潘垂宇 李雪 許立超 張志 陳雷
(1.中國第一汽車股份有限公司新能源開發(fā)院,長春 130013;2.汽車振動(dòng)噪聲與安全控制綜合技術(shù)國家重點(diǎn)實(shí)驗(yàn)室,長春 130013)
主題詞:動(dòng)力電池 大數(shù)據(jù) 充電電壓恢復(fù)率 開路電壓
近年來,電動(dòng)汽車發(fā)展迅速,更是成為了國家十四五戰(zhàn)略規(guī)劃的一部分。但是新能源汽車仍然有很多需要解決的問題,電動(dòng)汽車開路電壓預(yù)測是其中之一。
鋰離子電池在開路狀態(tài)下的端電壓稱為開路電壓(OCV)。電池的開路電壓等于電池在斷路時(shí)(即沒有電流通過兩極時(shí))電池的正極電極電勢與負(fù)極電極電勢之差。
開路電壓的估計(jì)是電池荷電狀態(tài)(SOC)預(yù)估的重要基礎(chǔ)。當(dāng)電池處于靜態(tài)或無負(fù)載狀態(tài)時(shí),電池端電壓和SOC存在一定的數(shù)學(xué)比例關(guān)系,而SOC對于電池特性分析、自放電特性預(yù)估、電池管理系統(tǒng)設(shè)計(jì)都有著重要作用。
當(dāng)電動(dòng)汽車處于行駛狀態(tài)時(shí),很難準(zhǔn)確測量到開路電壓,因此,開路電壓的估計(jì)就非常重要。
目前主要流行的開路電壓的估計(jì)方法可分為試驗(yàn)法、基于模型法、數(shù)據(jù)驅(qū)動(dòng)法等。
(1)試驗(yàn)法
試驗(yàn)法的方法是在試驗(yàn)中的“充分靜置法”,將充放電后的鋰電池進(jìn)行充分靜置,讓其端電壓恢復(fù)至開路電壓。該方法存在著無法規(guī)避的缺點(diǎn),即在進(jìn)行OCV估算之前電池必須經(jīng)過長時(shí)間靜置。
該試驗(yàn)法得出開路電壓的標(biāo)準(zhǔn)方法為:分別在對應(yīng)溫度下,以1C/1C充放電倍率對電池當(dāng)前溫度下的可用容量進(jìn)行測試。以0.1C倍率放電,每放出可用容量的10%,靜置3 h,靜置后電池端電壓即為對應(yīng)SOC狀態(tài)開路電壓。
上述方法表明,電池經(jīng)過長期靜置,其開路電壓穩(wěn)定且可與SOC對應(yīng)。但是,新能源汽車實(shí)車很難按照該試驗(yàn)狀態(tài)使用,所以試驗(yàn)法并不能適用于實(shí)車的開路電壓預(yù)估。
(2)基于模型法
汽車在行駛過程中經(jīng)歷反復(fù)的放電-回饋過程,即使出現(xiàn)汽車在紅燈時(shí)駐車情況,由于停歇時(shí)間很短,因此也很難達(dá)到穩(wěn)態(tài)開路電壓。
武國良等提出非穩(wěn)態(tài)開路電壓模型,利用等效電路模型參數(shù)辨識電池的一階等效電路模型,來分析包括充電停歇狀態(tài)和放電停歇狀態(tài)的非穩(wěn)態(tài)開路電壓模型。
付浪等提出一種新的辦法,通過對電池放電曲線及恢復(fù)曲線分析,結(jié)合電池等效模型,擬合出開路電壓的計(jì)算公式。將放電停止后的某時(shí)刻電壓用卡爾曼濾波法估計(jì)電池的開路電壓。不但解決了傳統(tǒng)估算中開路電壓法用時(shí)長的問題,而且提高了開路電壓值的準(zhǔn)確性。
但是,卡爾曼濾波算法是基于最小方差誤差的思想提出的一種遞推算法,其本身也是以電池的Thevenin為模型和基于模型法有類似的問題,同時(shí)卡爾曼濾波的運(yùn)算復(fù)雜,也有一定缺點(diǎn)。
