中國儲能網(wǎng)訊：
摘 要： 為解決鋰電池可用容量估算過程中精度與效率難以兼顧的問題，本文提出了一種基于特征處理與徑向基神經(jīng)網(wǎng)絡(luò)的鋰電池剩余容量估計方法。首先由電池充電過程數(shù)據(jù)中提取與剩余可用容量相關(guān)聯(lián)的特征量，然后運用局部異常因子算法對特征量中異常點進行精準(zhǔn)清洗，提高特征量所含有效信息量，再通過局部線性嵌入降維算法對所得特征向量組進行降維處理，減少數(shù)據(jù)復(fù)雜度，最后，引入徑向基神經(jīng)網(wǎng)絡(luò)建立起剩余容量的估算模型。在不同型號電池上應(yīng)用該模型進行了驗證，估算結(jié)果的最大平均絕對誤差為0.06，最大均方根誤差為0.05，表明該模型能夠有效估計鋰電池的剩余可用容量并有較強的魯棒性。與Elman神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)算法相比，在保證高精度的同時該方法有更快的估算效率。
關(guān)鍵詞： 鋰離子電池；特征處理；徑向基神經(jīng)網(wǎng)絡(luò)；容量估計
鋰電池因具有能量密度高、循環(huán)壽命長、成本價格低、環(huán)保污染小等優(yōu)點而成為目前電動汽車動力電池的最佳選擇。在實際應(yīng)用中，由于電池內(nèi)部鋰離子的活性會逐漸下降，導(dǎo)致鋰電池的可用容量會在使用過程中有所損失，直接影響其剩余使用壽命(remaining useful life，RUL)。因此，為高效利用鋰離子電池，有效估計當(dāng)前鋰電池的剩余可用容量，進而時時診斷其健康狀態(tài)(state of health，SOH)是電池管理系統(tǒng)(battery management system，BMS)的重要功能。
當(dāng)前，研究人員已提出多種估算方法來獲得可用容量，主要分為基于貝葉斯的方法、經(jīng)驗擬合的方法和數(shù)據(jù)驅(qū)動算法等?；谪惾~斯的方法包含卡爾曼濾波以及粒子濾波及其他相關(guān)改進算法。文獻采用雙擴展卡爾曼濾波算法同時獲得模型參數(shù)和當(dāng)前電池狀態(tài)，但此方法在電池循環(huán)壽命后期表現(xiàn)不佳。針對這一問題，文獻采用自適應(yīng)無跡卡爾曼濾波算法，通過更新噪聲協(xié)方差矩陣實現(xiàn)了SOH和RUL的多步預(yù)測，提高了電池全壽命周期內(nèi)的估計精度。文獻采用無跡粒子濾波來估計鋰電池的RUL，實際估算相對誤差小于5%。以上基于貝葉斯的方法利用閉環(huán)濾波算法來估計電池健康狀態(tài)的關(guān)鍵參數(shù)，對建模誤差和測量誤差具有較強的魯棒性，但是建模過程復(fù)雜，實際估算過程計算量較大。
在采用各種濾波算法之外，經(jīng)驗擬合的方法也被用于鋰電池的狀態(tài)估計領(lǐng)域。文獻考慮鋰離子電池的使用時間、充放電倍率和溫度等條件，建立起廣義電池壽命模型，實現(xiàn)對同一類電池健康狀態(tài)的有效估計。文獻結(jié)合鋰電池衰退后固態(tài)電解質(zhì)界面層的生長和活性物質(zhì)的損失情況建立電池老化模型，并采用遞推最小二乘法估計模型參數(shù)，結(jié)果表明該方法所得結(jié)果相對誤差小于1%。經(jīng)驗擬合的方法一般是在工程經(jīng)驗或電化學(xué)知識的基礎(chǔ)上建立老化模型，精度較高，但是模型擬合需要大量的測試數(shù)據(jù)。并且，特定模型往往只能有效估計特定類型的電池或者特定老化情況下的電池狀態(tài)，靈活性較差。
