[发明专利]一种数据驱动的电动车辆锂离子电池析锂诊断方法

权利要求书

1.一种数据驱动的电动车辆锂离子电池析锂诊断方法，其特征在于，该方法具体包括以下步骤：

S1：确定电动车辆锂离子电池的类型及型号，获取该型号电池相应的技术参数，在此基础上建立与之对应的锂离子电池的电化学模型；

S2：离线阶段，在电化学模型中设计一系列正负极固相扩散系数值并进行充放电仿真，构建人工神经网络(Artificial Neural Network，ANN)来模拟不同工况下锂离子电池输入输出的响应关系，并且利用Kriging模型建立ANN权重和固相扩散系数之间的映射关系；

S3：在线阶段，通过实验测得该型号锂离子电池充电过程的数据，采用相同结构的ANN模拟充电过程，并利用建立的映射关系预测该型号锂离子电池实际的正负极固相扩散系数；

S4：将预测得到的正负极固相扩散系数代入电化学模型中的固相扩散方程，计算得到充电过程中正负极的固相锂离子浓度，同时建立基于浓度的析锂的判据，利用计算得到的正负极浓度信息判断充电过程中是否发生析锂现象。

2.根据权利要求1所述的一种数据驱动的电动车辆锂离子电池析锂诊断方法，其特征在于，所述步骤S1具体包括以下步骤：

S11：确定电动车辆锂离子电池的类型及型号，获取该型号电池的相应技术参数；

S12：在AutoLion软件中建立该型号锂离子电池的电化学模型；

所述电化学模型为准二维电化学模型(Pseudo-two-dimensions，P2D)；与电池型号对应的电化学模型特征包括：电极与电解液材料、电池的几何结构以及电化学模型的参数；所述电化学模型的参数需要通过电池类型及型号、电池生产厂商提供的技术参数确定。

3.根据权利要求1所述的一种数据驱动的电动车辆锂离子电池析锂诊断方法，其特征在于，所述步骤S2具体包括以下步骤：

S21：在锂离子电池的电化学模型中设计一系列的正极和负极的固相扩散系数值，并将正负极固相扩散系数进行组合；

S22：将步骤S21中的正负极固相扩散系数组合依次代入电化学模型中，并在不同温度、不同电流的工况下进行充放电过程仿真，同时记录仿真过程的电流、电压数据；

S23：构建一个三层的ANN，其中包括输入层、隐藏层、输出层，对于每一个正负极固相扩散系数组合，利用该组合对应的充放电数据对ANN进行训练直到达到预定的精度；

S24：建立ANN权重与电化学模型中的正负极固相扩散系数的映射关系，通过构建Kriging模型并用步骤S23中训练好的ANN权重以及与之对应的正负极固相扩散系数作为插值模型中的参考点。

4.根据权利要求3所述的一种数据驱动的电动车辆锂离子电池析锂诊断方法，其特征在于，步骤S22中，ANN训练算法包括梯度下降法(Gradient Descend)、牛顿算法(Newton’smethod)、共轭梯度法(Conjugate gradient)、柯西-牛顿法(Quasi-Newton method)和列文伯格-马夸尔特算法(Levenberg-Marquardt)，训练算法需要根据数据的量以及数据特征确定。

5.根据权利要求4所述的一种数据驱动的电动车辆锂离子电池析锂诊断方法，其特征在于，所述步骤S3具体包括以下步骤：

S31：对于特定型号的锂离子电池，先设定实验的环境温度，将电池放电至截止电压，再静置一小时后对电池进行恒流-恒压充电(Constant Current-Constant Voltage，CCCV)，同时记录充电过程中的电流、电压数据；

S32：将实验记录的充电过程数据代入步骤S23的ANN中，并采用相同的训练算法对ANN进行训练直到满足预定的精度；

S33：将步骤S32中训练得到的ANN权重代入步骤S24中建立的Kriging模型中，该权重作为模型中的未知点，通过插值预测实验中该型号锂离子电池的正负极固相扩散系数。

6.根据权利要求5所述的一种数据驱动的电动车辆锂离子电池析锂诊断方法，其特征在于，所述步骤S4具体包括以下步骤：

S41：将预测得到的锂离子电池正负极固相扩散系数作为该型号锂离子电池内部正负极的固相扩散系数，并将预测值代入电化学模型的固相扩散方程中，计算得到充电过程中正负极固相锂离子浓度随时间的变化；

S42：建立基于固相锂离子浓度的析锂判据，即当锂离子从正极脱出的速率大于嵌入负极的速率时，电池发生析锂，利用步骤S41中计算得到的正负极固相锂离子浓度信息计算脱出速率以及嵌入速率并判断充电过程中是否发生析锂现象。