AMaze 开源技术方案

电池寿命预测

电池寿命预测之主流方法综述

包括人工神经网络（ANN）、支持向量机（SVM）、相关向量机（RVM）和深度置信网络（DBN）等在内的机器学习（machine learning）方法也逐渐被应用于电池寿命预测。这些方法往往和自己（同为机器学习范畴内的算法）或其他方法（如机理模型）结合形成新的方法以应对更复杂的情况或获得更精确而全面的结果1。

图1. 电池寿命预测问题定义13

人工神经网络通过学习过程构建从输入到期望输出的通路。在充分了解输入和输出关系的情况下，人工神经网络可以被用于电池状态预测。人工神经网络的学习过程本质上是找到输入到输出之间的若干层的权重参数、偏置参数和相邻层间的转移方程。神经网络已经被用来预测电车电池的健康状态（SOH），其需要的数据来源于电车的电池管理系统（BMS）2。

图2. 电池寿命预测模型示意图13

正如前文所说，机器学习算法往往是融合模型的一部分。一个例子是一种对质子交换膜燃料电池进行衰退参数预测和剩余寿命估计的系统，这一系统使用自回归滑动平均模型（ARMA）和时延神经网络（TNDD）融合模型刻画电池电压衰退过程中的特征数据，具体地，融合模型中的ARMA负责处理线性模式，TNDD则模拟和预测非线性部分3。另一个例子结合了人工神经网络和小波分解方法，这一项研究证明使用融合模型能显著提高短期预测（50小时以内）的准确性和稳定性从而降低电池成本提高电池寿命4。

作为人工神经网络的的一种，极限学习机（ELM）也被应用在电池寿命预测领域，基于前馈神经网络（SLFN）的极限学习机能以相当快的学习速度给出更好的泛化性能5。极限学习集同样可以用于单步和多步预测。即使当观测数据样本并不很充分时，通过一组相似电池在相似工作条件下的观测数据，极限学习机仍可以预测电池剩余寿命6。在电池剩余寿命预测问题上，为了实现非侵入式的在线预测，我们往往不能直接使用电池容量作为电视性能衰退指标而是通过诸如电压电流温度等可以直接观测的参数构建健康指标（HI），极限学习机也可以用于生成认为构建的健康指标与电池容量之间的相关性，并且这种方式对比BP神经网络有更快的速度和更高的准确率7。

支持向量机（SVM）也可以用于电池寿命预测。SVM利用核函数将样本数据升到高维（特征空间）从而将非线性问题转化为线性问题。在引入红外传感器后，可以得到电池的表面温度分布图，一组实验使用支持向量机分析红外成像结果评估锂离子聚合物电池的循环寿命（cycle life）8，在此前通常用人工神经网络实现类似功能。另一组实验通过多核支持向量机预测锂离子电池寿命，这一组实验使用了多项式核和高斯核，通过粒子群优化算法确定模型参数9。将支持向量机应用在回归问题上，我们将其重新表述为支持向量回归，支持向量回归具备描述输入和输出数据之间的非线性相关性，从而在电池寿命预测问题中同样适用。和上面讨论的策略类似，差分进化算法（DE）和支持向量回归融合模型可以被用于电池寿命预测，其中，差分进化模型被用于优化支持向量回归时的关键参数10。

相关向量机（RVM）作为核回归的稀疏贝叶斯方法，和支持向量机非常相似，但它以概率的方式进行回归。应用中可以使用灰色关联度分析（GRA）和主成分分析（PCA）提取并优化相关健康度特征，再通过相关向量机预测电池剩余容量；相关向量机还可以和平均熵（mean entropy）结合，在这种方式中平均熵为时间序列重建生成最优嵌入维数，相关向量机随后预测电视健康状态和剩余寿命11。

除上述方法外，诸如动态贝叶斯网络（DBN）和随机森林回归（RFR）等方法也被应用在电池和寿命预测中。最后，电池寿命预测是PHM研究中的一个环节，PHM研究对象还包括齿轮和变速箱等系统，针对这些对象的研究方法，包括基于自编码器的去噪深度神经网络以及短频傅里叶变换（SFFT）-卷积神经网络（CNN）融合模型等，能否被应用在电池寿命预测问题上以及预测性能如何也是一个值得研究的问题12。

参考文献

A review on prognostics and health management (PHM) methods of lithium-ion batteries

Real-time state-of-health estimation for electric vehicle batteries: A data-driven approach

Online remaining useful lifetime prediction of proton exchange membrane fuel cells using a novel robust methodology

Short-Term Prognostics of PEM Fuel Cells: A Comparative and Improvement Study

Extreme learning machine: Theory and applications

Extreme Learning Machine Based Prognostics of Battery Life

Novel battery state-of-health online estimation method using multiple health indicators and an extreme learning machine

Cycle Life Estimation of Lithium-ion Polymer Batteries using Artificial Neural Network and Support Vector Machine with Time-resolved Thermography

Prediction of Remaining Useful Life of Lithium-ion Battery based on Multi-kernel Support Vector Machine with Particle Swarm Optimization

State of health prediction for lithium-ion batteries using multiple-view feature fusion and support vector regression ensemble

Reduction of Li-ion Battery Qualification Time Based on Prognostics and Health Management

A Two-Stage Approach for the Remaining Useful Life Prediction of Bearings Using Deep Neural Networks

Transformer Network for Remaining Useful Life Prediction of Lithium-Ion Batterie

电池寿命预测之数据集获取与预处理

1 开始之前

这一系列内容预计记录对电池寿命预测方法研究的过程，本文作为开始，介绍电池寿命预测常用的NASA数据集的内容并绘制几个重要指标（容量，充电电压和电流）的变化趋势。

国内从事PHM研究水平较高的有北理工孙逢春院士团队（AESA实验室），重庆大学胡晓松教授团队（重庆大学车辆动力系统团队）等。

以上两个团队站点有对故障预测和健康管理系统（PHM）和电池剩余寿命预测（RUL）的综述，列举两篇供参考：

●北京理工大学_故障诊断

●重庆大学电池寿命预测 2020.01

2 数据集说明

2.1 下载数据集

电池寿命测试耗时长难度大，为了避免繁重的重复性工作，我们直接使用公开的数据集。大部分电池寿命预测的文章使用以下两个数据集：

●NASA数据集：由NASA埃姆斯研究中心提供的锂电池老化实验数据

●CALCE数据集：由马里兰大学高级生命周期工程中心提供的电池循环测试数据集

这里我们分析NASA数据集。

目前很多相关文章给出的下载地址已经失效，截止至2023年2月，这个地址是可用的，如果这个地址再次失效，以NASA PCoE Dataset Download作为关键词搜索最新地址，网站内容大致如下：