基于LightGBM的電動汽車行駛工況下電池剩余使用壽命預(yù)測

肖 遷 焦志鵬 穆云飛 陸文標(biāo) 賈宏杰

基于LightGBM的電動汽車行駛工況下電池剩余使用壽命預(yù)測

肖 遷1焦志鵬2穆云飛1陸文標(biāo)1賈宏杰1

（1. 天津大學(xué)智能電網(wǎng)教育部重點(diǎn)實(shí)驗(yàn)室 天津 300072 2. 省部共建電工裝備可靠性與智能化國家重點(diǎn)實(shí)驗(yàn)室（河北工業(yè)大學(xué)） 天津 300130）

行駛工況下電動汽車鋰離子電池剩余使用壽命（RUL）衰退情況復(fù)雜，準(zhǔn)確的RUL預(yù)測可為電池的定期維護(hù)和安全穩(wěn)定運(yùn)行提供指導(dǎo)，避免安全隱患。為此，該文提出一種適用于行駛工況下電動汽車電池的RUL預(yù)測方法。首先，針對行駛工況，提出一種基于輕量型梯度提升機(jī)（LightGBM）的RUL預(yù)測模型，利用元學(xué)習(xí)超參數(shù)優(yōu)化方法對其進(jìn)行超參數(shù)調(diào)優(yōu)；其次，搭建行駛工況下電池全生命周期容量測試系統(tǒng)，模擬行駛工況下電池所受振動應(yīng)力、充放電應(yīng)力環(huán)境和測試電池容量衰退情況；然后，基于動態(tài)時間規(guī)整對容量衰退的相似性分析結(jié)果，使用生成對抗網(wǎng)絡(luò)（GAN）生成新的容量序列；最后，通過實(shí)驗(yàn)數(shù)據(jù)驗(yàn)證所提模型和生成容量序列的有效性。

電動汽車 行駛工況 鋰離子電池 剩余使用壽命 輕量型梯度提升機(jī)

0 引言

現(xiàn)如今的電池市場上，動力電池主要包括鉛酸電池、鎳氫電池和鋰離子電池等。其中，鋰離子電池因其在能量密度、循環(huán)壽命、自放電率、充放電性能、工作溫度范圍等性能方面的優(yōu)良表現(xiàn)，在電動汽車（Electric Vehicle, EV）或者混合電動汽車（Hybrid Electric Vehicle, HEV）等領(lǐng)域得到廣泛應(yīng)用[1]。然而，隨著鋰離子電池循環(huán)充放電次數(shù)的增加，電池內(nèi)部的電化學(xué)反應(yīng)加劇，除了鋰離子脫嵌發(fā)生的氧化還原反應(yīng)外，還存在許多的副反應(yīng)，如電解液分解、活性物質(zhì)溶解、金屬鋰沉積等，這些副反應(yīng)導(dǎo)致電池容量衰減[2]。在電動汽車實(shí)際行駛工況下，電池的工作環(huán)境和性能衰退情況復(fù)雜，電池剩余使用壽命（Remaining Useful Life, RUL）的準(zhǔn)確預(yù)測可為電池的定期維護(hù)和安全穩(wěn)定運(yùn)行提供指導(dǎo)[3]。

電池剩余使用壽命是電池可用容量衰減至標(biāo)準(zhǔn)容量的70%～80%（電池服役結(jié)束）前所經(jīng)歷的充放電循環(huán)次數(shù)。目前，國內(nèi)外學(xué)者和企業(yè)已對電池RUL預(yù)測方法展開研究[4]，如基于模型驅(qū)動的粒子濾波[5]、卡爾曼濾波[6]、退化機(jī)理模型[7]、經(jīng)驗(yàn)老化模型[8-9]；基于數(shù)據(jù)驅(qū)動的支持向量機(jī)[10-11]、支持向量回歸[12]、神經(jīng)網(wǎng)絡(luò)[13]、高斯回歸[14]、蒙特卡洛模擬[15]和極限梯度提升（eXtreme Gradient Boosting, XGBoost）[16]等。基于模型驅(qū)動的預(yù)測效果取決于電池模型，但電池模型無法完全反映內(nèi)部復(fù)雜的電化學(xué)動態(tài)特性，在一定程度上影響預(yù)測效果。基于數(shù)據(jù)驅(qū)動的預(yù)測方法可以擺脫對電池模型的依賴性，提升泛化能力。

