[论文解读] State of health estimation for lithium-ion battery by combining incremental capacity analysis with Gaussian process regression

Xiaoyu Li, Zhenpo Wang|arXiv (Cornell University)|Mar 15, 2019

Advanced Battery Technologies Research参考文献 31被引用 4

一句话总结

本文提出了一种新颖的高斯过程回归模型，结合增量容量分析与部分增量容量曲线，以估算锂离子电池的健康状态（SOH）。通过使用先进的高斯滤波器平滑容量曲线，并从中提取健康指标，该方法在多种老化条件和初始状态下实现了高精度、高鲁棒性的SOH预测，并具备不确定性量化能力。

ABSTRACT

The state of health for lithium battery is necessary to ensure the reliability and safety for battery energy storage system. Accurate prediction battery state of health plays an extremely important role in guaranteeing safety and minimizing the maintenance costs. However, the complex physicochemical characteristics of battery degradation cannot be obtained directly. Here a novel Gaussian process regression model based on partial incremental capacity curve is proposed. First, an advanced Gaussian filter method is applied to obtain the smoothing incremental capacity curves. The health indexes are then extracted from the partial incremental capacity curves as the input features of the proposed model. Otherwise, the mean and the covariance function of the proposed method are applied to predict battery state of health and the model uncertainty, respectively. Four aging datasets from NASA data repository are employed for demonstrating the predictive capability and efficacy of the degradation model using the proposed method. Besides, different initial health conditions of the tested batteries are used to verify the robustness and reliability of the proposed method. Results show that the proposed method can provide accurate and robust state of health estimation.

研究动机与目标

• 提高储能系统中锂离子电池健康状态（SOH）估计的精度与鲁棒性。
• 解决电池中复杂物理化学退化过程难以直接测量的挑战。
• 开发一种既能提供SOH预测又能量化不确定性的模型，以提升可靠性并优化维护策略。
• 在具有不同初始健康状态的多样化老化数据集上验证该方法。

提出的方法

• 应用先进的高斯滤波器对增量容量曲线进行平滑处理，以降低噪声并增强特征提取。
• 从部分增量容量曲线中提取健康指标作为高斯过程回归模型的输入特征。
• 高斯过程模型的均值函数用于预测电池随时间变化的健康状态。
• 协方差函数用于建模SOH预测中的不确定性，从而实现置信度估计。
• 使用来自NASA电池数据仓库的四个老化数据集对模型进行训练与验证。
• 在不同初始健康状态下测试该方法，以评估其鲁棒性与可靠性。

实验结果

研究问题

• RQ1 增量容量分析能否有效从电池退化数据中提取与健康相关的特征，用于SOH估计？
• RQ2 基于部分增量容量曲线作为输入，高斯过程回归模型在SOH预测中的准确性如何？
• RQ3 该方法在初始健康状态不同的电池中，其精度与鲁棒性在多大程度上得以保持？
• RQ4 该模型能否在SOH预测的同时提供可靠的不确定性估计？
• RQ5 将高斯滤波与增量容量分析相结合，相较于传统方法，能否显著提升预测性能？

主要发现

• 所提出的方法在所有四个NASA老化数据集中均实现了高度精确的健康状态估计。
• 该模型在不同初始健康状态下表现出稳健性能，证实其在真实场景中的可靠性。
• 通过协方差函数实现的不确定性量化提供了SOH预测的置信区间，增强了系统安全性。
• 使用部分增量容量曲线作为特征，提升了模型的泛化能力与抗噪声性能。
• 先进的高斯滤波器显著提升了增量容量曲线的质量，从而实现了更精确的特征提取。
• 与传统方法相比，该方法在预测精度和对初始状态差异的鲁棒性方面表现更优。