基于大规模实车运行数据、统计特征和机器学习的电池老化预测方法

第一作者：Qiushi Wang

通讯作者：Zhenpo Wang, Weihan Li

通讯单位：北京理工大学, 德国亚琛工业大学

【研究背景】

锂离子电池作为电动汽车的主要储能装置，在使用和存储过程中不可避免地会出现性能衰减。诊断和预测电池老化衰退轨迹和剩余使用寿命对于确保运行安全、合理维护和设定适当的保修期限至关重要，有利于减少电池全生命周期的碳排放。现有研究在电池老化预测方面已有大量工作，然而，有效利用大规模电动汽车运行数据，并从历史使用数据的中提取有价值的统计学参数来提高电池老化预测性能，仍然是一项挑战。

【工作简介】

近日，北京理工大学王震坡教授团队联合德国亚琛工业大学Weihan Li团队，使用60辆电动公交车超过4年的历史运行数据，提出了一种基于电动汽车运行大数据的锂离子电池衰退轨迹与寿命预测方法。

该方法主要由电压曲线重构、特征工程、以及模型构建三部分组成。在电压曲线重构方面，由于实车运行数据的复杂多样性，大量充电片段不完整，难以获取完整的充电容量。因此，针对动力电池组建立了融合机理的OCP-DP电池模型，并利用布谷鸟搜索算法，实现了电池充电电压曲线以及IC曲线的重构。在特征工程方面，分析了车辆使用行为和电池老化之间的定量关系，提出了实时状态特征和历史统计特征两类特征，并使用相关性分析、LightGBM模型重要性分析等方法进行了特征筛选。在模型构建方面，基于蒙特卡洛随机失活提出了具有不确定性量化能力的S2S-LSTM模型。结果表明，所提出的模型能够实现在电池寿命早期、中期、后期对电池未来衰退轨迹以及剩余使用寿命进行准确预测，精度大于95%，相比传统方法提升明显。

【内容表述】

此项工作采集了60辆电动公交车超过四年的运行数据，数据采集频率为0.1Hz，数据项包括时间、车速、累计行驶里程、电池系统总电压、总电流、SOC、温度测点检测值等。所研究车型电池材料体系为磷酸铁锂/石墨，由方形电池单体通过2并-168串成组，电池系统标称容量为240Ah，额定电压537.6V。

图1展示了研究所使用电动公交车的具体数据情况。图(a)、(b)和(c)为一辆车的全生命周期运行数据示例，其中电流正值代表放电，负值代表充电。可见，电池电压、电流和温度在车辆的整个生命周期内都有显著变化，反映了车辆运行工况的复杂性。图(d)、(e)和(f)进一步将短时间内的数据放大，展示了行驶、静置以及充电三种不同工况的数据形式。如图(g)的行驶、充电、静置时间占比所示，车辆停止，即电池静置的时间占总时间的一半以上，这说明在电池老化分析中，除了常规的循环老化，日历老化也是不可忽视的环节。图(h)展示了车辆速度的统计直方图，可以看出，在0至5 km/h的范围内有一个峰值，表明低速行驶占了电池使用时间的很大一部分。如图(i)所示，高SOC区域，特别是超过70% SOC的区域的概率高于低SOC区域。如图 (j)所示，DOD分布范围较广，在15% SOC、35% SOC和70% SOC处出现峰值，这表明电池具有多种使用模式。图(k)显示了所有研究用车辆的容量衰退轨迹。电池容量衰退轨迹具有较大的波动性，并且不同车辆之间也存在显著差异。随着时间的推移，这些差异会逐渐扩大。寿命最长和最短的电池在寿命截止阶段的行驶里程相差超过200公里。这凸显了利用实车数据进行老化预测的必要性和挑战性。

图1 电动公交车数据特征: (a)到(j)为示例车辆数据样本。其中，(a)至(c)描述了电压、电流和温度的原始数据；(d)至(f)展示了行驶、休息和充电片段的示例；(g)是充电、行驶和静置时间的百分比统计；(h)至(j)为车辆速度、SOC和DOD的统计分布；(k)展示了所有研究车辆的容量衰减轨迹。

为研究温度、电流等应力因素与电池老化之间的相关性，根据电池的EOL将所有60辆电动公交车分为三组：低老化速率组、中老化速率组和高老化速率组，每组20辆车。在每组中分析历史数据中温度、电流、SOC和DOD的统计分布，并绘制分布的核密度估计图，如图2所示。图2 (a) 的温度概率分布表明，与中低老化速率车辆相比，高老化速率车辆在运行过程中高温区占比更高，低温区的概率更低，这说明温度对电池老化具有较大影响。图 (b) 展示了三类车辆的电流分布，在-10A到10 A之间可以观测到一个明显的峰值，表明电池主要以低电流倍率充放电。值得注意的是，中、低老化速率车辆的充电电流分布出现了两个峰值，而高老化速率的车辆则在-240 A左右出现了一个额外的的峰值，这是由于该类车辆所特有的高倍率快充模式所造成。放电电流方面，只有高老化速率车辆在约160 A处显示出一个突出的峰值。电流分布表明高充电和放电倍率都会加速电池老化。从图 (c) 所示的SOC分布情况可以看出，与其他类别相比，老化较快的车辆SOC在70% - 90%之间更为普遍，这表明高SOC区间与电池老化之间存在潜在关联。在图 (d) 中，我们将DOD表示为每次充电开始时的SOC与100% SOC的差值，即100% - SOC_{charge_start}。与其他类别相比，高老化率车辆的DOD峰值更高，这意味着高DOD会对电池健康产生负面影响。综上所述，不同工况下各应力因素有较大差异，且对老化影响各不相同，充分说明了从实车运行数据中提取老化应力因素，并利用其统计信息在电池寿命预测中的重要作用。

