韩云飞,谢 佳,蔡 涛,程时杰
(华中科技大学电气与电子工程学院,强电磁工程与新技术国家重点实验室,湖北武汉 430074)
锂离子电池以其高能量密度、高输出电压、低自放电率、低电压降、易于管理等优点被广泛应用于家用电器、智能手机、电动工具、储能系统、电动汽车等领域[1]。准确的锂离子电池容量和健康状态(state of health)估计对于确保系统的安全可靠运行至关重要。
目前针对锂离子电池的预测主要分为模型驱动(model-driven)方法和数据驱动(data-driven)方法[2]。模型驱动方法从实际的老化机制出发对电池进行建模, 例如固体电解质层(solid-electrolyte interphase,SEI)生长[3]、活性物质损失[4]等。然而锂离子电池的容量衰减与许多机制有关,如电极/电解液界面的副反应、活性物质的损失、电阻的增加以及与复合电极相关的问题,如集流体、孔隙率、黏合剂等的变化[5],并且这些机制可能在电池内相互作用[6-7]。锂离子电池复杂的老化机制使得模型驱动的方法难以兼顾所有老化因素,因此受到了限制。
为了解决上述问题,数据驱动方法开始受到关注。数据驱动主要基于实时采集电池的运行数据,采用机器学习的模型将测量数据直接映射至目标值。这一方法不需要深刻掌握目标领域的背景知识。文献[8]使用循环神经网络实现电池的荷电状态(SOC)估计,文献[9]结合集成经验模态分解与门控循环神经网络对电池的剩余使用寿命进行预测。数据驱动方法的挑战在于选择合适的输入和模型。输入可分为原始数据和特征选择的数据。……