一种利用数据驱动方式解偶电池老化模式的电池衰减轨迹预测方法

技术领域

本发明涉及电池衰减预测，特别是涉及一种利用数据驱动方式解偶电池老化模式的电池衰减轨迹预测方法。

背景技术

在当今快速发展的能源存储技术领域，电池原型设计的早期验证对于推动储能技术的创新和应用至关重要。随着全球对可持续能源解决方案的需求日益增长，电池技术尤其是锂离子电池，因其高能量密度、长循环寿命和相对成熟的技术基础，成为了电动汽车(EV)、便携式电子设备、储能系统等领域的首选能源解决方案。然而，新型电池成分的开发和优化过程往往耗时数月甚至数年，这不仅增加了研发成本，也延缓了新技术的商业化进程。

传统的电池验证方法依赖于对电池样品进行详尽的寿命耐久性测试，这种方法虽然能够提供准确的验证结果，但过程漫长，通常需要数千次循环，且对测试样本量有较高要求。此外，加速老化测试虽然能够缩短验证时间，但这种方法在更严格的操作条件下进行，如更大的电流密度和更高的温度，可能会对电池的内部结构和性能产生不可预测的影响。这些因素共同导致了电池验证过程中的效率低下和成本高昂。

随着电动汽车市场的快速扩张，对电池性能的要求也在不断提高。电池不仅需要具备高能量密度和长循环寿命，还需要能够在快速充电条件下保持稳定性和安全性。这要求电池制造商能够快速准确地验证新型电池设计，以确保其在实际应用中的可靠性和性能。同时，随着全球对可再生能源的依赖增加，电池技术在智能电力系统调节、交通电气化、能源效率提升等方面发挥着关键作用。这些应用场景对电池的快速充电能力、热管理以及在不同温度和负载条件下的性能提出了更高的要求。在这样的背景下，电池原型的快速验证成为了一个迫切需要解决的科学和商业问题。目前存在的验证方法利用先进的传感技术和数据分析手段，如智能制造、数字双胞胎和人工智能，来监控生产过程并预测电池性能。这些新兴技术能够实时监测电池的内部动态变化，预测电池的寿命终点(EOL)和显著退化前的状态。然而，这些方法在处理中间退化模式时面临挑战，因为这些模式无法通过单个EOL点信息来预测，且在原型验证中具有重要意义。

需要说明的是，在上述背景技术部分公开的信息仅用于对本申请的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本发明的主要目的在于克服上述背景技术的缺陷，提供一种利用数据驱动方式解偶电池老化模式的电池衰减轨迹预测方法。

为实现上述目的，本发明采用以下技术方案：

一种利用数据驱动方式解偶电池老化模式的电池衰减轨迹预测方法，包括如下步骤：

S1、设置多个充电阶段，为每个充电阶段设置固定的荷电状态SOC目标区间，以各自设定倍率的恒定电流进行充电，从多阶段充电过程中提取多个可解释性的步间和步内特征，以映射电池内部的电信号至内部电化学水平信息；

S2、利用截止电压量化电池在制造过程中的初始制造差异性(IMVs)，并作为表征逐步充电接受能力的指标；

S3、基于截止电压值，建立源域模型以表征预定温度条件下的电池老化行为，并通过迁移学习技术构建目标域模型，以适应不同温度条件；利用神经网络构建化学过程预测模型，使用预定温度下的电池数据对神经网络进行训练，并利用截止电压值对化学过程预测模型进行校准；

