基于DESSA-DESN和NCA的锂离子电池剩余寿命预测.pdf
《基于DESSA-DESN和NCA的锂离子电池剩余寿命预测.pdf》由会员分享,可在线阅读,更多相关《基于DESSA-DESN和NCA的锂离子电池剩余寿命预测.pdf(12页珍藏版)》请在咨信网上搜索。
1、第 12 卷 第 10 期2023 年 10 月Vol.12 No.10Oct.2023储能科学与技术Energy Storage Science and Technology基于DESSA-DESN和NCA的锂离子电池剩余寿命预测李练兵1,2,朱乐1,景睿雄1,王兰超1,韩琪琪2(1河北工业大学人工智能与数据科学学院,天津 300130;2省部共建电工装备可靠性与智能化国家重点实验室(河北工业大学),天津 300130)摘要:锂离子电池的剩余使用寿命(RUL)对于锂离子电池在设备中的管理、使用至关重要,为了提高RUL的预测精度,本工作提出一种基于混合差分进化-麻雀搜索算法(DESSA)优化的
2、深度回声状态网络(DESN)和邻域成分分析法(NCA)的锂离子电池RUL预测方法。首先,对锂离子电池的容量衰减特性进行分析,对于多种能够描述电池老化状态的间接健康指标,利用NCA算法降维处理,得到4个高相关度的健康因子作为模型的输入;其次,将差分进化算法(DE)和麻雀搜索算法(SSA)相结合,将突变、交叉、筛选等操作引入SSA算法的种群更新过程中,提出混合差分进化-麻雀搜索算法(DESSA)算法,利用DESSA算法对DESN网络的参数进行寻优,建立DESSA-DESN预测模型。最后,利用NASA数据集和CALCE数据集对所提模型的有效性和泛化性能进行验证,并与SSA-DESN、GPR等现有方法
3、进行比较,结果表明本工作提出的DESSA-DESN模型能够更加准确追踪锂离子电池的退化状态,具有更小的预测误差,对RUL预测结果的均方根误差(RSME)能够保持在1.5%以内,平均绝对误差(MAE)保持在1%以下。关键词:锂离子电池;剩余使用寿命;邻域成分分析;深度回声状态网络;混合差分进化-麻雀搜索算法doi:10.19799/ki.2095-4239.2023.0398 中图分类号:TM 912 文献标志码:A 文章编号:2095-4239(2023)10-3191-12Remaining useful life prediction of lithium-ion batteries ba
4、sed on the DESSA-DESN model and the NCA algorithmLI Lianbing1,2,ZHU Le1,JING Ruixiong1,WANG Lanchao1,HAN Qiqi2(1School of Artificial Intelligence Hebei University of Technology,Tianjin 300130,China;2State Key Laboratory of Reliability and Intelligence of Electrical Equipment Hebei University of Tech
5、nology,Tianjin 300130,China)Abstract:The remaining useful life(RUL)of lithium-ion batteries is crucial in managing and using energy storage devices.To improve the prediction accuracy,this study proposes a RUL prediction method based on improved deep echo state network(DESN)and neighborhood component
6、 analysis(NCA),in which the DESN is optimized by a hybrid differential evolution(DE)-sparrow search algorithm(SSA).First,various health indicators(HIs)are selected to describe the battery aging mechanism by analyzing the capacity decay characteristics of lithium-ion batteries.The NCA is used to redu
