第一作者：Valentin Steininger
通讯作者：Valentin Steininger, Weihan Li
通讯单位：德国亚琛工业大学, 德国宝马集团
【研究背景】
锂离子电池的实车数据对于实际应用中的电池老化诊断具有十分重要的意义。然而，对比精准标注的实验室数据，实车数据具有更加复杂的数据结构且电池管理系统的软件升级进一步增加了实车数据的噪声与复杂性，从而导致实车数据的有效特征提取难以实现。通过对不同的特征提取方法进行详细的分析与研究，提出了一种智能老化特征提取框架以减少实车数据质量对老化诊断的影响。本研究利用精确标注的实验室老化数据以及超过600,000名实际用户的的真实驾驶数据，以促进实际应用中锂离子电池的老化诊断。通过对实车数据的统计数据进行功能拟合，有效地降低了不完整数据结构带来的影响。并通过与目前最先进的特征提取技术进行比较，验证了本研究提出的智能特征提取方法。对比结果表明，基于所提方法的电池老化诊断准确率至少提高了57%。
【工作简介】
近日，德国亚琛工业大学Weihan Li团队联合德国宝马集团团队提出了一种智能老化特征提取方法以整合利用实车数据与实验室数据进行锂离子电池的老化诊断。在这项工作中，提出了一种可应用于实车数据的智能特征提取框架，实现了直接从实车电池管理系统 (BMS) 格式数据中自动化的老化特征提取。所提框架在基于正弦相关性方法的基础上，引入了双源相关性和元素函数拟合算法以基于精准标注的实验室数据计算可靠的老化特征相关系数，并进一步基于计算结果进行老化特征的选择。进一步，基于实验室数据的相关系数计算结果进行实车数据相关矩阵的共线特征映射以减少特征集中冗余。实验验证采用了实际BMS数据格式的实车数据集，数据集包含来自总计600,000名实际客户的BMS数据与具有相同电池化学成分电池的实验室老化测试数据。对比已有的电池特征提取方法，本研究为第一项将实验室数据与实车数据结合以增强电池老化诊断结果的工作。
【内容表述】
在这项工作中，充分分分析了来自总计600,000名客户的实际电动车数据，对其电池数据进行充分地老化特征分析的同时评估了不同BMS软件算法之间的差异。48 V的锂离子电池模组因其优异的性能而广泛应用于实际电动车中，其由20块额定电压为2.4 V、材料体系为NMC/LTO、额定容量为10 Ah的高功率电池串联而成。对比电动汽车上应用的锂离子电池，该电池充放电倍率高、循环寿命长但放电深度 (depth of discharge, DoD) 较低。电动车电池系统的BMS控制包含数据采集、状态估计、充放电控制和均衡控制等。考虑到长时间的数据采集量较大，因此利用数据压缩技术以减少其所需数据储存内存。数据集包含自2020年7月起始的890万个可读数据，采集的数据主要包含汇总数据以减少数据存储所需内存并记录完整全寿命区间内的电池数据。
图1A为不同气候条件与BMS软件版本下采集到的电池数据的等效全周期平均健康状态 (state of health, SOH) 值，不同BMS软件版本与其板载老化模型的特定配置相对应。从图1 A可以观察到计算得到的平均SOH退化曲线表现出较强的震荡，主要是由于电动车采样时间不均匀而导致的。当相应的时间步长无较低SOH值车辆读出，平均SOH则会相应的增加。在低温环境下，软件4 (software 4, SW 4) 计算得到的电池退化相较于其他软件版本较慢，在常温环境下，SW 1估计的电池老化速度更快。在图1右侧的高温环境下，不同软件版本估计的SOH一致性较好。实车数据中不一致的SOH结果是的基于数据驱动方法进行老化特征的分析是不现实的。图1B为不同环境温度下电动车的老化分布。图1D则显示了不同老化状态下电动车在不同温度下的充电电量。为了准确评估不同软件版本的SOH估计结果，需利用实验室加速老化测试的精确标注标签提供参考值。
图1 三种温度区间下的实车数据集: 左-低温; 中-常温; 右-高温; (a) 不同BMS软件版本下采集到的实车数据SOH平均值与95%置信区间; (b) 实际电动车老化分布; (c) 不同老化状态电动车SOC分布; (d) 不同老化状态电动车充电温度分布。
实验室条件下的电池单体老化数据如图2所示。在日历老化与循环老化实验中，分别每隔30天与500次等效完整循环后在25 °C下进行一次特性测试。特性测试包含25 °C下的容量测试与内阻测试。容量测试基于1 C的恒定电流对满充的电池进行放电，并基于放电电流总和计算得到当前电池容量SOHC。内阻测试则基于2 C、5 C、10 C、20 C与25 C的瞬时电流进行脉冲测试，并基于2 C倍率下的脉冲测试数据计算得到当前电池内阻SOHR。基于120-550天的日历老化测试与7,500-23,000等效完整循环的循环老化测试，最终获得了共450个准确标注的SOHC与SOHR标签。图2A展示了实验室测试的特性测试工况电压曲线。同时，为了增加实验室测试老化标签的数量，对相邻特性测试标签之间进行了精确的线性插值。
图2 (B, C) 分别展示了不同测试条件下测试单体电池的日历老化曲线与循环老化曲线。在两种老化实验测试下，高温测试环境均导致了更快的电池老化。此外，基于较高的荷电状态 (state of charge, SOC) 进行日历老化测试将加速电池单体的老化。实验室测试数据具有精确的时间序列数据与相对应的老化标签。然而，实车数据则包含了实际用户不同的使用习惯。
