基于数据驱动的锂离子电池剩余使用寿命预测框架:采用卷积神经网络(CNN)和机器学习模型
Merve Yenioglu,
Engin Aycicek,
Ozan Erdinc
《Batteries》:A Data-Driven Framework for Lithium-Ion Battery Remaining Useful Life Prediction Using CNN and Machine Learning Models
Merve Yenioglu,
Engin Aycicek and
Ozan Erdinc
【字体:
大
中
小
】
时间:2026年04月14日
来源:Batteries 4.8
编辑推荐:
摘要:准确预测锂离子电池的剩余使用寿命(RUL)对于提高电动汽车和储能系统的可靠性、安全性和维护规划至关重要。然而,电池老化是一个复杂且非线性的过程,受到多种运行条件的影响,使得可靠的RUL估计成为一个具有挑战性的任务。尽管文献中提出了许多数据驱动的方法,但许多研究主要集中在使用
摘要:准确预测锂离子电池的剩余使用寿命(RUL)对于提高电动汽车和储能系统的可靠性、安全性和维护规划至关重要。然而,电池老化是一个复杂且非线性的过程,受到多种运行条件的影响,使得可靠的RUL估计成为一个具有挑战性的任务。尽管文献中提出了许多数据驱动的方法,但许多研究主要集中在使用单一建模技术来提高预测准确性,而对不同算法的系统性比较和预测不确定性的量化关注较少。本研究提出了一种综合考虑数据驱动的锂离子电池RUL预测框架,整合了传统的机器学习和深度学习方法。开发了一种卷积神经网络(CNN)模型来捕捉电池循环数据中的非线性老化模式。数据集采用电池级验证策略进行划分,以评估模型的泛化能力。此外,还实现了包括k-最近邻(KNN)、随机森林(RF)和极端梯度提升(XGBoost)在内的传统机器学习算法,以对不同的预测模型进行比较分析。通过结构化的预处理流程,从电压、电流、温度和循环信息中提取与老化相关的关键特征。通过构建估计RUL值周围的置信区间来量化预测不确定性。使用均方根误差(RMSE)、相对预测误差(RPE)和预测范围(PH)等预测指标来评估模型的性能。为了全面评估预测准确性,还使用了平均绝对误差(MAE)、均方根误差(RMSE)和决定系数(R2)等多项预测指标。实验结果表明,所提出的框架能够提供准确的RUL预测。在评估的模型中,CNN的表现最佳,平均绝对误差(MAE)为7.75,均方根误差(RMSE)为10.80,优于随机森林和XGBoost等传统机器学习模型。KNN模型的表现也具有竞争力,RMSE为12.07,R2值为0.64,表明基于相似性的学习可以有效捕捉电池老化模式。
1. 引言
由于锂离子电池具有高能量密度、长循环寿命和相对较低的自放电率[1],它们已成为电动汽车、便携式电子设备和可再生能源系统中的主导储能技术。随着对电动交通和可再生能源存储需求的持续增长,确保锂离子电池的可靠性和安全性已成为一个关键的 research topic[2]。尽管锂离子电池具有这些优势,但在反复充放电过程中仍会逐渐老化。这种老化导致电池容量下降和内阻增加,最终限制了电池的使用寿命[3]。因此,准确估计电池的剩余使用寿命(RUL)对于提高电池可靠性、实现预测性维护以及增强电池管理系统(BMS)的性能至关重要[4]。
传统的电池健康预测方法通常基于电化学模型和状态估计技术。虽然这些基于物理的模型可以提供对电池行为的详细见解,但它们通常需要复杂的参数识别和较高的计算成本,这限制了它们在实时系统中的实际应用[5]。
为了克服这些限制,基于机器学习和深度学习的数据驱动方法在电池预测研究中受到了广泛关注。机器学习算法能够学习运行参数与电池老化模式之间的复杂非线性关系,而无需依赖显式的物理模型[6]。特别是,卷积神经网络(CNN)和循环神经网络(RNN)等深度学习架构已在捕捉电池循环数据中的时间老化模式方面展示了强大的能力[7]。
最近的一些研究探索了结合机器学习和深度学习的锂离子电池RUL预测框架。例如,Mou等人提出了一个CNN-BLSTM模型,利用NASA电池数据集来捕捉锂离子电池中的非线性老化模式[8]。类似地,Li等人开发了一种基于CNN-LSTM的架构,提高了老化特征提取和预测准确性[9]。信号分解技术也已与深度学习模型结合使用,以增强预测稳定性。Liu等人引入了CEEMDAN-PSO-BiGRU框架,在应用循环神经网络进行RUL预测之前对电池信号进行分解[10]。
电池预测的另一个重要方面是不确定性量化。在电动汽车等实际应用中,确定性预测可能不足以确保安全运行。因此,将不确定性估计纳入RUL预测模型变得越来越重要。Zhang等人提出了一个基于LSTM的框架,并结合蒙特卡洛dropout来量化电池RUL预测中的不确定性[11]。
尽管在电池预测研究中取得了显著进展,但仍存在几个挑战。许多现有研究只关注单一模型架构,并主要依赖容量老化信号作为输入特征。此外,RUL预测研究中往往忽略了不确定性分析。这些限制降低了预测模型的可解释性和鲁棒性。
