王 波，陳東東，張錦霞，張之琛，馬星星，張志宏

（1.國(guó)網(wǎng)陜西省電力公司信息通信公司，陜西西安 710065；2.上海交通大學(xué)生物醫(yī)學(xué)工程學(xué)院，上海 200030；3.廈門大學(xué)信息學(xué)院，福建廈門 361005）

0 引言

鉛酸蓄電池由于其價(jià)格低廉，高低性能穩(wěn)定、安全性高、資源再利用性好等諸多優(yōu)勢(shì)，已逐步成為化學(xué)電池市場(chǎng)中使用范圍最廣的電池，廣泛應(yīng)用于動(dòng)力系統(tǒng)、智能變電站、UPS 系統(tǒng)、大型儲(chǔ)能設(shè)備等領(lǐng)域。然而，由于缺乏有效地維護(hù)和性能診斷手段，很多蓄電池組在實(shí)際使用中遠(yuǎn)遠(yuǎn)達(dá)不到額定使用壽命，經(jīng)常會(huì)出現(xiàn)供電能力不足的問題[1-2]。現(xiàn)有的鉛酸蓄電池在使用2—3 年后，大部分很難通過(guò)容量檢測(cè)[3-4]。導(dǎo)致蓄電池組早期失效的主要原因是蓄電池組中有劣化單體電池的出現(xiàn)。由于蓄電池組各單體電池存在不一致性，使蓄電池組放電時(shí)，健康電池放電不到位（達(dá)不到截止電壓），劣化電池過(guò)放電；充電時(shí)，健康電池過(guò)充電，而劣化電池充電不到位，進(jìn)一步增大了蓄電池組的不一致性[4-6]。隨著電池不斷充放電，單體電池之間的差異不斷增大，由于“水桶效應(yīng)”，最終導(dǎo)致蓄電池組因個(gè)別單體的早期失效無(wú)法正常工作。此外，劣化電池將首先影響其附近的單體電池，并逐步擴(kuò)散，最后導(dǎo)致整組電池不能正常工作[7-8]，嚴(yán)重影響到關(guān)鍵設(shè)備的供電安全和緊急情況下的供電安全。過(guò)充和過(guò)放現(xiàn)象，也容易導(dǎo)致其壽命縮短，容量衰減嚴(yán)重，故障停運(yùn)的幾率增加[9-10]。

為了確保蓄電池組的實(shí)際工作性能，國(guó)家和電力行業(yè)針對(duì)蓄電池組的存儲(chǔ)、安裝、驗(yàn)收和日常維護(hù)、定期容量測(cè)試制定了詳細(xì)的標(biāo)準(zhǔn)和規(guī)程。根據(jù)《蓄電池電源裝置運(yùn)行與維護(hù)技術(shù)規(guī)程》相關(guān)規(guī)定，為保證蓄電池組和直流電源系統(tǒng)的安全可靠運(yùn)行，對(duì)1 年以上的蓄電池組要求1—2 年做1 次深度超過(guò)蓄電池容量30%的核對(duì)性放電容量測(cè)試，對(duì)新投運(yùn)的蓄電池組要求6 個(gè)月做1 次核對(duì)性放電[11-12]。目前蓄電池的主要維護(hù)方式是人工現(xiàn)場(chǎng)維護(hù)，對(duì)于配備大量蓄電池的企業(yè)，實(shí)際工作中難以達(dá)到維護(hù)規(guī)范的要求。同時(shí)，人工記錄的數(shù)據(jù)缺乏統(tǒng)一的標(biāo)準(zhǔn)，也不能實(shí)時(shí)準(zhǔn)確地反映蓄電池狀態(tài)，難以進(jìn)行有效地分析和評(píng)估。因此，各企業(yè)的絕大多數(shù)蓄電池組長(zhǎng)時(shí)間處于維護(hù)失控狀態(tài)，導(dǎo)致各種停電事故層出不窮，給企業(yè)造成大量損失。

因此企業(yè)急需在線對(duì)蓄電池進(jìn)行性能評(píng)估的技術(shù)，實(shí)現(xiàn)同時(shí)監(jiān)控大量蓄電池組的工作狀態(tài)，自動(dòng)完成對(duì)蓄電池放電數(shù)據(jù)的記錄和分析，有效估測(cè)蓄電池組的性能[13-14]。

