车载锂离子动力电池机理-数据协同驱动老化模型研究

作     者：谢海成 

作者单位：吉林大学 

学位级别：硕士

导师姓名：高镇海

授予年度：2024年

学科分类：08[工学] 082304[工学-载运工具运用工程] 080204[工学-车辆工程] 0802[工学-机械工程] 0823[工学-交通运输工程] 

主      题：纯电动汽车 锂离子动力电池 电池老化机理 深度学习 健康状态预测 

摘      要：电动化是车辆工业的未来。以锂离子电池为主要动力的新能源汽车在汽车市场中取得了日益广泛的应用。然而,锂离子电池作为一个动态、时变的电化学系统,拥有高度非线性的行为和复杂的内部反应机理。电动车在真实交通环境下执行驾驶任务时,其所经历的工况存在显著的动态不确定性,增加了电池健康状态准确识别的难度,导致驾驶员对电动车始终存在使用焦虑与保值焦虑。这不仅降低驾驶员的驾驶体验,也制约了电动车市场的进一步繁荣。所以,开发复杂工况下可以准确预估电池寿命的算法,是电动车行业目前发展的迫切需求。 动力电池的寿命是由其动态衰减路径所决定,而这种动态衰减路径受到车辆外部运行工况动态不确定性与电池内部化学反应体系时变性的共同作用。在复杂工况下实现对衰减路径的准确预测,需要同时兼顾两方面的影响。所以在这种情况下采用电池老化机理与数驱驱动的融合模型可以更好的实现动力电池衰减路径的预测与电池老化模式的判断。本文主要的研究工作包括以下几项: 1、锂离子动力电池原理及其老化分析。基于锂离子动力电池的基本结构与工作原理,分析其常见的老化副反应。同时,搭建电池实验台架,进行锂离子电池循环老化实验,分析电池老化与外部工况间的关联。 2、锂离子动力电池老化机理模型开发。首先,基于电极反应动力学理论,建立锂离子电池伪二维模型(P2D)电化学模型,接着,根据实验样品的外形耦合电池自放热与热耗散模型,模拟电池的充放电行为。之后,整合电池内部关键老化副反应,模拟电池在不同激励工况下的老化响应,判断低温下的老化模式。最后,寻找内部老化副反应与外部信号流变之间的潜在关联,为后续的模型融合做准备工作。 3、锂离子动力电池老化预测数据驱动模型开发。基于实验获取的外部信号,人工提取、构造与电池老化相关的训练特征。同时,构建对时变信号具备优异学习能力的长短时记忆(LSTM)神经网络,整合注意力机制(AM),实现自适应调整训练特征权重以更好地捕获时序信号中关键信息。最后通过台架实验获取的数据训练模型,实现在寒冷工况下高度非线性电池寿命衰减轨迹的准确预测。 4、机理-数据协同驱动电池老化模型开发。首先,基于锂离子电池老化机理模型与数据驱动模型,建立机理-数驱协同驱动老化模型框架,分析并选择影响电池健康状态的关键参数,作为机理与数驱模块间的流通参数。接着,利用台架实验获取的电池数据验证协同驱动模型中的机理模块,并设立仿真工况获取电池工作时的内、外部数据集,用于训练数据驱动模块,获取电池内部金属锂沉积反应与外部工况的映射关系,实现电池内部老化模式的预测。最后,根据动态工况下金属锂沉积反应阈值,整合生成面向电池快充的动态健康边界,减缓动力电池老化速率。 本文的研究致力于使新能源车辆在复杂工况下运行时,仍能够准确预测动力电池寿命衰减,并识别动力电池内部关键老化反应,对动力电池进行高效健康充电管理。