基于机器学习的物理指导式锂离子电池充电方法:协同缓解电池退化、热效应及时间成本问题
《Journal of Energy Storage》:Machine-learning-assisted physics-informed charging for lithium-ion batteries: Synergistic mitigation of degradation, thermal, and time costs
【字体:
大
中
小
】
时间:2026年02月01日
来源:Journal of Energy Storage 10.7
编辑推荐:
尹毅苏|王宇杰|江聪|陈宗海
中国科学技术大学自动化系,安徽合肥230027
**摘要**
为电动汽车中的锂离子电池设计充电策略时,通常需要大量的实验数据以及复杂的模型来描述电池行为。本文提出了一种混合式充电优化框架,将数据驱动学习与基于物理的建模相结合。通过分析锂
尹毅苏|王宇杰|江聪|陈宗海
中国科学技术大学自动化系,安徽合肥230027
**摘要**
为电动汽车中的锂离子电池设计充电策略时,通常需要大量的实验数据以及复杂的模型来描述电池行为。本文提出了一种混合式充电优化框架,将数据驱动学习与基于物理的建模相结合。通过分析锂离子电池的退化机制,并将其作为物理信息特征纳入充电策略中,从而引导充电过程。该框架采用多层感知器,仅需少量历史数据即可预测电池容量损失,因此能够很好地适应电池的非线性行为。充电控制需兼顾多个目标,包括电池老化、温度上升以及时间限制。本文利用线性近似优化算法进行约束优化,以确定在安全充电和快速充电场景下的最佳充电电流。该方法能够处理非线性约束和黑箱型目标函数,从而在不同条件下实现稳健的多目标优化。实验结果表明,所提出的方法能够在只需少量训练数据的情况下有效缩短充电时间并延长电池寿命。通过与传统恒流恒压充电方法的对比,实验和仿真显示,该充电控制方法在降低充电过程中的电池健康度下降方面分别取得了20.7%和88.2%的改进效果。
**引言**
锂离子电池在汽车行业及电动汽车中的应用中,其充电过程起着至关重要的作用。然而,由于温度升高以及固有的电化学机制,锂离子电池在充电过程中不可避免地会出现容量下降以及内阻增大的现象。锂离子电池的容量退化通常可归为三种老化机制:锂库存损失、活性物质损失以及导电性下降[1]。对充电过程中发生的退化机制进行建模仍然是一项挑战。此外,要建立充电过程的容量损失模型,往往需要在不同充电电流和温度等条件下进行大量实验。更复杂的是,不同应用场景对充电有不同的要求,比如需要快速充电或安全充电,单一固定的充电策略显然无法满足所有需求。因此,亟需一种灵活且适应性强的充电策略,以有效应对这些多样化的需求。同时,也需要一种能够减少实验次数,同时准确反映充电过程中容量损失的退化建模方法。近年来,基于物理的建模方法逐渐受到重视,许多研究者将机器学习与物理原理相结合,用于模拟电池老化过程[2][3]。本文正是基于这一趋势,试图通过结合物理退化机制与充电策略优化,为锂离子电池建立容量损失模型。
近年来,越来越多的研究致力于充电策略的开发。一般来说,充电策略可分为无模型方法和基于模型的方法。传统的无模型充电方法,如恒流充电和恒流恒压充电,无需复杂的内部模型,可直接根据数据或规则制定最优充电策略[4]。此外,多阶段恒流充电策略作为一种新的电动汽车充电方案,因其能够缩短充电时间、提高效率并延长锂离子电池的循环寿命而备受关注[5]。刘等人提出了一种基于深度确定性策略梯度的无模型强化学习框架,用于在满足安全要求的前提下实现快速充电[6]。董等人则将电池快速充电控制视为黑箱优化问题,采用贝叶斯优化方法实现了数据驱动的快速充电优化方案[7]。无模型方法对不确定或变化的电池条件具有较高的适应性,且无需显式建模电池的容量退化机制,就能提升充电优化性能。然而,由于黑箱模型具有复杂的非线性结构,人们很难理解机器学习算法背后的决策机制[8]。正因如此,基于模型的充电策略越来越受到关注,因为它们具有更好的可解释性和物理一致性。
