曹孟達(dá)，張 濤，王 羽，張亞軍，劉亞杰

(國(guó)防科技大學(xué) 系統(tǒng)工程學(xué)院,湖南 長(zhǎng)沙 410073)

0 引言

隨著我國(guó)工業(yè)的蓬勃發(fā)展，鋰離子電池技術(shù)已廣泛應(yīng)用于車(chē)輛、航空航天、便攜式電子設(shè)備等領(lǐng)域。與傳統(tǒng)電池相比，鋰離子電池具有許多優(yōu)勢(shì)，如高能量密度、循環(huán)壽命長(zhǎng)、自放電率低且與其他電池化學(xué)物質(zhì)相比沒(méi)有記憶效應(yīng)[1-3]。這些優(yōu)勢(shì)使得鋰離子電池被應(yīng)用在更廣泛的領(lǐng)域，如新一代豐田普銳斯、比亞迪E6、K9和本田思域等電動(dòng)汽車(chē)都采用鋰離子電池作為動(dòng)力來(lái)源。尤其是在航空航天領(lǐng)域，鋰離子電池取代傳統(tǒng)鎳氫、鎳鎘電池，成為第三代衛(wèi)星儲(chǔ)能電池，并已經(jīng)投入實(shí)際生產(chǎn)和應(yīng)用，例如美國(guó)國(guó)家航空航天局(NASA)的火星探測(cè)漫游者項(xiàng)目(Mars Exploration Rover，MER)、歐洲航天局(ESA)的火星快車(chē)號(hào)(Mars Express)和日本的獵鷹(Falcon Bird)小行星都已經(jīng)選擇鋰離子電池作為能量?jī)?chǔ)備[4-5]。同時(shí)，鋰離子電池使用期間的安全性、可靠性和穩(wěn)定性是應(yīng)用中關(guān)注的重點(diǎn)，通常需要安裝電池管理系統(tǒng)(BMS)來(lái)確保電池系統(tǒng)的安全、高效運(yùn)行[6-7]。

作為工業(yè)系統(tǒng)中的主要儲(chǔ)能設(shè)備，鋰離子電池故障常常會(huì)導(dǎo)致系統(tǒng)性能降低、失效，增加維修、維護(hù)成本[8]。1999年，美國(guó)太空試驗(yàn)空軍研究實(shí)驗(yàn)室因電池內(nèi)部阻抗異常而故障失效[9]。2013年，機(jī)載鋰離子電池故障引起多架波音787失火，并導(dǎo)致所有同類(lèi)型客機(jī)無(wú)限期停飛[10]。而衛(wèi)星電源系統(tǒng)的鋰離子電池由于工作環(huán)境特殊，維修困難，一旦出現(xiàn)故障，將導(dǎo)致衛(wèi)星整體失效，無(wú)法運(yùn)轉(zhuǎn)。NASA發(fā)射的火星探測(cè)器電池存在過(guò)充問(wèn)題，但操作者未及時(shí)發(fā)現(xiàn)其狀態(tài)仍然將探測(cè)器的太陽(yáng)能電池板朝太陽(yáng)方向旋轉(zhuǎn)，使電池溫度過(guò)高而失效，最終導(dǎo)致探測(cè)器丟失。因此，準(zhǔn)確地評(píng)估、預(yù)測(cè)鋰離子電池的剩余使用壽命(Remaining Useful Life，RUL)，在鋰離子電池狀態(tài)估計(jì)和健康管理中起著越來(lái)越重要的作用[11]，能夠在電池出現(xiàn)失效前及時(shí)調(diào)整工作狀態(tài)，避免出現(xiàn)更嚴(yán)重的故障。