綜上,基于模型法需要模擬出電池的各種參數(shù),但是隨著電池的衰減及不同電池的一致性差異,也很難做到非常精確的預(yù)測開路電壓。
(3)基于數(shù)據(jù)驅(qū)動(dòng)法
這類方法主要可用于以下3類情況:被控系統(tǒng)的數(shù)學(xué)模型完全未知;被控系統(tǒng)的模型不確定較大;被控系統(tǒng)結(jié)構(gòu)過于復(fù)雜或模型階數(shù)過高等類型系統(tǒng)。常用的數(shù)據(jù)驅(qū)動(dòng)類算法如神經(jīng)網(wǎng)絡(luò)(Neural Network,NN)等??梢栽诓涣私怆姵貎?nèi)部結(jié)構(gòu)的情況下,利用大量電池在實(shí)際工況下的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)集。但是,目前通過數(shù)據(jù)驅(qū)動(dòng)對于開路電壓的預(yù)估,還處于探索階段。
現(xiàn)在的新能源汽車的遠(yuǎn)程服務(wù)均基于GB/T 32960.3—2016《電動(dòng)汽車遠(yuǎn)程服務(wù)與管理系統(tǒng)技術(shù)規(guī)范第3部分:通信協(xié)議及數(shù)據(jù)格式》的數(shù)據(jù)資源,所以使用基于數(shù)據(jù)驅(qū)動(dòng)法是很好的預(yù)測手段,同時(shí)最新的新能源汽車具有空中下載技術(shù)(OTA)功能,通過該功能可以將云端學(xué)習(xí)的結(jié)果寫入汽車之中,對汽車的電池管理系統(tǒng)(BMS)實(shí)現(xiàn)不斷迭代,預(yù)測越來越準(zhǔn)確。
本文基于數(shù)據(jù)驅(qū)動(dòng)法對電動(dòng)汽車的OCV進(jìn)行預(yù)估,其步驟包括數(shù)據(jù)準(zhǔn)備、數(shù)據(jù)預(yù)處理、電池開路電壓預(yù)測特征構(gòu)建、機(jī)器學(xué)習(xí)及結(jié)果分析4部分進(jìn)行闡述。
所使用數(shù)據(jù)為某新能源公司投放使用的某款純電動(dòng)汽車在2021年的數(shù)據(jù),數(shù)據(jù)采集頻率為0.1 Hz。數(shù)據(jù)由安裝在汽車上的車載數(shù)據(jù)采集設(shè)備獲取,數(shù)據(jù)傳輸按照GB/T 32960.3—2016執(zhí)行,數(shù)據(jù)由車載TBox傳輸至后臺服務(wù)器。
電動(dòng)汽車在停車后一般就會(huì)停止數(shù)據(jù)上傳。但是此時(shí)車輛的SOC、極化、溫度、自放電特性均不穩(wěn)定,下電時(shí)刻的電壓值不能作為開路電壓。
在停車時(shí)長滿足充分靜置后的車輛在啟動(dòng)時(shí),電流和車速均為0,理論上可以認(rèn)為此時(shí)的端電壓為開路電壓,但是每次車輛的停放時(shí)長、車輛狀態(tài)是不確定的,對于數(shù)據(jù)應(yīng)用,仍然需要對開路電壓進(jìn)行預(yù)測。
為了預(yù)測該值,需要對上述各因素進(jìn)行總結(jié)和大量數(shù)據(jù)的有監(jiān)督機(jī)器學(xué)習(xí)分析。
本文采用智協(xié)慧同(北京)科技有限公司的EXD軟件作為服務(wù)器端數(shù)據(jù)篩選的工具。為了滿足車輛充分靜置的條件,采用了電動(dòng)汽車停放超過1 h的數(shù)據(jù)。因此,電動(dòng)汽車停放工況相應(yīng)的數(shù)據(jù)特征需同時(shí)滿足表1所示所有條件。
