探究AI技术在电动汽车锂离子电池状态估计中的应用

写在前面的话

技术可以促进社会进步这是个一般规律。

高速的通讯技术使得短视频迅速普及到每个人的智能手机上，在刻板的电视主持人还在正襟危坐老生常谈的时候，人们已经不再打开电视了。

短视频迅速打开了人们学习各个门类知识的大门，从音乐、舞蹈、球类、健身，到教培、写作，再到旅行、美食，博主们也覆盖了从伊春的林工到阿富汗的中国商人，甚至包括那些刚刚失去房屋的洛杉矶富豪。

以美食烹调视频为例，从街头炒粉，新疆手抓饭甚至米其林大厨烹调海鲜，几乎是面面俱到，应有尽有。

与此前普通人的想象不同，大部分厨师烹调美味并没有什么特殊的手上技术，有的只是对于烹调的刀工、火候、咸淡、甜鲜的精确而又复杂的控制。一个复杂的炖菜可能需要先花一天时间炖汤。

那么即便看上十遍视频，我们也只是知道了其基本程序，对于为什么有这个烹调步骤并不了解。

一项复杂的技术学习，需要眼会心会，也需要手会身会；需要知其然，也要知其所以然。

以AI算法这个似乎很难定义的概念来说，我们虽然知道AI技术将在工业设计、工业仿真的各个方面发挥巨大作用，但是对于具体的工作来说，选用哪项AI方法，以及为什么选用这种方法可能更重要。

AI已经向仿真大步走来，对于仿真来说是时候拥抱AI方法了！

AI技术应用于电动汽车锂离子电池状态估计

严重能源危机的迫在眉睫的威胁，加上实现碳中和的需要，促使各国政府促进电动汽车 （EV） 的开发和使用，作为一种可持续的交通方式;从而归因于化石能源消耗和碳排放的联合缓解。锂离子电池 （LIB） 因其能量密度高、寿命长、充电速率快、工作电压平台高和自放电低等优点而成为电动汽车的首选电池类型。由于 LIB 电池组是电动汽车中最昂贵的组件之一，因此正确估计 LIB 的状态是最小化过度设计成本和提高车辆整体效率、安全性和可靠性的关键。因此，电动汽车电池管理系统 （BMS） 的软件设计投入了大量精力，以实时执行准确的充电状态 （SOC） 和健康状态 （SOH） 估计。

SOC 表示电池相对于其容量的充电水平，而 SOH 表示电池相对于电池容量损失或电阻增加的老化程度。由于 SOC 和 SOH 都是不可测量的，因此必须准确估计这两个参数，以避免发生过充电和深度放电。这种估计可以通过各种在线和离线方法实现，这些方法在复杂性和准确性方面有所不同。然而，温度差异、电磁干扰和外部干扰的影响导致 SOC 估计在基于 EV 的 LIB 上下文中成为一个规则的非线性不稳定问题。由于影响电池退化和性能的外部和内部因素有很多，因此估计 LIB 的 SOH 更具挑战性。这些因素的显着例子包括不确定的电动汽车驾驶条件和 LIB 电池内部发生的复杂物理化学反应。

经典电池状态估计方法

开路电压 （OCV） 方法是一种简单的离线 SOC 估计技术，其有效性基于 LIB 端电压与 SOC 之间的相关性。然而，只有当与当前基于集成的在线 SOC 估计技术（称为库仑计数）结合使用时，这种方法才与 EV 应用相关。除此之外，通常采用卡尔曼滤波 （KF） 算法来纠正 SOC 估计误差。这种混合方法的缺点是它们是计算密集型的，并且需要精确的 LIB 模型才能有效。它们也不考虑环境温度对 LIB 性能的影响。相对于容量估计的 SOH 方法通常基于参考 SOC 点之间的安时 （Ah） 计数，而用于电阻估计的 SOH 方法则更加多样化;范围从电压-电流比变化的简单平均到递归算法。为了确保上述方法运行良好，通常需要进行大量的电池测试来对所使用的算法进行建模和参数化。需要更强大和复杂的状态估计技术来处理电动汽车的 BMS 传感器误差以及不确定的模型知识。

机器学习方法

机器学习 （ML） 本质上具有从数据中自我学习的潜力，对物理系统数学模型的依赖最小，从而提供了一种有效的解决方案来处理增加的系统复杂性和不确定性。随着 ML 应用的最新技术突破，数据驱动的 ML 模型正逐渐用于电池状态估计。这些 ML 方法可以实际解决 EV BMS 测量的 LIB 数据（或信号）中发现的非线性和不稳定性问题。它们基于大量离线 LIB 充电/放电测试周期数据运行，从原始电压、电流和温度数据中提取的特征通常用作训练输入，以建立 SOC 或 SOH 的映射模型。通常，基于 ML 的映射模型包括神经网络 （NN）、支持向量机 （SVM） 和深度学习（DL）方法。大量公开可用的电池数据集也使得通过将数据分析与高级 ML 算法相结合来提高 BMS 性能变得相关。在基于 ML 方法的在线 SOC 和 SOH 估计的上下文中，主要的计算负载需求仅发生在 ML 模型的离线训练阶段;因此，允许在 BMS 硬件中对经过训练的 ML 模型进行可行的板载部署。

