本发明涉及电化学模型领域,尤其涉及一种基于预测模型的电化学模型参数辨识方法及装置。
背景技术:
1、通过对锂电池建立电化学模型,可以得到电池内部空间、时间上的物理化学状态量的模拟数值,能够更加清晰地了解监控电池的实时工作状态,从而更好保障锂离子电池的经济性、可靠性和安全性。
2、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,使得电化学模型在实际应用中受到限制。随着硬件能力的提高,可以通过比如启发式算法、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。
3、目前已有的数据驱动参数辨识方法主要存在参数辨识耗时较长的问题,往往需要几个小时,而且还需要预设电池的参数范围,同时还要求电池具有不同工况下(且从同一状态开始)的充放电数据,且每次辨识都需要反复调用电化学模型,造成大量的算力浪费。
技术实现思路
1、为了解决上述技术问题,本发明提供一种基于预测模型的电化学模型参数辨识方法及装置。
2、具体的,本发明的技术方案如下:
3、一方面,本发明提供一种基于预测模型的电化学模型参数辨识方法,包括:
4、获取训练工况数据集,所述训练工况数据集包括同一型号电芯的若干组工况数据;
5、将所述训练工况数据集输入预设的电化学模型参数的预测模型中,生成所述预测模型的预测模型参数集,所述预测模型用于根据各组所述训练工况数据生成对应的电化学模型参数集;
6、将电化学模型校验数据集输入预设的电化学模型中,计算得到各组所述电化学模型校验数据集对应的校验电压,所述电化学模型校验数据集包括根据所述预测模型参数集生成的各所述电化学模型参数集及其对应的所述训练工况数据;
7、根据各组所述校验电压及其对应的所述训练工况数据中的工况电压,对各组所述校验电压对应的所述电化学模型参数集进行校验;
8、在任一所述电化学模型参数集校验不通过时,迭代更新所述预测模型参数集,直至根据当前所述预测模型参数集生成的各个所述电化学模型参数集均校验通过时,输出迭代更新后的所述预测模型参数集;
9、根据所述训练工况数据集、所述预测模型和迭代更新后的所述预测模型参数集,生成所述电化学模型的目标电化学模型参数集。
10、在一些实施方式中,所述的获取训练工况数据集,包括:
11、获取实际工况数据集并对所述实际工况数据集中的各个实际工况数据进行归一化处理,得到所述训练工况数据集,具体包括:
12、根据以下公式对所述实际工况数据进行归一化:
13、
14、其中,x为所述实际工况数据,μ为数据均值,σ为数据标准差,x*为归一化后的所述训练工况数据。
15、在一些实施方式中,所述的根据各组所述校验电压及其对应的所述训练工况数据中的工况电压,对各组所述校验电压对应的所述电化学模型参数集进行校验,包括:
16、根据各组所述校验电压及其对应的所述工况电压,计算电压损失函数;
17、根据所述电压损失函数对所述电化学模型参数集进行校验。
18、在一些实施方式中,所述的根据各组所述校验电压及其对应的所述工况电压,计算电压损失函数,包括:
19、根据以下公式计算所述电压损失函数mseloss:
20、
21、其中,vcell,i为所述工况电压,vsim,i为所述校验电压,n为电压个数,i为序号。
22、其中,为所述工况电压,为所述校验电压,n为电压个数,i为序号。
23、在一些实施方式中,所述的迭代更新所述预测模型参数集,包括:通过启发式算法对所述预测模型参数集进行更新。
24、另一方面,本发明还提供一种基于预测模型的电化学模型参数辨识装置,包括:
25、获取模块,用于获取训练工况数据集,所述训练工况数据集包括同一型号电芯的若干组工况数据;
26、预测模块,用于将所述训练工况数据集输入预设的电化学模型参数的预测模型中,生成所述预测模型的预测模型参数集,所述预测模型用于根据各组所述训练工况数据生成对应的电化学模型参数集;
27、计算模块,用于将电化学模型校验数据集输入预设的电化学模型中,计算得到各组所述电化学模型校验数据集对应的校验电压,所述电化学模型校验数据集包括根据所述预测模型参数集生成的各所述电化学模型参数集及其对应的所述训练工况数据;
28、校验模块,用于根据各组所述校验电压及其对应的所述训练工况数据中的工况电压,对各组所述校验电压对应的所述电化学模型参数集进行校验;
29、更新模块,用于在任一所述电化学模型参数集校验不通过时,迭代更新所述预测模型参数集,直至根据当前所述预测模型参数集生成的各个所述电化学模型参数集均校验通过时,输出迭代更新后的所述预测模型参数集;
30、辨识模块,用于根据所述训练工况数据集、所述预测模型和迭代更新后的所述预测模型参数集,生成所述电化学模型的目标电化学模型参数集。
31、在一些实施方式中,所述获取模块,包括:
32、获取单元,用于获取实际工况数据集
33、归一化单元,用于对所述实际工况数据集中的各个实际工况数据进行归一化处理,得到所述训练工况数据集;
34、所述归一化单元根据以下公式对所述实际工况数据进行归一化:
35、
36、其中,x为所述实际工况数据,μ为数据均值,σ为数据标准差,x*为归一化后的所述训练工况数据;
37、在一些实施方式中,所述校验模块,包括:
38、计算单元,用于根据各组所述校验电压及其对应的所述工况电压,计算电压损失函数;
39、校验单元,用于根据所述电压损失函数对所述电化学模型参数集进行校验。
40、在一些实施方式中,所述计算单元根据以下公式计算所述电压损失函数mseloss:
41、
42、其中,vcell,i为所述工况电压,vsim,i为所述校验电压,n为电压个数,i为序号。
43、本发明还公开了一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如前述任一项所述的基于预测模型的电化学模型参数辨识方法的步骤。
44、与现有技术相比,本发明至少具有以下一项有益效果:
45、(1)本发明基于预测模型,通过获取到的训练工况数据集进行电化学模型参数的预测,将预测值输入至预设的电化学模型中得到校验电压,根据该校验电压以及训练工况数据集中的工况电压,验证预测模型参数集的准确性。在验证不通过时,对预测模型参数集进行迭代更新,将更新后的预测模型参数集用于之后的电化学模型参数辨识中。本发明有利于减少参数辨识过程中电化学模型的调用次数,避免造成算力浪费,大幅减少辨识参数所使用的时间;更重要的是,本发明通过对预测模型参数集进行优化,提升了预测模型参数集的泛化能力,即便是在待辨识数据少时,也能辨识出准确的电化学模型参数集。
46、(2)本发明不要求训练工况数据集中同一型号电芯的若干组工况数据为同一起始状态、不同工况条件下的充放电数据,因此,本发明不需要提前获得大量数据集,进一步减少参数辨识的时间。
47、(3)本发明采用启发式算法对辨识出的电化学模型参数进行优化更新,能够解决电化学模型难以进行反向传播的问题。