S4、利用物理信息进行可迁移性度量，为多个源域分配权重以量化其对目标域的贡献，从而得到目标域特征的老化率；

S5、根据所述化学过程预测模型，构建降解链，该链通过模型预测的化学过程来追踪电池老化过程中的每一步，从而追踪并累积老化过程中的退化；

S6、使用预测的化学过程学习电池的容量退化曲线，建立电池退化轨迹模型；

S7、使用所建立的电池退化轨迹模型对电池的整个寿命轨迹进行预测，并在不同温度条件下进行验证，以实现对电池衰减轨迹的准确预测。

一种计算机可读存储介质，存储有计算机程序，所述计算机程序由处理器执行时实现所述的方法。

一种计算机程序产品，所述计算机程序产品由处理器运行时实现所述的方法。

本发明具有如下有益效果：

本发明提出了一种利用数据驱动方式解偶电池老化模式的电池衰减轨迹预测方法，通过物理信息机器学习策略，利用多步充电曲线识别电池在制造过程中的初始制造差异性(IMVs)，结合热力学和动力学原理，通过机器学习模型预测电池的整个寿命轨迹，加速电池原型的验证过程。通过算例验证，证明了所提出的模型在提高验证速度和实现不同温度条件下的知识迁移的有效性。

本发明利用数据驱动方式解偶电池老化模式的电池衰减轨迹预测方法，能够指导对整个电池寿命轨迹进行温度适应性验证，热力学和动力学的电信号解耦确保了验证的可解释性和可靠性，并显著提高验证速度，适用于电动汽车快速充电场景的商业现实应用，进行电池容量衰减轨迹早期预测。

本发明通过快速原型验证缩短研究迭代周期，降低成本，同时及时发现和解决电池设计中的问题，并优化有缺陷电池的材料回收，从而提高电池的整体可靠性和市场竞争力。此外，帮助电池制造商更好地遵守保修规定，减少因质量问题导致的财产损失，为消费者提供更高质量的产品。

本发明实施例中的其他有益效果将在下文中进一步述及。

附图说明

图1为本发明实施例的方法流程示意图。

图2为本发明实施例的目标域电池容量轨迹预测结果图。

具体实施方式

以下对本发明的实施方式做详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

参阅图1，本发明实施例提供一种利用数据驱动方式解偶电池老化模式的电池衰减轨迹预测方法，包括如下步骤：

S1、设置多个充电阶段，为每个充电阶段设置固定的荷电状态SOC目标区间，以各自设定倍率的恒定电流进行充电，从多阶段充电过程中；

S2、利用截止电压量化电池在制造过程中的初始制造差异性(IMVs)，并作为表征逐步充电接受能力的指标；

S3、基于截止电压值，建立源域模型以表征预定温度条件下的电池老化行为，并通过迁移学习技术构建目标域模型，以适应不同温度条件；利用神经网络构建化学过程预测模型，使用预定温度下的电池数据对神经网络进行训练，并利用截止电压值对化学过程预测模型进行校准；

S4、利用物理信息进行可迁移性度量，为多个源域分配权重以量化其对目标域的贡献，从而得到目标域特征的老化率；

S5、根据所述化学过程预测模型，构建降解链，该链通过模型预测的化学过程来追踪电池老化过程中的每一步，从而追踪并累积老化过程中的退化；

S6、使用预测的化学过程学习电池的容量退化曲线，建立电池退化轨迹模型；

S7、使用所建立的电池退化轨迹模型对电池的整个寿命轨迹进行预测，并在不同温度条件下进行验证，以实现对电池衰减轨迹的准确预测。

在优选的实施例中，步骤S1具体包括：

为了优化电池充电策略，达到快充目的，对每个电池执行九阶段充电过程，其中每个阶段后电池的荷电状态SOC以预定增量分配。具体实施例中，第一和第九阶段充电速率更小，为小电流充电过程，第二到八阶段充电速率更大，为大电流充电过程。对应着第i个阶段的截止电压(Ui)，经过九个阶段充电之后总SOC达到97％，实施细节如表1所示；

