使用脉冲注入辅助机器学习结合等效电路模型估算电池开路电压

《Results in Engineering》：Estimation of battery open-circuit voltage using pulse injection aided machine learning coupled with equivalent circuit model

　　

研究人员提出一种新方法，使用脉冲注入辅助机器学习（PIAML）结合电池等效电路模型（ECM）估算开路电压（OCV）和荷电状态（SoC）。尽管现有PIAML已能够通过注入预定义的三分钟双极电流脉冲获得的电压响应实现准确的SoC预测，但该方法需要覆盖电池单体差异、健康状态（SoH）和宽范围SoC条件的广泛实验数据，这限制了其实用性。为克服这一限制，研究人员的方法仅使用基于ECM的模拟器在多种电池条件下生成的电压响应进行PIAML，从而显著减少数据收集所需的时间和成本。机器学习（ML）模型首先仅基于模拟数据进行训练，随后使用实验获得的电压响应进行验证。研究人员研究了两种机器学习模型——前馈全连接神经网络（FNN）和卷积神经网络（CNN），其中CNN在预测精度和计算成本方面均优于FNN。对于测试的镍钴铝氧化物（NCA）电池单体，OCV预测的均方根误差（RMSE）为3.86 mV，进而SoC预测的RMSE为0.433%。

**论文解读文章**

**研究背景**
锂离子电池在电动汽车（EV）和电池储能系统（BESS）中广泛应用，其安全高效运行依赖电池管理系统（BMS）的实时监控。开路电压（OCV）是BMS的关键参数，因为它与电极电位（即锂嵌入/脱嵌程度）相关，是估算荷电状态（SoC）和健康状态（SoH）的基础。然而，电池在充放电过程中存在欧姆极化、活化极化和浓差极化，导致OCV无法直接测量，需长时间静置消除极化效应。现有OCV估算方法分为模型法和机器学习（ML）法。等效电路模型（ECM）虽计算效率高，但依赖参数预定义且收敛慢；ML方法虽能建立数据驱动关系，但严重依赖大量、多工况的实验训练数据，收集成本高、周期长。脉冲注入辅助机器学习（PIAML）通过注入预定义双极电流脉冲获取结构化电压响应，提高了预测精度，但仍需覆盖电池单体差异、老化程度和不同SoC的广泛实验数据，限制了其实际应用。

**研究内容与结论**
研究人员提出一种新框架：利用ECM生成合成电压响应数据，训练ML模型，仅用模拟数据即可实现PIAML的OCV和SoC预测，并通过实验验证有效性。该研究采用二阶ECM模拟电池行为，在合理参数范围内随机生成600万种条件下的电压响应，以此训练前馈全连接神经网络（FNN）和卷积神经网络（CNN）模型。随后，使用8个三星INR 30Q（NCA）电池单体在25°C下获得的3441个实验电压响应（包括恒流充放电和UDDS驾驶循环工况）进行验证。结果表明，尽管仅基于模拟数据训练，两种模型在实验数据上均表现良好，其中CNN模型性能更优：OCV预测均方根误差（RMSE）为3.86 mV，映射所得的SoC预测RMSE为0.433%。梯度加权回归激活映射（Grad-RAM）分析显示，CNN模型主要利用弛豫阶段（充电和放电后）的电压特征进行预测，同时部分依赖充电阶段的电压信息。该研究发表在《Results in Engineering》。

**主要技术方法**
研究人员采用二阶等效电路模型（ECM）模拟电池行为，通过改变ECM参数（包括欧姆电阻R₀、极化电阻R₁和R₂、电容C₁和C₂、时间常数τ₁和τ₂、初始极化电压V_1,0和V_2,0、OCV及其对SoC的导数dOCV/dSoC）生成600万条合成电压响应。使用贝叶斯优化确定FNN和CNN的超参数（如层数、神经元数、学习率、正则化系数等）。在8个NCA电池单体（来源：Samsung INR 30Q）上进行HPPC测试获取ECM参数范围，并在恒流充放电和UDDS循环工况下采集实验电压响应用于模型验证。