如今，隨著大數(shù)據(jù)和人工智能的快速發(fā)展，數(shù)據(jù)驅(qū)動的方法也被廣泛應(yīng)用于電池的狀態(tài)估計。文獻提出一種基于先驗神經(jīng)網(wǎng)絡(luò)和馬爾可夫鏈的SOH估計方法，結(jié)果表明即使在不確定的外部條件下，該方法仍能夠有效估算電池的內(nèi)部狀態(tài)。文獻采用具有自動相關(guān)確定結(jié)構(gòu)的高斯過程回歸算法(gaussian process regression，GPR)得到電池容量、溫度和荷電狀態(tài)(state of charge，SOC)之間的映射，實現(xiàn)對鋰電池的多狀態(tài)同時估計。文獻采用長短期記憶神經(jīng)網(wǎng)絡(luò)進一步優(yōu)化GPR模型的結(jié)構(gòu)，得到估算精度較高的估算模型。以上基于數(shù)據(jù)驅(qū)動的方法是一種黑箱模型，具有靈活智能的優(yōu)點，但黑箱模型對訓(xùn)練數(shù)據(jù)集的好壞較敏感，較少的數(shù)據(jù)集會使模型得不到有效的訓(xùn)練，較多的數(shù)據(jù)集則有可能會導(dǎo)致模型復(fù)雜冗余，且可能造成模型的過擬合。
為了解決采用數(shù)據(jù)驅(qū)動方法難以獲得高效特征集的問題，本文基于特征處理與徑向基函數(shù)(radial basis function, RBF)神經(jīng)網(wǎng)絡(luò)進行了鋰電池剩余容量的估算，在保證精度的同時提高了估算效率。首先，采用局部離群因子方法對充電過程中提取的容量特征量進行優(yōu)化處理，獲得特征信息更集中的數(shù)據(jù)集，并對所獲得的數(shù)據(jù)集進行特征選擇，進一步降低數(shù)據(jù)的復(fù)雜度以提高估算效率，然后利用簡潔高效的徑向基神經(jīng)網(wǎng)絡(luò)建立剩余可用容量估計模型，并最終實現(xiàn)對鋰離子電池剩余可用容量的快速準(zhǔn)確估算。
1 鋰電池循環(huán)老化實驗
為研究動力鋰電池衰退后可用容量隨電池使用循環(huán)的變化情況，本文對兩種規(guī)格的三元鋰離子動力電池在室溫條件下進行連續(xù)的恒流充放循環(huán)老化實驗，操作流程見圖1，電池相關(guān)信息如表1所示。實驗采用美國Arbin公司開發(fā)的BT-5HC-5V-100A電池測試系統(tǒng)進行。
圖1 電池循環(huán)老化實驗流程
表1 測試電池基本參數(shù)
容量衰退實驗完成后共得到四組電池單體全壽命循環(huán)測試數(shù)據(jù)，分別標(biāo)號為電池A-1、電池B-2、電池B-3、電池B-4，其中電池A-1為A型號鋰電池，其它3組為B型號鋰電池。以電池A-1為例，某一循環(huán)的容量衰退實驗電壓與電流變化如圖2所示，每個測試循環(huán)均由恒流充電、恒壓充電、擱置、恒流放電、擱置等5部分組成，其中A型號恒流充電過程電流大小為2 A，B型號為1.275A，A型號恒壓充電過程截止電流為80 mA，B型號為51 mA，A型號恒流放電過程電流為8 A，B型號為5.1 A。
圖2 循環(huán)測試過程電壓與電流變化
2 放電容量估算實現(xiàn)方案
2.1 容量衰退特征處理
2.1.1 特征量獲取
在實際的應(yīng)用過程中，考慮到鋰電池的充電過程均為恒流恒壓充電模式，對不同型號的電池具有一致性，而放電過程則因?qū)嶋H使用情況而存在差異，難以提取到穩(wěn)定的特征量。因此，本文在充電階段的實驗數(shù)據(jù)中提取7組與鋰電池剩余可用容量相關(guān)的特征量，并根據(jù)數(shù)據(jù)來源劃分為兩類。
第一類為根據(jù)傳感器直接采集數(shù)據(jù)獲得的特征量。分別將恒流充電階段的充電時間CC-T、充電容量CC-C、恒壓充電階段的充電時間CV-T、充電容量CV-C作為特征量。以電池A-1為例，所提取的第一類特征量如圖3所示。
圖3 電池A-1的特征量
第二類特征量為對傳感器直接采集數(shù)據(jù)進一步挖掘所得到的特征量。其中，恒流充電階段容量增量(incremental capacity，IC)曲線的峰值是有效表征鋰電池內(nèi)部理化特性的狀態(tài)量，IC曲線定義為容量與電壓的微分，見式(1)
