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 > 霍克蓄电池-官网

基于深度神经网络的锂离子EnerSys蓄电池在不同工作温度下的健康状态预测

摘要

锂离子电池健康状态(SoH)的估计在电池的高效运行和性能评估中起着至关重要的作用。本文提出了一种深度神经网络(DNN)模型,用于估计电池的SoH,该模型基于包含1945个数据点(涵盖电池类型、温度、负载电流、最低电压等变量)的实验数据集Vmin),电压波动(VVar),以及循环。输入特征通过最大最小缩放进行归一化,DNN结构通过激活函数、隐藏神经元数量、隐藏层数量、批次大小、优化器、掉落率和核L2正则化参数进行调整。在泛化能力方面,进行了LOTO和LOBO测试,在所有配置中,43 °C温度下,使用sigmoid激活函数的测试MAE为2.16,仅包含12个神经元的单隐藏层,掉落率为0.2,核L2为0.000001,批次大小为1,并使用Adam优化器。同时,与线性回归、决策树、随机森林和XGBoost等其他机器学习算法的结果进行了比较。在所有测试的电池类型和温度下,DNN结构获得的Kullback-Leibler散度最小,这意味着预测的SoH分布与参考数据高度相似。此外,43 °C的实际值与预测值对比图表明,DNN能够捕捉电池SoH的趋势。
关键词:
锂离子电池; 健康状态 (SoH); 深度神经网络 (DNN); 机器学习; 电池健康度预测

 

1. 引言

电动汽车(EVs)的快速增长是一项重要的技术进步,它减少了环境污染、对化石燃料的依赖以及温室气体排放。由于交通运输部门是碳排放的重要因素,政府、学术研究机构和汽车行业目前对可持续交通解决方案表现出日益浓厚的兴趣。锂离子电池之所以成为电动汽车的主要动力源,是因为其具有高能量密度、充电快、自放电率低、循环寿命长以及结构轻巧等特点。然而,随着电池的每次充放电,其性能都会下降。电解质分解、电极材料降解、热应力、锂损失以及内阻增加都会降低电池容量和功率输出,从而对车辆续航里程、可靠性和安全性产生负面影响。因此,对电池进行持续监测已成为电池管理系统(BMS)的一项基本功能 [1].
健康状态(SoH)是评估锂离子电池状况最重要的指标之一。它代表当前最大容量与新电池额定容量之间的比值 [2]。新电池的SoH通常接近100%,而SoH低于80%的电池由于性能下降和安全隐患,通常不再适用于电动汽车应用 [3]. Accurate SoH estimation supports predictive maintenance, improves battery utilization, extends battery lifetime, prevents unexpected failures, and enhances EV safety. Several techniques estimate battery SoH, and these techniques generally fall into three categories: model-based methods, experimental methods, and data-driven methods. Model-based techniques involve equivalent circuit models (ECMs), Kalman filters, particle filters, and adaptive estimation methods [4].
等效电路模型因其简单性而持续受到欢迎。然而,此类模型对校准和温度等外部参数非常敏感。鉴于电池特性会随时间变化,需要频繁调整[5,6]。电化学阻抗谱(EIS)、增量容量分析(ICA)、微分电压分析(DVA)和直流内阻(DCIR)测量等实验程序也能预测电池健康状况[7]。尽管这些方法在实验室环境中实现了高精度,但它们需要特殊的仪器和复杂的信号处理,因此无法在车载环境中应用。为了解决基于模型和实验方法的缺点,科学家们采用了基于人工智能(AI)、机器学习(ML)和深度学习方法的数据驱动方法。这些方法允许根据电压、电流、温度、阻抗和充放电测量值来估算电池的状态[8与电化学模型不同,数据驱动方法不需要了解电池化学原理,就能有效模拟非线性退化过程。9]. In contrast to electrochemical models, data-driven approaches do not require any insight into the battery chemistry and effectively model the nonlinear degradation process.
文献中研究了各种机器学习和深度学习方法(表1)通过各种输入参数来解决锂离子电池的预测问题。Li等人[10]将容量和老化数据与继承粒子滤波方法相结合。另一方面,Gao和Huang[11]将放电循环与粒子群优化和多核支持向量机(SVM)相结合。Ali等人的研究[12] 应用了局部放电电压和温度参数。张等人 [13] 应用了基于EMD特征的容量,而Wu等人[14]应用了充电电压曲线。Ansari等人[15]的研究应用了充电电压、电流和温度曲线,而Bayrı和Akkaya[3]则结合EMD、EEMD和EWT特征应用了放电电压曲线。尽管文献表明了数据驱动技术的适用性,但大多数研究都集中在剩余使用寿命(RUL)或容量估计上。它们也缺乏在未见电池和不同工作温度下的详细实验评估。
表1。以往锂离子电池寿命预测研究的综述。

