黃曉智 張華明 黃藝航 許志杰

本文引用格式：黃曉智，張華明，黃藝航，等.基于Bi-LSTM-Dropout的蓄電池剩余使用壽命預(yù)測方法[J].自動化與信息工程， 2024，45（1）：42-46;60.

HUANG Xiaozhi， ZHANG Huaming， HUANG Yihang， et al. Prediction method of battery remaining useful life based on Bi-LSTM-dropout[J]. Automation & Information Engineering， 2024，45（1）：42-46;60.

摘要：蓄電池剩余使用壽命預(yù)測對能源的安全性和可持續(xù)發(fā)展至關(guān)重要。該文提出一種蓄電池剩余使用壽命的預(yù)測方法，利用蓄電池的歷史運行數(shù)據(jù)和充放電周期，構(gòu)建Bi-LSTM-Dropout網(wǎng)絡(luò)模型。利用Bi-LSTM提取時間序列中蓄電池長期依賴的特征，采用Dropout優(yōu)化算法降低Bi-LSTM網(wǎng)絡(luò)模型的復(fù)雜度，提高模型的泛化能力。實驗結(jié)果表明，該方法在測試集上的準確率達96.2%，實現(xiàn)了蓄電池剩余使用壽命的精確預(yù)測。

關(guān)鍵詞：蓄電池；剩余使用壽命預(yù)測；Bi-LSTM；Dropout優(yōu)化算法

中圖分類號：TM912? ? ? ? ? ?文獻標志碼：A? ? ? ? ? ?文章編號：1674-2605（2024）01-0007-06

DOI：10.3969/j.issn.1674-2605.2024.01.007

Prediction Method of Battery Remaining Useful Life? ? ? ? ? ? ? ? ? ?Based on Bi-LSTM-Dropout

HUANG Xiaozhi1? ZHANG Huaming2? HUANG Yihang1? XU Zhijie1

（1.School of Electromechanical Engineering， Guangdong University of Technology， Guangzhou 510006， China

2.School of Advanced Manufacturing Guangdong University of Technology， Jieyang 522000， China）

Abstract： The prediction of the remaining useful life of battery is crucial for the safety and sustainable development of energy. This article proposes a prediction method for the remaining useful life of battery， using historical operating data and charging and discharging cycles of battery to construct a Bi-LSTM-Dropout network model. Using Bi-LSTM to extract long-term dependent features of battery in time series， using Dropout optimization algorithm to reduce the complexity of Bi LSTM network model and improve its generalization ability. The experimental results show that the accuracy of this method on the test set reaches 96.2%， achieving accurate prediction of the remaining useful life of the battery.

Keywords： battery; remaining useful life; Bi-LSTM; dropout optimization algorithm

0 引言

蓄電池組作為變電站直流電源系統(tǒng)的關(guān)鍵設(shè)備，在交流電源發(fā)生斷電時，能為重要負載設(shè)備提供不間斷的直流供電保障[1]。目前，變電站的通信用蓄電池每年都要進行充放電核容和激活，需要耗費2人3日的工作量[2]。且僅依賴人工使用放電儀表進行核容，無法準確地掌握蓄電池的健康情況[3]。

近年來，國內(nèi)外學(xué)者對蓄電池剩余使用壽命（re-

maining useful life， RUL）預(yù)測進行了大量的研究，主要方法包括基于物理模型法和基于數(shù)據(jù)驅(qū)動法[4]?；谖锢砟Ｐ头ㄍㄟ^研究電池的內(nèi)部狀態(tài)，結(jié)合相關(guān)算法預(yù)測電池RUL[5]。文獻[6]利用簡化的電化學(xué)模型和雙非線性濾波器，結(jié)合電池的荷電狀態(tài)（state of charge， SOC）和健康狀態(tài)（state of health， SOH）估計算法，實現(xiàn)電池RUL的預(yù)測。文獻[7]基于固體電解質(zhì)界面副反應(yīng)建立電化學(xué)-熱耦合模型，能有效地模擬固體

