锂电池在不同放电区间下的剩余寿命预测

　　摘要：随着锂离子电池的广泛应用，需要现有剩余寿命预测模型适应实际使用工况。针对锂离子电池在循环过程中放电区间对容量衰减影响较大的现象，为解决基于放电性能映射关系建立的剩余寿命预测模型应用范围较窄，提高车用锂电池剩余寿命预测模型适用性能，提出使用经验模态分解将容量分解为波动与趋势分量，并通过建立差分移动自回归模型以及广义回归神经网络分别进行预测，获得锂离子电池剩余寿命。选取NASA和CACEL电池数据集对模型进行验证，并对比基于蚁狮优化的相关向量机的方法，实验结果表明：提出的模型相比蚁狮优化的相关向量机的方法，对容量衰退的跟踪误差平均降低，能够实现不同放电区间下的电池老化预测，适用性能好，对电池容量再生现象追踪准确。

　　关键词：锂离子电池;经验模态分解;差分移动自回归;广义回归神经网络;剩余寿命

　　0引言

　　锂离子电池作为一种二次电池，因其具有比能量高、能量输出稳定以及适应性强的优点，广泛应用于航空航天、军事装备、新能源汽车等领域[13]同时随着锂电池应用越来越广泛，其在一些对设备平稳性要求较高的领域，锂电池的性能对其影响日趋显著。为保障新能源汽车等用电设备的正常运行，国内外专家学者致力于对锂离子电池容量衰退进行跟踪和预测，即电池的剩余寿命预测。

　　锂电池方向论文： 锂电池储能舱运行状态信息采集系统研究

　　目前，锂离子剩余寿命预测主要有基于模型与数据驱动两种方法，基于模型的方法依赖于专业的电池知识，需要对电池内部工作及其材料的属性深入了解，并且针对不同型号、不同工况下的电池需要重新建立衰退模型，使用局限性较大;基于数据驱动的方法不依赖于专业的电池知识，主要通过对历史数据进行分析，获取电池容量变化的直接或者间接模型，然后利用模型对电池未来容量进行预测与跟踪，目前间接预测是应用最为广泛的方法。

　　庞晓琼等人针对电池寿命预测精度易受健康因子冗余的影响，提出结合主成分分析与非线性自回归神经网络结合的方法进行寿命预测，提高了间接预测的精度[5];史永胜等人针对锂电池寿命预测模型精度低、泛化性能较差的问题，提出基于多退化特征的寿命预测模型，误差得到有效降低[6];LeiRen等人针对退化数据量不足提出基于深度卷积神经网络和长短期记忆网络挖掘少量数据与容量退化之间的关系[7];PiyushTagade等人提出一种使用高斯过程算法和局部充放电时间序列对电池容量进行预测[8];SuChun等人从电池的历史运行数据中得到间接健康因子，包括工作电流、电压以及温度，在此基础上对锂电池容量进行预测[9]。

　　上述电池剩余寿命预测的模型都是基于运行参数对容量进行间接预测，这种方法的间接健康因子通常是基于一段固定区间的参数建立，例如等压降放电时间，但是在实际应用中，电池放电往往不是满充满放的状态，限定区间的提取健康因子的方法相当局限，因此，其适用的范围大大缩小。针对这样的问题，何畏等人为提前预知失效时间提出了基于相关向量机方法对电池剩余寿命进行直接预测，降低了预测误差[10]，但是对容量再生的现象追踪能力较差;杨战社等人提出使用提出灰狼优化支持向量回归的方法解决了容量波动追踪的问题[11]，但是他们的方法对容量追踪仅在中后期，早期的容量跟踪也很重要。

　　综上所述，基于数据驱动的方法大都是先构建健康因子，即从电池运行的放电数据中获得与容量相关的量，尽管预测结果较为准确并且使用神经网络等算法准确度较高，但是锂电池在运行过程中，工况会发生变化，当电池循环放电截止电压区间随机变化时，基于等压放电时间构建的健康因子就会失效，对锂电池容量追踪模型偏差将会变大，预测结果不可靠[12]。

