基于RBF-BLS面向电动汽车低碳安全出行的SOH估计方法

doi:10.16183/j.cnki.jsjtu.2023.051

基于RBF-BLS面向电动汽车低碳安全出行的SOH估计方法

李春喜¹, 乔涵哲², 姚刚¹, 姜淏予^,³, 崔向科⁴, 葛泉波⁵

1.上海海事大学物流工程学院,上海 200135

2.杭州电子科技大学自动化学院,杭州 310018

3.广东海洋大学电子与信息工程学院, 广东湛江 524008

4.北京交通大学经济与管理学院,北京 102603

5.同济大学电子与信息工程学院,上海 201804

SOH Estimation Method Based on RBF-BLS for Low-Carbon and Safe Travel of Electric Vehicle

LI Chunxi¹, QIAO Hanzhe², YAO Gang¹, JIANG Haoyu^,³, CUI Xiangke⁴, GE Quanbo⁵

1. Logistics Engineering College, Shanghai Maritime University, Shanghai 200135, China

2. School of Automation, Hangzhou Dianzi University, Hangzhou 310018, China

3. School of Electronic and Information Engineering, Guangdong Ocean University, Zhanjiang 524008, Guangdong, China

4. School of Economics and Management, Beijing Jiaotong University, Beijing 102603, China

5. College of Electronic and Information Engineering, Tongji University, Shanghai 201804, China

通讯作者: 姜淏予,副研究员,电话(Tel.):0759-2383761;E-mail:john_h_y_walter@163.com.

责任编辑: 李博文

收稿日期: 2023-02-15 修回日期: 2023-02-15 接受日期: 2023-02-24

基金资助:

国家自然科学基金(61803136)

Received: 2023-02-15 Revised: 2023-02-15 Accepted: 2023-02-24

作者简介 About authors

李春喜(1982—),博士生,从事充电安全研究.

摘要

电动汽车充电过程的安全性与动力电池组的健康状态(SOH)紧密相关,因此SOH的高性能实时估计是充电过程中安全检测的重要基础.由于动力电池组的SOH受复杂结构、电芯类型、驾驶习惯、环境温度和充电行为等因素的深度影响,现有基于单个或少量特定电池电芯实验数据的方法研究在面对整车动力电池组实时SOH估计时遭遇模型复杂、数据缺失、实时性差、精度不足等难题.针对建模困难、实时性和精度不足等问题,应用多方法集成融合思想,在电池经验退化模型上引入径向基函数(RBF)优化的宽度学习(BLS)神经网络,提出一种高性能的动力电池组SOH估计方法.首先,该方法采用经验退化模型和离线历史充电数据得到初步的SOH值;其次,应用RBF神经网络给出一种BLS系统中初始权重矩阵的确定方法,建立经验退化与径向基函数优化的宽度学习神经网络(RBF-BLS);再次,采用RBF-BLS神经网络和实时充电数据训练得到估计误差,并对经验退化模型得到的SOH进行补偿,从而得到更高精度的SOH估计值;最后,采用基于充电运营企业实际充电数据的计算机仿真实例来验证新方法的有效性和优越性.

关键词： 充电安全; 健康状态; 经验退化模型; 宽度学习

Abstract

The charging safety of electric vehicle (EV) is closely related to the state of health (SOH) in power battery pack. Therefore, the high-performance and real-time estimation of SOH is an important basis for safety detection in the charging process. Power battery is deeply effected by factors such as complex structure, types of battery cell, driving habits, temperature, and charging behavior. Compared to SOH estimation methods based on experimental data from one or few battery cells, research on real-time SOH estimation of the power battery meets with insufficient problems in battery model, data getting, real-time, accuracy, and so on. Aimed at these drawbacks, a high performance SOH estimation method in power battery pack is proposed by introducing the broad learning system(BLS) optimized by radial basis function (RBF) into the empirical battery degradation model based on the idea of multi-method integration and fusion. First, the empirical degradation model and offline historical charging data are used to obtain the initial SOH value. Then, a radial basis function neural network is applied to get the initial weight matrix of the BLS to optimize the BLS method, and establish the RBF-BLS neural network. The estimation error can be trained by the RBF-BLS neural network and real-time charging data, and compensate for the initial SOH to gain a higher precise SOH value. Finally, a computer simulation example based on actual charging data from a charging operation enterprises is used to verify the effectiveness and superiority of the proposed method.