式中，Vt代表t時刻的電池端電壓。在恒流充電模式下，電流為恒定值，當(dāng)取極小的時間間隔圖片時，式(1)是成立的，由此可以快速繪制出IC曲線。繪制的IC曲線如圖4所示，濾波后，可見曲線呈現(xiàn)明顯的峰值特征。將每一循環(huán)IC曲線的最大值作為第二類特征量，稱為：Max-IC。此外，分別取恒流階段充電時間與對應(yīng)循環(huán)恒壓階段充電時間的比值：CC-T/CV-T和恒流階段充電容量與對應(yīng)循環(huán)恒壓階段充電容量的比值：CC-C/CV-C作為第二類相關(guān)特征量。電池A-1的第二類特征量如圖5所示。
圖4 IC曲線濾波前后
圖5 電池A-1的特征量
在實驗數(shù)據(jù)的采集過程中，存在真實的電池特性數(shù)據(jù)與誤差干擾數(shù)據(jù)摻雜混合的情況，在如圖3、圖5所示的兩類特征量中，均存在有明顯的數(shù)據(jù)離群點，而測試誤差和電池自身衰退特性均會造成離群點的出現(xiàn)。因此，本文采用局部異常因子算法消除測試誤差對特征量規(guī)律性的影響，保留鋰電池衰退過程中真實理化特性所反映出的特點，有效提高特征量所含信息量，進而提高模型學(xué)習(xí)效率。
局部異常因子算法(local outlier factor，LOF)是通過計算每個樣本的局部離群因子來判斷其離群程度，是一種基于密度的離群點檢測方法。能夠依據(jù)設(shè)定的閾值精準(zhǔn)定位無效的離群點，避免了依據(jù)數(shù)據(jù)分布判別離群值的方法存在的誤清洗有效數(shù)據(jù)的問題。特征量中采樣點p鄰域點的局部可達密度與點p的局部可達密度之比的平均數(shù)就表示為點p的局部離群因子，見式(2)
式中，NK(p)表示點p的k距離鄰域，點o為鄰域內(nèi)的某一點；lrdk(p)，lrdk(o)分別表示點p與點o的局部可達密度。局部離群因子越接近1，說明點p與其鄰域點的周圍密度相差無幾，p和鄰域同屬一簇的概率越高，反之，p點可能是異常點。圖6顯示了應(yīng)用局部離群因子甄別A型號電池特征量CC-T中異常離群點結(jié)果，原始數(shù)據(jù)中點1～5均是明顯可見的離群點，其中，點1和點2是由于測試環(huán)境所造成的異常值，需要進行平滑處理，而點3～5處數(shù)值的變化是電池的可用容量回升現(xiàn)象在特征量CC-T中的反映，不能一并進行平滑處理，在特征選擇的過程中應(yīng)將其予以保留。
圖6 異常離群點的甄別結(jié)果
2.1.2 相關(guān)性檢驗
為驗證特征量與可用容量之間是否具有密切的相關(guān)性，需要選用合適的方法對兩者進行相關(guān)性檢驗。考慮到特征量與可用容量之間的關(guān)系是高度非線性的，因此，需選用對特征數(shù)據(jù)分布沒有要求的分析方法。
斯皮爾曼等級(spearman rank)相關(guān)系數(shù)又稱為“等級差數(shù)法”，其取值在-1到+1之間，絕對值接近1表明相關(guān)性越強。與其他積差相關(guān)系數(shù)相比，斯皮爾曼等級相關(guān)系數(shù)對于數(shù)據(jù)錯誤和極端值的反應(yīng)不敏感，僅要求兩個變量的觀測值是成對的等級評定資料，或者是由連續(xù)變量觀測資料轉(zhuǎn)化得到的等級資料。不論兩個變量的總體分布形態(tài)、樣本容量的大小如何，斯皮爾曼等級相關(guān)系數(shù)均能夠有效表征兩者的相關(guān)程度。
斯皮爾曼相關(guān)系數(shù)表示為式(3)
式中，Ri和Si分別是觀測值i的取值等級；R*和S*分別是變量x和y的平均等級；di=Ri-Si表示兩列成對變量的等差級數(shù)；N是觀測值的總數(shù)量。
實驗所得四組電池的循環(huán)放電容量與相應(yīng)特征量之間的斯皮爾曼等級相關(guān)系數(shù)如表2所示，表中列出了經(jīng)過異常離群點處理前后的相關(guān)性系數(shù)。結(jié)果顯示，所提取的特征量與對應(yīng)的剩余可用容量之間相關(guān)系數(shù)均在0.9左右，呈現(xiàn)出強相關(guān)性。且經(jīng)LOF算法處理異常離群點之后，相關(guān)性系數(shù)均有提高，顯著的增強了特征向量與對應(yīng)循環(huán)容量之間的相關(guān)性。
