一种基于退化机理模型的电池老化轨迹预测方法

摘要: 本发明涉及一种基于退化机理模型的电池老化轨迹预测方法,属于电池健康管理与寿命预测。背景技术:1、锂离子电池在循环使用过程中会发生不可逆的老化,主要表现为活性锂损...
一种基于退化机理模型的电池老化轨迹预测方法

本发明涉及一种基于退化机理模型的电池老化轨迹预测方法,属于电池健康管理与寿命预测。

背景技术:

1、锂离子电池在循环使用过程中会发生不可逆的老化,主要表现为活性锂损失(lli)和活性材料损失(lam)。准确预测lli/lam的老化轨迹对于电池管理系统(bms)的健康状态评估、剩余寿命预测以及运维策略优化具有重要意义。然而,lli/lam无法通过传感器直接测量,通常需要依赖电化学阻抗谱(eis)等复杂测试手段获取,eis测试虽然能提供丰富的电池状态信息,但每次测试耗时较长。现有研究通常基于逐循环或逐两次循环采集的密集eis数据开展工作,这种高密度测试策略在实际大规模部署中面临时间成本和经济成本的双重制约,为此需要建立能够刻画lli/lam随循环次数演变规律的老化轨迹模型,在降低eis采样频率的条件下仍能实现对电池退化趋势的准确预测。

2、目前,常用的lli/lam老化轨迹建模方法主要包括多项式模型、指数模型和holt双指数模型等。多项式模型在对包含拐点的复杂形态曲线进行拟合时,高阶多项式容易产生局部振荡和边界发散,缺乏单调性和非负性约束,导致长期预测的稳定性不足。指数模型(包括单指数和双指数)基于单一加速假设,曲线整体趋于平滑,但在刻画由缓慢退化向加速退化转变的拐点特征方面能力有限。holt双指数模型在低值区域的局部扰动和初始阶段过冲/欠冲问题突出,不适合对lli/lam全生命周期进行统一建模。上述经验模型在拐点刻画和跨阶段统一建模方面均存在不足,难以准确反映电池老化的阶段性演变规律。

3、电池老化轨迹中拐点的准确定位是实现跨阶段统一建模的关键。常用的拐点识别方法包括kneedle算法、bacon-watts算法、tangent-ratio算法和bisector算法等。其中,bacon-watts、tangent-ratio和bisector算法需要依赖完整的后段退化信息或离线统计分析,难以在实际预测场景中在线应用。而传统kneedle算法虽具有较好的自动化程度,但在仅有容量衰减数据可用的条件下,因容量数据波动较大,直接应用时容易出现拐点前移的误识别问题。因此,需要从电池老化的物理机制出发,分析lli/lam在循环过程中的阶段性演变规律,构建能够反映缓慢退化、阶段过渡与加速退化全过程的机理模型,从而在模型层面为拐点的准确定位与验证提供物理依据。

技术实现思路

1、发明目的:针对现有技术中存在的不足,本发明提供了一种基于退化机理模型的电池老化轨迹预测方法,本发明构建了由长期基础退化项、阶段过渡项和拐点加速项组成的复合退化机理模型,统一描述电池全生命周期的老化过程,提出了基于容量数据的优化kneedle拐点识别方法,实现在仅有容量数据可用条件下的精确拐点定位,并在稀疏采样条件下的预测方法进行应用研究。

2、技术方案:一种基于退化机理模型的电池老化轨迹预测方法,包括以下步骤:

3、s1、数据获取与预处理:获取锂离子电池在循环老化过程中的电化学阻抗谱eis数据与容量衰减数据,经k-k关系验证有效性后,利用弛豫时间分布曲线drt与等效电路模型ecm提取活性锂损失lli和活性材料损失lam指标;

4、s2、基于容量衰减数据的优化kneedle拐点识别:利用s1中获取的容量衰减数据,经平滑、基准线构建统计约束确定老化拐点位置;

5、s3、复合退化机理模型构建:基于s1提取的活性锂损失lli和活性材料损失lam以及s2的拐点参数,构建由初期缓慢退化项、阶段过渡项及拐点后加速项组成的复合退化机理模型,以连续可导方式统一描述从缓慢退化到加速退化的全过程;

6、s4、基于退化机理模型的lli/lam分阶段预测:以s2识别的拐点为界将lli/lam老化轨迹划分为拐点前的缓慢退化阶段和拐点后的加速退化阶段,利用s3构建的复合退化机理模型,分别取各阶段数据进行参数拟合并外推,获得lli/lam未来预测轨迹并对预测精度进行评估;

7、s5、稀疏采样条件下的预测方法应用:在s4评估结果的基础上,模拟不同eis稀疏采样场景,评估方法在有限数据下的预测性能,验证s1-s4方法在实际工程资源受限条件下的适用性与可靠性。

8、优选项,所述s1包括:

9、s101:获取锂离子电池在循环老化过程中的电化学阻抗谱eis数据和容量衰减数据,即设定荷电状态及多种温度工况和满放容量;

10、s102:基于k-k关系验证eis数据的物理一致性,确保数据满足后续分析的有效性条件;

11、s103:通过正则化反卷积方法计算弛豫时间分布drt曲线,将频率域阻抗映射到时间域,以分离不同电化学过程;

12、s104:结合等效电路模型ecm拟合,建立drt曲线特征峰与活性锂损失lli和活性材料损失lam的定量映射关系,提取各循环的lli/lam值作为后续建模的目标变量。

13、优选项,所述s2包括:

14、s201:对容量衰减曲线进行平滑滤波处理,抑制局部测量噪声,保留整体退化趋势;

15、s202:构建从起始循环到终止循环的全局基准线,即连接容量首末点的直线段;

16、s203:以平滑容量曲线首末点的连线作为全局基准线,逐点计算曲线到基准线的有符号垂直距离,取负向偏离最远的点作为初始候选拐点;

17、s204:计算容量曲线的一阶与二阶导数,统计初始候选拐点之前各循环点的斜率与曲率特征分布,以此作为缓慢衰退阶段的参考基准;

18、s205:从初始候选拐点之后开始逐点向后扫描,将第一个满足条件的循环点确定为最终拐点,若向后扫描超过预设循环数仍未找到满足条件的点,则回退至初始候选拐点作为最终拐点。

19、优选项,所述s3包括:

20、s301:构建由三项组成的复合退化机理模型,初期缓慢退化项采用指数函数刻画sei膜稳定增长阶段的缓变基准退化,阶段过渡项以连续可导方式衔接拐点前后的退化速率变化,拐点后加速项由门控机制在拐点处激活以描述多机制耦合驱动的非线性加速退化;

21、s302:针对拐点前后不同退化阶段,分别将模型参数估计问题转化为带边界约束的非线性最小二乘问题,采用信赖域反射算法进行迭代求解获得模型最优参数,同时施加单调非减约束使拟合轨迹符合退化量累积增长的物理规律。

22、优选项,所述s4包括:

23、s401:以s2确定的拐点为界,将lli/lam老化轨迹划分为拐点前的缓慢退化阶段和拐点后的加速退化阶段;

24、s402:根据拐点位置,将已知的lli或lam数据序列划分为拐点前子集和拐点后子集,调整各阶段已有数据的使用比例,利用退化机理模型对lli/lam退化轨迹进行外推预测;

25、s403:采用最大误差、平均绝对误差、均方根误差对预测精度进行评估。

26、优选项,所述s5包括:

27、s501:为模拟稀疏eis采样场景,对原始密集lli/lam数据序列进行系统降采样;

28、s502:对各采样间隔下的lli/lam数据,利用退化机理模型进行参数拟合和外推预测;

29、s503:以密集采样下的模型拟合平滑值为基准,计算不同稀疏采样间隔下lli和lam的百分比预测误差,分析预测误差随采样间隔增大的变化规律。

30、优选项,所述s101-104具体为:

31、获取锂离子电池在循环老化过程中的电化学阻抗谱eis数据和容量衰减数据,即设定荷电状态及多种温度工况和满放容量;

32、k-k关系是线性时不变系统在频域中的基本约束,要求系统的阻抗响应满足线性性、因果性、稳定性和有限性,将实验测得的阻抗实部和虚部分别与k-k关系推算的理论值进行比较:

33、首先,构建串联r//c电路模型,其阻抗表达式为:

34、

35、式中,为模型预测阻抗,为模型的欧姆阻抗,k为r//c单元数量,和分别为第k个r//c支路的阻抗和时间常数;

36、固定,仅优化电阻参数和,目标函数为真实阻抗与模型阻抗的加权残差平方和,兼顾实部与虚部拟合精度:

37、

38、式中,分别为第i个频率点处测量阻抗的实部和虚部,和分别为模型预测阻抗的实部和虚部,为测量阻抗的模值;

39、最后,通过相对残差和,来获取测量数据的有效性:

40、

41、

42、式中,和分别为第i个频率点处实部和虚部的相对残差;若实部和虚部的相对残差均控制在1%内,则认为实验数据与k-k关系具有较好一致性;

43、通过正则化反卷积方法计算弛豫时间分布drt曲线,电化学系统的总阻抗分解为欧姆阻抗和若干不同弛豫时间常数的rc并联单元的极化阻抗之和:

44、

45、式中,为以为自变量的弛豫时间分布函数,为电池的高频欧姆阻抗;

46、将弛豫时间离散化为k个弛豫单元后,在第i个频率测量点处的阻抗表示为:

47、

48、式中,为欧姆阻抗,为频率点索引,为以为自变量的弛豫时间分布函数为测量频率点总数,为第i个角频率采样点,为第k个离散弛豫时间,为对应的对数时间间隔,为第i个频率点的阻抗值;

