【微信公众号】AESA论文推荐第24期:人工智能在电池储能寿命预测中的应用
发表时间:2022-07-12     阅读次数:     字体:【

☆本期分享导读:

本期论文推荐主题为人工智能在电池储能寿命预测中的应用,共10篇,包括:未知工况下的充放电容量轨迹预测(1)、剩余可用寿命预测(2,3)、基于充电过程的寿命预测(4)、可迁移的剩余寿命预测(5)、异构储能系统的寿命预测(6)、端对端深度学习的寿命预测(7)、仅需极少初始数据的寿命预测(8)、电池在线健康诊断(9)、综述:机器学习算法在电池退化中的理论(10)。全部阅读预计用时15分钟,或按照对应标号阅读感兴趣的论文。分享知识是一种美德,如果喜欢,请把推送分享给您的同学、学生和身边可能有需要的人。

微信公众号推送


论文一:深度学习赋能循环神经网络预测不确定未来工况下的电池衰减预测

【分类】未知工况下充放电容量轨迹预测

【题目】Battery degradation prediction against uncertain future conditions with recurrent neural network enabled deep learning

【作者】Lu Jiahuan, Rui Xiong, Jinpeng Tian, et al.

【单位】Department of Vehicle Engineering, School of Mechanical Engineering, Beijing Institute of Technology, Beijing, China

【下载地址】https://doi.org/10.1016/j.ensm.2022.05.007

【摘要】精确的老化轨迹和未来寿命是下一代智能电池和电化学储能系统的关键信息。然而,只使用少量已知的历史数据很难准确预测电池不确定工况下的寿命。本文中,我们将当前已广泛研究的剩余寿命预测(RUL)扩展到了在确定和随机未来运行工况下的电池充放电容量轨迹预测。我们提出了一个通用的深度学习架构,以循环神经网络为核心,以未来电流计划及少量前期容量-电压数据为输入。作为一个案例研究,我们实验了77个在确定和随机工况下运行的商业电池,结果表明,仅使用3.8%的全寿命周期数据,对三元NMC/石墨电池的预测均方根误差小于2.4%,对铁锂LFP/石墨电池的误差小于2.3%。与现有方法相比,本文所提架构预测更精确、对确定和随机未来工况的预测性能更均衡。本文展现了基于循环神经网络对电池未来主动预测的潜力。

【推荐理由】本文为人工智能与电池寿命预测相结合的前沿研究成果。本文公开了一个庞大且全面的随机工况电池老化数据,包含了77个商业电池运行到寿命结束的数据,这是首个商业电池大量变工况的公开数据集。此外,本文提出了一种循环神经网络方法,仅使用极少量的运行数据,实现了对不同体系、未知工况下电池寿命的可靠预测。

【关键插图】

图1:考虑变运行工况的RNN深度学习电池寿命预测架构。

图2:所提构架对铁锂/石墨电池的预测结构:(a)早期循环集中不同输入大小下的容量退化预测RMSE;(b)早期循环集中不同输入大小下的剩余可用寿命预测RMSE;(c)早期循环集中不同输入大小下的8个电池(EOL寿命结束不同)的容量退化轨迹预测。


论文二:采用数据驱动的方法量化锂离子电池容量和剩余使用寿命的预测不确定性

【分类】剩余可用寿命预测

【题目】A Data-Driven Approach With Uncertainty Quantification for Predicting Future Capacities and Remaining Useful Life of Lithium-ion Battery

【作者】Kailong Liu, Yunlong Shang, Quan Ouyang, et al.

【单位】Warwick Manufacturing Group, University of Warwick, Coventry, U.K.

