利用频域特征与机器学习模型,基于部分驾驶数据对车载电动汽车电池的健康状况进行评估

《Journal of Energy Chemistry》:Health estimation of onboard electric vehicle batteries from partial driving data using frequency domain features and machine learning model

【字体: 大 中 小 】 时间:2026年07月15日 来源:Journal of Energy Chemistry 15.6

编辑推荐:

  Jayabrata Maity|Mayur Prakash Bonkile|Munmun Khanra印度阿萨姆邦西尔查尔国立技术学院摘要在电动汽车中准确估算锂离子电池的健康状态仍是一项重要挑战,尤其是依赖车载运行数据时。现有的数据驱动方法依赖于长时间驾驶放电数据(4–5小时)以

  Jayabrata Maity|Mayur Prakash Bonkile|Munmun Khanra印度阿萨姆邦西尔查尔国立技术学院摘要在电动汽车中准确估算锂离子电池的健康状态仍是一项重要挑战,尤其是依赖车载运行数据时。现有的数据驱动方法依赖于长时间驾驶放电数据(4–5小时)以及时域特征,这限制了其在快速车载诊断中的实用性。而基于阻抗特征的方法则需要高采样频率的数据,因此不适合集成到标准的电池管理系统中。为解决这些难题,本研究提出了一种频域框架,该框架将被动电化学阻抗谱技术应用于短时间驾驶放电过程,仅需约20分钟、对应约5%电量变化的数据即可估算电池健康状态。所提出的方法通过快速傅里叶变换将电压和电流测量值转换为频域阻抗谱,从奈奎斯特图的低频区域提取反映电池健康状况的特征,再利用基于回归的机器学习模型将这些特征与基于容量的健康状态关联起来。通过皮尔逊相关分析进行特征选择,确定被动阻抗中与电池老化密切相关的真实成分。该框架在四个独立数据集上进行了验证,这些数据集涵盖了实验室中NMC和LFP电池类型的实际驾驶循环老化情况以及真实电动汽车的现场数据。实验室数据表明,与传统基于能量值的方法相比,该方法在处理相同长度的短数据时具有更高的准确性。而对真实车辆现场数据的分析则显示,从低频PEIS特征中得到的结果与电池健康状态之间存在强相关性,证明了该方法在非受控道路条件下的可靠性。此外,该框架无需专用硬件、高频率数据采集系统或外部信号注入,非常适合那些在转售评估或实时电池管理方面需要快速健康状况评估、且对成本较为敏感的电动汽车应用。引言随着能源存储技术的进步以及相关法规的推动,电动交通正在迅速发展,从而改变着人们的出行方式[1]。锂离子电池作为电动汽车的核心技术,其性能会因电化学老化而逐渐下降,导致可用充电容量减少、内阻增加[3]。这种性能衰退会直接影响电动汽车的续航里程、用户信心以及系统可靠性[4]–[6],因此准确估算电池健康状态对于构建有效的电池管理系统至关重要。传统的实验室测试方法耗时较长,且需要在受控环境下进行,不适用于车载应用。因此,需要一种能够在最小化数据需求和计算成本的同时实现高精度诊断的车载健康状态估算框架,以便在不干扰车辆正常运行的情况下进行实时健康监测。车载健康状态估算方法可以利用充电数据或放电数据。由于充电过程相对可控且可重复,基于充电/恒流放电数据的方法通常更适用于车载健康状态估算[7],目前大多数相关技术也都以充电数据为基础。例如,有研究者[8]提出了基于深度神经网络的框架,通过多传感器从充电数据中提取多尺度特征,以实现电动汽车电池的电量和健康状态同时估算。还有研究者[9]开发了一种基于回归形状素算法、mRMR特征选择和XGBoost方法的健康状态估算技术,用于从固定1C放电率下提取电池老化的关键特征。然而,这类方法对充电/恒流放电数据的依赖性,使得其在车辆行驶过程中进行快速诊断时存在一定局限性。相比之下,放电过程中的参数变化更大,因为会受到驾驶员操作、行驶路线、交通状况及环境因素的影响,这既为电池健康状态评估带来了挑战,也提供了机会。目前关于基于行驶放电数据估算车载电池健康状态的研究大致可分为两类:时域方法和频域方法。时域方法直接使用原始的行驶放电数据或从中提取的特征来估算健康状态;而频域方法则利用电化学阻抗谱技术来分析电池在不同时间尺度上的动态特性[10]、[11]。虽然传统电化学阻抗谱分析需要实验室设备及受控的激励信号,但被动电化学阻抗谱技术则可以利用电动汽车运行过程中自然产生的电流波动来重建阻抗谱,无需外部干扰。尽管潜力巨大,但基于被动电化学阻抗谱技术的车载健康状态估算仍属于较少被研究的领域。