【技术实现步骤摘要】
本专利技术涉及一种电化学模型的参数辨识方法，属于电化学储能。
技术介绍
1、锂电池电化学模型能够准确描述电池的内部过程，为电池的状态估计、寿命预测和性能优化提供了理论基础。电化学模型涉及众多具有实际物理意义的参数，这些参数对模型的仿真精度有着至关重要的影响。但通过实际测试获取模型参数费时费力，且有些参数无法通过直接测量获取。
2、目前，启发式算法因其全局搜索能力和鲁棒性被广泛用于电化学模型的参数辨识。常见的启发式算法包括粒子群优化(pso)、遗传算法(ga)、模拟退火(sa)以及灰狼优化算法(gwo)等。这些算法通过模拟自然界中的优化过程来进行全局搜索，能够在设定的搜索域内找到最佳的模型参数集。但搜索域内存在无法使电化学模型收敛的参数组合，这些参数组合带入模型中进行计算的过程不仅是无效的，并且会严重影响辨识程序的计算效率。
技术实现思路
1、本专利技术是要解决现有锂电池电化学模型参数辨识方法的启发式算法的搜索域内存在无法使模型收敛的参数组合，从而导致辨识效率低下的问题，而提出一种基于机器学习分类器和启发式算法的锂电池电化学模型的参数辨识方法。
2、本专利技术的基于机器学习分类器和启发式算法的锂电池电化学模型的参数辨识方法，按以下步骤进行：
3、步骤1、对电化学模型中的所有参数进行敏感性分析，并根据参数敏感性的大小将参数分类，选取对模型仿真结果具有显著影响的高敏感参数作为辨识对象；
4、步骤2、设定各个高敏感参数的搜索域，初始化启发式算
5、步骤3、构建基于机器学习算法的分类器，首先使用高相关性参数集的数据训练分类器，然后使用低相关性参数集的数据对分类器进行微调，从而提高模型泛化能力和鲁棒性并优化训练效率；利用高相关性参数集进行分类器训练，快速学习主要特征对于模型收敛性的分类能力，加快分类器收敛速度，减少初始阶段对低相关性参数的干扰，使分类器初始模型具备较高的准确性；利用低相关性参数作为补充信息，通过扩展特征空间或调整超参数，进一步优化分类器，有助于模型适应实际应用中的复杂性，避免模型对高相关性参数的过拟合，让分类器更好地处理噪声和异常值，提高在实际数据中的鲁棒性。
6、步骤4、重新初始化启发式算法，在每次迭代过程中的参数集更新之后都启用训练好的机器学习分类器，将每次迭代的搜索域内可能导致模型不收敛的参数集剔除，并通过引入全局扰动将空出的搜索空间补充完整，最终在迭代到达设定次数后终止迭代，完成模型参数的辨识。
7、优选地，步骤1中，锂离子电池的电化学模型为p2d模型及其衍生模型，模型的所有参数包括：几何参数：ln、lse、lp、rn、rp、εs,n、εs,p、εe,n、εe,se、εe,p；输运参数：ds,n、ds,p、de、t+、σn、σp、κse、κsei、brug；动力学参数：kn、kp、ksei、ea,kn、ea,kp、ea,ds,n、ea,ds,p、ea,ksei、rfilm；浓度参数：cn,max、cp,max、ce,0；力学参数：en、ep、νn、νp、ωn、ωp；热力学参数：cp、λ、h。各参数代表的意义及单位如表1所示。
8、表1模型参数代表的意义及单位
9、
10、
