【《锂电池剩余电池寿命预测技术研究的国内外文献综述》4000字】

锂电池剩余电池寿命预测技术研究的国内外文献综述电池寿命一般分为日历寿命和循环寿命ADDINNE.Ref.{5A0FAA5D-F6A8-4F1D-BEDC-249A899DE0A7}[5]：日历寿命是指电池从生产起，到完全失效所经历的工作时长；循环寿命是指在一定条件下进行充放电循环，电池性能衰退至寿命终止条件前所进行的充放电循环周期数，国内外学者研究的一般是循环寿命。在此基础上，RUL通常定义为直到达到故障阈值之前剩余的充放电循环次数。近几年，国内外对RUL预测有了更进一步的研究。国外对RUL预测研究开展较早，在RUL预测方面已形成了较为成熟的理论体系，并且已经逐渐运用在工程中。国外有关锂电池预测研究机构包括ADDINNE.Ref.{D7189A10-6B6C-42DF-B38B-DE86FE411AE0}[6]：NASAAmes、罗克韦尔等大型企业，马里兰、南哥伦比亚CarolinaStateUniversity等国外著名高等院校，荷兰PHM联盟、日本电力工业研究院等，如两个常用来进行验证的电池数据集就分别来自NASA和马里兰大学的CALCE。理论研究方面，国内最新的研究如刘月峰等ADDINNE.Ref.{EA705E75-B904-4B71-8A0A-1E44B391617E}[7]阐述了锂离子电池的相关概念，将RUL各种预测方法分为基于机理模型、基于数据驱动、基于机理模型与数据驱动融合和基于数据驱动的模型融合四大类，并分析了各RUL预测方法的优缺点。国外最新如Hu等ADDINNE.Ref.{8BA28E32-56EB-433D-8598-5AC045F38891}[8]将RUL预测方法中的数据驱动法细分为人工智能技术、统计方法和信号处理三类，并列表对比三类方法各自优缺点。综合最新国内外研究现状，RUL预测方法基本可分为：模型法，数据驱动法和融合法三类，各方法分类及细分情况如图1.1所示：图1.1锂离子电池剩余使用寿命预测方法分类模型法基于模型的方法的目标是建立一个基于电池动力学的数学模型，可以用来描述电池的退化过程。较常用的方法是建立一个复杂的机理模型或经验模型，然后通过外推来预测电池性能。基于模型的方法一般分为三类：机理模型、等效电路模型（EquivalentCircuitModels，ECM）和经验模型。机理模型机理模型需深入了解锂离子电池内部电化学反应，充分考虑到各个老化因素对电池的影响，建立电池的退化模型，并用于电池的RUL预测。2016年，AshwinADDINNE.Ref.{3E4B154B-59E6-436C-9C7A-52BA816BC539}[9]等提出了一种伪二维（P2D）电化学模型，用于研究锂电池在循环负载条件下的容量衰减。该模型采用强隐式算法，将锂电池内部的所有基本电化学过程有机地结合起来，并在4.0V和3.3V的截止电压下放电深度分别为100%和0%进行充电和放电试验，证明了电解液对电池容量衰减有很大影响，为RUL预测中容量退化模型提供了一种优化工具。但全阶P2D模型不存在解析解，数值求解也非常复杂，为此Han等ADDINNE.Ref.{6DF08CED-0335-43C9-9E8F-4119F6E49FEF}[10]提出一种计算策略，采用有限体积法（FVM）结合后向Euler法或Crank-Nicolson法对微分方程进行了时空离散，使每一时间步求解的偏微分方程数目最少，降低了计算的复杂度。这类模型能够得到电池内部具体的反应过程，但所需参数一般来自特定电池材料、环境条件，当条件变化时该模型就难以跟踪动态变化，故动态描述能力较差。同时，由于需要考虑各类电化学反应，复杂程度较高，构建完整的电池退化模型十分困难。等效电路模型ECM通过分析电池中的物理和化学反应，基于产生与电池相同电气行为的电路元件（如电阻、电容等）的组合而产生的。因此，电路分析方法可以用来建立描述电池动态响应和退化行为的数学模型。使用较为广泛的模型有Rint模型、Thevenin模型、二阶RC模型和PNGV模型等。Alavi等ADDINNE.Ref.{127A0C53-3551-42F0-AAD6-F050FB9D9654}[11]介绍了一种锂电池分数阶电化学阻抗模型参数的拟合算法，利用电池直接测量的数据，证明了分数阶系统辨识工具可以用来估计可靠的EIS模型参数。但其使用的模型过于简单，故Guha等ADDINNE.Ref.{84AC3C50-0C34-4B49-966B-305030060FDA}[12]在此基础上使用递归最小二乘法结合粒子滤波器，确定分数阶模型的参数，并基于估计的电化学阻抗谱生成回归模型来预测电池RUL。这类模型能够较好的描述内阻的增长趋势，并且不需要完备的锂离子电池充放电数据集。但该模型容易忽略一些复杂的外部条件，不能完全描述电池内部复杂的动态特性，故其对电池动、静态特性描述的综合能力较弱。经验模型经验模型通过对大量数据的相关性分析建立，结合电池退化行为的共同特征，采用不同的回归模型拟合退化趋势，或建立相应的经验公式来描述和预测退化状态。这类模型往往与滤波算法相结合，通常采用指数函数和多项式函数建立经验老化模型，再采用滤波算法对模型参数寻优。如Zhang等ADDINNE.Ref.