1 鋰離子電池RUL研究

鋰離子電池RUL估計(jì)的典型方法通?？梢苑譃榛谀Ｐ偷姆椒╗12]、基于數(shù)據(jù)驅(qū)動(dòng)的方法[13]和二者組合的混合方法[14]?，F(xiàn)在較普遍的粒子濾波方法[15]、艾林(Eyring)模型[16]、威布爾分布模型[17]等均屬于基于模型的方法。OSSAI等人[18]采用隨機(jī)效應(yīng)模型和威布爾分布函數(shù)對(duì)鋰離子電池RUL進(jìn)行評(píng)估，選擇最大似然估計(jì)(MLE)算法和隨機(jī)近似期望最大化(SEAM)算法對(duì)隨機(jī)效應(yīng)參數(shù)進(jìn)行優(yōu)化，對(duì)鋰離子電池RUL預(yù)測(cè)精度達(dá)到98%以上。XU等人[19]通過(guò)建立狀態(tài)空間模型預(yù)測(cè)鋰離子電池RUL，該模型中參數(shù)和狀態(tài)的更新是通過(guò)期望最大化(EM)和擴(kuò)展卡爾曼濾波器(EKF)算法的組合來(lái)實(shí)現(xiàn)。這些研究雖然能夠?qū)?fù)雜系統(tǒng)退化進(jìn)行精確建模從而獲取較準(zhǔn)確的預(yù)測(cè)結(jié)果，但其建模過(guò)程往往需要大量有關(guān)物理系統(tǒng)的先驗(yàn)知識(shí)[20]。由于鋰離子電池內(nèi)部復(fù)雜的化學(xué)反應(yīng)，通常很難檢測(cè)和收集用于電池退化模型的綜合內(nèi)部狀態(tài)參數(shù)，因此在實(shí)際情況中很難建立準(zhǔn)確的預(yù)測(cè)模型。數(shù)據(jù)驅(qū)動(dòng)方法能夠基于傳感器收集的歷史數(shù)據(jù)對(duì)退化特性建模，通過(guò)揭示傳感器數(shù)據(jù)中的潛在相關(guān)性和因果關(guān)系推斷出相應(yīng)的系統(tǒng)信息[21](如RUL)。基于數(shù)據(jù)驅(qū)動(dòng)的方法通常需要足夠的歷史數(shù)據(jù)來(lái)訓(xùn)練模型，在預(yù)測(cè)上不過(guò)多依賴(lài)先驗(yàn)知識(shí)。近年來(lái)提出了許多數(shù)據(jù)驅(qū)動(dòng)算法，并且取得了良好的預(yù)測(cè)結(jié)果，包括人工神經(jīng)網(wǎng)絡(luò)(Neural Network，NN)、支持向量機(jī)(SVM)[22]、隱馬爾可夫模型[23]、相關(guān)向量機(jī)(RVM)[24]等。將基于數(shù)據(jù)驅(qū)動(dòng)的方法和基于模型的方法相結(jié)合的混合方法旨在利用2種方法的優(yōu)點(diǎn)，避免其缺點(diǎn)[25]。鋰離子電池的混合方法主要與粒子濾波和卡爾曼濾波等方法相關(guān)。Dong等人[26]提出了一種基于短期浮動(dòng)的鋰離子電池RUL預(yù)測(cè)框架，該框架通過(guò)應(yīng)用基于布朗運(yùn)動(dòng)的退化模型來(lái)實(shí)現(xiàn)電池容量評(píng)估，將容量變化視為布朗粒子在一定時(shí)間內(nèi)間隔的移動(dòng)距離，粒子濾波用于估計(jì)布朗運(yùn)動(dòng)的漂移參數(shù)。盡管在混合方法上已經(jīng)有了一些研究，但是開(kāi)發(fā)有效的混合方法應(yīng)用于實(shí)際退化仍然是非常困難的，特別是對(duì)于物理模型和數(shù)據(jù)驅(qū)動(dòng)技術(shù)的結(jié)合。

