趙顯赫，耿光超，龔裕仲，江全元，林 達

（1.浙江大學(xué) 電氣工程學(xué)院，浙江 杭州310027；2.國網(wǎng)浙江省電力有限公司 電力科學(xué)研究院，浙江 杭州310014）

0 引 言

電網(wǎng)側(cè)儲能系統(tǒng)是促進大規(guī)模清潔能源并網(wǎng)的重要手段，也是提高電網(wǎng)運行靈活性的關(guān)鍵技術(shù)［1］。 隨著材料科學(xué)的不斷發(fā)展，以鋰電池為代表的電化學(xué)儲能已成為目前電力系統(tǒng)中的重要儲能方式之一［2］。 相比于其他儲能方式，鋰電池具有能量密度高、循環(huán)壽命長、能量轉(zhuǎn)化率高等優(yōu)點，因此被廣泛應(yīng)用于電網(wǎng)側(cè)儲能系統(tǒng)［3］。 在儲能鋰離子電池運行過程中，其內(nèi)部儲能單元的性能會隨鋰電池電化學(xué)成分改變而發(fā)生不可逆退化［4］，導(dǎo)致儲能系統(tǒng)性能下降或系統(tǒng)故障，甚至可能引發(fā)起火災(zāi)或爆等事故。 為確保儲能鋰離子電池運行的安全性與可靠性，儲能系統(tǒng)健康管理技術(shù)開始不斷發(fā)展［5］。 作為儲能系統(tǒng)健康管理的重要組成部分之一，電池管理系統(tǒng)（battery management system， BMS）通過對儲能電池及電池組溫度、電壓、電流、容量等信息的采集，實現(xiàn)對儲能電池的實時狀態(tài)監(jiān)測和故障分析［6］。 然而，目前已有的BMS 技術(shù)難以捕捉檢測狀態(tài)量在一段時間內(nèi)的異常變化，不能提前預(yù)判故障的發(fā)生，因此有必要進一步研究更高效的儲能鋰離子電池健康狀態(tài)評估方法。

電池及電池組的健康狀態(tài)（state of health，SOH） 及 剩 余 使 用 壽 命（remaining useful life，RUL）是衡量儲能系統(tǒng)健康狀態(tài)的兩個重要評價指標［7］。 目前對電池SOH估計與RUL預(yù)測的主要方法有基于物理模型的分析方法和數(shù)據(jù)驅(qū)動建模方法兩類［8-10］。 相比于基于物理模型的分析方法，數(shù)據(jù)驅(qū)動技術(shù)無需對電池內(nèi)部的復(fù)雜電化學(xué)機理進行建模，具有較高的可遷移性、魯棒性與自適應(yīng)性［11］。 目前電池健康狀態(tài)評估的數(shù)據(jù)驅(qū)動建模方法主要包括人工神經(jīng)網(wǎng)絡(luò)（artificial neural networks，ANN）［12］、支持向量機（support vector machine，SVM）［13］、 高 斯 過 程 回 歸（ gaussian process regression，GPR）［14］等方法。 文獻［15］利用門控循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural networks with gated recurrent unit， GRU-RNN）建立電壓時序特征與電池SOH的映射規(guī)律，但所采用的輸入特征較少，忽略了電池其他參數(shù)對電池SOH的影響。 文獻［16］通過長短期神經(jīng)網(wǎng)絡(luò)（long shortterm memory，LSTM）對磷酸鐵鋰電池進行SOH估計和RUL預(yù)測，但該方法依賴實驗室較理想條件下的測試數(shù)據(jù)，所使用的數(shù)據(jù)樣本較少，魯棒性及可遷移性較弱。 文獻［17］從海量車輛運行數(shù)據(jù)中提取容量增量曲線的特征，實現(xiàn)了基于GPR的車載電池在線SOH估計，文獻［18］從充電曲線中提取5 種特征，通過SVM 進行電池SOH 預(yù)測。文獻［19］使用深度卷積神經(jīng)網(wǎng)絡(luò)（deep convolutional neural networks，DCNN）對電池電壓、電流、溫度曲線進行切分作為模型特征，對電池SOH進行估計。

