基于電化學(xué)阻抗時(shí)間尺度信息的鋰離子電池健康狀態(tài)自適應(yīng)估計(jì)方法

基于電化學(xué)阻抗時(shí)間尺度信息的

鋰離子電池健康狀態(tài)自適應(yīng)估計(jì)方法

01 研究概述

精準(zhǔn)估計(jì)健康狀態(tài)(state of health, SOH)是保證鋰離子電池安全、可靠、高效運(yùn)行的關(guān)鍵之一。內(nèi)部動(dòng)力學(xué)過(guò)程的時(shí)間尺度信息與電池健康密切相關(guān)，可通過(guò)弛豫時(shí)間分布 (distribution of relaxation times, DRT) 有效地從寬頻阻抗中辨識(shí)出。

基于此，本研究提出了一種基于電化學(xué)阻抗時(shí)間尺度信息的SOH估計(jì)方法：通過(guò)DRT對(duì)采集的電池阻抗譜進(jìn)行時(shí)間尺度辨識(shí)；從辨識(shí)結(jié)果中提取關(guān)鍵衰退特征；在此基礎(chǔ)上，結(jié)合集成學(xué)習(xí)方法對(duì)SOH進(jìn)行估計(jì)。無(wú)需了解電池歷史運(yùn)行工況或荷電狀態(tài) (state of charge, SOC)，通過(guò)該方法即可實(shí)現(xiàn)寬SOC區(qū)間內(nèi)自適應(yīng)的SOH估計(jì)。

02 研究方法

本研究整體框架如圖1所示。具體地，通過(guò)DRT對(duì)所采集的不同循環(huán)工況、不同老化階段的電池阻抗譜進(jìn)行時(shí)間尺度辨識(shí)，實(shí)現(xiàn)無(wú)模型化阻抗數(shù)據(jù)解析，避免先驗(yàn)預(yù)估；根據(jù)辨識(shí)結(jié)果提取關(guān)鍵的電池衰退特征，構(gòu)建了蘊(yùn)含豐富時(shí)間尺度信息的數(shù)據(jù)集；基于阻抗時(shí)間尺度衰退特征組合，結(jié)合以回歸樹為基學(xué)習(xí)器的集成學(xué)習(xí)（圖2）在寬SOC區(qū)間內(nèi)實(shí)現(xiàn)了自適應(yīng)SOH估計(jì)，同時(shí)借助最小冗余最大相關(guān)算法對(duì)比研究了不同特征組合下SOH估計(jì)性能。

圖1 本研究整體框架

圖2 最小二乘提升回歸樹集成訓(xùn)練示意圖

03 結(jié)果和討論

圖3展示的是各電芯在不同老化階段、不同SOC下電化學(xué)阻抗譜的時(shí)間尺度辨識(shí)結(jié)果。進(jìn)一步地，如圖4所示，從DRT曲線中初步提取各個(gè)特征峰的中心時(shí)間常數(shù)、相應(yīng)弛豫時(shí)間分布以及相應(yīng)界面阻抗R作為備選衰退特征，并進(jìn)行容量與上述備選衰退特征的相關(guān)度分析，依據(jù)相關(guān)系數(shù)最終篩選出5項(xiàng)關(guān)鍵衰退特征

。

圖3 各電芯在不同SOC下的電化學(xué)阻抗譜時(shí)間尺度辨識(shí)結(jié)果隨老化的演變情況

圖4 衰退特征提取示意圖

圖5呈現(xiàn)了各電芯在不同SOC下的SOH估計(jì)結(jié)果，圖中灰色虛線表示SOH估計(jì)無(wú)誤差。總體上，在不同循環(huán)工況下，各電芯的SOH估計(jì)結(jié)果均較好。觀察圖5 (b)和(c)中Cell 2和Cell 3的估計(jì)結(jié)果，所有數(shù)據(jù)點(diǎn)分別均勻分布在灰色虛線附近。而從圖5 (a)和(d)可看出，總體上，Cell 1的SOH估計(jì)值趨于偏大，Cell 4的SOH估計(jì)值趨于偏小，這兩個(gè)相似的情形可能是由測(cè)試電芯和訓(xùn)練電芯的衰退軌跡不同引起的。此外，對(duì)于各個(gè)不同工況的電芯，在整個(gè)循環(huán)周期中均可觀察到：同一衰退點(diǎn)處，不同SOC下估計(jì)所得SOH數(shù)據(jù)點(diǎn)基本保持接近。

圖5 各電芯在不同SOC下的SOH估計(jì)結(jié)果

具體地，Cell 2估計(jì)效果最佳，不同SOC下估計(jì)的MAE均值最低(0.87%)，RMSE均值也為最低(1.06%)；而Cell 1的 MAE和RMSE均值分別為1.87%和2.08%，在所有電芯中估計(jì)誤差最大。總體而言，SOH估計(jì)精度在現(xiàn)有研究中相當(dāng)具有競(jìng)爭(zhēng)力，表明所提出的基于電化學(xué)阻抗時(shí)間尺度信息的SOH估計(jì)方法的有效性。此外，隨著SOC變化，估計(jì)的MAE在均值附近有不同程度波動(dòng)，RMSE也是如此。其中，與Cell 2、Cell 3相比，Cell 1和Cell 4的MAE和RMSE分布范圍相對(duì)較寬些。對(duì)于不同SOC下的估計(jì)，所有電芯最大MAE和RMSE分別都在2.46%和2.65%以內(nèi)，顯示出較高的估計(jì)精度。需強(qiáng)調(diào)的是，SOC在SOH估計(jì)模型中并未作為輸入變量，即在進(jìn)行模型訓(xùn)練或測(cè)試時(shí)無(wú)法獲取SOC信息。從上述結(jié)果可以看出，在不了解循環(huán)歷史或SOC的情況下，基于所提出的方法可在寬SOC區(qū)間內(nèi)（30% ~ 90%）實(shí)現(xiàn)較好的自適應(yīng)SOH估計(jì)。

特征降維不僅有利于降低模型復(fù)雜度，還有望通過(guò)不同的特征組合來(lái)提高SOH估計(jì)性能。為此，本研究采用最小冗余最大相關(guān)算法進(jìn)行特征重要性分析，并在總特征數(shù)量固定的情況下進(jìn)行最優(yōu)特征子集搜索（如圖6所示），有助于不同特征組合的對(duì)比研究提速。

圖6 通過(guò)最小冗余最大相關(guān)算法進(jìn)行特征子集搜索

圖7呈現(xiàn)的是基于不同衰退特征組合（子集1~ 5）在不同SOC下估計(jì)SOH的平均誤差(平均MAE和RMSE)。顯然，隨著所采用的特征子集維數(shù)增加，平均MAE和RMSE逐漸下降。基于子集1實(shí)現(xiàn)了最佳的估計(jì)精度，平均MAE和RMSE的最大降幅分別達(dá)到13.02%和11.49%，驗(yàn)證了所采用的5項(xiàng)電化學(xué)阻抗時(shí)間尺度特征組合(即子集1)的有效性。

圖7 基于不同特征組合(即子集1~ 5)的SOH估計(jì)誤差對(duì)比

審核編輯：湯梓紅