CN112798961B - 一种电动汽车动力电池剩余使用寿命预测方法 - Google Patents

Abstract

本发明公开了一种电动汽车动力电池剩余使用寿命预测方法，首先，通过自适应鲁棒损失函数（Adaptive Robust Loss Function,ARLF）对轻量型梯度提升机（Light Gradient Boosting Machine,LightGBM）进行改进，提升剩余使用寿命（Remaining Useful Life,RUL）预测的鲁棒性；然后，基于多线程并行直方图，对行驶工况下电动汽车全生命周期容量衰减数据进行处理；其次，基于带宽度限制的Leaf‑wise生长方式，制定RUL预测模型训练方式；再次，基于元学习超参数自动调优获取模型最优参数并设置性能评价函数；最后，利用获取最优参数的RUL预测模型完成剩余使用寿命预测。

Description

一种电动汽车动力电池剩余使用寿命预测方法

技术领域

本发明涉及电动汽车电池故障预测与健康管理领域，尤其涉及一种电动汽车动力电池剩余使用寿命预测方法。

背景技术

根据中关村储能产业技术联盟发布的《储能产业研究***2020》，锂离子电池累计装机规模在电化学储能中占比最大，为88.8％。锂离子电池凭借其高能量密度、长使用寿命、低自放电率、宽工作温度范围等优点，在电动交通工具、储能***、移动穿戴等领域得到广泛应用。

随着锂离子电池循环充放电次数的增加，电池内电化学反应加剧，除了锂离子脱嵌发生的氧化还原反应外，还存在许多的副反应，如电解液分解、活性物质溶解、金属锂沉积等，这些副反应导致电池容量衰减。当电池容量衰减至标称容量的70～80％，其充放电性能会受到严重影响，甚至无法继续服役，为避免发生故障，应及时更换电池。作为锂离子电池故障预测与健康管理(Prognostics and Health Management,PHM)的重要功能，剩余使用寿命(Remaining Useful Life,RUL)预测可为电池的定期维护和安全稳定运行提供参考，降低高昂的维修成本，减少灾难性后果发生概率。

为了实现准确的RUL预测，众多研究人员开展了相关研究。基于模型的RUL预测方法通常利用先验知识对电池退化机理进行建模，通过电池全生命周期测试数据和电化学交流阻抗谱，借助最小二乘法或观测器对模型内参数进行辨识。上述方法中的RUL退化模型虽然可以考虑不同温度应力和不可观测状态量对电池容量衰退的影响，具有明确的物理意义，但往往忽略电池服役所处环境条件，如振动应力等。电池模型参数会随服役环境的改变而不同，导致固定参数的模型精度会随着电池老化而降低，为了提升预测精度，需根据不同电池型号和工作状态对模型进行修正，由此带来庞大的参数辨识计算量和复杂的物理模型使得其难以实现扩展应用。同时，其属于开环方法，难以兼顾鲁棒性。

针对容量数据存在离群值的问题，机器学习中常用的误差形式，对大误差的灵敏度比小误差高，即模型偏向于减少最大的误差，无法有效降低离群值对预测效果的影响，且常用的误差形式无法根据样本特征自适应调整。

发明内容

本发明的目的是为了克服现有技术中的不足，提供一种电动汽车动力电池剩余使用寿命预测方法，详见下文描述：

一种电动汽车动力电池剩余使用寿命预测方法，所述方法包括以下步骤：

(1)获取自适应损失函数相关参数：获取行驶工况下电池全生命周期容量数据后，通过自适应鲁棒损失函数得到超参数α和协调参数c，用于配置LightGBM的损失函数；

(2)基于多线程并行直方图处理数据：针对每一维特征，将连续的浮点型数据划分进离散的k个范围内，得到k个“桶”(bin)，构造一个宽度为k的直方图，如图1中步骤2所示。与传统的Boosting方式相比，仅需遍历k个bin，无需对特征值进行逐个对比，从而大大减少运算量，提高训练速度。考虑到决策树为弱模型，k决定了正则化的程度，从而避免过拟合；

(3)基于带宽度限制的Leaf-wise生长方式训练模型：如图1中步骤3所示，按叶生长(Leaf-wise)的生长方式是在每一次节点***时，选择增益最大的叶子节点进行生长，限制模型的复杂度，提升训练速度，避免过拟合；

(4)基于元学***均绝对误差(Mean Absolute Error,MAE)、局部MAE和迭代次数作为评价标准；

(5)完成剩余使用寿命预测：电池剩余使用寿命是电池可用容量衰减至标准容量的70～80％(电池服役结束)前所经历的充放电循环次数，将行驶工况下电池全生命周期容量数据分成训练集和测试集，训练集用于训练模型和获取相关参数，测试集用于验证模型的有效性；

本发明提供的技术方案的有益效果是：

1)较之传统RUL预测方法，本发明所提RUL预测方法不仅具有较高的预测精度，而且具有较好的自适应性，更好地满足实际需求，有助于提升RUL预测模型的泛化能力；

2)随残差x(＞|c|)的增大，本发明所提RUL预测方法对梯度的影响降低。因此，在梯度下降的过程中，有效降低离群值对RUL预测的影响；

3)较之传统损失函数，本发明所提RUL预测方法所用的损失函数可以在较少迭代次数下稳定达到最佳效果，具有良好的鲁棒性。

附图说明

图1为基于改进LightGBM的电池RUL预测流程图；

图2为行驶工况下电池全生命周期容量测试***；

图3为振动台功率密度谱；

图4为行驶工况下电池充放电测试曲线；

图5为两种工况下锂离子电池容量衰退情况；

图6为损失函数；

图7为损失函数一阶导数；

图8为Loss值；

图9为RUL预测结果；

图10为基于不同损失函数的RUL预测效果对比图。

具体实施方式

为降低离群值对预测精度的影响，提升预测模型泛化能力和鲁棒性，本发明提供了一种电动汽车动力电池剩余使用寿命预测方法。为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

一种电动汽车动力电池剩余使用寿命预测方法，该方法包括以下步骤：

步骤101：获取行驶工况下电池全生命周期容量数据后，通过自适应鲁棒损失函数得到超参数α和协调参数c，用于配置LightGBM的损失函数；

步骤102：针对每一维特征，将连续的浮点型数据划分进离散的k个范围内，得到k个“桶”(bin)，构造一个宽度为k的直方图，如图1中步骤2所示。与传统的Boosting方式相比，仅需遍历k个bin，无需对特征值进行逐个对比，从而大大减少运算量，提高训练速度。考虑到决策树为弱模型，k决定了正则化的程度，从而避免过拟合；

步骤103：如图1中步骤3所示，按叶生长(Leaf-wise)的生长方式是在每一次节点***时，选择增益最大的叶子节点进行生长，限制模型的复杂度，提升训练速度，避免过拟合

步骤104：根据Hyperopt超参数优化框架，构建模型参数空间、LightGBM模型工厂和分数获取器。其中，模型工厂用于“生产”所需模型，分数获取器则是用于解耦。通过多轮迭代，获得模型最优参数。设置评价标准：使用实际容量和预测容量之间的全局均方根误差(Root Mean Square Error,RMSE)、局部RMSE、全局平均绝对误差(Mean Absolute Error,MAE)、局部MAE和迭代次数作为评价标准；

步骤105：电池剩余使用寿命是电池可用容量衰减至标准容量的70～80％(电池服役结束)前所经历的充放电循环次数，将行驶工况下电池全生命周期容量数据分成训练集和测试集，训练集用于训练模型和获取相关参数，测试集用于验证模型的有效性。

下面结合具体的计算公式、附图、实例对实施例1中的方案进行进一步地介绍，详见下文描述：

实施例2：

步骤201：获取自适应损失函数相关参数；

其中，初步的自适应鲁棒损失函数形式如下：

式中，c可视为协调参数，用以调整损失函1在x＝0处曲线弯曲的尺度。该自适应鲁棒损失函数主要通过超参数α，控制损失函数的鲁棒性，即α为不同值时不仅可表示其他损失函数，还可根据数据特征表示为合适的损失函数。虽然α在α＝0(Cauchy Loss)、α＝2(L2Loss)、α＝-∞(Welsch Loss)处没有定义，但可以通过取极限进行近似。因此，最终的自适应鲁棒损失函数可表示为如式(13)的函数集合形式。

自适应鲁棒损失函数的一阶导数表达式如下：

通过自适应鲁棒损失函数对LightGBM原有损失函数进行改进。

LightGBM将决策树作为基学习器，其可表示为：

式中，H_t表示第i个学习器，Θ表示所有学习器的集合空间。

LightGBM通过多次的迭代不断地提升学习器的性能，使用学习器来获取从输入空间X_s到梯度空间G的映射函数。假设有一个数据量为n的训练集{x₁,…,x_n}，其中，x_i是空间x_s中第i个维度为s的向量。若前一轮迭代获得的学习器为H_t-1(x)，损失函数为L(y,H_t-1(x))，则本轮迭代的目标为寻找弱学习器h_t(x)，使得本轮的损失函数最小，如下式：

计算该损失函数的负梯度，用于获取本轮损失函数的近似值，可表示为：

目标函数通常为平方差，h_t(x)可近似表示为：

最终获得本轮迭代的强学习器：

H_t(x)＝H_t-1(x)+h_t(x) (8)

步骤202：基于多线程并行直方图处理数据；

其中，针对每一维特征，将连续的浮点型数据划分进离散的k个范围内，得到k个“桶”(bin)，构造一个宽度为k的直方图，如图1中步骤2所示。与传统的Boosting方式相比，仅需遍历k个bin，无需对特征值进行逐个对比，从而大大减少运算量，提高训练速度。考虑到决策树为弱模型，k决定了正则化的程度，从而避免过拟合。

步骤203：基于带宽度限制的Leaf-wise生长方式训练模型；

其中，如图1中步骤3所示，按叶生长(Leaf-wise)的生长方式是在每一次节点***时，选择增益最大的叶子节点进行生长，限制模型的复杂度，提升训练速度，避免过拟合。每次梯度提升迭代中，当前模型损失函数负梯度输出值为{g₁,...,g_n}，其中g_i为x_i对应的损失函数负梯度在当前模型输出的值。基学习器在信息增益最大的特征***点处进行分割，而信息增益通过***后方差度量。

设O为基模型一个固定节点内的数据集。此节点j处特征在分割点d的方差增益定义为：

式中，n_O为某个固定叶子节点的训练集样本数，且n_O＝∑I[x_i∈O]，

为第j个特征中值小于等于d的样本数，且

为第j个特征中值大于d的样本数，且

遍历每个特征的每个***点，找到

计算对应的最大信息增益

根据***点

将数据分为左右子节点。

步骤204：基于元学习超参数自动调优获取模型最优参数并设置性能评价函数；

其中，基于元学习Hyperopt获取模型最优参数并设置性能评价函数。根据Hyperopt超参数优化框架，构建模型参数空间、LightGBM模型工厂和分数获取器。其中，模型工厂用于“生产”所需模型，分数获取器则是用于解耦。通过多轮迭代，获得模型最优参数，如表1所示。

表1 RUL预测模型超参数

设置评价标准：使用实际容量和预测容量之间的全局均方根误差(Root MeanSquare Error,RMSE)、局部RMSE、全局平均绝对误差(Mean Absolute Error,MAE)、局部MAE和迭代次数作为评价标准。其中，全局为全生命周期循环次数，局部为容量回弹处循环次数(即为1300～1600次循环)。迭代次数为损失值(Loss值)达到最小前的迭代轮数。

全局

式中，

是第i次循环预测容量，y_true.i是第i次循环实际容量，n为全生命周期循环次数。

全局

式中，

是第i次循环预测容量，y_true.i是第i次循环实际容量，n为全生命周期循环次数。

局部

式中，

是第j次循环预测容量，y_true.i是第j次循环实际容量，m为容量回弹处循环次数。

局部

式中，

是第j次循环预测容量，y_true.i是第j次循环实际容量，m为容量回弹处循环次数。

步骤205：完成剩余使用寿命预测；

其中，为模拟行驶工况下电动汽车电池所受振动应力和充放电应力，本文搭建行驶工况下电池全生命周期容量测试***，如图2所示。根据城市行驶工况，振动台功率密度谱设置如图3所示。行驶工况对电动汽车最直观的体现是车辆行驶速度，具体表现为匀速、加速、怠速和减速等。设置行驶工况下电池充放电测试曲线如图4所示。

使用行驶工况下电动汽车电池全生命周期实验样本作为数据集，开展RUL预测研究。将数据集的40％作为训练集，其余作为测试集，通过自适应鲁棒损失函数，获得超参数α＝0.809609，协调参数c＝1.268496。根据式(9)，可得α不同值对应的损失函数和其一阶导数，除了传统损失函数以外，本文增加了α＝0.5和α＝1.5，其分别为所得α与L1 Loss和L2Loss损失的中间值，如图6和图7所示。

从图6中可以看出，损失函数为平滑曲线(可微)，适用于基于梯度的算法优化。在残差|x|＞0的区间，损失函数为单调递增。对于超参数α而言，也是单调递增的，这一特性决定损失函数具有较好的鲁棒性。原因是在优化过程中，损失函数可以从较大的α值开始逐渐减小，从而使得鲁棒性预测避免局部极小值。从图7可以看出，自适应鲁棒损失函数可以完成不同损失函数的平滑转换。

从图7中可以看出，随着α值的减小，损失函数一阶导数的幅度饱和值也随之减小，其幅值不会超过1/c。也就是说，随残差x(＞|c|)的增大，其对梯度的影响降低，因此，在梯度下降的过程中，离群值对RUL预测的影响也随之降低。

从图8可以看出，自适应损失函数的Loss值的起始值较小，并且在27轮迭代后达到最小值，而其余损失函数的情况分别为：44轮迭代(Cauchy Loss)，32轮迭代(a_0.5Loss)，40轮迭代(L1 Loss)，38轮迭代(a_1.5Loss)，49轮迭代(L2 Loss)，40(G-MC Loss)，36轮迭代(Welsch Loss),77轮迭代(LightGBM)。因此，证明自适应损失函数具有较好的鲁棒性。

为了验证所改进的RUL预测方法的有效性，将所提RUL预测方法应用于行驶工况下电池全生命周期容量数据，其中，按照表1对LightGBM预测模型的超参数进行设置，RUL预测结果如图9所示。

从图9可以看出，所提改进LightGBM的RUL预测方法能够实现1.02％的RUL预测均方根误差值(原LightGBM的RUL预测均方根误差值为1.03％)。同时，在局部处，所提RUL预测方法的预测效果要优于原RUL预测方法。

从图10可以看出，基于AR Loss的RUL预测效果在预测精度、鲁棒性方面均较好表现，而基于Cauchy Loss的RUL预测效果较其他有较差的表现。对比结果表明，较之传统损失函数，ARLF具有较好的自适应性，可以根据所需产生不同的表现形式，更好地满足实际需求，从而有助于提升模型的泛化能力。进一步说明自ARLF对于LightGBM在RUL预测方面的适用性。

综上所述，可以得出一种电动汽车动力电池剩余使用寿命预测方法的优点：

1)较之传统RUL预测方法，本发明所提RUL预测方法不仅具有较高的预测精度，而且具有较好的自适应性，更好地满足实际需求，有助于提升RUL预测模型的泛化能力；

2)随残差x(＞|c|)的增大，本发明所提RUL预测方法对梯度的影响降低。因此，在梯度下降的过程中，有效降低离群值对RUL预测的影响；

3)较之传统损失函数，本发明所提RUL预测方法所用的损失函数可以在较少迭代次数下稳定达到最佳效果，具有良好的鲁棒性。

本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种电动汽车动力电池剩余使用寿命预测方法，其特征在于，所述方法包括：

(1)获取自适应损失函数相关参数，具体为：获取行驶工况下电池全生命周期容量数据后，通过自适应鲁棒损失函数得到超参数α和协调参数c，用于配置LightGBM的损失函数；

(2)基于多线程并行直方图处理数据；

(3)基于带宽度限制的按叶生长(Leaf-wise)方式训练模型；

(4)基于元学习超参数自动调优获取模型最优参数；

(5)完成剩余使用寿命预测。

2.根据权利要求1所述的一种电动汽车动力电池剩余使用寿命预测方法，其特征在于，所述基于多线程并行直方图处理数据具体为：

针对每一维特征，将连续的浮点型数据划分进离散的k个范围内，得到k个桶(bin)，构造一个宽度为k的直方图。

3.根据权利要求1所述的一种电动汽车动力电池剩余使用寿命预测方法，其特征在于，所述基于带宽度限制的按叶生长(Leaf-wise)方式训练模型具体为：

Leaf-wise的生长方式是在每一次节点***时，选择增益最大的叶子节点进行生长，限制模型的复杂度，提升训练速度，避免过拟合。

4.根据权利要求1所述的一种电动汽车动力电池剩余使用寿命预测方法，其特征在于，所述基于元学习超参数自动调优获取模型最优参数具体为：

根据Hyperopt超参数优化框架，构建模型参数空间、LightGBM模型工厂和分数获取器；其中，模型工厂用于生产所需模型，分数获取器则是用于解耦；通过多轮迭代，获得模型最优参数。

Images