陆盈盈/童哲铭EnSM: 混合集成学习模型预测考虑极化恢复的电池容量衰减

容量波动会显著影响电池放电容量的预测精度，引起波动的主要原因可能是当电池不再充放电时发生了电荷重新分配，然后电池倾向于重建新的电化学平衡状态。上述过程被称为极化恢复，它是一种显著影响锂离子电池（LIB）容量衰减行为的现象。

在此，浙江大学陆盈盈研究员、童哲铭研究员等人研究了极化恢复对容量波动的影响，以提高LIB放电容量的预测精度。研究表明，较长的弛豫时间可帮助电池保持较长的极化恢复阶段，使粒子分布均匀。此外，作者研究了弛豫时间、弛豫状态和健康状态（SOH）对LIBs容量波动的影响，并计算了Spearman秩相关系数和Pearson线性相关系数来分析不同参数之间的相关性。结果表明，可利用对容量波动有显著影响的参数来提高容量预测模型的准确性。

为此，作者开发了一种基于双 LSTM网络、多元回归和蒙特卡罗模拟（MC）的混合集成学习（HEL）模型。其中，两个具有滑窗的“多对一（M2O）”结构 LSTM 网络作为容量预测方法的核心。同时，作者引入多项式回归模型以减少具有滑窗的M2O LSTM的累积误差，然后利用MC模拟和线性回归来检测容量波动并消除相应的误差。

图1. 被测电池不同参数之间的相关性分析

具体而言，作者基于包含23078个循环数据的两个LIB降解数据集（LFP：LiFePO₄/石墨；NCA：LiNi_0.8Co_0.15Al_0.05O₂/石墨）验证所提出的混合学习方法。分析表明，与简单的LSTM相比，HEL方法在RMSE和MAE方面的预测误差分别减少了80.15% 和82.30%，表明HEL方法显著降低了容量波动的影响。

因此，所提出的HEL方法在预测和泛化性方面表现出令人满意的性能。与现有方法相比，该方法捕捉容量波动并根据健康指标进行更准确地描述。然而，仍需额外的实验来构建更广泛的电池数据集，以考虑未来温度和充放电倍率的影响。总之，本研究中开发的容量衰减模型在推进电池单元的SOH估计及在复杂运行条件下针对许多电池供电的存储系统增强寿命管理系统的设计方面显示出巨大的潜力。

图2. 基于HEL方法的六个样本的容量预测结果

Prediction of Li-ion battery capacity degradation considering polarization recovery with a hybrid ensemble learning model, Energy Storage Materials 2022. DOI: 10.1016/j.ensm.2022.05.026

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/08/2da6a82640/

陆盈盈/童哲铭EnSM: 混合集成学习模型预测考虑极化恢复的电池容量衰减

相关推荐