一种基于神经网络的储能锂离子电池DCIR模型的构建方法与流程

本申请涉及锂离子电池，尤其涉及一种基于神经网络的储能锂离子电池dcir模型的构建方法。

背景技术：

1、对于大多数动力锂离子电池，其在工作状态下的相对dcir通常可以由传统的半经验dcir模型来描述，传统的dcir模型所能预测的相对dcir不会低于100％。但是，实际上电池在循环初期(几百圈)时，其dcir反而会先下降后上升，例如，高温下某电池的dcir会先从100％下降到95％，再上升直至高于100％。由于在这个过程中存在转折点，因此用传统的dcir模型拟合很难准确描述这种非线性的变化趋势。

技术实现思路

1、基于此，本申请为解决传统的dcir模型难以准确描述相对dcir先下降后上升的现象的问题，提供了一种基于神经网络的储能锂离子电池dcir模型的构建方法。

2、本申请提供了一种基于神经网络的储能锂离子电池dcir模型的构建方法，包括：

3、通过测试收集锂离子电池在不同温度、不同soc以及不同循环工况下的测试数据；

4、基于所述测试数据获取锂离子电池在当前测试条件下的相对dcir值；

5、利用全连接神经网络模型对所述测试数据进行拟合，得到输出参数；

6、通过使用mse作为损失函数，通过调整所述全连接神经网络模型权重参数和偏置参数，使得所述输出参数与所述相对dcir值之间的差异最小化，最终获取最优dcir模型。

7、所述测试数据包括电池存储天数、循环圈数、电池容量、电池实时温度。

8、所述相对dcir值的获取包括，

9、在电池处于当前温度下、50％soc的条件下，对所述电池使用200a的电流i进行持续时间为10s的脉冲放电，记录电池在放电前的电压vi前和放电后的电压vi后，求得重复上述放电操作多次，取这多次的平均值作为电池当前的dcir；

10、所述电池当前的dcir的计算包括，

11、电池当前的

12、当前的相对

13、所述全连接神经网络模型包括输入层、隐藏层、输出层。

14、包括，

15、将所述测试数据输入至所述全连接神经网络模型的输入层；

16、所述测试数据进入隐藏层的每个神经元都会接收来自输入层的所有节点的信息，并根据权重参数和偏置参数计算出自身的激活值；

17、所述激活值通过激活函数leaky relu，计算得到输出参数。

18、包括，

19、

20、其中，表示第i个神经元在第l层的线性组合，tl-1表示第l-1层的神经元数量，表示第l层第i个神经元与第l-1层第j个神经元之间的权重参数，表示第j个神经元在第l-1层的激活值，表示第i个神经元的偏置参数。

21、所述输出参数的计算包括，

22、

23、其中，f(.)表示激活函数。

24、设定所述相对dcir值为yi′，计算所述输出参数和所述相对dcir值之间的均方误差mse，

25、

26、其中，n表示测试数据的总数，i′表示测试数据索引。

27、从输出层开始，反向计算隐藏层权重参数和偏置参数的梯度，使用adam算法根据计算出的梯度对权重参数和偏置参数进行更新，循环迭代，直到使得所述输出参数与所述相对dcir值之间的差异最小化，最终获取最优dcir模型。

28、有益效果：本发明提出的dcir模型能够捕捉储能锂离子电池在工作前期相对dcir“下降”现象以及能够实现在特定工况下dcir“零”增长时间的估算，同时使得dcir预测曲线与测试数据更好的吻合。

29、应当理解，本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。

技术特征：

1.一种基于神经网络的储能锂离子电池dcir模型的构建方法，其特征在于，包括：

2.根据权利要求1所述的一种基于神经网络的储能锂离子电池dcir模型的构建方法，其特征在于：所述测试数据包括电池存储天数、循环圈数、电池容量、电池实时温度。

3.根据权利要求2所述的一种基于神经网络的储能锂离子电池dcir模型的构建方法，其特征在于：所述相对dcir值的获取包括，

4.根据权利要求3所述的一种基于神经网络的储能锂离子电池dcir模型的构建方法，其特征在于：所述全连接神经网络模型包括输入层、隐藏层、输出层。

5.根据权利要求7所述的一种基于神经网络的储能锂离子电池dcir模型的构建方法，其特征在于：包括，

6.根据权利要求5所述的一种基于神经网络的储能锂离子电池dcir模型的构建方法，其特征在于：包括，

7.根据权利要求6所述的一种基于神经网络的储能锂离子电池dcir模型的构建方法，其特征在于：所述输出参数的计算包括，

8.根据权利要求7所述的一种基于神经网络的储能锂离子电池dcir模型的构建方法，其特征在于：设定所述相对dcir值为yi′，计算所述输出参数和所述相对dcir值之间的均方误差mse，

9.根据权利要求8所述的一种基于神经网络的储能锂离子电池dcir模型的构建方法，其特征在于：从输出层开始，反向计算隐藏层权重参数和偏置参数的梯度，使用adam算法根据计算出的梯度对权重参数和偏置参数进行更新，循环迭代，直到使得所述输出参数与所述相对dcir值之间的差异最小化，最终获取最优dcir模型。

技术总结本申请公开了一种基于神经网络的储能锂离子电池DCIR模型的构建方法，涉及锂离子电池领域。具体实现方案为：通过测试收集锂离子电池在不同温度、不同SOC以及不同循环工况下的测试数据；基于所述测试数据获取锂离子电池在当前测试条件下的相对DCIR值；利用全连接神经网络模型对所述测试数据进行拟合，得到输出参数；通过使用MSE作为损失函数，通过调整所述全连接神经网络模型权重参数和偏置参数，使得所述输出参数与所述相对DCIR值之间的差异最小化，最终获取最优DCIR模型。本发明提出的DCIR模型能够捕捉储能锂离子电池在工作前期相对DCIR“下降”现象以及能够实现在特定工况下DCIR“零”增长时间的估算，同时使得DCIR预测曲线与测试数据更好的吻合。技术研发人员：刘亚濛,柯昕佑,刘涛,许科,苏文俊受保护的技术使用者：万向一二三股份公司技术研发日：技术公布日：2024/12/2