基于机器学习的钠离子电池剩余使用寿命预测.pdf

华南师范大学学报(自然科学版)()():./.收稿日期:华南师范大学学报(自然科学版)网址:.基金项目:国家自然科学基金项目()陕西省科技厅工业科技攻关计划项目()通信作者:翟欣然:.基于机器学习的钠离子电池剩余使用寿命预测史永胜 翟欣然 胡玙珺(陕西科技大学电气与控制工程学院 西安)摘要:钠离子电池容量退化具有非线性和复杂性准确预测剩余使用寿命()十分困难因此构建 优化算法结合梯度提升回归树()的 预测模型 对实验数据进行滤波平滑处理绘制容量增量()曲线从 曲线中提取与容量衰减相关性高的健康指标()即 峰值、峰值对应的电压值、峰值面积以及峰值斜率 利用 算法对数据进行降维处理以减少数据间的冗余性将处理后的数据输入 模型并采用 算法寻找最优超参数提高预测精度 利用多组老化实验数据进行验证、和 分别在.、.以下结果表明该模型有较高的预测精度及稳健性且优于其他主流算法关键词:钠离子电池 剩余使用寿命 增量容量曲线 梯度提升回归树中图分类号:文献标志码:文章编号:()():().()().().().:锂电池因其高能量密度、高功率密度和长寿命而成为电动汽车的主流储能系统但随着锂离子电池市场的迅速发展锂资源短缺问题也越来越突出同时锂离子电池的安全性以及价格飞涨问题也限制了其在储能系统上的应用 与锂离子电池相比钠离子电池因成本低、性价比高、低温性能优异等优势在中低速电动车和大规模储能等领域展现出广阔的应用前景所以它是非常理想的锂离子电池替代品 然而钠离子电池在实际应用过程中会产生各种副反应导致容量退化、性能降低如果不在钠离子电池寿命终止之前及时替换会引发严重的安全事故 因此针对钠离子电池特性开发钠离子电池的剩余使用寿命()预测方法对于延长电池使用寿命、保证使用安全具有重要意义现有的电池 预测方法主要包括基于物理学模型、基于统计学方法、基于机器学习的方法等其中基于物理学模型的方法需要对电池的物理特性进行建模和深入研究但是建模过程复杂、计算量大同时考虑到电池复杂的非线性行为和耦合效应其预测精度有限 基于统计学的方法主要采用统计模型来处理电池的历史数据但是受到数据质量和采样频率的限制预测精度受到一定程度的影响基于机器学习的方法则是利用机器学习技术对电池的历史数据进行学习和建模以实现电池的 预测 该方法能适应电池复杂的非线性行为和耦合效应并且具有较高的预测精度和实时性常用的机器学习算法包括支持向量回归()、人工神经网络()、高斯过程回归()等 徐佳宁等开发了一种结合 的蚁狮优化算法()它利用了间接健康因素能够更精确地预测电池 等开发了基于 模型的电池容量预测方法通过引入不确定性度量来交叉关联不同电池单元的容量趋势 然而由于自充电和容量再生电池衰退轨迹具有多模态特性或 等传统预测模型无法准确表征这种多模态针对以上问题提出了集成算法()算法集成了多个单体算法并加入了有效的策略 与单一算法相比 具有预测精度高、泛化能力强、不易陷入过拟合等优点在预测方面具有无可比拟的优势 主要包括梯度提升回归树()和随机森林()等采用了机器学习管道的方式对电池健康状态进行了评估证明了 在考虑不确定性评估指标时 很难校准并且在预测中过于乐观 因此本文选用 模型模型能更好地处理电池衰减过程中的非线性特征并具有适应复杂关系和多模态的能力 此外模型具有高预测精度、鲁棒性和抗过拟合能力通过组合多个决策树来减少过拟合风险提高模型的泛化能力机器学习的方法具有很好的性能但它需要有效的训练和大量的实验数据 电池的容量衰减与端子电压的变化密切相关 增量容量分析()是一种有效的非破坏性分析方法可以将内部电化学反应导致的电压平台转换为 峰值基于以上分析本研究制造并测试了一种钠离子电池 从 曲线提取可以表征电池衰减的健康指标()通过提取的电池 来预测电池的寿命使用自测实验数据验证了 模型的有效性 为了提升预测准确性采用麻雀搜索算法()确定最佳的超参数以此来提高算法的性能并有效防止过度拟合 结果表明 模型的预测效果优于当前流行的决策树、等机器学习技术 平均测试 约为.约为.