[發明專利]一種多物理場約束的鋰離子電池智能快速充電方法

有效

• 申請號: 202011087624.3
• 申請日: 2020-10-13
• 公開（公告）號: CN112018465B
• 公開（公告）日: 2021-01-29
• 發明（設計）人: 魏中寶;吳京達;何洪文;李建威;鐘浩
• 申請（專利權）人: 北京理工大學
• 主分類號: H01M10/44
• 分類號: H01M10/44;H02J7/00;G06F17/11;G06N3/04;G06N3/06;G06N3/08
• 代理公司: 成都方圓聿聯專利代理事務所(普通合伙) 51241
• 代理人: 李鵬

本發明公開了一種多物理場約束的鋰離子電池智能快速充電方法，包括以下步驟：S1.開展鋰離子電池測試，建立鋰離子電池電熱耦合模型和老化模型；S2.定義動作空間和獎勵函數，定義優先經驗回放池；S3.設定離線訓練場景，獲取初始時刻狀態變量，利用策略網絡獲取當前狀態下的動作變量，并擴大動作選取范圍；S4.生成充電動作、電池狀態轉移、獎勵值并記錄于經驗池，進行DDPG網絡的同步更新；S5.循環執行S3?S4，直至策略網絡和價值網絡收斂，導出策略網絡成為深度強化學習（DRL）快速充電策略；S6.估計強化學習狀態空間內的各個變量；S7.確定當前時刻的最優充電動作。本發明兼顧充電速度、電池安全與壽命衰減抑制，訓練后策略計算復雜度低，實時應用具有優勢。

技術領域

本發明涉及一種多物理場約束的鋰離子電池智能快速充電方法，具體是涉及基于多物理場耦合建模與深度強化學習的鋰離子電池智能快速充電方法。

背景技術

鋰離子電池在電動汽車領域應用最為廣泛，其快速充電技術對電動汽車的進一步普及具有重要意義。然而，現階段快速充電技術依然面臨多方面瓶頸，盲目追求充電速度可能引發鋰離子電池內部過熱、過應力、析鋰等過程，嚴重影響鋰離子電池的耐久性與安全性，甚至將直接導致起火、爆炸等災難性事故。

基于經驗的充電方法簡單易行，應用廣泛，代表性的如恒流-恒壓（CCCV）法、多階段恒流法等，但這類方法魯棒性差，難以考慮鋰離子電池內部多理化過程及其約束意義，難以保證充電的綜合最優性。相比而言，基于模型的充電優化控制方法采用等效電路-熱耦合模型、電化學機理模型等對鋰離子電池內部多物理過程進行描述，并采用模型預測控制（MPC）等優化控制算法實現快速充電，能夠有效保證充電的多目標最優性，且具有更高的魯棒性。但是，這類方法需要對高維、強耦合、非線性問題進行多約束、多目標優化求解，計算復雜度高，在線應用具有挑戰性。

綜上所述，現階段仍然缺少一種兼具多約束、多目標最優性與低計算復雜度的鋰離子電池快速充電方法。

發明內容

本發明的目的在于克服現有技術的不足，提出一種多物理場約束的鋰離子電池智能快速充電方法，通過建立多目標優化問題，采用具有優先級經驗重播的改進DDPG算法進行求解，實現遵從離子鋰電池理化極限與老化抑制的快速充電，該方法將多約束、多目標最優化求解導致的復雜計算遷移到離線訓練環節，從而保證算法的實時性。

本發明的目的是通過以下技術方案來實現的：一種多物理場約束的鋰離子電池智能快速充電方法，包括以下步驟：

S1. 開展鋰離子電池測試，建立鋰離子電池電熱耦合模型和老化模型；

S2. 將S1中確定的關鍵狀態歸入強化學習狀態空間，定義動作空間和獎勵函數，搭建深度確定性策略梯度（DDPG）算法的策略網絡、價值網絡并進行初始化，定義優先經驗回放池；

S3. 設定離線訓練場景，獲取初始時刻狀態變量，利用策略網絡獲取當前狀態下的動作變量，采用基于隨機變換的噪聲探索機制擴大動作選取范圍；

S4. 依據S1中電池模型，生成充電動作、電池狀態轉移、獎勵值并記錄于經驗池，通過選擇經驗記錄進行DDPG網絡的同步更新；

S5. 循環執行S3-S4，直至策略網絡和價值網絡收斂，導出策略網絡成為深度強化學習（DRL）快速充電策略；

S6. 實時采集充電電流、端電壓、環境溫度、電池表面溫度，設計基于模型的狀態觀測器，實時估計強化學習狀態空間內的各個變量；

S7. 依據S6中的測量值與估計值，使用S5中訓練成熟的DRL控制策略確定當前時刻的最優充電動作。

本發明的有益效果是：本發明能夠實現兼顧充電速度、理化極限約束與老化抑制等若干沖突目標的綜合最優化，實現具有安全與健康主動意識的快速充電，將多約束、多目標最優化求解導致的復雜計算遷移到離線訓練環節，顯著降低了在線應用的計算復雜度。