鋰離子電池RUL預測方法綜述

劉月峰,張 公,張晨榮,張麗娜,楊宇慧

(內蒙古科技大學 信息工程學院,內蒙古 包頭 014010)

0 概述

近年來,鋰離子電池作為便攜式能源,因其相對于鎳氫、鋁酸等其他類型電池的明顯優(yōu)勢而迅速普及,鋰離子電池具有重量較輕、高化學反應性、高能量密度(高達23 Wh/kg～70 Wh/kg)等優(yōu)點,其不需要完全放電即可充電,沒有任何不利影響(無記憶效應),且自放電率較低,在不使用時可以更好地保持電量,并具有更長的生命周期(在3 000次循環(huán)時提供80%容量)。這些特點使其成功應用于眾多領域中并發(fā)揮了重要作用,如消費電子產品(手機、筆記本電腦等)、汽車行業(yè)中的混合動力及電動汽車、混合動力飛機、可再生能源(太陽能和風能)和太空探索等領域。迄今為止,鋰離子電池已經被公認為是一個標準電源,而且其性能還在持續(xù)提高。

然而,鋰離子電池在其充電和放電循環(huán)期間會經歷不可逆過程,例如,會形成固體電解質中間相(Solid-electrolyte Interphase,SEI),這嚴重影響電池的電化學反應[1]。不可逆過程會導致持續(xù)的容量衰減,最終導致電池故障,如不及時采取更換或維護等安全措施,可能會造成災難性后果。因此,目前關于鋰離子電池技術的主要研究熱點仍然是在改進鋰離子電池系統(tǒng)的性能和可靠性方面[2]。為進行合理的充放電管理并滿足應用中的高可靠性要求,對使用過程中的剩余使用壽命(Remaining Useful Life,RUL)預測的研究已經成為鋰離子電池系統(tǒng)中故障預測和健康管理(Prognostics and Health Management,PHM)的熱點和挑戰(zhàn)性問題。

PHM任務一般分為數(shù)據的獲取、數(shù)據的預處理和特征的選擇、健康指標(Health Indicators,HI)的構建、剩余使用壽命的預測和不確定性問題的處理等步驟。數(shù)據的獲取是通過在設備上安裝傳感器,得到一些原始的測量數(shù)據。數(shù)據的預處理和特征的選擇通過數(shù)據的獲取得到原始數(shù)據,對原始信號進行分析可以得到選取的特征,并進行壓縮和選擇,使其最大限度地保留原始的數(shù)據信息。健康指標的構建是運用信號處理技術、人工智能技術等對數(shù)據的特征進行處理,得到單一的特征或者融合的多個特征作為HI。RUL的預測是整個流程中最重要的也是最關鍵的任務[3],它的目的是得到從預測開始到設備壽命結束的時間長度。不確定性問題的處理是將RUL的點估計預測變?yōu)閰^(qū)間估計預測,使RUL預測的結果具有不確定表達能力。

本文具體介紹鋰離子電池RUL的4種預測方法,即基于機理模型的方法、基于數(shù)據驅動的方法、基于機理模型和數(shù)據驅動融合的方法和基于數(shù)據驅動的模型融合的方法,分析基于數(shù)據驅動的各種RUL預測方法的優(yōu)缺點,對未來的研究熱點進行總結,并給出合理的建議。

1 鋰離子電池的RUL預測方法

電池的RUL是指從當前時刻到電池的健康狀態(tài)(SOH)達到0%,即壽命終止時刻(End Of Life,EOL)的剩余時間或循環(huán)次數(shù)[4]。針對電池RUL的預測方法有很多,然而,由于存在數(shù)據的不可用性和電池模型的復雜性等問題,目前還沒有所謂的最佳的預測電池RUL的通用模型。本文將RUL預測方法分為4類:

1)根據被預測對象自身的物理、化學或經驗等系統(tǒng)機理模型構建的RUL預測方法。

2)不需要特定系統(tǒng)機理模型,完全依據歷史特征數(shù)據構建的數(shù)據驅動的RUL預測方法。

3)上面兩類方法的混合,即基于機理模型的方法與基于數(shù)據驅動的方法相結合的方法。

4)基于數(shù)據驅動的模型融合的方法。

以上4類方法又可以分為離線和在線2種情況,一般對于有大量歷史數(shù)據并且實時性要求不高的場合多數(shù)采用離線模型,離線模型可以對大量的歷史數(shù)據進行充分的訓練提高模型的準確率,而對于實時性要求較高的場合,不太適合利用大量歷史數(shù)據進行離線學習,多數(shù)采用在線模型對實時數(shù)據進行學習,鋰電子電池RUL預測方法如圖1所示。

圖1 鋰離子電池的RUL預測方法

2 基于機理模型的方法

基于機理模型的方法側重于通過建立影響電池壽命的退化過程的物理模型來識別可觀察量與感興趣指標之間的對應關系。例如,文獻[5]考慮了鋰離子電池電阻退化的經驗指數(shù)增長模型,使用標準粒子濾波(PF)和重采樣技術測量描繪不同時間間隔的系統(tǒng)健康狀態(tài)的退化數(shù)據。文獻[6]用2種經驗指數(shù)模型進行預測,利用PF優(yōu)化模型相關參數(shù)得到了較好的效果。文獻[7]采用簡化的等效電路模型,應用高斯-厄米特粒子濾波器(Gauss-Hermite Particle Filter,GHPF)技術跟蹤容量衰減趨勢并預測未來的容量值,這是PF技術的一個擴展。文獻[8]利用GHPF技術估計電池荷電狀態(tài),不僅提高了估計精度,而且減少了采樣粒子的數(shù)量,降低了算法復雜度。文獻[9]開發(fā)了基于統(tǒng)一粒子濾波(Unified Particle Filter,UPF)的退化模型來預測鋰離子電池的RUL,提出的模型在預測RUL時具有比PF方法更好的精度,誤差小于5%。文獻[10]提出了基于球形立方粒子濾波(Spherical Cubature Particle Filter,SCPF)的狀態(tài)空間模型來檢驗26個鋰離子電池的RUL,所提出的模型在預測精度方面優(yōu)于PF方法。

以上基于機理模型的RUL預測方法可以在相對穩(wěn)定的外部條件下較好地提高預測的準確性,但是模型的準確性很容易受到可變電流和溫度的影響,而且在不同外部條件情況影響下,很難獲得準確的機理模型。

3 基于數(shù)據驅動的方法

數(shù)據驅動方法旨在通過基于可用數(shù)據自適應建立的一些近似模型來映射上述機理模型的輸入數(shù)據與輸出數(shù)據之間的關系,如統(tǒng)計模型、神經網絡(Neural Networks,NN)、高斯過程回歸、支持向量回歸、模糊推理等,這些數(shù)據驅動的近似模型按照采用的技術不同大致可以劃分為統(tǒng)計技術、隨機技術和智能技術。

3.1 淺層模型

淺層模型包含以下3種技術:

1)統(tǒng)計技術

自回歸統(tǒng)計模型(Auto-Regressive Model,AR)及其變體一般是通過建立線性模型來處理時間序列問題,將未來的狀態(tài)值視為過去的狀態(tài)值和隨機誤差的線性函數(shù)。文獻[11]提出了一種非線性退化自回歸(ND-AR)時間序列模型用于鋰電池的RUL預測,并且使用正則化PF處理不確定性問題。文獻[12]將ARMA模型用于鋰電池的RUL預測中,結合經驗模式分解(Empirical Mode Decomposition,EMD)將全局退化趨勢和健康狀態(tài)(SOH)分離,從而得到RUL和SOH。

卡爾曼濾波(KF)和粒子濾波(PF)也是2個非常重要的統(tǒng)計方法,它們不僅在機理模型的RUL預測中發(fā)揮著重要的作用,而且在基于數(shù)據驅動的方法中也有較好的應用。KF的思想是用已知的數(shù)據來預測未來的數(shù)據,但是受到的噪聲影響必須是高斯噪聲。由于加入了噪聲的因素,因此比馬爾科夫模型(Markov Model,MM)更加接近現(xiàn)實的情況,預測的曲線與實際的曲線更加的吻合。文獻[13]提出了基于無味卡爾曼濾波(Unscented Kalman Filter,UKF)方法用來對鋰電池進行RUL預測。文獻[14]提出了一種基于非線性時間序列預測模型和UKF算法相結合的新的RUL預測方法,由UKF和短期容量遞歸更新電池模型的狀態(tài),所提出的模型具有比EKF更高的準確性和可靠性。文獻[15]提出了基于Lebesgue采樣的擴展卡爾曼濾波器(LS-EKF)用于對鋰電池的RUL預測。為了進一步提高預測的精度,相關的研究人員開始研究粒子濾波器。

