基于多维度多尺度特征的锂离子电池RUL估计方法

doi:10.19562/j.chinasae.qcgc.2024.10.016

摘要/Abstract

摘要：

准确预测锂离子电池的剩余使用寿命（RUL）对储能系统的高效安全运行具有重要意义。针对已有数据驱动方法估计RUL中提取老化特征不够全面以及需要先预测健康状态变化再估计RUL的不足，本文提出一种利用多维度多尺度特征的RUL估计方法，采用恒流充电电压片段数据直接估计电池的RUL。该模型对数据进行维度变换后利用不同尺度卷积操作提取电压片段的老化特征来映射RUL。基于牛津大学、NASA、马里兰大学公开数据集进行模型验证，验证结果表明该模型能够利用电压片段数据直接估算电池的RUL，无需电池自身SOH变化作为训练数据，对比于基于单一维度的固定尺度的特征具有更高的准确性和通用性。

关键词: 锂离子电池, 剩余使用寿命, 多维度多尺度特征, 深度学习

Abstract:

Accurately predicting the remaining useful life （RUL） of lithium-ion batteries is important for the efficient and safe operation of energy storage systems. For the deficiencies of existing data-driven methods for RUL estimation， which extract aging features non-comprehensively enough and need to predict health state changes before estimating RUL， a RUL estimation method using multi-dimensional and multi-scale features is proposed in this paper to directly estimate the RUL of a battery using constant-current charging voltage segment data. The model maps RUL by extracting aging features of voltage segments using different scale convolution operation after dimensionally transforming the data. The model is validated using publicly available datasets from the University of Oxford， NASA， and the University of Maryland. The validation results show that the model can directly estimate the RUL of the batteries using the voltage segment data without the need of the current historical SOH of the batteries as the training data， which has higher accuracy and universality compared to fixed scale features based on a single dimension.

Key words: lithium-ion battery, remaining useful life, multi-dimensional and multi-scale features, deep learning

张秋艳,程泽,刘旭. 基于多维度多尺度特征的锂离子电池RUL估计方法[J]. 汽车工程, 2024, 46(10): 1897-1903.

Qiuyan Zhang,Ze Cheng,Xu Liu. RUL Estimation Method for Lithium-ion Batteries Based on Multi-dimensional and Multi-scale Features[J]. Automotive Engineering, 2024, 46(10): 1897-1903.

图/表 17

图1

图2

图3

图4

图5

图6

图7

图8

图9

图10

表1

图11

图12

表2

图13

图14

表3

参考文献 16

1	胡明辉，朱广曜，刘长贺，等. 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.
	HU M H， ZHU G Y， LIU C H， et al. Joint estimation of state of charge for lithium-ion battery with Kalman filtering and gated recurrent unit neural networks considering hysteresis characteristics［J］. Automotive Engineering， 2023， 45（9）： 1688-1701.
2	兰凤崇，陈继开，陈吉清，等. 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.
	LAN F C， CHEN J K， CHEN J Q， et al. Research on lithium battery remaining useful life prediction method driven by real vehicle data［J］. Automotive Engineering， 2023， 45（2）： 175-182.
3	LIANG J L， GAN Y H， YAO M L. Numerical analysis on the aging characteristics of a LiFePO4 battery： effect of active particle sizes in electrodes［J］. Journal of Energy Storage， 2023：107546.
4	ZHAO J H， ZHU Y， ZHANG B， et al. Review of state estimation and remaining useful life prediction methods for lithium-ion batteries［J］. Sustainability， 2023， 15（6）： 5014.
5	LIU C， WANG Y J， CHEN Z H. Degradation model and cycle life prediction for lithium-ion battery used in hybrid energy storage system［J］. Energy， 2019， 166： 796-806.
6	ZHANG X， MIAO Q， LIU Z W. Remaining useful life prediction of lithium-ion battery using an improved UPF method based on MCMC［J］. Microelectronics Reliability， 2017， 75： 288-295.
7	LIU Q Q， ZHANG J Y， LI K， et al. The remaining useful life prediction by using electrochemical model in the particle filter framework for lithium-ion batteries［J］. IEEE Access， 2020， 8： 126661-126670.
8	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）： 375.
9	LIU H H， LI Y M， LUO L J， et al. A lithium-Ion battery capacity and RUL prediction fusion method based on decomposition strategy and GRU［J］. Batteries-Basel， 2023， 9（6）： 323.
10	LI L Y， SONG Y C， PENG Y， et al. Lithium-ion battery remaining useful life prognostics using data-driven deep learning algorithm［C］. PHM-ChongQing， 2018： 1094-1100.
11	XIE Q L， LIU R C， HUANG J H， et al. Residual life prediction of lithium-ion batteries based on data preprocessing and a priori knowledge-assisted CNN-LSTM［J］. Energy， 2023， 281： 128232.
12	IOFFE S， SZEGEDY C. Batch normalization： accelerating deep network training by reducing internal covariate shift［C］. International Conference on Machine Learning （ICML）， 2015.
13	BIRKL C. Diagnosis and prognosis of degradation in lithium-ion batteries［Z］. Department of Engineering Science， University of Oxford， 2017.
14	Battery data set［Z］. NASA Ames Prognostics Data Repository， 2007.
15	HE W， WILLIARD N， OSTERMAN M， et al. Prognostics of lithium-ion batteries based on dempster-shafer theory and the bayesian monte carlo method［J］. Journal of Power Sources， 2011， 196（23）： 10314-10321.
16	KUGUNAVAR S， PRABHAKAR C J. Convolutional neural networks for the diagnosis and prognosis of the coronavirus disease pandemic［J］. Visual Computing for Industry Biomedicine and Art， 2021， 4（1）： 12.

电池	多维多尺度	二维固定	一维固定
Cell1	1.29	2.31	2.44
Cell8	1.15	2.29	2.48

[1]	耿兆杰,袁文静,黄荣,穆宝,王康康,梁晶晶. 锂离子软包电池漏液对电性能、安全性影响及大数据预警应用[J]. 汽车工程, 2024, 46(9): 1643-1653.
[2]	姚晗欣,王学远,袁永军,戴海峰,魏学哲. 基于电化学阻抗谱的电池组不一致性诊断[J]. 汽车工程, 2024, 46(7): 1167-1176.
[3]	陶乐,王海,蔡英凤,陈龙. 面向自动驾驶场景的多目标点云检测算法[J]. 汽车工程, 2024, 46(7): 1208-1218.
[4]	王海,张桂荣,罗彤,邱梦,蔡英凤,陈龙. 面向自动驾驶道路场景中异常案例的多模态数据挖掘算法[J]. 汽车工程, 2024, 46(7): 1239-1248.
[5]	杨志刚,李俣静,夏超,王梦佳,余磊. 基于LSTM-POD的汽车湍流尾迹的高时间分辨速度场重构[J]. 汽车工程, 2024, 46(7): 1302-1313.
[6]	叶涛,武建华,郑林锋,张宇鑫,洪朝锋. 正弦纹波电流对锂电池快充性能影响的研究[J]. 汽车工程, 2024, 46(6): 1034-1044.
[7]	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.
[8]	邝男男,胡帛涛,栗国,赵光磊,冯爽,许立坤. 电池模组热扩散精准建模及高效仿真研究[J]. 汽车工程, 2024, 46(4): 652-661.
[9]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	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.
[14]	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.
[15]	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.