《eTransportation》:A synergistic sequence-feature fusion framework for robust battery SOH estimation across real-world random charging profiles
编辑推荐:
Fan Chen|Xiaofeng Wang|Yaxin Lyu|Xin Jiang|Haojie Liu|Yang Jin•我们设计了一种与充电阶段无关的特征工程方案,该方案无需依赖标准化的充电阶段,从而能够基于不完整、由用户控制的充电周期来准确推断电池健康状态。•我们提出了一
Fan Chen|Xiaofeng Wang|Yaxin Lyu|Xin Jiang|Haojie Liu|Yang Jin
- •
我们设计了一种与充电阶段无关的特征工程方案,该方案无需依赖标准化的充电阶段,从而能够基于不完整、由用户控制的充电周期来准确推断电池健康状态。
- •
我们提出了一种双分支序列特征融合架构,该架构可同时提取长期的时间衰减模式和特定领域的统计特征,从而弥补了原始时间序列分析与电化学直觉之间的差距。
- •
通过在一个包含6种不同正极材料的320,000个样本的庞大数据集上验证我们框架的卓越通用性,我们建立了一种用于通用电池诊断的新基准。
引言
锂离子电池一直是现代能源系统的核心,从电动交通工具到大规模可再生能源并网系统都离不开它。然而,电池性能随时间产生的复杂、非线性的衰退问题,直接决定了其经济可行性和运行安全性[1]、[2]、[3]。准确估算电池健康状态是确保运行安全、优化快速充电策略以及实现退役电池再次利用的关键前提[4]、[5]。尽管经过数十年的研究,要在受控的实验室环境与现实中复杂的、随机性的电池运行状况之间建立联系,仍然是一项艰巨的任务[6]、[7]。现有的方法大致可分为两类:基于模型的方法和基于数据的方法[8]、[9]。
基于模型的方法通过构建反映电池电化学特性或外部电气响应的数学模型来实现间接的健康状态估算[10]、[11]。这类方法主要分为物理/电化学模型[12]和等效电路模型[13]。例如,Cen等人[14]基于简化的电化学单粒子模型设计了自适应观测器,能够准确估算与健康状态相关的参数,其容量估算的均值绝对百分比误差低于2%。Yu等人[15]则将自适应H-infinity滤波器应用于等效电路模型,并验证了其在动态放电条件下的稳定性。即便初始容量误差高达24%,其容量估算的最大误差仍控制在6.2%以内。不过,基于模型的方法存在精度与可扩展性之间的严格trade-off:构建这类模型需要全面了解电池内部的电化学动力学过程,而这一过程在实际情况中往往难以获取。此外,模型中的关键参数对随机运行环境以及不同电池之间的制造差异极为敏感,这也限制了它们的通用性,使得它们难以在各种类型的电池组中得到广泛应用。
基于数据的方法则不依赖于显式的电化学建模,而是通过统计方法、机器学习算法或深度学习算法,将可测量的外部信号直接映射到电池容量衰减情况上[17]、[18]。根据输入数据的结构,这类方法可分为基于特征的方法、基于序列的方法以及混合融合模型[19]、[20]。基于特征的方法从原始的序列数据中提取与健康状态相关的指标和统计特征,然后再训练机器学习模型[21]、[22]、[23]。例如,Roman等人[24]利用充电电压和电流曲线段构建了30维的特征集,经过自动特征选择和模型校准后,他们结合两种参数化算法和两种非参数化算法完成了电池健康状态的估算。Zhu等人[5]则从电池充满电后的电压衰减曲线中提取了包括方差、偏度、最大值、最小值、平均值以及超额峰度在内的六种统计特征,以此反映电池的衰减过程。Wang等人[25]则从恒流充电时的电压曲线以及恒压充电时的电流曲线中提取了八种特征,最终实现了低于2%的容量估算均值绝对百分比误差。虽然基于特征的方法在计算效率上较高且结果具有物理意义,但手动进行特征工程依赖于理想化的、无噪声的数据以及严格的测试环境[26]、[27]、[28]。而在面对现实世界中常见的碎片化数据包和瞬态运行状况时,这种依赖性会大大降低方法的诊断能力。
