数据驱动的电动汽车电池SOH估算方法

蓝色

字关注草木茶吧

如何估算电池SOH一直是困扰电动汽车电池的难题。近年来随着大数据及机器学习技术不断进步，使用数据驱动的方法来估算电池SOH越来越可行，今天整理一篇韩国三星先进技术研究院的文章[1]，主题是数据驱动的方法实时评估电动汽车电池的SOH。

1 神经网络模型

神经网络结构如图1所示，包含输入层、掩藏层和输出层，其中p=(p1,…,pi,…)为输入，w=(w1,…,wi,…)为权重，b为偏移，内部公式为q=wpT+b，a=fa(q)为标量输出函数。本文中神经网络模型采用单掩藏层、掩藏层节点数量与输出层节点数量相同，否则模型过于复杂会导致过拟合。

图1 神经网络结构

2SOH标签数据获取

电池SOH通常基于等效电路模型参数变化或电池容量变化计算。基于等效电路模型参数变化的SOH计算见公式（1），式中R为初始内阻，Ri为某一时刻内阻，REOL为寿命中止时内阻。基于电池容量变化的SOH计算见公式（2），式中C为标称容量或者初始容量，Ci为某一时刻容量。本文采用公式（2）计算SOH，因此需要周期性满充满放测量电池容量。

--------------------------- (1)

----------------------------- (2)

3 训练数据获取及目标函数

电池老化因素包括SOC、负载、环境温度、湿度、化学反应等内部和外部因素，完整列出所有影响因素，并评估这些因素对电池剩余使用寿命的影响几乎是不可能的。但是所有这些信息都会通过电流、电压、温度三个与电池密切相关的基本信号反映出来。

不同电流/电压/温度三维历史分布模式如图2所示，不同模式在寿命终止时电流/电压/温度三维历史分布明显不同，此外，同一模式在初始至终止过程中电流/电压/温度三维历史分布也有区别，因此采用电流/电压/温度三维历史分布数据能够反映使用条件差异对电池容量保持率衰减速率的影响。

图2 不同电流/电压/温度历史分布模式(a)-(e)，及相应的容量衰减

电流/电压/温度及SOH标签训练数据获取步骤如下：

(a)获取10中典型驾驶工况的电池电流/电压/温度历史分布数据集，图3(a)；

(b)将所有从初始至电池寿命终止的数据集合并，通过k均值聚类算法找到k个质心进而将数据集聚类为k类，K为80时均方根误差（RMSE）最小，图3(b)；

(c)计算测试数据分别属于k个类块中的点的数量，构成k维向量，图3(c)；

图3 训练数据集和测试数据集处理方法

(d)将K维向量、SOH标签数值作为模型训练数据，见公式（3），其中xi代表电流/电压/温度数据集，yi代表SOH标签数值。

-------------------（3）

需要找到一个θ，使公式（4）中估计误差J(θ)最小，也即使真实SOH（yi）与相应的估计值f(xi;θ)之间的误差最小，公式（5）。

---------------------（4）

------------------------（5）

4 估算结果验证

将满充满放测试的电池容量、SVM（CL）、SVM（HS）、NN（HS）四种方法的电池容量进行对比，如图4所示，具体计算结果见表1，NN（HS）的估算结果都在5%误差范围内，并且整体上优于SVM（CL）和SVM（HS）估算结果。

图4 电池容量估算结果验证

表1 估算误差

5 点评

①文献中从EPA（美国环境保护署）挑选了10种典型工况进行电池充放电测试获取电池电流/电压/温度历史分布数据集，在实际情况下如何定义各种类型的驾驶工况？选如何获取尽可能全的反映驾驶工况的电池电流/电压/温度历史分布数据集？

②为防止模型向特定维度倾斜，使用z分数（z-score）将所有数据集归一化为均值为0，标准差为1的数据集。数据处理是关键，特别是数据清洗。

③需要准确电池的容量或者SOH，用来给电流/电压/温度数据集打标签，因此电池实际容量计算是基础。实车不具备满充满放测试条件，如果BMS可以上传实际容量数据，是否可信？如果BMS不能上传实际容量数据，后台计算准确度如何？

④文中没有阐述基于上述方法进行电池RUL预测，后续需要验证可行性及精度。

参考文献

[1] You G, Park S, Oh D. Real-time state-of-health estimation for electric vehicle batteries: A data-driven approach[J]. Applied energy, 2016, 176: 92-103.

當溪壹號

只提供最优质的武夷岩茶