[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

说明书

本发明涉及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，步骤包括：构建锂电池组多物理场仿真模型，通过工作载荷分析，开展锂电池组多物理场仿真试验、模型验证与分析；基于仿真试验分析结果，结合实验数据，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和健康状态退化的神经网络模型；在锂电池组使用阶段，采集并处理局部运行数据，应用神经网络模型进行全域物理表征分析以及锂电池单体退化分析，进而预测锂电池组健康状态。该方法融合了基于模型和基于数据方法的优点，能够实现快速在线的锂电池组健康状态预测。

所属技术领域

本发明涉及健康状态预测领域，特别是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。

背景技术

锂电池具有较好的安全性能、较长的循环寿命等特点，已广泛应用于航空、航天、汽车等动力系统。锂电池组由多个锂电池单体串并联组成，是一个包括复杂物理和化学变化的高度非线性系统，其退化机制复杂，受到热、电、流等多物理场耦合作用影响。常用健康状态来描述锂电池组当前的性能状态相对于新电池组的能力，以百分比的形式来定量描述。掌握锂电池组的健康状态有助于更好地进行电池管理，避免过充、过放等滥用，提高电池组系统的安全性可靠性。

工程中通常采用放电实验法、内阻分析法等方法对锂电池的健康状态进行测量，然而这需要基于特定的测量设备和条件，由于其测量过程的复杂性，因此无法在线使用。锂电池的使用过程中的健康状态需要基于在线测量的电压、电流、温度等数据进行评估和预测。目前锂电池健康状态预测的方法主要包括基于数据、基于模型、基于模型和数据结合三类。

其中，基于数据的方法以统计学方法为理论基础，通过分析大量试验数据，挖掘其中的信息进行预测。然而对于锂电池组而言，其型号繁多、结构复杂，其中每个电池单体所经历的内外载荷情况都不尽相同，该方法没有考虑到锂电池组实际物理模型的影响，将会导致健康状态预测结果的偏差。此外，电池充放电过程中的表征参数需要通过特定的传感器进行采集，工程中往往难以获得电池组中所有电池单体的电压、电流和全部温度信息，特别是含有大量单体的电池组。

基于模型的方法通过量化物理因素的影响，从而能够较为准确地对锂电池的健康状态进行详细描述。锂电池组中涉及的模型主要包括电化学模型、等效电路模型、热模型、流体动力学模型等，鉴于这些模型计算求解的复杂性，难以直接应用于锂电池组在线实时的健康状态预测。

基于模型和数据结合的方法能够融合两者的优点，在工程中具有较好的应用前景。目前主要基于等效电路模型对电池的充放电过程进行描述，同时对测试获得的大量且多样化的数据集进行处理，从而估计这些模型参数，进而对健康状态进行预测。对于电池健康状态受到的多种物理因素仍然考虑不足。

鉴于此，有必要给出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。

发明内容

本发明的目的是为了解决锂电池组健康状态在线快速预测现有技术存在的问题，提出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。该方法根据锂电池组的设计方案，将多物理场仿真技术和神经网络方法结合，建立了其健康状态在线快速预测的方法与流程，主要包含以下步骤：

步骤1：构建锂电池组多物理场仿真模型。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。

步骤2：锂电池组工作载荷分析。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。