01

背景

數據驅動的應用對電池狀態的預測和健康管理（Prognostics and health management, PHM）有著極大的幫助。使用數據驅動的方法對電池PHM進行研究，被視為一條解決大規模和多物理量電池系統內部復雜性的可行選擇[1]。這里我們總結了現有在電池PHM領域應用的機器學習方法以及各自的優缺點。

其中，Recurrent Neural Networks (RNNs) 遞歸神經網絡和Long Short-Term Memory (LSTM)長短時記憶模型被證明對電池狀態估計有效。對預測鋰離子電池全生命周期的SOC提供了有價值的研究[2]。RNNs和LSTM神經網絡模型應用在很多電池研究中，但由于電池多樣的內部容量、溫度和電流速率，這兩種模型也受到了很多挑戰。還有研究人員提出了一種增強的feedforward-long short-term memory (FF-LSTM) 前饋長短期記憶模型，考慮了電流、電壓和溫度的變化，準確預測了全生命周期的SOC。他們應用一種optimized sliding balance window優化滑動平衡窗口）來過濾測試電流；用一種新的三維向量作為濾波電流和電壓的輸入矩陣。在鋰離子電池的安全保證和剩余使用壽命 remaining useful life（RUL）預測方面，為了提升RUL預測的準確性，研究人員提出了anti-noise adaptive long short-term memory (ANA-LSTM) neural network抗噪聲自適應長短期記憶（ANA-LSTM）神經網絡模型[3]。這一網絡提取高魯棒性特征和最優參數特征，通過雙閉環觀測模型達成。盡管靈活的學習方法帶來了初步成效，但仍存在局限，大多數機器學習方法的可重復性和適用性還在研究中。

圖1 電池PHM的機器學習框架[2]

02

機器學習在PHM中的應用

機器學習在電池PHM中的應用，從電池SOH估計、RUL預測到異常探測、考慮健康的能量管理等各個方面都有著突出表現。每一個技術都在解決特殊問題上有特殊優勢。下面給出了不同機器學習算法在電池PHM不同研究方向的具體應用。

1. Supervised learning監督學習

現有大部分預測電池老化和電化學性能的機器學習方法都是Supervised learning監督學習。用這種方法，學習主體基于在訓練集中提供的示例對，發展了一種將輸入映射到輸出的功能。這讓他能準確識別測試集中未注釋的數據，尤其是在分類和回歸任務中[4]。在監督學習中，很好區別分類和回歸問題。前者用于把樣本分為不同類，后者用連續的值來量化樣本。因此，電池狀態的定量預測，如SOH和RUL通常被認為是回歸問題。相反的，識別缺陷、不健康或者錯誤的單體可以被視為多級分類問題。這些技術共同為準確的電池健康監測和管理全面工具集。

2. Unsupervised learning非監督學習

Unsupervised learning非監督學習在即使沒有明確反饋（即標記樣本）的基礎上，為學習輸入的復雜結構和模式提供了可能[5]。基于對觀測數據的低秩分解方法是無監督學習最基本的工具之一，例如動態聚類分析和主成分分析。電池PHM的應用，從性能特征到無損檢測、聚類分析，都為從參數空間角度利用樣本之間的時空結構提供了有效方法。即使沒有明顯注釋樣例，在每一個類/聚類都有共同屬性時，也可以用這種方法尋找隱藏模式[6]。在檢測大尺寸電池模組/包的異常和一致性方面已經使用了多年。Principal component analysis (PCA)主成分分析對檢測包含由許多相互關聯的定量因變量所定義的觀察結果的數據提供了基本工具。PCA有排除特征向量矩陣冗余信息和減少計算復雜度的能力[7]。

3. Reinforcement learning強化學習

Reinforcement learning 強化學習提供了系統化的方法，可以代替人力來破譯規則，增強操控環境的能力[8]。這些代理可以通過學習最大化獎勵和最小化懲罰來完成目標。隨著時間推移，他們努力優化這些行為，不論是獎勵還是懲罰。通過將強化學習和深度神經網絡融合，可以培養一個非常準確的評估者。這個評估程序學習如何基于過去的成功和失敗調整它的行為[9]。深度強化學習的兩個基本組成是環境和代理人。強化學習的目標是發展一個融合環境的策略。當運用在電池PHM時，代理是指電池管理系統（BMS）。BMS基于每一個可能行為的潛在收益，為當前應用和熱管理等做決定。這些決定是通過與電池模組代表的虛擬環境交互得到的。

表1 基于機器學習的電池預測和健康管理方法

0

參考文獻

[1]??? Y. Zhang, Y.-.F. Li, Prognostics and health management of Lithium-ion battery using deep learning methods: a review, Renewable Sustainable Energy Rev. 161 (2022), 112282.

[2]??? Zhao J, Feng X, Pang Q, et al. Battery prognostics and health management from a machine learning perspective[J]. Journal of Power Sources, 2023, 581: 233474.

[3]??? M. Aykol, P. Herring, A. Anapolsky, Machine learning for continuous innovation in battery technologies, Nat. Rev. Mater. 5 (10) (2020) 725–727.

[4]??? M. Berecibar, Accurate predictions of lithium-ion battery life, Nature 568 (7752) (2019) 325–326.

[5]??? Xu L, Wu F, Chen R, et al. Data-driven-aided strategies in battery lifecycle management: prediction, monitoring, and optimization[J]. Energy Storage Materials, 2023: 102785.

[6]??? C.H. Liow, H. Kang, S. Kim, M. Na, Y. Lee, A. Baucour, K. Bang, Y. Shim, J. Choe, G. Hwang, S. Cho, G. Park, J. Yeom, J.C. Agar, J.M. Yuk, J. Shin, H.M. Lee, H.R. Byon, E. Cho, S. Hong, Machine learning assisted synthesis of lithium-ion batteries cathode materials, Nano Energy 98 (2022), 107214.

[7]??? M. Aykol, P. Herring, A. Anapolsky, Machine learning for continuous innovation in battery technologies, Nat. Rev. Mater. 5 (10) (2020) 725–727.

[8]??? S. Wang, P. Takyi-Aninakwa, S. Jin, C. Yu, C. Fernandez, D.I. Stroe, An improved feed forward-long short-term memory modeling method for the whole-life-cycle state of charge prediction of lithium-ion batteries considering current-voltage temperature variation, Energy 254 (2022), 124224.

[9]??? S. Wang, Y. Fan, S. Jin, P. Takyi-Aninakwa, C. Fernandez, Improved anti-noise adaptive long short-term memory neural network modeling for the robust remaining useful life prediction of lithium-ion batteries, Reliab. Eng. Syst. Saf. 230 (2023), 108920.

審核編輯：黃飛

?