开发一种锂离子电池预测和健康管理的在线数据驱动方法
主要使用方法:NARX(基于带外源输入的非线性自回归神经网络)
研究内容:采用NARX法估算磷酸铁锂和钛酸锂的SOH(电池的健康状态)值,可以准确地估计SOH,并预测电池提前EOL(生命结束)的RUL(电池剩余使用寿命)。
三种测试:容量测试、混合脉冲功率特性(HPPC)测试和开路电压(OCV)测试。
目前使用存在的问题:使用的NMC(镍锰钴氧化物)的数据集大,考虑了21+17NMC电池,和不同温度,充放电速率和循环次数对电池的影响。
highlights:
- 非线性自回归递归神经网络的健康诊断方法。
- 基于相似性的健康预测模型
- 健康状态的估计与最大均方根误差为0.61。
- 该模型可以预测RUL,最大绝对误差为110个周期。
方法:构造一个包含参考组件的退化模式的数据存储库-->计算各参考成分健康退化轨迹之间的相似性-->根据相似组件的RUL预测测试组件的RUL。该方法包括数据采集、健康诊断和健康预后三部分。数据采集:采集两种类型的NMC电池的电压和容量;健康诊断:从部分电压充电曲线中提取的健康指标作为NARX模型的输入去估计SOH;健康预后:在特定时间间隔记录电压数据,利用训练好的NARX模型来估计电池当前的SOH,将估计的SOH作为训练后的基于相似度的模型输入数据来预测电池的RUL。最后,将预测的RUL发送到计划进行维护的决策支持部门。
图为电池PHM的建议框架,包括在线阶段和离线阶段。基于NARX的数据驱动的健康诊断方法,电压充电曲线代表电池退化的可预测行为,其中NARX是一种递归神经网络,根据y(t)和x(t)的过去的d个值来估计y(t)的值。如下图为NARX的体系结构图:
本文的电池数据是从BMS传感器上采集到的,两组电池实验分别在NMC细胞上进行,分为A、B两组。A组的测试采用PEC制造的ACT0550电池循环器进行,B组考虑了17个电池单元。
从表2和图中可以得到以下结论:温度对加速电池退化有巨大影响,电池放电深度(DOD),在较高范围内加速电池的退化,而在实际工作中SOC的变化范围不大,SOC在较低的范围内一定程度上阻碍了电池的老化过程。电池的充放电速率加速了电池的老化过程。
电压充电曲线在BOL处斜率较小,而在EOL处斜率较大。并且,电池寿命在初始值、平均值和最后值阶段都是不同的。
利用NARX可以估计未训练细胞的SOH,具有较高的精度和较小的残余误差。其说明NARX对未知数据具有较高的泛化能力
比较LSTM和NARX:
lstm的计算复杂度较高,性能高度依赖于在神经网络当中选择合适的参数和结构。且计算量较大,不适合实时操作。而narx的退化模型易于实现,计算时间短,不需要任何假设来建立退化模型。
本文目前存在的挑战:缺乏数据,电池内部的因素被忽略,跳过了电池内部的故障问题,未来我应该针对电池具有的某一极进行具体改性。
期刊:applied energy(涉及研究方:工程、化工)
平均审稿周期:3.9月 ,Q1
关于本文的研究进展布鲁塞尔大学还有后续研究,自己还需要继续进行查阅。