基于RUN-GRU-attention模型的实车动力电池健康状态估计方法

  浩博电池网讯：

  摘 要 实车动力电池的健康状态(state of health，SOH)评估存在数据质量差、工况不统一、数据利用率低等问题，本文面向阶梯倍率充电工况构建多源特征提取及SOH估计模型。首先，通过数据清洗、切割、填充，获取独立的充电片段；其次，基于不同电流阶段计算容量，实现原始数据利用率达96.9%，并与单独限定SOC范围计算容量的方法相比，误差降低48.1%以上；然后，从当前工况、历史累积两个维度提取多个健康因子，对于当前工况特征值，通过灰色关联度及干扰性随机森林重要度分析双重筛选。对于历史累积特征值，利用Spearson相关性分析和核主成分分析方法(kernel principal component analysis，KPCA)降低信息冗余；最后，对门控循环单元网络模型(gated recurrent unit，GRU)引入注意力机制和龙格库塔优化算法(Runge Kutta optimizer，RUN)，建立RUN-GRU-attention模型，基于实车运行数据集与现有5种模型进行对比，实验结果表明，无论是包含单阶段还是多阶段电流的测试样本，优化模型的估计精度更佳，误差不高于0.0086，并且随着充电循环次数增加表现出良好的误差收敛性，可有效预测SOH波动趋势。

  关键词 实车动力电池；阶梯倍率充电；健康状态估计；多源特征提取；龙格库塔优化算法；机器学习

  随着电动汽车的大规模普及，精准评估电池健康状态，对续航预测、确保运行安全、及时更换电池具有重要意义。目前对电池健康状态的定义主要是基于容量或内阻，其估计方法大致分为直接法和间接法。其中直接法即通过实验直接测量，并计算与标称数值的比值，这种方法测试周期长、不支持实车场景在线估计。间接法又包含模型分析法、数据驱动分析法。其中，模型分析法分为三类：①经验模型，基于SOC-OCV曲线、SOC估计多项式、优化半经验老化模型等方法估算电池健康状态；②等效电路模型，通过测量内阻或交流阻抗谱，基于最小二乘法、滤波器观测器等算法建立等效电路模型用以描述电池系统特征；③电化学模型，通过量化内部电化学反应过程，根据活性物质消耗等信息估计电池SOH。模型分析法可解释性强，但辨识求解过程复杂导致在线计算损耗大，并且信号异常或噪声干扰会给估计结果带来较大误差。数据驱动法忽略电池内部变化，包含“提取特征-处理特征-建立评估模型”三大环节，由于其泛化性强、计算简单、适应在线的特点，逐渐成为评估SOH的广泛研究方法。

  在提取特征方面，陆楠等、Guo等基于直接参数法提取不同宽度区间电压平均值、区间容量、电流/温度时间积分值、电压/电流曲线最大斜率等参数作为SOH特征值；陈吉清等基于微分参数法进行容量增量分析，提取IC曲线峰值、电压位置、面积、斜率等共计8个特征值，又由于这类分析方法容易受噪声影响，因此Schiffer等、Wang等通过S-G滤波、小波滤波、高斯滤波等方法对特征值进行加强处理；Richardson等基于行为参数法提取电压、电流、温度分布特征，打破传统提取特征局限于恒流充放工况的限制。在特征处理方面，陈媛等、赵旭、Ma等采取Pearson或Sperman系数计算特征值与SOH之间的线性相关性。在模型评估方面，目前的主流模型有高斯回归模型、支持向量机、神经网络、决策树等，近年来，不少学者利用智能算法或集成算法对模型进行参数优化和性能改善。例如朱振宇等建立CNN-GRU、CNN-LSTM混合神经网络用于估计电池SOH剩余寿命，对比基线模型，模型的精度显著提高；Sun等提出基于耳廓狐算法(Fennec Fox)优化混合极限学习机(HELM)的电池SOH估计模型，可在多工况和较少训练样本条件下保持较高估计精度；Javaid等提取放电数据特征，构建深度神经网络模型(DNN)，并基于迁移学习算法实现对其余电池的SOH快速估计。

  然而，实车动力电池SOH评估仍然面临以下问题：一是实车数据由于设备受限或运行噪声干扰，普遍存在采样频率低、关键数据缺失或异常等现象；二是不同于实验室在统一工况下测得的循环寿命实验数据，实际充放电工况受驾驶员行为影响变得复杂，尽管采集的原始运行数据量庞大，但传统基于限定荷电范围内提取数据样本的方法，在实车充放电起止荷电状态随机的条件下，提取到的统一工况片段数量较少，且未能充分考虑电流对容量的计算误差；三是实车采样频率普遍在10 s及以上，数据稀疏问题导致容量增量等方法极易错失特征峰值。同时，目前提取SOH特征值仅考虑当前工况状态，忽略挖掘历史损伤累积特征信息。此外，仅通过线性相关性分析无法确保特征的典型性，并且采用过多的特征值建模可能存在信息冗余，导致模型估计精度降低。