Keywords： charging safety; state of health (SOH); empirical degradation model; broad learning system (BLS)

PDF (2492KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

李春喜, 乔涵哲, 姚刚, 姜淏予, 崔向科, 葛泉波. 基于RBF-BLS面向电动汽车低碳安全出行的SOH估计方法[J]. 上海交通大学学报, 2024, 58(9): 1454-1464 doi:10.16183/j.cnki.jsjtu.2023.051

LI Chunxi, QIAO Hanzhe, YAO Gang, JIANG Haoyu, CUI Xiangke, GE Quanbo. SOH Estimation Method Based on RBF-BLS for Low-Carbon and Safe Travel of Electric Vehicle[J]. Journal of Shanghai Jiaotong University, 2024, 58(9): 1454-1464 doi:10.16183/j.cnki.jsjtu.2023.051

近年来,在“双碳”目标下,国家政策对电动汽车进行大力支持,新能源汽车备受关注^[1⇓-3].新兴电动汽车企业不断涌现,传统汽车企业也开始推出新的电动汽车车型^[4],并且从2019年开始陆续停止生产燃油汽车,电动汽车在全球范围内迎来重大发展.在市场初期,一些汽车企业更注重车辆的电池容量和最大续航里程,相对忽视了安全的重要性.由于经常因价格等因素更换电芯厂家和缺乏对电池管理系统(BMS)的深入研究,市场上的一些整车BMS只能满足日常充放电管理要求,在动力电池安全性方面存在不足甚至缺失,如电池组一致性评估不足、热管理能力低下等^[5].另一方面,电动汽车需要大量的分布式充电站随时随地进行能源补给^[6],在充电站充电过程中,由于缺乏充电桩侧主动充电安全机制,动力电池过充电和热失控导致的车辆火灾、爆炸等灾难性现象时有发生^[7].因此,对充电安全保护机制的研究具有重要的现实意义^[8].

BMS是电动汽车的关键系统,负责整车能源监控和管理.系统提供充放电监控、温度采集、热管理、荷电状态(SOC)和健康状态(SOH)估计等功能^[9],在运动性能和电池寿命方面起着重要的作用.目前,不同电动汽车品牌甚至同一品牌不同车型的BMS各不相同,其SOH估计精度、热管理能力等存在较大差异^[10].随着动力电池的老化,电池组的一致性恶化,SOH估计精度降低.根据充电国标GB/T 27930—2015《电动汽车非车载传导式充电机与电池管理系统之间的通信协议》^[11],充电桩输出的充电电流和电压要尽可能接近但不超过BMS侧反馈的需求电流和需求电压,该需求电流和需求电压由BMS根据动力电池SOH、环境温度等因素实时估算得出.如SOH精度降低,估计结果的准确性也会降低,充电过程中的安全隐患将急剧上升^[12].因此,在充电安全保护机制中,SOH的估计及准确性至关重要.

文献[13]中在电池组容量和电阻无法直接获取的情况下,从恒流充电电池温度变化率曲线中以两个最低温度之间的时间差t_min作为SOH的估计指标,并证实t_min和电池SOH呈线性相关且相关系数达到0.954;文献[14]中通过分析电池老化过程中放电电压曲线的变化趋势,提出以等压降放电时间作为电池性能退化程度的健康因子,利用灰色关联分析算法证明了等压降放电时间与电池容量之间的强相关性;文献[15]中提出一种基于多状态指标的数据驱动算法,通过对电池进行全球轻型汽车测试循环(WLTC)实验,采集得到电压、电流等时域和频域状态数据,将这些数据输入高斯过程估计器,得到实时的电池健康状态;文献[16]中对特征参数和电池退化过程进行相关性分析,采用Beta分布函数融合容量、电阻和恒流充电时间3个主要指标,并以此作为新的SOH指标;文献[17]中从电动汽车动力电池充放电曲线中提取10种不同的健康因子,并采用核主成分分析(KPCA)算法进行融合降维,以融合后的指标作为最终的SOH指标;文献[18]中提出一种新的能有效实现不同类型电池SOH估计的代谢极限学习机(MELM)框架,该框架采用一种基于极限学习机的电池退化状态模型来描述复杂的电池退化机理,为了在数据较少的情况下实现SOH估计,引入代谢机制来更新电池退化状态模型的输入,为减少代谢引起的误差,采用灰色模型对误差累积趋势进行外推,并对估计结果进行修正;文献[19]中提出一种以证据推理(ER)规则为基础的布谷鸟搜索支持向量回归(CS-SVR)SOH估算模型,并利用NASA Ames 研究中心的电池数据集对该模型进行验证,与5种现有估计模型相比,新模型具有更良好的估算性能;文献[20]中研究了基于简化分数阻抗模型和间隔容量的锂离子电池健康状态估计问题,引入基于Grünwald-Letnikov定义的简化分数阶阻抗模型,采用最小二乘遗传算法辨识模型参数,通过仿真和实验验证了该方法的有效性.

