基于PSO-XGBoost...退特征锂离子电池SOH估计_田野.pdf

电工材料 2023 No.1田野等：基于PSO-XGBoost算法的多衰退特征锂离子电池SOH估计基于PSO-XGBoost算法的多衰退特征锂离子电池SOH估计田野a，闵锦涛b（三峡大学 a.电气与新能源学院；b.计算机与信息学院，湖北宜昌 443000）摘要：为了准确估计锂离子电池的健康状态（SOH），提出了一种基于粒子群算法与极限梯度提升算法相结合的方法。首先利用主成分分析法（PCA）对电池数据进行预处理，提取并组成最佳健康因子数据组；在此数据的基础上，运用XGBoost 算法建立锂离子电池退化过程模型，利用同类已有电池历史数据进行训练，通过粒子群算法优化XGBoost算法中五个主要参数，构建基于PSO-XGBoost的SOH预测模型；最后采用美国国家航空航天局电池数据集进行分析验证，并与现有的预测方法对比。结果表明，该方法平均绝对误差为 0.003 922、均方根误差为 0.005 553、最大误差为 0.021 84，具有较高的预测精度。关键词：锂离子电池；健康状态；XGBoost；粒子群算法中图分类号：TM912 DOI：10.16786/ki.1671-8887.eem.2023.01.006SOH Prediction of Lithium Ion Battery With Multiple Degradation Characteristics Based on PSO-XGBoost AlgorithmTIAN Yea,MIN Jintaob(a.College of Electrical Engineering&New energy;b.College of Computer and Information Technology,China Three Gorges University,Hubei Yichang 443000,China)Abstract:In order to accurately estimate the state of Health(SOH)of lithium-ion batteries under the double carbon target,a method based on particle swarm optimization and limit gradient lifting algorithm is proposed.Firstly,the battery data is preprocessed by principal component analysis(PCA),and the best health factor data group is extracted and formed.On the basis of this data,the degradation process model of lithium-ion battery is established by using XGboost algorithm.During the training process,the historical data of the same kind of batteries are used for training,and the five main parameters in XGboost algorithm are optimized by particle swarm optimization algorithm to build a SOH prediction model based on PSO-XGboost.Finally,the battery data set of NASA is used for analysis and verification,and the comparison test with the existing prediction methods shows that the average absolute error of this method is 0.003 922,the root mean square error is 0.005 553,and the maximum error is 0.021 84,which has high prediction accuracy.Key words:lithium ion battery;health status;XGBoost;particle swarm optimization引言随着“双碳”目标的提出，可再生能源、电动汽车以及大规模储能系统不断发展，锂离子电池在各类能源系统中充当了重要角色，锂离子电池剩余寿命的降低，电池的整体性能下降，对各类能源系统运行造成了各不相同的影响1。为实现各类能源系统安全平稳有效运行，能够发现老化电池并及时更换，保障各电池、电池组安全可靠工作，电池健康状态的准确估计显得尤为重要。作者简介：田野（1995-），男（汉族），湖北宜昌人，硕士生，主要研究方向为电力大数据、锂离子电池检测技术等。收稿日期：2022-08-0123电工材料 2023 No.1田野等：基于PSO-XGBoost算法的多衰退特征锂离子电池SOH估计目前，国内外对于电池健康状态估计中，数据驱动法利用兼具灵活性和普适性的机器学习算法进行数据分析，来达到估计、预测的目的，成为了电池SOH估计常用的方法。文献2利用电池早期循环数据，构建了WOA算法和XGBoost算法的混合预测模型预测剩余寿命，但其仅研究放电电压与容量变化的关系，忽视了其他特征对电池寿命的影响；文献3结合XGBoost算法与ARIMA残差校正模型对锂离子电池SOC（state-of-charge）进行估算，该模型有效提高了SOC的预测精度。可见多种机器学习的方法对于锂电池研究有广泛的应用，然而XGBoost算法作为目前最成功的机器学习中的一种，在该领域的研究中应用较少。