在過(guò)去的幾年中，基于數(shù)據(jù)驅(qū)動(dòng)的方法在鋰離子電池RUL預(yù)測(cè)領(lǐng)域得到了許多關(guān)注。但是，基于數(shù)據(jù)驅(qū)動(dòng)的方法常常需要復(fù)雜的信號(hào)處理技術(shù)從傳感器數(shù)據(jù)中提取特征。這種信號(hào)處理需要人工提取、處理并分析信號(hào)數(shù)據(jù)，但人為因素的加入也導(dǎo)致模型的精確度和可靠性受到影響。隨著人工智能和生物技術(shù)的發(fā)展，深度學(xué)習(xí)在處理信號(hào)數(shù)據(jù)時(shí)具有良好的自動(dòng)挖掘和提取信息的能力[27]，能夠避免人為提取特征的不確定性。谷歌的Deepmind在AlphaGo上取得的成功證明了深度學(xué)習(xí)對(duì)大數(shù)據(jù)處理和功能學(xué)習(xí)的強(qiáng)大作用[28]。而深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)也在圖像識(shí)別、自然語(yǔ)言處理、語(yǔ)音識(shí)別等許多領(lǐng)域獲得了巨大的成功，并在提取原始振動(dòng)信號(hào)和時(shí)頻特征方面進(jìn)行故障診斷有很好的應(yīng)用潛力[29-30]。

基于深度學(xué)習(xí)在信號(hào)處理和提取特征中的優(yōu)勢(shì)，提出了一種集成的深度學(xué)習(xí)方法用于鋰離子電池RUL預(yù)測(cè)。將深度學(xué)習(xí)中的自動(dòng)編碼器和深度神經(jīng)網(wǎng)絡(luò)集成在一起，構(gòu)建一種基于自動(dòng)編碼器模型的20維特征提取方法來(lái)表征鋰離子電池的退化狀況，訓(xùn)練基于深度神經(jīng)網(wǎng)絡(luò)的多電池RUL預(yù)測(cè)模型。將該方法應(yīng)用于NASA的鋰離子電池循環(huán)壽命的真實(shí)數(shù)據(jù)集進(jìn)行實(shí)例驗(yàn)證，實(shí)驗(yàn)結(jié)果表明了該方法的有效性和優(yōu)越性。

2 鋰離子RUL預(yù)測(cè)的深度學(xué)習(xí)框架

基于深度學(xué)習(xí)的鋰離子電池RUL預(yù)測(cè)模型框架如圖1所示。首先從原始數(shù)據(jù)中提取特征后采用自動(dòng)編碼器對(duì)特征進(jìn)行融合，然后將融合后的特征輸入深度神經(jīng)網(wǎng)絡(luò)中，以預(yù)測(cè)鋰離子電池的RUL，輸出預(yù)測(cè)結(jié)果。

圖1 基于深度學(xué)習(xí)的鋰離子電池RUL預(yù)測(cè)模型

2.1 提取特征

2.1.1 原始信號(hào)數(shù)據(jù)

通過(guò)對(duì)傳感器收集的鋰離子蓄電池充放電過(guò)程時(shí)的數(shù)據(jù)進(jìn)行分析，得出充放電過(guò)程，如圖2所示。

圖2 一次循環(huán)充放電過(guò)程

充電階段首先以恒定電流對(duì)鋰離子電池進(jìn)行充電，待電壓升至固定值后，保持恒定電壓進(jìn)行充電，直到充電電流降至固定值。放電階段同樣以恒定電流進(jìn)行放電，直至電壓降至固定值后，停止放電。

在鋰離子電池循環(huán)充放電的全壽命周期內(nèi)，獲得的充電數(shù)據(jù)包括充電溫度、充電測(cè)量電流、充電端電流、充電測(cè)量電壓。電池充電期間電荷參數(shù)變化如圖3所示。

(a) 端電壓變化

放電數(shù)據(jù)包括放電溫度、放電負(fù)載電流、放電負(fù)載電壓、放電測(cè)量電流。電池放電期間電荷參數(shù)變化如圖4所示。

(a) 負(fù)載電壓變化

隨著電池充放電循環(huán)次數(shù)的增加，電池壽命逐漸退化，在每一次循環(huán)中電池充放電時(shí)間不完全一致，因此采樣數(shù)據(jù)點(diǎn)也參差不齊，無(wú)法直接將原始采樣數(shù)據(jù)輸入特征融合模型，需要對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，以提取所有電量參數(shù)的典型特征。

2.1.2 提取特征

在對(duì)原始數(shù)據(jù)進(jìn)行特征提取時(shí)，需要考慮提取得到的數(shù)據(jù)是否能夠有效表征鋰離子電池的退化和實(shí)際性能，而鋰離子電池的每個(gè)測(cè)試參數(shù)的曲線都有明顯的幾何特征，并隨電池壽命退化而發(fā)生偏移[31]。因此，根據(jù)鋰離子電池每個(gè)循環(huán)中的每個(gè)維度，提取各個(gè)維度中的典型幾何特征信息，并利用這些幾何特征來(lái)表示鋰離子電池當(dāng)前的狀態(tài)。

① 電池充電期間端電壓特征提取如下：

(tmax(i),vi),s.t.vi≤4.2 V,i=1,2,3,...,n，

(1)

式中，tmax(i)為電池端電壓達(dá)到峰值，即將下降時(shí)的充電時(shí)間；vi為電池端電壓即將下降前的電壓值；n為當(dāng)次循環(huán)樣本數(shù)。

② 電池充電期間端電流、測(cè)量電流特征提取如下：

(tmax(i),Ii),s.t.Ii≤1.5 A,i=1,2,3,...,n，

(2)

式中，tmax(i)為電池端電流、測(cè)量電流保持恒定不變的最長(zhǎng)時(shí)間；Ii為電池端電流、測(cè)量電流即將下降前的電流值；n為當(dāng)次循環(huán)樣本數(shù)。

③ 電池充電期間測(cè)量電壓特征提取如下：

(tcmv,vcm)={ti,vi|max(vi)},i=1,2,3,...,n，

(3)

式中，tcmv為電池測(cè)量電壓達(dá)到峰值，開(kāi)始恒壓充電時(shí)的時(shí)間；vcm為此時(shí)的電壓值；n為當(dāng)次循環(huán)樣本數(shù)。

④ 電池充電、放電期間溫度特征提取如下：

(tcT,Tc)={ti,Ti|max(Ti)},i=1,2,3,...,n，

(4)

式中，tcT為電池測(cè)量溫度達(dá)到峰值的時(shí)間；Tc為電池溫度峰值；n為當(dāng)次循環(huán)樣本數(shù)。

⑤ 電池放電期間測(cè)量電壓、負(fù)載電壓特征提取如下：

(td,vd)={ti,vi|max(vi)},i=1,2,3,...,n，

(5)

式中，td為電池測(cè)量電壓、負(fù)載電壓達(dá)到峰值時(shí)的時(shí)間；vd為此時(shí)電壓值；n為當(dāng)次循環(huán)樣本數(shù)。

⑥ 電池放電期間測(cè)量電流、負(fù)載電流特征提取如下：

(tmax(i),Ii),s.t.|Ii|≤2 A,i=1,2,3,...,n，

(6)

式中，tmax(i)為電池結(jié)束恒定電流放電、電流的絕對(duì)值將低于2 A的時(shí)間；Ii為此時(shí)的電流值；n為當(dāng)次循環(huán)樣本數(shù)。