基于序列的方法则无需手动进行特征工程,只需将原始的、连续的时间序列测量数据直接输入到深度神经网络架构中即可[29]。例如,Zhang等人[30]设计了一种电池间学习机制,能够准确预测两个电池单元之间的寿命差异。将该机制与传统的单电池学习方法相结合,可以在不同的老化条件下提高目标电池寿命预测的稳定性。Ma等人[31]则开发了一种迁移学习框架,该框架以电压、容量曲线以及这些曲线之间的差异作为输入,通过卷积模块、循环模块和全连接模块来预测电池的剩余容量和寿命。Wang等人[32]则应用图神经网络,在对电池测量数据进行处理后估计其剩余容量。Zhang等人[33]则基于混合数据源的联合训练,构建了一个大规模的电池模型,能够精确地联合估算锂离子电池的多种状态,同时还设计了一个生成式推荐系统,形成了一个完整的感知-决策系统。尽管取得了这些进展,但基于序列的模型仍然存在一个重大缺陷,那就是它们极度依赖严格的输入边界条件。大多数现有的深度学习框架都假设存在在固定电压或电量区间内采集的连续数据,而这一条件在现实场景中很少能满足。在实际运行条件下的任意充电行为都会打破数据的连续性,从而导致严重的领域偏差,使得那些无法适应变化的序列模型无法正常工作。
为了解决实验室环境与实际应用环境之间的性能差距,研究人员越来越多地采用混合架构,这类架构将时间序列数据与人工设计的特征以及实际运行数据结合起来,用于电池健康状态的估算。例如,Tao等人[34]结合了106辆电动汽车3年的实际运行数据以及实验室数据,进行了电池健康状态的估算。他们提出将电池充满电后2分钟的静止时段作为所有充电协议共用的特征窗口,提取了32种特征用于基于回归的电池健康状态预测,最终得到的均值绝对百分比误差低于1.94%,最大误差也低于6.28%。Liu等人[35]则基于300辆电动汽车3年的实际运行数据,开发了一种多模态的电池健康状态评估框架。他们将序列特征、二维特征以及点特征融合到一个统一的深度学习模型中,从而实现了大规模、低成本的无额外实验室测试的电池健康状态评估,其均值绝对百分比误差为2.83%。尽管这些成果为电池技术的工业应用带来了重要进展,但现有的方法仍然需要在预定义的电压/电量区间内提取多模态的健康状态指标,这就限制了它们在现实世界中用户随机充电情况下的应用能力。
为了解决当前的挑战,我们提出了一种针对实际随机充电情况的、基于序列特征融合的强大电池健康状态估算框架,如图1所示。我们的主要贡献如下:首先,我们设计了一种与充电阶段无关的特征工程方案,无需依赖标准化的充电阶段,因此即使面对不完整、由用户控制的充电周期,也能得出一致的电池健康状态判断结果。其次,我们提出了一种双分支融合架构,该架构结合了时间衰减序列与特定领域的统计特征,有效降低了运行噪声的影响,提升了估算的稳定性。最后,我们在一个包含320,000个样本的庞大数据集上对我们的框架进行了全面评估,证明了它在6种不同正极材料体系中的通用性。
章节要点
融合预测框架
所提出的电池健康状态预测框架如图2所示,其具体实现方式则体现在算法S1中。该系统包括样本生成(算法S2)、特征工程(算法S3)以及基于融合的深度学习架构。虽然该框架是基于序列-特征融合这一通用概念构建的,但它与现有的混合架构在多个关键方面存在差异。首先,我们所提出的方法不需要完整的充电周期、固定的电压区间或预先定义的
实验数据
为了评估所提出的方法,我们选择了六种具有代表性的锂离子电池,这些电池涵盖了不同的正极材料体系,包括镍钴锰合金(NCM)、镍钴铝合金(NCA)、NCA与NCM的混合物、磷酸铁锂电池(LFP)、钴酸锂电池(LCO)以及LCO与NCM的混合物。这样的多样化选择有助于全面了解不同电化学体系下的电池老化行为。表1汇总了相关的实验参数,包括电池数量、额定容量等信息,
结果与讨论
为了全面验证所提方法在电池健康状态估算任务中的有效性、稳定性和通用性,我们在这里进行了系统的实验分析,内容包括模块消融验证、特征融合策略评估、基准方法对比、留一法敏感性分析以及不同正极材料体系的验证。各类电池的训练/测试样本数量分配详见表2。为降低随机因素带来的影响,
结论
本研究为随机充电条件下的电池健康状态估算建立了一个强大的估算框架,有效解决了现实电池管理中面临的一个关键问题。通过同时利用基于序列的时间模式和特定领域的统计特征,所提出的双分支架构提升了预测的准确性及数值稳定性,在所有测试数据集中均优于传统的基准方法。这些结果表明,该框架在现实应用场景中具备实现更精准电池健康状态估算的潜力
CRediT作者贡献说明
Fan Chen:写作——审稿与编辑,写作——初稿撰写,可视化,验证,软件开发,方法设计,研究实施,正式分析,概念构思。Xiaofeng Wang:可视化,验证,软件开发。Yaxin Lyu:可视化,验证,软件开发。Xin Jiang:监督指导,资源协调,项目管理,资金筹集,正式分析。Haojie Liu:写作——初稿撰写,监督指导,资源协调,项目管理,方法设计,正式分析,概念构思。
利益冲突声明
作者声明,他们不存在任何可能影响本文研究成果的已知财务利益关系或个人关系。