在基于模型驅(qū)動的RUL預(yù)測方面，文獻(xiàn)[5]應(yīng)用粒子濾波算法將不可觀測的狀態(tài)量與物理模型相結(jié)合進(jìn)行RUL預(yù)測，考慮預(yù)測的不確定性；文獻(xiàn)[6]應(yīng)用卡爾曼濾波算法觀測電池狀態(tài)，預(yù)測剩余使用壽命，但以上兩種預(yù)測方法均未能考慮可變負(fù)載工況。文獻(xiàn)[7]探究不同溫度應(yīng)力下電池容量退化規(guī)律，構(gòu)建電池退化機(jī)理模型進(jìn)行RUL預(yù)測；文獻(xiàn)[8-9]分別利用電池全生命周期測試數(shù)據(jù)和電化學(xué)交流阻抗譜構(gòu)建電池經(jīng)驗(yàn)退化模型，完成RUL預(yù)測，以上兩種預(yù)測模型均能考慮電池性能衰減和老化的關(guān)鍵因素，但這兩種預(yù)測方法需要龐大的計算量和復(fù)雜的物理模型。

基于數(shù)據(jù)驅(qū)動的RUL預(yù)測方面，文獻(xiàn)[11-12]分別利用支持向量機(jī)（Support Vector Machine, SVM）和支持向量回歸（Support Vector Regression, SVR）等相關(guān)向量機(jī)算法解決RUL預(yù)測過程中的非線性數(shù)據(jù)處理和時間序列預(yù)測問題，但未能考慮充放電應(yīng)力和外界因素等應(yīng)力條件。文獻(xiàn)[13]利用非線性自回歸神經(jīng)網(wǎng)絡(luò)，通過捕捉電壓下降趨勢和電壓分線性變化對RUL進(jìn)行預(yù)測；文獻(xiàn)[14]基于高斯回歸模型，結(jié)合模糊理論，解決RUL預(yù)測中的不確定性問題；文獻(xiàn)[15]利用蒙特卡洛模擬算法，避免設(shè)計老化試驗(yàn)的困難，但上述三種預(yù)測方法均需要大量歷史數(shù)據(jù)。文獻(xiàn)[16]從放電曲線提取特征值，利用XGBoost算法構(gòu)建電池狀態(tài)非線性模型，但XGBoost采用的是傳統(tǒng)的Boosting集成學(xué)習(xí)方式，即需要在預(yù)測時多次遍歷整個訓(xùn)練集，選取最佳的分割點(diǎn)，效率較低。

綜上所述，基于模型驅(qū)動的預(yù)測方法受限于龐大的計算量和復(fù)雜的物理模型，難以滿足復(fù)雜工況下RUL預(yù)測的需求。基于數(shù)據(jù)驅(qū)動的預(yù)測方法能夠擺脫對模型的依賴，有效應(yīng)對非線性數(shù)據(jù)，在時間序列預(yù)測方面有較好表現(xiàn)。但是，現(xiàn)有預(yù)測方法在預(yù)測時需遍歷整個訓(xùn)練集，計算效率較低，內(nèi)存消耗較大。在不犧牲速度的前提下，為充分利用數(shù)據(jù)，輕量型梯度提升機(jī)（Light Gradient Boosting Machine, LightGBM）[17]和隨機(jī)森林（Random Forest, RF）采用Bagging集成學(xué)習(xí)方式，能夠提升訓(xùn)練效率，降低時間復(fù)雜度，通過直方圖優(yōu)化、單邊梯度采樣（Gradient-based One-Side Sampling, GOSS）、互斥稀疏特征綁定（Exclusive Feature Bundling, EFB），以及深度限制的按葉子生長（leaf-wise）方式，可降低樣本和特征維度，減小內(nèi)存使用率，進(jìn)一步降低時間復(fù)雜度。

因此，為準(zhǔn)確預(yù)測行駛工況下電池剩余使用壽命，本文基于LightGBM回歸模型，構(gòu)建行駛工況下電池RUL預(yù)測模型，采用元學(xué)習(xí)超參數(shù)優(yōu)化方法（Hyper-parameter optimization, Hyperopt）對預(yù)測模型進(jìn)行超參數(shù)調(diào)優(yōu)，減輕人工調(diào)參負(fù)擔(dān)。本文利用行駛工況下電池全生命周期容量測試數(shù)據(jù)，從容量回彈處預(yù)測效果、時間復(fù)雜度、內(nèi)存使用率和預(yù)測準(zhǔn)確度等方面評估預(yù)測效果，驗(yàn)證所建RUL預(yù)測模型的有效性。最后，本文通過LightGBM模型驗(yàn)證生成對抗網(wǎng)絡(luò)（Generative Adversarial Networks, GAN）生成的容量序列的可行性，以期減少實(shí)驗(yàn)周期，節(jié)約實(shí)驗(yàn)成本。

1 剩余使用壽命預(yù)測模型

1.1 輕量型梯度提升機(jī)

設(shè)O為基模型一個固定節(jié)點(diǎn)內(nèi)的數(shù)據(jù)集。此節(jié)點(diǎn)處特征在分割點(diǎn)的方差增益定義為

LightGBM和XGBoost是基于GBDT的框架進(jìn)行優(yōu)化發(fā)展而來的，本文對三者進(jìn)行比較，其區(qū)別見表1。

表1 LightGBM與GBDT和XGBoost對比情況

Tab.1 Comparison between LightGBM and GBDT with XGBoost

1.2 基于多線程并行直方圖的訓(xùn)練方式

LightGBM所采用的直方圖優(yōu)化策略是一種數(shù)據(jù)離散化處理方法，其基本思想：針對每一維特征，將連續(xù)的浮點(diǎn)型數(shù)據(jù)劃分進(jìn)離散的個范圍內(nèi)，得到個“桶”（bin），構(gòu)造一個寬度為的直方圖，如圖1所示。遍歷數(shù)據(jù)時，在直方圖的每個“bin”中對作為索引的離散值進(jìn)行累積。遍歷一次數(shù)據(jù)后，得到每個“bin”內(nèi)的累積量。由此，在尋找決策樹最優(yōu)分割點(diǎn)時，無需對特征值進(jìn)行逐個對比，從而大大減少運(yùn)算量，提高訓(xùn)練速度。此外，針對含有噪聲的數(shù)據(jù)（真實(shí)值附近存在小范圍內(nèi)波動），如果模型擁有較強(qiáng)的逼近能力，將會學(xué)習(xí)到這些波動，以至于出現(xiàn)過擬合現(xiàn)象。應(yīng)用直方圖優(yōu)化策略，處于一定區(qū)間內(nèi)每維特征會被劃分進(jìn)同一個“bin”，從而獲得同樣的索引，因此，可以顯著改善噪聲引起的過擬合現(xiàn)象。

圖1 直方圖優(yōu)化方式示意圖

1.3 基于GOSS的特征和數(shù)據(jù)處理

原始的GBDT采用“損失函數(shù)的負(fù)梯度近似等于殘差”的處理方式，與LightGBM的Bagging相比，其他基于Boosting方式的樹模型算法在每一次構(gòu)建決策樹時，采用隨機(jī)采樣策略抽取一定數(shù)量的樣本參與決策樹的構(gòu)建，進(jìn)行梯度更新。而LightGBM算法采用梯度單邊采樣策略，有針對性地將梯度較大的樣本用于構(gòu)建決策樹，同時將隨機(jī)采樣梯度較小的樣本進(jìn)行放大后也用于構(gòu)建決策樹，從而保證樣本的數(shù)據(jù)分布的完整性。

GOSS處理流程如圖2所示。

圖2 GOSS處理流程

1.4 帶深度限制的Leaf-wise生長方式

按層生長（Level-wise）和按葉生長的兩種方式示意圖如圖3所示。傳統(tǒng)的決策樹采用按層生長的生長方式，很多節(jié)點(diǎn)分裂后只能獲得很低的信息增益，對分類結(jié)果影響較小，全部分裂會帶來龐大的運(yùn)算量，降低模型訓(xùn)練速度。而LightGBM使用按葉生長的生長方式是在每一次節(jié)點(diǎn)分裂時，選擇增益最大的葉子節(jié)點(diǎn)進(jìn)行生長，限制模型的復(fù)雜度，提升訓(xùn)練速度，避免出現(xiàn)過擬合。

圖3 Leaf-wise生長方式示意圖

1.5 Hyperopt-LightGBM模型

人工調(diào)參不僅耗時而且效果不好，基于Hyperopt超參數(shù)優(yōu)化框架可實(shí)現(xiàn)序列預(yù)測模型的超參數(shù)優(yōu)化，減輕人工調(diào)參負(fù)擔(dān)，提升準(zhǔn)確性。Hyperopt- LightGBM模型預(yù)測具體步驟如下：

（1）數(shù)據(jù)處理：基于多線程并行直方圖的訓(xùn)練方式和GOSS處理方式，對數(shù)據(jù)進(jìn)行預(yù)處理，降低樣本數(shù)據(jù)和特征維度，然后分別將數(shù)據(jù)集的40%、50%和60%設(shè)置為訓(xùn)練集。

（2）LightGBM模型構(gòu)建：選取模型參數(shù)：'bagging_fraction' 'num_threads', 'feature_fraction', 'max_depth', 'lambda_l1', 'lambda_l2', 'learning_rate', 'num_leaves', 'min_data_in_leaf', 'min_sum_hessian_ in_leaf'，'num_trees'；基于Leaf-wise生長方式，對決策樹的深度進(jìn)行限制，從而降低模型復(fù)雜度。

