采用粒子群优化和高斯回归实现电池SOH估计

doi:10.19562/j.chinasae.qcgc.2021.10.008

摘要/Abstract

摘要：

为准确估算锂离子电池非线性退化过程中的健康状态（SOH），提出融合自适应变异粒子群优化器和高斯过程回归的AMPSO?GPR算法。首先提取欧姆内阻增量和电压样本熵作为电池退化表征量，然后引入自适应变异粒子群（AMPSO）优化高斯过程回归（GPR）核函数的超参数，构建基于AMPSO?GPR的SOH估算框架，用提取的退化表征量实现SOH估算；最后，通过对比AMPSO?GPR采用不同核函数时SOH估算结果，得到最优核函数。实验结果表明，AMPSO?GPR算法可以有效地估算电池SOH，且最大估算误差不超过2.08%。

关键词: 锂离子电池, 健康状态, 高斯过程回归, 自适应变异粒子群优化器, 核函数

Abstract:

In order to accurately estimate the state of health （SOH） of lithium?ion battery in the process of nonlinear degradation， an AMPSO?GPR algorithm is proposed by the fusion of adaptive mutation particle swarm optimizer （AMPSO） with gaussian process regression （GPR）. Firstly， the increment of ohmic internal resistance and the sample entropy of voltage are extracted as degradation characterization indicators. Then AMPSO is introduced to optimize the hyperparameters of GPR kernel function， an SOH estimation framework based on AMPSO?GPR is constructed， and the degradation characterization indicators are extracted to perform SOH estimation. Finally， by comparing the results of SOH estimation using AMPSO?GPR with different kernel functions， the optimal kernel function is obtained. The results of experiment indicate that the AMPSO?GPR algorithm can effectively estimate the SOH of battery with a maximum absolute estimation error not more than 2.08%.

Key words: lithium?ion battery, state?of?health, gaussian process regression, adaptive mutation particle swarm optimizer, kernel functions

陈琳,刘博豪,丁云辉,吴淑孝,冯喆,潘海鸿. 采用粒子群优化和高斯回归实现电池SOH估计[J]. 汽车工程, 2021, 43(10): 1472-1478.

Lin Chen,Bohao Liu,Yunhui Ding,Shuxiao Wu,Zhe Feng,Haihong Pan. Estimation of Battery State⁃of⁃Health Using Particle Swarm Optimization with Gauss Process Regression[J]. Automotive Engineering, 2021, 43(10): 1472-1478.

