基于实车数据的电动汽车电池健康状态估计

2022-01-07龚贤武穆邱倩马宇骋

电源技术 2021年12期

龚贤武，丁璐，穆邱倩，李萌，马宇骋

(长安大学电子与控制工程学院，陕西西安 710064)

对动力电池健康状态(state-of-health,SOH)进行实时监控可以准确反映出当前时刻电池的容量能力，为电池维护或更换发出预警信号，从而有效避免电池不安全行为的发生，对延长电池的使用寿命、提升用户体验格外重要[1-2]。

目前，研究人员针对电池SOH的估算问题提出了很多种方法，大体上分为以下几种：直接测量法、基于模型的方法和数据驱动的方法[3]。直接测量法属于一种离线方法，该方法是在实验室环境下对电池的容量和内阻等老化特性指标进行离线测量，进而通过公式获得SOH估算值[4]。虽然直接测量的方法原理简单，但该方法只适用于实验室条件下的电池SOH估算[5]。基于模型的方法是利用电池的可测量数据对电池进行等效电路模型的建立，并利用最小二乘等参数辨识方法对包括老化特性指标在内的参数进行辨识[6]。该方法在模型选择时难以同时兼顾精度高和计算量小两个要求，并且当电池型号或工作状态不同时，模型就需要不断地进行调整，因此难以扩展应用[7]。基于数据驱动的方法是在对电池老化过程中积累的大量实验数据进行分析的前提下，通过统计的手段获取电池容量衰退的经验规律，进一步得到对SOH的估算结果[8]。这一过程无需考虑电池内部电化学反应和老化机理，直接从实验数据和监测数据中挖掘健康状态信息，但却存在老化数据收集费时、困难的问题。

与上述方法不同，本文考虑到电动汽车在实际运行过程中充放电电流不稳定，以及无法得到与实验室条件下相同的满充满放数据，提出一种基于实车片段充电数据的电池健康状态估计方法。首先利用安时积分逆过程获取深度充电片段电池当前最大可用容量；然后建立机器学习模型，实现对剩余充电片段电池当前最大可用容量的估计；进一步根据充电过程与放电过程容量一致性原理[8]，得到全时间段电池当前最大可用容量；最后从容量的角度定义电池健康状态，实现电池健康状态的估计。

1 电池健康状态估计方法及流程

本文从容量的角度定义电池SOH，某一时刻的电池SOH为当前时刻的电池最大可用容量与标称容量的百分比，如式(1)所示：

式中:Cmax和C0分别为电池当前最大可用容量和标称容量。

电动汽车运行初始时刻的电池为新电池，因此初始时刻的当前最大可用容量即标称容量。值得注意的是，一次充电过程中的电流、SOC等特征数据是随时间变化的一维时序数据且均对应一个共同的SOH估算值；一次连续充放电过程中由充电容量计算的SOH值与由放电容量计算的SOH值具有等效性。据此，首先利用深度充电片段的时间、电流、SOC数据计算深度充电片段的当前最大可用容量，利用机器学习模型对其他剩余充电片段当前最大可用容量进行估计，在此基础上根据充电过程与放电过程容量一致性，获取全时间段电池当前最大可用容量，从而实现对电池健康状态的估计，电池健康状态估计方法及流程如下。

步骤1：获取深度充电片段数据。从实际运行车辆数据中提取充电过程的数据，并根据各辆车实际运行情况，选择合适的ΔSOC阈值，得到深度充电过程数据。

步骤2：估计深度充电片段当前最大可用容量。输入深度充电片段的时间、电流和SOC数据，使用安时积分逆运算分别计算每个深度充电片段的当前最大可用容量。

步骤3：训练机器学习模型。将采集到的深度充电过程中有物理意义的特征数据作为训练集的输入，与其对应的当前最大可用容量作为训练集的输出，对机器学习模型进行训练。

步骤4：估计剩余充电片段当前最大可用容量。将剩余充电片段中的特征数据输入已经训练好的机器学习模型中，并输出剩余充电片段的当前最大可用容量的估计值。

步骤5：估计全部放电片段当前最大可用容量。根据电池在同一充放电循环中容量的一致性，将充电片段的容量值赋给同一循环中的放电片段。

步骤6：实现全时间段电池SOH估计。从容量的角度定义电池SOH，电池当前最大可用容量与标称容量的比值作为电池SOH估计的结果。

2 深度充电片段当前最大可用容量估计

本文使用安时积分法逆运算计算深度充电片段当前最大可用容量，安时积分法逆运算如式(2)所示：

式中:η 为充电效率；I为充电电流；Δt为相邻时间点的时间差；SOCs-SOCk为充电段终止SOC和初始SOC之间的变化量，用ΔSOC表示。

图1 和图2 分别为实际运行车辆在充电过程和放电过程中电流随时间的变化曲线。从图中可以看出，电池在放电过程中的电流曲线会随着应用工况的随机变化而呈现出剧烈的波动，且测量过程中受到的干扰也更大，而电池在充电过程电流变化较为平稳。在利用安时积分法逆运算计算容量时，电流数据测量不准确或者电流数据波动剧烈会造成容量的计算误差，并且在长期的积累中会使得误差越来越大，因此选用充电片段的电流数据计算当前片段的当前最大可用容量。

