CN117637044A - 一种电池电压预测方法、装置、电子设备及存储介质 - Google Patents
一种电池电压预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117637044A CN117637044A CN202311298846.3A CN202311298846A CN117637044A CN 117637044 A CN117637044 A CN 117637044A CN 202311298846 A CN202311298846 A CN 202311298846A CN 117637044 A CN117637044 A CN 117637044A
- Authority
- CN
- China
- Prior art keywords
- lithium ion
- battery
- electrode
- ion concentration
- liquid
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims abstract description 146
- 229910001416 lithium ion Inorganic materials 0.000 claims abstract description 146
- 239000007791 liquid phase Substances 0.000 claims abstract description 79
- 239000002245 particle Substances 0.000 claims abstract description 66
- 230000004907 flux Effects 0.000 claims abstract description 40
- 230000010287 polarization Effects 0.000 claims abstract description 33
- 239000011148 porous material Substances 0.000 claims abstract description 33
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 238000009792 diffusion process Methods 0.000 claims description 26
- 239000007790 solid phase Substances 0.000 claims description 25
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 15
- 150000002500 ions Chemical class 0.000 claims 1
- 238000004590 computer program Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000002035 prolonged effect Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 2
- 238000009830 intercalation Methods 0.000 description 2
- 230000002687 intercalation Effects 0.000 description 2
- 229910052744 lithium Inorganic materials 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/10—Analysis or design of chemical reactions, syntheses or processes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Analytical Chemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种电池电压预测方法、装置、电子设备及存储介质，其方法包括：获取电池的电化学参数，并基于电化学参数计算电极颗粒表面的锂离子孔壁通量；将锂离子孔壁通量输入训练完备的LSTM‑Res神经网络模型中，输出电极颗粒表面的锂离子浓度，并基于电极颗粒表面的锂离子浓度计算电池电动势；将锂离子孔壁通量输入训练完备的LSTM神经网络模型中，输出电极端点的液相锂离子浓度，并基于电极端点的液相锂离子浓度计算液相极化过电势；根据电池电动势和液相极化过电势预测电池端电压。本发明中的电池电压预测方法可以实现高精度的电池电压预测。
Description
技术领域
本发明涉及电池建模技术领域，尤其涉及一种电池电压预测方法、装置、电子设备及存储介质。
背景技术
为减少化石燃料的使用，降低二氧化碳排放量，交通电气化势在必行。电动汽车的发展是交通电气化的关键，锂离子电池又是电动汽车上最重要也是最昂贵的部件。电池管理系统检测电池关键状态，以保证电池安全运行，最大化电池性能和使用寿命。为了准确观测电池内部关键状态，精确且快速的电池模型对电池管理系统至关重要。
等效电路模型因其计算简单而被广泛应用于BMS(Battery Management System，电池管理系统)中。然而，等效电路模型不能实现高精度的电压预测，也不能描述锂离子电池内部的电化学机理，这限制了BMS对高精度多状态量的监测。为了获得锂离子电池的内部状态，需要建立基于物理机理的锂离子电池模型。P2D(Pseudo-2D，伪二维)模型是一种根据电池内部物理机理建立的电化学模型，该模型由四个耦合偏微分方程组和一个代数方程组成。四个偏微分方程用来描述电极固相和液相中质量和电荷守恒，代数方程用来描述固相和液相之间的电化学反应。然而，求解这些偏微分方程计算复杂，导致P2D模型无法应用于实时BMS中。
