基于现场数据和机器学习预测太阳能离网系统电池寿命

基于现场数据和机器学习预测太阳能离网系统电池寿命

6W带你快速抓取Joule论文要点

离网太阳能电池系统能够提供清洁电能，有助于减少碳排放，然而，这些系统通常在偏远地区，很难对失效电池进行替换，阻碍了离网太阳能电池系统的发展；从运行数据中准确评估电池健康状态并预测电池寿命可以有效改进用户体验并降低成本，然而 由于电池实际运行条件下，测试过程不可控、测试数据质量较差导致现有的基于实验室的技术无法工作 。

为此，英国 牛津 大学学者在Joule上发表一项研究， 利用电池实际运行数据，开发了无损的电池健康估计和寿命检测方法 ，运用 可扩展的概率型机器学习方法（高斯过程，GP） 对1027块铅酸电池模块运行400-760天的现场数据( 6.2亿行 )进行分析，结果表明在电池失效前8周进行预测的精度可达73%，而在电池失效点的预测精度达到82%。这项工作突显了使用机器学习分析现场数据（‘大数据’）以深入揭示电池老化的价值。

作者首先分析了实际运行中电池数据的特点，如下：

1. 变化的电池运行条件

2. 测试传感器的精度有限

3. 电池使用不可控

4. 缺乏电池模型参数的先验知识

针对实际运行数据的特点，作者开发了 基于电池物理特性的概率型机器学习方法 ， 该方法在不断变化的运行条件下和数据质量不高的情况下也能准确估计电池健康状态（SOH） 。如下图所示，作者采集铅酸电池电流、电压和温度数据，运用高斯过程回归（GPR）方法构建1027个电池模块的健康轨迹，提取出电池内阻作为电池健康指标，结合健康轨迹和老化应力因素，基于GP分类器形成了寿命检测算法，给出预测未来电池失效和健康的概率。

为了提取有效的反映电池寿命状态的健康指标，作者用两个独立的GP来刻画内阻随电池寿命和运行条件的变化， 第一个GP描述内阻随时间的变化 ，如下左图，即该GP描述电池的衰退，该GP的核函数为非稳态Wiener velocity (WV) kernel； 第二个GP描述内阻随短时运行条件的变化 ，如下右图，即该GP描述内阻随温度、电流和SOC的变化，该GP核函数为稳态squaredexponential (SE) kernel。

通过分析发现， 电池内阻随温度、电流和SOC(c)的变化较大。 如下图，内阻随温度的降低而增大，这是由电池内反应速率随温度变化的Arrhenius依赖性决定的；内阻随SOC(c)的增大而增大；内阻随电流的降低而增大，这个可由Butler-Volmer 动力学方程来解释。因此， 数据驱动模型必须考虑运行条件对电池内阻的影响，对计算的内阻进行校正，才能实现电池健康状态的准确估计 。

作者利用电池平均温度、电流和SOC对内阻进行校正后，得到了内阻随时间的变化轨迹，如下图，此外还计算了内阻随时间的微分，dR0/dt， 作者用内阻及其微分两个参数来估计内阻变化是否出现了拐点（knee point），这个拐点通常被认为是电池加速衰退的起点，标志着电池即将失效 。

所有电池数据由某公司通过测试进行标定，分为失效和健康两种状态 (Label，491个失效, 536个健康)，标定数据用来训练GP分类器。作者在四个场景下对寿命检测分类器的性能进行评估，第一场景，仅以校正的内阻及其导数作为分类器的输入；第二场景，采用其它文献中常用的方法得到的内阻作为输入，该内阻没有考虑温度、电流等运行条件的关联；第三场景，以校正的内阻及其导数和老化应力作为分类器的输入，老化应力包括平均温度、电压等；第四场景，仅以老化应力作为分类器的输入。GP分类器的预测性能随距离电池失效点的时间长度相关，距离电池失效点的时间长度越短预测性能越高，如下左图， 第三场景下以校正的内阻及其导数和老化应力（R0，dR0/dt，stress factors）作为输入时，寿命预测精度最高 ；在终止寿命时刻，预测精度达到82%；在提前8周时，预测精度为73%。此外，GP分类器可以量化各个输入参数的相对重要性，如右下图，可见内阻是电池寿命终止的重要标志。

作者 考虑电池物理特性，基于机器学习构建电池健康轨迹，运用实际运行数据（‘大数据’）在电池失效前较为准确地预测电池终止寿命，具有非常高的工程应用价值 。该方法利用了大批量的现场数据，是目前基于数据驱动方法中所缺失的。现场数据通常包含了运行状态、测试精度、现场噪声以及其他不可控因素，对机器学习方法在工程应用中的落地起到了关键作用，但现场数据的获取往往也是最难的。本文结果 验证了基于现场数据的机器学习方法预测寿命的准确性 。

开源数据- https:// doi.org/10.5287/bodleia n:aVR4oDV4N

开源代码- https:// doi.org/10.5281/zenodo. 5525258https://process.innovation.ox.ac.uk/software/p/18642/able —advancedbattery-lifetime-estimation—academic-use-only/1.

参考论文： Aitio A, Howey D A. Predicting battery end of life from solar off-grid system field data using machine learning[J].Joule, 2021, 5(12): 3204-3220.

原文链接： https:// doi.org/10.1016/j.joule .2021.11.006

论文版权归作者和出版社所有，感兴趣的请在公众号留言

附录深度学习相关博士机会：

读PhD可以变成一项年薪30W+的 甜蜜 工作，参见：

关于职位类PhD申请的一般流程和注意事项请参考: