基于序贯高斯过程的锂离子电池在线健康状态估计

《Energies》:Online SOH Estimation of Lithium-Ion Batteries with a Sequential Gaussian Process

【字体: 大 中 小 】 时间:2026年07月11日 来源:Energies 3.9

编辑推荐:

  锂离子电池(LIBs)作为储能系统已广泛应用于不同领域,如电动汽车和电网。LIBs的性能随着使用而退化,给电池管理带来挑战。因此,准确在线估计健康状态(SOH)对于确保可靠性并延长LIBs的使用寿命至关重要。为实现这一目标,数据驱动方法因能够在不了解老化机理的

  
锂离子电池(LIBs)作为储能系统已广泛应用于不同领域,如电动汽车和电网。LIBs的性能随着使用而退化,给电池管理带来挑战。因此,准确在线估计健康状态(SOH)对于确保可靠性并延长LIBs的使用寿命至关重要。为实现这一目标,数据驱动方法因能够在不了解老化机理的情况下学习SOH与测量值之间的映射而变得流行。然而,这些方法的在线估计性能无法保证,因为模型是离线训练的,并且在收集新数据时不具备在线更新能力。此外,这些方法的输入是通过固定电压区间内的电压-容量(V-Q)曲线构建的,由于充电或放电过程的随机性,这在实际应用中几乎无法实现。本研究提出了一种基于序贯高斯过程(Seq-GP)模型的LIB SOH估计方法,其中模型参数可以利用新收集的LIB数据进行更新,从而实现在线估计。此外,还提出了一种利用LIB V-Q曲线随机部分的新颖特征提取方法,以满足实际应用需求。所提出的方法在两个公共电池数据集上进行了评估,在测试协议下显示出具有竞争力的估计精度,同时具备在线更新、不确定性量化和低计算成本的特点。该结果将对实际场景中LIB的在线SOH估计有益。
论文解读文章

**研究背景与问题**
随着对化石能源碳排放问题的日益关注,可再生能源和清洁能源成为研究热点。锂离子电池(Lithium-ion Batteries, LIBs)凭借高能量密度、高功率密度和宽工作温度范围等优势,作为储能系统广泛应用于电动汽车和消费电子领域。然而,LIBs的性能随使用而退化,准确评估电池健康状态(State of Health, SOH)成为电池管理的关键技术难题。SOH通常通过容量、内阻等性能参数与初始值的比值来表征,是衡量电池退化程度的指标。精确的SOH估计对于LIBs的可靠和高效运行至关重要。
现有SOH估计方法主要分为基于模型的方法和数据驱动方法。基于模型的方法(如电化学模型和等效电路模型)虽能提供准确估计,但电化学模型涉及偏微分方程计算成本高,等效电路模型简化了内部化学反应导致不可靠估计。数据驱动方法直接学习数据内在关系,但仅提供点估计,无法生成不确定性信息。高斯过程(Gaussian Process, GP)模型因其能提供均值估计和不确定性而受到关注,但传统GP输入构建依赖固定电压区间内的完整电压-容量(Voltage-Capacity, V-Q)曲线,而实际应用中充电或放电过程随机,仅能获取V-Q曲线的随机部分。此外,现有模型在训练完成后无法在线更新,而新收集的数据能提供额外信息以改善估计。因此,亟需开发一种能处理随机部分V-Q曲线且具备在线更新能力的SOH估计框架。

**研究内容与结论**
研究人员提出了一种基于序贯高斯过程(Sequential Gaussian Process, Seq-GP)的LIB SOH在线估计方法。该方法引入变分稀疏近似技术实现模型参数的在线更新,并基于V-Q曲线的随机部分提取主成分作为输入特征。在牛津电池退化数据集和NASA随机化电池使用数据集上验证,结果表明Seq-GP在估计精度、在线更新能力、不确定性量化和计算效率方面均优于传统GP。研究的重要意义在于为实际场景中LIB的在线SOH估计提供了一种高效、准确且鲁棒的解决方案,论文发表在《Energies》。

**主要关键技术方法**
研究人员主要使用了以下关键技术方法:(1)变分稀疏近似技术,通过引入诱导点(inducing points)将GP计算复杂度从O(n3)降至O(n·m2)(m?n),并实现序贯更新;(2)基于主成分分析(PCA)的特征提取方法,从随机部分V-Q曲线构建容量差分矩阵,提取第一主成分作为输入特征;(3)基于最大化变分下界的参数优化算法。数据集来源包括牛津大学公开的Kokam pouch电池老化数据集(8块电池,标称容量740 mAh,石墨/钴酸锂-镍钴酸锂材料)和NASA艾姆斯研究中心PCoE随机化电池使用数据集(8块18650钴酸锂电池,标称容量2.1 Ah,随机负载谱)。

**研究结果**
**4.1 相同老化条件下的验证**
利用牛津数据集评估模型在相同老化循环测试条件下的性能。研究人员以电池1-4作为离线训练数据,电池5-7作为在线更新数据,电池8作为测试数据。通过构建特征,Seq-GP的训练和测试误差(RMSE=0.0034,MAPE=0.42%)均低于传统GP(Reg-GP),训练时间从3.28 s降至0.034 s,降幅达98%。测试中Seq-GP能准确跟踪容量总体趋势和局部非线性波动,且估计置信区间随在线更新逐渐变窄。

**4.2 动态老化条件下的验证**
利用NASA数据集评估模型在动态老化条件下的性能。牛津数据集和NASA数据集具有不同的老化协议,NASA数据集包含随机动态负载曲线。研究人员将电池13-16作为离线训练数据,电池17-19作为在线更新数据,电池20作为测试数据。Seq-GP的测试RMSE为0.0317,MAPE为1.96%,约为Reg-GP误差的一半,且训练和测试时间显著降低。结果表明Seq-GP在动态老化条件下同样能提供可靠准确的估计。

**4.3 与其他数据驱动方法的比较**
研究人员在相同PCA特征输入条件下,将Seq-GP与支持向量回归(SVR)、卷积神经网络(CNN)和长短期记忆网络(LSTM)对比。在牛津数据集上,Seq-GP误差最低;在NASA数据集上,Seq-GP同样最优。此外,三种对比方法均不支持在线参数更新和不确定性量化,训练时间远长于Seq-GP(0.034 s),SVR需1.45 s,LSTM需7.02 s,CNN需33.7 s。

**4.4 下电压限值的影响**
利用牛津数据集,将下电压限从3.35 V变化到3.65 V。结果显示估计误差在5.09%以内,平均误差1.28%。当电压区间包含增量容量(Incremental Capacity, IC)曲线峰值附近(约3.85 V)时误差较小。总体而言,不同下电压限下Seq-GP的估计精度差异不大,证明其稳定性。

**4.5 分段数的影响**
设定下电压限为3.5 V,分段数从6变化到14。中位估计误差均低于3%,当分段数为8时MAPE达到局部最小值0.99%。综合考虑精度和电压范围,推荐选择分段数为8。

**4.6 实际BMS实现可行性讨论**
Seq-GP的计算复杂度主要由诱导点数量决定(m=20或10),矩阵求逆规模仅为10×10至20×20,在典型32位微控制器上耗时小于0.05 s、内存占用小于2 KB。在线更新采用事件驱动机制,仅在部分充电或放电段完成后进行,不干扰实时安全关键任务。特征提取方法不依赖完整SOC循环,适应实际驾驶和充电轮廓。

**4.7 电池化学体系适用性与局限性**
GP回归骨干适用于不同电池化学体系,研究人员在Kokam pouch电池(LCO/NMC)和18650钴酸锂电池上验证了有效性。但对于具有平坦电压平台的磷酸铁锂(LiFePO4, LFP)电池,基于容量差分矩阵的主成分特征可能区分度降低。这并非Seq-GP算法的限制,而是未来特征工程创新的方向,例如转换为dQ/dV域或采用函数数据分析。

**结论总结**
研究人员提出了一种数据驱动方法Seq-GP,通过构建新颖输入特征实现LIB在线SOH估计,针对实际应用中的在线模型更新和部分V-Q曲线挑战。具体而言,引入变分稀疏近似技术实现高效的在线更新,并提取容量序列的主成分作为输入特征。在两个不同老化条件下的数据集上验证了有效性。与传统GP相比,Seq-GP的序贯更新特性同时提高了估计精度并显著降低了计算成本。此外,讨论了对磷酸铁锂等化学体系的适应性,指出是特征工程模块的扩展方向,而非方法适用性的根本障碍。未来工作包括引入函数数据分析以构建更通用的输入,将方法扩展到电池模组,以及在嵌入式BMS平台上进行实车验证。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    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