传统的电动汽车充电安全保护机制以BMS为主导,充电桩被动响应BMS需求.如果在充电桩侧建立主动的安全防护机制,将为充电安全提供双重保障,减少过充造成的灾难事故和财产损失.本文基于充电桩侧历史和实时充电数据,融合电池经验退化模型和径向基函数优化的宽度学习神经网络(RBF-BLS),提出一种在线动力电池组SOH估计方法.该方法的优点是:①采用基于K-means的智能插值算法进行合理插值,避免在缺失数据的情况下SOH估计方法精度下降;②采用径向基函数(RBF)神经网络改进宽度学习系统的初始权重矩阵,使用更少的节点数量以节省计算资源和时间;③采用 RBF-BLS 方法代替文献[21]中的反向传播(BP)神经网络,避免了BP神经网络方法的诸多缺点,提升估计精度;④结合实时充电数据和 RBF-BLS 方法对文献[21]中的经验退化模型进行改进,在保证良好泛化性能的基础上提升了估计精度,使之可应用于各种锂离子电池,满足在线SOH估计的高实时性和通用性要求.

1 问题描述

1.1 动力电池健康状态问题描述

电池组SOH估计方法可分为实验分析法和基于模型的方法^[22-23],如图1所示.

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 SOH估计方法分类

Fig.1 Classification of SOH estimation methods

实验分析法^[22]能较直接地获取如电池电流、电压、温度等动力电池的性能参数进行分析,实现动力电池SOH的标定.其中,直接测量法直接测量电池的特征参数来计算SOH;间接分析法通过测量固体电解质界面(SEI)膜阻抗、等压差充电时间^[24]等健康因子间接得到SOH.

基于模型的方法^[22]需采用动力电池模型,通过对模型中的动力电池参数进行估计来实现动力电池SOH的标定.其中,自适应状态估计算法采用电化学、等效电路等模型对模型参数进行辨识;数据驱动的方法通过算法对历史数据进行分析,无需精确的数学模型.

每一款电动汽车的动力电池组都由成百上千的电池单元通过串联、并联的方式先组成电池块和电池模组,再组成整车动力电池组,电池组的组织方式各异,电池电芯特性各异^[25].动力电池SOH的估计需要建立最大可用容量或电池内阻和SOH的关联关系,参照文献[26],电池组SOH一般估计流程如下:对特定电芯进行充放电测试,获取各类指标实验数据;建立各类指标和SOH的关系,并对建立的映射关系进行验证;SOH估计方法推广到整个动力电阻,定义BMS中的SOH算法.

在充电桩侧,SOH可应用于在线充电安全状态评估.由于不能直接通过充电国标通信协议得到BMS侧评估的SOH字段值,且各种BMS评估结果的准确性和实时性各异,所以充电桩侧需要根据采集到的总体电流、电压、温度、电量等充电数据自行估计SOH值.

1.2 研究动机

上述对少量特定型号电芯进行研究和充放电测试,以实验分析法为基础,建立SOH估计模型,并推广到整个动力电池组的方法面临如下问题^[27]:

(1) 准确性差,电池模型参数会随电池老化发生非线性动态变化,若采用静态的算法,其估计精度将下降,误差增大.

(2) 移植性差,不同的BMS采用不同的电芯,而电芯的参数和组织方式各不相同,在某一电池组上应用良好的算法,难以应用到其他的动力电池组上,例如在三元锂电池上的SOH算法和磷酸铁锂电池存在差异.