因此，如何提出一种基于物理信息神经网络的简化电化学模型，以实现高精度的电压预测，及描述锂离子电池内部的电化学机理，是一个亟待解决的问题。
发明内容
有鉴于此，有必要提供一种电池电压预测方法、装置、电子设备及存储介质，能够实现高精度的电池电压预测。
为了实现上述目的，第一方面，本发明提供一种电池电压预测方法，包括：
获取电池的电化学参数，并基于所述电化学参数计算电极颗粒表面的锂离子孔壁通量；
将所述锂离子孔壁通量输入训练完备的LSTM-Res神经网络模型中，输出电极颗粒表面的锂离子浓度，并基于所述电极颗粒表面的锂离子浓度计算电池电动势；
将所述锂离子孔壁通量输入训练完备的LSTM神经网络模型中，输出电极端点的液相锂离子浓度，并基于所述电极端点的液相锂离子浓度计算液相极化过电势；
根据所述电池电动势和所述液相极化过电势预测电池端电压。
进一步的，所述电池的电化学参数至少包括如下：
电极颗粒半径、电极极片厚度、电极极片面积、法拉第常数、电池初始锂离子浓度、最大锂离子、固相扩散系数、液相扩散系数、固相体积分数及液相体积分数。
进一步的，所述基于所述电化学参数计算电极颗粒表面的锂离子孔壁通量，包括：
其中，εs,i为固相体积分数，F为法拉第常数，A为电极面积，Li为电极厚度，I为电池所施加的电流，Rs,i为电极颗粒半径。
进一步的，所述基于所述电极颗粒表面的锂离子浓度计算电池电动势，包括：
其中，Up(·)为正开路电位随锂离子浓度化学计量比变化的函数，Un(·)为负开路电位随锂离子浓度化学计量比变化的函数，为正极颗粒表面的锂离子浓度，/>为正极颗粒表面的最大锂离子浓度，/>为负极颗粒表面的锂离子浓度，/>为负极颗粒表面的最大锂离子浓度。
进一步的，所述基于所述电极端点的液相锂离子浓度计算液相极化过电势，包括：
其中，为传递数，无量纲，Rg为理想气体常数，T为温度，ce,p为集电体附近电极端部的正极液相锂离子浓度，ce,n为集电体附近电极端部的负极液相锂离子浓度。
进一步的，所述方法还包括：
基于所述电化学参数计算欧姆极化电势。
进一步的，所述根据所述电池电动势和所述液相极化过电势预测电池端电压，包括：
根据所述电池电动势、所述液相极化过电势及所述欧姆极化电势确定电池端电压：
Vcell＝E+ηe+RohmI
其中，Vcell为电池端电压，E为电池电动势，ηe为液相极化过电压，Rohm为电池集总欧姆内阻。
第二方面，本发明还提供一种电池电压预测装置，包括：
参数获取模块，用于获取电池的电化学参数，并基于所述电化学参数计算电极颗粒表面的锂离子孔壁通量；
第一计算模块，用于将所述锂离子孔壁通量输入训练完备的LSTM-Res神经网络模型中，输出电极颗粒表面的锂离子浓度，并基于所述电极颗粒表面的锂离子浓度计算电池电动势；
第二计算模块，用于将所述锂离子孔壁通量输入训练完备的LSTM神经网络模型中，输出电极端点的液相锂离子浓度，并基于所述电极端点的液相锂离子浓度计算液相极化过电势；
预测模块，用于根据所述电池电动势和所述液相极化过电势预测电池端电压。
第三方面，本发明还提供一种电子设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述电池电压预测方法中的步骤。
第四方面，本发明还提供一种计算机存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上述电池电压预测方法中的步骤。
采用上述实施例的有益效果是：
本发明通过将初始电化学参数，输入基于物理信息神经网络的简化电化学模型，获取电极颗粒表面的锂离子孔壁通量，然后基于该锂离子孔壁通量在LSTM-Res网络中获取电极颗粒表面的锂离子浓度，在LSTM网络中获取电极端点的液相锂离子浓度，即利用LSTM-Res网络简化锂离子固相扩散计算过程，利用LSTM网络简化锂离子液相扩散计算过程，最后根据电池开路电压，固相扩散过电位，液相扩散过电位和欧姆内阻过电位计算电池端电压。不仅实现准确的电压预测，还可以输出电池内部状态量，为电池管理系统提供了更多的电池内部观察量。
附图说明
图1为本发明提供的一种电池电压预测方法的一实施例的方法流程图；
图2为本发明一实施例提供的一种基于物理信息神经网络简化的电化学模型示意图；
图3为本发明提供的一种电池电压预测装置的一实施例的结构示意图；
图4为本发明提供的一种电子设备的一实施例的结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
在本发明的描述中，术语“第一”、“第二”仅用于描述目的，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。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。此外，“多个”的含义是两个或两个以上，除非另有明确具体的限定。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明提供了一种电池电压预测方法、装置、电子设备及存储介质。在实际工程应用中，受限于电池管理系统的运算速度限制，基于物理机理的锂离子电池电化学模型难以应用于电池管理系统中。基于经验的等效电路模型电压预测精度低，且无法输出电池内部状态量，限制了电池管理系统对电池状态的观测。为此，本发明提出一种基于物理信息神经网络的简化电化学模型，该模型利用LSTM-Res网络简化电极固相扩散计算过程，利用LSTM网络简化电极液相扩散计算过程。该模型计算速度快，预测准确性高，能输出电池内部中间状态量，如正负极固相锂离子浓度，液相锂离子浓度，正负极固相嵌锂区间等。该模型能方便地运用于Arduino开发板中，实现电池多状态量的监测，保障电池运行安全，提高电池使用寿命。
以下分别对具体实施例进行详细说明：
