基于统计残差正则化PINN的电池SOH估计方法与流程

摘要: 本发明涉及电池soh估计,特别是基于统计残差正则化pinn的电池soh估计方法。背景技术:1、锂离子电池广泛应用于新能源汽车、工程机械、储能系统、退役电池梯次利...
基于统计残差正则化PINN的电池SOH估计方法与流程

本发明涉及电池soh估计,特别是基于统计残差正则化pinn的电池soh估计方法。

背景技术:

1、锂离子电池广泛应用于新能源汽车、工程机械、储能系统、退役电池梯次利用和便携式电源等场景。电池健康状态(state of health,soh)是电池管理系统进行寿命评估、安全预警、能量调度、维护决策评估的重要依据。随着运行时间延长,电池容量衰退、内阻增加和功率输出能力下降等退化现象逐渐显现,准确估计soh具有重要工程价值。

2、现有soh估计方法主要包括机理模型、等效电路模型、经验退化曲线模型和数据驱动模型。机理模型具有可解释性,但通常依赖准确材料参数、边界条件和完整运行历史;等效电路模型便于部署,但参数辨识容易受到温度、倍率和soc窗口变化影响;经验退化模型结构简单,但难以覆盖不同电芯体系、退役历史和工程工况下的非线性退化差异;深度学习模型具有非线性拟合能力,却容易在输入片段缺失、训练分布偏移或传感器噪声增强时产生短期预测抖动、容量损失反向跳变和长期退化轨迹漂移。

3、现有物理信息神经网络(pinn)通常强调将精确微分方程或电化学偏微分方程作为硬约束嵌入训练过程。但在实际bms数据中,充电记录往往只覆盖部分电压区间,维护标定点间隔较长,时间坐标、工况条件与输入健康特征并不完全一致,导致严格方程约束难以稳定施加。

4、因此,需要一种能够利用碎片化运行参数、融合全局老化信息和局部电压响应信息,并通过统计残差形式约束退化一致性的电池soh估计方法。

技术实现思路

1、本发明的主要目的是提出一种基于统计残差正则化的pinn电池soh估计方法,将碎片化充电片段的运行参数用于soh估计,且具有较好的估计精度和退化趋势一致性。

2、本发明通过以下技术方案实现:

3、基于统计残差正则化pinn的电池soh估计方法,包括如下步骤:

4、步骤s1、获取锂电池的运行参数及维护标定数据,对运行参数进行预处理以筛选出有效充电片段,基于维护标定数据确定维护标定容量损失标签,对于每个有效充电片段均构建输入向量,输入向量包括全局老化特征和局部电压响应特征;全局老化特征基于有效充电片段的统计特征确定,局部电压响应特征基于有效充电片段的电压在最优局部电压区间内的穿越时间确定;

5、步骤s2、构建基于pinn的估计器,估计器的输入为所述输入向量、输出为soh预测值和容量预测值,利用混合损失函数对估计器进行训练,混合损失函数包括数据拟合残差损失、局部电压响应残差损失和全局退化趋势残差损失,数据拟合残差损失用于约束容量损失预测值贴合维护标定容量损失标签,局部电压响应残差损失用于约束soh预测值随穿越时间的变化方向符合退化规律,全局退化趋势残差损失用于约束容量损失预测值的长期变化方向;

6、步骤s3、在线估计时,从获取的运行参数中筛选出新的有效充电片段,基于新的有效充电片段提取全局老化特征,计算新的有效充电片段在最优局部电压区间内的穿越时间以作为局部电压响应特征,将全局老化特征和局部电压响应特征作为在线输入向量,输入至训练好的估计器,得到soh预测值。

7、进一步的,所述步骤s1中,所述运行参数包括锂电池在充电、放电或实际运行过程中的原始参数及衍生参数,原始参数包括电压、电流、温度及采集时间,衍生参数包括soc区间、充放电循环编号或观测窗口标识、充电片段起始状态;所述维护标定数据包括锂电池在第k个充电循环或者第k个观测窗口的可用容量、以及参考容量。

8、进一步的,所述步骤s1中,对所述运行参数进行预处理包括:异常点剔除、充电片段对齐和有效充电片段筛选,基于维护标定数据计算容量损失标签,基于有效充电片段对应的输入向量和容量损失标签构建训练集,其中,容量损失标签表示为,其中,为soh标签。

