基于SVD-SAE-GPR的锂离子电池RUL预测_董渊昌.pdf

第 12 卷 第 4 期2023 年 4 月Vol.12 No.4Apr.2023储能科学与技术Energy Storage Science and Technology基于SVD-SAE-GPR的锂离子电池RUL预测董渊昌1，庞晓琼1，贾建芳2，史元浩2，温杰2，李笑1，张鑫1（1中北大学计算机科学与技术学院；2中北大学电气与控制工程学院，山西 太原 030051）摘要：锂离子电池是重要的储能手段之一，对其剩余使用寿命(RUL)进行预测具有非常重要的实际意义。本工作首先针对传统特征提取方法依赖参数设置且对于不同锂离子电池数据集适应性差的缺陷，将电池数据视作矩阵，并引入奇异值分解(SVD)从测量数据和包含更多退化信息的特征提取对象中提取潜在健康因子(HIs)。其次，潜在HIs的冗余和不足会影响RUL的预测，同时考虑到主成分分析(PCA)的缺点，使用Spearman相关分析和堆叠自编码器(SAE)处理HIs得到一个融合HI。在此基础上，利用高斯过程回归(GPR)算法构建了融合HI与容量之间的模型，得到了带有不确定性表达的最终预测结果。最后，通过NASA提供的四个老化电池数据验证了所提预测模型的可行性和有效性。并额外选取MIT电池数据集验证特征提取方法的适应性。实验结果表明，所提出的RUL预测框架具有较好的预测性能，SVD特征提取方法在避免参数设置的前提下具有较好的适应性。本工作提取的HI与经过PCA融合的HI、其他HI相比，预测精度有显著提高。关键词：锂离子电池；剩余使用寿命(RUL)；奇异值分解；堆叠自编码器；高斯过程回归doi：10.19799/ki.2095-4239.2022.0767 中图分类号：TP 206 文献标志码：A 文章编号：2095-4239（2023）04-1257-11Remaining useful life prediction of lithium-ion batteries based on SVD-SAE-GPRDONG Yuanchang1,PANG Xiaoqiong1,JIA Jianfang2,SHI Yuanhao2,WEN Jie2,LI Xiao1,ZHANG Xin1(1School of Computer Science and Technology;2School of Electrical and Control Engineering,North University of China,Taiyuan 030051,Shanxi,China)Abstract:Lithium-ion batteries are an important energy storage sources,and it is of great practical importance to predict their remaining useful life(RUL).First,the battery data are treated as matrices,and singular value decomposition(SVD)is introduced to extract the potential health indicator(HI)from the measured data and the feature extraction objects containing more degradation information.This will address the drawbacks of traditional feature extraction methods that rely on parameter settings and poor adaptability to different lithium-ion battery datasets.Second,the redundancy and deficiency of potential HIs affect the prediction of RUL,and thus,a fused HI is obtained by processing HIs using Spearman correlation analysis and stacked autoencoder,considering the shortcomings of principal component 储能测试与评价收稿日期：2022-12-27；修改稿日期：2023-02-21。基金项目：国家自然科学基金（7207011096），山西省高性能电池材料与器件重点实验室开放基金（2022HPBMD01002），中国山西省留学基金委资助课题（2020-114）。第一作者：董渊昌（1999），男，硕士研究生，研究方向为复杂系统的故障预测与健康管理，E-mail：；通讯作者：庞晓琼，副教授，研究方向为复杂系统的故障预测与健康管理、信息安全与密码学，E-mail：。引用本文：董渊昌,庞晓琼,贾建芳,等.基于SVD-SAE-GPR的锂离子电池RUL预测J.