确定每个充电步骤的截止电压，作为表征电池逐步充电接受能力的指标；

提取反映电池内部化学过程的步内特征，包括但不限于容量、叠加电阻和电压梯度；

提取与电池动力学直接相关的步间特征，包括但不限于欧姆电阻、电压瞬态和弛豫；

利用不同的充电速率来区分和量化动力学和热力学在电池衰减中的影响；

将可访问的电信号通过考虑物理知识的特征分类法映射到电池内部的退化模式，以解耦电池内部的微观损耗。

表1

注：表1中的9阶段指的是工步4-12。工步2是在9阶段充电开始前进行初始电池电压的调整，以确保合适的电荷接受能力。工步2所需时间是从充电开始0.33C恒流充电到2.5V确定的。

在优选的实施例中，步骤S3中，将截止电压向量扩展为截止电压矩阵，以包含电池编号和所有电池的循环索引的总长度信息，用来提供全面的电池老化行为数据集，以便所述化学过程预测模型能够捕捉到不同电池在不同循环次数下的老化特征和个体差异；构建特征矩阵，包含从电池充电数据中提取的多个特征，用来训练和校准所述神经网络；所述神经网络包括三层全连接层，每层采用Leaky ReLU激活函数。

在优选的实施例中，将截止电压向量U

其中

在一些实施例中，步骤S4包括以下子步骤：

基于阿伦尼乌斯方程，定义可迁移性指标，用于定量评估在不同温度条件下电池老化率的变化，并评估源域与目标域之间的老化率比值；

计算给定源域和目标域的老化率之比，使用该比值作为评估知识迁移效果的量化指标；

在老化率比值的计算中，考虑源域和目标域电池的活化能以及对应的开尔文温度；

通过计算预测化学过程曲线变化的一阶导数来确定老化率；

为多个源域分配权重，量化每个源域对目标域的贡献，并进行可迁移性度量，以优化知识从源域到目标域的迁移；

利用分配的权重和老化率比值，结合可迁移性度量，预测目标域特征的老化率；

对于已知老化机制的情况，进行温度泛化，以允许模型在无目标数据条件下进行预测。

在一些实施例中，步骤S4包括以下子步骤：

基于阿伦尼乌斯方程，定义可迁移性指标，用于评估不同温度条件下电池老化率的转换；

通过计算源域与目标域之间的老化率比值，定量评估知识迁移的效果；

在老化率比值的计算中，考虑源域和目标域电池的活化能及相应开尔文温度。

基于AT_score计算各源域对目标域的权重，确保迁移性更好的源域具有更高的权重；

结合权重向量和老化率比值，预测目标域的老化率；

使用早期阶段的数据来计算老化率，并通过迭代过程优化模型预测。

在一些实施例中，步骤S6中，电池退化轨迹模型采用包含了三层全连接层的神经网络预测器，使用Leaky ReLU激活函数；使用所有源域数据和早期目标域数据作为训练集，使用非早期目标域数据作为测试集。

在一些实施例中，应用SAGE方法来衡量电池退化轨迹模型中特征的重要性，以确保模型的准确性和鲁棒性。

本发明提供一种创新的物理信息机器学习方法，通过数据驱动方法解耦电池内部物理化学过程，以实现对电池原型的快速、高效验证。这种方法旨在通过精确预测电池在不同使用条件下的寿命轨迹，从而缩短电池原型设计的验证周期，降低研发成本，并加速新技术的商业化进程。核心在于利用初始制造差异性(IMVs)作为关键入，结合热力学和动力学原理，通过机器学习模型来预测电池的化学过程和性能退化。不仅能够提高验证的准确性，还能够在电动汽车快速充电等实际应用场景中提供可靠的性能预测。本发明可为电池制造商提供一个强大的工具，以确保电池产品的质量和可靠性，同时为电池技术的持续创新和优化提供科学依据。

