目录
要点:基于BMS在线数据+多模型集成,实现BMS层面的当前容量估计;云平台数据(大量历史数据)+神经网络,实现云层面的对未来容量衰减趋势的预测。
推荐指数:* * *(总分5颗星)
1. 问题描述:
1)数据层面:由于现实中的随机操作,充放电段与实验室循环的充放电段有很大的不同。单纯依靠个别方法揭示电池寿命退化演化趋势是一项挑战。因此,利用机载数据进行在线准确的容量估计和预测是一个有前途但具有挑战性的技术问题。
2)方法层面:目前主流的容量估计方法称为数据驱动方法,利用老化数据中的特征映射容量消息。例如,电池的SOC和SOH是结合电池等效电路模型和自适应算法共同估计。Plett开创DEKF,它估计快速时变的SOC和慢时变的容量。Zou等提出了四阶EKF分别用于实时SOC估计和离线SOH更新。上述两种方法都依赖于动态操作,导致BMS计算量大,无法在线处理。对于离散采样,电压是阶梯式的,导致通过IC或DV曲线进行容量估计容易产生较大的误差。
3)切入点:为寻求计算能力与精度之间的折衷,解决单一模型带来的电池退化信息孤岛问题,提出了一种融合多模型自适应和机器学习的云边缘协同策略,用于电池寿命容量预测。主要贡献如下:
1)将IOWA算子引入三种效果各异的在线自适应容量联合估计单算法中;
2)将BMS侧的历史消息持续上传到云端,在大数据平台上训练基于GA优化的反向传播(BP)神经网络进行预测。输出层在全寿命周期内连续输出输出结果,输入循环时间进行容量预测;
3)通过不同操作下的NASA电池数据集,验证其准确性和鲁棒性。
2. 云-端协同
GA-BP预测未来的衰退趋势:利用当前时刻及之前估计出的所有容量序列及其对应的cycles作为预测模型的训练数据,训练电池循环次数(x)与电池容量(y)的网络结构。
3. 评价
该文献的主要思路如图1所示,将状态估计工作安排在终端BMS上进行;而复杂度更高的预测工作被安排到云服务器,具体是:利用BMS估计的容量序列训练一个GA-BP预测网络,进而对未来的容量衰退情况进行预测。