电池模型主要包括电化学模型、等效电路模型和经验模型.电化学和等效电路模型不仅要求较高的电化学理论和电气专业知识,而且依赖电池组内部的组织结构和电气特性.电动汽车的动力电池组电芯特性各不相同,组织方式各异,且受实际环境温度等因素影响,因此充电桩侧很难采用电化学或等效电路模型对动力电池组SOH进行建模.充电桩侧虽然不能直接采集到动力电池组的电化学和电气特性,但在充电过程中采集了大量的充电数据,故非常适合仅依赖数据和数学表达式的经验退化模型.

采用单一的经验退化模型进行SOH估计误差较大且适用范围较窄.目前,各种如温度、电压、电流等的外部因素对SOH的影响也没有精确的数学模型进行描述.尝试在一种经验退化模型基础上,采用RBF-BLS神经网络建立影响因素与SOH之间的相关性,对该经验退化模型输出的SOH值进行补偿修正,得到更准确的SOH估计.基于经验退化-误差补偿融合模型的动力电池SOH估计方法原理框图如图2所示.

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 基于经验退化-误差补偿融合的SOH估计方法框图

Fig.2 Block diagram of SOH estimation method based on empirical degradation error compensation fusion

2 基于经验退化与RBF-BLS融合的SOH估计模型

2.1 动力电池SOH经验退化模型

动力电池的SOH有多种定义,包括阻抗法、容量法等^[28].因为可以从充电数据中获取电表计量的准确电量,采用容量法定义SOH为

$\frac{Q_{C}}{Q_{r a t e d}}$

(1)

式中:Q_C为电池最大容量;Q_rated为电池额定容量.

文献[21]中提出一种结合经验退化模型和BP神经网络的方法估计SOH,采用BP神经网络建立实时状态信息与经验退化模型估计误差之间的关系,从而降低经验退化模型的估计误差.基于电池容量的经验退化模型公式为

Q=b₁C+b₂e^aC+b₃Q_rated

(2)

式中:Q为电池的实际容量;C为电池充放电循环次数;a、b₁、b₂、b₃为方程参数.根据SOH的定义,将式(2)两端分别除以电池的额定容量Q_rated,可得

S=k₁C+k₂e^aC+k₃

(3)

式中:k₁、k₂、k₃为参数,令首次充放电C=0时SOH=100%,根据经验公式中的约束条件k₃=1-k₂,得到

S=k₁C+k₂e^aC+1-k₂

(4)

式(4)为SOH的经验退化模型.动力电池的结构不同且复杂,其数学建模十分困难.因此,经验退化模型对此进行了大量简化,a、k₁和k₂三个参数包含了影响电池性能的最高温度、电流、电压等信息.这种简单的三参数经验退化模型不可避免地会带来较大的估计误差.尝试利用神经网络方法寻找充电数据和SOH之间的关联关系,减小经验退化模型的误差,从而进一步提高动力电池SOH的估计精度.

2.2 宽度学习

与深度学习相比,起源于随机向量函数链神经网络(RVFLNN)的宽度学习系统(BLS)^[29-30]由特征节点和增强节点组成,结构如图3所示.输入层与特征节点之间是线性映射,增强节点由特征节点非线性变换得到,输出层与特征节点、增强节点之间也是线性映射.宽度学习仅需通过增加特征节点或增强节点数量就可提升训练精度,且保留了RVFLNN训练速度快的特点.

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 宽度学习网络结构

Fig.3 Structure of broad learning system

宽度学习包括N组特征节点,每组N_f个特征节点,另有M个增强节点.电动汽车的充电报文数据作为输入矩阵X,设输入样本数据共有L个时刻,记作X=[x(t₁) x(t₂) … x(t_L)]^T,X的第i组特征映射如下^[29]:

F_i=ϕ(XW_f_,_i+β_f_,_i), i=1,2,…,N

(5)

式中:权值矩阵W_f_,_i和偏置矩阵β_f_,_i为随机数.特征映射组合记作矩阵Fⁿ=[F₁F₂ … F_N].

增强节点由下列公式生成:

E_j=ζ(FⁿW_e_,_j+β_e_,_j), j=1,2,…,M

(6)

式中:权值矩阵W_e_,_j和偏置矩阵β_e_,_j为随机数;ζ为非线性激活函数,选取双曲正切函数^[31],表达式为

ζ(x)=

$\frac{1 - e^{- 2 x}}{1 + e^{- 2 x}}$

(7)

增强节点的矩阵为E^m=[E₁E₂ … E_M].

