基于温度和SOC的锂离子电池特征提取及SOH估计
Factor extraction and SOH estimation of lithium-ion battery based on temperature and SOC
通讯作者:
收稿日期: 2022-07-21
基金资助: |
|
Received: 2022-07-21
Fund supported: | 国家自然科学基金资助项目(52177184) |
作者简介 About authors
董浩(1997—),男,硕士生,从事研究锂离子电池状态估计的研究.orcid.org/0000-0001-6477-5372.E-mail:
为了解决电池日常使用过程中数据量获取不足和健康因子提取难的问题,通过分析不同温度下锂离子电池的荷电状态(SOC)与充电电压的变化曲线,提出基于温度和SOC的锂离子电池健康因子提取及健康状态(SOH)在线估计的方法. 在电池的实际充电过程中,根据环境温度差异选取电压和电流作为健康因子. 利用遗传-爬山算法优化极限学习机的网络参数,建立健康因子和SOH的映射关系,实现SOH在线估计. 使用9组NASA电池老化数据进行验证,结果表明,本文方法具有估计精度高、环境温度适应性强的优点.
关键词:
The changing curve of the state of charge (SOC) and charging voltage of lithium-ion batteries (LIB) at different temperatures was analyzed in order to solve the problems of insufficient data acquisition and difficulty in extracting health factors (HFs) during the daily use of LIB. A method for LIB HFs extraction and online estimation of state of health (SOH) considering temperature and SOC was proposed. The charging voltage and current were selected as HFs according to the ambient temperature difference during the actual charging process of the battery. Then the network parameters of the extreme learning machine were optimized by the genetic-hill climbing algorithm, and the mapping relationship between the HFs and the SOH was established to realize the online SOH estimation. Nine groups of NASA LIB aging data were used for verification. Results show that the proposed method has the advantages of high estimation accuracy and strong adaptability for ambient temperature.
Keywords:
本文引用格式
董浩, 毛玲, 屈克庆, 赵晋斌, 李芬.
DONG Hao, MAO Ling, QU Ke-qing, ZHAO Jin-bin, LI Fen.
基于数据驱动的方法通过监测的电池外部特性来挖掘健康因子(health factor, HF),利用机器学习模型建立HF与SOH的映射关系. 常用的SOH估计模型有高斯过程回归(Gaussian process regression,GPR)[9]、极限学习机(extreme learning machine, ELM)[10]、支持向量机(support vector machine,SVM)[11]和神经网络模型等. 樊亚翔等[12]提出基于日常充电片段电压的锂电池SOH估计,利用容量增量曲线确定相关度较高的电压区间,从而提取HF. 韩乔妮等[13]提出变温度下锂电池的SOH估计,分别从充电和放电电压数据中提取HF,估计电池常温和高低温下的SOH. 上述方法虽然取得了较好的效果,但所构建的HF往往只关注与SOH相关性的强弱,忽略了电池日常使用过程中的温度变化和实际SOC使用范围引起的特征提取所需数据量不足的问题.
为了解决上述问题,本文设计基于锂离子电池温度和SOC的健康因子提取及SOH在线估计的方法. 当电池处于常温和高温充电时,恒流充电阶段较长,将从日常SOC区间内的电压区间中提取等采样间隔的电压差作为HF1. 当电池处于低温充电时,若恒流充电阶段的电压数据不足以提取HF,则模型将从恒压阶段中提取等采样间隔的电流差作为HF2. 利用爬山算法-遗传算法(genetic algorithm-hill climbing algorithm, GA-HC)优化的ELM模型,建立HF和SOH的非线性映射关系,使用NASA锂离子电池老化数据集中的9组电池数据进行验证.
1. 实用SOC区间下的健康因子构建
1.1. 锂离子电池的老化数据
表 1 锂离子电池参数和运行工况
Tab.1
电池编号 | Id/A | QN/(A·h) | te/℃ | Ve/V |
B0005 | 2 | 2 | 24 | 2.7 |
B0006 | 2 | 2 | 24 | 2.5 |
B0018 | 2 | 2 | 24 | 2.5 |
B0030 | 4 | 2 | 43 | 2.2 |
B0031 | 4 | 2 | 43 | 2.5 |
B0032 | 4 | 2 | 43 | 2.7 |
B0054 | 2 | 2 | 4 | 2.2 |
B0055 | 2 | 2 | 4 | 2.5 |
B0056 | 2 | 2 | 4 | 2.7 |
电池当前最大可用容量间接反映了电池的老化情况. SOH一般定义为电池当前最大可用容量与额定容量的比值:
式中:Ccur为电池当前最大容量,Cnom为电池标称容量. 随着电池使用次数的增加,SOH会不断降低. 当SOH下降到70%~80%时,认为达到了电池的寿命终止(EOL).
