大规模无标签数据助力电池管理：基于自监督机器学习与实车运行数据的电池老化诊断方法

第一作者：Qiao Wang

通讯作者：Bin Li, Weihan Li

通讯单位：长安大学, 亚琛工业大学

【研究背景】

发展电动汽车是全球能源系统变革、数字智能化经济建设的重大战略需求。锂离子电池因其能量密度高、使用寿命长、自放电率低等优点，是电动汽车最理想的储能系统之一。然而，作为电化学系统，锂离子电池在使用和储存过程中会出现容量和功率的持续衰减，从而引发潜在的寿命和安全问题。准确的锂离子电池老化诊断有利于提升整车系统的安全性与经济性，在电动汽车电池管理系统中扮演重要角色。然而，由于复杂的老化机制和实际应用场景下的不确定性，在实车应用中实现准确的电池老化诊断具有挑战性。

【工作简介】

近日，长安大学联合德国亚琛工业大学Weihan Li团队提出了一种基于自监督学习的电池老化诊断框架，充分挖掘实车无标签数据以提升电动汽车电池系统的老化诊断性能，有效减少了数据驱动的电池老化诊断方法对于昂贵电池测试的依赖性。通过20量真实电动汽车运行超过两年的电池系统老化数据集对所提框架的有效性进行验证。充分考虑实车电池系统的单体不一致性、充电行为的不确定性及模型的物理可解释性，为提高实际应用的可行性，所提框架仅需容量增量主峰电压区间内随机的片段充电数据作为输入。通过有效利用实际应用中的大量无标签数据，对比监督学习基准，所提框架最优与最差测试结果的均方根误差分别减少了74.54 %和60.50 %。测试结果凸显了通过自监督学习利用无标签数据在提升实车电池系统老化诊断性能、降低实验测试成本方面的巨大潜力。

【内容表述】

本文应用的数据集为20辆北汽EU300电动汽车在中国上海运行超过两年的实测数据。数据集包含充电阶段的电池组电压、电池组电流、最高单体电压、最低单体电压、最高温度、最低温度、能量和容量数据，采样周期为8秒。考虑到实车数据的测量精度较低且数据噪声较大，首先对数据集进行了预处理工作。如图1 (a)所示为预处理之后的实车容量退化数据，其中橙色曲线为1-2号电动汽车的容量退化数据，蓝色曲线为3-20号电动汽车的容量退化数据。数据预处理利用安时积分方程，通过单次充电数据的电流积分与荷电状态差值计算得到容量退化数据，并基于数理统计方法进行数据降噪。如图1 (b,c)所示，浅蓝色点代表直接计算得到的容量退化数据，橙色和蓝色曲线则分别代表以月为时间单位容量退化数据的平均值与中位值。由于求平均值的方法易受到离群值的影响，选用计算数据的中位值作为容量退化数据标签。如图1 (d-g)为1号电动汽车前4次充电的采集数据，表明实车采用的充电工况为多阶段的恒流充电工况，并根据电池组的温度对电流进行控制以防止安全问题的发生。如图1 (h,i)为单次充电1号车辆电池组内单体不一致性分析结果。

图1. 20辆真实电动汽车电池老化数据集. (a) 预处理容量退化数据. (b) 第1辆车计算容量的平均值. (c) 第一辆车计算容量的中位值. (d-g) 第1辆车前4次充电数据. (h) 第1辆车充电过程中的单体不一致性. (g) 第1辆车电池组内两块单体的充电容量增量曲线.

昂贵的特性测试、随机的充电行为、复杂的工作条件、数据噪声和单体不一致等因素对实车电池老化诊断提出了巨大挑战。为此，作者提出了一种基于自监督学习的电池老化诊断框架，充分挖掘实车无标签数据以提升电动汽车电池系统的老化诊断性能，且有效减少了数据驱动的电池老化诊断方法对于昂贵电池测试的依赖性。所提框架如图 2 (a)所示，为开发电动汽车的电池管理系统，工业界通常会对少量车辆进行高成本、高精度的测试及数据采集；同时，大量电动汽车在每天的实际应用中也会产生大量的无标签数据集。通过数据的无损压缩储存技术，所有数据在模型预训练阶段以自监督学习的方式实现有效特征的提取及模型梯度的下降；并在预训练完成之后，利用少量的测试数据集实现预训练模型的回归。所提框架可以确保模型同时学习有标签和无标签数据集的特征，从而提高实车电池老化诊断的准确性。此外，随着新生产车辆在实际运行中产生更多的无标签数据，预训练模型的参数也会随之更新，以持续学习的方式提高电池老化诊断的准确性和泛化能力。可视化的监督、半监督和自监督学习框架如图2 (b)所示。

图2. (a) 提出的实车电池老化诊断框架. (b) 可视化的全监督、半监督与自监督学习框架.

所提方法与两种基准方法的对比验证结果如图3所示，其中，监督与半监督基准模型的参数与所提方法相同。半监督基准由两个模型组成，分别为伪标签生成模型和容量估计模型，并形成了一个统一的框架。监督基准的模型结构、参数和训练算法均与所提方法相同，但离线训练仅基于两辆电动汽车的有标签数据。考虑到实际应用中充电行为的不确定性，老化诊断模型的输入仅为容量增量峰值电压区间内的随机充电数据片段，因此可以分别得到最优结果与最差结果。如图3 (d-i)所示，基于最大误差、均方根误差与平均绝对误差对容量估计结果进行对比分析。在最优表现时，所提框架的最大误差主要分布范围为0.85至0.16 Ah，且无异常值；均方根误差主要分布在0.15至0.015 Ah之间，且无异常值；平均绝对误差主要分布在0.054至0.019 Ah之间。相对应的，半监督学习基准的最大误差、均方根误差与平均绝对误差分别分布于1.35至0.30 Ah、0.31至0.077 Ah、0.10至0.04 Ah之间，存在均方根误差离群值0.75 Ah与平均绝对误差离群值0.331、0.245与0.204 Ah。作为对比，监督学习基准的最大误差、均方根误差与平均绝对误差主要分布在2.10至0.31 Ah、0.42至0.06 Ah、0.13至0.024 Ah之间，存在均方根误差离群值11.93与10.72 Ah、均方根误差离群值2.14与2.02 Ah、平均绝对误差离群值0.48与0.40 Ah。对比半监督学习基准，所提框架在最优表现时的平均最大误差、均方根误差与平均绝对误差分别减少了40.10%、50.73%与47.18%；对比监督学习基准则分别减少了76.10%、74.54%与55.84%。

图3. 所提框架与基准方法的对比验证结果. (a-c) 容量估计结果. (d-f) 最优测试结果的最大误差、均方根误差与平均绝对误差的对比. (g-i) 最差测试结果的最大误差、均方根误差与平均绝对误差的对比.

进一步，通过利用不同数量的有标签电动汽车数据对所提框架在不同有标签数据比例下的老化诊断性能进行了评估，确认最优的实车测试比例以供参考。其中，有标签数据的电动汽车为1至10辆不等，对应的实车测试比例为5至50%。老化诊断测试结果如图4所示，当仅有1辆电动汽车的有标签数据时，最优与最差结果的最大误差分别为1.94与18.05 Ah；当有标签数据的电动汽车增加到2辆时，相对应的最大误差分别为1.15与6.17 Ah；当有标签数据的电动汽车数量为9与10辆时，最优与最差结果的离群值最小，分别为1.11与5.94 Ah；当有标签数据车辆数量为4辆和8辆时，最优与最差结果的误差分别最为理想，分别分布于1.07至0.023 Ah与0.08至0.0183 Ah。因此，综合考虑测试成本、准确性及鲁棒性，10%的实车测试比例拟认为最优的测试比例。

图4. 基于不同实车测试比例的电动汽车电池组老化诊断结果.

【结论】

在这项工作中，提出了基于自监督机器学习的真实电动汽车电池组老化诊断框架。通过挖掘大量无标签实车数据的潜力，基于所提框架的实车电池老化诊断性能得到了显著增强。考虑到实际应用中充电行为的不确定性，所提框架仅需随机随机的充电片段即可实现有效的实车电池老化诊断。主要结论包括：通过有效利用大量的无标签实车数据，所提框架最优结果的平均最大误差、均方根误差与平均绝对误差分别减少了76.10%、74.54%与55.84%，最差结果相对应的误差分别减少了72.92%、60.50%与50.99%；所提框架充分考虑了实车充电行为的不确定性、电池组单体不一致性与物理可解释性，仅需容量增量主峰电压区间内随机的短充电片段作为输入；基于20辆真实电动汽车运行超过两年的老化数据集对所提框架进行实验验证，仅需2辆电动汽车的有标签数据即可实现精确的实车电池组老化诊断。

Qiao Wang, Min Ye, Sehriban Celik, Zhongwei Deng, Bin Li, Dirk Uwe Sauer, Weihan Li. Unlocking the potential of unlabeled data: Self-supervised machine learning for battery aging diagnosis with real-world field data. Journal of Energy Chemistry, 2024.

https://doi.org/10.1016/j.jechem.2024.08.037

原位电化学氧化还原精调MXene-Co-MOF至MXene/TiO2@Co3O4纳米片：活性与稳定性的双重飞跃

2024-09-15