粒子濾波(PF)算法的思想來自于蒙特卡洛思想,簡單來說,即用事件的頻率來近似表達事件的概率。PF主要的優(yōu)點是能夠以現(xiàn)在的數(shù)據預測未來的相關數(shù)據,而且數(shù)據的分布可以是任意的,不局限于高斯分布,比卡爾曼濾波器更加符合相關的實際情況。文獻[16]將粒子濾波技術結合核平滑(Kernel Smoothing,KS)方法用于鋰電池的RUL預測,該方法可以同時估算退化模型中的退化狀態(tài)和未知參數(shù),通過實驗得到所提出的方法比傳統(tǒng)的PF方法表現(xiàn)更好。文獻[17]提出了一種基于馬爾科夫鏈蒙特卡羅(Markov Chain Monte Carlo,MCMC)的改進無味粒子濾波器(Improved Unscented Particle Filter,IUPF)的鋰離子電池RUL預測方法,該方法利用MCMC解決UPF算法中的樣本貧化問題。文獻[18]提出了基于量子粒子群優(yōu)化(Quantum Particle Swarm Optimization,QPSO)算法的粒子濾波用于鋰電池的RUL預測,通過與傳統(tǒng)基于PSO算法的PF方法的對比,表現(xiàn)出了較好的結果。文獻[19]提出的SVR-PF改進了標準PF具有的粒子貧化效應的缺點,實驗結果表明所提出的SVR-PF比PF具有更好的電池狀態(tài)的估計能力和RUL預測能力。文獻[20]提出一種基于馬爾科夫鏈蒙特卡羅(Monte Carlo Markov Chain,MCMC) 的無跡粒子濾波改進算法,更加全方面地克服了標準PF所具有的粒子退化問題,相關的實驗結果表明,該方法在RUL的預測上具有更高的預測精度。

2)隨機技術

高斯過程(Gaussian Process,GP)是具有聯(lián)合多元高斯分布的隨機變量的累積損傷過程。文獻[21]將GP和PF相結合,把不同條件下的數(shù)據融合作為GP模型分布學習的輸入,最后用PF完成對鋰電池RUL的預測。文獻[22]提出一種多尺度高斯過程回歸(Multiscale Gaussian Process Regression,MGPR)用來對鋰電池進行RUL預測,實驗結果表明,該方法比傳統(tǒng)的GPR有更好的效果。文獻[23]提出了一種基于高斯過程混合(Gaussian Process Mixture,GPM)的新型RUL預測方法,它的主要思想是:分別將不同的軌跡段與不同的GPR模型擬合,從而用于處理多模態(tài)問題,GPM還可以產生預測的置信區(qū)間,實驗結果表明,該方法優(yōu)于傳統(tǒng)的GPR。

維納過程(Wiener Process)是描述布朗運動(Brownian Motion)的模型,它是一個馬爾科夫過程,是經常使用的隨機過程模型。文獻[24]采用具有測量誤差(WPME)的維納過程開發(fā)一種新的RUL預測方法,該方法使用最大似然估計來提高參數(shù)的估計效率,使用多個實例驗證了模型的有效性。

隨機過程可以更好地評估鋰離子電池的健康退化過程。 然而,當算法考慮隨機電流、時變溫度和自放電特性的影響時,實現(xiàn)精確預測仍然是一個挑戰(zhàn)。

3)智能技術

SVM的優(yōu)勢在于只需要少量的訓練數(shù)據,由SVM訓練最終得到的支持向量決定了計算量的大小,即在一定程度上降低了維度災難的問題。文獻[25]采用支持向量回歸(Support Vector Regression,SVR)技術實現(xiàn)在電池接近EOL時預測準確的RUL。文獻[26]提出了基于靈活支持向量回歸(Flexible Support Vector Regression,F-SVR)的非迭代預測模型和基于支持向量回歸SVR的迭代多步預測模型,用于鋰電池的RUL預測,能夠將低維度的數(shù)據用作輸入,得到較好的預測結果。文獻[27]提出了相等充電電壓差的時間間隔(Time Interval of an Equal Charging Voltage Difference,TIECVD)和相等放電電壓差的時間間隔(Time Interval of an Equal Discharging Voltage Difference,TIEDVD)2個新的健康指標,結合特征向量選擇和SVR對鋰電池的RUL進行預測。