基于模型的充电方法注重将容量退化模型和热模型相结合,以优化电池性能并延长其使用寿命[4][9]。充电过程中的电池退化建模大致可分为两种方法:基于能量法和基于容量法。(1)基于能量法的建模侧重于量化充电过程中的能量损失,以此作为模拟容量退化的基础。刘等人利用一阶等效电路模型得出的内阻值来表示电池的能量损失[10]。类似地,王等人提出了基于分数阶模型的电池健康度退化模型[11]。不过,这些方法需要通过等效电路模型或分数阶模型精确识别锂离子电池的内阻,这一过程既复杂又耗费大量计算资源。(2)基于容量法的建模则直接模拟充电过程中锂离子电池的容量损失。王等人开发了一种广义的电池寿命模型,即半经验模型,用于描述充电过程中的容量退化现象[12]。这类模型在近年来的研究中得到了广泛应用,已成为众多充电优化框架的基础退化模型[13][14][15][16]。为了更好地优化和评估快速充电过程中的电池容量退化模型,许多研究者着眼于电池中的退化机制,如锂沉积现象[17][18][19][20]以及SEI膜的形成[21][22]。然而,这些机制单独来看并不能清晰反映退化趋势或不同循环次数下的变化情况。因此,锂库存损失和活性物质损失为退化建模提供了更为全面的依据,因为它们表现出不同的退化规律:锂库存损失在早期循环中更为明显,而活性物质损失则随着循环次数的增加而逐步加剧[23]。在此基础上,田等人通过独立的半经验公式分别对锂库存损失和活性物质损失进行了建模,以研究电池的退化机制[24]。虽然这种方法有助于深入理解锂离子电池的退化机制,但它未能考虑不同退化机制之间的耦合效应[25]。总体而言,目前的基于模型的充电方法仍需在不同的温度和充电电流条件下进行大量实验,才能确定每种退化路径的预指数因子。
为减少对大量实验数据的依赖,数据驱动方法为电池充电过程中的老化建模提供了一种有前景的替代方案。以往的研究已将多种机器学习方法应用于电池容量估算,包括传统的学习方法,如卷积神经网络[26][27][28]和长短期记忆网络[29][30][31];集成学习方法,如粒子群优化与K最近邻算法的结合[32]以及CNN-Transformer模型[33];还有迁移学习方法,如Transformer模型[34]和支持向量回归[35]。尽管这些数据驱动和迁移学习方法非常适合用于电池容量估算,但它们尚未被系统地整合到充电控制中,也未被用于模拟充电过程中的实时电池退化现象。因此,本研究旨在将数据驱动建模方法应用于电池老化分析,从而减少对大量实验验证的需求。
充电控制优化的目标是确定合适的充电电流,以最小化容量损失、控制温度上升,并确保充电时间在可接受范围内。张等人采用遗传算法优化充电电流轨迹,以控制温度上升和充电时间[36]。江等人提出了基于数据驱动的贝叶斯优化框架,用于优化电池快速充电过程,但该方法并未考虑电池退化机制或不同的充电场景[37]。王等人进一步改进了贝叶斯优化方法,将其与连续变化电流的充电模式相结合,用于解决多阶段快速充电问题[38]。杜等人提出了一种线性递减加权粒子群优化方法,用于充电控制优化[39]。田等人则提出了一种基于非支配排序萤火虫优化的混合算法,用于确定多阶段充电的最佳参数[40]。Fracas等人则采用序列最小二乘规划方法,用于微电网能源管理中的优化与热调度[41]。虽然序列最小二乘规划方法能够处理非线性约束,但它容易陷入局部最优解。尽管已有多种优化方法被应用于充电策略的设计,但大多数方法仍然依赖于容量损失和热动力学的线性模型。而实际上,锂离子电池的退化行为本身就具有非线性和随机性。因此,需要更先进的充电优化算法,才能有效处理充电过程中容量退化模型的非线性特性。
综上所述,目前锂离子电池充电优化方面的科学研究还存在一些不足之处:
1. 目前用于充电策略的电池容量损失模型,严重依赖在不同温度和充电速率等条件下的大量实验数据,才能确定活化能等预指数因子。
2. 现有的电池容量损失模型未能充分体现锂库存损失与活性物质损失之间的耦合效应。许多采用半经验方法的研究要么忽视了基本的退化机制,要么仅分别对这两种损失进行建模,而忽略了它们对整体容量退化的共同影响。
