鋰電池在不同放電區(qū)間下的剩余壽命預(yù)測

　　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)測模型適應(yīng)實際使用工況。針對鋰離子電池在循環(huán)過程中放電區(qū)間對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)測模型應(yīng)用范圍較窄，提高車用鋰電池剩余壽命預(yù)測模型適用性能，提出使用經(jīng)驗?zāi)�態(tài)分解將容量分解為波動與趨勢分量，并通過建立差分移動自回歸模型以及廣義回歸神經(jīng)網(wǎng)絡(luò)分別進行預(yù)測，獲得鋰離子電池剩余壽命。選取NASA和CACEL電池數(shù)據(jù)集對模型進行驗證，并對比基于蟻獅優(yōu)化的相關(guān)向量機的方法，實驗結(jié)果表明：提出的模型相比蟻獅優(yōu)化的相關(guān)向量機的方法，對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，適用性能好，對電池容量再生現(xiàn)象追蹤準確。

　　關(guān)鍵詞：鋰離子電池;經(jīng)驗?zāi)�態(tài)分解;差分移動自回歸;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)性強的優(yōu)點，廣泛應(yīng)用于航空航天、軍事裝備、新能源汽車等領(lǐng)域[13]同時隨著鋰電池應(yīng)用越來越廣泛，其在一些對設(shè)備平穩(wěn)性要求較高的領(lǐng)域，鋰電池的性能對其影響日趨顯著。為保障新能源汽車等用電設(shè)備的正常運行，國內(nèi)外專家學者致力于對鋰離子電池容量衰退進行跟蹤和預(yù)測，即電池的剩余壽命預(yù)測。

　　鋰電池方向論文： 鋰電池儲能艙運行狀態(tài)信息采集系統(tǒng)研究

　　目前，鋰離子剩余壽命預(yù)測主要有基于模型與數(shù)據(jù)驅(qū)動兩種方法，基于模型的方法依賴于專業(yè)的電池知識，需要對電池內(nèi)部工作及其材料的屬性深入了解，并且針對不同型號、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)動的方法不依賴于專業(yè)的電池知識，主要通過對歷史數(shù)據(jù)進行分析，獲取電池容量變化的直接或者間接模型，然后利用模型對電池未來容量進行預(yù)測與跟蹤，目前間接預(yù)測是應(yīng)用最為廣泛的方法。

　　龐曉瓊等人針對電池壽命預(yù)測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)合的方法進行壽命預(yù)測，提高了間接預(yù)測的精度[5];史永勝等人針對鋰電池壽命預(yù)測模型精度低、泛化性能較差的問題，提出基于多退化特征的壽命預(yù)測模型，誤差得到有效降低[6];LeiRen等人針對退化數(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程算法和局部充放電時間序列對電池容量進行預(yù)測[8];SuChun等人從電池的歷史運行數(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)上對鋰電池容量進行預(yù)測[9]。

　　上述電池剩余壽命預(yù)測的模型都是基于運行參數(shù)對容量進行間接預(yù)測，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，例如等壓降放電時間，但是在實際應(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局限，因此，其適用的范圍大大縮小。針對這樣的問題，何畏等人為提前預(yù)知失效時間提出了基于相關(guān)向量機方法對電池剩余壽命進行直接預(yù)測，降低了預(yù)測誤差[10]，但是對容量再生的現(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追蹤的問題[11]，但是他們的方法對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)動的方法大都是先構(gòu)建健康因子，即從電池運行的放電數(shù)據(jù)中獲得與容量相關(guān)的量，盡管預(yù)測結(jié)果較為準確并且使用神經(jīng)網(wǎng)絡(luò)等算法準確度較高，但是鋰電池在運行過程中，工況會發(fā)生變化，當電池循環(huán)放電截止電壓區(qū)間隨機變化時，基于等壓放電時間構(gòu)建的健康因子就會失效，對鋰電池容量追蹤模型偏差將會變大，預(yù)測結(jié)果不可靠[12]。