現(xiàn)有的電池健康狀態(tài)預(yù)測(cè)方法大多僅依賴單一時(shí)間序列性提取電池特征[15]，本文提出了多狀態(tài)空間維度和動(dòng)態(tài)演變時(shí)間維度2 個(gè)層面對(duì)電池健康狀態(tài)進(jìn)行預(yù)測(cè)。通過(guò)各種傳感器觀測(cè)包括電流、電壓、溫度、內(nèi)阻等時(shí)序特征，觀測(cè)不同倍率下、不同健康狀態(tài)的電池周期變化，訓(xùn)練得到強(qiáng)魯棒性神經(jīng)網(wǎng)絡(luò)模型。通過(guò)聚類得到模式匹配。

本文將多尺度聚類理論應(yīng)用于電池狀態(tài)集的劃分構(gòu)建，結(jié)合具有時(shí)間性的序列切片，建立時(shí)空融合的電池健康狀態(tài)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。模型對(duì)原始電池放電觀測(cè)樣本的訓(xùn)練數(shù)據(jù)進(jìn)行特征提取，得到的綜合變量作為深度神經(jīng)網(wǎng)絡(luò)的輸入，將測(cè)試數(shù)據(jù)基于訓(xùn)練數(shù)據(jù)得到的聚類中心進(jìn)行近鄰歸類，最終通過(guò)模型回歸預(yù)測(cè)每個(gè)樣本的健康狀態(tài)值。相比現(xiàn)有的深度學(xué)習(xí)方法，實(shí)驗(yàn)在小樣本訓(xùn)練的基礎(chǔ)上，相比現(xiàn)有方法準(zhǔn)確性提升近4%，實(shí)現(xiàn)了對(duì)于實(shí)際工況環(huán)境下電池健康狀態(tài)高效預(yù)測(cè)的需求。

1 數(shù)據(jù)驅(qū)動(dòng)電池健康狀態(tài)分析技術(shù)概述

1.1 電池健康狀態(tài)評(píng)估

鉛酸電池目前廣泛應(yīng)用于日常生活中，電力系統(tǒng)在不間斷電源設(shè)備（Uninterruptible Power System，UPS）及智能變電站使用。鉛酸電池應(yīng)用在UPS 中，可保證終端設(shè)備不會(huì)因短暫停電而中斷、并且可以一直供應(yīng)高品質(zhì)電源，有效保護(hù)精密儀器。為了降低UPS 在使用中存在的因電池衰退導(dǎo)致的不可預(yù)測(cè)風(fēng)險(xiǎn)，對(duì)鉛酸電池剩余電池容量和健康程度進(jìn)行預(yù)測(cè)尤為重要。現(xiàn)有的電池健康預(yù)測(cè)方法通常是在觀測(cè)到電池直觀狀態(tài)參數(shù)發(fā)生突變時(shí)才判定電池故障，從而進(jìn)行電池更換[16-17]。但是在這種情況下，電池已經(jīng)達(dá)到乃至超出正?？墒褂脡勖拗疲赡芤呀?jīng)因沒及時(shí)更換電池而發(fā)生了一些意外事件，因此及時(shí)對(duì)電池剩余容量進(jìn)行預(yù)測(cè)可以避免因電池剩余容量不足而造成的意外狀況。

研究中常使用電池健康狀態(tài)（State of Health，SOH）指標(biāo)來(lái)進(jìn)行衡量，其量值為SOH，常用于表示蓄電池實(shí)際容量、性能狀態(tài)等與新電池的性能差異情況，一般按照等級(jí)進(jìn)行分類[18]。如按照電池使用一段時(shí)間后實(shí)際性能參數(shù)與標(biāo)稱參數(shù)的比值分類，新出廠電池比值為100%，完全報(bào)廢比值為0%，基于數(shù)據(jù)驅(qū)動(dòng)的方法對(duì)電池SOH 預(yù)測(cè)常使用K-means，深度神經(jīng)網(wǎng)絡(luò)等技術(shù)。

