电池放电结束点预测方法

技术领域

本发明属于锂电池健康管理领域，特别是一种基于可解释物理驱动神经网络的电池放电结束点预测方法。

背景技术

数据驱动的方法已经被用于各个领域，应用人工智能技术解决科学问题已成为一种新范式。在电池健康管理领域，也有大量的数据驱动方法被用于电池健康状态评估、荷电状态估计和放电结束点预测。虽然数据驱动的方法在电池放电结束点预测方面能达到很高的精度，但是这些方法运作机理不清晰，缺乏可解释性，且需要大量的数据进行训练，因此需要一种能用少量数据进行训练并且具有可解释性的模型。

在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成本领域普通技术人员公知的现有技术的信息。

发明内容

针对现有技术中存在的问题，本发明提出一种基于可解释物理驱动神经网络模型的电池放电结束点预测方法，基于等效电路模型，将二阶RC等效电路模型展开成物理驱动的神经网络模型，因此所述的物理驱动神经网络具有可解释性。为了使预测结果更好，设计了具有物理含义的边界条件损失来约束神经网络的优化过程。

本发明的目的是通过以下技术方案予以实现，一种基于可解释物理驱动神经网络模型的电池放电结束点预测方法包括：

步骤S100，采集电池放电过程中的电流数据和电压数据；

步骤S200，建立基于二阶RC等效电路模型的可解释物理驱动神经网络；

步骤S300，将采集到的所述电流数据作为特征，所述电压数据作为标签，对所述的可解释物理驱动神经网络进行训练；

步骤S400，可解释物理驱动神经网络训练完成后，给定电流数据，训练好的可解释物理驱动神经网络输出电压预测曲线，基于电压预测曲线预测放电结束。

所述的一种基于可解释物理驱动神经网络模型的电池放电结束点预测方法中，步骤S100中，采集电池放电过程中的电流数据和电压数据分布为c＝[c

所述的一种基于可解释物理驱动神经网络模型的电池放电结束点预测方法中，步骤S200中，所述的建立基于二阶RC等效电路模型的可解释物理驱动神经网络包括以下子步骤：

步骤S201，建立二阶RC等效电路模型，根据电流和电压控制方程，构建递归计算图；

步骤S202，用神经网络来替代所构建的递归计算图中的未知参数，构建基于二阶RC等效电路模型的可解释物理驱动神经网络。

所述的一种基于可解释物理驱动神经网络模型的电池放电结束点预测方法中，步骤S201中，二阶RC等效电路模型的电压控制方程为：

其中：C

C

其中：I

R

由于电荷量可以表示为电流随时间的积分，因此，可以建立各个变量在t时刻和t-1时刻的联系，用符号

所述的一种基于可解释物理驱动神经网络模型的电池放电结束点预测方法中，步骤S202中，由于等效电路模型中的系数在实际使用中不可知，因此用多层感知机来建模SOC、V

所述的一种基于可解释物理驱动神经网络模型的电池放电结束点预测方法中，步骤S300中，对可解释物理驱动神经网络进行训练包括以下子步骤：

步骤S301：将数据集

其中：

S302：根据所述预测电压和真实电压，设计加权预测误差损失函数

其中：v

所述的权重w是由区间[1，n/5](n＞5)中等间隔取的n个点组成的向量，表示为：

w＝linspace(n/5，1，n)，

S303：根据电池的电压上下限，设计边界条件损失函数

其中，V

S304：结合所述的预测误差损失函数和边界条件损失函数构造物理驱动神经网络的整体优化目标函数，计算损失值，并进行反向传播；

S305：重复执行步骤S301到步骤S304，当迭代次数达到设定的最大迭代次数时，可解释物理驱动神经网络模型训练完成。

所述的一种基于可解释物理驱动神经网络模型的电池放电结束点预测方法中，步骤S304中，整体优化目标函数表示为：

和现有技术相比，本发明具有以下优点：本发明基于等效电路模型，构建了可解释的物理驱动神经网络用于放电结束点预测；考虑了物理边界条件损失，所需的训练样本数更少；结合了等效电路模型，提高了模型的预测精度，增强了模型的鲁棒性。

附图说明

通过阅读下文优选的具体实施方式中的详细描述，本发明各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。说明书附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。显而易见地，下面描述的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其他的附图。而且在整个附图中，用相同的附图标记表示相同的部件。

