《国际交通电动化杂志》高被引论文推荐 | 加州大学戴维斯分校：基于机器学习方法的电动汽车电池容量预测

点击蓝字关注我们

点击蓝字

关注

Highlights

1.一个包含420个电芯的实车数据集用于SOH估计

2.9辆车1602块电池的数据用于SOH预测模型的验证

3.两步数据降噪方法用于IC和DV曲线构建

4.差分曲线9个特征被用于模型预测，使算法准确性和可解释性增强

5.应用stacking集成学习提高算法的准确性和适应性

背景介绍

面向电动汽车应用的动力电池系统的健康状态SOH估计及剩余使用寿命RUL预测，长期以来一直面临着多方位的挑战——复杂的老化机制、电池的个体差异、动态的充放电工况等。近年来，尽管取得了重大进展，但针对实车应用场景，解决高噪声、数据缺失、高动态电化学演变下的电池寿命预测问题仍然是一项十分艰巨的任务。采用传统电化学或物理模型的预测方法，具有较强的理论与先验约束。但实际应用中，很难准确获取模型的高维特征参数矩阵，同时求解高度参数化的偏微分方程仍是一项挑战。

针对这一问题，美国加州大学戴维斯分校的赵竞园博士提出了基于stacking集成机器学习的动力电池寿命辨识及预测方法。使用420个电池单体和9个电池包组成的综合数据集进行模型特征参数空间的探索，产生了10,000 余个验证及测试数据。试验表明，模型可以高精度地预测动力电池的健康状态，并且可以预测一定周期后的动力电池剩余使用寿命。开发的基于物理特征的stacking集成学习机器学习方法具有较高的准确性，鲁棒性及泛化能力。

该成果发表在国际交通电动化杂志eTransportation上，论文获取网址：

https://doi.org/10.1016/j.etran.2022.100214

2024年和2025年为ESI高被引论文。

02 方法介绍

研究中，作者首先建立了两步降噪方法对离散采样数据（30s采样周期）进行降噪处理。通过对降噪后的电池充电数据进行差分分析（增量容量和差分电压），共提取了39个特征。产生的特征有效保证了预测的准确性和物理可解释性。开发的stacking集成学习两层组成。第一层由四个基础学习模型组成，分别为线性回归、随机森林回归、高斯过程回归和梯度提升回归。第二层基于线性回归的元学习建立，主要用于将基础学习器的预测与使用扩展的元级特征集的概率分布相结合，以提高模型预测的准确性和泛化能力。研究方法架构由图1所示。

图1. 基于stacking集成学习的实车动力电池健康状态预测架构

03 数据处理

实际应用中，电池充电数据具有高噪声的特性，因此，针对动力电池原始数据的降噪及滤波处理是重要且必不可少的。本文采用了一种基于轨迹分段多项式回归模型（图2中的黄色曲线）和指数加权移动平均模型（图2中的绿色曲线）组成的两步降噪方法，用于解决离散数据缺失和噪声问题。

图 2 基于回归和移动平均的两步降噪方法

差分方法（differential methods），包括增量容量分析(ICA)和差分电压分析(DVA)。其已被广泛证实能够精确定位锂离子电池容量的退化机制。差分分析曲线的特征演变可以宏观表明与电池退化密切相关的LLI和正负极LAM的存在。为了充分挖掘反映物理退化机理的潜在信息和定量分析电池健康状况，本研究共创建了39个特征，包括从差分电压分析曲线中提取的20个特征和从增量容量分析曲线中提取的19个特征（图3）。

图 3 基于差分分析的特征工程开发

本研究采用了一种基于双层堆叠集成学习的电池寿命估计方法（图4）。堆叠集成学习为机器学习的元方法提供了一个主动学习框架，通过组合来自多个基础模型的预测，可以有效提高模型的准确性和泛化能力。模型第一层包括线性回归、随机森林、梯度提升和高斯过程回归。模型第二层主要由线性回归组成。可以将其视为通过学习基础模型产生的元学习。元学习旨在通过快速学习新技能，以系统的、数据驱动的方式适应新环境来改进学习算法本身。Learning-to-learn机制为学习和多元线性回归任务之间的迁移提供了有效工具：学习选择合适的学习者，学习动态选择合适的偏差，以及学习结合基础学习模型的预测。