根據(jù)廠家和客戶的經(jīng)驗(yàn)分類，電池根據(jù)SOH 可以分為：A 等健康、B 等良好、C 等一般、D 等較差、E等損壞等，詳細(xì)見表1。

表1 電池健康狀態(tài)分級(jí)表Table 1 Battery health rating table

電池健康狀態(tài)SOH 計(jì)算公式為：

式中：C0為電池的額定容量；Ct為電池在第t個(gè)周期從浮充狀態(tài)經(jīng)過(guò)完全放電所放出的實(shí)際容量。

1.2 K-means聚類分析

聚類分析指將物理或抽象對(duì)象的集合分組為由類似的對(duì)象組成的多個(gè)類的分析過(guò)程[19]。其目標(biāo)是在相似的基礎(chǔ)上收集數(shù)據(jù)來(lái)分類。聚類技術(shù)被用作描述數(shù)據(jù)，衡量不同數(shù)據(jù)源間的相似性，以及把數(shù)據(jù)源分類到不同的簇中。

均值聚類算法[20]（K-means）是一種通過(guò)不斷迭代進(jìn)行求解聚類中心的聚類分析算法。其步驟為：（1）首先將所有數(shù)據(jù)D={di}預(yù)先分成K組，從K組數(shù)據(jù)中分別各選取1 個(gè)樣本對(duì)象作為初始的聚類中心，這些中心節(jié)點(diǎn)可以組成聚類中心集合A={a1,…,aK}，每個(gè)聚類中心對(duì)應(yīng)1 個(gè)不相同的類別。（2）分別計(jì)算所有樣本與各個(gè)初始聚類中心之間的距離。距離用歐幾里得距離計(jì)算，即多維空間中各個(gè)點(diǎn)之間的絕對(duì)距離，用公式表示為：

式中：xi，yi均為樣本；dis t(X,Y)為樣本xi，yi之間的歐幾里得距離。（3）得到每個(gè)樣本到各個(gè)聚類中心的距離，將該樣本分配到距離最小的聚類中心所對(duì)應(yīng)的類中。針對(duì)每個(gè)聚類中心對(duì)應(yīng)的類別，通過(guò)計(jì)算所有屬于該類別的樣本平均值重新確定其聚類中心，用公式表示為：

式中：ai為該類別的聚類中心；ci為該類別的樣本的集合。重復(fù)迭代距離計(jì)算及聚類中心計(jì)算操作，直到達(dá)到預(yù)設(shè)的終止條件，如迭代次數(shù)或最小誤差變化等。

1.3 深度神經(jīng)網(wǎng)絡(luò)

深度神經(jīng)網(wǎng)絡(luò)[21-22]（Deep Neural Networks，DNN）是深度學(xué)習(xí)的基礎(chǔ)，是基于感知機(jī)[23]（Perceptron）的擴(kuò)展。

感知機(jī)是基于若干輸入進(jìn)行非線性映射，得到1 個(gè)輸出結(jié)果模型，如圖1 所示。

圖1 感知機(jī)模型Fig.1 Perception model

感知機(jī)模型可以有效地進(jìn)行二元判別，但是難以學(xué)習(xí)到高度負(fù)責(zé)的非線性函數(shù)關(guān)系，因此無(wú)法取得大規(guī)模實(shí)際應(yīng)用。在感知機(jī)的基礎(chǔ)上，通過(guò)多層堆疊，引入隱藏層，可大幅增加模型的非線性擬合能力[24-26]。此外，通過(guò)增加模型輸出，可進(jìn)一步增強(qiáng)模型的應(yīng)用范圍，例如分類任務(wù)、回歸任務(wù)等。深度神經(jīng)網(wǎng)絡(luò)模型示意圖如圖2 所示。

圖2 深度神經(jīng)網(wǎng)絡(luò)模型Fig.2 Deep neural network model

本文首先在特征預(yù)處理階段通過(guò)引入K-means聚類分析，實(shí)現(xiàn)對(duì)電池健康狀態(tài)數(shù)據(jù)的時(shí)空分布的映射，將不同放電倍率、不同觀測(cè)指標(biāo)的時(shí)序特征，劃分進(jìn)不同的時(shí)空模板中。然后對(duì)經(jīng)過(guò)K-means聚類方法得到的數(shù)據(jù)進(jìn)一步通過(guò)神經(jīng)網(wǎng)絡(luò)進(jìn)行擬合，最終實(shí)現(xiàn)電池健康狀態(tài)的預(yù)測(cè)。聚類方法實(shí)現(xiàn)了從單一層面分析到時(shí)空分布的映射，深度神經(jīng)網(wǎng)絡(luò)完成了多維特征到健康狀態(tài)的擬合預(yù)測(cè)。