在附图中：

图1是本发明一个实施例提供的基于可解释物理驱动神经网络模型的电池放电结束点预测方法的流程示意图；

图2是本发明一个实施例提供的二阶RC等效电路模型示意图；

图3是本发明一个实施例提供的二阶RC等效电路模型构建的递归计算图；

图4是本发明一个实施例提供的可解释物理驱动神经网络模型示意图；

图5是本发明一个实施例提供的可解释物理驱动神经网络内部的3个多层感知机示意图。

以下结合附图和实施例对本发明作进一步的解释。

具体实施方式

下面将参照附图1至图5更详细地描述本发明的具体实施例。虽然附图中显示了本发明的具体实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。

需要说明的是，在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可以理解，技术人员可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名词的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”或“包括”为一开放式用语，故应解释成“包含但不限定于”。说明书后续描述为实施本发明的较佳实施方式，然所述描述乃以说明书的一般原则为目的，并非用以限定本发明的范围。本发明的保护范围当视所附权利要求所界定者为准。

为便于对本发明实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明，且各个附图并不构成对本发明实施例的限定。

如图1至图5所示，基于可解释物理驱动神经网络模型的电池放电结束点预测方法包括：

步骤S100，采集电池放电过程中的电流数据和电压数据；

步骤S200，建立基于二阶RC等效电路模型的可解释物理驱动神经网络；

步骤S300，将采集到的所述电流数据作为特征，所述电压数据作为标签，对所述的可解释物理驱动神经网络进行训练；

步骤S400，可解释物理驱动神经网络训练完成后，给定电流数据，训练好的可解释物理驱动神经网络输出电压预测曲线，基于电压预测曲线预测放电结束。

所述的一种基于可解释物理驱动神经网络模型的电池放电结束点预测方法的优选实施方式中，步骤S100中，采集电池放电过程中的电流数据和电压数据分布为c＝[c

所述的一种基于可解释物理驱动神经网络模型的电池放电结束点预测方法的优选实施方式中，步骤S200中，所述的建立基于二阶RC等效电路模型的可解释物理驱动神经网络包括以下子步骤：

步骤S201，建立二阶RC等效电路模型，根据电流和电压控制方程，构建递归计算图；

步骤S202，用神经网络来替代所构建的递归计算图中的未知参数，构建基于二阶RC等效电路模型的可解释物理驱动神经网络。

所述的一种基于可解释物理驱动神经网络模型的电池放电结束点预测方法的优选实施方式中，步骤S201中，二阶RC等效电路模型的电压控制方程为：

其中：C

C

其中：I

R

由于电荷量可以表示为电流随时间的积分，因此，可以建立各个变量在t时刻和t-1时刻的联系。用符号

所述的一种基于可解释物理驱动神经网络模型的电池放电结束点预测方法的优选实施方式中，步骤S202中，由于等效电路模型中的系数在实际使用中不可知，因此用多层感知机来建模SOC、V

所述的一种基于可解释物理驱动神经网络模型的电池放电结束点预测方法的优选实施方式中，步骤S300中，对可解释物理驱动神经网络进行训练包括以下子步骤：

步骤S301：将数据集

其中：

S302：根据所述预测电压和真实电压，设计加权预测误差损失函数

其中：v

所述的权重w是由区间[1，n/5](n＞5)中等间隔取的n个点组成的向量，表示为：

w＝linspace(n/5，1，n)，

S303：根据电池的电压上下限，设计边界条件损失函数

其中，V

S304：结合所述的预测误差损失函数和边界条件损失函数构造物理驱动神经网络的整体优化目标函数，计算损失值，并进行反向传播；

S305：重复执行步骤S301到步骤S304，当迭代次数达到设定的最大迭代次数时，可解释物理驱动神经网络模型训练完成。

所述的一种基于可解释物理驱动神经网络模型的电池放电结束点预测方法的优选实施方式中，步骤S304中，整体优化目标函数表示为：

一个实施例中，一种基于可解释物理驱动的电池放电结束点预测方法包括如下步骤：

S100：采集任意工作条件下电池放电过程中的电流和电压数据；

该步骤中，所述的电流信号和电压信号分别用c＝[c

其中，下标i表示第i个样本，N表示采集到的样本数目。

能够理解，在电池充满电的情况下，不同的放电策略会导致放电时长不一样，进而导致采集到的点数不一样。在本公开中，为了规范训练样本的长度，每个样本统一截取前60个点。

S200：建立基于二阶RC等效电路模型的可解释物理驱动神经网络。

S300：将采集到的电流数据作为特征、电压数据作为标签，对所述的物理驱动神经网络进行训练；

S400：训练完成后，给定任意放电策略下的电流数据，所述训练好的物理驱动网络输出电压预测曲线，实现任意放电策略下的放电结束点预测。

本实施例通过构建基于等效电路模型的物理驱动神经网络来预测电池放电结束点。首先根据二阶RC等效电路模型和电压、电流控制方程构建递归计算图，再利用神经网络的可学习参数来替代等效电路模型中的未知参数。为了使模型训练更加高效和稳定，构建了由电池电压上下限确定的物理边界条件损失函数。整个模型的架构与等效电路模型类似，同时损失函数也具有物理含义，因此训练模型所需要的样本数更少，模型的预测精度更高，鲁棒性更强。