综上所述,宽度学习的模型可表示为

Y=[Fⁿ, E^m]W^m=H^mW^m

(8)

式中:Y为宽度学习的输出;W^m为特征节点、增强节点与输出层的权重,其值为线性系统Y=H^mW^m的最小二乘解,

W^m=argmin‖H^mW^m-Y

$‖_{2}^{2}$ =(H^m)^†Y

(9)

式中:(H^m)^†为矩阵H^m的伪逆矩阵.

(H^m)^†=

$\underset{λ \to 0}{l i m}$ (λI+H^m(H^m)^T)^-1(H^m)^T

(10)

当插入e个额外的增强节点来提升训练精度时,增强节点的矩阵为

E^m⁺¹=ζ(FⁿW_e_,_m₊₁+β_e_,_m₊₁)

(11)

定义H^m⁺¹=[H^m|E^m⁺¹],根据RVFNN算法求出新输入矩阵H^m⁺¹的伪逆矩阵为

(H^m⁺¹)^†=

$[\begin{array}{l} (H^{m})^{†} - D B^{T} \\ B^{T} \end{array}]$

D=(H^m)^†E^m⁺¹

B^T= $\{\begin{array}{l} C^{†}, & C \neq 0 \\ (1 + D^{T} {D)}^{- 1} B^{T} (H^{m})^{†}, & C = 0 \end{array}$

C=E^m⁺¹-H^mD

(12)

新的权值为

W^m⁺¹=

$[\begin{array}{l} W^{m} - B D^{T} Y \\ B^{T} Y \end{array}]$

(13)

与其他一些算法需要重新计算所有节点的权重值所需的计算量相比,宽度学习算法只需计算e个额外增强节点的权重值,因此训练时间非常短.

2.3 RBF-BLS神经网络模型

文献[31]中采用美国俄勒冈州阿什兰和澳大利亚艾利斯斯普林斯的两处光伏电站数据作为实验数据,利用自组织映射(SOM)聚类算法对数据进行预处理,来提高宽度学习的效率,采用标准化的均方根误差来评价基于宽度学习的光伏发电功率超短期预测模型的性能,其流程图参见文献[31]中的图3.

宽度学习在学习的过程中,如果开始时输入层与隐含层随机赋值的权值不合理,会导致训练效果不佳、新插入的增强节点过多及矩阵结构冗余.使用RBF神经网络^[32-33]来确定输入层与隐含层的权值,进而优化宽度学习算法.RBF 神经网络是一种具有输入层、隐含层和输出层3层结构的前馈神经网络,其结构简单、收敛速度快,能逼近任意非线性函数,克服局部极小值问题,在逼近能力、分类能力和学习速度等方面都优于BP神经网络^[33].RBF神经网络首先采用K-means聚类算法^[34]确定中心向量u=[u_i],采用K近邻(KNN)算法^[35]来确定宽度σ_i, 再根据输出进行有监督学习得到W,其学习过程^[36]如图4所示.

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 RBF神经网络学习过程^[36]

Fig.4 Process of RBF neural network^[36]

步骤1 确定中心点的个数k,利用K-means寻找中心向量u_i,

c_j=argmin_{i∈{1,2,…,k}}‖x_j-u_i‖²

(14)

u_i=

$\frac{1}{| c_{i} |} \sum_{x \in c_{i}}$ x

(15)

式中:c_j为距离最小的k个点;x_j为样本里的点;x为c_j里的点.

步骤2 利用KNN计算σ_i,

σ_i=

$\sqrt{\frac{1}{K} \overset{K}{\sum_{k - 1}} ‖ u_{k} - u_{i} ‖^{2}}$

(16)

步骤3 利用最小二乘法求得W.

宽度学习输入层与隐含层权重W_f_,_i和β_f_,_i进行随机赋值,根据输出进行有监督学习得到输出层和隐含层的权重W_j,然后通过增加隐含层节点数来逐渐降低误差。随机赋值W_f_,_i和β_f_,_i,会导致训练时间增加,隐含层节点数偏多,结果不佳.尝试将RBF神经网络中训练得到的u_i和σ_i代入到宽度学习W_f_,_i和β_f_,_i中,替换随机的权重值,优化BLS神经网络得到RBF-BLS神经网络.该神经网络的算法流程如图5所示.

