日本无码免费高清在线|成人日本在线观看高清|A级片免费视频操逼欧美|全裸美女搞黄色大片网站|免费成人a片视频|久久无码福利成人激情久久|国产视频一二国产在线v|av女主播在线观看|五月激情影音先锋|亚洲一区天堂av

  • 手機(jī)站
  • 小程序

    汽車測試網(wǎng)

  • 公眾號(hào)

    • 汽車測試網(wǎng)

    • 在線課堂

    • 電車測試

北理工：鋰電池健康診斷和剩余壽命預(yù)測

2021-03-06 20:12:34·  來源：鋰電前沿  
　
北京理工大學(xué)的熊瑞教授團(tuán)隊(duì)提出了基于老化特征的鋰電池健康診斷和剩余壽命預(yù)測方法，算法可以用較小的計(jì)算量得到精度較高的結(jié)果。研究成果在eTransportation國際交通電動(dòng)化雜志上發(fā)表。 背景介紹 鋰離子電池在電動(dòng)汽車中廣泛應(yīng)用，當(dāng)其容量低于初始容量的80%
北京理工大學(xué)的熊瑞教授團(tuán)隊(duì)提出了基于老化特征的鋰電池健康診斷和剩余壽命預(yù)測方法，算法可以用較小的計(jì)算量得到精度較高的結(jié)果。研究成果在eTransportation國際交通電動(dòng)化雜志上發(fā)表。

背景介紹
鋰離子電池在電動(dòng)汽車中廣泛應(yīng)用，當(dāng)其容量低于初始容量的80%時(shí)，該電池就達(dá)到了使用壽命。電池健康狀態(tài)（SOH）診斷和鋰離子電池的剩余使用壽命（RUL）預(yù)測可以幫助電動(dòng)汽車用戶實(shí)時(shí)監(jiān)控電池的狀態(tài)，避免故障的發(fā)生。
 
SOH診斷方法可分為基于模型的方法和基于特征提取的方法?；谀Ｐ偷姆椒ㄍǔＰ枰姵厝芷谙碌腟OC-OCV對(duì)應(yīng)關(guān)系，標(biāo)定較為費(fèi)時(shí)且對(duì)于車載BMS的計(jì)算負(fù)擔(dān)較大；特征提取方法通過大量的健康指標(biāo)和SOH的關(guān)系來構(gòu)建一個(gè)數(shù)據(jù)驅(qū)動(dòng)模型，可以降低車載BMS的在線估計(jì)的計(jì)算量。其中的健康指標(biāo)通常由電池的端電壓曲線中提出得到。本文作者抽取了一般情況下的充電電壓曲線和電流倍率區(qū)間中的特征，用來估計(jì)電動(dòng)汽車的電池容量。
RUL預(yù)測方法可分為基于模型的方法和數(shù)據(jù)驅(qū)動(dòng)方法。基于模型的方法通過非線性模型來預(yù)測電池的RUL，該方法的主要缺點(diǎn)是很難設(shè)計(jì)加速老化測試來收集有效的離線訓(xùn)練數(shù)據(jù)；數(shù)據(jù)驅(qū)動(dòng)方法通過機(jī)器學(xué)習(xí)的方法來預(yù)測電池 RUL，需要一些離線或在線訓(xùn)練數(shù)據(jù)集。本文作者根據(jù)電池老化特性分析，開發(fā)了一種RUL預(yù)測方法，該方法使用0.5C下的數(shù)據(jù)離線訓(xùn)練模型，并且以遞歸的方式進(jìn)行在線計(jì)算，以緩解計(jì)算負(fù)擔(dān)。
加速老化實(shí)驗(yàn)介紹
圖
 
1 實(shí)驗(yàn)設(shè)備
 
 
本文作者使用了Arbin BT-5HC充放電機(jī)和松下的18650鋰離子電池進(jìn)行實(shí)驗(yàn)；加速老化實(shí)驗(yàn)的兩種具體方法如表1所示。在測試1中，各電池單體分別以0.5C、1C、1.5C和2C的倍率放電，其中0.5C的實(shí)驗(yàn)數(shù)據(jù)被用作下述算法的訓(xùn)練集；測試2的電池單體在每次循環(huán)中依次用0.5C、1C、1.5C和2C放電（動(dòng)態(tài)倍率放電）以驗(yàn)證算法。
表1 加速老化實(shí)驗(yàn)方案

核心算法介紹

 
整體算法的流程如圖2所示，一共可以分為四個(gè)步驟。

圖2 SOH診斷以及RUL預(yù)測算法流程示意
1首先進(jìn)行電池的健康診斷，在這一步中可以得到電池的SOH（即電池的剩余容量與初始容量的百分比）。
 
 
用IC曲線估計(jì)電池SOH的原理是當(dāng)電池的SOH不同時(shí)，電池電壓變化相同的值所對(duì)應(yīng)的容量變化量不同。本文作者基于同樣的原理，從電池0.5C下的充電電壓曲線中抽取了6個(gè)不同電壓區(qū)間（分別為 3.6~3.7 V、3.7~3.8 V、3.8~3.9 V、3.9~4.0 V、4.0~4.1 V 和 4.1~4.2 V）對(duì)應(yīng)的容量差值作為估計(jì)SOH的特征，如圖3所示。
圖3 電池單體衰減特征抽取

可以看出，隨著電池SOH的降低，被抽取出的累積容量值也在降低，所以可以把其作為健康指標(biāo)。最后通過機(jī)器學(xué)習(xí)的方法構(gòu)建起健康指標(biāo)與電池SOH之間的關(guān)系。將6個(gè)健康指標(biāo)（HI1~HI6）作為神經(jīng)網(wǎng)絡(luò)的輸入層，然后與50個(gè)隱藏層神經(jīng)元進(jìn)行全連接，最后輸出電池的容量，即可得到SOH。
圖4 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

2算法的第二步是對(duì)電池老化階段的辨識(shí)。圖5展示了電池單體在不同放電倍率下的衰減曲線。各個(gè)容量衰減曲線可以分為兩個(gè)階段，第一階段為前100個(gè)循環(huán)，衰減較快；第二階段的衰減曲線幾乎為線性，較為平緩?？梢酝ㄟ^曲線擬合工具來劃分兩個(gè)老化階段；當(dāng)劃分后所擬合的直線R方最小時(shí)即為最優(yōu)劃分位置。本文作者同樣使用了0.5C下的容量衰減曲線來辨識(shí)電池的老化階段，然后使用隨機(jī)森林（RF）算法，用算法第一步中得到的六個(gè)健康指標(biāo)作為輸入，用100個(gè)樹構(gòu)建出健康指標(biāo)與老化階段的關(guān)系，最后輸出電池的老化階段。
圖5 不同放電倍率下單體電池容量的衰減曲線
 
 
3算法的第三步是對(duì)電池的RUL作預(yù)測。在算法的第二步中可以看出，在電池老化的第二階段，其衰減規(guī)律幾乎是線性的，因此可以構(gòu)建一個(gè)線性模型來預(yù)測RUL。由于衰減過程不是嚴(yán)格線性的，且隨機(jī)森林的辨識(shí)也可能出現(xiàn)一定的誤差，故本文作者使用了含遺忘因子的遞歸最小二乘法（RLS）來辨識(shí)該預(yù)測模型的參數(shù)。RLS在老化第二階段開始的50個(gè)循環(huán)后開始對(duì)RUL進(jìn)行預(yù)測，每10次循環(huán)給出一個(gè)預(yù)測值。
4用RLS辨識(shí)得到線性模型的參數(shù)后，可以預(yù)測到在k次循環(huán)后電池的SOH小于0.8，即預(yù)測到電池的EOL。最后，用1000個(gè)樣本的蒙特卡洛仿真計(jì)算EOL的不確定性，得到線性模型在每個(gè)循環(huán)下的EOL的概率密度函數(shù)。
 
實(shí)驗(yàn)結(jié)果
 
 
圖6展示了用0.5C放電（測試1）訓(xùn)練的模型，在動(dòng)態(tài)電流倍率放電（測試2）情況下的容量估計(jì)結(jié)果。估計(jì)容量接近參考值，大多數(shù)的循環(huán)次數(shù)下，估計(jì)誤差在1%以內(nèi)，均方根誤差為0.80%，說明該容量估計(jì)方法具有較高的精度，且在實(shí)車上有應(yīng)用價(jià)值。
圖6 容量估計(jì)結(jié)果
 