表1 電動(dòng)汽車停放工況條件
統(tǒng)計(jì)時(shí)間為2021年的數(shù)據(jù),經(jīng)上述簡單判定后,符合條件的車輛有974臺。
為了縮小數(shù)據(jù)范圍,提升數(shù)據(jù)計(jì)算效率,擬從里程占比、月行駛次數(shù)占比兩個(gè)維度對數(shù)據(jù)進(jìn)行二次篩選。圖1是974臺車運(yùn)行里程的統(tǒng)計(jì),從圖1可以看出車輛里程分布普遍低于30 000 km,超過30 000 km的數(shù)據(jù)舍棄。圖2是對月行駛次數(shù)的分布統(tǒng)計(jì),為了統(tǒng)計(jì)相對活躍車輛,舍棄月行駛次數(shù)5次以下的車輛。
圖1 電動(dòng)汽車?yán)锍陶急?/p>
圖2 電動(dòng)汽車月行駛次數(shù)占比
根據(jù)上述分布,將數(shù)據(jù)范圍進(jìn)一步規(guī)范,方法如下表2所示:
表2 數(shù)據(jù)條件范圍精確表
進(jìn)一步對數(shù)據(jù)進(jìn)行清洗,發(fā)現(xiàn)如“SOC大幅下降,絕緣值下降,溫度上升”、“里程不變的情況下,SOC下降明顯”、“SOC為100不變,但是總電壓有明顯降低”等狀態(tài)異常車輛,通過數(shù)據(jù)分析和實(shí)車監(jiān)控,將異常車輛排除。
同時(shí)發(fā)現(xiàn)如表3的混淆數(shù)據(jù)。
表3 數(shù)據(jù)質(zhì)量異常表
將上述表3車輛清洗去除后,還有850臺車輛的運(yùn)行數(shù)據(jù)符合條件。
機(jī)器學(xué)習(xí)中,為使算法達(dá)到最優(yōu)性能,須通過特征工程對數(shù)據(jù)進(jìn)行處理使原始數(shù)據(jù)轉(zhuǎn)化為特征,從而對數(shù)據(jù)中所包含的信息進(jìn)行充分挖掘,使模型能夠更好地進(jìn)行學(xué)習(xí)。因此須構(gòu)造車輛起動(dòng)瞬間及車輛下電前的相關(guān)特征,以便模型進(jìn)行學(xué)習(xí)與訓(xùn)練。
影響開路電壓的預(yù)測可能包含電池極化、電池自放電、電池壽命、電池溫度等原因。
蔡信等分析了影響動(dòng)力電池SOC的因素,描述了動(dòng)力電池極化、電池遲滯效應(yīng)對OCV的影響。由于遲滯效應(yīng)的存在,電池OCV根據(jù)電流大小、環(huán)境溫度、充放電歷史因素的不同,同一SOC點(diǎn),會(huì)得到不同的與之對應(yīng)的OCV值。
根據(jù)上述影響因素,本文選取了里程、電流、車速、溫度、電壓和停車前狀態(tài)信息進(jìn)行特征構(gòu)建。
為保證動(dòng)力電池開路電壓的預(yù)測精度,且保證計(jì)算負(fù)荷在可接受的范圍內(nèi),本文選取的特征值如表4所示。
表4 開路電壓預(yù)測特征表
值得說明的是,序號2的車輛累計(jì)里程代表車輛到目前為止的累計(jì)里程;
序號3~4的車輛停放前/后電池最高溫度,為車輛在停車前后的溫度。用于分析溫度對電池自放電的影響;
序號5的車輛停放的時(shí)間間隔,用于從時(shí)間維度分析自放電的影響;
序號6~7的車輛停放前后的總電壓及電壓,用于判斷自放電,同時(shí)車輛停放后的電壓也是機(jī)器學(xué)習(xí)的預(yù)測值;
