基于机器学习方法的锂电池剩余寿命预测研究进展

  浩博电池网讯：

  本文亮点：综述了ML算法在RUL预测中的发展趋势，并探讨了未来的改进方向。探讨了利用RUL预测结果延长锂离子电池寿命的可能性。给出了常见ML算法准确性和特性方面的比较，并展望了可能的提升方向，包括早期预测、局部再生建模、物理信息融合、广义迁移学习和硬件。

  摘 要 随着技术的不断进步和成本的逐步降低，锂电池在电动汽车、储能系统、便携式电子设备等多个领域实现了广泛应用，有效促进了清洁能源的普及和能源结构的优化。掌握锂电池衰变和剩余使用寿命(RUL)对于确保设备稳定运行、提高能源利用效率以及保障用户安全至关重要。通过优化电池设计和使用策略，可以延长锂电池的使用寿命，降低更换成本，进一步推动锂电池的规模化应用。锂电池的性能衰变是一个涉及多尺度化学、电化学反应的复杂过程，涉及其内部从材料、界面到多孔电极、器件等诸多因素影响。各种机器学习(ML)的方法正是建模处理复杂数据、寻找规律、反馈应用的重要手段。本文针对锂电池RUL建模研究的科学问题，综述了ML算法在预测电池RUL领域的最新进展，重点介绍数据驱动的电池管理、预测建模以及利用ML方法来提高电池性能和寿命方面的突破。最后，对当前领域内面临的关键问题进行了归纳总结，以期提供一个基于ML算法的电池RUL预测技术的全面视角，并展望其未来的发展趋势。

  关键词 电池管理系统；电池剩余寿命；寿命预测；机器学习算法；寿命延长

  随着规模储能、电动汽车用锂电池的循环寿命达到上千次、服役时间达到5年甚至8年以上，对锂电池的剩余寿命进行精准预测评估成为影响锂电池应用的重要科研方向。然而，锂电池性能衰变是涉及其内部从材料、界面到多孔电极、器件多尺度复杂化学、电化学反应的复杂过程。采用信息学的方法研究锂电池性能衰变、将数据科学与电池物质科学交叉是一个近年来蓬勃发展的新兴领域，有望推进电池状态建模、性能管理和寿命预测等复杂问题的加速解决。各种机器学习(machine learning，ML)的方法是建模处理复杂数据、寻找规律、反馈应用的重要手段。通过深度融合传统电池科学与前沿信息学技术，期望攻克电池管理系统(battery management system，BMS)中的一系列核心难题，诸如精准估算电池的充电状态(state of charge，SOC)、健康状态(state of health，SOH)、优化热管理策略及有效预测电池老化进程。BMS作为保障锂离子电池安全高效运行的关键系统，通过实时采集并分析电池的充电/放电循环、电压、电流、温度变化及潜在故障状态等多维度信息，为电池状态预测提供关键输入数据。理想的BMS系统应当能够不仅精准预测电池的SOH、SOC及剩余使用寿命(remaining useful life，RUL)，还应具备高效的故障检测与诊断能力，从而全面提升电池系统的整体性能、可靠性及安全性。

  文献中关于BMS参数预测(涵盖SOC、SOH、RUL及故障检测)的技术主要分为两大类：基于物理模型的方法和基于ML的方法。前者依托电池的电化学动力学原理构建模型，并基于这些模型做出假设以估算参数；而后者则主要利用BMS的输入输出数据集来训练多种模型，从而预测电池在特定输入条件下的状态。鉴于不同实验室测试条件的差异性，BMS预测任务所依赖的输入输出数据间自然存在差异，数据收集框架承担记录这些差异并基于电池或电池组模型生成额外数据的重任。至于电池故障信息的获取，则更多依赖于实验测试的直接结果。对比而言，基于物理模型的方法因需深入探究电池系统的基本物理和化学特性，其开发过程相对漫长且复杂，可能难以面面俱到且耗时较多。数据驱动的方法通过ML算法从海量数据中学习规律，这一过程在开发效率上往往更具优势。然而，为数据驱动方法搜集高质量的数据集同样是一项充满挑战且可能耗时的任务。因此，在方法选择上仍然需综合考虑资源条件、精度要求及具体应用场景等多种因素，以做出最适宜的决策。值得注意的是，近期将电化学模型与数据驱动方法相结合，构建了一种混合模型，通过提供更为全面的电池动态性能，为设计更安全、更高效的电池系统开辟了新的路径。

