[论文解读] State of Health Estimation of Lithium-Ion Batteries in Vehicle-to-Grid Applications Using Recurrent Neural Networks for Learning the Impact of Degradation Stress Factors

Kotub Uddin, J. Edward Schofield+1 more|arXiv (Cornell University)|May 16, 2022

Advanced Battery Technologies Research被引用 4

一句话总结

本文提出了一种多变量长短期记忆（LSTM）循环神经网络（RNN），通过学习退化应力因子（温度、荷电状态、放电深度和C倍率）的长期依赖关系，实现车网互动（V2G）应用中锂离子电池健康状态（SoH）的估计。在超过1.15年的训练数据下，该模型在SoH预测中实现了<5%的均方误差，展示了其在实时退化监测中的稳健性能。

ABSTRACT

This work presents an effective state of health indicator to indicate lithium-ion battery degradation based on a long short-term memory (LSTM) recurrent neural network (RNN) coupled with a sliding-window. The developed LSTM RNN is able to capture the underlying long-term dependencies of degraded cell capacity on battery degradation stress factors. The learning performance was robust when there was sufficient training data, with an error of &lt; 5% if more than 1.15 years worth of data was supplied for training.

研究动机与目标

• 为解决传统基于模型的方法难以充分捕捉路径依赖性挑战的锂离子电池健康状态（SoH）估计问题。
• 通过准确预测SoH并考虑温度、SoC、DoD和C率等退化应力因子，提升车网互动（V2G）服务的经济可行性。
• 开发一种基于数据驱动的循环神经网络方法，能够比核方法或经典RNN更有效地学习电池退化数据中的长期依赖关系。
• 通过在不同训练集与测试集比例下验证模型性能，识别实现<5%预测误差的最小数据需求。
• 探索未来改进方向，如迁移学习和结构化神经网络，以减少数据需求并提高模型可解释性。

提出的方法

• 本研究采用长短期记忆（LSTM）RNN结合滑动窗口方法，处理包含循环次数、电流、端电压和温度在内的多变量时间序列数据作为输入。
• 模型在NASA Ames预测中心的随机化电池使用数据集中进行训练，排除了存在异常温度行为的数据集（RW2、RW3、RW18）。
• 由于其在网格化应用中常见噪声大、梯度稀疏的场景下效率高且适用性强，采用Adam优化器进行训练。
• 输入特征包括电池电流、端电压、温度和循环次数；端电压被用作影响退化过程的电化学过电势的代理变量。
• 通过多种训练/测试划分方式（7:3、5:5、4:6、3:7）评估模型性能，以分析数据量敏感性并确定最小数据需求。
• 该方法避免将开路电压（Voc）直接用作SoC的代理，而是基于其与SoC之间因iR和极化效应导致的非线性关系，采用端电压作为输入。

实验结果

研究问题

• RQ1 LSTM RNN能否在多变量时间序列设置下，有效学习电池SoH对多个退化应力因子（T、SoC、DoD、C率）的长期依赖关系？
• RQ2 为实现V2G应用中<5%均方误差的SoH预测，所需的最少训练数据量是多少？
• RQ3 当训练数据有限时，模型性能如何退化？何种训练/测试比例可确保稳健泛化？
• RQ4 尽管端电压与开路电压及SoC之间存在非线性关系，其能否作为SoH估计的可靠输入？
• RQ5 迁移学习或结构化神经网络在多大程度上可减少训练准确SoH预测模型的数据需求？

主要发现

• 当使用超过1.15年的数据进行训练时，LSTM RNN的预测误差低于5%的均方误差，表明在数据充足条件下具有高精度。
• 模型性能在训练数据减少时显著下降，其中7:3的训练/测试比例在所有测试比例中表现最佳。
• 模型精度对训练数据长度高度敏感，凸显了在真实V2G系统中实现可靠SoH估计的关键数据需求。
• 尽管端电压与SoC之间存在非线性关系，但其仍可作为合理输入，因为它能捕捉影响退化的电化学过电势效应。
• 通过内部记忆和梯度流机制，该模型在保留路径依赖性方面优于经典RNN和核方法。
• 未来工作应探索将dSoH/dN作为输出，以更好地反映退化随时间加速的特性。