由于XGBoost有较多的超参数影响回归精度，如何通过优化算法寻找最优超参数，提高XGBoost预测模型对电池SOH预测精度，也成为预测电池SOH的方向之一。另外，电池健康状态特征参数的选取同样影响数据驱动方法的预测精度。文献4仅以恒流充电时间、等压差充电时间、峰值温度时间作为评估指标估计电池SOH，忽略了其他指标对电池SOH的影响；文献5通过充电电压曲线提取特征，利用电压与充电曲线来表示锂离子电池SOH，忽视了放电过程的影响；文献6从充电电压中提取的4个特征恒电流模式持续时间，充电的恒电压模式持续时间，恒电流充电模式结束时曲线斜率，恒电流充电曲线角的垂直斜率，作为锂电池SOH估计指标；文献7提取充放电过程中电压、峰值温度等多种特征作为健康指标，以此来预测电池SOH。提取锂离子电池具有显著表征状态的健康因子是准确预测电池SOH的先决条件，在现有研究中，大部分学者对健康因子间的相关性分析不足，各健康因子对于锂电池SOH健康状态表达不同，以致于在预测过程中，由于信息丢失或者重叠对预测准确度造成影响。基于上述分析，提出一种基于PSO-XGBoost的锂离子电池SOH预测方法。该方法首先将多个表征锂电池健康状态的健康因子通过PCA方法融合，在准确反映锂电池健康状态的情况下，降低数据维度，提高预测的准确度；其次，结合粒子群优化算法，对 XGBoost 算法的关键参数进行全局最优搜索，进一步提高 XGBoost 模型的预测精度和计算速度。1健康因子特征提取及数据预处理1.1锂离子电池性能退化状态参数提取电池的SOH值反映了当前电池的可靠性。通常情况下，容量降低和电阻增加是表示锂离子电池健康状态的两个指标。本文中，SOH定义为电池当前实际容量与标称容量之比6，如式（1）所示：SOH=cPcN 100%（1）式中：cP表示当前实际容量；cN表示电池的标称容量。数据驱动模型的估计精度主要取决于两个方面：一是训练数据是否覆盖了所有的电池环境；二是训练数据的类型是否与SOH的精度有较大的相关性。因此，提取合理的SOH特征量可以提高数据驱动的SOH预测精度。随着循环次数的变化，在充电过程中，电池恒流充电和恒压充电状态下，电池的电压温度变化情况呈现出一定的规律。以美国国家航空航天局（NASA）艾姆斯预测卓越中心提供的锂离子电池（B5）的168个充放电周期为例，由充放电特征曲线可知，不同循环次数的电池的电压、电流、温度特征变化差异明显，提取充、放电过程中具有代表性的13个健康因子，即充电峰值温度TCMAX，充电峰值温度时间tCMAX，充电平均温度TCAVE，充电初始温度TC0，恒压充电时长tCU，恒流充电时间tCC，等时间间隔充电电压升 UC，放电初始温度 TD0，放电峰值温度 TDMAX，放电峰值温度时间tDMAX，放电平均温度TDAVE，等时间间隔放电电压 UD，平均放电电压降U作为测量电池老化程度的特征。1.2主成分分析上述选取的健康因子中，部分参数之间信息重叠较多，存在一定冗余，使问题分析变得复杂，同时为避免仅采用12个健康因子进行分析导致信息不足，对健康因子进行去除冗余的融合处理，对健康因子参数矩阵进行主成分分析。原始健康因子数据经过预处理、标准化后记为x1，x2，xn，经过降维的主成分记为y1，y2，ym（mn），对应关系如下所示：24电工材料 2023 No.1田野等：基于PSO-XGBoost算法的多衰退特征锂离子电池SOH估计 y1=l11x1+l12x1+l1nxny2=l21x1+l22x2+l2nxnyi=li1x1+li2x2+linxnym=lm1x1+lm2x2+lmnxn（2）求取系数矩阵的特征值i(i=1,2,m)，前k个主成分的累积贡献率为：=i=1kii=1mi（3）取累积贡献率超过95%的特征值所对应的前k个主成分，然后将所选主成分的得分矩阵作为预测模型的输入矩阵。2基于PSO-XGBoost的锂电池SOH估计PSO 算法是一种基于模拟鸟类觅食行为的群体智能优化算法8。在有限维度的搜索空间内，将所有觅食的鸟类简化为一个粒子，将寻找的食物作为优化所得的最优解。经过每次寻优过程的迭代，找出每个粒子在时刻所对应的最优位置以及对应的种群最优位置，即Pbest与Gbest。XGBoost算法基于 boosting 的算法，是目前最成功的机器学习算法之一，其特点包括具有较高精度，运行速率快且能防止过拟合9。它是在Gradient Boosting Decision Tree（GBDT）算法的基础上优化而来，具有优秀的性能和速度10。以XGBoost算法为基础搭建电池退化模型，建立起特征点与电池SOH的映射。XGBoost模型的主要超参数包括学习率（learning rate）、最小叶子节点样本权重和（min child weight）、树的最大深度（max depth）、节点分裂所需的最小损失函数下降值（gamma）和L2正则化项的权重（lambda）。因为参数较多，且调参过程投机性、随机性较大、计算量较大，所以采用粒子群优化算法和XGBoost模型相结合，通过PSO算法优化模型超参数的取值，减少参数选择过程中的随机性并提高计算速率，以此来提高模型的预测性能。POS-XGBoost 模型训练阶段，首先初始化模型，设定模型初始值，设定PSO算法中粒子的种群数，并确定各个初始值取值范围，而后输入训练集利用POS算法优化各个参数的取值；然后利用验证集评价每轮训练的模型，根据适应度函数大小，确定各个参数的取值，并判断各个参数值是否为当前最优值，若为最优，则替换原对应参数的取值，否则继续保留原参数；最后判断是否达到初始设定的最大迭代次数，确定是否输出优化过程中所保留的最佳超参数值。PSO-XGBoost模型预测电池SOH时，各超参数初始值及其对应超参数范围设置如下：学习率learning rate初始值为0.1，取值范围为00.3；节点分裂所需的最小损失函数下降值gamma初始值为0，取值范围为00.2；树