基于随机短时充电和多任务学习的电池多维老化诊断方法

本发明涉及锂离子电池健康状态评估，特别是涉及一种基于随机短时充电和多任务学习的电池多维老化诊断方法。

背景技术：

1、随着清洁能源利用与交通电气化的发展，锂离子电池被广泛应用于电动汽车、储能系统和电子产品等领域。而伴随着使用时间的增长，锂离子电池不可避免地发生老化，主要表现为容量衰减、内阻增加、充放电效率降低以及安全性能下降，其内部老化模式主要包括锂库存损失和电极活性物质损失。目前，锂离子电池健康状态与老化诊断方法主要分为数据驱动方法和基于模型的方法。数据驱动方法通常利用充放电过程中的电压、电流等数据估计电池容量或健康状态，但多数方法依赖完整充放电数据；基于模型的方法能够描述电池内部行为，但机理模型通常存在未知参数多、建模复杂和计算成本高等问题，等效电路模型中的电阻、电容等参数又多为拟合值，难以直接反映电池真实的电化学老化机理。

2、而在实际应用中，电池的充电起始状态、充电时长及运行工况具有不确定性，难以持续获得完整充放电数据。现有采用部分充电数据或随机充电数据的研究大多集中于容量或健康状态估计，较少进一步量化锂库存损失和电极活性物质损失等电极层老化模式；同时，现有研究通常将电池容量估计与老化模式分析分别进行，未充分利用容量衰退与不同老化模式之间的关联性，部分老化模式诊断方法仍依赖完整充放电数据，难以满足复杂工况下电池电极层与单体层老化状态联合诊断的需求。

3、另外，现有基于容量增量曲线的老化诊断方法通常将峰值高度、峰值位置或峰值面积作为人工健康特征，其特征提取过程依赖曲线平滑和数值微分，并要求充电数据充分覆盖容量增量主峰区域，容易受到测量噪声和数据缺失的影响。上述低维统计特征还难以完整保留充电电压、充电电流和充电电量之间的局部时序耦合关系。因此，如何在保留物理解释性的同时减少对完整充电数据和人工特征提取的依赖，是实际工况下锂离子电池老化诊断需要解决的问题。此外，现有部分老化诊断方法主要基于理想恒流工况数据进行验证，其在实车驾驶循环等复杂放电工况下的适用性仍有待提高。

技术实现思路

1、本发明的目的是提供一种基于随机短时充电和多任务学习的电池多维老化诊断方法，降低了对完整充放电数据的依赖，实现了锂离子电池电极层与单体层老化状态的联合诊断。

2、为实现上述目的，本发明提供了如下方案：

3、一种基于随机短时充电和多任务学习的电池多维老化诊断方法，包括以下步骤：

4、s1、基于锂离子电池样本的充电运行数据、全电池开路电压曲线及正、负极开路电势曲线，构建半电池模型辨识电极老化参数，并结合测试容量计算锂库存损失lli和负极活性物质损失lamne，构建融合单体层容量与电极层老化模式的多维老化诊断标签集；

5、s2、基于充电运行数据构建容量增量曲线，根据其主峰位置确定老化特征提取电压区间，并在该电压区间内选取起始位置不固定的连续短时充电序列片段，构建包含充电电压、充电电流和充电电量的输入矩阵；

6、s3、基于输入矩阵和多维老化诊断标签集，采用两阶段训练方式训练预设的多任务学习模型，其中第一训练阶段基于容量标签对共享卷积特征提取主干进行预训练，第二训练阶段基于容量、lli和lamne标签进行多任务联合训练；

7、s4、获取待诊断电池在老化特征提取电压区间内的连续短时充电序列片段，输入训练后的多任务学习模型，同步输出容量估计结果、lli估计结果和lamne估计结果，分别作为单体层和电极层的老化诊断结果，实现锂离子电池电极-单体多维老化联合诊断。

8、优选的，s1中，半电池模型中，全电池开路电压采用以下公式表示：

9、

10、其中，表示全电池在荷电状态soc下的开路电压，表示正极在锂化程度下的开路电势，表示负极在锂化程度下的开路电势；和的取值范围均为[0,1]，取值为1表示对应电极完全锂化，取值为0表示对应电极脱锂。

11、优选的，s1中，构建半电池模型辨识电极老化参数，具体包括：

12、采用优化算法对半电池模型进行参数优化，使基于半电池模型重构得到的开路电压曲线与全电池开路电压曲线相匹配，得到锂离子电池样本在不同老化状态下的电极老化参数；

13、电极老化参数包括正极在放电结束状态下的锂化程度参数、正极在充电结束状态下的锂化程度参数、负极在放电结束状态下的锂化程度参数和负极在充电结束状态下的锂化程度参数；其中，

eod表示放电结束状态，

eoc表示充电结束状态；优化算法为布谷鸟搜索算法；采用布谷鸟搜索算法，以基于半电池模型重构得到的开路电压曲线与全电池开路电压曲线之间的拟合误差作为目标函数，对和进行优化辨识；根据锂离子电池样本的最小截止电压和最大截止电压所满足的正、负极开路电势差关系，分别确定和。

