一种SEI膜生长机制嵌入的神经网络锂电池早期寿命预测方法

摘要: 本发明涉及锂电池健康管理领域,具体涉及一种sei膜生长机制嵌入的神经网络锂电池早期寿命预测方法。背景技术:1、锂离子电池已在新能源汽车、储能、便携式设备等领域大...
一种SEI膜生长机制嵌入的神经网络锂电池早期寿命预测方法

本发明涉及锂电池健康管理领域,具体涉及一种sei膜生长机制嵌入的神经网络锂电池早期寿命预测方法。

背景技术:

1、锂离子电池已在新能源汽车、储能、便携式设备等领域大规模应用,是当前主流储能装置。为保障设备长期安全可靠运行,对锂离子电池开展早期寿命精准预测具有重要意义。

2、目前,数据驱动方法已被广泛用于锂电池寿命预测,但早期精准预测仍存在较大难题。一方面,电池老化涉及多因素耦合退化,机理复杂;另一方面,实际工况下老化样本采集难度大、有效数据稀缺,严重限制了模型预测效果。传统纯数据驱动方法依赖大量标注数据训练,泛化能力差,在数据稀缺场景下预测精度不足,且模型仅拟合数据特征,未结合电池老化物理机理,预测结果常违背物理规律、可靠性低。针对上述缺陷,亟需提出一种融合物理先验知识与数据驱动的锂电池早期寿命预测方法,以兼顾机理合理性与预测精度,弥补现有技术的不足。

3、在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解,因此可能包含不构成本领域普通技术人员公知的现有技术的信息。

技术实现思路

1、针对当前模型训练对数据量的过度依赖以及物理可解释性不足的问题,本发明提供了一种sei膜生长机制嵌入的神经网络锂电池早期寿命预测方法,对电池老化过程中sei膜的生长演化规律开展建模推导,并将该物理机理深度嵌入神经网络架构,在兼顾模型灵活度的前提下,实现物理机理与数据驱动学习的深度融合。

2、本发明的技术方案是:

3、第一方面,本发明提供了一种sei膜生长机制嵌入的神经网络锂电池早期寿命预测方法,包括:

4、s100:采集电池寿命早期10个循环内过程量信号,过程量信号包括放电电压数据、温度数据和放电电量数据;

5、s200:推导sei膜厚度随时间和温度变化的关系式,建立sei膜生长机制嵌入的算子网络模型;

6、s300:从电池寿命早期10个循环内的数据中构造特征;

7、s400:以特征作为输入,电池寿命作为标签,对sei膜生长机制嵌入的算子网络模型进行训练;

8、s500:模型训练完成后,给定其他电池寿命早期10个循环的数据,预测出电池的寿命。

9、进一步地,所述步骤s200,包括以下子步骤:

10、步骤s201,基于fick第二定律,并假设sei膜为多孔无机结构,推导溶剂在sei膜中的扩散过程,进而得到sei膜厚度随时间和温度变化的关系式;

11、步骤s202,建立包括分支网络和主干网络的算子网络模型,并在主干网络中实现所述sei膜厚度随时间和温度变化的关系式的网络化计算。

12、所述步骤s202中,建立的算子网络模型包括分支网络和主干网络两部分:

13、所述的分支网络由长短期记忆网络层lstm层、维度转换层、低秩适配层lora组成,用于编码电池的退化隐状态,输出为维的隐特征;

14、所述的主干网络由阿伦尼乌斯公式层、sei膜厚度计算层、退化因子编码层siren、低秩适配层lora组成,用于依据当前观测点生成坐标向量;

15、分支网络和主干网络的输出通过内积,得到电池在当前退化轨迹下查询点处的rul预测值。

16、进一步地,所述步骤s300包括以下子步骤:

17、步骤s301:根据采集的放电电压数据、放电电量数据,构造放电电量随电压变化的曲线、放电电量对电压的微分曲线;