2 基于時(shí)空分布映射的深度神經(jīng)網(wǎng)絡(luò)模型

2.1 數(shù)據(jù)預(yù)處理

首先對(duì)不同健康狀態(tài)的數(shù)據(jù)集進(jìn)行數(shù)據(jù)預(yù)處理，生成符合模型需要的樣本特征集、標(biāo)簽集。

標(biāo)簽集方面，遍歷每個(gè)電池的電壓，尋找達(dá)到截止電壓10.9 V 的時(shí)刻，記錄該時(shí)刻累計(jì)放電量，作為該電池實(shí)際容量，根據(jù)式（1）計(jì)算相應(yīng)的電池健康狀態(tài)SOH，作為該樣本的標(biāo)簽。特征集方面，雖然電池有許多內(nèi)部和外部老化因素，包括SOC、外加負(fù)載、環(huán)境溫度、濕度及其化學(xué)反應(yīng)，但估算模型中不可能全面反映所有因素。而且目標(biāo)不是發(fā)現(xiàn)所有因素，是提出一個(gè)有效處理這些因素的框架，該框架可以無(wú)縫擴(kuò)展，甚至可以通過(guò)其他合理的數(shù)據(jù)進(jìn)行擴(kuò)展。本文針對(duì)每個(gè)單體電池，選擇每時(shí)刻的電壓V、電流I和溫度T作為電池當(dāng)前時(shí)刻觀測(cè)特征。

此外在構(gòu)造樣本標(biāo)簽集和特征集的過(guò)程中，對(duì)缺失值樣本和異常值樣本進(jìn)行了清洗。缺失值處理主要針對(duì)原始內(nèi)阻傳感器數(shù)據(jù)，通過(guò)對(duì)數(shù)據(jù)的初步觀察發(fā)現(xiàn)部分電池的溫度值缺失，采用刪除法去除該部分時(shí)刻的電池?cái)?shù)據(jù)。對(duì)于異常值樣本，需要在樣本中挖掘不合理的值，即離群點(diǎn)。數(shù)據(jù)的異常值代表該數(shù)值顯著性偏離所屬樣本的其余觀測(cè)值。這些異常值可能由于多種因素造成，如測(cè)量誤差，即測(cè)量的儀器出現(xiàn)故障導(dǎo)致的異常；輸入錯(cuò)誤，由于人為因素導(dǎo)致的數(shù)據(jù)收集、記錄或輸入過(guò)程中出現(xiàn)錯(cuò)誤導(dǎo)致數(shù)據(jù)異常等。需要將這些異常值樣本進(jìn)行剔除。

分析這些樣本，用符號(hào)表示為樣本集合D=，其中I，V，T分別為t時(shí)刻觀測(cè)得到的電池電流、電壓和溫度值，m為電池放電結(jié)束時(shí)刻。

2.2 時(shí)空分布映射

電池的老化效應(yīng)高度依賴于特定放電時(shí)間及環(huán)境條件范圍。例如，在低電壓、高放電倍率和高溫條件下持續(xù)使用電池會(huì)加速其老化。為了揭示使用范圍造成的不同影響，將整個(gè)歷史分布區(qū)域劃分為較小的子區(qū)域，然后分別評(píng)估每個(gè)子區(qū)域。因此，將原始數(shù)據(jù)按照不同的時(shí)空維度劃分為幾個(gè)不相交的子區(qū)域，并采用相應(yīng)的子區(qū)域作為其組合。

對(duì)于所有訓(xùn)練數(shù)據(jù)，將不同放電倍率下的每個(gè)電池每個(gè)周期里的每一個(gè)時(shí)刻數(shù)據(jù)作為1 個(gè)樣本（時(shí)刻樣本），將所有訓(xùn)練樣本采用K-means 聚類分析，得到k個(gè)聚類中心。

