CN115470742B - 一种锂离子电池建模方法、***、设备及存储介质 - Google Patents
一种锂离子电池建模方法、***、设备及存储介质 Download PDFInfo
- Publication number
- CN115470742B CN115470742B CN202211342111.1A CN202211342111A CN115470742B CN 115470742 B CN115470742 B CN 115470742B CN 202211342111 A CN202211342111 A CN 202211342111A CN 115470742 B CN115470742 B CN 115470742B
- Authority
- CN
- China
- Prior art keywords
- network
- loss function
- representing
- prediction model
- dod
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
Abstract
本发明公开了一种锂离子电池建模方法、***、设备及存储介质,本方法根据电荷守恒定律和欧姆定律,获得锂离子电池的偏微分方程,并根据偏微分方程,定义边界条件和初始条件;基于物理信息神经网络,构建网络预测模型;构建第一损失函数,并采用梯度下降算法对网络预测模型的参数进行迭代更新,完成网络预测模型的第一训练;构建第二损失函数,并采用梯度下降算法对网络预测模型的参数进行迭代更新,完成网络预测模型的第二训练;构建第三损失函数,并采用梯度下降算法对网络预测模型的参数进行迭代更新,完成网络预测模型的第三训练;通过完成三次训练的网络预测模型预测锂离子电池的参数。本发明能够提高网络预测模型的预测精度。
Description
技术领域
本发明涉及电池建模技术领域,尤其是涉及一种锂离子电池建模方法、***、设备及存储介质。
背景技术
锂离子电池由于其高能量密度、高电压、低自放电率以及良好的稳定性等一系列突出特点,成为新能源汽车储能元件的首选之一。为了更好地掌握电池的特性并以此制定合理的使用策略,锂离子电池建模成为了一个重要的研究方向。电池电极的性能受到长宽比、电流收集片的放置以及流经电极的电流总量的影响。如果一个电极没有被优化设计,那么电势和电流密度将是不均匀的,电极上的活性材料的利用也将是不均匀的。由于电极上活性材料的过度局部利用,可能导致电极的加速退化,随着电极的尺寸变大,这种影响变得更加明显。因此,电极的优化设计对于大规模锂离子电池的生产是十分有意义的,而对锂离子电池的建模研究发挥了重要作用。
在现有的电池建模技术中,基于传统数值计算的建模方法,如有限元法或者有限差分法对偏微分方程进行求解,需要消耗大量的计算资源与计算时间。而基于数据驱动的机器学习建模方法,将电池的电极反应视为一个黑箱模型,只关心模型输入与输出之间的关系,模型的训练通过使用实际测试得到的输入输出数据进行网络参数更新完成。这种方法虽然不再需要完备的方程信息与大量的计算,但其准确度依赖于采样数据的精确度与规模,而获取足够多的高精度测试数据的代价也是十分巨大的。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出一种锂离子电池建模方法、***、设备及存储介质,能够提高网络预测模型的预测精度,并减少了网络预测模型的计算量。
第一方面,本发明实施例提供了一种锂离子电池建模方法,所述锂离子电池建模方法包括:
根据电荷守恒定律和欧姆定律,获得锂离子电池的偏微分方程,并根据所述偏微分方程,定义边界条件和初始条件;
基于物理信息神经网络,构建网络预测模型,所述网络预测模型包括正极网络、DOD网络、通量网络以及负极网络;
根据数据驱动,构建所述正极网络、所述DOD网络、所述通量网络以及所述负极网络的第一损失函数,并采用梯度下降算法对所述网络预测模型的参数进行迭代更新,直到达到预设的第一最大迭代次数或所述第一损失函数稳定收敛,完成所述网络预测模型的第一训练;
根据所述数据驱动、所述边界条件和所述初始条件,构建所述正极网络、所述DOD网络、所述通量网络以及所述负极网络的第二损失函数,并采用梯度下降算法对所述网络预测模型的参数进行迭代更新,直到达到预设的第二最大迭代次数或所述第二损失函数稳定收敛,完成所述网络预测模型的第二训练;
根据数据驱动、所述偏微分方程、所述边界条件和所述初始条件,构建所述正极网络、所述DOD网络、所述通量网络以及所述负极网络的第三损失函数,并根据所述正极网络、所述DOD网络、所述通量网络以及所述负极网络的第三损失函数,构建总损失函数;采用梯度下降算法对所述网络预测模型的参数进行迭代更新,直到达到预设的第三最大迭代次数或所述总损失函数稳定收敛,完成所述网络预测模型的第三训练;
通过完成三次训练的所述网络预测模型预测所述锂离子电池的参数。
与现有技术相比,本发明第一方面具有以下有益效果:
