机器学习和电化学阻抗谱测量的电池荷电状态估计方法

科学讲座4（2022）100100使用机器学习和电化学阻抗谱测量的Emanuele Buchicchioa，Francesco Bianconia，Fabrizio Smeraldib，Alessio De Angelisa，Francesco Santonia，Paolo Carboneaa意大利佩鲁贾佩鲁贾大学工程系b英国伦敦大学玛丽皇后学院电子工程与计算机科学学院自动清洁装置保留字：锂离子电池电化学阻抗谱荷电机器学习A B标准电池供电设备的有效能源管理需要可靠地估计电池的充电状态我们开发了一种基于机器学习和电化学阻抗谱的数据驱动的荷电状态估计方法 使用来自一组商业Samsung ICR 18650 -26 J锂离子电池的原始测量数据集训练和测试了几个充电状态模型。分析了维度诅咒对这项任务的影响，并研究了不同特征约简技术避免分类模型过拟合的有效性。本文的视频可以在j.sctalk.2022.100100上找到。https://doi.org/10.1016/图和表图1.一、 提出SoC数据驱动方法的出版物数量。从[1]。缩略语：SOC，荷电状态;EIS，电化学阻抗谱。通讯作者。电子邮件地址：emanuele. studenti.unipg.it（E. Buchicchio）。h tt p：//dx. 多岛或g/10。1016/j。我的天啊。20 22. 1 0 0 10 0接收日期：2022年11月2日;接收日期：2022年11月19日;接受日期：2022年11月20日27 7 2 - 56 93/©2022TheA ut hors. 由E lsevierL td提供。 这是CCBY许可证下的一项操作（http：//creaitivecommons.com/）。或g/li ce ns s/by/4.0/）。可在ScienceDirect上获得目录列表科学讲座杂志首页：www.elsevier.es/sctalkE. Buchicchio等人科学讲座4（2022）1001002图二、电池SoC估计方法的分类。从[2]。图3.第三章。 负电极（c和d）的电子显微镜分析。从[3]。E. Buchicchio等人科学讲座4（2022）1001003图四、属于数据集的电池的EIS测量数据的Cole-Cole图表示的示例。从[4]。图五、用于收集数据的定制阻抗测量系统框图。从[4]。E. Buchicchio等人科学讲座4（2022）1001004图六、在整个曲线形状与SOC的相关性比单个特征值更强的假设下，我们在EIS曲线上尝试了视觉CNN分类方法。ResNet 18 CNN模型在EIS曲线表示上进行了微调，在训练中包含的电池的SOC估计中达到了90%的准确度在一个未知的电池上，系统的准确率为62% 我们计算类激活图（CAM）的一些推理结果，以验证SOC估计是基于一组合理的图像特征。CAM允许我们在视觉上突出显示与神经网络执行的最终分类更相关的图像区域在这个例子中，7 ×7类激活图覆盖在EIS光谱上，较亮的颜色表示该区域中的特征（图像像素）对最终分类的贡献相对更大。CAM表明，对SOC分类的主要贡献来自EIS曲线的峰和谷区域，其形状随SOC而变化。从[5]。图7.第一次会议。 LDA和PCA变换的输出示例：在所得到的二维空间中，来自不同荷电状态条件的测量分布在相当好的单独的聚类中。从[6]。E. Buchicchio等人科学讲座4（2022）1001005CRediT作者贡献声明Emanuele Buchicchio：概念化，方法论，软件，数据策展，写作&Francesco Bianconi ： 数 据 管 理 ， 软 件 ， 写 作 &- 评 论 编 辑 。FabrizioSmeraldi：数据管理，概念化，方法论，写作&-评论编辑。 Alessio DeAngelis：概念化，方法学，软件，数据管理，写作&-原始草稿，写作-审查编辑。Francesco Santoni：概念化，方法论，软件，数据管理，写作&概念化，方法论，写作&-评论编辑，监督.数据可用性数 据 和 代 码 已 经 发 布 在 mendeley数 据 存 储 库（doi.org/10.1016/j.dib.2022.108589）和代码海洋（https：//codeocean.（c om/capsule/9473632/tree/v2）致谢这项研究没有从公共，商业或非营利部门的资助机构获得任何特别资助。申报利益作者声明，他们没有已知的竞争性经济利益或个人关系，可能会影响本文报告的工作。引用[1] AaruththiranManoharan ， K.M.Begam ， VampireRauAparow ， DeneshSooriamoorthy，Arti ficialNeural Networks，Gradient Boosting and Support VectorMachines for Electric Vehicle Battery State Estimation：a review，J. Energy Storage55（Part A）（2022）1 0 5 3 8 4，I SSN2 3 5 2- 15 2X。 h tt ps：//d oi. 或g/10。1016/j。是的。20 22. 10 5 3 84.[2] M. Hossain，M.E.M.T.哈克Arif，用于锂离子电池的在线模型参数和充电状态估计的卡尔曼 滤 波 技 术 ： 比 较 分 析 ， J 。 储 能 51 （ 2022 ） 104174 ， ISSN 2352- 152 X 。https://doi.org/10.1016/j.est。2022.104174。[3] Martin Petit，Elisa Calas，Julien Bernard，一种简化的电化学模型，用于模拟高功率应 用 的 锂 离 子 电 池 ， 包 括 混 合 和 双 分 散 电 极 ， J. Power Sources 479 （ 2020 ） ，https://doi.org/10.1016/j.jpowsour.2020.228766。