49、引入吉洪诺夫正则化方法,将求解转化为带惩罚项的最小二乘优化问题:

50、

51、式中,为系数矩阵,为待求解的弛豫时间分布向量,为实验测得的阻抗数据向量,为正则化参数,为正则化矩阵;

52、结合等效电路模型拟合,建立基于drt特征峰变化的lli和lam定量计算公式:

53、

54、

55、

56、式中,、、、分别是第次循环后电池的欧姆阻抗、sei膜阻抗、电荷转移阻抗以及warburg阻抗,、、以及为相应阻抗的初始值;

57、以各阻抗分量的初始值作为参照反映单一退化特征的相对变化,再结合整体衰退程度进行修正:

58、一般健康状态可以表征电池的整体老化水平,从内阻角度出发,soh可以定义为当前内阻相对于初始状态与寿命终止时内阻变化的相对百分比:

59、

60、式中,、、分别表示电池出厂时、当前循环及寿命终止时的阻抗;

61、采用1-sohr来表示电池的整体老化程度;该指标反映了电池的总阻抗相对于初始状态的变化,具体计算为电池当前阻抗与初始阻抗的差值除以电池的总阻抗增量:

62、

63、整体衰退程度反映了电池当前状态相对于初始状态向寿命终止状态演化的程度;基于这一物理含义,对lli与lam相关阻抗特征进行修正,其数学表达式如下:

64、

65、

66、由各循环的 drt 曲线经上述公式计算获得对应的 lli 值和 lam 值。

67、优选项,所述s203-s205具体为:

68、以平滑容量曲线首末点的连线作为全局基准线,逐点计算曲线到基准线的有符号垂直距离,取负向偏离最远的点作为初始候选拐点:

69、

70、

71、式中: 为第  次循环的平滑容量值, 为终止循环次数;

72、计算容量曲线的一阶与二阶导数,统计初始候选拐点之前各循环点的斜率与曲率特征分布,以此作为缓慢衰退阶段的参考基准:

73、平滑容量曲线的一阶二阶导数:

74、

75、

76、基于初始候选拐点 n之前的数据统计:

77、

78、式中:、分别为缓慢衰退阶段斜率的均值与标准差;、分别为曲率的均值与标准差;

79、从初始候选拐点之后开始逐点向后扫描,将第一个同时满足以下三个条件的循环点确定为最终拐点:该点处的斜率较参考基准增大、曲率较参考基准增强、且后续若干循环点的斜率与曲率变化保持连续性;若向后扫描超过预设循环数仍未找到满足所有条件的点,则以初始候选拐点作为最终拐点。

80、优选项,所述s301-s302具体为:

81、初期缓慢退化项为:;

82、阶段过渡项为:,其中sigmoid函数定义为:

83、

84、式中,为过渡中心位置即sigmoid函数值等于0.5时的循环次数,控制过渡的陡峭程度;

85、拐点后加速项为:;其中为门控机制,;

86、由初期缓慢退化项、阶段过渡项、拐点后加速项组成的复合退化机理模型为:

87、

88、式中,为循环次数,为循环次数时对应的lli或lam值,为初始退化值,为通过拐点识别方法确定的拐点循环次数,、、、、为待估计的模型参数;

89、针对拐点前后不同退化阶段,分别将模型参数估计问题转化为带边界约束的非线性最小二乘问题:

90、

91、式中:为实测 lli 或 lam 值,为参数上下界,按拐点前后分别取自对应数据段;

92、采用信赖域反射最小二乘算法进行迭代求解获得模型最优参数,同时施加单调非减约束使拟合轨迹符合退化量累积增长的物理规律:

93、

94、式中: 和  分别为采用最优参数  时模型在第 次和第 次循环的 lli 或 lam预测值。

95、优选项,所述s503具体为:

96、由于实测lli和lam数据存在较大的波动性,直接以实测值作为评估基准会受到测量噪声的干扰;为更客观地评估预测精度,以退化机理模型对完整密集数据的拟合平滑值作为基准,计算各稀疏采样间隔下lli和lam预测值与基准之间的百分比偏差:

97、

98、式中: 为稀疏采样预测值,为密集采样基准值。

99、有益效果:本发明通过构建融合初期缓慢退化项、阶段过渡项及拐点后加速项的复合退化机理模型,以连续可导方式统一描述电池全生命周期老化过程,克服了经验模型在拐点刻画与跨阶段建模方面的不足,提高了预测轨迹的物理一致性与长期稳定性;同时,利用容量衰减数据结合优化kneedle方法实现拐点精准定位,有效解决了传统算法在数据波动下的拐点前移问题,改善了对拐点的识别精度;进一步结合稀疏采样策略,在显著降低eis测试频次的条件下仍能保持可靠的预测性能,有效平衡了测试成本与预测精度之间的矛盾,能够满足实际工程应用中资源受限场景下的电池老化轨迹预测需求。