《基于视觉特征的动力电池组综合健康评估及分筛方法》由会员分享，可在线阅读，更多相关《基于视觉特征的动力电池组综合健康评估及分筛方法（14页珍藏版）》请在金锄头文库上搜索。
1、 基于视觉特征的动力电池组综合健康评估及分筛方法 陈智伟，张维戈，张珺玮，张言茹（北京交通大学，国家能源主动配电网技术研发中心，北京 100044）电动汽车的逐渐兴起使锂离子电池不断地更新迭代。锂离子电池组的性能不仅与电池自身的老化程度有关，更重要的是单体之间的不一致性会导致电池组可用能量和功率的衰减1。为确保电池的可靠使用，需要对电池组SOH(state of health，简称SOH)进行实时监测，电池SOH一般采用容量或内阻作为表征2，但影响电池续航能力的关键因素是可用能量，能量利用率和容量利用率反映的可优化空间也可作为电池组SOH的评估因素。锂离子电池组性能受很多因素影响，诸如放电深度
2、、电流工况、单体不一致性等，因此对SOH的评估有很大困难，目前对锂电池SOH 评估的方法可以分为三类：直接测量法、模型法和数据驱动法3-4。直接测量法是通过测量电池的容量、荷电状态(state of charge，简称SOC)等评估电池的SOH，但是，在实际应用中，电池很少出现完全放电，无法准确测量电池的容量，仅适用于实验室研究使用；模型法是通过等效模型对电池SOH 评估，主要包括等效电路模型、电化学模型，等效电路模型结构相对简单，参数易于辨识，但是其精度不如电化学模型；电化学模型精度虽高，但其计算包含大量偏微分方程和模型参数，计算复杂且会出现无法求解的情况；数据驱动法则通过挖掘与电池健康相关
3、的外部特征来评估电池SOH，可以满足较高的精度要求，但是需要大量的数据集作为支撑5-7。本工作从实际应用角度出发，融合电池组当前状态下可用能量、可用容量、能量利用率与容量利用率等因素，提出了电池组SOH 综合评估指标。由于电池组实验测试的复杂性，本工作通过搭建电池组等效电路模型来模拟不同健康状态下的电池组运行情况，采用不同分布状态的电池容量、SOC、内阻的耦合参数对电池组进行充放电仿真，获取每组不一致参数下电池组的充电曲线与性能参数，形成样本数据集。基于数据样本搭建神经网络模型，对样本图像的特征进行提取并训练，并按照电池组健康度综合评价指标的分数实现对电池组的分类。1 电池组模型搭建与验证1.
4、1 电池组建模与仿真基于实验测试获取多种不一致性参数耦合情况的电池组充放电数据将耗费大量的时间，因此本工作搭建了电池组等效电路模型，通过仿真获取电池组数据样本。等效电路模型是以已有的锂电池充放电数据为基础，利用电压源、电阻、电容等电子器件构建起来的电路模型，用于对电池外特性的表征，未深入探究电池内部的化学反应，参数辨识较为简单，同时能够很好地反映电池的动态特性8。在电池管理系统中，常见的等效电路模型可分为Thevenin 模型(又名为一阶RC等效电路模型)、二阶RC等效电路模型、Rint模型等。Thevenin模型中的RC回路用于考虑电池内部的电化学特性，反映了电池内部欧姆极化、电化学极化和浓
5、差极化的过程，该模型在描述电池高动态响应方面有较好的精度。二阶RC 等效电路模型比一阶模型多串接一个RC 回路，进一步提高了模型在动态响应上的精度，使其更能表征电池内部的真实状态，但是串联RC 回路的增加会使得模型变得更为复杂，进而带来更大的计算量9。由于本工作对电池健康状态的评估只关注恒流工况下的电池组特性，且从恒流充电曲线中提取相关健康特征，不涉及动态工况下的电池响应分析，因此为了计算的简单方便，选用了锂离子电池的Rint等效模型，在该电池单体等效模型的基础上搭建了串联电池组模型，并对串联电池组特性进行探究。Rint模型将电池视为一个电压源与一个电阻串联的等效电路，忽略电池动态响应特性，简
