一种物理机理和机器学习融合的锂离子电池寿命预测方法

摘要

本发明公开了一种物理机理和机器学习融合的锂离子电池寿命预测方法，包括步骤：锂离子电池首次充放电循环并进行电化学特征测量；构建电化学特征曲线并提取特征量信息；构建机器学习模型并将特征量带入机器学习模型中以评估锂离子电池出厂时的寿命性能差异；构建物理退化机理模型以评估充放电历史引起的锂离子电池寿命衰减；基于锂离子电池出厂性能差异和充放电过程中的寿命衰减，计算锂离子电池的剩余寿命。本发明基于物理退化机理模型和机器学习模型的融合，仅根据锂离子电池出厂时的初始寿命不一致性和充放电循环历史退化两个主要因素的评估结果即可对锂离子电池的寿命进行精确可靠的预测，简便高效。

说明书

技术领域

本发明涉及锂离子电池健康状态管理与寿命评估技术领域，具体涉及一种基于物理机理和机器学习融合的锂离子电池快充寿命预测方法。

背景技术

近年来，随着锂离子电池应用领域的逐渐扩大，尤其是在新能源汽车、大型储电站等领域的广泛应用，高度集成的锂离子电池供电体系在健康方面的问题越来越突出。而在这些问题中，锂离子电池剩余寿命的准确预测是最为核心的问题。

在现有技术中，实现锂离子电池剩余寿命的准确预测主要依赖于对锂离子电池整个加载历程中的特征量的检测，通过对测量特征的演化趋势进行分析和建模，从而对锂离子电池接下来的寿命退化趋势进行外推预测。然而，锂离子电池的实时监测和分析所产生的海量数据存储需求、数据分析的硬件资源需求、实时监测的经济因素等严苛的应用条件，导致该方法难以实现有效的工程应用。

针对上述问题，很有必要发展一套更为简便、快捷、以及高精度的锂离子电池寿命预估计方法，实现高精度、快速准确的锂电池寿命评估，支撑锂离子电池集成系统中的健康管理与优化设计。

发明内容

本发明的目的在于提供一种物理机理和机器学习融合的锂离子电池寿命预测方法，以解决现有技术中基于实时监测数据的存储分析方式不利于高效准确地预测电池寿命的技术问题。

为解决上述技术问题，本发明具体提供下述技术方案：

一种基于物理机理和机器学习融合的锂离子电池快充寿命预测方法，包括以下步骤：

步骤100：对出厂的锂离子电池进行首次充放电循环并进行电化学特征测量；

步骤200：根据电化学测量结果构建锂离子电池首次充放电循环过程的电化学特征曲线并提取特征量；

步骤300：构建机器学习模型，并将提取的所述特征量作为输入量带入所述机器学习模型中以评估锂离子电池初始寿命状态；

步骤400：基于锂离子电池充放电循环条件的物理退化机理，构建物理机理退化模型以评估锂离子充放电循环过程中的寿命衰减情况；

步骤500：根据所述电池初始寿命状态及所述充放电循环过程中的寿命衰减评估结果，计算锂离子电池的剩余寿命。

作为本发明的一种优选方案，步骤100中，电化学特征测量指标包括电流值、电压值电阻值及相应的测量时间。

作为本发明的一种优选方案，所述步骤200中电化学特征曲线包括电流-时间曲线和电压-时间曲线。

作为本发明的一种优选方案，所述步骤200中的特征量包括但不限于：快充时间、充电电压标准差、充电电流标准差、恒流放电电压标准差、恒压放电时间、最大电容量、最大电容量与平均快充电流的比值、初始电阻。

作为本发明的一种优选方案，所述步骤300中构建的所述机器学习模型有多个，包括但不限于支持向量机、高斯过程回归、多层人工神经网络模型，并基于机器学习模型对锂离子电池的初始性能预测的精确度选择最优的机器学习模型。

作为本发明的一种优选方案，所述步骤500中，计算锂离子电池的剩余寿命的算法如下：

假设基于出厂性能因素和充放电模式因素影响的锂离子电池预估寿命为N，则N表示为N＝f(c)g(ω)；

其中，f(c)表示充放电模式c引起的寿命衰减；

c具体指锂离子电池的快充倍率；

g(ω)表示基于机器学习模型的锂离子电池出厂性能差异评估；

ω表示基于初始充放电循环测量数据的特征量。

作为本发明的一种优选方案，所述物理退化机理是指所述快充倍率c引起的锂离子电池最大容量的衰减。

作为本发明的一种优选方案，所述电池初始寿命状态是指锂离子电池在材料成分、加工制造差异、生产和存储环境周期在内的因素引起的电池初始测试性能差异导致的不同电池在相同充放电条件下显著差异的循环寿命。

