融合物理信息参数和电化学阻抗谱的锂离子电池诊断方法技术

本发明专利技术提供了一种融合物理信息参数和电化学阻抗谱的锂离子电池诊断方法，其包括：借助电化学阻抗谱构建锂离子电池等效电路模型，提取表征锂离子电池内部状态的物理信息参数；基于深度学习，融合物理知识和电化学阻抗谱，构建锂离子电池物理知识深度学习模型；融合物理知识、测量数据和领域知识，提取物理可解释的隐特征；采用深度集成策略，评估锂离子电池容量估计的预测不确定性和锂离子电池寿命特性分类的预测不确定性。本发明专利技术借助电化学阻抗谱构建了锂离子电池等效电路模型，采用物理正则化方法赋予了深度学习模型中特定神经元物理意义，有效利用了物理知识、测量数据和领域知识在内的三类信息源，使锂离子电池诊断结果具有可解释性和较高准确性。具有可解释性和较高准确性。具有可解释性和较高准确性。

【技术实现步骤摘要】
融合物理信息参数和电化学阻抗谱的锂离子电池诊断方法


[0001]本专利技术属于锂离子电池诊断
，特别是一种融合物理信息参数和电化学阻抗谱的锂离子电池诊断方法。

技术介绍

[0002]锂离子电池在工业领域和现代生活中应用广泛，如储能系统、电动汽车和医疗设备。但在充放电过程中，锂离子电池的电极、电解质和隔板处会发生不可逆的物理和电化学过程，导致其容量退化。为确保锂离子电池的高效性、安全性和可靠性，通过分析其内部状态：阻抗、界面现象和材料特性，并估计其容量，进行锂离子电池诊断至关重要。现有的锂离子电池诊断通常使用充放电曲线或从中导出的特征，通常只包含有限的电池内部状态信息。为进一步分析电池内部的物理和电化学过程，可使用电化学阻抗谱，它通过记录电压对电流扰动的响应，获得较宽频率范围内的电化学阻抗谱，包含了关于电池内部状态的丰富信息。
[0003]近期对锂离子电池诊断开展的研究方法可大致分为两类：基于模型的方法和深度学习。基于模型的方法是使用电化学模型、(半)经验模型和等效电路模型等，通过分析锂离子电池潜在的退化机理或者电流、电压和EIS测量数据，构建数学或物理方程描述电池的一般退化规律。尽管基于模型的方法在锂离子电池诊断中取得了不少成绩，但建立准确的数学或物理模型却并非易事，因为这要对电池内部状态和降解机理有系统且全面的理解，而物理和电化学过程往往过于复杂，无法通过模型被完全描述。此外，受到材料特性、制造质量和不同工作环境等因素的影响，个体电池之间也会存在差异性，这就加剧了准确建模的难度。深度学习通过分析收集到的锂离子电池传感器数据，直接映射传感器数据和内部状态或者容量的关系。现有的深度学习主要采用充放电曲线或从中导出的特征，只能提供有限的电池内部状态信息，进而导致深度学习方法在表征锂离子电池退化机理和促进准确的容量估计存在不足。此外，深度学习方法的一个主要障碍是有限的可解释性，因为其结构通常是黑箱而无法令人信服，且训练过程的随机性又加剧了这一现象。因此，为兼顾可解释性和准确性，寻求一种融合物理信息参数和电化学阻抗谱的锂离子电池诊断方法，以使锂离子电池的诊断结果具有可解释性和较高的准确性是十分迫切且必要的。

