国产精品不卡在线,精品国产_亚洲人成在线高清,色亚洲一区,91激情网

現(xiàn)如今的電池市場(chǎng)上，動(dòng)力電池主要包括鉛酸電池、鎳氫電池和鋰離子電池等。其中，鋰離子電池因其在能量密度、循環(huán)壽命、自放電率、充放電性能、工作溫度范圍等性能方面的優(yōu)良表現(xiàn)，在電動(dòng)汽車（Electric Vehicle, EV）或者混合電動(dòng)汽車（Hybrid Electric Vehicle, HEV）等領(lǐng)域得到廣泛應(yīng)用。

然而，隨著鋰離子電池循環(huán)充放電次數(shù)的增加，電池內(nèi)部的電化學(xué)反應(yīng)加劇，除了鋰離子脫嵌發(fā)生的氧化還原反應(yīng)外，還存在許多的副反應(yīng)，如電解液分解、活性物質(zhì)溶解、金屬鋰沉積等，這些副反應(yīng)導(dǎo)致電池容量衰減。在電動(dòng)汽車實(shí)際行駛工況下，電池的工作環(huán)境和性能衰退情況復(fù)雜，電池剩余使用壽命（Remaining Useful Life, RUL）的準(zhǔn)確預(yù)測(cè)可為電池的定期維護(hù)和安全穩(wěn)定運(yùn)行提供指導(dǎo)。

電池剩余使用壽命是電池可用容量衰減至標(biāo)準(zhǔn)容量的70%～80%（電池服役結(jié)束）前所經(jīng)歷的充放電循環(huán)次數(shù)。目前，國(guó)內(nèi)外學(xué)者和企業(yè)已對(duì)電池RUL預(yù)測(cè)方法展開(kāi)研究，如基于模型驅(qū)動(dòng)的粒子濾波、卡爾曼濾波、退化機(jī)理模型、經(jīng)驗(yàn)老化模型；基于數(shù)據(jù)驅(qū)動(dòng)的支持向量機(jī)、支持向量回歸、神經(jīng)網(wǎng)絡(luò)、高斯回歸、蒙特卡洛模擬和極限梯度提升（eXtreme Gradient Boosting, XGBoost）等?；谀Ｐ万?qū)動(dòng)的預(yù)測(cè)效果取決于電池模型，但電池模型無(wú)法完全反映內(nèi)部復(fù)雜的電化學(xué)動(dòng)態(tài)特性，在一定程度上影響預(yù)測(cè)效果?；跀?shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)方法可以擺脫對(duì)電池模型的依賴性，提升泛化能力。

文獻(xiàn)研究發(fā)現(xiàn)，基于模型驅(qū)動(dòng)的預(yù)測(cè)方法受限于龐大的計(jì)算量和復(fù)雜的物理模型，難以滿足復(fù)雜工況下RUL預(yù)測(cè)的需求?；跀?shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)方法能夠擺脫對(duì)模型的依賴，有效應(yīng)對(duì)非線性數(shù)據(jù)，在時(shí)間序列預(yù)測(cè)方面有較好表現(xiàn)。但是，現(xiàn)有預(yù)測(cè)方法在預(yù)測(cè)時(shí)需遍歷整個(gè)訓(xùn)練集，計(jì)算效率較低，內(nèi)存消耗較大。

在不犧牲速度的前提下，為充分利用數(shù)據(jù)，輕量型梯度提升機(jī)（Light Gradient Boosting Machine, LightGBM）和隨機(jī)森林（Random Forest, RF）采用Bagging集成學(xué)習(xí)方式，能夠提升訓(xùn)練效率，降低時(shí)間復(fù)雜度，通過(guò)直方圖優(yōu)化、單邊梯度采樣（Gradient-based One-Side Sampling, GOSS）、互斥稀疏特征綁定（Exclusive Feature Bundling, EFB），以及深度限制的按葉子生長(zhǎng)（leaf-wise）方式，可降低樣本和特征維度，減小內(nèi)存使用率，進(jìn)一步降低時(shí)間復(fù)雜度。

因此，為準(zhǔn)確預(yù)測(cè)行駛工況下電池剩余使用壽命，天津大學(xué)等單位的研究人員基于LightGBM回歸模型，構(gòu)建行駛工況下電池RUL預(yù)測(cè)模型，采用元學(xué)習(xí)超參數(shù)優(yōu)化方法（Hyper-parameter optimization, Hyperopt）對(duì)預(yù)測(cè)模型進(jìn)行超參數(shù)調(diào)優(yōu)，減輕人工調(diào)參負(fù)擔(dān)。他們利用行駛工況下電池全生命周期容量測(cè)試數(shù)據(jù)，從容量回彈處預(yù)測(cè)效果、時(shí)間復(fù)雜度、內(nèi)存使用率和預(yù)測(cè)準(zhǔn)確度等方面評(píng)估預(yù)測(cè)效果，驗(yàn)證所建RUL預(yù)測(cè)模型的有效性。最后，通過(guò)LightGBM模型驗(yàn)證生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Networks, GAN）生成的容量序列的可行性，以期減少實(shí)驗(yàn)周期，節(jié)約實(shí)驗(yàn)成本。

行駛工況下電池全生命周期容量測(cè)試系統(tǒng)

研究人員得出以下結(jié)論：

1）LightGBM模型在容量回彈處具有較好的預(yù)測(cè)效果，且與XGBoost、GBDT和RF模型相比，LightGBM模型時(shí)間復(fù)雜度低于11s，內(nèi)存使用率低于27%，RMSE低于1.01%，其有效性得以驗(yàn)證。

2）采用DTW對(duì)行駛工況和靜置工況下的電池容量序列進(jìn)行相似性分析，得出同種電池在相同或類似充放電循環(huán)過(guò)程中容量衰退情況相似。

3）基于GAN生成容量序列，測(cè)試結(jié)果表明，利用生成容量序列預(yù)測(cè)的RMSE為1.03%，雖然預(yù)測(cè)效果不如實(shí)際容量序列，但基本滿足預(yù)測(cè)需求，能夠在一定程度上減輕實(shí)驗(yàn)負(fù)擔(dān)。

另外，研究人員指出，本課題建立的行駛工況下鋰離子電池剩余使用壽命預(yù)測(cè)模型僅考慮單體電池的預(yù)測(cè)，未能對(duì)行駛工況下電動(dòng)汽車中整個(gè)電池組剩余使用壽命進(jìn)行預(yù)測(cè)，后續(xù)將重點(diǎn)關(guān)注電池組的剩余使用壽命預(yù)測(cè)研究。

本文編自2021年第24期《電工技術(shù)學(xué)報(bào)》，論文標(biāo)題為“基于LightGBM的電動(dòng)汽車行駛工況下電池剩余使用壽命預(yù)測(cè)”，作者為肖遷、焦志鵬 等。