本方法为了能够提高网络预测模型的预测精度,并减少了网络预测模型的计算量,根据电荷守恒定律和欧姆定律,获得锂离子电池的偏微分方程,并根据偏微分方程,定义边界条件和初始条件;基于物理信息神经网络,构建网络预测模型,网络预测模型包括正极网络、DOD网络、通量网络以及负极网络;根据数据驱动,构建正极网络、DOD网络、通量网络以及负极网络的第一损失函数,并采用梯度下降算法对网络预测模型的参数进行迭代更新,直到达到预设的第一最大迭代次数或第一损失函数稳定收敛,完成网络预测模型的第一训练;根据数据驱动、边界条件和初始条件,构建正极网络、DOD网络、通量网络以及负极网络的第二损失函数,并采用梯度下降算法对网络预测模型的参数进行迭代更新,直到达到预设的第二最大迭代次数或第二损失函数稳定收敛,完成网络预测模型的第二训练;根据数据驱动、偏微分方程、边界条件和初始条件,构建正极网络、DOD网络、通量网络以及负极网络的第三损失函数,并根据正极网络DOD网络、通量网络以及负极网络的第三损失函数,构建总损失函数;采用梯度下降算法对网络预测模型的参数进行迭代更新,直到达到预设的第三最大迭代次数或总损失函数稳定收敛,完成网络预测模型的第三训练;通过完成三次训练的网络预测模型预测锂离子电池的参数。本方法的网络预测模型第一次训练通过根据数据驱动,构建正极网络、DOD网络、通量网络以及负极网络的第一损失函数;网络预测模型第二次训练根据数据驱动、边界条件和初始条件,构建正极网络、DOD网络、通量网络以及负极网络的第二损失函数;网络预测模型第三次训练根据数据驱动、偏微分方程、边界条件和初始条件,构建正极网络、DOD网络、通量网络以及负极网络的第三损失函数,并根据正极网络DOD网络、通量网络以及负极网络的第三损失函数,构建总损失函数;通过三次训练使得网络预测模型的预测精度得到提高。本方法通过基于物理信息神经网络,构建网络预测模型,使用了物理信息,极大地减少了数据的使用量,只需少量数据即可完成网络预测模型的训练,因此,减少了网络预测模型的计算量。
根据本发明的一些实施例,所述根据电荷守恒定律和欧姆定律,获得锂离子电池的偏微分方程,包括:
根据电荷守恒定律和欧姆定律,采用泊松方程获得所述锂离子电池的正极电势和负极电势的偏微分方程:
其中,表示拉普拉斯算子,表示所述锂离子电池的正极电势,表示所述锂离子电池的负极电势,表示所述锂离子电池正极的电阻,表示所述锂离子电池负极的电阻,表示所述锂离子电池正极的空间域,表示所述锂离子电池负极的空间域,表示所述锂离子电池正极和负极之间的电流密度,所述的表达式为,Y和U表示拟合参数;
根据本发明的一些实施例,所述根据所述偏微分方程,定义边界条件和初始条件,包括:
根据所述正极电势的偏微分方程,定义所述正极电势的边界条件:
定义所述正极电势的初始条件:
根据所述负极电势的偏微分方程,定义所述负极电势的边界条件:
定义所述负极电势的初始条件:
根据本发明的一些实施例,构建所述网络预测模型的损失函数,所述损失函数包括数据驱动部分和物理信息部分,其中:
构建物理信息部分的损失函数,所述物理信息部分的损失函数包括偏微分方程的损失函数、初始条件的损失函数和边界条件的损失函数,其中:
根据所述数据驱动部分的损失函数和所述物理信息部分的损失函数,构建所述网络预测模型的损失函数:
其中,表示网络中的权重和偏置参数的集合,表示当前训练的网络预测模型的总损失函数值,表示所述数据部分的损失函数的权重,表示所述偏微分方程的损失函数的权重,表示所述初始条件的损失函数的权重,表示所述边界条件的损失函数的权重。
根据本发明的一些实施例,所述构建所述正极网络、所述DOD网络、所述通量网络以及所述负极网络的第一损失函数,包括:
根据本发明的一些实施例,所述构建所述正极网络、所述DOD网络、所述通量网络以及所述负极网络的第二损失函数,包括:
其中,表示所述正极网络的数据驱动部分的损失函数,表示所述正极网络的数据驱动部分的损失函数的权重,表示所述正极网络的初始条件的损失函数,表示所述正极网络的初始条件的损失函数的权重,表示所述正极网络的边界条件的损失函数,表示所述正极网络的边界条件的损失函数的权重;
其中,表示所述DOD网络的数据驱动部分的损失函数,表示所述DOD网络的数据驱动部分的损失函数的权重,表示所述DOD网络的初始条件的损失函数,表示所述DOD网络的初始条件的损失函数的权重,表示所述DOD网络的边界条件的损失函数,表示所述DOD网络的边界条件的损失函数的权重;
其中,表示所述通量网络的数据驱动部分的损失函数,表示所述通量网络的数据驱动部分的损失函数的权重,表示所述通量网络的初始条件的损失函数,表示所述通量网络的初始条件的损失函数的权重,表示所述通量网络的边界条件的损失函数,表示所述通量网络的边界条件的损失函数的权重;
其中,表示所述负极网络的数据驱动部分的损失函数,表示所述负极网络的数据驱动部分的损失函数的权重,表示所述负极网络的初始条件的损失函数,表示所述负极网络的初始条件的损失函数的权重,表示所述负极网络的边界条件的损失函数,表示所述负极网络的边界条件的损失函数的权重。
根据本发明的一些实施例,所述构建所述正极网络、所述DOD网络、所述通量网络以及所述负极网络的第三损失函数,包括:
第二方面,本发明实施例还提供了一种锂离子电池建模***,所述锂离子电池建模***包括:
方程获取单元,用于根据电荷守恒定律和欧姆定律,获得锂离子电池的偏微分方程,并根据所述偏微分方程,定义边界条件和初始条件;
模型构建单元,用于基于物理信息神经网络,构建网络预测模型,所述网络预测模型包括正极网络、DOD网络、通量网络以及负极网络;
第一训练单元,用于根据数据驱动,构建所述正极网络、所述DOD网络、所述通量网络以及所述负极网络的第一损失函数,并采用梯度下降算法对所述网络预测模型的参数进行迭代更新,直到达到预设的第一最大迭代次数或所述第一损失函数稳定收敛,完成所述网络预测模型的第一训练;
第二训练单元,用于根据所述数据驱动、所述边界条件和所述初始条件,构建所述正极网络、所述DOD网络、所述通量网络以及所述负极网络的第二损失函数,并采用梯度下降算法对所述网络预测模型的参数进行迭代更新,直到达到预设的第二最大迭代次数或所述第二损失函数稳定收敛,完成所述网络预测模型的第二训练;
第三训练单元,用于根据数据驱动、所述偏微分方程、所述边界条件和所述初始条件,构建所述正极网络、所述DOD网络、所述通量网络以及所述负极网络的第三损失函数,并根据所述正极网络、所述DOD网络、所述通量网络以及所述负极网络的第三损失函数,构建总损失函数;采用梯度下降算法对所述网络预测模型的参数进行迭代更新,直到达到预设的第三最大迭代次数或所述总损失函数稳定收敛,完成所述网络预测模型的第三训练;