作为本发明的一种优选方案，所述g(ω)为通过不同电池在相同充放电条件下进行循环寿命测试，并基于初始充放电循环中的电流-时间和电压-时间曲线，以及不同电池对应循环寿命训练得到的出厂性能模型。

作为本发明的一种优选方案，所述模型f(c)是通过不同充放电循环倍率下的寿命测试得到的寿命衰减模型。

本发明与现有技术相比较具有如下有益效果：

本发明基于物理退化机理模型和机器学习模型的融合，将锂离子电池循环寿命相关的充放电循环历史退化因素和出厂时的初始寿命不一致性两个主要因素单独评估，并根据两个单独评估结果给出锂离子电池的剩余寿命预测。

本发明不依赖于对锂离子电池历史退化性能的监测，仅需要基于锂离子电池出厂时的首次充放电循环特征曲线和预设的充放电模式，即可对锂离子电池的寿命进行精确可靠的预测。

附图说明

为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。

图1为本发明实施例提供的预测方法实施步骤流程图；

图2为本发明实施例提供的具体预测方法流程框图；

图3为本发明实施例提供的锂离子电池典型初始充放电曲线示意图；

图4为本发明实施例提供的一种典型商用锂离子电池预测效果的精度比较示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

充电电池的使用寿命与电池的充放电循环周次密切相关，但是由于锂离子电池是一种十分精密且复杂的结构器件，其性能受到材料成分、加工工艺、生产和存储环境周期等因素的显著影响，导致电池个体之间的性能差异十分显著，因此，每个电池在相同的充放电条件下依然表现出显著的寿命差异。实现高精度电池寿命预测，电池初始性能评估是必不可少的环节。增加初始性能评估环节能够显著提高锂电池寿命预测精度。

本发明基于物理退化机理模型和机器学习模型的融合，将锂离子电池循环寿命相关的充放电循环历史退化因素和出厂时的初始寿命不一致性两个主要因素单独评估，并根据两个单独评估结果给出锂离子电池的剩余寿命预测。

如图1及图2所示，本发明提供了一种物理机理和机器学习融合的锂离子电池寿命预测方法，包括以下步骤：

步骤100：锂离子电池初始充放电循环电化学特征测量。

对出厂的锂离子电池进行首次完整的充放电循环并进行电化学特征测量，并根据电化学特征测量数据构建电化学特征曲线。

其中，电化学特征测量指标包括电流值、电压值、电阻值及相应的测量时间。

步骤200：提取特征量信息。

基于实验测量的首圈充放电循环过程中的电化学特征曲线，提取相关的特征量。

如图3中所示，基于预设的充放电模式获得的锂离子电池初始的一个充放电循环过程中的电化学演化过程形成的电化学特征曲线包括电流-时间曲线和电压-时间曲线。

基于实验测量的首次充放电循环过程中的电化学特征曲线提取的与锂离子电池初始寿命性能密切相关的特征量包括但不限于：快充时间、充电电压标准差、充电电流标准差、恒流放电电压标准差、恒压放电时间、最大电容量、最大电容量与平均快充电流的比值、初始电阻。

步骤300：评估初始性能影响的寿命不一致性。

构建机器学习模型，并将提取的上述特征量作为输入量带入构建的机器学习模型中，评估锂离子电池初始寿命性能差异。

其中，构建的机器学习模型有多个，包括但不限于支持向量机、高斯过程回归、多层人工神经网络模型，并基于机器学习模型对锂离子电池的初始性能预测的精确度选择最优的机器学习模型。