序號8的停車前6幀的狀態(tài),車輛前6幀一般可以認(rèn)為是停車前1 min的情況。用于分析車輛在停車前是處于充電、行駛還是靜止?fàn)顟B(tài);
序號9~11的停車前6幀的電流最大、最小和平均值,用于獲取停車前1 min內(nèi)的電流變化;
序號12~14的停車前6幀的車速,用于獲取停車前1 min的車速變化。
機(jī)器學(xué)習(xí)當(dāng)前采用的技術(shù)主要包括分類、回歸分析、聚類、關(guān)聯(lián)規(guī)則和特征分析,在數(shù)據(jù)挖掘過程中根據(jù)不同分析目標(biāo)選擇不同的手段進(jìn)行模型構(gòu)建。
其中回歸是數(shù)據(jù)挖掘最常采用的分析方式之一,回歸算法包括分類回歸樹(CART)、線性回歸、多項(xiàng)式回歸和嶺回歸。
線性回歸法適合特征之間高度線性相關(guān)的場景,而電池開路電壓預(yù)估各因素之間存在著復(fù)雜的、動(dòng)態(tài)的非線性關(guān)系,導(dǎo)致模型擬合效果不理想。
多項(xiàng)式回歸相較于線性回歸可以更好的表達(dá)復(fù)雜關(guān)系,但是對于非線性數(shù)據(jù)或者數(shù)據(jù)特征間具有相關(guān)性多項(xiàng)式回歸難以建模。
嶺回歸相較于多項(xiàng)式回歸更不容易過擬合,但是解釋性很差。
對開路電壓預(yù)測,從車速、溫度、電流、停放時(shí)間維度進(jìn)行非線性分析,且基于工程開發(fā)中對于各項(xiàng)參數(shù)的貢獻(xiàn)度可解釋性的原則,本文采用隨機(jī)森林回歸算法。該算法即集成了CART算法中的可解釋性及非線性特點(diǎn),又通過引導(dǎo)聚集算法(Bagging)避免了過擬合和穩(wěn)定性差的缺點(diǎn)。
隨機(jī)森林回歸算法采用CART作為元分類器,用Bagging方法生成每棵決策樹的隨機(jī)訓(xùn)練樣本集,并且在構(gòu)建單棵樹時(shí),隨機(jī)地選擇訓(xùn)練樣本中的特征來決定決策樹的節(jié)點(diǎn)分裂。Bagging方法和CART的結(jié)合,再加上隨機(jī)選擇特征進(jìn)行屬性分裂,使得RFR能較好容忍噪聲。
隨機(jī)森林回歸算法是由多個(gè)決策樹{(,),=1,2,…,}組成的組合分類器,其中{}是獨(dú)立同分布隨機(jī)向量,通過對所有決策樹結(jié)果進(jìn)行綜合投票,而產(chǎn)生輸出結(jié)果。
一個(gè)隨機(jī)森林回歸算法由N棵決策樹構(gòu)成,每棵決策樹(如決策樹T1,T2,…,TN)是一個(gè)分類器,隨機(jī)森林回歸算法的決策結(jié)果由所有決策樹分類結(jié)果的組合策略得出,如圖3所示。
圖3 隨機(jī)森林回歸算法決策樹
機(jī)器學(xué)習(xí)回歸的評價(jià)常用決定系數(shù)R-Squared(R)來表示。Jason D.Rights等描述R通常理解為預(yù)測方差與結(jié)果方差的比例,觀測值與真實(shí)值的殘差平方和比例,可表示兩變數(shù)間的線性相關(guān)程度擬合程度,R的值越接近1,說明回歸預(yù)測的擬合程度越好;反之,R的值越小,說明回歸預(yù)測對實(shí)際值的擬合程度越差,見式(1)。
全體狀態(tài)的機(jī)器學(xué)習(xí)選取整體數(shù)據(jù)的75%作為測試集,另外的25%作為驗(yàn)證集。
