基于相似性优化模型样本的实车锂电池健康状态分析

doi:10.19562/j.chinasae.qcgc.2024.03.013

摘要/Abstract

摘要：

为更好地解决电动汽车动力电池健康状态（SOH）在线估计问题，减少实车采集数据中的冗余样本，改善运行工况不稳定导致的特征丢失，提升实车电池SOH估计的精度，提出一种基于增量容量分析方法（ICA）提取特征和动态时间规整（DTW）优化特征样本的SOH估计方法。首先对实车电池充电循环数据应用增量容量分析提取电池IC曲线，以曲线峰高度等形状特征作为健康因子。采用动态时间规整作相似性判据，基于IC曲线形状计算电池充电循环样本的相似度，保留与基准充电循环相似的充电循环数据，优化训练样本，最后采用全连接神经网络（MLP）模型进行SOH估计。以实车运行电池数据进行对比实验，结果表明该方法可明显改善训练样本质量，提升电池SOH估计精度。

关键词: 锂离子电池, 健康状态估计, 容量估计, 相似样本

Abstract:

In order to better solve the online estimation problem of electric vehicle power battery health state （SOH）， reduce redundant samples in real-vehicle data collection， improve feature loss caused by unstable operating conditions， and enhance the accuracy of SOH estimation of real-vehicle batteries， a SOH estimation method based on incremental capacity analysis （ICA） method to extract features and dynamic time regularization （DTW） to optimize feature samples is proposed. Firstly， incremental capacity analysis is applied to extract the battery IC curve from the real battery charging cycle data， and shape features such as curve peak height are used as health factors. Then， dynamic time regularization is used as the similarity criterion to calculate the similarity of the battery charge cycle samples based on the IC curve shape， and the charge cycle data similar to the baseline charge cycle is retained to optimize the training samples. Finally， the fully connected neural network （MLP） model is used for SOH estimation. Comparative tests are conducted with real vehicle running battery data， and the results show that the method can significantly improve the training sample quality and enhance the battery SOH estimation accuracy.

Key words: lithium-ion battery, state-of-health estimation, capacity estimation, similar samples

刘万里,李子涵,梁宏毅,陈吉清,莫丙达. 基于相似性优化模型样本的实车锂电池健康状态分析[J]. 汽车工程, 2024, 46(3): 489-497.

Wanli Liu,Zihan Li,Hongyi Liang,Jiqing Chen,Bingda Mo. Real Vehicle Battery Health State Estimation Based on Similarity Optimization Model Samples[J]. Automotive Engineering, 2024, 46(3): 489-497.

图/表 13

图1

图2

图3

图4

图5

图6

图7

表1

不同优化样本阈值对应的估计结果"

车辆	样本优化阈值	可用样本数量	LR $R 2$	MLP $R 2$
车辆01	初始样本	561	0.784	0.769
	DTW<10	551	0.785	0.734
	DTW<8	526	0.785	0.871
	DTW<6	503	0.785	0.811
	DTW<4	446	0.785	0.793
	DTW<2	261	0.786	0.729
车辆02	初始样本	1 130	0.448	0.609
	DTW<10	1 075	0.500	0.711
	DTW<8	1 058	0.447	0.795
	DTW<6	1 027	0.550	0.801
	DTW<4	977	0.556	0.735
	DTW<2	833	0.563	0.779
车辆03	初始样本	677	0.750	0.713
	DTW<10	623	0.753	0.724
	DTW<8	587	0.754	0.801
	DTW<6	515	0.757	0.833
	DTW<4	375	0.757	0.791
	DTW<2	168	0.760	0.761

表1

图8

表2

车辆01的相似性度量标准对比"

评估

指标

原始

样本

欧式

距离

余弦

相似度

Fre

距离

DTW

MAE/%

0.426

0.404

0.432

0.345

0.254

MSE/%

0.241

0.268

0.307

0.197

0.170

R 2

0.747

0.697

0.653

0.778

0.846

表2

表3

车辆02的相似性度量标准对比"