锂离子电池的初始性能信息体现在一个完整的充放电时间序列中可测量获得的电流和电压曲线。构建初始性能模型，首先需要从曲线信息中提取能够反映性能信息的特征量，这些特征量的确定是通过对电池寿命的预测效果来确定的。基于不同特征量的搭配组合校验锂离子电池初始性能预测的准确性。本实施方式提供了一种可准确可靠表征初始性能的特征量组合，具体包含以下八个可从电流-时间和电压-时间曲线获得的具体特征：快充时间、充电电压标准差、充电电流标准差、恒流放电电压标准差、恒压放电时间、最大电容量、最大电容量与平均快充电流的比值、初始电阻。这些特征量来自于电池初始循环的电流-时间曲线和电压-时间曲线，依据其命名可以很容易获得，例如曲线的标准差、平均值等。基于多种不同的机器学习模型对初始性能预测精度的影响，该模型中建立基于支持向量机的电池初始性能机器学习模型。

步骤400：评估锂离子电池循环过程退化寿命。

基于锂离子电池充放电循环条件的物理退化机理，构建物理退化模型，将待估锂离子电池的充放电条件带入到该模型中，评估锂离子充放电循环过程中的寿命衰减情况。

物理退化机理是指锂离子电池不同快充倍率c引起的锂离子电池最大容量的不同衰减，一般地，锂电池充放电倍率越快，其最大电容量衰减速度越快。

锂离子的寿命一般是指电池的最大电容量衰减到标称容量的80％时的循环周次。在相同充放电条件下锂电池的循环寿命差异即可表示为锂电池出厂性能差异，寿命衰减是指不同放电倍率下循环寿命周次的变化，本实施方式中寿命衰减考察到最大循环周次的衰减。

本实施例中电池初始寿命状态是指锂离子电池在材料成分、加工制造差异、生产和存储环境周期在内的因素引起的电池初始测试性能差异导致的不同电池在相同充放电条件下显著差异的循环寿命。

步骤500：计算锂离子电池剩余寿命。

根据电池初始寿命状态及充放电循环过程中的寿命衰减评估结果，计算锂离子电池的剩余寿命，计算锂离子电池的剩余寿命的算法如下：

假设基于出厂性能因素和充放电模式因素影响的锂离子电池预估剩余寿命为N，则N表示为N＝f(c)g(ω)；

其中，c具体指锂离子电池的快充倍率；

f(c)表示充放电模式c引起的寿命衰减；

ω表示基于初始充放电循环测量数据的特征量；

g(ω)表示基于机器学习模型的锂离子电池出厂性能差异评估。

模型N＝f(c)g(ω)的建立策略是对f(c)和g(ω)模型分别单独考虑和构建，最终形成综合考虑充放电条件以及出厂性能差异的集成模型。

其中，模型f(c)是通过不同充放电循环倍率下的寿命测试得到的寿命衰减模型；g(ω)为通过不同电池在相同充放电条件下进行循环寿命测试，并基于初始充放电循环中的电流-时间和电压-时间曲线，以及不同电池对应循环寿命训练得到的出厂性能模型；模型g(ω)＝N/(f(c))是通过相同充放电循环倍率下的寿命结果获得，最终集成得到寿命预测模型。

训练g(ω)模型的输入参数如步骤300中给出了可选的八个特征量参数，目标参数即电池的循环寿命，采用的具体模型即基于支持向量机的机器学习模型。电池初始性能差异受到多种因素的影响，且各种因素之间相互耦合关联，没有一个具体且清晰的相关性，因此无法简单地描述为某一个指标有明确的正相关或者负相关，但该模型表明步骤300中给出的八个特征量参数组合能够精确刻画初始性能测量结果对最终寿命差异的影响。

以现有技术中商用锂离子电池A123为样本对本发明实施例提供的预测方法进行介绍说明，具体实施如下：

将本发明实施例提供的电池快充寿命预测方法编制成程序，对典型的商用锂离子电池A123进行不同快充模式下的剩余寿命预测计算，测试样本的快充倍率范围在3.6C-8C之间，测试得到电池的初始充放电特征曲线(图3)和不同快充模式下电容量衰减为80％时的循环寿命，并以此来构建物理机制模型和初始寿命评估的机器学习模型。

选择三种不同的分组策略，来评估不同电池和充放电模式下的锂离子电池寿命预测。如图4中所示的表1中给出了三种分组策略中不同预测模型的预测效果，可以看到该模型仅仅依赖于首次循环测试数据和预设的快充模式，即能实现对真实商业电池剩余寿命的高精度预测。

本发明实施例不依赖于对锂离子电池历史退化性能的监测，仅需要基于锂离子电池出厂时的首次充放电循环特征曲线和预设的充放电模式，即可对锂离子电池的寿命进行精确可靠的预测，简便高效。

以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。