[发明专利]基于特征驱动和机器学习的闭环优化电池快充策略设计方法

说明书

本发明涉及一种基于特征驱动和机器学习的闭环优化电池快充策略设计方法，属于电池快充优化领域，包括以下步骤：S1：基于COED，从全部充电协议中随机选取m个充电协议，使用电池实验装置对电池进行n次充放电循环；S2：用特征提取器从前n次充放电循环中提取所述m个充电协议对应的与电池寿命相关的特征，作为黑盒优化模型的训练集的输出，与作为输入的充电协议共同组成训练集，训练黑盒优化模型；S3：利用训练好的黑盒优化模型，预测全部充电协议的特征，获取下一轮将要测试的协议；S4：将下一轮将要测试的协议及其与电池寿命相关的特征添加到原始训练集中，重新训练黑盒优化模型，重复步骤S3‑S4，直到满足条件或达到优化目标。

技术领域

本发明属于电池快充策略优化领域，涉及一种基于老化特征、机器学习和闭环优化的电池快充策略设计方法。

背景技术

大力发展和普及电动汽车对于减轻温室效应保护环境有着重要意义，这也在一定程度上促进了锂离子电池(LIB)的发展和进步。由于电池的限制，电动汽车存在里程焦虑和充电时间长的问题，而使用高能量密度电池和使用快速充电策略可以有效解决上述问题。

常用的充电协议包括恒流恒压(CC-CV)和恒功率恒压(CP-CV)，它们包含一个恒流(CC)或恒功率(CP)阶段，以及一个用于避免过度充电的CV阶段。充电协议还有一种称为多级恒流恒压充电(MSCC)的充电协议，它由多个恒流充电阶段和一个恒压充电阶段组成，它需要确定电池每个阶段下的最佳充电电流，由达到预设充电电压或者荷电状态(SOC)的时间决定充电过程中从一个阶段到另一个阶段的切换时间，一般充电倍率是逐级递减的。也有研究发现，在10分钟快充的情况下，如果在充电到一定的SOC后切换充电速率，则当每个阶段的充电速率相近时，得到的充电协议最优。MSCC充电协议存在以下问题：充电协议空间的维度高，电池退化机制的定量信息有限，电池之间存在显著差异，从而进行一次评估寿命的实验需要数月到数年的时间来进行大量的实验，因此需要对实验过程进行优化。

然而同时优化多个参数或优化高维空间参数是一项艰巨的任务，也需要花费大量的时间来进行实验，传统的解决方案包括基于模型的优化方法和网格搜索方法，这两种方法都有明显的缺点。其中基于模型的优化方法可以利用模型来避免实验，但模型存在偏差，导致优化结果不够准确。而网格搜索方法需要大量的实验，其数量是根据参数的数量和每个参数的预设值范围来确定的，这就需要耗费大量的时间来进行优化实验，耗时耗力。

发明内容

有鉴于此，本发明的目的在于提供一种基于特征驱动和机器学习的闭环优化电池快充策略设计方法。

为达到上述目的，本发明提供如下技术方案：

一种基于特征驱动和机器学习的闭环优化电池快充策略设计方法，包括以下步骤：

S1：基于闭环优化实验设计方法COED，从全部充电协议中随机选取m个充电协议，使用电池实验装置对电池进行n次充放电循环；

S2：在循环期间，用特征提取器从前n次充放电循环中提取所述m个充电协议对应的与电池寿命相关的特征，作为黑盒优化模型的训练集的输出，并与作为输入的充电协议共同组成训练集，对黑盒优化模型进行训练；

S3：利用训练完成的黑盒优化模型，预测全部充电协议的特征，并获取下一轮中将要测试的协议；

S4：将所述下一轮中将要测试的协议及其与电池寿命相关的特征添加到原始训练集中，得到新的训练集来重新训练黑盒优化模型，重复步骤S3-S4，直到满足条件或达到优化目标。

进一步，所述全部充电协议组成一个充电协议空间，在所述充电协议空间中的充电协议旨在10分钟内通过多个阶段的恒流充电将电池电荷状态SOC从0％充电到80％，在此过程中，使用j种不同大小的电流分阶段对电池分阶段进行充电。

进一步，充电协议为多阶段恒流恒压充电MSCC，它由多个恒流充电阶段和紧随其后的一个恒压充电阶段组成；