重大胡晓松/谢翌EnSM: 敏感性分析+深度学习实现电池模型的无损参数识别

基于物理的电化学模型可以深入了解电池内部状态，并在电池设计优化及汽车和航空航天应用中显示出巨大潜力。然而，电化学模型的复杂性使其难以准确获得参数值，此外，电化学参数的识别通常通过耗时数小时至数周的大规模优化算法进行。

在此，重庆大学胡晓松教授、谢翌副教授等人提出了一种用于最常用的电化学准二维（P2D）模型的新型无损参数识别方法，包括几何参数和电化学参数。如果不拆卸电池，通常无法得到这些参数。整个参数识别过程包括三个关键步骤：参数敏感性分析和分类、初始猜测值生成和参数识别。

首先，使用基于基本效应测试（EET）的全局敏感性分析找到P2D模型的14个敏感参数，并根据其最敏感的条件分为三类（Type-I、Type-II、Type-III）。其次，使用深度学习（长短期记忆网络，LSTM）算法获得这些未知参数的可行初始猜测值，这不仅可以帮助避免识别算法的发散问题，而且可以加快后续识别过程。最后，结合遗传算法（GA）和集成卡尔曼滤波器（EnKF）方法进行参数识别，逐步估计灵敏度高的参数。

图1. 参数敏感性分析结果

研究表明，使用模拟和实验数据可以在1小时内准确估计14个电化学参数。根据仿真结果，这14个参数都可以准确估计，大部分相对误差小于15%。使用估计值作为 P2D 模型参数，输出电压和内部状态都与参考值很好地匹配。在实验验证部分，使用两种常用的电动汽车动态测试条件验证参数识别的准确性。

在估计P2D模型参数后，模型预测电压的均方根误差低于14 mV，进一步证明了所提方法的准确性。因此，这项研究为P2D模型的无损参数识别提供了一个通用框架，研究人员可以对他们的电池进行无损识别过程，凭借准确可靠的参数值，P2D模型可以成为电池设计和管理的强大工具。

图2. A123 18650电池的实验验证结果

Enabling high-fidelity electrochemical P2D modeling of lithium-ion batteries via fast and non-destructive parameter identification, Energy Storage Materials 2021. DOI: 10.1016/j.ensm.2021.12.044

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/15/9dc7d6d7be/

重大胡晓松/谢翌EnSM: 敏感性分析+深度学习实现电池模型的无损参数识别

相关推荐

发表回复