《基于深度学习锂离子电池容量估计方法的特征选择-华南理工大学.pptx》由会员分享,可在线阅读,更多相关《基于深度学习锂离子电池容量估计方法的特征选择-华南理工大学.pptx(36页珍藏版)》请在三个皮匠报告上搜索。
1、基于深度学习锂离子电池容量估计方法的特征选择曲杰曲杰华南理工大学 机械与汽车工程学院汽车工程系目录 研究背景 本课题组工作介绍研究背景“碳达峰”和“碳中和”2020年9月22日,国家主席习近平郑重宣布中国二氧化碳排放力争于2030年前碳达峰,努力争取2060年前实现碳中和。环境污染 2022 年全国机动车四项污染物排放总量为 1466.2万吨一氧化碳、碳氢化合物、氮氧化物、颗粒物排放量分别为 743.0万吨、191.2 万吨、526.7 万吨、5.3万吨 资源困境(我国特有)2022年,原油进口量为5.08亿吨,对外依存度71.2%2021年,原油进口量为5.13亿吨,对外依存度72%2020
2、年,原油进口量为5.42亿吨,对外依存度73.5%“碳达峰”和“碳中和”汽车行业碳排放特点 碳排放增速快 产业链长,辐射面广,是推动上下游产业链碳中和重要抓手 单车碳强度高汽车行业脱碳一个重要途径:电动化汽车行业脱碳的重要途径:电动化中汽中心:中国汽车低碳行动计划研究报告(2022)锂电池是动力电池最主要选项锂离子电池由于其功率密度和能量密度高、循环寿命长、自放电率低等优点,现已被广泛应用在电动汽车领域。电池容量估计电池容量作为衡量电池老化的指标,并显着影响电池性能。到目前为止,容量退化是一个不可避免的问题,并且仍然是电池利用中的一个主要问题。然而,容量测量通常需要完整的充电和放电循环,这是不
3、切实际的。通常,电池放电取决于工作负载,这使其变得复杂且不可预测。相反,电池充电相对稳定,通常遵循恒流(CC)或恒流恒压(CC-CV)协议。但是,由于用户习惯的原因,充电过程往往是不完整的。总体而言,退化机制的复杂性、分散的数据和有限的可测量参数对准确的容量估计提出了重大挑战。在电池使用过程中,正负极的电位曲线会相对滑动或收缩。相应地,电池的充电曲线随着电池的老化而发生有规律的变化。所以,基于部分充电曲线和深度学习的电池容量估计方法已被广泛应用。锂离子电池容量评估通用框架锂离子电池容量评估通用框架研究现状Lu等人利用部分充电容量序列结合深度神经网络(DNN)进行电池容量估计。Naha等将电压增
4、量序列和平均温度作为前馈人工神经网络(ANN)模型的输入,在线估计电池SOH。You等人设计了一种LSTM网络,直接使用测量的电流和电压作为电池容量估计的输入。在部分充电周期中,使用DCNN根据电压、电流和充电容量进行电池容量估计。Sheikh 等人利用充电周期的电压、电流和温度数据进行特征识别和提取,表明LSTM可以实现高精度的电池容量估计。Kaur等人选择电压、电流、温度和充电容量作为特征,并比较了ANN、CNN和LSTM模型在电池容量估计中的性能。Shen等人利用25个部分分段的电压、电流和充电容量数据作为特征矩阵,通过深度卷积神经网络(DCNN)估计电池容量。面临的挑战但是,现有的研究
5、大多直接选用了不同的特征组合作为模型的输入,缺少针对于电动汽车实际应用的复杂工况如何进行最优特征选取的研究。课题组工作介绍1针对上述问题,课题组提出了Hybrid-VIKOR多准则评价方法进行最优特征选取。其中,选择经典的CNN-LSTM模型作为基准,并使用MIT公开数据集进行验证。解决方案解决方案1CNN-LSTM模型是一种结合了卷积神经网络(CNN)和长短期记忆网络(LSTM)的混合神经网络模型。这种模型结合了CNN在处理空间信息上的优势和LSTM在处理时间序列数据上的优势,现在被广泛应用在电池容量评估领域。CNN-LSTMCNN-LSTM模型模型1MIT数据集收集了来自 A123 Sys
