基于数据驱动的锂离子电池SOX估计研究

单位：西安理工大学汇报人：李宁西多织工大学内容提要内容提要551个人概况研究方向发表学术论文150篇余篇，其中SCI论文40篇，国内顶级EI期刊论文17篇，申请国家发明专利50余项，参编教锂离子电池SOX估计研究55结论新能新能资源供给侧发展：为实现“双碳”目标，亟需推动新能源汽车行业发展，其重点是以推动高能量密度的锂离子电池发展为主。播混，播混，混动、燃油车.锂离子电池汽车占BMS中最重要内容提要内容提要1222锂离子电池特性分析2锂离子电池特性分析LiCoO₂→Li_CoO₂+xLit+xeLi_CoO₂+xLit+xe→LiCoO₂电池的充放电特性不仅与材料有关，还受到导致电压变化更为显著,从而影响电池的整体性能DOD=100%-SOC0%锂离子电池退化特性锂离子电池退化特性充放电截止电压循环区间充放电截止电压循环区间放电深度充放电倍率运行温度内应力造成正极材料晶格结构坍塌导电剂反应副反应新相沉积活性物质粉化脱落电解液腐蚀电极集体流腐蚀黏结剂分解锂金属沉积固体电解质界面膜形成增长负极固相固相固相固相固相 锂离子电池退化因素 电池等效模型分为以下四种：不同模型的难点部分集中在参数识别、精度、在线、数学模型神经网络模型电池等效模型分为以下四种：不同模型的难点部分集中在参数识别、精度、在线、C,=kI¹-”yA=E-Ri-μ-(SOC.)V₄=E。-Ri₄+从ln(SOC.)+μIn(1-SOC.)普适性四个维度。电化学模型神经网络模型P2D模型单粒子模型 锂离子电池常见模型对比数学模型基于偏微分方程描述电池内部电化学反应，精度高且通用性好，但需要破坏性实验来确定参数，且参数辨识不确定性较大，适用于非在线应用或BMS控制。等效电路模型结构简单，易于操作，但精度较低，难以准确捕捉电池的复杂行为。电化学模型能够精确反映充放电行为并揭示衰减机制，但计算复杂且不适合在线应用。相比之下，神经网络模型不依赖参数识别，能够实时估算SOC和SOH,具有较高的时效性和精度，适合实时监控。电池模型需要低不可以低需要高可以中高可以高电化学模型需要高可以高祖锂离子电池基本性能测试难点：基于数据驱动的神经网络模解决思路：进行最大可用容量、开充电容量/kWh放电容量/kWh第一次第二次第三次平均值基于数据驱动的神经网络模型，仍需要基于测量来评判几个重要的参数，开路电压(OCV)曲线拟合曲线拟合西多绍工长学图6SOC-OCV曲线图7充放电过程电压变化2锂离子电池工作特性分析2锂离子电池工作特性分析锂离子电池锂离子电池SOX影响因素图8电池SOX影响因素结构图图9不同放电倍率与SOC图10不同温度电池电压和SOC图11不同放电倍率与SOH图12电池循环次数与SOH西易织工大学个人概况研究背景与意义锂离子电池概述及工作特性分析44锂离子电池SOX估计研究55结论与展望4锂离子电池SOX4锂离子电池SOX估计研究研究内容1:基于EMD-GRU锂离子电池SOC估计通过实验与仿真验证了EMD-GRU模型能够提升4锂离子电池4锂离子电池SOX估计研究图13RNN结构展开图x1-1、x,x,+分别表示网络在前一时刻、当h₁i、h,、h,分别表示网络在前一时刻、当前时刻和后一时刻的隐藏状态y₁-1y,、y+1分别表示网络在前一时刻、当前时刻和后一时刻的隐藏状态西步绍工学祖国荣誉责任164锂离子电池4锂离子电池SOX估计研究建s门建s门LSTM输入门检出门检出门LSTM遗忘门LSTM输出门输出4锂离子电池4锂离子电池SOX估计研究PART1:循环神经网络分析重置门：决定了如何将新的输入信息与前面的记更新门：定义了前面记忆保存到更新门：定义了前面记忆保存到LSTM单元处理过程相比于RNN单元更加复杂，其训练时长较长，因此对LSTM的模型EMD分解电池电流GRU循环GRU循环电池温度电池温度·传统的GRU网络进行锂离子电池SOC估计时采用电流、电压、温度作为网络输入，SOC作为网络输出。