为了应对这些挑战,本研究提出了一个基于NASA电池数据集的锂离子电池RUL预测的 comprehensive machine learning 框架。在统一的实验框架内评估了多种机器学习和深度学习模型,包括CNN、k-最近邻(KNN)、随机森林(RF)和XGBoost。此外,还结合了基于置信区间估计的不确定性分析来评估预测RUL值的可靠性。本研究通过提供机器学习和深度学习模型的比较评估,以及特征工程和不确定性分析,解决了这些限制。据作者所知,这是少数在统一的锂离子电池RUL预测框架内结合了模型比较、多参数特征工程和不确定性量化的工作之一。本研究的主要贡献如下:
- 对多种机器学习和深度学习模型进行锂离子电池RUL预测的比较评估。
- 整合多个运行参数和与老化相关的特征,以改进老化建模。
- 结合不确定性分析,提高预测可靠性。
- 使用广泛使用的NASA锂离子电池数据集验证所提出的框架。
1.1. 文献综述
最近关于锂离子电池剩余使用寿命(RUL)预测的研究广泛探讨了数据驱动的方法,特别是深度学习和混合建模技术。这些方法旨在捕捉电池在不同运行条件下的复杂非线性老化行为。
混合深度学习架构已被广泛采用以提高预测准确性。例如,Li等人[3]提出了一个CNN–LSTM模型,该模型结合了卷积层进行特征提取和循环层进行时间建模。同样,Mou等人[4]开发了一个CNN–BLSTM框架,增强了从容量信号中捕捉非线性老化特征的能力。尽管这些混合模型实现了更好的预测性能,但它们主要依赖基于容量的特征,并且关注单一模型架构,这限制了它们的泛化能力。
基于信号分解的方法也被引入以提高预测稳定性。Liu等人[5]提出了一个CEEMDAN–PSO–BiGRU框架,在应用循环神经网络进行RUL预测之前将电池信号分解为内在模态函数。这种方法提高了噪声鲁棒性和预测稳定性。然而,这些方法通常涉及复杂的预处理流程,并且仍然依赖于单一预测模型,而没有提供比较评估。
除了确定性模型外,顾及不确定性的预测方法也日益受到关注。Zhang等人[6]提出了一个基于LSTM的模型,并结合蒙特卡洛dropout来量化RUL预测中的不确定性。这种方法为预测提供了置信区间,提高了实际应用中的可靠性。然而,该研究没有包括不同模型类型的比较分析,从而限制了对相对模型性能的理解。
最近的研究还探索了先进的架构,如基于注意力机制的深度学习模型。Xu等人[12]引入了一个基于注意力的框架,通过关注最相关的老化特征来提高预测准确性。虽然这种方法增强了特征表示,但它没有结合不确定性分析,并且仍然局限于单一模型结构。
总体而言,现有文献表明,无论是混合模型、分解技术还是顾及不确定性的方法,都可以改进RUL预测的特定方面。然而,仍然存在几个关键限制。首先,大多数研究只关注单一模型架构,缺乏不同机器学习和深度学习方法之间的系统性比较。其次,许多工作主要依赖基于容量的特征,而电压、电流和温度等多个运行参数的整合仍然有限。第三,不确定性量化通常被视为一个孤立的组件,而不是集成到全面的预测框架中。
最近的研究还探索了替代的深度学习和概率方法进行电池RUL预测。例如,Ren等人[13]提出了一个基于GRU的模型来改进时间依赖性学习,而Wang等人[14]将小波变换与LSTM网络结合使用以增强特征表示。此外,Hu等人[15]引入了贝叶斯深度学习方法来改进不确定性估计,为安全关键应用提供概率预测。综合综述研究[7,11,16]进一步强调了结合多种建模策略和顾及不确定性的框架对于鲁棒电池预测的重要性。
为了应对这些限制,本研究提出了一个统一的数据驱动框架用于锂离子电池RUL预测。与以前的工作不同,同一实验设置中评估了多种模型,包括CNN、随机森林(Random Forest)、XGBoost和k-最近邻(KNN),从而实现了系统的性能比较。通过结合运行相关指标和老化相关指标,采用了多参数特征工程策略,并通过置信区间估计整合了不确定性量化,以提高预测可靠性。如表1所示,所提出的方法通过在一个框架内同时结合多模型比较、丰富的特征表示和不确定性分析而脱颖而出。
1.2. 贡献与组织
本研究为锂离子电池剩余使用寿命(RUL)估计领域做出了几项贡献。该工作的新颖之处不在于提出新的机器学习算法,而在于在一个统一的RUL预测框架内整合了特征工程、模型比较和不确定性量化。
这项工作的主要贡献是开发了一个全面的data-driven框架,用于锂离子电池RUL预测,该框架整合了深度学习和传统机器学习方法。特别是,采用了卷积神经网络(CNN)模型来捕捉电池循环数据中的非线性老化模式。
在深度学习和传统机器学习模型之间进行了系统的比较分析,包括随机森林(RF)、极端梯度提升(XGBoost)和k-最近邻(KNN)回归。这种比较提供了不同学习算法在电池老化预测方面的相对优势和局限性。
研究引入了一种详细的特征工程策略,研究了内部和外部电池参数对预测性能的影响。具体来说,分析了电阻、温度以及包括dv/dt、di/dt和dv/di在内的派生特征对RUL预测准确性的影响。
除了点预测外,所提出的框架还通过为预测的RUL值构建置信区间来纳入不确定性分析,从而实现更可靠和可解释的预测评估。
模型使用NASA的实际锂离子电池老化数据集进行了评估。使用平均绝对误差(MAE)和决定系数(R2)等评估指标来评估模型性能,并讨论了不同输入特征对预测准确性的影响。
