Dự báo tuổi thọ pin Lithium-Ion xe ô tô điện dựa trên thuật toán hồi quy tuyến tính - Machine Learning

Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022)

Dự Báo Tuổi Thọ Pin Lithium-Ion
Xe Ơ Tơ Điện Dựa Trên Thuật Tốn
Hồi Quy Tuyến Tính - Machine Learning
Võ Thanh Hà1, Phạm Thị Giang2, Đào Thanh Toản1
1

Khoa Điện-Điện Tử, Trường Đại học Giao Thông Vận Tải
Khoa Điện, Trường Đại học Kinh Tế Kỹ Thuật Công Nghiệp
Email:

2

I.
GIỚI THIỆU
Trong những năm gần đây, pin lithium-ion (lithiumion battery – LIB) đã thu hút sự chú ý rộng rãi trong
nghiên cứu và ứng dụng, do ưu điểm của mật độ năng
lượng cao, đặc tính tự phóng điện thấp và sạc nhanh,
cơng suất cao, ít ơ nhiễm và kéo dài tuổi thọ, vì vậy thị
phần pin lithium-ion trên thị trường đang tăng lên liên
tục [1-3]. Do những đặc điểm nổi trội đó nên đã thu hút
được nhiều nhà khoa học nghiên cứu quản lý năng
lượng pin trong những năm gần đây [4]. Trong đó, trạng
thái tuổi thọ pin (State of health-SOH) là một chỉ số
được sử dụng để đánh giá mức độ lão hóa của pin, bao
gồm khả năng suy giảm và dự đoán tuổi thọ của chu kỳ
sạc và xả của pin. Mơ hình này, cung cấp thơng tin rất
hữu ích để dự đốn chẳng hạn như đẩy nhanh sự phát
triển của các vật liệu điện cực mới với dung lượng và
tuổi thọ cao hơn bằng cách thiết kế vật liệu và đánh giá

tuổi thọ của pin [5].

bằng trở kháng. Phương pháp đếm dung lượng theo
thời gian - Coulomb (CC) sử dụng tích phân dịng xả
hoặc sạc để tính dung lượng cịn lại trong pin. Phương
pháp này thực hiện tính tốn đơn giản nên phương pháp
được sử dụng rất rộng rãi [9]. Các tác giả của [10] đã
phát triển một mơ hình phi tuyến tính của pin bằng cách
sử dụng các thông số mạch như điện trở, tụ điện và cuộn
cảm dựa trên mơ hình mạch Randles đã sửa đổi để dự
đoán sự suy giảm dung lượng pin. Tuy nhiên, độ chính
xác của các phép đo EIS bị ảnh hưởng nhiễu gây ra bởi
các thành phần tích hợp khác trong hệ thống [11]. Bên
cạnh đó, theo tài liệu [12], mơ hình dự báo tuổi thọ kết
hợp với công nghệ lọc tiên tiến sẽ dự báo sự suy giảm
dung lượng pin đối với các mơ hình mạch tương đương
có số lượng lớn các tham số phức tạp, đa dạng và chưa
xác định của cell pin. Hơn thế nữa, tại tài liệu [13] đã đề
xuất một mơ hình hồi quy hàm mũ và đa thức thực
nghiệm để theo dõi xu hướng suy giảmv của cell pin
trong vòng đời của cell pin dựa trên phân tích dữ liệu
thực nghiệm và sử dụng phương pháp lọc để điều chỉnh
các thông số mơ hình trực tuyến. Trong tài liệu tham
khảo [14], một mơ hình mới đã được phát triển bằng
cách sử dụng bộ lọc Kalman với vectơ hồi quy và được
áp dụng cho vịng đời chu kỳ và dự đốn dung lượng
ngắn hạn của pin. Theo tài liệu [15] đã phát triển một
phương pháp tiên lượng mới để xác định tuổi thọ chu
kỳ pin dựa trên bộ lọc nhiều mơ hình tương tác. Phương
pháp mơ hình tương tác nhiều mơ hình-IMMPF cho các

phương trình trạng thái khác nhau, được sử dụng cho
nhiều mơ hình cơng suất của pin. Qua đây nhận thấy
rằng các phương pháp dựa trên mơ hình này đã đạt
những thanh tựu tiến bộ đáng kể về hiệu suất cao. Kết
quả này được minh chứng qua thực nghiệm, tuy nhiên,
độ chính xác và bền vững các mơ hình này bị giới hạn
bởi độ chính xác sự suy giảm pin của mơ hình vật lý
[16].