然而在面临较长时间序图14EMD-GRU锂离子电池SOC估计方法为了尽可能地模拟电动汽车的真实驾驶条件，训练数据需要推广到其他驾驶条件。本项目使用了来自美国马里兰大学高级生命周期工程中心(C由于训练数据往往多于测试数据，因此本项目以DST和FUDS数据集作US06作为测试数据集，温度30℃和40℃。图15EMD-GRU锂离子电池SOC估计方法4锂离子电池4锂离子电池SOX估计研究4锂离子电池SOX估计研究势相近祖4锂离子电池4锂离子电池SOX估计研究势相近，但GRU在面临长时间序列会淡化趋势信息的问题0.11534锂离子电池SOX4锂离子电池SOX估计研究CC·MAE为1.5093%,同比于GRU模型误差降低了20.7924%;MSE为0.0375%,同比于GRU模型误差降低了42.8135%;RMSE为1.9303%,同比于GRU模型误差降低了23.0496%。祖4锂离子电池SOX4锂离子电池SOX估计研究研究内容2:基于AGA-BP的锂离子电池SOH估计方法PART1:锂离子电池SOH估影响SOH的因素内部测量因素包括电容和内阻，然而4锂离子电池SOX4锂离子电池SOX估计研究电压电压 电池祖输入层隐含层(酸又解图17BP神经网络结构图图18遗传算法流程图图19自适应遗传算法流程图为了避免传统GA参数固定的问题，提高模型的自适应能力，自适应遗传算法(AdaptiveGeneticAlgorithm,AGA)是当个体适应度大于平均适应度时降输出层祖Jmnfmzr传统：当总体中的个体适应度接近最大适应度段，但一开始就非常不利，并且容易发生早熟(局部收敛)十分陡峭，从而导致变异了优良个体，交叉了和pm为零的问题；2.大规模个体适应度接近最大适应度和平均适应度时，横坐标将缩短，整个图形被压扁，导致pc和p曲线变得非常陡峭，本文提出的AGA方法可以使得pc和pm集中在中变异了优良个体和交叉了贫困个体的问题，提PART2:基于AGA-BP模型的锂离AGA算法初始化人口(离线)HI优化和BP神经网络训练误差作为适应度值初始化BP神经网络AGA-BP算法：将BP神经网络误差函数的倒数作为AGA的适应度函数，然后利用AGA找到BP神经网络的初始最优权值和阈值，并将这组参数返回给BP神经网络。最后，通过梯度电池电池电池5195954359669537298479794908344130983730隐含层节点个数/个4锂离子电池4锂离子电池SOX估计研究PART3:仿真与实验验证AGA-BP模型的锂离子电池SOH估计实验适应度值适应度值1.GA算法由于交叉和变异概率不发生变化，因此在寻优过程中迭代较为缓慢；2.传统的AGA算法在10次迭代后早熟，其适应度接近最大适应度，交叉和变异概率几乎失去了成效，因此过早收敛；3.改进的AGA算法在40次迭代后，交叉和变异概率有一个较小的阈图24AGA算法迭代过程曲线值，可以继续寻优；表10基于AGA-BP锂离子电池健康状态估计结果MAE为0.6861%,相比于BP神经网络MAE降低了29.13%MAXE为4.1219%,相比于BP神经网络MAXE降低了13.40%。PART3:仿真与实验验证AGA-BP模型的锂离子电池SOH估计实验o训练实际SOH☆测试估计SOH☆测试估计SOH循环次数循环次数图25B0005锂离子电池SOH估计结果图26B0006锂离子电池SOH估计结果随机选取2/3数据作为训练数据，剩下的1/3数据作为测试数据，健康指标作为模型的输入，实际SOH作为模型的标签。内容提要内容提要1个人概况234锂离子电池SOX估计研究5结论生电采用EMD分解电流信号，提高了GRU模型应对长时间序列的能力；健康指标，相关性分析得出可用于SOH间接估计；[1]NLi,F.He,W.Ma,R.Wang,L.JiangandX.