李家晨,朱成杰

(安徽理工大學(xué),安徽 淮南 232000)

0 引言

鋰離子電池以能量密度高、重量輕、使用壽命長、自放電率低以及高低溫適應(yīng)性強等優(yōu)點,已經(jīng)成為包括電動汽車數(shù)碼產(chǎn)品等各個領(lǐng)域的主流選擇,但仍面臨諸多亟待解決的問題,鋰電池隨著老化會出現(xiàn)容量損耗、電阻增大、電壓衰減等問題,給后續(xù)的充電和使用帶來一定的困難。 鋰離子電池的故障可能會導(dǎo)致整個系統(tǒng)的癱瘓,帶來嚴(yán)重危害與重大經(jīng)濟損失,甚至危及人身安全。 電池健康狀態(tài)(SOH)[1]反映的是當(dāng)前電池儲存電量的能力,數(shù)據(jù)表現(xiàn)為當(dāng)前容量與額定容量之比,是量化鋰電池退役標(biāo)準(zhǔn)的重要指標(biāo),一般認(rèn)為鋰電池容量低于80%時[2],應(yīng)及時予以更換。

目前電池SOH 估計方法可大致分為基于模型的方法[3]、基于增量容量分析[4]的方法以及基于數(shù)據(jù)驅(qū)動的方法3 類。 基于模型的方法通常需要構(gòu)建電化學(xué)模型或者等效模型,通過最小二乘法、卡爾曼濾波等方法辨識參數(shù)實現(xiàn)SOH 估計。 顏湘武等[5]建立了Thevenin二階電路等效模型,應(yīng)用卡爾曼濾波算法,對SOC 與內(nèi)阻進行估算,進而估算SOH,該方法依賴模型精度并且具有局限性。 林名強等[6]在增量容量的基礎(chǔ)上引入了表面溫度作為參數(shù)數(shù)據(jù),采用皮爾遜分析法提取新的健康因子,提高了精度,但溫度傳感器精度有限,易受周圍環(huán)境影響,對適用場景有一定要求。 基于數(shù)據(jù)驅(qū)動算法跳過模型建立,直接提取鋰電池各項數(shù)據(jù)中的非線性關(guān)系,應(yīng)用簡單并且具有較高的普適性,越來越為研究人員所重視。

1 BiLSTM 神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network,RNN)可以有效學(xué)習(xí)非線性數(shù)據(jù)特征,但不具備長期記憶能力,在序列很長時,無法有效獲得前向序列的記憶信息,并且存在初始參數(shù)較大時會導(dǎo)致梯度爆炸的問題。 為解決上述問題,長短期記憶神經(jīng)網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)提出了門機制并引入細胞狀態(tài)[7],在隱藏層中添加記憶單元,來存儲時間序列的數(shù)據(jù)。 同時通過控制輸入門、遺忘門、輸出門來達到信息在隱藏層不同單元之間的傳輸,并且決定先前信息和當(dāng)前信息的記憶和遺忘程度。 BiLSTM 是在LSTM 基礎(chǔ)上搭建的一種前向與后向的組合結(jié)構(gòu),可以對輸入數(shù)據(jù)序列進行雙向分析,提高預(yù)測精度。 LSTM 單元結(jié)構(gòu)如圖1所示。

圖1 LSTM 單元結(jié)構(gòu)

該模型中xt為t時刻輸入數(shù)據(jù),Ct為t時刻記憶單元狀態(tài),Ht為隱藏層狀態(tài),遺忘門ft,輸入門it以及輸出門ot,遺忘門會對信息進行篩選,剔除不需要的信息,公式如下:

W,U為權(quán)重矩陣,b為偏置權(quán)值,σ 為sigmoid 激活函數(shù)。

BiLSTM 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖2 所示。

圖2 BiLSTM 神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

2 數(shù)據(jù)及參數(shù)設(shè)置

模型采用Adam 優(yōu)化器,該優(yōu)化器結(jié)構(gòu)明了,計算高效,對內(nèi)存需求量低,能有效適應(yīng)稀疏梯度并緩解梯度震蕩的問題。 本文采用平均絕對誤差(Mean Absolute Error,MAE)和均方根誤差(Root Mean Square Error,RMSE)作為評價指標(biāo),對模型精確度進行驗證。 相關(guān)公式如下:

輸入數(shù)據(jù)來源為美國國家航空航天局所提供的18650 編號B0005 鋰電池的充放電數(shù)據(jù),該電池額定容量為2.0 Ah,恒流模式下對電池進行充放電實驗,直至容量下降30%時,停止實驗。 本文采用與容量相關(guān)性較高且相對易于監(jiān)測的電壓、電流為健康因子,首先對電池電壓、電流、電容異常數(shù)據(jù)進行剔除,處理過所得數(shù)據(jù)169 組,取前80%作為訓(xùn)練集,后20%為測試集。用訓(xùn)練樣本訓(xùn)練模型,并用測試集對模型進行驗證,將模型輸出的結(jié)果與真實值相比較,驗證預(yù)測結(jié)果。 作為對照,以同樣條件構(gòu)建常規(guī)LSTM 神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練,并將預(yù)測結(jié)果同BiLSTM 預(yù)測結(jié)果進行比較。

3 實驗結(jié)果分析

實驗相關(guān)環(huán)境,CPU 為英特爾Core i5-10300H,頻率2.50 GHz,操作系統(tǒng)Windows 1 064 位,編程軟件Python3.9,兩個模型的預(yù)測結(jié)果與真實值相比較如圖3 所示,預(yù)測誤差對比如圖4 所示。

圖3 兩個模型預(yù)測值與實際值對比

圖4 誤差對比

由圖3—4 可知,隨著循環(huán)次數(shù)的增加,電容并不呈線性下降趨勢,而會出現(xiàn)反常的電容再生現(xiàn)象,并且預(yù)測誤差明顯增大。 預(yù)測值整體偏向大于實際值,其中BiLSTM 模型預(yù)測效果整體優(yōu)于LSTM 模型。 兩種模型的平均絕對誤差和均方根誤差如表1 所示。

表1 兩種網(wǎng)絡(luò)模型SOH 預(yù)測結(jié)果評價指標(biāo)

由表可知,BiLSTM 模型相較于LSTM 模型,MAE降低了11.7%,RMSE 同樣降低了11.7%。 很明顯,BiLSTM 模型具有更高的精度,可以完成鋰電池的SOH快速估計。

4 結(jié)語

精準(zhǔn)預(yù)測鋰電池的SOH,對鋰電池的安全運行以及回收利用具有重要意義,本文構(gòu)建BiLSTM 神經(jīng)網(wǎng)絡(luò)模型,該網(wǎng)絡(luò)模型可對輸入數(shù)據(jù)序列進行雙向分析,提高了SOH 預(yù)測精度,同時采用LSTM 神經(jīng)網(wǎng)絡(luò)模型進行比較。 預(yù)測結(jié)果表明,該模型精度較高可有效完成對SOH 快速估計。 但本文只采用了NASA 所提供一種型號鋰電池數(shù)據(jù),數(shù)據(jù)來源較為單一,不具備普適性,并且在鋰電池出現(xiàn)容量再生情況時,預(yù)測誤差明顯增大。 后續(xù)可以對其他型號以及不同環(huán)境下鋰電池的數(shù)據(jù)進行測試,也可以對輸入數(shù)據(jù)先進行預(yù)處理,降低計算量,提高模型訓(xùn)練效率。