雖然SVM(或SVR)表現(xiàn)較好,但是它不適用于大數(shù)據的處理,而且對RUL的估計是點估計。下文介紹的相關向量機(Relevance Vector Machine,RVM)不僅訓練所需要的時間短,而且獲得的RUL估計是概率估計,得到了相關研究人員的青睞。

文獻[28]將放電電壓樣本熵(Sample Entropy,SampEn)特征用作RVM的輸入,用來預測鋰電池的RUL。文獻[29]提出了一種稀疏貝葉斯學習方法,將充電電壓和電流用作RVM的輸入來估算可植入醫(yī)療設備鋰電池的RUL,所提出的方法在實時RUL預測中表現(xiàn)出色。文獻[30]提出了一種僅需要鋰離子電池工作參數(shù)的HI提取和優(yōu)化框架,用于電池退化建模,其中RVM用作RUL估計。文獻[31]提出了一種基于RVM算法的容量退化模型用于預測鋰離子電池RUL,取得了不錯的預測結果。文獻[32]提出RVM的方法進行鋰離子電池的RUL預測,給出了RUL的置信區(qū)間,充分考慮了不確定性的問題,將得到的結果與EKF對比,絕對誤差平均值和均方根誤差平均值均低1%。文獻[33]提出一種融合多個核函數(shù)構建RVM預測模型的方法,實驗結果表明,所提出的方法平均絕對誤差和均方根誤差都小于最優(yōu)的單核相關向量機預測方法。

3.2 深度學習模型

3.1節(jié)的淺層模型的方法雖然在鋰電池RUL的預測上精度高,但是都不能處理大量的數(shù)據,限制了其在現(xiàn)實中的應用,近年來深度學習方法逐漸開始應用,對于大數(shù)據的處理正是它們的特點和優(yōu)勢。

遞歸神經網絡(Recurrent Neural Network,RNN)在處理時間序列數(shù)據上有著獨特的優(yōu)勢,而且RNN能夠將先前的信息存儲到記憶單元并且運用到現(xiàn)在的相關任務中。文獻[34]將鋰電池阻抗譜數(shù)據輸入到自適應RNN中用于鋰電池的RUL預測。文獻[35]將RNN運用到電動車和混合動力車輛的鋰電池RUL預測上,得到了較好的效果。雖然RNN表現(xiàn)優(yōu)秀,但是由于其本身網絡結構帶來的梯度消失和梯度爆炸問題很難解決,相關的研究人員將研究轉向了它的變體——長短期記憶網絡(Long Short-Term Memory,LSTM)。

LSTM將所有的信息通過門結構進行處理,遺忘門的功能是決定是否保留信息,輸入門的功能是更新細胞狀態(tài),輸出門的作用在于確定下一個隱藏狀態(tài)的值。LSTM的門機制避免了梯度消失和梯度爆炸的問題。文獻[36]提出基于長短期記憶網絡LSTM的模型來預測RUL,使用了各種鋰離子電池在不同的電流速率和溫度下的實驗數(shù)據對模型進行驗證,該模型不依賴離線訓練數(shù)據,取得了較為滿意的RUL預測結果。

深度神經網絡(Deep Neural Networks,DNN)是深度學習中的一個基礎模型。文獻[37]采用DNN預測電池的SOH和RUL,并與其他機器學習算法,如線性回歸(Linear Regression,LR)、k-近鄰(k-Nearest Neighbors,k-NN)、支持向量機(SVM)和人工神經網絡(ANN)進行比較,取得了更好的預測結果。

