利用多源特征和机器学习模型对电池荷电状态估计进行比较研究
《Journal of Energy Storage》:A comparative study of battery state-of-charge estimation using multi-source features with machine learning models
【字体:
大
中
小
】
时间:2026年08月29日
来源:Journal of Energy Storage 10.7
编辑推荐:
摘要
电池荷电状态(SOC)估算是电池管理系统中的关键功能。尽管许多数据驱动的方法表现出强劲的性能,但它们大多仅依赖于时间域特征,如电压或电流,这些特征不足以捕捉电池行为的全部动态。为了解决这个问题,本研究提出了一个整合多源特征的建模框架,并进行了系统的比较分析。构建了一个动态电
摘要
电池荷电状态(SOC)估算是电池管理系统中的关键功能。尽管许多数据驱动的方法表现出强劲的性能,但它们大多仅依赖于时间域特征,如电压或电流,这些特征不足以捕捉电池行为的全部动态。为了解决这个问题,本研究提出了一个整合多源特征的建模框架,并进行了系统的比较分析。构建了一个动态电化学阻抗谱(DEIS)数据集,涵盖了在多种C速率条件下的各种工作状态,以更好地反映实际使用情况。此外,还结合了一个公开可用的静态EIS(SEIS)数据集,以增强实验的多样性。提取了三种类型的特征,包括时间域特征、频率域特征以及通过等效电路模型(ECM)拟合的物理参数。使用了七种代表性的机器学习模型,在不同的特征组合和C速率条件下对锂离子电池(LIBs)的SOC进行了估算。每个模型都从准确性、推理时间和模型大小方面进行了评估。结果表明,时间域和频率域特征的结合显著提高了估算精度,并优于单一模式输入和包含额外物理参数的特征集。广义线性回归(GLR)和高斯过程回归(GPR)在精度和推理时间方面表现相似,但GLR结构更简单,更适合部署在资源受限的边缘设备上。基于SHAP(Shapley Additive Explanations)的可解释性分析显示,频率域特征对SOC预测的贡献更大。本研究推进了在实际条件下SOC估算方法的发展,并为多源特征融合和轻量级模型部署提供了系统的参考。
引言
近年来,电动汽车的快速发展加速了全球向低碳运输系统的转型[1]、[2]、[3]。锂离子电池(LIBs)由于其高能量密度、长寿命和快速充电能力,已成为核心的储能系统[4]、[5]。它们不仅广泛应用于电动汽车,还用于便携式电子设备和可再生能源存储系统。然而,LIBs本质上是复杂的电化学系统。随着时间的推移,由于副反应、温度波动和反复的充放电循环,它们的性能会降解。为了确保安全和可靠的运行,电池管理系统(BMS)变得必不可少。BMS实时监控电池并提供关键指标,包括SOC[6]、[7]。SOC代表电池剩余的可用能量,类似于传统车辆中的燃油表。准确的SOC估算对于优化能量使用、防止过充或深度放电以及延长电池寿命至关重要[8]。然而,由于LIBs的强非线性,SOC估算面临众多挑战[9]。其准确性受到电流、温度、老化效应和滞后性的影响,且SOC无法通过物理传感器直接测量[10]。近年来,学术界和工业界提出了多种SOC估算方法,包括实验方法、基于模型的方法和数据驱动方法。
实验方法主要包括库仑计数和开路电压(OCV)基估算。这些方法由于简单且计算成本低,被广泛用于BMS中。库仑计数通过整合充放电电流来估算SOC,并提供良好的实时性能。然而,它对初始SOC误差、容量漂移和累积偏差敏感,尤其是在温度、C速率和老化条件变化时,这会削弱其长期可靠性[11]。基于OCV的方法将电池的OCV映射到SOC,理论上可以实现高精度。然而,它需要较长的休息时间来获得稳定的电压测量值,这限制了其实时适用性。此外,电池老化过程中OCV曲线会发生变化,导致模型随时间退化[12]。
