融合K-means聚类和序列分解的实车锂电池剩余使用寿命预测

doi:10.19562/j.chinasae.qcgc.2024.04.009

摘要/Abstract

摘要：

电动汽车锂离子动力电池健康状态（SOH）衰退过程受使用工况影响存在较多波动，导致模型预测精度下降，在锂电池剩余使用寿命（RUL）短期预测时，SOH波动情况不可忽略，为了准确预测SOH短期内波动情况，须从实车上传的锂电池运行数据中提取有效的健康因子。本文建立一种联合分布特征输入和序列分解融合的锂电池RUL预测方法，使用K-means聚类方法构建车辆锂电池运行过程的联合分布特征，并通过S-G滤波器对SOH衰退曲线进行序列分解，分别使用长短时记忆神经网络（LSTM）和多层感知机（MLP）对趋势部分和波动部分进行预测，融合得到最终预测结果。理论分析和实车采集数据验证表明，融合模型可以在预测车辆锂电池RUL短期衰退趋势的同时预测SOH的波动情况，有较高的短期预测精度。

关键词: 锂离子动力电池, 剩余使用寿命预测, 数据驱动, 深度学习

Abstract:

Influenced by the usage conditions， the state of health （SOH） declining process of lithium-ion power battery of electric vehicles has a lot of fluctuations， which leads to the decrease of model prediction accuracy. In the short-term prediction of the remaining useful life （RUL） of lithium-ion batteries， the SOH fluctuations cannot be ignored， and in order to accurately predict the SOH fluctuations in the short term， effective health indicators need to be extracted from the lithium-ion battery operation data transmitted from real vehicles. A joint distribution feature input and sequence decomposition fusion method for lithium-ion battery RUL prediction is established， using K-means clustering method to construct joint distribution features of vehicle lithium-ion battery operation process， and using S-G filter for sequence decomposition of SOH decline curve. Long-short term memory neural network （LSTM） and multilayer perceptron （MLP） is used respectively for trend part and fluctuation part. The final prediction results are obtained by fusion. The theoretical analysis and the validation of the real vehicle collection data show that the fusion model can predict the short-term decline trend of the vehicle lithium-ion battery RUL while predicting the fluctuation of SOH， and has a high short-term prediction accuracy.

Key words: lithium-ion power battery, remaining useful life prediction, data driven, deep learning

梁弘毅,陈继开,刘万里,兰凤崇,莫丙达,陈吉清. 融合K-means聚类和序列分解的实车锂电池剩余使用寿命预测[J]. 汽车工程, 2024, 46(4): 634-642.

Hongyi Liang,Jikai Chen,Wanli Liu,Fengchong Lan,Bingda Mo,Jiqing Chen. Prediction of the Remaining Useful Life of Real Vehicle Lithium Batteries by Fusion of K-means Clustering and Sequence Decomposition[J]. Automotive Engineering, 2024, 46(4): 634-642.

图/表 8

图1

图 2

图3

图4

图5

图6

表1

图7

参考文献 19

1	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.
	CHEN J Q， XIAN H L， LAN F C. Analysis on typical modes of thermal runaway in power battery pack with uniformly distributed modules［J］. Automotive Engineering，2022， 44（8）： 1199-1211.
2	李志杰，陈吉清，兰凤崇，等. 车用锂电池PP隔膜机械失效导致内部微短路的机理研究［J］. 汽车工程， 2020， 42（4）： 454-461，483.
	LI Z J， CHEN J Q， LAN F C， et al. Study on mechanism of internal micro-short circuit in EV Li-ion battery caused by mechanical failure of PP separator［J］. Automotive Engineering，2020， 42（4）： 454-461，483.
3	张若可，郭永芳，余湘媛，等. 基于数据驱动的锂离子电池RUL预测综述［J］. 电源学报，2023，21（5）182-190.
	ZHANG R K， GUO Y F， YU X Y， et al. A review of RUL prediction for lithium-ion battery based on data-driven［J］. Journal of Power Supply，2023，21（5）182-190.
4	李向南. 基于神经网络模型的锂离子电池寿命预测研究［D］.成都：电子科技大学， 2019.
	LI X N. Research on prediction of lithium-ion battery life based on neural network model［D］. Chengdu： University of Electronic Science and Technology of China，2019.
5	PARK K， CHOI Y， CHOI W J， et al. LSTM-based battery remaining useful life prediction with multi-channel charging profiles ［J］. IEEE Access， 2020， 8： 20786-20798.
6	LI P， ZHANG Z， XIONG Q， et al. State-of-health estimation and remaining useful life prediction for the lithium-ion battery based on a variant long short term memory neural network ［J］. Journal of Power Sources， 2020， 459： 228069.
7	QIAO J， LIU X， CHEN Z. Prediction of the remaining useful life of lithium-ion batteries based on empirical mode decomposition and deep neural networks ［J］. IEEE Access， 2020， 8： 42760-42767.
8	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 T Z， YU J B. 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.
9	HU C， JAIN G， ZHANG P Q， 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	薛撬. 动力锂离子电池剩余寿命预测与故障诊断研究［D］. 昆明：昆明理工大学， 2021.
	XUE Q. The research on remaining useful life prediction and faults diagnosis of power lithium-ion battery［D］. Kunming： Kunming University of Science and Technology，2021.
11	JIA J F， LIANG J Y， SHI Y H， et al. SOH and RUL prediction of lithium-ion batteries based on gaussian process regression with indirect health indicators ［J］. Energies， 2020， 13（2）.
12	电动汽车远程服务与管理系统技术规范第3部分：通信协议及数据格式： GB/T 32960.3—2016［S］.2016.
	Technical specifications of remote service and management system for electric vehicles—part 3： communication protocol and data format： GB/T 32960.3—2016［S］.2016.
13	HOCHREITER S， SCHMIDHUBER J. Long short-term memory ［J］. Neural Computation， 1997， 9（8）： 1735-1780.
14	BOUCHER M A， QUILTY J， ADAMOWSKI J. Data assimilation for streamflow forecasting using extreme learning machines and multilayer perceptrons ［J］. Water Resources Research， 2020， 56（6）.
15	王千，王成，冯振元，等. K-means聚类算法研究综述［J］. 电子设计工程， 2012， 20（7）： 21-24.
	WANG Q， WANG C，FENG Z Y， et al. Review of K-means clustering algorithm ［J］. Electronic Design Engineering， 2012， 20（7）： 21-24.
16	GORRY， PETER A. General least-squares smoothing and differentiation by the convolution （Savitzky-Golay） method ［J］. Analytical Chemistry， 1990， 62（6）： 570-573.
17	胡杰，何陈，朱雪玲，等. 基于实车数据的电动汽车电池剩余使用寿命预测［J］. 交通运输系统工程与信息， 2022， 22（1）： 292-300.
	HU J， HE C， ZHU X L， et al. Predicting remaining useful life of electric vehicle battery based on real vehicle data ［J］. Journal of Transportation Systems Engineering and Information Technology， 2022， 22（1）： 292-300.
18	YOU G W， 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.
19	肖白，高文瑞，李道明，等.基于3 σ -CEEMDAN-LSTM的空间负荷预测方法［J］.电力自动化设备，2023，43（3）：159-165.
	XIAO B， GAO W R， LI D M， et al. Spatial load forecasting method based on 3 σ -CEEMDAN-LSTM ［J］.Electric Power Automation Equipment， 2023，43（3）：159-165.