前馈神经网络

FNN 根据任意数量的输入和输出执行非线性映射，使自己成为最简单的 NN 之一。它的基本结构包括一个具有多个输入和一个输出的单个隐藏层感知器。只能发生单向的信息流，从输入层到输出层（通过隐藏的神经元，如果有）。除了设置 FNN 的层配置外，还必须根据理论假设选择非线性激活函数。

递归神经网络

与 FNN 相比，RNN 以闭环方式使用过去的信息，其中一层的输出成为下一层的输入，该层通常是网络中的唯一层;因此，层的输出成为自身的 Input。这允许网络记住先前的状态，从而影响电流输出。这种差异的一个主要影响是，与 FNN 不同，RNN 也可以利用顺序输入数据来生成顺序输出数据，使其在需要处理时间分段输入数据序列的应用中是可行的。例如，SOC 为k?1可以作为时间步的输入分配给网络k.如果需要短期序列依赖性，则认为这种方法是合适的;但对于 LIB 中观察到的长期依赖关系来说，可能并不理想。这种 RNN 变体面临的挑战与其训练过程相关，其中在反向传播过程中，错误可能会爆炸或消失。为了克服这一缺点，发明了改进的 RNN 变体，例如门控循环单元 （GRU）、长短期记忆 （LSTM） 和双向 LSTM （bi-LSTM）。它们基本上是用门组装而成的 NN，这些门跨越时间数据依赖性遍历当前可用的数据。这种 DL 方法对于解决涉及时间序列或长序列数据的问题非常有用，因为它能够调用过去的信息。

支持向量机

SVM 通常用于解决涉及分类和回归的问题。它努力在高维空间中建立超平面，以便根据其独特的类来分离数据。当从超平面到任何类的最近数据点的距离最大化时，很明显获得了最优的分离边界。电池状态估计通常需要回归学习方法，该方法以顺序方式最小化误差函数。因此，考虑采用 SVM 的广义回归变体是合适的，称为支持向量回归 （SVR）。此方法能够解决不可线性可分数据的回归问题。

比较机器学习方法的准则

选择可行的 ML 方法是一个多方面的问题，它与可用数据量、所需结果的质量以及所需 ML 模型的物理可解释性有关。通常可以基于以下策略进行选择：

对涉及数据驱动的 FNN、RNN 和 SVM 变体的最新 ML 方法进行批判性分析。

确定用于模型训练和 ML 方法验证的数据配置文件。

确定提取的数据特征（即模型输入）。

确定实验的 LIB 类型和温度。

比较 ML 方法的状态估计误差。

根据相关 ML 方法的性能评估其可信度，并确定它们在实际 EV 应用中的实用性。

荷电状态 （soc） 估计

估计的 SOC 用作电动汽车的能量计，它构成了 SOH、电池平衡和功率计算。

方法1

FNN 与无迹 KF （UKF） 算法相结合，以减轻其 SOC 估计误差。它基于真实的 LIB 数据进行训练，这些数据是使用汽车认证驾驶循环 US06、FUDS 和动态应力测试 （DST） 在 0°C 至 50°C 的不同温度下得出的。

方法2

将个 LSTM 堆叠在一起，以增加 NN 的深度和精度。这种方法巧妙地捕捉了 SOC 和可测量信号之间的非线性相关性，并且在跟踪性能方面优于 UKF。但是，堆叠也会使 NN 更难训练，并增加过拟合的风险。

方法3

使用一种称为外生输入非线性自回归 NN （NARXNN） 的非门控 RNN 来提高模型输入的计算效率;以及照明搜索算法 （LSA），用于发现隐藏神经元、输入延迟和反馈延迟的最佳融合，以提高模型的准确性。

健康状态SOH估计

方法1

为了加快从恒流 （CC） 充电和放电曲线中提取的间隔 HI 的处理，使用基于动态时空注意力的 GRU （DSTA-GRU），它聚合了空间和时间注意力，捕获了局部空间模式，并减轻了长期依赖性。

方法2

以双 LSTM为特色，采用经验模态分解 （EMD） 和灰色关系分析 （GRA） 来减轻 NN 的训练负担;首先通过对从 BMS 获得的复杂信号进行去噪，然后识别与 LIB 容量衰减具有很强相关性的 HI。

结论

研究发现，FNN 和 RNN 变体在类似于真实世界 EV 驾驶场景的杂色条件下实现高度准确的估计方面都相对有效。这些 ML 方法擅长捕获非线性 LIB 特性，而无需依赖电池模型或添加的 KF。即便如此，NN 的性能阈值仍受到调整后的超参数和训练持续时间的抑制。

本文摘自：Wesley Q., 2022, A Review of Machine Learning Applications for Li-Ion Battery State Estimation in Electric Vehicles