1.2. 健康因子的构建
对于SOH在线估计来说,健康因子的选择直接影响模型的精度和计算速度. 由于电池的放电阶段受负荷随机放电的影响较大,不宜提取稳定的健康特征,而充电时的工况比较固定,通常为恒流恒压模式,可以通过BMS直接获得比较稳定的电压、电流和温度数据.
如图1(a)、(b)所示,图中曲线颜色从浅到深代表电池的老化程度加重,此时电池的恒流充电电压到达截止电压的时间随老化加重会逐渐缩短,恒压充电阶段电流的下降速率随老化加重会减缓. 结果表明,这些现象与电池的健康状态存在相同的变化趋势. 此前,HF的提取通常采取遍历法在整个恒流充电阶段寻找与SOH相关性最强的2个特定电压点之间的数据来获得. 该类方法虽然能够实现不错的估计效果,但是构建的健康因子往往只关注HF与SOH的相关性强弱,忽略了温度和SOC变化导致特征提取所需数据不足的问题. 为了解决该问题,以电池日常SOC使用区间为背景,使用20%~80% SOC区间下的电压和电流数据为研究基础,进行健康特征筛选.
图 1
图 1 不同SOH下电压和电流变化曲线以及不同温度下SOC的变化曲线
Fig.1 Voltage and current change curves at different SOH and SOC change curves at different temperatures
在确定SOC实用区间下电压和电流数据的可用范围后,为了避免采样间隔较大时无法识别特定点电压的问题,选择构建以等采样间隔下的电压差HF1作为常温和高温条件下的健康因子,以等采样间隔下的电流差HF2作为低温条件下的健康因子,如图2所示.
图 2
健康特征具体的计算公式如下:
式中:
1.3. 健康因子相关性的分析
从式(1)可以看出,不同的电压起点、电流起点和采样间隔可以描述不同的老化状态. 为了定量评价不同区间下HF与SOH之间的相关程度,采用Pearson相关系数确定最佳的起始电压电流和采样间隔时间. 相关系数P的计算公式如下:
式中:X和Y为样本总体,xi和yi为样本个体. 相关系数为−1~+1,相关系数的绝对值越接近1,表示两者的相关程度越高.
2. 改进极限学习机的SOH估计方法
2.1. 极限学习机
图 3
对于单个极限学习机,隐藏层输出的数学表达式为
式中:h(x)为隐藏层的输出,g为激活函数. 根据ELM的结构和式(4),可以得到ELM的输出为
式中:β为隐藏层到输出层之间的连接权重矩阵,H = [h1(x) , ··· , hL(x)], β = [β1 , ··· , βL]T. ELM学习过程的目标是找到使误差最小的最优β,这可以通过矩阵运算进行求解. 最优β的计算过程如下所示:
式中:H+为H的Moore–Penrose广义逆矩阵. ELM的学习过程不需要通过传统神经网络的训练算法迭代调整网络权重,因此ELM具有更快的训练速度和更好的泛化性能. 此外,由于结构简单,需要调整的参数只有隐藏神经元的数量和激活函数. 考虑到上述优点,采用ELM作为机器学习模型.
2.2. 改进遗传算法优化的极限学习机
ELM在训练速度和泛化能力方面具有优势,但由于输入权重的随机性可能导致输出结果的不稳定性. 采取遗传-爬山算法协同优化模型,确定ELM模型的权重和偏差,可以提高模型的稳定性.
遗传算法通过模仿自然界的选择与遗传的机理来寻找最优解,是并行随机搜索全局最优解的算法. 遗传算法的群体搜索特性可以避免传统的单点搜索方法在对多峰分布的搜索空间进行搜索时很容易陷入局部某个单峰的极值点,体现遗传算法的并行化和较好的全局搜索性. 当寻求精度更高的解时,遗传算法的局部寻优能力不足,导致收敛速度过慢. 通过融合局部择优能力强的爬山算法,提出遗传-爬山(GA-HC)搜索算法,使其能够快速寻找最优解,具体流程框架如图4所示.
图 4
图 4 基于GA-HC的极限学习机框架图
Fig.4 Frame diagram of extreme learning machine based on GA-HC
锂离子电池SOH估计模型在离线阶段时,收集日常SOC使用区间范围内的充电电压和电流数据,提取不同起始点和采样间隔的HF. 利用皮尔逊相关性分析法选择合适的HF作为GA-HC-ELM模型的输入进行训练,得到电池老化模型. 在线运行阶段,通过BMS系统获得充电电压和电流数据,结合不同工况条件进行HF1或HF2提取. 将提取的HF代入训练好的电池老化模型中,得到SOH的在线估计结果.
