一种锂离子电池负极电位在线估计方法

本发明属于锂电池管理，具体地说，涉及一种锂离子电池负极电位在线估计方法。

背景技术：

1、锂离子电池凭借其能量密度高、自放电率低、循环寿命长、无记忆效应等优势，已在新能源汽车、储能电站、航空航天、无人装备等领域得到了广泛应用。当前主流锂离子电池正极材料有磷酸铁锂、镍钴锰三元复合材料等，负极材料主要为石墨，由于锂离子电池自身的材料体系限制，当对电池进行大倍率快充或低温充电时，石墨负极的工作电位容易低于锂离子的氧化还原电位(0v)，导致锂离子无法顺利嵌入负极活性材料内，而是在负极表面被还原为锂金属枝晶，即发生析锂现象。析出的锂枝晶消耗大量的活性锂离子，导致电池可用容量大幅衰减，并且锂枝晶有可能刺穿电池隔膜，严重的话将引发电池内短路，造成电池热失控，带来严重的安全风险。对锂离子电池的负极电位进行监测是保证电池不发生析锂的必要手段，是保证以锂离子电池为主要电源的设备安全运行的重要前提。

2、由于锂离子电池的负极电位属于内部状态量，无法直接测量得到，当前的电池管理系统只能对电池正负极间的端电压进行监测，无法监测电池运行过程中的负极电位。在实验室研究中，可以通过在正常电池基础上引入参比电极，制作三电极电池的方式对负极电位进行测试，但三电极电池技术方案尚未成熟，目前无法在实际场景中进行应用，并且三电极电池获取到的负极电位也仅是锂离子电池在特定运行条件下的离线数据，在实际应用中灵活性较差。类似于全电池等效电路模型，电极等效电路模型将传统等效电路模型中的电压源、欧姆内阻、极化内阻、极化电容等电路元件拆分为正极和负极相关的元件，从而实现对负极电位的估计。但该方法同样需要制作三电极电池，并进行性能测试，以获取分极等效模型的正负极参数，模型的精度受到参数辨识结果的影响，模型在电池变工况运行条件下的适用性往往受限。电化学模型从锂离子电池的第一性原理出发，不仅能够获取电池端电压等外部特性，还能够对内部电解液盐浓度、负极电位等内部状态量进行准确估计。但电化学模型由多组偏微分方程组成，求解过程涉及有限元方法，在实际电池管理系统中难以应用。目前为止，尚缺少一种精度高、工况适用性好、计算资源消耗低，能够用于实际电池管理系统的锂离子电池负极电位在线估计方案。

技术实现思路

1、针对现有技术存在的上述问题，本发明的目的在于提供一种锂离子电池负极电位在线估计方法，

2、为了解决上述问题，本发明所采用的技术方案如下：

3、一种锂离子电池负极电位在线估计方法，该方法包括以下步骤：

4、s1：建立电化学热耦合模型；

5、s2：对锂离子电池进行实验测试，获取给定电流工况下的电池电压、温度数据；

6、s3：结合步骤s2中得到的数据，对电化学热耦合模型进行关键参数辨识，验证模型精度；

7、s4：基于电化学热耦合模型进行多工况仿真，获取数据集，结合特征工程方法，进行特征筛选；

8、s5：以步骤s4中筛选后的特征作为输入，负极电位为输出，训练神经网络模型，实现任意工况下的负极电位的在线估计。

9、进一步地，在步骤s2中，所述的实验测试中给定电流工况包含不同电流倍率的恒流充电工况以及不同的动态工况。

10、进一步地，在步骤s3中，所述的关键参数辨识包括：

11、s3.1：确认模型基础参数；

12、s3.2：确认关键参数为正极固相扩散系数、负极固相扩散系数、正极反应速率常数、负极反应速率常数以及阿伦尼乌斯方程活化能；

13、s3.3：获取模型计算的电池端电压和实验测试得到的端电压之间的均方根误差，作为适应度函数，通过优化算法拟合，以适应度函数的最小值为优化目标，得到相应的模型关键参数。