7、ce the HI dimensionality.Four high-correlation health factors are then obtained as the model input.Next,the DE algorithm(DE)and the SSA are combined to construct the DESSA algorithm,which is used to optimize the DESN network 储能测试与评价收稿日期:2023-06-07;修改稿日期:2023-07-06。基金项目:河北省重点研发计划项目(20312102D)。第一作者及通信
8、联系人:李练兵(1972),男,博士,教授,研究方向为新能源发电与微电网技术、储能管理和电源技术,E-mail:lilianbing 。引用本文:李练兵,朱乐,景睿雄,等.基于DESSA-DESN和NCA的锂离子电池剩余寿命预测J.储能科学与技术,2023,12(10):3191-3202.Citation:LI Lianbing,ZHU Le,JING Ruixiong,et al.Remaining useful life prediction of lithium-ion batteries based on the DESSA-DESN model and the NCA algori
9、thmJ.Energy Storage Science and Technology,2023,12(10):3191-3202.2023 年第 12 卷储能科学与技术parameters.As a result,the DESSA-DESN prediction model is established.Finally,the validity and the generalization performance of the proposed model are verified using datasets from the National Aeronautics and Space
10、Administration and the Center for Advanced Life Cycle Engineering.The results show that,compared with existing methods(e.g.,SSA-DESN and ground penetrating radar),the proposed method more accurately tracks the degradation state of lithium-ion batteries with smaller prediction errors.The root-mean-sq
11、uared error of the prediction results remains within 1.5%,while the mean absolute error remains within 1%.Keywords:lithium ion batteries;remaining useful life;domain component analysis;deep echo state network;hybrid differential evolution-sparrow search algorithm锂离子电池广泛应用于新能源汽车、微电网储能设备1等领域,其经济性和安全性已
12、经成为人们关注的焦点2。特别在电子储能方面,剩余使用寿命(remaining useful life,RUL)预测对投资规划和运行管理极为重要3-5。因此,精准预测锂离子电池RUL对于保证电池的健康使用、延长电池的使用寿命有重要意义和价值1-5。目前,国内外学者对锂离子电池的寿命退化进行了大量研究,对锂离子电池RUL预测的方法主要分为基于模型的方法、基于数据驱动的方法。模型法主要包括电化学模型法、等效电路模型。基于模型的方法通常考虑电池的材料、内部电化学反应、阻抗变化等因素,将电池构建为以容量为状态变量或参数的模型,并使用卡尔曼滤波器(KF)、粒子滤波器(PF)等滤波器进行估计,实现对电池RU
13、L的预测。文献6提出一种考虑电流倍率的分数阶等效电路模型,并采用多尺度双扩展卡尔曼滤波器对电池状态进行估计。文献7提出了一种将模糊推理系统与自适应对偶扩展卡尔曼滤波器相结合的健康状态估计方法。实验结果表明,与扩展卡尔曼滤波算法相比,所提出的ADEKF-FS算法可以获得更高的预测精度和收敛性。文献8将期望最大化算法和Wilcoxon秩和检验引入无迹粒子滤波器,以适应锂离子电池容量再生,结果表明该方法具有更高的精度。基于模型的方法虽然能够获得较高的精度,但是,电池的衰减是一个复杂的物理和化学过程,构建的模型往往非常复杂,充放电、温度、电压等都会影响电池衰减变化,通常很难获得合适的物理模型来描述系统
