基于数据模拟与机器学习的锂离子电池阻抗谱等效电路参数在线辨识方法

本发明属于电池检测，涉及一种基于数据模拟与机器学习的锂离子电池阻抗谱等效电路参数在线辨识方法。

背景技术：

1、锂离子电池由于其高能量密度与低成本被广泛应用于电动汽车领域。为了在不影响锂离子电池内部电化学过程的同时，获得更加全面的锂离子电池特性信息，一种高效的无损的技术——电化学阻抗谱(electrochemical impedance spectroscopy，eis)，被用来研究锂离子电池。它可以反映并研究电池的各种电化学过程，包括固体电解质膜(sei)生长,电解质和电极之间的电荷转移，以及电极上的低频扩散与吸附过程，等等。

2、为了降低eis数据的维度并更好地解释，广泛采用等效电路模型(ecm)来模拟阻抗谱。然而传统的拟合eis来辨识ecm参数的方法，zview和cnls都存在缺陷。经过广泛实践证明，zview拟合的ecm参数更加权威和准确。然而，这种方法需要进行手动调整参数，从而增加了时间和经验的需求，阻碍了对大规模eis数据的快速和自动化分析。与此同时，许多研究提出了各种cnls方法，旨在自动快速地拟合ecm参数，甚至利用所得到的参数进行进一步研究。然而，由于cnls方法对初始猜测的敏感性较高，其鲁棒性相对较低，特别是在拟合高维模型参数时容易收敛到局部最优解，zview拟合的ecm参数与cnls方法得到的参数存在很大的一致性问题。在参数识别过程中，研究人员一直受到识别参数的高维度问题的困扰。目前尚无合理通用的降维方法，eis等效电池参数识别中参数维度过高的问题也一直困扰着研究者。因此基于eis的自动、快速、准确地在线识别高维ecm参数的方法提出对于推动eis在锂离子电池领域的研究具有重要意义。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种基于数据模拟与机器学习的锂离子电池阻抗谱等效电路参数在线辨识方法，以基于eis自动、快速、准确地在线识别ecm参数。在机器学习领域，“数据模拟”通常指的是通过模型或者规则来生成合成数据。在这个背景下，数据模拟是通过理论或者数学模型来产生与真实数据相似的合成数据。这些合成数据可以用于训练机器学习模型，以补充或替代真实数据，特别是当真实数据不足或难以获取时，模拟电池行为。在本发明中通过等效电路数学模型可以生成虚拟的电池阻抗谱数据，用于机器学习模型的训练和评估。

2、为达到上述目的，本发明提供如下技术方案：

3、一种基于数据模拟与机器学习的锂离子电池阻抗谱等效电路参数在线辨识方法，该方法包括以下步骤：

4、s1、通过实验获得少量电池第一个循环的eis以及对应的改良randles等效电路模型(adopted randles equivalent circuit model，ar-ecm)参数组，并确定改良randles等效电路模型ar-ecm的参数倍率矩阵；

5、s2、选取若干电池第一个循环的参考ar-ecm参数组两两相互结合，并将其进行第一次线性插值后与确定的参数倍率矩阵相乘，再进行第二次线性插值得到ar-ecm数据集，将ar-ecm参数集带入数学模型中生成对应的eis曲线，得到高/低频eis和ar-ecm参数综合数据库；

6、s3、实测一条eis曲线，将其分割成高频部分和低频部分，并计算其与数据库中对应的eis曲线的欧式距离，根据距离就近选取若干eis曲线及其对应的ar-ecm参数组，并结合各个参数的特征工程提取对应的eis数据特征用于训练各个参数所对应的gpr模型，从实测eis中提取参数数据特征并投入到训练好的各个高斯过程回归模型(gaussian processregression，gpr)中，分别估计出ar-ecm中影响eis曲线高频和低频的参数。

7、进一步，在步骤s1中，基于ar-ecm参数组的参数特点，将影响eis高频部分的参数定义为高频参数，将影响eis的低频直线部分的参数定义为低频参数，并分别为其构建高频参数倍率矩阵和低频参数倍率矩阵，其中，高频参数倍率矩阵和低频参数倍率矩阵中的列表示参数类型，矩阵中的行表示对应参数类型下的参数倍率；其中，参数类型包括：电感l、欧姆内阻rohm、表征固体电解质界面膜的极化内阻rsei、表征固体电解质界面膜的常相位角元件cpe阻抗公式中的参数cpet1、表征固体电解质界面膜的常相位角元件cpe阻抗公式中的指数cpep1、电荷转移阻抗rct、扩散阻抗rw、warburg阻抗公式中的指数wp、表征双电层电容的常相位角元件cpe阻抗公式中的参数cpet2、表征双电层电容的常相位角元件cpe阻抗公式中的指数cpep2。

8、进一步，在步骤s2中，构建锂离子电池高/低频eis与ar-ecm参数综合数据库包括以下步骤：

9、s21、选取n组参考ar-ecm参数两两相互组合，然后进行第一次线性插值；

10、s22、将第一次插值得到的ar-ecm参数分别与高/低频参数倍率矩阵相乘，并在中间进行等间隔线性插值，生成高/低频ar-ecm参数集，参数集中的部分重复项剔除；

11、s23、将第二次插值得到的ar-ecm参数集带入数学模型中生成对应的eis曲线，将两者一一对应形成出高/低频eis和ar-ecm参数综合数据库；其中数学模型表示如下：

12、

13、其中z(ω,paras)表示eis中频率为ω时的阻抗，paras为ar-ecm参数，ω为用于收集eis的频率时对应的角频率，zw表示warburg阻抗，wt为常数。

14、进一步，在步骤s3中，包括以下步骤：

15、s31、实车上测量出一条eis曲线，通过云端上传，然后将eis分割成高频部分和低频部分；

16、s32、分别计算其与高/低频数据库中的eis曲线的欧式距离，并选取最近的若干条eis曲线以及对应的ar-ecm参数组作为训练数据；

17、

18、其中zi和分别表示目标特征数据和数据库中仿真数据特征的特征值，n是特征数据的维度；

19、s33、并根据每个ar-ecm参数所对应的eis数据特征，从由欧式距离选取的若干条eis中提取对应的数据特征并用于训练各个参数所对应的gpr模型；

20、s34、根据ar-ecm参数的特征工程，从实测eis中提取各个参数对应的eis数据特征并投入到训练完成的各个参数的gpr模型中，分别估计出ar-ecm中影响eis曲线高频的参数和低频的参数。

21、进一步，在步骤s3中，通过特征工程确定每个参数对应的eis数据特征，其中，特征工程的内容包括：

22、①在eis的超高频部分的阻抗数据被选为电感l和欧姆电阻rohm的特征；

23、②在eis的高频区域的两个半圆形部分的阻抗数据被选为电阻r和常数相位元件cpe的并联网络的特征；

24、③选择eis低频直线区域的阻抗数据作为warburg阻抗的特征。

25、本发明的有益效果在于：

26、本发明提出了一种高维等效电路模型参数的降维方法。通过分析不同频率下的eis对应的电池内部化学机制，将具有11维参数的ar-ecm模型降维为两个分别仅具有6维可变参数和2维可变参数的低维模型。基于电池第一个循环的数据和ar-ecm数学模型，构建了一个eis&ar-ecm合成数据库。本发明在ar-ecm参数的快速自动识别方面具有稳定性和准确性。本发明的方法既拥有cnls的速度和自动辨识能力又拥有与zview相媲美的准确性，同时还有效地避免了zsimpwin遇到的低频失真问题。

27、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。