{950E791E-A4A0-4C9E-8ECD-DA73E02D0F84}[13]提出了一种基于指数模型和粒子滤波（ParticleFilter，PF）的RUL预测方法，利用PF算法对模型参数进行非线性研究，得到模型参数的概率分布，再通过外推法得到寿命预测的概率分布。另外也有研究采用卡尔曼滤波（Kalmanfilter，KF）、扩展卡尔曼滤波（ExtendedKF，EKF）和无迹卡尔曼滤波（UnscentedKF，UKF）来进行参数估计ADDINNE.Ref.{B734FE6F-2D67-4000-8BF2-08B7CA28777C}[14,15]。这类模型易于构建且适应性好，相比机理模型和等效电路模型，其复杂度更低。但是该模型缺乏充足的理论支撑，模型的参数需要不断被更新来描述电池容量变化，故其泛化能力和鲁棒性较差。数据驱动法基于数据驱动的方法是指不考虑锂电池内部化学反应和实效原理等实际因素，而完全基于历史数据（包括电压、电流、温度、阻抗等）来训练模型，这使得机器学习相关算法在这上面有很大的应用空间，如常见的支持向量机、神经网络算法，以及最近热门的深度学习算法经常被用来预测锂电池RUL。该方法通常需要大量的训练数据。目前数据驱动法研究方法为主流方法，该方法又可细分为统计方法、随机过程算法以及人工智能算法三类。统计方法这种方法一般是以电池的监测数据为基础，利用统计分析来确定电池剩余寿命的概率分布，然后结合电池的运行时间来估计电池的剩余寿命。Harris等ADDINNE.Ref.{D47B9172-8569-4A33-A6D3-83FABCBD1FDE}[16]以容量作为健康因子，分别用正态分布和多参数-威布尔分布进行容量衰减统计分析，用极大似然法去估计参数，得到电池剩余寿命的概率分布，以此估算电池的RUL。这类方法能较快得到描述电池退化状态的性能指标，但需要大量数据保障预测的准确度。随机过程算法锂离子电池退化过程是随机性的，因此，用随机过程算法来预测RUL在理论上是可行的。近年来，许多学者将随机过程算法应用于这一领域，如维纳过程和高斯过程回归（GaussianProcessRegression，GPR）。朱晓栋ADDINNE.Ref.{E732A9DA-F8DA-467A-B774-2D0BCB586BF5}[17]基于维纳过程，采用β作为漂移参数，表示随机因素对电池性能的影响，用期望最大化（Expectation-Maximum，EM）算法迭代更新模型参数。Yang等ADDINNE.Ref.{D03CA279-E506-4DA1-A26E-EAFCB49EE0D0}[18]利用改进后的协方差函数结构和以相似性度量的GPR模型，来提高电池健康状态（State-of-Health，SOH）估计的准确性。超参数难以选取是GPR模型的棘手问题，刘健等ADDINNE.Ref.{8AF601D1-2E0C-4AFA-9E51-B66833D09EC1}[19]用多核函数改进GPR模型，并且用PSO算法对改进后的模型进行优化，选取等压差充电时间作为健康因子，最终实现RUL的预测。该方法的模型较为复杂，且预测精度有待提高。人工智能算法人工智能算法通过学习样本特征，来建立难以在数学模型中表示的因素之间的复杂关系。由于锂离子电池的退化过程为非线性，且这类方法易于实现，可以快速建立模型，所以常常采取非线性的人工智能算法来建立模型，常见的有：人工神经网络（ArtificailNeuralNetwork，ANN），相关向量机（RelevanceVectorMachine，RVM）和本文采取的支持向量回归等。周建宝等ADDINNE.Ref.{CF9A0D8D-F4EF-4D31-BCD7-DBC3DDE5C1D6}[20]在FPGA平台上利用RVM实现了卫星锂电池的RUL预测，在减小计算量的同时保障了精度和实时性。该方法泛化性能好，具有高稀疏性和一定的概率表达能力，能够避免预测过程中的过拟合现象，但稳定性较差，不适合长期预测。Pang等ADDINNE.Ref.{90F05ECA-2B3B-4ECC-A58F-1441EF19C085}[21]采用非线性自回归神经网络进行RUL预测，利用融合小波分解技术分离电池容量序列的全局退化和局部再生，以此提高预测性能。该方法有较强的学习和非线性处理能力，但需要大量的数据支撑，且结构较为复杂。 Wang等ADDINNE.Ref.{49D5487D-7E35-4DCB-A504-20138D93EA75}[22]采用支持向量回归预测电池剩余使用寿命，利用人工蜂群算法对模型的核参数进行优化，从而提高预测精度和稳定性。王瀛洲等ADDINNE.Ref.{BCEB5E05-943E-46B8-994E-A08AD3331D46}[23]采用采用蚁狮优化算法来优化支持向量回归模型中的参数，从而提高预测精度。融合法融合法或者将模型法和数据驱动法结合起来，或者添加优化算法进行改进，从而弥补单一模型的不足。第一类融合方法是将两种方法融合互补，如Sai等ADDINNE.Ref.{D2F12737-798E-4881-9879-C9012BAD6810}[24]提出了一种基于粒子滤波和支持向量回归的交互式多模型框架（IMMPF-SVR），实现了电池容量和剩余使用寿命的多步预测，并与基于PF方法的两种模型的比较，证明该模型在RUL概率分布较窄的情况下，具有较好的预测性能。第二类融合算法是将多种不同的数据驱动方法结合，通过加权或者其他融合方式，提高预测结果的稳定性。如林娜等ADDINNE.Ref.{E830E8D6-7F09-42AF-9F48-8F5042FA2CBA}[25]最新提出了一种将PF算法、UKF算法和遗传算法（GeneticAlgorithm，GA）三者融合的算法，利用UKF算法构造分布，使得滤波过程能利用到最新观测值；利用GA算法代替PF的重采样过程，节省了运算时间，从而整体上提高了模型的估算精度。三种方法的对比如表1.2所示：表1.2RUL预测方法对比方法优点缺点模型法很好反映电池物电化学特性建模较难、或模型参数较多数据驱动法简单实用，偏向于算法方面的研究，仅需要试验数据和状态监测数据易受数据不确定性和不完整性的影响，鲁棒性和适应性较差融合法预测精度高，是未来的重要发展趋势模型较为复杂，计算量大参考文献[1] ZhengY,OuyangM,HanX,etal.Investigatingtheerrorsourcesoftheonlinestateofchargeestimationmethodsforlithium-ionbatteriesinelectricvehicles[J].JournalofPowerSources,2018,377:161-188.[2] 程焱松.2018-2025年全球锂电池市场趋势及竞争态势[EB/OL].(2018-10-10)[05.14]./jh/detail-39730.html.[3] 王特,蒋立,田晓录,等.锂离子电池安全材料的研究进展[J].化工进展,2021:1-13.[4] BahiraeiF,FartajA,NazriG.Electrochemical-thermalModelingtoEvaluateActiveThermalManagementofaLithium-ionBatteryModule[J].ElectrochimicaActa,2017,254:59-71.[5] 倪裕隆.基于SVR的锂离子电池剩余有效寿命预测方法[D].东北电力大学,2020.[6] 林娅,陈则王.锂离子电池剩余寿命预测研究综述[J].电子测量技术,2018,41(04):29-35.[7] 刘月峰,张公,张晨荣,等.锂离子电池RUL预测方法综述[J].计算机工程,2020,46(04):11-18.[8] HuX,XuL,LinX,etal.BatteryLifetimePrognostics[J].Joule,2020,4(2):310-346.[9] AshwinTR,ChungYM,WangJ.Capacityfademodellingoflithium-ionbatteryundercyclicloadingconditions[J].JournalofPowerSources,2016,328.[10] SangwooH,YifanT,SaeedKR.Anumericallyefficientmethodofsolvingthefull-orderpseudo-2-dimensional(P2D)Li-ioncellmodel[J].JournalofPowerSources,2021,490.[11] AlaviSMM,BirklCR,HoweyDA.Time-domainfittingofbatteryelectrochemicalimpedancemodels[J].JournalofPowerSources,2015,288.[12] GuhaA,PatraA.OnlineEstimationoftheElectrochemicalImpedanceSpectrumandRemainingUsefulLifeofLithium-IonBatteries[J].IEEETRANSACTIONSONINSTRUMENTATIONANDMEASUREMENT,2018,67(8):1836-1849.[13] ZhangL,MuZ,SunC.RemainingUsefulLifePredictionforLithium-IonBatteriesBasedonExponentialModelandParticleFilter[J].IEEEACCESS,2018,6:17729-17740.[14] DongG,ChenZ,WeiJ,etal.BatteryHealthPrognosisUsingBrownianMotionModelingandParticleFiltering[J].IEEETRANSACTIONSONINDUSTRIALELECTRONICS,2018,65(11):8646-8655.[15] LallAP,ZhangBH,LallCRBI.PHMofState-of-ChargeforFlexiblePowerSourcesinWearableElectronicswithEKF:{InternationalReliabilityPhysicsSymposium},{345E47THST,NEWYORK,NY10017USA},2018[C].{IEEE}.[16] HarrisSJ,HarrisDJ,LiC.Failurestatisticsforcommerciallithiumionbatteries:Astudyof24pouchcells[J].JournalofPowerSources,2017,342.[17]