目前對儲能電池健康狀態(tài)估計的研究主要存在以下問題：首先，多數(shù)研究僅通過電池少量外部參數(shù)獲取健康狀態(tài)特征，缺乏對電池多維退化影響因素的分析研究；其次，對電池健康狀態(tài)的研究多局限于單體，而對電池組及電池簇的健康分析研究較少；此外，多數(shù)文獻提出的模型缺乏在實際儲能系統(tǒng)中的驗證。

為此，本文提出一種基于深度學(xué)習的儲能鋰離子電池健康狀態(tài)估計方法，采用注意力機制的LSTM模型，分析儲能電池的多維外部參數(shù)特征，強化參數(shù)敏感性較高的特征在模型訓(xùn)練時的作用，實現(xiàn)儲能電池健康狀態(tài)高精度估計。 利用斯坦福電池單體測試集及實際儲能示范工程數(shù)據(jù)，分別對電池單體及電池簇進行健康狀態(tài)估計，驗證了模型的有效性。

1 儲能鋰離子電池實時健康狀態(tài)估計

1.1 儲能鋰離子電池健康狀態(tài)描述

儲能鋰離子電池健康情況可通過站內(nèi)電池單體及電池簇的健康狀態(tài)（state of health，SOH）進行描述，通常定義為儲能單元當前額定容量和初始額定容量的比值［20］，即

式中，Ct為儲能單元在第t個周期的容量；C0為初始容量。

在儲能鋰離子電池實際運行過程中，儲能單元的荷電狀態(tài)（state of charge，SOC）運行上下限設(shè)定會留有一定裕度，難以直接獲取準確的額定容量。 此時SOH可按SOC上下限間總放電量進行替代計算。

設(shè)Q為儲能單元從SOC上限放電至SOC下限所放出的電量，則

式中，Qt為當前儲能單元從SOC上限放電至SOC下限所放出的電量，Q0為初始儲能單元從SOC上限放電至SOC下限所放出的電量。

為確保儲能鋰離子電池健康狀態(tài)估計的時效性，本文采用滑動窗口的方式，利用一定時間范圍內(nèi)的數(shù)據(jù)對儲能鋰離子電池健康狀況進行在線實時估計。 在該問題中，時刻t對應(yīng)電池單體或電池簇的充放電循環(huán)次數(shù)。 電池單體或簇的SOH歷史觀測值（y1，y2，…，yt-1）、以及對應(yīng)歷史輸入特征（x1，x2，…，xn-1），則未來第Δ循環(huán)后SOH的估計值為：

式中：φΔ為儲能鋰離子電池健康狀態(tài)估計的預(yù)測模型，w為滑動窗口的觀測長度，當Δ=0 時，表示在當前循環(huán)下對電池單體或電池集群SOH的估計。

1.2 估計框架

本文提出的基于深度學(xué)習的儲能鋰離子電池實時健康狀態(tài)估計框架如圖1 所示，利用儲能鋰離子電池歷史數(shù)據(jù)及運行過程中的實時數(shù)據(jù)對儲能鋰離子電池單體及電池簇的實時SOH進行估計。

圖1 儲能鋰離子電池健康狀態(tài)評估框架

其主要流程為：

1）數(shù)據(jù)清洗：對儲能鋰離子電池運行過程中產(chǎn)生的實時數(shù)據(jù)進行清洗及預(yù)處理，去除掉明顯錯誤的數(shù)據(jù)，同時對缺失數(shù)據(jù)進行插值補充。