参数预测单元,用于通过完成三次训练的所述网络预测模型预测所述锂离子电池的参数。
第三方面,本发明实施例还提供了一种锂离子电池建模设备,包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如上所述的一种锂离子电池建模方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如上所述的一种锂离子电池建模方法。
可以理解的是,上述第二方面至第四方面与相关技术相比存在的有益效果与上述第一方面与相关技术相比存在的有益效果相同,可以参见上述第一方面中的相关描述,在此不再赘述。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明一实施例的一种锂离子电池建模方法的流程图;
图2是本发明一实施例的锂离子电池平行板电极中电流的流动示意图;
图3是本发明一实施例的锂离子电池正极空间域示意图;
图4是本发明一实施例的锂离子电池负极空间域示意图;
图5是本发明一实施例的网络预测模型的结构示意图;
图6是本发明一实施例的一种锂离子电池建模***的结构图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
在本发明的描述中,如果有描述到第一、第二等只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
本发明的描述中,需要说明的是,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
首先,对本申请中涉及的若干名词进行解析:
锂离子电池二维模型:电池在充放电的过程中电池的平行板电极之间以及平行板电极上会有电流流过。一维模型假定在建模中采用的变量的梯度在与集电体平行的两个方向上是可以忽略的,这样的假设对于小规模的电池是有效的。但对大规模电池来说,由于欧姆降导致的沿集电体可能是显著的电位下降,会影响电流的分布,因此采用二维模型。
物理信息:指实际过程中支配物理过程的物理先验知识,包括原则上的物理定律,以及描述各类物理过程的偏微分方程。物理信息是建模过程中宝贵的先验知识。
深度神经网络:神经网络是一种运算模型,由大量的节点,或称神经元之间相互联接构成。由每个节点代表一种特定的输出函数,称为激励函数。每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重,这相当于人工神经网络的记忆。网络的输出则根据网络的连接方式,权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近,也可能是对一种逻辑策略的表达。
拉丁超立方采样(LHS):是一种分层随机抽样,能够从变量的分布区间进行高效采样。
在现有的电池建模技术中,基于传统数值计算的建模方法,如有限元法或者有限差分法对偏微分方程进行求解,需要消耗大量的计算资源与计算时间。而基于数据驱动的机器学习建模方法,将电池的电极反应视为一个黑箱模型,只关心模型输入与输出之间的关系,模型的训练通过使用实际测试得到的输入输出数据进行网络参数更新完成。这种方法虽然不再需要完备的方程信息与大量的计算,但其准确度依赖于采样数据的精确度与规模,而获取足够多的高精度测试数据的代价也是十分巨大的。
为解决上述问题,本发明为了能够提高网络预测模型的预测精度,并减少了网络预测模型的计算量,根据电荷守恒定律和欧姆定律,获得锂离子电池的偏微分方程,并根据偏微分方程,定义边界条件和初始条件;基于物理信息神经网络,构建网络预测模型,网络预测模型包括正极网络、DOD网络、通量网络以及负极网络;根据数据驱动,构建正极网络、DOD网络、通量网络以及负极网络的第一损失函数,并采用梯度下降算法对网络预测模型的参数进行迭代更新,直到达到预设的第一最大迭代次数或第一损失函数稳定收敛,完成网络预测模型的第一训练;根据数据驱动、边界条件和初始条件,构建正极网络、DOD网络、通量网络以及负极网络的第二损失函数,并采用梯度下降算法对网络预测模型的参数进行迭代更新,直到达到预设的第二最大迭代次数或第二损失函数稳定收敛,完成网络预测模型的第二训练;根据数据驱动、偏微分方程、边界条件和初始条件,构建正极网络、DOD网络、通量网络以及负极网络的第三损失函数,并根据正极网络DOD网络、通量网络以及负极网络的第三损失函数,构建总损失函数;采用梯度下降算法对网络预测模型的参数进行迭代更新,直到达到预设的第三最大迭代次数或总损失函数稳定收敛,完成网络预测模型的第三训练;通过完成三次训练的网络预测模型预测锂离子电池的参数。本发明的网络预测模型第一次训练通过根据数据驱动,构建正极网络、DOD网络、通量网络以及负极网络的第一损失函数;网络预测模型第二次训练根据数据驱动、边界条件和初始条件,构建正极网络、DOD网络、通量网络以及负极网络的第二损失函数;网络预测模型第三次训练根据数据驱动、偏微分方程、边界条件和初始条件,构建正极网络、DOD网络、通量网络以及负极网络的第三损失函数,并根据正极网络DOD网络、通量网络以及负极网络的第三损失函数,构建总损失函数;通过三次训练使得网络预测模型的预测精度得到提高。本发明通过基于物理信息神经网络,构建网络预测模型,使用了物理信息,极大地减少了数据的使用量,只需少量数据即可完成网络预测模型的训练,因此,减少了网络预测模型的计算量。
参照图1,本发明实施例提供了一种锂离子电池建模方法,本锂离子电池建模方法包括:
步骤S100、根据电荷守恒定律和欧姆定律,获得锂离子电池的偏微分方程,并根据偏微分方程,定义边界条件和初始条件。
具体的,参照图2,根据电荷守恒定律和欧姆定律,采用泊松方程获得锂离子电池的正极电势和负极电势的偏微分方程:
其中,表示拉普拉斯算子,表示锂离子电池的正极电势,表示锂离子电池的负极电势,表示锂离子电池正极的电阻,表示锂离子电池负极的电阻,表示锂离子电池正极的空间域,表示锂离子电池负极的空间域,表示锂离子电池正极和负极之间的电流密度,是正负电极之间电位差的函数,的表达式为:
根据正极电势的偏微分方程,定义正极电势的边界条件:
空间域、和参照图3所示,其中,图3中的图a表示锂离子电池正极的示意图,图3中的图b表示空间域的示意图,图3中的图c表示除了极耳以外的正电极区域示意图,图3中的图d表示正极的极耳的示意图;其中,表示边界外法线方向的梯度,表示除了极耳以外的正电极区域,表示正极的极耳,表示电流,表示长度。边界条件意味着除了极耳以外的电极区域没有电流流过;边界条件意味着通过长度为的极耳的线性电流密度恒为。
根据正极电势的偏微分方程,定义正极电势的初始条件:
根据负极电势的偏微分方程,定义负极电势的边界条件:
空间域、和参照图4所示,其中,图4中的图a表示锂离子电池负极的示意图,图4中的图b表示空间域示意图,图4中的图c表示除了极耳以外的负电极区域示意图,图4中的图d表示负极的极耳示意图;其中,表示除了极耳以外的负电极区域,表示负极的极耳。边界条件意味着除了极耳以外的电极区域没有电流流过;边界条件意味着在负极的极耳处的电位被固定为零值,作为参考电位。
根据负极电势的偏微分方程,定义负极电势的初始条件:
步骤S200、基于物理信息神经网络,构建网络预测模型,网络预测模型包括正极网络、DOD网络、通量网络以及负极网络。
具体的,参照图5,基于物理信息神经网络,构建网络预测模型,网络预测模型包括用于预测电池正极电势的正极网络、用于预测电池电极上的放电深度的DOD网络、用于预测电池电极之间的电流密度的通量网络以及用于预测电池负极电势的负极网络。构建网络预测模型的损失函数,损失函数包括数据驱动部分和物理信息部分,其中:
其中,表示网络预测模型预测的结果,表示空间位置,该空间位置为采用拉丁超立方采样(LHS)方法在时空中随机选取的坐标点,i表示锂离子电池的电流,t表示时间,为网络预测模型的输入,表示实测数据,表示实测数据的数量,表示网络预测模型预测的结果与实测数据之间的均方误差;
构建物理信息部分的损失函数,物理信息部分的损失函数包括偏微分方程的损失函数、初始条件的损失函数和边界条件的损失函数,其中:
网络预测模型训练的目标是找到合适的网络参数能最小化损失函数,因此,本实施例考虑将物理信息引入损失函数,以使网络预测模型的训练能够更好地收敛到偏微分方程的真实解。因此,本实施例根据数据驱动部分的损失函数和物理信息部分的损失函数,构建网络预测模型的损失函数:
其中,表示网络中的权重和偏置参数的集合,表示当前训练的网络预测模型的总损失函数值,表示数据部分的损失函数的权重,表示偏微分方程的损失函数的权重,表示初始条件的损失函数的权重,表示边界条件的损失函数的权重。
本实施例中,物理信息神经网络使用的网络结构为全连接网络结构,全连接网络的优点是网络吞吐量大、可靠性高、低延时。本实施例利用辅助物理信息神经网络的知识,模型通过定义辅助输出变量对积分项进行转化,方便网络的计算。
步骤S300、根据数据驱动,构建正极网络、DOD网络、通量网络以及负极网络的第一损失函数,并采用梯度下降算法对网络预测模型的参数进行迭代更新,直到达到预设的第一最大迭代次数或第一损失函数稳定收敛,完成网络预测模型的第一训练。
具体的,根据数据驱动,构建正极网络、DOD网络、通量网络以及负极网络的第一损失函数,并采用梯度下降算法对网络预测模型的参数进行迭代更新,使第一损失函数下降,直到达到预设的第一最大迭代次数或第一损失函数稳定收敛,完成网络预测模型的第一训练。其中:
构建好正极网络、DOD网络、通量网络以及负极网络的第一损失函数后,采用梯度下降算法分别对网络预测模型中的四个网络的参数进行迭代更新,使每个网络对应的第一损失函数下降,直到达到预设的第一最大迭代次数或第一损失函数稳定收敛,完成网络预测模型的第一训练。
需要说明的是,本实施例的实测数据为低频数据,低频数据为在采样获得数据时,不做精细采样,数据的信息量比较少。
步骤S400、根据数据驱动、边界条件和初始条件,构建正极网络、DOD网络、通量网络以及负极网络的第二损失函数,并采用梯度下降算法对网络预测模型的参数进行迭代更新,直到达到预设的第二最大迭代次数或第二损失函数稳定收敛,完成网络预测模型的第二训练。
具体的,根据数据驱动、边界条件和初始条件,构建正极网络、DOD网络、通量网络以及负极网络的第二损失函数,并采用梯度下降算法对网络预测模型的参数进行迭代更新,使第二损失函数下降,直到达到预设的第二最大迭代次数或第二损失函数稳定收敛,完成网络预测模型的第二训练。其中:
其中,表示正极网络的数据驱动部分的损失函数,表示正极网络的数据驱动部分的损失函数的权重,表示正极网络的初始条件的损失函数,表示正极网络的初始条件的损失函数的权重,表示正极网络的边界条件的损失函数,表示正极网络的边界条件的损失函数的权重;
其中,表示DOD网络的数据驱动部分的损失函数,表示DOD网络的数据驱动部分的损失函数的权重,表示DOD网络的初始条件的损失函数,表示DOD网络的初始条件的损失函数的权重,表示DOD网络的边界条件的损失函数,表示DOD网络的边界条件的损失函数的权重;
其中,表示通量网络的数据驱动部分的损失函数,表示通量网络的数据驱动部分的损失函数的权重,表示通量网络的初始条件的损失函数,表示通量网络的初始条件的损失函数的权重,表示通量网络的边界条件的损失函数,表示通量网络的边界条件的损失函数的权重;
其中,表示负极网络的数据驱动部分的损失函数,表示负极网络的数据驱动部分的损失函数的权重,表示负极网络的初始条件的损失函数,表示负极网络的初始条件的损失函数的权重,表示负极网络的边界条件的损失函数,表示负极网络的边界条件的损失函数的权重。
构建好正极网络、DOD网络、通量网络以及负极网络的第二损失函数后,采用梯度下降算法分别对网络预测模型中每个网络的参数进行迭代更新,使每个网络对应的第二损失函数下降,直到达到预设的第二最大迭代次数或第二损失函数稳定收敛,完成网络预测模型的第二训练。
需要说明的是,本实施例的数据驱动部分的损失函数中需使用实测数据,而使用的实测数据为高频数据,高频数据为在采样获得数据时,做精细采样,数据的信息量比较多。
步骤S500、根据数据驱动、偏微分方程、边界条件和初始条件,构建正极网络、DOD网络、通量网络以及负极网络的第三损失函数,并根据正极网络、DOD网络、通量网络以及负极网络的第三损失函数,构建总损失函数;采用梯度下降算法对网络预测模型的参数进行迭代更新,直到达到预设的第三最大迭代次数或总损失函数稳定收敛,完成网络预测模型的第三训练。
具体的,根据数据驱动、偏微分方程、边界条件和初始条件,构建正极网络、DOD网络、通量网络以及负极网络的第三损失函数,并根据正极网络、DOD网络、通量网络以及负极网络的第三损失函数,构建总损失函数;采用梯度下降算法对网络预测模型的参数进行迭代更新,使总损失函数下降,直到达到预设的第三最大迭代次数或总损失函数稳定收敛,完成网络预测模型的第三训练。其中:
构建好网络预测模型的总损失函数后,同时训练正极网络、DOD网络、通量网络以及负极网络,采用梯度下降算法对网络预测模型的参数进行迭代更新,直到达到预设的第三最大迭代次数或总损失函数稳定收敛,完成网络预测模型的第三训练。
需要说明的是,本实施例的数据驱动部分的损失函数中需使用实测数据,而使用的实测数据为高频数据,高频数据为在采样获得数据时,做精细采样,数据的信息量比较多。
步骤S600、通过完成三次训练的网络预测模型预测锂离子电池的参数。
具体的,通过完成三次训练的网络预测模型预测锂离子电池的参数,锂离子电池的参数包括锂离子电池的正极电势、锂离子电池的负极电势、锂离子电池的电极之间的电流密度分布以及锂离子电池的电极上的放电深度。
需要说明的是,本实施例中第一次训练和第二次训练的网络预测模型,是对网络预测模型中的四个网络分别训练,以完成网络预测模型的训练,而第三次训练的网络预测模型是对网络预测模型中的四个网络同时训练,以完成网络预测模型的训练。
在本实施例中,对锂离子电池电极建模的目的是预测锂离子电池的正极电势、锂离子电池的负极电势、锂离子电池的电极之间的电流密度分布以及锂离子电池的电极上的放电深度。本实施例同时利用到了物理信息与数据驱动,使用了物理信息,极大地减少了数据的使用量,只需少量数据即可完成网络预测模型的训练,使建立的模型更加精确和高效。因此,通过构建的网络预测模型能够精确获得锂离子电池的正极电势、锂离子电池的负极电势、锂离子电池的电极之间的电流密度分布以及锂离子电池的电极上的放电深度这些参数,从而,能够更好地掌握电池的特性并进行合理的电极设计。本实施例在模型训练中先使用低频信息进行预训练,再分两个阶段使用高频信息进行训练以完成损失函数收敛,增强了训练的精度和效率。本实施例还引入了电池电流作为控制输入,以帮助网络预测模型更好地识别与预测。
参照图6,本发明实施例还提供了一种锂离子电池建模***,本锂离子电池建模***包括方程获取单元100、模型构建单元200、第一训练单元300、第二训练单元400、第三训练单元500以及参数预测单元600,其中:
方程获取单元100,用于根据电荷守恒定律和欧姆定律,获得锂离子电池的偏微分方程,并根据偏微分方程,定义边界条件和初始条件;
模型构建单元200,用于基于物理信息神经网络,构建网络预测模型,网络预测模型包括正极网络、DOD网络、通量网络以及负极网络;
第一训练单元300,用于根据数据驱动,构建正极网络、DOD网络、通量网络以及负极网络的第一损失函数,并采用梯度下降算法对网络预测模型的参数进行迭代更新,直到达到预设的第一最大迭代次数或第一损失函数稳定收敛,完成网络预测模型的第一训练;
第二训练单元400,用于根据数据驱动、边界条件和初始条件,构建正极网络、DOD网络、通量网络以及负极网络的第二损失函数,并采用梯度下降算法对网络预测模型的参数进行迭代更新,直到达到预设的第二最大迭代次数或第二损失函数稳定收敛,完成网络预测模型的第二训练;
第三训练单元500,用于根据数据驱动、偏微分方程、边界条件和初始条件,构建正极网络、DOD网络、通量网络以及负极网络的第三损失函数,并根据正极网络、DOD网络、通量网络以及负极网络的第三损失函数,构建总损失函数,采用梯度下降算法对网络预测模型的参数进行迭代更新,直到达到预设的第三最大迭代次数或总损失函数稳定收敛,完成网络预测模型的第三训练;
参数预测单元600,用于通过完成三次训练的网络预测模型预测锂离子电池的参数。
需要说明的是,由于本实施例中的一种锂离子电池建模***与上述的一种锂离子电池建模方法基于相同的发明构思,因此,方法实施例中的相应内容同样适用于本***实施例,此处不再详述。
本发明实施例还提供了一种锂离子电池建模设备,包括:至少一个控制处理器和用于与至少一个控制处理器通信连接的存储器。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现上述实施例的一种锂离子电池建模方法所需的非暂态软件程序以及指令存储在存储器中,当被处理器执行时,执行上述实施例中的一种锂离子电池建模方法,例如,执行以上描述的图1中的方法步骤S100至步骤S600。
以上所描述的***实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
