1.一种基于物理信息神经网络的锂电池内部状态估计方法,其特征在于,包括以下步骤:S1、将P2D模型简化为e-SPM模型,得到可以通过固相锂离子浓度和液相锂离子浓度表示电压的简化物理模型;
S2、将实际检测到的电压U、电流I和温度T输入到神经网络模型得到输出状态量;
S3、将输出状态量代入电压的简化物理模型得到估计端电压值和电池本体估计端的,并与实际检测电压值和实际检测端的SOC进行均方误差计算获得损失函数;
S4、神经网络模型通过损失函数使其内部参数进行优化训练,实现锂电池内部状态估计。
2.根据权利要求1所述的一种基于物理信息神经网络的锂电池内部状态估计方法,其特征在于,所述S2中电压的简化物理模型获得方法:设在两个电极中,固相浓度在x维保持恒定,故而液相锂离子浓度模型为:;
固相锂离子浓度模型为:
;
其中,在两个电极中,固相浓度在x维保持恒定,表示电解质里初始锂离子浓度,、和分别表示负极、隔膜和正极的电解质体积分数,、和分别表示负极、隔膜和正极的长度,S表示电池单体的横截面积,和分别表示负极电极和正极电极的初始锂离子浓度,和分别表示负极电极和正极电极的体积分数;
当电池温度在x维上变化很小,并仅跟随时间t变化时,将固相锂离子浓度模型和液相锂离子浓度模型输入神经网络模型中输出得到四个电压项模型:;
;
;
;
故而,电压的简化物理模型为:
;
其中,表示平衡电位估计值,的第一部分是由于电解质电导率引起的欧姆电位降,第二部分是电解质浓度过电位估计值,表示薄膜电阻上电压,表示过电位,和表示正负极平衡电位,和分别表示负极电极和正极电极的表面锂离子浓度,、以及分别表示负极、隔膜和正极的有效反应速率常数,I表示充电放电电流,R表示通用气体常数,F表示法拉第常数,表示锂离子迁移数,和分别表示正负极薄膜电阻,和分别表示正负极球形颗粒的界面面积,α表示电极的电荷转移系数,和分别表示正负极的交换电流密度。
3.根据权利要求1所述的一种基于物理信息神经网络的锂电池内部状态估计方法,其特征在于,所述S4中损失函数获得方法:将电压U、电流I和温度T输入到神经网络模型中输出三个输出状态量、和,其分别为电极表面浓度、电极平均浓度和电解质浓度,将三个输出状态量代入估计端电压模型中,得到四个简化电压项模型:;
;
;
;
从而计算得估计端电压值:
;
其中,、、和分别为四个电压项模型式,G为电压的简化物理模型式,表示简化平衡电位估计值,的第一部分是由于电解质电导率引起的简化欧姆电位降,第二部分是电解质浓度过简化电位估计值,表示薄膜电阻上简化电压,表示简化过电位;
计算得到电池本体估计端的:
;
其中,表示阳极电极平均浓度,和分别是阳极在工作电压范围内的最大和最小嵌锂量,表示阳极最大锂离子浓度;
将估计端的和估计电压值与实际检测端的SOC和实际检测电压值进行均方误差计算获得损失函数:;
其中,表示时间样本,表示在t时间的实际检测电压值,表示在t时间的估计端电压值,表示在t时间估计端的,表示在t时间实际检测端的SOC。