3. 目前的充电策略优化方法大多依赖于电池参数的线性建模,而锂离子电池的退化行为本质上是非线性的。因此,迫切需要能够同时处理容量损失模型中线性和非线性特性的优化方法,才能实现准确且稳健的充电优化。
为解决上述问题,本研究提出了一种新型的基于物理的多层感知器模型,该模型能够同时考虑锂库存损失和活性物质损失机制对电池容量损失的驱动作用,并捕捉两者之间的耦合效应。此外,本研究还采用了线性近似约束优化方法,来确定锂离子电池的最佳充电参数。本研究的主要贡献如下:
1. 混合型基于模型的充电策略:本研究采用了结合多层感知器容量损失模型与热模型的混合式充电优化方法。该方法既发挥了无模型方法的优点——仅需少量实验数据即可模拟锂离子电池的非线性退化行为,又通过引入物理信息,弥补了无模型充电优化策略在可解释性方面的缺陷。
2. 基于物理的机器学习容量损失模型:本文重点研究了锂离子电池的固有退化机制,尤其是锂库存损失和活性物质损失。通过增量容量分析和差分电压分析,提取电池的锂库存损失和活性物质损失数据,同时捕捉两者之间的耦合效应,以及基于物理原理的容量损失机制。该PI-MLP模型仅需少量的充电数据即可模拟容量退化,无需像半经验老化模型那样在多种电流和温度条件下进行大量实验。
3. 基于COBYLA的充电优化:本研究采用线性近似约束优化方法进行充电优化。该方法非常适合处理包含非线性约束和黑箱型目标函数的优化问题,能够有效处理本文中所使用的PI-MLP模型和热模型中的非线性特性。此外,该方法还提供了一种灵活且稳健的充电策略,能够根据不同的应用需求,如安全充电或快速充电场景,调整相应的参数。
本文的其余部分结构如下:第2节介绍基于物理的多层感知器模型、热模型以及实验设置;第3节阐述所提出的充电策略及相关方程;第4节给出实验结果并进行讨论;最后,第5节对整个研究进行总结。
**模型片段**
**基于物理的容量损失模型与热模型**
传统的电池退化半经验模型[12]将阿伦尼乌斯方程与幂律动力学相结合,用以下公式表示总容量损失Qloss:
Qloss=B?exp(?EaRT)(Ah)Z
其中,B为预指数因子,Ea为活化能,T为温度,z为幂律系数,Ah则为循环次数、放电深度与额定容量的乘积。要拟合该模型,需要在不同的充电速率下进行大量实验。
**基于物理的充电优化策略**
本文的研究流程如图4所示。首先,在恒定温度条件下进行两次恒流恒压充电实验,以获取足够的数据,用于建立电池老化模型并估算电池产热率。随后,利用所提出的多层感知器模型对电池的老化行为进行建模,其中锂库存损失和活性物质损失机制被分别建模,并作为物理信息约束纳入优化框架中。对于每一轮循环,都会更新相应的模型参数。
**不同优化策略的比较**
为评估COBYLA方法在解决所提优化问题中的有效性,本文参考了以往的研究成果,比较了不同优化目标之间的权衡关系。在安全充电和快速充电两种场景下,每种优化算法均进行了30次迭代测试,以评估其在目标成本和计算时间方面的表现。图5和表5总结了各种优化方法的比较结果。在所有被评估的算法中,COBYLA的表现最为优异。结论:本研究提出了一种基于物理原理的混合充电优化框架,该框架将数据驱动的老化建模与热动力学以及基于时间的损耗函数相结合,用于快速充电锂离子电池。所提出的PI-SMLP和PI-FMLP方法相比传统的1C和2C CCCV充电策略,性能分别提升了20.7%和88.2%,同时也优于那些依赖手动调整权重参数的方法。此外,还对COBYLA的优化结果及其性能进行了评估,并与其他优化方法进行了比较。CRediT作者贡献说明:Yin-Yi Soo负责原始稿撰写、验证、方法论设计及研究工作;Yujie Wang负责审稿与编辑、项目监督、管理、研究工作以及资金获取和概念构思;Cong Jiang负责审稿与编辑及研究工作;Zonghai Chen负责审稿与编辑及研究工作。利益冲突声明:作者们声明自己没有已知的可能会影响本文研究成果的财务利益或个人关系。致谢:本研究得到了中国国家自然科学基金(项目编号:62373340)的支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号