基于自动编码器的锂离子电池状态评估方法.pdfVIP

第45 卷 第24 期 2021 年12 月25 日 Vol.45No.24 Dec.25，2021 DOI：10.7500/AEPS20210305007 基于自动编码器的锂离子电池状态评估方法 韩云飞，谢 佳，蔡 涛，段善旭，程时杰 （强电磁工程与新技术国家重点实验室（华中科技大学），湖北省武汉市 430074） 摘要：准确的电池状态估计对于确保电池储能系统的安全可靠运行至关重要。电池的健康状态 （SOH）虽然能反映电池的老化状态，但SOH估计模型的建立受到实际标签数据难以获得或是测 试代价高昂的限制。文中基于无监督机器学习模型，建立了一种新的健康指标对电池进行状态评 估。首先，从电池的电压-放电容量曲线选择特征，根据锂离子电池的老化机制将电池状态划分为 健康和异常，使用健康的数据对基于卷积神经网络的自动编码器模型进行训练，根据自动编码器的 输入、输出计算重构误差，最后将重构误差输入逻辑回归模型对电池状态进行判别。在开源的 MIT-Stanford数据集上进行实验，验证了所提方法的有效性。 关键词：锂离子电池；状态评估；深度学习；卷积神经网络；自动编码器 0 引言 上解释电池的老化，但均需要特殊的测试条件，难以 在线应用。文献［12-14］采用深度学习技术，从电池 近年来，在国家和地方政府的推动下，电池储能 ［1］ 的电压、电流、温度等原始参数中提取电池的老化信 系统建设规模不断扩大 。锂离子电池因为具有循 息。虽然深层神经网络具有从原始数据中提取深层 环稳定、比能量/比功率高等优点，在电池储能系统 ［2］ 特征的能力，但多维的原始数据需要更大的网络去 上得到广泛应用 。在线评估电池的状态对于确保 拟合。由统计学习算法实现的人工智能可以从人类 电池的安全性和可靠性至关重要。其中健康状态 ［15］ 的监督中获益 ，即根据人类领域知识的初步特征 （SOH）是评估电池老化状态的指标之一，一般认为 选择可以提升机器学习算法的性能。因此，本文结 SOH为电池当前最大可用容量与初始额定容量的 ［3］ 合特征选择与机器学习模型进行电池的状态评估。 比值 。准确的SOH估计对于指导电池储能系统 上述电池的SOH估计方法均为监督式模型，即 的安全可靠运行具有重要意义。 训练数据需要有对应的真实值标签。而在实际应用 锂离子电池的状态估计方法主要分为基于模型 ［4］ 中电池的可用容量受到充放电倍率、温度等影 的方法和数据驱动方法 。基于模型的方法从老化 ［16］ ［5-6］ 响 ，电池理论上的当前最大可用容量需要在实验 机理出发对电池进行建模，例如P2D模型 。基于 ［7］ 室进行测试，这给建立监督机器学习模型造成了阻 模型的方法具有较高的精度 ，然而建立模型需要 碍。文献［17］对基于深度学习的异常检测方法进行 求解复杂的偏微分方程，使