電解質(zhì)界面副反應(yīng)對鋰電池容量衰減的影響。但基于物理模型法預(yù)測蓄電池RUL存在建模過程復(fù)雜、成本高等問題?；跀?shù)據(jù)驅(qū)動法通過蓄電池的歷史運行數(shù)據(jù)來學(xué)習(xí)規(guī)律，以適應(yīng)不同條件的電池工況，能夠快速、準確地預(yù)測蓄電池RUL?；跀?shù)據(jù)驅(qū)動法主要包括深度學(xué)習(xí)、支持向量機和機器學(xué)習(xí)等方法。QU[8]等利用長短時記憶網(wǎng)絡(luò)和注意力機制建模，同時引入粒子群優(yōu)化算法，對鋰電池RUL進行預(yù)測，SOH進行監(jiān)測，該模型的均方根誤差為3.62%，實現(xiàn)了鋰電池RUL的準確預(yù)測。REN等[9]結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和長短時記憶網(wǎng)絡(luò)來預(yù)測鋰電池RUL，采集鋰電池實際運行數(shù)據(jù)進行訓(xùn)練，預(yù)測結(jié)果的均方根誤差為4.80%。但基于數(shù)據(jù)驅(qū)動法存在數(shù)據(jù)樣本較少的問題，導(dǎo)致模型容易出現(xiàn)過擬合現(xiàn)象，降低網(wǎng)絡(luò)模型性能。

本文采用基于數(shù)據(jù)驅(qū)動法來預(yù)測蓄電池RUL，提出一種融合雙向長短時記憶（bi-directional long short-term memory， Bi-LSTM）網(wǎng)絡(luò)與Dropout優(yōu)化算法的蓄電池RUL預(yù)測方法。通過蓄電池歷史運行數(shù)據(jù)和充放電周期，建立Bi-LSTM-Dropout網(wǎng)絡(luò)模型，利用Bi-LSTM提取時間序列中蓄電池長期依賴的特征，同時引入Dropout優(yōu)化算法提高Bi-LSTM網(wǎng)絡(luò)模型的泛化能力，實現(xiàn)蓄電池RUL的精確預(yù)測。

1 模型原理

1.1 Bi-LSTM網(wǎng)絡(luò)

Bi-LSTM網(wǎng)絡(luò)包含2個LSTM單元：一個LSTM單元按時間序列的正向順序處理輸入數(shù)據(jù)；另一個LSTM單元按時間序列的逆序處理輸入數(shù)據(jù)。Bi-LSTM網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

這種雙向處理數(shù)據(jù)的方式使Bi-LSTM網(wǎng)絡(luò)能夠同時利用過去和未來的數(shù)據(jù)，提高了對長時間序列數(shù)據(jù)的學(xué)習(xí)能力[10]。

LSTM單元主要由遺忘門、記憶門和輸出門組成，結(jié)構(gòu)圖如圖2所示。通過這些門的配合，LSTM能選擇性地遺忘歷史信息、保留輸入信息，輸出需要的信息[11]。

1.2 Dropout優(yōu)化算法

Bi-LSTM網(wǎng)絡(luò)隨著網(wǎng)絡(luò)層數(shù)增加，網(wǎng)絡(luò)結(jié)構(gòu)也更加復(fù)雜。此外，變電站蓄電池組長期處于浮充狀態(tài)，運行周期長，可獲得的蓄電池樣本數(shù)據(jù)較少[12]，導(dǎo)致Bi-LSTM網(wǎng)絡(luò)模型易產(chǎn)生過擬合現(xiàn)象。為此，本文引入Dropout優(yōu)化算法，提升Bi-LSTM網(wǎng)絡(luò)模型的泛化性能。Dropout優(yōu)化算法示意圖如圖3所示。

Dropout優(yōu)化算法在網(wǎng)絡(luò)訓(xùn)練過程中，按丟棄概率屏蔽部分神經(jīng)元的輸出，減少模型的復(fù)雜度，避免陷入局部最優(yōu)解，從而防止模型過擬合。

