论文学习：基于数据驱动的锂离子电池健康状态估计和剩余使用寿命预测

论文学习：基于数据驱动的锂离子电池健康状态估计和剩余使用寿命预测

引用

CSDN

1.

https://blog.csdn.net/ttrr27/article/details/143774311

本文主要对中文硕博论文《基于数据驱动的锂离子电池健康状态估计和剩余使用寿命预测》进行学习与阅读总结，便于后续科研进一步学习。总体感觉这篇还是更加偏向数据分析（相关性分析、特征提取、特征重构）、深度学习（注意力机制及其变形、堆叠自编码器）等方面的，不过后面还会学习其他算法模型在此场景下的应用。

一、关键词

锂电池；长短期记忆网络；注意力机制；健康状态；剩余使用寿命

二、专业术语

• ECM：等效电路模型
• EM：电化学模型
• IC：Incremental Capacity，容量增量
• MIC：Maximal Information Coefficient，最大互信息系数

三、研究现状

1. 直接测量法

• 通过电池容量和内阻进行测量，直接获得电池的SOH；
• 通常被用于给基于模型的方法和基于数据驱动的方法提供理论和数据支撑。

2. 基于模型的方法

（1）物理模型

• 等效电路模型（ECM）：结构简单、易于实施，但影响因素过多、精确描述难度大；如Rint模型、Thevenin模型、PNGV模型。
• 电化学模型（EM）：通过复杂的偏微分方程对电池的内部电化学反应机制进行建模，需要实验室条件，无法实现车载，不利于应用。

（2）数学模型

• 以IC（容量增量）曲线峰值特征作为电池健康因子进行SOH估计

3. 基于数据驱动的方法

• （1）原理

• 无需分析电池内部机理，具有较强的实用性；

• 将电池视为“黑匣子”，通过分析电池性能测试数据得出外部特性与电池容量衰退变化的非线性映射关系；

• 不需要复杂的建模过程，对不同种类电池都能适用，具有很好的鲁棒性和迁移性。

• （2）步骤

• 采集原始数据（充放电过程中的电压、电流和温度数据）；

• 提取电池健康特征（从采集的原始数据中提取，作为模型输入）；

• 构建合适的机器学习模型[比如支持向量机（SVM，有监督机器学习算法）、高斯过程回归（GPR，基于贝叶斯框架，针对高维、小样本数据）、人工神经网络（ANN，如CNN、LSTM、双向长短期记忆网络BiLSTM等）]；

• 预测电池SOH和RUL并评估结果。

四、数据集

• NASA 电池数据集
• CALCE 电池数据集

五、研究方法

1. 提取锂离子电池的间接健康因子

• Spearman相关性分析+MIC（最大互信息系数）相关性分析：提取强相关性的间接健康因子）
• LSTM：验证上述组合输入的合理性

2. 提出了电池 SOH 估计和 RUL 预测的可解释性模型

• 双重注意力机制的编解码模型（特征、时序）
• 可解释性模型（可视化权重）

3. 提出了基于随机充电片段数据进行电池SOH估计和RUL预测方法

• 特征重构方法（将充电数据划分为任意等电压间隔片段）
• 堆叠自编码器结构（解决多电池估计数据量过大引起的模型训练时间长和复杂度高等问题，提升了模型对噪声鲁棒性）
• 贝叶斯参数优化方法（解决了人工调参模型不适用于所有的随机输入数据的问题，实现了模型的在线估计）