基于人工智能的锂离子电池健康状态估计

2022年7月27日，湖南省长沙市成功举办了“2022汽车技术与装备国际论坛”。英国拉夫堡大学航空和汽车工程系助理教授张元建博士在题为“新能源汽车安全技术创新”第五分论坛上通过远程视频作了“基于人工智能的锂离子电池健康状态估计”的报告，分享了其团队在人工智能及人工智能锂离子电池健康观测方面的研究工作。

围绕锂离子电池健康状态的观测，从以下三个方面着手研究：

1、验证和探究输入特征对于不同智能人工模型对电池健康状态观测精度的影响；

2、对于不同数据集规模基于人工智能的电池健康状态观测的影响；

3、不同的人工智能模型在迁移学习能力的验证。

01、人工智能应用于电池健康观测

对于验证和探究输入特征对于不同智能人工模型对电池健康状态观测精度的影响方面，当前的人工智能应用于电池健康观测可分为浅层机器学习模型和深度学习模型，两种模型对数量和类别的敏感度是不同的，如何让两种模型的潜力得到最大的发挥，是其研究的关注焦点。

不同的人工智能模型在迁移学习能力的验证，人工智能模型需要大量的训练集，训练集的获取和成本耗时高，探究一种能小样本、低成本且获得较好验证结果的模型对应用人工智能具有重大意义。当前大量的人工智能的训练使用实验室环境获得数据集，涵盖的电池数据变化范围低于实际使用过程。

02、获取电池研究的训练集和测试集

在数据的获取与前处理方面，团队历时两年多进行充放电循环实验数据收集，数据记录已到20位，每隔固定的循环次数记录一次充放电过程，并对电池的变化特征进行相关的记录。选取充放电过程中一段容量呈线性关系变化的区域根据对应的电压区间，截取电池相关数据特征处理，获取特征向量来组成电池研究的训练集和测试集。

03、机器学习训练过程及结果分析

机器学习训练过程是根据输入特征和输出特征构成一个映射函数，来实现学习的过程和对于电池健康状态的观测。

团队研究了几种目前常有的机器学习方法和机器学习模型，包括线性回归（LR)、高斯过程回归(GPR)、支持向量回归(SVR)、随机森林(RF)。

机器学习结果分析，图中训练集红色框标注区域为前450个充放电循环，测试集为450个循环之后的剩余充放电循环，从开始到850个循环后电池出现衰减。机器学习模型基本上能反映电池衰减趋势，有些模型难以贴合实际工况。测试集中黄色点表示原始数据，绿色点表示预测数据，可以看到线性回归（LR）和原始森林（GPR）难以反映实际衰减的容量变化过程。

04、深度学习模型及其优势

深度学习模型也是构建一个输入和输出的映射函数，其输入特征是将多个特征并排排列输入，处理多个特征之间的关系，具有更高的潜力来完成电池容量预测的任务。

团队对几种深度学习方法进行相关研究，包括前馈神经网络（FNN）、卷积神经网络（CNN）和循环神经网络（GRU）。训练集和测试集相对和机器学习模型一致，通过对比可知，深度学习模型比机器学习模型表现更好一些，对电池衰减过程的模拟更接近实际值，深度学习模型具有更好的应用潜力。

05、任务一：验证输入特征的影响

通过输入特征对于不同模型的影响验证可知，机器学习型模型将特征展开成为一个一维向量集进行输入相关函数关系的，向量过长对于训练的效果不佳，要求我们选择合适的特征类别和特征数量输入。对于深度学习模型来说，由多个向量并排进行输入，理论上具备更好的多特征处理能力，对特征的数量和敏感度稍微降低一些。

特征工程研究中，对训练集的处理使用了归一化。不同归一化方法对于特征学习模型的研究有较大的影响。通过CNN深度学习模型来验证不同的归一化方法对于特征影响的相关研究发现，均值方差归一化效果最好。

06、任务二：验证数据集大小的影响

数据集大小的影响研究主要是对不同深度学习模型进行比较分析，在完成小样本训练的情况下得到较好的电池健康状态观测效果。其方法为选取不同的训练集规模，比较不同深度学习模型在不同训练集规模的情况下具备的能力，最终筛选出一种较好的深度学习模型。通过电池规模对于深度学习模型电池观测精度影响研究可知，RseMLP模型在第4个循环的时候其效果已经得到较好的发挥，具备较好的小样本的训练和应用能力。

全新电池开始调节数据训练集在数据集的构建上是不合理的，老化的数据和相对较新的数据存在一定的差异，导致结果的误差。每个电池都由全新的开始记录每一次充放电数据在实际过程中是不可能实现的，为模拟日常使用工况，电池并不是每次进行一个完整的充放电循环，随机挑选数据中任意老化阶段的充放电数据作为数据集，选择不同的比率来验证在不同测试集和实验集比率下深度学习模型的表现情况。不同的训练集和测试集比率所带来的影响研究表明，训练集越多，效果表现越好。

07、任务三：验证模型迁移学习的能力

从相关研究中了解到，要保持较好的预测结果，不只需要一定的充放电次数，也需要一定的工况数量。重新训练新的模型可以通过小样本模型训练结果减少实验成本和时间成本。

通过一些选择的实验室数据完成深度学习模型的训练，具备较好的拟合能力，达到最初的研究设想。高效人工智能模型训练可进行迁移学习，先进行源数据的构建，分为源数据的训练集、验证集和预测集。进行模型初步训练，将获取目标训练集后以小样本目标数据集进行相关迁移训练，完成最终模型的迁移应用。此方法适合于将人工智能模型应用在电动汽车的BMS系统中。