定義神經(jīng)元i在第t時刻的連接強度計算公式為

（1）

式中：為神經(jīng)元i與神經(jīng)元j的權(quán)重，為神經(jīng)元j在第t次迭代的激活狀態(tài)，激活狀態(tài)更新公式為

（2）

式中：為丟棄概率，x為神經(jīng)元輸入，為概率閾值。

當(dāng)大于概率閾值時，該神經(jīng)元在本次迭代中不激活，否則該神經(jīng)元以輸入x/（1-）作為激活狀態(tài)。

2 Bi-LSTM-Dropout網(wǎng)絡(luò)模型

2.1 模型結(jié)構(gòu)

Bi-LSTM-Dropout網(wǎng)絡(luò)模型采用基于序列模型端到端的架構(gòu)，主要由輸入層、隱藏層、全連接層和輸出層組成，結(jié)構(gòu)如圖4所示。

第一層為輸入層，以蓄電池歷史使用數(shù)據(jù)和充放電周期為輸入序列，輸入維度為input_size，表示每個時間步的輸入特征維度。

第二層由4層Bi-LSTM-Dropout層組成，利用該網(wǎng)絡(luò)層對第一層的輸入序列分別進行前向和后向的特征提取，得到前向和后向LSTM的特征輸出，包括蓄電池的電壓、電流、溫度、充放電周期等數(shù)據(jù)。將兩個方向LSTM學(xué)習(xí)到的特征表示進行拼接，融合前向、后向的上下文信息。在每層Bi-LSTM之間引入

Dropout，按照丟棄概率使網(wǎng)絡(luò)層中一些神經(jīng)元的輸出為0，防止模型過擬合。

第三層為全連接層，其將Bi-LSTM-Dropout層的神經(jīng)元輸出連接到本層的每個神經(jīng)元，作為回歸分類器，用于預(yù)測連續(xù)的蓄電池RUL。

最后一層為輸出層，輸出經(jīng)過全連接層處理后的蓄電池RUL預(yù)測值，其維度為1。

2.2 網(wǎng)絡(luò)建模過程

Bi-LSTM-Dropout網(wǎng)絡(luò)模型建模過程如圖5所示。

Bi-LSTM-Dropout網(wǎng)絡(luò)模型建模步驟如下：

1） 獲取數(shù)據(jù)樣本，在公開數(shù)據(jù)集（NASA鋰電池數(shù)據(jù)集）中提取蓄電池的歷史運行數(shù)據(jù)（包括充放電的電壓、電流和溫度）和充放電周期等數(shù)據(jù)；

2） 劃分數(shù)據(jù)集，將獲取的數(shù)據(jù)劃分為訓(xùn)練集和測試集；

3） 訓(xùn)練Bi-LSTM-Dropout網(wǎng)絡(luò)模型，通過調(diào)整模型參數(shù)，使模型對訓(xùn)練集數(shù)據(jù)的擬合度不斷提高，從而減小訓(xùn)練集的損失函數(shù)值；設(shè)置Dropout丟棄概率，丟棄部分神經(jīng)元，減小過擬合現(xiàn)象；

4） 調(diào)整模型參數(shù)：通過損失函數(shù)、準確率等判斷Bi-LSTM-Dropout網(wǎng)絡(luò)模型的性能是否達到最優(yōu)，如果是則進入下一步，否則更新Bi-LSTM-Dropout網(wǎng)絡(luò)模型中的神經(jīng)元狀態(tài)和參數(shù)，重新訓(xùn)練模型；

5） 模型預(yù)測效果：通過均方根誤差、平均絕對誤差和準確率在測試集上對Bi-LSTM-Dropout網(wǎng)絡(luò)模型效果進行測試，評估模型的預(yù)測能力。

通過循環(huán)迭代訓(xùn)練、調(diào)參等步驟，可獲得性能最優(yōu)的Bi-LSTM-Dropout的網(wǎng)絡(luò)模型。

3 實驗結(jié)果與分析

3.1 實驗數(shù)據(jù)