　　因此需要對這些問題進行研究。本文在上述研究的基礎(chǔ)上，提出一種直接預(yù)測的方法：首先利用EMD對鋰電池早期容量數(shù)據(jù)進行分解，獲取趨勢分量與波動分量，然后對波動分量使用ARIMA方法進行時間序列預(yù)測，對趨勢分量使用GRNN進行預(yù)測，將趨勢預(yù)測分量與波動分量有序疊加，獲取鋰離子電池容量衰退曲線，即剩余壽命曲線，最后選擇平均絕對誤差(MeanAbsoluteerror，MAE)、均方根誤差(RootMeanSquareError，RMSE)評估預(yù)測結(jié)果。

　　1放電區(qū)間對容量衰退影響分析

　　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)測研究主要針對恒定工況，但是在實際使用中并未嚴格按照恒定工況進行充放電循環(huán)，因此需要探索放電區(qū)間對電池老化產(chǎn)生的影響。本節(jié)選用NASA電池數(shù)據(jù)集B0005~B0007號電池數(shù)據(jù)集進行探索分析。

　　電池型號參數(shù)為額定容量2Ah，額定電壓4.2V。在室溫下以1.5A的恒定電流模式進行充電，直到電池電壓達到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NASA電池數(shù)據(jù)集不同截止電壓下的電池容量衰減趨勢不同，截止電壓與容量衰減速率并沒有準確的映射關(guān)系，B0005號電池放電電壓區(qū)間為4.2~2.7V之間，B0005號電池放電電壓區(qū)間為4.2~2.5V之間，B0007號為4.2~2.2V之間，三者衰減速率存在較大差異，和截止電壓沒有明顯關(guān)系。因此對于恒定區(qū)間工作的鋰電池剩余壽命預(yù)測，雖然使用放電性能映射的特性可以對電池容量衰退進行預(yù)測，但是當處于實際使用的情況下，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)，等壓放電時間等健康因子無法進行構(gòu)建，會導(dǎo)致模型無法適用于變化的工況。

　　實際運行過程中電壓會在不同循環(huán)中發(fā)生變化，等壓放電時間無法提取，因此需要對電池剩余壽命模型進行進一步的研究，突破放電性能映射構(gòu)建鋰離子電池剩余壽命預(yù)測模型。

　　2任意放電區(qū)間剩余壽命預(yù)測模型的構(gòu)建

　　為突破電池剩余壽命預(yù)測依賴放電性能映射關(guān)系的瓶頸，構(gòu)建直接預(yù)測模型，通過容量歷史數(shù)據(jù)對未來容量數(shù)據(jù)進行預(yù)測。其主要原理如下。

　　2.1經(jīng)驗?zāi)�態(tài)分解方法概述

　　EMD方法是由黃鍔(N.E.Huang)在美國國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)信號處理方法，特別適用于非線性非平穩(wěn)信號的分析處理，可以分解信號中不同類型的波動與趨勢[13]。

　　EMD具有較好的適應(yīng)性，能夠凸顯信號中可能忽略的結(jié)構(gòu)，同時將噪聲和有效信號分離為不同的本征模函數(shù)(IMF)和殘差，IMF反映原始時間序列振蕩波動的特性，而殘差反映序列的趨勢[14]。EMD適合處理非線性、非平穩(wěn)的數(shù)據(jù)，適合對電池容量數(shù)據(jù)進行處理，獲取電池容量復(fù)雜的非線性時間序列的特征。具體步驟如下：

　　1)找出時間序列xt()所有的極值點;2)用插值法對極小值點形成包絡(luò)Etmin，對極大值形成包絡(luò)Etmax。鋰電池在工作過程中容量會發(fā)生短暫的提高，從而造成容量數(shù)據(jù)波動，此種現(xiàn)象為容量再生現(xiàn)象。從B0005~B0007容量波動情況看，可以發(fā)現(xiàn)波動存在相似性，因此通過經(jīng)驗?zāi)�態(tài)分解的方法對容量分解為波動與趨勢分量。以B0005號容量數(shù)據(jù)為例。