表2 特征量與可用容量的Spearman等級相關(guān)系數(shù)
2.1.3 特征降維
實際應(yīng)用過程中，處理龐大的數(shù)據(jù)量會占用大量車載計算模塊的計算能力，從而影響B(tài)MS的整體性能。本文采用局部線性嵌入算法(locally linear embedding，LLE)對特征數(shù)據(jù)集進行降維處理，減少系統(tǒng)所需的存儲空間，加快計算速度。LLE屬于流形學(xué)習(xí)的一種，在低維空間保持了原始高維空間樣本鄰域內(nèi)的線性關(guān)系，能夠較好的保持?jǐn)?shù)據(jù)整體的幾何結(jié)構(gòu)和性質(zhì)，適合應(yīng)用于高度非線性數(shù)據(jù)的降維處理。LLE算法對高維數(shù)據(jù)進行低維映射分為以下幾步。
第一步：選取樣本點的局部鄰域點集P
對于給定的數(shù)據(jù)集X={x1, x2, …, xN}∈?D×N，xi∈?D×1，i=1, 2, …, N，計算樣本點的歐幾里得距離，選取樣本點xi鄰域的k(k<N)個近鄰點xij，j=1, 2, …, k。
第二步：計算線性重構(gòu)的系數(shù)矩陣ω
如式(4)所示，定義均方差損失函數(shù)，求解樣本點鄰域的線性重構(gòu)權(quán)重，構(gòu)建局部重建權(quán)值矩陣。
式中，xij表示點xi的第j個近鄰點，ωij表示樣本點xi鄰域內(nèi)第j個近鄰點的重構(gòu)權(quán)重，當(dāng)xij不屬于xi的鄰域時，ωij=0。約束條件圖片表示權(quán)值矩陣ω中的每一行相加為1。
第三步：通過得到的權(quán)值矩陣ω得到樣本集X的低維嵌入Y
將所有樣本點映射到低維空間?d，即將D維的向量X降維至d維，每一個高維向量xi對應(yīng)一個低維向量yi，Y={y1, y2, …, yN}∈?d×N的映射條件為最小化映射損失函數(shù)，見式(5)
對Y的求解等價于求解一定約束條件下的稀疏矩陣的特征向量，采用拉格朗日乘子法即可得到低維空間上的映射結(jié)果。
2.2 基于RBF神經(jīng)網(wǎng)絡(luò)的容量估算模型構(gòu)建
完成特征處理后，本文采用RBF神經(jīng)網(wǎng)絡(luò)開展了鋰電池容量衰退模型的構(gòu)建，RBF神經(jīng)網(wǎng)絡(luò)是一種在函數(shù)逼近、數(shù)據(jù)挖掘等應(yīng)用場景下前饋神經(jīng)網(wǎng)絡(luò)。其結(jié)構(gòu)簡潔，采用局部響應(yīng)、局部逼近的原理訓(xùn)練網(wǎng)絡(luò)，與全局響應(yīng)的BP神經(jīng)網(wǎng)絡(luò)等算法相比有收斂速度更快的優(yōu)點，并且RBF神經(jīng)網(wǎng)絡(luò)的隱層神經(jīng)元的激活函數(shù)是非線性函數(shù)，使得該網(wǎng)絡(luò)可以逼近任意非線性函數(shù)。其結(jié)構(gòu)由輸入層、隱含層、輸出層等三層構(gòu)成一個多輸入多輸出的前饋神經(jīng)網(wǎng)絡(luò)，如圖7所示。
圖7 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型
數(shù)據(jù)由輸入層節(jié)點傳遞到隱含層，隱含層節(jié)點一般由徑向基函數(shù)構(gòu)成，其中高斯徑向基函數(shù)應(yīng)用效果較好，而輸出節(jié)點對隱含層的非線性運算結(jié)果進行線性運算為整個網(wǎng)絡(luò)的最終結(jié)果。
隱含層節(jié)點中高斯徑向基函數(shù)見式(6)
式中，x為s維輸入向量；ci為第i個徑向基函數(shù)的中心；δi為第i個神經(jīng)元感知范圍，其決定該基函數(shù)的中心寬度；m為隱含層神經(jīng)元的個數(shù)；||x-ci||表示x和ci之間的歐氏距離。Y為網(wǎng)絡(luò)的輸出向量。
輸入層實現(xiàn)從x→Fi(x)的非線性映射，輸出層實現(xiàn)從Fi(x)到Y(jié)的線性映射，即式(7)
式中，Wi為第i個高斯徑向基函數(shù)向輸出層傳遞數(shù)據(jù)所附加的權(quán)值；W0為輸出層的偏差項。
采用誤差反向傳播算法對網(wǎng)絡(luò)內(nèi)部參數(shù)進行確定，如圖8所示，首先初始化權(quán)值矩陣并設(shè)定網(wǎng)絡(luò)訓(xùn)練的目標(biāo)誤差函數(shù)及誤差目標(biāo)，之后將訓(xùn)練集輸入網(wǎng)絡(luò)循環(huán)更新權(quán)值矩陣，直至達到誤差目標(biāo)，完成網(wǎng)絡(luò)訓(xùn)練，此時的權(quán)值矩陣以及各神經(jīng)元徑向基函數(shù)的參數(shù)為最終網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)。
圖8 RBF神經(jīng)網(wǎng)訓(xùn)練流程
鋰電池剩余可用容量估計流程如圖9所示，主要分為離線估算模型建立和在線容量估計兩部分。在離線階段，對測得的鋰電池循環(huán)充放實驗數(shù)據(jù)進行預(yù)處理，作為RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練數(shù)據(jù)集。從充電階段的時間、電壓、電流、容量、IC曲線中提取出一系列特征向量，通過局部離群因子法剔除特征向量中異常離群點，消除環(huán)境噪聲對特征量的干擾，并采用斯皮爾曼相關(guān)系數(shù)檢驗平滑后特征量與容量之間的相關(guān)性。利用局部線性嵌入法對多維特征量進行降維，減小數(shù)據(jù)的復(fù)雜程度，提高模型的訓(xùn)練效率。最后，訓(xùn)練RBF網(wǎng)絡(luò)中的內(nèi)部參數(shù)，確定容量估算模型。在線部分采用與離線階段相同的方式對數(shù)據(jù)進行預(yù)處理之后作為模型輸入，訓(xùn)練良好的估算模型輸出高效準(zhǔn)確的容量估計值。
圖9 鋰電池可用容量估算流程圖
3 估算結(jié)果與討論
3.1 模型估算結(jié)果
3.1.1 不同訓(xùn)練量對結(jié)果的影響
為提高網(wǎng)絡(luò)的學(xué)習(xí)速度及預(yù)測精度，將降維后的特征向量進行歸一化處理之后作為RBF神經(jīng)網(wǎng)絡(luò)的輸入值，模型輸出為所估算的放電容量。在數(shù)據(jù)驅(qū)動方法的實現(xiàn)過程中，多采用60%數(shù)據(jù)用于訓(xùn)練模型，40%用于測試模型[7]。為評估所建立模型的有效性和魯棒性，本文中，分別劃分每組數(shù)據(jù)中的50%、60%、70%作為訓(xùn)練集，其余的作為測試集。輸入網(wǎng)絡(luò)模型后，不同訓(xùn)練量下模型的訓(xùn)練測試結(jié)果如圖10所示，分別采用均方誤差(mean square error，MSE)、均方根誤差(root mean square error，RMSE)、平均絕對誤差(mean absolute error，MAE)對模型預(yù)測部分的效果進行分析，如表3所示。
圖10 電池A-1、B-2、B-3和B-4訓(xùn)練測試結(jié)果
表3 不同電池估算誤差
當(dāng)60%的數(shù)據(jù)用來訓(xùn)練模型時，估計模型對四組實驗電池的剩余可用容量輸出了穩(wěn)定有效的估算結(jié)果，測試區(qū)間的預(yù)測結(jié)果與實際采樣數(shù)據(jù)非常接近。對比表3中的誤差值，最大MAE出現(xiàn)在電池B-4的預(yù)測部分，僅為0.0494，MSE為0.0034，RMSE為0.0581，表明所建立的RBF神經(jīng)網(wǎng)絡(luò)估算模型對A、B兩型號動力鋰離子電池衰退后的容量均能做出較為精準(zhǔn)的估算。