（3）Hyperopt獲取LightGBM最佳模型：基于Hyperopt，對步驟（2）中的模型參數(shù)進(jìn)行參數(shù)空間定義；創(chuàng)建LightGBM模型工廠和分?jǐn)?shù)獲取器，模型工廠用于“生產(chǎn)”所需模型，分?jǐn)?shù)獲取器則是用于解耦；通過迭代，獲得模型最佳參數(shù)。調(diào)優(yōu)后的LightGBM模型和其他模型超參數(shù)設(shè)置情況見表2。

表2 各模型超參數(shù)設(shè)置情況

Tab.2 Parameters of different RUL prediction models

（4）設(shè)置評價標(biāo)準(zhǔn)：使用實(shí)際容量和預(yù)測容量之間的方均根誤差（Root Mean Square Error, RMSE）作為評價標(biāo)準(zhǔn)，有

（5）RUL預(yù)測：利用測試集驗(yàn)證已經(jīng)修正的模型，預(yù)測行駛工況下動力電池的剩余使用壽命。

2 實(shí)例分析

2.1 行駛工況下電池全生命周期容量測試系統(tǒng)

為模擬行駛工況下電動汽車電池所受振動應(yīng)力和充放電應(yīng)力，本文搭建行駛工況下電池全生命周期容量測試系統(tǒng)，該系統(tǒng)由航天希爾振動測試系統(tǒng)和藍(lán)電CT2014F電池充放電系統(tǒng)組成，如圖4所示。

圖4 行駛工況下電池全生命周期容量測試系統(tǒng)

本文選擇的研究對象是磷酸鐵鋰（LiFePO4）電池，其正極材料是LiFePO4，負(fù)極材料是石墨，隔膜材料是PP/PE/PP聚烯烴（用以隔離正、負(fù)極，阻止電子，通過鋰離子）。其參數(shù)為：額定容量1.35A·h，標(biāo)稱電壓3.3V，充電截止電壓3.7V。在對磷酸鐵鋰電池進(jìn)行充放電的過程中，其主要反應(yīng)式為

2.2 實(shí)驗(yàn)設(shè)計

根據(jù)城市行駛工況（Urban Driving Condition, UDC）[3]，為模擬行駛工況下電池所受充放電應(yīng)力，本文設(shè)置鋰離子電池充放電測試曲線如圖5所示。

圖5 行駛工況下電池充放電測試曲線

為模擬行駛工況下電池所受振動應(yīng)力，加速度目標(biāo)譜參數(shù)設(shè)置見表3，振動目標(biāo)譜參數(shù)具體設(shè)置見表4。

表3 鋰離子電池加速度目標(biāo)譜參數(shù)

Tab.3 Acceleration target spectrum parameters of lithium-ion battery

表4 鋰離子電池振動目標(biāo)譜參數(shù)

Tab.4 Vibration target spectrum parameters of lithium-ion battery

2.3 電池全生命周期容量衰退情況

針對本文所選的鋰離子電池（LiFePO4），在充放電過程中，除了鋰離子脫嵌發(fā)生的氧化還原反應(yīng)外，還存在許多的副反應(yīng)，如電解液分解、活性物質(zhì)溶解、金屬鋰沉積等，這些副反應(yīng)導(dǎo)致電池容量衰減。當(dāng)行駛工況（實(shí)驗(yàn)組）和靜置工況（對照組）下電池循環(huán)充放電至剩余容量為標(biāo)稱容量的80%時，認(rèn)定電池壽命終止（End of Life, EOL），則停止實(shí)驗(yàn)。兩種工況下電池容量衰退情況如圖6所示。

圖6 鋰離子電池容量衰退情況

根據(jù)實(shí)驗(yàn)結(jié)果，行駛工況下的電池在2 414次循環(huán)充放電后到達(dá)EOL，而靜置工況下的電池尚未到達(dá)EOL。根據(jù)容量衰減率，將電池全生命周期大致劃分為三個階段：固體電解質(zhì)膜（Solid Electrolyte Interphase, SEI）形成期、動態(tài)變化過程和電池退役期，圖6中以擬合曲線示意顯示每個階段。

根據(jù)圖6所示，在700～1 000次循環(huán)和1 400～ 1 600次循環(huán)間容量衰退曲線出現(xiàn)了突變點(diǎn)，即在容量衰減的趨勢下，部分充放電過程中電池容量出現(xiàn)突然上升的情況，原因是在試驗(yàn)過程中鋰離子電池出現(xiàn)了自充電現(xiàn)象[9]。在容量回彈后，容量衰退速率明顯加劇，造成該現(xiàn)象的主要原因是隨著充放電循環(huán)次數(shù)增加，SEI增厚和負(fù)極鋰沉積。700～1 000次循環(huán)是電池容量動態(tài)變化過程，1 400～1 600次循環(huán)是動態(tài)變化過程到電池退役期轉(zhuǎn)換過程，包含容量衰退加劇的轉(zhuǎn)折點(diǎn)[18]。因此，本文重點(diǎn)關(guān)注1 400～1 600次循環(huán)間容量回彈處的預(yù)測效果問題。