约为.预测误差小于 个周期的计数率可以达到 实验部分.超参数优化算法麻雀搜索算法()是于 年提出的一种新的群体智能优化算法其灵感来自麻雀的觅食和反捕食行为 该算法具有全局搜索能力强、稳定性好、收敛速度快的优点麻雀在觅食过程中的行为可以抽象为具有侦察和警告机制的生产者觅食者模型 生产者具有较高的适应能力和较宽的搜索范围可以引导鸟群进行搜索和觅食 为了提高身体素质拾荒者跟随生产者觅食 与此同时一些拾荒者监视生产者进行食物竞争或觅食以提高自己的捕食率 当整个鸟群受到捕食者的威胁或意识到危险时它会立即采取反捕食行动假设在 维搜索空间中有 只麻雀第 只麻雀在 维查询空间中的位置为 位置可表示为 ()麻雀算法的适应能力可描述为()()()()其中适应度函数()为预测结果与实际数据之间的.梯度提升回归树梯度提升回归树()是一种基于决策树的集成学习算法通过构建多个决策树对样本进行分类或回归 华 南 师 范 大 学 学 报(自 然 科 学 版)第 卷通过结合 技术来增强传统的决策树方法其核心思想是聚合一组“弱”模型形成一个单一的“强”模型而不是建立一个优化模型 在 中通过最小化残差生成新的决策树 这种顺序模型构建过程基本上是函数梯度下降的一种形式即通过在每一步添加一棵新树来优化预测以最小化损失函数 在 中平方损失函数因其简单性和一致性而被用于回归问题:()()()()()其中 和 分别为输入特征和响应寿命()是预先选择的可行损失函数用于衡量预测寿命()与真实寿命 的偏差假设将构建 个决策树 框架从初始模型()开始 对于每次迭代()补偿残差相当于优化展开系数 和:()()()得到 ()()()()根据梯度下降的思想可以使用最小二乘法求解最优:()()其中 是权重因子是使用先前模型评估的负梯度 ()()()()()()()()()新评估的残差模型将根据式()添加到先前的模型中.对比实验为了展示本文预测模型的优越性与其他模型进行对比实验包括、和 等预测模型 是一种基于支持向量机的回归算法通过在输入特征空间中找到一个超平面最小化函数间隔之和并控制预测结果与真实值之间的误差 是一种集成学习方法通过组合多棵决策树的预测结果来进行回归 它利用随机抽样和特征选择增加模型的多样性并通过投票或平均的方式整合各个决策树的预测结果 是一种非参数的回归方法利用高斯过程建模并通过对函数进行采样和后验分布更新来预测新数据点 它能够灵活适应不同数据特征并提供预测的不确定性估计通过对比实验可以评估这些模型在预测任务上的性能表现以证明本文提出的模型在性能上的优越性 电池老化实验与特征提取.电池老化实验对钠离子电池进行了长期循环实验 将组装的()电池静置 促进稳定的 层形成 实验在 恒温环境中进行实时监测电压、电流等参数(图)活化阶段进行了.倍率的充放电循环随后分别进行了.、.和.倍率的充放电循环 充电阶段:以.的电池恒流充电至.转入恒压充电直到电流降至 搁置 放电阶段以.的电流放电至.搁置 如此循环 图 展示不同倍率下钠离子电池的容量衰减曲线在.、.和.倍率下分别循环 、次图 充放电策略 图 钠离子电池的容量衰减曲线 第 期史永胜等:基于机器学习的钠离子电池剩余使用寿命预测书书书?、的 均超过.这证明选用 预测钠离子电池 具有可行性表 与 的相关系数 充放电倍率.基于主成分分析的 降维机器学习方法容易受冗余信息的影响可能导致过拟合 因此在提取 数据后采用主成分分析()进行降维以减少维度选择 峰值、峰值电压、峰值面积和峰值斜率这 个变量作为电池老化的 指标(维数据)并进行 降维 每 个周期(为 、分别对应.、.、.倍率)提取 并组成 维特征矩阵 对输入的样本变量矩阵进行归一化处理确保数据一致性归一化方法公式:()协方差矩阵 公式:()贡献率 和累积贡献率 的计算公式:l l()()l l()()其中 是负载向量的数量本实验选择保留 个主成分即 降维后数据从原来的四维向量变成了降维后的二维向量这意味着选取的 个主成分包含了原始数据中大部分的信息 通过这种方式可以减少对 的监测量同时仍保留了足够的信息来对电池的健康状态进行判断 结果与讨论钠离子电池 预测具体实现过程如图 所示 使用 算法优化 模型的超参数以提高模型的预测精度 在 模型中需要优化的超参数包括决策树数量、决策树最大深度和学习率因此 算法的变量维度为 算法的参数设置见表 图 钠离子电池 预测流程 表 参数设置 参数名称数值变量维度麻雀的总数最大迭代次数预警值.