  近期的研究重点聚焦于利用数据驱动策略来优化BMS，寻找与电池容量衰减相关性更高的特征变量、探索性能更优的数模融合模型。通过收集电池组内各类传感器在电池服役全周期内的详尽数据，构建复杂的预测模型，以精准刻画电池在不同工况条件下的行为特性。其中，基于人工神经网络(artificial neural networks，ANN)的锂离子电池状态预测方法尤为表现出色。ANN最初构想为模拟人脑信息处理机制的计算机系统组件，现已发展成为一种强大的算法框架，其独特的从数据中学习并推广知识至新情境的能力，使得ANN在模式识别、优化及预测等多个领域均展现出广泛应用价值。在BMS领域，神经网络(neural networks，NN)的引入为解决传统技术难题开辟了新路径。以SOC的精确测量为例，传统的SOC估算方法，如安时积分法，常因测量误差、电池老化及温度变化等因素的干扰而使结果误差较大。相比之下，NN通过深度学习与电池各项指标间的复杂非线性关联，即便面对含噪声或不确定性的数据，也能有效提升BMS在参数估算上的可靠性与准确性，为电池管理策略的优化提供了坚实的数据支撑。

  锂离子电池是目前最广泛使用的储能设备，对其RUL的准确预测对于确保其可靠运行和预防事故至关重要。本文综述了ML算法在RUL预测中的发展趋势，并探讨了未来的改进方向。此外，探讨了利用RUL预测结果延长锂离子电池寿命的可能性。首先介绍用于RUL预测的最常用的ML算法。然后，介绍了RUL预测的一般流程，及RUL预测中最常用的四种信号预处理技术。本文给出了常见ML算法准确性和特性方面的比较，并进一步展望了可能的改进方向，包括早期预测、局部再生建模、物理信息融合、广义迁移学习和硬件。最后，总结了延长电池寿命的方法，并展望了将RUL作为延长电池寿命指标的可行性。未来，可以根据在线RUL准确预测结果多次优化充电曲线，从而延长电池寿命。本文旨在为电池RUL预测和寿命延长策略的ML算法未来改进提供启示。

  1 老化轨迹预测建模和仿真

  准确预测锂离子电池RUL对其可靠运行和事故预防至关重要。通常，当电池的容量达到其初始值的80%时，视为处于寿命结束(end of life，EOL)。如果电池的使用超出了EOL标准，可能会导致用电系统性能不佳，有时甚至会引起灾难性事件。BMS可以参考RUL预测结果来控制电池的运行，帮助用户及时维护或更换电池。由于容量恶化和复杂的内部特性，RUL预测对于评估电动汽车退役电池同样很重要。基于电池早期循环数据的RUL预测可以减少老化测试的成本和时间，加速电池设计、生产和优化。

  在讨论RUL预测方法之前，有必要明确RUL预测问题的定义。RUL预测主要分为两类：一类是预测电池达到EOL时的循环次数，另一类是预测剩余所有循环的剩余容量——即容量老化轨迹。这两类问题在输入输出和模型选择上往往有所不同。本文主要聚焦于第二类问题，即预测剩余所有循环的剩余容量或者SOH。这种方法不仅能提供电池何时达到EOL的信息，还能描绘出电池整个生命周期的容量衰减过程，为电池管理系统提供更全面、更细致的信息。

  容量老化轨迹预测是一个更具挑战性的任务，因为它需要模型能够捕捉电池容量衰减的长期趋势和短期波动。这种预测通常需要处理长序列时间序列数据，考虑多种影响因素，如充放电条件、环境温度、使用模式等。

