[发明专利]一种基于多物理场仿真与神经网络方法的锂电池组健康状态在线预测方法

权利要求书

1.一种基于多物理场仿真与神经网络方法的锂电池组健康状态在线预测方法，其特征在于：包含以下步骤：

步骤1：构建锂电池组多物理场仿真模型；

步骤2：锂电池组工作载荷分析；

步骤3：锂电池组多物理场仿真试验与分析；

步骤4：构建并训练面向锂电池组健康状态预测的神经网络模型，包括面向多物理场仿真的和健康状态退化的神经网络模型；

步骤5：锂电池组使用阶段的局部运行数据采集与处理；

步骤6：锂电池组全域物理表征分析；

步骤7：锂电池单体退化分析；

步骤8：锂电池组健康状态预测；

通过以上步骤，给出了一种基于多物理场仿真与神经网络方法的锂电池组健康状态在线预测方法。

2.根据权利要求1所述的一种基于多物理场仿真与神经网络方法的锂电池组健康状态在线预测方法，其特征在于：

所述步骤1中，在特定应用对象的锂电池组动力系统设计定型后，根据锂电池组型号和结构，构建其三维几何模型；分析内部多物理场耦合特性，构建锂电池组多物理场仿真模型，包括电化学模型、等效电路模型、串并联电路模型、热模型、流体动力学模型。

3.根据权利要求1所述的一种基于多物理场仿真与神经网络方法的锂电池组健康状态在线预测方法，其特征在于：

所述步骤2中，针对该锂电池组动力系统应用的场景进行分析，确定所经历的内外动态工作载荷情况，包括温度载荷、电流载荷、散热条件；基于工作载荷分析结果，结合锂电池组多物理场模型的状态参数，开展仿真方案试验设计，确定仿真试验方案，其中设计因素为锂电池组全寿命周期内动态变化的物理量，包括环境温度、电流、流体速度、换热系数、电池性能参数及退化情况。

4.根据权利要求1所述的一种基于多物理场仿真与神经网络方法的锂电池组健康状态在线预测方法，其特征在于：

所述步骤3中，基于锂电池组多物理场仿真模型，获取锂电池及其材料的物理化学参数，开展仿真试验与分析，通过实验测试或收集锂电池运行的历史数据，对模型的准确性进行验证，包括温度、电流的物理表征验证；基于验证后的模型，结合仿真试验方案，开展多次仿真试验，如正交试验，并获得多组仿真试验结果，包括锂电池组中流场信息、所有电池单体的温度、电流和性能参数信息。

5.根据权利要求1所述的一种基于多物理场仿真与神经网络方法的锂电池组健康状态在线预测方法，其特征在于：

所述步骤4中，选定具体的神经网络方法，构建多层神经网络模型，确定待训练神经网络模型的输入和输出参数，输入参数范围为上述步骤2中的锂电池组全寿命周期内动态变化的物理量，输出参数范围为锂电池组中所有电池单体的温度、电流和性能参数信息；基于多组仿真试验结果，结合锂电池运行与退化的历史数据，完成面向多物理场仿真的和健康状态退化的神经网络模型的训练，并进行精度验证。

6.根据权利要求1所述的一种基于多物理场仿真与神经网络方法的锂电池组健康状态在线预测方法，其特征在于：

所述步骤5中，在锂电池组在线使用阶段，通过传感器，实时采集锂电池组局部的运行数据，如环境温度、电流、流体速度、电池性能参数；利用野值剔除法或滤波器平滑法对数据进行处理和降噪，一方面输出用于锂电池组全域物理表征分析，另一方面传递给神经网络模型进行模型的修正和更新。

7.根据权利要求1所述的一种基于多物理场仿真与神经网络方法的锂电池组健康状态在线预测方法，其特征在于：

所述步骤6中，基于采集和处理后的局部运行数据，在锂电池组系统使用阶段应用步骤4中获得的面向多物理场仿真的神经网络模型，对其全域的物理表征进行分析，获得所有电池单体的电压、电流和全部温度信息。

8.根据权利要求1所述的一种基于多物理场仿真与神经网络方法的锂电池组健康状态在线预测方法，其特征在于：

所述步骤7中，基于步骤6中获得的详细物理信息，应用步骤4中获得的健康状态退化的神经网络模型，对锂电池组内所有电池单体进行退化分析，获得锂电池单体的性能参数及退化情况。

9.根据权利要求1所述的一种基于多物理场仿真与神经网络方法的锂电池组健康状态在线预测方法，其特征在于：

所述步骤8中，基于步骤7中获得的所有锂电池单体的性能参数及退化情况，采用竞争失效准则，分析锂电池组薄弱环节，对其健康状态进行预测。