寫在前面的話

技術可以促進社會進步這是個一般規律。

高速的通訊技術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。

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

與此前普通人的想象不同，大部分廚師烹調美味并沒有什么特殊的手上技術，有的只是對于烹調的刀工、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步驟并不了解。

一項復雜的技術學習，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技術將在工業設計、工業仿真的各個方面發揮巨大作用，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技術應用于電動汽車鋰離子電池狀態估計

嚴重能源危機的迫在眉睫的威脅，加上實現碳中和的需要，促使各國政府促進電動汽車 （EV） 的開發和使用，作為一種可持續的交通方式;從而歸因于化石能源消耗和碳排放的聯合緩解。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鍵。因此，電動汽車電池管理系統 （BMS） 的軟件設計投入了大量精力，以實時執行準確的充電狀態 （SOC） 和健康狀態 （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，以避免發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，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則的非線性不穩定問題。由于影響電池退化和性能的外部和內部因素有很多，因此估計 LIB 的 SOH 更具挑戰性。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 電池內部發生的復雜物理化學反應。

經典電池狀態估計方法

開路電壓 （OCV） 方法是一種簡單的離線 SOC 估計技術，其有效性基于 LIB 端電壓與 SOC 之間的相關性。然而，只有當與當前基于集成的在線 SOC 估計技術（稱為庫侖計數）結合使用時，這種方法才與 EV 應用相關。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。它們也不考慮環境溫度對 LIB 性能的影響。相對于容量估計的 SOH 方法通常基于參考 SOC 點之間的安時 （Ah） 計數，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化。需要更強大和復雜的狀態估計技術來處理電動汽車的 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） 本質上具有從數據中自我學習的潛力，對物理系統數學模型的依賴最小，從而提供了一種有效的解決方案來處理增加的系統復雜性和不確定性。隨著 ML 應用的最新技術突破，數據驅動的 ML 模型正逐漸用于電池狀態估計。這些 ML 方法可以實際解決 EV BMS 測量的 LIB 數據（或信號）中發現的非線性和不穩定性問題。它們基于大量離線 LIB 充電/放電測試周期數據運行，從原始電壓、電流和溫度數據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網絡 （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據集也使得通過將數據分析與高級 ML 算法相結合來提高 BMS 性能變得相關。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生在 ML 模型的離線訓練階段;因此，允許在 BMS 硬件中對經過訓練的 ML 模型進行可行的板載部署。

前饋神經網絡

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

遞歸神經網絡

與 FNN 相比，RNN 以閉環方式使用過去的信息，其中一層的輸出成為下一層的輸入，該層通常是網絡中的唯一層;因此，層的輸出成為自身的 Input。這允許網絡記住先前的狀態，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據來生成順序輸出數據，使其在需要處理時間分段輸入數據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系來說，可能并不理想。這種 RNN 變體面臨的挑戰與其訓練過程相關，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，發明了改進的 RNN 變體，例如門控循環單元 （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，這些門跨越時間數據依賴性遍歷當前可用的數據。這種 DL 方法對于解決涉及時間序列或長序列數據的問題非常有用，因為它能夠調用過去的信息。

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，以便根據其獨特的類來分離數據。當從超平面到任何類的最近數據點的距離最大化時，很明顯獲得了最優的分離邊界。電池狀態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。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據的回歸問題。

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，它與可用數據量、所需結果的質量以及所需 ML 模型的物理可解釋性有關。通常可以基于以下策略進行選擇：

對涉及數據驅動的 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 方法驗證的數據配置文件。

確定提取的數據特征（即模型輸入）。

確定實驗的 LIB 類型和溫度。

比較 ML 方法的狀態估計誤差。

根據相關 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 （soc） 估計

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

方法1

FNN 與無跡 KF （UKF） 算法相結合，以減輕其 SOC 估計誤差。它基于真實的 LIB 數據進行訓練，這些數據是使用汽車認證駕駛循環 US06、FUDS 和動態應力測試 （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性，并且在跟蹤性能方面優于 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），用于發現隱藏神經元、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，采用經驗模態分解 （EMD） 和灰色關系分析 （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性的 HI。

結論

研究發現，FNN 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整后的超參數和訓練持續時間的抑制。

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