2.2 鋰離子RUL預(yù)測(cè)的深度學(xué)習(xí)框架

2.2.1 自動(dòng)編碼器

采用神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)時(shí)，通常輸入特征信息越多，信息的表達(dá)能力愈強(qiáng)。但隨著提取特征維度的增加，容易導(dǎo)致模型信息冗余和計(jì)算效率低下。同時(shí)，電池充電時(shí)恒流放電結(jié)束和電壓達(dá)到峰值的時(shí)間、放電時(shí)恒流放電結(jié)束和電壓達(dá)到最低值的時(shí)間常常是高度相關(guān)甚至互補(bǔ)的，應(yīng)當(dāng)在不降低預(yù)測(cè)精度的情況下減少冗余數(shù)據(jù)，多傳感器收集的信息進(jìn)行融合產(chǎn)生更準(zhǔn)確、更可靠的信息表示。因此在進(jìn)行深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練前，需要對(duì)提取特征進(jìn)行數(shù)據(jù)融合。經(jīng)典的信息融合降維方法包括主成分分析(Principal Component Analysis，PCA)[32]、近鄰保持嵌入(Neighborhood Preserving Embedding，NPE)[33]和自動(dòng)編碼器(Auto Encoder，AE)等。但PCA法存在局限性，在線性投影上效果較好且要求數(shù)據(jù)服從高斯分布，近鄰保持嵌入等方法無(wú)法學(xué)習(xí)高維抽象[34]，因此采用AE對(duì)鋰離子電池的時(shí)域特征數(shù)據(jù)進(jìn)行融合。

AE是一種3層的無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)，具有完全對(duì)稱(chēng)的網(wǎng)絡(luò)結(jié)構(gòu)，采用輸入向量通過(guò)非線性映射在下一層形成一個(gè)高層次的概念。AE嘗試近似一個(gè)相同的函數(shù)，將輸入的x進(jìn)行編碼，得到新的特征y，并且希望原始的x能夠從新的特征y中解碼出來(lái)，其結(jié)構(gòu)如圖5所示。

圖5 自動(dòng)編碼器的編碼和解碼

AE分為編碼和解碼2個(gè)階段。編碼是一個(gè)前向傳播過(guò)程，通過(guò)Sigmoid激活函數(shù)f(z)訓(xùn)練數(shù)據(jù)集{x1,x2,…,xi,},xi∈Zn進(jìn)行非線性映射到隱含層：

(7)

(8)

得到隱含層{y1,y2,…,yi}后，對(duì)隱含層進(jìn)行解碼：

(9)

式中，W為不同層之間的權(quán)值向量；b為偏差。

自動(dòng)編碼器解碼時(shí)的損失函數(shù)為：

(10)

式中，m,n分別為原始數(shù)據(jù)維度和隱含層維度，鋰離子電池特征數(shù)據(jù)維度m為20，隱含層維度n為16；x′，x分別是解碼后輸出數(shù)據(jù)和原始數(shù)據(jù)。

2.2.2 深度神經(jīng)網(wǎng)絡(luò)

深度學(xué)習(xí)技術(shù)已經(jīng)被廣泛應(yīng)用于各行各業(yè)中，通過(guò)組合多種類(lèi)型的網(wǎng)絡(luò)層，形成深度神經(jīng)網(wǎng)絡(luò)模型，逐層對(duì)原始數(shù)據(jù)計(jì)算，利用反向傳播算法學(xué)習(xí)對(duì)數(shù)據(jù)越來(lái)越抽象的表示形式，從而提高對(duì)目標(biāo)預(yù)測(cè)、圖像分類(lèi)等任務(wù)的精確度[35]。由于深度神經(jīng)網(wǎng)絡(luò)中每個(gè)隱含層都可以是非線性變換的輸出層，因此深度神經(jīng)網(wǎng)絡(luò)比淺層神經(jīng)網(wǎng)絡(luò)具有更強(qiáng)的表達(dá)能力。

在鋰離子電池RUL預(yù)測(cè)框架中使用深度神經(jīng)網(wǎng)絡(luò)模型，它是一種有監(jiān)督的學(xué)習(xí)模型，在前向傳播過(guò)程接收原始數(shù)據(jù)(即經(jīng)過(guò)自動(dòng)編碼器融合后的特征數(shù)據(jù))將其映射為固定數(shù)據(jù)量的輸出數(shù)據(jù)，從前一層到下一層的計(jì)算過(guò)程中，融合特征被加權(quán)求和，經(jīng)過(guò)激勵(lì)函數(shù)，得到輸出結(jié)果。

加權(quán)求和過(guò)程為：

(11)