對(duì)于模型輸入訓(xùn)練數(shù)據(jù)即單個(gè)電池整個(gè)放電周期的觀測(cè)數(shù)據(jù)進(jìn)行時(shí)間維度轉(zhuǎn)換，觀測(cè)時(shí)刻t被等分成m份，每個(gè)時(shí)間間隔為總放電時(shí)長(zhǎng)除以m。將每一個(gè)時(shí)間片記做t_i，時(shí)刻t被按照時(shí)間演變順序再次劃分進(jìn)不同的時(shí)間片中。

進(jìn)一步計(jì)算每個(gè)聚類中心所在類別中分屬于不同時(shí)間片的所有時(shí)刻樣本的個(gè)數(shù)，通過(guò)這種方式，將不同放電倍率、不同健康狀態(tài)、不同放電時(shí)間的電池周期觀測(cè)樣本數(shù)據(jù)歸一化成時(shí)間片乘以聚類中心個(gè)數(shù)的維度的特征向量，該特征向量中每個(gè)維度表示特定類時(shí)間片與特定聚類類別的觀測(cè)時(shí)刻的樣本數(shù)。由此可以得到神經(jīng)網(wǎng)絡(luò)模型的最終向量輸入。時(shí)空分布映射的流程圖如圖3 所示。

圖3 時(shí)空分布流程圖Fig.3 Spatiotemporal distribution flow chart

2.3 深度神經(jīng)網(wǎng)絡(luò)回歸

本文旨在預(yù)測(cè)電池健康狀態(tài)，使用深度神經(jīng)網(wǎng)絡(luò)進(jìn)行回歸。神經(jīng)網(wǎng)絡(luò)模型包含了2 層隱藏層。模型可以用公式（4）表示：

式中：ReLu 為本文使用的激活函數(shù)；W1，W2分別為網(wǎng)絡(luò)隱藏層中可學(xué)習(xí)的權(quán)重參數(shù)；b1，b2分別為2層隱藏層的偏置。

神經(jīng)網(wǎng)絡(luò)的隱藏層通過(guò)從輸入層傳輸?shù)臄?shù)據(jù)進(jìn)行多層非線性映射，最終呈現(xiàn)相應(yīng)的預(yù)測(cè)結(jié)果。網(wǎng)絡(luò)的優(yōu)化目標(biāo)是最小化預(yù)測(cè)結(jié)果和真實(shí)電池健康狀態(tài)值之間的誤差。用式（5）表示：

式中：為深度神經(jīng)網(wǎng)絡(luò)模型最優(yōu)參數(shù)；SOH為電池健康狀態(tài)；θ為深度神經(jīng)網(wǎng)絡(luò)模型參數(shù)；dt為訓(xùn)練樣本。

3 實(shí)驗(yàn)結(jié)果與分析

本文使用的數(shù)據(jù)來(lái)自實(shí)驗(yàn)環(huán)境下真實(shí)電池的觀測(cè)數(shù)據(jù)。

3.1 數(shù)據(jù)采集設(shè)備

觀測(cè)設(shè)備為WiseBMS000 電池監(jiān)控系統(tǒng)。包含BMS 集中監(jiān)控管理軟件、監(jiān)控主機(jī)、電池采集模塊3個(gè)層級(jí)。觀測(cè)的電池型號(hào)為KELONG 6-GFM-100，標(biāo)準(zhǔn)電壓為12 V，額定容量為100AH。實(shí)驗(yàn)環(huán)境為恒溫25℃，濕度65%。

3.2 實(shí)驗(yàn)數(shù)據(jù)采集

電池?cái)?shù)據(jù)采集首先對(duì)鉛酸電池進(jìn)行充電達(dá)到浮充狀態(tài)。鉛酸電池（6-GFM-100）的充電分為均充、浮充2 個(gè)狀態(tài)。在均充階段電流恒定，電壓隨著充電量提升。當(dāng)電壓達(dá)到浮充電壓點(diǎn)（13.8 V）時(shí)，充電電流快速下降，并且電池電壓保持浮充電壓點(diǎn)。當(dāng)充電量達(dá)到100%時(shí)，充電電流趨近于0 A。