Hiện nay, các phương pháp dự báo dung lượng và
suy giảm công suất của pin phổ biên là dựa trên mơ hình
vật lý và thu nhập dữ liệu [6]. Các phương pháp dựa trên
mơ hình sử dụng tốn học. Mơ hình được xác định theo
cơ chế suy giảm vật lý hoặc thử nghiệm của pin, để nắm
bắt quy luật suy giảm của pin [7]. Theo tài liệu [8] đã sử
dụng toán học logic mờ để phân tích dữ liệu thu được

Ngày nay, phương pháp trí tuệ nhân tạo (AI) đã và
đang ứng dụng nhiêu trong lĩnh vực xử lý ảnh, nhận
dạng giọng nói, xử lý ngơn ngữ tự nhiên và dự đốn
trạng thái. Trong đó, phương pháp máy học (machine
learning-ML) là một dạng mạng nơ ron kinh điển nhưng
hệ thống được theo các thuật toán. Bên cạnh đó, các nhà
khoa học đã kết hợp hiệu quả của ML với các chương

Abstract— Bài báo đề xuất mô hình dự báo tuổi thọ pin
Lithium-ion cho xe ơ tơ điện dựa trên thuật tốn hồi quy
tuyến tính máy học có giám sát. Dự đốn dung lượng của
pin Lithium-ion dựa trên mơ hình hóa mỗi cell pin phụ
thuộc nhiệt độ. Mơ hình này sẽ được huấn luyện bởi thuật

tốn hồi quy tuyến tính meachine learning (ML) để đưa
ra kết quả dự báo dung lượng pin đầy hứa hẹn khi có đủ
dữ liệu thử nghiệm. Kết quả bài báo đưa ra dựa vào các
tính năng trên 100 chu kỳ sạc và xả đầu tiên để dự đốn
dung lượng cịn lại của pin. Kết quả này cho phép nhận
dạng nhanh chóng các quy trình sản xuất pin và cho phép
người dùng quyết định thay thế pin bị lỗi khi xác định
được suy giảm hiệu suất của pin và thời gian sử dụng. Kết
quả dự đốn được chứng minh bằng mơ phỏng Matlab
với sai số nhỏ khoảng 9.98%.
Keywords- Xe ô tô điện, Machine Learning, Hồi Quy
Tuyến Tính, Linear Regression, Pin Xe Điện, AI

ISBN 978-604-80-7468-5

281


Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thơng và Cơng nghệ Thơng tin (REV-ECIT2022)

trình đào tạo và sửa đổi thông minh để dự báo SOH của
bộ pin Li-ion. Chính vì vậy, trong bài báo sẽ đưa ra
phương pháp đề xuất được kết hợp với mơ hình Quy
trình mạng Gaussian (NGP) [17], xem xét sự suy giảm
của pin trong các điều kiện hoạt động khác nhau. Đầu
tiên, dựa trên phân tích tương quan, bài báo dự báo cơng
suất trung bình suy giảm trong các chu kỳ đầu của pin
có liên quan đến tuổi thọ của chu kỳ sạc và xả. Sau đó,
vịng đời chu kỳ của pin Li-ion được dự đốn bằng cách
sử dụng mơ hình đã thiết lập (ML). Kết quả bài báo đưa

ra dựa vào các đặc tính trên 100 chu kỳ sạc, xả đầu tiên
để dự đốn dung lượng cịn lại của pin. Kết quả này cho
phép nhận dạng nhanh chóng các quy trình sản xuất pin
và cho phép người dùng quyết định thay thế pin bị lỗi
khi xác định được suy giảm hiệu suất của pin và thời
gian sử dụng.