技术实现思路

[0004]本专利技术针对上述现有技术中的缺陷，提出一种融合物理信息参数和电化学阻抗谱的锂离子电池诊断方法。该方法包括借助电化学阻抗谱构建锂离子电池等效电路模型，提取表征锂离子电池内部状态的物理信息参数；基于深度学习，融合物理知识和电化学阻抗谱，构建锂离子电池物理知识深度学习模型；融合物理知识、测量数据和领域知识，提取物理可解释的隐特征；采用深度集成策略，评估锂离子电池容量估计的预测不确定性和锂离子电池寿命特性分类的预测不确定性。本专利技术借助电化学阻抗谱构建了锂离子电池等效电路模型，采用物理正则化方法赋予了深度学习模型中特定神经元物理意义，有效利用了物
理知识、测量数据和领域知识在内的三类信息源，使锂离子电池诊断结果具有可解释性和较高准确性。
[0005]本专利技术提供一种融合物理信息参数和电化学阻抗谱的锂离子电池诊断方法，其包括以下步骤：
[0006]S1、提取表征锂离子电池内部状态的物理信息参数：借助电化学阻抗谱构建锂离子电池等效电路模型，提取表征锂离子电池内部状态的物理信息参数；
[0007]S11、对锂离子电池进行特征测试，获取锂离子电池在n个循环次数的电化学阻抗谱；
[0008]S12、对锂离子电池的电化学阻抗谱进行图像分析，构建锂离子电池等效电路模型；所述锂离子电池等效电路模型的元件包括欧姆内阻R
ohm
、固体电解质膜内阻R
SEI
、电荷转移内阻R
CT
、沃伯格元件Z
War
、第一常相位元件CPE1和第二常相位元件CPE2，所述欧姆内阻R
ohm
由电极中电子和电解质中离子的运动引起并作为第一模块；所述固体电解质膜内阻R
SEI
和第一常相位元件CPE1并联形成第一阻抗Z
arc1
并作为第二模块，表征离子在高频区通过固体电解质膜时遇到的扩散内阻；所述电荷转移内阻R
CT
和沃伯格元件Z
War
串联再与第二常相位元件CPE2并联形成第二阻抗Z
arc2
并作为第三模块，表征电极中的电荷在中频区转移的内阻以及物料在低频区转移的扩散内阻；所述第一模块、第二模块和第三模块串联组成所述锂离子电池等效电路模型；
[0009]S13、针对锂离子电池在每个循环次数的电化学阻抗谱进行非线性拟合，分别提取每个循环次数下表征锂离子电池内部状态的物理信息参数；
[0010]S2、构建锂离子电池物理知识深度学习模型：基于深度学习，融合物理知识和电化学阻抗谱，构建锂离子电池物理知识深度学习模型；
[0011]S3、融合物理知识、测量数据和领域知识，提取物理可解释的隐特征，所述隐特征包括第一隐特征、第二隐特征和第三隐特征；
[0012]S31、采用物理正则化方法提取到物理可解释的第一隐特征：通过赋予锂离子电池物理知识深度学习模型中特定神经元物理意义，将神经元的数值向所述物理信息参数靠拢，使所述神经元的数值能够表征锂离子电池的内部状态；
[0013]S32、基于领域知识构建多任务学习模型，联合训练T个相似任务，通过共享T个相似任务之间的神经元，提取得到第二隐特征；将每个循环次数的物理信息参数和电化学阻抗谱作为所述多任务学习模型的输入；
[0014]S33、基于多任务学习模型，将物理正则作为辅助任务，从T个相似任务共享神经元中选出P个共享神经元，提取得到物理可解释的第三隐特征并赋予物理意义：将P个共享神经元的数值向所述物理信息参数靠拢，使共享神经元的数值表征锂离子电池的内部状态；
[0015]S4、采用深度集成策略评估锂离子电池容量值估计的预测不确定性和锂离子电池寿命特性分类的预测不确定性。
[0016]进一步，所述步骤S13具体包括以下步骤：
[0017]S131、基于锂离子电池等效电路模型，推导出锂离子电池在每个循环次数与频率w相关的阻抗Z(w)：
[0018]Z(w)＝R
ohm
+Z
arc1
(w)+Z
arc2
(w)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0019]其中，Z
arc1
(w)表示与频率相关的第一阻抗，且C1表示Z
arc1
的双电层电容，j表示虚部单位，n1表示第一下滑因子；Z
arc2
(w)表示与频率相关的第二阻抗，且C2和C
W
分别表示Z
arc2
和Z
War
的双电层电容，n2表示第二下滑因子；
[0020]S132、表征锂离子电池内部状态的初始物理信息参数为θ
phy
＝[R
ohm
,R
SEI
,R本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合物理信息参数和电化学阻抗谱的锂离子电池诊断方法，其特征在于，其包括以下步骤：S1、提取表征锂离子电池内部状态的物理信息参数：借助电化学阻抗谱构建锂离子电池等效电路模型，提取表征锂离子电池内部状态的物理信息参数；S11、对锂离子电池进行特征测试，获取锂离子电池在n个循环次数的电化学阻抗谱；S12、对锂离子电池的电化学阻抗谱进行图像分析，构建锂离子电池等效电路模型；所述锂离子电池等效电路模型的元件包括欧姆内阻R