【下载地址】https://doi.org/10.1109/TIE.2020.2973876

【摘要】在电池健康诊断和管理应用中,通过量化预测容量和剩余使用寿命(RUL)的不确定性是一个关键但具有挑战性的问题。文章应用先进的机器学习技术,通过可靠的不确定性管理,实现锂离子电池的有效容量和RUL预测。具体来说,在使用经验模式分解(EMD)方法后,原始电池容量数据被分解为一些固有模式函数(IMF)和残差。然后,使用长短时记忆(LSTM)子模型估计残差,而高斯过程回归(GPR)子模型用于拟合具有不确定性水平的IMF。因此,可以直接同时捕获容量的长期依赖性和容量再生引起的不确定性量化。利用不同电池的实验老化数据,与单独采用GPR、LSTM、联合采用GPR+EMD和LSTM+EMD模型进行比较,评估LSTM+GPR模型的性能。说明性结果表明,LSTM+GPR组合模型优于其他模型,能够获得精确的一步和多步超前容量预测结果。即使在电池循环早期预测RUL,所提出的数据驱动方法仍然为电池健康诊断提供了良好的适应性和可靠的不确定性量化。

【关键词】电动汽车;数据驱动方法;锂离子电池;剩余使用寿命;不确定性管理

【推荐理由】本文对于锂离子电池剩余使用寿命预测的不确定性提出了一种新型的量化方法,通过采用深度学习结合GPR模型的方法,能够大幅提高精确性,这也对之后的研究过程中提出一个新思路,即采用多种模型联合预测,相较于单个方法更为出色。

【关键插图】

图1:基于LSTM的RNN模型的结构。

图2:结合LSTM RNN模型和GPR模型预测电池容量和RUL的流程图。

图3:使用不同数据驱动模型的容量预测结果 (a)GPR(b)LSTM(c)GPR+EMD(d)LSTM+EMD(e)LSTM+GPR。


论文三:基于循环神经网络的锂离子电池剩余寿命预测

【分类】剩余可用寿命预测

【题目】Remaining Useful Life Estimation for Prognostics of Lithium-Ion Batteries Based on Recurrent Neural Network

【作者】Marcantonio Catelani, Lorenzo Ciani, Romano Fantacci, Gabriele Patrizi, et al.

【单位】University of Florence, the Department of Information Engineering, 50139 Florence, Italy

【下载地址】https://doi.org/10.1109/TIM.2021.3111009

【摘要】锂离子电池的状态预测和基于状态的维护是一个基本课题,由于需要较长的电池寿命以确保经济可行性并最大限度地降低生命周期成本,因此该方向的研究正快速发展。剩余使用寿命(RUL)估计是电池预测和健康管理的重要工具。在本文中,提出了一种基于状态监测和物理模型的混合方法,以提高锂离子电池RUL估计的准确性和精度。基于循环神经网络(RNN)的人工智能估计方法与状态空间估计技术相结合,这是基于滤波的方法的典型。状态空间估计用于生成用于RNN训练的大数据集。一些额外的深度学习用于改进非线性趋势(典型的电池)的预测,同时使用遗传算法确保RNN的性能优化。所提出方法的性能已使用来自NASA预测卓越中心数据存储库的电池退化数据集进行了测试。比较了两种不同的退化模型,广为人知的经验双指数模型和创新的单指数模型,该模型允许以更少的参数估计来确保最佳性能。

【关键词】状态监测;锂电池;维护管理;预测方法;预测和健康管理;循环神经网络;剩余寿命评估

【推荐理由】本文提出了一种基于状态监测和物理模型的混合方法,在现有公开的数据集上以更少的参数实现了更精确的电池剩余可用寿命估计。

【关键插图】

图1:推荐的用于估计锂离子电池剩余寿命的完整流程。

图2:使用单指数模型比较电池B0007的预测 RUL(蓝线)和实际RUL(红线)对RUL预测的准确度估计。电池EOL为166个循环。预测时间从k_pred=80个循环到k_pred =150个循环不等。


论文四:基于充电过程的电池寿命机器学习预测方法

【分类】基于充电过程的寿命预测

【题目】A machine-learning prediction method of lithium-ion battery life based on charge process for different applications

【作者】Yixin Yang

【单位】School of Electronic and Information Engineering, Xi’an Jiao Tong University, Xi’an, China