请参阅图1，图1为本发明提供的一种电池电压预测方法的一实施例的流程示意图，本发明的一个具体实施例，公开了一种电池电压预测方法，包括：
步骤S101：获取电池的电化学参数，并基于电化学参数计算电极颗粒表面的锂离子孔壁通量；
步骤S102：将锂离子孔壁通量输入训练完备的LSTM-Res神经网络模型中，输出电极颗粒表面的锂离子浓度，并基于电极颗粒表面的锂离子浓度计算电池电动势；
步骤S103：将锂离子孔壁通量输入训练完备的LSTM神经网络模型中，输出电极端点的液相锂离子浓度，并基于电极端点的液相锂离子浓度计算液相极化过电势；
步骤S104：根据电池电动势和液相极化过电势预测电池端电压。
本发明通过将初始电化学参数，输入基于物理信息神经网络的简化电化学模型，获取电极颗粒表面的锂离子孔壁通量，然后基于该锂离子孔壁通量在LSTM-Res网络中获取电极颗粒表面的锂离子浓度，在LSTM网络中获取电极端点的液相锂离子浓度，即利用LSTM-Res网络简化锂离子固相扩散计算过程，利用LSTM网络简化锂离子液相扩散计算过程，最后根据电池开路电压，固相扩散过电位，液相扩散过电位和欧姆内阻过电位计算电池端电压。不仅实现准确的电压预测，还可以输出电池内部状态量，为电池管理系统提供了更多的电池内部观察量。
此外，本发明提出的基于物理信息神经网络的简化电化学模型，计算简单，易于实现，可应用于Arduino开发板中，实现快速准确的电池内部状态监测。从而，保障电池安全运行，提高电池使用寿命，最大化电池使用性能。
在本发明的一个实施例中，电池的电化学参数至少包括如下：
电极颗粒半径、电极极片厚度、电极极片面积、法拉第常数、电池初始锂离子浓度、最大锂离子、固相扩散系数、液相扩散系数、固相体积分数及液相体积分数。
在本发明的一个实施例中，基于电化学参数计算电极颗粒表面的锂离子孔壁通量，包括：
其中，εs,i为固相体积分数，F为法拉第常数，A为电极面积，Li为电极厚度，I为电池所施加的电流，Rs,i为电极颗粒半径。
可以理解的是，模型的初始电化学参数包括电极颗粒半径、电极极片厚度、电极极片面积、法拉第常数、电池初始锂离子浓度、最大锂离子、固相扩散系数、液相扩散系数、固相体积分数及液相体积分数。通过电化学参数可以计算电极颗粒表面锂离子通量，其中，电极颗粒表面锂离子通量与电池所施加的电流有关，即当电池放电时，电流I被定义为负值(I<0)。因此，流入电极颗粒的锂离子孔壁通量为正，流出电极颗粒的锂离子孔壁通量为负。
在本发明的一个实施例中，基于电极颗粒表面的锂离子浓度计算电池电动势，包括：
其中，Up(·)为正开路电位随锂离子浓度化学计量比变化的函数，Un(·)为负开路电位随锂离子浓度化学计量比变化的函数，为正极颗粒表面的锂离子浓度，/>为正极颗粒表面的最大锂离子浓度，/>为负极颗粒表面的锂离子浓度，/>为负极颗粒表面的最大锂离子浓度。
首先需要说明的是，深度学习模型已经成功应用于计算机视觉和自然语言处理领域，它可以完全逼近任意复杂的非线性关系。训练传统的神经网络需要输入数据和标签数据，网络将输入映射到输出。然而，锂离子电池的内部标签状态量难以获取。得益于锂离子电池中的物理信息，锂离子电池的内部状态数据可以通过锂离子电池中的物理机理方程计算出来。电化学模型中用于描述固相和液相物质守恒的偏微分方程在物理信息神经网络的帮助下可以更快、更准确地求解。因此，本发明提出一种基于物理信息神经网络的简化电化学模型，可以模型计算复杂度，提高传统电池模型计算准确性。
为降低P2D模型计算复杂度，使其能应用于实时BMS中。本发明提出一种能应用于实时BMS中的电化学模型，该模型利用LSTM-Res网络简化电极颗粒固相扩散过程，即将锂离子孔壁通量输入训练完备的LSTM-Res神经网络模型中，输出电极颗粒表面的锂离子浓度。请参阅图2，图2为本发明一实施例提供的一种基于物理信息神经网络简化的电化学模型示意图，其中包括了电极颗粒固相扩散和液相扩散过程。
具体的，先获取正极锂离子孔壁通量的正极残差锂离子浓度，然后将正极锂离子孔壁通量输入LSTM网络，通过全连接网络和回归输入后，与正极残差锂离子浓度进行叠加，得到正极颗粒表面的锂离子浓度；同理，再获取负极锂离子孔壁通量的负极残差锂离子浓度，然后将负极锂离子孔壁通量输入LSTM网络，通过全连接网络和回归输入后，与负极残差锂离子浓度进行叠加，得到负极颗粒表面的锂离子浓度。最后根据LSTM-Res网络输出的电极颗粒表面锂离子浓度，计算出电池电动势：
其中，Up(·)为正开路电位随锂离子浓度化学计量比变化的函数，Un(·)为负开路电位随锂离子浓度化学计量比变化的函数，为正极颗粒表面的锂离子浓度，/>为正极颗粒表面的最大锂离子浓度，/>为负极颗粒表面的锂离子浓度，/>为负极颗粒表面的最大锂离子浓度。
在本发明的一个实施例中，基于电极端点的液相锂离子浓度计算液相极化过电势，包括：
其中，为传递数，无量纲，Rg为理想气体常数，T为温度，ce,p为集电体附近电极端部的正极液相锂离子浓度，ce,n为集电体附近电极端部的负极液相锂离子浓度。
可以理解的是，本发明中的电化学模型还利用LSTM网络简化电极颗粒液相扩散过程，即将锂离子孔壁通量输入训练完备的LSTM神经网络模型中，输出电极端点的液相锂离子浓度。
具体的，请参阅图2，将正、负极锂离子孔壁通量分别输入LSTM网络，通过全连接网络后，回归输出集电体附近电极端部的正极和负极液相锂离子浓度。最后根据LSTM网络输出的电极端点处的液相锂离子浓度，计算出液相极化过电势：
其中，为传递数，无量纲，Rg为理想气体常数，T为温度，ce,p为集电体附近电极端部的正极液相锂离子浓度，ce,n为集电体附近电极端部的负极液相锂离子浓度。
在本发明的一个实施例中，上述方法还包括：
基于电化学参数计算欧姆极化电势。
根据电池电动势和液相极化过电势预测电池端电压，包括：
根据电池电动势、液相极化过电势及欧姆极化电势确定电池端电压：
Vcell＝E+ηe+RohmI
其中，Vcell为电池端电压，E为电池电动势，ηe为液相极化过电压，Rohm为电池集总欧姆内阻。
