文獻(xiàn)標(biāo)識碼: A
DOI:10.16157/j.issn.0258-7998.190584
中文引用格式: 汪秋婷,戚偉. 基于缺失觀測值的鋰電池剩余壽命估計(jì)方法研究[J].電子技術(shù)應(yīng)用,2019,45(11):91-95.
英文引用格式: Wang Qiuting,Qi Wei. Research on estimation method of lithium-ion battery remaining useful life based on missing observations[J]. Application of Electronic Technique,2019,45(11):91-95.
0 引言
鋰電池廣泛應(yīng)用于機(jī)械、計(jì)算機(jī)和移動設(shè)備,其優(yōu)良性能包括壽命長、能量密度高、效率高、充放電速率快、重量輕、溫度范圍寬、自放電速率低和無記憶效應(yīng)等[1]。鋰電池剩余壽命預(yù)測方法主要分為兩大類:基于模型的預(yù)測方法和基于數(shù)據(jù)驅(qū)動的預(yù)測方法[2]。基于模型的預(yù)測方法是應(yīng)用最廣泛的估計(jì)方法,但是,由于預(yù)測模型的所有參數(shù)均需要初始化和預(yù)調(diào)整,該方法在實(shí)際應(yīng)用中很難獲得精確和完善的模型參數(shù)[3-4]?;跀?shù)據(jù)驅(qū)動的預(yù)測方法可以解決上述問題[5-6],該方法利用電池降解曲線中現(xiàn)在和過去的觀測值來預(yù)測未來值?,F(xiàn)代鋰電池健康狀況預(yù)測系統(tǒng)需要完成短期估計(jì)、長期估計(jì)和缺少觀測值估計(jì)等任務(wù),一步超前預(yù)測(OSP)用于預(yù)測短期電池狀態(tài),多步超前預(yù)測(MSP)用于預(yù)測長期電池狀態(tài)[7-10]。缺失觀測值問題的處理方法包括:(1)狀態(tài)預(yù)測之前,簡單地將不完備觀測值進(jìn)行分離,該方法會導(dǎo)致信息丟失和不符合邏輯的估計(jì)結(jié)果[11];(2)用目標(biāo)觀測值的平均值和中值來代替缺失觀測值,該方法可能會導(dǎo)致有偏估計(jì)。本文在觀測值缺失條件下,對鋰電池剩余使用壽命進(jìn)行估計(jì)和預(yù)測,創(chuàng)新性地提出基于單點(diǎn)/多重插值技術(shù)和一步/多步超前算法的估計(jì)策略,主要框架包括預(yù)處理模塊和預(yù)測模塊。
1 插值與預(yù)測算法
1.2 多步超前預(yù)測(MSP)
多步超前預(yù)測用于估計(jì)電池的長期RUL,該方法分為三大類:迭代法、DirRec法和直接法[13-14]。本文應(yīng)用DirRec法進(jìn)行算法改進(jìn)。
DirRec算法估計(jì)L個后續(xù)數(shù)值的公式表示為[15]:
2 估計(jì)方法整體框架
本文提出缺失觀測值條件下鋰電池剩余使用壽命的有效估計(jì)方法,如圖1所示,引入傳統(tǒng)ELM設(shè)計(jì)單點(diǎn)和多重插值技術(shù),應(yīng)用于預(yù)處理模塊填補(bǔ)缺失觀測值;引入傳統(tǒng)ELM(ELM)、設(shè)計(jì)核化ELM(KELM)和在線順序ELM(OS-ELM),應(yīng)用于預(yù)測模塊估計(jì)剩余壽命。
2.1 極限學(xué)習(xí)機(jī)
給定一組m個觀測值,ELM隨機(jī)分配輸入權(quán)重和隱藏層偏差,ELM分析和調(diào)整輸出權(quán)重,算法公式如下:
2.2 核化極限學(xué)習(xí)機(jī)(KELM)
本文基于ELM設(shè)計(jì)核化極限學(xué)習(xí)機(jī)KELM,該算法利用ELM模型的內(nèi)核矩陣,并滿足Mercer條件,如式(12):
2.3 多步超前預(yù)測新算法
本文基于多重插值技術(shù)和DirRec法,設(shè)計(jì)多步超前預(yù)測算法的新模型,該模型能夠在每個計(jì)算步驟之后生成新的預(yù)測模型。估計(jì)L個鋰電池容量的新預(yù)測值公式為:
2.4 插值算法和預(yù)測算法模型訓(xùn)練
(1)多重插值算法模型訓(xùn)練
(2)多步超前預(yù)測方法模型訓(xùn)練
對包含15%缺失觀測值的不完備數(shù)據(jù)集,應(yīng)用多重插值算法對輸入子集進(jìn)行數(shù)據(jù)填補(bǔ),本文應(yīng)用多步超前估計(jì)器,分別結(jié)合5種不同插值算法計(jì)算RMSE值,如表1所示。該實(shí)驗(yàn)選取的不完備數(shù)據(jù)集包含3個滯后輸入值,利用前60%觀測值進(jìn)行模型訓(xùn)練。表1說明:5種插值算法結(jié)合不同估計(jì)器,預(yù)測RMSE平均值相當(dāng);KELM-RBF估計(jì)器的RMSE均大于其他超前估計(jì)器,達(dá)到18%,OS-ELM估計(jì)器的平均值最小,不超過8.9%;ELMSI與OS-ELM結(jié)合,RMSE平均值最小,預(yù)測效果最好。