以下进一步描述本发明具体实施例。

在一些实施例中，本发明的基于物理知识和数据驱动的电池原型验证方法，提取可解释性的特征工程，为容量曲线预测提供依据。为了适应不同温度条件，建立源域模型和目标域模型，实现电池容量曲线的准确预测。所述的特征工程问题，建立一种基于九阶段充电过程的特征工程，为了量化初始制造差异，将截止电压作为指标来表征逐步充电的接受能力。提取的步内特征和步间特征将可访问的电信号映射到内部退化模式，成功解耦了电池内部的微观损耗。所述的源域和目标域模型，以充电截止电压量化初始制造差异性，校准化学过程预测模型，用阿伦尼乌斯方程启发的先验物理知识度量不同温度之间的的迁移指标，有利于转换不同温度下的老化率。所述的可迁移性指标，多源域适应是缓解目标域数据匮乏的有效解决方案，利用物理信息进行可迁移性度量，给多个源域分配权重来量化源域的贡献，得到目标域特征的老化率，将其进一步用于预测化学过程。所述的预测化学过程，由于电池降解过程是连续的，因此可以构建降解链由上一步的结果预测当前的化学过程，追踪老化过程中的累积退化。预测的化学过程用于学习电池降解轨迹模型，得到电池的容量退化曲线。

(1)特征工程。本发明采用以物理知识为指导的特征工程来支持电池原型验证，由于无法通过原始观测手段获得电池内部衰减机制，因此从电池降解动态的专家知识中提取特征，从获取的电信号映射到内部电化学水平信息，帮助快速高效地进行早期验证。在多步充电场景中，每个电池包括九阶段充电过程，循环充电步骤的截止电压是通过每个步骤中有意分配荷电状态增量来确定的，为了量化初始制造差异，将截止电压作为指标来表征逐步充电的接受能力。此外提取反映化学过程的步内特征(容量、叠加电阻和电压梯度)和步间特征(欧姆电阻、电压瞬态和弛豫)，其中步间特征纯粹与动力学有关，步内特征与动力学和热力学相关，步内特征的耦合效应可使用不同的充电速率来区分动力学和热力学的主导变化。考虑物理知识的特征分类法将可访问的电信号映射到内部退化模式，成功解耦了电池内部的微观损耗。

表2

表2列出了在电池充电过程中用于预测电池老化和性能退化的关键特征，包括运行温度(T)、循环前的截止电压(U1至U9)和循环中的步间(如VC89、VD9)和步内(如Vg1至Vg9)特征。步间特征主要与电池的动态响应有关，如电压变化和恢复时间，它们与欧姆电阻、电化学极化和SEI膜生长相关。步内特征则涉及每个充电步骤的电压梯度(Vg1至Vg9)、充电容量(Q1至Q9)和电阻(RL1至RL9)，这些特征反映了电池在特定状态下的充电接受度和内部电阻。此外，RVg为Vg2和Vg1的比值，RO1至RO8为步间切换点的电压与电流变化之比，用于量化欧姆电阻。这些特征可用于通过机器学习模型预测电池的化学过程和性能退化，从而实现电池衰减轨迹的早期和准确预测。

(2)考虑初始制造差异性的化学过程预测模型。本发明提出了一种考虑初始制造差异性的化学过程预测模型，重点关注九阶段充电过程的截止电压。在相同的运行条件下，寿命差异可归因于制造过程中的不稳定性，即初始制造差异(IMVs)，本发明使用九阶段充电过程的截止电压值量化早期循环的IMV。将截止电压向量U

其中

(3)以物理学为依据的可迁移性度量。枚举连续的温度验证耗时耗资，因此制定了从现有测量数据(源域)到任意中间温度(目标域)的知识迁移。本发明将25和55度情况作为源域，35度和45度作为目标域，提出了一种以物理学为基础的可迁移性指标，用于定量评估知识迁移的努力程度，提出的可迁移性指标整合了受阿伦尼乌斯方程启发的先验物理知识：

