本文摘要：摘要：隨著鋰離子電池的廣泛應(yīng)用，需要現(xiàn)有剩余壽命預(yù)測(cè)模型適應(yīng)實(shí)際使用工況。針對(duì)鋰離子電池在循環(huán)過(guò)程中放電區(qū)間對(duì)容量衰減影響較大的現(xiàn)象，為解決基于放電性能映射關(guān)系建立的剩余壽命預(yù)測(cè)模型應(yīng)用范圍較窄，提高車(chē)用鋰電池剩余壽命預(yù)測(cè)模型適用性能，提出使用經(jīng)驗(yàn)
摘要：隨著鋰離子電池的廣泛應(yīng)用，需要現(xiàn)有剩余壽命預(yù)測(cè)模型適應(yīng)實(shí)際使用工況。針對(duì)鋰離子電池在循環(huán)過(guò)程中放電區(qū)間對(duì)容量衰減影響較大的現(xiàn)象，為解決基于放電性能映射關(guān)系建立的剩余壽命預(yù)測(cè)模型應(yīng)用范圍較窄，提高車(chē)用鋰電池剩余壽命預(yù)測(cè)模型適用性能，提出使用經(jīng)驗(yàn)?zāi)B(tài)分解將容量分解為波動(dòng)與趨勢(shì)分量，并通過(guò)建立差分移動(dòng)自回歸模型以及廣義回歸神經(jīng)網(wǎng)絡(luò)分別進(jìn)行預(yù)測(cè)，獲得鋰離子電池剩余壽命。選取NASA和CACEL電池?cái)?shù)據(jù)集對(duì)模型進(jìn)行驗(yàn)證，并對(duì)比基于蟻獅優(yōu)化的相關(guān)向量機(jī)的方法，實(shí)驗(yàn)結(jié)果表明：提出的模型相比蟻獅優(yōu)化的相關(guān)向量機(jī)的方法，對(duì)容量衰退的跟蹤誤差平均降低，能夠?qū)崿F(xiàn)不同放電區(qū)間下的電池老化預(yù)測(cè)，適用性能好，對(duì)電池容量再生現(xiàn)象追蹤準(zhǔn)確。
關(guān)鍵詞：鋰離子電池;經(jīng)驗(yàn)?zāi)B(tài)分解;差分移動(dòng)自回歸;廣義回歸神經(jīng)網(wǎng)絡(luò);剩余壽命
0引言
鋰離子電池作為一種二次電池，因其具有比能量高、能量輸出穩(wěn)定以及適應(yīng)性強(qiáng)的優(yōu)點(diǎn)，廣泛應(yīng)用于航空航天、軍事裝備、新能源汽車(chē)等領(lǐng)域[13]同時(shí)隨著鋰電池應(yīng)用越來(lái)越廣泛，其在一些對(duì)設(shè)備平穩(wěn)性要求較高的領(lǐng)域，鋰電池的性能對(duì)其影響日趨顯著。為保障新能源汽車(chē)等用電設(shè)備的正常運(yùn)行，國(guó)內(nèi)外專(zhuān)家學(xué)者致力于對(duì)鋰離子電池容量衰退進(jìn)行跟蹤和預(yù)測(cè)，即電池的剩余壽命預(yù)測(cè)。
鋰電池方向論文： 鋰電池儲(chǔ)能艙運(yùn)行狀態(tài)信息采集系統(tǒng)研究
目前，鋰離子剩余壽命預(yù)測(cè)主要有基于模型與數(shù)據(jù)驅(qū)動(dòng)兩種方法，基于模型的方法依賴(lài)于專(zhuān)業(yè)的電池知識(shí)，需要對(duì)電池內(nèi)部工作及其材料的屬性深入了解，并且針對(duì)不同型號(hào)、不同工況下的電池需要重新建立衰退模型，使用局限性較大;基于數(shù)據(jù)驅(qū)動(dòng)的方法不依賴(lài)于專(zhuān)業(yè)的電池知識(shí)，主要通過(guò)對(duì)歷史數(shù)據(jù)進(jìn)行分析，獲取電池容量變化的直接或者間接模型，然后利用模型對(duì)電池未來(lái)容量進(jìn)行預(yù)測(cè)與跟蹤，目前間接預(yù)測(cè)是應(yīng)用最為廣泛的方法。