ohm
、固体电解质膜内阻R
SEI
、电荷转移内阻R
CT
、沃伯格元件Z
War
、第一常相位元件CPE1和第二常相位元件CPE2，所述欧姆内阻R
ohm
由电极中电子和电解质中离子的运动引起并作为第一模块；所述固体电解质膜内阻R
SEI
和第一常相位元件CPE1并联形成第一阻抗Z
arc1
并作为第二模块，表征离子在高频区通过固体电解质膜时遇到的扩散内阻；所述电荷转移内阻R
CT
和沃伯格元件Z
War
串联再与第二常相位元件CPE2并联形成第二阻抗Z
arc2
并作为第三模块，表征电极中的电荷在中频区转移的内阻以及物料在低频区转移的扩散内阻；所述第一模块、第二模块和第三模块串联组成所述锂离子电池等效电路模型；S13、针对锂离子电池在每个循环次数的电化学阻抗谱进行非线性拟合，分别提取每个循环次数下表征锂离子电池内部状态的物理信息参数；S2、构建锂离子电池物理知识深度学习模型：基于深度学习，融合物理知识和电化学阻抗谱，构建锂离子电池物理知识深度学习模型；S3、融合物理知识、测量数据和领域知识，提取物理可解释的隐特征，所述隐特征包括第一隐特征、第二隐特征和第三隐特征；S31、采用物理正则化方法提取到物理可解释的第一隐特征：通过赋予锂离子电池物理知识深度学习模型中特定神经元物理意义，将神经元的数值向物理信息参数靠拢，使所述神经元的数值能够表征锂离子电池的内部状态；S32、基于领域知识构建多任务学习模型，联合训练T个相似任务，通过共享T个相似任务之间的神经元，提取得到第二隐特征；将每个循环次数的物理信息参数和电化学阻抗谱作为所述多任务学习模型的输入；S33、基于多任务学习模型，将物理正则作为辅助任务，从T个相似任务共享神经元中选出P个共享神经元，提取得到物理可解释的第三隐特征并赋予物理意义：将P个共享神经元的数值向所述物理信息参数靠拢，使共享神经元的数值表征锂离子电池的内部状态；S4、采用深度集成策略评估锂离子电池容量值估计的预测不确定性和锂离子电池寿命特性分类的预测不确定性。2.根据权利要求1所述的融合物理信息参数和电化学阻抗谱的锂离子电池诊断方法，其特征在于，所述步骤S13具体包括以下步骤：S131、基于锂离子电池等效电路模型，推导出锂离子电池在每个循环次数与频率w相关的阻抗Z(w)：Z(w)＝R
ohm
+Z
arc1
(w)+Z
arc2
(w)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，Z
arc1
(w)表示与频率相关的第一阻抗，且C1表
示Z
arc1
的双电层电容，j表示虚部单位，n1表示第一下滑因子；Z
arc2
(w)表示与频率相关的第二阻抗，且C2和C
W
分别表示Z
arc2
和Z
War
的双电层电容，n2表示第二下滑因子；S132、表征锂离子电池内部状态的初始物理信息参数为θ
phy
＝[R
ohm
,R
SEI
,R
CT
,C1,C2,C
W
]，采用最小二乘法对所述初始物理信息参数θ
phy
进行估计：其中，m表示一条电化学阻抗谱曲线的采样点数；Re(
·
)和Im(
·
)分别表示取得在当前频率w
i
下的阻抗Z(w
i
)的实部和虚部的操作；表示模型拟合的当前频率w
i
下的阻抗，和分别表示θ
phy
的下限和上限，由领域知识给出；S133、对锂离子电池在每个循环次数的电化学阻抗谱进行非线性拟合，分析每个初始物理信息参数随锂离子电池运行的老化现象，并通过灵敏度分析，从所述初始物理信息参数θ
phy
中筛选出P个表征锂离子电池内部状态的参数，组成物理信息参数用于评估锂离子电池内部状态和估计锂离子电池容量。3.根据权利要求1所述的融合物理信息参数和电化学阻抗谱的锂离子电池诊断方法，其特征在于，所述步骤S2具体包括以下步骤：S21、基于深度学习，构建锂离子电池物理知识深度学习模型，将每个循环次数的物理信息参数和电化学阻抗谱一同输入到所述锂离子电池物理知识深度学习模型的输入层，所述锂离子电池物理知识深度学习模型的输出层输出一个数值，用于表征当前循环次数的锂离子电池容量；S22、对于锂离子电池容量估计，采用均方误差作为第一损失函数L
MSE
(θ
DL
)：其中，y

【专利技术属性】
技术研发人员：林焱辉，阮圣嘉，陈云霞，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：