2）特征工程：特征工程是數(shù)據(jù)驅(qū)動建模過程中的重要一環(huán)，從儲能鋰離子電池歷史數(shù)據(jù)中提取反映電池單體或電池簇老化信息的特征參數(shù)，作為模型輸入?yún)⑴c模型訓(xùn)練。 根據(jù)儲能電池SOH的定義，電池單體及電池簇的最大容量、內(nèi)阻等參數(shù)可直接作為表征儲能系統(tǒng)健康狀況的特征。 但由于這些參數(shù)所包含的儲能系統(tǒng)健康狀態(tài)信息有限，且部分儲能鋰離子電池的BMS 對電池內(nèi)阻無法直接測量。 因此，仍需通過特征工程豐富模型訓(xùn)練所需的輸入特征，以提高模型的精度與可靠性。

3）模型訓(xùn)練：本文以注意力機制的LSTM 神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習模型，利用特征工程生成的特征向量進行模型訓(xùn)練，建立輸入特征與儲能鋰離子電池健康狀態(tài)的映射關(guān)系。 在模型訓(xùn)練前，通過網(wǎng)格搜索對模型的關(guān)鍵參數(shù)進行優(yōu)化，進而得到最佳的模型超參數(shù)。

4）健康狀態(tài)估計：利用儲能鋰離子電池實時數(shù)據(jù)在線生成多維特征，并輸入訓(xùn)練好的模型中，估計當前或未來儲能鋰離子電池單體或電池集群的健康狀態(tài)。

5）模型更新：對預(yù)測結(jié)果進行性能評估，根據(jù)評估結(jié)果對模型參數(shù)進行適當調(diào)整；同時利用儲能鋰離子電池實時輸入在線數(shù)據(jù)對模型進行增量學(xué)習，更新已訓(xùn)練的模型，進而提高模型的估計精度，形成完整的閉環(huán)估計系統(tǒng)。

2 注意力機制的LSTM 評估模型

2.1 LSTM基本原理

儲能鋰離子電池的健康狀態(tài)估計可以簡化為非線性數(shù)值型多元時間序列的回歸預(yù)測問題。 循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）可有效解決該類問題，但傳統(tǒng)RNN模型在訓(xùn)練過程中，隨著時間步的推移，會發(fā)生梯度下降或梯度爆炸現(xiàn)象，使得歷史輸入信息丟失或者產(chǎn)生無效信息，進而導(dǎo)致預(yù)測結(jié)果精度急劇降低［21］。 為解決上述問題，Jurgen Schmidhuber在傳統(tǒng)RNN的基礎(chǔ)上提出了LSTM算法，解決了傳統(tǒng)RNN在訓(xùn)練過程中無法處理的長期依賴問題及梯度爆炸問題。

LSTM單元可使用有效信息填充狀態(tài)單元，也可刪除無效信息，這個過程中使用的結(jié)構(gòu)稱為門限。 門限由一個sigmoid 函數(shù)點乘一個矩陣組成。 sigmoid 函數(shù)輸出一個0 到1 之間的數(shù)字來描述每個信息通過門限的程度，其中0 表示所有信息禁止通過，1 表示所有信息通過。 LTSM的單元結(jié)構(gòu)如圖2 所示，整個LSTM 單元包括3 個門限，即輸入門it、遺忘門ft和輸出門ot。

圖2 LSTM單元基本結(jié)構(gòu)

LSTM訓(xùn)練過程中更新迭代過程如式（1） -式（5）所示：

式中：σ和tanh 分別表示sigmoid 激活函數(shù)和雙曲正切激活函數(shù)；Wxi、Whi、bi表示輸入門中的輸入權(quán)重矩陣、狀態(tài)權(quán)重矩陣和偏置參數(shù)；Wxf、Whf、bf表示遺忘門的輸入權(quán)重矩陣、狀態(tài)權(quán)重矩陣和偏置參數(shù)；Wxo、Who、bo表示輸出門的輸入權(quán)重矩陣、狀態(tài)權(quán)重矩陣和偏置參數(shù)；xt表示LSTM神經(jīng)元在t時刻的輸入，ht表示在t時刻xt對應(yīng)單元的輸出；ct表示LSTM在t時刻的細胞狀態(tài)。