龐曉瓊等人針對(duì)電池壽命預(yù)測(cè)精度易受健康因子冗余的影響，提出結(jié)合主成分分析與非線性自回歸神經(jīng)網(wǎng)絡(luò)結(jié)合的方法進(jìn)行壽命預(yù)測(cè)，提高了間接預(yù)測(cè)的精度[5];史永勝等人針對(duì)鋰電池壽命預(yù)測(cè)模型精度低、泛化性能較差的問(wèn)題，提出基于多退化特征的壽命預(yù)測(cè)模型，誤差得到有效降低[6];LeiRen等人針對(duì)退化數(shù)據(jù)量不足提出基于深度卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)挖掘少量數(shù)據(jù)與容量退化之間的關(guān)系[7];PiyushTagade等人提出一種使用高斯過(guò)程算法和局部充放電時(shí)間序列對(duì)電池容量進(jìn)行預(yù)測(cè)[8];SuChun等人從電池的歷史運(yùn)行數(shù)據(jù)中得到間接健康因子，包括工作電流、電壓以及溫度，在此基礎(chǔ)上對(duì)鋰電池容量進(jìn)行預(yù)測(cè)[9]。
上述電池剩余壽命預(yù)測(cè)的模型都是基于運(yùn)行參數(shù)對(duì)容量進(jìn)行間接預(yù)測(cè)，這種方法的間接健康因子通常是基于一段固定區(qū)間的參數(shù)建立，例如等壓降放電時(shí)間，但是在實(shí)際應(yīng)用中，電池放電往往不是滿充滿放的狀態(tài)，限定區(qū)間的提取健康因子的方法相當(dāng)局限，因此，其適用的范圍大大縮小。針對(duì)這樣的問(wèn)題，何畏等人為提前預(yù)知失效時(shí)間提出了基于相關(guān)向量機(jī)方法對(duì)電池剩余壽命進(jìn)行直接預(yù)測(cè)，降低了預(yù)測(cè)誤差[10]，但是對(duì)容量再生的現(xiàn)象追蹤能力較差;楊戰(zhàn)社等人提出使用提出灰狼優(yōu)化支持向量回歸的方法解決了容量波動(dòng)追蹤的問(wèn)題[11]，但是他們的方法對(duì)容量追蹤僅在中后期，早期的容量跟蹤也很重要。
綜上所述，基于數(shù)據(jù)驅(qū)動(dòng)的方法大都是先構(gòu)建健康因子，即從電池運(yùn)行的放電數(shù)據(jù)中獲得與容量相關(guān)的量，盡管預(yù)測(cè)結(jié)果較為準(zhǔn)確并且使用神經(jīng)網(wǎng)絡(luò)等算法準(zhǔn)確度較高，但是鋰電池在運(yùn)行過(guò)程中，工況會(huì)發(fā)生變化，當(dāng)電池循環(huán)放電截止電壓區(qū)間隨機(jī)變化時(shí)，基于等壓放電時(shí)間構(gòu)建的健康因子就會(huì)失效，對(duì)鋰電池容量追蹤模型偏差將會(huì)變大，預(yù)測(cè)結(jié)果不可靠[12]。
因此需要對(duì)這些問(wèn)題進(jìn)行研究。本文在上述研究的基礎(chǔ)上，提出一種直接預(yù)測(cè)的方法：首先利用EMD對(duì)鋰電池早期容量數(shù)據(jù)進(jìn)行分解，獲取趨勢(shì)分量與波動(dòng)分量，然后對(duì)波動(dòng)分量使用ARIMA方法進(jìn)行時(shí)間序列預(yù)測(cè)，對(duì)趨勢(shì)分量使用GRNN進(jìn)行預(yù)測(cè)，將趨勢(shì)預(yù)測(cè)分量與波動(dòng)分量有序疊加，獲取鋰離子電池容量衰退曲線，即剩余壽命曲線，最后選擇平均絕對(duì)誤差(MeanAbsoluteerror，MAE)、均方根誤差(RootMeanSquareError，RMSE)評(píng)估預(yù)測(cè)結(jié)果。
1放電區(qū)間對(duì)容量衰退影響分析
