基于非线性降维IC特征的实车电池SOH估计

doi:10.19562/j.chinasae.qcgc.2023.02.005

摘要/Abstract

摘要：

基于实车电池复杂的运行数据，本文使用增量容量分析方法提取IC峰特征作为电池充电片段的有效特征，使用t-SNE非线性降维方法处理IC峰特征，消除多维特征冗余性，以解决实车数据难以提取可靠特征的问题。另外构建支持向量回归模型，实现对电池健康状态的估计。结果表明，本文使用的增量容量曲线峰特征能有效表征电池健康状态衰退变化；对实车数据的平滑、降噪方法可以较好地提升训练数据质量；基于t-SNE降维特征的SVR模型提升了对电池健康状态的估计精度，保证了有限样本数据集上实现准确估计。

关键词: 动力电池, SOH估计, 非线性降维, 机器学习

Abstract:

Based on the complex operation data of real-vehicle batteries， the IC peak features are extracted as effective features of battery charging segments using incremental capacity analysis method in this paper， and the IC peak features are processed using t-SNE nonlinear dimensionality reduction method to eliminate the redundancy of multidimensional features and solve the problem that it is difficult to extract reliable features from real-vehicle data. In addition， a support vector regression model is constructed to estimate the battery health status. The results show that the use of incremental capacity curve peak features can effectively characterize the recession changes of the battery health state. The smoothing and noise reduction methods for real vehicle data can improve the quality of training data better. The SVR model based on t-SNE dimensionality reduction features improves the estimation accuracy of battery health state and ensures accurate estimation on a limited sample data set.

Key words: power battery, SOH estimation, nonlinear dimensionality reduction, machine learning

陈吉清,李子涵,兰凤崇,蒋心平,潘威,陈继开. 基于非线性降维IC特征的实车电池SOH估计[J]. 汽车工程, 2023, 45(2): 199-208.

Jiqing Chen,Zihan Li,Fengchong Lan,Xinping Jiang,Wei Pan,Jikai Chen. Real-Vehicle Battery Health State Estimation Based on Nonlinear Reduced-Dimensional IC Features[J]. Automotive Engineering, 2023, 45(2): 199-208.

图/表 14

图1

图2

图3

表1

图4

表2

图5

图6

图7

图8

图9

图10

表3

数据分类与说明"

特征数据类型	未降维特征	PCA降维特征	MDS降维特征	t-SNE降维特征
MSE/%	2.931	3.042	2.157	1.932
MAE/%	1.377	1.382	1.152	1.109
$R 2$	0.536	0.496	0.706	0.796
推理用时/s	0.009 9	0.008 1	0.007 9	0.007 9