6、单明了，计算方便。其等效电路模型如图1。图1 电池单体Rint等效模型Fig.1 Rint equivalent model of a single battery由基尔霍夫定律可得：式中，UR为R0上的电压、U0为电池的外电压。为给电动汽车用电池提供更高的电压和容量等级，通常采用串并联组合的方式形成大电池组。然而锂离子电池的不一致性会产生“木桶”效应，使得整组性能受限于组内性能最差单体。严重的不一致性会导致电池组性能快速衰减，甚至会出现过充电和过放电问题10。所以在电池组建模时，应当考虑单体电池的不一致性，包括容量不一致、内阻不一致和SOC 不一致等，同时，还应当考虑单体电池在电池组中的工作
7、状态。基于以上考虑，本工作建立了串联电池组的等效电路模型，如图2所示。该模型由60个单体等效电路串联而成。图2 电池组Rint等效模型Fig.2 Equivalent circuit model of battery pack Rint1.2 模型验证可信的电池仿真模型是开展研究的必要条件，为了辨识模型参数并对模型精度进行验证，笔者搭建了由60个单体串联而成的真实电池组测试平台，如图3 所示，其中每个单体由若干个额定容量为2.6 Ah 的圆柱形18650 电芯并联形成，型号为LR1865SK，这样做的原因是能够通过设置电芯并联数来制造电池组内单体容量差异，模拟容量不一致性。电池组测试平台单体电
8、池额定容量为124.8 Ah，由48 个18650 电芯并联形成，工作电压为2.754.2 V。基于电池组测试平台开展了恒流充放电测试，并将实际测试得到的单体外电压充放电数据与电池组模型仿真得到的数据进行比较，得到如图4所示的各单体充放电电压仿真相对误差11。图3 电池组测试平台Fig.3 Battery pack test platform图4 单体电压仿真误差Fig.4 Cell voltage simulation error由图4对比结果可以清晰看出，除了仿真起始由于极化建立过程导致的模型误差稍大以外，整个充放电过程各单体电压仿真误差基本位于1%，这表明该串联电池组等效电路模型能够较好
9、地模拟实际恒流充放电工况下各单体电池的外电压响应情况，进而验证了基于模型仿真开展电池组健康评估研究的可靠性。1.3 电池组仿真数据集生成基于上述电池组等效电路模型，本工作通过组内单体不一致性参数的配置来广泛模拟多种健康状态下的电池组响应，从而生成大量电池组数据集。配置的不一致性参数包括单体容量、单体SOC、单体内阻。文献12-13中探究了电池的不一致性参数的分布特征，表明了电池组中单体电池的容量、SOC、内阻的分布符合高斯分布的特征。为充分考虑单体电池不一致性对电池组的影响，本工作控制三种不一致性参数的均值和标准差来生成高斯分布的单体参数，并通过正交组合的方式对三种参数进行耦合。三种参数的分布
10、情况如表1 所示。由于SOC 是一个时变状态量，因此在配置单体SOC 分布情况时只考虑标准差的差异。通过正交组合共生成998=648 种不一致性组合情况，为确保样本的通用性，每种不一致性组合随机生成10组样本，共计6480个电池组样本数据集。表1 不一致性参数的分布Table 1 Distribution of inconsistent parameters需要说明的是，在电池组工作时，内阻会随着SOC 的变化不断改变，因此在考虑内阻不一致参数的配置时，以标准电池单体的充放电内阻曲线为基准，选用内阻增量作为体现内阻不一致性的表征参数。各单体内阻参数配置如式(2)所示。式中，rch与rdch表示
11、基准内阻，dr表示内阻增量，rch与rdch表示待配置单体内阻。文献14研究表明，随着电池组的性能衰退，组内各单体的容量与SOC 之间存在耦合相关性，作者对一辆退役电动汽车的单体容量和SOC 进行了测试和统计，并基于copula函数对其进行了一致性建模，测试结果表明电池容量与SOC 之间存在较强的正相关性，相关系数为0.856。依据上述研究结论，本工作在生成单体容量和SOC 参数时考虑了两种参数的相关性，使得单体容量分布与SOC 分布满足一定的线性相关性(相关系数为0.856)。图5为某种组合下的单体容量和SOC状态情况。图5 容量和初始SOC状态分布Fig.5 Capacity and in