图1 充电过程电流曲线

图2 放电过程电流曲线

由安时积分法逆运算公式可知，ΔSOC为0% 时，无法计算当前最大可用容量，并且当ΔSOC较小时，当前最大可用容量的计算也会有很大的误差。因此考虑ΔSOC对计算当前最大可用容量的影响，选取最合适的片段进行当前最大可用容量的计算。本文选取ΔSOC＞1%、ΔSOC＞10%、ΔSOC＞20%、ΔSOC＞30%、ΔSOC＞40% 和ΔSOC＞50% 分别计算当前最大可用容量，图3 为利用实际运行车辆数据分别进行安时积分法逆运算得到的当前最大可用容量散点图。ΔSOC选取不同的阈值时，容量均呈现衰减的总体趋势。当选取的阈值越小时，可用充电片段越多，离群的点越多；当选取的阈值越大时，可用充电片段越少，离群的点越少，但也会丢失有用片段。例如当ΔSOC＞50% 时，虽然容量散点图中没有明显的离群点，但是在共983 个充电片段中只选取了97 个片段进行计算，会导致对其他状态下电池健康状态的评估精度下降。因此选择ΔSOC阈值为30%，使离群点相对较少，并且充电片段较多。

图3 不同充电深度容量散点图

3 剩余充电片段当前最大可用容量估计

剩余充电片段的当前最大可用容量无法使用安时积分逆运算得出，因此利用深度充电片段的数据对机器学习模型进行训练，再利用训练好的机器学习模型实现对剩余充电片段电池当前最大可用容量的估计。使用机器学习模型对剩余充电片段电池当前最大可用容量估计流程如图4 所示。

图4 剩余充电片段电池当前最大可用容量估计流程图

LightGBM 是一种高效的梯度提升决策树[9](gradient boosting decision tree,GBDT)，其本质就是利用决策树训练集成，以得到最优的机器学习模型。LightGBM 在对大规模数据进行分类或预测时不仅有更快速的训练效率，而且有更高的准确率。因此使用LightGBM 对剩余充电片段电池当前最大可用容量进行估计。

LightGBM 是在传统GBDT 上使用直方图优化算法，使得消耗的内存大大降低。直方图优化算法是通过离散化的方法将连续的浮点特征值变成k个整数，并构造k个区间段直方图。在遍历每一个特征的数据时，将其放置在对应的直方图区段中累计需要的统计量。在此基础上，LightGBM 还使用了使算法更为高效并且不容易产生过拟合的带深度限制的Leaf-Wise 的叶子生长策略，并不是对当前层的所有叶子进行分裂，而是选择对分裂增益最大的叶子进行分裂。表1 给出了LightGBM 模型主要参数。

表1 LightGBM 模型参数

4 结果及分析

本文使用的数据是新能源汽车国家大数据联盟提供的新能源汽车运行大数据，数据规范为《GB/T 32960-2016 电动汽车远程服务与管理系统技术规范》。车辆运行过程中大数据平台监测到的数据信息类型主要有车辆ID、时间、车辆状态、充电状态、车速、累计里程、总电压、总电流、电池SOC、电池单体电压最高值、电池单体电压最低值、最高温度值、最低温度值、最高报警等级、通用报警标志等。本文选取的数据特征有时间、车辆状态、充电状态、车速、累计里程、总电压、总电流、电池SOC、电池单体电压最高值、电池单体电压最低值、最高温度值和最低温度值数据。部分特征数据形式如表2 所示。

表2 部分特征数据形式

图5 为深度充电片段电池当前最大可用容量散点图，图中不连续部分为待估计的剩余充电片段的电池当前最大可用容量值。可以看出，深度充电片段电池当前最大可用容量随着车辆行驶时间的增加呈现总体下降的趋势。

图5 深度充电片段电池当前最大可用容量

把深度充电片段特征数据及已计算的电池当前最大可用容量数据以7∶3 的比例分为训练集和验证集，将训练集数据输入到LightGBM 机器学习模型中进行模型训练。图6 显示了验证集计算的容量值与LightGBM 机器学习模型估计的容量值，分别以均方根误差(root mean square error,RMSE)和平均绝对百分比误差(mean absolute percenyage error,MAPE)作为模型评价指标，其数值越接近于0 表明模型估计结果越好。模型评价结果如表3 所示。由表3 可见，验证集容量计算值和估计值之间的误差很小，表明采用LightGBM 机器学习模型对剩余充电片段当前最大可用容量的估计结果是可靠的。