2.4 容量序列相似性分析

從圖6中可以看出，兩種工況下鋰離子電池全生命周期容量呈現(xiàn)類似衰退的趨勢，由于兩個容量序列的長度不同，無法通過曼哈頓距離或者歐氏距離計算兩個容量序列間的距離，也就無法分析其相似性。因此，選擇動態(tài)時間規(guī)整（Dynamic Time Warping, DTW）算法對兩種工況下電池容量序列的相似性進(jìn)行定量分析，為2.5節(jié)提供先驗(yàn)分析。

通過DTW計算可知，兩種工況下電池容量序列的最小規(guī)整距離為0.009 6，約為容量序列量級的0.7%左右，因此，兩個容量序列具有一定的相似性。

2.5 新容量序列構(gòu)建

根據(jù)2.3節(jié)內(nèi)容，雖然電池在實(shí)際工況中會出現(xiàn)具有獨(dú)特性的差異變化，但是在相同或類似工況下，同種電池在相同充放電循環(huán)過程中的性能退化情況是相似的，例如，城市行駛工況下的鋰離子電池，在每輛車的行駛環(huán)境（振動工況和靜置工況）相差不大的情況下，電池性能的退化過程從整體上來看相差不大。但是為了得到相同或相似工況下電池全生命周期容量序列，至少需要長達(dá)約3～6個月的實(shí)驗(yàn)時間，耗費(fèi)大量的實(shí)驗(yàn)成本，且設(shè)計老化實(shí)驗(yàn)困難。因此，本文依據(jù)行駛工況下電池全生命周期容量衰退情況，利用GAN生成新的容量序列[20]，其可行性在后續(xù)章節(jié)討論。

式中，為求解期望值；為實(shí)際容量序列；為由噪聲生成的容量序列；為的概率；為的概率；用于衡量生成的容量序列真實(shí)的程度（對于來說，越接近1越好），所以，底數(shù)對結(jié)果無影響，取值合理即可。

3 結(jié)果與分析

3.1 性能指標(biāo)

預(yù)測效果評估的性能指標(biāo)有很多[4, 13, 16]，除了方均根誤差外，本文重點(diǎn)關(guān)注以下性能指標(biāo)：

（1）容量回彈處預(yù)測效果：在對RUL進(jìn)行線性回歸預(yù)測時，電池全生命周期容量衰退過程出現(xiàn)的容量回彈（見圖6）會影響后續(xù)容量預(yù)測。

（2）時間復(fù)雜度：訓(xùn)練時間和預(yù)測時間的總和。較高的時間復(fù)雜度會在一定程度上影響其實(shí)際應(yīng)用效果，降低時間復(fù)雜度有助于完成快速、有效的RUL預(yù)測。

（3）內(nèi)存使用率：隨著數(shù)據(jù)量的增加，內(nèi)存資源被大量占用，增加內(nèi)存負(fù)擔(dān)。減少內(nèi)存使用率，有助于節(jié)省硬件成本，提升效率。

因此，選擇容量回彈處預(yù)測效果、時間復(fù)雜度、內(nèi)存使用率和方均根誤差作為預(yù)測效果評估的性能評估標(biāo)準(zhǔn)。

3.2 LightGBM預(yù)測模型有效性驗(yàn)證

為驗(yàn)證LightGBM預(yù)測模型有效性，選用行駛工況下的電池全生命周期容量實(shí)驗(yàn)數(shù)據(jù)作為數(shù)據(jù)集，分別以總循環(huán)次數(shù)的40%、50%和60%作為循環(huán)起點(diǎn)進(jìn)行剩余使用壽命預(yù)測，以全面展示LightGBM預(yù)測模型的RUL預(yù)測效果。

LightGBM、XGBoost、RF和GBDT四種模型預(yù)測效果（包括容量回彈處預(yù)測效果）對比情況如圖8所示。其中，圖8a～圖8c分別展示了訓(xùn)練樣本占數(shù)據(jù)集的40%、50%、60%情況下的預(yù)測效果。

從圖8可以看出，LightGBM和XGBoost不論在整體預(yù)測還是容量回彈處預(yù)測效果均優(yōu)于RF和GBDT，在電池退役期階段末期（約2 000次循環(huán)后）RF和GBDT的預(yù)測效果明顯下降，而LightGBM和XGBoost仍能保持穩(wěn)定良好的預(yù)測效果。