　　因此需要对这些问题进行研究。本文在上述研究的基础上，提出一种直接预测的方法：首先利用EMD对锂电池早期容量数据进行分解，获取趋势分量与波动分量，然后对波动分量使用ARIMA方法进行时间序列预测，对趋势分量使用GRNN进行预测，将趋势预测分量与波动分量有序叠加，获取锂离子电池容量衰退曲线，即剩余寿命曲线，最后选择平均绝对误差(MeanAbsoluteerror，MAE)、均方根误差(RootMeanSquareError，RMSE)评估预测结果。

　　1放电区间对容量衰退影响分析

　　锂离子电池是一种广泛应用的二次电池，目前的剩余寿命预测研究主要针对恒定工况，但是在实际使用中并未严格按照恒定工况进行充放电循环，因此需要探索放电区间对电池老化产生的影响。本节选用NASA电池数据集B0005~B0007号电池数据集进行探索分析。

　　电池型号参数为额定容量2Ah，额定电压4.2V。在室温下以1.5A的恒定电流模式进行充电，直到电池电压达到4.2V，然后以恒定电压模式继续充电，直到充电电流降至20mA，以2A的恒定电流进行放电，直到电池的电压分别降至2.7V，2.5V，2.2V，三块电池都是完全充放电状态。

　　针对NASA电池数据集不同截止电压下的电池容量衰减趋势不同，截止电压与容量衰减速率并没有准确的映射关系，B0005号电池放电电压区间为4.2~2.7V之间，B0005号电池放电电压区间为4.2~2.5V之间，B0007号为4.2~2.2V之间，三者衰减速率存在较大差异，和截止电压没有明显关系。因此对于恒定区间工作的锂电池剩余寿命预测，虽然使用放电性能映射的特性可以对电池容量衰退进行预测，但是当处于实际使用的情况下，电池的放电截止电压是发生变化的，并且电池可能不处于满充满放的状态，等压放电时间等健康因子无法进行构建，会导致模型无法适用于变化的工况。

　　实际运行过程中电压会在不同循环中发生变化，等压放电时间无法提取，因此需要对电池剩余寿命模型进行进一步的研究，突破放电性能映射构建锂离子电池剩余寿命预测模型。

　　2任意放电区间剩余寿命预测模型的构建

　　为突破电池剩余寿命预测依赖放电性能映射关系的瓶颈，构建直接预测模型，通过容量历史数据对未来容量数据进行预测。其主要原理如下。

　　2.1经验模态分解方法概述

　　EMD方法是由黄锷(N.E.Huang)在美国国家宇航局与其他人于1998年创造性地提出的一种新型自适应信号处理方法，特别适用于非线性非平稳信号的分析处理，可以分解信号中不同类型的波动与趋势[13]。

　　EMD具有较好的适应性，能够凸显信号中可能忽略的结构，同时将噪声和有效信号分离为不同的本征模函数(IMF)和残差，IMF反映原始时间序列振荡波动的特性，而残差反映序列的趋势[14]。EMD适合处理非线性、非平稳的数据，适合对电池容量数据进行处理，获取电池容量复杂的非线性时间序列的特征。具体步骤如下：

　　1)找出时间序列xt()所有的极值点;2)用插值法对极小值点形成包络Etmin，对极大值形成包络Etmax。锂电池在工作过程中容量会发生短暂的提高，从而造成容量数据波动，此种现象为容量再生现象。从B0005~B0007容量波动情况看，可以发现波动存在相似性，因此通过经验模态分解的方法对容量分解为波动与趋势分量。以B0005号容量数据为例。

　　2.2差分移动自回归模型概述

　　时间序列预测是通过对历史数据的研究得到未来一段时间的预测。目前，比较精确的算法为ARIMA，该模型是将自回归(autoregressive，AR)模型和移动平均(movingaverage，MA)模型相结合得到的，是一种非平稳时间序列模型[15]。

　　2.3广义回归神经网络概述

　　GRNN是由美国学者DonaldF.Specht在1991年提出，是径向基神经网络的一种[16]。GRNN在预测样本较少以及数据不稳定的情况下，预测效果较好。因此，广泛应用于信号、结构分析以及预测等方面[16]。GRNN在结构上由4层组成，分别为输入层、模式层、求和层以及输出层。