以下内容将综述目前时域方法和频域方法在基于放电数据的电池健康状态估算方面的最新进展。近期的时域方法多采用深度学习架构,试图捕捉放电特征与电池健康状态之间的非线性关系。Nakano等人[12]提出了基于Transformer模型的单次行程健康状态估算方法,其平均绝对误差为0.72%,均方根误差为1.17%。另有研究开发了基于迁移学习的卷积神经网络,通过原始电压和电流数据构建健康状态指标,其误差低于1.983%[13]。还有一种基于长短期记忆网络的模型被用来从放电数据中估算电池内阻[14],他们从放电数据中提取特征,并将其与内阻作为健康状态的替代指标。尽管这些深度学习方法在验证数据集上表现出较强的预测能力,但其实际应用却面临诸多限制。这类算法的计算复杂度和内存需求往往超出嵌入式电池管理系统的处理能力[15]、[16],这对于硬件资源有限的汽车应用来说尤为关键。半监督学习方法则通过减少标记数据的需求而具有潜在优势。Xiang等人[17]展示了利用10分钟放电数据段进行健康状态估算的方法,其平均绝对百分比误差仅为1.75%。他们的混合训练策略结合了充电和放电数据,以提高模型的泛化能力。不过,验证工作是使用NASA的随机行走放电协议进行的。尽管该放电协议试图通过随机放电电流来模拟电动汽车的运行特性,但它并不能完全反映类似标准驾驶循环那样的实际行驶模式[18]。另一种替代方案是进行领域特定的特征工程。Lanubile等人[19]采用线性回归方法,结合从固定电压区间(3.84–3.40伏特)中提取的能量特征,实现了1.5%–2.5%的平均绝对百分比误差。但这种方法需要4.28–5小时的连续放电数据,且适用范围仅限于那些需要从部分放电数据中进行快速诊断的场景。频域方法则通过分析电池的电化学阻抗特性来评估其老化程度。Lohmann等人[20]在原始的行驶电流曲线中叠加高频白噪声,以便进行被动电化学阻抗谱分析。在实验室环境中,他们以25千赫兹的采样频率采集电压和电流数据,从而重建完整的奈奎斯特图,并提出以跟踪阻抗谱作为健康状态估算的框架。Liebhart等人[21]开发了一种基于功率谱密度的被动电化学阻抗谱方法,无需外部信号注入。他们的方法能够在实验室条件下,利用25千赫兹的测试台采样频率重现真实的行驶曲线。Geng和Thiringer[22]则展示了如何利用运行中的电动汽车的低频控制器局域网数据来实现被动电化学阻抗谱分析,他们发现与奈奎斯特图高频区域相关的电荷传输电阻是一种能够反映电池老化程度的有效健康状态指标。Millet等人[23]提出了一种改进的被动电化学阻抗谱方法,通过加入谐波分量来提高阻抗估算的准确性。该方法假设在电动汽车实际运行过程中,动力总成的DC–DC转换器能够轻易产生这类谐波,因此可在实验室条件下向行驶电流曲线中注入谐波,进而通过被动电化学阻抗谱技术重建对应的奈奎斯特图,其采样频率为10千赫兹。Chen等人[24]开发了一种基于行驶放电数据的被动电化学阻抗谱分析框架,他们利用功率谱密度在12.5千赫兹的采样频率下计算不同健康状态下的阻抗谱,其平均相对误差低于1.5%。Kim等人[25]则提出了一种基于概率密度函数的融合模型,将被动电化学阻抗谱分析结果与行驶放电数据结合用于健康状态估算。该模型在25摄氏度时的平均绝对误差、均方根误差和平均百分比误差分别为1.7%、1.48%和2.67%,而在45摄氏度时则为1.88%、2.19%和4.06%,采样频率为2千赫兹。尽管取得了这些进展,但仍有若干限制因素影响着该技术的实际应用。例如[20]中的方法需要外部信号注入以及高频率数据采集硬件,会增加系统的成本和复杂性;此外,该框架虽然能够追踪阻抗的变化,但无法建立与基于容量健康状态之间的定量映射关系。[21]中的框架主要侧重于阻抗谱的重建,并未开发出健康状态估算算法,也未验证其与容量衰减之间的关联。同样,[22]中的研究者虽然发现电荷传输电阻会随着1C速率下的容量衰减而变化,但并未基于阻抗参数建立用于量化健康状态的预测模型。还需注意的是,由于商业用的电池管理系统通常采用较低采样频率的充电数据,因此无法从中估算电荷传输电阻。 [23]中的方法依赖于10千赫兹的高采样频率,并假设在电动汽车运行过程中可以引入外部扰动信号。该研究主要侧重于重建奈奎斯特图,而非利用被动电化学阻抗谱技术估算健康状态。[24]中的框架同样需要12.5千赫兹的高采样频率才能进行被动电化学阻抗谱分析,虽然该研究成功实现了在不同健康状态下单奈奎斯特图的重建,但并未利用提取出的特征进行健康状态估算。相比之下,[25]中的方法则是利用从行驶放电数据中提取的被动电化学阻抗谱特征来估算健康状态,但该方法需要长度为2128秒(35.4分钟)的较长行驶数据,采样频率为2千赫兹,且估算出的健康状态误差相对较高。