Trong đó: E là sức điện động; Vi là mẫu điện áp thứ i
trong n chu kỳ;
2.4 Chênh lệch điện áp
Chênh lệch điện áp giữa chu kỳ đầu và các chu
kỳ sau đó là chênh lệch năng lượng phóng giữa chu kỳ
đầu và các chu kỳ sau. Sự chênh lệch năng lượng này
có mối quan hệ phi tuyến với suy giảm dung lượng pin.
∆𝑄&"' = 𝑄' − 𝑄&
III.

THAM SỐ CHÍNH CỦA PIN XE Ơ TƠ ĐIỆN

Tham số chính của sạc pin xe ơ tơ điện được
xác định từ mỗi chu kỳ xả, đó là dựa trên dữ liệu về điện
áp xả, dòng điện xả, nhiệt độ và thời gian [18].
2.1 Nội điện trợ DC
Theo tài liệu [13], nội điện trợ DC được xác
định bởi công thức (1). Công thức với giải thiết sụt dung
lượng pin trong một khoảng thời gian xác định nhỏ, sao
cho sụt điện áp do nội điện trở DC gây nên.
! "!
𝑅𝐷𝐶 = !"# !#
(1)

!#

Trong đó: Vt1; Vt2 là cực điện áp của pin tại t1 và t2; It2 là
dòng xả tại thời điểm t2.
2.2 Phương sai của nhiệt độ
Nhiệt độ bề mặt tăng lên trong q trình sinh
nhiệt, khơng đổi và thay đổi trong giai đoạn xả. Nhiệt độ
này được tạo bởi I2R và phản ứng hoá học. Khi dung
lượng pin suy giảm thì nhiệt độ tăng lên dẫn đến phương
sai nhiệt lớn. Phương sai nhiệt độ trong mỗi chu kỳ
được tính tốn bởi cơng thức (2).
T= E(𝑇$ − 𝜇)%

(2)

Trong đó: E là sức điện động; Ti là mẫu nhiệt độ thứ i
trong n chu kỳ.
2.3 Phương sai điện áp xả
Khi điện áp xả nhanh hơn khi dung lượng pin
suy giảm. Phương sai điện áp xả trong mỗi chu kỳ được
viết như công thức (3)
𝑉 = E(𝑉$ − 𝜇)%

ISBN 978-604-80-7468-5

THU NHẬP DỰ LIỆU PIN

Bài báo đã sử dụng bộ dữ liệu của 124 pin Li-ion,
dung lượng định mức 1,1 Ah, dung lượng pin hỏng là
0,88 Ah, điện áp định mức 3,3V [18]. Trong thử nghiệm,

các pin đó được quay vịng trong một buồng nhiệt độ
đặt thành 30◦C. Các thông số thu thập như điện áp, cơng
suất, dịng điện, nhiệt độ và nội điện trở được đo liên
tục trong các chu kỳ xả và sạc. Bộ dữ liệu được tạo ra
bởi ba lô pin thông qua các thử nghiệm trực tuyến, trong
đó lơ đầu tiên chứa 41 pin, lơ thứ hai chứa 43 pin và lô
thứ ba chứa 40 pin. Tất cả các ô trong tập dữ liệu này đã
được sạc bằng sạc nhanh. Đây là tập dữ liệu công khai
lớn nhất về định nghĩa cho các pin LIB thương mại
giống nhau. Bài báo sẽ tiến hành nghiên cứu sự suy
giảm hiệu suất của pin LIB ứng với nhiều trường hợp
trong quy trình sản xuất và điều kiện hoạt động của tập
dữ liệu. Trong khi đó, điều kiện sạc nhanh cho phép ước
tính tuổi thọ của pin và tối ưu hóa hiệu suất pin trong
điều kiện cực nhanh.
Dữ liệu cho mỗi ô được lưu trữ trong một cấu trúc,
bao gồm các thơng tin sau:
• Dữ liệu bao gồm mã vạch di động, chính
sách sạc, vịng đời.
• Dữ liệu mỗi chu kỳ bao gồm số chu kỳ,
dung lượng xả, nội điện trở, thời gian sạc.
• Dữ liệu được thu thập trong một chu kỳ có
thời gian, nhiệt độ, cơng suất phóng điện,
điện áp nội suy tuyến tính
Các đường cong cơng suất xả quan sát được bao
gồm màu sắc của các đường cong thay đổi dọc theo
quang phổ theo chu kỳ tuổi thọ của pin được thể hiện
qua hình 1.
Hình 1 cho thấy mối quan hệ giữa công suất xả ước
lượng với số chu kỳ trong toàn bộ tuổi thọ của pin. Dung