2.2 注意力機制模型

由于儲能系統(tǒng)復(fù)雜的非線性與多因素耦合性，單獨的電壓、電流、溫度等外特性參數(shù)所包含的健康信息有限；與此同時，對于如電池簇一類規(guī)模較大的電池集合，其健康情況受到下層多個結(jié)構(gòu)復(fù)雜的儲能單體共同影響。 因此，在儲能鋰離子電池健康狀態(tài)建模過程中，需依賴大量人工生成的特征進行模型訓(xùn)練，以涵蓋更多健康信息。 然而，由于儲能系統(tǒng)個體差異性、健康估計的復(fù)雜性、先驗經(jīng)驗有限等因素，特征工程所提取的部分特征可能與儲能系統(tǒng)健康狀態(tài)的相關(guān)性很小、甚至無明顯相關(guān)性，進而導(dǎo)致模型訓(xùn)練效果變差，預(yù)測精度降低。 為解決這一矛盾，本文引入了注意力機制。

注意力機制是根據(jù)人對畫面關(guān)注度權(quán)重的分布不均而設(shè)計的一種新型深度學(xué)習模型。 它模擬人腦注意力在特定時刻對特定區(qū)域集中的情況，從而有選擇性地獲取更多有效信息，忽略無用信息［22］。 通過對神經(jīng)網(wǎng)絡(luò)隱藏層單元分配不同的概率權(quán)重，以突出關(guān)鍵信息的影響，增強模型判斷的準確性，因而被廣泛應(yīng)用于圖像識別、語音識別、自然語言處理等方面［23］。

注意力機制的基本原理如圖3 所示，通過時間窗內(nèi)的注意力打分機制對LSTM 隱藏層的狀態(tài)進行加權(quán)，提高關(guān)鍵輸入特征對輸出的權(quán)重，使不符合注意力模型的內(nèi)容弱化或者遺忘，實現(xiàn)儲能鋰離子電池健康狀態(tài)的準確估計。

圖3 注意力機制原理示意圖

設(shè)LSTM輸入特征維數(shù)為m，LSTM時間窗口長度為w。 首先，位于上層的LSTM 模型輸出隱藏層狀態(tài)矩陣H=［ht-w，ht-w+1，…h(huán)t-1］ H∈Rm×wht∈Rm，對隱藏層矩陣H 的每個行向量Hi，使用k個一維CNN過濾器Ci∈R1×w提取特征，對Hi進行卷積操作生成時間窗狀態(tài)特征矩陣HC，HC∈Rm×k，HC中的每個元素的計算過程如下：

定義打分函數(shù)f，對LSTM隱藏層狀態(tài)ht與矩陣HC的每個行向量進行關(guān)聯(lián)性分析，f的表達式如下：

式中，Wa為行向量Hi與ht的關(guān)系矩陣，表示時間窗內(nèi)行向量Hi與ht的相關(guān)性。

打分函數(shù)f經(jīng)過激活函數(shù)sigmod 作用后可得到注意力權(quán)重αi：

式中，αi為H 每個的行向量Hi中各元素對應(yīng)特征的注意力權(quán)重。

將每行權(quán)重αi與HC的每個行向量進行加權(quán)求和得到特征權(quán)重向量vt，代表了HC所有行對ht的綜合影響，即在時間窗內(nèi)各變量對模型輸出敏感性權(quán)重。

注意力層的輸出結(jié)果h＇t通過式（10） 確定：

式中，Wv為權(quán)重向量vt的參數(shù)矩陣，Wh為注意力層的輸入權(quán)重矩陣

最終輸出的預(yù)測結(jié)果可由下式計算：

式中，yt+Δ注意力機制的LSTM模型輸出，Wh＇為注意力輸出層的權(quán)數(shù)矩陣。

3 算例分析

以傳統(tǒng)LSTM 模型作為對照，分別利用斯坦福電池單體測試集［24］和浙江省某實際儲能示范工程數(shù)據(jù)驗證本文方法在電池單體和電池簇健康狀態(tài)估計中的應(yīng)用效果。

