寫在前面的話

技術(shù)可以促進(jìn)社會(huì)進(jìn)步這是個(gè)一般規(guī)律。

高速的通訊技術(shù)使得短視頻迅速普及到每個(gè)人的智能手機(jī)上，在刻板的電視主持人還在正襟危坐老生常談的時(shí)候，人們已經(jīng)不再打開(kāi)電視了。

短視頻迅速打開(kāi)了人們學(xué)習(xí)各個(gè)門類知識(shí)的大門，從音樂(lè)、舞蹈、球類、健身，到教培、寫作，再到旅行、美食，博主們也覆蓋了從伊春的林工到阿富汗的中國(guó)商人，甚至包括那些剛剛失去房屋的洛杉磯富豪。

以美食烹調(diào)視頻為例，從街頭炒粉，新疆手抓飯甚至米其林大廚烹調(diào)海鮮，幾乎是面面俱到，應(yīng)有盡有。

與此前普通人的想象不同，大部分廚師烹調(diào)美味并沒(méi)有什么特殊的手上技術(shù)，有的只是對(duì)于烹調(diào)的刀工、火候、咸淡、甜鮮的精確而又復(fù)雜的控制。一個(gè)復(fù)雜的燉菜可能需要先花一天時(shí)間燉湯。

那么即便看上十遍視頻，我們也只是知道了其基本程序，對(duì)于為什么有這個(gè)烹調(diào)步驟并不了解。

一項(xiàng)復(fù)雜的技術(shù)學(xué)習(xí)，需要眼會(huì)心會(huì)，也需要手會(huì)身會(huì)；需要知其然，也要知其所以然。

以AI算法這個(gè)似乎很難定義的概念來(lái)說(shuō)，我們雖然知道AI技術(shù)將在工業(yè)設(shè)計(jì)、工業(yè)仿真的各個(gè)方面發(fā)揮巨大作用，但是對(duì)于具體的工作來(lái)說(shuō)，選用哪項(xiàng)AI方法，以及為什么選用這種方法可能更重要。

AI已經(jīng)向仿真大步走來(lái)，對(duì)于仿真來(lái)說(shuō)是時(shí)候擁抱AI方法了！

AI技術(shù)應(yīng)用于電動(dòng)汽車鋰離子電池狀態(tài)估計(jì)

嚴(yán)重能源危機(jī)的迫在眉睫的威脅，加上實(shí)現(xiàn)碳中和的需要，促使各國(guó)政府促進(jìn)電動(dòng)汽車 （EV） 的開(kāi)發(fā)和使用，作為一種可持續(xù)的交通方式;從而歸因于化石能源消耗和碳排放的聯(lián)合緩解。鋰離子電池 （LIB） 因其能量密度高、壽命長(zhǎng)、充電速率快、工作電壓平臺(tái)高和自放電低等優(yōu)點(diǎn)而成為電動(dòng)汽車的首選電池類型。由于 LIB 電池組是電動(dòng)汽車中最昂貴的組件之一，因此正確估計(jì) LIB 的狀態(tài)是最小化過(guò)度設(shè)計(jì)成本和提高車輛整體效率、安全性和可靠性的關(guān)鍵。因此，電動(dòng)汽車電池管理系統(tǒng) （BMS） 的軟件設(shè)計(jì)投入了大量精力，以實(shí)時(shí)執(zhí)行準(zhǔn)確的充電狀態(tài) （SOC） 和健康狀態(tài) （SOH） 估計(jì)。

SOC 表示電池相對(duì)于其容量的充電水平，而 SOH 表示電池相對(duì)于電池容量損失或電阻增加的老化程度。由于 SOC 和 SOH 都是不可測(cè)量的，因此必須準(zhǔn)確估計(jì)這兩個(gè)參數(shù)，以避免發(fā)生過(guò)充電和深度放電。這種估計(jì)可以通過(guò)各種在線和離線方法實(shí)現(xiàn)，這些方法在復(fù)雜性和準(zhǔn)確性方面有所不同。然而，溫度差異、電磁干擾和外部干擾的影響導(dǎo)致 SOC 估計(jì)在基于 EV 的 LIB 上下文中成為一個(gè)規(guī)則的非線性不穩(wěn)定問(wèn)題。由于影響電池退化和性能的外部和內(nèi)部因素有很多，因此估計(jì) LIB 的 SOH 更具挑戰(zhàn)性。這些因素的顯著例子包括不確定的電動(dòng)汽車駕駛條件和 LIB 電池內(nèi)部發(fā)生的復(fù)雜物理化學(xué)反應(yīng)。

經(jīng)典電池狀態(tài)估計(jì)方法

開(kāi)路電壓 （OCV） 方法是一種簡(jiǎn)單的離線 SOC 估計(jì)技術(shù)，其有效性基于 LIB 端電壓與 SOC 之間的相關(guān)性。然而，只有當(dāng)與當(dāng)前基于集成的在線 SOC 估計(jì)技術(shù)（稱為庫(kù)侖計(jì)數(shù)）結(jié)合使用時(shí)，這種方法才與 EV 應(yīng)用相關(guān)。除此之外，通常采用卡爾曼濾波 （KF） 算法來(lái)糾正 SOC 估計(jì)誤差。這種混合方法的缺點(diǎn)是它們是計(jì)算密集型的，并且需要精確的 LIB 模型才能有效。它們也不考慮環(huán)境溫度對(duì) LIB 性能的影響。相對(duì)于容量估計(jì)的 SOH 方法通?；趨⒖?SOC 點(diǎn)之間的安時(shí) （Ah） 計(jì)數(shù)，而用于電阻估計(jì)的 SOH 方法則更加多樣化;范圍從電壓-電流比變化的簡(jiǎn)單平均到遞歸算法。為了確保上述方法運(yùn)行良好，通常需要進(jìn)行大量的電池測(cè)試來(lái)對(duì)所使用的算法進(jìn)行建模和參數(shù)化。需要更強(qiáng)大和復(fù)雜的狀態(tài)估計(jì)技術(shù)來(lái)處理電動(dòng)汽車的 BMS 傳感器誤差以及不確定的模型知識(shí)。

機(jī)器學(xué)習(xí)方法

機(jī)器學(xué)習(xí) （ML） 本質(zhì)上具有從數(shù)據(jù)中自我學(xué)習(xí)的潛力，對(duì)物理系統(tǒng)數(shù)學(xué)模型的依賴最小，從而提供了一種有效的解決方案來(lái)處理增加的系統(tǒng)復(fù)雜性和不確定性。隨著 ML 應(yīng)用的最新技術(shù)突破，數(shù)據(jù)驅(qū)動(dòng)的 ML 模型正逐漸用于電池狀態(tài)估計(jì)。這些 ML 方法可以實(shí)際解決 EV BMS 測(cè)量的 LIB 數(shù)據(jù)（或信號(hào)）中發(fā)現(xiàn)的非線性和不穩(wěn)定性問(wèn)題。它們基于大量離線 LIB 充電/放電測(cè)試周期數(shù)據(jù)運(yùn)行，從原始電壓、電流和溫度數(shù)據(jù)中提取的特征通常用作訓(xùn)練輸入，以建立 SOC 或 SOH 的映射模型。通常，基于 ML 的映射模型包括神經(jīng)網(wǎng)絡(luò) （NN）、支持向量機(jī) （SVM） 和深度學(xué)習(xí)（DL）方法。大量公開(kāi)可用的電池?cái)?shù)據(jù)集也使得通過(guò)將數(shù)據(jù)分析與高級(jí) ML 算法相結(jié)合來(lái)提高 BMS 性能變得相關(guān)。在基于 ML 方法的在線 SOC 和 SOH 估計(jì)的上下文中，主要的計(jì)算負(fù)載需求僅發(fā)生在 ML 模型的離線訓(xùn)練階段;因此，允許在 BMS 硬件中對(duì)經(jīng)過(guò)訓(xùn)練的 ML 模型進(jìn)行可行的板載部署。

前饋神經(jīng)網(wǎng)絡(luò)

FNN 根據(jù)任意數(shù)量的輸入和輸出執(zhí)行非線性映射，使自己成為最簡(jiǎn)單的 NN 之一。它的基本結(jié)構(gòu)包括一個(gè)具有多個(gè)輸入和一個(gè)輸出的單個(gè)隱藏層感知器。只能發(fā)生單向的信息流，從輸入層到輸出層（通過(guò)隱藏的神經(jīng)元，如果有）。除了設(shè)置 FNN 的層配置外，還必須根據(jù)理論假設(shè)選擇非線性激活函數(shù)。

遞歸神經(jīng)網(wǎng)絡(luò)

與 FNN 相比，RNN 以閉環(huán)方式使用過(guò)去的信息，其中一層的輸出成為下一層的輸入，該層通常是網(wǎng)絡(luò)中的唯一層;因此，層的輸出成為自身的 Input。這允許網(wǎng)絡(luò)記住先前的狀態(tài)，從而影響電流輸出。這種差異的一個(gè)主要影響是，與 FNN 不同，RNN 也可以利用順序輸入數(shù)據(jù)來(lái)生成順序輸出數(shù)據(jù)，使其在需要處理時(shí)間分段輸入數(shù)據(jù)序列的應(yīng)用中是可行的。例如，SOC 為k?1可以作為時(shí)間步的輸入分配給網(wǎng)絡(luò)k.如果需要短期序列依賴性，則認(rèn)為這種方法是合適的;但對(duì)于 LIB 中觀察到的長(zhǎng)期依賴關(guān)系來(lái)說(shuō)，可能并不理想。這種 RNN 變體面臨的挑戰(zhàn)與其訓(xùn)練過(guò)程相關(guān)，其中在反向傳播過(guò)程中，錯(cuò)誤可能會(huì)爆炸或消失。為了克服這一缺點(diǎn)，發(fā)明了改進(jìn)的 RNN 變體，例如門控循環(huán)單元 （GRU）、長(zhǎng)短期記憶 （LSTM） 和雙向 LSTM （bi-LSTM）。它們基本上是用門組裝而成的 NN，這些門跨越時(shí)間數(shù)據(jù)依賴性遍歷當(dāng)前可用的數(shù)據(jù)。這種 DL 方法對(duì)于解決涉及時(shí)間序列或長(zhǎng)序列數(shù)據(jù)的問(wèn)題非常有用，因?yàn)樗軌蛘{(diào)用過(guò)去的信息。

支持向量機(jī)

SVM 通常用于解決涉及分類和回歸的問(wèn)題。它努力在高維空間中建立超平面，以便根據(jù)其獨(dú)特的類來(lái)分離數(shù)據(jù)。當(dāng)從超平面到任何類的最近數(shù)據(jù)點(diǎn)的距離最大化時(shí)，很明顯獲得了最優(yōu)的分離邊界。電池狀態(tài)估計(jì)通常需要回歸學(xué)習(xí)方法，該方法以順序方式最小化誤差函數(shù)。因此，考慮采用 SVM 的廣義回歸變體是合適的，稱為支持向量回歸 （SVR）。此方法能夠解決不可線性可分?jǐn)?shù)據(jù)的回歸問(wèn)題。

比較機(jī)器學(xué)習(xí)方法的準(zhǔn)則

選擇可行的 ML 方法是一個(gè)多方面的問(wèn)題，它與可用數(shù)據(jù)量、所需結(jié)果的質(zhì)量以及所需 ML 模型的物理可解釋性有關(guān)。通常可以基于以下策略進(jìn)行選擇：

對(duì)涉及數(shù)據(jù)驅(qū)動(dòng)的 FNN、RNN 和 SVM 變體的最新 ML 方法進(jìn)行批判性分析。

確定用于模型訓(xùn)練和 ML 方法驗(yàn)證的數(shù)據(jù)配置文件。

確定提取的數(shù)據(jù)特征（即模型輸入）。

確定實(shí)驗(yàn)的 LIB 類型和溫度。

比較 ML 方法的狀態(tài)估計(jì)誤差。

根據(jù)相關(guān) ML 方法的性能評(píng)估其可信度，并確定它們?cè)趯?shí)際 EV 應(yīng)用中的實(shí)用性。

荷電狀態(tài) （soc） 估計(jì)

估計(jì)的 SOC 用作電動(dòng)汽車的能量計(jì)，它構(gòu)成了 SOH、電池平衡和功率計(jì)算。

方法1

FNN 與無(wú)跡 KF （UKF） 算法相結(jié)合，以減輕其 SOC 估計(jì)誤差。它基于真實(shí)的 LIB 數(shù)據(jù)進(jìn)行訓(xùn)練，這些數(shù)據(jù)是使用汽車認(rèn)證駕駛循環(huán) US06、FUDS 和動(dòng)態(tài)應(yīng)力測(cè)試 （DST） 在 0°C 至 50°C 的不同溫度下得出的。

方法2

將個(gè) LSTM 堆疊在一起，以增加 NN 的深度和精度。這種方法巧妙地捕捉了 SOC 和可測(cè)量信號(hào)之間的非線性相關(guān)性，并且在跟蹤性能方面優(yōu)于 UKF。但是，堆疊也會(huì)使 NN 更難訓(xùn)練，并增加過(guò)擬合的風(fēng)險(xiǎn)。

方法3

使用一種稱為外生輸入非線性自回歸 NN （NARXNN） 的非門控 RNN 來(lái)提高模型輸入的計(jì)算效率;以及照明搜索算法 （LSA），用于發(fā)現(xiàn)隱藏神經(jīng)元、輸入延遲和反饋延遲的最佳融合，以提高模型的準(zhǔn)確性。

健康狀態(tài)SOH估計(jì)

方法1

為了加快從恒流 （CC） 充電和放電曲線中提取的間隔 HI 的處理，使用基于動(dòng)態(tài)時(shí)空注意力的 GRU （DSTA-GRU），它聚合了空間和時(shí)間注意力，捕獲了局部空間模式，并減輕了長(zhǎng)期依賴性。

方法2

以雙 LSTM為特色，采用經(jīng)驗(yàn)?zāi)B(tài)分解 （EMD） 和灰色關(guān)系分析 （GRA） 來(lái)減輕 NN 的訓(xùn)練負(fù)擔(dān);首先通過(guò)對(duì)從 BMS 獲得的復(fù)雜信號(hào)進(jìn)行去噪，然后識(shí)別與 LIB 容量衰減具有很強(qiáng)相關(guān)性的 HI。

結(jié)論

研究發(fā)現(xiàn)，F(xiàn)NN 和 RNN 變體在類似于真實(shí)世界 EV 駕駛場(chǎng)景的雜色條件下實(shí)現(xiàn)高度準(zhǔn)確的估計(jì)方面都相對(duì)有效。這些 ML 方法擅長(zhǎng)捕獲非線性 LIB 特性，而無(wú)需依賴電池模型或添加的 KF。即便如此，NN 的性能閾值仍受到調(diào)整后的超參數(shù)和訓(xùn)練持續(xù)時(shí)間的抑制。

本文摘自：Wesley Q., 2022, A Review of Machine Learning Applications for Li-Ion Battery State Estimation in Electric Vehicles