一、研究重点

电池容量是动力电池管理技术中的一个重要参数，是电动汽车级别续航里程和电池系统级别状态估计和寿命预测的必要输入。本研究通过数据驱动的方法提出了一种基于电池松弛电压特征参数的容量估算新方法。该方法以充满电后的电流弛豫电压信息为特征参数，实现了1.1%的容量估计误差（RMSE）。通过构建迁移学习方法提高方法的泛化能力，在另外两种不同材料体系的锂离子电池上验证了该方法，估计误差小于1.7%。您将了解有关 通过阅读这篇文章来估算电池容量的新方法。

所提出的基于电池松弛电压特性的容量估计方法具有独立于电池历史信息和环境信息的优点，并且不需要特定的电池测试条件和充电电压范围。该研究发布了商用锂离子电池在三种不同材料体系下的长循环测试数据集，共计130个电芯，每个电芯根据不同的测试条件循环50-1400次，包括3个温度点（25oC、35oC） ,45oC). 5种充放电倍率（0.25C、0.5C、1C、2C、4C）。

二、背景介绍

动力电池管理的发展经历了以门限保护、状态估计驱动、安全和寿命为核心的三代管理技术，发展到全生命周期、智能化管理。信息收集、状态估计和预测、自适应控制和优化管理是电池管理中的常用技术。

电池容量是电池管理技术中的一个重要参数。在整车层面，电池在当前状态下的最大可用容量决定了电动汽车充电后的可持续续驶里程。在电池系统层面，电池容量是电池管理技术中诸多关键状态的必要输入，也是电池健康和寿命的重要表征。因此，准确获取电池容量信息对于车辆应用和管理非常重要。

获得电池容量最直接、最准确的方法是直接测量法，它计算从“充满”状态转移到“空”状态的电荷量。但在实际应用中，动力电池的充电由外部充电桩完成，放电由驾驶员行为和环境的复杂性动态决定。动力电池的充放电过程具有不确定性和不完全性，直接测量方法不适合工程应用。

电压作为电源系统的关键参数，已被证明包含电池的热力学和动力学信息。利用机器学习方法从电池电压中提取电池状态信息是一个重要的研究方向。数据驱动的方法不需要了解电池的内部机理，只需要从宏观特征参数中提取有效信息，具有简化分析的优点。但该方法对数据依赖性强，需要获取足够、完善的数据。特征工程是数据驱动方法的关键步骤。与放电过程相比，车载电池的充电过程更加稳定。目前，通常在电池充电过程中提取特征参数。

本文详细列出了电池充电曲线的电流容量估算方法。根据使用的电压曲线段，可分为（1）恒流法；(2)恒流恒压法和(3)弛豫电压法。其中对恒流法和恒流恒压法研究较多，对多种机器学习算法（支持向量机、相关向量机、随机森林回归、高斯过程回归和神经网络等）进行了研究用于建立特征参数与电池容量之间的关系。随着汽车充电技术的快速发展，尤其是对于快速充电的需求，

弛豫电压法以切断电流后的电池耐压为特征参数，不受电池充电策略的影响，统计结果表明车载电池达到满电状态的发生概率比较高。研究表明，电池的弛豫过程可以反映电池的衰变机理。但由于目前公开的电池数据集中包含的弛豫电压信息有限，利用弛豫电压法估算电池容量的研究较少。

基于以上分析，本文首先构建了下表所示的三种不同材料体系的锂离子电池循环测试数据集。数据集包含130个电芯，实验条件包括3个温度点（25oC、35oC、45oC）和5种充放电倍率（0.25C、0.5C、1C、2C、4C）。基于构建的电池数据集，开发了一种基于弛豫电压特征参数的电池容量估算方法。

 

3.图解指南

图 1. 电池循环数据

本文通过电池循环测试，构建了三种商用锂离子电池的循环数据集，根据正极材料分别命名为NCA电池、NCM电池和NCM+NCA电池. 如图1所示，某NCA电池（1a）第一个循环的电流-电压曲线；某NCA电池（1b）循环过程中弛豫电压的变化，本文的特征参数是从阶段III中提取的；三种型号电池的容量衰减分别对应（1c）、（1d）和（1e）；分别。图例CYX-Y/Z的含义：X为电池循环温度，X/Y对应充放电电流。研究了NCA电池数据构建的建模数据，采用ElasticNet、XGBoost和SupportVector Regression（SVR）作为基础模型（BaseModel）。NCM电池和NCM+NCA电池数据用于迁移学习模型的方法验证数据。