11、优选地，步骤1中，所述的参数敏感性分析方法为：制定所有模型参数的取值边界，将各个参数的变化范围划分为n个等距的区间，在各个区间中均匀地取n个值，作为敏感性分析时用于评估模型性能的参数候选值；在研究某一参数的敏感性时，保持其他参数为参数标准值不变，仅改变所研究参数的值；参数标准值的选取方法为：上下边界数量级相同，取算数平均值作为参数标准值；上下边界数量级不同，首先将上下边界值取对数，然后在对数尺度下计算算术平均值，最后将结果取反对数还原将其作为参数标准值；敏感性计算公式为：
12、
13、其中，si为参数敏感度，vi为不同参数取值时的电压仿真值，v为参数取标准值时的电压仿真值。
14、优选地，步骤1中，si的值大于或等于0.05的参数为对模型仿真结果具有显著影响的高敏感参数，低于0.05的参数为低敏感参数。
15、优选地，步骤2中，高敏感参数的搜索域可以直接使用敏感性分析时设定的参数取值边界，也可以通过预实验对设定的搜索域进行调整和修正。
16、优选地，步骤2中，辨识过程所使用的启发式算法为粒子群优化(pso)、遗传算法(ga)、模拟退火(sa)或灰狼优化算法(gwo)。
17、优选地，步骤2中，参数集中各个参数与电化学模型收敛性的相关性通过计算皮尔逊相关系数进行，具体计算方法为：
18、
19、其中，r为相关系统；xi和分别为参数集中某个参数的第i个参数值和参数的均值，yi和分别为将参数集的收敛和不收敛标签编码为数值后的第i个值和均值。通过皮尔逊相关系数的计算，将|r|≥0.2的参数列入与模型收敛性显著相关的高相关性参数集；高相关性参数集，将|r|＜0.2的参数列入与模型收敛性相关性较低的低相关性参数集。
20、优选地，步骤3中，基于机器学习算法的分类器为以下算法模型：支持向量机(svm)、k近邻算法(knn)、决策树(dt)、随机森林(rf)、梯度提升决策树(gbdt)、朴素贝叶斯(nb)或人工神经网络(ann)。
21、优选地，步骤3中，基于机器学习算法的分类器的训练过程以参数的数值直接作为特征输入，不进行额外的特征提取过程。
22、优选地，步骤4中，在每次迭代之前启用训练好的机器学习分类器，将每次迭代过程中生成的参数集，即随迭代更新的搜索域内位置信息，输入分类器，识别出能够使模型收敛和无法使模型收敛的参数集，将不收敛的参数集剔除并将空出的搜索空间补充完整。
23、优选地，对剔除不收敛参数集之后空出的搜索空间进行补充的具体方法为：通过引入全局扰动，在每次迭代的搜索域内生成能够使得分类器识别结果为收敛参数集的有效搜索点，保证剔除后的空间能够得到有效补充，避免局部最优。若生成的点无效，则重新生成直至满足条件。具体计算公式为：
24、xnew＝xcerter+β·r·(xmax-xmin)
25、其中，xnew为通过扰动生成的新搜索点，xcenter为当前优质区域的中心点，r为服从正态分布n(0,1)的随机数，xmax和xmin分别为当前搜索空间的上界和下界，β为全局扰动因子，综合考虑算法复杂性和搜索效率等因素可将β的值设定为0.1到1内的固定常数。
26、优选地，步骤4中，设定次数为50～1000次，根据实际问题的需求进行设置。
27、本专利技术的有益效果是：
28、本专利技术基于机器学习分类器与启发式算法联用对锂电池电化学模型进行本文档来自技高网...