这项工作的创新之处在于开发并系统分析了针对不同工况下锂离子电池健康状态(SoH)估计的改进型深度神经网络(DNN)设计。与主要通过随机训练-测试集划分进行测试的方法不同,本研究的创新点在于通过留一温度法(LOTO)和留一电池法(LOBO)评估技术来探究所提模型的泛化能力。该特定DNN设计是基于对各种激活函数、隐藏神经元数量、深度、批次大小、优化器和正则化系数的实验结果选定的。此外,还通过平均绝对误差(MAE)和Kullback-Leibler(KL)散度指标,将该DNN设计的性能与经典机器学习模型进行了比较。本研究工作的另一个方面是最小电压(Vmin)和电压方差(VVar) 作为锂离子电池SoH估计的输入变量。这两个参数决定了锂离子电池在每个放电循环中的电压行为,从而描述了电池在运行时的电气表现。最低电压是指在放电阶段记录到的最低电压,而电压方差则决定了记录电压值的波动程度。随着电池老化,其电气表现也会发生变化,因此这两个变量将有助于确定这些行为的变化。通过将这两个变量与电池类型、温度、负载电流和循环次数一起应用于DNN模型,本研究将改善SoH估计中电池运行行为的表征。

数据集准备

本研究使用的NASA数据集[16]属于电气与电子工程领域,具体涉及锂离子电池健康状态(SoH)估计与老化。该数据集包含圆柱形锂离子(Li-ion)电池的实验老化数据。数据集中的数据包括电池的电学、热学和循环参数的表格数据。]。准确的SoH估计有助于预测性维护、提高电池利用率、延长电池寿命、防止意外故障并提升电动汽车安全性。有多种技术可用于估计电池SoH,这些技术通常分为三类:基于模型的方法、实验方法和数据驱动方法。基于模型的技术涉及等效电路模型(ECM)、卡尔曼滤波、粒子滤波和自适应估计方法[]。这些程序可生成关于电池衰退过程、阻抗变化、电极老化和容量损失的有用信息。EIS程序能够准确评估电池内部的电化学特性,而ICA和DVA程序则研究电池充放电过程中电压与容量之间的关系[
表2。锂离子电池数据集的规格。

它共包含1945个样本,这些样本采集自处于不同环境和运行条件下的各类电池。所涉及的电池类型包括5、6、7、18、25、26、27、28、29、31、32、33、34、36、38、40、41、42、43和44,从而能够对电池退化行为进行全面分析。每个电池数据集都包含在受控充放电循环期间获取的测量数据。这些记录的参数包括电压、电流、温度和测试持续时间。除了主要参数外,还考虑了时间差(Δt)、调整电流和Ah等其他特征。这些特征有助于描述电池的电化学和运行行为。电压和电流是电池即时运行状态的特征,温度特征是热效应的结果,而与时间相关的特征则反映了电池性能随时间的演变。电池容量有助于显示电池的退化程度,对于确定SoH至关重要。
不同类型的电池,其放电回合数各不相同。数据显示,电池类型5、6和7记录的放电回合数为168。上述每种电池类型的记录样本数量大约为:类型5为45,458个,类型6为50,286个,类型7为50,285个。电池类型18的放电回合数为132回合,样本量约为34,867个。电池类型25、26、27和28各有28个回合,每种电池的样本量约为16,338个。电池类型29、31和32的放电回合数分别为40、39和39回合,记录的样本量为6351个。数据还包括33、34和36型电池,其循环次数分别为190、196和197次,记录样本数约为47,065个。38型和40型电池循环次数为47次,记录样本数约为20,201个。41型电池循环次数约为67次,记录样本数约为13,346个。42、43和44型电池循环次数约为111、112和112次,记录样本数约为25,795个。这清楚地表明,不同电池类型的样本数量和循环所需时间各不相同。总循环次数为1945次。
截止电压被定义为电池放电停止的最低电压水平,以防止电池过放电及随后的损坏。在表3不同类型的电池具有不同的电压掉落值。5、28、32、36、40和44型电池的截止电压为2.7 V,而6、18、27、31和43型电池的截止电压为2.5 V。7、26、34、38和42型电池的截止电压为2.2 V,而25、29、33和41型电池的截止电压为2.0 V。这会影响放电深度,并对电池老化过程产生影响。不同电池使用的读档电流也不同。5、6、7、18和36型电池在2 A的恒定读档电流下运行,而25、26、27、28、29、31、32、33和34型电池则在4 A下运行。电池38、40、42、43和44分别加载了1 A、2 A和4 A的多个负载电流。电池41加载了1 A的电流。这些变化会影响放电倍率、内阻和热行为,从而导致电池性能退化。除了电学变化外,数据集中还存在各种温度变化。电池类型5、6、7、18、25、26、27和28在24 °C下运行。电池类型29、31和32在43 °C的较高温度下运行。电池类型33、34和36在24 °C下运行。电池38和40在24 °C和44 °C下均进行了测试。电池41在相当低的温度下工作,即4 °C。电池42、43和44在22 °C至4 °C的温度范围内进行测试。这种温度差异在影响电池性能、退化速率以及全年龄寿命方面起着重要作用。
表3。不同电池类型的运行条件和循环次数。

