首页 > 行业资讯 > 广州大学杨伟&广东工业大学刘全兵J. Energy Storage：深度学习助力高准确度和可解释性的电池寿命预测

广州大学杨伟&广东工业大学刘全兵J. Energy Storage：深度学习助力高准确度和可解释性的电池寿命预测

时间：2023-02-22 来源：浏览：

广州大学杨伟&广东工业大学刘全兵J. Energy Storage：深度学习助力高准确度和可解释性的电池寿命预测

原创 Energist 能源学人

能源学人

微信号 energist

功能介绍能源学人，打造最具影响力的能源科技服务平台！

收录于合集

【研究背景】

锂离子电池具有能量密度高等优点，在电动汽车中得到了广泛应用。随着使用时间的增加，锂离子电池不可避免地会出现老化现象和性能下降，其表现为容量下降，内阻增加。对电池在实际运行过程中的健康状态和寿命结束进行监测和预测，是电池安全管理的关键。当前，电池剩余使用寿命( Remaining useful life, RUL )预测模型主要分为三大类：基于机理的模型、半经验模型和数据驱动模型。基于机理的模型考虑了固体电解质界面(solid electrolyte interface, SEI)生长等电化学过程，精度较高，但需要较深的物理化学知识且仅对特定材料体系的电池有较好的响应，难以应用于实际。半经验模型不局限于单纯的物理-化学方程，可以很容易地提取模型参数，但需要进行大量的电池加速老化实验为模型训练提供大量容量衰减数据。机器学习具有学习能力强、计算效率高、精度高等优点，可以准确预测锂离子电池的剩余使用寿命。然而，许多数据驱动模型作为黑盒函数的预测行为和原理尚不清楚，其高精度预测的潜力有待进一步研究。

【工作简介】

近日，广州大学化学化工学院杨伟博士课题组联合广汽研究院王成运博士、广州大学网络空间安全学院王乐教授、广东工业大学刘全兵教授提出了一种基于自适应特征可分离卷积(Adaptive feature separable convolution, AFSC)和卷积长短期记忆(Convolutional long short-term memory, ConvLSTM)网络的混合模型，以提高RUL预测的准确性和模型的可解释性。该模型从充电过程数据中提取老化特征，可同时应用于寿命早期预测和RUL预测。 AFSC算法(子网1)在从早期循环数据中自适应调整通道输入权值和合并不同充电特征方面表现突出。ConvLSTM算法(子网2)擅长捕获循环后期数据的时空特征。两者的融合使得模型在两种预测中都具有较高的精度。此外，注意力机制的嵌入提高了模型对关键信息的筛选能力。同时，通过上采样和注意力权重的可视化，分析了模型的特征处理和预测过程，为研究人员深入理解黑盒函数的建模行为，增强模型的可解释性提供一种通用方法论。该文章以A novel hybrid model for lithium-ion batteries lifespan prediction with high accuracy and interpretability为题，发表在国际能源期刊Journal of Energy Storage上。硕士生庞晓贤为本文第一作者，通讯作者为广州大学杨伟博士、广东工业大学刘全兵教授。

【内容表述】

图1 所提出模型的框架。其中

为全局平均池化层，

是全连接层。

通过融合两个子网来实现模型对多尺度数据输入良好相响应和全面提取电池老化特征，实现对RUL的精准预测。提出了一种新型的AFSC算法，它结合了自适应感受野(Adaptive receptive field)和深度可分离卷积(Depthwise separable convolution)的思想。AFSC算法继承了深度可分离卷积的优点，与传统卷积相比，训练参数更少，并简化了模型结构。此外，嵌入了全局注意力和局部注意力机制，使AFSC能够自适应地调整单个通道的权重，捕捉特征曲线下的关键信息，而不是调整感受野。子网2使用ConvLSTM来捕捉不同循环状态下V、I和T数据的时序相关性。两个子网的输出通过全连接层得到最终的RUL预测值。

图2 预测起点为第20、40、60、80、100个循环时，模型的表现: (a)寿命早期预测值和真实值; (b)绝对误差分布; (c)相对误差分布; (d)相对误差的概率分布。

在寿命早期预测中，随着预测起点的延后，预测精度呈现出明显的上升趋势。当预测起点为第20个循环时，预测误差为0个循环的电池占8%(4个电池)，而误差在1-5个循环内的电池占68%(20个电池)。当预测起点为第100个循环时，这两个比例分别增加到44%(11个电池)和52%(13个电池)。0个循环的预测误差比例继续增加，而大误差的比例继续减少，说明模型的预测结果趋于准确和稳定。其中，单次预测的最大误差仅为5.2%。

图3 电池RUL预测和管理流程。

电池寿命的早期预测结果用于指导RUL的预测。在电池运行期间，根据前20个循环预测电池的终结寿命(End of life, EOL)，得到预测的

值。然后，预测器保持缄默，电池继续运行到

的预警值。其中，

，为RUL占整个电池寿命循环的比例。最后，预测器被激活进行RUL预测，报告RUL并提供预警。

图4 模型的预测RUL和真实RUL及其之间的误差(仅显示非零误差): (a)和(b)

