寫在前面的話

技術(shù)可以促進社會進步這是個一般規(guī)律。

高速的通訊技術(shù)使得短視頻迅速普及到每個人的智能手機上，在刻板的電視主持人還在正襟危坐老生常談的時候，人們已經(jīng)不再打開電視了。

短視頻迅速打開了人們學習各個門類知識的大門，從音樂、舞蹈、球類、健身，到教培、寫作，再到旅行、美食，博主們也覆蓋了從伊春的林工到阿富汗的中國商人，甚至包括那些剛剛失去房屋的洛杉磯富豪。

以美食烹調(diào)視頻為例，從街頭炒粉，新疆手抓飯甚至米其林大廚烹調(diào)海鮮，幾乎是面面俱到，應有盡有。

與此前普通人的想象不同，大部分廚師烹調(diào)美味并沒有什么特殊的手上技術(shù)，有的只是對于烹調(diào)的刀工、火候、咸淡、甜鮮的精確而又復雜的控制。一個復雜的燉菜可能需要先花一天時間燉湯。

那么即便看上十遍視頻，我們也只是知道了其基本程序，對于為什么有這個烹調(diào)步驟并不了解。

一項復雜的技術(shù)學習，需要眼會心會，也需要手會身會；需要知其然，也要知其所以然。

以AI算法這個似乎很難定義的概念來說，我們雖然知道AI技術(shù)將在工業(yè)設計、工業(yè)仿真的各個方面發(fā)揮巨大作用，但是對于具體的工作來說，選用哪項AI方法，以及為什么選用這種方法可能更重要。

AI已經(jīng)向仿真大步走來，對于仿真來說是時候擁抱AI方法了！

AI技術(shù)應用于電動汽車鋰離子電池狀態(tài)估計

嚴重能源危機的迫在眉睫的威脅，加上實現(xiàn)碳中和的需要，促使各國政府促進電動汽車 （EV） 的開發(fā)和使用，作為一種可持續(xù)的交通方式;從而歸因于化石能源消耗和碳排放的聯(lián)合緩解。鋰離子電池 （LIB） 因其能量密度高、壽命長、充電速率快、工作電壓平臺高和自放電低等優(yōu)點而成為電動汽車的首選電池類型。由于 LIB 電池組是電動汽車中最昂貴的組件之一，因此正確估計 LIB 的狀態(tài)是最小化過度設計成本和提高車輛整體效率、安全性和可靠性的關(guān)鍵。因此，電動汽車電池管理系統(tǒng) （BMS） 的軟件設計投入了大量精力，以實時執(zhí)行準確的充電狀態(tài) （SOC） 和健康狀態(tài) （SOH） 估計。

SOC 表示電池相對于其容量的充電水平，而 SOH 表示電池相對于電池容量損失或電阻增加的老化程度。由于 SOC 和 SOH 都是不可測量的，因此必須準確估計這兩個參數(shù)，以避免發(fā)生過充電和深度放電。這種估計可以通過各種在線和離線方法實現(xiàn)，這些方法在復雜性和準確性方面有所不同。然而，溫度差異、電磁干擾和外部干擾的影響導致 SOC 估計在基于 EV 的 LIB 上下文中成為一個規(guī)則的非線性不穩(wěn)定問題。由于影響電池退化和性能的外部和內(nèi)部因素有很多，因此估計 LIB 的 SOH 更具挑戰(zhàn)性。這些因素的顯著例子包括不確定的電動汽車駕駛條件和 LIB 電池內(nèi)部發(fā)生的復雜物理化學反應。

經(jīng)典電池狀態(tài)估計方法

開路電壓 （OCV） 方法是一種簡單的離線 SOC 估計技術(shù)，其有效性基于 LIB 端電壓與 SOC 之間的相關(guān)性。然而，只有當與當前基于集成的在線 SOC 估計技術(shù)（稱為庫侖計數(shù)）結(jié)合使用時，這種方法才與 EV 應用相關(guān)。除此之外，通常采用卡爾曼濾波 （KF） 算法來糾正 SOC 估計誤差。這種混合方法的缺點是它們是計算密集型的，并且需要精確的 LIB 模型才能有效。它們也不考慮環(huán)境溫度對 LIB 性能的影響。相對于容量估計的 SOH 方法通?；趨⒖?SOC 點之間的安時 （Ah） 計數(shù)，而用于電阻估計的 SOH 方法則更加多樣化;范圍從電壓-電流比變化的簡單平均到遞歸算法。為了確保上述方法運行良好，通常需要進行大量的電池測試來對所使用的算法進行建模和參數(shù)化。需要更強大和復雜的狀態(tài)估計技術(shù)來處理電動汽車的 BMS 傳感器誤差以及不確定的模型知識。

機器學習方法

機器學習 （ML） 本質(zhì)上具有從數(shù)據(jù)中自我學習的潛力，對物理系統(tǒng)數(shù)學模型的依賴最小，從而提供了一種有效的解決方案來處理增加的系統(tǒng)復雜性和不確定性。隨著 ML 應用的最新技術(shù)突破，數(shù)據(jù)驅(qū)動的 ML 模型正逐漸用于電池狀態(tài)估計。這些 ML 方法可以實際解決 EV BMS 測量的 LIB 數(shù)據(jù)（或信號）中發(fā)現(xiàn)的非線性和不穩(wěn)定性問題。它們基于大量離線 LIB 充電/放電測試周期數(shù)據(jù)運行，從原始電壓、電流和溫度數(shù)據(jù)中提取的特征通常用作訓練輸入，以建立 SOC 或 SOH 的映射模型。通常，基于 ML 的映射模型包括神經(jīng)網(wǎng)絡 （NN）、支持向量機 （SVM） 和深度學習（DL）方法。大量公開可用的電池數(shù)據(jù)集也使得通過將數(shù)據(jù)分析與高級 ML 算法相結(jié)合來提高 BMS 性能變得相關(guān)。在基于 ML 方法的在線 SOC 和 SOH 估計的上下文中，主要的計算負載需求僅發(fā)生在 ML 模型的離線訓練階段;因此，允許在 BMS 硬件中對經(jīng)過訓練的 ML 模型進行可行的板載部署。

前饋神經(jīng)網(wǎng)絡

FNN 根據(jù)任意數(shù)量的輸入和輸出執(zhí)行非線性映射，使自己成為最簡單的 NN 之一。它的基本結(jié)構(gòu)包括一個具有多個輸入和一個輸出的單個隱藏層感知器。只能發(fā)生單向的信息流，從輸入層到輸出層（通過隱藏的神經(jīng)元，如果有）。除了設置 FNN 的層配置外，還必須根據(jù)理論假設選擇非線性激活函數(shù)。

遞歸神經(jīng)網(wǎng)絡

與 FNN 相比，RNN 以閉環(huán)方式使用過去的信息，其中一層的輸出成為下一層的輸入，該層通常是網(wǎng)絡中的唯一層;因此，層的輸出成為自身的 Input。這允許網(wǎng)絡記住先前的狀態(tài)，從而影響電流輸出。這種差異的一個主要影響是，與 FNN 不同，RNN 也可以利用順序輸入數(shù)據(jù)來生成順序輸出數(shù)據(jù)，使其在需要處理時間分段輸入數(shù)據(jù)序列的應用中是可行的。例如，SOC 為k?1可以作為時間步的輸入分配給網(wǎng)絡k.如果需要短期序列依賴性，則認為這種方法是合適的;但對于 LIB 中觀察到的長期依賴關(guān)系來說，可能并不理想。這種 RNN 變體面臨的挑戰(zhàn)與其訓練過程相關(guān)，其中在反向傳播過程中，錯誤可能會爆炸或消失。為了克服這一缺點，發(fā)明了改進的 RNN 變體，例如門控循環(huán)單元 （GRU）、長短期記憶 （LSTM） 和雙向 LSTM （bi-LSTM）。它們基本上是用門組裝而成的 NN，這些門跨越時間數(shù)據(jù)依賴性遍歷當前可用的數(shù)據(jù)。這種 DL 方法對于解決涉及時間序列或長序列數(shù)據(jù)的問題非常有用，因為它能夠調(diào)用過去的信息。

支持向量機

SVM 通常用于解決涉及分類和回歸的問題。它努力在高維空間中建立超平面，以便根據(jù)其獨特的類來分離數(shù)據(jù)。當從超平面到任何類的最近數(shù)據(jù)點的距離最大化時，很明顯獲得了最優(yōu)的分離邊界。電池狀態(tài)估計通常需要回歸學習方法，該方法以順序方式最小化誤差函數(shù)。因此，考慮采用 SVM 的廣義回歸變體是合適的，稱為支持向量回歸 （SVR）。此方法能夠解決不可線性可分數(shù)據(jù)的回歸問題。

比較機器學習方法的準則

選擇可行的 ML 方法是一個多方面的問題，它與可用數(shù)據(jù)量、所需結(jié)果的質(zhì)量以及所需 ML 模型的物理可解釋性有關(guān)。通?？梢曰谝韵虏呗赃M行選擇：

對涉及數(shù)據(jù)驅(qū)動的 FNN、RNN 和 SVM 變體的最新 ML 方法進行批判性分析。

確定用于模型訓練和 ML 方法驗證的數(shù)據(jù)配置文件。

確定提取的數(shù)據(jù)特征（即模型輸入）。

確定實驗的 LIB 類型和溫度。

比較 ML 方法的狀態(tài)估計誤差。

根據(jù)相關(guān) ML 方法的性能評估其可信度，并確定它們在實際 EV 應用中的實用性。

荷電狀態(tài) （soc） 估計

估計的 SOC 用作電動汽車的能量計，它構(gòu)成了 SOH、電池平衡和功率計算。

方法1

FNN 與無跡 KF （UKF） 算法相結(jié)合，以減輕其 SOC 估計誤差。它基于真實的 LIB 數(shù)據(jù)進行訓練，這些數(shù)據(jù)是使用汽車認證駕駛循環(huán) US06、FUDS 和動態(tài)應力測試 （DST） 在 0°C 至 50°C 的不同溫度下得出的。

方法2

將個 LSTM 堆疊在一起，以增加 NN 的深度和精度。這種方法巧妙地捕捉了 SOC 和可測量信號之間的非線性相關(guān)性，并且在跟蹤性能方面優(yōu)于 UKF。但是，堆疊也會使 NN 更難訓練，并增加過擬合的風險。

方法3

使用一種稱為外生輸入非線性自回歸 NN （NARXNN） 的非門控 RNN 來提高模型輸入的計算效率;以及照明搜索算法 （LSA），用于發(fā)現(xiàn)隱藏神經(jīng)元、輸入延遲和反饋延遲的最佳融合，以提高模型的準確性。

健康狀態(tài)SOH估計

方法1

為了加快從恒流 （CC） 充電和放電曲線中提取的間隔 HI 的處理，使用基于動態(tài)時空注意力的 GRU （DSTA-GRU），它聚合了空間和時間注意力，捕獲了局部空間模式，并減輕了長期依賴性。

方法2

以雙 LSTM為特色，采用經(jīng)驗模態(tài)分解 （EMD） 和灰色關(guān)系分析 （GRA） 來減輕 NN 的訓練負擔;首先通過對從 BMS 獲得的復雜信號進行去噪，然后識別與 LIB 容量衰減具有很強相關(guān)性的 HI。

結(jié)論

研究發(fā)現(xiàn)，F(xiàn)NN 和 RNN 變體在類似于真實世界 EV 駕駛場景的雜色條件下實現(xiàn)高度準確的估計方面都相對有效。這些 ML 方法擅長捕獲非線性 LIB 特性，而無需依賴電池模型或添加的 KF。即便如此，NN 的性能閾值仍受到調(diào)整后的超參數(shù)和訓練持續(xù)時間的抑制。

本文摘自：Wesley Q., 2022, A Review of Machine Learning Applications for Li-Ion Battery State Estimation in Electric Vehicles