本发明通过利用LSTM-Res网络简化电极固相扩散计算过程，利用LSTM网络简化电极液相扩散过程，最后根据电池开路电压，固相扩散过电位，液相扩散过电位和欧姆内阻过电位计算电池端电压。所构建的电化学模型计算简单，易于实现，不仅能准确地预测电池开路电压，还能预测电池内部中间状态量，包括正负电极颗粒表面锂离子浓度，正负极端点液相锂离子浓度及正负极嵌锂区间，还可以应用于Arduino开发板中，实现电池多状态量的监测，保障电池运行安全，提高电池使用寿命。
为了更好实施本发明实施例中的电池电压预测方法，在电池电压预测方法基础之上，对应的，请参阅图3，图3为本发明提供的电池电压预测装置的一实施例的结构示意图，本发明实施例提供了一种电池电压预测装置300，包括：
参数获取模块301，用于获取电池的电化学参数，并基于电化学参数计算电极颗粒表面的锂离子孔壁通量；
第一计算模块302，用于将锂离子孔壁通量输入训练完备的LSTM-Res神经网络模型中，输出电极颗粒表面的锂离子浓度，并基于电极颗粒表面的锂离子浓度计算电池电动势；
第二计算模块303，用于将锂离子孔壁通量输入训练完备的LSTM神经网络模型中，输出电极端点的液相锂离子浓度，并基于电极端点的液相锂离子浓度计算液相极化过电势；
预测模块304，用于根据电池电动势和液相极化过电势预测电池端电压。
这里需要说明的是：上述实施例提供的装置300可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述方法实施例中的相应内容，此处不再赘述。
基于上述电池电压预测方法，本发明实施例还相应的提供一种电子设备，包括：处理器和存储器以及存储在存储器中并可在处理器上执行的计算机程序；处理器执行计算机程序时实现如上述各实施例的电池电压预测方法中的步骤。
图4中示出了适于用来实现本发明实施例的电子设备400的结构示意图。本发明实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
电子设备包括：存储器以及处理器，其中，这里的处理器可以称为下文的处理装置401，存储器可以包括下文中的只读存储器(ROM)402、随机访问存储器(RAM)403以及存储装置408中的至少一项，具体如下所示：
如图4所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM402被安装。在该计算机程序被处理装置401执行时，执行本发明实施例的方法中限定的上述功能。
基于上述电池电压预测方法，本发明实施例还相应的提供一种计算机可读存储介质，该计算机可读存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现如上述各实施例的电池电压预测方法中的步骤。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种电池电压预测方法，其特征在于，包括：
获取电池的电化学参数，并基于所述电化学参数计算电极颗粒表面的锂离子孔壁通量；
将所述锂离子孔壁通量输入训练完备的LSTM-Res神经网络模型中，输出电极颗粒表面的锂离子浓度，并基于所述电极颗粒表面的锂离子浓度计算电池电动势；
将所述锂离子孔壁通量输入训练完备的LSTM神经网络模型中，输出电极端点的液相锂离子浓度，并基于所述电极端点的液相锂离子浓度计算液相极化过电势；
根据所述电池电动势和所述液相极化过电势预测电池端电压。
2.根据权利要求1所述的电池电压预测方法，其特征在于，所述电池的电化学参数至少包括如下：
电极颗粒半径、电极极片厚度、电极极片面积、法拉第常数、电池初始锂离子浓度、最大锂离子、固相扩散系数、液相扩散系数、固相体积分数及液相体积分数。
3.根据权利要求2所述的电池电压预测方法，其特征在于，所述基于所述电化学参数计算电极颗粒表面的锂离子孔壁通量，包括：
其中，εs,i为固相体积分数，F为法拉第常数，A为电极面积，Li为电极厚度，I为电池所施加的电流，Rs,i为电极颗粒半径。
4.根据权利要求3所述的电池电压预测方法，其特征在于，所述基于所述电极颗粒表面的锂离子浓度计算电池电动势，包括：
其中，Up(·)为正开路电位随锂离子浓度化学计量比变化的函数，Un(·)为负开路电位随锂离子浓度化学计量比变化的函数，为正极颗粒表面的锂离子浓度，/>为正极颗粒表面的最大锂离子浓度，/>为负极颗粒表面的锂离子浓度，/>为负极颗粒表面的最大锂离子浓度。
5.根据权利要求3所述的电池电压预测方法，其特征在于，所述基于所述电极端点的液相锂离子浓度计算液相极化过电势，包括：
其中，为传递数，无量纲，Rg为理想气体常数，T为温度，ce,p为集电体附近电极端部的正极液相锂离子浓度，ce,n为集电体附近电极端部的负极液相锂离子浓度。
6.根据权利要求1所述的电池电压预测方法，其特征在于，所述方法还包括：
基于所述电化学参数计算欧姆极化电势。
7.根据权利要求6所述的电池电压预测方法，其特征在于，所述根据所述电池电动势和所述液相极化过电势预测电池端电压，包括：
根据所述电池电动势、所述液相极化过电势及所述欧姆极化电势确定电池端电压：
Vcell＝E+ηe+RohmI
其中，Vcell为电池端电压，E为电池电动势，ηe为液相极化过电压，Rohm为电池集总欧姆内阻。
8.一种电池电压预测装置，其特征在于，包括：
参数获取模块，用于获取电池的电化学参数，并基于所述电化学参数计算电极颗粒表面的锂离子孔壁通量；
第一计算模块，用于将所述锂离子孔壁通量输入训练完备的LSTM-Res神经网络模型中，输出电极颗粒表面的锂离子浓度，并基于所述电极颗粒表面的锂离子浓度计算电池电动势；
第二计算模块，用于将所述锂离子孔壁通量输入训练完备的LSTM神经网络模型中，输出电极端点的液相锂离子浓度，并基于所述电极端点的液相锂离子浓度计算液相极化过电势；
预测模块，用于根据所述电池电动势和所述液相极化过电势预测电池端电压。