  1.1　RUL预测常用的机器学习算法

  RUL预测的实现途径通常有基于物理的方法和数据驱动的方法，以及逐渐受到关注的将二者结合的数模混合方法。基于物理的方法包括电化学模型、等效电路模型和经验退化模型。物理模型基本都限定具体的电池材料、使用环境、充放电条件，参数一般都基于电极的物理性质，导致模型难以跟踪电池的动态变化，加之电池衰变因素复杂，也难以建立完善的衰变模型，为了实现较为可靠的预测数据，最终都要依赖大量的电化学模型和等效电路模型。而数据驱动的方法则较少依赖物理规律，更多是学习电池使用过程和实时的电性能数据。电池RUL预测的难点是如何根据有限的数据准确预测锂离子电池数百乃至数千周循环后的衰变特性。ML作为非线性建模方面表现出色的数据驱动方法，为锂离子电池RUL预测提供了不同于物理模型方法的有力的工具。如图1所示，在众多ML算法中，循环神经网络(recurrent neural networks，RNN)，包括基本RNN、回声状态网络(echo status network，ESN)、长短期记忆网络(long short-term memory，LSTM)和门控循环单元(gated recirculation unit，GRU)，已成为电池RUL预测的主流算法。此外，人工神经网络(ANN)中的经典前馈神经网络(feed forward neural networks，FFNN)，作为非RNN和卷积神经网络(CNN)的补充，也发挥着重要作用。近年来，基于注意力机制的Transformer架构也逐渐成为RUL预测领域的热门选择，其优秀的长序列建模能力和并行计算效率使其在处理电池长期性能退化数据方面表现出色。

 图1 RUL预测常用的机器学习算法

  1.2　RUL预测的一般流程

  基于ML的RUL预测的一般结构包括三个步骤，如图2所示，第一步，从电池老化测试中收集数据，并提取有效特征。电池老化特性可以通过充放电电压和电流、充放电时间、温度、内阻、循环圈数等常见的直接特征，以及等电压差时间间隔(time interval of an equal charging voltage difference，TIECVD)、增量容量分析(incremental capacity analysis，ICA)、差分电压分析(differential voltage analysis，DVA)和差分热伏安法(differential thermal voltammetry，DTV)的时序变化等间接特征反映。近年来，从电化学阻抗谱(electrochemical impedance spectroscopy，EIS)数据中提取特征作为ML算法的输入也逐渐成为主流。常见的EIS特征提取方法有三种：全面分析所有频率点的EIS数据、从EIS推导出的等效电路模型中提取参数以及聚焦于特定频率下的阻抗值。利用像ANN这样的ML方法从EIS中提取特征已被证明是一种高效且准确的手段。鉴于EIS对温度、SOC和弛豫效应的敏感性，这些参数在RUL预测中尤为重要。例如，Faraji-Niri等通过GPR模型和EIS测试，深入量化了温度和SOC对电池SOH估计精度的影响，强调了它们在模型构建中的不可或缺性。第二步，通过ML算法发现提取的特征与电池RUL之间的潜在关系。一种常见的策略是先利用模型估算SOH，再基于SOH的估计值进一步预测RUL，直至SOH降至预设的阈值以下。值得注意的是，尽管SOH估计与RUL预测在算法层面多有共通，但两者的输入变量存在显著差异。SOH预测倾向于直接利用与SOH紧密相关的特征，而RUL预测则更多依赖于电池的历史SOH记录或容量数据。例如，Severson等成功利用早期循环的放电电压曲线预测了124个快充磷酸铁锂/石墨电池的循环寿命。第三步，模型评估阶段通过对比预测结果与实际测试数据，量化模型的性能表现。常用的评估指标包括绝对误差(absolute error，AE)、平均绝对百分比误差(mean absolute percentage error，MAPE)、均方误差(mean square error，MSE)、均方根误差(root mean square error，RMSE)、均绝对误差(mean absolute error，MAE)以及最大绝对误差(max absolute error，MaxAE)。详细评估标准确立途径则包括精确性、召回率、置信区间、及时性和稳定性。精确性衡量了模型预测为正类的样本中实际为正类的比例。在RUL预测中，可以设定一个阈值，将预测结果分为“即将失效”和“正常”两类，然后计算精确性。精确性高意味着模型在预测电池即将失效时，有较高的把握。召回率衡量了实际为正类的样本中被模型预测为正类的比例。在RUL预测中，召回率高意味着模型能够识别出大部分即将失效的电池。精确性和召回率之间往往存在权衡关系，需要根据具体应用场景进行调整。对于RUL预测来说，除了给出具体的预测值外，还需要提供预测的置信区间。置信区间表示了预测结果的不确定性范围，有助于决策者更好地了解预测结果的可靠性。及时性衡量了模型在预测RUL时是否能够提前足够的时间给出预警。对于需要预防性维护的系统来说，及时性至关重要。稳定性评估了模型在不同数据集或不同时间点上预测结果的一致性。稳定性好的模型能够更可靠地应用于实际场景中。这些指标共同构成了评估模型准确性和可靠性的重要依据。