3. 实验验证与分析
为了验证本文方法的准确性和可靠性,采取平均绝对误差(mean absolute error,MAE)、平均绝对百分比误差(mean absolute percentage error,MAPE)、均方根误差(root mean square error,RMSE)来评价模型性能,定义如下.
3.1. HF与SOH相关性的验证分析
3.1.1. 常温和高温下的相关性分析
在常温或高温环境下,若充电电压数据量满足要求,应从恒流充电末端数据区间内进行特征提取,采集等采样间隔下的电压差作为HF. 采取遍历法,以相关性系数最大为目标,得到最合适的起始电压点和采样间隔,相关系数的计算结果如表2所示. 表中,Vo为起始电压,Δt为间隔时间. 结果显示,所构建的健康因子的相关系数均大于0.9,表明所选的HF与电池的SOH之间存在很强的相关性. 特征提取所使用的数据量不超过完整充电数据的10%,在充电初始SOC较高的情况下也能进行提取.
表 2 常温和高温下的健康因子相关性分析
Tab.2
te/℃ | 电池编号 | Vo/V | Δt/s | P |
24 | B0005 | 4.05 | 300 | 0.985 7 |
24 | B0006 | 4.05 | 300 | 0.982 2 |
24 | B0018 | 4.05 | 300 | 0.981 4 |
43 | B0030 | 4.00 | 600 | 0.983 1 |
43 | B0031 | 4.00 | 600 | 0.971 3 |
43 | B0032 | 4.00 | 600 | 0.982 8 |
3.1.2. 低温下的相关性分析
表 3 低温下的健康因子相关性分析
Tab.3
te/℃ | 电池编号 | Io/A | Δt/s | P |
4 | B0054 | 1.4 | 1000 | 0.9467 |
4 | B0055 | 1.4 | 1000 | 0.9562 |
4 | B0056 | 1.4 | 1000 | 0.9123 |
3.2. 常温下电池SOH估计实验
图 5
图 5 常温下的SOH估计结果和误差
Fig.5 SOH estimation results and errors at room temperature
表 4 常温下的SOH估计结果误差
Tab.4
方法 | 电池编号 | MAE/% | MAPE/% | RMSE/% |
ELM | B0005 | 1.68 | 1.91 | 1.95 |
ELM | B0006 | 21.93 | 31.68 | 32.93 |
ELM | B0018 | 3.15 | 3.91 | 3.25 |
GA-HC-ELM | B0005 | 0.63 | 0.82 | 0.86 |
GA-HC-ELM | B0006 | 0.43 | 0.64 | 0.65 |
GA-HC-ELM | B0018 | 0.75 | 0.96 | 0.93 |
3.3. 低温下的电池SOH估计实验
在低温充电情况下,使用恒压阶段的电流数据进行HF提取来估计SOH. 选取NASA数据集中的54、55和56号电池开展低温下的SOH估计实验,将数据集的前50%作为训练集,后50%作为测试集,估计结果如图6所示.
图 6
图 6 低温下的SOH估计结果和误差
Fig.6 Estimation result and error of SOH at low temperature
表 5 低温下的SOH估计结果误差
Tab.5
方法 | 电池编号 | MAE/% | MAPE/% | RMSE/% |
ELM | B0054 | 4.28 | 5.02 | 4.84 |
ELM | B0055 | 1.69 | 2.15 | 2.07 |
ELM | B0056 | 1.79 | 2.03 | 2.25 |
GA-HC-ELM | B0054 | 1.08 | 1.33 | 1.41 |
GA-HC-ELM | B0055 | 1.09 | 1.35 | 1.32 |
GA-HC-ELM | B0056 | 1.36 | 1.56 | 1.61 |
3.4. 高温下电池SOH估计实验
选取NASA数据集中的30、31和32号电池,开展高温下的锂电池SOH估计实验. 采取锂离子电池老化数据集中的前40%作为训练集,剩余的60%作为测试集,估计结果如图7所示.