　　2.2差分移動自回歸模型概述

　　時間序列預(yù)測是通過對歷史數(shù)據(jù)的研究得到未來一段時間的預(yù)測。目前，比較精確的算法為ARIMA，該模型是將自回歸(autoregressive，AR)模型和移動平均(movingaverage，MA)模型相結(jié)合得到的，是一種非平穩(wěn)時間序列模型[15]。

　　2.3廣義回歸神經(jīng)網(wǎng)絡(luò)概述

　　GRNN是由美國學者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)測樣本較少以及數(shù)據(jù)不穩(wěn)定的情況下，預(yù)測效果較好。因此，廣泛應(yīng)用于信號、結(jié)構(gòu)分析以及預(yù)測等方面[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，首先對容量數(shù)據(jù)進行EMD分析整合，獲取趨勢分量與波動分量，然后針對不同分量使用不同模型進行分析，最后預(yù)測結(jié)果得到容量衰退趨勢，即電池剩余壽命。

　　3.試驗驗證與結(jié)果評估

　　本節(jié)使用來源于NASAPCoE的B0006號與CACLE的電池數(shù)據(jù)集CS27與CS235進行方法驗證，針對恒定工況與隨機變化的放電電壓區(qū)間進行驗證，檢驗提出方法的有效性。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;程序運行環(huán)境為Matlab2019a版本。

　　按照2.4節(jié)步驟對B0006、CS235、CS27三組電池數(shù)據(jù)進行分析預(yù)測，得到下面三組結(jié)果，同時與基于電池放電映射關(guān)系的方法進行比較分析。在實際預(yù)測過程中，由于電池前期運行發(fā)生故障以及衰退較慢，為避免計算復(fù)雜，節(jié)約計算資源，僅在前期進行趨勢預(yù)測，用于粗略掌握電池運行狀況，在后期保證數(shù)據(jù)充足的情況下，增加波動預(yù)測，提高跟蹤電池老化衰退的能力。

　　4結(jié)束語

　　鋰離子電池剩余壽命預(yù)測在設(shè)備的安全穩(wěn)定運行過程中起著重要的作用，準確判斷電池失效狀態(tài)能夠降低風險確保生活生產(chǎn)的平穩(wěn)進行。本文提出一種基于EMDARIMAGRNN的直接預(yù)測方法對電池剩余壽命進行跟蹤預(yù)測，突破了傳統(tǒng)電池剩余壽命預(yù)測模型主要基于放電性能映射方法構(gòu)建的局限性，解決了隨機放電區(qū)間電池剩余壽命預(yù)測的問題。采用NASA和CACLE的電池退化數(shù)據(jù)集進行驗證，并且與ALOSVR方法的預(yù)測結(jié)果進行比較，驗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，無法適應(yīng)在使用工況下的鋰離子電池剩余壽命預(yù)測，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)分解后獲得波動與趨勢分量后分別對兩部分使用ARIMA與GRNN的方法進行跟蹤預(yù)測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，這是因為電池容量的衰退本質(zhì)上是由其內(nèi)部化學與物理結(jié)構(gòu)決定的，因此通過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)果準確，穩(wěn)定。

　　2)電池在實際運行中，容量等數(shù)據(jù)會隨著循環(huán)進行增加，因此，要進行訓(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)測模型，因此，本文所提出的EMDARIMAGRNN的方法對不同種類的電池剩余壽命跟蹤預(yù)測表現(xiàn)出良好的跟蹤預(yù)測性能。通過與現(xiàn)有文獻中的方法比較，所提出的方法針對B0006數(shù)據(jù)集的誤差降低了0.0095，對CS235數(shù)據(jù)集，誤差降低了0.0153，同時能夠針對隨機放電截止電壓區(qū)間進行準確的剩余壽命跟蹤預(yù)測，表現(xiàn)出較好的魯棒性和適用性。為今后新能源汽車安全性準確判斷奠定了基礎(chǔ)。

　　參考文獻

　　[1]陳萬蔡艷平蘇延召姜柯黃華基于改進粒子濾波的鋰離子電池剩余壽命預(yù)測[J].中國測試,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)載請注明來自發(fā)表學術(shù)論文網(wǎng)：http:///dzlw/28957.html