9.一种电子设备，其特征在于，包括存储器和处理器，其中，所述存储器，用于存储程序；所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述权利要求1至7中任一项所述电池电压预测方法中的步骤。
10.一种计算机可读存储介质，其特征在于，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时，能够实现上述权利要求1至7中任一项所述电池电压预测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311298846.3A CN117637044B (zh) | 2023-10-07 | 2023-10-07 | 一种电池电压预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311298846.3A CN117637044B (zh) | 2023-10-07 | 2023-10-07 | 一种电池电压预测方法、装置、电子设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117637044A true CN117637044A (zh) | 2024-03-01 |
| CN117637044B CN117637044B (zh) | 2024-06-18 |
Family
ID=90022394
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311298846.3A Active CN117637044B (zh) | 2023-10-07 | 2023-10-07 | 一种电池电压预测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117637044B (zh) |
Citations (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104899439A (zh) * | 2015-06-02 | 2015-09-09 | 吉林大学 | 一种锂离子电池机理建模方法 |
| CN105891724A (zh) * | 2016-05-05 | 2016-08-24 | 南京航空航天大学 | 基于扩展单粒子模型的锂离子电池荷电状态在线估计方法 |
| US20180143259A1 (en) * | 2016-11-22 | 2018-05-24 | Samsung Electronics Co., Ltd. | Method and apparatus for estimating state of battery |
| CN108761341A (zh) * | 2018-06-01 | 2018-11-06 | 哈尔滨工业大学 | 一种锂离子电池电化学模型参数获取方法 |
| US20200355750A1 (en) * | 2019-05-08 | 2020-11-12 | Tata Consultancy Services Limited | Method and system for remaining useful life prediction of lithium based batteries |
| CN112083346A (zh) * | 2020-08-03 | 2020-12-15 | 山东大学 | 基于lstm的并联电池组内部电流分布估计方法及系统 |
| US20210132151A1 (en) * | 2019-10-07 | 2021-05-06 | Samsung Sdi Co., Ltd. | Method and apparatus for estimating state of health of battery |
| JP2021163675A (ja) * | 2020-04-01 | 2021-10-11 | 株式会社東芝 | 電池劣化評価装置 |
| CN113779794A (zh) * | 2021-09-13 | 2021-12-10 | 山东大学 | 计及微观约束的锂离子电池sop估计方法及系统 |
| CN113868934A (zh) * | 2021-10-25 | 2021-12-31 | 北京交通大学长三角研究院 | 一种并联锂离子电池电化学参数辨识方法 |
| DE102020210148A1 (de) * | 2020-08-11 | 2022-02-17 | Rheinisch-Westfälische Technische Hochschule (Rwth) Aachen | Vorrichtung und Verfahren zur lokalen Bestimmung von Kennwerten einer Akku-Zelle |
| US20220065934A1 (en) * | 2020-09-01 | 2022-03-03 | Samsung Electronics Co., Ltd. | Method and apparatus with battery state estimation |
| CN114280493A (zh) * | 2021-12-14 | 2022-04-05 | 哈尔滨工业大学 | 基于简化p2d模型的电池内部健康状态诊断方法及系统 |
| WO2022101769A1 (en) * | 2020-11-13 | 2022-05-19 | Kpit Technologies Limited | A hybrid system and method for estimating state of charge of a battery |