图 7
图 7 高温下的SOH估计结果和误差
Fig.7 Estimation result and error of SOH at high temperature
表 6 高温下的SOH估计结果误差
Tab.6
方法 | 电池编号 | MAE/% | MAPE/% | RMSE/% |
ELM | B0030 | 2.74 | 2.93 | 3.07 |
ELM | B0031 | 1.71 | 1.79 | 1.98 |
ELM | B0032 | 0.93 | 1.03 | 1.13 |
GA-HC-ELM | B0030 | 0.54 | 0.59 | 0.71 |
GA-HC-ELM | B0031 | 0.59 | 0.63 | 0.74 |
GA-HC-ELM | B0032 | 0.48 | 0.53 | 0.56 |
表 7 ELM、LSTM、GPR和GA-HC-ELM模型的对比
Tab.7
方法 | RMSEav/% | tav/s | ||
低温 | 常温 | 高温 | ||
ELM | 3.05 | 2.60 | 2.06 | 0.814 |
LSTM | 2.47 | 1.93 | 2.14 | 13.316 |
GPR | 1.86 | 1.37 | 1.14 | 3.276 |
GA-HC-ELM | 1.44 | 0.81 | 0.67 | 3.941 |
4. 结 语
本文针对锂离子电池的日常运行工况,提出基于锂电池温度和SOC的健康因子提取及SOH在线估计方法. 在充电过程中,根据初始SOC条件和环境温度的不同,选取合适的电压或电流作为HF,提取HF所需的数据量仅为完整充电数据量的5%~20%,相比于完整的充电数据,更易在实际中提取. 使用GA-HC对传统的ELM网络进行参数优化,提高了模型的稳定性和准确性. 从NASA电池老化数据集中选择9块不同老化实验下的锂离子电池,进行实验验证. 在常温和高温的情况下,模型的RMSE均小于1%;在低温情况下,模型的RMSE小于2%. 实验结果验证了基于GA-HC-ELM的锂离子电池SOH在线估计方法具有较高的预测精度和可靠性.
参考文献
一种基于数据驱动与经验模型组合的锂电池在线健康状态预测方法
[J]. ,DOI:10.19595/j.cnki.1000-6753.tces.210385 [本文引用: 1]
An online state of health prediction method for lithium batteries based on combination of data-driven and empirical model
[J]. ,DOI:10.19595/j.cnki.1000-6753.tces.210385 [本文引用: 1]
基于容量增量曲线峰 值区间特征参数的锂离子电池健康状态估算
[J]. ,
State of health estimation for lithium-ion batteries based on peak region feature parameters of incremental capacity curve
[J]. ,
Data-driven battery health prognosis using adaptive brownian motion model
[J]. ,
基于多尺度分解和深度学习的锂电池寿命预测
[J]. ,
Life prediction of lithium-ion batteries based on multiscale decomposition and deep learning
[J]. ,
A systematic model-based degradation behavior recognition and health monitoring method for lithium-ion batteries
[J]. ,DOI:10.1016/j.apenergy.2017.05.124 [本文引用: 1]
Particle-filtering-based estimation of maximum available power state in lithium-ion batteries
[J]. ,DOI:10.1016/j.apenergy.2015.09.092 [本文引用: 1]
A novel health indicator for on-line lithium-ion batteries remaining useful life prediction
[J]. ,DOI:10.1016/j.jpowsour.2016.04.119 [本文引用: 1]
基于日常片段充电数据的锂电池健康状态实时评估方法研究
[J]. ,DOI:10.13334/j.0258-8013.pcsee.181026 [本文引用: 1]
Real-time SOH estimation algorithm for lithium-ion batteries based on daily segment charging data
[J]. ,DOI:10.13334/j.0258-8013.pcsee.181026 [本文引用: 1]
Data-driven online health estimation of Li-ion batteries using a novel energy-based health indicator
[J]. ,DOI:10.1109/TEC.2020.2995112 [本文引用: 1]
基于充电电压片段和核岭回归的锂离子电池SOH估计
[J]. ,DOI:10.13334/J.0258-8013.PCSEE.201805 [本文引用: 1]
State of health estimation of lithium-ion batteries based on the partial charging voltage segment and kernel ridge regression
[J]. ,DOI:10.13334/J.0258-8013.PCSEE.201805 [本文引用: 1]
变温度下IHF-IGPR框架的锂离子电池健康状态预测方法
[J]. ,DOI:10.19595/j.cnki.1000-6753.tces.201593 [本文引用: 1]
State of health estimation for lithium-ion batteries based on the framework of IHF-IGPR under variable temperature
[J]. ,DOI:10.19595/j.cnki.1000-6753.tces.201593 [本文引用: 1]
锂离子电池老化机理及综合利用综述
[J]. ,
Review of aging mechanism and comprehensive use of Li-ion battery
[J]. ,
电池健康状态实验与评估方法综述
[J]. ,DOI:10.19535/j.1001-1579.2021.02.022 [本文引用: 1]
Review on battery state-of-health experiment and estimation methods
[J]. ,DOI:10.19535/j.1001-1579.2021.02.022 [本文引用: 1]
Divide and conquer kernel ridge regression: a distributed algorithm with minimax optimal rates
[J]. ,
Extreme learning machine: theory and applications
[J]. ,
/
〈 | 〉 |