基于容忍度引导的半监督学习方法,结合云端充电数据实现电池健康状态评估

《JOURNAL OF POWER SOURCES》:Tolerance-guided semi-supervised learning for battery health estimation with cloud platform-based charging data

【字体: 大 中 小 】 时间:2026年07月25日 来源:JOURNAL OF POWER SOURCES 8.4

编辑推荐:

  摘要:在电动汽车中实现准确的电池健康状态估算仍然是一项挑战,主要原因在于车载数据大多未经标注,且获取真实的电池健康状态数据成本高昂。本研究提出了一种半监督式电池健康状态估算框架,专门用于处理现实环境中的云端充电数据。该框架结合了(i)一种集成多种机器学习方法的集成估算器,这些方法

  摘要:在电动汽车中实现准确的电池健康状态估算仍然是一项挑战,主要原因在于车载数据大多未经标注,且获取真实的电池健康状态数据成本高昂。本研究提出了一种半监督式电池健康状态估算框架,专门用于处理现实环境中的云端充电数据。该框架结合了(i)一种集成多种机器学习方法的集成估算器,这些方法通过基于核密度估计的加权方式进行整合;以及(ii)一种基于容忍度的伪标签选择策略,该策略能够充分利用大量未标注的车辆数据。我们利用真实的车辆充电数据集构建了充电条件特征窗口,并提取了对电池老化敏感的描述符用于模型开发。真实的电池健康状态标签则是通过统计200辆相同电动汽车在完整充电过程中的电量消耗来获得的。在保留的带标签测试集上,与全监督基准方法相比,所提出的半监督方法可使均方根误差降低26.2%,最大绝对误差降低20%。在同一半监督设置下,基于容忍度的伪标签机制相较于典型的半监督基准方法,可使均方根误差进一步降低22.7%。总体而言,该方法有效利用了大量的未标注电动汽车充电记录,提升了电池健康状态估算的准确性,尤其是在电池使用寿命初期,此时可用的带标签数据十分有限。

引言:由于锂离子电池具有高能量密度、长循环寿命以及快速充电等优点,近年来它们被越来越多地应用于消费电子、电动汽车以及能源存储系统等领域[[1], [2], [3], [4]]。作为锂离子电池最重要的性能指标之一,其健康状态估算一直备受研究关注[5,6]。目前大多数基于真实世界数据的电池健康状态估算研究都依赖于大量的带标签样本[7,8]。然而,在实际车辆运行过程中,很少有完整的充放电流程可用于生成带标签样本,因此,利用大量未标注数据对于实现精确的电池健康状态估算具有重要意义。为了解决这一问题,人们开发出了许多基于数据驱动的电池健康状态估算方法,根据未标注数据的利用程度,这些方法可分为全监督学习框架和半监督学习框架。在全监督学习框架中,人们采用了多种具备强大回归和预测能力的机器学习算法,如高斯过程回归[[9], [10], [11], [12]]、梯度提升决策树[13,14]、支持向量机[15,16]以及卷积神经网络[[17], [18], [19]],这些算法被用于在真实车辆和实验室环境中进行电池健康状态估算。有一些研究还将云平台数据作为主要数据来源[[20], [21], [22]]。云平台数据是通过车辆远程信息系统在真实驾驶和运行条件下获取的,能够反映电动汽车的真实使用行为和运行环境。刘等人分析了三年间来自电动汽车的云端运行数据,开发了一种基于深度学习的多模态框架,利用历史驾驶数据实现了高效、准确且经济性的电池健康状态估算[20]。傅等人整合了860辆电动汽车的实际运行数据,针对实际应用数据中电池健康状态标签的准确度较低的问题,考虑了运行条件下的温度变化,并提出了利用阿伦尼乌斯方程对电池健康状态标签进行标准化的方法[21]。此外,他们还提出了一种基于深度学习的框架GAM-FNN,该框架结合了注意力机制和群体学习方法,能够有效利用多源物理数据来实现精确的电池健康状态估算。陈等人则利用经验模态分解方法,从基于真实放电数据通过分割方法得到的感兴趣区域中提取与内阻和功率相关的健康信息[22]。他们还建立了一种新的集成学习框架,该框架结合了支持向量回归和多层感知器模型。通过采用合理的权重更新机制,他们提升了电池健康状态评估的准确性和稳定性。除了云平台数据之外,还有许多研究探索了利用现场数据来进行电池健康状态估算[[23], [24], [25], [26], [27]]。与云平台数据不同,现场数据是通过车载传感器和测量设备在本地从车辆或测试平台上收集的,这类数据的采样率通常较高,但数据量相对较小。Pozzato等人根据一辆电动出租车一年内的现场数据,筛选出了所有的充电阶段[26]。通过分析充电模式,他们提取出了包含丰富老化信息的充电阶段,并通过增量容量分析得出了该阶段容量的整体老化特征。张等人则在1.5年间收集了300辆纯电动汽车的实际充电数据。他们采用了一种定制的数据窗口划分方法,通过对电动汽车充电行为的深入分析,从车辆、电池组以及电芯层面提取出了分层特征,以此来追踪电池的老化情况[27]。尽管数据来源有所不同,但现有基于云平台数据和现场数据的研究大多采用全监督学习框架。这类框架严重依赖有限的带标签数据,而实际应用中大量存在的未标注数据却几乎未被充分利用。此外,在数据驱动的电池健康状态估算方法中,如何确定能够适应不同实际运行条件和用户驾驶习惯的合适特征区间,仍是一个尚未解决的问题。为更好地利用未标注数据,一些研究人员开发了半监督学习方法,用于现实环境中的电池健康状态估算[[28], [29], [30]]。例如,郭等人提出了一种名为部分贝叶斯协同训练的方法,该方法可以利用成本低廉的未标注数据来提取隐藏信息,从而加深对电池退化规律的理解,提高寿命预测的准确性[31]。刘等人则引入了金豺优化算法,用于提升半监督框架中支持向量回归算法的估算精度。在四个数据集上进行的对比实验和消融实验验证了该电池健康状态估算模型的有效性,结果显示,即使仅使用10%的数据进行训练,该模型的均方根误差和平均绝对百分比误差也依然很低[32]。Hadzalic等人则提出了一种基于伪标签选择机制的多视图协同训练算法,进一步证明了半监督学习框架在车载电池健康状态估算方面的潜力[33]。然而,在现实环境中的电动汽车电池健康状态估算任务中,同时解决对电池老化敏感特征的提取问题以及伪标签筛选的可靠性问题仍然是一项艰巨的任务。综上所述,当前的研究在面对带标签的云数据较为匮乏的情况时,仍难以仅依靠现有的运行数据来实现精确的电池健康状态估算,尤其是在电池部署的早期阶段。为了解决这一问题,我们提出了一种基于现实环境中电动汽车充电记录的半监督电池健康状态估算方案,该方案主要有三方面贡献。首先,我们定义并提取了可以从云平台直接获取、且能够在不同充电条件下保持稳定性的、能够反映电池老化情况的充电特征窗口。其次,我们从这些特征窗口中构建了多源特征集,并开发了一种基于核密度估计的加权集成估算器模型,该模型整合了高斯过程回归、梯度提升决策树以及前馈神经网络等多种互补的算法,从而形成了一个强大且稳定的基础模型。最后,我们引入了一种基于容忍度的伪标签选择机制,只有当预测的可靠性满足预定的容忍标准时,才会接受相应的伪标签,这样就能够有效利用大量未标注数据,从而在标签数据有限的条件下提升电池健康状态估算的准确性。本文的其余部分结构如下:第2节介绍了所使用的数据集以及带标签的电池容量是如何获得的。第3节阐述了该方法的框架结构。第4节介绍了与电池老化相关的特征,比较了全监督学习和半监督学习的性能,以及不同的伪标签选择机制对半监督学习的影响。最后,第5节对全文进行了总结。