在定义电池运行条件时,考虑了截止电压、放电电流和温度的差异。截止电压根据电池类型在2.0 V至2.7 V之间变化,而放电电流则在1 A、2 A和4 A之间变化。不同电池的数据集中,工作温度也存在差异,范围包括4 °C、22 °C、24 °C、43 °C和44 °C。在上述运行条件中,温度和读档电流被直接选作深度神经网络模型的输入,其他输入还包括电池类型、最小电压、电压方差和循环次数。放电容量被用于通过公式(确定健康状态(SoH)1) 在本文中已作详细说明 [17]。分别使用LOTO和LOBO技术对模型的性能进行了测试。
[数学处理错误]SOHk=Cmeasured,kCinitial×100%

其中:
  • [数学处理错误]Cmeasured,k= 循环中放电获得的容量k(mAh),
  • [数学处理错误]Cinitial= 第一循环的容量 (mAh)。

电压最小值是根据所有电压读数从每个放电周期中提取的。电压方差是根据该特定放电周期内采集的所有电压读数分别计算的。电压方差的计算基于电压读数的标准差平方。所有这些属性的结合为电池行为提供了全面的图景。

2. 方法论

由于深度学习模型能够对电池不同参数之间的非线性关系进行建模,因此在电池健康监测领域得到了广泛应用。

2.1. 深度神经网络 (DNNs)

深度神经网络 (DNNs) 是模仿大脑神经系统架构的人工智能算法,由连接成层的神经元组成,有助于识别复杂的模式,如图所示图1 [18,19].
Wevj 17 00589 g001
图1。深度神经网络(DNN)架构。
所提出的深度神经网络(DNN)模型旨在利用电池的运行参数作为输入参数,对锂离子电池的健康状态(SoH)进行估计,如图所示图1。该DNN架构包含三个主要层,包括输入层、隐藏层和输出层。输入层接收六个输入参数,包括电池类型、温度、读档电流、最小电压([数学处理错误]Vmin)、电压方差([数学处理错误]VVar)以及循环次数。这些输入参数代表了锂离子电池在运行方面的特征。隐藏层负责从输入数据中提取特征,并以非线性方式进行转换。输出层由神经元组成,用于生成锂离子电池的预测健康状态(SoH)。
方法论在图2展示了NASA锂离子电池老化数据集,其中包含20种电池,共1945个样本。数据需经过预处理和过滤;之后进行特征选择,并将温度、读档电流、最小电压、电压变化和循环次数选为输入特征。所选特征通过Min-Max或标准化过程进行缩放。作为评估模型泛化能力的方法,采用了留一电池法(LOBO)和留一温度法(LOTO),即使用剩余的电池/温度进行模型训练,并用排除的条件进行测试。随后,通过超参数调优过程设计并训练深度神经网络(DNN)。在调优过程中,将对层数、隐藏神经元数量、激活函数、优化器、批次大小和训练轮数进行调整。DNN训练完成后,将基于平均绝对误差(MAE)和KL散度评估模型性能。此外,还将把DNN的性能与线性回归(LR)、决策树(DT)、XGBoost和随机森林(RF)等传统机器学习模型进行比较。
Wevj 17 00589 g002
图2。基于深度神经网络的锂离子电池健康状态估计方法。