; (c)和(d):

= 7.25%; (e)和(f):

= 5%; (g)和(h):

= 2.5%。

在RUL预测中，当

=10%时，预测结果的误差范围是0-11个循环。4个循环内的绝对误差占到总结果的60%。随着预警点接近EOL，模型的绝对误差范围从0-5个循环下降到0-2个循环。当

= 5%时，88%的RUL预测误差≤1个循环。总的来说，RUL预测的准确性高于早期预测。当

=2.5%时，RUL预测的平均绝对百分比误差(Mean absolute percentage error, MAPE)、均方根误差(Root mean square error, RMSE)和平均绝对误差(Mean Absolute Error, MAE)分别为0.5%、0.35个循环和0.12个循环。所开发的预测器提供了高度准确和鲁棒的预测结果，可以为电池管理系统提供有效和可靠的RUL参考值和及时的电池更换预警。在已发表的数据驱动模型中，这些预测结果均表现较好。

图5 子网1中20个循环充电数据及其对应的贡献度：(a)和(b)电压；(c)和(d)电流；(e)和(f)温度。左列和右列分别对应于早期预测和RUL预测。

通过上采样可视化原始数据点对模型的贡献值。在第1~740个采样点之前，电压曲线总是有很高的贡献值且其分布相对密集。在恒压( constant voltage, CV )阶段，高贡献值的出现是相对稀疏的。这是因为每个电池的CV阶段在3.6V平台处重叠，除了CV阶段的开始时间和持续时间外。这些特征只能通过检测CV段的开始和结束来提取，即第740-760个和第1024个采样点附近的贡献值。与早期预测不同，在RUL预测中，电压曲线恒流( constant current, CC )1阶段的贡献开始减少，减少的权重被附加到CC2和CC3阶段。在后期循环中，由于材料的老化，电池的内阻增加。在CC2阶段，电池在被充电到其80%的额定容量之前已经达到了3.6V。ABIN电池测试系统自动切换到CV，充电曲线形成一个新的电压平台。此外，在CC3阶段开始时，充电容量已经接近饱和，所以CC3阶段的充电平台持续缩减。从循环早期到后期，充电电压曲线有明显的形态变化。为了适应这种数据变化，与早期预测相比，模型在RUL预测中赋予CC2和CC3阶段以密集的高贡献值分布。

图6 ConvLSTM提取的特征谱图：(a)早期预测；(b)RUL预测。

通过可视化ConvLSTM算法提取的特征谱图分析子网2对数据的特征处理过程。温度曲线呈现出均匀的高热值分布。在早期预测中，温度输入的总体特征值最高，与全局注意权重分析的结果一致。在RUL预测中，温度输入的特征值减小，而电流和电压输入的特征值总体增加(大区域暖色变为冷色)。电流输入中的特征显著区域对应于CC1阶段的初始阶段和图6中两个恒压充电区域，这是初始状态和实时状态之间最显著的区别。

图7 子网2中的局部注意力学习权重：(a)早期预测；(b)RUL预测。

ConvLSTM得到的特征图通过局部注意捕捉重要的特征区域，不同充电过程变量的贡献度以热图的形式显示。从早期预测到RUL预测，第360-510个采样点区域的贡献值增加(红框)。特别是在电流输入中，前100个采样点内的贡献值(黑框)整体降低，降低的贡献值被追加到第360-510个采样点中，对应于图5(b)中描述的新恒压充电平台的形成区域。所提出的模型通过对充电模式的初步识别，确定了电池寿命的大致区间，并通过其他通道数据进行修正，得到最终准确的预测值。

【结论】

本项工作提出了一种新型的自适应可分离卷积算法，并融合ConvLSTM算法提出了一个可同时用于电池寿命早期预测和RUL预测的混合模型。该模型使用前20个循环的充电数据，早期寿命预测的MAPE为0.74%，MAE为7个循环。四个RUL监测点寿命预测的MAPE为5.8%、0.9%、1.0%和0.5%，MAE分别为4.4、0.64、0.52和0.12个循环。对注意力机制的学习权重进行分析并解释了所提模型的预测行为及其与电化学知识的关系。该模型能够敏感地捕捉到由电化学机制老化引起的直接可测量变量之间的差异，并根据其规律进行准确建模。

X. Pang, W. Yang, C. Wang, H. Fan, L. Wang, J. Li, S. Zhong, W. Zheng, H. Zou, S. Chen, Q. Liu, A novel hybrid model for lithium-ion batteries lifespan prediction with high accuracy and interpretability, The Journal of Energy Storage (2023) 106728, DOI: 10.1016/j.est.2023.106728.

IF>72！电池又发Chem. Rev.教您如何制备一个好的电极，并了解其传输机理

2023-02-21