基于多特征量分析和LSTM-XGBoost模型的锂离子电池SOH估计方法

  浩博电池网讯：

  本文亮点：（1）为准确描述电池的老化机理，从电池充电数据提取6个HFs，分为时间、能量、IC三类特征；（2）为降低同类型特征之间的信息冗余，采用双相关性特征处理方法，筛选出代表性更强的组合HFs；（3）针对传统SOH估计模型依赖大量HFs测试数据的问题，提出一种基于LSTM-XGBoost模型的SOH估计方法来预估电池SOH。

  摘 要 准确评估锂离子电池健康状态(state of health, SOH)对保证电动汽车的安全稳定运行至关重要。然而，传统SOH估计方法在有效提取健康特征(health features, HFs)和依赖大量特征测试数据上面临一些挑战。为此，本文提出一种基于多特征量分析和长短期记忆(long short-term memory, LSTM)-极端梯度提升(eXtreme gradient boosting, XGBoost)模型的锂离子电池SOH估计方法。首先，为准确描述电池的老化机理，从电池充电数据中提取关于时间、能量、IC三大类共6个HFs。考虑到同类型HFs之间存在大量冗余信息，采用一种基于双相关性的特征处理方法，筛选出可准确表征电池退化趋势的组合HFs。其次，针对传统SOH估计模型需要大量HFs测试数据的问题，提出一种基于LSTM-XGBoost的SOH估计模型。在该模型中，采用LSTM算法来预测电池剩余循环次数的HFs数据。同时，为解决LSTM模型进行HFs预测时计算效率不高的问题，采用LSTM-XGBoost模型进行电池SOH估计。利用NASA电池数据集进行验证，结果表明，所提出方法在不同测试数据量下能准确估计锂电池的SOH，且均方根误差保持在1%以内，具有较高的估计精度和鲁棒性。

  关键词 锂离子电池；健康状态；特征分析；长短期记忆神经网络；极端梯度提升

  锂离子电池以其循环寿命长、安全性高和能量密度大等优点，在电动汽车领域得到广泛应用。电池SOH作为电池管理系统中的主要监测数据之一，反映了锂电池的衰退情况。因此，为确保电动汽车安全运行，获得准确可靠的锂离子电池SOH显得至关重要。

  目前电池SOH估计方法大致可分为直接测量法、模型驱动方法和数据驱动方法。直接测量方法通过测量电池容量、内阻等参数来获取SOH，但依赖于准确的充放电记录和海量实验数据。模型驱动法主要包括电化学模型和等效电路模型。电化学模型具有明确的物理意义，但参数辨识复杂不太适用于在线SOH估计。等效电路模型常与滤波算法结合，将SOH估计问题转换为参数估计问题。然而，此方法的估计精度易受到参数辨识和滤波算法的困扰。数据驱动方法不需要深入的机理研究就能够描述电池复杂的衰退过程，受到众多研究者关注。该方法应用电池的历史数据，将外部特性映射到电池的放电容量，并利用机器学习等智能算法构建特征和SOH 的非线性映射模型，以实现准确的SOH估计。

  近些年来，数据驱动法研究重点主要集中在特征提取、特征处理和估计模型三个方面。在特征提取方面，Mao等人基于电池反复充放电循环中充电时间逐步减少的特点，选择等时间间隔的电压差作为HFs。Zhang等以电池恒压充电阶段逐渐减小的电流作为原始数据，选定和时间、面积相关等五类特征作为HFs。增量容量分析(ICA)法是将电压曲线平台区域转换为增量容量(IC)曲线的方法，其曲线峰值直观地展现电池老化的特性。李乐卿等分析了电池充放电数据，发现电池IC曲线半峰面积与寿命衰减存在较强的映射关系。

  在特征处理方面，相关性分析常被用于衡量各HFs与电池SOH的关联程度。Ma等在充放电阶段提取关于电压、电流共15个HFs，并使用Spearman相关系数来计算HFs与SOH的相关性。然而，同一类别的HFs与电池SOH的关联度都很高，这可以归结于同类别特征之间存在信息冗余，容易重复关键信息。如果将这些HFs全部输入估计模型，会增加模型的计算复杂度。