本文實驗數(shù)據(jù)主要來自NASA Ames Prognostics數(shù)據(jù)中心的鋰電池數(shù)據(jù)集，選擇數(shù)據(jù)集中的B0005、B0006、B0007和B0018號4個鋰電池作為研究對象。在室溫24 ℃下測量鋰電池的充放電的電壓、電流、溫度等數(shù)據(jù)。當(dāng)鋰電池的剩余容量降至額定容量的70%時，定義該鋰電池達到失效閾值。將該數(shù)據(jù)集前95個循環(huán)次數(shù)的數(shù)據(jù)作為訓(xùn)練集，其余循環(huán)次數(shù)數(shù)據(jù)作為測試集，用該數(shù)據(jù)集驗證Bi-LSTM-Dropout網(wǎng)絡(luò)模型預(yù)測鋰電池RUL的效果。

B0005、B0006、B0007和B0018號鋰電池的容量變化趨勢如圖6所示。

鋰電池歷史運行數(shù)據(jù)（包括充放電的電壓、電流和溫度）和充放電周期（循環(huán)次數(shù)）作為Bi-LSTM-Dropout網(wǎng)絡(luò)模型的輸入，鋰電池實際容量作為模型輸出。

3.2 實驗平臺及參數(shù)設(shè)置

實驗平臺配置如下：操作系統(tǒng)為Window 11專業(yè)版，處理器為intel i7-12700KF，獨立顯卡為RTX 3080 12 GB圖形處理器，內(nèi)存為64 GB DDR5 3600 MHz，算力為29.77 TFLOPS。在Jupyter notebook中基于TensorFlow框架構(gòu)建Bi-LSTM-Dropout網(wǎng)絡(luò)模型，并進行模型訓(xùn)練。Bi-LSTM-Dropout網(wǎng)絡(luò)模型參數(shù)設(shè)置如表1所示。

由表1可知：輸入層節(jié)點數(shù)5表示輸入的時間步數(shù)；隱藏層包含4層Bi-LSTM和1個全連接層，其中Bi-LSTM節(jié)點數(shù)為650個，全連接層節(jié)點數(shù)為50個；輸出層輸出鋰電池的實際容量，節(jié)點數(shù)為1個；設(shè)置學(xué)習(xí)率為0.001，迭代次數(shù)為500次（epoch=500），批大小為25；為防止過擬合，Dropout的丟棄概率為0.3；選擇Adam優(yōu)化器來調(diào)整模型參數(shù)。

3.3 實驗結(jié)果分析

本實驗選取均方根誤差（root mean square error， RMSE）、平均絕對誤差（mean absolute error， MAE）和準確率（accuracy，ACC）作為評價指標。其中，RMSE反映電池預(yù)測RUL與真實RUL偏差的程度；MAE反映電池預(yù)測RUL與真實RUL差值的平均值；ACC反映模型正確預(yù)測電池RUL樣本數(shù)量占總樣本數(shù)量的比例。RMSE和MAE的值越小，表示預(yù)測精度越高；ACC越高，則表示與真實值越接近。計算公式為

（3）

（4）

式中：為樣本i的實際RUL， 為樣本i的預(yù)測RUL，n為樣本總數(shù)。

（5）

式中：TP為正確預(yù)測電池RUL的正樣本數(shù)量，TN為正確預(yù)測電池RUL的負樣本數(shù)量，S為總樣本數(shù)。

為驗證Bi-LSTM-Dropout網(wǎng)絡(luò)模型預(yù)測鋰電池RUL的效果，利用RNN、LSTM、Bi-LSTM網(wǎng)絡(luò)模型在測試集上進行對比實驗，實驗結(jié)果如表2所示。

由表2可知：Bi-LSTM-Dropout網(wǎng)絡(luò)模型的RMSE和MAE值最小，且準確率最高；相對于Bi-LSTM網(wǎng)絡(luò)模型，RMSE從4.8%下降到2.9%；相對于LSTM網(wǎng)絡(luò)模型，準確率提高了2.5%。

