一种锂离子电池电化学交流阻抗谱重构方法

本发明涉及电池，尤其涉及一种锂离子电池电化学交流阻抗谱重构方法。

背景技术：

1、锂离子动力电池是20世纪开发成功的二次电池，其负极主要是石墨等材料，正极则采用磷酸铁锂、钴酸锂、钛酸锂等。锂离子在正负极之间进行嵌入与脱嵌，形成电池的充放电。因其具有能量高、电池电压高、工作温度范围宽、贮存寿命长等优点，已广泛应用于水力、火力、风力和太阳能电站等储能电源系统，以及电动工具、电动自行车、电动摩托车、电动汽车、军事装备、航空航天等多个领域。

2、电化学交流阻抗是指控制通过电化学系统的电流(或电势)为小幅度正弦交流信号，同时测量相应的系统电势(或电流)随时间的变化，或者直接测量系统的交流阻抗(或导纳)，进而分析电化学系统的反应机理、计算系统的相关参数。它是一种无损的测量电池内部的电化学特征及反应机理以及目前最为常用且有效的方法，可以在电池老化模式分析、健康状态估计以及温度估计中得到应用。

3、随着我国能源向绿色化转型的过程中，有大量的领域及产业应用到锂离子电池。对于锂离子电池内部电化学特征的评估，电化学交流阻抗谱是一种经常运用的方法。然而实验室测电池的电化学阻抗谱，以18650电池为例，10000-0.01hz的阻抗需花费电化学工作站10分钟左右的时间，且主要时间在于1hz以下的低频段。在面临大批量电池要进行电化学交流阻抗测量的情况下，采取部分采样点来缩短阻抗测量的时间是非常有必要的。这会为研究人员缩短大量的实验时间，使得电化学阻抗测量运用更加简洁、高效。因此开发一种缩短电池电化学阻抗测量时间的方法对于通过阻抗谱数据来对电池的电化学特征进行评估是必要的。

技术实现思路

1、本发明的目的在于提出一种精确度高的重构电池电化学交流阻抗谱的神经网络模型，从而实现锂离子电池电化学交流阻抗谱重构方法的快速提出。

2、为达到上述目的，本发明提出一种锂离子电池电化学交流阻抗谱重构方法，通过对样本电池进行全频率电化学阻抗谱测量，获得输入数据集q和输出数据集p；将所述输入数据集q作为神经网络模型的输入值、将所述输出数据集p作为神经网络模型的输出值进行训练，获得重构电池电化学交流阻抗谱的神经网络模型；

3、所述输入数据集q为样本电池同频率范围内以等比数列方式取部分的频率采样点，测得的电化学阻抗的数据集；所述输出数据集p为样本电池每隔一个数量级的频率取定量采样点，测得的电化学阻抗的数据集。

4、进一步的，所述输入数据集q和输出数据集p均根据对应的频率拆分成实部和虚部；

5、所述输入数据集q的虚部数据输入所述神经网络模型，对应输出同频率所述输出数据集p的虚部数据；

6、所述输入数据集q的实部数据输入所述神经网络模型，对应输出同频率所述输出数据集p的虚部数据。

7、进一步的，按照频率将实部与虚部数据分别按照先验知识分成多个模型来进行预测不同频率下的交流阻抗。

8、进一步的，样本电池进行电化学阻抗谱测量频率范围为10000-0.01hz，覆盖阻抗谱的超高频、高、中和低频，以频率每隔1个数量级取10个采样点；

9、所述输入数据集q的选取方式选取的采样点频率包含在所述输出数据集p选取方式的频率内；

10、所述阻抗谱数据是不等地分布在锂离子不同电池寿命周期内和电池不同soc状态。

11、进一步的，所述的虚部数据模型是根据奈奎斯特图上具有两个明显半圆弧为特征的曲线数据进行分类来对模型进行细化；具体为针对部分采样点的中低频阻抗谱数据在对应交流阻抗相互之间在奈奎斯特图上的位置关系。

12、进一步的，使用多个rbf神经网络进行离线训练，得到实部与虚部各自的多个不同频率下的实部与实部和虚部与虚部之间映射关系神经网络模型。

13、进一步的，针对不同频段的实部与虚部数据，神经网络模型的输入数目不尽相同。

14、进一步的，所述rbf神经网络算法采用的matlab中自带的newrbe函数，rbf神经网络模型是选择p个基函数，每个基函数对应一个数据，则基于径向基函数的插值函数和常用的高斯核函数分别为：

