基于神经网络模型的电池个体化安全快充协同优化方法与流程
本发明涉及电池管理与智能充电控制,具体涉及一种基于神经网络模型的电池个体化安全快充协同优化方法。
背景技术:
1、随着电动重卡、电动商用车在物流、港口、矿区等场景的规模化应用,其对快速补能的需求日益迫切。现有快充技术普遍采用固定充电策略,通过bms查找充电策略表执行。充电策略通常由主机厂或者电池包厂家通过实验室测试标定的方式获取,由于实验室测试标定很难覆盖电池在不同工况场景全生命周期的实际情况,只能通过典型工况,例如1c充电和1c放电循环加速老化测试进行全生命周期充电策略的标定。
2、专利cn121123458a通过多次测试构建矩阵表并动态循环充放电,实现锂离子电池单体充电电流i随soc、温度t实时变化的快充策略。具体方法如下:对锂离子电池进行soc-ocv测试,得出soc-ocv-t矩阵表;对锂离子电池进行三电极不同温度充电测试,形成不同温度下i-soc-u-tmax矩阵表;整合i-soc-u-tmax矩阵表形成0-100%soc充电矩阵表;根据soc-ocv-t矩阵表查找放电结束电压和soc状态,结合soc状态和0-100%soc充电矩阵表进行充电;循环充放电方式,获取锂离子电池单体充电电流i随soc和温度t实时变化充电策略。
3、专利cn119542586a描述的锂离子电池充电策略确定方法如下:根据待充锂离子电池的标定容量、目标soc区间、目标充电时间,确定平均充电倍率c',进而确定
4、充电倍率最小值cmin和最大值cmax;cmin<c'<cmax;确定当前充电策略下,完成目标soc区间的当前充电时间;当前充电策略中,设置n个阶梯充电阶段,且沿充电顺序,充电倍率c”不断降低;cmin≤c”≤cmax且至少一个c”>c';n≥2;若当前充电时间小于等于目标充电时间,则当前充电策略为目标充电策略;若大于目标充电时间,则进行矫正以形成新的当前充电策略并返回上一步。
5、专利cn119230993a描述的锂离子电池合适充电倍率和分段充电策略的确定方法如下:提供呼吸工装:呼吸工装包括电池本体和透明管,透明管从电池本体的外部插入至电池本体内,电解液能够在透明管内被观察到具体的液位高度;充电测试:在划定的soc充电范围内,对电池本体以任意一个倍率值进行充电,充电结束后观察刚结束时液位高度h1以及充电后静置10~30min后的液位高度h2,若h1和h2的液位高度之差在0~10mm范围内,则该倍率值为划定的soc充电范围内合适的充电倍率值,反之则为不合适的充电倍率值。
6、此类策略未充分考虑电池在制造公差、使用环境、充放电历史差异下产生的个体化老化特性分化,导致以下问题:
7、1.热失控风险累积:在高倍率快充过程中,电池内阻随老化程度增加而增大,产热加剧;若仍沿用新电池或通用老化状态的充电策略,易导致局部过热、温升速率超标,尤其在低温环境下锂枝晶生长风险显著上升,埋下热失控隐患。
8、2.加速电池老化:通用充电曲线无法适配个体电池在不同老化阶段(如容量衰减至95%、90%、85%等关键节点)的电化学特性变化。例如,老化电池在高soc区间对充电电流更为敏感,持续采用高电流充电将加剧sei膜增厚与活性锂损失,形成“快充→老化加速→内阻增大→更易过热”的恶性循环。
9、3.换电模式下电池身份管理缺失:在重卡换电场景中,电池包频繁在不同车辆间流转,其历史使用数据(如累计吞吐量、深度循环次数)难以被充电设施有效识别与利用,导致每次充电均按“最保守”或“通用”策略执行,牺牲补能效率或埋下安全风险。
