引用本文

赵光财, 林名强, 戴厚德, 武骥, 汪玉洁.一种锂电池SOH估计的KNN-马尔科夫修正策略.自动化学报, 2021, 47(2): 453-463 doi: 10.16383/j.aas.c180124

Zhao Guang-Cai, Lin Ming-Qiang, Dai Hou-De, Wu Ji, Wang Yu-Jie. A modifled strategy using the KNNMarkov chain for SOH estimation of lithium batteries. Acta Automatica Sinica, 2021, 47(2): 453-463 doi: 10.16383/j.aas.c180124

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c180124

关键词

锂电池SOH，特征提取，多层前馈神经网络，贝叶斯正则化，马尔科夫链 

摘要

锂离子电池的健康状态(State of health, SOH)是决定电池使用寿命的关键因素.由于锂电池生产工艺、工作环境和使用习惯等的差异性导致其衰退特性具有较大差异, 因此锂电池SOH难以精确估算.本文采用数据驱动的方式通过对采集的电压数据进行特征提取, 使用贝叶斯正则化神经网络对锂电池SOH进行预测, 同时引入KNN-马尔科夫修正策略对预测结果进行修正.实验结果证明, 贝叶斯正则化算法对锂电池SOH的预测准确度较高, KNN-马尔科夫修正策略提高了预测的精确度和鲁棒性, 组合预测模型对锂电池SOH的平均预测误差小于1%, 与采用数据分组处理方法(Group method of data handling, GMDH)、概率神经网络(Probabilistic neural network, PNN)、循环神经网络(Recurrent neural network, RNN)的预测精度进行对比, 该模型的预测精度分别提高了33.3%、48.7%和53.1%.

文章导读

电池管理系统(Battery management system, BMS)是电动汽车的重要组成部分, 在电动汽车电池组的状态监测、保护和电量均衡等方面起到举足轻重的作用[1-2].电池健康状态(State of health, SOH)作为电池系统的关键参数之一, 其变化直接影响电池组的使用性能、可靠性及安全性.由于锂离子电池具有能量密度高、稳定性好、使用寿命长等优点, 已经被许多可再生能源系统用作能量存储设备.但其复杂的内部电化学结构、不确定的外部工作环境等因素使得电池的衰退过程极为复杂, 即使同一规格型号的电池其衰退过程也不尽相同, 这导致锂电池SOH的准确估计变得十分困难[3].因此, 快速、精确地实现锂电池SOH估计一直是一个重要的研究课题.

电池的SOH表示当前电池的最大可用容量占额定容量的百分比, 用来度量电池的退化程度.锂电池SOH随着使用会慢慢减小, 当SOH降低至额定容量的70%时, 即认为锂电池寿命终止. SOH的定义如下:

SOH=C current / C initial×100% (1)

上式中: CcurrentCcurrent表示锂电池当前最大可用容量; CinitialCinitial表示锂电池的额定容量, 通常指出厂时的标称容量[4].

目前已有许多专家学者采用多种不同方法对锂电池的SOH进行估计. Galeotti等[5]采用电化学阻抗谱研究锂聚合物(LiPO)电池的老化, 通过拟合阻抗谱提取等效电路模型的参数再现电池放电曲线并引入电池欧姆电阻与可用容量的关系, 借助证据理论评估电池的SOH. Chen等[6]基于扩散电容与SOH的相关性, 采用遗传算法以实时采集的电流和电压来估计包括扩散电容在内的电池模型参数进而估计锂电池SOH. Mejdoubi等[7]提出混合估计电池荷电状态(State of charge, SOC)和SOH的思路, 使用自适应观察器估计SOC的同时使用扩展卡尔曼滤波器(Extended Kalman filter, EKF)估计SOH, 采用闭环估计策略同时结合李雅普诺夫原理保证稳定性. Liu等[8]将基于数据驱动的高斯过程回归(Gaussian process regression, GPR)方法应用于SOH估计, 采用改进的组合高斯过程泛函回归(Gaussian process functional regression, GPFR)模型实现了较好的SOH预测. Moura等[9]提出了一种的基于电化学模型的自适应偏微分方程观测器来估计SOH的方法, 其通过测量电压和电流来估计该模型的参数. Ng等[10]认为安时积分法对于具有高充电和高放电效率的锂电池的SOC估计是有利的.他们提出了一种基于库伦计数的方法来提高估计精度, 并利用SOC来估计SOH. Lievre等[11]利用电池电阻来量化SOH退化情况, 通过电池组响应的电压和电流数据利用电池模型获得电池电阻, 进而估计电池的SOH. EKF被Plett [12]引入到电池组的SOH预测中, 通过电池组建模和系统参数识别, 继而用EKF估计SOC, 最终估算出SOH.值得一提的是, 卡尔曼滤波及其衍生算法在电池SOC、SOH估计中应用十分广泛.