14、进一步地，在步骤s3.3中，所述的优化算法包括粒子群算法、遗传算法、模拟退火算法中的至少一种。

15、进一步地，在步骤s4中，所述的多工况仿真以及特征工程方法包括：

16、s4.1：设置仿真工况，仿真工况包含不同电流倍率的恒流充电工况、不同的动态工况、不同的多阶段恒流工况，每种工况均包含不同的起始荷电状态条件；

17、s4.2：对电流、电压、温度数据进行特征处理，获取至少包括soc、充电能量、开路电压、极化电压、差分电压以及微分容量在内的其他特征；

18、s4.3：对上述所有数据特征进行重要度计算，筛选重要度排名前四的数据特征作为后续神经网络模型的输入。

19、进一步地，在步骤s5中，所述的神经网络模型包括但不限于支持向量回归、高斯过程回归、随机森林、前馈神经网络、反向传播神经网络、循环神经网络、门控循环神经网络、长短期循环神经网络中的至少一种。

20、进一步地，在步骤s5之后，还包括对神经网络模型和电化学热耦合模型施加同样的测试工况，确认神经网络对负极电位在线估计的准确性步骤。

21、进一步地，在步骤s1中，建立的电化学热耦合模型为锂离子电池全阶伪二维模型，包括但不限于集总热学模型、一维热模型和三维热模型其中之一。

22、相比于现有技术，本发明的有益效果为：

23、本发明将电化学模型和神经网络等数据驱动方法的优势相结合，根据电池实际运行过程中可测量得到的电压、电流、温度等数据，结合荷电状态(soc)、充电能量、开路电压(ocv)、极化电压、差分电压等实时计算量，利用反向传播神经网络(bpnn)等数据驱动方法，便可以实现在不同soc起点、不同运行工况下实现锂离子电池负极电位的快速、精准在线估计。本方法不依赖物理模型，不涉及繁琐的参数辨识，整体工况的适用性强、估计精度高、所需计算资源小，可以实现不同运行条件下锂离子电池负极电位的准确在线估计。

技术特征：

1.一种锂离子电池负极电位在线估计方法，其特征在于，该方法包括以下步骤：

2.根据权利要求1所述的锂离子电池负极电位在线估计方法，其特征在于，在步骤s2中，所述的实验测试中给定电流工况包含不同电流倍率的恒流充电工况以及不同的动态工况。

3.根据权利要求1所述的锂离子电池负极电位在线估计方法，其特征在于，在步骤s3中，所述的关键参数辨识包括：

4.根据权利要求3所述的锂离子电池负极电位在线估计方法，其特征在于，在步骤s3.3中，所述的优化算法包括粒子群算法、遗传算法、模拟退火算法中的至少一种。

5.根据权利要求1所述的锂离子电池负极电位在线估计方法，其特征在于，在步骤s4中，所述的多工况仿真以及特征工程方法包括：

6.根据权利要求1所述的锂离子电池负极电位在线估计方法，其特征在于，在步骤s5中，所述的神经网络模型包括但不限于支持向量回归、高斯过程回归、随机森林、前馈神经网络、反向传播神经网络、循环神经网络、门控循环神经网络、长短期循环神经网络中的至少一种。

7.根据权利要求1所述的锂离子电池负极电位在线估计方法，其特征在于，在步骤s5之后，还包括对神经网络模型和电化学热耦合模型施加同样的测试工况，确认神经网络对负极电位在线估计的准确性步骤。

8.根据权利要求1所述的锂离子电池负极电位在线估计方法，其特征在于，在步骤s1中，建立的电化学热耦合模型为锂离子电池全阶伪二维模型，其中热模型包括但不限于集总热学模型、一维热模型和三维热模型其中之一。

技术总结
本发明属于锂电池管理技术领域，具体地说，涉及一种锂离子电池负极电位在线估计方法；本方法首先建立电化学热耦合模型，并对电池进行实验测试获取给定电流下的电压、温度等参数，结合优化算法对模型关键参数进行辨识，得到高精度电化学热耦合模型；其次，基于模型获取多个工况下的电池仿真数据，包括电压、电流、温度、负极电位等，再结合特征工程，提取更多有效特征数据，形成数据集；最后，以筛选出的特征数据为输入，负极电位为输出，训练神经网络，可以实现在任意荷电状态、任意工况条件下的电池负极电位在线快速准确估计；本方法不依赖物理模型、估计精度高、适用工况广、计算资源消耗低，能够应用于电池管理系统中，在锂离子电池的快充策略优化、充电安全预警等方面具有重要意义。

技术研发人员：孙丙香,马仕昌,张维戈,张旭博,荆龙,周兴振
受保护的技术使用者：北京交通大学
技术研发日：
技术公布日：2024/9/23