3 實(shí)驗(yàn)結(jié)果與分析
本文根據(jù)剩余壽命估計(jì)誤差(ERUL)和均方根誤差(RMSE)對估計(jì)結(jié)果進(jìn)行分析,RMSE分析估計(jì)值與真實(shí)值之間的差值,ERUL分析鋰電池達(dá)到終止壽命的實(shí)際周期數(shù)與估計(jì)周期數(shù)之間的差值。根據(jù)上述實(shí)驗(yàn)要求,單體電池B001、B002和B003的電壓閾值分別為1.299 V、1.424 V和1.41 V。為了評估新型估計(jì)模型的算法性能,在電池老化數(shù)據(jù)集的各個周期中引入一組缺失觀測值,人為創(chuàng)建不完備數(shù)據(jù)集,該數(shù)據(jù)集在多重插值算法中被隨機(jī)導(dǎo)入不同的數(shù)據(jù)集周期中,特別是訓(xùn)練序列的最后周期導(dǎo)入概率最高。
3.1 模型訓(xùn)練結(jié)果比較
利用單體鋰電池B001的前40%觀測值進(jìn)行模型訓(xùn)練,訓(xùn)練結(jié)果如圖2所示,訓(xùn)練模型選取非線性模型、線性模型,并與目標(biāo)參數(shù)真實(shí)值進(jìn)行比較。圖2表明,即使利用前40%觀測值進(jìn)行訓(xùn)練,本文提出的ELMMI非線性模型計(jì)算結(jié)果最接近真實(shí)值;同時,鋰電池剩余壽命預(yù)測過程使用非線性插值算法模型更具優(yōu)勢,該模型可以用有限數(shù)量的觀測值生成有效的預(yù)測模型。
3.2 一步超前預(yù)測
利用單體鋰電池B002的前60%觀測值進(jìn)行模型訓(xùn)練,選取5種一步超前估計(jì)器(OS),通過單點(diǎn)和多重插值算法接收3個完整的觀測序列。圖3為5種插值算法結(jié)合不同估計(jì)器計(jì)算得到的RMSE值:(1)使用單點(diǎn)插值算法得到的預(yù)測結(jié)果,OS-ELM與ELMSI組合時產(chǎn)生最低RMSE值;(2)不同的曲線反映不同插值算法得到的RMSE平均值;(3)ELMSI與多種估計(jì)器結(jié)合,預(yù)測結(jié)果與單點(diǎn)插值算法結(jié)果相同,KNNI插值算法與 RF估計(jì)器、KELM-RBF估計(jì)器結(jié)合得到最優(yōu)預(yù)測結(jié)果;(4)本文提出將多重插值算法ELMMI與不同多步超前預(yù)測方法相結(jié)合,構(gòu)建基于多重插值算法的多步超前估計(jì)器,能夠?qū)崿F(xiàn)準(zhǔn)確和穩(wěn)定的估計(jì)過程。
3.3 多步超前預(yù)測
利用單體電池B003的前60%觀測值進(jìn)行模型訓(xùn)練,將多步超前預(yù)測算法應(yīng)用于預(yù)測模塊,實(shí)驗(yàn)利用MSP中的DirRec法計(jì)算終止壽命的誤差值(ERUL),結(jié)果如表2所示:(1)MCMC總體誤差值最大,達(dá)到45%以上,ELMSI、kNNI和LWLA誤差值相當(dāng),不超過23%;(2)ELM與不同插值技術(shù)結(jié)合的估計(jì)器平均誤差值最小,能夠較好地估計(jì)鋰電池短期和長期剩余使用壽命,且估計(jì)器建立時間短、估計(jì)精度高;(3)對于一步超前預(yù)測過程,OS-ELM和ELMSI(ELMMI)相結(jié)合比其他插值算法具有更好的預(yù)測性能;(4)多步超前預(yù)測的兩種核化函數(shù)得到的誤差值相同;(5)RF估計(jì)器建立的預(yù)測模型性能較好,但在一步超前預(yù)測中該估計(jì)器的性能顯著下降。
4 結(jié)論
本文提出一種缺失觀測值條件下鋰電池剩余使用壽命的有效估計(jì)方法,該方法基于多重插值技術(shù)和多步預(yù)測算法,設(shè)計(jì)整體框架包括預(yù)處理模塊和預(yù)測模塊。本文創(chuàng)新點(diǎn)包括:(1)提出集成ELM為基礎(chǔ)的估計(jì)器框架,處理缺失觀測值條件下的插值和預(yù)測任務(wù);(2)預(yù)處理模塊中,將ELSMI(ELMMI)與KNNI單點(diǎn)插值算法相比較,結(jié)果表明本文提出的插值算法能夠?yàn)轭A(yù)測模塊提供高精度的輸入值;(3)在預(yù)測模塊中,基于ELM設(shè)計(jì)多種估計(jì)器,并與不同的插值算法相結(jié)合,實(shí)驗(yàn)表明基于ELM的估計(jì)器能夠得到精確的預(yù)測結(jié)果。