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 RBF-BLS算法流程图

Fig.5 Flow chart of RBF-BLS algorithm

RBF-BLS的计算过程如下:

步骤1 导入RBF-BLS训练所需数据.

步骤2 对数据进行预处理,包括异常值修正,缺失数据的补全和归一化.

基于K-means方法对缺失数据进行插值.K-means 方法主要用于聚类研究,但当聚类中心为1时,该算法也可用于寻找最优插值.插值K-means算法以SOC值为横坐标,使用对应的历史数据进行聚类,以聚类中心对应的充电数据作为插值.其具体步骤如下:①设置聚类中心k=1;②从数据库中根据SOC值查询该车辆的历史充电数据,如果数据不足,则从同一车型获取相应的历史充电数据,得到该车辆相同SOC对应的大量充电数据;③根据下列公式计算每个样本的聚类中心,

$\underset{u}{a r g m i n} \sum_{i = k}$ ‖x_i-u‖²

(17)

最后得到的聚类中心纵坐标数据就是需要插入的值.

归一化使用min-max标准化方法,公式如下:

x^*=

$\frac{x - x_{m i n}}{x_{m a x} - x_{m i n}}$

(18)

步骤3 确定宽度学习隐含层初始节点数,将K-means 聚类算法的聚类中心设为n.根据RBF神经网络的学习过程得到聚类中心u_i和宽度σ_i分别代入到宽度学习的输入层与隐含层的连接权值W_f_,_i和β_f_,_i中.

步骤4 确定宽度学习的3个关键指标N、N_f和M.

步骤5 计算宽度学习的输出权重W=H^†Y.

步骤6 增加e个增强节点.

步骤7 计算增强节点的输入、输出权重.

步骤8 给出测试集的拟合结果并计算误差.

步骤9 若误差不满足要求,则返回步骤6,继续增加节点数减小误差;若误差满足要求,则进行SOH误差估计值的预测.

2.4 基于融合的动力电池SOH估计方法

文献[21]中使用经验退化模型与BP神经网络结合来进行SOH的估计.BP神经网络具有以下几个缺点:①BP神经网络学习速率是人为确定的,且误差收敛速度固定,因此BP神经网络的训练时间较长且训练效果不佳;②BP神经网络的梯度下降方法为负梯度下降法,会导致BP神经网络训练速度慢且易陷入局部最优.

步骤1 通过离线数据得到锂离子电池经验退化模型的参数,得出模型数学表达式.

步骤2 根据电池运行工况和SOH预测误差,训练BP神经网络.

步骤3 在线应用BP神经网络,输入电池实时运行工况,得到SOH预测误差.

步骤4 使用预测的SOH误差与经验退化模型估计值结合,得到较准确的SOH值.

使用RBF-BLS替代BP神经网络具有以下优点:①RBF-BLS神经网络可自动增加节点,初始节点数设定较随意,可以做到完全逼近;②RBF-BLS神经网络具有全局逼近功能,收敛速度非常快;③RBF-BLS结构简单且不固定,学习速率极快且训练时长短.提出基于经验退化与RBF-BLS融合的SOH估计算法如图6所示,步骤如下.

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 基于经验退化模型与RBF-BLS融合的SOH估计算法

Fig.6 SOH estimation algorithm based on fusion of empirical degradation model and RBF-BLS

步骤1 将实验数据集划分为训练集和测试集;动力电池经验退化模型的参数通过历史数据进行拟合得到,得到具体的模型数学表达式.

步骤2 对实验数据应用经验退化模型,得到SOH估计值,并和实际的SOH进行比较得到SOH估计误差ΔSOH,将该误差作为神经网络的输出期望值.

步骤3 将训练集中动力电池历史充电数据及步骤2 中获取的ΔSOH输入RBF-BLS 神经网络模型中进行训练,RBF-BLS神经网络训练完成后,采用测试集进行测试验证.

步骤4 输入动力电池的实际充电数据,由RBF-BLS 神经网络预测得到误差值ΔSOH’,再与经验退化模型SOH估计值结合,最终得到较为准确的SOH估计值.

