基于FFRLS-KF协同与分段建模的锂离子电池持续动态工作状态健康评估
《Sustainable Energy Technologies and Assessments》:State of health estimation for lithium-ion batteries under continuous dynamic operation using FFRLS-KF cooperation and segmented modeling
【字体:
大
中
小
】
时间:2026年07月09日
来源:Sustainable Energy Technologies and Assessments 7.4
编辑推荐:
陈俊雄|殷聪|刘伟群|李宇轩|朱乔|唐浩•在连续动态运行条件下可实现可靠的电池健康状态估算。•通过在线识别与信息融合确保健康指标的稳定提取。•通过对健康状态映射进行针对性分解来建模,以提高估算精度。•为开发更精确的电池状态估算模型奠定基础。
引言随着全球对可持续交通的日益关注,
陈俊雄|殷聪|刘伟群|李宇轩|朱乔|唐浩•在连续动态运行条件下可实现可靠的电池健康状态估算。•通过在线识别与信息融合确保健康指标的稳定提取。•通过对健康状态映射进行针对性分解来建模,以提高估算精度。•为开发更精确的电池状态估算模型奠定基础。
引言随着全球对可持续交通的日益关注,混合动力电动汽车作为一种重要的过渡性解决方案而广受认可[1]。这类车辆结合了内燃机与电动机的优点,能在降低燃油消耗和排放方面发挥重要作用。作为混合动力电动汽车的核心组件,锂离子电池负责存储和释放能量,其性能直接影响车辆的效率与可靠性。然而,在使用过程中,锂离子电池会经历多次充放电循环,且由于温度、湿度及工作条件等多种因素的影响,电池的健康状态会逐渐下降[2]。因此,准确估算电池健康状态显得尤为重要。这不仅关乎车辆的整体性能与安全性,还直接影响电池的使用寿命及对环境的影响[3]。由于大多数应用侧重于电池的储能能力,本文采用容量作为定义电池健康状态的依据[4]、[5]。
目前已有大量关于电池健康状态估算方法的研究[5]、[6]、[7]、[8]、[9]。最基础的类别是直接测量法,该方法通过测量能够反映电池老化状态的物理量(如内阻[10]、阻抗[11])来获取健康状态,且适用于不同材质和类型的电池。不过,直接测量法通常需要特定的工作条件、环境及设备,难以实现在线应用。因此,研究人员将研究重点转向了一些间接方法,如基于模型的方法、数据驱动方法以及混合方法。
基于模型的方法通常包括数学模型、电化学模型以及等效电路模型。使用数学模型时,需要根据电池的测量数值建立相应的健康状态数学公式[12]、[13]。虽然数学模型的估算过程相对简单,但由于累积测量误差的存在,很难用精确的数学关系来描述电池状态。电化学模型则可以通过以电化学机制为导向的建模方式,准确反映电池内部的老化情况[14]、[15],但需注意控制模型复杂度以确保能够在线运行。等效电路模型则基于电气原理构建简化的电池模型,用于模拟电池内部参数的特性及瞬态行为[16]。通过融合电池内部参数的缓慢时变特性与动态响应,各类观测器及滤波器可实现对电池健康指标的在线识别,再根据既定公式计算健康状态[17]、[18]。这类方法能够实现电池健康指标与健康状态的在线获取。然而,电池的开路电压与充电状态曲线会随老化而变化,若不考虑这一因素,将会导致较大的识别误差[19]、[20]。更重要的是,若考虑并识别电池开路电压的变化,可能会使健康指标出现大幅波动,进而增加健康状态估算的误差[21]、[22]。
近年来,由于无需专业的领域知识,数据驱动方法被广泛用于电池状态估算[4]、[23]。这类方法利用充放电过程中的直接测量数据来提取电池健康指标,并建立健康状态映射模型[24]、[25]、[26]、[27]、[28]、[29]、[30]、[31]、[32]、[33]、[34],或者借助深度学习模型同时完成这两项任务[35]、[36]。由于电池的充电条件通常比放电条件更为稳定,研究人员多利用充电数据来进行健康指标提取与健康状态估算[27]、[30]、[31]、[32]、[33]、[34]。电池的增量容量是一种分析电池容量衰减的有效工具[29]、[30],它指的是电池在两个截止电压之间的每个电压阶差所对应的容量增量。众多研究表明,增量容量曲线与锂离子的嵌入与脱嵌过程密切相关。