【技术保护点】
1.一种基于机器学习分类器和启发式算法的锂电池电化学模型的参数辨识方法，其特征在于，该方法按以下步骤进行：
2.根据权利要求1所述的一种基于机器学习分类器和启发式算法的锂电池电化学模型的参数辨识方法，其特征在于，步骤1中所述的锂离子电池的电化学模型为P2D模型及其衍生模型，模型的所有参数包括：
3.根据权利要求1或2所述的一种基于机器学习分类器和启发式算法的锂电池电化学模型的参数辨识方法，其特征在于，步骤1中所述的参数敏感性分析方法为：制定所有模型参数的取值边界，N＝5～20；在研究某一参数的敏感性时，保持其他参数为参数标准值不变，仅改变所研究参数的值；参数标准值的选取方法为：上下边界数量级相同，取算数平均值作为参数标准值；上下边界数量级不同，首先将上下边界值取对数，然后在对数尺度下计算算术平均值，最后将结果取反对数还原将其作为参数标准值；敏感性计算公式为：
4.根据权利要求1或2所述的一种基于机器学习分类器和启发式算法的锂电池电化学模型的参数辨识方法，其特征在于，步骤2中，辨识过程所使用的启发式算法为粒子群优化、遗传算法、模拟退火或灰狼优化算
5.根据权利要求1或2所述的一种基于机器学习分类器和启发式算法的锂电池电化学模型的参数辨识方法，其特征在于，步骤2中，参数集中各个参数与电化学模型收敛性的相关性通过计算皮尔逊相关系数进行，具体计算方法为：
6.根据权利要求1或2所述的一种基于机器学习分类器和启发式算法的锂电池电化学模型的参数辨识方法，其特征在于，步骤3中，基于机器学习算法的分类器为以下算法模型：支持向量机、k近邻算法、决策树、随机森林、梯度提升决策树、朴素贝叶斯或人工神经网络。
7.根据权利要求1或2所述的一种基于机器学习分类器和启发式算法的锂电池电化学模型的参数辨识方法，其特征在于，基于机器学习算法的分类器的训练过程以参数的数值直接作为特征输入，不进行额外的特征提取过程。
8.根据权利要求1或2所述的一种基于机器学习分类器和启发式算法的锂电池电化学模型的参数辨识方法，其特征在于，步骤4中，在每次迭代之前启用训练好的机器学习分类器，将每次迭代过程中生成的参数集，即随迭代更新的搜索域内位置信息，输入分类器，识别出能够使模型收敛和无法使模型收敛的参数集，将不收敛的参数集剔除并将空出的搜索空间补充完整。
9.根据权利要求1或2所述的一种基于机器学习分类器和启发式算法的锂电池电化学模型的参数辨识方法，其特征在于，对剔除不收敛参数集之后空出的搜索空间进行补充的具体方法为：通过引入全局扰动，在每次迭代的搜索域内生成能够使得分类器识别结果为收敛参数集的有效搜索点，保证剔除后的空间能够得到有效补充，避免局部最优；若生成的点无效，则重新生成直至满足条件。具体计算公式为：
...【技术特征摘要】
1.一种基于机器学习分类器和启发式算法的锂电池电化学模型的参数辨识方法，其特征在于，该方法按以下步骤进行：
2.根据权利要求1所述的一种基于机器学习分类器和启发式算法的锂电池电化学模型的参数辨识方法，其特征在于，步骤1中所述的锂离子电池的电化学模型为p2d模型及其衍生模型，模型的所有参数包括：
3.根据权利要求1或2所述的一种基于机器学习分类器和启发式算法的锂电池电化学模型的参数辨识方法，其特征在于，步骤1中所述的参数敏感性分析方法为：制定所有模型参数的取值边界，n＝5～20；在研究某一参数的敏感性时，保持其他参数为参数标准值不变，仅改变所研究参数的值；参数标准值的选取方法为：上下边界数量级相同，取算数平均值作为参数标准值；上下边界数量级不同，首先将上下边界值取对数，然后在对数尺度下计算算术平均值，最后将结果取反对数还原将其作为参数标准值；敏感性计算公式为：
4.根据权利要求1或2所述的一种基于机器学习分类器和启发式算法的锂电池电化学模型的参数辨识方法，其特征在于，步骤2中，辨识过程所使用的启发式算法为粒子群优化、遗传算法、模拟退火或灰狼优化算法。
5.根据权利要求1或2所述的一种基于机器学习分类器和启发式算法的锂电池电化学模型的参数辨识方法，其特征在于，步骤2中，参数集中各个参数与电化学模型收敛性的相关性通过计算皮尔逊相关系数进行，...
【专利技术属性】
技术研发人员：王振波，王亚璇，李俊夫，郭世龙，崔岳，赵磊，顾大明，
申请(专利权)人：哈尔滨工业大学，
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。