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。