激勵(lì)函數(shù)一般有Sigmoid函數(shù)、tanh函數(shù)和Relu函數(shù)，Sigmoid函數(shù)如式(8)，tanh函數(shù)和Relu函數(shù)如式(12)和式(13)所示：

f(x)=tanh(x)，

(12)

f(x)=max(x,0)。

(13)

訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)時(shí)，設(shè)置預(yù)測(cè)結(jié)果和實(shí)際結(jié)果的均方誤差(Mean Square Error，MSE)作為損失函數(shù)：

(14)

3 實(shí)驗(yàn)分析

3.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)數(shù)據(jù)來(lái)自于NASA埃姆斯卓越故障預(yù)測(cè)研究中心(Prognostic Center of Excellence，PCoE)的鋰離子電池?cái)?shù)據(jù)集。本文利用了數(shù)據(jù)集中的B5、B6、B7三種鋰離子電池?cái)?shù)據(jù)開(kāi)展驗(yàn)證實(shí)驗(yàn)，該系列電池均為市場(chǎng)銷(xiāo)售的18650鋰離子電池，在25 ℃下進(jìn)行了3種不同工作模式下的加速退化實(shí)驗(yàn)，并記錄了實(shí)驗(yàn)數(shù)據(jù)，步驟如下：

① 充電過(guò)程：以1.5 A的恒流充電模式對(duì)鋰離子電池進(jìn)行充電，電壓不斷升高至4.2 V后開(kāi)始恒壓充電，直至充電電流降低至0.02 A。

② 放電過(guò)程：以2 A的恒流放電模式對(duì)鋰離子電池進(jìn)行放電，直至B5、B6、B7三組鋰離子電池的電壓降至2.7，2.5，2.2 V。

③ 不斷進(jìn)行充放電循環(huán)，加速電池退化過(guò)程，當(dāng)檢測(cè)到電池容量衰減到70%時(shí)，判定電池失效，實(shí)驗(yàn)結(jié)束。

3.2 模型訓(xùn)練結(jié)果及分析

鋰離子電池RUL預(yù)測(cè)模型分為AE和深度神經(jīng)網(wǎng)絡(luò)兩部分，選擇B5、B6電池?cái)?shù)據(jù)作為訓(xùn)練集，B7電池作為測(cè)試集對(duì)預(yù)測(cè)模型進(jìn)行實(shí)驗(yàn)驗(yàn)證，并將混合模型(ADNN)預(yù)測(cè)結(jié)果和深度神經(jīng)網(wǎng)絡(luò)模型、SVM模型和采用AE融合特征的AE-SVM模型預(yù)測(cè)結(jié)果進(jìn)行對(duì)比。

在AE模型中，傳感器收集的原始數(shù)據(jù)特征經(jīng)預(yù)處理后得到20維的特征數(shù)據(jù)。編碼過(guò)程采用Sigmoid函數(shù)作為激勵(lì)函數(shù)，設(shè)置中間層為16維，解碼過(guò)程的激勵(lì)函數(shù)采用Relu函數(shù)，得到中間層輸出結(jié)果即為深度神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的輸入數(shù)據(jù)。在深度神經(jīng)網(wǎng)絡(luò)部分，設(shè)置隱含層數(shù)分別為12，7，4，輸出層為1，即鋰離子電池容量。中間層激活函數(shù)均采用Relu函數(shù)，模型參數(shù)更新采用Adam優(yōu)化算法，兩部分訓(xùn)練過(guò)程損失函數(shù)如圖6所示。

(a) 自動(dòng)編碼器訓(xùn)練損失

深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)束后，采用B7電池進(jìn)行鋰離子電池RUL預(yù)測(cè)，未采用AE對(duì)特征數(shù)據(jù)進(jìn)行融合處理得到預(yù)測(cè)結(jié)果如圖7(a)所示，采用自動(dòng)編碼器處理后的ADNN預(yù)測(cè)結(jié)果如圖7(b)。