2.2. 模型性能指标

机器学习和深度学习算法的性能评估采用了两种误差衡量标准。考虑的误差衡量标准为平均绝对误差(MAE)和Kullback–Leibler散度。这些指标用于估计实际输出值([数学处理错误]Ya)与基于机器学习算法预测的输出值(Y)之间的差异,该差异在公式(2)中表示。平均绝对误差(MAE)是指预测值与观测值之间差异的绝对值的平均值[20]。Kullback–Leibler(KL)散度方法被用于比较真实SoH值与预测SoH值的概率分布。该指标衡量实际分布P与预测分布Q之间的差异,其定义见公式(3)。KL散度越小,表示两个分布之间的相似度越高,而数值越大则表示差异越大。
[数学处理错误]MAE=1Ns∑i=1Ns|Y−Ya|

[数学处理错误]DKL(P∥Q)=∑i=1nP(i)logP(i)Q(i)

上述提到的性能指标被用于评估本研究中使用的各种机器学习和深度学习算法的预测性能。误差得分较低的模型被认为在预测电池健康状态(SoH)方面表现更好。

2.3. 激活函数

激活函数在构建深度神经网络中起着重要作用,因为它们使得在网络中引入非线性成为可能,从而能够捕捉输入和输出变量之间存在的关系。在本研究中,选择了包括sigmoid、tanh、ReLU和swish在内的四种激活函数,因为它们在深度学习中被广泛使用。sigmoid激活函数用于将输入映射到0和1之间的值。因此,它在概率或二分类问题中非常方便使用。然而,当输入变量极大或极小时,sigmoid激活函数会产生低梯度。另一方面,tanh函数(双曲正切函数)将输入值转换为范围[数学处理错误]−1到1,因此由于其优化能力,相比sigmoid激活函数更受青睐[21]。最常用的激活函数是修正线性单元(ReLU)。ReLU激活函数因其数学结构而简单高效。在这种情况下,如果输入值为正,则函数的输出等于输入值,否则为零。Swish激活函数被定义为输入值与sigmoid门控加权之和,它是一种平滑且自门控的非线性函数,允许小的负输入通过而不是将其截断为零,这可能对深度网络中的梯度流有所帮助[22]。由于激活函数的行为会影响深度学习模型的性能指标,如收敛性、梯度传播和准确率,因此选择合适的激活函数至关重要。

3. 结果

3.1. 电池参数的描述性统计分析

描述性统计数据表4从所选电池参数的角度描述了研究中使用的1945个样本。数据集中包含5到44种类型的电池,平均值为27.16。温度范围为4°C至44°C,平均值为22.87°C,而负载电流范围为1至4,平均值为2.76。最小电压([数学处理错误]Vmin)范围为0.06至3.75 V,电压方差([数学处理错误]VVar) 从0.00到1.63不等,这意味着电池的电压相关参数存在一定波动。循环次数从1到197不等,平均值为70.50次,这意味着数据集包含循环次数不同、因此使用状态也不同的电池。目标健康状态(SoH)从3.61%到100%不等,平均值为80.87%,中位数为87.97%。23.87%的相对较高标准差意味着样本中电池健康状况存在相当大的差异。总体而言,这项统计分析表明输入变量具有足够的变异性,因此适合用于电池SoH预测。
表4。数据集的描述性统计。

3.2. 参数箱线图

箱线图用于展示数据集中主要特征的分布和变异性。电池类型的数据范围较宽,表明存在多种类型的电池,而温度几乎保持在24摄氏度左右不变,因此变异性极小。负载电流和Figure 3的数据范围同样很小,这表明这两个变量在整个数据集中都相当稳定。[数学处理错误]Vmin的数据范围非常窄,且几乎集中在零值附近。循环次数的变异性最大,范围从接近0到接近200。最后,SoH(健康状态)主要落在55%到100%的范围内,中位数接近88%。[数学处理错误]VVar图3
Wevj 17 00589 g003
图3。锂离子电池参数箱线图。