6、tem(APR18650M1A)制造的 124 个标称电压为 3.3 V和标称容量为 1.1 Ah商用磷酸铁锂电池的实验数据。它们在 30C 恒温的快速充电策略下循环直至失效。在快速充电策略下,表示为“C1(Q1)-C2”,电池首先以恒定电流(CC)C1 从 0%充电到 Q1 充电状态(SOC),然后从 Q1 充电到恒流 C2 时 80%SOC。MITMIT数据数据集集达到 80%SOC 后,所有电池均以 1C 充电,直到电压达到其上限截止电势 3.6 V。最后,持续恒压(CV)模式,直到充电电流降至 22 mA。1所有电池均在CC-CV协议下放电,以4C的CC放电,直到电池电压降至2.0 V
7、,电流截止为22 mA。本工作选取18个电池的数据,其中,12个电池的数据用来进行CNN-LSTM模型的训练,其余6个电池对训练好的模型进行测试。MITMIT数据数据集集1多准则评价多准则评价方法方法多准则评价方法(MCDM)是一种决策分析技术,用于处理具有多个评价准则和多个可选方案的决策问题。它旨在帮助决策者在不同的准则下进行比较和评估,以选择最佳的决策方案。MCDM方法的基本思想是将决策问题转化为一个多准则决策模型,该模型包含了所有相关的评价准则和可选方案。通过对准则权重的确定和方案得分的计算,MCDM方法可以帮助决策者量化和比较不同方案在各个准则下的表现,从而做出最终的决策。1常见的MC
8、DM方法包括层次分析法(AHP)、TOPSIS法、模糊综合评价法和VIKOR方法等。其中,VIKOR方法着重于找到一种权衡和妥协的解决方案,而不是简单地寻求最佳方案。这使得在现实情况下,当不同准则之间存在矛盾或冲突时,可以更好地找到可行的解决方案。但是,VIKOR方法需要先确定各个准则的权重,这涉及到主观判断和主观偏好的问题。如果权重确定不准确或者不恰当,可能会导致评价结果的偏差。为了改善这一缺点,本文提出Hybrid-VIKOR方法进行最优特征选取。1Hybrid-VIKORHybrid-VIKOR多准则评价方案多准则评价方案框架框架1特征方案选择特征方案选择在深度学习中,通常假设输入数据是
9、独立同分布。但是测量得到的容量是由通过安时积分法得到。受电源特性的影响,电流和电压是相互耦合的。只有温度是相对独立的,但也受到电压、散热条件等因素影响。鉴于此,我们选取6种不同的特征组合作为替代方案,分别为:U和T;I和T;Q和T;U、I和T,U、Q和T;U、I、Q和T。1评价评价指标选择指标选择电池实际应用的场景极为复杂,所以要综合考虑模型的各方面性能,来进行最优特征选取。本工作从精度、鲁棒性、实时性和不确定性这四个方面进行标准的选取。1评价评价指标选择指标选择1权重计算权重计算首先,构建决策矩阵,决策矩阵的行表示不同的决策方案,列表示各个准则。在本工作中,M为6,代表选择的6中特征组合。N
10、为13,代表选择的13个评价模型性能的指标。其中,x11就代表特征组合U T在测试样本上的平均MSE值,x1N就代表特征组合U T在测试样本上的平均CIL值。其次,分别采用Entrop、Critic、Std客观权重计算方法计算每个标准的权重,最后,再对求得的权重取平均得到每个标准最后的权重。下面介绍下各客观权重计算的具体方法。1.数据标准化:首先,将原始数据进行标准化处理,确保不同指标之间具有可比性。2.计算信息熵:对于每个指标,计算其信息熵。信息熵表示了该指标对决策的不确定性或随机性,信息熵越小表示该指标对决策的贡献越大。其中,pij表示指标 j 中值为 i 的样本数占总样本数量的比例,Hi
11、表示第i个指标的信息熵。3.计算权重:根据信息熵的计算结果,可以通过如下公式计算每个指标的权重:其中,wi表示第i个指标的权重,Hmax表示信息熵的最大可能值,n表示指标的总数。1Entrop法法权权重计算重计算Entrop权重法是一种基于信息熵的多标准决策权重确定方法,它利用信息熵的概念来评估各个指标对决策的贡献度。以下是使用Entrop方法计算权重的基本步骤:maxmax1()iinjjHHwHH1CriticCritic法法权权重计算重计算CRITIC 法是基于评价指标的对比强度和指标之间的冲突性来综合衡量指标的客观权重。考虑指标变异性大小的同时兼顾指标之间的相关性,并非数字越大就说明越