lượng của pin giảm chậm trong các chu kỳ đầu, còn
trong giai đoạn sau của chu kỳ thì cơng suất xả nhanh.
Bên cạnh đó nhận thấy các đặc tính cơng suất cả xen kẽ
nhau, điều này có nghĩa đây là mơ hình giữa dung lượng
và chu kỳ pin là phi tuyến. Vì vậy để xác định được
chính xác tuổi thọ của pin, bài báo đề xuất mơ hình được
xây dựng dựa trên các thông số vật lý cơ bản với hiện
tượng xả sớm của pin.

Bài báo được sắp xếp năm phần như sau. Thu nhập
dữ liệu pin được trình bày trong phần 2. Việc trích xuất
các tính năng vật lý của pin được thể hiện trong phần 3.
Trong phần 4, phương pháp hồi quy tuyến tính
meachine learning-ML được giới thiệu. Kết quả mô
phỏng và đánh giá được thể hiện trong phần 5. Cuối
cùng, kết luận được tóm tắt trong phần 6.
II.

(4)

282


Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thơng và Cơng nghệ Thơng tin (REV-ECIT2022)

hình 2. Hệ số mối quan hệ giữa PDj và Lj nhỏ được thể
hiện tại hình 3.

Hình 1: Đường cong cơng suất xả quan sát; màu
sắc của các đường cong thay đổi dọc theo quang phổ

theo chu kỳ tuổi thọ
IV.

ĐẶC TÍNH VẬT LÝ CỦA PIN

Hình 2: Mỗi quan hệ giữa điện áp với công suất xả
khác nhau từ chu kỳ thứ 100 và 10 DQ100-10 (V )

Dựa vào thông số dữ liệu ban đầu tại phần 2 (điện áp,
dòng điện, nhiệt độ…) để dự đốn tuổi thọ của pin dựa
theo cơng thức cơng suấ của pin tại mỗi chu kỳ (5). Đây
là công thức thể hiện mỗi quan hệ giữa đực tính xả tại
những chu kỳ đầu tiên với tuổi thọ pin.
n
(5)
P = U (t )(Q(t ) - Q(t )) / (t - t )
jk

å
i =2

i

i

i -1

n

1

Trong đó:
Pjk là cơng suất pin tại mỗi chu kỳ
U (t) là điện áp xả
Q(t) là công suất xả
t là thời gian xả tại mỗi chu kỳ để xác định cơng suất
trung bình.
j là pin thứ j và k số chu kỳ xả
Dựa vào hình1 nhận thấy các đường cong công suất
của các cell pin suy giảm tại các chu kỳ đầu bởi vì do
cơng suất tăng nhẹ trong giai đoạn xả sớm. Chính vì vậy
để nghiên cứu mối quan hệ giữa các đặc tính và giai
đoạn tiếp sau liên quan đến vòng đời của chu kỳ pin, bài
báo sử dụng dữ liệu từ chu kỳ thứ 10 đến 100. Bên cạnh
đó tại hình 1 đường cong công suất P cho thấy dao động
suy giảm của pin là rất nhỏ trong toàn bộ chu kỳ. Bài
báo sử dụng thống kê phương sai để chuyển đổi độ dao
động suy giảm của cơng suất trung bình Pj của mỗi pin
từ chu kỳ thứ 10 đến 110 thành công suất PDj để thiết
lập mối quan hệ tương ứng với chu kỳ Lj. Mối quan hệ
giữa PDj và Lj được xác định qua công thức (6).
E ( PD L) - E ( PD ) E ( L)
(6)
r pD , L =
2
E ( P D ) - ( E ( PD ))2 E ( L2 ) - ( E ( L)) 2