章节摘录:基于云平台的电池数据与处理:在本研究中,为支持所提出方法的开发,我们从长安汽车提供的云平台获取了历史充电数据。该数据集包含了200辆相同电动汽车一年以上的充电记录。图1展示了数据集中所有单次充电数据按照车辆里程表读数、电池剩余电量范围以及季节分布的情况。这些电动汽车的最大累计行驶里程达到了10万公里。此外,这些数据……

方法论:图4展示了本研究的整体工作流程。首先,我们从云平台收集了大量真实电动汽车的充电数据。这些数据包括电压、电流和温度等信息,根据电流值的不同,这些数据被划分为慢速充电和快速充电两种类型。随后,我们对整个数据集进行了预处理,包括去除异常值和平滑处理。利用预处理后的数据,我们通过安时积分得到了电池的最大可用容量,进而获得了电池健康状态标签……

特征提取:两种充电条件下的平均电流值相差近一个数量级,这就导致了与电流相关以及随时间变化的特征出现较大差异。例如,特征tave(即电压每上升0.1伏时时间序列的平均值)在多阶段充电条件和低速率充电条件之间存在很大差异,这使得特征与电池健康状态之间的关系呈现出明显的层次结构。为减轻这一影响,表1中列出了相应的特征……

结论:在利用真实电动汽车充电数据来估算电池健康状态时,仍然存在若干根本性的挑战。首先,电动汽车的充电行为和运行条件极为多样,因此很难找到那些既能充分反映电池老化情况,又能在各种常见充电模式下稳定存在的充电阶段。其次,实际上带标签的数据往往十分稀缺,而未标注的云平台数据虽然大量存在,但却难以被可靠地利用:简单的伪标签分配方式可能会引入错误信息……

CRediT作者贡献声明:王嘉豪:数据整理、形式分析、研究调查、方法设计、软件工具、结果验证、可视化处理、论文撰写——初稿撰写。邓克军:数据整理、形式分析、研究调查、方法设计、资源协调、结果验证、论文润色。吴泽:形式分析、研究调查。胡明辉:形式分析、论文润色。张永志:概念构思、数据整理、形式分析、资金筹集、研究调查、方法设计、项目管理。

利益冲突声明:作者们声明存在以下可能被视为潜在利益冲突的财务利益/个人关系:张永志表示他获得了重庆市自然科学基金会的财政资助。其他作者则声明他们没有已知的可能影响本文所述工作的财务利益或个人关系。

致谢:本研究得到了重庆市自然科学基金(编号:CSTB2024NSCQ-LZX0145)的支持。

王嘉豪|邓克军|吴泽|胡明辉|张永志
中国重庆401135,深蓝汽车科技有限公司
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