3.3. DNN模型的超参数优化

使用深度神经网络(DNN)设计了健康状态(SoH)估计模型。该数据集包含1945个数据样本,具有六个输入变量,即电池类型、温度、读档电流、[数学处理错误]Vmin, [数学处理错误]VVar、循环次数,并以放电量(Ah)和SoH作为目标变量。为了训练DNN模型,首先使用Min-Max缩放方法对输入变量进行归一化,以将特征值调整到同一尺度。作为评估模型泛化能力的方法,此处采用留一温度法(LOTO)进行测试,即使用43°C作为独立验证数据集,而其余温度(4°C、22°C、24°C、44°C)用于训练。随后,通过超参数调优程序设计并训练深度神经网络(DNN)。在调优过程中,将对层数、隐藏神经元、激活函数、优化器、批次大小以及50个轮次进行调整。DNN训练完成后,将基于MAE和KL散度评估模型性能。此外,还将把DNN性能与线性回归(LR)、决策树(DT)、XGBoost和随机森林(RF)等传统机器学习模型进行比较。在此超参数优化中,仅考虑测试值。

3.3.1. 使用ReLU激活函数的DNN配置性能

表5展示了使用ReLU激活函数时,各种HN在MAE和MP方面的结果。在所有测试案例中,HN = 4的MAE最小,为2.53;HN = 2的MAE次小,为2.67。然而,在隐藏神经元数量较多的情况下,MAE波动很大。HN = 1044的MAE为11.99,而HN = 1046的MAE最高,达到20.40。这里随着隐藏神经元数量的增加,模型参数也随之增加。因此,在所有案例中,HN = 4的结果最佳。
表5.使用ReLU激活函数的不同隐藏神经元配置的性能评估。

3.3.2. 使用Sigmoid激活函数的DNN配置性能

表6展示了基于平均绝对误差(MAE)和模型参数数量(MPs)的、使用Sigmoid激活函数的不同隐藏神经元(HN)配置的性能。在所有配置中,HN = 12实现了最低的MAE,为2.16,表明在测试的配置中具有最佳的预测性能。HN = 2紧随其后,MAE为3.34,而HN = 1048记录了最高的MAE,为16.41。MP值从HN = 2的15增加到HN = 1050的7351,反映了与更大配置相关的模型复杂性增加。总体而言,HN = 12提供了最理想的结果,与更大的配置相比,仅用85个模型参数就实现了最低的MAE。
表6.使用Sigmoid激活函数的不同隐藏神经元配置的性能评估。

3.3.3. 使用TANH激活函数的DNN配置性能

如表7所示,基于Tanh激活函数,各种隐藏神经元(HN)配置的性能按平均绝对误差(MAE)列出。在提供的配置列表中,HN = 1042的MAE值最低,为3.13,因此在预测方面表现最佳。HN = 12的MAE值次之,为5.35,而HN = 1044的MAE值最高,为13.15。模型参数数量从HN = 2时的15个到HN = 1050时的7351个不等。
表7.使用Tanh激活函数的不同隐藏神经元配置的性能评估。

3.3.4. 使用Swish激活的DNN配置性能

在表8中,我们观察了使用Swish激活函数的不同HN在MAE方面的表现。根据所得结果,HN = 6的MAE最小,为5.40,代表了所选HN中最佳的预测性能。HN = 4以5.67的MAE位居第二,而HN = 1048的MAE最大,达到17.44。MP的数量从15(HN = 2时)到7351(HN = 1050时)不等。总体而言,HN = 6具有43个MP,表现出最佳的预测性能。
表8。使用Swish激活函数的不同隐藏神经元配置的性能评估。

在各种隐藏神经元设置下,对ReLU、Sigmoid、TANH和Swish这四种激活函数的性能进行了测量。在所有测试设置中,与另外三种激活函数(ReLU、Sigmoid和Swish)的最佳MAE值相比,Sigmoid激活函数在12个隐藏神经元时记录到的最小MAE误差为2.16。鉴于MAE被视为预测准确性的主要标准,那么Sigmoid激活函数就是使用最低MAE的固定设置。

3.3.5. 使用Sigmoid激活函数的不同隐藏层性能评估

表9表示在隐藏神经元(HNs)数量固定为12、批次大小为1且使用Sigmoid函数的情况下,隐藏层数量的影响。单隐藏层设计的平均绝对误差(MAE)最低,为2.16,因此代表了最高的预测质量。当层数增加到两层时,MAE值为3.53。当使用三层、四层和五层时,MAE值分别为2.97、2.86和2.97。模型参数(MPs)的数量从85(一层)变化到709(五层)。这意味着在所考虑的实验中,使用额外的隐藏层并不会提高预测质量。
表9。隐藏层变化对使用Sigmoid函数模型性能的影响。