模型	车辆	RMSE	MAPE/%
S_LSTM	车辆1	2.94	2.44
	车辆2	2.05	1.74
	车辆3	2.66	2.53
	车辆4	3.89	3.42
M_LSTM	车辆1	2.71	2.38
	车辆2	1.86	1.79
	车辆3	2.61	2.28
	车辆4	3.46	2.58
M_MLP	车辆1	3.03	2.77
	车辆2	3.52	2.90
	车辆3	3.39	2.72
	车辆4	2.74	2.33
融合模型	车辆1	2.58	2.20
	车辆2	1.29	1.18
	车辆3	1.39	1.15
	车辆4	1.91	1.79

[1]	吕辉,张家明,黄晓婷,上官文斌. 基于概率模型和数据驱动的动力总成悬置系统可靠性优化[J]. 汽车工程, 2024, 46(3): 456-463.
[2]	高泽, 楚遵康, 石稼晟, 林滏, 饶卫雄, 余海燕. 基于图网络的汽车零部件应力场快速预测方法研究[J]. 汽车工程, 2024, 46(1): 170-178.
[3]	刘卫国,项志宇,刘锐,李国栋,王子旭. 基于深度学习的端到端车辆运动规划方法研究[J]. 汽车工程, 2023, 45(8): 1343-1352.
[4]	赵嘉豪,齐志权,齐智峰,王皓,何磊. 基于轮胎特征点的并行大型车辆朝向角计算[J]. 汽车工程, 2023, 45(6): 1031-1039.
[5]	陈妍妍,王海,蔡英凤,陈龙,李祎承. 基于检测的高效自动驾驶实例分割方法[J]. 汽车工程, 2023, 45(4): 541-550.
[6]	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.
[7]	李琳辉,张鑫亮,付一帆,连静,马家旭. 基于TC-YOLOv7算法的可见光与红外后融合检测研究[J]. 汽车工程, 2023, 45(12): 2280-2290.
[8]	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.
[9]	张小俊,奚敬哲,史延雷,袁安录. 面向路侧视角目标检测的轻量级YOLOv7-R算法[J]. 汽车工程, 2023, 45(10): 1833-1844.
[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]	胡杰,李源洁,耿號,耿黄政,郭雄,易红卫. 基于深度学习的汽车故障知识图谱构建[J]. 汽车工程, 2023, 45(1): 52-60.
[12]	胡杰,徐博远,熊宗权,昌敏杰,郭迪,谢礼浩. 基于多尺度掩码分类域自适应网络的跨域目标检测算法[J]. 汽车工程, 2022, 44(9): 1327-1338.
[13]	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.
[14]	王大方,杜京东,曹江,张梅,赵刚. 面向自动驾驶数据生成的风格迁移网络研究[J]. 汽车工程, 2022, 44(5): 684-690.
[15]	江浩斌,冯张棋,洪阳珂,韦奇志,皮健. 应用于车辆纵向控制的无模型自适应滑模预测控制方法[J]. 汽车工程, 2022, 44(3): 319-329.