上海市吴淞中学
1.引言
传统燃料汽车的大量使用对环境，特别是城市环境造成了非常恶劣的影响；另一方面，油气资源日益枯竭也是人类必须面对的问题。以电动汽车为代表的新能源汽车，因其低污染、低噪音等优点成为各国政府扶持的汽车产业重要指向[1]。虽然电动汽车整体制造技术逐渐成熟，又有政府部门的政策扶持，但是电动汽车的推广仍然要面临很多困难。关于电动汽车续航里程短、充电困难和环境适应能力差（特别是低温造成的性能下降）经常见诸报端。从用户体验角度来讲，无法准确预估汽车可行驶里程余量才是最可怕的事情，因为驾驶者无法据此判断是否应该寻找充电设施或者调整路径。在电池性能暂时没有技术解决方案的情况下，设计更好的电池管理系统和更加准确的预测可行驶余量，是提升用户体验的唯一方法。
动力电池是纯电动汽车的唯一能量源，因此动力电池的优劣将直接影响汽车的运行性能。目前电动汽车上铅酸电池使用最为广泛，但其污染严重且比能量很低。镍基电池比能量高、工作温度范围宽、快充性能好，但其成本高昂且寿命较短，因此其普及可能性不高。锂电池体积很孝几乎无污染、比能量高，虽成本高于铅酸电池，但仍然可能是一种更好的选择。电动汽车的动力电池一般是将几十个单体电池通过串并联方式组装到一起完成供能。因此电池管理技术至关重要（图1），优秀的电池管理系统成为特斯拉一枝独秀的重要助力。即使单体电池的组成结构和制造过程完全一致，其特性也可能会千差万别，这些差异会因时间延长和实际使用环境的复杂性而越来越显著。对动力电池特征进行有效监测，不仅可以帮助开发者设计更好的管理系统，还可以帮助驾驶者更准确的掌握车辆状况，提升用户体验。因此，研究单体电池衰退性能并预测电池组使用寿命，成为目前电动汽车制造商和电池开发商的关键工作之一。
动力电池的性能评价指标主要是指电池荷电状态（State of Charge, SOC，描述电池供电能力）和电池健康状态（State of Health, SOH，描述电池使用寿命），SOC和SOH都只能利用电池的其它可测量参数间接进行估计[2]。目前，SOC估计算法研究较多，且已达到较高精度；但是SOH的评估算法，特别是实时预测算法仍然存在性能不高的问题。但是对于电动汽车性能而言，SOH的影响更加重要。因此，对SOH的研究更有意义。无论是SOC还是SOH，目前仍未有完全可靠的算法，这主要是受到以下困难的影响：实际环境温度和充放电倍率往往是多变的，这种变化会导致电池内部电化学过程速度变化，进而导致估算困难；因制造过程杂质（混入的杂质量是不受控的）导致的自放电现象；每个单体电池的老化速度都是不一样的。
传统估算方法往往在分析部件或系统内部机理基础上构建相应模型（电化学模型、等效电路模型等），然后进行参数估计。这类方法需要充足的离线实验数据支撑才能得到较好结果，部分参数实际获取难度非常高，而且很难投入实际应用。而且这些方法主要是研究电池的离线性能，很难得到电池性能的实时在线估计，应用意义并不大。目前，电动汽车保有量逐渐增多，可以获取到大量的电池实际使用过程中的数据（行驶里程、充放电记录、电池性能等）。因此，机器学习算法在电池SOC和SOH估计研究中的应用逐渐增多。
神经网络是常见数据驱动算法之一，以研究对象各种可获取数据为基础，借助统计学习等，分析数据之间的关系，提取数据间关系的信息，达到辅助推断和决策的目标。神经网络能够利用简单神经元的组合使用，学习复杂的非线性关系模型。随着大数据时代的来临，以及AlphaGo挑战围棋高手成功的新闻宣传，神经网络（深度学习）成为被提及最多的数据驱动算法。本文即探索神经网络在估计动力电池SOH问题的应用。
2.神经网络在SOH预测中的应用
汤露曦讨论了模糊神经网络和Elman神经网络两种特殊网络模型在估计电池SOH时的不同特点[3]。肖仁鑫等使用蚁群算法改进单纯神经网络收敛较慢的缺陷[4]。韦海燕等使用灰色神经网络估计在线的实时SOH[5]。洪晟等使用改进的小波神经网络预测锂电池的循环寿命[6]。神经网络会因为模型的复杂性导致收敛较慢，因此目前文献主要是集中在对传统网络模型的优化改进。在数据方面，主要是针对使用公开的数据集或者是自己实验室的少量数据进行优化。这些数据都是在较为理想条件下获取到的，实际应用时还需要做出适当调整。
3.研究方案
3.1 常见数据集
目前文献中最常使用的是美国NASA实验室的锂离子动力电池数据[7]。数据记录不同温度下的充电和放电数据，用于估算电池的剩余使用寿命。缺点是实验室数据多是控制在较为理想条件下的记录，难以表达出实际使用环境的多变和复杂性。
