基于数据驱动方法锂离子电池多物理场耦合模型的降阶及参数辨识研究
针对电动汽车需求增长对电池模型精度的要求，本研究构建了整合电化学、老化与热现象的锂离子电池综合耦合机理模型，以保障电池性能、安全性及使用寿命。为解决模型中大量未知参数的辨识问题，研究采用数据驱动方法展开参数优化：首先通过拉丁超立方抽样生成多样化参数组合，基于该组合仿真耦合机理模型以获取宏观响应数据集；随后利用该数据集训练人工神经网络 构建元模型，显著提升优化效率；再经敏感性分析筛选出关键影响参数；最后采用遗传算法优化参数，最小化模型预测值与实验数据的偏差。结果显示，在33个模型参数中，9个高敏感性参数与10个中敏感性参数对模型输出影响显著；优化后模型在电压、温度、容量仿真中的平均绝对误差分别为0.0147、0.2132、0.0163。研究证实所提方法具备高准确性与有效性，为锂离子电池建模提供了稳健高效的解决方案。
[1] 邓林旺, 冯天宇, 舒时伟, 等. 锂离子电池无损析锂检测研究进展[J]. 储能科学与技术, 2023,12(1):263-277.DOI:10.19799/j.cnki.2095-4239.2022.0428.
[2] 王其钰, 王朔, 周格, 等. 锂电池失效分析与研究进展[J]. 物理学报, 2018, 67(12):12.DOI:10.7498/aps.67.20180757.
[3] 王辉. 锂电池与超级电容混合储能技术及其在风电中的应用研究[D]. 上海电力大学,2013.
[4] 李凌云. 中国新能源汽车用锂电池产业现状及发展趋势[J]. 电源技术, 2020, 44(4):3.DOI:CNKI:SUN:DYJS.0.2020-04-039.
[5] 徐兴, 王位, 陈龙. 基于GA 的车用锂离子电池电化学模型参数辨识[J]. 汽车工程, 2017, 39(7): 813-821, 838.
[6] 席安静, 田光宇, 白鹏. 磷酸铁锂锂离子电池EIS 参数随SOC 变化的规律[J]. 电池, 2012, 42(2):4.DOI:10.3969/j.issn.1001-1579.2012.02.006.
[7] 康鑫, 时玮, 陈洪涛. 基于锂离子电池简化电化学模型的参数辨识[J]. 储能科学与技术, 2020, 9(3):10.DOI:10.19799/j.cnki.2095-4239.2019.0273.
[8] 张珺涵, 王学远, 魏学哲. 基于时频分析的锂离子电池阻抗计算方法[J]. 电池, 2018, 048(001):8-12.
[9] 陈树成. 基于多物理场的锂离子电池组热仿真方法研究[D]. 哈尔滨工业大学,2018.
[10] 杨晓光, 冷勇, 张刚, 葛升, 王朝阳. 锂离子电池中锂沉积引发的老化建模：从线性老化到非线性老化的转变[J]. 电源杂志, 2017, 360(7): 28-40.