14、优选的，s1中，结合测试容量计算锂库存损失lli和负极活性物质损失lamne，具体包括：

15、对于锂离子电池样本的任一第

t个老化状态，根据第

t个老化状态下的测试容量、正极在放电结束状态下的锂化程度参数和正极在充电结束状态下的锂化程度参数，确定第

t个老化状态下的正极可用容量；

16、根据测试容量、负极在充电结束状态下的锂化程度参数和负极在放电结束状态下的锂化程度参数，确定第

t个老化状态下的负极可用容量；

17、根据第

t个老化状态和初始状态下的正极可用容量、负极可用容量以及正极和负极在充电结束状态下的锂化程度参数，确定锂库存损失lli；

18、根据第

t个老化状态下的负极可用容量和初始状态下的负极可用容量，确定负极活性物质损失lamne；

19、其中，t表示锂离子电池样本的当前老化状态，0表示锂离子电池样本的初始状态。

20、优选的，正极可用容量、负极可用容量、锂库存损失lli和负极活性物质损失lamne分别采用以下公式确定：

21、

22、

23、

24、

25、其中，表示锂离子电池样本在第

t个老化状态下的测试容量，和分别表示第

t个老化状态下的正极可用容量和负极可用容量，和分别表示初始状态下的正极可用容量和负极可用容量。

26、优选的，s2中，根据容量增量曲线的主峰位置确定老化特征提取电压区间，具体包括：

27、根据充电电流和对应的采样时间计算锂离子电池样本在充电过程中的充电电量；根据充电电量相对于充电电压的变化率，构建锂离子电池样本在不同老化状态下的容量增量曲线；确定不同老化状态下容量增量曲线的主峰位置，并根据主峰位置确定老化特征提取电压区间。

28、优选的，s3中，多任务学习模型包括输入层、四个卷积模块和多个任务输出分支；四个卷积模块构成共享卷积特征提取主干，每个卷积模块均包括二维卷积层、批量归一化层和线性整流函数relu层，四个卷积模块中的前三个卷积模块还包括最大池化层；

29、在第一训练阶段，共享卷积特征提取主干连接容量预测分支进行预训练；在第二训练阶段，预训练后的共享卷积特征提取主干连接容量、锂库存损失lli和负极活性物质损失lamne对应的多个任务输出分支，各任务输出分支分别通过对应的全连接层和回归层输出相应的估计结果。

30、优选的，s3中，采用两阶段训练方式来训练预设的多任务学习模型，具体包括：

31、第一训练阶段，以多维老化诊断标签集中的容量作为监督标签，将输入矩阵输入共享卷积特征提取主干，根据容量预测结果与对应测试容量之间的均方误差对共享卷积特征提取主干进行预训练；第二训练阶段，将容量任务输出分支、锂库存损失lli任务输出分支和负极活性物质损失lamne任务输出分支连接至预训练后的共享卷积特征提取主干，分别计算容量、锂库存损失lli和负极活性物质损失lamne的任务损失，并以上述三个任务损失的加权和作为联合损失函数，对共享卷积特征提取主干和多个任务输出分支进行联合训练。

32、优选的，四个卷积模块中的前两个卷积模块用于提取容量、锂库存损失lli和负极活性物质损失lamne之间可共享的电池老化信息，后两个卷积模块用于对不同老化模式对应的电池老化信息进行提取。

33、本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一所述的一种基于随机短时充电和多任务学习的电池多维老化诊断方法。

34、根据本发明提供的具体实施例，本发明公开了以下技术效果：

35、1、本发明利用正极开路电势曲线、负极开路电势曲线和全电池开路电压曲线构建半电池模型，并采用布谷鸟搜索算法辨识不同老化状态下的电极老化参数，进而量化锂库存损失lli和负极活性物质损失lamne，实现了锂离子电池电极层老化模式的定量诊断，有利于从电极层和单体层多个维度表征锂离子电池的老化状态。

36、2、本发明基于容量增量分析确定具有物理解释的老化特征提取电压区间，并直接采用该电压区间内任一连续预设时长的充电电压、充电电流和充电电量原始序列进行自动特征提取，避免依赖完整充电曲线以及人工提取容量增量曲线峰高、峰位和峰面积，提高了对随机充电起始位置和数据不完整情况的适应能力。

37、3、本发明采用多任务学习模型提取容量、锂库存损失lli和负极活性物质损失lamne之间可共享的电池老化信息，并通过多个任务输出分支分别输出对应的估计结果，实现了单体容量衰退与电极层老化模式的联合估计；相较于针对不同老化指标分别建立单任务学习模型，降低了模型规模和计算负担，提高了复杂工况下锂离子电池电极-单体多维老化诊断的准确性、计算效率和鲁棒性。

38、4、本发明采用两阶段训练方式，首先利用容量标签对共享卷积特征提取主干进行预训练，使卷积模块学习稳定的基础老化特征；随后基于容量、锂库存损失lli和负极活性物质损失lamne三个相关任务进行联合训练，通过共享老化信息提高有限老化标签的利用效率，并避免分别构建多个独立单任务模型所带来的重复计算和存储开销。