深度學習模型雖然具有處理大數(shù)據的能力,并且具有比淺層模型更強的學習能力,但它同樣存在缺乏對預測結果不確定性的分析。

4 機理模型與數(shù)據驅動模型的混合方法

混合方法旨在盡可能地結合上述基于機理模型和基于數(shù)據驅動的兩類方法,試圖克服各類方法的局限性,從而通過更好地利用所有可用信息來提高診斷和預測的準確性。文獻[38]開發(fā)了一個基于DS理論(Dempster-Shafer Theory,DST)和貝葉斯蒙特卡羅(Bayesian Monte Carlo,BMC)的雙指數(shù)經驗退化模型來預測RUL,DST用于初始化訓練數(shù)據集的參數(shù),BMC用來更新模型的參數(shù)。文獻[39]介紹了植入式醫(yī)療設備中鋰離子電池的故障預測研究,采用混合數(shù)據驅動和機理模型的方法來進行壽命預測,它由2個模塊組成,稀疏貝葉斯學習用于從電荷相關特征推斷容量(數(shù)據驅動模塊),遞歸貝葉斯過濾用于更新經驗容量衰減模型(機理模型模塊)。文獻[40]結合布朗運動的退化模型和PF進行鋰電池RUL的預測,通過與GPR相比,該方法具有更好的性能和更穩(wěn)健的預測結果。文獻[41]結合指數(shù)模型和PF算法對鋰電池進行RUL預測,與ARIMA等算法相比具有更高的預測精度。文獻[42]將減少了參數(shù)數(shù)量的雙指數(shù)經驗模型結合PF算法,其中PF算法用于跟蹤電池容量的衰退過程,實驗結果表明,該方法具有更高的RUL預測精度。

5 基于數(shù)據驅動的模型融合方法

第4節(jié)的方法雖然預測精度很高,但是在實際應用中可能表現(xiàn)的不是很出色,由于對鋰電池的RUL的估計具有重大的意義,預測精度越高,帶來的損失就越小,節(jié)省的資金就越多。因此，相關的研究人員在近些年開始嘗試使用模型融合的方法進行RUL預測。這里的模型融合不限定模型的類型,前文中總結的第3類混合方法特指機理模型和數(shù)據驅動模型的混合,與此不同,本節(jié)的模型融合為純數(shù)據驅動模型之間的融合。

因為基于融合的方法結合了2個甚至多個方法的優(yōu)點,RUL預測精度得到了較大的提升。文獻[43]提出將擴展卡爾曼濾波器(EKF)和基于非線性尺度退化參數(shù)的自回歸(Nonlinear Scale Degradation Parameter based Autoregressive,NSDP-AR)模型融合用于鋰電池的RUL預測,實驗結果表明,該方法相較于ND-AR結合EKF的RMSE和MAE值均有下降,由于EKF的性能要優(yōu)于其他的濾波器方法，因此所提出的方法降低了對經驗模型的依賴,提高了RUL預測的精度。文獻[44]將RVM和KF相結合,提升了RVM長期預測的性能,通過在PCoE電池數(shù)據集上的實驗,將RVM的RUL-Error由0.140 6降低到0.031 2,而且MAE和RMSE均有較大幅度的下降(MAE下降到原來的30%,RMSE下降到原來的21.5%)。通過在衛(wèi)星電池數(shù)據集上的實驗可以看出,隨著訓練的數(shù)據集變長,能夠獲得更好的擬合效果,驗證了所提方法能夠改善RVM長期預測的能力。文獻[45]結合無味卡爾曼濾波器(UKF)、經驗模式分解(Empirical Mode Decomposition,CEEMD)和相關向量機(RVM)來預測鋰離子電池的RUL,實驗結果表明,與單一的UKF和RVM相比,提出的方法能夠得到更具魯棒性的預測結果,而且實現(xiàn)了在鋰離子電池放電電流不同的情況下,能得到相較于傳統(tǒng)方法更具有魯棒性和準確的RUL預測結果。文獻[46]提出SVR和PF融合的方法用于鋰電池的SOH和RUL預測,通過與標準的PF進行對比實驗,當隨機變量用于產生初始粒子時與提高RUL的閾值時，SVR-PF比標準PF都要更加擬合實際的RUL曲線,產生更好的預測結果。