3.3.6. 使用Sigmoid激活函数时不同批次大小的性能评估

表10展示了模型在Sigmoid激活函数下使用不同批次大小时的性能。所有其他参数(如一个隐藏层和12个隐藏神经元)均保持不变。当批次大小等于1时,MAE达到最小值2.16,性能最佳。随着批次大小增加到8、16、32和64,MAE分别增加到2.80、3.26、7.64和8.80。模型参数数量为85。因此可以看出,随着批次大小的增加,预测性能变得更高。
表10。批次大小变化对使用Sigmoid函数模型性能的影响。

3.3.7. 使用Sigmoid激活函数的不同优化器的性能评估

表11展示了在保持隐藏层数量、隐藏层神经元数、批大小和模型参数相同的情况下,基于Sigmoid激活函数的五种优化器的性能对比研究。在这些优化器中,Adam表现最佳,其平均绝对误差(MAE)最小,为2.16。RMSprop和Adagrad的MAE值相同,均为2.35,SGD的MAE为3.65,而Adadelta的MAE值最大,为13.14。
表11。优化器对使用Sigmoid函数模型性能的影响。

3.3.8. 使用Sigmoid激活函数时不同掉落率的性能评估

表12分析了在采用Sigmoid作为激活函数、L2正则化系数为0.000001、一个隐藏层、十二个隐藏神经元、批次大小为1以及Adam作为优化器的情况下,不同掉落率对模型结果的影响。产生最低MAE值的掉落率为0.2,其MAE为2.16,而0.3的掉落率对应的MAE为2.45。对于0.4和0.5的掉落率,MAE分别为4.20和9.25。掉落率为0.1时的MAE为7.11。
表12。掉落率对使用Sigmoid函数模型性能的影响。

3.3.9. 使用Sigmoid激活函数对不同L2正则化值的性能评估

来自表13可以看出,在使用Sigmoid激活函数、dropout率保持为0.2、隐藏层数为1、隐藏神经元数为12、批次大小为1且使用Adam优化器的情况下,核L2正则化值会影响模型性能。例如,在所有评估的模型中,核L2值为0.000001的模型MAE最低,为2.16,这意味着其预测效果最好。当核L2值为0.00001时,MAE为4.55;当其为0.001时,MAE为8.37;当其为0.01时,MAE为14.29;当其为0时,MAE为21.38。0001。
表13。L2正则化对使用Sigmoid函数模型性能的影响。

3.3.10. 优化后的DNN模型最终性能评估

表14展示了使用Sigmoid激活函数时优化后的DNN模型的训练和测试准确率。该模型应用了0.000001的正则化参数,0.2的掉落率,包含12个神经元的一个隐藏层,批次大小为1,并使用Adam优化器,拥有85个模型参数。训练平均绝对误差(MAE)为3.74,而测试平均绝对误差为2.16,这意味着与训练集相比,该模型在测试集上的预测误差取得了更好的结果。
表14。使用Sigmoid激活函数的优化DNN模型的训练和测试性能。

3.3.11. 所提DNN架构的鲁棒性

所提DNN模型的鲁棒性在表15中观察到通过对所提模型进行四次训练和测试,分析了平均绝对误差(MAE)标准差和KL散度等统计参数。为了确定所提深度神经网络的稳定性和可重复性,在保持模型不变的情况下,应用不同的随机种子进行了四次训练。测试MAE值的范围为2.16至2.69,平均值为2.51,标准差为0.24,这表明所获得的预测误差值之间波动较小。测试KL散度测量的数值从0.25到1.19不等,平均值为0.73,标准差为0.45。由于MAE和KL散度的标准差接近于零,这表明模型更加稳定且稳健。不过,这种模型稳定性评估也存在一些局限性。首先,只有四次独立的训练运行,因此这个数量可能不足以展示随机初始化过程对模型行为的影响。此外,KL散度的方差表明模型的预测稳定性并不一致。因此,本次评估结果仅作为模型稳定性的初步分析。
表15。用于SoH预测的重复DNN训练实验。

