nasa电池数据集_技术 | 基于多退化特征的锂离子电池剩余寿命预测

导读

针对目前锂离子电池剩余寿命预测模型精度低、泛化性差的问题，在一种基于充放电健康特征提取的锂离子电池剩余寿命估计方法的基础上，增加了健康因子和实际容量之间的相关性分析，具体方法是......

锂离子电池在使用过程中内部发生复杂的化学反应，长期使用伴随着性能衰退。锂电池剩余使用寿命(RUL)是指在一定的工作条件下，电池从当前时刻开始到输出功率无法满足机器或设备正常工作时的失效阈值(EOL)所经历的充放电循环周期数。通常，容量衰减30%或内阻增加100%将表示锂电池的使用寿命结束[1]。而且，老化电池极易发生故障，对电池进行合理的健康状态监测和RUL预测尤为重要。

锂电池RUL预测主要采用基于模型和数据驱动的方法[2]。基于模型的方法依赖于广泛的先验知识来建立锂电池退化模型，由于锂电池具有很强的非线性和不确定性，所以基于模型的方法很难准确、全面地描述锂电池性能的退化。基于数据驱动的方法需要监测锂电池寿命前期变化趋势，以此来预测寿命后期变化趋势。因此，从状态监测数据中提取能表征系统退化的关键参数是实现RUL预测的关键。Widodo等[3]利用放电电压样本熵作为健康因子进行电池寿命监测。Zhang等[4]提取了电流、电压、温度曲线等五个特征作为健康因子。

健康因子的提取对于表征锂电池衰减状态具有重要意义，相比于电化学模型法，它更容易监测和获取。然而，目前对于健康因子的提取往往缺乏相关性分析[5]，并且存在健康因子的冗余和不足，这些将影响RUL预测精度。针对以上问题，本文在一种基于放电电压、电流、温度曲线的特征提取方法的基础上，对健康因子和实际容量进行了相关性分析，并且应用主成分分析法(PCA)消除了数据的冗余信息，简化了原始数据。所建立的PCA-AGA-Elman神经网络预测模型可提高原始系统的预测精度，减少训练时间。

健康因子的构建和优化

1.1 健康因子的构建

锂电池的容量与其复杂的内部物理化学效应和热效应有关。找到一个替代电池退化状态的健康因子是非常有必要的[6]，对易于监测的参数(如充放电电压、电流、温度等)提取锂电池退化状态的特征序列，构建健康因子。

全新满电电池将电量放空所用的时间会随着放电循环次数增多而逐渐减少。由图1放电电压曲线可知，在500～1 500 s内，不同循环曲线电压下降的值随着循环次数的增加越来越大，即标称电压和实时电压之间的距离增大，所以可以用电压衰减来量化容量衰减。为了更全面地描述电压衰减，本文选择用平均电压衰减(MVF)[7]来作为健康因子。指定500～1 500 s为提取健康因子的时间范围，在定义时间范围内平均取100个电压点来定义MVF，每个取样时间点定义为j，j=1,2,…,100。其中，第i个放电循环周期内的MVF可表示为：

式中：MVFi为第i个充放电循环的放电电压降；Vj为定义时间范围内的第j个放电电压点；Vn为标称电压4.2 V。因此，健康因子序列可以表示为MVF={MVF1, MVF2, …, MVFn}。

除了平均电压下降序列外，还有一些物理量也可以反应电池容量退化状态，如电池平均放电电压、电流[8]、恒压过程充电时长、等压降放电时间[9]、初始温度等。本文共选择10个参数共同作为锂电池RUL预测的健康因子，分别是初始温度T0，平均放电电压Vd-avg，平均温度T