动态条件下基于深度学习的锂电池容量估计

doi:10.19562/j.chinasae.qcgc.2022.06.008

摘要/Abstract

摘要：

锂离子电池在老化过程中，其内部呈现非线性的复杂变化，因此直接使用动态条件下的锂离子电池运行时段的数据（电流、电压和温度）进行电池健康状态的实时估计是一个具有挑战性的问题。本文中选取锂离子电池随机充放电数据，对动态数据的部分片段进行时频特征提取，组成时频特征矩阵作为输入，构建级联式卷积神经网络和门控循环单元容量估计模型，对输入数据进行内在特征提取，并进一步挖掘各时间序列中的相关特征，实现锂离子电池动态条件下的容量估计。利用美国航空航天局锂离子电池随机使用数据集进行实验验证的结果表明，该方法能在仅已知电池的额定容量的情况下，准确完成锂离子电池容量估计。最后，本文还分析了模型超参数设置、原始数据时序长度、网络输入和模型结构对容量估计精度的影响。

关键词: 锂离子电池, 容量估计, 卷积神经网络, 门控循环单元循环神经网络, 深度学习

Abstract:

In the aging course of lithium-ion battery， nonlinear complicated changes occur inside the battery， therefore directly using the operation data of lithium-ion battery such as current， voltage and temperature in certain time sections to conduct real-time estimation on the battery state of health under dynamic condition is a challenging issue. In this paper， the random charging and discharging data of lithium-ion battery are selected， the time and frequency features of some segments of dynamic data are extracted to compose time and frequency feature matrices as input， a cascaded convolutional neural network and a gated recurrent unit capacity estimation model are constructed to extract the intrinsic features of input data， and the related features of each time sequence are further explored to fulfill the estimation of battery capacity under dynamic condition. The results of experimental verification utilizing NASA's lithium-ion battery random use data set show that the method adopted can accurately estimate the capacity of lithium-ion battery under the condition of only the nominal capacity of battery is known. Finally， the effects of the setting of model’s hyper-parameters， the time-sequence length of raw data， network input and model structure on the accuracy of battery capacity estimation are analyzed.

Key words: lithium-ion battery, capacity estimation, CNN, GRU-RNN, deep learning

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.

Guihong Bi,Xu Xie,Zilong Cai,Zhao Luo,Chenpeng Chen,Xin Zhao. Capacity Estimation of Lithium-ion Battery Based on Deep Learning Under Dynamic Conditions[J]. Automotive Engineering, 2022, 44(6): 868-878.

