基于数据驱动的电池组 SOH估算方法概述

基于数据驱动的电池组 SOH估算方法概述

井然

天津市捷威动力工业有限公司 天津市 300380

摘要：数据驱动作为电池组SOH估算的方法之一，具有不依赖数学模型、物理原理，通过预测方法分析试验数据物理量之间的特征与关系实现数据预测的特点。目前用在电池组SOH的预测方法主要有：支持向量机、人工神经网络、高斯回归、相关向量机。本文主要分析这4种方法在电池组SOH预测方面的特点。最后介绍使用数据驱动方法来预测电池组SOH的应用前景。

关键字：锂电池 SOH 数据驱动

电池组的SOH是衡量电池组使用效果的重要评价标准之一，其预测方法以及 预测精度是目前的锂电池应用中的重点研究方向。而数据驱动方法具有不依赖数学模型和复杂的电化学原理，通过预测方法分析试验数据物理量之间的特征与关系实现数据预测的特点，是目前大热的研究方向。目前常用的数据驱动的预测方法以及特点如下文所示：

1基于支持向量机的SOH预测

Vapnik等人于1995年率先提出了SVM这个方法[1]，它主要被用来解决机器学习问题，重点是其中的函数拟合。还包括非线性的高维模式识别问题。

在电池组的使用生命周期中，其SOH数据在电池组使用末端具有高纬、样本量低且非线性的特点。因此在处理这些数据的时候比较适合使用SVM算法。但是在电池组的整个生命周期中SOH的数据量大且随着分析的深入，涉及其他物理量以及数据也会增加。而SVM在应用过程中其核函数必须满足Mercer 条件，而随之其他物理量以及数据的增加，支持向量的数据呈线性增加。增大了计算量，造成了一定的负担且给惩罚系数的确定造成困扰。不适合样本数据大的应用场合。

为了使SVM适用于SOH估算，许多专家对其进行了改进。如通过模拟电池包的物理模型并采用非线性最小二乘法估计电池包物理模型的物理参数。通过数据训练，得到电池包的容量、功率变化曲线。在这个曲线的基础上，使用滑动平均SVM算法估算电池包SOH。还有就是考虑到电池包的应用工况和应用环境对数据模型预测结果不收敛的问题，提出现根据应用工况和应用环境的不同对数据进行分类处理，在利用SVM进行预测的算法。

2基于相关向量机的SOH预测

RVM 算法类似于SVM，但是是一种新的分类预测算法[2]，在稀疏贝叶斯理论和SVM的基础的基础上被提出。它由多个理论融合而成，包括贝叶斯原理、自动相关决定等。因此它与SVM 最大的不同就是在算法模型中计算量和核参数相对减少，同时核函数及其参数的设置也相对变得方便并根据不同概率给出响应的检测结果。

与SVM类似，比较适用于处理SOH数据在电池组使用末端数据，应用与整个生命周期中，虽然可以对电池包SOH的预测的不确定性进行描述，但是由于在电池组的整个生命周期中SOH的数据量大且随着分析的深入，涉及其他物理量以及数据也会增加，因此计算发杂度高在电池包SOH估算过程中需要大的内存空间也不方便实时调整。

对于在电池包SOH估算的应用中，主要通过以下几个方面：1.搭建电池包模型，对电池包内部的物理参数进行估计；2.利用电池包放电过程中放电末端电压变化与容量的实验数据训练模型，对该方法在电池包SOH预测应用中的不确定性和预测精度进行了验证。结果表明实验数据量越大，持续时间越长，精度越低。3.利用外推法，首先设置电池包使用容量在95%范围置信区间。在该区间内提取与电池包SOH有关的物理量，对电池包SOH模型的预测结果和预测结果对应的置信区间进行了描述，提高了预测结果的精度、适应性及效率问题。4.将可编程门阵列系统集成在RVM算法中，生成新的模型去估算电池包SOH，这样有效的优化了在使用过程中内存占有率高的问题同时提高了实时性。

3基于人工神经网络的的SOH预测

人工神经网络是一种主要应用在人工智能领域的算法[3]。它是通过数学模型模拟人体神经元网络处理信息的方式。人工神经网络能够自主进行组织和学习，也是典型的非线性数学运算模型。该模型中通过被称为节点的激励函数相互连接，每个节点代表一种特定的输出函数。输出函数之间的关系，则分别代表连接信号加权值的权重。人工神经网络的运算结果主要受激励函数以及激励函数权重值的影响。通过调整激励函数以及激励函数的权重值来处理数据。

通过上述的描述可知，人工神经网络的自适应和自学习的能力比较强 因此使用人工神经网络预测电池包SOH，可以在电池包SOH实验数据不足的情况下通过有限的性能退化信息学习训练和隐层递归反馈动态地调整网络参数，发现电池包是容量衰减的规律和SOH的预测以及多部预测精度低的问题。但是运算过程中也存在算法复杂程度高、网络结构发杂的问题

。

4基于高斯回归过程的锂离子电池剩余寿命预测

高斯回归是基于统计学习理论和贝叶斯框架的非线性回归概率算法[4]，对试验数据进行训练限制先验分布，估计后验分布，得到预测结果的不确定性表达。

高斯回归只要用在小样本、高维度的回归场合。并且具有自适应、运算结果快的特点。

高斯回归在电池包SOH估算的应用中，主要有：1.利用高斯回归拟合锂电池容量退化模型并基于周期平方协方差和指数平方协方差的方法，经过超参数的调节，给出了锂电池容量预测结果的置信区间，但存在的问题是计算量大和超参数初始值敏感。2.基于小波法分析电池包循环试验数据，整理出容量退化，容量变化及波动情况。使用有时间索引的高斯回归分析电池包容量退化的过程，使用滞后向量作为高斯回归 的输入可以预测电池包容量变化及波动情况，结果表高斯回归方法在电池包容量估算和SOH预测方面有一定的效果。

结论

综上所述，随着新能源电动汽车的大量使用，电池包SOH的精确估算也变的尤为重要。本文主要分析了支持向量机、相关向量机、人工神经网络、高斯回归这4种方法在电池组SOH预测方面的特点，给出了在应用过程中的优缺点。

参考文献：

[1] Vapnik V. The Nature of Statistical Learning Theory[M]. Second Edition.

New York: Springer-Verlag, 1999: 1-42.

[2] Tipping M E. Sparse Bayesian learning and the relevance vector machine[J].

Journal of Machine Learning Research, 2001, 211-244.

[3] Zhang G, Patuwo B E, Hu M Y. Forecasting with artificial neural networks:The

state of the art[J]. International journal of forecasting, 1998, 14(1): 35-62.

[4] Rasmussen C E, Williams C K. Gaussian Processes for Machine

Learning[M].The MIT Press, 2006: 13-16.