C 為放電倍率，圖4 為0.6C 放電倍率下29 節(jié)單體電池電壓變化曲線。其中，每段曲線為1 節(jié)單體電池的電壓變化曲線，共29 條。圖5 為0.3C，0.6C，0.9C 3 個(gè)倍率下相同電池放電電流變化曲線。

圖5 不同放電倍率下的電流變化曲線圖Fig.5 Current variation curve under different discharge rates

從圖4 可知，隨著電池放電過(guò)程的進(jìn)行，電池電壓逐漸降低，但是在電池初始放電處存在驟降，這是由于實(shí)際工況環(huán)境下，電池從浮充狀態(tài)到開始放電存在電壓波動(dòng)，而最終當(dāng)整組電池達(dá)到額定電壓，電池組停止放電，單節(jié)電池可能存在完全放電、過(guò)放、未完全放電多種可能，因此不同電池結(jié)束時(shí)電壓差異較大。

圖4 0.6C放電倍率下的電壓變化曲線圖Fig.4 Voltage variation curve at 0.6c discharge rate

從圖5 可知電池在不同放電倍率下電流的變化過(guò)程。隨著放電倍率的增大，電流也越大，放電時(shí)間越短。此外，電流在放電過(guò)程中并非保持不變，而是隨著放電時(shí)間的增加，電流存在波動(dòng)并呈現(xiàn)出總體上升的趨勢(shì)，這是由于隨著電池放電，整個(gè)電池組溫度升高，電流也隨之小幅上升。

在電池達(dá)到浮充狀態(tài)后，對(duì)電池進(jìn)行放電的同時(shí)，利用WiseBMS2000 電池監(jiān)控系統(tǒng)對(duì)放電過(guò)程中平均每15 s 間隔對(duì)單體電池的電壓、溫度、內(nèi)阻、容量、放電電流數(shù)據(jù)進(jìn)行采集記錄。累計(jì)放電量隨著放電電流（放電率）大小變化而變化，均放電至電壓無(wú)法下降情況，放電電流越小，累計(jì)放電量越大；放電電流越大，放電量越小。

因此，根據(jù)實(shí)際應(yīng)用場(chǎng)景需求，本文分別在0.3C，0.6C，0.9C 3 種不同放電倍率下各采集了10 組鉛酸電池組（每組29 節(jié)全新單體鉛酸電池）放電數(shù)據(jù)。對(duì)這些電池進(jìn)行連續(xù)完整周期的充放電直到電池壽命終止，并記錄每1 節(jié)單體電池每個(gè)放電周期過(guò)程中的觀測(cè)數(shù)據(jù)，作為本實(shí)驗(yàn)中的每1 條數(shù)據(jù)樣本。

3.3 模型訓(xùn)練

對(duì)所有樣本進(jìn)行十折交叉驗(yàn)證劃分。即將所有數(shù)據(jù)等分成10 份，隨機(jī)選取其中9 份進(jìn)行訓(xùn)練，1 份測(cè)試。迭代訓(xùn)練過(guò)程進(jìn)一步選取剩余9 份，訓(xùn)練1 份測(cè)試直到每1 份都被測(cè)試過(guò)。

模型訓(xùn)練過(guò)程中涉及到網(wǎng)絡(luò)超參數(shù)主要包括模型訓(xùn)練優(yōu)化器，學(xué)習(xí)率，迭代次數(shù)，樣本批大小，空間聚類數(shù)和時(shí)間轉(zhuǎn)換數(shù)等。具體參數(shù)設(shè)置如表2 所示。

表2 訓(xùn)練參數(shù)設(shè)置Table 2 Training parameter setting

3.4 評(píng)價(jià)指標(biāo)

采用2 種不同的方式評(píng)價(jià)模型預(yù)測(cè)準(zhǔn)確性，采用平均絕對(duì)百分比誤差（Mean Absolute Percentage Error，MAPE）作為模型的評(píng)價(jià)指標(biāo)EMAP，衡量預(yù)測(cè)值與真實(shí)值的相對(duì)誤差，其公式為：

采用平均絕對(duì)誤差（Mean Absolute Error，MAE）作為模型的評(píng)價(jià)指標(biāo)EMA，衡量預(yù)測(cè)值與真實(shí)值的絕對(duì)誤差，其公式為：