3.1 儲能鋰離子電池單體實時健康狀態(tài)估計

3.1.1 斯坦福電池單體數(shù)據(jù)集

該數(shù)據(jù)集包括124 個APR18650M1A磷酸鐵鋰電池單體的循環(huán)壽命測試數(shù)據(jù)，電池容量為1.1 Ah，額定電壓為3.3 V。 各電池單體在不同充電電流倍率下進行循環(huán)壽命測試，電池的充放電循環(huán)數(shù)從150 至2300 不等，有效充放電循環(huán)96700 個，是目前最大的電池單體循環(huán)壽命公開數(shù)據(jù)集。

數(shù)據(jù)集中電池采用不同的一步充電或兩步充電策略，使得電池容量按照不同速度衰減。 以恒流模式對電池進行充電直至SOC達到80%，再以1C的充電倍率繼續(xù)充電，當電壓到達電池的額定電壓3.3 V時，采用恒壓小電流充電，直至電流達到C/50 認為充電結(jié)束；放電過程均以4C倍率恒電進行，當電池電壓放電至2.0 V時，采用恒壓小電流放電，直至電池放電電流達到C/50 認為放電結(jié)束。

數(shù)據(jù)集包含了各電池單體在循環(huán)測試過程中電壓、電流、容量、溫度、時間、內(nèi)阻等數(shù)據(jù)。 這些物理量與儲能系統(tǒng)中BMS 所采集的物理量基本一致，適用于儲能鋰離子電池單體健康狀態(tài)估計實驗。

3.1.2 特征工程

除電池單體的電壓V、電流I、溫度T等直接外特性參數(shù)外，常通過對電池放電容量電壓曲線（Qd-V曲線），增量容量曲線（d Qd/d V-V）曲線進行特征提取。 本文共提取了12 個電池單體特征作為模型輸入進行分析，如表1 所示。

表1 電池單體健康特征

完成特征提取后，由于各特征量綱不同，數(shù)量級差異較大，因此還需對模型的輸入輸出進行歸一化處理。 本文采用最大最小值歸一化，即

預(yù)測結(jié)果輸出時，需進行反歸一化，消除歸一化的影響。 反歸一化公式為：

3.1.3 實驗設(shè)置

本實驗基于CPU（AMD 3800X）、GPU（NVIDIA GeForce RTX 2070super 8GB）、RAM 內(nèi)存（32G）、Linux操作系統(tǒng)Tensorflow-GPU 1.15 及Keras-GPU 2.1.4 環(huán)境下進行。 儲能鋰離子電池單體實時健康狀態(tài)估計模型由一個輸入層、一個隱藏層、一個注意力層、一個輸出層共同構(gòu)成。 訓(xùn)練過程中模型的損失函數(shù)采用平均絕對值（mean absolute error，MAE）進行計算，其數(shù)學(xué)表達式為

其余實驗參數(shù)設(shè)置如表2 所示，所選參數(shù)通過網(wǎng)格搜索比較后確定。 將該數(shù)據(jù)集隨機分割為7 ∶3 兩部分，即87 個電池單體數(shù)據(jù)作為訓(xùn)練集，37 個電池單體數(shù)據(jù)作為測試集。 測試集數(shù)據(jù)模擬電池實際使用情況，以每個充放電循環(huán)為一個時間步逐個輸入。每進行50 次預(yù)測后，則增量更新一次模型。

表2 電池單體健康狀態(tài)評估模型參數(shù)

3.1.4 結(jié)果分析

選擇斯坦福數(shù)據(jù)集中的17 號電池（以5.4C充電至80%），20 號電池（先以5.4C充電至40%，再以3.6C充電至80%）及44 號電池（先以8C充電至15%，再以3.6C充電至80%）進行分析。 從圖4中可見，采用注意力機制的電池單體健康狀態(tài)估計效果較好。 且隨著模型的增量更新，17 號電池和20 號電池的估計誤差均有逐漸降低的趨勢。

