一种基于解耦物理嵌入网络的电池内部状态实时估计方法及系统

本技术涉及电池管理，尤其涉及一种基于解耦物理嵌入网络的电池内部状态实时估计方法及系统。

背景技术：

1、电池管理系统（battery management system，bms）在电池安全运行、寿命管理和能量优化控制中发挥着重要作用，为了实施精细化的充放电控制、热管理和安全预警，需要获得电池的荷电状态、健康状态以及内部核心温度、电极活性材料颗粒中的固相锂离子浓度相关状态和电化学极化状态等信息。其中，端电压、电流和表面温度等外部运行量可以通过传感器测量，而内部核心温度、颗粒表面固相锂离子浓度和浓度梯度等内部状态通常难以通过非侵入式传感器直接获取，因而需要利用计算模型进行估计。

2、现有技术中的估算方案包括基于等效电路模型的方法、基于电化学机理模型的方法以及基于数据驱动模型的方法，存在的问题是：1、等效电路模型通常利用电阻、电容等元件描述电池端电压的动态响应，其状态变量主要为等效电路参数或宏观状态，通常不能直接提供电极颗粒表面固相锂离子浓度、径向浓度梯度等具有明确电化学含义的内部状态；2、单粒子模型、电解液耦合模型以及伪二维模型等电化学机理模型虽然能够描述电极颗粒内固相扩散、界面电荷转移和电解液传输等过程，但此类模型通常包含常微分方程、偏微分方程或代数方程的耦合求解，虽然可以通过模型降阶、空间离散和数值优化降低计算量，但在同时考虑温度、动态工况和参数老化时，仍可能带来较高的在线计算、存储及参数标定负担；3、数据驱动神经网络可以根据电流、端电压、环境温度及历史运行数据估计荷电状态、健康状态或端电压，但在缺少物理约束且训练数据未充分覆盖低温、高倍率、老化或复杂动态工况时，其输出可能出现物理不一致或泛化性能下降，现在部分物理信息神经网络通过在离线训练过程中引入控制方程残差、边界条件或守恒关系，提高模型的物理一致性，但若在线阶段仍需进行高维状态计算、迭代校正或复杂微分运算，其在资源受限的嵌入式bms中的部署仍可能受到计算量、存储空间和推理时延的限制；4、现有混合物理数据驱动方法在同时估计热状态和电化学状态时，可能采用统一网络直接输出多个状态或者在不同子模型之间传递高维隐含特征，因而存在热状态与电化学状态之间的作用路径不清、物理参数的温度依赖关系未被显式表达以及未建模误差可能由无界数据驱动模块过度补偿等问题。

3、因此，急需一种基于解耦物理嵌入网络的电池内部状态实时估计方法及系统以解决上述技术问题。

技术实现思路

1、本技术提供一种基于解耦物理嵌入网络的电池内部状态实时估计方法及系统，用于解决上述技术问题。

2、第一方面，本技术提供一种基于解耦物理嵌入网络的电池内部状态实时估计方法，包括：

3、步骤s100、获取电池的运行数据，运行数据包括负载电流、环境温度和时间信息，基于负载电流计算净安时通量和累计吞吐量；

4、步骤s200、对时间信息进行无量纲化处理，将无量纲时间变量映射为包括多个不同频率的时域特征向量，基于运行数据和时域特征向量分别构造热动力学输入特征向量和电化学基础输入特征向量；

5、步骤s300、基于热动力学输入特征向量，估算电池当前的内部核心温度，基于电池的内部核心温度生成归一化温度调制因子，归一化温度调制因子与电化学输入特征向量组合后生成用于推算电化学参数的电化学输入特征向量；

6、步骤s400、基于运行数据、电池的内部核心温度和电化学参数预测端电压，得到端电压预测值；

7、步骤s500、输出内部核心温度、电化学参数以及端电压预测值。

8、优选的，步骤s200包括：

9、步骤s210、时间无量纲化处理；

10、步骤s220、通过多尺度傅里叶特征编码将无量纲时间变量映射为包括多个不同频率的时域特征向量，时域特征向量通过时间本身以及多组不同频率的正弦分量和余弦分量共同组成，如下式所示：

11、

12、其中，表示多尺度时域特征向量，表示无量纲时间变量，表示第

k个无量纲频率；

13、步骤s230、分别构造热动力学输入特征向量和电化学基础输入特征向量，如下式所示：

14、

15、

16、其中，表示保留充放电方向的归一化电流，表示归一化环境温度，表示归一化累计吞吐量，表示上一时刻电池内部核心温度估计值，表示绝对归一化电流，表示归一化净安时通量，表示颗粒径向位置编码，表示活性材料代表性球形颗粒的归一化径向坐标；表示归一化的荷电状态；表示归一化的健康状态。