【下载地址】https://doi.org/10.1016/j.apenergy.2021.116897

【摘要】为了加快电池技术的发展,促进锂离子电池的可靠运行,准确预测电池的循环寿命和剩余使用寿命是至关重要的。然而,老化机理的复杂性、器件的显著可变性和随机工作条件仍是巨大挑战。要实现精确的寿命预测,首先要进行合理描述和建立有效的预测算法。本文首先利用几个充电循环的电池端电压、电流和温度曲线,特别是这些循环之间的差异来描述电池的循环寿命和RUL。此外,还设计了一种混合卷积神经网络(CNN),融合三维CNN和二维CNN,进行寿命预测。考虑到电池充电电压、电流和温度三者之间的密切关系,首先对三者的曲线进行融合,并对隐含特征进行自动提取和建模。此外,提出了特征关注算法和多尺度循环关注算法,分别估计不同特征和循环之间的关系,进一步提高了预测性能。结果表明,该方法在不同应用场景下都取得精确结果。对不同电池在不同充电策略下的循环寿命早期预测的误差为1.1%,RUL预测误差为3.6%。

【关键词】循环寿命早期预测;剩余寿命预测;锂离子电池;混合卷积神经网络;特征和循环关注

【推荐理由】本文提出一种混合卷积神经网络,先使用3D卷积从电压、电流、温度中进行特征预提取,在使用2个2D神经网络分别进行特征提取。此外,应用特征关注和循环关注方法,学习特征间和循环间的关联关系,从而实现RUL的精确预测。本文提出了一种特征提取的新思路,应用注意力机制增强了对特征间和循环间关系的刻画,值得借鉴。

【关键插图】

图1:(a)电压、电流、温度输入矩阵结构 (b)混合卷积神经网络结构。

图2:30支电池早期循环寿命预测(仅使用20-100循环的充电数据)(a)早期寿命预测结果;(b)预测误差。

图3:某电池的剩余寿命预测结果(a)预测结果;(b)预测误差及其直方图。


论文五:一种基于循环一致性退化趋势的可转移锂离子电池剩余使用寿命预测方法

【分类】可迁移的剩余寿命预测

【题目】A transferable lithium-ion battery remaining useful life prediction method from cycle-consistency of degradation trend

【作者】Fujin Wang, Zhibin Zhao, Jiaxin Ren, et al.

【单位】School of Mechanical Engineering, Xi'an Jiaotong University, Xi'an, China

【下载地址】https://doi.org/10.1016/j.jpowsour.2022.230975

【摘要】锂离子电池的剩余使用寿命(RUL)预测在电池健康管理中发挥着重要作用。现有方法在电池RUL预测方面存在一定的局限性,包括误差累积问题以及在不同工况下RUL模型的适用性。对于单个电池,现有的预测方法存在误差累积的问题;对于不同工况下的电池,其对应的寿命分布是离散的,因此模型不能推广。针对上述问题,提出了一种可迁移的锂离子电池RUL预测方法。首先,构建一个能够提取全局退化趋势信息的编码网络,将电池退化数据映射到表示子空间中。利用循环一致性学习训练编码网络,使不同电池之间具有相同退化水平的点相互对齐。基于对齐特征,建立了一种由对齐比最优决策和贝叶斯模型平均(BMA)集成预测组成的RUL预测新方法。实验结果表明,该方法可以实现较高的预测精度,也为RUL预测提供了新的视角。

【关键词】锂离子电池;剩余使用寿命预测;周期一致性学习;退化对齐

【推荐理由】本论文提出了一种基于退化对齐的可转移RUL预测方法,主要思想是学习一个编码网络将原始数据映射到表示子空间,循环一致性学习用于实现退化对齐,该方法可以在多种工作条件下准确预测RUL,使用两个数据集用于验证了所提出方法的有效性。

【关键插图】

图1:(a)表示该方法在数据集1中的RUL预测结果,(b)表示该方法在数据集2中的RUL预测结果。

图2:提出的编码网络和基于CNN的编码网络的编码效果比较。展示了不同编码网络后相同训练电池数据的对齐结果,所提出的编码网络进行编码后对齐误差更小。


论文六:异构电池储能系统中的帕累托最优能流控制

【分类】异构储能系统的寿命预测

【题目】Pareto-optimal power flow control in heterogeneous battery energy storage systems

【作者】Markus Mühlbauer, Fabian Rang, Herbert Palm, et al.

【单位】Institute for Sustainable Energy Systems (ISES), Munich University of Applied Sciences, Lothstr. 64, Munich, Germany

【下载地址】https://doi.org/10.1016/j.est.2021.103803

【摘要】本文研究提出了一种方法框架,可高效识别异质电池储能系统(BESS)中能流控制策略(PFCS)的Pareto最优解,旨在实现运营决策。电池储能系统的经济和生态效益很大程度上取决于其运行效率。然而,电池技术的快速变化显著影响了能流控制策略的适当结合。在这里,将超空间探索 (HSE) 方法应用于经过验证的电池储能系统仿真环境,以量化各种用例和系统配置中的权衡取舍。在调峰应用场景中模拟,分析与所应用能流控制策略相关的目标指标性能、效率和使用寿命。结果说明了设计变量、用例变量和目标指标之间的相关性。在目标指标绩效和效率之间呈现正相关,而使用寿命标准与其他目标指标呈负相关。通过系统地分析它们,方法框架进一步增强了对目标指标之间权衡的理解。该框架也适用于其他能流控制策略、使用案例和目标指标。

【关键词】能流控制策略;异质电池存储系统;电池储能系统;超空间探索;Pareto最优解

【推荐理由】本文提出了一种Pareto最优能流控制策略,针对电池储能系统中效率和寿命的权衡问题,对能流控制策略进行优化。同时,该方法可减少计算负担,所使用基于模型的优化方法更加高效。所提内容有利于储能系统的经济以及环境效益。

【关键插图】

图1:电池储能系统仿真模型示意图,模型包括了电池储能系统(电池和DC/DC转换器)、公共DC总线、公共电网的连接和电池储能管理系统。

图2:通过简化的二维决策问题,对制定用例进行成对目标指标权衡分析。①表示具有最长使用寿命的Pareto优化解决方案,②具有最高效率的Pareto优化解决方案。由于效率的微小提高会导致寿命的显著下降,因此选用Pareto最优解①。


论文七:基于端到端的深度学习的锂离子电池剩余寿命快速预测

【分类】端对端深度学习的寿命预测

【题目】Towards the swift prediction of the remaining useful life of lithium-ion batteries with end-to-end deep learning

【作者】Joonki Hong, Dongheon Lee, Eui-Rim Jeong, Yung Yi

【单位】KAIST, Daehakro 291, Daejeon, South Korea

【下载地址】https://doi.org/10.1016/j.apenergy.2020.115646

【摘要】本文提出了第一个完整的端到端深度学习框架,用于快速预测锂离子电池的剩余使用寿命。虽然锂离子电池具有高效率和低成本的优势,但它们的不稳定性和不同的寿命仍然是挑战。为了防止锂离子电池突然失效,研究人员一直致力于开发预测锂离子电池剩余使用寿命的方法,特别是使用数据驱动的方法。在这项研究中,我们通过考虑原始数据中的时间模式和交叉数据相关性,特别是终端电压、电流和电池温度,寻求更高的周期间老化分辨率,以实现更快、更准确的预测。我们使用不确定性度量、特征的t-SNE 和各种电池相关任务对深度学习模型进行了深入分析。所提出的框架显着提高了剩余使用寿命预测(快25倍)并实现10.6%的平均绝对错误率。

【关键词】锂离子电池;剩余使用寿命;端到端深度学习;扩张卷积神经网络;预测不确定性

【推荐理由】本文提出了一个端到端的深度学习框架,用于预测锂离子电池的剩余使用寿命。该框架解决了从短期测量中预测电池剩余使用寿命的挑战。所提出的框架通过使用目标电池的少于四个数据周期进行预测,显着提高了剩余使用寿命预测,而之前的模型需要 100个数据周期。在各种深度学习模型中,所提出的扩张型CNN的错误率达到了10.6%,而之前的模型达到了14.6%的错误率。文章还描述了一种训练算法和度量来量化神经网络预测中的不确定性,验证了所提出的不确定性估计对特定数据表现出很高的价值。

【关键插图】

图1:扩张的卷积运算的插图。第一层的输入对应于终端电压、电流和电池温度的时间序列数据。该图显示了内核大小为3的CNN的典型架构以及每层的跳变大小。

图2:各种深度神经网络架构在训练时期的训练损失和测试错误。第一行代表“初始设置”中的实验,第二行显示“完整”设置中的实验。


论文八:机器学习的特征工程使能早期预测电池寿命

【分类】仅需极少初始数据的寿命预测

【题目】Feature engineering for machine learning enabled early prediction of battery lifetime