　　2.4电池剩余寿命预测模型构建

　　根据上述算法原理特性，将ARIMA算法与GRNN算法相融合，首先对容量数据进行EMD分析整合，获取趋势分量与波动分量，然后针对不同分量使用不同模型进行分析，最后预测结果得到容量衰退趋势，即电池剩余寿命。

　　3.试验验证与结果评估

　　本节使用来源于NASAPCoE的B0006号与CACLE的电池数据集CS27与CS235进行方法验证，针对恒定工况与随机变化的放电电压区间进行验证，检验提出方法的有效性。各电池的参数为：B0006：放电截止电压为2.5V，初始容量为2Ah;CS235：以1C的恒定电流循环，放电电压区间为4.2V~2.8V，初始容量为1.13Ah;CS27：以0.55A的恒定电流放电循环，截止电压是随机变化的，以模拟用户不确定的截止电压行为，初始容量为1.33Ah;程序运行环境为Matlab2019a版本。

　　按照2.4节步骤对B0006、CS235、CS27三组电池数据进行分析预测，得到下面三组结果，同时与基于电池放电映射关系的方法进行比较分析。在实际预测过程中，由于电池前期运行发生故障以及衰退较慢，为避免计算复杂，节约计算资源，仅在前期进行趋势预测，用于粗略掌握电池运行状况，在后期保证数据充足的情况下，增加波动预测，提高跟踪电池老化衰退的能力。

　　4结束语

　　锂离子电池剩余寿命预测在设备的安全稳定运行过程中起着重要的作用，准确判断电池失效状态能够降低风险确保生活生产的平稳进行。本文提出一种基于EMDARIMAGRNN的直接预测方法对电池剩余寿命进行跟踪预测，突破了传统电池剩余寿命预测模型主要基于放电性能映射方法构建的局限性，解决了随机放电区间电池剩余寿命预测的问题。采用NASA和CACLE的电池退化数据集进行验证，并且与ALOSVR方法的预测结果进行比较，验证了所提出方法的有效性和优越性。本文主要结论如下：

　　1)传统的基于放电性能映射关系所建立的模型，无法适应在使用工况下的锂离子电池剩余寿命预测，其在基础的健康因子的建立方面就局限了模型的适用范围，而利用EMD的方法将容量数据分解后获得波动与趋势分量后分别对两部分使用ARIMA与GRNN的方法进行跟踪预测突破了电池剩余寿命建模依靠放电性能映射关系的瓶颈，这是因为电池容量的衰退本质上是由其内部化学与物理结构决定的，因此通过EMD的方法可以分解电池容量数据，从模型的跟踪能力看，结果准确，稳定。

　　2)电池在实际运行中，容量等数据会随着循环进行增加，因此，要进行训练数据集的不断更新，才能得到最新的容量变化的预测模型，因此，本文所提出的EMDARIMAGRNN的方法对不同种类的电池剩余寿命跟踪预测表现出良好的跟踪预测性能。通过与现有文献中的方法比较，所提出的方法针对B0006数据集的误差降低了0.0095，对CS235数据集，误差降低了0.0153，同时能够针对随机放电截止电压区间进行准确的剩余寿命跟踪预测，表现出较好的鲁棒性和适用性。为今后新能源汽车安全性准确判断奠定了基础。

　　参考文献

　　[1]陈万蔡艳平苏延召姜柯黄华基于改进粒子滤波的锂离子电池剩余寿命预测[J].中国测试,2021,47(7):148153.

　　[2]HEN,IU,UEQ,etal.RemainingusefullifepredictionforlithiumionbatteriesbasedoncapacityestimationandBoxCoxtransformation[J].IEEETransactionsonVehicularTechnology,2020,11(9):e0163004

　　[3]HANGN,XUA,WANGK,etal.RemainingusefullifepredictionoflithiumbatteriesbasedonextendedKalmanparticlefilter[J].IEEJTransactionsonElectricalandElectronicEngineering,2021,16(2):206214.

　　作者：赵沁峰，蔡艳平，王新军

转载请注明来自发表学术论文网：http://www.fbxslw.com/dzlw/28957.html