[26]中的研究者则使用了充电数据中的频域特征,但这些特征是从充电后的松弛阶段计算得出的,此时电流会从恒定值突然变为零,类似于脉冲激励的情况。综上所述,时域方法主要依靠深度学习架构,如长短期记忆网络、Transformer模型和卷积神经网络,来捕捉健康状态指标与电池健康状态之间的非线性关系。但这些方法要么对计算资源要求极高,不适合嵌入式系统使用,要么需要较长的放电时间以及覆盖较大电量范围的放电数据才能完成健康状态估算。而基于被动电化学阻抗谱技术的频域方法虽然能够利用等效串联电阻和电荷传输电阻等阻抗参数进行诊断,但目前仍较少被研究。现有的被动电化学阻抗谱研究大多集中在阻抗谱的重建上,而非预测性的健康状态估算,而且大多数实现方法都需要高频率数据采集系统或外部激励信号,这增加了系统的复杂性和成本。目前,将频域特征提取技术与数据驱动的回归模型相结合的研究还比较少。基于以上分析,本研究旨在解决以下四个关键研究缺口:1. 尚缺乏利用部分行驶放电数据进行健康状态估算的方法;2. 未充分利用低频行驶放电数据来进行健康状态估算;3. 对用于车载诊断的频域特征的研究还不够深入;4. 目前还没有将被动电化学阻抗谱分析提取的特征与机器学习模型相结合的框架。本研究的主要贡献有五点。首先,通过系统化的特征选择,我们找到了与基于容量的健康状态高度相关的关键被动电化学阻抗谱特征。其次,我们证明了只需利用短时间的放电数据即可估算电池健康状态,从而大大降低了数据采集的需求。第三,我们利用标准控制器局域网采样率即可获取的低频阻抗特性,避免了对外部专用硬件的依赖。第四,我们开发并验证了一种基于回归的框架,能够将不同电池类型和老化条件下的频域特征与健康状态相关联。第五,我们在真实车辆的现场数据中验证了该方法的有效性。本文的其余部分结构如下:第二节介绍了实验数据集,包括电池规格及老化测试方案;第三节阐述了所提出的方法,包括数据预处理、基于被动电化学阻抗谱的特征提取以及机器学习模型结构;第四节为结果与讨论部分;最后,第五节总结了研究要点,并提出了未来可能的研究方向。数据集描述本研究使用了四个公开的可用于电池老化研究的数据集,这些数据集采用了城市驾驶循环下的放电测试方案。它们能够真实反映城市环境中电动汽车的运行特性,因此非常适合用于在实际使用条件下验证车载健康状态估算方法的准确性。这些数据集包含多个具有不同容量衰减趋势的电池单元,便于在不同老化状态下对所提出的频域方法进行交叉验证。所提出方法的整体框架本节介绍了基于被动阻抗谱技术和机器学习回归算法的车载健康状态估算框架。整个方法流程如图1所示,共分为五个阶段:数据采集与预处理、基于被动电化学阻抗谱的阻抗计算、特征提取、基于相关性的特征选择,以及回归模型训练。在正常驾驶过程中,电压和电流数据是从电动汽车的电池管理系统中获取的。特征分析方面,皮尔逊相关系数用于量化所有电池单元在不同电量状态下的频域特征与电池健康度之间的关系。图5展示了STANFORD数据集在三个电池单元和三个电量状态窗口下的相关系数热图,EVERLASTING数据集的结果则见补充图1。阻抗的实部呈现出稳定的强负相关性,皮尔逊相关系数介于-0.72到-0.99之间,不过Re这一特征除外。结论部分指出,本文提出了一种基于频域分析的方法,通过相量误差谱和机器学习回归技术来估算车载电池的健康度。与传统依赖长时间放电的能量基准方法不同,所提出的方法能够通过从时域测量数据中提取频域特征,利用相对较短的驾驶放电数据来实现电池健康度的估算。在多个真实的实验室数据集以及一个实际车辆的现场数据集上的验证表明,该方法具有稳定性。CRediT作者贡献说明:Jayabrata Maity负责原始稿撰写、验证、软件开发、方法设计、研究实施、正式分析、数据整理以及概念构建;Mayur Prakash Bonkile负责审稿与编辑工作;Munmun Khanra负责审稿与编辑、项目监督以及资金申请。关于写作过程中生成式人工智能及人工智能辅助技术的声明:在准备本论文时,作者使用了Grammarly工具来提升文本可读性。使用这些工具后,作者对内容进行了必要的审阅和修改,并对最终发表的内容负全责。利益冲突声明:作者声明不存在任何可能影响本文所述工作的已知财务利益或个人关系。致谢:本研究部分得到了印度政府SERB-DST项目在POWER计划下的资助,资助编号为SPG/2021/003325。
相关新闻
生物通微信公众号
微信
新浪微博

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