**研究结果**
- **6.1 模拟数据集预测**：FNN和CNN模型在模拟数据上的OCV预测RMSE分别为3.83 mV和2.81 mV，95%置信区间分别为±7.66 mV和±5.62 mV，表明CNN预测性能更优。
- **6.2 实验数据集预测**：在恒流放电、恒流充电和UDDS驾驶循环测试中，CNN模型的OCV预测RMSE分别为3.62 mV、4.10 mV和3.71 mV，FNN模型分别为4.90 mV、4.85 mV和3.82 mV。CNN模型在所有测试中均优于FNN，且平均RMSE为3.86 mV。两种模型在OCV约3.85 V附近的误差较大，归因于二阶ECM未能捕捉长时常数（>数百秒）的极化效应。基于预测OCV映射得到的SoC预测RMSE为0.433%。
- **6.3 与其他方法比较**：与文献中OCV和SoC估算方法相比，该方法的预测误差（MAE 2.60 mV，SoC RMSE 0.433%）处于较低水平，且所需时间（3分钟）适中。
- **6.4 Grad-RAM分析**：对CNN模型进行Grad-RAM分析，可视化电压响应中用于预测的特征。结果显示，模型主要依赖充电和放电后弛豫阶段的电压变化，弛豫初期贡献于降低校正电压，后期则贡献于增加校正电压，且弛豫斜率越陡，OCV校正量越大。不同实验条件下特征重要性有所不同，表明模型有效利用了多变量信息。

**讨论与结论**
讨论部分指出，该研究首次证明PIAML模型可仅基于ECM生成的合成电压响应进行有效训练，无需大规模实验数据，从而显著降低数据采集时间和成本。但方法存在局限性：二阶ECM的精度可能影响电池表征不足时的性能；需要3分钟响应时间，不适合实时车载应用，仅适用于充电场景或BESS；双极脉冲注入需额外充电源。此外，该方法目前仅针对NCA电池验证，对其他化学体系（如NMC和LFP）的适用性需进一步研究；未来工作将引入电池滞回状态变量，扩展温度范围，并优化脉冲波形以提高精度和能效。

**翻译结论部分**：脉冲注入辅助机器学习（PIAML）是一种数据驱动方法，通过注入预定义双极电流脉冲获得的电压响应估算荷电状态（SoC）。其有效性源于机器学习模型能够从预定义脉冲产生的结构化、可重复电压响应中学习特征。然而，传统PIAML依赖实验获得的电压响应进行模型训练，这些数据必须覆盖广泛的电池特性和状态，包括容量、开路电压（OCV）、内阻、极化行为、SoC和健康状态（SoH）。这种对广泛实验训练数据的依赖导致数据收集需要大量时间和成本。为克服这一限制，研究人员提出了一种新的PIAML–ECM框架，其中用于预测OCV（进而预测SoC）的机器学习模型仅基于电池等效电路模型（ECM）生成的模拟电压响应进行训练。该方法的关键创新在于，PIAML模型的开发无需使用实验收集的电压响应进行训练，而其预测性能则通过实验数据验证。通过用ECM生成的合成电压响应替代广泛的实验训练数据集，所提出的方法显著减少了数据收集所需的时间和成本，从而增强了PIAML的实用性和适用性。研究人员测试了两种不同的ML模型，即前馈全连接神经网络（FNN）和卷积神经网络（CNN）。模型首先使用模拟电压响应进行训练，然后使用实验电压响应进行验证。重要的是，尽管仅基于模拟数据训练，两种模型在实验数据上均表现良好。CNN模型性能优于FNN模型。对于测试的镍钴铝氧化物（NCA）电池单体，OCV和SoC预测的RMSE分别为3.86 mV和0.433%。对CNN模型进行了Grad-RAM分析，以识别和可视化用于预测的电压响应特征。分析表明，模型主要利用充电和放电后弛豫阶段的电压，同时在一定程度上利用充电阶段的电压。最后，虽然库仑计数可实现实时SoC跟踪，但它容易漂移且强烈依赖于初始SoC值。相比之下，PIAML可通过周期性脉冲应用提供准实时的OCV和SoC信息，从而支持精确的SoC估算和不可逆热量计算，这些对于有效的电池管理系统（BMS）至关重要。