条件生成对抗网络对LiFePO4电池的开路电压迟滞进行建模

概述

这篇论文用一种“条件生成对抗网络”（CGAN）的新方法，精准解决了磷酸铁锂电池在不同温度和老化状态下，充放电电压（开路电压）不一致的“迟滞”问题。在电池管理系统（BMS）领域，估不准电池的“电量”（SOC）。特别是磷酸铁锂（LFP）电池，它在充放电时的电压平台太平，而且还有“迟滞效应”（即充、放电电压不一致）。更麻烦的是，这个效应还随着温度和电池老化而变化。这篇论文的思路很有启发性，它没有用传统的物理模型去硬“算”，而是用了一种叫CGAN的对抗式AI模型。这个模型很聪明，它不仅学习了电压数据，还把温度、健康度（SOH）这些“条件”也一并喂给了AI。这就像是训练了一个“造假大师”（生成器）和一个“鉴别专家”（判别器）互相对抗，最终那个“造假大师”做出的电压预测，连“专家”都难辨真伪。这种方法的好处是适应性极强，有望让BMS在各种复杂工况下都能更准地估算电量。

摘要

摘要本文提出了一种基于对抗性学习的数据驱动方法，用于模拟不同条件下（包括SOC、温度和电池老化）的磷酸铁锂（LFP）电池开路电压（OCV）迟滞效应。研究首先设计了一个综合实验方案，收集了不同SOC路径、温度和老化状态下的迟滞数据集。其次，该模型创新地将条件生成对抗网络（CGAN）与长短期记忆网络（LSTM）相结合。利用LSTM网络捕捉迟滞对历史SOC的依赖性，同时构建了一个包含温度、健康状态和历史路径的“条件矩阵”，以增强模型的准确性和自适应能力。实验结果表明，该模型在各种条件下的电压误差均低于3.8 mV，相较于三种主流的迟滞模型，准确性提升了31.3%至48.7%。

研究背景:

准确估计开路电压（OCV，即电池不工作时的电压）对于先进的电池管理系统（BMS）至关重要。磷酸铁锂（LFP）电池因其成本效益和高稳定性被广泛应用，但其固有的“迟滞效应”（Hysteresis）——即在同一SOC（荷电状态，即电量）下，充电和放电路径的OCV值不同——给电池建模带来了巨大挑战。这种迟滞受到SOC、温度和电池老化的共同影响。

目前的方法主要分为两类：

1. 分析模型（Analytic-based），如单态模型或PI模型，但这些模型在工况（如温度、老化）变化时灵活性差。

2. 数据驱动模型（Data-driven），如神经网络，但现有研究未能全面考虑温度和老化对迟滞的交织影响。 

本文贡献:

•   贡献一：提出了一种结合条件生成对抗网络（CGAN）和长短期记忆网络（LSTM）的新型OCV迟滞模型，利用LSTM捕捉迟滞对历史SOC的依赖性以提高精度。  

•   -   贡献二：构建了一个包含温度、健康状态（SOH）和历史SOC的“条件矩阵”，将其纳入对抗性网络中，显著提升了模型对不同工况和老化程度的自适应能力。    

•   -   贡献三：设计了一个全面的实验方案，收集了覆盖6种SOC场景、5种不同温度和4种不同健康状态的综合迟滞数据集，用于模型训练和验证。

原文标题: Data-driven modeling of open circuit voltage hysteresis for LiFePO4 batteries with conditional generative adversarial network

发表日期: 2025年1月

期刊/来源: Energy and AI

DOI链接: https://doi.org/10.1016/j.egyai.2025.100478