[发明专利]一种多物理场约束的锂离子电池智能快速充电方法

说明书

本发明公开了一种多物理场约束的锂离子电池智能快速充电方法，包括以下步骤：S1.开展锂离子电池测试，建立锂离子电池电热耦合模型和老化模型；S2.定义动作空间和奖励函数，定义优先经验回放池；S3.设定离线训练场景，获取初始时刻状态变量，利用策略网络获取当前状态下的动作变量，并扩大动作选取范围；S4.生成充电动作、电池状态转移、奖励值并记录于经验池，进行DDPG网络的同步更新；S5.循环执行S3‑S4，直至策略网络和价值网络收敛，导出策略网络成为深度强化学习（DRL）快速充电策略；S6.估计强化学习状态空间内的各个变量；S7.确定当前时刻的最优充电动作。本发明兼顾充电速度、电池安全与寿命衰减抑制，训练后策略计算复杂度低，实时应用具有优势。

技术领域

本发明涉及一种多物理场约束的锂离子电池智能快速充电方法，具体是涉及基于多物理场耦合建模与深度强化学习的锂离子电池智能快速充电方法。

背景技术

锂离子电池在电动汽车领域应用最为广泛，其快速充电技术对电动汽车的进一步普及具有重要意义。然而，现阶段快速充电技术依然面临多方面瓶颈，盲目追求充电速度可能引发锂离子电池内部过热、过应力、析锂等过程，严重影响锂离子电池的耐久性与安全性，甚至将直接导致起火、爆炸等灾难性事故。

基于经验的充电方法简单易行，应用广泛，代表性的如恒流-恒压（CCCV）法、多阶段恒流法等，但这类方法鲁棒性差，难以考虑锂离子电池内部多理化过程及其约束意义，难以保证充电的综合最优性。相比而言，基于模型的充电优化控制方法采用等效电路-热耦合模型、电化学机理模型等对锂离子电池内部多物理过程进行描述，并采用模型预测控制（MPC）等优化控制算法实现快速充电，能够有效保证充电的多目标最优性，且具有更高的鲁棒性。但是，这类方法需要对高维、强耦合、非线性问题进行多约束、多目标优化求解，计算复杂度高，在线应用具有挑战性。

综上所述，现阶段仍然缺少一种兼具多约束、多目标最优性与低计算复杂度的锂离子电池快速充电方法。

发明内容

本发明的目的在于克服现有技术的不足，提出一种多物理场约束的锂离子电池智能快速充电方法，通过建立多目标优化问题，采用具有优先级经验重播的改进DDPG算法进行求解，实现遵从离子锂电池理化极限与老化抑制的快速充电，该方法将多约束、多目标最优化求解导致的复杂计算迁移到离线训练环节，从而保证算法的实时性。

本发明的目的是通过以下技术方案来实现的：一种多物理场约束的锂离子电池智能快速充电方法，包括以下步骤：

S1. 开展锂离子电池测试，建立锂离子电池电热耦合模型和老化模型；

S2. 将S1中确定的关键状态归入强化学习状态空间，定义动作空间和奖励函数，搭建深度确定性策略梯度（DDPG）算法的策略网络、价值网络并进行初始化，定义优先经验回放池；

S3. 设定离线训练场景，获取初始时刻状态变量，利用策略网络获取当前状态下的动作变量，采用基于随机变换的噪声探索机制扩大动作选取范围；

S4. 依据S1中电池模型，生成充电动作、电池状态转移、奖励值并记录于经验池，通过选择经验记录进行DDPG网络的同步更新；

S5. 循环执行S3-S4，直至策略网络和价值网络收敛，导出策略网络成为深度强化学习（DRL）快速充电策略；

S6. 实时采集充电电流、端电压、环境温度、电池表面温度，设计基于模型的状态观测器，实时估计强化学习状态空间内的各个变量；

S7. 依据S6中的测量值与估计值，使用S5中训练成熟的DRL控制策略确定当前时刻的最优充电动作。

本发明的有益效果是：本发明能够实现兼顾充电速度、理化极限约束与老化抑制等若干冲突目标的综合最优化，实现具有安全与健康主动意识的快速充电，将多约束、多目标最优化求解导致的复杂计算迁移到离线训练环节，显著降低了在线应用的计算复杂度。