用新陈代谢极限学习机实现电池健康状态估算

doi:10.19562/j.chinasae.qcgc.2021.01.002

摘要/Abstract

摘要：

针对因电池内部电化学反应的复杂性、算法泛化性差或可用已知数据量少导致的锂离子电池SOH估算精度下降的问题，提出使用极限学习机（ELM）构建强泛化性电池退化状态模型来描述不同电池的共性退化规律；引入新陈代谢机制来更新退化状态模型的输入数据进而实现对SOH的新陈代谢估算，在保证估算精度的同时降低对输入数据量的需求。利用两种不同材料电池在不同工况下所测数据对所提出方法进行验证，结果表明该方法能在仅用4个数据样本的情况下准确估算电池SOH，估算误差不超过2.18%。

关键词: 锂离子电池, 健康状态, 极限学习机, 退化状态模型, 新陈代谢机制

Abstract:

In view of the low state of health （SOH） estimation accuracy of lithium?ion battery due to the complexity of internal electro?chemical reaction of battery， the poor generalization of the algorithm or the small amount of available data samples， a strongly generalized degradation state model of batteries is constructed based on the extreme learning machine （ELM） to describe the common degradation regularities of different batteries. Moreover， the metabolic mechanism is introduced to update the input data of the degradation state model and then to realize the metabolic estimation of SOH， which reduces the demand for the amount of input data， while ensuring the accuracy of estimation. The method proposed is verified by using the measured data of two batteries with different materials under different working conditions. The results show that the method proposed can accurately estimate the SOH of battery with only four data samples， and the estimation errors are no more than 2.18%.

Key words: lithium?ion battery, state of health, extreme learning machine, degradation state model, metabolic mechanism

陈琳,王惠民,李熠婧,张沫,黄江,潘海鸿. 用新陈代谢极限学习机实现电池健康状态估算[J]. 汽车工程, 2021, 43(1): 10-18.

Lin Chen,Huimin Wang,Yijing Li,Mo Zhang,Jiang Huang,Haihong Pan. Battery State⁃of⁃Health Estimation by Using Metabolic Extreme Learning Machine[J]. Automotive Engineering, 2021, 43(1): 10-18.

图/表 14

图1

图2

图3

表1

图4

表2

图5

图6

图7

表3

图8

图9

图10

表4

参考文献 20

1	LIPU M S H，HANNAN M A，HUSSAIN A，et al. A review of state of health and remaining useful life estimation methods for lithium-ion battery in electric vehicles： challenges and recommendations［J］. Journal of Cleaner Production，2018，205：115-133.
2	孙冬，许爽. 梯次利用锂电池健康状态预测［J］. 电工技术学报，2018，33（9）：2121-2129.
	SUN Dong，XU Shuang. State of health prediction of second-use lithium-ion battery［J］. Diangong Jishu Xuebao/Transactions of China Electrotechnical Society，2018，33（9）：2121-2129.
3	马会萌，李蓓，李建林，等. 面向经济评估的电池储能系统工况特征量嵌入性研究［J］. 电力系统保护与控制，2017，45（22）：70-77.
	MA Huimeng，LI Bei， LI Jianlin，et al. Embedded research on working condition characteristics of battery energy storage system for economic evaluation［J］. Power System Protection and Control，2017，45（22）：70-77.
4	郑志坤，赵光金，金阳，等. 基于库仑效率的退役锂离子动力电池储能梯次利用筛选［J］. 电工技术学报，2019，34（S1）：388-395.
	ZHENG Zhikun，ZHAO Guangjin，JIN Yang，et al. The reutilization screening of retired electric vehicle lithium-ion battery based on coulombic efficiency［J］. Transactions of China Electrotechnical Society，2019，34（S1）：388-395.
5	XIONG R，LI L，TIAN J. Towards a smarter battery management system：a critical review on battery state of health monitoring methods［J］. Journal of Power Sources，2018， 405：118-129.
6	TIAN J，XIONG R，YU Q. Fractional-order model-based incremental capacity analysis for degradation state recognition of lithium-ion batteries［J］. IEEE Transactions on Industrial Electronics，2019，66（2）：1576-1584.
7	李晓宇，徐佳宁，胡泽徽，等. 磷酸铁锂电池梯次利用健康特征参数提取方法［J］. 电工技术学报，2018，33（1）：9-16.
	LI Xiaoyu，XU Jianing，HU Zehui，et al. The health parameter estimation method for LiFePO4 battery echelon use［J］. Diangong Jishu Xuebao/Transactions of China Electrotechnical Society，2018，33（1）：9-16.
8	BI J，ZHANG T，YU H，et al. State-of-health estimation of lithium-ion battery packs in electric vehicles based on genetic resampling particle filter［J］. Applied Energy，2016（182）：558-568.
9	NUHIC A，TERZIMEHIC T，SOCZKA-GUTH T，et al. Health diagnosis and remaining useful life prognostics of lithium-ion batteries using data-driven methods［J］. Journal of Power Sources，2013， 239：680-688.
10	YANG D，WANG Y，PAN R，et al. State-of-health estimation for the lithium-ion battery based on support vector regression［J］. Applied Energy，2018，227（S1）：273-283.
11	YOU G，PARK S，OH D. Real-time state-of-health estimation for electric vehicle batteries：a data-driven approach［J］. Applied Energy，2016， 176：92-103.
12	DAI H，ZHAO G，LIN M，et al. A novel estimation method for the state of health of lithium-ion battery using prior knowledge-based neural network and markov chain［J］. IEEE Transactions on Industrial Electronics，2019，66（10）：7706-7716.
13	RICHARDSON R R，OSBORNE M A，HOWEY D A. Gaussian process regression for forecasting battery state of health［J］. Journal of Power Sources， 2017， 357：209-219.
14	LI X，WANG Z，YAN J. Prognostic health condition for lithium battery using the partial incremental capacity and Gaussian process regression［J］. Journal of Power Sources，2019， 421：56-67.
15	TANG J，DENG C，HUANG G. Extreme learning machine for multilayer perceptron［J］. IEEE Transactions on Neural Networks and Learning Systems，2016，27（4）：809-821.
16	潘海鸿，吕治强，李君子，等. 基于灰色扩展卡尔曼滤波的锂离子电池荷电状态估算［J］. 电工技术学报，2017，32（21）：1-8.
	PAN Haihong，Zhiqiang LÜ，LI Junzi，et al. Estimation of lithium-ion battery state of charge based on grey prediction model-extended kalman filter［J］. Transactions of China Electrotechnical Society，2017，32（21）：1-8.
17	PAN H，LU Z，WANG H， et al. Novel battery state-of-health online estimation method using multiple health indicators and an extreme learning machine［J］. Energy，2018， 160：466-477.
18	GU W，SHU Z，WEI X，et al. A new method of accelerated life testing based on the grey system theory for a model-based lithium-ion battery life evaluation system［J］. Journal of Power Sources，2014， 267：366-379.
19	潘海鸿，吕治强，付兵，等. 采用极限学习机实现锂离子电池健康状态在线估算［J］. 汽车工程，2017，39（12）：1375-1381，1396.
	PAN Haihong，ZhiqiangLÜ，FU Bing，et al. Online estimation of lithium-ion battery’s state of health using extreme learning machine［J］. Automotive Engineering，2017，39（12）：1375-1381， 1396.
20	OUYANG M，CHU Z，LU L，et al. Low temperature aging mechanism identification and lithium deposition in a large format lithium iron phosphate battery for different charge profiles［J］. Journal of Power Sources，2015， 286：309-320.