Hình 3: Hệ số mối quan hệ giữa PDj và Lj
Với dự liệu ban đầu, kết quả đo theo trường
hợp đường cong công suất giảm dần từ chu kỳ 2 đến

100. Từ đó dự báo tuổi thọ của pin. Kết quả này được
thể qua bảng 1. Kết quả bảng 1 thể hiện 8 chu kỳ xả
đúng với tính chất vật lý của đường cơng cơng suất hình
1.

Mỗi quan hệ giữa điện áp với công suất xả khác nhau
từ chu kỳ thứ 100 và 10 DQ100-10 (V ) được thể hiện qua

ISBN 978-604-80-7468-5

283


Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022)

Bảng 1: Kết quả đo theo trường hợp đường cong công suất giảm dần từ chu kỳ 2 đến 8

Chu
kỳ

Giao điểm
Độ dốc tuyến
tuyến tính
Cơng
tính đường
đường cong suất xả
DQ100-10 (V ) DQ100-10 min(V ) cong công công suất từ tại chu
suất từ chu kỳ
chu kỳ 2 đến kỳ 2
2 đến 100

100

Thời gian
sạc trung
Nội
bình trong điện trở
5 chu kỳ tối thiểu
đầu tiên

Sự khác
nhau giữa
nội điện trở

1

-5.0839

-1.9638

6.4708e-06

1.0809

1.0753

13.4092

0.0168

-3.3898e-05

2

-4.3754

-1.6928

1.6313e-05

1.0841

1.0797

12.0251

0.0161

3

-4.1464

-1.5889

8.1708e-06

1.0800

1.0761

10.9678

0.0159

-1.2443e-04

4

-3.8068

-1.4216

-8.4910e-06

1.0974

1.0939

10.0251

0.0161

-3.7309e-05

5

-4.1181

-1.6089

2.2859e-05

1.0589

1.0538

11.6689

0.0160

-3.0445e-04

6

-4.0225

-1.5407

2.5969e-05

1.0664

1.0611

10.7977

0.0165

-2.4655e-04

7

-3.9697

-1.5077

1.7886e-05

1.0762

1.0721

10.1469

0.0162

2.2163e-05

8

-3.6195

-1.3383

-1.0356e-05

1.0889

1.0851

9.9247

0.0162

-6.6087e-05

-4.4186e-05

V. MƠ HÌNH HỒI QUY TUYẾN TÍNH VÀ KẾT
QUẢ ĐÁNH GIÁ MƠ HÌNH ĐƯỢC ĐÀO TẠO
a.

Mơ hình hồi quy tính tuyến

Hồi quy tuyến tính là một phương pháp để dự đoán
biến phụ thuộc (y) dựa trên giá trị của biến độc lập (x).
Điều này có nghĩa là hồi quy tuyến tính nên có một mối
quan hệ tuyến tính giữa biến độc lập và biến không độc
lập và ảnh hưởng của sự thay đổi trong giá trị của các
biến độc lập nên ảnh hưởng thêm vào tới các biến phụ
thuộc. Một vài tính chất của hồi quy tuyến tính đó là
đường hồi quy ln ln đi qua trung bình của biến độc
lập (x) cũng như trung bình của biến phụ thuộc (y).
Đường hồi qui tối thiểu hóa tổng của "diện tích các sai
số". Tổng các diện tích là một phép đo tổng biến thiên
trong tỷ lệ đáp ứng / biến phụ thuộc (y) và có thể được
coi là số lượng biến thiên vốn có trong đáp ứng trước
khi hồi quy được thực hiện.
Mơ hình hồi quy tuyến tính được thể hiện qua hình 4
và các bước thực hiện như sau:
Bước 1: Xác định các đặc tính dữ liệu đầu vào