发现者比例.由 优化算法的适应度曲线(图)可知在第 次、第 次和第 次迭代时适应度已经达到最小值 通过 算法寻优确定了 模型的最佳参数设置(表)图 迭代曲线 第 期史永胜等:基于机器学习的钠离子电池剩余使用寿命预测表 参数设置 倍率决策树数量决策树的最大深度学习率.为了验证电池 预测方法的性能使用训练好的模型对测试数据集的不同电池进行预测 将电池的 量化为参考第一个周期的容量衰减率 ()其中表示第 个周期的容量是通过完整的充放电操作测量的第一个周期的容量电池的放电性能随着不可逆的电化学降解而下降接近寿命的终点 当电池实际容量下降到初始容量的 时通常需要更换电池实际运行中的电池 公式:()其中表示电池的充放电循环总次数表示经过时间 的充电和充电循环数基于式()对钠离子电池进行 预测 图 展示了 个测试电池的 预测结果 黑色实线表示真实的 值 彩色线条表示采用 、和 预测模型的结果 预测结果显示良好的拟合吻合度 最低为.准确性为.直方图分析显示本文的预测误差小于 个周期的计数率高达 图 预测结果对比以及误差分布 华 南 师 范 大 学 学 报(自 然 科 学 版)第 卷 误差计算公式:()()()()其中 为样本总数为预测值为真实值图 展示了不同模型下多次运行的、和 的箱线图其中横线和红点表示中值误差和平均误差 方法在 个电池的预测结果中表现最低具有较小的误差范围和异常估计值 图 显示了所有测试单元的平均指标 方法相对于、和 方法具有更低的、和 分别为.、.和.进一步验证了其稳健性和优越性图 评价指标对比 图 评价指标平均值 结论本研究制造并测试了一种钠离子电池对其进行长期循环老化实验对电池老化数据经过滤波处理后使用 预测模型对电池进行剩余使用寿命()预测主要的结论如下:()对 曲线进行平滑和滤波选择 的电压间隔减少噪声干扰所提取的 曲线能够和充放电的电压平台良好对应 曲线峰值所包含的信息可以表征电池老化衰减()从所获得的老化实验数据中选择了 峰的峰值、峰值对应的电压值、峰值面积以及峰值斜率作为 通过灰色关联分析证明了所选取的 与钠离子电池容量衰减有较强的相关性()使用 方法可以将 数据从高维空间降到低维空间中减少了数据间的冗余性提高了预测模型的精度和稳健性()通过实验数据验证了 钠离子电池 预测的准确性及有效性 与传统方法相比 方法在预测 时表现出较高的准确性并具有良好的稳健性、和 分别在.、.以下参考文献:陈鹏飞冯杰仪吴镝.高能量密度全固态锂金属电池.基锂硼负极的制备及性能.华南师范大学学报(自然科学版)():.第 期史永胜等:基于机器学习的钠离子电池剩余使用寿命预测 .()():.():.菅夏琰金俊腾王瑶等.钠离子电池层状氧化物正极材料研究进展.工程科学学报():.():.陈晓秋汝强王朕等.高容量钠离子电池/负极材料.华南师范大学学报(自然科学版)():./.()():.肖迁穆云飞焦志鹏等.基于改进 的电动汽车电池剩余使用寿命在线预测.电工技术学报():.():.:.:/.:/.黄凯丁恒郭永芳等.基于数据预处理和长短期记忆神经网络的锂离子电池寿命预测.电工技术学报():.():.:/.:.徐佳宁倪裕隆朱春波.基于改进支持向量回归的锂电池剩余寿命预测.电工技术学报():.():.():.:/.刘素贞袁路航张闯等.基于超声时域特征及随机森林的磷酸铁锂电池荷电状态估计.电工技术学报():.():.():.:/.周才杰汪玉洁李凯铨等.基于灰色关联度分析长短期记忆神经网络的锂离子电池健康状态估计.电工技术学报():.():./:.:/.【责任编辑:谭春林 责任校对:谭春林 英文审校:曾姝倩邓乾霞】华 南 师 范 大 学 学 报(自 然 科 学 版)第 卷