為了解決傳統(tǒng)的AR模型在訓練中參數(shù)不能更新,且在長期的預測過程中難以獲得PF測量函數(shù)的問題,文獻[47]提出了一種IND-AR模型結合PF算法的方法,該方法利用非線性劣化因子和迭代參數(shù)更新方法來改善長期預測性能,將預測的結果用作PF的測量函數(shù),同時利用PF計算不確定性問題。此方法可適用于小樣本數(shù)據下的非線性退化情況,實驗結果表明了所提出方法具有良好的預測精度。文獻[48]通過結合AE的深度神經網絡顯著地提高了在PCoE上的RUL預測精確度。首先用具有AE模型的多維特征提取方法來表示電池健康退化,然后使用DNN進行RUL預測。實驗結果表明，與Bayesian Regreesion、LR以及SVR進行對比,該方法RMSE值分別降低5.26%、5.34%、4%,預測的精度分別提升了4.26%、5.34%、4%,融合模型相較于單一的模型具有更高的預測精度和更低的RMSE值。針對鋰離子電池數(shù)據集的劣化特性,文獻[49]將小波去噪(Wavelet Denoising,WD)方法和混合高斯過程函數(shù)(Hybrid Gaussian Process Function Regression,HGPFR)融合對鋰電池進行RUL預測,其中WD用于減少噪聲的影響,實驗結果表明，所提出的模型比HGPFR模型的錯誤率,RMSE以及MAPE分別降低2.3%、75.4%、78.1%,比GPR降低了6%、75.8%、80.5%,充分說明了所提出方法的優(yōu)越性。為了在少量數(shù)據的情況下精確預測電池的RUL,文獻[50]將RVM和PF相結合用于鋰電池的RUL預測,其中，RVM用于基于有限的可用數(shù)據進行特征提取以初始化老化模型。然后,應用PF進一步更新模型參數(shù)以獲得精確的老化模型并預測電池的故障時間,實驗結果表明,在訓練數(shù)據為整個退化數(shù)據的30%的情況下,所提出的方法能夠精確預測RUL,減少了整體所需要的時間。針對傳統(tǒng)的PF方法的不足,文獻[51]提出了一種RVM、PF和AR模型融合的鋰離子電池RUL預測的方法,通過與PF的對比實驗結果表明MAE和RMSE都有明顯下降,預測結果較PF略有提升,證明了此方法的有效性。

另外一種混合策略是將EKF或PF算法中表示系統(tǒng)的動態(tài)行為狀態(tài)方程或測量方程的機理模型替代為數(shù)據驅動的合適模型。例如,文獻[52]提出了擴展卡爾曼濾波(EKF)和離線訓練的神經網絡的組合模型,而文獻[53]使用粒子濾波器代替EKF。這些方法基于以下考慮:基于機理模型和替代模型都需要在一些可用的觀察數(shù)據的基礎上識別合適的模型參數(shù)。然而,機理模型的分析推導非常耗時,替代模型則不需要任何機理分析推導,計算速度更快,特別是對于數(shù)值模型而言,這一點特別適合實時應用。文獻[54]利用粒子濾波和多層感知器(Multi Layer Perceptron,MLP)神經網絡提出了一個的實時的RUL預測框架,其中MLP用于替換PF的測量方程。總體來說,基于融合的方法基本上為該領域目前最優(yōu)的方法,代表了對鋰電池RUL預測的最高水平。