图2 松弛电压特征参数与NCA电池容量的关系

利用数理统计方法，将NCA电池的每条弛豫电压曲线量化为方差（Var）、偏度（Ske）、最大值（Max）、最小值（Min）、平均值（Mean）和过峰度（Kur）六个特征参数。NCA电池5次循环测试条件下弛豫电压6个特征参数与电池容量的关系如图2所示。研究采用分层抽样的方法，即在每个测试条件下， batteries按照4:1左右的比例量化分为训练集和测试集。XGBoost算法用于对以上六个特征参数的任意组合进行操作，最优特征参数组合为(i,j) = (7, 1) = [Var, Ske,

 

图 3 不同特征参数组合下的估计精度热图

利用[Var, Ske, Max]特征参数的组合对不同的机器学习算法进行运算分析，结果如图4a所示。所提出的基于松弛电压特征参数的容量估计方法在ElasticNet上精度较低，在XGBoost和SVR上效果相似，测试误差（RMSE）均为1.1%。请参阅 4b、4c 和 4d 以比较相应的真实容量和估计容量。

图4. NCA电池容量估算结果在三种基本模型上的精度对比

该数据集提供了电池的恒流（恒流和恒压）充电电压数据。因此，本文将部分文献提出的恒流法和恒流恒压法应用于该数据集，对比结果如表2所示。

 

在这项研究中，使用交流阻抗研究了三种商用电池的衰减机制。使用等效电路模型将电池衰减过程中的阻抗变化量化为欧姆内阻（R0）、SEI内阻（R1）和电化学迁移内阻（R2），结果如图5所示。复微分电池内阻随测试条件的变化证明了仅使用线性模型进行电池衰减研究的局限性。不同类型电池的内阻变化也表现出一定的相似性。例如R2呈指数上升趋势，为后续迁移学习方法的应用提供了可能。

图5 三种锂离子电池衰减过程中的阻抗变化

为了提高已建立的基于松弛电压特征参数的电池容量估计方法的通用性和普适性，本文在XGBoost和SVR算法的基本模型的基础上构建迁移学习模型，并将其应用于NCM电池和NCM +国家情报局。该方法在电池数据集上进行了验证，验证结果如表3所示。

设计了两个迁移学习模型：TL1是在基础模型的后端增加一个容量的线性变换层；TL2是在基础模型的前面增加一个特征参数的线性变换层。ZSL是零样本学习（Zero-ShotLearning），NoTL是直接用新的数据集重新训练全模型。迁移学习模型的训练数据分别占 NCM 电池和 NCM+NCA 电池数据集的 0.06% 和 0.35%。可以看出，使用基于 SVR 的 TL2 算法在两个新数据集上取得了 1.7% 的验证结果。相应的实际容量和估计容量比较如图 6 所示。

图 6. 迁移学习方法 TL2 在 NCM 电池和 NCM+NCA 电池上的验证结果

4.总结

本研究借助数据驱动方法，提出的基于松弛电压特征参数的电池容量估计方法独立于电池历史信息和环境信息，具有不需要特定电池测试条件和充电电压的优点范围。构建迁移学习方法以提高容量估计方法的泛化性和普适性。

本研究将130节锂离子电池的电池循环测试数据及相关数据处理算法开源，供相关从业者参考。该研究为车用动力电池的停车充电、电池更换、梯次使用寿命评估和寿命预测等多种应用场景和动力技术发展提供了新的研究思路和解决方案。

    上一篇我们送上的文章是 有锂启动电池吗？可以用锂深循环电池做启动电池吗？ ， _!在下一篇继续做详细介绍，如需了解更多，请持续关注。
本文由日本NEC锂电池中国营销中心于2023-04-18 10:08:05 整理发布。
转载请注明出处.