本发明实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个控制处理器执行,可使得上述一个或多个控制处理器执行上述方法实施例中的一种锂离子电池建模方法,例如,执行以上描述的图1中的方法步骤S100至步骤S600的功能。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、***可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器,如中央处理器、数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
上面结合附图对本发明实施例作了详细说明,但本发明不限于上述实施例,在所属技术领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
Claims (10)
1.一种锂离子电池建模方法,其特征在于,所述锂离子电池建模方法包括:
根据电荷守恒定律和欧姆定律,获得锂离子电池的偏微分方程,并根据所述偏微分方程,定义边界条件和初始条件;
基于物理信息神经网络,构建网络预测模型,所述网络预测模型包括正极网络、DOD网络、通量网络以及负极网络;
根据数据驱动,构建所述正极网络、所述DOD网络、所述通量网络以及所述负极网络的第一损失函数,并采用梯度下降算法对所述网络预测模型的参数进行迭代更新,直到达到预设的第一最大迭代次数或所述第一损失函数稳定收敛,完成所述网络预测模型的第一训练;
根据所述数据驱动、所述边界条件和所述初始条件,构建所述正极网络、所述DOD网络、所述通量网络以及所述负极网络的第二损失函数,并采用梯度下降算法对所述网络预测模型的参数进行迭代更新,直到达到预设的第二最大迭代次数或所述第二损失函数稳定收敛,完成所述网络预测模型的第二训练;
根据数据驱动、所述偏微分方程、所述边界条件和所述初始条件,构建所述正极网络、所述DOD网络、所述通量网络以及所述负极网络的第三损失函数,并根据所述正极网络、所述DOD网络、所述通量网络以及所述负极网络的第三损失函数,构建总损失函数;采用梯度下降算法对所述网络预测模型的参数进行迭代更新,直到达到预设的第三最大迭代次数或所述总损失函数稳定收敛,完成所述网络预测模型的第三训练;
通过完成三次训练的所述网络预测模型预测所述锂离子电池的参数。
2.根据权利要求1所述的锂离子电池建模方法,其特征在于,所述根据电荷守恒定律和欧姆定律,获得锂离子电池的偏微分方程,包括:
根据电荷守恒定律和欧姆定律,采用泊松方程获得所述锂离子电池的正极电势和负极电势的偏微分方程:
其中,表示拉普拉斯算子,表示所述锂离子电池的正极电势,表示所述锂离子电池的负极电势,表示所述锂离子电池正极的电阻,表示所述锂离子电池负极的电阻,表示所述锂离子电池正极的空间域,表示所述锂离子电池负极的空间域,表示所述锂离子电池正极和负极之间的电流密度,所述的表达式为,Y和U表示拟合参数;
4.根据权利要求1所述的锂离子电池建模方法,其特征在于,构建所述网络预测模型的损失函数,所述损失函数包括数据驱动部分和物理信息部分,其中:
构建物理信息部分的损失函数,所述物理信息部分的损失函数包括偏微分方程的损失函数、初始条件的损失函数和边界条件的损失函数,其中:
根据所述数据驱动部分的损失函数和所述物理信息部分的损失函数,构建所述网络预测模型的损失函数:
5.根据权利要求4所述的锂离子电池建模方法,其特征在于,所述构建所述正极网络、所述DOD网络、所述通量网络以及所述负极网络的第一损失函数,包括:
6.根据权利要求4所述的锂离子电池建模方法,其特征在于,所述构建所述正极网络、所述DOD网络、所述通量网络以及所述负极网络的第二损失函数,包括:
其中,表示所述正极网络的数据驱动部分的损失函数,表示所述正极网络的数据驱动部分的损失函数的权重,表示所述正极网络的初始条件的损失函数,表示所述正极网络的初始条件的损失函数的权重,表示所述正极网络的边界条件的损失函数,表示所述正极网络的边界条件的损失函数的权重;
其中,表示所述DOD网络的数据驱动部分的损失函数,表示所述DOD网络的数据驱动部分的损失函数的权重,表示所述DOD网络的初始条件的损失函数,表示所述DOD网络的初始条件的损失函数的权重,表示所述DOD网络的边界条件的损失函数,表示所述DOD网络的边界条件的损失函数的权重;
其中,表示所述通量网络的数据驱动部分的损失函数,表示所述通量网络的数据驱动部分的损失函数的权重,表示所述通量网络的初始条件的损失函数,表示所述通量网络的初始条件的损失函数的权重,表示所述通量网络的边界条件的损失函数,表示所述通量网络的边界条件的损失函数的权重;
7.根据权利要求6所述的锂离子电池建模方法,其特征在于,所述构建所述正极网络、所述DOD网络、所述通量网络以及所述负极网络的第三损失函数,包括:
8.一种锂离子电池建模***,其特征在于,所述锂离子电池建模***包括:
方程获取单元,用于根据电荷守恒定律和欧姆定律,获得锂离子电池的偏微分方程,并根据所述偏微分方程,定义边界条件和初始条件;
模型构建单元,用于基于物理信息神经网络,构建网络预测模型,所述网络预测模型包括正极网络、DOD网络、通量网络以及负极网络;
第一训练单元,用于根据数据驱动,构建所述正极网络、所述DOD网络、所述通量网络以及所述负极网络的第一损失函数,并采用梯度下降算法对所述网络预测模型的参数进行迭代更新,直到达到预设的第一最大迭代次数或所述第一损失函数稳定收敛,完成所述网络预测模型的第一训练;
第二训练单元,用于根据所述数据驱动、所述边界条件和所述初始条件,构建所述正极网络、所述DOD网络、所述通量网络以及所述负极网络的第二损失函数,并采用梯度下降算法对所述网络预测模型的参数进行迭代更新,直到达到预设的第二最大迭代次数或所述第二损失函数稳定收敛,完成所述网络预测模型的第二训练;