14、的动态特性。基于数据驱动的预测方法通常分为人工智能(AI)方法和统计数据驱动方法。这些方法得益于大量电池数据,不需要对电池的退化过程进行精确分析,通过挖掘隐藏在数据下的电池退化信息来对RUL进行预测。在基于数据驱动的预测方法中,神经网络由于其对非线性系统的良好适应性能,而被广泛使用。文献9提出一种改进的LSTM神经网络评估电池SOH并预测电池RUL,使用多组电池数据验证此方法的实用性。文献10利用结合变异因子的粒子群算法优化反向传播神经网络,构建健康因子作为输入,预测RUL,实验结果证明所提方法的有效性。文献11利用改进的蚁狮优化算法对支持向量机(SVR)的核参数设置进行优化,优化后模型对于S
15、OH预测的精度大大提升。文献12提出一种一维卷积神经网络与长短期记忆神经网络结合的方法,利用卷积神经网络提取电池退化变量的特征,实现对RUL的预测。文献13提出一种自适应可调混合径向基函数网络,用于对电池 SOH 和RUL的精确预测。文献14利用VMD算法将电池容量SOH序列分解为一系列固定分量,进而利用蜣螂算法优化的SVR对每个分量进行预测,重构为预测的SOH序列。文献15通过状态空间估计和ESN网络对锂离子电池的RUL进行预测,有效提高了预测精度。总体而言,基于神经网络的RUL估计方法需要较少的性能退化数据,且模型简单易实现。但是传统神经网络在参数选择上存在收敛速度慢、易陷入局部最优、过拟
16、合等问题,导致预测结果不稳定,因此,此类方法通常与其他优化算法结合使用,以提高整体预测性能。除了提高估计精度和算法效率外,健康指标的提取也是研究重点。一般采用电池容量和内阻作为常用的健康因子(HIs)来描述电池的容量衰减,由于测量条件的限制,在实际应用中存在一定的局限性。数据预处理过程中HIs的提取和选择是RUL估3192第 10 期李练兵等:基于DESSA-DESN和NCA的锂离子电池剩余寿命预测计的基础和关键16。HIs分为测量HIs和计算HIs两种类型。测量的HIs可由BMS容易得到,如电压、电流、时间和温度。文献17选择电压、负载电流和温度数据作为HIs,结合深度LSTM神经网络结构实
17、现准确的容量估计。文献18考虑了温度因素,从放电过程中表面温度的变化中提取新的HIs,以此估计电池的RUL。计算HIs是由测量数据经过进一步的计算得出的,典型的IC曲线和DV曲线都是在测量数据的基础之上通过进一步计算得出的,这类HIs往往能够进一步挖掘出有用的特征信息。文献19利用IC曲线的峰值特征,结合自适应相关向量机实现RUL和SOH估计。文献20提取不同充电状态下DV曲线的峰值位置,输入双向门控网络来实现对RUL的估计。然而,IC、DV曲线往往有很多噪声,对温度很敏感。大多数研究只考虑了一种类型的HIs,这导致了老化信息挖掘的局限性。本工作提出一种基于混合差分进化-麻雀搜索算法(DESS
18、A)优化的深度回声状态网络(DESN)和邻域成分分析(NCA)锂离子电池RUL预测方法。邻域成分分析算法(NCA)用于对收集到的健康信息进行降维去除冗余信息,以电池充电过程中的电压电流和时间容量关系为基础,从中获取能反映电池容量衰减的特征量,然后利用NCA算法进行处理降维,得到健康因子。再利用DESN网络进行电池寿命的预测,提出一种混合差分进化-麻雀搜索算法(DESSA),来优化网络参数,形成DESSA-DESN预测模型。DESSA将差分进化算法与麻雀搜索算法相结合,在SSA中引入DE的突变、交叉等算子,使SSA种群中的不同个体可以进行信息交换,极大提高了种群多样性,使算法全局寻优能力大大增强
19、。最后,本工作利用NASA和CALCE电池实验数据验证该方法的可行性和有效性。实验结果表明,该方法在锂离子电池 RUL 预测中更加准确。1 健康指标的构建1.1锂离子电池数据集本工作选用两个不同的数据集证明所提方法的有效性和泛化性能。数据集A由美国航空航天局艾姆斯研究中心在测试第二代18650-LiCoO2电池后提供,选取其中包含的3个电池单元(B005、B006和B007)的寿命测试数据21。数据集B来自于马里兰大学的先进生命周期工程中心(Center for Advanced Life Cycle Engineering,CALCE),其中包含 3 个LiCoO2电池(CS2-35、CS2