经验退化模型有具体的数据表达式,直观简便,适用性强,但①经验退化模型是对实际系统的简化,忽略了很多因素的影响,导致该模型与实际系统之间存在建模误差;②实际运行中存在不同电池类型、不同运行环境、不同材料工艺等诸多不确定性因素,单一的经验退化模型由于精度低不适用于各种情况;③随着电池的老化和外部使用工况的变化,经验退化模型的参数不能修正,精度难以保证.采用经验退化模型和RBF-BLS神经网络相融合,使用RBF-BLS神经网络和具体型号车辆的实时数据在线训练输出的修正值对经验退化模型的估计值进行补偿修正,能够极大地提升SOH的估计精度,且根据具体车辆的实时数据,采用RBF-BLS神经网络进行训练,考虑电池类型、材料工艺等更多的影响因素,提升算法的泛化性能,训练所得经验能更好地应用于不同类型的电池组中.

3 仿真与结果分析

3.1 数据集介绍

为验证基于经验退化与RBF-BLS融合的SOH估计方法的有效性和可靠性,采用实际的生产数据进行验证,数据由深圳某能源科技有限公司提供.截至2023年3月1日,公司累计充电235.77万次,累计充电量为4 251.05万千瓦时,累计用户为8.77万人,累计充电站为114个,累计充电桩1 297个.公司在浙江省、江苏省和广东省等地均有充电站,主要充电桩型号为永联YLCE-120750和英飞源IDS210K750D-X5.充电桩遵循充电国标GB/T 27930—2015和BMS进行交互,将交互的报文信息进行打包,通过控制器局域网(CAN)总线和以太网将报文传输到公司的充电安全监控平台,数据采集过程如图7所示.

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 充电数据采集系统结构

Fig.7 Structure of charging data acquisition system

BMS报文中包含动力电池组的型号、额定容量、额定电压和循环次数等信息,这些信息在每次充电启动时上报给充电桩,充电桩上报到云端充电安全监控平台.

从公司数据库中选择充电频率较高且起止SOC较大的电动汽车充电数据作为基本数据来源.受限于充电桩和BMS之间的通信协议,无法直接得到动力电池侧的SOH数据,基于充电桩侧计量的充电电量进行间接估计:

(1) 获取电池BMS信息中的额定容量Q_rated和额定电压U_rated.

(2) 选择该车辆从SOC为0%充电到100%的充电记录,此时的充电量为电池当前能够容纳的最大电量P_current,当前的电池容量Q_current=P_current/U_rated.

(3) 最后获得真实的SOH值,即SOH=Q_current/Q_rated.

在公司的数据库中,满足上述要求的数据共367组,筛选出350组作为本文实验数据集.数据预处理过程如下:①基于K-means智能插值方法补充缺失数据;②将充电电量、充电电压、最高单体电压、最高温度和最低温度5个维度的充电数据进行归一化处理,并作为RBF-BLS神经网络的输入数据X;③通过式(4)对应的经验退化模型计算SOH估计值,将所得估计值与真实SOH的差值作为RBF-BLS神经网络的期望输出值.

3.2 RBF-BLS神经网络训练与预测

在预处理后的数据中,随机选取300组数据作为RBF-BLS神经网络的训练数据,剩下50组数据作为RBF-BLS神经网络的测试数据.RBF-BLS神经网络的预测结果及与RBF和BLS算法的对比如表1和图8所示.

表1 训练和预测误差对比

Tab.1 Comparison of training and prediction errors

算法	训练时长/s	预测精度/%	决定系数
RBF	0.674 00	93.83	0.957 6
BLS	0.045 25	98.75	0.997 9
RBF-BLS	0.419 50	99.18	0.998 4

新窗口打开| 下载CSV

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 3种神经网络预测对比

Fig.8 Comparison of three kinds of neural network prediction

由表1和图8可知,本文算法具有以下几个优点:①在预测精度上,RBF-BLS具有更好的预测效果;②在决定系数(回归性)上,RBF-BLS神经网络回归性较好,但在训练时长上宽度学习训练时长最短;③从综合性功能上,RBF-BLS神经网络的表现更突出.