10、现有技术中,部分方案尝试通过bms估算的电池健康状态来调整充电策略,但其调整逻辑多基于简化经验公式(如soh线性折减充电倍率),缺乏对电池个体微观老化机制(如析锂阈值变化、热扩散特性退化)的精准刻画。另有研究提出基于电化学模型的充电优化,但模型参数辨识复杂、计算量大,难以在车载嵌入式系统中实时部署,且未建立从云端大数据建模到车端执行的闭环优化架构。
11、因此,亟需一种能够融合电池全生命周期多源数据、实现个体化充电策略调整,并将优化结果通过车-桩-云协同机制落地执行的安全快充控制方法,以兼顾充电速度、电池寿命与运行安全。
技术实现思路
1、为了实现上述发明目的,本发明提供了以下技术方案:基于神经网络模型的电池个体化安全快充协同优化方法,包括以下步骤:
2、步骤s1、通过充电桩作为数据交互网关,在车辆充电过程中实时采集电池运行数据,包括电池包电流、电压、荷电状态、最高单体电压、温度,并结合电池唯一标识进行历史数据映射,同时引入桩端输出电流与电池管理系统bms请求电流,对多源时序数据进行时间戳对齐与融合,形成统一时序数据张量;
3、步骤s2、将步骤s1得到的时序数据张量输入云端神经网络模型,输出下一时刻电池状态预测向量,包括预测电压、预测温度及预测soc;
4、步骤s3、基于所述电池状态预测向量,构建电池个体化多变量充电响应函数,并生成多维控制向量,对充电过程中的电流及安全调节因子进行联合约束控制;
5、步骤s4、在所述多变量充电响应函数约束下,对多维控制向量进行在线协同优化求解,生成多维充电控制轨迹函数;
6、步骤s5、充电桩基于所述多维充电控制轨迹函数执行动态充电控制,并通过闭环反馈机制对控制向量进行实时修正,实现电池安全快充协同优化控制。
7、优选的,所述步骤s1进一步包括:
8、首先,通过充电桩侧嵌入式通信模块与车辆电池管理系统bms建立基于can总线数据交互链路,在充电启动及运行过程中,以固定采样周期持续获取电池运行状态参数,形成原始采集向量;
9、在形成原始采集向量的过程中,引入主动探索式电流调控机制,具体为,在车辆接入充电桩后,由云端控制平台基于预设策略生成探索控制指令,并下发至充电桩侧执行单元,使充电桩输出电流相对于电池管理系统请求电流产生受控偏置,在不同偏置电流作用下,同步采集对应的电池电压、温度及荷电状态响应数据,并将其纳入原始采集向量中进行统一建模;
10、随后,对原始采集向量进行时间戳统一处理,通过构建时间对齐函数,对不同采样延迟来源的数据进行动态校正,使不同来源的数据在统一时刻基准下对齐,形成时序数据张量;
11、在完成时间对齐后,将对齐后的实时运行数据与电池唯一标识进行绑定,并通过云端索引系统提取对应电池的静态嵌入向量以及历史充电行为特征,用于表征电池固有属性与长期老化状态。
12、优选的,所述步骤s2进一步包括:
13、首先,将步骤s1生成的时序数据张量输入至一维卷积神经网络结构,通过卷积核在时间维度上进行局部扫描,从而提取电池在短时间尺度内的电流突变、电压响应及极化特征变化,形成局部时序特征表示;
14、随后,将上述局部特征输入门控循环单元gru网络,通过其内部更新门与重置门结构,对电池长期充放电过程中的soc演化、热累积效应及电压缓慢漂移进行建模,使模型具备长时依赖记忆能力;
15、同时,将步骤s1中提取的静态嵌入向量与历史充电行为特征输入多层感知机编码网络,形成稳定的电池身份表征向量;
16、最后,将动态时序特征与静态健康表征进行拼接融合,并输入全连接预测层,输出电池状态预测向量,电池状态预测向量同时包含电池电压及温度状态的联合预测结果,用于后续安全充电策略生成。
17、优选的,所述步骤s3进一步包括:
18、基于神经网络输出的电池状态预测结果,对电池在当前充电过程中的运行能力进行个体化建模,形成用于描述电池在不同荷电状态、温度状态及时间变化条件下可充电能力变化规律的响应函数;
19、在所述响应函数基础上,对充电过程构建多维控制向量,所述多维控制向量同时包含充电电流控制量、电化学抑制调节因子以及热安全调节系数,用于对充电过程进行联合调控;
20、其中,通过云端对电池运行状态进行约束计算,使充电电流控制量始终处于电池安全上限范围内,并根据实时温度变化对热安全调节系数进行动态调整;
21、最后,基于上述多维控制向量构建多变量安全控制空间,用于限定后续优化过程中所有控制参数的可执行范围,从而保证充电过程在电化学安全与热安全约束下运行。
22、优选的,所述步骤s4进一步包括:
23、在多维控制向量约束下,对电池充电过程建立时间连续优化机制,通过对电池风险状态、温升变化以及调节因子的综合影响进行统一评价,构建用于表征充电过程整体代价的优化目标函数;
24、其中,该目标函数用于同时衡量充电过程中的安全风险水平、温度变化程度以及控制调节偏离程度;
25、在满足电池荷电状态上限约束、温度安全约束以及控制变量安全约束的前提下,对多维控制向量进行时间维度上的连续优化计算,得到整个充电周期内的最优控制演化路径,所述最优控制演化路径用于描述充电过程中电流控制与安全调节因子随时间变化的联合变化趋势,从而形成面向全充电周期的协同控制策略。
26、优选的,所述步骤s5进一步包括:
27、在充电执行阶段,充电桩根据当前实时采集的时序数据张量,从云端下发的最优多维充电控制轨迹函数中获取当前时刻对应的参考控制向量,所述参考控制向量包含当前应执行的充电电流控制指令以及对应的电化学调节与热安全调节指令;
28、在实际执行过程中,充电桩根据参考控制信息对多维控制向量进行分解执行,其中充电电流控制量用于直接控制能量输入,电化学抑制调节因子用于控制充电过程中的反应抑制强度,热安全调节系数用于调节温升变化速度;
29、同时,通过闭环反馈机制对当前执行的多维控制向量进行实时修正,使实际充电过程逐步逼近云端输出的最优控制路径;
30、当检测到电池运行状态异常时,则触发安全降级机制,电化学风险状态超过阈值,则触发安全降级机制,从而降低充电风险;
31、最终输出实际充电电流控制量,并由充电桩功率执行模块将控制向量转换为pwm信号,实现车-桩-云三端协同的实时闭环控制执行过程。
32、与现有技术相比,本发明的有益效果:
33、本发明通过充电桩侧实时采集电池运行数据,并结合车辆bms请求信息及电池历史充电行为特征,实现多源异构数据的时间对齐与统一融合输入,从而构建具有个体差异表达能力的时序状态数据结构。相比传统仅基于单一电流或电压数据的建模方式,本发明能够更全面刻画不同电池在不同老化阶段及不同工况下的动态变化特征,提高电池状态表征的准确性与稳定性。
34、本发明通过云端神经网络输出电池安全电流上限、风险状态参数及温升预测参数,并进一步构建多变量控制向量,实现电流控制与电化学抑制因子、热安全调节因子的协同作用,使充电过程由单一电流调节扩展为多物理场约束下的联合控制模式。该机制能够在保证充电效率的同时,有效抑制析锂风险与热失控风险,提高电池充电过程的安全裕度。
35、本发明构建了云端优化生成充电控制轨迹与充电桩端实时执行反馈相结合的闭环控制体系,通过多变量控制向量的实时修正机制,使实际充电过程能够持续逼近云端最优控制轨迹。相比传统静态充电策略或查表式控制方式,本发明具备自适应调整能力,可根据实时状态变化动态修正充电行为,从而实现充电效率与电池寿命之间的协同优化。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com