17、优选的，步骤s220中，无量纲频率如下式所示：

18、

19、其中，表示第

k个特征频率，表示预设时间尺度参数。

20、4.根据权利要求2所述的电池内部状态实时估计方法，其特征在于，颗粒径向位置编码如下式所示：

21、

22、其中，表示颗粒中心，表示颗粒表面。

23、优选的，步骤s300包括：

24、步骤s310、基于热动力学输入特征向量，估算电池当前时刻的内部核心温度，如下式所示：

25、

26、其中，表示热动力学神经网络，表示热动力学神经网络的网络参数；

27、步骤s320、内部核心温度输入arrhenius公式计算温度相关电化学动力学参数，基于温度相关电化学动力学参数生成归一化温度调制因子，如下式所示：

28、

29、其中，表示固相扩散系数，表示在参考温度下的固相扩散系数，表示反应速率参数，表示电极在参考温度下和参考浓度状态下的反应速率；

30、步骤s330、归一化温度调制因子与电化学基础输入特征向量进行拼接，得到电化学输入特征向量；

31、

32、其中，表示向量拼接；

33、步骤s340、根据电化学输入特征向量输出与电极

j及颗粒径向位置对应的固相锂离子浓度：

34、

35、其中，表示电极

j的固相锂离子最小浓度，表示电极

j的固相锂离子最大浓度，

s()表示有界映射函数，表示原始输出。

36、优选的，步骤s310中，热动力学输入特征向量输入热动力学神经网络执行前向传播得到内部核心温度，热动力学神经网络包括输入映射层、至少一个隐藏层和温度输出层，前向计算过程如下式所示：

37、

38、

39、

40、其中，表示第0层隐藏层的输出，表示第层隐藏层激活函数，和分别表示第层隐藏层的权重和偏置，第层隐藏层的输出，表示第层隐藏层激活函数，和分别表示第层的权重和偏置，表示有界输出函数，和分别表示目标电池预设的内部核心温度估计下限和上限。

41、优选的，步骤s400包括：

42、步骤s410、基于运行数据、核心温度和表面锂离子浓度分别计算开路电压、欧姆极化损耗、活化极化损耗和浓差极化损耗，获取物理基线端电压，如下式所示：

43、

44、步骤s420、构造残差网络输入状态向量，经残差网络生成有界残差补偿电压，如下式所示：

45、

46、其中，表示残差幅值上限，表示双曲正切函数，表示残差网络，表示残差输入状态向量，表示残差网络参数；

47、步骤s430、基于物理基线端电压和有界残差补偿电压获取端电压预测值，如下式所示：

48、

49、其中，表示端电压预测值。

50、优选的，步骤s410中：

51、

52、其中，表示正极颗粒表面的化学计量比，表示负极颗粒表面的化学计量比，表示正极开路电势函数，表示负极开路电势函数，表示电池当前时刻的内部核心温度；

53、

54、其中，表示当前电流，表示等效欧姆内阻；

55、

56、其中，表示气体常数，表示法拉第常数，表示电极的表示交换电流密度，arcsinh表示反双曲正弦函数；

57、

58、其中，和分别表示颗粒平均化学计量比。

59、优选的，步骤s420中，残差输入状态向量如下式所示：

60、

61、其中，表示当前时刻电池内部核心温度估计值。

62、第二方面，本技术提供一种基于解耦物理嵌入网络的电池内部状态实时估计系统，用于实现电池内部状态实时估计方法，电池内部状态实时估计系统包括：

63、数据采集模块，用于采集运行数据以及用于计算净安时通量和累计吞吐量；

64、特征编码模块，与数据采集模块连接，用于将时间变量进行无量纲处理并对无量纲时间变量映射，获取时域特征向量；

65、状态解耦模块，包括输入特征分配单元、热动力学推理单元、arrhenius物理计算单元以及电化学状态推理单元；

66、输入特征分配单元与特征编码模块连接，用于分别构造热动力学输入特征向量和电化学基础输入特征向量；

67、热动力学推理单元、arrhenius物理计算单元以及电化学状态推理单元依次形成单向连接，热动力学推理单元用于推算当前采样时刻的内部核心温度；arrhenius物理计算单元用于将内部核心温度转换为温度调制因子；电化学状态推理单元分别与输入特征分配单元和arrhenius物理计算单元连接，用于输出固相锂离子浓度；

68、电势分解输出模块分别与数据采集模块、热动力学推理单元和电化学状态推理单元连接，用于输出端电压预测值。

69、本技术的估计方法及系统至少具有如下有益效果：

70、（1）本技术的估计方法分别独立计算内部核心温度和电化学参数，大幅缩短了单次推理的计算时间，还显著降低了在线推理难度，更适合部署在算力有限的嵌入式bms平台上，通过将温度对电化学参数的影响以物理公式的形式嵌入网络，避免了纯数据驱动模型对训练数据的过度依赖。

71、

72、（2）本技术将无量纲时间变量映射为包括多个不同频率的时域特征向量，低频频率组用于辅助表征慢变化或准静态响应，中频频率组用于表征与采样带宽相适应的电流脉冲、电压极化及热响应，通过将对数间隔分布的多个频率分量引入特征空间，丰富了输入信息的维度，使得后续的神经网络能够更容易地学习到电池动态行为中的关键模式。

73、（3）本技术计算端电压时引入有界残差补偿电压，有界残差补偿电压由数据驱动的残差网络生成，可修正物理模型未能完全捕捉的高阶非线性误差，有界残差补偿机制能够自适应地学习这些老化引起的非线性偏差，使得端电压预测精度在电池全生命周期内保持较高水平。

74、（4）本技术的系统通过arrhenius物理计算单元这一低维物理接口实现热动力学推理单元和电化学状态推理单元单向耦合，也就是说二者只通过arrhenius物理计算单元输出的低维温度调制因子进行单向连接，确保了温度对电化学过程的物理影响方向正确，避免了反向因果关系引入的虚假相关性。