預(yù)測(cè)結(jié)果中橫軸為B7電池充放電循環(huán)次數(shù)，縱軸為電池容量歸一化后結(jié)果。藍(lán)色的點(diǎn)為真實(shí)值，紅色的線為預(yù)測(cè)值，能夠觀察到圖7(a)中RUL預(yù)測(cè)曲線與實(shí)際值趨勢(shì)相近，但預(yù)測(cè)誤差較大。而圖7(b)中RUL預(yù)測(cè)曲線與實(shí)際值基本吻合。

(a) DNN

使用SVM模型對(duì)B7電池進(jìn)行RUL預(yù)測(cè)的結(jié)果如圖8所示，能夠發(fā)現(xiàn)采用自動(dòng)編碼器對(duì)特征數(shù)據(jù)進(jìn)行融合處理后的SVM模型預(yù)測(cè)效果更好。

(a) SVM

除損失函數(shù)均方誤差(Mean Square Error，MSE)外，進(jìn)一步采用均方根誤差(Root Mean Square Error，RMSE)和平均絕對(duì)百分比誤差(Mean Absolute Percentage Error，MAPE)對(duì)模型預(yù)測(cè)精度進(jìn)行驗(yàn)證：

(15)

(16)

模型預(yù)測(cè)誤差對(duì)比結(jié)果如表1所示。

表1 預(yù)測(cè)誤差

由表1可以看出，采用深度神經(jīng)網(wǎng)絡(luò)對(duì)鋰離子電池RUL預(yù)測(cè)具有很好的效果，而采用自動(dòng)編碼器對(duì)鋰離子電池?cái)?shù)據(jù)進(jìn)行融合處理后，預(yù)測(cè)精度都有了一定的提升。因此本文提出的基于自動(dòng)編碼器的ADNN模型能夠準(zhǔn)確、可靠地預(yù)測(cè)鋰離子電池的RUL。當(dāng)衛(wèi)星發(fā)射到太空后，由于無(wú)法直接獲取容量數(shù)據(jù)，通過(guò)地面同類(lèi)型電池循環(huán)實(shí)驗(yàn)構(gòu)造鋰離子電池容量評(píng)估模型，根據(jù)衛(wèi)星傳回地面的相關(guān)數(shù)據(jù)得到衛(wèi)星鋰離子電池的實(shí)時(shí)容量，使地面操作人員更直觀清晰地了解衛(wèi)星電池的工作狀況。

4 結(jié)束語(yǔ)

鋰離子電池的RUL預(yù)測(cè)對(duì)鋰離子電池狀態(tài)估計(jì)和健康管理很重要，因此本文提出了一種深度學(xué)習(xí)框架的鋰離子電池RUL預(yù)測(cè)方法。這種深度學(xué)習(xí)框架采用自動(dòng)編碼器對(duì)鋰離子電池?cái)?shù)據(jù)進(jìn)行特征提取和數(shù)據(jù)融合，深度神經(jīng)網(wǎng)絡(luò)對(duì)鋰離子電池RUL進(jìn)行預(yù)測(cè)?；贜ASA的電池測(cè)試數(shù)據(jù)，與支持向量機(jī)方法相比，驗(yàn)證了自動(dòng)編碼器在特征提取融合上的優(yōu)勢(shì)和本混合方法在鋰離子電池RUL預(yù)測(cè)上具有更好的準(zhǔn)確性和有效性。

根據(jù)這種方法，在衛(wèi)星在軌運(yùn)行期間，通過(guò)地面同步實(shí)驗(yàn)構(gòu)建鋰離子電池RUL預(yù)測(cè)模型，結(jié)合衛(wèi)星傳輸?shù)降孛娴倪b測(cè)數(shù)據(jù)實(shí)時(shí)了解鋰離子電池容量，為地面操作人員判斷衛(wèi)星電池健康狀態(tài)提供參考。下一步計(jì)劃研究在不同充放電環(huán)境下鋰離子電池的RUL預(yù)測(cè)方法。