| CN114547903A (zh) * | 2022-02-28 | 2022-05-27 | 骆驼集团武汉光谷研发中心有限公司 | 一种基于电化学-热耦合模型预测锂电池循环寿命的方法 |
| US20220223848A1 (en) * | 2021-01-11 | 2022-07-14 | Posi Energy-Silicon Power, Llc | Lithium-ion battery with thin crystalline anode and methods of making same |
| CN114942392A (zh) * | 2022-04-14 | 2022-08-26 | 中国长江三峡集团有限公司 | 基于电化学老化机理和数据驱动的储能锂电池soh估算方法 |
| CN115267585A (zh) * | 2022-06-22 | 2022-11-01 | 国网浙江省电力有限公司嘉兴供电公司 | 基于梯度增强决策树的改进单粒子电化学模型建模方法 |
| CN115469236A (zh) * | 2022-10-28 | 2022-12-13 | 北京航空航天大学 | 电池soc估计方法、装置及电子设备 |
| WO2023273999A1 (zh) * | 2021-06-29 | 2023-01-05 | 清华大学 | 锂离子电池内部反应离子通量和电势的估计方法 |
| CN115632179A (zh) * | 2022-12-20 | 2023-01-20 | 国网天津市电力公司电力科学研究院 | 一种锂离子电池智能快速充电方法及系统 |
| CN115712987A (zh) * | 2022-10-27 | 2023-02-24 | 天津大学 | 一种基于神经网络的锂电池复合电极锂离子传输模型的求解方法 |
| CN115825746A (zh) * | 2022-09-19 | 2023-03-21 | 阿里巴巴（中国）有限公司 | 一种锂电池的电池状态的估计方法及装置 |
| CN116125314A (zh) * | 2023-02-21 | 2023-05-16 | 四川大学 | 基于电化学模型及粒子滤波的锂电池荷电状态估计方法 |
| CN116184214A (zh) * | 2023-02-20 | 2023-05-30 | 同济大学 | 车用动力电池寿命在线快速预测方法、装置及存储介质 |
| CN116381510A (zh) * | 2023-05-08 | 2023-07-04 | 合肥工业大学 | 一种锂电池剩余寿命的预测方法、系统及存储介质 |
| US20230273265A1 (en) * | 2020-08-11 | 2023-08-31 | Rheinisch-Westfälische Tchinische Hochschule (Rwth) Aachen | Method for determining of at least one characteristic value of a battery cell |
| US20230280404A1 (en) * | 2022-03-01 | 2023-09-07 | Shanghai Makesens Energy Storage Technology Co., Ltd. | Method and device for estimating battery state of charge based on electrochemical model |
-
2023
- 2023-10-07 CN CN202311298846.3A patent/CN117637044B/zh active Active
Patent Citations (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104899439A (zh) * | 2015-06-02 | 2015-09-09 | 吉林大学 | 一种锂离子电池机理建模方法 |
| CN105891724A (zh) * | 2016-05-05 | 2016-08-24 | 南京航空航天大学 | 基于扩展单粒子模型的锂离子电池荷电状态在线估计方法 |
| US20180143259A1 (en) * | 2016-11-22 | 2018-05-24 | Samsung Electronics Co., Ltd. | Method and apparatus for estimating state of battery |
| CN108761341A (zh) * | 2018-06-01 | 2018-11-06 | 哈尔滨工业大学 | 一种锂离子电池电化学模型参数获取方法 |
| US20200355750A1 (en) * | 2019-05-08 | 2020-11-12 | Tata Consultancy Services Limited | Method and system for remaining useful life prediction of lithium based batteries |
| US20210132151A1 (en) * | 2019-10-07 | 2021-05-06 | Samsung Sdi Co., Ltd. | Method and apparatus for estimating state of health of battery |
| JP2021163675A (ja) * | 2020-04-01 | 2021-10-11 | 株式会社東芝 | 電池劣化評価装置 |
| CN112083346A (zh) * | 2020-08-03 | 2020-12-15 | 山东大学 | 基于lstm的并联电池组内部电流分布估计方法及系统 |