3.3.12. 43度固定温度下的提议DNN架构与性能

表16描述了所提议的DNN架构在基于留一温度法(LOTO)和留一电池法(LOBO)方案评估时的性能。在开发模型时使用独立验证数据集以促进超参数调优。测试了不同激活函数、隐藏神经元数量、网络深度、批次大小、优化算法和正则化参数的不同组合,并根据验证结果选择了最佳组合。最终的DNN配置固定用于所有剩余的LOBO和LOTO,包括一个包含12个神经元的隐藏层、0.2的掉落率以及核L2正则化系数[数学处理错误]10−6,批次大小为1,并使用Adam优化器,最终得到85个可训练参数。MAE对LOTO(43)更为有效,其最小值为2.16。其次有效的是LOBO(28),其MAE值为2.24。同时,MAE对LOTO(44)的效果较差,其最大值为8.44。KL散度对LOBO(4)更为有效,其最小值为0.04。KL散度的次优值为LOBO(44)的0.05,而对LOBO(6)的效果最差,其最大值为5.24。电池类型作为输入特征,有助于深度神经网络(DNN)理解电池的模式。然而,当任何电池类型被排除在训练之外时,DNN无法从训练数据集中学习到该电池的独特模式。它只能依赖于其他电池学习到的模式以及其他输入特征来估计该电池的健康状态(SoH)。通过留一电池法(LOBO)获得的结果表明,不同未见电池类型的预测误差水平存在差异。例如,28B电池的平均绝对误差(MAE)为2.24,而6B电池的MAE则为9.45。这表明DNN估计SoH的能力取决于电池类型。该模型在为所有电池类型和不同温度提供准确预测时表现并不一致。电池类型被作为输入变量,是因为DNN需要学习基于不同电池类型的模式。电池运行时的温度也可能对预测准确性产生影响。
表16。所提DNN架构及在43度恒温下的性能表现。

3.3.13. LOBO与LOTO在不同机器学习模型下的比较

在不同电池类型和温度条件下,将所提DNN模型的MAE测试结果与其他模型(包括线性回归(LR)、决策树(DT)、随机森林(RF)和XGBoost)进行了比较。在电池类型条件下,DNN模型对44B的MAE为6.67,效果更佳;而LR、DT、RF和XGBoost的MAE分别为18.15、12.36、11.13和7.618,效果较差。在6B条件下,DNN模型的MAE为9.45,效果更佳;而LR和DT的MAE分别为12.18和9.65,效果较差。在33B条件下,DNN模型的平均绝对误差(MAE)为4.11,效果更佳;而LR、DT、RF和XGBoost的MAE分别为8.39、5.89、6.90和6.31,效果较差。在28B条件下,DNN模型的MAE为2.24,效果更佳;而LR和XGBoost的MAE分别为7.772和2.66,效果较差。在18B条件下,DNN模型的MAE为5.54,效果更佳;而LR、DT、RF和XGBoost的MAE分别为5.60、9.58、7.01和7.97,效果较差。
在温度条件下,DNN在22TEMP上实现了4.39的MAE,效果更佳,而RF为4.58,XGBoost为25.39,效果较差。对于24TEMP,DNN获得了7.95的MAE,效果更佳,而LR、DT、RF和XGBoost分别记录了13.36、10.48、10.63和19.29,效果较差。对于4TEMP,DNN实现了3.83的MAE,效果更佳,而LR为46.95,DT为49.39,RF为42.93,XGBoost为45.00,效果较差。对于43TEMP,DNN记录了2.16的MAE,效果更佳,而LR、DT、RF和XGBoost分别获得了12.15、4.65、4.05和5.50,效果较差。最后,对于44TEMP,DNN实现了8.44的MAE,效果更佳,而LR为18.84,效果较差。总体而言,DNN在五种模型中实现了最低的MAE,证明了在这些条件下具有强大的预测性能。

3.3.14. 不同电池类型条件下不同模型的Kullback–Leibler散度分析

Kullback–Leibler (KL) 散度分析用于衡量在特定电池和温度状态下,各种模型预测的SoH值与真实值分布之间的差异。KL散度值越小,表明预测分布与真实分布的相似度越高。在表17展示了五种电池类型案例(6B、18B、28B、33B和44B)中不同机器学习算法的KL散度。在所考虑的机器学习算法中,DNN算法的KL散度值最小。对于6B、18B、28B、33B和44B案例,其值分别为5.25、4.73、2.13、0.83和0.06。在所有提到的条件下,LR、DT、RF和XGBoost均表现出较高的KL散度值。对于所有电池类型,DNN的KL散度更为有效,而对于机器学习模型则效果较差。DNN在KL散度值特别低的情况下更为有效,在33B和44B案例中表现尤为突出,其值分别为0.83和0.06。
表17。不同电池类型条件下模型的性能。