表3

图11

参考文献 21

1	廖晓军，何莉萍，钟志华，等. 电池管理系统国内外现状及其未来发展趋势［J］. 汽车工程， 2006，28（10）： 961-964.
	LIAO X J， HE L P， ZHONG Z H， et al. A review of battery management system ［J］. Automotive Engineering， 2006，28（10）： 961-964.
2	SMITH K A， RAHN C D， WANG C Y. Model-based electrochemical estimation and constraint management for pulse operation of lithium ion batteries［J］. IEEE Transactions on Control Systems Technology， 2010，18（3）： 654-663.
3	GALEOTTI M， CINÀ L， GIAMMANCO C， et al. Performance analysis and SOH （state of health） evaluation of lithium polymer batteries through electrochemical impedance spectroscopy［J］. Energy， 2015，89： 678-686.
4	LI Y， CHEN J， LAN F. Enhanced online model identification and state of charge estimation for lithium-ion battery under noise corrupted measurements by bias compensation recursive least squares［J］. Journal of Power Sources， 2020，456： 227984.
5	LI Y， CHEN J， LIU W， et al. Online parameters and state of charge co-estimation of lithium-ion battery in varying temperature using joint extended kalman filter［J］. Journal of Physics. Conference Series， 2021，2026（1）： 12055.
6	SMITH K A， RAHN C D， WANG C Y. Model-based electrochemical estimation of lithium-ion batteries［C］.2008 IEEE International Conference on Control Applications， 2008.
7	YAZAMI R， REYNIER Y. Thermodynamics and crystal structure anomalies in lithium-intercalated graphite［J］. Journal of Power Sources， 2006，153（2）： 312-318.
8	SHEN S， SADOUGHI M， CHEN X， et al. A deep learning method for online capacity estimation of lithium-ion batteries［J］. Journal of Energy Storage， 2019，25： 100817.
9	HU C， JAIN G， ZHANG P， et al. Data-driven method based on particle swarm optimization and k-nearest neighbor regression for estimating capacity of lithium-ion battery［J］. Applied Energy， 2014，129： 49-55.
10	TIAN J， XIONG R， SHEN W， et al. Deep neural network battery charging curve prediction using 30 points collected in 10 min［J］. Joule， 2021，5（6）： 1521-1534.
11	李欢. 基于运行数据的异常电池诊断及实现［D］. 北京：北京交通大学， 2018.
	LI H. Abnormal battery diagnosis and implementation based on operating data ［D］. Beijing： Beijing Jiaotong University， 2018.
12	DING Y， LU C， MA J. Li-ion battery health estimation based on multi-layer characteristic fusion and deep learning［C］. IEEE， 2017.
13	胡杰，朱雪玲，何陈，等. 基于实车数据的电动汽车电池健康状态预测［J］. 汽车工程， 2021，43（9）： 1291-1299.
	HU J， ZHU X L， HE C， et al. Prediction on battery state of health of electric vehicles based on real vehicle data ［J］. Automotive Engineering， 2021，43（9）： 1291-1299.
14	李梦飞. 基于数据挖掘的电动汽车动力电池健康状态研究［D］. 上海：上海交通大学， 2018.
	LI M F. Research on state of health for electric vehicle power battery based on data mining ［D］. Shanghai： Shanghai Jiao Tong University， 2018.
15	肖迁，穆云飞，焦志鹏，等. 基于改进LightGBM的电动汽车电池剩余使用寿命在线预测［J］. 电工技术学报， 2022： 1-11.
	XIAO Q， MU Y F， JIAO Z P， et al. Improved LightGBM based remaining useful life prediction of lithium-ion battery under driving conditions ［J］. Transactions of China Electrotechnical Society， 2022： 1-11.
16	LI Y， ZOU C， BERECIBAR M， et al. Random forest regression for online capacity estimation of lithium-ion batteries［J］. Applied Energy， 2018，232： 197-210.
17	葛阳，郭兰中，牛曙光，等. 基于t-SNE和LSTM的旋转机械剩余寿命预测［J］. 振动与冲击， 2020，39（7）： 223-231.
	GE Y， GUO L Z， NIU S G， et al. Prediction of remaining useful life based on t-SNE and LSTM for rotating machinery ［J］. Journal of Vibration and Shock， 2020，39（7）： 223-231.
18	张康，黄亦翔，赵帅，等. 基于t-SNE数据驱动模型的盾构装备刀盘健康评估［J］. 机械工程学报， 2019，55（7）： 19-26.
	ZHANG K， HUANG Y X， ZHAO S， et al. Health assessment of shield equipment cutterhead based on t-SNE data-driven model ［J］. Journal of Mechanical Engineering， 2019，55（7）： 19-26.
19	简献忠，张博，王如志. 一种改进RAO算法与多核SVM的锂离子电池寿命预测模型［J］. 小型微型计算机系统， 2022-10-23： 1-7.
	JIAN X Z， ZHANG B， WANG R Z. Lithium-ion battery life prediction model based on multi-kernel SVM with an improved RAO algorithm ［J］. Journal of Chinese Computer Systems， 2022-10-23： 1-7.
20	LI Y， ABDEL-MONEM M， GOPALAKRISHNAN R， et al. A quick on-line state of health estimation method for Li-ion battery with incremental capacity curves processed by Gaussian filter［J］. Journal of Power Sources， 2018，373： 40-53.
21	WENG C， CUI Y， SUN J， et al. On-board state of health monitoring of lithium-ion batteries using incremental capacity analysis with support vector regression［J］. Journal of Power Sources， 2013，235： 36-44.

