[论文解读] High-Fidelity State-of-Charge Estimation of Li-Ion Batteries Using Machine Learning

Weizhong Wang, Nicholas W. Brady+5 more|arXiv (Cornell University)|Aug 30, 2019

Advanced Battery Technologies Research参考文献 31被引用 5

一句话总结

该论文提出了一种基于受控电流脉冲注入以提取非线性电化学响应的机器学习增强型锂离子电池荷电状态（SoC）估算方法。前馈神经网络将脉冲响应特征映射到真实SoC，实验中实现误差低于2%，并通过在标准微处理器上简化推理，实现了实时可行性。

ABSTRACT

This paper proposes a way to augment the existing machine learning algorithm applied to state-of-charge estimation by introducing a form of pulse injection to the running battery cells. It is believed that the information contained in the pulse responses can be interpreted by a machine learning algorithm whereas other techniques are difficult to decode due to the nonlinearity. The sensitivity analysis of the amplitude of the current pulse is given through simulation, allowing the researchers to select the appropriate current level with respect to the desired accuracy improvement. A multi-layer feedforward neural networks is trained to acquire the nonlinear relationship between the pulse train and the ground-truth SoC. The experimental data is trained and the results are shown to be promising with less than 2\% SoC estimation error using layer sizes in the range of 10 - 10,000 trained in 0 - 1 million epochs. The testing procedure specifically designed for the proposed technique is explained and provided. The implementation of the proposed strategy is also discussed. The detailed system layout to perform the augmented SoC estimation integrated in the existing active balancing hardware has also been given.

研究动机与目标

• 在实际运行条件下提升锂离子电池荷电状态（SoC）估算的精度与鲁棒性，特别是在开路电压（OCV）和库仑计数方法因非线性和漂移而失效的情况下。
• 解决基于模型的观测器在电池老化后性能下降且需要精确、耗时调校的局限性。
• 开发一种数据驱动的、基于机器学习的SoC估算框架，利用瞬态脉冲响应捕捉非线性电池动态特性。
• 通过在脉冲注入数据上训练轻量级神经网络，实现实时、高保真度的SoC估算，适用于嵌入式实现。

提出的方法

• 在电池运行过程中注入受控电流脉冲，以激发非线性电化学动力学，生成可测量的电压响应。
• 提取脉冲响应特征（如幅值、衰减时间及波形形状）并作为前馈神经网络（FNN）的输入，用于SoC映射。
• 使用来自高保真电化学模型的实验数据，训练多层前馈神经网络，以学习脉冲响应与真实SoC之间的非线性关系。
• 训练过程采用通过仿真生成的数据集，涵盖不同脉冲幅值和SoC水平，敏感性分析用于指导最优脉冲电流的选择。
• 将训练好的FNN部署于标准微处理器上，利用简化矩阵乘法实现低延迟实时推理，支持低延迟SoC更新。
• 将该方法集成至现有主动电池均衡硬件平台，实现脉冲注入而不干扰车辆正常运行。

实验结果

研究问题

• RQ1 脉冲注入是否能增强非线性锂离子电池（尤其在OCV平坦区域）中可用于SoC估算的信息量？
• RQ2 为在安全操作限制内最大化SoC估算精度，最优脉冲幅值是多少？
• RQ3 前馈神经网络能否以高保真度和低计算成本有效映射瞬态脉冲响应到真实SoC？
• RQ4 与传统SoC估算技术（如库仑计数、扩展卡尔曼滤波EKF）相比，该方法在精度和漂移抑制方面表现如何？
• RQ5 脉冲注入与基于机器学习的SoC估算能否无缝集成至现有电池管理系统（BMS）硬件（如主动均衡电路）中？

主要发现

• 所提方法在广泛运行条件下实现了业界领先水平的SoC估算误差，低于2%。
• 脉冲注入显著提升了SoC估算精度，通过捕捉电压仅测量或电流积分方法无法探测的非线性动态特性。
• 敏感性分析证实，较高脉冲幅值可提升估算精度，最优水平通过仿真确定。
• 训练好的前馈神经网络（FNN）仅通过简化矩阵乘法即可在标准微处理器上高效执行，支持实时运行。
• 将脉冲注入与现有主动均衡硬件集成是可行的，且在缩比电池包测试台上验证了其不干扰正常驾驶行为。
• 初步实验验证结果表现出强劲潜力，相关结果预计将在代表真实交通电动化条件的测试台上发布。