行駛工況下電動汽車鋰離子電池剩餘使用壽命（RUL）衰退情況複雜，準確的RUL預測可為電池的定期維護和安全穩定執行提供指導，避免安全隱患。為此，天津大學智慧電網教育部重點實驗室、省部共建電工裝備可靠性與智慧化國家重點實驗室（河北工業大學） 的研究人員肖遷、焦志鵬、穆雲飛、陸文標、賈宏傑，在2021年第24期《電工技術學報》上撰文，提出一種適用於行駛工況下電動汽車電池的RUL預測方法。
現如今的電池市場上，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、迴圈壽命、自放電率、充放電效能、工作溫度範圍等效能方面的優良表現，在電動汽車（Electric Vehicle, EV）或者混合電動汽車（Hybrid Electric Vehicle, HEV）等領域得到廣泛應用。
然而，隨著鋰離子電池迴圈充放電次數的增加，電池內部的電化學反應加劇，除了鋰離子脫嵌發生的氧化還原反應外，還存在許多的副反應，如電解液分解、活性物質溶解、金屬鋰沉積等，這些副反應導致電池容量衰減。在電動汽車實際行駛工況下，電池的工作環境和效能衰退情況複雜，電池剩餘使用壽命（Remaining Useful Life, RUL）的準確預測可為電池的定期維護和安全穩定執行提供指導。
電池剩餘使用壽命是電池可用容量衰減至標準容量的70%～80%（電池服役結束）前所經歷的充放電迴圈次數。目前，國內外學者和企業已對電池RUL預測方法展開研究，如基於模型驅動的粒子濾波、卡爾曼濾波、退化機理模型、經驗老化模型；基於資料驅動的支援向量機、支援向量迴歸、神經網路、高斯迴歸、蒙特卡洛模擬和極限梯度提升（eXtreme Gradient Boosting, XGBoost）等。基於模型驅動的預測效果取決於電池模型，但電池模型無法完全反映內部複雜的電化學動態特性，在一定程度上影響預測效果。基於資料驅動的預測方法可以擺脫對電池模型的依賴性，提升泛化能力。
文獻研究發現，基於模型驅動的預測方法受限於龐大的計算量和複雜的物理模型，難以滿足複雜工況下RUL預測的需求。基於資料驅動的預測方法能夠擺脫對模型的依賴，有效應對非線性資料，在時間序列預測方面有較好表現。但是，現有預測方法在預測時需遍歷整個訓練集，計算效率較低，記憶體消耗較大。
在不犧牲速度的前提下，為充分利用資料，輕量型梯度提升機（Light Gradient Boosting Machine, LightGBM）和隨機森林（Random Forest, RF）採用Bagging整合學習方式，能夠提升訓練效率，降低時間複雜度，透過直方圖最佳化、單邊梯度取樣（Gradient-based One-Side Sampling, GOSS）、互斥稀疏特徵繫結（Exclusive Feature Bundling, EFB），以及深度限制的按葉子生長（leaf-wise）方式，可降低樣本和特徵維度，減小記憶體使用率，進一步降低時間複雜度。
因此，為準確預測行駛工況下電池剩餘使用壽命，天津大學等單位的研究人員基於LightGBM迴歸模型，構建行駛工況下電池RUL預測模型，採用元學習超引數最佳化方法（Hyper-parameter optimization, Hyperopt）對預測模型進行超引數調優，減輕人工調參負擔。他們利用行駛工況下電池全生命週期容量測試資料，從容量回彈處預測效果、時間複雜度、記憶體使用率和預測準確度等方面評估預測效果，驗證所建RUL預測模型的有效性。最後，透過LightGBM模型驗證生成對抗網路（Generative Adversarial Networks, GAN）生成的容量序列的可行性，以期減少實驗週期，節約實驗成本。
行駛工況下電池全生命週期容量測試系統
研究人員得出以下結論：
1）LightGBM模型在容量回彈處具有較好的預測效果，且與XGBoost、GBDT和RF模型相比，LightGBM模型時間複雜度低於11s，記憶體使用率低於27%，RMSE低於1.01%，其有效性得以驗證。
2）採用DTW對行駛工況和靜置工況下的電池容量序列進行相似性分析，得出同種電池在相同或類似充放電迴圈過程中容量衰退情況相似。
3）基於GAN生成容量序列，測試結果表明，利用生成容量序列預測的RMSE為1.03%，雖然預測效果不如實際容量序列，但基本滿足預測需求，能夠在一定程度上減輕實驗負擔。
另外，研究人員指出，本課題建立的行駛工況下鋰離子電池剩餘使用壽命預測模型僅考慮單體電池的預測，未能對行駛工況下電動汽車中整個電池組剩餘使用壽命進行預測，後續將重點關注電池組的剩餘使用壽命預測研究。
本文編自2021年第24期《電工技術學報》，論文標題為“基於LightGBM的電動汽車行駛工況下電池剩餘使用壽命預測”，作者為肖遷、焦志鵬 等。