18、步骤s302:计算每个循环中放电电压数据、温度数据、放电电量随电压变化的曲线、放电电量对电压的微分曲线这4条曲线的均值、方差、90%分位数与10%分位数之差、75%分位数与25%分位数之差,最终形成分支网络输入向量;

19、步骤s303:计算第10个循环与第1个循环的曲线差,表示为:;计算曲线的最小值、均值、峰峰值、方差、平方平均值、90%分位数与10%分位数之差、75%分位数与25%分位数之差,并计算前10个循环的累计时间、前10个循环的温度对时间的积分,最终得到主干网络输入向量。

20、进一步地,所述步骤s400包括以下子步骤:

21、步骤s401:对分支网络输入向量进行z-score标准化处理;主干网络输入向量先进行以10为底的对数变换,再进行z-score标准化;标签值进行以10为底的对数变换;

22、步骤s402:将分支网络输入向量标准化后的输出输入lstm层,得到各循环对应的隐状态;提取最后一个循环的隐状态,经过维度转换层得到16维向量,将输入低秩适配层得到分支网络输出的隐特征;

23、步骤s403:将主干网络输入向量标准化后的输出中的前7个统计特征输入退化因子编码层siren,得到16维退化编码向量;根据主干网络输入向量标准化后的输出中累计时间和温度对时间的积分,经阿伦尼乌斯公式层和sei膜厚度计算层得到无量纲sei膜厚度表征量;依据退化编码向量、无量纲sei膜厚度表征量计算向量,并经过经低秩适配层得到查询坐标向量;

24、步骤s404:通过分支网络输出的隐特征和主干网络输出的坐标向量的内积,得到寿命预测值;

25、步骤s405:以寿命预测值与寿命真实值之间的mse作为训练损失,经迭代优化后获得训练好的模型。

26、第二方面,提供了一种sei膜生长机制嵌入的神经网络锂电池早期寿命预测系统,包括上述中任一项所述sei膜生长机制嵌入的神经网络锂电池早期寿命预测方法的模块。

27、第三方面,提供了一种计算机设备,包括存储器、处理器及存储在存储器上的计算机程序,所述处理器执行所述计算机程序以实现上述中任一项所述sei膜生长机制嵌入的神经网络锂电池早期寿命预测方法的步骤。

28、第四方面,一种计算机可读存储介质,其上存储有计算机程序/指令,该计算机程序/指令被处理器执行时实现上述中任一项所述sei膜生长机制嵌入的神经网络锂电池早期寿命预测方法的步骤。

29、本发明的有益效果是:

30、本发明将电池寿命预测过程分解为退化模式编码和查询坐标生成两个相互配合的过程,其中,分支网络以电池寿命早期连续10个循环构成的10×16维特征矩阵为输入,通过长短期记忆网络提取多循环数据之间的时序关系,得到表征电池退化模式的隐特征;主干网络以9维查询特征为输入,将其中前7个放电电量曲线差统计特征输入退化因子编码层,以表征数据驱动的退化状态,并将累计时间和温度特征输入阿伦尼乌斯公式层及sei膜厚度计算层,以表征随时间和温度变化的sei膜生长过程,由此使不同类型的特征分别进入与其物理含义相对应的计算层。通过将sei膜厚度关系式直接嵌入主干网络的前向计算过程,主干网络生成的查询坐标向量能够同时包含数据驱动的退化信息和sei膜生长机理信息,从而增强模型输出的物理一致性以及在不同电池批次和数据分布变化条件下的预测稳定性。此外,分支网络和主干网络分别采用瓶颈式低秩残差适配模块对16维特征进行校正,在保留原始特征的同时抑制高维噪声和过拟合,并通过分支网络隐特征与主干网络查询坐标向量的内积获得寿命预测结果,使模型仅利用电池寿命早期10个连续循环的数据即可完成寿命预测。综上,本发明能够有效减少电池早期寿命预测所需要的数据量,提升模型的准确性和物理一致性。