12、重要,完全利用数据自身的客观属性进行科学评价。计算过程如下:1.进行指标变异性计算,Sj就表示第j个指标的变异性:2.进行指标冲突性计算,以相关系数的形式来表现,rij 表示评价指标i和j之间的相关系数:3.进行信息量Cj计算:4.进行权重wj计算:1Std法法权权重计算重计算1iiw1VIKORVIKOR方法评估方法评估VIKOR 法是由 Opricovic 教授于 1998 年提出的一种多属性决策方法。它基于 Lpmetric 聚合函数,通过确定“正理想解”和“负理想解”,计算各备选方案的折衷解,通过各备选方案与理想方案之间的接近程度在可接受优势和决策过程稳定的条件下对方案进行排序。VIK
13、OR 法考虑了决策者的主观偏好,其最大特色就是将最大化的“群体效益”和最小化的“个体遗憾”相妥协,从而使该方法研究多属性决策问题更加合理,评估框架图如右图所示。1VIKORVIKOR方法评估方法评估iSiR1VIKORVIKOR方法评估方法评估iQiQ1评估评估结果结果当特征组合为U和T时,Q值最小,排序为1,即为最优的输入特征组合。可以看到相对于Q T和I T,U T的排序更靠前。一是因为Q是由安时积分法计算得来,在计算过程中额外引入了误差。二是当前电动汽车充电多采用不同C率进行快充,在不同快充阶段电流相对保持不变,所以电压更能反映电池的老化状态。输入特征组合输入特征组合Q值值排序排序U T
14、0.021Q T0.293I T0.182U I T0.444U Q T0.655U I Q T1.061评估评估结果结果此外,从精度分析来看,引入额外的特征会为模型提供更多关于电池老化的信息,模型的预测精度会有所提高。但是,当输入特征维度为2时,模型依然能够较好的跟踪电池容量的衰退。U TU Q TU I Q T1评估评估结果结果评估评估U TQ T I TU I TU Q TU I Q TMSE0.1010.1590.1330.08100.06630.0397RMSE0.03180.03970.03420.02850.02570.0198MAE0.02150.03180.02270.018
15、90.01810.0143R20.9770.9640.9700.9820.9850.992WIA0.9940.9920.9930.9960.9960.998下面给出了在所有测试电池上,每个精度评估指标的平均实验结果。1评估评估结果结果在进行鲁棒性分析时,我们并未对每个特征施加相同标准差的高斯噪声,因为这是没有意义的。为了更好地反应模型在实际应用时的鲁棒性,根据国标GB/T38661-2020,我们分别为U、I、Q、T添加了标准差为0.01、0.02、0.03、0.03的高斯噪声。因为对不同特征使加了不同程度的噪音,所以,随输入特征维度增加,模型鲁棒性的变化规律并未太明显。但是,从整体上来说,鲁
16、棒性大致呈下降的趋势。其中,Q T和 U I T表现出相对较差和较好地鲁棒性,是因为Q T中引入了更多的噪音,而U I T中引入的噪音较少。1评估评估结果结果并且,随着输入特征维度的增加,深度学习模型在进行前向推断时需要进行更多的计算操作,这会导致推断时间的增加,进而使得模型的实时性变差。特征特征组合组合 U TI T Q T U I TU Q TU I Q T训练时间50.5350.9350.7952.4852.7754.43预测时间0.6640.6650.6720.6870.6840.7281评估评估结果结果令人惊讶的是,在不同特征组合输入下,模型均表现出相对较小的不确定性。这主要是因为充
17、足的训练数据、合适的损失函数和超参数微调,使得模型对于未知数据具有更好的泛化效果。所以,随着输入特征维度的增多,模型总体性能是下降的,这也与VIKOR方法的评估结果相吻合。特征特征组合组合 U TI T Q T U I TU Q TU I Q T置信区间长度0.8470.8630.8520.8340.8620.8281评估评估结果结果最后,给出每个特征方案在各评估指标上的排名,这个表格在一定程度反映了所提出方法的评估过程。特征特征MSERMSEMAER2WIAMSEDRMSEDMAEDR2DWIADPTTTCILU T4444311111113Q T6665463366325I T5556534433234U I T3333222222452U Q T2222256554546U I Q T61谢 谢