数据类型	数据字段	示例
时间信息	采集时间	2021-11-20 10：43：15
车辆状态信息	车辆状态	车辆熄火
车辆状态信息	充电状态	停车充电
电池状态信息	累计里程数/km	180
	总电压/V	391
	总电流/A	-78.9
	SOC/%	83

车辆	总数据量条数	提取有效充电片段数
车辆1	953 856	410
车辆2	1 273 475	372
车辆3	1 322 864	498
车辆4	1 167 902	292
车辆5	1 312 199	593
车辆6	1 382 929	360
车辆7	1 091 705	301
车辆8	795 178	446
车辆9	1 213 470	446
车辆10	2 076 624	744

[1]	李致远, 鲁锐华, 余庆华, 颜伏伍. 动力电池热失控特征及防控技术研究分析[J]. 汽车工程, 2024, 46(1): 139-150.
[2]	刘启全,马建,赵轩,张凯,孟德安,相里康. 基于值率模型的电动汽车动力电池电压异常检测[J]. 汽车工程, 2023, 45(9): 1728-1739.
[3]	李达,邓钧君,张照生,刘鹏,王震坡. 电动车辆动力电池安全预警策略研究综述[J]. 汽车工程, 2023, 45(8): 1392-1407.
[4]	廉玉波,吴恺,曾董,李松,王溥希. 基于整车平台的动力电池平台化研究[J]. 汽车工程, 2023, 45(5): 807-813.
[5]	兰凤崇,陈继开,陈吉清,蒋心平,李子涵,潘威. 实车数据驱动的锂电池剩余使用寿命预测方法研究[J]. 汽车工程, 2023, 45(2): 175-182.
[6]	崔格格,吕超,李景行,张哲雨,熊光明,龚建伟. 数据驱动的智能车个性化场景风险图构建[J]. 汽车工程, 2023, 45(2): 231-242.
[7]	兰凤崇,潘威,陈吉清. 基于Aseq2seq-PF的实车锂离子动力电池剩余使用寿命预测[J]. 汽车工程, 2023, 45(12): 2348-2356.
[8]	姜俊昭,杨文豪,彭彬,郭婷,徐业凯,王国卓. 基于能耗加权策略的燃料电池汽车续驶里程预测[J]. 汽车工程, 2023, 45(12): 2357-2365.
[9]	何智成,谢泽军,刘侃,周恩临,唐谦,黄元毅. 纯电动汽车传动系统-电机结构参数协同设计优化[J]. 汽车工程, 2023, 45(11): 2113-2122.
[10]	洪吉超,梁峰伟,杨海旭,李克瑞. 大数据驱动动力电池智能安全管理与控制方法研究[J]. 汽车工程, 2023, 45(10): 1845-1861.
[11]	廉玉波,凌和平,王钧斌,潘华,谢朝. 基于混合高斯-隐马尔可夫模型的动力电池实时热失控检测[J]. 汽车工程, 2023, 45(1): 139-146.
[12]	陈吉清,冼浩岚,兰凤崇. 均布模组式动力电池包热失控典型模式分析[J]. 汽车工程, 2022, 44(8): 1199-1211.
[13]	赵健,李雅欣,佟静,朱冰,武维祥,孙博华,韩嘉懿. 基于车辆动力学响应特征的越野地面分类方法[J]. 汽车工程, 2022, 44(6): 909-918.
[14]	黄晶,彭扬,黄烨,彭晓燕. 考虑噪声标签影响的驾驶员精神负荷状态评价[J]. 汽车工程, 2022, 44(5): 771-777.
[15]	曾祥兵,谢堃,张伟,徐俊超,张培根,孙正明. 新型动力电池热管理系统设计及性能研究[J]. 汽车工程, 2022, 44(4): 476-481.