电池编号	特性测试		老化循环测试
电池编号	工况	测试温度	工况	测试温度
P01	容量测试/UDDS	25 ℃	UDDS+脉冲放电	45 ℃
S17	容量测试/NEDC	25 ℃	UDDS+脉冲放电	45 ℃
S30	容量测试/NEDC	35 ℃	脉冲放电	35 ℃

退化特征		P01	S17	S30
ΔR₀	r_p	0.949 3	0.987 4	0.952 9
ΔR₀	r_s	0.950 7	0.989 4	0.973 5
ΔR₁	r_p	0.954 9	0.984 1	0.990 9
ΔR₁	r_s	0.969 2	0.985 5	0.991 3

电池	算法	最大绝对误差/%	平均绝对误差/%	均方根误差
S17	ELM	4.98	2.18	17.489 8
S17	新陈代谢ELM	0.94	0.46	0.008 3
S30	ELM	3.53	1.54	13.125 7
S30	新陈代谢ELM	2.18	0.59	0.009 7

[1]	陈飞,孔祥栋,孙跃东,韩雪冰,卢兰光,郑岳久,欧阳明高. 锂离子电池制造工艺仿真技术进展[J]. 汽车工程, 2023, 45(9): 1516-1529.
[2]	胡明辉,朱广曜,刘长贺,唐国峰. 考虑迟滞特性的卡尔曼滤波和门控循环单元神经网络的锂离子电池SOC联合估计[J]. 汽车工程, 2023, 45(9): 1688-1701.
[3]	梁海强,何洪文,代康伟,庞博,王鹏. 融合经验老化模型和机理模型的电动汽车锂离子电池寿命预测方法研究[J]. 汽车工程, 2023, 45(5): 825-835.
[4]	廉玉波,凌和平,马晴婵,任强,贺斌. 电动汽车锂离子电池脉冲加热技术研究进展[J]. 汽车工程, 2023, 45(2): 169-174.
[5]	吕又付,罗卫明,陈荐,吴锡鸿,李传常. 分层优化测定锂离子电池比热容参数的实验研究[J]. 汽车工程, 2023, 45(2): 183-190.
[6]	张健豪,高兴奇,张莉. 基于容量增量曲线与充电容量差的电池组微短路诊断方法[J]. 汽车工程, 2023, 45(2): 191-198.
[7]	李贵敬,谷青锴,杨昊鑫,黄健齐,邸立明. PA/EG耦合风冷电池热管理系统轻量研究[J]. 汽车工程, 2023, 45(2): 209-218.
[8]	王萍,弓清瑞,程泽,张吉昂. 基于AUKF的锂离子电池SOC估计方法[J]. 汽车工程, 2022, 44(7): 1080-1088.
[9]	彭宇明,袁明晓,敬卓鑫,张永林,黄港. 汇流排产热影响下的电池模组冷却系统改进设计[J]. 汽车工程, 2022, 44(6): 859-867.
[10]	毕贵红,谢旭,蔡子龙,骆钊,陈臣鹏,赵鑫. 动态条件下基于深度学习的锂电池容量估计[J]. 汽车工程, 2022, 44(6): 868-878.
[11]	马彦,李佳怡,马乾,陈明超. 基于迭代动态规划的动力电池组热管理优化策略[J]. 汽车工程, 2022, 44(5): 709-721.
[12]	刘首彤,黄沛丰,白中浩. 锂离子电池机械滥用失效机理及仿真模型研究进展[J]. 汽车工程, 2022, 44(4): 465-475.
[13]	孙涛,郑侠,郑岳久,卢宇芳,匡柯,韩雪冰. 基于电化学热耦合模型的锂离子电池快充控制[J]. 汽车工程, 2022, 44(4): 495-504.
[14]	程夕明,胡薇,翟钧,罗荣华,张盼,徐野. 纯电动汽车低压电气系统效率研究[J]. 汽车工程, 2022, 44(4): 601-608.
[15]	王萍,彭香园,程泽,张吉昂. 基于数据驱动模型融合的锂离子电池多时间尺度状态联合估计方法[J]. 汽车工程, 2022, 44(3): 362-371.