3.5 單電池狀態(tài)預(yù)測(cè)可視化分析

為了進(jìn)一步分析比較本文方法與現(xiàn)有其它數(shù)據(jù)驅(qū)動(dòng)方法在電池狀態(tài)預(yù)測(cè)上的性能，對(duì)單個(gè)電池進(jìn)行了預(yù)測(cè)并將結(jié)果可視化，如圖6 所示。

圖6 單個(gè)電池狀態(tài)預(yù)測(cè)可視化Fig.6 Visualization of single battery state prediction

比較方法包括神經(jīng)網(wǎng)絡(luò)（Deep Neural Networks，DNN）、支持向量機(jī)（Support Vector Machine，SVM）、線性回歸（Linear Regression，LR），Lasso 回歸。相比現(xiàn)有其它方法，本文提出的基于時(shí)空分布映射的深度神經(jīng)網(wǎng)絡(luò)模型可以很好地?cái)M合電池健康狀態(tài)曲線。經(jīng)典神經(jīng)網(wǎng)絡(luò)方法呈現(xiàn)出與電池狀態(tài)變化相同的趨勢(shì)，但存在一定的偏差。

3.6 模型實(shí)驗(yàn)結(jié)果與分析

比較原始深度神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、線性回歸，Lasso 回歸4 種不同的現(xiàn)有深度學(xué)習(xí)回歸算法，分別計(jì)算其EMAP和EMA，結(jié)果如表3 所示。

表3 不同方法比較結(jié)果Table 3 Results on different methods %

分析模型檢測(cè)結(jié)果可知，本文提出的基于時(shí)空分布映射的方法相比現(xiàn)有其它數(shù)據(jù)驅(qū)動(dòng)方法在電池健康狀態(tài)預(yù)測(cè)精度上有極大的提升。這是由于本文所設(shè)計(jì)的時(shí)空分布映射可以基于小樣本數(shù)據(jù)對(duì)于電池健康狀態(tài)在時(shí)空2 個(gè)維度進(jìn)行聚類，為新的未知數(shù)據(jù)集提供了初始狀態(tài)的模糊匹配模板，從而降低了后續(xù)神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練負(fù)擔(dān)。而傳統(tǒng)的純深度學(xué)習(xí)方法缺乏有監(jiān)督的指導(dǎo)，使得最終學(xué)習(xí)得到的結(jié)果缺乏有效的魯棒性和泛化能力。

4 結(jié)語(yǔ)

本文提出了一種全新的基于數(shù)據(jù)驅(qū)動(dòng)的方法研究，應(yīng)用于大規(guī)模電池的健康狀態(tài)預(yù)測(cè)。通過(guò)分析電池的大規(guī)模歷史數(shù)據(jù)，從電池健康狀態(tài)（空間維度）和時(shí)間演變放電過(guò)程（時(shí)間維度）2 個(gè)層面對(duì)于電池狀態(tài)進(jìn)行有效聚類，設(shè)計(jì)相應(yīng)的基于時(shí)空分布映射的電池健康狀態(tài)預(yù)測(cè)深度神經(jīng)網(wǎng)絡(luò)模型。

通過(guò)對(duì)比實(shí)驗(yàn)可知，本文提出的基于時(shí)空分布映射的電池健康狀態(tài)預(yù)測(cè)深度神經(jīng)網(wǎng)絡(luò)模型在大規(guī)模電池健康狀態(tài)預(yù)測(cè)EMAP準(zhǔn)確率達(dá)到了93.62%，相比現(xiàn)有的其他神經(jīng)網(wǎng)絡(luò)模型提升約4%，EMA評(píng)價(jià)指標(biāo)相比現(xiàn)有方法提升約3%，最終實(shí)現(xiàn)了對(duì)于大規(guī)模未知狀態(tài)的電池進(jìn)行精確的電池健康狀態(tài)預(yù)測(cè)。今后將進(jìn)一步考慮電池在實(shí)際放電過(guò)程中存在的機(jī)理問題，如電池老化過(guò)程中的余熱效應(yīng)、電池放電過(guò)程中的局部重生現(xiàn)象等。