图2 实验室条件下电池单体老化测试数据: (a) 单体电池的特性测试工况, 基于1 C放电标定容量, 基于2 C脉冲放电决定内阻; (b) 不同测试条件下的电池日历老化曲线; (c) 不同测试条件下的电池循环老化曲线。
图3展示了实车数据与实验室数据的SOH分布、不同温度下的充电量分布与不同SOC下的时间分布。其中，实线代表了数据集的平均值，颜色填充区域表示50%的数据所在范围。实车数据的SOH更优是由于数据集包含了大量采集于新电动车的数据。作为对比，使用时间超过3年的电动车表现出明显的SOH退化，其分布峰值为85%。然而，对比实验室循环老化数据，实车数据的充电量分布仍然较低。因此，在实际应用的电动车中，日历老化是主要的电池退化原因。
图3 实车与实验室数据的SOH与筛选历史特征分布: 实车数据与实验室日历老化测试数据。(a) SOH分布 (b) 不同温度下的充电量分布 (c) 不同SOC下的时间分布; 实车数据与实验室循环老化测试数据 (d) SOH分布 (e) 不同温度下的充电量分布 (f) 不同SOC下的时间分布。
图4展示了所提出的智能老化特征提取框架。为了充分利用实车数据与实验室数据各自的优势，本研究采用了大量的实验室精确标注老化数据与来自600,000个实际用户的实车数据集。为充分利用两种数据，首先对实验室数据进行了数据格式转换。随后，对数据集进行了数据加强以改善因数据压缩导致的信息损失。最后，基于实验室数据的老化相关性分析对老化特征进行了提取，同时基于实车数据的相关性分析减少了其输入信息的冗余。
图4 特征提取框架图。
基于提出的老化特征提取框架，进一步利用实车与实验室老化数据构建并训练了一个由三层隐含层组成的基础全连接神经网络以验证所提框架的有效性。并利用基础相关性滤波器对老化特征进行筛选以作为所提方法的对照组。全连接网络的训练数据为80%的实验室测试数据，利用Adam算法对其进行训练，最大训练次数为1000，恒定学习率为10-3。进一步，训练过程中当验证损失连续15次训练没有增加时将提前终止网络的训练，以防止过拟合。对于每一种老化特征提取方法分别训练5次并基于测试结果的MSE筛选出最优和最差的案例。图5分别展示了基于基础滤波器与改进滤波器结合利用历史变量或拟合参数的老化诊断结果。
在图5 (A, C) 展示的结果中，所有方法在低SOH阶段额误差均较小，这是由于低SOH的数据量较少。基于拟合参数的老化诊断结果明显优于直接基于历史变量进行老化诊断，分别在基于基础滤波器与改进滤波器的最优的案例中表现出60%与20%的提升。然而，基于基础滤波器与拟合参数的最差案例的老化诊断结果较差，表明了该模型对其初始参数更为敏感。对比基础滤波器，基于改进滤波器与拟合参数的老化诊断结果MSE提高了46%。基于改进滤波器筛选的增强特征在最优与最差案例中均表现出较好的老化诊断结果。
图5 特征提取框架验证结果-5次单独训练得到的最佳与最差MSEs结果：(a) 基于基础相关性滤波器与历史变量的网络估计结果；(b) 基于基础相关性滤波器与拟合参数的网络估计结果; (c-f) 基于改进相关性滤波器与历史变量的网络估计结果; (d) 基于改进相关性滤波器与拟合参数的网络估计结果。
【总结与展望】
在这项工作中，提出了一种可应用于实车数据的智能特征提取方法，实现了智能化地实车数据老化特征提取。所提框架可以有效地整合利用实车数据与实验室数据的优势。在充分利用了实验室测试条件下精确标注的锂离子电池老化数据的同时，基于600,000名实际客户的电动车BMS数据对实际应用下的特征进行了提取。因此，所提框架可以有效地利用实验室数据进行老化特征的筛选，并基于实车数据对实际客户的使用行为进行相关性分析以聚类相似特征并减少输入信息的冗余。为了整合两种电池数据，将实验室测试数据的时间序列转换为实车BMS的数据格式。所提智能老化特征方法提取框架的核心是结合PLS方法的特征分组函数，以压缩与电池老化相关特征的统计本质。值得注意的是，对比初始特征，利用PLS方法压缩后的特征的老化相关性得到了明显地提高。进一步，提出了一种新颖的数据增强策略，并通过pV函数以精确表征直方图变量的真实数据分布。对比传统地相关性滤波，基于所提框架地模型精确度提高了57%。以实际客户需求为导向的实车数据分析将愈发重要，所提框架不仅可以有效地利用复杂的实车数据，而且可以有效地对精确标注的实验室数据与实车数据进行有效地整合以促进锂离子电池的老化诊断。
Steininger, Valentin., Rumpf, Katharina., Husson, Peter., Li, W., Sauer, D. U., Automated feature extraction to integrate field and laboratory data for aging diagnosis of automotive lithium-ion batteries. Cell Reports Physical Science 2023; 4(10): 101596.
https://doi.org/10.1016/j.xcrp.2023.101596.
来源：能源学人
注：本站转载的文章大部分收集于互联网，文章版权归原作者及原出处所有。文中观点仅供分享交流，如涉及版权等问题，请您告知，我将及时处理。
版权声明：本文由艺术留学网整理发布，如需转载请注明出处。