  在估计模型方面，机器学习法已被广泛应用于SOH估计。Li等提出一种基于最小二乘支持向量机(LSSVM)框架的退化模型，用于快速估计锂电池的SOH。但机器学习方法难以提取数据的时间相关性特征和深度特征，限制了对SOH估计精度的提高。深度学习在建立非线性映射方面具有优良的效果，常见的深度学习算法包括卷积神经网络、LSTM网络等。Gao等将HFs输入到LSTM网络中以实现锂电池SOH的估计。然而，LSTM网络在处理大规模电池数据集时，会增加训练的时间成本，估计精度也会受到影响。XGBoost作为一种高效的集成学习算法，表现出了显著的非线性拟合能力，近年来在电池状态评估等领域得到了深入的研究和应用。Chen等利用XGBoost算法构建SOH估计模型，并在三种类型的电池数据集验证了模型的有效性。

  如上文所述，现有的SOH估计方法在特征提取及依赖大量测试数据方面受到一定限制。首先，现有的特征提取方法所得到的HFs类型单一，缺少对特征的多角度综合分析。其次，同类型HFs之间存在信息冗余的问题，需要开发一种简单、有效的特征处理方法来筛选出代表性更强的HFs。为克服上述问题，本文提出了一种基于多特征量分析和LSTM-XGBoost模型的锂离子电池SOH估计方法，其主要贡献包括：①准确描述电池的老化机理，从电池充电数据提取6个HFs，分为时间、能量、IC三类特征；②降低同类型特征之间的信息冗余，采用双相关性特征处理方法，筛选出代表性更强的组合HFs；③针对传统SOH估计模型依赖大量HFs测试数据的问题，提出一种基于LSTM-XGBoost模型的SOH估计方法来预估电池SOH。

  1 SOH定义与HFs的提取

  1.1　电池SOH

  电池充放电过程是一个高度动态非线性过程，且SOH是一个随时间减小的变量。锂离子电池容量可以直接反映电池性能的退化情况，见表达式(1)：

  式中，Ct、C0分别表示电池第t次循环的容量和标称容量。

  1.2　电池数据集

  本文所用的锂离子电池老化数据来自美国国家航空航天局(NASA)的电池公开数据集。本文选取编号为B0005、B0006、B0007的电池测试数据进行实验分析，三组电池均在室温下以1.5 A进行恒流充电，电压升高到4.2 V后在恒压模式下继续充电，至电流降至20 mA。在静置两小时后，三组电池以2 A恒流工况进行放电。三组电池容量退化曲线如图1所示。

图1 电池容量退化曲线

  1.3　健康特征量的分析与提取

  由图1可以看出，电池容量随循环次数的增加呈非线性下降，此外曲线表现出局部波动和容量再生特性对SOH的估计有很大影响。因此，本文从电池充电阶段的电压、电流中提取时间、能量、IC三类特征，分别列为HF1～HF6，用于描述电池退化程度，如图2所示。

图2 本文提取的HFs

  1.3.1　时间HFs

  如图2(a)所示，充电时间作为电池的监测参数之一，当SOH降低时充电时间在CC阶段减少，在CV阶段增加，可以直观地反映电池的老化情况。因此，选择等压差充电时长(TCVDC)和等流差充电时长(TCCDC)，分别作为表征电池退化过程的时间特征HF1和HF2：

  式中，k是循环次数，t1(k)、t2(k)分别对应每次循环中电压上升至3.8 V和4.2 V的时间点。t3(k)、t4(k)分别对应每次循环中电流从1.5 A下降至0.5 A的时间点。

  1.3.2　能量HFs

  锂电池的充放电过程是电能和化学能之间的能量转换，随着充放电循环次数的增加，电池内的能量会逐渐减少。因此，将等压差充电能量(ECVDC)、等流差充电能量(ECCDC)分别作为表征电池退化过程的能量特征HF3和HF4。

  式中，Vk(t)和Ik(t)分别表示充电阶段的电压和电流。

  1.3.3　IC曲线HFs

  增量容量分析法通过将电压、容量进行微分处理把电压平缓曲线中的平台区域转换为IC曲线中可识别的峰值。考虑到NASA数据集中没有收集实时的容量数据，而在CC阶段电流几乎不变，因此本文使用电流和时间差来计算容量变化，如式(6)所示：