鋰離子電池是一種廣泛應(yīng)用的二次電池，目前的剩余壽命預(yù)測(cè)研究主要針對(duì)恒定工況，但是在實(shí)際使用中并未嚴(yán)格按照恒定工況進(jìn)行充放電循環(huán)，因此需要探索放電區(qū)間對(duì)電池老化產(chǎn)生的影響。本節(jié)選用NASA電池?cái)?shù)據(jù)集B0005~B0007號(hào)電池?cái)?shù)據(jù)集進(jìn)行探索分析。
電池型號(hào)參數(shù)為額定容量2Ah，額定電壓4.2V。在室溫下以1.5A的恒定電流模式進(jìn)行充電，直到電池電壓達(dá)到4.2V，然后以恒定電壓模式繼續(xù)充電，直到充電電流降至20mA，以2A的恒定電流進(jìn)行放電，直到電池的電壓分別降至2.7V，2.5V，2.2V，三塊電池都是完全充放電狀態(tài)。
針對(duì)NASA電池?cái)?shù)據(jù)集不同截止電壓下的電池容量衰減趨勢(shì)不同，截止電壓與容量衰減速率并沒(méi)有準(zhǔn)確的映射關(guān)系，B0005號(hào)電池放電電壓區(qū)間為4.2~2.7V之間，B0005號(hào)電池放電電壓區(qū)間為4.2~2.5V之間，B0007號(hào)為4.2~2.2V之間，三者衰減速率存在較大差異，和截止電壓沒(méi)有明顯關(guān)系。因此對(duì)于恒定區(qū)間工作的鋰電池剩余壽命預(yù)測(cè)，雖然使用放電性能映射的特性可以對(duì)電池容量衰退進(jìn)行預(yù)測(cè)，但是當(dāng)處于實(shí)際使用的情況下，電池的放電截止電壓是發(fā)生變化的，并且電池可能不處于滿充滿放的狀態(tài)，等壓放電時(shí)間等健康因子無(wú)法進(jìn)行構(gòu)建，會(huì)導(dǎo)致模型無(wú)法適用于變化的工況。
實(shí)際運(yùn)行過(guò)程中電壓會(huì)在不同循環(huán)中發(fā)生變化，等壓放電時(shí)間無(wú)法提取，因此需要對(duì)電池剩余壽命模型進(jìn)行進(jìn)一步的研究，突破放電性能映射構(gòu)建鋰離子電池剩余壽命預(yù)測(cè)模型。
2任意放電區(qū)間剩余壽命預(yù)測(cè)模型的構(gòu)建
為突破電池剩余壽命預(yù)測(cè)依賴(lài)放電性能映射關(guān)系的瓶頸，構(gòu)建直接預(yù)測(cè)模型，通過(guò)容量歷史數(shù)據(jù)對(duì)未來(lái)容量數(shù)據(jù)進(jìn)行預(yù)測(cè)。其主要原理如下。
2.1經(jīng)驗(yàn)?zāi)B(tài)分解方法概述
EMD方法是由黃鍔(N.E.Huang)在美國(guó)國(guó)家宇航局與其他人于1998年創(chuàng)造性地提出的一種新型自適應(yīng)信號(hào)處理方法，特別適用于非線性非平穩(wěn)信號(hào)的分析處理，可以分解信號(hào)中不同類(lèi)型的波動(dòng)與趨勢(shì)[13]。
EMD具有較好的適應(yīng)性，能夠凸顯信號(hào)中可能忽略的結(jié)構(gòu)，同時(shí)將噪聲和有效信號(hào)分離為不同的本征模函數(shù)(IMF)和殘差，IMF反映原始時(shí)間序列振蕩波動(dòng)的特性，而殘差反映序列的趨勢(shì)[14]。EMD適合處理非線性、非平穩(wěn)的數(shù)據(jù)，適合對(duì)電池容量數(shù)據(jù)進(jìn)行處理，獲取電池容量復(fù)雜的非線性時(shí)間序列的特征。具體步驟如下：
