01

背景

數(shù)據(jù)驅(qū)動(dòng)的應(yīng)用對(duì)電池狀態(tài)的預(yù)測和健康管理（Prognostics and health management, PHM）有著極大的幫助。使用數(shù)據(jù)驅(qū)動(dòng)的方法對(duì)電池PHM進(jìn)行研究，被視為一條解決大規(guī)模和多物理量電池系統(tǒng)內(nèi)部復(fù)雜性的可行選擇[1]。這里我們總結(jié)了現(xiàn)有在電池PHM領(lǐng)域應(yīng)用的機(jī)器學(xué)習(xí)方法以及各自的優(yōu)缺點(diǎn)。

其中，Recurrent Neural Networks (RNNs) 遞歸神經(jīng)網(wǎng)絡(luò)和Long Short-Term Memory (LSTM)長短時(shí)記憶模型被證明對(duì)電池狀態(tài)估計(jì)有效。對(duì)預(yù)測鋰離子電池全生命周期的SOC提供了有價(jià)值的研究[2]。RNNs和LSTM神經(jīng)網(wǎng)絡(luò)模型應(yīng)用在很多電池研究中，但由于電池多樣的內(nèi)部容量、溫度和電流速率，這兩種模型也受到了很多挑戰(zhàn)。還有研究人員提出了一種增強(qiáng)的feedforward-long short-term memory (FF-LSTM) 前饋長短期記憶模型，考慮了電流、電壓和溫度的變化，準(zhǔn)確預(yù)測了全生命周期的SOC。他們應(yīng)用一種optimized sliding balance window優(yōu)化滑動(dòng)平衡窗口）來過濾測試電流；用一種新的三維向量作為濾波電流和電壓的輸入矩陣。在鋰離子電池的安全保證和剩余使用壽命 remaining useful life（RUL）預(yù)測方面，為了提升RUL預(yù)測的準(zhǔn)確性，研究人員提出了anti-noise adaptive long short-term memory (ANA-LSTM) neural network抗噪聲自適應(yīng)長短期記憶（ANA-LSTM）神經(jīng)網(wǎng)絡(luò)模型[3]。這一網(wǎng)絡(luò)提取高魯棒性特征和最優(yōu)參數(shù)特征，通過雙閉環(huán)觀測模型達(dá)成。盡管靈活的學(xué)習(xí)方法帶來了初步成效，但仍存在局限，大多數(shù)機(jī)器學(xué)習(xí)方法的可重復(fù)性和適用性還在研究中。

圖1 電池PHM的機(jī)器學(xué)習(xí)框架[2]

02

機(jī)器學(xué)習(xí)在PHM中的應(yīng)用

機(jī)器學(xué)習(xí)在電池PHM中的應(yīng)用，從電池SOH估計(jì)、RUL預(yù)測到異常探測、考慮健康的能量管理等各個(gè)方面都有著突出表現(xiàn)。每一個(gè)技術(shù)都在解決特殊問題上有特殊優(yōu)勢。下面給出了不同機(jī)器學(xué)習(xí)算法在電池PHM不同研究方向的具體應(yīng)用。

1. Supervised learning監(jiān)督學(xué)習(xí)

現(xiàn)有大部分預(yù)測電池老化和電化學(xué)性能的機(jī)器學(xué)習(xí)方法都是Supervised learning監(jiān)督學(xué)習(xí)。用這種方法，學(xué)習(xí)主體基于在訓(xùn)練集中提供的示例對(duì)，發(fā)展了一種將輸入映射到輸出的功能。這讓他能準(zhǔn)確識(shí)別測試集中未注釋的數(shù)據(jù)，尤其是在分類和回歸任務(wù)中[4]。在監(jiān)督學(xué)習(xí)中，很好區(qū)別分類和回歸問題。前者用于把樣本分為不同類，后者用連續(xù)的值來量化樣本。因此，電池狀態(tài)的定量預(yù)測，如SOH和RUL通常被認(rèn)為是回歸問題。相反的，識(shí)別缺陷、不健康或者錯(cuò)誤的單體可以被視為多級(jí)分類問題。這些技術(shù)共同為準(zhǔn)確的電池健康監(jiān)測和管理全面工具集。

2. Unsupervised learning非監(jiān)督學(xué)習(xí)

Unsupervised learning非監(jiān)督學(xué)習(xí)在即使沒有明確反饋（即標(biāo)記樣本）的基礎(chǔ)上，為學(xué)習(xí)輸入的復(fù)雜結(jié)構(gòu)和模式提供了可能[5]。基于對(duì)觀測數(shù)據(jù)的低秩分解方法是無監(jiān)督學(xué)習(xí)最基本的工具之一，例如動(dòng)態(tài)聚類分析和主成分分析。電池PHM的應(yīng)用，從性能特征到無損檢測、聚類分析，都為從參數(shù)空間角度利用樣本之間的時(shí)空結(jié)構(gòu)提供了有效方法。即使沒有明顯注釋樣例，在每一個(gè)類/聚類都有共同屬性時(shí)，也可以用這種方法尋找隱藏模式[6]。在檢測大尺寸電池模組/包的異常和一致性方面已經(jīng)使用了多年。Principal component analysis (PCA)主成分分析對(duì)檢測包含由許多相互關(guān)聯(lián)的定量因變量所定義的觀察結(jié)果的數(shù)據(jù)提供了基本工具。PCA有排除特征向量矩陣冗余信息和減少計(jì)算復(fù)雜度的能力[7]。

3. Reinforcement learning強(qiáng)化學(xué)習(xí)

Reinforcement learning 強(qiáng)化學(xué)習(xí)提供了系統(tǒng)化的方法，可以代替人力來破譯規(guī)則，增強(qiáng)操控環(huán)境的能力[8]。這些代理可以通過學(xué)習(xí)最大化獎(jiǎng)勵(lì)和最小化懲罰來完成目標(biāo)。隨著時(shí)間推移，他們努力優(yōu)化這些行為，不論是獎(jiǎng)勵(lì)還是懲罰。通過將強(qiáng)化學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)融合，可以培養(yǎng)一個(gè)非常準(zhǔn)確的評(píng)估者。這個(gè)評(píng)估程序?qū)W習(xí)如何基于過去的成功和失敗調(diào)整它的行為[9]。深度強(qiáng)化學(xué)習(xí)的兩個(gè)基本組成是環(huán)境和代理人。強(qiáng)化學(xué)習(xí)的目標(biāo)是發(fā)展一個(gè)融合環(huán)境的策略。當(dāng)運(yùn)用在電池PHM時(shí)，代理是指電池管理系統(tǒng)（BMS）。BMS基于每一個(gè)可能行為的潛在收益，為當(dāng)前應(yīng)用和熱管理等做決定。這些決定是通過與電池模組代表的虛擬環(huán)境交互得到的。

表1 基于機(jī)器學(xué)習(xí)的電池預(yù)測和健康管理方法

0

參考文獻(xiàn)

[1]??? Y. Zhang, Y.-.F. Li, Prognostics and health management of Lithium-ion battery using deep learning methods: a review, Renewable Sustainable Energy Rev. 161 (2022), 112282.

[2]??? Zhao J, Feng X, Pang Q, et al. Battery prognostics and health management from a machine learning perspective[J]. Journal of Power Sources, 2023, 581: 233474.

[3]??? M. Aykol, P. Herring, A. Anapolsky, Machine learning for continuous innovation in battery technologies, Nat. Rev. Mater. 5 (10) (2020) 725–727.

[4]??? M. Berecibar, Accurate predictions of lithium-ion battery life, Nature 568 (7752) (2019) 325–326.

[5]??? Xu L, Wu F, Chen R, et al. Data-driven-aided strategies in battery lifecycle management: prediction, monitoring, and optimization[J]. Energy Storage Materials, 2023: 102785.

[6]??? C.H. Liow, H. Kang, S. Kim, M. Na, Y. Lee, A. Baucour, K. Bang, Y. Shim, J. Choe, G. Hwang, S. Cho, G. Park, J. Yeom, J.C. Agar, J.M. Yuk, J. Shin, H.M. Lee, H.R. Byon, E. Cho, S. Hong, Machine learning assisted synthesis of lithium-ion batteries cathode materials, Nano Energy 98 (2022), 107214.

[7]??? M. Aykol, P. Herring, A. Anapolsky, Machine learning for continuous innovation in battery technologies, Nat. Rev. Mater. 5 (10) (2020) 725–727.

[8]??? S. Wang, P. Takyi-Aninakwa, S. Jin, C. Yu, C. Fernandez, D.I. Stroe, An improved feed forward-long short-term memory modeling method for the whole-life-cycle state of charge prediction of lithium-ion batteries considering current-voltage temperature variation, Energy 254 (2022), 124224.

[9]??? S. Wang, Y. Fan, S. Jin, P. Takyi-Aninakwa, C. Fernandez, Improved anti-noise adaptive long short-term memory neural network modeling for the robust remaining useful life prediction of lithium-ion batteries, Reliab. Eng. Syst. Saf. 230 (2023), 108920.

審核編輯：黃飛

?