图2 基于ML的RUL预测的一般流程

  1.3　RUL预测中的信号预处理技术

  对于电池的RUL预测，大多数研究主要关注电池的衰退曲线的趋势分析。相较于直接处理包含噪声的真实测试数据，从经过降噪处理的容量或SOH平滑曲线中提取RUL信息更为高效。信号预处理技术便是为了将特征曲线中的噪声和波动剔除。在RUL预测过程中，所选取的特征值往往与电池容量或SOH存在线性关联，强化这种线性相关性成为提高预测速度和准确性的重要途径。当前，多种信号预处理技术被广泛应用于RUL预测，常见的有经验模态分解(empirical modal decomposition，EMD)、变分模态分解(variational modal decomposition，VMD)、Box-Cox变换(Box-Cox transform，BCT)以及小波分解技术(wavelet decomposition technique，WDT)等。VMD在NASA 5#电池的RUL预测，通过去噪处理，将预测准确率从78%提升至93%。Wang等利用WDT提出了一种直接基于分解后的端电压数据进行预测，进一步拓宽了WDT在RUL预测中的应用范围。作为小波变换的深化应用，小波包分解(wavelet packet decomposition，WPD)不仅能够处理低频带信号，还能对高频带信号进行细致分解，有效消除了充放电循环数据中的噪声干扰。该算法的主要思想是基于离散小波变换，在分解信号的每个电平中。Chen等则将WPD与信息熵理论相结合，提出了小波包能量熵(wavelet packet energy entropy，WPEE)理论，这一方法进一步提升了RUL预测的准确性。

  1.4　机器学习方法

  机器学习算法大致可划分为非概率方法与概率方法两大类别。支持向量回归(support vector regression，SVR)与自回归(autoregression, AR)等概率模型是在2012年首次被引入到电池RUL预测的研究中。非概率方法中，循环神经网络(RNN)与前馈神经网络(FFNN)自2013年起被广泛应用于电池RUL的预测，并迅速成为该领域的主流技术。

  1.4.1　非概率方法

  循环神经网络(RNN)算法其基本结构包含一个输入层，隐藏层和输出层[图3(a)]，重量矩阵连接输入层和隐藏层，这种结构确保RNN可以使用过去和现在的信息预测未来。充放电循环中收集的电池老化数据为时间序列数据，非常适合作为RNN算法的输入来预测电池RUL。Kwon等使用RNN学习内部电阻实现电池RUL预测。Ansari等提高了RNN算法的输入数据维度，用每个周期的电压、电流和温度组成的数据集来预测RUL。RNN虽然能够准确获取时间依赖关系，但在处理长序列时容易出现梯度消失问题。处理某些复杂的序列数据时，随着隐藏层或单元数量的增加超过了模型容量，同样会加剧梯度消失的问题。

  图3 (a) RNN的基本结构，x是输入层，h是隐藏层，y是输出层，W是权重矩阵。(b) ESN的基本结构，W是权重矩阵。(c) LSTM的基本结构，x、h、C是输入、输出和单元存储，Sigmoid是激活函数。(d) CNN的基本结构。(e) 常规卷积到膨胀卷积，x是输入，y是输出

声明： 本网站所发布文章，均来自于互联网，不代表本站观点，如有侵权，请联系删除。