1)找出時(shí)間序列xt()所有的極值點(diǎn);2)用插值法對(duì)極小值點(diǎn)形成包絡(luò)Etmin，對(duì)極大值形成包絡(luò)Etmax。鋰電池在工作過(guò)程中容量會(huì)發(fā)生短暫的提高，從而造成容量數(shù)據(jù)波動(dòng)，此種現(xiàn)象為容量再生現(xiàn)象。從B0005~B0007容量波動(dòng)情況看，可以發(fā)現(xiàn)波動(dòng)存在相似性，因此通過(guò)經(jīng)驗(yàn)?zāi)B(tài)分解的方法對(duì)容量分解為波動(dòng)與趨勢(shì)分量。以B0005號(hào)容量數(shù)據(jù)為例。
2.2差分移動(dòng)自回歸模型概述
時(shí)間序列預(yù)測(cè)是通過(guò)對(duì)歷史數(shù)據(jù)的研究得到未來(lái)一段時(shí)間的預(yù)測(cè)。目前，比較精確的算法為ARIMA，該模型是將自回歸(autoregressive，AR)模型和移動(dòng)平均(movingaverage，MA)模型相結(jié)合得到的，是一種非平穩(wěn)時(shí)間序列模型[15]。
2.3廣義回歸神經(jīng)網(wǎng)絡(luò)概述
GRNN是由美國(guó)學(xué)者DonaldF.Specht在1991年提出，是徑向基神經(jīng)網(wǎng)絡(luò)的一種[16]。GRNN在預(yù)測(cè)樣本較少以及數(shù)據(jù)不穩(wěn)定的情況下，預(yù)測(cè)效果較好。因此，廣泛應(yīng)用于信號(hào)、結(jié)構(gòu)分析以及預(yù)測(cè)等方面[16]。GRNN在結(jié)構(gòu)上由4層組成，分別為輸入層、模式層、求和層以及輸出層。
2.4電池剩余壽命預(yù)測(cè)模型構(gòu)建
根據(jù)上述算法原理特性，將ARIMA算法與GRNN算法相融合，首先對(duì)容量數(shù)據(jù)進(jìn)行EMD分析整合，獲取趨勢(shì)分量與波動(dòng)分量，然后針對(duì)不同分量使用不同模型進(jìn)行分析，最后預(yù)測(cè)結(jié)果得到容量衰退趨勢(shì)，即電池剩余壽命。
3.試驗(yàn)驗(yàn)證與結(jié)果評(píng)估
本節(jié)使用來(lái)源于NASAPCoE的B0006號(hào)與CACLE的電池?cái)?shù)據(jù)集CS27與CS235進(jìn)行方法驗(yàn)證，針對(duì)恒定工況與隨機(jī)變化的放電電壓區(qū)間進(jìn)行驗(yàn)證，檢驗(yàn)提出方法的有效性。各電池的參數(shù)為：B0006：放電截止電壓為2.5V，初始容量為2Ah;CS235：以1C的恒定電流循環(huán)，放電電壓區(qū)間為4.2V~2.8V，初始容量為1.13Ah;CS27：以0.55A的恒定電流放電循環(huán)，截止電壓是隨機(jī)變化的，以模擬用戶不確定的截止電壓行為，初始容量為1.33Ah;程序運(yùn)行環(huán)境為Matlab2019a版本。
按照2.4節(jié)步驟對(duì)B0006、CS235、CS27三組電池?cái)?shù)據(jù)進(jìn)行分析預(yù)測(cè)，得到下面三組結(jié)果，同時(shí)與基于電池放電映射關(guān)系的方法進(jìn)行比較分析。在實(shí)際預(yù)測(cè)過(guò)程中，由于電池前期運(yùn)行發(fā)生故障以及衰退較慢，為避免計(jì)算復(fù)雜，節(jié)約計(jì)算資源，僅在前期進(jìn)行趨勢(shì)預(yù)測(cè)，用于粗略掌握電池運(yùn)行狀況，在后期保證數(shù)據(jù)充足的情況下，增加波動(dòng)預(yù)測(cè)，提高跟蹤電池老化衰退的能力。
4結(jié)束語(yǔ)
