欢迎光临HAWKER英国霍克蓄电池（中国）营销总部
服务热线：15313702523

首页 > 新闻中心

霍克锂电池基于物理信息机器学习的锂离子电池健康状态估计方法——采用模拟电压数据

随着锂离子电池的广泛应用，健康状态（SOH）估计作为锂离子电池管理系统的重要功能已成为研究热点。然而，在实际使用中直接获取电池SOH具有挑战性，且为机器学习（ML）模型训练获取电池老化数据集的时间成本较高。本文首次结合拉丁超立方采样（LHS）与几何形状筛选算法，开发了一种基于简化电化学模型（SEM）的数据生成方法以获取模拟电池老化数据集。通过从恒流（CC）充电数据中提取特征，随后开发了基于特征的迁移学习（FB-TL）方法，包含样本选择与斜率对齐步骤以实现无监督域自适应。最终训练高斯过程回归（GPR）模型以建立特征与SOH之间的映射关系。该方法在LCO电池数据集上的平均绝对误差（MAE）为0.0252，在NCM电池数据集上为0.0032，表明该方法能够在不同类型电池上均取得良好性能。

引言

随着可持续能源的发展，对储能的需求日益旺盛[1]。锂离子电池凭借其在能量密度、循环寿命与低温性能方面的优势[2]，作为储能核心部件被广泛应用于电动汽车[3]、储能装置[4]及电子产品[5]领域。然而，锂离子电池的老化会导致其电压、功率与阻抗特性发生显著变化。因此，作为电池管理系统（BMS）基础功能的健康状态（SOH）估计精度，对锂电池的安全可靠运行具有关键作用。
在电池健康状态(SOH)估算领域，早期研究主要依赖于基于失效模型的方法。这类基于第一性原理构建的方法能够准确描述电池内部机理变化，并具有较强的可解释性。然而模型本身复杂度高、计算量大，且高度依赖难以精确获取的参数，因而在实际电池管理系统中实时应用存在局限性。近年来，数据驱动方法在SOH估算领域获得了广泛关注[6]。研究者们采用差分热电压法[7]、离散增量容量曲线[8]和主成分分析[9]进行特征提取，并结合机器学习方法，基于早期老化数据实现了对电池SOH的精确估算。
然而在实际应用中，通过满容量校准获取精确的健康状态（SOH）几乎不可行。机器学习模型训练所需的标注数据难以获取，这使得依赖大量标注数据的监督学习模型应用面临挑战。在此背景下，引入迁移学习思想以降低无标注目标域条件下的数据分布差异。Fu等[10]提出了一种基于特征匹配的迁移学习方法，用于减小源域与目标域间的特征分布差异。Wang等人[11]采用异构电池数据集对预训练模型进行再训练，并提出一种两阶段方法以进一步提升模型性能。Ye等人[12]提出基于深度域对抗网络的无监督特征对齐度量方法，用于估算不同工况下的电池健康状态(SOH)。上述方法在SOH估算领域已取得良好效果，但电池材料与工况差异限制了该方法的普适性。训练机器学习模型需要获取各种工况下的大量实验数据，这一过程耗时费力。利用模拟数据集训练机器学习模型可有效降低训练数据采集成本。
电化学模型常用于描述电池的内外部特性。M. Doyle等人[13]基于多孔电极与浓溶液理论，提出了准二维(P2D)模型以模拟电池恒流充放电行为。J. Li等人[14]提出了一种低阶电池模型，并在多种放电场景下进行了电压预测。上述模型均已实现精确的电压模拟。然而，电池复杂的衰老机制[15]使得新电池获得的模型参数无法适用于老化电池[16]。在电池老化过程中，电化学模型的参数会相应变化[17]，并对模拟电压产生决定性影响[18]。这些参数的变化能够反映电池的退化过程。因此，通过调整参数可以模拟电池的老化性能，从而为机器学习模型的训练提供老化数据。
近期，若干研究尝试采用电化学模型生成模拟数据。文献[19]运用基于物理的有限元模型计算主导老化模式的影响，并将结果与实验数据融合以实现电池健康状态(SOH)估算。文献[20]则采用耦合热电模型生成充电曲线，结合深度学习模型实现超早期电池性能的精准预测。这些方法均取得了良好效果。在生成模拟数据时，上述方法均基于特定电池老化模式的假设[19]，或设定充电速率与容量衰减间的线性关系[20]。实际上，电池老化过程涵盖多种老化失效行为，例如固体电解质界面相的生长、电解液的老化分解以及电极中锂金属的析出等[21]。因此，有必要考虑不同的老化退化因素，并通过调整模型参数来Gen老化数据，以用于机器学习模型的训练。
测试电池历史数据的缺失导致收集大量老化数据需要耗费高昂时间成本。为解决这一问题，本文融合物理模型与数据驱动方法，开发了一种能利用模拟数据训练模型来预测真实电池健康状态（SOH）的方法。该方法主要旨在解决以下两个研究问题：(1) 如何生成模拟数据集并通过有效保留关键模拟数据来减小数据规模；(2) 如何缩小模拟老化数据与真实老化数据之间的分布差异。本文的主要贡献如下：
  • (1)
    为生成模拟数据集，采用拉丁超立方抽样（LHS）从简化电化学模型各变量的多性向参数分布中生成近似随机样本。通过综合考虑电压值、电压曲线变化及容量等因素，开发筛选算法以有效缩减数据规模。
  • (2)
    为减小模拟数据与真实数据的分布差异，针对生成的模拟数据集，开发了基于特征的无监督域适应迁移学习（FB-TL）方法。通过样本选择与斜率对齐，增强源域与目标域间的特征相似性。
上一个：霍克锂电池金属性MoScP2Se6具有超快离子扩散特性的单层材料用于高性能钠钾离子电池 下一个：霍克锂电池基于低秩矩阵逼近与非参数Kullback-Leibler散度的锂离子电池储能系统一致性评估

推荐新闻

新闻中心

联系我们

联系人：英国霍克蓄电池（中国）营销总部

手机：15313702523（微信同号）

E-mail：ukhawker@yeah.net