9、进一步的,所述步骤s1中,第i个所述有效充电片段对应的输入向量表示为,为全局老化特征向量,为从候选健康指标集合中筛选的第个退化敏感的全局老化特征,健康指标集合从电压、电流、温度的统计描述中构造,利用fisher型信息度量或梯度灵敏度从健康指标集合中筛选得到全局老化表征,,为局部电压响应特征。

10、进一步的,所述步骤s1中,所述局部电压响应特征表示为,其中,表示最优局部电压区间,为设定的候选局部电压区间,为候选局部电压区间集合,,表示pearson相关系数函数,为第i个有效充电片段在候选局部电压区间内的穿越时间,为第i个有效充电片段内第j个采样点的时间戳,为训练集中有效充电片段索引集合,为第i个有效充电片段对应的soh标签。

11、进一步的,所述步骤s2中,所述估计器可以是多层感知机、卷积神经网络、时序卷积网络、循环神经网络、transformer网络、图神经网络中的一种或者多种的组合。

12、进一步的,所述步骤s2中,所述数据拟合残差损失表示为,其中,n为训练集对应的有效充电片段的数量,为第i个有效充电片段对应的容量损失预测值,为第i个有效充电片段对应的容量损失标签,为边界锚定项,为预设的边界锚定权重系数,≥0。

13、进一步的,所述步骤s2中,所述局部电压响应残差损失表示为,其中,为第i个有效充电片段对应的局部电压响应残差,为正的平滑常数,为soh预测值相对于穿越时间的灵敏度,表示对进行微分计算。

14、进一步的,所述步骤s2中,所述全局退化趋势残差损失表示为,其中,为全局退化趋势残差,,为第个有效充电片段对应的归一化循环编号、归一化时间或观测次序坐标,,为基于修正logistic模型构建的全局退化趋势函数,预标定的最优参数集,其包括有效退化速率、容量损失饱和边界、初始容量损失偏移量和退化曲线形状调节参数。

15、进一步的,所述混合损失函数表示为,其中,、和分别为数据拟合残差、局部电压响应残差和全局退化趋势残差的经验方差尺度,为防止分母为零的数值下限,和为可选调节系数。

16、由上述对本发明的描述可知,与现有技术相比,本发明具有如下有益效果:

17、本发明首先获取锂电池的运行参数及维护标定数据,对运行参数进行预处理以筛选出有效充电片段,基于维护标定数据确定维护标定容量损失标签,对于每个有效充电片段均构建输入向量,输入向量包括全局老化特征和局部电压响应特征;全局老化特征基于有效充电片段的统计特征确定,局部电压响应特征基于有效充电片段的电压在最优局部电压区间内的穿越时间确定,然后构建基于pinn的估计器,估计器的输入为所述输入向量、输出为soh预测值和容量预测值,利用混合损失函数对估计器进行训练,混合损失函数包括数据拟合残差损失、局部电压响应残差损失和全局退化趋势残差损失,数据拟合残差损失用于约束容量损失预测值贴合维护标定容量损失标签,局部电压响应残差损失用于约束soh预测值随穿越时间的变化方向符合退化规律,全局退化趋势残差损失用于约束容量损失预测值的长期变化方向,在线估计时,从获取的运行参数中筛选出新的有效充电片段,基于新的有效充电片段提取全局老化特征,计算新的有效充电片段在最优局部电压区间内的穿越时间以作为局部电压响应特征,将全局老化特征和局部电压响应特征作为在线输入向量,输入至训练好的估计器,得到soh预测值,如此实现将碎片化充电片段的运行参数用于soh估计,无需依赖完整运行历史,适配工程bms中充电片段不完整、工况变化频繁和噪声非平稳的场景;通过局部电压响应残差约束soh预测值相对于局部电压穿越时间的响应方向,通过全局退化趋势残差约束预测容量损失序列的长期变化方向,从而抑制短期预测抖动、容量损失反向跳变和长期轨迹漂移;混合损失函数中,将数据拟合残差、局部电压响应残差和全局退化趋势残差按经验方差尺度进行归一化,可降低人工固定损失权重带来的训练不稳定;综上,本发明的rmse相对于对比方法更低,具有良好的估计精度和退化趋势一致性。