本文的其余部分组织如下:第1节介绍并回顾了相关文献,概述了研究问题。第2节描述了方法论,包括数据集、特征工程过程以及研究中使用的机器学习和深度学习模型。第3节展示了实验结果并讨论了主要发现。最后,第4节总结了本文并指出了未来研究的潜在方向。
2. 材料和方法
2.1. 方法论
本节介绍了用于预测锂离子电池剩余使用寿命(RUL)的提出的基于机器学习的框架。该方法论包括五个主要阶段:数据预处理、循环级特征提取、健康指标生成、机器学习模型开发和性能评估。所提出方法的整体工作流程如图1所示。
2.2. 数据预处理和数据集准备
实验使用了NASA锂离子电池老化数据集,该数据集包含了从电池B0047和B0048在重复充放电周期中收集的详细测量数据。所有实验均使用Python编程语言3.12版本实现,利用了NumPy和Pandas等广泛采用的科学计算库进行数据处理,Scikit-learn进行传统机器学习模型的开发,以及TensorFlow/Keras进行深度学习模型的开发。实验结果的可视化使用了Matplotlib(版本3.10)和Seaborn(版本0.13.2)来完成,而SHAP则被用来分析模型可解释性和特征重要性。这种实验配置为评估不同机器学习和深度学习模型在锂离子电池剩余使用寿命预测方面的性能提供了一个可靠且可重复的框架。所提出的模型是在配备有Intel Core i5-8250U CPU(运行频率为1.60 GHz,具有4个核心和8个逻辑处理器)、8 GB RAM以及Windows操作系统的个人电脑上实现和评估的。表2总结了实验环境。表2. 数据集和实验环境概述。所提出的RUL预测框架的逐步流程,包括数据预处理、特征提取、模型训练和不确定性估计,在算法1中进行了总结。算法1. 提出的RUL预测框架输入:原始电池数据集(电压、电流、温度、循环数据)输出:带有不确定性范围的预测RUL值1:加载原始电池数据集2:进行数据预处理和清洗3:将时间序列数据转换为循环级特征4:提取与退化相关的特征(容量衰减、dv/dt、di/dt等)5:使用标准缩放对输入特征进行归一化6:使用电池级验证策略划分数据集7:训练机器学习模型(RF、XGBoost、KNN)8:在提取的特征上训练CNN模型9:预测测试数据集的RUL值10:计算评估指标(MAE、RMSE、R2)11:使用预测方差估计不确定性(±3σ)12:比较模型性能结束表3总结了所提出的算法。原始电池数据集包含了在反复充放电循环期间收集的时间序列测量值。这些测量值包括电压、电流、温度和内部电阻等关键的电学和热学参数,这些参数在整个电池运行过程中都被记录下来。由于原始时间序列数据包含高频信号和大量观测值,在应用机器学习模型之前需要进行适当的预处理。在这项研究中,首先将原始测量值转换为循环级特征,以更好地表示锂离子电池的长期退化行为。数据集根据电池标识符和循环次数进行分组,并应用统计聚合函数来获得每个循环的代表性参数。为了评估所提模型的泛化能力,采用了电池级验证策略。使用电池B0047来训练模型,而电池B0048则保留用于测试。这种策略防止了属于同一电池的循环之间的数据泄露,并允许模型在未见的电池退化轨迹上进行评估。为了减少有限差分特征对测量噪声的敏感性,在计算动态指标(如dv/dt和di/dt)之前,首先在循环级别对原始信号进行聚合。dv/dt参数:定义为电池端电压随时间的变化。di/dt参数:定义为电池端电流随时间的变化。dv/di参数:是dv/dt和di/dt参数之间的比率。具体来说,以下参数使用平均值进行聚合:测量电压、测量电流、温度、负载电压、负载电流、内部电阻:通过使用操作期间的测量电压和电流的比率来计算电池的直流内部电阻的近似值。此外,通过积分放电过程中的电流信号来计算电池的放电容量。将得到的容量值累积在每个循环内,以获得该循环的总放电容量。在构建了循环级数据集之后,提取了几个与退化相关的健康指标来表征电池的老化行为。这些指标包括容量衰减、容量比、滚动容量平均值和电阻增长。这些指标能够有意义地表示电池的健康状况,并作为机器学习模型的有用输入特征。由于提取的特征具有不同的数值尺度,在模型训练之前应用了特征标准化。标准缩放用于通过去除均值并将特征缩放到单位方差来规范化输入特征。这一步预处理确保了所有特征在模型训练过程中能够成比例地贡献。为了在实际的预测条件下评估模型,数据集基于电池标识符而不是通过随机抽样被划分为训练和测试子集。这种策略防止了属于同一电池的循环之间的数据泄露,并允许模型在之前未见过的电池退化轨迹上进行评估。在这项研究中,使用多块电池来训练模型,而单独的电池数据集被保留用于测试。训练数据集用于训练机器学习模型,测试数据集用于评估预测性能。最后,得到的特征矩阵和相应的剩余使用寿命(RUL)值被用作机器学习模型的输入特征和目标变量。所提出的模型是在以下条件下开发的:数据集来自NASA的锂离子电池退化数据集。使用电池B0047进行训练,而电池B0048用于测试。使用寿命终结(EOL)阈值定义为初始电池容量的70%。输入特征包括电压、电流、温度、电阻和衍生的退化指标。所有输入特征在模型训练之前都进行了标准化。模型在实验室控制的操作条件下进行训练和评估。预测模型假设相似电池单元之间的退化模式是一致的。