[4] EmanueleBuchicchio，Alessio De Angelis，Francesco Santoni，Paolo Carbone，不同荷电状态下锂离子电池宽带电化学阻抗谱数据集，数据简报45（2022）108589，2022。ISSN 2352-3409。h ttp s：//do i. 或g/10。1016/j。迪伊布20 22. 108589.[5] E. Buchicchio，A.德安杰利斯，F。Santoni，P.Carbone，基于电化学阻抗谱和卷积神经网络的锂离子电池充电状态估计，在第25届IMEKO TC 4国际研讨会上接受，第23届ADC和DAC建模和测试IMEKO TC-4 2020年9月12日至14日，意大利布雷西亚。[6] Emanuele Buchicchio、Alessio De Angelis、Francesco Santoni、Paolo Carbone、FrancescoBianconi、Fabrizio Smeraldi、LiBEIS：锂离子电池宽带电化学阻抗谱的软件工具，软件影响（2022），100447，https://doi.org/10.1016/j.simpa.2022.100447;https://www.sciencedirect。com/science/article/pii/S2665963822001312.进一步阅读[1] O. Kanoun等人，阻抗谱：应用，进展和未来趋势，IEEE仪器。测量Mag.25（3）（May2022）11 https://doi.org/10.1109/-21，www.example.com MIM.2022.9759355。[2] A. De Angelis，P.Carbone，A.Moschitta，M.克雷森蒂尼河Ramilli，P.A.Traverso，一种用于锂离子电池的快速简单的宽带EIS测量系统，第24届IMEKO TC4国际研讨会和第22届ADC和DAC建模与测试国际研讨会2020年，pp. 157-161。[3] A. 德安杰利斯，E。Buchicchio，F.Santoni，A.Moschitta，P.碳，不确定性特征-电池EIS宽带测量实用系统的实现，IEEE Trans. 我是。 71（20 22），ht tps：//do i. 或g/10。110 9/TIM. 20 22. 三一五六九九四。[4] Guha，A. Patra，锂离子电池的电化学阻抗谱和剩余使用寿命的在线估计，IEEETrans.Instrum. Meas. 67（2018），ht tps：//d oi. 或g/10。11 09/T IM. 2018年。2 80 91 3 8.[5] B. Zhou，中国古柏A.Khosla，A.拉佩德里萨A.Oliva，A.Torralba，Learning deepfeatures for discriminative localization ， 2016 IEEE Conference on ComputerVision and PatternR ec o g ni ti on（CV PR）2 0 1 6，pp. 2 9 2 1- 2 9 2 9，h t t ps：/ / d o i. 或g/10。11 09/C VP R. 2016319.Emanuele Buchicchio（IEEE学生会员）于2006年获得意大利佩鲁贾大学的硕士学位，目前正在攻读博士学位。信息工程学位。彼于二零一六年加入Smartpeg软件公司，并自二零一九年起担任首席技术官（CTO）。 他还是一名软件工程师，对科学和技术有着极大的热情。他获得了广泛的经验从事许多不同的软件项目和产品。除了软件开发，他的科学和专业兴趣还包括测量、传感器、机器学习、云计算、DevOps、网络安全、物联网和软件质量指标。Francesco Bianconi在意大利佩鲁贾大学获得机械工程硕士学位，计算机辅助设计方面的研究。他曾担任西班牙维戈大学、英国东英吉利大学、英国伦敦玛丽皇后大学英国伦敦大学城市学院他目前是佩鲁贾大学工程系副教授，从事计算机视觉、图像处理和模式识别方面的研究，特别关注工业和工业应用中的纹理和颜色分析。生物医学应用。教授Bianconi是IEEE高级会员，特许工程师和法院任命的专家;他曾担任各种期刊的客座编辑，目前是PLoSONE的副编辑。FabrizioSmeraldi是伦敦大学玛丽皇后学院电子工程学院人工智能高级讲师（副教授）。他的研究涵盖了机器学习在计算机视觉、生物信息学、网络安全和一般模式识别中的应用;他对非参数分类器和描 述符特别 感兴趣。 他是Mebomine Ltd 的联 合创始人，Mebomine Ltd是一家数字健康创业公司，专注于从在线健康板中提取真实世界的证据。AlessioDe Angelis先生于二零零九年取得意大利佩鲁贾大学信息工程博士学位。从2010年到2013年，他是瑞典斯德哥尔摩KTH皇家理工学院信号处理实验室的研究员自2013年7月以来，他一直在意大利佩鲁贾大学工程系工作，并于2018年5月成为副自2019年以来，他担任IEEE仪器和测量交易他的研究兴趣包括仪器和测量、定位系统（使用磁场和超声波）、统计信号处理以及电池测量和建模。Francesco Santoni于2010年获得佩鲁贾大学物理学硕士学位，并于2012年获得哲学博士学位。2015年获得罗马大学TorVergata微电子工程学位。2015年至2017年，他在罗马大学“Tor Vergata”担任博士后研究员，研究工作主要集中在有机半导体中电荷传输的数学模型和有机电子器件的模拟。2017年5月，他开始在佩鲁贾大学工程系担任博士后，并于2022年成为研究员。他目前正在研究磁定位系统，电池管理系统，信号分析。PaoloCarbone获得了硕士和博士学位。分别于1990年和1994年获得意大利帕多瓦大学的学位。1994年至1997年，他是罗马第三大学的研究员。从1997年到2002年，他首先是研究员，然后是意大利佩鲁贾大学的副教授。自2002年以来，他一直是佩鲁贾大学的正教授，在那里他教授仪器和测量以及统计信号处理课程他参与了由私人和公共基金赞助的各种研究项目。他撰写/合著了200多篇论文，发表在国际期刊和会议论文集上。 他是IEEE系统委员会主席（2016-17）。自2018年以来，他是《测量》杂志的主编