由圖10中可以看到，當(dāng)訓(xùn)練數(shù)據(jù)量增加至70%時，模型的預(yù)測精度有所提高，最大MAE為0.0381，最大MSE為0.0022，最大RMSE為0.0472。當(dāng)訓(xùn)練數(shù)據(jù)量減少至50%時，模型的估算精度只有略微降低，其中電池B-2的預(yù)測誤差較大，最大MAE為0.1067，最大MSE為0.0137，最大RMSE為0.1171，其他電池的預(yù)測精度與在60%訓(xùn)練數(shù)據(jù)下的預(yù)測結(jié)果相差無幾。表明所提出的估算模型有良好的泛化能力和較強的魯棒性，能夠在數(shù)據(jù)有所波動的情況下有效估計不同類型電池的可用容量。
3.1.2 不同估算方法對比
為進一步驗證基于特征處理所建立的RBF神經(jīng)網(wǎng)絡(luò)估算模型的在估算精度和效率上的優(yōu)勢，將Elman神經(jīng)網(wǎng)絡(luò)估算方法、BP神經(jīng)網(wǎng)絡(luò)估算方法和本文提出的估算模型分別應(yīng)用于估計鋰離子電池全壽命周期的容量衰退情況，容量估算結(jié)果、估算誤差及消耗時間如圖11、表4和表5所示。
圖11 電池B-3預(yù)測電池B-2的結(jié)果(a)及電池B-4預(yù)測電池B-3的結(jié)果(b)
表4 電池B-3預(yù)測電池B-2的估算誤差及消耗時間
表5 電池B-4預(yù)測電池B-3的估算誤差及消耗時間
圖11(a)為三種不同模型對電池B-2的全壽命容量預(yù)測結(jié)果，所有模型的訓(xùn)練集均來自于電池B-3。圖11(b)顯示的是三種不同模型對電池B-3的全壽命容量預(yù)測結(jié)果，所有模型的訓(xùn)練集均來自于電池B-4。由預(yù)測結(jié)果可知，本文所提出的估算模型對電池B-2的容量預(yù)測結(jié)果相對誤差除極少數(shù)據(jù)點在6%之外，其余均小于6%，且表征預(yù)測結(jié)果離散程度的RMSE僅為0.057，對電池B-3容量預(yù)測結(jié)果的相對誤差則均在6%以內(nèi)，顯示出較高的估算精度。
與具有循環(huán)結(jié)構(gòu)的Elman神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)相比較，Elman神經(jīng)網(wǎng)絡(luò)對電池B-2和電池B-3的容量預(yù)測結(jié)果整體亦在6%左右，最大MAE為0.0847，最大RMSE為0.0874，BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果中相對誤差多數(shù)均大于6%，最大MAE為0.0723，最大RMSE為0.0869，而RBF神經(jīng)網(wǎng)絡(luò)模型對兩電池容量預(yù)測結(jié)果的最大MAE為0.0612，最大RMSE為0.0570，在預(yù)測精度和模型穩(wěn)定方面均體現(xiàn)出良好的實際使用優(yōu)勢。
此外，由表4可知，在相同的運算處理條件下，在預(yù)測電池B-2的容量時，RBF神經(jīng)網(wǎng)絡(luò)所消耗的時間僅為0.99 s，Elman神經(jīng)網(wǎng)絡(luò)消耗時間為3.5 s，BP神經(jīng)網(wǎng)絡(luò)表現(xiàn)最差，消耗時間為8.5 s。根據(jù)表5可知，在預(yù)測電池B-3的容量時，RBF神經(jīng)網(wǎng)絡(luò)所消耗的時間為0.9 s，Elman神經(jīng)網(wǎng)絡(luò)消耗時間為3.5 s，BP神經(jīng)網(wǎng)絡(luò)則高達9.4 s。對比三種預(yù)測模型，可以看出本文所提出的剩余可用容量估算方法所消耗的時間分別約為Elman神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)的1/5和1/10，顯示出較大的效率優(yōu)勢。