經(jīng)過計(jì)算,其R為0.77,擬合度并不好,見圖4。
圖4 所有狀態(tài)隨機(jī)森林預(yù)測曲線
對此,本文提出將停車前為充電和行駛的狀態(tài)單獨(dú)進(jìn)行分析,全量數(shù)據(jù)集中根據(jù)車輛靜止前的狀態(tài),可分為“停車前為充電狀態(tài)”與“停車前為行駛狀態(tài)”兩種狀態(tài)。因此使用2種的全量數(shù)據(jù)集進(jìn)行機(jī)器學(xué)習(xí)訓(xùn)練。效果如下2節(jié)所示。
將停車前為充電狀態(tài)的數(shù)據(jù)整理出來,單獨(dú)進(jìn)行分析(圖5),可以發(fā)現(xiàn)其R為0.87,充電狀態(tài)可以較好的擬合預(yù)測電壓的下降情況,即結(jié)合了電壓恢復(fù)率和自放電率的情況。
圖5 充電狀態(tài)隨機(jī)森林回歸算法預(yù)測
同時(shí),在充電完成的狀態(tài)下,溫度和電壓差下降曲線如圖6所示,發(fā)現(xiàn)有明顯規(guī)律。
圖6中圈內(nèi)的點(diǎn)均為大于10 A的電流充電導(dǎo)致。將上述數(shù)據(jù)剔除后可以發(fā)現(xiàn)一個(gè)明顯的回歸曲線(圖7)。
圖6 溫度和電壓差下降曲線
圖7 溫度和電壓差下降曲線
通過分析該曲線可以預(yù)估,目前在項(xiàng)目內(nèi)的車輛,符合溫度-電壓下降差曲線的規(guī)律,沒有明顯自放電異常的車輛,且大多由于電池極化造成。
通過皮爾森相關(guān)性計(jì)算得出,停車前、后的電池溫度和電壓下降的相關(guān)性分別為-0.54、-0.59,電流和電壓下降的相關(guān)性為-0.43。
將停車前為行駛狀態(tài)的數(shù)據(jù)整理出來,單獨(dú)進(jìn)行分析(圖8),可以發(fā)現(xiàn)其R為0.47沒有明顯相關(guān)性,行駛和停止?fàn)顟B(tài)不能有效預(yù)測電壓恢復(fù)情況。
圖8 行駛狀態(tài)隨機(jī)森林預(yù)測曲線
本文通過數(shù)據(jù)驅(qū)動(dòng)的方式對電動(dòng)汽車的開路電壓進(jìn)行了預(yù)測,本方法不需要搭建復(fù)雜的模型及進(jìn)行長時(shí)間的靜置實(shí)驗(yàn),是非常適合現(xiàn)有大規(guī)模車輛實(shí)際應(yīng)用的一種方法。
根據(jù)目前的數(shù)據(jù)來源,停車前為充電狀態(tài)的車輛片段,可以使用本文所提出的特征架構(gòu)與隨機(jī)森林回歸算法開展符合實(shí)車使用需求的開路電壓預(yù)估,且有較高的準(zhǔn)確性。該方法既不影響實(shí)車使用,同時(shí)成本很低,易于推廣普及。然而,目前的GB/T 32960.3—2016數(shù)據(jù)上傳頻率及本文所整理的特征信號,暫不能在停車前為行駛狀態(tài)進(jìn)行預(yù)估。
同時(shí),通過電壓下降對比溫度曲線發(fā)現(xiàn),該數(shù)據(jù)范圍內(nèi)車輛與溫度和電流相關(guān)性很高,根據(jù)電池的自放電特性,沒有發(fā)現(xiàn)明顯的自放電導(dǎo)致的電壓異常下降情況。
后續(xù)會(huì)通過增加數(shù)據(jù)樣本數(shù)量、對特征進(jìn)一步歸類調(diào)整參數(shù)、提升上傳數(shù)據(jù)密度的方式,進(jìn)一步提升預(yù)測準(zhǔn)確性。