107]
步骤1：
[0108]
获取训练神经网络的数据集：
[0109]
通过产品规格和文献获得该类型电池电化学模型参数值的合理范围、高敏感度参数和低敏感度参数。只有高敏感度参数在恒流工况1c和0.5c下会影响电化学模型的输出电压。
[0110]
需要说明的是不同类型电池不同类型工况会影响高敏感的参数的个数，这个只是举例。
[0111]
通过将14个高敏感参数在合理范围内进行离散，每个参数值在范围内离散为3个数值，将参数进行组合，则可以获得包含套高敏感度参数集，由于其它参数不影响电化学模型在上述工况下的电压输出，则可在合理范围内取任意值，本例取中间值。之后将参数集代入到电化学模型中，在1c工况下输出电压，并将输出的电压(本例取前800s的电压数据)作为合成的数据集，高敏感度参数作为标签。如图2所示。
[0112]
步骤2：
[0113]
训练神经网络
[0114]
由于lstm在处理时间序列上的优势，本例使用lstm作为网络模型。通过将数据集的电压作为特征输入到网络结构中，输出为对应数据下的参数值，以参数值的mse(均方误差)为损失函数，设置训练轮次100，对网络进行训练，如图3所示。其中，均方误差为：
[0115][0116]
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。
[0117]
步骤3：
[0118]
通过神经网络获取实际电池的高敏感度参数的初始值。
[0119]
将实际电池在恒流工况下的电压数据作为初始值输入到lstm中，通过神经网络可输出该电池高敏感度参数的猜测值，将初始值带入电化学模型中，可以获得在猜测值下的电压输出，如图4的对比图。
[0120]
步骤4：
[0121]
通过图4可以看到，通过神经网络获得的高敏感度参数的初始猜测值，不能很好的拟合电压，但已经很接近真实值了，即通过神经网络可大幅度缩减辨识高敏感度参数的时间。接下来通过启发式算法进一步提高高敏感参数的精确度。本实例中将展示通过布谷鸟搜索算法(csa)进行参数辨识。将0.5c工况设置为辨识参数的训练集，将1c工况数据设置为验证集，损失函数为实际工况电压与模型输出电压的均方电压差mse:
[0122][0123]vcell,i
，v
sim,i
分别是电池的实际电压和将参数作为电化学模型的参数，在该工况下的输出电压。
[0124]
当在0.5c和1c工况下的mse《10mv2完成高敏感度参数的辨识，辨识结果在1c工况下的对比图如图5所示。
[0125]
其中，c指倍率，电池的充放电倍率。0.5c、1c与高敏感度工况1、2相对应。
[0126]
步骤5：
[0127]
在辨识完高敏感度参数后，高敏感度参数值固定不变，在动态工况下辨识低敏感度参数。其中辨识参数的训练工况为脉冲动态工况1，验证工况为动态工况2，如图6-9所示，设置mse《15mv2完成低敏感度参数的辨识。其在动态工况2下的电压对比曲线如图10所示。
[0128]
应当说明的是，上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。