為了進(jìn)一步驗(yàn)證所建LightGBM預(yù)測模型的性能，從時間復(fù)雜度、內(nèi)存使用率和方均根誤差三方面與現(xiàn)有預(yù)測模型進(jìn)行對比，結(jié)果如圖9～圖11 所示。

不同算法時間復(fù)雜度對比情況如圖9所示。從圖9可得出，GBDT的時間復(fù)雜度遠(yuǎn)低于其他三種預(yù)測模型，而RF的時間復(fù)雜度遠(yuǎn)高于其他三種預(yù)測模型，LightGBM的時間復(fù)雜度低于XGBoost。隨著訓(xùn)練樣本量的增加，LightGBM、XGBoost、RF和GBDT四種RUL預(yù)測模型的時間復(fù)雜度呈現(xiàn)不同程度的增長，其中，RF預(yù)測模型的時間復(fù)雜度受訓(xùn)練樣本量的影響較大，LightGBM受訓(xùn)練樣本量的影響較小。

圖9 不同算法時間復(fù)雜度對比情況

不同算法內(nèi)存使用率對比情況如圖10所示。從圖10可得出，四種預(yù)測模型的內(nèi)存使用率相差不大，由于使用直方圖優(yōu)化、單邊梯度采樣和深度限制的按葉生長方式，LightGBM的內(nèi)存使用率低于其他三種預(yù)測模型。隨著訓(xùn)練樣本量的增加，LightGBM、XGBoost、RF和GBDT四種RUL預(yù)測模型的內(nèi)存使用率呈現(xiàn)相似程度的增長。

圖10 不同算法內(nèi)存使用率對比情況

圖11展示了不同算法方均根誤差的對比情況，可以看出，LightGBM和XGBoost預(yù)測結(jié)果的方均根誤差最小，且兩者相差不大，而GBDT預(yù)測結(jié)果的誤差較大。隨著訓(xùn)練樣本量的增加，LightGBM、XGBoost、RF和GBDT四種RUL預(yù)測模型的方均根誤差呈現(xiàn)不同程度的減小。

圖11 不同算法RMSE對比情況

綜上所述，雖然在時間復(fù)雜度和內(nèi)存使用率方面GBDT有良好的表現(xiàn)，但是以犧牲預(yù)測準(zhǔn)確性為代價。從容量回彈處預(yù)測效果、時間復(fù)雜度、內(nèi)存使用率和方均根誤差四方面綜合評估預(yù)測性能，LightGBM模型在容量回彈處具有較好的預(yù)測效果，且與XGBoost、GBDT和RF模型相比，LightGBM模型時間復(fù)雜度低于11s，內(nèi)存使用率低于27%，RMSE低于1.01%。因此，LightGBM預(yù)測模型的有效性得以驗(yàn)證。

3.3 生成容量序列可行性驗(yàn)證

在3.2節(jié)中，LightGBM預(yù)測模型有效性驗(yàn)證完畢，下面利用LightGBM預(yù)測模型驗(yàn)證GAN生成容量序列的可行性。

選取行駛工況下實(shí)際容量序列和GAN生成容量序列作為樣本集進(jìn)行對比測試，測試結(jié)果如圖12所示（僅以樣本集的40%作為訓(xùn)練樣本進(jìn)行測試）。雖然生成容量序列訓(xùn)練下的RUL預(yù)測效果（RMSE= 1.03%）不如實(shí)際容量序列，但是整體預(yù)測效果和容量回彈處預(yù)測效果基本滿足預(yù)期需求，因此，GAN生成新容量序列的可行性得以驗(yàn)證。

圖12 生成容量序列的RUL預(yù)測效果

4 結(jié)論

本文構(gòu)建了基于LightGBM的RUL預(yù)測模型，利用元學(xué)習(xí)Hyperopt對LightGBM模型進(jìn)行參數(shù)優(yōu)化，完成了行駛工況下鋰離子電池RUL預(yù)測；通過行駛工況下鋰離子電池全生命周期容量測試實(shí)驗(yàn)數(shù)據(jù)，驗(yàn)證了所提RUL預(yù)測模型的有效性；利用DTW量化相似性，驗(yàn)證了所生成容量序列的可行性，得出以下結(jié)論：

1）LightGBM模型在容量回彈處具有較好的預(yù)測效果，且與XGBoost、GBDT和RF模型相比，LightGBM模型時間復(fù)雜度低于11s，內(nèi)存使用率低于27%，RMSE低于1.01%，其有效性得以驗(yàn)證。

