鋰離子電池儲(chǔ)能安全管理中的機(jī)器學(xué)習(xí)方法綜述

蔡濤，張釗誠(chéng)，袁奧特，史致遠(yuǎn)，張博涵

鋰離子電池儲(chǔ)能安全管理中的機(jī)器學(xué)習(xí)方法綜述

蔡濤，張釗誠(chéng)，袁奧特，史致遠(yuǎn)，張博涵

(強(qiáng)電磁工程與新技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室(華中科技大學(xué))，湖北 武漢 430074)

隨著當(dāng)前電化學(xué)儲(chǔ)能技術(shù)的廣泛應(yīng)用，電池儲(chǔ)能電站的安全運(yùn)維問(wèn)題日漸突出。傳統(tǒng)電池管理系統(tǒng)僅能獲得各電池單體的電壓、電流及溫度，并且受限于硬件處理能力、數(shù)據(jù)傳輸帶寬及延遲等條件，掌握海量電池單體儲(chǔ)能系統(tǒng)的健康與安全運(yùn)行狀態(tài)成為關(guān)鍵技術(shù)難題。機(jī)器學(xué)習(xí)方法在鋰離子電池運(yùn)行狀態(tài)預(yù)測(cè)領(lǐng)域的應(yīng)用為儲(chǔ)能電池系統(tǒng)安全管理創(chuàng)造了條件。針對(duì)鋰離子電池安全管理需求，首先對(duì)鋰離子電池濫用及熱失控風(fēng)險(xiǎn)機(jī)理的相關(guān)研究進(jìn)行了介紹。隨后，討論了鋰離子電池管理系統(tǒng)架構(gòu)及其應(yīng)用特點(diǎn)，并詳細(xì)論述了機(jī)器學(xué)習(xí)方法在鋰離子電池健康與安全狀態(tài)分析方面的應(yīng)用。最后，對(duì)儲(chǔ)能電站鋰離子電池的安全管理進(jìn)行了展望。

鋰離子電池儲(chǔ)能；電池健康與安全；機(jī)器學(xué)習(xí)

0 引言

在各類型的電化學(xué)儲(chǔ)能中，鋰離子電池憑借其能量密度高、循環(huán)次數(shù)多的優(yōu)點(diǎn)，占據(jù)了90%的市場(chǎng)份額。然而，以熱失控(thermal runaway)為特征的鋰離子電池系統(tǒng)安全事故時(shí)有發(fā)生，嚴(yán)重地威脅著生命財(cái)產(chǎn)安全。因此，儲(chǔ)能電池高能量密度條件下的高安全性是電池儲(chǔ)能系統(tǒng)商業(yè)化推廣應(yīng)用的首要保障[1]。現(xiàn)有電力儲(chǔ)能電池管理系統(tǒng)技術(shù)方案大多源自于電動(dòng)汽車的動(dòng)力電池總成[2-3]，其單體數(shù)量少、總體容量小、運(yùn)行工況單一，明顯不適用于大規(guī)模電力儲(chǔ)能電站的安全運(yùn)維需求。儲(chǔ)能系統(tǒng)具有海量的電池單體，存在監(jiān)測(cè)數(shù)據(jù)龐大、信息類型復(fù)雜、安全評(píng)估急迫等難題。同時(shí)，因熱失控特性，導(dǎo)致鋰離子電池一旦發(fā)生事故則難以控制，進(jìn)而可能演化成儲(chǔ)能系統(tǒng)燃燒爆炸等重大安全事故。在運(yùn)行維護(hù)方面，現(xiàn)有儲(chǔ)能電站普遍采用被動(dòng)的定期檢修策略，而電池從出現(xiàn)故障征兆到發(fā)生熱失控之間往往只有數(shù)十到數(shù)百秒的時(shí)間，采用定期檢修的方式難以及時(shí)發(fā)現(xiàn)劣化電池。

鑒于此，本文聚焦如何支撐鋰離子電池儲(chǔ)能系統(tǒng)的安全運(yùn)維需求，從鋰離子電池的濫用和退化的機(jī)理入手，分析了對(duì)鋰離子電池進(jìn)行預(yù)測(cè)所需要監(jiān)測(cè)計(jì)算的量以及它們與熱失控的關(guān)系；繼而進(jìn)一步詳細(xì)介紹了目前主流的用于進(jìn)行鋰離子電池狀態(tài)預(yù)測(cè)的各項(xiàng)機(jī)器學(xué)習(xí)方法以及其適用于分析的狀況；最后，給出了對(duì)于未來(lái)研究方向的建議和指導(dǎo)意見(jiàn)，旨在為該領(lǐng)域研究人員提供參考借鑒。

1 ?鋰離子電池?zé)崾Э仡A(yù)警與安全管理

1.1 電池?zé)崾Э禺a(chǎn)生機(jī)理

鋰離子電池是采用儲(chǔ)鋰化合物作為正、負(fù)極材料的蓄電池。鋰離子電池單體由正極(Positive electrode)、負(fù)極(Negative electrode)、隔膜(Separator)、電解液(Electrolyte)和集流體(Current collector) 5個(gè)部分組成，正極、負(fù)極浸泡在電解液中，并通過(guò)隔膜相互分隔，通過(guò)集流體將電流均勻地傳輸?shù)交钚圆牧希鐖D1所示。

圖1 鋰離子電池結(jié)構(gòu)及其工作原理

鋰離子電池的正極由含鋰氧化物構(gòu)成，主要包括鈷酸鋰(LiCoO2)、磷酸鐵鋰(LiFePO4)、三元鋰(NCM、NCA)等。鋰離子電池的負(fù)極主要由嵌鋰材料構(gòu)成，主要包括碳材料、鈦酸鋰、硅基材料等。在放電時(shí)，鋰離子從負(fù)極材料中“脫嵌”，經(jīng)過(guò)電解質(zhì)和隔膜后“嵌入”正極材料中，此時(shí)正極富鋰、負(fù)極貧鋰；在充電時(shí)，鋰離子從正極材料中“脫嵌”，經(jīng)過(guò)電解質(zhì)和隔膜后“嵌入”負(fù)極材料中，此時(shí)正極貧鋰，負(fù)極富鋰。作為儲(chǔ)能系統(tǒng)的核心設(shè)備，儲(chǔ)能電池是實(shí)現(xiàn)儲(chǔ)能電站削峰填谷、負(fù)荷補(bǔ)償?shù)裙δ艿年P(guān)鍵。

鋰離子電池能量密度大、使用壽命長(zhǎng)，廣泛用于各類電池儲(chǔ)能技術(shù)中。然而在實(shí)際應(yīng)用中，如果發(fā)生電池濫用(Abuse)狀況，電池材料將受到破壞從而產(chǎn)生異常發(fā)熱現(xiàn)象，熱量不斷積聚加劇內(nèi)部放熱化學(xué)反應(yīng)過(guò)程，形成正反饋，最終造成熱失控。

機(jī)械濫用、電濫用和熱濫用是引發(fā)鋰離子電池?zé)崾Э氐闹饕T因，均會(huì)對(duì)鋰離子電池造成可逆或不可逆的損傷，如SEI(solid electrolyte interphase)膜分解、鋰枝晶刺破隔膜、誘發(fā)電池內(nèi)短路等，繼而通過(guò)一系列電化學(xué)和物理機(jī)理引發(fā)電池內(nèi)部溫度異常上升，最終引起一系列電化學(xué)反應(yīng)。鋰離子電池?zé)崾Э剡^(guò)程如圖2所示。文獻(xiàn)[5]研究表明電池SEI膜的分解是主要的放熱反應(yīng)來(lái)源。常見(jiàn)的分解溫度在80～120 ℃間，放熱峰值出現(xiàn)在90 ℃，已經(jīng)達(dá)到傳感器可監(jiān)測(cè)的溫度范圍。溫度持續(xù)升高導(dǎo)致負(fù)極金屬鋰與碳酸乙烯酯(C3H4O3)、碳酸二乙酯(C5H10O3)、碳酸二甲酯(C3H6O3)和碳酸丙烯酯(C4H6O3)等電解液分解(120 ℃左右)、隔膜融化(130 ℃～140℃)、正極分解(150 ℃～211 ℃)等反應(yīng)，并引起過(guò)充熱失控[6]。

1.2 熱失控特征參數(shù)與預(yù)警

鋰離子電池?zé)崾Э剡^(guò)程中釋放大量的熱量和可燃性氣體，當(dāng)可燃性氣體濃度達(dá)到其爆炸極限，在外部高溫的作用下會(huì)發(fā)生爆炸，嚴(yán)重影響儲(chǔ)能電站的安全穩(wěn)定運(yùn)行[7]。因此，迫切需要研究鋰離子電池?zé)崾Э靥匦裕骄繜崾Э卦缙陬A(yù)警方法，解決儲(chǔ)能電站安全管控問(wèn)題。

對(duì)于電力儲(chǔ)能系統(tǒng)而言，其電池?zé)崾Э赝ǔＲ螂姙E用而引起的。如不適合的過(guò)充和過(guò)放條件均能夠引起電池內(nèi)部的各種副反應(yīng)，導(dǎo)致電池局部過(guò)熱，引發(fā)熱失控。而系統(tǒng)設(shè)備或線路故障導(dǎo)致的電池外短路則是非正常狀態(tài)下電池的極速放電情況。超高電流將導(dǎo)致電池?zé)崃坷鄯e嚴(yán)重，甚至極耳熔斷和熱失控。此外，電池衰減老化也是引發(fā)熱失控事故的原因之一，老化對(duì)于鋰離子電池安全性的影響主要體現(xiàn)在金屬枝晶的生長(zhǎng)上，隨著循環(huán)次數(shù)的增加和生產(chǎn)過(guò)程中混入的雜質(zhì)微粒的誘導(dǎo)，不良副反應(yīng)形成的鋰枝晶等尖銳物體容易刺穿隔膜，導(dǎo)致微觀內(nèi)短路的發(fā)生。

鑒于鋰電池?zé)崾Э氐姆磻?yīng)機(jī)理與其演化過(guò)程，現(xiàn)有的電池?zé)崾Э氐念A(yù)警主要是針對(duì)電池出現(xiàn)熱失控的臨界條件對(duì)電池進(jìn)行監(jiān)控和預(yù)警。電池在出現(xiàn)熱失控的過(guò)程中，其電壓、電流、內(nèi)阻、內(nèi)部壓力、溫度等都會(huì)出現(xiàn)明顯的變化，且產(chǎn)生特征氣體，通過(guò)對(duì)其中一種或幾種特征參數(shù)及特征氣體的監(jiān)測(cè)可以有效地對(duì)電池?zé)崾Э剡M(jìn)行預(yù)警。雖然科研人員提出了各種故障診斷和檢測(cè)以及安全預(yù)警方法，但是由于數(shù)據(jù)計(jì)算量大、算法復(fù)雜、通用性差(不同種類的電池?zé)o法通用)、在線實(shí)現(xiàn)困難等原因，導(dǎo)致這些算法和方法無(wú)法應(yīng)用，可用性不強(qiáng)。

圖2 鋰離子電池?zé)崾Э剡^(guò)程[7]

1.3 電池安全管理系統(tǒng)

在電池儲(chǔ)能系統(tǒng)中，相當(dāng)困難的問(wèn)題就是如何應(yīng)用合適的監(jiān)測(cè)和控制方法延長(zhǎng)電池使用壽命以及避免突發(fā)的熱失控災(zāi)難性事件。而鋰離子電池的性能或健康狀態(tài)表征電池相對(duì)于新電池其存儲(chǔ)電能、能量的能力，是定量描述電池退化程度的指標(biāo)。隨著電池充放電次數(shù)的增加，其性能或健康狀態(tài)逐漸衰減，故可能因內(nèi)短路而誘發(fā)電池?zé)崾Э匚ｋU(xiǎn)。退化狀態(tài)識(shí)別就是不同性能變量映射到對(duì)應(yīng)健康因子(health index, HI)以確定對(duì)象系統(tǒng)當(dāng)前健康水平的過(guò)程，是實(shí)現(xiàn)安全預(yù)警的前提條件。因此，業(yè)內(nèi)認(rèn)可的鋰離子電池運(yùn)行狀態(tài)通常包括輸出電壓、荷電狀態(tài)(state of charge, SOC)和健康狀態(tài)(state of health, SOH)等。其中SOH表示電池當(dāng)前的最大可用容量與初始容量之比。SOH能較好地表征電池的安全狀態(tài)，當(dāng)SOH低于80%時(shí)一般認(rèn)為電池壽命終止，繼續(xù)使用會(huì)存在安全隱患。因此對(duì)SOH等參數(shù)的準(zhǔn)確估計(jì)有助于提升電池的安全性。由于電池的復(fù)雜特性，準(zhǔn)確的狀態(tài)參數(shù)估計(jì)仍然是相關(guān)人員研究的難點(diǎn)。除了狀態(tài)參數(shù)估計(jì)，通過(guò)適當(dāng)?shù)漠惓z測(cè)算法有效檢測(cè)異常電池，能進(jìn)一步提升系統(tǒng)的安全性。此外，電池剩余使用壽命(remaining useful life, RUL)指在當(dāng)前使用條件下電池工作至報(bào)廢所需要的循環(huán)次數(shù)，通常作為表征電池的健康狀態(tài)的另一個(gè)重要指標(biāo)。一般認(rèn)為，當(dāng)鋰離子電池當(dāng)前容量小于出廠容量的80%時(shí)，則判定電池報(bào)廢。許多學(xué)者提出了各種模型來(lái)估計(jì)SOC、SOH、RUL、電源狀態(tài)(state of power, SOP)和功能狀態(tài)(state of function, SOF)。然而，精確的電池建模仍然存在著相當(dāng)多的困難和挑戰(zhàn)。

電池管理系統(tǒng)(battery management system, BMS)通過(guò)對(duì)電池狀態(tài)參數(shù)的監(jiān)測(cè)、估計(jì)和預(yù)測(cè)來(lái)控制、管理電池的充放電過(guò)程，以保持電池在不同環(huán)境下、不同操作條件下能夠安全、可靠地運(yùn)行，從而減少電池故障，延長(zhǎng)電池壽命，確保系統(tǒng)安全可靠運(yùn)行。

BMS的組成與功能如圖3所示，其是硬件組成與軟件開(kāi)發(fā)相結(jié)合的系統(tǒng)，集監(jiān)測(cè)、預(yù)測(cè)、控制和通信于一體。電池管理單元(battery management unit, BMU)是BMS的基本單位，可實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)并對(duì)電池SOC、SOH等狀態(tài)量進(jìn)行計(jì)算和預(yù)測(cè)，最后通過(guò)總線CAN總線方式與上位機(jī)通信。在異常狀況下，可通過(guò)BMS控制電池系統(tǒng)進(jìn)行必要的反應(yīng)，如斷開(kāi)連接、隔離異常電池等[6]。業(yè)內(nèi)的技術(shù)研究和形成的BMS產(chǎn)品主要集中于電動(dòng)汽車的動(dòng)力電池管理。相對(duì)于電動(dòng)汽車BMS，電力儲(chǔ)能系統(tǒng)BMS的發(fā)展有賴于儲(chǔ)能產(chǎn)業(yè)規(guī)模的擴(kuò)大，并且開(kāi)發(fā)快速、高效、通用性好、可在線實(shí)現(xiàn)的預(yù)警策略和算法是利用BMS實(shí)現(xiàn)鋰離子電池?zé)崾Э仡A(yù)警的當(dāng)務(wù)之急。

圖3 鋰離子電池管理系統(tǒng)的組成與功能

Fig. 3Components and functions of BMS

2 ?電池安全管理中的機(jī)器學(xué)習(xí)方法

2.1 電池狀態(tài)估計(jì)的機(jī)器學(xué)習(xí)方法

如前所述，BMS的性能決定了鋰離子電池儲(chǔ)能電站的運(yùn)營(yíng)成本和安全運(yùn)行效能[8]。然而，BMS中針對(duì)電池?zé)崾Э仫L(fēng)險(xiǎn)的安全狀態(tài)監(jiān)測(cè)相關(guān)研究仍在發(fā)展階段，目前暫未形成如健康狀態(tài)、預(yù)期壽命、熱失控風(fēng)險(xiǎn)等標(biāo)準(zhǔn)狀態(tài)描述參數(shù)，多采用SOC、SOH等狀態(tài)。

基于數(shù)據(jù)驅(qū)動(dòng)的鋰離子電池狀態(tài)辨識(shí)和評(píng)估是一種新型電池管理技術(shù)，主要是搭建一定的數(shù)學(xué)模型，鋰離子電池運(yùn)行過(guò)程中通過(guò)BMS、環(huán)境監(jiān)測(cè)系統(tǒng)等采集的電池運(yùn)行信息(電壓、電流、溫度等)作為模型輸入并測(cè)算電池退化狀態(tài)、預(yù)期壽命、健康狀態(tài)等相關(guān)參數(shù)的一類方法。數(shù)據(jù)驅(qū)動(dòng)建模能夠?yàn)殇囯x子電池的安全管理提供基于歷史和當(dāng)前運(yùn)行狀態(tài)的運(yùn)行預(yù)測(cè)，對(duì)于應(yīng)對(duì)電池老化劣化、預(yù)防電池濫用下的熱失控等風(fēng)險(xiǎn)均有積極作用。因此，近年來(lái)在儲(chǔ)能系統(tǒng)鋰離子電池安全評(píng)估應(yīng)用中，基于數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)方法得到了長(zhǎng)足進(jìn)步，其有效性得到了廣泛的驗(yàn)證。

機(jī)器學(xué)習(xí)是人工智能(AI)和計(jì)算機(jī)科學(xué)的一個(gè)分支，它專注于使用數(shù)據(jù)和算法來(lái)模仿人類的學(xué)習(xí)方式，并逐步提高其準(zhǔn)確性。1959年IBM公司的亞瑟?塞繆爾(Arthur Samuel，被譽(yù)為“機(jī)器學(xué)習(xí)之父”)就提出了機(jī)器學(xué)習(xí)的概念：機(jī)器學(xué)習(xí)研究和構(gòu)建的是一種特殊算法(而非某一個(gè)特定的算法)，能夠讓計(jì)算機(jī)自己在數(shù)據(jù)中學(xué)習(xí)從而進(jìn)行預(yù)測(cè)。與傳統(tǒng)方法相比，機(jī)器學(xué)習(xí)方法具有明顯優(yōu)勢(shì)：1) 機(jī)器可以通過(guò)學(xué)習(xí)數(shù)據(jù)得到適合自身的細(xì)節(jié)，減輕了人為設(shè)計(jì)的壓力；2) 當(dāng)環(huán)境發(fā)生變化時(shí)，機(jī)器可以通過(guò)學(xué)習(xí)對(duì)現(xiàn)有知識(shí)進(jìn)行自動(dòng)更新；3) 如果外部信息足夠豐富，機(jī)器可以獲得比人為設(shè)計(jì)更豐富的細(xì)節(jié)，獲得超過(guò)設(shè)計(jì)者想象的能力。

通常，機(jī)器學(xué)習(xí)主要分為3類，如圖4所示。

1) 有監(jiān)督學(xué)習(xí)。通過(guò)已有訓(xùn)練數(shù)據(jù)集進(jìn)行數(shù)據(jù)挖掘，獲得最優(yōu)模型，借助模型將輸入的所有數(shù)據(jù)向輸出完全映射，再較為簡(jiǎn)單地判斷輸出，以此獲得對(duì)未知數(shù)據(jù)進(jìn)行分類的能力。

2) 無(wú)監(jiān)督學(xué)習(xí)。亦為歸納性學(xué)習(xí)，其思想核心是根據(jù)K學(xué)習(xí)方式來(lái)搭建中心，再利用反復(fù)遞減運(yùn)算來(lái)縮減誤差。無(wú)監(jiān)督學(xué)習(xí)和有監(jiān)督學(xué)習(xí)相比，無(wú)需訓(xùn)練樣本，只需將未知的數(shù)據(jù)建模處理，其中最常見(jiàn)的是聚類算法。

3) 強(qiáng)化學(xué)習(xí)。亦稱為增強(qiáng)學(xué)習(xí)，基于統(tǒng)計(jì)和動(dòng)態(tài)規(guī)劃技術(shù)方法，輸入通過(guò)反饋過(guò)程中計(jì)算得到的數(shù)據(jù)信息，與之相關(guān)有Q-Learning等。

可以看出，有監(jiān)督學(xué)習(xí)可適用于對(duì)電池健康因子的評(píng)估及趨勢(shì)預(yù)測(cè)，而無(wú)監(jiān)督學(xué)習(xí)則適用于對(duì)電池異常狀態(tài)的判定和區(qū)分。因此，近些年來(lái)，有相當(dāng)多的研究團(tuán)隊(duì)探索將機(jī)器學(xué)習(xí)方法應(yīng)用于儲(chǔ)能電池的安全狀態(tài)評(píng)估及預(yù)警，以下對(duì)幾類典型方法進(jìn)行介紹。

圖4 機(jī)器學(xué)習(xí)的3類基本方法

2.2 機(jī)器學(xué)習(xí)在電池安全評(píng)估中的典型應(yīng)用

1) 狀態(tài)空間統(tǒng)計(jì)濾波器

狀態(tài)空間方法利用電化學(xué)模型或等效電路模型建立鋰離子電池的荷電狀態(tài)、負(fù)載電流與端電壓的非線性動(dòng)態(tài)關(guān)系，構(gòu)造狀態(tài)空間方程，并運(yùn)用統(tǒng)計(jì)濾波器等進(jìn)行電池特征參數(shù)估計(jì)。常用算法包括卡爾曼濾波(Kalman filter, KF)及其擴(kuò)展方法、粒子濾波及其擴(kuò)展方法等?？柭鼮V波器的基本原理如圖5所示。

圖5 卡爾曼濾波器的基本原理

KF方法支持線性系統(tǒng)的無(wú)偏最小誤差方差最優(yōu)估計(jì)。由于KF具有可以處理傳感器噪聲的特性，其與鋰離子電池的監(jiān)測(cè)要求緊密契合，在鋰離子電池荷電狀態(tài)估計(jì)、健康預(yù)測(cè)等非線性問(wèn)題中需要以泰勒近似方式對(duì)模型進(jìn)行線性化處理，常見(jiàn)的如擴(kuò)展卡爾曼濾波(EKF)[8-9]、無(wú)跡卡爾曼濾波(UKF)[10-11]、方差可變卡爾曼濾波(VVKF)[12]和自適應(yīng)擴(kuò)展卡爾曼粒子濾波(AEKPF)[13]等。

相較于傳統(tǒng)的安時(shí)積分法、開(kāi)路電壓法或最小二乘法，KF及其衍生模型對(duì)于電池SOC和SOH的估計(jì)更具優(yōu)勢(shì)。文獻(xiàn)[9]設(shè)計(jì)了一種附加RC支路的改進(jìn)Thevenin電池模型，利用擴(kuò)展卡爾曼濾波(EKF)算法確定了模型參數(shù)，在此基礎(chǔ)上設(shè)計(jì)了用于估計(jì)鋰離子電池SOC的自適應(yīng)EKF(adapted EKF)方法，并在聯(lián)邦城市行車計(jì)劃(federal urban driving schedule, FUDS)電池?cái)?shù)據(jù)上取得了較好的SOC估算效果。文獻(xiàn)[4]提出采用基于SOC-OCV曲線的KF預(yù)測(cè)方法，通過(guò)可變參數(shù)電池建模及參數(shù)擬合建立基于參數(shù)可變PNGV模型的卡爾曼濾波SOC預(yù)測(cè)仿真模型。

在實(shí)際應(yīng)用中，SOC、SOH、RUL等特征值通常以耦合的方式加以分析，如基于狀態(tài)觀測(cè)器的SOC和SOH聯(lián)合估計(jì)流程、使用自適應(yīng)擴(kuò)展卡爾曼粒子濾波(AEKPF)與粒子濾波耦合的鋰離子電池SOC和SOH的聯(lián)合估計(jì)[14]、采用BP神經(jīng)網(wǎng)絡(luò)補(bǔ)償EKF算法實(shí)現(xiàn)1階RC等效電路模型參數(shù)與SOC的在線聯(lián)合估計(jì)等[15]。多狀態(tài)參數(shù)的聯(lián)合估計(jì)方法能夠提升電池SOC、電池容量等單個(gè)特征值的預(yù)測(cè)精度。

2) 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN)是機(jī)器學(xué)習(xí)的重要技術(shù)，它采用了仿生學(xué)的思想，通過(guò)模擬生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能來(lái)實(shí)現(xiàn)建模，一般由輸入層、隱層、輸出層的典型結(jié)構(gòu)組成。圖6給出了用于電池健康評(píng)估的典型前饋ANN結(jié)構(gòu)。

圖6 用于電池健康評(píng)估的前向神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)算法在電池狀態(tài)預(yù)測(cè)領(lǐng)域的應(yīng)用較多。在荷電狀態(tài)預(yù)測(cè)方面，文獻(xiàn)[15]采用BP神經(jīng)網(wǎng)絡(luò)(BPNN)，以電池電壓、電流和溫度三項(xiàng)參數(shù)作為網(wǎng)絡(luò)的輸入，并將通過(guò)安時(shí)計(jì)量法計(jì)算得到的SOC作為網(wǎng)絡(luò)輸出，訓(xùn)練得到具有較好內(nèi)插數(shù)據(jù)泛化性的網(wǎng)絡(luò)。文獻(xiàn)[16]提出了一種基于一維卷積神經(jīng)網(wǎng)絡(luò)(1D CNN)與長(zhǎng)短期記憶(LSTM)循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)結(jié)合，以電池電流、電壓和電阻作為網(wǎng)絡(luò)輸入的電池SOC預(yù)測(cè)方法，獲得了相較1D CNN和BPNN更好的預(yù)測(cè)精度。文獻(xiàn)[17]采用長(zhǎng)短期記憶循環(huán)(long short-term memory, LSTM)神經(jīng)網(wǎng)絡(luò)(網(wǎng)絡(luò)結(jié)構(gòu)如圖7所示)設(shè)計(jì)SOC預(yù)測(cè)模型，并通過(guò)加入Dropout正則化方法降低網(wǎng)絡(luò)的過(guò)擬合現(xiàn)象，增強(qiáng)了模型的泛化能力。

圖7 LSTM網(wǎng)絡(luò)結(jié)構(gòu)

在健康狀態(tài)預(yù)測(cè)方面，文獻(xiàn)[18]采用深度卷積網(wǎng)絡(luò)(DCNN)建立了鋰離子電池的健康狀態(tài)估計(jì)模型，針對(duì)實(shí)際應(yīng)用中可用訓(xùn)練樣本數(shù)量少的問(wèn)題，采用遷移學(xué)習(xí)和集成學(xué)習(xí)理論實(shí)現(xiàn)了不同模型參數(shù)的遷移和集成，提升了SOH估計(jì)精度。文獻(xiàn)[19]利用非線性自回歸算法，對(duì)部分充電曲線開(kāi)展電池單元SOH估計(jì)。

在電池壽命預(yù)測(cè)方面，神經(jīng)網(wǎng)絡(luò)方法同樣具有可行性，如混合卷積神經(jīng)網(wǎng)絡(luò)(CNN)[20]、遞歸神經(jīng)網(wǎng)絡(luò)(RNN)[21]和空洞卷積神經(jīng)網(wǎng)絡(luò)(dilated CNN)等[22-23]。文獻(xiàn)[24]運(yùn)用經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition, EMD)方法將原始電池容量數(shù)據(jù)分解為若干本征模函數(shù)(intrinsic mode function, IMF)和殘差，并應(yīng)用了長(zhǎng)短時(shí)記憶(LSTM)子模型和高斯過(guò)程回歸(GPR)子模型分別用于估計(jì)殘差和擬合IMF，發(fā)現(xiàn)對(duì)于電池循環(huán)早期的RUL預(yù)測(cè)有較好的適應(yīng)性。文獻(xiàn)[20]通過(guò)結(jié)合三維和二維卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建了一種混合卷積神經(jīng)網(wǎng)絡(luò)(CNN)進(jìn)行RUL預(yù)測(cè)，并在不同充電策略下實(shí)現(xiàn)了較好的電池充放電循環(huán)壽命的早期預(yù)測(cè)和RUL估計(jì)。文獻(xiàn)[25]建立了基于貝葉斯模型平均(Bayes model averaging, BMA)和最優(yōu)化決策理論的RUL估計(jì)模型，同樣取得了較好的預(yù)測(cè)精度。文獻(xiàn)[26]采用極限樹(shù)(extra tree)和核支持向量回歸(NuSVR)，在低至1個(gè)循環(huán)周期的較少循環(huán)次數(shù)基礎(chǔ)上對(duì)不同負(fù)極材料的鋰離子電池單體壽命作了預(yù)測(cè)，并討論了負(fù)極材料對(duì)估計(jì)精確度的影響。文獻(xiàn)[27]建立了結(jié)合遞歸神經(jīng)網(wǎng)絡(luò)(RNN)與典型的單指數(shù)狀態(tài)空間理論的RUL預(yù)測(cè)方法，并在NASA電池退化數(shù)據(jù)集上取得了較好的估計(jì)性能，在計(jì)算復(fù)雜度和精度上均優(yōu)于其他雙指數(shù)預(yù)測(cè)模型。文獻(xiàn)[22]首次在RUL預(yù)測(cè)領(lǐng)域引入端到端機(jī)器學(xué)習(xí)方法，并提出了一種基于空洞卷積神經(jīng)網(wǎng)絡(luò)(dilated CNN)的RUL預(yù)測(cè)模型。

3) 支持向量機(jī)

支持向量機(jī)(support vector machine, SVM)在VC維理論的基礎(chǔ)上，采用結(jié)構(gòu)風(fēng)險(xiǎn)最小化作為最優(yōu)準(zhǔn)則，能夠獲取全局最優(yōu)解。SVM克服了ANN 存在局部極值、收斂速度慢、網(wǎng)絡(luò)結(jié)構(gòu)難以確定以及需要大樣本進(jìn)行訓(xùn)練等問(wèn)題，能夠提高算法的泛化能力，既能根據(jù)有限的訓(xùn)練樣本得到小的誤差，又能夠保證對(duì)獨(dú)立的測(cè)試集仍保持小的誤差，并基于有限樣本最終獲取一個(gè)較小的預(yù)測(cè)誤差。SVM原理如圖8所示。SVM的計(jì)算復(fù)雜度明顯比ANN方法要低得多。因此，SVM及最小二乘支持向量機(jī)(LS-SVM)已經(jīng)廣泛應(yīng)用于多種預(yù)測(cè)領(lǐng)域。

圖8 SVM原理

支持向量機(jī)及其衍生算法是常用的電池健康狀態(tài)建模方法，其基本思想是將低維線性不可分的一類問(wèn)題通過(guò)核函數(shù)升維的方式映射至可找到線性可分超平面的高維空間。SVM通過(guò)提取鋰離子電池階段性充電數(shù)據(jù)中隱含的退化特征，基于樣本數(shù)據(jù)訓(xùn)練和支持向量回歸方法建立鋰離子電池狀態(tài)估計(jì)的非線性函數(shù)回歸模型，在對(duì)于小樣本集的適用性、泛化能力等方面相較其他機(jī)器學(xué)習(xí)方法較有優(yōu)勢(shì)。

SVM常用于鋰離子電池狀態(tài)和壽命的預(yù)測(cè)。對(duì)于荷電狀態(tài)的預(yù)測(cè)，文獻(xiàn)[28]在最小二乘支持向量機(jī)(LS-SVM)算法中引入粒子群優(yōu)化算法(PSO)以提高訓(xùn)練效率與模型精度，從而優(yōu)化對(duì)不同健康狀況電池SOC估計(jì)的泛化性能。文獻(xiàn)[29]提出了一種基于SVM的鋰離子電池SOC估算方法，以電池在前一時(shí)刻的SOC、電壓、電流、溫度作為當(dāng)前時(shí)刻SOC的預(yù)測(cè)輸入?yún)?shù)，取得了基本符合實(shí)際工程應(yīng)用的預(yù)測(cè)精度。

對(duì)于健康狀態(tài)的預(yù)測(cè)，文獻(xiàn)[12]將LS-SVM作為噪聲方差可變卡爾曼濾波(VVKF)的量測(cè)方程，融合KF與LS-SVM提出一種SOH估計(jì)算法，一定程度上規(guī)避了環(huán)境和工況波動(dòng)對(duì)模型誤差的不利影響，提升了預(yù)測(cè)模型的精度和泛化性。文獻(xiàn)[6]建立了鋰離子電池恒壓充電過(guò)程的電流曲線時(shí)間常數(shù)與恒壓充電電荷量等老化特征與電池放電過(guò)程內(nèi)阻測(cè)量值的非線性映射關(guān)系，提出了電池的狀態(tài)空間模型，并基于粒子濾波算法的參數(shù)估計(jì)原理給出了SOH估計(jì)與電池剩余壽命(RUL)預(yù)測(cè)方法。

4) 高斯過(guò)程回歸

高斯過(guò)程回歸(Gaussian process regression, GPR)可以給出預(yù)測(cè)結(jié)果的不確定性表達(dá)，是一種靈活的非參數(shù)模型，能夠?qū)崿F(xiàn)任意線性或者非線性系統(tǒng)動(dòng)態(tài)行為特征的建模預(yù)測(cè)，并且可以結(jié)合狀態(tài)預(yù)測(cè)先驗(yàn)知識(shí)，實(shí)現(xiàn)基于貝葉斯框架下的狀態(tài)預(yù)測(cè)。

基于GPR的鋰離子電池RUL預(yù)測(cè)不需要結(jié)合實(shí)際電池模型，而是采用高斯過(guò)程模擬電池的行為，是一種概率式的預(yù)測(cè)方法。文獻(xiàn)[30]利用電池等效電路元件阻抗E+CT與電池剩余容量的關(guān)系，基于GPR算法對(duì)電池阻抗E+CT進(jìn)行預(yù)測(cè)，隨后間接推算容量及RUL預(yù)測(cè)結(jié)果，同步可以輸出預(yù)測(cè)值的均值和方差，給出預(yù)測(cè)結(jié)果的置信區(qū)間，表達(dá)預(yù)測(cè)結(jié)果的不確定性。文獻(xiàn)[31]采用指數(shù)平方協(xié)方差和周期平方協(xié)方差模擬電池行為，通過(guò)超參數(shù)調(diào)整，實(shí)現(xiàn)鋰離子電池的剩余壽命預(yù)測(cè)，同時(shí)給出RUL預(yù)測(cè)的置信區(qū)間。文獻(xiàn)[32]為了提高SOC估計(jì)精度，提出了基于GPR的鋰離子電池在線估計(jì)方法，將電流、電壓、溫度作為GPR模型的輸入，SOC作為模型的輸出，并利用梯度下降法進(jìn)行參數(shù)尋優(yōu)，試驗(yàn)表明估計(jì)精度高于SVM、LSSVM、神經(jīng)網(wǎng)絡(luò)等方法。

GPR方法的主要缺點(diǎn)是超參數(shù)調(diào)整復(fù)雜，計(jì)算量較大，對(duì)于在線應(yīng)用尚需深入研究。

2.3 電池安全評(píng)估的特征工程

特征工程是機(jī)器學(xué)習(xí)的關(guān)鍵步驟，就是將原始數(shù)據(jù)轉(zhuǎn)換為模型更容易理解的數(shù)據(jù)類型，從而提高機(jī)器學(xué)習(xí)模型的預(yù)測(cè)準(zhǔn)確率，其主要包括3方面：特征處理、特征選擇和特征生成。電池的狀態(tài)參數(shù)通常無(wú)法直接在線測(cè)量，因此需要建立可測(cè)量參數(shù)與關(guān)鍵狀態(tài)量之間的映射模型，而輸入特征的選擇關(guān)系到模型的精確性。以SOC估計(jì)任務(wù)為例，由于電池的荷電狀態(tài)與電壓、電流、溫度等參數(shù)密切相關(guān)，因此大部分文獻(xiàn)選擇、、作為輸入特征，每一個(gè)時(shí)刻的SOC都與當(dāng)前的、、和上一時(shí)刻的SOC相關(guān)，因此模型的輸入為電池在每一時(shí)刻的、、，輸出為當(dāng)前狀態(tài)的SOC。狀態(tài)模型的典型輸入為放電階段電壓、電流、溫度、時(shí)間等序列的組合，直接輸入可測(cè)量數(shù)據(jù)能最大程度地保留原始信息，但也會(huì)導(dǎo)致模型的冗余，同時(shí)對(duì)在線應(yīng)用的數(shù)據(jù)采集提出了更高的要求。

電池作為豐富的數(shù)據(jù)源，蘊(yùn)含大量不同類型、不同時(shí)間尺度的數(shù)據(jù)，為深度學(xué)習(xí)模型的訓(xùn)練提供了條件。通?？梢赃x擇原始的電壓、電流、溫度數(shù)據(jù)作為輸入，采用深度學(xué)習(xí)分別進(jìn)行電池的健康狀態(tài)和剩余壽命的預(yù)測(cè)。模型的訓(xùn)練樣本仍為電池的每一圈循環(huán)，只是輸入為原始的電壓、電流、溫度等向量，與選擇表征電池老化的特征作為輸入不同，深度學(xué)習(xí)模型能從原始的數(shù)據(jù)中自動(dòng)提取特征，避免了人工的特征選擇。雖然深層神經(jīng)網(wǎng)絡(luò)具有從原始數(shù)據(jù)中提取深層特征的能力，但也意味著多維的原始數(shù)據(jù)需要更大的網(wǎng)絡(luò)去擬合。網(wǎng)絡(luò)的規(guī)模越大，所需要的訓(xùn)練數(shù)據(jù)也越多，計(jì)算量也更大。由統(tǒng)計(jì)學(xué)習(xí)算法實(shí)現(xiàn)的人工智能可以從人類的監(jiān)督中獲益，即根據(jù)人類領(lǐng)域知識(shí)的初步特征選擇可以提升機(jī)器學(xué)習(xí)算法的性能。因此許多學(xué)者都在探索將電池的特征選擇與深度學(xué)習(xí)結(jié)合的狀態(tài)估計(jì)模型，在保證深度神經(jīng)網(wǎng)絡(luò)的擬合精確性與計(jì)算速度的前提下，通過(guò)基于先驗(yàn)領(lǐng)域知識(shí)的特征選擇降低網(wǎng)絡(luò)的規(guī)模。

電池的狀態(tài)可以通過(guò)特定的電化學(xué)測(cè)試手段進(jìn)行表征[33]。文獻(xiàn)[34]使用電池的阻抗譜(electrochemical impedance spectroscopy, EIS)作為GPR模型的特征輸入，估計(jì)電池的容量和剩余壽命。文獻(xiàn)[35]選擇電池的容量增量分析(incremental capacity analysis, ICA)圖中電壓區(qū)間的采樣值作為GPR模型的輸入特征，建立ICA的特征與SOH之間的映射。ICA能從降解機(jī)理上解釋電池的老化，但是要求獲得特定SOC區(qū)間的電壓數(shù)據(jù)，并且ICA測(cè)試需要特定的低倍率充放電，難以在線應(yīng)用。上述方法的算法結(jié)構(gòu)如圖9所示，輸出分別為電池SOC(圖9(a))、SOH(圖9(b))、電池容量(圖9(c))或RUL(圖9(d))等，輸入則為特定的電化學(xué)測(cè)試特征。這些特征一般能從機(jī)理上對(duì)電池的狀態(tài)進(jìn)行解釋，但同時(shí)一般需要特殊的測(cè)試手段，如何在線測(cè)試特征并建立魯棒的模型是目前的一個(gè)研究方向[36-37]。

圖9 電池狀態(tài)預(yù)測(cè)的特征選取方法

2.4 挑戰(zhàn)與展望

縱觀現(xiàn)有的文獻(xiàn)可知，電池安全評(píng)估的機(jī)器學(xué)習(xí)方法均需要考慮應(yīng)用場(chǎng)景來(lái)選擇輸入特征和學(xué)習(xí)模型。輸入特征需要便于在線提取應(yīng)用，并且能在一定程度上反映電池的電化學(xué)機(jī)理。模型需要考慮訓(xùn)練數(shù)據(jù)的量、不確定性管理、精度要求和計(jì)算復(fù)雜度等問(wèn)題。不同模型的特性總結(jié)如表1所示。

表1 鋰離子電池安全管理中的機(jī)器學(xué)習(xí)方法對(duì)比

經(jīng)過(guò)數(shù)十年研究，鋰離子電池的濫用及退化機(jī)理研究已臻完善，基于機(jī)器學(xué)習(xí)的鋰離子電池安全狀態(tài)估計(jì)技術(shù)已逐漸被學(xué)術(shù)界和工業(yè)界接受和認(rèn)可。圍繞電池濫用與退化機(jī)理、電池狀態(tài)估計(jì)和電池管理系統(tǒng)，對(duì)現(xiàn)有研究進(jìn)展挑戰(zhàn)和未來(lái)研究有如下總結(jié)：

1) 基于機(jī)器學(xué)習(xí)的儲(chǔ)能電站鋰離子電池SOC、SOH、RUL等參數(shù)只能以其他測(cè)得數(shù)據(jù)通過(guò)算法計(jì)算而得，缺乏更加直接的以物理或電化學(xué)模型描述，也缺乏通過(guò)非侵入手段直接測(cè)量電池健康狀態(tài)量的手段。未來(lái)，通過(guò)優(yōu)化鋰離子電池電化學(xué)模型、改進(jìn)實(shí)驗(yàn)方法等，并將數(shù)據(jù)驅(qū)動(dòng)與模型驅(qū)動(dòng)方法相結(jié)合，從而實(shí)現(xiàn)更精確的電池健康與安全狀態(tài)評(píng)估。

2) 目前通過(guò)數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)模型評(píng)估電池健康狀態(tài)的研究大多采用十余個(gè)機(jī)構(gòu)的公開(kāi)的電池?cái)?shù)據(jù)或者實(shí)驗(yàn)室測(cè)試數(shù)據(jù)，儲(chǔ)能電站及其不同運(yùn)行狀態(tài)下的實(shí)測(cè)數(shù)據(jù)較少，缺乏儲(chǔ)能電站特殊工況的電池運(yùn)行數(shù)據(jù)，模型的準(zhǔn)確性、適用性受限于實(shí)驗(yàn)室測(cè)試條件。未來(lái)在該領(lǐng)域的研究中，可通過(guò)發(fā)展工業(yè)大數(shù)據(jù)平臺(tái)、深化云邊協(xié)同計(jì)算來(lái)豐富儲(chǔ)能運(yùn)維數(shù)據(jù)基礎(chǔ)，以期得到對(duì)我國(guó)儲(chǔ)能電站更具普適性的模型。

3) 鋰離子電池BMS作為電池運(yùn)行狀態(tài)的監(jiān)測(cè)設(shè)備，未來(lái)將納入更多的數(shù)據(jù)分析和機(jī)器學(xué)習(xí)功能。由于儲(chǔ)能等其他場(chǎng)景下鋰離子電池規(guī)模的制約，其他方向的BMS研究較少，其技術(shù)路線也基本沿用動(dòng)力電池BMS。由于不同應(yīng)用中的電池參數(shù)和運(yùn)行工況差異較大，需針對(duì)儲(chǔ)能電站工況和環(huán)境特點(diǎn)設(shè)計(jì)適應(yīng)性更強(qiáng)的細(xì)分領(lǐng)域BMS。如果要開(kāi)發(fā)普適性較強(qiáng)的BMS，則應(yīng)具有靈活的自定義程序，通過(guò)對(duì)大量運(yùn)行工況數(shù)據(jù)的采集分析，支持通過(guò)改變關(guān)鍵參數(shù)達(dá)到對(duì)不同電池的高效準(zhǔn)確管理。

3 ?結(jié)語(yǔ)

本文圍繞鋰離子電池安全管理系統(tǒng)中的機(jī)器學(xué)習(xí)方法進(jìn)行了較為全面的分析和探討，主要結(jié)論如下：

1) 電池安全核心問(wèn)題來(lái)自于因電池濫用而導(dǎo)致的熱失控過(guò)程，從BMS實(shí)時(shí)測(cè)量數(shù)據(jù)出發(fā)，利用機(jī)器學(xué)習(xí)方式可以實(shí)現(xiàn)對(duì)電池安全特性進(jìn)行早期評(píng)估和預(yù)警。

2) 因儲(chǔ)能系統(tǒng)中電池類型多樣化、運(yùn)行數(shù)據(jù)不完整、運(yùn)行工況各異，現(xiàn)有用于電池安全狀態(tài)評(píng)估的機(jī)器學(xué)習(xí)方法仍然存在著不足，亟需不斷完善。

3) 儲(chǔ)能電站BMS功能的優(yōu)化在于將預(yù)測(cè)和實(shí)測(cè)相結(jié)合，并且逐步以實(shí)測(cè)數(shù)據(jù)對(duì)既有機(jī)器學(xué)習(xí)算法進(jìn)行優(yōu)化，以期達(dá)到對(duì)電池實(shí)時(shí)狀態(tài)的跟蹤預(yù)測(cè)。

[1] 黃沛豐. 鋰離子電池火災(zāi)危險(xiǎn)性及熱失控臨界條件研究[D]. 合肥: 中國(guó)科學(xué)技術(shù)大學(xué), 2018.

HUANG Peifeng. Research on the fire risk of lithium ion battery and the critical condition of thermal runaway behavior[D]. Hefei: University of Science and Technology of China, 2018.

[2] 胡廣, 廖承林, 張文杰. 車用鋰離子電池?zé)崾Э匮芯烤C述[J]. 電工電能新技術(shù), 2021, 40(2): 66-80.

HU Guang, LIAO Chenglin, ZHANG Wenjie. A review on thermal runaway of lithium-ion batteries for electric vehicle[J]. Advanced Technology of Electrical Engineering and Energy, 2021, 40(2): 66-80.

[3] 張?jiān)? 李斌, 顏湘武, 等. 基于電池模型的電動(dòng)汽車充電故障監(jiān)測(cè)與預(yù)警方法[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(10): 143-154.

ZHANG Yuanxing, LI Bin, YAN Xiangwu, et al. Monitoring and early warning method of EV charging failure based on a battery model[J]. Power System Protection and Control, 2021, 49(10): 143-154.

[4] 歐陽(yáng)佳佳. 儲(chǔ)能電池管理系統(tǒng)研究[D]. 杭州: 浙江大學(xué), 2016.

OUYANG Jiajia. Research on energy storage battery management system[D]. Hangzhou: Zhejiang University, 2016.

[5] SPOTNITZ R, FRANKLIN J. Abuse behavior of high- power, lithium-ion cells[J]. Journal of Power Sources, 2003, 113(1): 81-100.

[6] 魏婧雯. 儲(chǔ)能鋰離子電池系統(tǒng)狀態(tài)估計(jì)與熱故障診斷研究[D]. 合肥: 中國(guó)科學(xué)技術(shù)大學(xué), 2019.

WEI Jingwen. Research on states estimation and thermal fault diagnostics of lithium-ion battery based energy storage system[D]. Hefei: University of Science and Technology of China, 2019.

[7] FENG Xuning, OUYANG Minggao, LIU Xiang, et al. Thermal runaway mechanism of lithium ion battery for electric vehicles: a review[J]. Energy Storage Materials, 2018, 10: 246-267.

[8] 許守平, 侯朝勇, 胡娟, 等. 大規(guī)模儲(chǔ)能用鋰離子電池管理系統(tǒng)[J]. 電力建設(shè), 2014, 35(5): 72-78.

XU Shouping, HOU Chaoyong, HU Juan, et al. Li-ion battery management system for large-scale energy storage[J]. Electric Power Construction, 2014, 35(5): 72-78.

[9] HE Hongwen, XIONG Rui, ZHANG Xiaowei, et al. State-of-charge estimation of the lithium-ion battery using an adaptive extended Kalman filter based on an improved Thevenin model[J]. IEEE Transactions on Vehicular Technology, 2011, 60(4): 1461-1469.

[10] 孔祥創(chuàng), 趙萬(wàn)忠, 王春燕. 基于BP-EKF算法的鋰離子電池SOC聯(lián)合估計(jì)[J]. 汽車工程, 2017, 39(6): 648-652.

KONG Xiangchuang, ZHAO Wanzhong, WANG Chunyan. Co-estimation of lithium battery SOC based on BP-EKF algorithm[J]. Automotive Engineering, 2017, 39(6): 648-652.

[11] 董祥祥, 武鵬, 葛傳久, 等. 基于自適應(yīng)無(wú)跡卡爾曼濾波的鋰離子電池荷電狀態(tài)估計(jì)[J]. 電工電能新技術(shù), 2021, 40(2): 58-65.

DONG Xiangxiang, WU Peng, GE Chuanjiu, et al. State of charge estimation of li-ion battery based on adaptive unscented Kalman filter[J]. Advanced Technology of Electrical Engineering and Energy, 2021, 40(2): 58-65.

[12] 趙天意. 基于改進(jìn)卡爾曼濾波的鋰離子電池狀態(tài)估計(jì)方法研究[D]. 哈爾濱: 哈爾濱工業(yè)大學(xué), 2016.

ZHAO Tianyi. Lithium-ion battery state estimation method based on improved Kalman filter[D]. Harbin: Harbin Institute of Technology, 2016.

[13] 張新鋒, 姚蒙蒙, 宋瑞, 等. 基于AEKPF算法對(duì)鋰離子電池SOC與SOH的聯(lián)合估計(jì)[J]. 江蘇大學(xué)學(xué)報(bào)(自然科學(xué)版), 2022, 43(1): 24-31.

ZHANG Xinfeng, YAO Mengmeng, SONG Rui, et al. Joint estimation of SOC and SOH for li-ion battery based on AEKPF algorithm[J]. Journal of Jiangsu University (Natural Science Edition), 2022, 43(1): 24-31.

[14] WANG Y, TIAN J, SUN Z, et al. A comprehensive review of battery modeling and state estimation approaches for advanced battery management systems[J]. Renewable and Sustainable Energy Reviews, 2020.

[15] 廖恩華. 基于神經(jīng)網(wǎng)絡(luò)的電動(dòng)汽車磷酸鐵鋰離子電池SOC估算方法研究[D]. 成都: 電子科技大學(xué), 2011.

LIAO Enhua. SOC estimation method for EV lithium-ion battery based on neural network[D]. Chengdu: University of Electronic Science and Technology of China, 2011.

[16] 倪水平, 李慧芳. 基于一維卷積神經(jīng)網(wǎng)絡(luò)與長(zhǎng)短期記憶網(wǎng)絡(luò)結(jié)合的電池荷電狀態(tài)預(yù)測(cè)方法[J]. 計(jì)算機(jī)應(yīng)用, 2021, 41(5): 1514-1521.

NI Shuiping, LI Huifang. Battery state-of-charge prediction method based on one-dimensional convolutional neural network combined with long short-term memory network[J]. Journal of Computer Applications, 2021, 41(5): 1514-1521.

[17] 明彤彤, 王凱, 田冬冬, 等. 基于LSTM神經(jīng)網(wǎng)絡(luò)的鋰離子電池荷電狀態(tài)估算[J]. 廣東電力, 2020, 33(3): 26-33.

MING Tongtong, WANG Kai, TIAN Dongdong, et al. Estimation on state of charge of lithium battery based on LSTM neural network[J]. Guangdong Electric Power, 2020, 33(3): 26-33.

[18] SHEN S, SADOUGHI M, CHEN X, et al. A deep learning method for online capacity estimation of lithium-ion batteries[J]. The Journal of Energy Storage, 2019, 25.

[19] KHALEGHI S, KARIMI D, BEHESHTI S H, et al. Online health diagnosis of lithium-ion batteries based on nonlinear autoregressive neural network[J]. Applied Energy, 2011, 282.

[20] YANG Y. A machine-learning prediction method of lithium-ion battery life based on charge process for different applications[J]. Applied Energy, 2021, 292.

[21] CATELANI M, CIANI L, FANTACCI R, et al. Remaining useful life estimation for prognostics of lithium-ion batteries based on recurrent neural network[J]. IEEE Transactions on Instrumentation and Measurement, 2021, 70.

[22] THOMAS J K, CRASTA H R, KAUSTHUBHA K, et al. Battery monitoring system using machine learning[J]. The Journal of Energy Storage, 2021, 40(1-2).

[23] HONG J, LEE D, JEONG E R, et al. Towards the swift prediction of the remaining useful life of lithium-ion batteries with end-to-end deep learning[J]. Applied Energy, 2020, 278.

[24] LIU K, SHANG Y, OUYANG Q, et al. A data-driven approach with uncertainty quantification for predicting future capacities and remaining useful life of lithium-ion battery[J]. IEEE Transactions on Industrial Electronics, 2021, 68(4): 3170-3180.

[25] WANG Fujin, ZHAO Zhibin, REN Jiaxin, et al. A transferable lithium-ion battery remaining useful life prediction method from cycle-consistency of degradation trend[J]. Journal of Power Sources, 2022, 521.

[26] PAULSON N H, KUBAL J, WARD L, et al. Feature engineering for machine learning enabled early prediction of battery lifetime[J]. Journal of Power Sources, 2022, 527.

[27] CATELANI M, CIANI L, FANTACCI R, et al. Remaining useful life estimation for prognostics of lithium-ion batteries based on recurrent neural network[J]. IEEE Transactions on Instrumentation and Measurement, 2021, 70.

[28] 盛瀚民, 肖建, 賈俊波, 等. 最小二乘支持向量機(jī)荷電狀態(tài)估計(jì)方法[J]. 太陽(yáng)能學(xué)報(bào), 2015, 36(6): 1453-1458.

SHENG Hanmin, XIAO Jian, JIA Junbo, et al. Estimation method for state of charge based on least square support vector machine[J]. Acta Energiae Solaris Sinica, 2015, 36(6): 1453-1458.

[29] 駱秀江, 張兵, 黃細(xì)霞, 等. 基于SVM的鋰離子電池SOC估算[J]. 電源技術(shù), 2016, 40(2): 287-290.

LUO Xiujiang, ZHANG Bing, HUANG Xixia, et al. Estimation of lithium battery SOC based on SVM[J]. Chinese Journal of Power Sources, 2016, 40(2): 287-290.

[30] KAI G, SAHA B, SAXENA A, et al. Prognostics in battery health management[J]. IEEE Instrumentation & Measurement Magazine, 2008, 11(4): 33-40.

[31] LIU D, PANG J, ZHOU J, et al. Prognostics for state of health estimation of lithium-ion batteries based on combination Gaussian process functional regression[J]. Microelectronics Reliability, 2013, 53(6): 832-839.

[32] 李嘉波, 魏孟, 葉敏, 等. 基于高斯過(guò)程回歸的鋰離子電池SOC估計(jì)[J]. 儲(chǔ)能科學(xué)與技術(shù), 2020, 9(1): 166-172.

LI Jiabo, WEI Meng, YE Min, et al. SOC estimation of lithium-ion batteries based on Gauss process regression[J]. Energy Storage Science and Technology, 2020, 9(1): 166-172.

[33] 孫丙香, 蘇曉佳, 馬仕昌, 等. 基于低頻阻抗譜和健康特征融合的鋰離子電池健康狀態(tài)主動(dòng)探測(cè)方法研究[J]. 電力系統(tǒng)保護(hù)與控制, 2022, 50(7): 23-30.

SUN Bingxiang, SU Xiaojia, MA Shichang, et al. An active detection method of li-ion battery health state based on low-frequency EIS and health feature fusion[J]. Power System Protection and Control, 2022, 50(7): 23-30.

[34] ZHANG Y, TANG Q, ZHANG Y, et al. Identifying degradation patterns of lithium ion batteries from impedance spectroscopy using machine learning[J]. Nature Communications, 2020, 11(1): 1-6.

[35] LI Xiaoyu, YUAN Changgui, LI Xiaohui, et al. State of health estimation for li-ion battery using incremental capacity analysis and Gaussian process regression[J]. Energy, 2022, 190.

[36] 黃志亮, 王懷興, 陽(yáng)同光, 等. 儲(chǔ)能鋰離子電池包單體內(nèi)部溫度壓力模擬[J]. 電力系統(tǒng)保護(hù)與控制, 2022, 50(15): 138-146.

HUANG Zhiliang, WANG Huaixing, YANG Tongguang, et al. Simulation of internal temperature and pressure for cells in an energy storage lithium-ion battery[J]. Power System Protection and Control, 2022, 50(15): 138-146.

[37] 呂超, 張爽, 朱世懷, 等. 儲(chǔ)能鋰離子電池包強(qiáng)制風(fēng)冷系統(tǒng)熱仿真分析與優(yōu)化[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(12): 48-55.

Lü Chao, ZHANG Shuang, ZHU Shihuai, et al. Thermal simulation analysis and optimization of forced air cooling system for energy storage lithium-ion battery pack[J]. Power System Protection and Control, 2021, 49(12): 48-55.

Review of machine learning for safety management of li-ion battery energy storage

CAI Tao, ZHANG Zhaocheng, YUAN Aote, SHI Zhiyuan, ZHANG Bohan

(State Key Laboratory of Advanced Electromagnetic Engineering and Technology(Huazhong University of Science and Technology), Wuhan 430074, China)

Currently the widespread application of electrochemical energy storage technology raises prominent concern on the safety operations of battery energy storage station. The traditional battery management system (BMS) can only support measurement of battery cell’s voltage, current and temperature. And due to limited hardware processing power, data bandwidth and network time delay, it is a key technical problem to master the healthy and safety of battery energy storage system with a large number of battery cells. The application of machine learning for lithium battery state prediction enables better safety management of battery energy storage system. For lithium-ion battery safety management requirements, this paper first provides an overview of related research on the mechanism of lithium battery abuse and thermal runaway. Then, the architecture of lithium-ion battery management system and its application characteristics are discussed and summarized, the usage of machine learning methods in the health and safety state analysis of lithium batteries are introduced in detail. Based on the above review, this paper provides a prospect of the safety management of lithium batteries in energy storage power stations.

li-ion battery energy storage; battery health and safety; machine learning

10.19783/j.cnki.pspc.221772

國(guó)家自然科學(xué)基金項(xiàng)目資助(U1966214)；武漢強(qiáng)磁場(chǎng)學(xué)科交叉基金項(xiàng)目資助(WHMFC202145)

This work is supported by the National Natural Science Foundation of China (No. U1966214).

2021-03-31；

2021-08-25

蔡 濤(1974—)，男，通信作者，博士，副教授，研究方向?yàn)閮?chǔ)能系統(tǒng)管理與充放電控制；E-mail: caitao@ hust.edu.cn

張釗誠(chéng)(2002—)，男，學(xué)士，研究方向?yàn)殡姎夤こ碳捌渥詣?dòng)化；E-mail: 2274325116@qq.com

袁奧特(1999—)，男，碩士研究生，研究方向?yàn)閮?chǔ)能電池安全管理與高效充放電。E-mail: 462098649@qq.com

(編輯 魏小麗)