 
圖7展示了基于隨機(jī)森林和神經(jīng)網(wǎng)絡(luò)（NN）兩種不同分類算法對(duì)于老化階段辨識(shí)的效果。可以看出，在不同的老化路徑下，隨機(jī)森林的辨識(shí)效果均好于神經(jīng)網(wǎng)絡(luò)。
圖7 基于隨機(jī)森林和神經(jīng)網(wǎng)絡(luò)的老化階段辨識(shí)
（a）0.5C；（b）1C；（c）1.5C；（d）2C
 
 
圖8展示了用0.5C放電的兩個(gè)電池單體訓(xùn)練得到的隨機(jī)森林模型，在動(dòng)態(tài)倍率放電情況下老化階段辨識(shí)結(jié)果。辨識(shí)得到的電池老化第二階段的起始循環(huán)為第107次循環(huán)，僅有三個(gè)循環(huán)被錯(cuò)誤的辨識(shí)。
圖8 老化階段辨識(shí)結(jié)果
 
 
圖9給出了遺忘因子（μ）在不同數(shù)值下，RLS對(duì)不同老化路徑下的RUL的預(yù)測結(jié)果。其中可變遺忘因子定義如下：
 
本文中α?=?0.995 ，μ0?=?0.95。誤差閾值為50次循環(huán)，即RUL與真實(shí)值的差距在50次循環(huán)以內(nèi)即視為準(zhǔn)確預(yù)測。
圖9 RUL預(yù)測結(jié)果
（a）0.5C；（b）1C；（c）1.5C；（d）2C
 
 
圖10展示了使用可變遺忘因子的RLS對(duì)動(dòng)態(tài)電流倍率情況下RUL的預(yù)測，其預(yù)測結(jié)果基于圖6中的SOH估計(jì)結(jié)果。可以看出，在200次循環(huán)后，預(yù)測的RUL落在了誤差允許范圍內(nèi)，且300次循環(huán)后，絕大多數(shù)情況下的預(yù)測誤差小于10。用蒙特卡洛方法仿真得到的RUL的概率密度函數(shù)，RUL的95%置信區(qū)間在第257、357和457次循環(huán)下分別為[265, 285]、[181, 197]和[88, 108]次循環(huán)，均在準(zhǔn)確預(yù)測的范圍內(nèi)。每次RUL預(yù)測的計(jì)算時(shí)間在0.3秒左右，計(jì)算量大小適用于實(shí)車。
 
圖10 使用可變遺忘因子的RLS
對(duì)動(dòng)態(tài)電流倍率情況下RUL的預(yù)測
 
結(jié)論
本文作者開發(fā)了基于老化特征的鋰離子電池健康狀態(tài)診斷和剩余壽命預(yù)測算法。首先從充電電壓曲線中的常用段提取了6個(gè)健康指標(biāo)；然后用離線數(shù)據(jù)訓(xùn)練了神經(jīng)網(wǎng)絡(luò)模型和隨機(jī)森林模型，構(gòu)建了健康指標(biāo)與SOH、老化階段之間的關(guān)系；最后根據(jù)SOH估計(jì)和老化階段識(shí)別結(jié)果，用含遺忘因子的RLS算法預(yù)測電池的RUL，并結(jié)合蒙特卡羅仿真生成 RUL 預(yù)測結(jié)果的概率密度函數(shù)。
 
 
實(shí)驗(yàn)結(jié)果表明，不論是恒定還是動(dòng)態(tài)倍率放電下，該算法都可以準(zhǔn)確的估計(jì)SOH，且大多數(shù)情況下估計(jì)誤差小于1%。在200次循環(huán)后，該算法可以對(duì)動(dòng)態(tài)放電倍率下的電池單體在0.3秒的時(shí)間實(shí)現(xiàn)準(zhǔn)確的RUL預(yù)測。實(shí)驗(yàn)結(jié)果在一定程度上表明本文作者開發(fā)的該算法精度較高，計(jì)算量較小，可以應(yīng)用于實(shí)際電動(dòng)汽車上。
分享到：
 
反對(duì) 0 舉報(bào) 0 收藏 0 評(píng)論 0
滬ICP備11026917號(hào)-25