2）采用DTW對行駛工況和靜置工況下的電池容量序列進(jìn)行相似性分析，得出同種電池在相同或類似充放電循環(huán)過程中容量衰退情況相似。

3）基于GAN生成容量序列，測試結(jié)果表明，利用生成容量序列預(yù)測的RMSE為1.03%，雖然預(yù)測效果不如實(shí)際容量序列，但基本滿足預(yù)測需求，能夠在一定程度上減輕實(shí)驗(yàn)負(fù)擔(dān)。

本文建立的行駛工況下鋰離子電池剩余使用壽命預(yù)測模型僅考慮單體電池的預(yù)測，未能對行駛工況下電動汽車中整個電池組剩余使用壽命進(jìn)行預(yù)測，后續(xù)將重點(diǎn)關(guān)注電池組的剩余使用壽命預(yù)測研究。

[1] Hu Xiaosong, Liu Wenxue, Lin Xianke, et al. A control-oriented electrothermal model for pouch-type electric vehicle batteries[J]. IEEE Transactions on Power Electronics, 2021, 36(5): 5530-5544.

[2] Meng Jinhao, Store Daniel-loan, Ricco Mattia, et al. A simplified model-based state-of-charge estimation approach for lithium-ion battery with dynamic linear model[J]. IEEE Transactions on Industrial Infor- matics, 2019, 66(10): 7717-7727.

[3] Li Wenhua, Jiao Zhipeng, Xiao Qian, et al. A study on performance characterization considering six- degree-of-freedom vibration stress and aging stress for electric vehicle battery under driving con- ditions[J]. IEEE Access, 2019, 7: 112180-112190.

[4] 徐佳寧, 倪裕隆, 朱春波. 基于改進(jìn)支持向量回歸的鋰電池剩余壽命預(yù)測[J]. 電工技術(shù)學(xué)報, 2021, 36(17): 3693-3704.

Xu Jianing, Ni Yulong, Zhu Chunbo. Remaining useful life prediction for lithium-ion batteries based on improved support vector regression[J]. Transa- ctions of China Electrotechnical Society, 2021, 36(17): 3693-3704.

[5] 焦自權(quán), 范興明, 張鑫, 等. 基于改進(jìn)粒子濾波算法的鋰離子電池狀態(tài)跟蹤與剩余使用壽命預(yù)測方法[J]. 電工技術(shù)學(xué)報, 2020, 35(18): 3979-3993.

Jiao Ziquan, Fan Xingming, Zhang Xin, et al. State tracking and remaining useful life predictive method of Li-ion battery based on improved particle filter algorithm[J]. Transactions of China Electrotechnical Society, 2020, 35(18): 3979-3993.

[6] 劉芳, 馬杰, 蘇衛(wèi)星, 等. 基于自適應(yīng)回歸擴(kuò)展卡爾曼濾波的電動汽車動力電池全生命周期的荷電狀態(tài)估算方法[J]. 電工技術(shù)學(xué)報, 2020, 35(4): 698- 707.

Liu Fang, Ma Jie, Su Weixing, et al. State of charge estimation method of electric vehicle power battery life cycle based on auto regression extended Kalman filter[J]. Transactions of China Electrotechnical Society, 2020, 35(4): 698-707.

[7] Cong Xinwei, Zhang Caiping, Jiang Jiuchun, et al. A hybrid method for the prediction of the remaining useful life of lithium-ion batteries with accelerated capacity degradation[J]. IEEE Transactions on Vehicular Technology, 2020, 69(11): 12775-12785.

[8] Hu Jiawen, Sun Qiuzhuang, Ye Zhisheng, et al. Joint modeling of degradation and lifetime data for RUL prediction of deteriorating products[J]. IEEE Transa- ctions on Industrial Informatics, 2021, 17(7): 4521- 4531.

[9] Zhang Yunwei, Tang Qiaochu, Zhang Yao, et al. Identifying degradation patterns of lithium ion bat- teries from impedance spectroscopy using machine learning[J]. Nature Communications, 2020, 11(1): 1706.

[10] Ng Man-Fai, Zhao Jin, Yan Qingyu, et al. Predicting the state of charge and health of batteries using data-driven machine learning[J]. Nature Machine Intelligence, 2020(2): 161-170.

[11] 張婷婷, 于明, 李賓, 等. 基于Wavelet降噪和支持向量機(jī)的鋰離子電池容量預(yù)測研究[J]. 電工技術(shù)學(xué)報, 2020, 35(14): 3126-3136.

Zhang Tingting, Yu Ming, Li Bin, et al. Capacity prediction of lithium-ion batteries based on Wavelet noise reduction and support vector machine[J]. Transactions of China Electrotechnical Society, 2020, 35(14): 3126-3136.

[12] 王瀛洲, 倪裕隆, 鄭宇清, 等. 基于ALO-SVR的鋰離子電池剩余使用壽命預(yù)測[J]. 中國電機(jī)工程學(xué)報, 2021, 41(4): 1445-1457, 1550.