參考文獻(xiàn)
[1] 歐陽明高.中國新能源汽車的硏發(fā)及展望[J].科技導(dǎo)報,2016,4(6):13-20.
[2] 孫猛猛.基于數(shù)據(jù)驅(qū)動方法的鋰離子電池健康狀態(tài)估計(jì)[D].昆明:昆明理工大學(xué),2018.
[3] BARALDI P,MAIO F D,AL-DAHIDI S,et al.Prediction of industrial equipment remaining useful life by fuzzy similarity and belief function theory[J].Expert Systems with Applications,2017,5(83):226-241.
[4] 汪秋婷,姜銀珠,陸赟豪.基于UKF的18650鋰離子電池健康狀況估計(jì)[J].電源技術(shù),2016,40(3):543-546.
[5] RAZAVI-FAR R,F(xiàn)ARAJZADEH-ZANJANI M,CHAKRABARTI S,et al.Data-driven prognostic techniques for estimation of the remaining useful life of lithiumion batteries[C].Proceedings of the IEEE International Conference on Prognostics and Health Management(ICPHM),2016:1-8.
[6] 周建凱,許盛之.基于深度學(xué)習(xí)的電池片缺陷識別研究[J].電子技術(shù)應(yīng)用,2019,45(5):66-69,77.
[7] 高棟,黃妙華,周亞鵬.基于充電電流數(shù)據(jù)的鋰電池容量估計(jì)[J].電源技術(shù),2018,42(10):1447-1450.
[8] ACUNA D E,ORCHARD M E,SILVA J F,et al.Multiple-imputation-particle-filtering for uncertainty characterization in battery state-of-charge estimation problems with missing measurement data:Performance analysis and impact on prognostic algorithms[J].International Journal of Prognostics and Health Management,2016,6(3):1-12.
[9] 羅勇,祁朋偉.基于模擬退火算法的鋰電池模型參數(shù)辨識[J].汽車工程,2018,40(12):1418-1425.
[10] 謝建剛,李其仲,黃妙華,等.鋰離子電池剩余容量與剩余壽命預(yù)測[J].電源技術(shù),2018,42(10):1438-1440.
[11] JUNIOR J R B,NICOLETTI M C,ZHAO L.An embedded imputation method via attribute-based decision graphs[J].Expert Systems with Applications,2016,57(5):159-177.
[12] 戴震宇,劉志茹.基于容量和電壓的混合最優(yōu)控制均衡[J].電子技術(shù)應(yīng)用,2019,45(3):108-112.
[13] BEQUAO A,LESSMANN S.Extreme learning machines for credit scoring: An empirical evaluation[J].Expert Systems with Applications,2017,86(7):42-53.
[14] SOVILJ D,EIROLA E,MICHE Y,et al.Extreme learning machine for missing data using multiple imputation[J].Neuro-computing,2016,174(A):220-231.
[15] SBARUFATTI C,CORBETTA M,GIGLIO M,et al.Adaptive prognosis of lithium-ion batteries based on the combination of particle filters and radial basis function neural networks[J].Journal of Power Sources,2017,344:128-140.
作者信息:
汪秋婷,戚 偉
(浙江大學(xué)城市學(xué)院 信息與電氣工程學(xué)院,浙江 杭州310015)