15、

16、

17、式中：式中：ωp表示第p个权重，表示第p个径向基函数，p表示给定的样本数；xc表示中心点，σ表示径向基函数的扩展函数，即方差。

18、进一步的，基于训练好的所述神经网络模型，对未参与模型构建的电池以电池同频率范围内以等比数列方式取部分的频率采样点，测得的电化学阻抗的数据集测量电化学阻抗，并对应频率拆分成实部与虚部数据，输入到已经训练好的神经网络模型中，通过映射即可得到不同频率下的实部与虚部数据，结合实验测得的输入数据与输出数据使用平滑样条曲线方法分别拟合得到全频率的实部与虚部数据，即可基于部分实验采样点重构全频率上的电池阻抗谱曲线。

19、与现有技术相比，本发明的优势之处在于：相对于实验室测量锂离子电池全频率电化学阻抗谱检测方法，本发明所提出的方法所需时间仅为全频率电化学实验的22.85％，每次测量锂离子电池阻抗谱时间大约仅需2分多钟。该方法可以适用于退役锂离子电池的大规模电化学阻抗谱测量以及实验室大量测量稳态电化学阻抗谱实验。

技术特征：

1.一种锂离子电池电化学交流阻抗谱重构方法，其特征在于，通过对样本电池进行全频率电化学阻抗谱测量，获得输入数据集q和输出数据集p；将所述输入数据集q作为神经网络模型的输入值、将所述输出数据集p作为神经网络模型的输出值进行训练，获得重构电池电化学交流阻抗谱的神经网络模型；

2.根据权利要求1所述的锂离子电池电化学交流阻抗谱重构方法，其特征在于，所述输入数据集q和输出数据集p均根据对应的频率拆分成实部和虚部；

3.根据权利要求2所述的锂离子电池电化学交流阻抗谱重构方法，其特征在于，按照频率将实部与虚部数据分别按照先验知识分成多个模型来进行预测不同频率下的交流阻抗。

4.根据权利要求2所述的锂离子电池电化学交流阻抗谱重构方法，其特征在于，样本电池进行电化学阻抗谱测量频率范围为10000-0.01hz，覆盖阻抗谱的超高频、高、中和低频，以频率每隔1个数量级取10个采样点；

5.根据权利要求2所述的锂离子电池电化学交流阻抗谱重构方法，其特征在于，所述的虚部数据模型是根据奈奎斯特图上具有两个明显半圆弧为特征的曲线数据进行分类来对模型进行细化；具体为针对部分采样点的中低频阻抗谱数据在对应交流阻抗相互之间在奈奎斯特图上的位置关系。

6.根据权利要求2所述的锂离子电池电化学交流阻抗谱重构方法，其特征在于，使用多个rbf神经网络进行离线训练，得到实部与虚部各自的多个不同频率下的实部与实部和虚部与虚部之间映射关系神经网络模型。

7.根据权利要求6所述的锂离子电池电化学交流阻抗谱重构方法，其特征在于，针对不同频段的实部与虚部数据，神经网络模型的输入数目不尽相同。

8.根据权利要求6所述的锂离子电池电化学交流阻抗谱重构方法，其特征在于，所述rbf神经网络算法采用的matlab中自带的newrbe函数，rbf神经网络模型是选择p个基函数，每个基函数对应一个数据，则基于径向基函数的插值函数和常用的高斯核函数分别为：

9.根据权利要求1所述的锂离子电池电化学交流阻抗谱重构方法，其特征在于，基于训练好的所述神经网络模型，对未参与模型构建的电池以电池同频率范围内以等比数列方式取部分的频率采样点，测得的电化学阻抗的数据集测量电化学阻抗，并对应频率拆分成实部与虚部数据，输入到已经训练好的神经网络模型中，通过映射即可得到不同频率下的实部与虚部数据，结合实验测得的输入数据与输出数据使用平滑样条曲线方法分别拟合得到全频率的实部与虚部数据，即可基于部分实验采样点重构全频率上的电池阻抗谱曲线。

技术总结
本发明提出一种锂离子电池电化学交流阻抗谱重构方法，通过对样本电池进行全频率电化学阻抗谱测量，获得输入数据集Q和输出数据集P；将输入数据集Q作为神经网络模型的输入值、将输出数据集P作为神经网络模型的输出值进行训练，获得重构电池电化学交流阻抗谱的神经网络模型；输入数据集Q为样本电池同频率范围内以等比数列方式取部分的频率采样点，测得的电化学阻抗的数据集；输出数据集P为样本电池每隔一个数量级的频率取定量采样点，测得的电化学阻抗的数据集。提出一种精确度高的重构电池电化学交流阻抗谱的神经网络模型，从而实现锂离子电池电化学交流阻抗谱重构方法的快速提出，为缩短大规模检测电池电化学阻抗谱的实验时间提供帮助。

技术研发人员：来鑫,柯鹏辉,郑岳久,朱佳俊,马云杰
受保护的技术使用者：上海理工大学
技术研发日：
技术公布日：2024/1/15