除了实验方法,基于模型的方法也受到了广泛关注。这些方法可以分为电化学模型(EMs)和ECMs。EMs描述了电池内的锂离子传输、电荷转移和电极反应,从而能够准确建模动态行为。例如,P2D模型捕捉了电极颗粒内的浓度梯度和电解质电位变化,提供了很强的物理一致性和可解释性。然而,其复杂性和大量的方程导致了计算需求大,限制了其在实时应用中的使用。为了解决这个问题,Jiang等人提出了一种电化学-热耦合SOC估算方法。通过用抛物线剖面近似电极颗粒中的锂浓度分布,简化了P2D模型,并引入了一个热模型形成双向电化学-热耦合系统。应用扩展卡尔曼滤波器(EKF)进行动态估算。实验结果显示,在各种温度和工作条件下SOC估算误差显著降低,验证了模型的稳健性和实用性[13]。考虑到电池运行期间的耦合多物理效应,Iqbal等人开发了一个电化学-机械模型来研究电极材料中的应力演化和结构退化。该模型可以预测与颗粒裂纹、粘结剂失效和界面分层相关的关键SOC值,从而有助于制定安全的充电策略和安全SOC范围预测[14]。与EMs相比,ECMs使用电阻器、电容器和其他元件组合来近似电池行为。它们具有低复杂性、快速计算和易于实现的特点。对于高C速率应用,Islam等人开发了一个高阶ECM(HO-EECM),使用两个串联的RC网络。该模型准确捕捉了动态极化效应。当与自适应EKF结合用于参数更新时,显著提高了SOC估算的准确性和稳定性。最大SOC误差从0.0813降低到0.0171,证明了其适用于储能和电动汽车应用[15]。
近年来,数据驱动方法已成为SOC估算的主要方向。这些方法避免了复杂的建模,并能自动捕捉非线性特征。它们通常使用历史数据(如电压、电流和温度)作为输入,并使用机器学习或深度学习模型学习从特征到SOC的映射。一些研究采用单一模式输入和相对简单的模型结构。然而,这些模型往往无法捕捉复杂的电池动态。例如,Wu等人提出了一种混合Transformer-BiLSTM-MLP网络,仅使用电压和电流作为输入。尽管它实现了较低的估算误差,但在多源干扰和复杂条件下的鲁棒性仍然有限[16]。Fan等人引入了模糊熵和加权平均策略来平滑电压和电流信号,提高了准确性。然而,特征仍然局限于时间域,缺乏更深层次的洞察[17]。为了提高模型的泛化能力和动态行为的表征,一些研究开始探索特征融合。Wang等人开发了时间-频率-Net,结合了时间域和频率域特征。使用信号分解模块提取傅里叶分量。这种方法在不同的C速率、噪声水平和电池老化条件下提高了稳健性[18]。然而,这些基于深度学习的方法往往像“黑盒”一样,物理可解释性有限,对电池内部机制的了解也很少。同时,一些研究人员引入了EIS特征来利用频率响应和SOC之间的相关性。这些方法提高了估算精度,但大多数只将EIS纳入基于ECM的建模中[19]。EIS特征与时间序列操作数据之间的动态关系经常被忽略,导致特征解耦和模式之间的协同作用有限。此外,大多数研究使用的是静态EIS,它不能反映实际条件下的动态行为。相比之下,动态EIS能更好地捕捉原位响应,具有更大的应用潜力。进一步的研究探索了整合机械信号(如膨胀、应力和超声波)来揭示电池在循环过程中的结构响应[20]、[21]。例如,Ji等人提取了多尺度超声波特征,并使用PSO-GPR模型进行SOC估算,提高了可解释性和稳健性[22]。Zhao等人结合了膨胀力与电信号构建了一个多尺度SOC模型,即使在长采样间隔下也能实现高精度[23]。Li等人提出了一个基于CNN-LSTM的网络,通过将位移作为先验输入嵌入物理信息,从而增强了模型捕捉LIBs非线性特征的能力[24]。
尽管之前的研究已经探索了多源信息融合用于SOC估算,但仍然存在一些限制。首先,特征维度有限,电池的多源信息尚未得到充分利用。其次,缺乏对潜在物理机制的有效表示,导致估算模型的可解释性较差。第三,大多数现有研究使用静态EIS(如单频率域采样)作为输入特征,忽略了动态条件下电化学特性的时间演变。这限制了模型的适用性和泛化能力。
为了应对这些限制,本研究进行了使用多源特征建模的SOC估算的系统性比较分析。目的是填补当前在多源特征用于SOC估算方面的研究空白。开发了一个统一的框架,结合了各种输入特征组合。这些包括时间域特征(电流、电压)、从EIS提取的频率域特征以及从ECM派生的基于物理的参数。通过这些来源的不同组合构建多个输入特征向量,彻底评估了每个特征集对估算性能的影响。还研究了不同特征的协同建模潜力。主要贡献如下:
(1)使用内部实验和公共资源构建了一个多样化的EIS数据集。它涵盖了广泛的SOC水平,包括来自实验室测试的DEIS和来自开放数据集的SEIS。该数据集涵盖了各种材料系统、电池容量和放电速率,确保了广泛的适用性和足够的多样性。
(2)系统评估了时间域特征、频率域特征和基于ECM的物理参数在SOC估算中的有效性。测试了多种特征集组合,以验证多源融合在提高模型泛化和稳健性方面的潜力。
(3)使用了多种机器学习模型,包括传统的回归算法和深度学习架构,进行SOC训练和预测。进行了全面的比较,以评估它们的相对性能。使用SHAP方法量化了每个输入特征的贡献,为SOC估算过程提供了可解释性。进一步根据潜在的物理机制解释了特征的重要性。使用RMSE、MAE和R2等多种误差指标评估了模型性能。此外,还考虑了推理时间和模型大小,以评估部署可行性和实际工程价值。
本文的其余部分组织如下。第2节介绍了本研究中使用的电池数据集,包括实验数据和公共数据,并分析了不同电池类型、容量和C速率下的特征特性。第3节详细介绍了方法论,包括数据预处理、基于ECM的阻抗建模、多源特征提取和回归模型的构建。还描述了基于SHAP的可解释性分析和整体研究框架。第4节报告和讨论了实验结果,包括阻抗拟合性能、不同特征组合的比较、SOC估算精度以及特征贡献的可解释性。最后,第5节总结了本文并概述了未来工作的潜在方向。
电池实验数据
图1展示了实验平台及其整体测试程序。测试的电池是CATL2795148棱柱形NCM锂离子电池,Nominal容量为51 Ah,额定电压为3.7 V。上下截止电压分别设置为4.2 V和2.75 V。详细的电池规格列在表1中。
进行了两组测试。第一组在所有电化学过程中使用了恒定的充放电率0.5C(25.5 A)。
数据预处理
为了确保不同维度特征之间的可比性,并提高模型训练的收敛速度和稳定性,在建模之前应用了两阶段数据预处理策略:标准化和归一化。首先,通过基于每个特征的均值和标准差进行线性变换,使得结果分布的均值为0,标准差为1。变换定义为??????????=?????????,其中x?表示...
结果与讨论
模型训练在Microsoft Windows 11系统上使用Python版本3.12进行。硬件配置包括Intel Core i7-12700H CPU和NVIDIA GeForce RTX 3050 GPU。电池数据集被划分为训练集和测试集,80%的数据用于训练,剩余20%用于测试。使用三个重要评估标准验证SOC估算的性能:MAE、RMSE和R2。这些指标的公式如下:
MAE=1???∑????=1|?????|
结论与未来工作
本研究引入了DEIS特征,以提高SOC估算的实际适应性。与SEIS测试相比,DEIS更好地反映了实际运行条件。通过整合多源特征,构建了一个SOC(状态查询)估计框架。在不同的特征组合和机器学习方法下,针对多种放电率进行了系统的比较。主要研究结果总结如下:(1) 在GLR(广义线性回归)和GPR(高斯过程回归)之间,两者都取得了相当的可比预测精度。
作者声明:
邵晓潇(Shaoxiao Ju):可视化、方法论、形式分析、数据整理、概念化、初稿撰写;
刘金琦(Jinqi Liu):数据整理;
李培超(Peichao Li):指导、方法论、资金筹集、审稿与编辑;
张恒云(Hengyun Zhang):指导。
利益冲突声明:
作者声明没有已知的财务利益冲突或可能影响本文研究的个人关系。
致谢:
本研究得到了中国国家自然科学基金(项目编号:12272217)的资助。
作者单位:
邵晓潇 | 刘金琦 | 李培超 | 张恒云
上海工程技术大学机械与汽车工程学院,中国上海201620
生物通微信公众号
生物通新浪微博
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