图/表 17

表1

图1

图2

图3

图4

图5

图6

表2

图7

表3

表4

表5

表6

表7

表8

图8

表9

参考文献 25

1	REN Guizhou， MA Guoqing， CONG Ning. Review of electrical energy storage system for vehicular applications［J］. Renewable and Sustainable Energy Reviews， 2015， 41： 225-236.
2	殷豪，欧祖宏，陈德，等. 基于二次模式分解和级联式深度学习的超短期风电功率预测［J］. 电网技术， 2020， 44（2）： 445-453.
	YIN Hao， OU Zuhong， CHEN De， et al. Ultra-short-term wind power prediction based on two-layer mode decomposition and cascaded deep learning［J］. Power System Technology， 2020， 44（2）： 445-453.
3	胡天中，余建波. 基于多尺度分解和深度学习的锂电池寿命预测［J］. 浙江大学学报（工学版）， 2019， 53（10）： 1852-1864.
	HU Tianzhong， YU Jianbo. Life prediction of lithium-ion batteries based on multiscale decomposition and deep learning［J］. Journal of Zhejiang University （Engineering Science）， 2019， 53（10）： 1852-1864.
4	CHOI Yoh Wan， et al. Machine learning-based lithium-ion battery capacity estimation exploiting multi-channel charging profiles［J］. IEEE Access，2019， 7 ： 75143-75152.
5	李超然，肖飞，樊亚翔，等.基于卷积神经网络的锂离子电池SOH估算［J］. 电工技术学报， 2020， 35（19）：4106-4119.
	LI Chaoran， XIAO Fei， FAN Yaxiang， et al. An approach to lithium-ion battery SOH estimation based onconvolutional neural network［J］. Transaction of China Electrotechnical Society， 2020， 35（19）： 4106-4119.
6	FAN Y， XIAO F， LI C， et al. A novel deep learning framework for state of health estimation of lithium-ion battery［J］. Journal of Energy Storage， 2020， 32 ： 101741.
7	SHEN S， SADOUGHI M， LI M， et al. Deep convolutional neural networks with ensemble learning and transfer learning for capacity estimation of lithium-ion batteries［J］. Applied Energy， 2020， 260（C）： 114296-114296.
8	EL-DALAHMEH Ma’d， AL-GREER Maher，EL-DALAHMEH Mo’ath，et al. Time-frequency image analysis and transfer learning for capacity prediction of lithium-ion batteries［J］. Energies， 2020， 13（20）： 5447-5447.
9	VENUGOPAL P，VIGNESWARAN T. State-of-health estimation of Li-ion batteries in electric vehicle using IndRNN under variable load condition［J］. Energies， 2019， 12（22）.
10	SALUCCI C B， BAKDI A， GLAD I K， et al. Multivariable fractional polynomials for lithium-ion batteries degradation models under dynamic conditions［J］. arXiv， 2021 ： 2102.08111. Available from： https：//arxiv.org/abs/2102.08111
11	DAI Houde， ZHAO Guangcai， LIN Mingqiang， 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.
12	WANG Zengkai，ZENG Shengkui GUO Jianbin，et al. State of health estimation of lithium-ion batteries based on the constant voltage charging curve［J］. Energy， 2019， 167 ： 661-669.
13	BOLE B， KULKARNI C S， DAIGLE M. Adaptation of an electrochemistry-based Li-Ion battery model to account for deterioration observed under randomized use［C］. Conference of the Prognostics & Health Management Society， 2014.
14	MA Shuai， JIANG Modi， TAO Peng， et al. Temperature effect and thermal impact in lithium-ion batteries： a review［J］. Progress in Natural Science： Materials International， 2018， 28（6）： 653-666.
15	CHEN Kebin，et al. Evaluation of the low temperature performance of lithium manganese oxide/lithium titanate lithium-ion batteries for start/stop applications［J］. Journal of Power Sources， 2015， 278 ： 411-419.
16	SNYDER Chelsea. The effects of charge/discharge rate on capacity fade of lithium ion batteries［M］. Rensselaer Polytechnic Institute， 2016.
17	MADANI S S， SCHALTZ E， KR S K，et al. Effect of current rate and prior cycling on the coulombic efficiency of a lithium-ion battery［J］. Batteries， 2019， 5（3）： 57-57.
18	ARMENTA-DEU C， CARRIQUIRY J P，et al. Capacity correction factor for Li-ion batteries： influence of the discharge rate［J］. Journal of Energy Storage， 2019， 25（C）： 100839-100839.
19	UNO M， TANAKA K. Influence of high-frequency charge-discharge cycling induced by cell voltage equalizers on the life performance of lithium-ion cells［J］. IEEE Transactions on Vehicular Technology， 2011， 60 ： 1505-1515.
20	REICHERT M， ANDRE D， ROESMANN A， et al. Influence of relaxation time on the lifetime of commercial lithium-ion cells［J］. Journal of Power Sources， 2013， 239 ： 45-53.
21	JUAREZ-ROBLES D， VYAS A A， FEAR C， et al. Overcharge and aging analytics of Li-Ion cells［J］. Journal of The Electrochemical Society， 2020， 167（9）： 090547.
22	LECUN Y， BOTTOU L， BENGIO Y， et al. Gradient-based learning applied to document recognition［J］. Proceedings of the IEEE， 1998， 86（11）： 2278-2324.
23	梁海峰，袁芃，高亚静. 基于CNN-Bi-LSTM网络的锂离子电池剩余使用寿命预测［J］. 电力自动化设备， 2021， 41（10）： 213-219.
	LIANG Haifeng， YUAN Peng， GAO Yajing. Remaining useful life prediction of lithium-ion battery based on CNN-Bi-LSTM network［J］. Electric Power Automation Equipment， 2021， 41（10）： 213-219.
24	张少宇，伍春晖，熊文渊. 采用门控循环神经网络估计锂离子电池健康状态［J］. 红外与激光工程， 2021， 50（2）： 236-243.
	ZHANG Shaoyu， WU Chunhui， XIONG Wenyuan. State of health estimation for lithium-ion batteries using recurrentneural networks with gated recurrent unit［J］. Infrared and Laser Engineering， 2021， 50（2）： 236-243.
25	李超然，肖飞，樊亚翔，等. 基于深度学习的锂离子电池SOC和SOH联合估算［J］. 中国电机工程学报， 2021， 41（2）： 681-692.
	LI Chaoran， XIAO Fei， FAN Yaxiang， et al. Joint estimation of the state of charge and the state of health based on deep learning for lithium-ion batteries［J］. Proceedings of the CSEE， 2021， 41（2）： 681-692.

电池关键特性	规格
制造商	LG Chem
电池化学成分	18650 钴氧化物（正极）石墨（负极）
额定容量	2 100 mA·h
下限截止电压	3.2 V
上限阈值电压	4.2 V

网络层	输入尺寸	卷积核尺寸	卷积核个数	输出尺寸
输入层	40×9	N/A	N/A	40×9
卷积层1	40×9	3×3	32	38×7
卷积层2	38×7	3×3	64	36×5
池化层	36×5	2×2	N/A	18×2
扁平层	18×2	N/A	N/A	18×128
GRU1	18×128	N/A	64	18×64
GRU2	18×64	N/A	64	1×64
全连接层	1×64	N/A	64	1×64
回归层	1×64	N/A	N/A	1

实验组	网络层	网络层超参数（卷积核大小、个数）	NRMSE/%
1	卷积层1	2×2，32	12.13
1	卷积层2	2×2，64	12.13
2	卷积层1	3×3，32	7.53
2	卷积层2	3×3，64	7.53
3	卷积层1	4×4，32	8.48
3	卷积层2	4×4，64	8.48
4	卷积层1	3×3，32	9.62
4	卷积层2	3×3，32	9.62
5	卷积层1	3×3，64	9.25
5	卷积层2	3×3，64	9.25
6	卷积层1	3×3，8	21.20
6	卷积层2	3×3，16	21.20
7	卷积层1	3×3，16	11.43
7	卷积层2	3×3，32	11.43
8	卷积层1	3×3，64	10.56
8	卷积层2	3×3，128	10.56

实验组	原始数据收集时长/h	时域特征矩阵尺寸
20RW步	1.08	760×7
40RW步	2.43	1520×7
60RW步	3.69	2280×7
80RW步	4.84	3040×7
100RW步	6.13	3800×7

网络输入	RMSE/%	NRMSE/%	训练时间/s
20RW步时域特征量	19.35	15.99	10.15
40RW步时域特征量	12.85	10.70	18.88
60RW步时域特征量	19.91	16.63	27.36
80RW步时域特征量	17.86	11.51	36.94
100RW步时域特征量	22.65	18.59	47.16