基于DAE-HTPF的新能源汽車電池剩余壽命預測

(1.寧夏大學新華學院，寧夏 銀川 750021；2.寧夏大學土木與水利工程學院，寧夏 銀川 750021)

0 引言

新能源汽車車載電池在使用過程中，電池的某些性能參數退化會引起不良后果，如當電池容量退化到達一定閾值時，電池的壽命就將終結[1]。因此，在電池使用過程中，有效地提取鋰電池的性能退化趨勢特征，準確地預測電池剩余壽命，及時地調整汽車控制策略，可極大地提高車輛的使用體驗，且降低成本。可見，鋰電池的剩余壽命預測對新能源汽車的推廣有著重要影響[2-4]。

目前，針對復雜電子系統的鋰電池剩余壽命(remaining useful life，RUL)的預測主要集中在2個方面：一是通過檢測電池的整個生命周期性能退化參數，來實現預測。這種方法雖然能獲得較為豐富的樣本數據且容易實現，但考慮到電池的性能退化是一個長期的過程，而且某些場合很難進行數據采集，如太空車的車載電池等[5]。二是在線RUL預測。這種方法能對鋰電池進行預測性維護，且能對控制系統提供決策信息，如對于可維修電池來說，依據RUL預測結果可對其進行維修或更換[6]。其中，在線RUL預測方法應用最為廣泛，且這種方法易于將模型與數據驅動結合起來，從而能更加有效地實現RUL預測。

研究表明，PF是基于模型實現產品剩余壽命預測的理想方法之一[7-9]。而對于鋰電池的壽命預測來說，通常將電池容量、放電深度和循環次數等作為觀測值進行分析。但是，考慮PF所建立的狀態方程比較單一，不能較好地適應電池退化趨勢，也不能完全表征具備一定隨機性的電池退化趨勢，且存在提取電池退化過程中的信息特征仍需借助人們經驗、成本較高等問題。與此同時，深度學習能自動從大量樣本數據中獲得數據特征，避免人為因素，也解決了機器學習的不足[10]。根據以上分析，提出一種基于DAE與HTPF的電池剩余壽命預測方法。該方法能有效地對電池退化過程中的信號特征進行收集與自提取，而且將趨勢性特征作為訓練集輸入到DAE中，在此過程中無需人們經驗；且通過HTPF方法優化了各階段狀態方程的參數，解決了單一狀態方程無法表征這一致命問題。

1 基本原理與算法流程

1.1 HTPF原理

由于鋰電池在退化過程中具有很大的不確定性和隨機性，因此無法用一個確定的函數來表征任一鋰電池退化趨勢[11]。本文將擬合誤差平方和為最小時的目標函數作為狀態方程，這種狀態方程中的參數會隨著鋰電池退化衰減趨勢的變化而變化，以滿足當前條件下的鋰電池退化趨勢要求。

具體流程如下：

a.程序初始數據，令i=1。

b.輸入n(n為非零自然數)個單次擬合狀態方程時所需的電池退后信號特征值，進行數據擬合，把平方誤差和最小時的函數作為PF狀態方程。

c.利用PF算法對上述狀態方程中的參數進行優化，并確定電池退化趨勢，通過設定閾值計算電池的剩余壽命。

d.額外增加m個(m

1.2 特征提取

在使用降噪自編碼器訓練數據的過程中，傳統意義上的特征輸入無法將電池使用全周期的特征進行歸一化處理，而歸一化處理對于神經網絡來說又至關重要。因此，本文考慮到電池在使用過程中出現退化的樣本很可能會受到不確定因素的影響而缺少，甚至出現樣本數據少于特征數量的狀況，這必然導致算法出現過擬合狀況，所以需要對訓練數據進行加噪[12]處理來擴展數據空間，以達到更好的擬合效果。

1.3 算法原理

本文基于DAE-HTPF的電池剩余壽命預測算法流程如圖1所示。

圖1 電池剩余壽命預測算法原理

2 分析與討論

本文的新能源車車載動力鋰電池數據來源于CALCE，且由于原始數據的數量龐大，為了簡便運算，對其采用分段平均的前置處理。共采集有2 167組數據，其中，1～150組數據經過加噪處理作為訓練集數據，將151～2 000作為測試集數據，將2 001～2 167組數據作為閾值設定樣本。為了更好地對比算法的有效性，本文設置了PF和HTPF 2種算法，對新能源汽車車載電池的剩余壽命進行了預測。本文添加4，8，15，25，40等5種信噪比的高斯噪聲。

本文利用相對誤差平方和(sum of square of relative error，SSRE)與相對誤差方差(relative error variance，REV)2種指標，來評價驗證集誤差曲線的平滑性。

基于不同信噪比的驗證誤差曲線平滑性指標如表1所示。可以發現，當信噪比為15和25時，驗證誤差與提出的曲線擬合平滑性指標達到較小值，從而得出的重構誤差曲線是最平滑的。因此在無法得到電池全周期的信息特征情況下，利用測試誤差來優化參數是能夠保證重構誤差的平滑性的，也就是說當需要提取電池出現輕微退化或完全退化時的少量信號特征時，能實現電池退化趨勢性的信號特征自提取。

表1 不同信噪比下的曲線平滑性評價指標

由以上分析可知，將2 001～2 167組數據輸入到降噪自編碼器中，求得容量閾值為46 Ah，將其作為測試集重構誤差曲線閾值。為了進行平滑處理，現從重構誤差中每100個數據求取平均值作為1個新的預測值，原數據和平滑后的重構誤差曲線如圖2所示。

圖2 重構誤差曲線

本文取HTPF算法初始化的參數為n=25，m=2。將進行平滑處理后的重構誤差依次作為HTPF算法的輸入，并計算相應狀態方程擬合得到的預測值，計算離散化后的數值與真實值之間的差平方和，選擇其最小時的函數作為此階段的狀態方程，擬合得到優化后的參數。此后重復上述過程，依次得到25組擬合后的狀態方程。結合上述狀態方程與PF算法實現電池剩余壽命的預測，預測的結果如圖3所示。橫坐標表示鋰電池充放電循環次數間隔，縱坐標表示電池容量。

圖3 鋰電池剩余壽命預測

由圖3可知，HTPF算法所預測的結果更加接近真實測試值，說明該方法能更好地發掘電池退化的趨勢性變化，從而適時地優化狀態方程參數。結果表明，HTPF算法較PF算法具有更高的精度，魯棒性更強。

3 結束語

利用DAE-HTPF算法對新能源汽車車載動力電池的剩余壽命進行了預測，該算法能有效地避免人為因素的干擾，節約預測成本。另外，該方法對鋰電池退化趨勢能做出很好的判斷，使狀態方程的參數能夠適時調整，以達到最佳的預測效果。