其中A是常数，r是电池的老化率，E

其中r是电池老化率,

其中g(c)是预测的化学过程曲线，通过对预测化学过程上的点对进行采样，使相邻周期的计算线性化：

其中n是点对的数量,start和end是开始和结束采样的周期索引，F

其中

(4)利用物理信息可迁移性指标进行多领域适应性调整。多源域适应是缓解目标域数据匮乏的有效解决方案。利用物理信息可迁移性度量，分配了一个权重向量W

其中

基于ATscore包括以下三个步骤：首先使用早期阶段的数据计算所有源域和目标域的老化率r，在公式(5)中设置start＝100,end＝200,n＝50。计算所有特征的老化率或者老化曲线之后,得到目标域老化率向量

(5)降解链。电池化学过程的降解是连续的，因此称之为“降解链”。在预测了目标域中每个特征的老化率r

其中

(6)电池退化轨迹模型。假定电池的化学过程会对老化过程产生决定性影响，因此使用预测的化学过程来预测电池降解轨迹模型学习到了L个中间映射的组合:

其中

(7)特征重要性合理化。使用Shapley Additive Global Importance(SAGE)来衡量电池退化轨迹模型中特征的重要性。中心思想是通过计算每个特征的SAGE值来确其贡献，同时考虑特征之间的相互作用。当使用均方根误差损耗时，SAGE的计算公式为：

其中

结果验证

由于电池容量预测常发生高估状况，尤其是在电池接近寿命终止时，因此针对整个生命周期的轨迹预测的精度和鲁棒性尤为重要。另外早期降解模式在循环中会发生显著变化，这也凸显了利用有限数据验证整个寿命轨迹的挑战性。基于所提出的方法与真实数据，本发明研究了一个更具挑战性同时更实用的环境，即只有高温55度样本，这符合电池制造商或电池材料研究机构为加快验证过程而采取的常见策略。这种单源域适应模型使用来自55度的样本以及来自目标域电池的少量数据。图2中展示了考虑初始制造差异和迁移策略的模型，利用数据驱动方式解偶电池老化模式进行电池衰减轨迹预测。以55度电池作为源域，采用不同的平行样本(固定温度下循环寿命通常相同的电池)，分别在25度、35度和45度目标域上验证模型的预测准确率。结果表明由于缺乏数据，只有一个平行样本会导致无法达到预期结果，而将平行样本略微增加至5个后，同时结合电池的早期循环数据，可以实现良好的预测精度。对于数据有限的实际验证场景，采取早期循环数据同时增加电池样本有助于进行早期和可靠的原型验证，只需进行几次探测测试就能准确了解电池整个生命周期的轨迹。此方法兼具平行样本易获得和早期循环数据节省测试时间的优点，从而加快研发速度，设计保修策略，便于电池的实际应用。

本发明实施例还提供一种存储介质，用于存储计算机程序，该计算机程序被执行时至少执行如上所述的方法。

本发明实施例还提供一种控制装置，包括处理器和用于存储计算机程序的存储介质；其中，处理器用于执行所述计算机程序时至少执行如上所述的方法。

本发明实施例还提供一种处理器，所述处理器执行计算机程序，至少执行如上所述的方法。

所述存储介质可以由任何类型的非易失性存储设备、或者它们的组合来实现。其中，非易失性存储器可以是只读存储器(ROM，Read Only Memory)、可编程只读存储器(PROM，Programmable Read-Only Memory)、可擦除可编程只读存储器(EPROM，ErasableProgrammable Read-Only Memory)、电可擦除可编程只读存储器(EEPROM，ElectricallyErasable Programmable Read-Only Memory)、磁性随机存取存储器(FRAM，FerromagneticRandom Access Memory)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(CD-ROM，Compact Disc Read-Only Memory)；磁表面存储器可以是磁盘存储器或磁带存储器。本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。

在本发明所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。

上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。

另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

本发明所提供的几个方法实施例中所揭露的方法，在不冲突的情况下可以任意组合，得到新的方法实施例。

本发明所提供的几个产品实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的产品实施例。

本发明所提供的几个方法或设备实施例中所揭露的特征，在不冲突的情况下可以任意组合，得到新的方法实施例或设备实施例。

以上内容是结合具体的优选实施方式对本发明所做的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。