3.2 離群點處理對估算結(jié)果的影響
在容量估算的過程中，本文采用LOF算法對特征向量中異常離群點進行精確清洗。為體現(xiàn)不同異常值處理方法對模型估算結(jié)果的影響，對比了不處理離群點、應(yīng)用Hampel濾波器平滑離群點和應(yīng)用LOF算法清洗異常值三種處理方式對預(yù)測結(jié)果的影響，如圖12和圖13所示。所預(yù)測的剩余可用容量為電池B-3實驗測得，電池A-1和電池B-4的實驗數(shù)據(jù)為訓(xùn)練數(shù)據(jù)集。
圖12 不同異常值處理方式下容量估算結(jié)果
圖13 容量估算結(jié)果誤差
結(jié)果顯示，未經(jīng)處理的特征量經(jīng)LLE算法降維之后輸入RBF模型，其容量預(yù)測結(jié)果精度較差，最大誤差接近1 A·h，且結(jié)果分布較為分散，這說明不對異常值進行處理，神經(jīng)網(wǎng)絡(luò)模型不能有效學(xué)習(xí)到特征量與容量之間的映射關(guān)系，得不到理想的預(yù)測結(jié)果。經(jīng)Hampel濾波器平滑后的特征量在輸入模型后對剩余可用容量估計的誤差整體在0.2 A·h以內(nèi)，但是，在電池循環(huán)壽命后期的估算效果較差。經(jīng)LOF算法處理后的特征數(shù)據(jù)對應(yīng)的容量估計誤差則保持在0.2 A·h以內(nèi)。
在對出現(xiàn)容量回升現(xiàn)象循環(huán)的可用容量進行估算時，經(jīng)Hampel濾波器處理之后所對應(yīng)的估算結(jié)果與經(jīng)LOF算法處理后所得到的估算結(jié)果相比有較大差距，在第113實驗循環(huán)，兩者的容量估算絕對誤差分別為0.0253 A·h和0.1003 A·h，在第143實驗循環(huán)分別為0.0158 A·h和0.1821 A·h。可見經(jīng)LOF算法處理后的特征數(shù)據(jù)包含更細(xì)致的電池實際容量衰退信息，使估算模型能夠更好的學(xué)習(xí)到鋰電池容量衰退現(xiàn)象與特征量之間的關(guān)系，輸出更為準(zhǔn)確可靠的剩余可用容量值。
4 結(jié) 論
本文提出一種高效估算鋰電池剩余可用容量的方法。由充電階段的數(shù)據(jù)中提取7組與剩余容量相關(guān)特征向量，并采用LOF算法和LLE算法分別對多維特征量進行異常值精準(zhǔn)甄別清洗和低維映射，提高特征值所含有效信息量的同時降低估算所需的計算需求，提升估算效率。在此基礎(chǔ)上，利用RBF神經(jīng)網(wǎng)絡(luò)建立了容量估算模型。結(jié)果表明，該估算模型能夠有效估算鋰電池衰退后的剩余可用容量，與Elman神經(jīng)網(wǎng)絡(luò)模型和BP神經(jīng)網(wǎng)絡(luò)模型相比，在估算精度和估算效率方面均有較大優(yōu)勢。該方法能夠?qū)崿F(xiàn)對鋰電池衰退后可用容量的高效、準(zhǔn)確估算。
引用本文： 陳崢,李磊磊,舒星等.基于特征處理與徑向基神經(jīng)網(wǎng)絡(luò)的鋰電池剩余容量估算方法[J].儲能科學(xué)與技術(shù),2021,10(01):261-270. (CHEN Zheng,LI Leilei,SHU Xing,et al.Efficient remaining capacity estimation method for LIB based on feature processing and the RBF neural network[J].Energy Storage Science and Technology,2021,10(01):261-270.)
第一作者：陳崢（1982—），男，博士，教授，研究方向為動力電池狀態(tài)估計，E-mail：chen@kust.edu.cn
第一作者：申江衛(wèi)，高級實驗師，研究方向為動力電池狀態(tài)估計，E-mail：shenjiangwei6@163.com。