另一个实施例中，步骤S200中，所述的建立可解释物理驱动神经网络包括以下子步骤：

S201：建立二阶RC等效电路模型，如图2所示。二阶RC等效电路模型的电压控制方程为：

V＝V

其中：C

为简单起见，可把C

C

其中：σ表示SOC，α

其中：q

根据欧姆定律，电流关系为：

I

其中：I

R

其中：γ

根据上述公式和等效电路模型构建递归计算图，如图3所示。

S202：由于等效电路模型中的系数在实际使用中不可知，因此用3个小型的多层感知机来建模SOC、V

σ＝f

V

其中：f

本实施例基于二阶RC等效电路模型，构建了递归计算图，并设计了物理驱动的可解释神经网络架构。

另一个实施例中，步骤S300中，对所述物理驱动神经网络进行训练包括以下子步骤：

S301：将电流数据输入模型进行前向传播，得到电压预测值，记为：

其中：

S302：根据所述的预测电压和真实电压，设计加权预测误差损失函数

其中：v

所述的权重w是由区间[1，n/5](n＞5)中等间隔取的n个点组成的向量，表示为：

w＝linspace(n/5，1，n)

S303：根据电池的电压上下限，设计边界条件损失函数

其中，V

S304：结合所述的预测误差损失函数和边界条件损失函数构造物理驱动神经网络的整体优化目标函数，计算损失值，并进行反向传播；

该步骤中，所设计的整体优化目标函数表示为：

S305：重复执行步骤S301到步骤S304，当迭代次数达到设定的最大迭代次数时，物理驱动神经网络训练完成。

针对上述训练步骤，结合前文所述，所设计的模型架构和损失函数皆具有物理含义，通过采用本实施例的方法，可以以较少的训练样本来训练模型，并获得高精度的电池放电结束点预测值。

图2是二阶RC等效电路模型，该模型用恒压源以及多个电阻和电容来等效一个电池，调整不同电阻和电容值的大小可以模拟不同属性的电池。在图中，C

图3是基于等效电路模型构建的递归计算图，是对图2的电流和电压关系的进一步展示。由于电荷量可以表示为电流随时间的积分，因此，可以建立各个变量在t时刻和t-1时刻的联系。根据t-1时刻的电荷量

图4是提出的可解释物理驱动神经网络架构。通过用可学习神经网络来替代图3中的未知参数，使得模型可以从数据中自发学习到内部参数以及电池属性，从而在遇到未知工况下的放电策略时实现精确的放电结束点预测。该模型的输入为电流I，输出为电压V，

图5是提出的可解释物理驱动神经网络架构内部的3个多层感知机示意图，其中，(a)、(b)、(c)分别表示f

下面，通过与长短期记忆网络(LSTM)、卷积神经网络(CNN)进行对比实验，进一步说明本公开的技术方案。

具体的，本次对比实验采用的主要评价指标是平均绝对误差(MAE)、平均相对误差(MAPE)和均方根误差(RMSE)。

开展了8个镍钴锰酸锂电池的随机游走放电实验，并采集放电过程中的电流和电压数据。由于不同放电策略下采集的点数不一样，本次实验统一截取前60个点作为训练集；测试集的长度未知，可以为任意长度。为了证明提出的物理驱动神经网络模型可以用更少的训练样本进行训练，本次实验的训练集仅由30个样本组成。

为确保实验的公平性，所有方法都用了相同的超参数设置，三种方法的预测精度如表1所示。

表1

尽管以上结合附图对本发明的实施方案进行了描述，但本发明并不局限于上述的具体实施方案和应用领域，上述的具体实施方案仅仅是示意性的、指导性的，而不是限制性的。本领域的普通技术人员在本说明书的启示下和在不脱离本发明权利要求所保护的范围的情况下，还可以做出很多种的形式，这些均属于本发明保护之列。