这些条件定义了所提框架的操作边界。2.3. 健康指标提取电池退化通过电化学和电气特性的逐渐变化来表征。为了捕捉这些退化动态,从循环级数据集中衍生出了几个健康指标。在这项研究中提取了以下指标:容量衰减:容量衰减表示由于电化学老化机制(如固体电解质界面(SEI)生长和活性锂的损失)引起的锂离子电池的累积退化。容量比:容量比定义为电池当前容量与初始容量的比率。滚动容量平均值:对容量信号应用滚动平均值以减少测量噪声并突出长期退化趋势。容量斜率:容量斜率表示连续循环之间的容量退化率。电阻增长:内部电阻增长计算为电池当前电阻与初始电阻之间的差异。这些健康指标能够有意义地表示电池的老化情况,并作为机器学习模型的关键输入特征。超参数是通过经验调整和初步实验选定的,以平衡模型复杂性和泛化性能。2.4. EOL和RUL定义由于各种电化学老化机制,锂离子电池在重复充放电循环期间会逐渐性能下降。这种退化通常表现为可用容量的减少和内部电阻的增加。理解容量退化行为对于准确估计电池的剩余使用寿命(RUL)至关重要。图2展示了代表性电池在其操作寿命期间的容量退化轨迹。随着循环次数的增加,由于电极材料退化、电解质分解和锂沉积等老化效应,电池容量逐渐减小。这些机制导致不可逆的容量损失和能量存储能力的降低。在电池预测研究中,使用寿命终结(EOL)条件通常定义为电池容量低于其初始容量预定义阈值的点。在这项工作中,EOL阈值是根据观察到的退化趋势确定的,如图2所示。一旦电池容量达到这个阈值(0.7),则认为电池已经达到了其操作极限。图3显示的退化曲线突出了电池容量随循环的逐步下降。这种退化行为为后续阶段提取健康指标和定义电池的剩余使用寿命提供了基础。2.5. 机器学习模型实现了几种机器学习和深度学习模型来预测电池的剩余使用寿命。2.5.1. 随机森林回归随机森林是一种集成学习方法,它构建多个决策树并汇总它们的预测结果,从而提高模型的稳定性和准确性。2.5.2. XGBoost预测XGBoost是一种梯度提升算法,以其高预测性能和处理非线性关系的效率而闻名。2.5.3. K-最近邻居(KNN)KNN算法基于特征空间中数据样本之间的相似性来预测剩余使用寿命(RUL)值。2.6. 深度学习模型卷积神经网络(CNN)为了捕捉锂离子电池数据中的非线性退化模式,实现了一个卷积神经网络(CNN)模型来进行剩余使用寿命(RUL)预测。CNN架构在数据驱动的预测中得到广泛应用,因为它们能够从序列或结构化数据中自动提取层次特征。在电池退化建模的背景下,卷积层可以有效识别操作参数和老化行为之间的复杂关系。在这项研究中,CNN模型使用了来自电压、电流、温度和与退化相关的指标(如容量衰减和容量比)的循环级电池特征进行训练。这些特征提供了关于瞬时操作条件和长期退化动态的信息。所提出的CNN模型架构包括多个卷积层和全连接层,用于从输入特征矩阵中学习非线性退化模式。卷积层用于提取局部特征表示,而全连接层执行回归以估计剩余使用寿命。本研究中使用的CNN架构在表4中进行了总结。表4. CNN模型架构。2.7. 控制方法和不确定性分析预测准确性的评估通过损失函数来解释,这些函数检查预测值和真实值之间的差异。较小的损失函数值意味着预测值和真实值之间的差异较小,模型的表现更好[17]。平均绝对误差(MAE):该指标表示预测值和真实值之间差异的绝对值的平均值。这个误差指标用于评估预测准确性并理解误差大小[18]。????????=1?????∑??=1∣?????^????∣ (1)决定系数:决定系数是衡量回归模型拟合数据程度的指标[18]。??2=1?∑????=1(?????^????)2∑????=1(?????^???)2 (2)均方根误差(RMSE)是一种广泛用于评估回归模型准确性的指标。它衡量预测值和实际值之间差异平方的平均值的平方根。RMSE对较大误差的惩罚更重,因此在预测误差不希望很大的应用中特别有用。RMSE定义为:???????????=√1n?Σ?(yi?^yi)2 (3),其中yi表示真实值,?i表示预测值,n表示观测总数。较低的RMSE值表示模型的性能更好,因为它反映了预测值和实际值之间的较小偏差。均方误差(MSE)是回归分析中常用的性能指标,它衡量预测值和实际值之间差异平方的平均值。通过平方误差,MSE对较大偏差的惩罚更为显著,使其对异常值和较大预测误差更为敏感。MSE定义为:????????=1n∑(yi??yi)2 (4),其中yi表示真实值,?i表示预测值,n表示观测总数。较低的MSE值表示模型的预测准确性更好[18]。重要性评分用于显示哪些特征对模型的决策影响最大。这显示了每个特征基于决策树结构对模型的贡献。特征重要性评分按以下方式计算:Feature Importance=∑????=1(Gain或Weight for Feature in Tree t) (5),其中Gain是特征对决策树中分割的贡献。Weight是特征在所有树中的总效果。在电池管理系统中,不确定性估计尤为重要,因为可靠的预测对系统的安全运行至关重要。为了评估预测RUL值的可靠性,将不确定性分析框架整合到了所提出的方法中。基于预测误差估计置信区间,以提供预测可靠性的指示。3. 结果和讨论3.1. 数据输入本研究中使用的锂离子电池退化数据来自公开可用的NASA电池数据集。该数据集包含了在受控实验室条件下进行的重复充放电循环实验中收集的详细测量值。随着电池持续循环,电化学老化机制逐渐减少可用容量并改变电池内部参数。实验在电池达到预定义的寿命终止(EOL)标准时终止,该标准对应于标称容量的30%减少。数据集包括在整个放电周期中记录的多种电气和热测量结果。这些测量提供了关于电池运行状况和退化行为的宝贵信息。在对原始时间序列电池测量数据进行预处理后,构建了一个循环级别的数据集,以表示电池的长期退化行为。结果数据集包含48,000个观测值和24个提取的特征,包括电气测量值、退化指标和派生的健康指标。这些特征既捕捉了瞬时的运行条件,也捕捉了电池的长期老化特性。提取的特征总结在表5中。