12、itial SOC state distribution2 基于充电曲线视觉特征的神经网络模型搭建2.1 卷积神经网络基本原理卷积神经网络(convolutional neural network-简称CNN)作为神经网络的一种，其本质是将输入经过多层的特征提取，实现输入数据的变换或维度的降低，然后映射到输出的过程。CNN 最突出的特征是网络内部的卷积核。CNN 在通过卷积核对样本指定区域的特征进行提取的同时，能够实现权重与偏置的共享，可以从中学习到独立于位置信息的潜在特征，并且可以减少传统神经网络的参数数量，降低训练模型的内存占用量15。卷积神经网络的基本结构通常由以下几个部分组成：输入层(
13、input layer)、卷积层(convolutional layer)、池化层(pooling layer)、全连接层(dense layer)和输出层(output layer)，其架构如图6所示。图6 卷积神经网络架构示意图Fig.6 Schematic diagram of convolutional neural network architecture卷积神经网络可分为三类：一维卷积神经网络，主要用于处理序列类型的数据；二维卷积神经网络，通常应用于图像类文本的识别；三维卷积神经网络，主要应用于医疗影像、视频等数据的识别。本工作是以电池组充电电压曲线图像为目标，提取形态学特征，对电
14、池组SOH 进行评估，因此选用二维卷积神经网络用于实现电池组充电曲线与SOH之间的映射关系。2.2 网络结构当神经网络的层数增加到一定的程度以后，会出现梯度消失或梯度爆炸，导致模型预测的准确率有可能会下降，这种情况使得更深层网络的应用受到了限制。2015 年He 等人16提出了残差网络(ResNet)的架构，其原理是在原有网络模型的基础上，在前向网络中增加了一些快捷连接，这些连接会跳过某些层，将原始数据不经过矩阵乘法和非线性变换，直接输出到下一层，使得训练输出的结果不会比输入的差。如图7所示，原始网络输入为x，拟合输出为F(x)，为了保证训练准确率不会降低，希望输出为H(x)=F(x)+x，所
15、以在原有模型基础上，通过快捷连接直接加入x。当输入输出数据维度不一致时，会导致输入与输出无法相加，此时可以采用11的卷积提高输入数据维度以保证操作的正常进行。图7 残差块结构Fig.7 Residual block structure本工作采用ResNet18 网络作为特征提取工具，其具体结构及参数设置如表2。表2 卷积神经网络结构Table 2 Structure of convolutional neural network表2 中，输入层尺寸为101128128，其中10 表示每组样本个数，1 表示输入图片的通道数，即表示输入图片为灰度图，128128为输入图片的像素尺寸；第1层卷积层，
16、包含64个大小为77的卷积核，将卷积层步长设置为2，填充为3，从而使得输出图像大小缩小为输入图像的1/2，输出尺寸为10646464，之后经过标准化、ReLU 激活函数和最大池化操作得到该层的输出结果，最大池化操作包含33的卷积核，将最大池化操作中的步长设置为2，填充为1，得到输出尺寸为10643232；第217层与第1层基本一致，特别之处在于第6层的输入与第7层的输出之间加一个快捷连接，采用11的卷积升高输入数据维度使其下采样到第7 层输出图像的结构，从而构成残差块，保证训练准确度，同样第10 层的输入与第11 层输出，第14 层的输入与第15 层输出之间采取同样操作；第18 层通过全局自适应平均池化操作将输出结构改为1051211，然后经过全连接层将多维数据结构转
