现如今的电池市场上，动力电池主要包括铅酸电池、镍氢电池和锂离子电池等。其中，锂离子电池因其在能量密度、循环寿命、自放电率、充放电性能、工作温度范围等性能方面的优良表现，在电动汽车（Electric Vehicle, EV）或者混合电动汽车（Hybrid Electric Vehicle, HEV）等领域得到广泛应用。

然而，随着锂离子电池循环充放电次数的增加，电池内部的电化学反应加剧，除了锂离子脱嵌发生的氧化还原反应外，还存在许多的副反应，如电解液分解、活性物质溶解、金属锂沉积等，这些副反应导致电池容量衰减。在电动汽车实际行驶工况下，电池的工作环境和性能衰退情况复杂，电池剩余使用寿命（Remaining Useful Life, RUL）的准确预测可为电池的定期维护和安全稳定运行提供指导。

电池剩余使用寿命是电池可用容量衰减至标准容量的70%～80%（电池服役结束）前所经历的充放电循环次数。目前，国内外学者和企业已对电池RUL预测方法展开研究，如基于模型驱动的粒子滤波、卡尔曼滤波、退化机理模型、经验老化模型；基于数据驱动的支持向量机、支持向量回归、神经网络、高斯回归、蒙特卡洛模拟和极限梯度提升（eXtreme Gradient Boosting, XGBoost）等。基于模型驱动的预测效果取决于电池模型，但电池模型无法完全反映内部复杂的电化学动态特性，在一定程度上影响预测效果。基于数据驱动的预测方法可以摆脱对电池模型的依赖性，提升泛化能力。

文献研究发现，基于模型驱动的预测方法受限于庞大的计算量和复杂的物理模型，难以满足复杂工况下RUL预测的需求。基于数据驱动的预测方法能够摆脱对模型的依赖，有效应对非线性数据，在时间序列预测方面有较好表现。但是，现有预测方法在预测时需遍历整个训练集，计算效率较低，内存消耗较大。

在不牺牲速度的前提下，为充分利用数据，轻量型梯度提升机（Light Gradient Boosting Machine, LightGBM）和随机森林（Random Forest, RF）采用Bagging集成学习方式，能够提升训练效率，降低时间复杂度，通过直方图优化、单边梯度采样（Gradient-based One-Side Sampling, GOSS）、互斥稀疏特征绑定（Exclusive Feature Bundling, EFB），以及深度限制的按叶子生长（leaf-wise）方式，可降低样本和特征维度，减小内存使用率，进一步降低时间复杂度。

因此，为准确预测行驶工况下电池剩余使用寿命，天津大学等单位的研究人员基于LightGBM回归模型，构建行驶工况下电池RUL预测模型，采用元学习超参数优化方法（Hyper-parameter optimization, Hyperopt）对预测模型进行超参数调优，减轻人工调参负担。他们利用行驶工况下电池全生命周期容量测试数据，从容量回弹处预测效果、时间复杂度、内存使用率和预测准确度等方面评估预测效果，验证所建RUL预测模型的有效性。最后，通过LightGBM模型验证生成对抗网络（Generative Adversarial Networks, GAN）生成的容量序列的可行性，以期减少实验周期，节约实验成本。

行驶工况下电池全生命周期容量测试系统

研究人员得出以下结论：

1）LightGBM模型在容量回弹处具有较好的预测效果，且与XGBoost、GBDT和RF模型相比，LightGBM模型时间复杂度低于11s，内存使用率低于27%，RMSE低于1.01%，其有效性得以验证。

2）采用DTW对行驶工况和静置工况下的电池容量序列进行相似性分析，得出同种电池在相同或类似充放电循环过程中容量衰退情况相似。

3）基于GAN生成容量序列，测试结果表明，利用生成容量序列预测的RMSE为1.03%，虽然预测效果不如实际容量序列，但基本满足预测需求，能够在一定程度上减轻实验负担。

另外，研究人员指出，本课题建立的行驶工况下锂离子电池剩余使用寿命预测模型仅考虑单体电池的预测，未能对行驶工况下电动汽车中整个电池组剩余使用寿命进行预测，后续将重点关注电池组的剩余使用寿命预测研究。

本文编自2021年第24期《电工技术学报》，论文标题为“基于LightGBM的电动汽车行驶工况下电池剩余使用寿命预测”，作者为肖迁、焦志鹏 等。