基于树的模型,如随机森林(Random Forest)和XGBoost,具有相对较低的推理成本,因此适合用于嵌入式电池管理系统(BMS)应用。相比之下,深度学习模型需要更高的计算资源,但提供了更高的预测精度。
数据集中的放电剖面因电池而异。放电是在1-4安培的恒定电流(CC)水平下进行的,直到电池电压降至2.7伏特、2.5伏特和2.2伏特。放电数据集中的参数定义如下:
Vmeasured:电池端子电压(伏特)
Cmeasured:电池输出电流(安培)
Tmeasured:电池温度(摄氏度)
Cload:负载处测量的电流(安培)
Vload:负载处测量的电压(伏特)
Time:循环的时间向量(秒)
Capacity:放电至2.7伏特时的电池容量(安时)
如图4所示,在单次放电周期中,电压、电流、温度和负载相关信号表现出明显的时间行为,反映了锂离子电池的电化学和热特性。
为了研究集成学习技术在锂离子电池退化建模方面的能力,实现了一个随机森林回归模型用于剩余使用寿命(RUL)预测。随机森林是一种基于集成的学习算法,它构建多个决策树并汇总它们的预测结果,从而提高模型的鲁棒性并减少与单个决策树模型相比的方差。在所提出的框架中,随机森林模型配置了600棵决策树(n_estimators = 600),以增强预测稳定性并捕捉数据集内的复杂非线性关系。每棵树的最大深度被限制为8(max_depth = 8),以防止模型过于复杂并降低过拟合的风险。此外,分割内部节点所需的最小样本数被设置为10(min_samples_split = 10),而叶子节点所需的最小样本数定义为5(min_samples_leaf = 5)。选择这些超参数是为了在模型泛化能力和预测精度之间取得平衡。使用固定的随机种子(random_state = 42)以确保实验结果的可重复性。
模型使用从数据集中提取的一组电池运行和退化相关特征进行训练,包括电压、电流、温度、循环次数和基于容量的退化指标。这些特征提供了关于锂离子电池电化学老化行为的重要信息,并使模型能够学习电池生命周期中的复杂退化模式。随机森林模型的预测性能使用标准回归指标进行了评估。在测试数据集上获得的实验结果表明,均方根误差(RMSE)为17.95个周期,决定系数(R2)为0.21。RMSE值表示预测值与实际RUL值之间的平均偏差,而R2分数表明模型可以解释目标变量中大约21%的方差。
尽管随机森林模型展示了捕捉某些退化趋势的能力,但相对较低的R2值表明电池老化行为仍然非常复杂和非线性。锂离子电池的退化受到多种相互作用的电化学机制的影响,包括容量衰减、内阻增长和温度依赖的老化效应。因此,使用单一的集成学习方法对这些动态进行建模可能无法完全捕捉到潜在的退化过程。此外,由于真实RUL标签中存在零值,计算出的相对误差指标得到了无穷大值。由于相对误差公式涉及除以真实的RUL值,因此零目标的出现会导致结果不确定。这个问题在RUL预测任务中很常见,其中最后一个循环对应于零剩余寿命。
总体而言,随机森林模型为锂离子电池RUL预测提供了合理的基线,并展示了集成学习方法模拟非线性退化行为的能力。然而,通过结合更先进的深度学习架构、混合建模方法或考虑不确定性的预测框架,可能会进一步提高性能。
为了进一步说明随机森林模型的预测能力,将预测的RUL值与不同电池周期的真实RUL值进行了比较,如图5所示。该图表展示了整个电池退化过程中预测和实际RUL值的变化情况。如图5所示,随着电池接近其使用寿命的终点,真实RUL值呈现出几乎线性的下降趋势,这反映了电池容量的逐步退化。相比之下,随机森林模型生成的预测RUL值在循环范围内表现出更平滑且相对稳定的行为。在早期退化阶段,预测的RUL值与真实值紧密跟随,表明模型成功捕捉了初始的退化趋势。然而,当电池进入后期循环时,预测值与实际RUL值之间出现了明显的偏差。虽然真实RUL值稳步降至零,但预测值倾向于在某个水平上稳定下来,而不是继续下降趋势。这种行为表明随机森林模型部分捕捉到了退化动态,但在电池接近失效时难以准确推断剩余寿命。
观察到的预测行为与定量评估中获得的相对较低的R2分数(0.21)一致。虽然该模型能够捕捉到一般的退化模式,但在准确建模电池老化的最终阶段方面存在局限性。这些发现强调了结合更先进的建模策略(如深度学习架构或混合预测模型)的重要性,这些策略可能更好地捕捉锂离子电池的长期时间依赖性和非线性退化动态。