RNN、LSTM、Bi-LSTM、Bi-LSTM-Dropout 4種網(wǎng)絡(luò)模型在B0006號鋰電池測試集上的預(yù)測效果如圖7所示。

由圖7可知，Bi-LSTM-Dropout網(wǎng)絡(luò)模型的擬合效果最好。

4 結(jié)論

本文提出一種基于Bi-LSTM-Dropout的蓄電池RUL預(yù)測方法。通過提取蓄電池歷史運行數(shù)據(jù)的特征，構(gòu)建Bi-LSTM模型，并采用Dropout算法進行模型優(yōu)化，能夠有效提高蓄電池RUL預(yù)測的精度。實驗結(jié)果表明，相比LSTM網(wǎng)絡(luò)模型，本文提出的Bi-LSTM-Dropout網(wǎng)絡(luò)模型可以降低RUL預(yù)測的RMSE和MAE，在測試集上的準確率達96.2%。該方法基于數(shù)據(jù)驅(qū)動的方法實現(xiàn)蓄電池使用壽命的預(yù)測，可輔助電站蓄電池的狀態(tài)監(jiān)測和運行維護。

參考文獻

[1] 劉灝，黎明，向青海.直流系統(tǒng)蓄電池組全生命周期智能管理系統(tǒng)研究與實施[J].電氣技術(shù)與經(jīng)濟，2023（10）：399-403.

[2] 譚子毅，劉忠祥.一種蓄電池組自動開路測試技術(shù)[J].電世界，2020，61（11）：40-41.

[3] 汪昌元，羅群，徐曉峰.一種鉛酸蓄電池剩余容量的預(yù)測方法[J].廣西電力，2020，43（4）：60-62.

[4] 蔡明揚，趙春宇，孛愛.基于組合脈沖放電法的電池容量估計算法[J].中國新通信，2022，24（16）：53-58.

[5] 羅杰，王海瑞，朱貴富.基于數(shù)據(jù)預(yù)處理和集成機器學(xué)習(xí)的鋰離子電池剩余使用壽命預(yù)測[J].陜西理工大學(xué)學(xué)報（自然科學(xué)版），2023，39（6）：62-70.

[6] GAO Y， LIU K， ZHU C， et al. Co-estimation of state-of-charge and state-of-health for lithium-ion batteries using an enhanced electrochemical model[J]. IEEE Transactions on Industrial Electronics， 2021，69（3）：2684-2696.

[7] 田建輝，張成，韓興本，等.基于電化學(xué)-熱耦合模型的鋰離子電池容量衰減研究[J].現(xiàn)代機械，2023（5）：10-15.

[8] QU J， LIU F， MA Y， et al. A neural-network-based methodfor RUL prediction and SOH monitoring of lithium-ion battery[J]. IEEE Access， 2019，7：87178-87191.

[9] REN L， DONG J， WANG X， et al. A data-driven auto--CNN-LSTM prediction model for lithium-ion battery re-maining useful life[J]. IEEE Transactions on Industrial Infor-matics， 2020（99）：1-1.

[10] 劉建偉，王園方，羅雄麟.深度記憶網(wǎng)絡(luò)研究進展[J].計算機學(xué)報，2021，44（8）：1549-1589.

[11] 孫玉樹，李宏川，王波，等.電池儲能系統(tǒng)SOC神經(jīng)網(wǎng)絡(luò)融合估計方法[J].湖南大學(xué)學(xué)報（自然科學(xué)版），2023，50（10）：31-40.

[12] 舒征宇，翟二杰，李鎮(zhèn)翰，等.基于Dropout優(yōu)化算法和LSTM的鉛酸蓄電池容量預(yù)測[J].電源學(xué)報，2023，21（5）：173-181.

作者簡介：

黃曉智，男，1999年生，在讀研究生，主要研究方向：智能測控。

張華明，男，1984年生，碩士研究生，高級工程師，碩士研究生導(dǎo)師，主要研究方向：智能測控。E-mail： inventor-1010@163.com

黃藝航，男，1999年生，在讀研究生，主要研究方向：智能測控。

許志杰，男，1999年生，在讀研究生，主要研究方向：智能測控。