另一种获取数据的方式是采集实际使用的纯电动汽车的电池记录数据，如可以记录如下表所示的信息。这类数据比实验室数据更接近实际环境条件，其模型效果会更有意义。
如表1所示，该数据获取方式每隔一定时间即采集电池组和单体电池信息，如总电压、电流、单体温度，并记录汽车的行驶里程信息。该数据可以用来估计实际环境下的电池SOH，并且可以与行驶里程结合，给用户提供更及时的建议。不过要从公开渠道获取这些数据用于研究并不容易。
3.2 神经网络模型设计
通过对神经网络原理的学习可以知道，使用神经网络解决实际问题的算法流程。
1)参数初始化：设置网络层数、各层节点数、激活函数和训练方法、神经元节点权值（0-1之间的随机数）、学习率。
2)设置网络终止条件：训练次数和误差目标值。
3)样本数据处理：如有必要，对样本进行清理和整理，使样本数据能够适应神经网络的运算格式；如有必要，对数据进行归一化处理。
4)输出计算：计算前向输出。
5)参数和权值修正：计算误差值，并根据误差值对参数、权值进行修正。
6)停止条件判断：如满足停止条件（训练次数达到或者误差目标值达到）即停止训练，否则返回继续训练。
设计神经网络的具体模型主要包括：
A.输入输出节点设计：本文主要工作是估算电池的SOH值，因此一个输出节点就足够了；进一步地，如果想要同时输出SOH和剩余行驶里程两个值，则需要设计两个输出节点。本文选择表1中的属性参数作为网络的输入。
B.其它参数：本文首先使用基础的BP神经网络模型进行学习，隐含层节点数设置为8；激活函数使用Log-Sigmoid，训练次数为1000，初始学习率设置为0.03；误差目标值设置为0.05。
3.3 数据的交叉验证方案
以实验室数据为基础构建的模型，能否迁移到实际数据中使用需要进行验证。本文拟使用实验室数据进行神经网络模型构建，然后使用实际数据，计算SOH的估计值，并计算其与测量值的误差，验证模型迁移的可行性。过程如图2所示。
如图2所示，将实验室数据分为训练集和测试集两部分，设计好神经网络模型后，在训练集上进行学习，如果性能指标达到要求，再在测试集上进行测试，如果性能指标不满足要求，则返回继续进行训练，如果达到要求，则将模型迁移到实际电池数据上使用（数据驱动模型）。首先对实际电池数据进行预处理，清除错误数据，然后进行属性选择工作，使用数据驱动模型进行估计，输出实际数据的SOH预测值和置信水平。如设置实验室数据的性能指标为误差率均值（≤1.5%）和置信水平率均值（≤5%）。也可以依次对实际数据上的性能进行分析，查看迁移学习是否有效。
4.结论
以美国NASA实验室的锂离子电池数据为基础，设计神经网络模型实现预测SOH的目标。如前所述，虽然已经有纯电动汽车在使用，但是想要获取其测量数据并不容易。因此采用迁移学习方式设计实际环境下电池健康状态预测的算法框架。以平均误差率和置信区间率为参照，分析该神经网络模型迁移到电动汽车实际可观测数据进行SOH实时预测的可行性。
参考文献
[1]方健豪. 电动汽车动力电池的健康状态与荷电估计研究[D]. 洛阳: 河南科技大学, 2018.5
[2]李川江. 锂离子电池健康智能评估方法研究[D]. 南京: 南京航空航天大学, 2015.4
[3]汤露曦. 电动汽车动力电池SOH在线实时估计算法[D]. 广州: 广东工业大学, 2015.5
[4]肖仁鑫, 李沛森, 李晓宇, 王泽林. 基于蚁群神经网络算法的电池健康状态估计[J]. 电源技术, 2017, 41(6): 916-919
[5]韦海燕, 陈孝杰, 吕治强, 王峥峥, 潘海鸿, 陈琳. 灰色神经网络模型在线估算锂离子电池 SOH[J]. 电网技术, 2017, 41(12): 4038-4044
[6]洪晟, 尉麒栋. 基于ＷＮＮ的锂电池循环寿命预测[J]. 计算机测量与控制, 2013, 21(8): 2146-2148
[7]Saha B, Goebel K．Battery data set[R]．California, USA: NASA Ames Prognostics Data Repository, 2007
[8]卢明哲. 动力电池 SOH 估计及故障预测方法研究[D]. 北京: 北京工业大学, 2015.6
论文作者:唐诚开
论文发表刊物:《科技尚品》2019年第1期
论文发表时间:2019/7/18
标签：神经网络论文; 数据论文; 电池论文; 模型论文; 算法论文; 电动汽车论文; 里程论文; 《科技尚品》2019年第1期论文;