为了进一步研究高级集成学习算法在锂离子电池预测中的有效性,实现了一个极端梯度提升(XGBoost)回归模型用于剩余使用寿命(RUL)预测。XGBoost是一种基于梯度提升的集成学习方法,它依次构建决策树以最小化预测误差并提高模型性能。由于其正则化机制和对非线性特征交互的有效处理,XGBoost已成为处理复杂回归问题最广泛使用的算法之一。在所提出的框架中,XGBoost模型配置了600棵提升树(n_estimators = 600),以使模型能够捕捉电池数据集中的复杂退化模式。每棵树的最大深度被限制为6(max_depth = 6),以控制模型复杂性并防止过拟合。此外,学习率被设置为0.05,使模型能够逐步更新预测残差并提高泛化能力。为了进一步增强模型的鲁棒性,应用了subsample = 0.8和colsample_bytree = 0.8参数。这些参数通过在构建树时对观测值和特征进行抽样来引入训练过程中的随机性,从而降低过拟合的风险并提高模型泛化性能。
该模型使用从电池数据集中提取的缩放特征矩阵进行训练,其中包括电压、电流、温度、循环次数和基于容量的退化指标等运行和退化相关变量。应用特征缩放以确保所有输入变量对学习过程有同等贡献,并提高训练过程的数值稳定性。然后使用训练好的XGBoost模型预测测试数据集中电池样本的剩余使用寿命。模型的预测性能使用标准回归指标进行了评估,包括均方根误差(RMSE)、平均绝对误差(MAE)、决定系数(R2)和相对误差(RE)。
由于其梯度提升框架,XGBoost通过从前一棵树的残差中学习来迭代最小化预测误差。这种能力使模型能够捕捉电池运行参数和退化动态之间的复杂非线性关系。与传统的集成方法(如随机森林)相比,基于提升的算法在建模高度非线性退化过程时通常表现出更好的预测性能。获得的结果表明,XGBoost模型为锂离子电池RUL估计提供了一个稳健的预测框架。通过逐步细化预测误差,模型能够学习数据集中嵌入的详细退化模式。这一特点使得XGBoost特别适合于电池预测应用,其中退化行为受复杂的电化学过程控制。
为了进一步分析XGBoost模型的预测能力,将预测的RUL值与不同电池周期的真实RUL值进行了比较,如图6所示。如图6所示,随着电池接近其使用寿命的终点,真实RUL值呈现出一致的下降趋势,反映了锂离子电池中的渐进退化行为。XGBoost模型生成的预测RUL值总体上遵循退化轨迹,表明模型能够捕捉电池的潜在退化动态。在电池生命周期的早期阶段,预测的RUL值与真实RUL曲线紧密匹配,表明模型成功从训练数据中学习了初始的退化模式。然而,随着电池进入后期循环,预测值与实际RUL值之间出现了明显的偏差。虽然真实RUL值稳定地降至零,但预测值倾向于在某个相对恒定的水平上稳定下来。这种行为表明,尽管XGBoost模型有效捕捉了退化动态,但在准确预测电池接近失效时的剩余寿命方面存在局限性。这种行为在数据驱动的预测模型中很常见,其中模型由于集成学习机制和接近使用寿命末期的训练样本有限而倾向于平滑预测。
尽管如此,整体预测曲线表明XGBoost能够学习操作参数和退化指标之间的复杂非线性关系。提升机制使模型能够逐步减少预测误差并细化学到的退化模式。因此,XGBoost为锂离子电池RUL预测提供了一个强大的基线模型,并作为与其他机器学习和深度学习模型比较的有效基准。
在所提出的框架中,使用Minkowski距离度量实施了K-最近邻(KNN)回归模型,这是一种在基于距离的学习算法中常用的广义距离度量。此外,还应用了基于距离的加权,以便更接近的邻居对最终预测有更大的影响。这种加权策略通过强调特征空间中最相关的样本来提高预测精度。邻居的数量被设置为?? = 5。选择这个参数在决定KNN算法的性能中起着关键作用。如果??的值太小,模型会对数据集中的噪声非常敏感并可能发生过拟合。相反,如果??太大,模型可能会通过平均过多的邻近样本而过度平滑预测,从而导致欠拟合并降低对局部退化模式的敏感性。选择?? = 5在这两个极端之间取得了平衡,使模型能够在保持对噪声观察的鲁棒性的同时捕捉电池退化模式的局部相似性。
在训练模型之前,应用了特征缩放,以确保所有输入变量对距离计算有同等贡献。这个预处理步骤对于KNN模型尤为重要,因为基于距离的算法对特征量级的差异非常敏感。随后,使用包含电池运行变量和退化相关指标的缩放特征矩阵对模型进行了训练。训练完成后,KNN模型通过识别特征空间中距离最近的五个邻居,并计算它们相应剩余使用寿命(RUL)值的加权平均值来估计未见样本的剩余使用寿命。通过这种机制,模型利用电池退化轨迹之间的相似性来推断电池的剩余寿命。总体而言,KNN模型为剩余使用寿命预测提供了一个简单而有效的基线。尽管它在训练过程中没有明确学习参数模型,但它捕获数据集内局部关系的能力使其能够近似锂离子电池的非线性退化模式。为了进一步评估KNN模型的预测性能,将预测的RUL值与电池样本的实际RUL值进行了比较,如图7所示。如图7所示,随着电池接近寿命终点,实际RUL值呈现单调递减趋势,这反映了锂离子电池的渐进式退化行为。从KNN模型获得的预测RUL值在电池生命周期的早期阶段通常遵循总体退化趋势。然而,随着电池进入后期循环,预测的RUL值显示出明显的波动和与实际退化轨迹的偏差。特别是,预测曲线变得更加不规则,这反映了基于实例的学习算法对数据集内局部变化的敏感性。由于KNN预测是基于邻近样本的平均值得出的,因此附近样本之间的异质退化模式会导致预测结果的不确定性。尽管存在这些波动,KNN模型仍能捕捉到电池在早期运行周期中的总体退化行为。然而,在后期循环中观察到的预测方差增加表明,基于实例的学习方法可能在电池寿命接近终点时难以准确推断退化行为。这些结果突显了KNN模型在应用于锂离子电池老化等高度非线性退化过程中的局限性。尽管如此,该模型为与更先进的集成学习和深度学习方法(包括随机森林、XGBoost和卷积神经网络)进行比较提供了一个有用的基线。