第三训练单元,用于根据数据驱动、所述偏微分方程、所述边界条件和所述初始条件,构建所述正极网络、所述DOD网络、所述通量网络以及所述负极网络的第三损失函数,并根据所述正极网络、所述DOD网络、所述通量网络以及所述负极网络的第三损失函数,构建总损失函数;采用梯度下降算法对所述网络预测模型的参数进行迭代更新,直到达到预设的第三最大迭代次数或所述总损失函数稳定收敛,完成所述网络预测模型的第三训练;
参数预测单元,用于通过完成三次训练的所述网络预测模型预测所述锂离子电池的参数。
9.一种锂离子电池建模设备,其特征在于,包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器;所述存储器存储有可被所述至少一个控制处理器执行的指令,所述指令被所述至少一个控制处理器执行,以使所述至少一个控制处理器能够执行如权利要求1至7任一项所述的锂离子电池建模方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1至7任一项所述的锂离子电池建模方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211342111.1A CN115470742B (zh) | 2022-10-31 | 2022-10-31 | 一种锂离子电池建模方法、***、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211342111.1A CN115470742B (zh) | 2022-10-31 | 2022-10-31 | 一种锂离子电池建模方法、***、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115470742A CN115470742A (zh) | 2022-12-13 |
CN115470742B true CN115470742B (zh) | 2023-03-14 |
Family
ID=84336989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211342111.1A Active CN115470742B (zh) | 2022-10-31 | 2022-10-31 | 一种锂离子电池建模方法、***、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115470742B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016151336A1 (en) * | 2015-03-26 | 2016-09-29 | Imperial Innovations Limited | Battery model comprising plurality of equivalent circuit networks and interface element coupling them |
CN113111579A (zh) * | 2021-04-02 | 2021-07-13 | 华北电力大学(保定) | 一种自适应天牛须优化神经网络的锂电池等效电路模型参数辨识方法 |
WO2021218693A1 (zh) * | 2020-04-30 | 2021-11-04 | 华为技术有限公司 | 一种图像的处理方法、网络的训练方法以及相关设备 |
CN113777496A (zh) * | 2021-09-06 | 2021-12-10 | 北京化工大学 | 基于时间卷积神经网络的锂离子电池剩余寿命预测方法 |
CN114236410A (zh) * | 2021-11-24 | 2022-03-25 | 广东工业大学 | 基于新型生成式对抗神经网络的锂电池soh估计方法 |
CN114966451A (zh) * | 2022-06-06 | 2022-08-30 | 北京航空航天大学 | 一种基于物理信息神经网络的电源产品剩余使用寿命在线预测方法 |
CN115221798A (zh) * | 2022-09-19 | 2022-10-21 | 中南大学 | 一种电池热过程时空建模预测方法、***、设备及介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10354026B2 (en) * | 2016-02-16 | 2019-07-16 | Dassault Systemes Simulia Corp. | System and method for the generation and use of an electro-thermal battery model |
-
2022
- 2022-10-31 CN CN202211342111.1A patent/CN115470742B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016151336A1 (en) * | 2015-03-26 | 2016-09-29 | Imperial Innovations Limited | Battery model comprising plurality of equivalent circuit networks and interface element coupling them |
WO2021218693A1 (zh) * | 2020-04-30 | 2021-11-04 | 华为技术有限公司 | 一种图像的处理方法、网络的训练方法以及相关设备 |
CN113111579A (zh) * | 2021-04-02 | 2021-07-13 | 华北电力大学(保定) | 一种自适应天牛须优化神经网络的锂电池等效电路模型参数辨识方法 |
