[论文解读] A Transfer Learning-based State of Charge Estimation for Lithium-Ion Battery at Varying Ambient Temperatures

Yan Qin, Stefan Adams+1 more|arXiv (Cornell University)|Jan 11, 2021

Advanced Battery Technologies Research参考文献 31被引用 6

一句话总结

本文提出了一种基于迁移学习的锂离子电池荷电状态（SoC）估计方法，通过主成分分析提取的时间序列动态特性，实现在不同环境温度下的精确SoC估计。通过使用基于方差的相似性度量定量评估估计能力的退化，并将参考温度下的一致时间特征迁移至新温度，该方法在新温度下的预测误差最高降低82.00%，显著提升了动态热环境下的鲁棒性。

ABSTRACT

Accurate and reliable state of charge (SoC) estimation becomes increasingly important to provide a stable and efficient environment for Lithium-ion batteries (LiBs) powered devices. Most data-driven SoC models are built for a fixed ambient temperature, which neglect the high sensitivity of LiBs to temperature and may cause severe prediction errors. Nevertheless, a systematic evaluation of the impact of temperature on SoC estimation and ways for a prompt adjustment of the estimation model to new temperatures using limited data have been hardly discussed. To solve these challenges, a novel SoC estimation method is proposed by exploiting temporal dynamics of measurements and transferring consistent estimation ability among different temperatures. First, temporal dynamics, which is presented by correlations between the past fluctuation and the future motion, is extracted using canonical variate analysis. Next, two models, including a reference SoC estimation model and an estimation ability monitoring model, are developed with temporal dynamics. The monitoring model provides a path to quantitatively evaluate the influences of temperature on SoC estimation ability. After that, once the inability of the reference SoC estimation model is detected, consistent temporal dynamics between temperatures are selected for transfer learning. Finally, the efficacy of the proposed method is verified through a benchmark. Our proposed method not only reduces prediction errors at fixed temperatures (e.g., reduced by 24.35% at -20°C, 49.82% at 25°C) but also improves prediction accuracies at new temperatures.

研究动机与目标

• 解决在环境温度变化条件下，固定温度训练的SoC估计模型因热敏感性而出现估计不准确的问题。
• 开发一种数据驱动框架，实现在新温度下仅用少量数据即可快速适应SoC估计模型。
• 通过时间特征的变异性定量评估温度对SoC估计性能的影响。
• 通过识别不同温度下的一致时间动态特性，实现有效迁移学习以支持模型适应。

提出的方法

• 利用典型相关分析（CVA）从电池测量数据中提取时间序列动态特性，捕捉过去波动与未来状态变化之间的相关性。
• 基于参考温度（10 °C）下的一致时间特征，使用长短期记忆网络（LSTM）训练参考SoC估计模型。
• 通过时间特征相关性的方差构建性能退化检测模型，用于识别在新温度下的性能下降。
• 当检测到性能退化时，利用基于过程方差的相似性度量H，识别不同温度间的一致时间特征。
• 通过在新温度下使用一致特征微调参考模型，实施迁移学习，实现在极少数据下的快速适应。
• 采用基准数据集在包括-20 °C在内的多个温度下验证性能，涵盖极端条件。

实验结果

研究问题

• RQ1 环境温度变化如何影响在固定温度下训练的数据驱动SoC模型的估计精度？
• RQ2 哪些度量可定量评估不同温度间的时间动态相似性，以支持有效的迁移学习？
• RQ3 如何在数据有限的条件下，快速将预训练的SoC估计模型适应至新温度？
• RQ4 温度引起的模型性能退化对SoC估计性能有何影响，如何实现实时检测？
• RQ5 能否识别出不同温度间的一致时间特征，并用于提升电池SoC估计中的迁移学习性能？

主要发现

• 与直接应用参考模型相比，该方法在25 °C下将均方根误差（RMSE）降低了79.48%，在0 °C下降低了82.00%，在-10 °C下降低了56.21%，在-20 °C下降低了40.08%。
• 在-20 °C下，从-10 °C参考温度（相似度55.80%）迁移相比从10 °C迁移，RMSE降低了58.27%，表明相似度越高，迁移效果越优。
• 基于方差的相似性指数H能定量反映参考温度与新温度之间的关系，H > 50%表示相似度高，迁移性能更优。
• 该方法在固定温度下也提升了SoC估计精度，与基线模型相比，在-20 °C下RMSE降低24.35%，在25 °C下降低49.82%。
• 估计趋势与实测数据高度吻合，通过后处理滤波可进一步提升性能。
• 该框架可自动检测模型性能退化，并仅在必要时触发迁移学习，从而提升效率与鲁棒性。