3.5. CNN模型结果
为了进一步研究深度学习架构在模拟电池退化模式方面的能力,实现了一个用于剩余使用寿命(RUL)预测的卷积神经网络(CNN)模型。CNN模型在从序列数据中提取层次化模式方面特别有效,因此非常适合学习锂离子电池中观察到的复杂非线性退化行为。该CNN模型使用包括电压、电流、温度、负载相关变量以及派生出的电气特征(如dv/dt和di/dt)等电池运行测量数据进行了训练。这些特征既捕捉了瞬时运行条件,也捕捉了充放电周期期间电池行为的动态特性。为了评估CNN模型的预测能力,将预测的RUL值与测试样本的实际RUL值进行了比较。如图8所示,预测的RUL值总体上跟随数据集中实际RUL值的变化趋势。CNN模型能够捕捉到电池退化行为的整体波动,表明卷积层成功从输入特征中提取了相关模式。与基于实例的学习模型(如KNN)相比,CNN模型产生了更平滑的预测,同时仍然对退化轨迹的局部变化保持敏感。然而,对于RUL值非常低的样本,仍可以观察到预测值与实际值之间的一些偏差。这些偏差是由于电池接近寿命终点时行为不确定性增加所导致的。在图9中,蓝点表示各个预测的RUL样本,而红线表示真实RUL值与预测RUL值之间的理想一一对应关系。理想情况下,完美的预测应该沿着表示预测RUL值与真实RUL值相等对角线对齐。如图所示,大部分预测样本分布在对角线附近,表明CNN模型能够学习输入特征与电池退化行为之间的有意义关系。尽管如此,对角线周围仍有一些分散,这表明在某些运行条件或退化阶段预测误差会增加。CNN模型的训练和验证损失曲线如图10所示。如图所示,训练和验证损失在训练过程中稳步下降,表明模型成功学习了数据集中的潜在模式。验证损失与训练损失呈现类似的下降趋势,表明模型能够很好地泛化到未见数据,并且没有出现严重的过拟合现象。训练过程的收敛行为证明了CNN模型的稳定性,并确认选定的训练配置使网络能够有效地捕捉电池退化动态。
3.6. 特征重要性分析
为了更好地理解单个输入变量对电池剩余使用寿命(RUL)预测的贡献,使用了本研究中采用的基于集成的模型进行了特征重要性分析。基于树的模型(如随机森林和XGBoost)通过测量每个特征在训练过程中减少预测误差的贡献程度,提供了一种内在的机制来估计输入特征的相对重要性。从随机森林和XGBoost模型获得的特征重要性结果如图12所示。(a)随机森林的特征重要性;(b)XGBoost模型的特征重要性。如图12a所示,循环变量是预测电池剩余使用寿命的最具影响力特征。这个结果是预期的,因为循环次数直接反映了重复充放电操作期间电池老化的进程。容量比率(capacity_ratio)被认为是第二重要的特征,表明相对容量退化在确定电池健康状况方面起着关键作用。其他特征,如容量平滑值和滚动容量平均值,也对预测性能有所贡献,表明退化轨迹的平滑表示提供了关于电池长期老化趋势的有用信息。相比之下,电压和电流等瞬时测量值的重要性相对较低,表明累积退化指标对于RUL预测更具信息量。这些发现与锂离子电池的物理退化机制一致,其中容量随循环逐渐减少是电池健康状况最可靠的指标之一。使用XGBoost模型也进行了类似的特征重要性分析,结果如图12b所示。XGBoost模型的结果显示出类似的重要性排名。循环变量再次成为电池RUL的最主导预测因子,强调了循环进展与电池退化之间的强相关性。容量平滑特征(capacity_smooth)和循环相关退化指标也显示出高重要性值,表明XGBoost有效利用了时间退化信息来提高预测性能。有趣的是,电流和电压等操作参数的重要性相对于退化派生特征来说较低。这一观察结果表明,派生出的退化指标(如容量趋势和平滑退化信号)包含更多关于长期电池老化行为的相关信息。
3.7. 不确定性分析
可靠地预测剩余使用寿命(RUL)对于实际的电池预测应用至关重要。在现实世界的电池管理系统中,预测模型不仅要提供准确的点估计,还要量化预测值相关的不确定性。因此,进行了不确定性分析以评估模型预测的信心。在本研究中,使用模型预测的均值和标准差来估计预测不确定性。通过在预测RUL值周围构建置信区间来计算不确定性范围。预测区间可以表示为:^??±3??,其中^??代表预测的RUL值,??代表预测的标准差。±3σ区间对应于在预测误差正态分布假设下的99.7%置信区间。不确定性范围与预测和实际RUL值一起在图13中进行了可视化。如图13所示,阴影区域代表预测RUL值周围的不确定性区间。预测曲线位于不确定性带内,表明模型在考虑到预测变化的同时捕捉到了真实RUL值的一般趋势。不确定性带反映了数据集中模型预测的变异性。不确定性范围较宽的区域表明预测变异性较大,这可能是由于这些区域的退化行为复杂或训练数据有限所致。总体而言,不确定性分析表明所提出的模型不仅提供了准确的RUL预测,还提供了可量化的预测可靠性度量。将不确定性估计纳入电池预测模型对于安全关键应用(如电动汽车和储能系统)尤为重要,因为在这些应用中需要可靠的预测来进行有效决策。
