✦
✦
✦
0 摘要
准确且快速的健康状态 (SOH) 估计对于锂离子电池 (LIBs)系统至关重要。鉴于电池类型和工作条件的多样性以及数据样本的有限性，传统的数据驱动方法无法满足需求，特别是在实际应用中，例如电动汽车和储能系统。
针对以上问题，来自清华大学欧阳明高院士团队、与北京大学、昇科能源等的相关研究人员开发了一种基于元学习的方法，使用门控卷积神经网络-模型无关元学习 (GCNNs-MAML) 模型，来寻找适当的初始参数，使其能够通过少量训练样本快速适应新的测试样本。
该方法利用多个现有的历史数据集进行元训练，然后将训练模型的初始参数用于在新的小规模数据上进行元测试。仅使用从5%的循环数据中随机选取的800s充电段进行训练，GCNNs-MAML模型在剩余的95%测试样本上实现了平均RMSE为1.8%和最小RMSE为1.3%的SOH估计。结果表明，它显著优于基于特征和基于学习的方法。基于元学习的方法表现出高精度、鲁棒性和强大的泛化能力，显示出其在实际应用和小样本条件下的巨大潜力。
研究成果发表于国际交通电动化杂志eTransportation。
论文获取：
https://doi.org/10.1016/j.etran.2024.100338
1 背景介绍
锂离子电池以其高能量密度、更长的循环寿命和最小的自放电率而闻名，是便携式电子设备、电动汽车和储能系统等各种应用中不可或缺的一部分。然而，随着时间的推移，LIBs容易老化，由于各种物理和化学因素，容量显著减小，内阻增加。通过电池管理系统（BMS）实时、准确地监测电池的状态对于确保电池的正常使用和故障诊断至关重要。特别是，锂离子电池的健康状态(SOH)，传统上定义为其当前容量与原始容量的比率，在量化电池的运行状态、效率和退化评估方面至关重要。SOH的精确估计在学术研究和实际应用中都具有重要意义。
2 模型选择
本文选取了三种数据驱动的SOH估计模型，分别对电池循环数据集进行训练和估计结果的比较，主要包括：1）基于特征的XGBoost模型；2）基于深度学习的GCNNs模型；3）基于原学习的GCNNs-MAML模型。前两种模型作为对比不再详细介绍。
GCNNs-MAML的模型原理框架如图1所示，将预处理的数据进行元训练（Meta Training）形成最优的基础模型后，对新的数据集做元测试（Meta Testing）。GCNNs被用作基本模型，用于元训练过程中每个任务的特征提取和参数化，以及元测试步骤中的目标模型的开发。模型不可知元学习(MAML)是一种元学习算法，设计用于在广泛的任务范围内训练模型，它可以用最少的特定于任务的数据快速适应新任务。通过在一组相关任务中学习模型参数的共享初始化来发挥作用。然后可以使用特定于任务的数据对参数进行微调，使模型具有快速适应新的小样本任务的能力。通过这种方式，模型在各种任务上进行训练，以获得基本的参数集，这使得它能够在仅有有限的可用数据集的情况下快速适应新任务。
3 数据集
在实际应用中，锂离子电池的类型、容量和形状各异，每个因素都会影响电池的性能和退化，使其老化过程具有固有的随机性和不确定性。即使相同类型的电池在相同循环条件下，其老化轨迹也会有所不同。为深入分析三种数据驱动的SOH估计方法，本研究使用了清华大学、麻省理工、同济大学的五个公开大型数据集进行训练和验证。不同的温度和循环方案组合作为实验条件，实现实验室数据集多样化和生成量的增加。公开数据集链接如下：https://1drv.ms/f/s%21AuAiTLYEMUuKbLRMwP_d3RbUFs4?e=LL44SK
表1. 五个公开的锂离子循环数据集
其中，清华数据集为本团队整理公布。数据集的测试对象为商用24Ah锂离子电池，其正极材料为NCM333，负极为石墨。电池使用8通道电池循环仪在温控室测试，测试具体工况如表2。实验共记录了41,623次充电循环，为该领域贡献了最大的LIBs老化数据集之一。表2. 清华数据集的循环测试
图2. 电池实际容量与循环圈数曲线关系
(a)清华大学；(b)麻省理工学院；(c)同济NCA；(d)同济NCM；(e)同济NCA+NCM（颜色浅代表衰减快）
为了统一数据训练和评估的输入结构，本文选择了电流、电压、温度、充电容量（𝛥Q）和增量容量（dQ/dV）等五个与老化相关的特征作为模型输入。通过数据预处理，将原始的充电数据分割为800s长的充电片段。
4 结果分析
4.1 大样本训练
首先是在基于大样本训练的模型效果。图3和图4分别展示了XGboost和GCNNs分别在五个数据集上的SOH估计结果。对比结果表明，相较于XGBoost，GCNNs能够灵活、准确地估计SOH，具有较强的稳健性和普适性。这种基于学习的方法可以在大数据集上获得最先进的准确率。
图3. XGboost在五个数据集上的SOH估计RMSE分布
图4. GCNNs在五个数据集上的SOH估计RMSE分布
4.2 小样本训练
为了探究模型对训练样本的适应性，如图5为GCNNs调整训练样本量及样本的充电时长的SOH估计结果，其中较深的颜色表示较大误差。随着训练集大小和输入片段长度的减小，模型的性能逐渐变差。与输入时间段相比，SOH估计精度对训练数据量更为敏感。这进一步说明了传统的深度学习模型对训练数据大小的严重依赖。
接下来使用GCNNs-MAML进行小训练样本学习任务，并将次结果与GCNNs对比，其训练过程的模型均方根误差（RMSE）如图6所示。实验结果表明，GCNNs-MAML相比于仅GCNNs可以快速适应新的小样本学习任务。这显著提高了模型的准确性、稳定性和通用性，从而有效地降低了基于学习的方法对数据规模的依赖。
图5. GCNN s在清华数据集上不同时间长度和训练数据大小的SOH估计结果
图6. GCNNs和GCNNs-MAML在清华数据集的训练RMSE比较
4.3 综合比较
为了综合比较不同模型的SOH估计结果，图7显示了在不同的训练和测试数据量比例下，三种方法在清华数据集上的SOH估计误差。结果表明，GCNNs-MAML在SOH估计上有最高的精度，且在新的小样本训练数据集上具有收敛速度快、适应性强和稳定性高的特点。
图7. XGBoost、GCNN 和 GCNNs-MAML 的SOH估计结果较
5 未来展望
GCNNs-MAML 通过在已有数据集训练得到最优的基础模型，在新数据集上可以最少的训练数据表现出高精度和可靠性，体现出此类方法用到实际场景的可能行。
在本研究的第二部分工作（part2）中，将重点开发一种更可靠、更准确基于实车数据集的SOH估计方法，以应用在真实的电动汽车场景。
国际交通电动化杂志
eTransportation
文章类型
文章类型涵盖：
研究（Research）
综述（Review
短通讯（Short Communication）
观点（ Perspective）
评述（Commentary）
论坛（Forum）
其他（Data paper, conference等）。
论文投稿
https://www.editorialmanager.com/etran
论文下载
https://www.sciencedirect.com/journal/etransportation
扫码阅读更多文章
eTransportation | 交通电动化
欢迎投稿
eTransportation | 交通电动化
联系我们
如有任何学术问题研讨、投稿咨询、编委申请，以及论文全文获取等请与我们联系。
Email:dujiuyu@tsinghua.edu.cn
etransport@tsinghua.edu.cn
微信联系
交通电动化，有你更美好！
