原文链接：基于随机森林(RF)的机器学习方案，精准预测SOH，加速电池筛选与集成
本文提出机器学习（ML）技术的应用，在几分钟内估算电池的SOH，无需完全放电，减少传统容量测量的时间消耗。
1.引言
SOH的重要性：SOH是电池健康的关键指标之一，也是电池管理系统安全控制的重要输入。
SOH估算方法：包括基于模型（MD）、基于知识库系统（KB）和数据驱动（DD）的方法。
MD系统：使用数学计算、电路构建和实证实验来创建算法进行SOH估算，已有相关应用和研究。
KB系统：适用于非线性和复杂问题，如锂离子电池曲线中的问题，有研究使用基于知识的神经网络组合来估算SOH。
DD系统：在过去十年中应用显著增加，主要由于工业4.0的出现、物联网设备的增加和大量数据集的可用。本文提出了使用DD概念估算SOH的多种方法，如使用RF和GRU进行SOC估算、使用GPR预测SOH和剩余使用寿命、使用SVM进行SOH估算、使用LSTM预测SOH和内部电阻、使用CNN和LSTM的组合估算SOH等。
SOH的计算方式：可以基于容量或内部电阻计算，基于容量的计算更准确，基于内部电阻的计算更快，且内部电阻具有两个适合用于SOH估算的主要特征。
传统构建新SLB电池组的步骤：包括拆卸、测量参数（如容量、阻抗和内部电阻）、分组和组装等，耗时且费力。
2.方法描述
ML方法的优势：基于容量和电阻的SOH估算耗时，需要使用库仑计数来提高准确性，而ML方法基于大数据集，能够学习电池主要参数的行为并预测SOH，对SOH估算有帮助。
提出的方法：使用由一百个估算器组成的RF方法，在几分钟内根据容量预测SLB的SOH，基本思想是在不知道电池特性（如老化过程、内阻、内部容量等）的情况下进行SOH估算。
实验设置：对LIB电池进行100次过放电循环，使用西门子的可编程逻辑控制器（PLC）从模拟输入中收集主要参数，使用传感器监测电池的电压、电流和温度。
图1.提出的体系结构包括PLC、树莓和用于监控电池的传感器。
电流监测：使用ACS712 5A霍尔效应传感器监测放电电流，其灵敏度为每安培180mV，输出连接到PLC的模拟输入。
电压监测：第二个模拟输入接收电池的电压，用于监测放电期间的能量水平。
温度监测：两个NTC100K传感器监测环境和电池温度，电池温度用于估算SOH，以维持在受控条件下的操作并避免安全和性能问题。
数据通信：Raspberry Pi3与PLC通信以请求传入数据，在Pi3中编写的node - red流中，一个节点每秒使用Modbus TCP协议请求数据，PLC根据注册的表协议发送包含所需数据的数据包进行响应。
电池实验：使用标称容量为2200mAh、电压为3.7V的18650三星LIB电池进行评估，在1.0V的过放电滥用下进行100次充放电循环以引发容量损失。在每个充电周期中，电池分两个阶段充电，首先在1.7A的恒定电流下充电至电压达到4.2V，然后在恒定电压下充电直至电流衰减至零A。
表1.实验中使用的锂离子ICR18650-22P电池的规格。
电池放电：电池以1.7Ω的恒定负载放电，该负载使放电电流率保持接近1C，直到电压达到2.5V，之后由于电池中能量可用性低，电流衰减。当放电低于安全水平时，低电压（约2.5V）导致容量损失和内阻上升。
数据采集与处理：在每个实验中，每秒监测电池的环境温度、过程中应用的电流和电池电压，并将其保存在CSV文件中。然后，数据上传到Anaconda环境，在Jupyter Notebook中使用Python进行处理。
ML管道：如图2所示，传入的CSV组成数据集，根据降解率将数据集拆分为二十个容量范围。使用交叉验证方法选择每个子集的一些周期来组成训练子集，其余的用于组成测试数据集，60%的数据用于训练，其余用于测试。
图2.机器学习传递的方法提出的估算SOH的SLB。
模型构建与训练总结
工程数据分析（EDA）：进行EDA以理解问题、清理数据并识别输入之间的相关性，从而选择模型的特征，如图2所示。
特征选择与模型构建：根据EDA选择特征来构建RF模型的输入数据，然后构建一个具有一百个决策树估算器的RF模型，以电压、电流和温度作为模型的输入（特征），以SOH估算容量作为输出。
模型测试：模型构建和训练后，使用测试子集进行测试，结果将在下一节展示。
3.结果与讨论
数据与实验设置：从100次电池实验中收集的数据已保存并上传到Anaconda环境，数据集被分为60%用于训练和40%用于测试，进行了EDA以清理数据和构建相关性。
图3.在100次循环下，当放电至1.0V时电池容量的变化
模型选择与超参数调整：选择RF模型，因其具有独特的集成学习特性，更稳健且需要较少的数据和计算资源。通过简单的搜索超参数确定了最佳的估算器数量为100。
图4.皮尔森和斯皮尔曼研究了电压、电流、温度和电池容量之间的相关性。
图5.循环数#89的射频应用结果。
图6.RF SOH的实际x预测容量估算为82个周期。
图7.通过RMSE对数据在50到300秒之间的射频应用进行SOH估算。
模型性能：使用50到300秒的数据进行训练和测试，RF模型在预测电池容量方面表现出色，平均误差为45.7mAh，大多数周期的误差低于60mAh。通过不同输入窗口时间的实验，发现50 - 300和50 - 400秒的变化是较好的选择，模型在不同时间窗口范围内表现良好，其性能取决于数据量，可用于SLB电池组的形成。该模型具有能在几分钟内以低RMSE识别容量、所需硬件和组件资源少、可通过更多数据进行评估和改进等优点。
图8.每个周期的RF模型的误差百分比（黑色）与该周期的实际容量（灰色）相比。
4.总结
应用由RF模型组成的SOH估算器在放电几分钟内估算电池的SOH是一项创新，构建、训练并应用了RF模型，该SOH估算器能在不到五分钟内估算电池容量，平均误差小于45.70mAh，在100秒内估算电池的SOH误差低于49mAh，表明该模型适合有助于SLB的形成。
版权声明：本文转载于今日头条，版权归作者所有，如果侵权，请联系本站编辑删除