| US20230273265A1 (en) * | 2020-08-11 | 2023-08-31 | Rheinisch-Westfälische Tchinische Hochschule (Rwth) Aachen | Method for determining of at least one characteristic value of a battery cell |
| DE102020210148A1 (de) * | 2020-08-11 | 2022-02-17 | Rheinisch-Westfälische Technische Hochschule (Rwth) Aachen | Vorrichtung und Verfahren zur lokalen Bestimmung von Kennwerten einer Akku-Zelle |
| US20220065934A1 (en) * | 2020-09-01 | 2022-03-03 | Samsung Electronics Co., Ltd. | Method and apparatus with battery state estimation |
| WO2022101769A1 (en) * | 2020-11-13 | 2022-05-19 | Kpit Technologies Limited | A hybrid system and method for estimating state of charge of a battery |
| US20220223848A1 (en) * | 2021-01-11 | 2022-07-14 | Posi Energy-Silicon Power, Llc | Lithium-ion battery with thin crystalline anode and methods of making same |
| WO2023273999A1 (zh) * | 2021-06-29 | 2023-01-05 | 清华大学 | 锂离子电池内部反应离子通量和电势的估计方法 |
| CN113779794A (zh) * | 2021-09-13 | 2021-12-10 | 山东大学 | 计及微观约束的锂离子电池sop估计方法及系统 |
| CN113868934A (zh) * | 2021-10-25 | 2021-12-31 | 北京交通大学长三角研究院 | 一种并联锂离子电池电化学参数辨识方法 |
| CN114280493A (zh) * | 2021-12-14 | 2022-04-05 | 哈尔滨工业大学 | 基于简化p2d模型的电池内部健康状态诊断方法及系统 |
| CN114547903A (zh) * | 2022-02-28 | 2022-05-27 | 骆驼集团武汉光谷研发中心有限公司 | 一种基于电化学-热耦合模型预测锂电池循环寿命的方法 |
| US20230280404A1 (en) * | 2022-03-01 | 2023-09-07 | Shanghai Makesens Energy Storage Technology Co., Ltd. | Method and device for estimating battery state of charge based on electrochemical model |
| CN114942392A (zh) * | 2022-04-14 | 2022-08-26 | 中国长江三峡集团有限公司 | 基于电化学老化机理和数据驱动的储能锂电池soh估算方法 |
| CN115267585A (zh) * | 2022-06-22 | 2022-11-01 | 国网浙江省电力有限公司嘉兴供电公司 | 基于梯度增强决策树的改进单粒子电化学模型建模方法 |
| CN115825746A (zh) * | 2022-09-19 | 2023-03-21 | 阿里巴巴（中国）有限公司 | 一种锂电池的电池状态的估计方法及装置 |
| CN115712987A (zh) * | 2022-10-27 | 2023-02-24 | 天津大学 | 一种基于神经网络的锂电池复合电极锂离子传输模型的求解方法 |
| CN115469236A (zh) * | 2022-10-28 | 2022-12-13 | 北京航空航天大学 | 电池soc估计方法、装置及电子设备 |
| CN115632179A (zh) * | 2022-12-20 | 2023-01-20 | 国网天津市电力公司电力科学研究院 | 一种锂离子电池智能快速充电方法及系统 |
| CN116184214A (zh) * | 2023-02-20 | 2023-05-30 | 同济大学 | 车用动力电池寿命在线快速预测方法、装置及存储介质 |
| CN116125314A (zh) * | 2023-02-21 | 2023-05-16 | 四川大学 | 基于电化学模型及粒子滤波的锂电池荷电状态估计方法 |
| CN116381510A (zh) * | 2023-05-08 | 2023-07-04 | 合肥工业大学 | 一种锂电池剩余寿命的预测方法、系统及存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| JIXIANG LI: "Predicting the State of Health of Lithium Battery Based on Improved LSTM-RNN", 2023 INTERNATIONAL SYMPOSIUM ON INTELLIGENT ROBOTICS AND SYSTEMS (ISOIRS), 31 August 2023 (2023-08-31) * |
| 崔鹰飞;陈则王;: "基于单粒子模型的锂离子电池荷电状态估计", 机械制造与自动化, no. 04, 10 August 2018 (2018-08-10) * |
| 明彤彤;王凯;田冬冬;徐松;田浩含;: "基于LSTM神经网络的锂离子电池荷电状态估算", 广东电力, no. 03, 25 March 2020 (2020-03-25) * |
| 李文启;高东学;李朝晖;饶宇飞;顾波;: "基于LSTM-NPKDE的锂离子电池SOC预测与不确定分析", 电器与能效管理技术, no. 05, 30 May 2020 (2020-05-30) * |
| 韩雪冰: "车用锂离子电池机理模型与状态估计研究", CNKI优秀博士学位论文全文库, 15 May 2016 (2016-05-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117637044B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xiong et al. | An electrochemical model based degradation state identification method of Lithium-ion battery for all-climate electric vehicles application | |
| KR102233614B1 (ko) | 보조 배터리 관리 시스템 | |
| JP6738433B2 (ja) | 複数のオブザーバを備えた電池管理システム | |
| Leng et al. | A practical framework of electrical based online state-of-charge estimation of lithium ion batteries | |
| US10686321B2 (en) | Secondary battery management | |
| US20110227587A1 (en) | Ac impedance measuring device | |
| Rajabloo et al. | An inverse method for estimating the electrochemical parameters of lithium-ion batteries | |
| CN112949101B (zh) | 电池脉冲充放电最大电流的获取方法、装置、设备及介质 | |
| CN113702845B (zh) | 退役锂电池核心参数评估方法和设备 | |
| CN109946622B (zh) | 一种锂离子电池的锂沉积预测方法和装置 | |
| Wu et al. | A collaborative estimation scheme for lithium-ion battery state of charge and state of health based on electrochemical model | |
| CN116564425A (zh) | 一种锂离子电池数字孪生模型建模方法 | |
| Shi et al. | Physics-based fractional-order model and parameters identification of liquid metal battery | |
| Aylagas et al. | cideMOD: An open source tool for battery cell inhomogeneous performance understanding | |
| CN105911480A (zh) | 一种动力电池soc估计方法 | |
| CN117637044B (zh) | 一种电池电压预测方法、装置、电子设备及存储介质 | |
| Guo et al. | Nonlinear state-variable method for solving physics-based li-ion cell model with high-frequency inputs | |
| Gu et al. | A Polak-Ribiere-Polyak conjugate gradient algorithm optimized broad learning system for lithium-ion battery state of health estimation | |
| Wang et al. | SOC estimation of lead–carbon battery based on GA-MIUKF algorithm | |
| WO2023169134A1 (zh) | 电池soh值计算模型生成方法、计算方法、装置和系统 | |
| Moura et al. | Better batteries through electrochemistry | |
| Fang et al. | Lumped model of Li-ion battery considering hysteresis effect | |
| Zhao et al. | Online state of health estimation with deep learning frameworks based on short and random battery charging data segments | |
| US11710859B2 (en) | Techniques for controlling charging and/or discharging of batteries using a tanks-in-series model | |
| CN114355222A (zh) | 基于电压曲线的电池健康状态估计方法、装置及可读介质 |
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 |