评估

指标

原始

样本

欧式

距离

余弦

相似度

Fre

距离

DTW

MAE/%

0.196

0.231

0.224

0.197

0.165

MSE/%

0.071

0.090

0.085

0.066

0.046

R 2

0.696

0.609

0.632

0.713

0.801

表3

表4

车辆03的相似性度量标准对比"

评估

指标

原始

样本

欧式

距离

余弦

相似度

Fre

距离

DTW

MAE/%

0.224

0.255

0.311

0.176

0.158

MSE/%

0.078

0.096

0.125

0.054

0.045

R 2

0.769

0.732

0.646

0.849

0.871

表4

表5

车辆04的相似性度量标准对比"

评估

指标

原始

样本

欧式

距离

余弦

相似度

Fre

距离

DTW

MAE/%

0.418

0.453

0.423

0.368

0.294

MSE/%

0.282

0.286

0.258

0.210

0.173

R 2

0.713

0.666

0.699

0.755

0.833

表5

参考文献 19

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	王震坡，王秋诗，刘鹏，等.大数据驱动的动力电池健康状态估计方法综述［J］. 机械工程学报， 2023， 59（2）： 151-168.
	WANG Z P， WANG Q S， LIU P， et al. Review on techniques for power battery state of health estimation driven by big data methods ［J］. Journal of Mechanical Engineering， 2023， 59（2）： 151-168.
3	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.
4	THELE M， BOHLEN O， SAUER D U， et al. Development of a voltage-behavior model for NiMH batteries using an impedance-based modeling concept［J］. Journal of Power Sources， 2008，175（1）： 635-643.
5	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.
6	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.
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	HU C， JAIN G， SCHMIDT C， et al. Online estimation of lithium-ion battery capacity using sparse Bayesian learning［J］. Journal of Power Sources， 2015，289： 105-113.
9	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.
10	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.
11	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.
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	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.
14	张颖超. 基于相似曲线簇和GBRT方法的超短期风电功率预测［J］. 华北电力大学学报（自然科学版）， 2018，45（6）：15-20.
	ZHANG Y C. Similar curve cluster and gbrt method-based ultra-short-term wind power prediction ［J］. Journal of North China Electric Power University（Natural Science Edition）， 2018，45（6）：15-20.
15	温涛. 锂离子电池内短路故障电热特性等效实验及诊断方法研究［D］. 哈尔滨：哈尔滨理工大学， 2022.
	WEN T. Research on equivalent experiment and diagnosis method of electrothermal characteristics of lithium-ion battery internal short circuit fault ［D］. Harbin： Harbin University of Science and Technology， 2022.
16	李海林，张丽萍. 时间序列数据挖掘中的聚类研究综述［J］. 电子科技大学学报， 2022，51（3）： 416-424.
	LI H L， ZHANG L P. Summary of clustering research in time series data mining ［J］. Journal of University of Electronic Science and Technology of China， 2022，51（3）： 416-424.
17	谭章禄，袁慧，王福浩.基于DWT的相似性搜索算法［J］.统计与信息论坛， 2023， 38（1）： 3-15.
	TAN Z L， YUAN H， WANG F H. Similarity search algorithm based on DWT ［J］. Journal of Statistics and Information， 2023， 38（1）： 3-15.
18	叶科淮，陈志，王仁杰，等. 动态时间规整算法优化［J］. 软件导刊， 2021，20（1）： 132-135.
	YE K H， CHEN Z， WANG R J， et al. Optimization of dynamic time warping algorithm ［J］. Software Guides， 2021，20（1）： 132-135.
19	QU J， LIU F， MA Y，et al.A neural-network-based method for RUL prediction and SOH monitoring of lithium-ion battery［J］. IEEE Access， 2019，7：87178-87191.

[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.