6 方法對比與未來展望

本文對基于數(shù)據驅動的RUL預測方法的優(yōu)缺點進行比較,如表1所示?？梢钥闯?AR雖然是點估計,但是結合PF能夠處理不確定性問題。KF的相關變體雖然預測的精度較KF有所提升,但是僅考慮了高斯噪聲。PF及其變體的數(shù)據分布更加廣泛,解決了KF的不足,并且相關的改進SVR-PF方法解決了傳統(tǒng)PF的樣本貧化的問題。GPR和Winner相較于前面的方法,更加貼合大數(shù)據環(huán)境下的高維數(shù)據的特點,但是只能處理小樣本的數(shù)據,而且長期的預測結果較差,相關的變體例如GPM只提供預測的置信區(qū)間?；贏I的相關技術解決了GPR和Winner不能使用過去數(shù)據的問題,但是其中的SVM和RVM不能處理大量的數(shù)據,而且SVM是點估計。RVM的區(qū)間估計解決了SVM點估計的問題,但是RVM的預測性能嚴重依賴于核函數(shù)的選擇,相關的變體例如融合多個核函數(shù)構建的RVM解決了單一核函數(shù)的選擇對預測結果的影響,提高了預測的精度。深度學習的模型解決了淺層模型不能處理大量數(shù)據的缺點,但是RNN會出現(xiàn)梯度消失和梯度爆炸的問題,LSTM通過門機制解決了RNN的上述問題。通過結合機理模型和數(shù)據驅動模型,能夠解決上述模型的部分問題,但是上述的模型都有進一步提升的空間,這就催生了基于數(shù)據驅動的融合模型,該融合模型因為結合了多種方法,預測精度相較于單一的數(shù)據驅動模型有較大的提升,基于數(shù)據驅動的融合模型將單一的模型結合其他的方法進行改進,能夠更好地模擬退化的趨勢,明顯提升RUL預測結果,表明了融合模型的優(yōu)越性。

表1 基于數(shù)據驅動的各種RUL預測方法優(yōu)缺點對比

總體而言,無論是基于機理模型還是基于數(shù)據驅動的RUL預測方法都有各自不同的要求和適用場景,兩者也有不同的優(yōu)點和缺點。數(shù)據驅動的模型是由基于經驗壽命數(shù)據和系統(tǒng)運行的歷史數(shù)據構建的,優(yōu)點是不需要復雜物理系統(tǒng)的真實機理表達公式,模型不復雜,更容易應用到實際應用中,缺點是需要大量的經驗數(shù)據才能構建高精度模型,這些模型并不代表實際的系統(tǒng),它需要收集更多的數(shù)據來學習從而理解真實的系統(tǒng)行為。機理模型則理解系統(tǒng)的物理規(guī)則,具有描述系統(tǒng)的確切公式,優(yōu)點是精度更高,因為它的模型是建立在實際(或接近實際)的物理系統(tǒng)之上的,代表一個真實的系統(tǒng),可以更真實地觀察和判斷模型,缺點是高度復雜,需要大量的計算時間/資源,不太適合在實際應用中使用,還有就是在包含不可測變量的大型復雜系統(tǒng)的情況下很難建立準確的機理模型?；旌戏椒梢钥朔谀Ｐ偷姆椒ê蛿?shù)據驅動方法各自的缺點。而基于模型融合的RUL預測方法并不特指混合方法,也就是說不限定模型的類型,可以是純數(shù)據驅動的模型融合,基于模型融合的RUL預測已經成為提高鋰離子電池RUL預測性能的研究熱點。

在未來的研究中,應該關注以下5個方面:

1)目前的工作大多數(shù)在單一工況和幾種工況下進行預測,很少考慮到溫度和其他外界因素的綜合影響,未來可以將相關的工作集中于多種工況、多種因素影響下的鋰離子電池RUL的預測。

2)進一步研究基于數(shù)據驅動的融合模型的方法,同時要注重對不確定性問題的處理,改進相關的算法以提高預測的精度。

3)目前對鋰離子電池的RUL的預測方法進展較慢,方法比較固定,未來可以其他的領域如NLP中借鑒相關的方法來處理,例如最新的TCN等。

4)在未來的研究中,希望能在動態(tài)操作或者運行的條件下,對相關設備的鋰離子電池組進行RUL的預測。

5)現(xiàn)有的研究只關注SOH、RUL或者電池故障的檢測,希望未來能形成從鋰離子電池的生產、使用狀態(tài)的日常與異常監(jiān)測到故障的診斷與RUL的預測以及對應的維護策略、廢舊鋰離子電池的回收與再利用等整體的流程。

7 結束語

本文總結了近年來鋰離子的RUL預測方法,對RUL預測的基于機理模型、基于數(shù)據驅動、基于機理模型與數(shù)據驅動融合和基于數(shù)據驅動的模型融合4種方法進行綜述,并對比分析其優(yōu)缺點,給出目前的研究熱點和建議。下一步將研究關于鋰電池RUL預測的基于數(shù)據驅動的組合方法并借鑒相關領域的方法,進一步提高鋰離子電池RUL預測的準確率。