图2 不同衰退速率车辆历史行为参数统计分布比较: (a) 温度; (b) 电流; (c) SOC; (d) DOD。

图3 (c) 和 (e) 展示了车辆全生命周期充电片段的原始充电容量-电压（Q-V）曲线和增量容量（IC）曲线。由于充电策略和条件的变化，一些充电段没有覆盖完整的IC峰值区域，导致无法计算完整容量。为解决这一问题，应采用适当的方法重构和恢复完整电压和IC曲线。

该研究使用OCP-DP融合模型对电池进行建模，并使用布谷鸟搜索（CSA）参数辨识方法进行参数辨识，电池的电极OCP和开路电压辨识结果如图 (a) 所示，红线和黄线分别代表正极和负极的OCP，蓝线代表辨识得到的电池OCV，即正负极OCP之间的差值。

图(b) 中蓝色曲线展示了一次充电过程的电压，覆盖了550 V - 570 V的范围，红色曲线为电池模型重构的电压曲线。通过这一重构过程，可以计算出电池系统在较大电压范围内的完整容量。图(d) 和 (f) 分别显示了车辆在重构过程后的 Q-V 和 IC 曲线。可以看出，大量不完整电压和IC曲线可以通过本方法补充完整。

图3 基于混合电池模型的IC曲线重构: (a) 正负极开路电位及重构开路电压; (b) 基于部分充电数据的充电电压重构; (c) 示例车辆原始容量-电压曲线; (d) 示例车辆重构后容量-电压曲线; (e) 示例车辆原始IC曲线; (f) 示例车辆重构后IC曲线。

与实验室测试数据相比，从实车数据中提取特征具有独特的挑战性。特征工程方法通常依赖于特定的测试条件，如恒流充电和放电工况，而这并不能准确反映实际电动汽车运行时遇到的动态变化工况。因此，传统针对恒定工况测试数据开发的特征工程方法不适用于实车数据分析。尽管在不断变化的工作条件下电池老化具有动态特性，但从这些应力因素中得出的统计信息仍能显示出与老化的紧密相关性，并作为有价值的寿命预测特征。鉴于此，本文提出了一种多层次的特征工程策略，用于从实车数据中提取与老化应力因素相关的统计学特征。筛选流程如图4所示，其中包括三个主要步骤：数据片段划分、特征库构建和特征筛选。这种多层次的方法可以有效地捕捉和利用实车数据中应力因素的统计学特征，从而有助于提取信息特征，进行准确的寿命预测。

图4 特征提取框架图。

该研究在所有车辆交叉验证寿命预测的平均误差为4.34%。其中，图5展示了四辆测试车辆的模型预测结果。其中电池原始容量数据用灰色线表示，用平滑后的容量轨迹数据（绿色线表示）作为训练样本，红色线代表预测值。将衰退路径分为早期（150×103 km之前）、中期（150×103 km ~ 250×103 km）和后期（250×103 km以上）三个阶段。图 (a)到图 (c) 展示了三辆具有较高电池寿命的车辆的电池容量衰退情况，本文所提出的模型可以准确从车辆运行早期、中期和后期开始预测电池容量退化轨迹。在图 (d) 中，当车辆电池寿命较短时，本文所提出的模型也表现出良好的性能。这些结果验证了所提模型的准确性。四辆车的95%置信区间带宽分别为14.1 Ah、3.7 Ah、5.7 Ah和4.3 Ah，置信区间较窄，不确定性较低。

图5 具有不确定性量化的衰退轨迹预测结果: (a) 早期阶段老化路径预测结果; (b) 中期阶段老化路径预测结果; (c) 后期阶段老化路径预测结果; (d) 短寿命车辆老化路径预测结果。

【总结与展望】

预测电动汽车锂离子电池系统的老化轨迹和剩余寿命是一项重大并具有价值的课题。在本研究中，利用从60辆电动公交车上采集的超过2.4亿行实时运行数据，构建了基于实车数据的锂离子电池系统老化预测方法体系。所提出的方法从车辆使用历史数据的老化应力因素中提取的统计特征，无需进行复杂的离线实验，证明了利用实车运行电池数据大规模预测电池老化的可行性。该研究结果表明，电池衰退轨迹预测总体平均绝对百分比误差为 4.34%，比现有模型精度提升57%，具有较好的准确性和优越性。此外，该模型还能准确预测电池的寿命终止点分布，识别寿命最差的电池，误差仅为2.32%。这项研究开创性地提供了一个综合框架，仅利用实车运行数据，在寿命早期预测电池系统的老化轨迹和寿命终止点分布。通过利用统计学特征，该方法框架有助于电池维护、安全风险预警、保修期设定和梯次利用以及二手交易评估。

Wang, Q., Wang, Z., Liu, P., Zhang, L., Sauer, D.U., and Li, W. Large-scale field data-based battery aging prediction driven by statistical features and machine learning. Cell Reports Physical Science, 2023.

https://doi.org/10.1016/j.xcrp.2023.101720

清华大学欧阳明高院士最新发文：聚焦电池热失控！

2023-12-21