20、-36和CS2-37)的循环数据21。对于数据集A,电池在恒流(CC)过程中以1.5 A充电。当电压达到4.2 V时,充电模式转换为恒定电压(CV)。当电流降至20 mA时,充电过程终止。放电以2 A的恒定电流运行,直到电池电压降至最小截止电压。对于数据集B,恒流充电和放电期间的电流倍率分别为0.5 C和1 C。电池测试的具体信息见表1,其循环容量衰减变化如图1所示。图1NASA和CALCE电池容量退化曲线Fig.1Capacity degradation curves of NASA and CALCE batteries表1电池参数及测试环境Table 1Battery parameter
21、s and test environment数据集电池类型电池尺寸/mm阳极材料阴极材料标称容量/Ah额定电压/V实验温度/CNASA圆柱形全电池1865石墨镍钴锰酸锂(NMC)23.724CALCE长方体全电池5.433.650.6石墨钴酸锂(LCO)1.13.72531932023 年第 12 卷储能科学与技术1.2锂离子电池容量衰减特征锂离子电池容量衰减特征的选取对于电池剩余寿命预测的准确性有着非常大的影响22,因此,需要合理选择衰减特征来提高模型的估计性能。锂离子电池的充电过程为恒流充电,所以本工作选择充电过程中的影响因子,考虑到在充电过程中,与电池容量相关的特征因子较多,如果不加筛选
22、,会造成数据的冗余,增加计算量,利用邻域成分分析(NCA)23对数据进行降维,以剪除冗余数据。以NASA电池数据集中B5号电池数据做说明,如图2所示,为B5号电池充电的电流电压变化曲线,随着循环次数的增加,充电的电压电流曲线呈现一定的规律性。从电流曲线中提取出恒流充电时间(Tcc),恒压充电时间(Tcv),电流曲线包围的区域(Acc)。电压曲线相关的特征有电压曲线包围的区域(Acv),等电压上升时间(Tdcc),恒流充电时间占总充电时间的比率(Rcc)。除了与电压电流曲线相关的特征,在进行特征提取时,电池的容量增量(IC)曲线和微分电压(DV)曲线也是常用的工具。如图3所示,容量增量曲线中,随
23、着电压的增大,曲线的峰值和峰值位置都呈规律性的变化,因此,在IC曲线中,提取曲线峰值(ICP)和对应的峰值位置(ICPL)作为待选健康因子。在微分电压曲线24中,随着横坐标dQ的增大,曲线迎来多个波峰和波谷,其中第二波峰的位置,随着循环次数的增加有着较大的差别,将第二波峰的位置(DVPL)25提取出来。同时,选取第一波峰和第二波峰之间的位置差(DVPLD)为一个特征。上述10个特征及其与容量的Pearson相关系数见表2。在每个型号电池中,将特征按类型分为4组,从中挑选出Pearson相关系数大于0.9的特征,考虑特征量之间的信息冗余,利用NCA算法对这些特征进行降维以消除冗余数据,NCA是在
24、原始数据集上进行k近邻(k-nearest neighbor,KNN)相关图3B5号电池充电过程中的IC和DV曲线Fig.3IC and DV curves of B5 battery图2B5号电池充电电流电压曲线Fig.2Charging current and voltage curve of B5 battery3194第 10 期李练兵等:基于DESSA-DESN和NCA的锂离子电池剩余寿命预测的距离度量学习算法,能够将高维数据转化为低维数据,同时从原始数据中获取大部分有用信息。经过NCA算法降维后,每个类型特征最终降维为一个特征,最终的4个特征与容量的相关系数见表3。2 DESSA-
25、DESN预测模型的构建2.1深度回声状态网络2001年,Jaeger教授26将储备池的概念引入RNN中,提出了ESN。ESN的隐含层设计为多个神经元的储存器。记忆数据的功能是通过调整网络内部值来实现的。其结构包括输入层、一个储备池、输出层,储备池包含大量稀疏连接的神经元,包含系统的运行状态,具有短期记忆功能。与经典的RNN相比,ESN简化了训练过程,解决了效率低、模型建立困难、收敛速度慢等问题。深度回声状态网络(DESN)27的结构如图4所示,其引入深度结构,实现多层次的储备池,相比于普通的状态回声网络,其能够利用更多的非线性组合,更有效地拟合复杂的数据模式和特征,模型的表现能力更强。以图4结
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 DESSA DESN NCA 锂离子电池 剩余 寿命 预测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。