Wang Yingzhou, Ni Yulong, Zheng Yuqing, et al. Remaining useful life prediction of lithium-ion batteries based on support vector regression opti- mized and ant lion optimizations[J]. Proceedings of the CSEE, 2021, 41(4): 1445-1457, 1550.

[13] 曹洋. 基于模型驅(qū)動的鋰離子電池剩余壽命預(yù)測方法研究[D]. 哈爾濱: 哈爾濱工業(yè)大學(xué), 2019.

[14] Kang Weijie, Xiao Jiyang, Xiao Mingqing, et al. Research on remaining useful life prognostics based on fuzzy evaluation-Gaussian process regression method[J]. IEEE Access, 2020(8): 71965-71973.

[15] Zhang Yongzhi, Xiong Rui, He Hongwen, et al. Lithium-ion battery remaining useful life prediction with Box-Cox transformation and monte carlo simulation[J]. IEEE Transactions on Industrial Electronics, 2018, 66(2): 1585-1597.

[16] Jiang Fu, Yang Jiajun, Cheng Yijun, et al. An aging- aware SOC estimation method for lithium-ion batteries using xgboost algorithm[C]//2019 IEEE International Conference on Prognostics and Health Management (ICPHM), San Francisco, CA, USA, 2019: 1-8.

[17] 顏詩旋, 朱平, 劉釗. 基于改進(jìn)LightGBM模型的汽車故障預(yù)測方法研究[J]. 汽車工程, 2020, 42(6): 815-819, 825.

Yan Shixuan, Zhu Ping, Liu Zhao. Research on vehicle fault prediction scheme based on improved LightGBM model[J]. Automotive Engineering, 2020, 42(6): 815-819, 825.

[18] Lu Languang, Han Xuebing, Li Jianqiu, et al. A review on the key issues for lithium-ion battery management in electric vehicles[J]. Journal of Power Sources, 2013, 226: 272-288.

[19] Bai Lu, Cui Lixin, Zhang Zhihong, et al. Entropic dynamic time warping kernels for co-evolving financial time series analysis[J]. IEEE Transactions on Neural Networks and Learning Systems, 2020, DOI: 10.1109/TNNLS.2020.3006738.

[20] Gao Yuan, Liu Yingchao, Wang Yuanyuan, et al. A universal intensity standardization method based on a many-to-one weak-paired cycle generative adversa- rial network for magnetic resonance images[J]. IEEE Transactions on Medical Imaging, 2019, 38(9): 2059-2069.

LightGBM Based Remaining Useful Life Prediction of Electric Vehicle Lithium-Ion Battery under Driving Conditions

12111

（1. Key Laboratory of Smart Grid of Ministry of Education Tianjin University Tianjin 300072 China 2. State Key Laboratory of Reliability and Intelligence of Electrical Equipment Hebei University of Technology Tianjin 300130 China）

The degradation of the remaining useful life (RUL) for EV lithium-ion battery under driving conditions is complicated. The appropriate prediction of RUL can provide guidance for the periodic maintenance and stable operation to avoid the risks. Therefore, a RUL prediction method for driving conditions is proposed in this paper. Firstly, a light gradient boosting machine (LightGBM) based RUL prediction model is constructed, and the coefficients are obtained by the hyper parameter optimization (Hyperopt). Secondly, the experimental bench of battery cycle life capacity is established to simulate the vibration stress and charge-discharge stress, and the RUL degradation of battery under driving conditions is measured. Then, based on the dynamic time warping (DTW), the similarity of RUL degradation between driving conditions and static conditions is analyzed, and a new capacity sequence can be generated by the generative adversarial networks (GAN). Finally, experimental results verify the effectiveness of the proposed model and the generated capacity sequence.

Electric vehicle, driving conditions, lithium-ion battery, remaining useful life, light gradient boosting machine (LightGBM)

10.19595/j.cnki.1000-6753.tces.201653

TM911

國家自然科學(xué)基金（U2066213, 52107121）和中國博士后科學(xué)基金（2020M680880）資助項目。

2020-12-17

2021-03-26

肖 遷 男，1988年生，博士，講師，博士生導(dǎo)師，研究方向?yàn)榉植际侥茉磁c微電網(wǎng)、直流配電網(wǎng)、電力電子技術(shù)及其在智能電網(wǎng)和綜合能源系統(tǒng)中的應(yīng)用、電池儲能系統(tǒng)。E-mail: xiaoqian@tju.edu.cn

焦志鵬 男，1993年生，碩士，研究方向?yàn)殡妱悠噧δ芗夹g(shù)。E-mail: 18722518050@163.com（通信作者）

（編輯 崔文靜）