CN113777496A (zh) * | 2021-09-06 | 2021-12-10 | 北京化工大学 | 基于时间卷积神经网络的锂离子电池剩余寿命预测方法 |
CN114236410A (zh) * | 2021-11-24 | 2022-03-25 | 广东工业大学 | 基于新型生成式对抗神经网络的锂电池soh估计方法 |
CN114966451A (zh) * | 2022-06-06 | 2022-08-30 | 北京航空航天大学 | 一种基于物理信息神经网络的电源产品剩余使用寿命在线预测方法 |
CN115221798A (zh) * | 2022-09-19 | 2022-10-21 | 中南大学 | 一种电池热过程时空建模预测方法、***、设备及介质 |
Non-Patent Citations (3)
Title |
---|
Spatial Correlation-Based Incremental Learning for Spatiotemporal Modeling of Battery Thermal Process;Bing-Chuan Wang;《IEEE》;20200430;第67卷(第4期);第1-9页 * |
基于动态学习率深度神经网络的抗干扰信道编码算法;徐建业等;《计算机应用研究》;20201231(第07期);第257-260页 * |
耦合温度的锂离子电池机理建模及仿真试验;李旭昊等;《储能科学与技术》;20201030(第06期);第405-413页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115470742A (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
Li et al. | Prognostic health condition for lithium battery using the partial incremental capacity and Gaussian process regression | |
Xiong et al. | A data-driven based adaptive state of charge estimator of lithium-ion polymer battery used in electric vehicles | |
CN110688808B (zh) | 一种动力电池模型的粒子群及lm优化混合迭代辨识方法 | |
CN107632272B (zh) | 一种基于电芯温度预测的电池放电荷电状态精确估计方法 | |
CN115632179B (zh) | 一种锂离子电池智能快速充电方法及*** | |
Li et al. | A novel parameter and state-of-charge determining method of lithium-ion battery for electric vehicles | |
CN109633472B (zh) | 一种锂电池单体的荷电状态估计算法 | |
CN104182630A (zh) | 基于简化最小二乘支持向量机的蓄电池剩余容量检测方法 | |
CN115221798B (zh) | 一种电池热过程时空建模预测方法、***、设备及介质 | |
CN112462282B (zh) | 基于机理模型的用于确定电池组实时荷电状态的方法 | |
CN113868934A (zh) | 一种并联锂离子电池电化学参数辨识方法 | |
CN112269133B (zh) | 一种基于预充电路模型参数识别的soc估计方法 | |
CN110196395A (zh) | 蓄电池soc估算方法 | |
CN116643196A (zh) | 一种融合机理与数据驱动模型的电池健康状态估计方法 | |
CN113917336A (zh) | 基于片段充电时间和gru的锂离子电池健康状态预测方法 | |
CN116973756A (zh) | 用于估计电池的健康状态的方法及设备以及计算机程序 | |
CN113466710B (zh) | 含新能源受端电网中储能电池的soc与soh协同估算方法 | |
CN110232432B (zh) | 一种基于人工生命模型的锂电池组soc预测方法 | |
CN114839542A (zh) | 一种动力锂电池的样本数据集生成方法、soc估计方法 | |
Wang et al. | Identification of fractional-order equivalent circuit model of lithium-ion battery for improving estimation of state of charge | |
CN115470742B (zh) | 一种锂离子电池建模方法、***、设备及存储介质 | |
Peng et al. | State of charge estimation for a parallel battery pack jointly by fuzzy-PI model regulator and adaptive unscented Kalman filter | |
CN116449219A (zh) | 一种改进vffrls的锂电池模型参数辨识方法 | |
Sangwan et al. | Estimation of optimal li-ion battery parameters considering c-rate, SOC and temperature |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |