《Energy and AI》:Large format battery SoC estimation: An ultrasonic sensing and deep transfer learning predictions for heterogeneity
编辑推荐:
为解决大尺寸锂电池因内部异质性导致的荷电状态(SoC)估计不准确问题,研究人员开展了基于超声传感与深度迁移学习的研究。他们开发了一种机器学习引导的传感器优化布置和双向超声传感策略,并结合迁移学习框架,实现了高精度SoC估计,平均绝对误差(MAE)低至0.0173,R2达0.9958。该研究为电池管理系统(BMS)提供了非侵入式、实时且可靠的监测新方案。
随着电动汽车和电网储能系统的快速发展,大尺寸锂离子电池的应用日益广泛。然而,这些电池内部存在的温度、机械应力和老化程度的空间非均匀性,给准确估计其荷电状态(State of Charge, SoC)带来了巨大挑战。SoC是电池管理系统(Battery Management System, BMS)的核心参数,直接影响着电池的能量利用率、寿命和安全性。传统的SoC估计方法,如库仑计数法(Coulomb counting)和开路电压(Open-Circuit Voltage, OCV)测量法,存在漂移误差大、需要静置时间长等问题,难以满足实时应用需求。电化学模型虽然能提供深入洞察,但计算复杂,不适合在线部署。因此,开发一种能够捕捉电池内部异质性、实现精准实时SoC估计的新技术迫在眉睫。
近期,超声传感技术作为一种非侵入式监测手段展现出巨大潜力。该技术通过分析穿透电池的超声波信号(如飞行时间Time-of-Flight, ToF、衰减特性)来反映电解质和电极的机械与声学特性变化,这些变化与SoC密切相关。超声传感的优势在于无需静置即可实时监测,并能检测到传统电学方法难以捕捉的内部机械应力、锂析出等现象。然而,将超声传感应用于大尺寸电池的SoC估计仍面临挑战,例如传感器的最佳布置、信号解读的复杂性,以及如何从有限的超声数据中高效学习。
为了解决上述问题,由Hamidreza Farhadi Tolie、Benjamin Reichmann、James Marco、Zahra Sharif Khodaei和Mona Faraji Niri组成的研究团队在《Energy and AI》上发表了一项创新性研究。他们提出了一种结合超声传感和深度迁移学习的框架,用于精确估计大尺寸电池的SoC。该研究不仅探索了最优的传感器配置,还引入了双向传感和先进的深度学习模型,显著提升了估计精度和鲁棒性。
研究人员为开展此项研究,主要应用了几项关键技术:首先,他们利用机器学习模型(包括高斯过程回归GPR、支持向量回归SVR等)系统地评估了12种可能的超声传感器激励-接收路径,以确定最优布置方案。其次,他们创新性地采用了双向超声传感策略,即信号在两个相反方向上传送,以丰富信息内容。第三,为了解决超声数据量有限的问题,研究团队将一维超声信号转换为二维波形图像,并利用迁移学习技术,微调了多种预训练的卷积神经网络(Convolutional Neural Network, CNN)模型(如VGG16, ResNet18, DenseNet等),直接从图像中提取与SoC相关的特征。实验所用电池为12.5 Ah的NMC锂离子软包电池,传感器为四个表面贴装的压电陶瓷片。
3.1. 最佳路径选择结果
通过比较不同传感器路径的SoC预测性能,研究发现,位于电池端子附近的传感器3和4之间的路径(特别是从传感器4到3的方向)表现最佳,其MAE最低(0.0458)。这归因于较短的路径长度减少了信号反射和噪声。进一步分析表明,采用双向信号(即同时考虑传感器4→3和3→4的路径)比单一方向能获得更准确的估计结果(MAE降至0.0265,R2提升至0.9492),说明双向传感能更有效地捕捉与SoC相关的内部结构变化。
3.2. SoC估计的基准性能比较
研究人员将提出的深度学习框架与传统的扩展卡尔曼滤波(Extended Kalman Filter, EKF)、无迹卡尔曼滤波(Unscented Kalman Filter, UKF)以及最佳机器学习模型(GPR)进行了对比。结果表明,基于ResNet18骨干网络的深度学习框架取得了最优性能,其MAE为0.0173,RMSE为0.0215,R2高达0.9958,并且推理时间仅需0.0130秒,远快于EKF和UKF。这证明了该框架在精度和效率上的双重优势,且其不依赖于历史数据,避免了累积误差。
3.3. 消融研究
为了验证迁移学习的贡献,研究进行了消融实验。结果显示,仅使用信号分支(未采用迁移学习)的模型性能显著较差(MAE=0.0722, R2=0.8895),而引入基于图像和迁移学习的完整框架后,性能大幅提升(MAE=0.0173, R2=0.9958)。这证实了利用预训练CNN模型从超声波形图像中提取层次化特征的有效性,特别是在小数据集情况下能有效防止过拟合。
3.4. 实时部署考量
尽管MobileNet等轻量级模型参数更少,但实测运行时ResNet18反而表现出更低的延迟。分析指出,这是由于ResNet18使用的标准卷积操作在现有深度学习框架中得到了高度优化。这表明ResNet18更适合于电池管理系统对实时性的要求。
4.1. 分布式SoC估计
讨论部分指出,传统SoC估计方法(如库仑计数)的误差会传递给监督学习模型。本研究通过超声传感提供了另一种视角。研究发现,不同传感器路径的性能差异(例如,路径4→3/3→4的MAE为0.0173,而路径2→1/1→2的MAE为0.0308)反映了大尺寸电池内部SoC分布的空间异质性。这强调了根据电池工作状态动态选择传感策略的重要性,为实现更精确的分布式SoC估计提供了方向。
4.2. 迈向自监督的SoC估计
研究进一步探讨了摆脱对库仑计数等有误差标签依赖的可能性。通过对不同SoC下的超声信号进行主成分分析(Principal Component Analysis, PCA),发现信号在降维空间中呈现出与SoC相关的可区分聚类。这预示着未来可以通过自监督学习(如对比学习SimCLR、MoCo等)直接从超声信号中学习表征,从而实现更鲁棒、可扩展且适应老化效应的SoC估计。
4.3. 超声传感的适用性与集成
尽管超声传感需要额外的硬件,但近年来毫米级压电传感器的技术进步使其集成变得可行,且对电池体积和性能影响微小。材料(如PZT, PVDF)的改进也降低了成本。
本研究成功证明了一种结合优化超声传感和深度迁移学习的高精度、高效率SoC估计框架。该框架能有效应对大尺寸电池的内部异质性挑战,为下一代电池管理系统的开发提供了强有力的技术支撑。未来工作将重点研究电池老化对超声传播的影响,优化传感器数量和布置,并探索自监督学习策略,以期最终实现不依赖于误差标签的、更自主和自适应的SoC估计系统,推动超声传感在电池健康管理中的实际应用。