  鉴于此，本文提出一种适用于阶梯倍率充电工况的实车动力电池健康因子提取和SOH估计方法。首先，通过数据预处理获取较为统一、完整的充电片段；其次，兼顾样本数目和数据质量，基于不同电流阶段获取容量样本；然后，从当前工况、历史累积两个维度提取SOH健康因子，分别开展灰色关联度、随机森林双重筛选及KPCA降维处理；最后，构建RUN-GRU-attention模型实现SOH估计，一方面设计实验验证本文容量计算方法的有效性；另一方面在单阶段和多阶段电流样本集上，与现有5种模型对比，验证了所提方法的适用性。

  1 实车数据预处理

  本文数据来源于广东某批电动汽车实际运行数据，采样时间为2022年1月—2023年2月，采集间隔为20 s，每辆车采集车辆、驱动电机、可充电储能装置三部分数据，包含数据时间、车速、车辆状态、总电压、总电流等24项数据类型。由于受到行驶工况不稳定或噪声干扰等问题影响，原始数据存在较多缺失和异常等问题，下面以1#车辆为例进行详细的预处理说明。

  1.1　异常数据清洗

  异常数据包括车辆状态匹配异常、时间匹配异常、数据重复或超限。清洗异常数据的步骤如下：①利用逻辑判别删除重复或无效数据、纠正匹配错误数据；②利用四分箱型图剔除超限值数据。最终修改并删除异常数据721帧，剩余有效数据43489帧。

  1.2　充电片段切割

  由于行驶工况复杂，制动回收电量使得电流正负交替变化大，难以完整提取行驶片段。因此以充电数据为重点，将其切割成较为统一完整的工况片段，步骤如下：①筛选充电状态(车辆状态为熄火、充电状态为充电、电流＜0)；②以6 min为阈值初次切割；③合并缺失时间较长的充电片段；④删除采样时间过短(＜2 min)的片段。经处理，1#车辆的有效充电片段共328个。

  1.3　缺失数据填充

  数据在采集、传输、存储过程中存在缺失现象，导致采样周期不均匀，进而引起容量及特征值的计算误差。缺失数据填充的步骤如下：①查询缺失段落；②采用均值插补法进行数据补充。经查询328个充电片段中存在1184段缺失数据，平均缺失时间小于5 min，填充后数据增加5939帧。图1为第93次充电片段数据填补前后的电流、电压数据。

图1 充电片段数据填补前后电流、电压对比

  2 充电片段数据分析

  2.1　充电深度分析

  如图2所示，充电深度受用户行为影响表现较为随机，起始SOC多分布在50%以下，终止SOC多分布在80%以上。可以看出相较循环老化实验数据，实车工况非满充满放，甚至起止SOC都相差较大。

图2 充电深度及起止SOC分布

  2.2　充电模式分析

  1#车辆模式可大致分为以下3种：恒流充电、递减倍率充电、阶梯倍率充电。其中，恒流及递减倍率充电模式样本总数占比仅4%。重点关注占比最多的阶梯倍率充电模式，图3(a)作出其电压-电流-SOC数据分布，可以看出该车辆的4个阶梯电流分别在110 A、97 A、46 A、14 A附近(后文简称“Ⅰ、Ⅱ、Ⅲ、Ⅳ”阶段)，4个阶梯对应电压范围依次是326～357 V、357～368 V、368～379 V、379～380 V，对应的SOC范围依次是0～67%、67%～80%、80%～97%、97%～100%。进一步对阶梯电流类型进行统计，结果如图3(b)所示，由于充电行为较为随机，主要存在Ⅰ-Ⅱ-Ⅲ-Ⅳ、Ⅰ-Ⅱ-Ⅲ、Ⅰ-Ⅱ、Ⅰ、Ⅱ-Ⅲ、Ⅱ共6种充电模式，分别占比20.1%、40.6%、5.4%、12.5%、9.8%、8.5%，其余模式仅占3.1%。

图3 阶梯充电模式分析结果

  在此基础上，筛选其中深度充电片段(充电深度≥80%)，作出其电流-SOC数据分布，如图4所示。从图中可以看出存在3种异常电流分布情况：一是低荷电状态的电流波动(SOC低于40%)；二是倍率突变的电流波动；三是数据填补产生误差，即缺失数据片段刚好位于电流突变处，人为预处理产生异常电流，第三种情况可以通过优化数据填补逻辑来避免，第一、二种电流波动会给容量计算带来误差。

图4 深度充电工况下电流-SOC分布

  3 实车动力电池SOH定义与样本筛选

  3.1　实车动力电池容量计算方法

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。