3.3 基于经验退化与RBF-BLS融合的SOH估计结果

为验证基于经验退化与 RBF-BLS 神经网络融合算法在实际应用中的有效性,共选取50组实际数据,利用训练好的神经网络进行SOH偏差的预测,再与经验退化模型输出的 SOH 值进行结合计算出实时的SOH值.在实际场景中,通常充电不是从SOC=0%开始到SOC=100%结束,由于SOH在极短时间可视为不变,故在充电不满足 0%~100% SOC起止区间情况下,可选择和前文3.2节满足条件的记录中时间相邻近的充电数据.经验退化与RBF-BLS 神经网络融合算法与单一的经验退化模型对比如图9所示.

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 SOH估计对比

Fig.9 Comparison of SOH estimation

由图9可知,经验模型和融合模型都能对动力电池进行估计,经验退化模型应用范围广,但受不同电池类型、运行环境、材料工艺和老化速度等诸多不确定性因素影响,精度较低.在应用RBF-BLS 神经网络根据车辆实时数据输出的补偿值后,SOH预测值更接近真实值.经验退化与 RBF-BLS 神经网络融合模型不仅具有良好的泛化性能,可用于各种型号电池的电动汽车,而且比单一的经验公式具有更高的预测精度.

3.4 SOH估计算法分析对比

动力电池SOH估计算法性能的评价指标为均方根误差(RMSE)及平均绝对百分比误差(MAPE),具体如下:

α_RMSE=

$\sqrt{\frac{1}{n} \overset{n}{\sum_{c = 1}} (S_{t} - S_{p})^{2}}$

(19)

α_MAPE=

$\frac{1}{n} \overset{n}{\sum_{c = 1}} |\frac{S_{t} - S_{p}}{S_{t}}|$

(20)

式中:c=1,2,…,n为动力电池充放电次数;S_t为动力电池健康状态真实值;S_p为动力电池健康状态预测值.

如表2所示,单一的经验退化模型无法跟踪工况环境对电池退化的影响,也无法对不同电池组退化特性给予充分描述,估计精度比较低.经验退化与BP融合模型具有良好的泛化性能,但是BP神经网络训练时间长、回归性差且易陷入局部最优.基于经验退化与RBF-BLS融合模型估算结果的MAPE和RMSE分别为0.462 7%、0.522 3,与经验退化模型、经验退化与BP融合模型相比,具有更高的精度和稳定性.

表2 3种算法SOH估计对比

Tab.2 Comparison of three algorithms for SOH estimation

算法	MAPE/%	RMSE
经验退化模型	2.709 4	2.589 7
经验退化与BP融合模型	0.963 4	1.036 2
经验退化与RBF-BLS融合模型	0.462 7	0.522 3

新窗口打开| 下载CSV

经验退化与RBF-BLS融合模型采用RBF神经网络改进宽度学习系统的初始权重矩阵,使用更少的节点数量,加快了训练速度;采用RBF-BLS方法代替BP神经网络,避免了BP神经网络方法的诸多缺点,训练时间短且回归性好;结合实时充电数据的经验退化与RBF-BLS融合模型更加适用于实际充电场景下的动力电池SOH估计,具有良好的适应性.

4 结语

本文提出一种基于经验退化与RBF-BLS神经网络融合的SOH估计方法,使用公司的实际生产数据作为实验数据集,验证该算法的有效性.首先,对实际存在的数据缺失问题,采用K-means智能插值算法进行处理,对数据量纲和数量级不一致的问题统一采用归一化处理;然后,改进宽度学习,提出 RBF-BLS 神经网络模型,采用RBF神经网络改进宽度学习系统的初始权重矩阵,提高神经网络的回归性和准确性,减少使用的节点数;最后,将经验退化模型与RBF-BLS神经网络进行融合,进行在线电动汽车动力电池SOH 估计.结果表明:相比于单一的RBF神经网络或BLS神经网络,RBF-BLS神经网络有更好的性能表现;相对于单一的经验退化模型,采用RBF神经网络优化后的RBF-BLS神经网络具有更高的估计精度和良好的泛化性能;相比于经验退化与BP融合模型,RBF-BLS神经网络训练速度更快、回归性好且具有更高的精度和稳定性.

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

Z Q

. Research on energy conservation and emission reduction effect and development path of new energy electric vehicle[C]//2019 3rd International Conference on Data Science and Business Analytics. Istanbul, Turkey: IEEE, 2019: 448-450.