3.8. 评估指标比较
使用多种回归指标(包括MAE、RMSE、MSE和R2)评估了所实现模型的预测性能。比较结果总结在表6中。在评估的模型中,基于CNN的深度学习模型取得了最佳的整体性能,产生了最低的MAE和RMSE值。KNN模型表现出第二好的性能,而随机森林和XGBoost等集成学习模型则表现出相对较高的预测误差。这些结果表明,深度学习架构更能捕捉锂离子电池复杂的非线性退化行为。本研究的局限性之一是使用了实验室生成的电池数据集。现实世界的电池运行可能涉及更复杂和动态的运行条件。
4. 讨论
为了全面评估所提出的锂离子电池剩余使用寿命(RUL)预测方法,对四种不同模型(随机森林、XGBoost、K近邻(KNN)和卷积神经网络(CNN)进行了比较分析。所有模型都使用相同的数据集和特征表示进行训练,以确保公平比较。使用多种回归指标(包括平均绝对误差(MAE)、均方根误差(RMSE)和均方误差(MSE)来评估模型的预测性能。这些指标共同提供了对模型准确性和鲁棒性的全面评估。如表5所示,CNN模型取得了最佳的整体性能,获得了所有评估模型中最低的误差值。具体来说,CNN模型的RMSE为10.80,MAE为7.75,显著优于本研究考虑的传统机器学习模型。KNN模型表现出第二好的性能,RMSE为12.08,R2值为0.6429,表明基于实例的学习可以有效地捕捉电池退化轨迹的局部相似性。相比之下,随机森林和XGBoost模型的性能结果相似,RMSE约为17.95。这表明,基于树的集成方法在使用选定的特征表示时,在捕捉锂离子电池复杂的非线性退化行为方面可能能力有限。CNN模型之所以表现出更优越的性能,是因为它能够自动从输入数据中学习到层次化的特征表示。与依赖于手工设计的特征的传统机器学习模型不同,CNN架构可以从连续的电池测量数据中提取复杂模式,从而更好地捕捉非线性退化动态。此外,CNN模型实现了4896天的预测能力(PH值),表明其在提供电池剩余使用寿命的早期和可靠预测方面具有很强的能力。这种预测能力在实际的电池管理系统中尤为重要,因为准确的早期预测对于系统的安全高效运行至关重要。总体而言,比较结果表明,基于深度学习的方法在锂离子电池剩余使用寿命(RUL)预测方面相比传统机器学习模型具有显著优势。这些发现突显了CNN架构在开发可靠和准确的电池预测系统方面的潜力。将深度学习与特征工程和不确定性量化相结合,提供了比文献中常用的单一模型方法更为稳健和可靠的框架。
5. 结论
在本研究中,开发了一个全面的数据驱动框架,使用多种机器学习和深度学习方法来预测锂离子电池的剩余使用寿命(RUL)。准确的RUL估计在电池管理系统中起着关键作用,可以实现预测性维护、提高运行安全性,并增强能量存储和电动汽车应用中的可靠性。为了研究不同预测范式的有效性,采用了四种模型——随机森林(Random Forest)、XGBoost、K近邻(KNN)和卷积神经网络(CNN),并使用相同的数据集和特征表示进行了评估。这些模型使用了电压、电流、温度等电池运行参数以及派生的电气指标进行训练。它们的性能通过多种回归指标进行评估,包括MAE、RMSE和MSE,以及预测评估指标。比较结果表明,所评估模型的预测能力存在明显差异。传统的集成学习模型如随机森林和XGBoost在捕捉电池退化模式方面表现中等。KNN模型通过利用退化轨迹之间的局部相似性提高了性能。然而,基于CNN的深度学习模型取得了最佳的整体预测准确性,在所有测试方法中产生了最低的误差值。
CNN模型之所以表现优越,是因为它能够自动从电池运行数据中提取层次化和非线性模式。与严重依赖手工设计特征的传统机器学习方法不同,CNN架构可以直接从输入数据中有效学习复杂的退化行为。此外,获得的预测能力结果表明,CNN模型能够提供电池剩余使用寿命的可靠早期预测,这对于实际电池健康管理应用具有很高的价值。除了预测准确性之外,使用SHAP(Shapley Additive Explanations)进行的可解释性分析还揭示了电压、电流和温度等关键运行变量在影响RUL预测中的作用。这些发现与已知的锂离子电池电化学退化机制一致,进一步支持了所提出建模方法的有效性。总体而言,本研究的结果表明,基于深度学习的模型在模拟复杂的电池退化过程方面具有显著优势,提供了更高的预测准确性和更好的捕捉非线性老化动态的能力。因此,所提出的框架为开发可靠的电池预测系统提供了一个有前景的解决方案。未来的工作将侧重于通过结合时间相关的深度学习架构(如LSTM和混合CNN-LSTM模型)来扩展所提出的方法,并在来自电动汽车和能量存储系统的更大规模实际电池数据集上评估这些模型。此外,整合物理信息特征和先进的不确定性量化方法可能会进一步提高电池剩余使用寿命预测模型的稳健性和可靠性。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号