鋰離子電池剩余壽命預(yù)測(cè)在設(shè)備的安全穩(wěn)定運(yùn)行過(guò)程中起著重要的作用，準(zhǔn)確判斷電池失效狀態(tài)能夠降低風(fēng)險(xiǎn)確保生活生產(chǎn)的平穩(wěn)進(jìn)行。本文提出一種基于EMDARIMAGRNN的直接預(yù)測(cè)方法對(duì)電池剩余壽命進(jìn)行跟蹤預(yù)測(cè)，突破了傳統(tǒng)電池剩余壽命預(yù)測(cè)模型主要基于放電性能映射方法構(gòu)建的局限性，解決了隨機(jī)放電區(qū)間電池剩余壽命預(yù)測(cè)的問(wèn)題。采用NASA和CACLE的電池退化數(shù)據(jù)集進(jìn)行驗(yàn)證，并且與ALOSVR方法的預(yù)測(cè)結(jié)果進(jìn)行比較，驗(yàn)證了所提出方法的有效性和優(yōu)越性。本文主要結(jié)論如下：
1)傳統(tǒng)的基于放電性能映射關(guān)系所建立的模型，無(wú)法適應(yīng)在使用工況下的鋰離子電池剩余壽命預(yù)測(cè)，其在基礎(chǔ)的健康因子的建立方面就局限了模型的適用范圍，而利用EMD的方法將容量數(shù)據(jù)分解后獲得波動(dòng)與趨勢(shì)分量后分別對(duì)兩部分使用ARIMA與GRNN的方法進(jìn)行跟蹤預(yù)測(cè)突破了電池剩余壽命建模依靠放電性能映射關(guān)系的瓶頸，這是因?yàn)殡姵厝萘康乃ネ吮举|(zhì)上是由其內(nèi)部化學(xué)與物理結(jié)構(gòu)決定的，因此通過(guò)EMD的方法可以分解電池容量數(shù)據(jù)，從模型的跟蹤能力看，結(jié)果準(zhǔn)確，穩(wěn)定。
2)電池在實(shí)際運(yùn)行中，容量等數(shù)據(jù)會(huì)隨著循環(huán)進(jìn)行增加，因此，要進(jìn)行訓(xùn)練數(shù)據(jù)集的不斷更新，才能得到最新的容量變化的預(yù)測(cè)模型，因此，本文所提出的EMDARIMAGRNN的方法對(duì)不同種類(lèi)的電池剩余壽命跟蹤預(yù)測(cè)表現(xiàn)出良好的跟蹤預(yù)測(cè)性能。通過(guò)與現(xiàn)有文獻(xiàn)中的方法比較，所提出的方法針對(duì)B0006數(shù)據(jù)集的誤差降低了0.0095，對(duì)CS235數(shù)據(jù)集，誤差降低了0.0153，同時(shí)能夠針對(duì)隨機(jī)放電截止電壓區(qū)間進(jìn)行準(zhǔn)確的剩余壽命跟蹤預(yù)測(cè)，表現(xiàn)出較好的魯棒性和適用性。為今后新能源汽車(chē)安全性準(zhǔn)確判斷奠定了基礎(chǔ)。
參考文獻(xiàn)
[1]陳萬(wàn)蔡艷平蘇延召姜柯黃華基于改進(jìn)粒子濾波的鋰離子電池剩余壽命預(yù)測(cè)[J].中國(guó)測(cè)試,2021,47(7):148153.
[2]HEN,IU,UEQ,etal.RemainingusefullifepredictionforlithiumionbatteriesbasedoncapacityestimationandBoxCoxtransformation[J].IEEETransactionsonVehicularTechnology,2020,11(9):e0163004
[3]HANGN,XUA,WANGK,etal.RemainingusefullifepredictionoflithiumbatteriesbasedonextendedKalmanparticlefilter[J].IEEJTransactionsonElectricalandElectronicEngineering,2021,16(2):206214.
作者：趙沁峰，蔡艷平，王新軍
轉(zhuǎn)載請(qǐng)注明來(lái)自發(fā)表學(xué)術(shù)論文網(wǎng)：http:///dzlw/28957.html