【作者】Noah H.Paulson, Joseph Kubal, LoganWard

【单位】Applied Materials Division, Argonne National Laboratory, Argonne, IL, United States

【下载地址】https://doi.org/10.1016/j.jpowsour.2022.231127

【摘要】准确的电池寿命估计可以加速新型电池材料的设计,并确定最佳使用协议,以延长实际使用寿命。不幸的是,传统的电池测试可能需要数年才能达到数千个循环。最近的研究表明,机器学习(ML)工具可以预测100次或更少初始循环的锂离子电池寿命,来代表几周的循环。到目前为止,这些预测方法在各种正极材料体系电池中的有效性和普适性的结论受到可用实验信息的限制。在这项工作中,我们利用六种正极材料成分(NMC111、NMC532、NMC622、NMC811、HE5050和5Vspinel)、多种电解质/负极成分和300个精心准备的袋状电池的电池循环数据集,探索特征选择和电池化学在机器学习下电池寿命预测中的作用。对于100个初步循环的化学跨越测试集,在预测中获取78个循环的平均绝对误差(MAE)。此外,仅使用第一个循环时,可以获取103个循环的MAE。本研究深入研究了电池寿命预测的特征选择策略、ML模型在多个电池化学中的泛化以及在化学空间中超越训练集的预测。

【关键词】锂离子电池;寿命预测;健康状态;机器学习;特征工程

【推荐理由】本研究成功地实现了一种适用于不同正极材料的锂离子电池寿命预测机器学习算法。即使是在算法开发过程中不了解电池的材料体系,该算法也仅需使用最小规模的初始循环数据(仅一个循环)。

【关键插图】

图1:a)图示显示用于评估本工作中使用性能的从外环到内环的多级策略。b)不同电池的示例数据集拆分(不可见的正极集、测试集、验证集和训练集)。在最外层,整个电池数据集根据正极材料分为六个部分。这意味着一次只有一种正极材料体系的电池用作不可见的正极组,并保留用于评估新型正极材料的预测性能,同时省略了该外环。在下一个级别,剩余的数据集被分成10个随机、大小相等的分区。同样,每次保留一个分区作为测试集。在最内层,剩余的数据再次被分成10个大小相同的随机分区。在这种情况下,每次保留一个分区作为验证集,其余部分保留为训练集。

图2:对于a)Extratrees算法和b)NuSVR算法,显示了使用前100个测试循环数据在测试集中实验循环寿命和预测循环寿命对比图。对于c)Extratrees算法和d)NuSVR算法,显示了仅使用第一个测试数据周期在测试集中的实验循环寿命和预测循环寿命对比图,性能仍在原始特征集的32%以内。虽然精度低于所有100个初步循环可用的情况,但确实提供了有价值的寿命预测和快速筛选工具。对于e)Extratrees算法和f)NuSVR算法,显示了未知正极材料情况下的实验循环寿命和预测循环寿命对比图。Extratrees预测HE5050正极设置在500个循环以下,但在此之后趋于平稳,而NuSVR预测所有电池的寿命约为200个循环。总的来说,NuSVR对未知正极材料情况下具有更高的预测准确性。


论文九:基于非线性自回归神经网络的锂离子电池在线健康诊断

【分类】电池在线健康诊断

【题目】Online health diagnosis of lithium-ion batteries based on nonlinear autoregressive neural network

【作者】Sahar Khaleghi, Danial Karimi , S. Hamidreza Beheshti, et al.

【单位】Department of Mobility, Logistics and Automotive Technology Research Centre, Vrije Universiteit Brussel, Pleinlaan 2, Brussels, Belgium

