基于健康特征和长-短期记忆的锂离子电池健康状态估计

数据驱动方法通常在输入变量和目标之间建立黑盒模型。然后，应用先进的分类、机器学习和智能优化算法，找到输入和目标之间的映射关系，从而在有足够训练数据的前提下实现准确预测。对于SOH估算，数据驱动方法不需要了解详细的电池退化机制，仅依赖于足够的运行退化数据[24]。通常，这些方法通过机器学习算法从海量数据集中提取电池劣化的关键特征信息。

一般情况下，电池容量和内阻与SOH的相关性较强，所以通常选择它们作为健康特征HFs。但实际应用中，电池容量和内阻很难获得。容量的计算通常通过充分充放电循环实验，但在实际操作中很少发生。而内阻，当电池按模块分组时，也几乎不可能直接测量。

因此，这里考虑采用充电时间、IC容量增量和差分电压等间接指标进行SOH预测。这些指标虽然与SOH没有直接关系，但在整个生命周期中与SOH呈现出很强的非线性相关性。也就是说，如果能够从充放电实验中适当地提取出一些间接指标，就可以构建出与SOH的映射关系。采用数据驱动学习算法进行训练时，模型的预测精度取决于学习能力。与传统的神经网络相比，循环神经网络能够通过内部状态变量来描述信号内部的隐式特征，因此训练效果更好。然而，RNN受限于有限的历史信息存储，因此很难甚至不可能进行高精度的长期预测。作为一种深度学习网络，长短期记忆(LSTM)是一种特殊的RNN，用于学习长期依赖关系，并逐渐在语言建模和图像识别中得到应用。LSTM中可以通过特殊的门来记忆长期的历史信息。考虑到电池老化是一个长期的过程，LSTM网络可能是了解电池容量长期退化趋势的合适解决方案。

一、电池寿命周期测试及对实验数据进行分析

SOH定义为当前最大可用容量Qcurover与标称值Qnom之比：

该实验对五种电池（1、2属于21700类型，3、4、5是属于18650类型）进行寿命周期测试，以提取特征数据。

电池寿命周期测测试详细程序：

1)在CC充电模式下，电池1和2以0.5C的电流充电(C代表电池的额定容量，单位为安培小时)，电池3到5以1C的电流充电，直到电压达到上限。

2)在CV充电模式下，对电池单体进行恒压充电，直到电流逐渐减小到截止电流。

3)静置电池1小时。

4)在放电模式下，用2C电流放电电池单体1、3、4、5，用3C速率放电电池单体2，直到电压达到截止值。

5)静置1小时。

6)重复步骤(1)至(5)，完成循环试验

二、HFs提取

HF1：CC阶段充电时间——突出极化现象

HF2：CC充电持续时间占整个充电过程的比例

HF3：放电持续时间
注：在实时应用中，用户很少允许完全放电发生。因此，为了保证放电持续时间是有效的，我们选择了一段电压曲线(3.6 V ~ 3.2 V)来代替原来的总放电持续时间，即放电电压从3.6V降到3.2V的持续时间——反映了电池的放电容量

IC曲线提取特征（IC曲线：将电压上升缓慢而电池内部反应剧烈的电压平台区转化为IC曲线上易于观察的率）

HF4：峰值点的IC值

HF5：峰值点对应的电压

灰色关联分析

GRA是一种基于灰色系统理论，根据元素变化趋势的相似性和差异性来评价元素间相关性的实用方法。基于GRA的定量分析是为了获得参考序列和比较序列之间的相关性。

熵权法分析

灰色关联分析结果可以看到HFs和SOH之间较强的相关性，但每个HF的贡献函数很难直观计算，引入EWM确定HFs的权重。

熵e：信息论中不确定性的度量
信息效用值d：d=1-e
信息效用归一化后即每一个指标的熵权。

熵小（数据有序，信息多）——>熵权大（分散度低）

计算熵权步骤：
1、归一化不同量纲的指标
2、计算第i个循环的第j个指标在所有循环中的比重

                            
3、计算第j个指标的信息熵

                   
4、计算第j个指标的权重

                     

三、LSTM预测过程

LSTM是一种专门的RNN，用于解决具有长期依赖性的消失梯度问题和梯度爆炸问题。LSTM中的特定门可以充分利用历史信息和时间序列数据的长期依赖性。给定固定的模型参数，通过进行门控制，循环权重随时间变化，积分尺度动态变化，因此可以解决消失梯度和梯度爆炸？？？

引入Adam算法来训练LSTM的参数，与传统的随机梯度下降算法相比，Adam优化算法是一种一阶优化算法，具有更高的计算效率、更低的内存占用、更少的旋转劳动和更好的解决大规模参数优化的优势。

以最大绝对误差(maximum absolute error, MAE)、均方误差(mean square error, MSE)、均方根误差(root-mean square error, RMSE)和拟合优度r2为评价指标。MAE、MSE和RMSE综合评价平均预测性能，其值越小，预测精度越好。相反，R2(在[0,1]范围内变化)评价训练模型的正确性，R2值越大(即越接近1)表明预测结果与真实归因更接近。

 四、总结

首先分析电池充放电电压曲线和IC曲线提取HFs，然后采用梯度矩阵法和EWM对提取的HFs进行细化。在选取的5个HFs的基础上，利用LSTM实现SOH预测，同时利用Adam算法寻找最优模型参数。

对于单个电池，通过60%的cycle数据进行模型训练，验证了SOH的估计误差可以达到最大值4.55%。同时，当仅使用一个电池数据进行训练时，其他电池的SOH估计误差仍然小于5.99%。实验结果表明，与Elman神经网络、支持向量机和探地雷达方法相比，该方法能较好地预测SOH，具有一定的鲁棒性。该方法具有一定的实际应用潜力。本研究在单电池单元的基础上完成了SOH估计。为了进一步的发展和普及，下一步的研究计划中需要对电池组的SOH估计进行研究，并结合其他先进算法提高SOH的精度。另外，仅基于部分充放电条件的SOH估计也将是研究的方向。此外，如何基于时变电流和部分充放电周期数据提取相关健康特征进行SOH预测也是研究重点。