3.3.15. 不同温度条件下不同模型的Kullback–Leibler散度分析

在表18我们可以看到各种机器学习模型在四种温度条件(22TEMP、24TEMP、43TEMP、44TEMP)下的KL散度。其中,DNN在上述四种条件下的KL散度值最小,分别为4.71、0.51、0.25和0.68,表明其预测分布比其他测试模型更接近参考分布,因此更为有效。相反,LR、DT、RF和XGBoost的KL散度值较高,在大多数上述条件下效果较差。DNN的KL散度值特别低,在43TEMP和44TEMP条件下分别表现出0.25和0.68的数值,因此更为有效。
表18。不同温度条件下的模型性能。

3.4. SoH实际值与预测值的DNN测试数据

图4展示了测试集在43°C温度下实际与预测健康状态(SoH)值的对比。蓝色曲线代表实际SoH值,而橙色曲线则展示了120个样本的预测值。预测的SoH值主要反映了电池退化的总体趋势,以及来自不同样本区域的SoH值逐渐下降的过程。然而,该模型未能完全反映实际SoH值中发生的剧烈变化,特别是在样本40、样本65和样本80处,这些样本的数值出现了突然的上升或下降。对于后续样本,预测值的下降比实际值更为平缓,导致两条曲线之间出现了明显的差异。总体而言,该模型能够反映测试数据中SoH值的总体退化趋势。
Wevj 17 00589 g004
图4。实际与预测SoH的DNN测试数据。

3.5. SoH实际与预测的DNN训练数据

下图(图5) 展示了留一温度验证(LOTO)中训练数据集的实际健康状态(SoH)值与预测SoH值的对比。在此验证中,43 °C下的所有观测值均被排除在训练和验证数据集之外,仅用于测试模型对未知温度水平的泛化能力。其他温度则用于训练、验证和超参数调优。在该图中,实际SoH由蓝线表示,而橙线代表给定样本的预测SoH。可以观察到,预测值往往能遵循实际SoH值的整体趋势和退化模式,并捕捉到电池健康状态中的多次上升、下降和波动。
Wevj 17 00589 g005
图5。DNN训练数据:实际SoH与预测SoH对比。

4. 结论

本实验采用深度神经网络方法来估算锂离子电池的健康状态,基于1945个样本和电池的六个输入特征。通过对各种激活函数、隐藏神经元配置、批次大小和优化器的研究,应用了系统的超参数优化技术。对于该深度神经网络模型,训练和测试的平均绝对误差之间差异相对较小。然而,更重要的是,来自LOBO和LOTO实验的电池五项输入特征结果表明,所提模型的性能还将取决于未见过的电池类型和运行温度条件。使用LOBO和LOTO验证方法,将DNN模型与线性回归(LR)、决策树(DT)、XGBoost和随机森林(RF)进行了比较。在所有配置中,使用Sigmoid激活函数、含12个神经元的一个隐藏层、0.2的掉落率以及0的核L2正则化时,43 °C的表现最佳。000001,批次大小为1,使用Adam作为优化器,总参数量为85。在2.16 MAE方面取得了最佳结果。LOTO和LOBO评估表明,预测误差取决于温度和电池类型,本案例中获得的LOBO(28)的下一个最小MAE值为2.24。根据KL散度分析,在所有模型中散度最低的是DNN,这意味着对于所有考虑的电池类型和温度,预测值的分布与参考分布最接近。此外,43 °C的实际值与预测值对比图显示,该模型学习了训练集和测试集的退化趋势。与传统机器学习算法的比较也表明,DNN具有最小的MAE。总之,该研究为超参数优化后的DNN在预测SoH方面的可行性提供了证据。

未来展望与研究方向

未来的研究将侧重于将所提出的基于深度神经网络(DNN)的健康状态(SoH)估算模型扩展到电池管理系统(BMS)的实际应用中。这包括通过考虑计算复杂度、内存需求和实时推理能力,研究在嵌入式BMS平台上的车载部署。此外,还可以探索在线自适应微调,利用新的电池测量数据更新模型,并提高其对不断变化的工作条件和退化模式的适应能力。此外,还可以使用训练期间未包含的不同化学体系和规格的电池来评估模型的泛化能力。此外,可以探索先进的深度学习架构以提高预测性能,特别是在43°C下实际值与预测值对比中观察到的SoH突变期间。另一个方向是研究电压斜率作为电压方差的替代特征,因为它直接表征了放电过程中的电压变化率。将电压斜率与最低电压及其他运行参数相结合,可能会提供有关电池退化的额外信息,并有望提高SoH估计的准确性