Bước 2: Phân tích mơi tương quan của các dự liệu
Bước 3: Ước lượng mơ hình
Bước 4: Xác đinh đường chéo phù hợp (fitting line)
Bước 5: Phân tích mơ hình
Bước 6: Thử nghiệm mơ hình với dự liệu được kiểm
tra
Bước 7: Tính toán với các dạng chỉ số của dữ liệu đã
được kiểm tra

ISBN 978-604-80-7468-5

Hình 4: Mơ hình hồi quy tuyến tính
Bài báo sử dụng mơ hình hồi quy tuyến tính đơn giản
để dự đốn tuổi thọ cịn lại của cell pin. Mơ hình này
tính tốn đơn giản nhưng cho kết quả chính xác. Mơ
hình tuyến tính có dạng như cơng thức (7).
(7)
ˆ T xi + b
yˆi = w
Trong đó:
yˆ i là số dự báo chu kỳ của cell pin thứ i, biến phản
hồi
xi là vector đặc trưng p cho cell pin thứ i, biến dự báo
ŵ là một vectơ hệ số mơ hình p-chiều
b là hệ số hồi quy
Khi áp dụng các kỹ thuật hồi quy, một hàm phạt được
thêm vào cơng thức tối ưu hóa bình phương nhỏ nhất để
tránh q mức. Đó là hồi quy tuyến tính sử dụng mạng
đàn hồi để điều chỉnh và lựa chọn mơ hình bằng cách
tìm các vector hệ số thưa. Cơng thức hồi quy tuyến tính

sử dụng mạng đàn hồi có dạng như sau:

284


Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022)

kỳ. Quá 1200 chu kỳ, hiệu suất của mơ hình sẽ giảm sút.
Mơ hình ln đánh giá thấp vịng đời cịn lại trong khu
vực này. Điều này chủ yếu là do các tập dữ liệu kiểm tra
và xác thực chứa nhiều ô hơn đáng kể với tổng tuổi thọ
khoảng 1000 chu kỳ. Sai số bình phương trung bình căn
bậc 2 (RMSE) là 211.61và lỗi phần trăm trung bình đạt
là 9.98%.

2
wˆ = min w y - Xw - b 2 + l P(w ) (8)
Trong đó hàm min đại diện cho việc tìm kiếm giá trị
của w tối thiểu hóa đối số, y là vectơ n chiều của thời
lượng pin quan sát được, X là ma trận n × p của các đối
tượng và λ là một đại lượng vơ hướng khơng âm. Trong
đó y - Xw 2 được tìm thấy trong các hình vuông nhỏ
2

nhất thông thường.
P(w) phụ thuộc vào kỹ thuật hồi quy mạng đàn hồi
1-a
2
(9)
P( w ) =

w 2 +a w 1
2
Trong đó
a là hệ số vơ hướng giữa 0 và 1.
Một cách để đánh giá mức độ “tốt” mà mô hình phù
hợp với một tập dữ liệu nhất định là tính tốn sai số bình
phương trung bình căn bậc 2 (RMSE). RMES là số liệu
đã biết trung bình các giá trị dự đoán khác xa với các
giá trị quan sát. RMSE và lỗi phần trăm trung bình được
chọn để đánh giá hiệu suất của mơ hình. RMSE được
tính tốn như công thức (10) như sau:

Xét trường hợp 2:
Lựa chọn hệ số a :0.1: 0.1:1
Lựa chọn hệ số b : 0:0.1:1

1 n
(10)
( yi - yˆi )2
å
n i =1
Trong đó yi là vòng đời quan sát được, yˆ i là chu kỳ
dự đoán và n là tổng số mẫu. Phần trăm lỗi trung bình
được xác định theo cơng thức (11):
RMSE =

Hình 6: Tuổi thọ pin dự báo và thật
Kết quả thu được tại hình 6 cho thấy tất cả các điểm
trong ơ trên gần với đường chéo. Mơ hình được huấn
luyện đang hoạt động tốt khi vòng đời còn lại từ 500 đến

1200 chu kỳ. Quá 1200 chu kỳ, hiệu suất của mơ hình sẽ
giảm sút. Sai số bình phương trung bình căn bậc 2
(RMSE) là 218.4 và lỗi phần trăm trung bình đạt là
10.35%.

1 n ( yi - yˆi )
(11)
å y x100
n i =1
i
Đánh giá hiệu suất của mơ hình được đào tạo

%erro =
b.

Để tạo bền vững cho mơ hình, trong bài báo lựa chọn
hệ số vô hướng và hồi quy như sau:
Xét trường hợp 1:

Xét trường hợp 3:

Lựa chọn hệ số a :0.01: 0.1:1
Lựa chọn hệ số b : 0:0.01:1

Lựa chọn hệ số a :0.2: 0.1:1
Lựa chọn hệ số b : 0:0.2:1

Hình 5: Tuổi thọ pin dự báo và thật
Hình 7: Tuổi thọ pin dự báo và thật

Kết qủa hình 5 nhận thấy tất cả các điểm trong ô trên
gần với đường chéo. Mơ hình được huấn luyện đang
hoạt động tốt khi vòng đời còn lại từ 500 đến 1200 chu

ISBN 978-604-80-7468-5

Kết quả thu được tại hình 7 cho thấy tất cả các điểm
trong ô trên gần với đường chéo. Mơ hình được huấn

285


Hội nghị Quốc gia lần thứ 25 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2022)

luyện đang hoạt động tốt khi vòng đời còn lại từ 500 đến
1200 chu kỳ. Quá 1200 chu kỳ, hiệu suất của mô hình sẽ
giảm sút. Sai số bình phương trung bình căn bậc 2
(RMSE) là 229.49 và lỗi phần trăm trung bình đạt là
11.09%.
VI.

[9] A. Samanta, S. Chowdhuri and S. S. Williamson,
“Machine learning-based data-driven fault detection/diagnosis of lithium-ion battery: A critical review,” Electronics,
vol. 10, no. 11, pp. 1309, 2021.
[10] Su, X.; Wang, S.; Pecht, M.; Zhao, L.; Ye, Z. Interacting
multiple model particle filter for prognostics of lithium-ion
batteries, Microelectron. Reliab. 2017, 70, 59–69. [CrossRef]
[11] Sahinoglu, G.O.; Pajovic, M.; Sahinoglu, Z.; Wang,
Y.B.; Orlik, P.V.; Wada, T. Battery state-of-charge estimation
based on regular/recurrent Gaussian process regression. IEEE

Trans. Ind. Electron. 2018, 65, 4311–4321. [CrossRef]
[12] Ng, S.; Xing, Y.; Tsui, K. A naive Bayes model for
robust remaining useful life prediction of lithium-ion battery.
Appl.
Energy
2014,118,
114–123.
[CrossRef]
[13] Wang, D.; Miao, Q.; Pecht, M. Prognostics of lithiumion batteries based on relevance vectors and a conditional
three-parameter capacity degradation model. J. Power
Sources
2013,
239,
253–264.
[CrossRef]
[14] Liu, D.; Zhou, J.; Liao, H.; Peng, Y.; Peng, X. A health
indicator extraction and optimization framework for lithiumion battery degradation modeling and prognostics. IEEE
Trans. Syst. Man Cybern. Syst. 2015, 45, 915–928.
[15] Zhou, Y.; Huang, M.; Chen, Y.; Tao, Y. A novel health
indicator for on-line lithium-ion batteries remaining useful
life prediction. J. Power Sources 2016, 321, 1–10. [CrossRef]
[16] Zhou, Y.; Huang, M.; Chen, Y.; Tao, Y. A novel health
indicator for on-line lithium-ion batteries remaining useful
life prediction.J. Power Sources 2016, 321, 1–10. [CrossRef]
[17] Widodo, A.; Shim, M.; Caesarendra, W.; Yang, B.
Intelligent prognostics for battery health monitoring based on
sample entropy.Expert Syst. Appl. 2011, 38, 11763–11769.
[CrossRef]
[18] Severson, K.A., Attia, P.M., Jin, N. et al. "Data-driven
prediction of battery cycle life before capacity degradation."

Nat
Energy 4,
383–391
(2019).
/>
KẾT LUẬN

Bài báo đã sử dụng mơ hình hồi quy tuyến tính
đơn giản để dự đốn tuổi thọ chu kỳ pin chỉ dựa trên
các phép đo từ 100 chu kỳ đầu tiên. Các tính năng chỉnh
định được trích xuất từ dữ liệu vật lý cơ bản và một mơ
hình hồi quy tuyến tính đơn giản đã được trang bị bằng
cách sử dụng đào tạo dữ liệu. Các siêu tham số sau đó
đã được chọn bằng cách sử dụng tập dữ liệu xác thực.
Mơ hình này đã được sử dụng trên dữ liệu thử nghiệm
để đánh giá hiệu suất. Chỉ sử dụng phép đo trong 100
chu kỳ đầu tiên, sai số bình phương trung bình RootMean-Square-Error (RMSE) của dự đốn vịng đời cịn
lại của các ơ trong tập dữ liệu thử nghiệm là 211,61 và
thu được sai số phần trăm trung bình là 9,98%. Tuy
nhiên mơ hình dự đoán tuổi thọ chu kỳ pin đề xuất cần
được minh chứng bằng thực nghiệm tính trong tương
lai.
TÀI LIỆU THAM KHẢO
[1] Schmuch, R., Wagner, R., Hörpel, G., Placke, T. &
Winter, M. Performance and cost of materials for lithiumbased rechargeable automotive batteries. Nat. Energy 3, 267–
278 (2018)
[2] C. Zhu, F. Lu, H. Zhang and C. C. Mi, “Robust predictive
battery thermal management strategy for connected and
automated hybrid electric vehicles based on thermoelectric
parameter uncertainty,” IEEE Journal of Emerging and

Selected Topics in Power Electronics, vol. 6, no. 4, pp. 1796–
1805, 2018.
[3] Peterson, S. B., Apt, J. & Whitacre, J. F. Lithium-ion
battery cell degradation resulting from realistic vehicle and
vehicle-to-grid utilization. J. Power Sources 195, 2385–2392
(2010).
[4] Ramadesigan, V. et al. Modeling and simulation of
lithium-ion batteries from a systems engineering perspective.
J. Electrochem. Soc. 159, R31–R45 (2012).
[5] Waag, W., Fleischer, C. & Sauer, D. U. Critical review of
the methods for monitoring of lithium-ion batteries in electric
and hybrid vehicles. J. Power Sources 258, 321–339 (2014).
[6] C. Vidal, P. Kollmeyer, E. Chemali and A. Emadi, “Liion battery state of charge estimation using long short-term
memory recurrent neural network with transfer learning,” in
Proc. of IEEE Transportation Electrification Conf. and Expo
(ITEC), Detroit, MI, USA, pp. 1–6, 2019.
[7] C. She, L. Zhang, Z. Wang, F. Sun, P. Liu et al., “Battery
state of health estimation based on incremental capacity
analysis method: Synthesizing from cell-level test to realworld application,” IEEE Journal of Emerging and Selected
Topics in Power Electronics, vol. 10, no. 1, pp. 28–41, 2022.
[8] Hu, X.; Li, S.; Peng, H. A comparative study of equivalent
circuit models for Li-ion batteries. J. Power Sources 2012,
198, 359–367.[CrossRef]

ISBN 978-604-80-7468-5

286