【下载地址】https://doi.org/10.1016/j.apenergy.2020.116159

【摘要】电池健康诊断对于保证它们运行的应用程序的可用性和可靠性至关重要。数据驱动的健康诊断方法,特别是机器学习方法,由于其简单性和准确性而受到关注。然而,需要一种机器学习方法来应对电池单元的非线性行为,同时避免高计算复杂度以在在线应用中高效工作。机器学习方法的准确性和稳定性在很大程度上取决于涵盖各种电池老化模式的全面电池退化数据集的可用性。虽然许多研究未能解决上述要求,但本研究试图解决这些要求。21个镍锰钴氧化物电池单元已在各种操作条件下循环超过两年以获取数据。探索部分充电电压曲线以提取描述电池健康轨迹的健康指标。之后,开发了一个非线性自回归外生(NARX)模型来捕捉电池单元的健康指标和健康状态之间的依赖关系。最后,验证了所提方法的准确性和鲁棒性。结果证明了NARX对锂离子电池的健康诊断能力,对于未经训练的数据,最大均方根误差为0.46。这表明所提出的模型具有较高的估计精度、较低的计算复杂度以及不受老化模式影响的电池健康估计能力。这些特征指出了所提出的在线健康诊断技术的实用性。

【关键词】锂离子电池;在线SOH估计;电池健康诊断;健康因子;非线性自回归外生神经网络;循环神经网络

【推荐理由】在实际应用中,电池通常不会完全充电至100%SOC并放电至0%SOC,而本文所提出的算法应该能够使用部分充电曲线来估计SOH;为解决一次充电记录了数千个电压点,导致训练集数据复杂、庞大且不切实际,本文采用提取健康指标的方法,避免了训练集的数据庞大;采用一个浮动的电压窗口,电池电压达到窗口电压下限时,开始记录数据,达到窗口电压上限时,数据记录终止,增加了计算的灵敏性。

【关键插图】

图1:算法主要框架。

图2:在未经训练后的测试集的SOH估计结果。

图3:NARX误差直方图与传统NN的比较。


论文十:在健康状态和剩余寿命估计中的机器学习:电池退化建模的理论和技术发展

【分类】综述:机器学习算法在电池退化中的理论

【题目】Machine learning in state of health and remaining useful life estimation:Theoretical and technological development in battery degradation modelling

【作者】Huzaifa Rauf, Muhammad Khalid, Naveed Arshad, et al.

【单位】Lahore University of Management Sciences (LUMS), Pakistan.

【下载地址】https://doi.org/doi.org/10.1016/j.rser.2021.111903

【摘要】设计和部署具有较高可靠性和安全性的低成本和高续驶里程的电动汽车被认为是实现低碳交通的关键。 然而,锂离子电池的应用需要面临恶劣应用环境、容量衰减、电池老化等核心难题。突破这些因素的限制在电动汽车领域发挥着举足轻重的作用。在这方面,健康状态(SOH)和剩余使用寿命(RUL)估计能够预测当前电池的使用状况,通过识别并进一步改进其参数来促进EV 的优化开发和测试效率。这两个状态参数都能准确估计电池性能、维护和健康管理。因此,机器学习(ML)技术提供了重要的预测模型。考虑到电池退化的可扩展性和时间尺度问题,ML策略相对提供了一种计算量低、精度高的方法。本文根据过去十年进行的研究,客观地对这些研究进行了广泛的综述。为SOH和RUL的估计提供了深入介绍,突出了它们的过程和意义。此外,基于为SOH和RUL测量实施的每个类别和子类别,对众ML技术进行了深入独立的研究。最后,提出了以应用为导向的讨论,阐述了准确性和计算方面的优势,旨在为该研究领域的进一步发展提供洞察力。

【关键词】电动汽车;锂离子电池;人工智能;机器学习;健康状态;寿命预测

【推荐理由】本文系统地介绍了与SOH和RUL估计相关的电池退化建模的最新机器学习方法和技术。对当前研究的几种机器学习算法进行了全面分类,具体来说,根据技术优点对所有这些机器学习方法进行了分类和总结,这些方法直接或间接用于电池退化建模和精度改进。

【关键插图】

图1:基于ML的电池退化建模以及SOH和RUL估计的框架。

图2:SOH、RUL和电池退化建模之间的关系。

图3:不同方法RUL的预测结果。

上一篇:【微信公众号】AESA论文推荐第25期:电池储能寿命及充电管理
下一篇:【微信公众号】AESA论文推荐第23期:电池智能管理与状态估计
0
联系地址:北京市海淀区中关村南大街5号北京理工大学   Copyright  ©  2020-   先进储能科学与应用课题组  All Rights Reserved.网站地图
友情链接: 新能源与智能载运期刊    北京理工大学    ICEIV2022会议    机械与车辆学院    机械工程学报    Applied Energy期刊