图 4 基于stacking集成学习的动力电池健康状态估计

结果

基于以上描述的机器学习方法，作者首先将420个电池单体的数据集分为训练集及测试集。其中，300个电池单体作为训练集，以训练机器学习模型的架构及参数。测试数据（120个单体）用于评估模型的泛化性能。使用机器学习技术（4个基础学习器及stacking集成学习）对训练集的估计误差如图5所示。训练集中电池寿命估计百分比误差在 0.01% - 1.2% 之间。验证了基于差分分析生成的特征工程具有高预测能力。之后，通过随机样本生成的测试数据集进行模型评估。如图6所示，测试集中120个电池健康状态预测的 MAPE 在 0.35% 到 0.52% 之间，四个基础学习器的 RMSPE 在 0.66% 到 0.98% 之间，表明4种基础学习器均可以有效用于电池健康状态的准确估计。stacking堆叠集成机器学习，可以产生最优的估计结果：0.28% MAPE 和 0.55% RMSPE。基于特征的集成机器学习技术实现了准确的电池健康状态估计（± 0.5% 最大百分比误差，第一和第四分位数小于 ± 0.1%）。预测模型是精确且足够稳定的。

图 5 基于机器学习的动力电池健康寿命SOH估计训练集

图 6 基于机器学习的动力电池健康寿命SOH估计测试集

面向电动汽车的动力电池RUL预测，旨在实现量化电池在寿命结束前的可循环次数。通过远程OTA服务，可以开展多元化的交互式服务与应用，比如，告知用户动力电池的剩余使用寿命，更精准的电动汽车剩余行驶里程等。将为电池开发、运营和优化提供了新机会。制造商可以根据对汽车电池在实际应用中的性能分析来加快电池开发周期及产品测试。

动力电池在实车应用中有两个重要参数：行驶里程（公里）和服务时间（年）。针对这一特殊应用场景，本文采用这两个指标来量化预期的剩余使用寿命。如图7所示，利用stacking集成机器学习的SOH历史估计值，基于回归分析，可有效建立动力电池的寿命衰减轨迹，进而获取该动力电池在未来一定周期内的剩余使用寿命。图7(a)所示为三维坐标下（容量、里程、时间）的动力电池实时使用寿命。7(b)，7(c)和7(d)分别为7(a)在二维平面的投影，其中estimation区间为SOH估计结果，prediction区间为RUL预测值。Observed data (绿色三角形) 为RUL预测模型的验证数据。Predicted_point_1为该点的观测数据，以验证和优化模型预精度，Predicted_point_2为该动力电池在运行1年后预期的健康状态。图7(e)为日常温度变化数据。

图 7 剩余使用寿命RUL预测

05 总结与展望

本研究提出了一种高鲁棒性、高泛化能力的动力电池实车寿命估计及预测方法。通过建立的机器学习模型，利用历史数据，可以提前预判特定车辆中不同电池单体的预测寿命衰减轨迹。为车辆动力电池的寿命服务及保养、用户的可视化数据及交互提供了丰富的服务与实际价值。但由于电动汽车充放电工况需求的高复杂性，如果想实现任一使用工况下的电池寿命准确预测仍需要不断的努力。首先，用于电池寿命估算的数据驱动方法是使用IC和DV分析开发的，因此不能应用于所有现实场景。挑战包括短时充电（数分钟）、快充模式（大于1倍率）和复杂的低温老化机制（-20℃~10℃）。为了应对不同应用场景的多物理多尺度的动力电池健康状态估计及预测，采用基于物理信息神经网络(PINN)的方法可能会带来潜在的收益与预测效果。这种基于物理信息先验的深度学习提供了从大量多保真观测数据中自动提取特征的工具，并通过将电池衰减机理和领域知识嵌入到专门的网络架构中来提高模型泛化能力。然而，在EV应用中同时为不同电池单体建立专属的PINN模型定会带来高计算量和执行效率的下降，并且由于复杂的损失函数，模型稳定性也无法保障。实现全应用场景的动力电池健康状态估计及剩余使用寿命预测仍要克服诸多科学和技术上的挑战。

原文链接：

https://doi.org/10.1016/j.etran.2022.100214

作者简介

赵竟园

‍赵竟园博士

2018年在吉林大学车辆工程博士学位

2020年中国科学院深圳先进研究院博士后研究员

2022年美国加州大学戴维斯分校交通研究院博士后研究员

吉林大学&美国加州大学戴维斯分校联合培养博士。主要研究方向包括基于云和机器学习的动力电池及超级电容储能系统的安全、寿命及性能预测。作为第一作者，共发表6篇Q1 SCI论文。曾作为比亚迪股份有限公司AI技术主管，首创开发了基于深度集成机器学习及大数据的云端BMS，实现了动力电池在实车应用场景下的准确健康状态辨识及安全预测。