可通过提取增量容量曲线的面积、峰值及高度作为电池健康指标,进而构建数据驱动模型来估算健康状态[29]。这项工作需要对增量容量曲线进行数据处理与滤波,处理后的曲线精度直接影响到健康状态估算的准确性[4]。除了增量容量曲线外,还有多种其他类型的电池健康指标被提出,用于表征电池的容量及老化状态,如差分电压-容量曲线[33]、等电压区间采样次数[34],以及由不同成分构成的复合健康指标[27]、[31]、[37]。也有部分研究着眼于放电过程。李等人[24]通过恒流放电电压与增量容量曲线提取电池健康指标,进而利用半监督学习模型估算健康状态。类似地,李等人[26]与曲等人[35]也聚焦于恒流放电过程来提取电池健康指标。但实际上,电池系统很少在恒流放电模式下运行,即便脉冲放电也不常见[38]。为从实际放电过程中提取电池健康指标,邓等人[39]尝试使用滤波算法将电压曲线平滑为开路电压曲线,然后提取等开路电压区间内的放电容量序列,以及相邻两个循环序列之间的差异,以此用于电池健康状态估算。王等人[40]则将动态放电过程中可直接测量的循环次数、电流、电压、温度及时间作为健康指标。范等人[41]则提取多种传感器数据,并将其整理成二维矩阵,作为健康状态估算模型的输入。不过,直接测量数据中的噪声会影响到健康状态估算的准确性。有一些研究人员则同时考虑电池的充电与放电过程来提取电池健康指标。唐等人[25]通过分析电池充放电曲线的特征,利用随机森林与变分模态分解方法提取了八项特征。郑等人[28]则提取恒流充放电曲线中特定电压区间的持续时间作为电池健康指标。关于电池健康指标的提取信息越丰富,对电池老化的表征就越准确。当然,这也意味着需要更高的算法计算成本,同时对充电放电过程也有更多约束条件。目前,大多数数据驱动方法都需要特定的工作条件以及一定的充放电深度,才能满足提取电池健康指标的要求。而当应用场景无法满足这些条件时,这些方法的适应性就会下降。
此外,还有多项研究将基于模型的方法与数据驱动方法相结合[42]、[43]、[44]、[45]。李等人[44]基于电化学模型提取电池的内部健康指标,同时利用直接测量数据获取外部健康指标,进而比较了在恒流充电及放电条件下,随机森林与人工神经网络这两种数据驱动方法在健康状态估算方面的效果。冯等人[45]则基于二阶等效电路模型提取包括电池开路电压在内的六项指标,再利用高斯过程回归方法来分析这些提取出的健康指标与健康状态之间的关系。类似地,杨等人[42]与谭等人[43]则基于等效电路模型,利用递归最小二乘法对模型中的RC参数序列进行在线识别,再借助支持向量机建立识别出的RC参数与健康状态之间的映射关系。不过,识别出的参数序列会存在一定程度的波动,这就需要对健康指标进行二次处理。这类方法可以通过基于模型的参数识别实时提取电池健康指标,且无需电池的间隔运行数据,从而有效克服了纯数据驱动方法在充放电深度较浅的应用场景中难以成功提取健康指标的缺陷。不过,在电池开路电压-充电状态曲线未知的动态运行条件下,确保提取出的健康指标的稳定性与可靠性仍是一项挑战。
正如上述文献综述所示,研究人员针对各种应用场景的电池健康状态估算已开展了大量研究;然而,很少有研究聚焦于像混合动力电动汽车那样的连续动态运行工况。此类工况的特点是持续不断的动态充放电、充放电深度与范围不确定,且任何时刻的电池开路电压都不确定,如图1所示。对于连续动态运行工况,现有的基于模型的方法会受到电池开路电压-充电状态曲线未知所带来的参数识别波动的制约。数据驱动方法则受到充放电过程限制,而混合方法在某种程度上也会受到这两种限制。这些问题使得现有方法难以在这种应用场景下提取出稳定且可靠的电池健康指标,进而影响健康状态估算。针对目标工况的连续动态特性,能够适应的电池健康指标提取与健康状态估算方法必须能够在无需分阶段测量数据的情况下实时实现。因此,开展针对连续动态运行工况的电池健康指标在线提取与实时健康状态估算研究,对于混合动力电动汽车的安全运行至关重要。实际上,这种实时健康状态估算方法并不局限于混合动力电动汽车的运行工况,几乎可以适配任何动态运行工况,具有很高的应用价值。
为解决上述问题,本文提出了一种名为FFRLS-KF-TSDNN的混合方法,该方法结合了实时电池健康指标提取、在线处理以及可靠的健康状态映射功能,旨在应对连续动态充放电应用场景下的电池健康指标提取与健康状态估算难题。具体的研究成果如下文及图2所示:
(1)为解决在开路电压未知的连续动态运行工况下难以稳定提取电池健康指标的问题,本文相较于那些仅使用递归最小二乘法或卡尔曼滤波器的现有方法,将遗忘因子递归最小二乘法与卡尔曼滤波器串联起来,实时识别并平滑电池开路电压及模型参数,从而实现波动小、相关性高的电池健康指标在线提取。
(2)与那些采用单一映射和单阶段解决方案的传统串联网络不同,本文设计了一种新型的两阶段深度神经网络,将该电池健康状态估算问题分解为两个子问题:不同充电状态下的静态映射以及老化过程的时变性。这两个子问题分别进行建模,并分阶段优化,以提高估算精度。
(3)通过将所提出的模型与结构相同的反馈神经网络及循环神经网络进行对比,本研究表明TSDNN具有更高的健康状态估算精度。事实证明,对电池健康状态估算进行针对性分解后建模,有助于提升估算精度。
本文的其余结构如下: “基于FFRLS的健康指标提取”一节介绍基于FFRLS的健康指标提取方法;“基于KF的健康指标平滑”一节阐述基于卡尔曼滤波器的健康指标平滑技术;“基于TSDNN的健康状态估算”一节说明具有集成反馈单元与循环单元的TSDNN的健康状态估算原理;“动态老化数据集”一节介绍实验中使用的电池老化数据集;“实验结果”一节全面展示健康指标提取与处理以及健康状态估算的实验结果;最后是“结论”一节。
片段摘录
基于FFRLS的健康指标提取由于连续动态运行具有非周期性且复杂性高,许多依赖特定充放电深度与范围的现有电池健康指标在此类工况下难以提取。传统的基于信号分解的特征选择方法不太适用于这种情况[46],因此应考虑基于模型的在线特征提取方法。为此,本文建立了电池的一阶RC等效电路模型。
基于KF的健康指标平滑尽管FFRLS算法能够在连续动态运行条件下提取电池健康指标,但由于动态运行时电池开路电压-充电状态曲线未知,提取出的健康指标不可避免地会出现较大波动,这使得难以直接表征电池的老化状态[21]、[22]。因此,在本节中,基于电池欧姆内阻R0参数的缓慢变化特性建立了HI状态方程;同时,通过TSDNN分析了当前研究状况,发现基于电池ECM的HI与电池SOH之间存在高度相关性,且可以利用现有的机器学习方法[42]、[43]、[45]轻松建立两者之间的非线性映射模型。值得注意的是,即使在相同的老化状态下,不同SOC下的电池欧姆内阻R0、极化内阻R1以及极化电容C1也存在一定差异[42]。由于混合动力汽车电池在运行过程中具有持续的动态充放电特性,很难像实验室中的固定循环测试那样定期获得其实际容量以用于算法验证。正因如此,目前几乎不存在公开的混合动力汽车电池运行数据。不过,由于大多数电动车辆的放电过程本质上都涉及充放电状态之间的动态切换,因此可以从实验中获取电池运行数据。实验结果中采用了两种不同的误差函数来评估SOH估算性能:均方根误差(RMSE)和最大误差(MAXE),其定义如下:RMSE=1/N∑i=1N(sohi?soh?i)2,MAXE=max(|sohi?soh?i|),1≤i≤N,其中N为样本总数。sohi是通过定期固定循环测试得到的SOH真实值,而soh?i则是估算值。结论部分指出,为解决连续动态充放电应用场景下电池HI提取与SOH估算的难题,本文结合了FFRLS的在线识别技术与KF的信息融合方法,从而在电池开路电压未知的动态工作条件下实现了可靠的HI提取。此外,还设计了一种集成前馈单元与循环单元的新型两阶段深度网络结构。通过分解电池SOH估算任务,并用CRediT框架对其贡献进行划分:陈俊雄负责原文撰写、验证、方法设计、研究分析及概念构建;尹聪负责文本审阅与编辑、概念构建;刘伟群负责文本审阅与编辑、资金筹集;李宇轩负责软件开发、方法设计、形式化分析及数据整理;朱桥负责文本审阅与编辑、项目监督及资金筹集;唐浩负责文本审阅与编辑、项目管理及资金筹集。作者声明没有已知的可能影响本文研究的财务利益或个人关系。致谢方面,作者感谢中国博士后科学基金会的资助(项目编号2024M750358),中国国家自然科学基金的资助(项目编号52275574),中国四川省科技计划的资助(项目编号2024ZDZX0035),以及中国重庆市科学技术发展基金的资助(项目编号CSTB2 024TIAD-KPX0098)。
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