上述方法在预测SOH方面取得了很大的成功, 但在实际应用中也存在部分不足之处.基于电化学阻抗谱的SOH预测需要复杂设备测量电池阻抗谱, 内阻法、化学模型法、安时积分法在预测精度上略显不足, 卡尔曼滤波法在当跟踪目标长时间被遮挡时会导致目标跟踪丢失.目前很多基于机器学习的方法被用于锂电池SOH估计. Wu等[13-14]将重要性采样、数据分组处理方法(Group method of data handling, GMDH)等应用于充放电数据采样和锂电池SOH估计, 取得了良好的预测效果. Klass等[15]利用电池充放电过程中的电池电流、电压和温度等参数建立基于支持向量机的电池模型, 并用其对电池剩余使用寿命和瞬时电阻的估计进行预测.循环神经网络(Recurrent neural network, RNN)被Eddahech等[16]引入到锂电池SOH估计中, 该方法基于等效电路方法的模型, 使用RNN来预测电池性能的退化. Lin等[17]使用概率神经网络(Probabilistic neural network, PNN)估计锂电池的SOH, 将放电时瞬时电压降以及开路电压作为SOH估计最重要的参数, 该方法能实现较高精度的SOH预测.以上方法均可实现较好的预测效果, 但SOH估计本质是回归问题, PNN更适合用在模式分类, 用于SOH估计需要大量训练样本. RNN能够学习SOH随循环次数衰退的长期依赖, 但在短期预测精度上可进一步提高.

本文将马尔科夫链引入锂电池SOH估计中并改进为KNN-马尔科夫修正策略以提升对锂电池SOH的预测效果, 该修正策略可有效减小随机扰动误差, 增强模型的短期预测能力.此外, 采用的贝叶斯正则化神经网络(Bayesian regularized neural network, BRNN)具有复杂度较低, 同时具有良好的泛化性能.为结合两者优势, 本文建立了贝叶斯正则化神经网络结合KNN-马尔科夫修正策略的组合模型实现锂电池SOH的估计, 有效提高了SOH估计的准确性与鲁棒性.

本文结构如下, 第1节介绍预测方法原理包括贝叶斯正则化网络和马尔科夫链.第2节介绍所做的工作包括预测模型的建立、特征提取以及KNN-马尔科夫修正策略.第3节介绍实验结果, 验证KNN-马尔科夫策略的有效性及所提出预测模型的准确性.第4节是本文得出的结论.

图1 多层前馈神经网络结构示意图

图2 预测模型流程图

图3 特征提取

本文建立了基于贝叶斯正则化神经网络与KNN-马尔科夫链的组合预测模型, 该模型结合了贝叶斯正则化算法在能够有效避免过拟合的优点与KNN-马尔科夫修正方法在系统短时预测方面的优势, 对锂电池SOH具有较好的预测效果.同时, 该组合预测模型对锂电池SOH的平均预测误差小于1%, 能准确估计SOH. KNN-马尔科夫链修正方法可显著提高神经网络的估计精度, 该修正方法基于SOH退化的客观规律性, 可提高神经网络15%～30%的估计精度, 该方法也为其他SOH估计方法提供了一种误差修正思路.最后, 本文将组合模型与GMDH、PNN、RNN进行了对比实验, 经实验验证, 该组合模型的预测精度相比以上两种方法分别提高了33.3%、57.2%和53.1%, 同时具有良好的鲁棒性.

作者简介

赵光财

中国科学院海西研究院泉州装备制造研究所硕士研究生. 2016年获得中国海洋大学学士学位.主要研究方向为锂电池状态估计. E-mail: zhaoguangcai17@mails.ucas.ac.cn

戴厚德

中国科学院海西研究院泉州装备制造研究所研究员. 2014年获得慕尼黑工业大学机械工程博士学位.主要研究方向为智能传感器, 信号处理和移动机器人. E-mail:dhd@fjirsm.ac.cn

武骥

合肥工业大学车辆工程系讲师. 2018年获得中国科学技术大学控制科学与工程博士学位.主要研究方向为复杂系统建模、控制与优化. E-mail: wu.ji@hfut.edu.cn

汪玉洁

中国科学技术大学自动化系副研究员. 2017年获得中国科学技术大学博士学位.主要研究方向为电动汽车能源管理, 系统建模、状态估计与控制. E-mail:wangyujie@ustc.edu.cn

林名强

中国科学院海西研究院泉州装备制造研究所副研究员. 2016年获中国科学技术大学博士学位. 主要研究方向为计算机视觉, 模式识别, 复杂系统分析与控制. 本文通信作者. E-mail: kdlmq@fjirsm.ac.cn