储能科学与技术,2023,12(4):1257-1267.Citation：DONG Yuanchang,PANG Xiaoqiong,JIA Jianfang,et al.Remaining useful life prediction of lithium-ion batteries based on SVD-SAE-GPRJ.Energy Storage Science and Technology,2023,12(4):1257-1267.2023 年第 12 卷储能科学与技术analysis(PCA).Accordingly,a model between fused HI and capacity is constructed using the Gaussian process regression algorithm,and the final prediction results with uncertainty expression are obtained.Finally,the feasibility and validity of the proposed prediction model are verified by four aging batteries provided by NASA.The MIT battery dataset is used to verify the adaptability of the feature extraction method.The experimental results show that the proposed RUL prediction framework has good prediction performance and that the SVD feature extraction method has good adaptability while avoiding parameter settings.The HI extracted in this paper has significantly improved the prediction accuracy compared with the HI after PCA fusion and other HIs.Keywords:lithium-ion batteries;remaining useful life;singular value decomposition;stacked autoencoder;gaussian process regression锂离子电池因其工作电压高、功率密度大、寿命长等优点，已经成为电动汽车、智能电网和储能系统等众多应用领域的主流能源存储器件1-2。然而，随着充放电次数的增加，电池会通过不同的机制退化甚至失效。如果在其达到失效阈值前不及时采取有效措施，可能会导致设备性能退化甚至灾难性事件3的发生。因此，研究电池的退化并建立可靠 的 退 化 模 型 以 准 确 预 测 其 剩 余 使 用 寿 命(remaining useful life，RUL)是非常重要的。近年来，数据驱动的方法因可以利用历史监测数据直接预测电池的退化趋势而不依赖于复杂的物理模型，在锂离子电池RUL预测领域受到了广泛关注4。目前大多研究定义容量5或内阻6作为健康因子(health indicator，HI)。然而，容量或内阻的检测对实验条件和仪器设备要求较高，难以实现在线采集7。因此，提取易于计算且能量化电池退化状态的HI具有重要的实用价值。Khaleghi等8设置电压上下边界并指定固定的采样率从部分充电电压曲线中提取HIs并用来估计电池健康状态。此外，短放电时间间隔内的电流变化9、固定电压间隔的时间差10等也可以作为反映锂离子电池健康状态的特征。虽然这些方法8-10在提取HI方面展现了优异的性能，但需要设定固定的时间或电压等参数，这不仅依赖于人为经验，还有可能使特征提取变得复杂。Liu等11分别在NASA和CALCE的电池数据集上设置了不同的参数提取相同HI并进行RUL预测，结果表明不同锂电池特征提取参数需求可能不同。Pang等12提取了更敏感的IC曲线的峰值和峰下的区域面积作为HIs，并对NASA提供的锂离子电池数据集进行RUL预测；而Pan等13在CALCE提供的电池数据集上提取的IC曲线有两个可识别的峰，此特征提取方法显然不适用于不同的锂离子电池数据集。文献11-13的特征提取方法虽然可以用于提取HI，但由于电池参数或实验环境的差异，可能不适用于其他锂离子电池数据集。如上所述，传统的特征提取方法通常需要设定参数且适应性较差，因此，本工作的第一个动机是寻找一种能减少或避免参数设定，且对于不同的锂离子电池数据集适应性强的特征提取方法。基于以上的分析，本工作对电池的原始测量数据重新进行分析，尝试从中获取隐藏的特征信息。根据电池数据的特点，同时考虑到特征值是矩阵的重要信息，本工作将电池数据看作矩阵，从矩阵中计算特征值，然后判断该特征值是否可以作为重要信息来表征电池的退化状态。但电池数据不是方阵，无法获得其特征值，而奇异值分解14(singular value decomposition，SVD)可以从非方阵中提取奇异值来表示矩阵的重要信息。因此，本文选择SVD从电池数据中计算奇异值作为HIs。同时，考虑到提取的HIs会有一定的冗余性，当作为训练数据时，其维度过高和不足会使模型训练变得复杂且不利于RUL预测的准确性。因此，本工作的第二个动机是消除HIs不相关信息的负面影响和降低数据维数。在数据去噪和降维方面，主成分分析15(principal component analysis，PCA)表现出了较好的性能，但它适合于服从高斯分布的数据且只能执行线性变换，缺乏一定的灵活性。堆叠自编码器16(stacked autoencoder，SAE)可以自动从无标注数据中提取学习特征，给出比原始数据更好的特征描述。因此，选择SAE用于HIs的在线融合。1258第 4 期董渊昌等：基于SVD-SAE-GPR的锂离子电池RUL预测此外，模型和数据的不确定性可能导致预测可靠性差，因此，在研究锂离子电池的RUL预测时考虑预测结果的不确定性是非常有必要的。高斯过程回归17(gaussian process regression，GPR)能够实现任意线性或者非线性系统动态行为特征的建模预测，并能以概率的形式解释预测结果的不确定性。考虑到锂离子电池的退化过程是一个复杂的、动态的、非线性的电化学过程，GPR方法适合于建立锂离子电池RUL预测模型。综上所述，本文提出了一种不需要参数设定且对于不同锂离子电池数据集有良好适应性的特征提取策略，从电池数据中提