图/表 7

图1

图2

表1

图3

表2

表3

表4

参考文献 19

1	安富强，赵洪量，程志，等. 纯电动车用锂离子电池发展现状与研究进展［J］. 工程科学学报， 2019， 41（1）： 22-42.
	AN F Q， ZHAO H L， CHENG Z， et al. Development status and research progress of power battery for pure electric vehicles［J］. Chinese Journal of Engineering2019， 41（1）： 22-42.
2	LIPU M S H， HANNAN M A， HUSSAIN A， et al. A review of state of health and remaining useful life estimation methods for lithium⁃ion battery in electric vehicles： challenges and recommendations［J］. Journal of Cleaner Production， 2018（205）： 115-133.
3	ZHANG S， GUO X， DOU X， et al. A rapid online calculation method for state of health of lithium⁃ion battery based on coulomb counting method and differential voltage analysis［J］. Journal of Power Sources， 2020， 479（11）：228740.
4	MATTEO G， LUCIO C， CORRADO G， et al. Performance analysis and SOH （state of health） evaluation of lithium polymer batteries through electrochemical impedance spectroscopy［J］. Energy， 2015， 89： 678-686.
5	MAWONOU K S R， EDDAHECH A， DUMUR D， et al. State⁃of⁃health estimators coupled to a random forest approach forlithium⁃ion battery aging factor ranking［J］. Journal of Power Sources， 2021（484）： 229154.
6	CHEN Z， SUN M， SHU X， et al. Online state of health estimation for lithium⁃Ion batteries based on support vector machine［J］. Applied Sciences， 2018， 8（6）： 925.
7	YOU G， PARK S， OH D，et al. Real⁃time state⁃of⁃health estimation for electric vehicle batteries： a data⁃driven approach［J］. Applied Energy， 2016（176）： 92-103.
8	曾镖，徐位君，谈宸. 基于VMD⁃GPR的锂离子电池健康状态预测研究［J］. 南方农机， 2021， 52（5）：185-187.
	ZENG B， XU W J， TAN C. Battery health state prediction based on VMD⁃GPR［J］. China Southern Agricultural Machinery， 2021， 52（5）：185-187.
9	杨胜杰，罗冰洋，王菁，等. 基于容量增量曲线峰值区间特征参数的锂离子电池健康状态估算［J］. 电工技术学报， 2021， 36（11）： 2277-2287.
	YANG S J， LUO B Y， WANG J， et al. State of health estimation for lithium⁃ion batteries based on peak region feature parameters of incremental capacity curve［J］. Transactions of China Electrotechnical Society， 2021， 36（11）： 2277-2287.
10	郑雪莹，邓晓刚，曹玉苹. 基于能量加权高斯过程回归的锂离子电池健康状态预测［J］. 电子测量与仪器学报， 2020， 34（6）： 63-69.
	ZHENG X Y， DENG X G， CAO Y P. State of health prediction of lithium⁃ion batteries based on energy⁃weighted Gaussian process regression［J］. Journal of Electronic Measurement and Instrumentation， 2020， 34（6）： 63-69.
11	DAVID C F， PAU M M， SANDRA O C. Classification of fever patterns using a single extracted entropy feature： a feasibility study based on Sample Entropy［J］. Mathematical Biosciences and Engineering， 2019， 17（1）：235-249.
12	陈琳，王惠民，李熠婧，等. 用新陈代谢极限学习机实现电池健康状态估算［J］. 汽车工程， 2021， 43（1）： 10-18.
	CHEN L， WANG H M， LI Y J， et al. Battery state⁃of⁃health estimation based on metabolic extreme learning machine［J］. Automotive Engineering， 2021， 43（1）： 10-18.
13	CAO M D， ZHANG T， YU B， et al. A method for interval prediction of satellite battery state of health based on sample entropy［J］. IEEE Access， 2019（7）： 141549-141561.
14	CHEN L， WANG H M ，LIU B， et al. Battery state⁃of⁃health estimation based on a metabolic extreme learning machine combining degradation state model and error compensation［J］. Energy， 2021，215： 119078.
15	谢文超，赵延明，方紫微，等. 带可变遗忘因子递推最小二乘法的超级电容模组等效模型参数辨识方法［J］. 电工技术学报， 2021， 36（5）： 996-1005.
	XIE W C， ZHAO Y M， FANG Z W， et al. Variable forgetting factor recursive least squales based parameter identification method for the equivalent circuit model of the supercapacitor cell module［J］. Transactions of China Electrotechnical Society， 2021， 36（5）： 996-1005.
16	PAN H H， LV Z Q， WANG H M， et al. Novel battery state⁃of⁃health online estimation method using multiple health indicators and an extreme learning machine［J］. Energy， 2018，160： 466-477.
17	吕振肃，侯志荣. 自适应变异的粒子群优化算法［J］. 电子学报， 2004（3）： 416-420.
	LV Z S， HOU Z R. Particle swarm optimization with adaptive mutation［J］. Acta Electronica Sinica， 2004（3）： 416-420.
18	韦海燕，安晶晶，陈静，等. 基于改进粒子滤波算法实现锂离子电池RUL预测［J］. 汽车工程， 2019， 41（12）： 1377-1383.
	WEI H Y， AN J J， CHEN J， et al. RUL prediction of lithium⁃ion batteries based on the improved particle filter［J］. Automotive Engineering， 2019， 41（12）： 1377-1383.
19	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 C R， XIAO F， FAN Y X， et al. An approach to lithium⁃ion battery SOH estimation based on convolutional neural network［J］. Transactions of China Electrotechnical Society， 2020， 35（19）： 4106-4119.

电池编号	特性测试		老化循环测试
电池编号	工况	测试温度/ °C	工况	温度/ °C
S17	容量测试/NEDC	25	UDDS+脉冲放电	45
S30	容量测试/NEDC	35	脉冲放电	35
S42/43	容量测试 NEDC/UDDS/JP1015	10/25/40	NEDC+UDDS+J1015	45

核函数	最大绝对误差/%	平均绝对误差/%	均方根误差/%
SE核	3.23	0.70	0.979 3
Matern核	1.32	0.27	0.367 4
RQ核	2.20	0.52	0.712 5
LIN核	3.24	0.72	1.002 1

方法	最大绝对误差/%	平均绝对误差/%	均方根误差/%
AMPSO?GPR	1.32	0.27	0.367 4
GPR	2.14	0.36	0.508 5
BPNN	2.36	0.72	5.163 1
SVM	2.35	1.18	8.095 4

测试编号	训练数据源	测试数据源	最大绝对误差/%	平均绝对误差/%	均方根误差/%
第1组	S42@10 ℃ NEDC	S43@10 ℃ NEDC	1.34	0.41	0.523 7
第2组	S43@10 ℃ NEDC	S42@10 ℃ NEDC	1.38	0.39	0.475 1
第3组	S42@25 ℃ UDDS	S43@25 ℃ JP1015	1.32	0.27	0.367 4
第4组	S43@25 ℃ UDDS	S42@25 ℃ JP1015	1.65	0.46	0.638 1
第5组	S42@40 ℃ NEDC	S43@40 ℃ UDDS	1.79	0.40	0.564 0
第6组	S43@40 ℃ NEDC	S42@40 ℃ UDDS	1.54	0.35	0.496 8
第7组	S17@25 ℃ NEDC	S30@35 ℃ NEDC	2.08	0.47	0.640 9
第8组	S30@35 ℃ NEDC	S17@25 ℃ NEDC	1.87	0.53	0.696 9

[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.