圖4 電池單體SOH估計

為驗證注意力機制模型的有效性，在保證其他實驗參數(shù)相同的情況下，以均方根誤差（root mean square error， RMSE）及MAE作為估計結(jié)果的評價指標，分別采用注意力機制的LSTM 模型和普通LSTM模型對電池進行健康狀態(tài)估計。 如表3 所示，使用注意力機制進行的健康狀態(tài)估計，其RMSE與MAE均小于普通LSTM模型，證明了該模型在儲能電池健康狀態(tài)估計上的優(yōu)越性。

表3 電池單體SOH估計結(jié)果

3.2 儲能電池簇實時健康狀態(tài)估計

3.2.1 儲能示范工程數(shù)據(jù)

為了進一步驗證本文所提出方法的有效性，采用浙江省某實際儲能示范工程數(shù)據(jù)進行儲能鋰離子電池簇實時健康狀態(tài)估計。 該儲能鋰離子電池使用國能磷酸鐵鋰電池，電池單體額定電壓為3.2 V，初始容量為60 Ah。 每個電池模組包含4并12 串共48 個電池單體，每個電池簇包含19 個電池模組，由3 個電池簇構(gòu)成一個電池堆，共A、B兩個電池堆，總計1050.624 kWh，該儲能工程每個電池堆每日進行一次充放電。 儲能鋰離子電池BMS 每10 秒進行一次采樣，數(shù)據(jù)通過Kafka實時流傳輸至本地分布式文件系統(tǒng)中。 所采集的數(shù)據(jù)包括各電池單體的電壓和溫度，以及各模組、簇、堆的電壓、電流、溫度、功率、SOC等信息。

3.1.2 特征工程

在實際工程場景中，由于儲能鋰離子電池工況的復(fù)雜性，數(shù)據(jù)在采樣過程中存在較大誤差；同時，在數(shù)據(jù)存儲過程中，可能存在較多的缺失與遺漏，需對儲能鋰離子電池現(xiàn)場采集的數(shù)據(jù)進行數(shù)據(jù)清洗，去除明顯錯誤的數(shù)據(jù)，并對遺漏數(shù)據(jù)進行插值處理。

同時儲能鋰離子電池實際使用過程中，電池簇每次充放電結(jié)束后的SOC可能不同，因此，無法以完整的Q-V曲線作為電池簇的特征。 因此，本文采用特定電壓間隔下的電量變化作為電池簇的電壓容量特征。 設(shè)儲能鋰離子電池簇工作最小電壓為Vmin，最大電壓為Vmax，將該電壓范圍分割成k段較小的電壓區(qū)間，每個電壓區(qū)間的電壓范圍為（Vmin-Vmax）/k，各電壓區(qū)間下的電池Q-V曲線中提取特征。

由于電池簇中包含多個電池模組，通過分析電池簇內(nèi)部各電池模組電壓及溫度的不一致性［26］，也可以作為電池簇健康分析的特征。 本文將電池簇內(nèi)部各模組電壓及溫度的極差與方差，作為衡量電池簇內(nèi)部各模組不一致性的特征。

對實際儲能鋰離子電池簇所提取特征如表4所示。

表4 電池簇健康特征

3.1.3 結(jié)果分析

選擇電池簇A-I，電池簇A-II已積累運行數(shù)據(jù)作為訓(xùn)練集參與模型訓(xùn)練，電池簇A-III已積累運行數(shù)據(jù)作為測試集，對電池簇進行健康狀態(tài)估計，電池簇A-III數(shù)據(jù)模擬實時輸入逐個周期進行讀取。 每隔30 個充放電循環(huán)對儲能鋰離子電池簇健康狀態(tài)。 同時，并利用電池簇運行過程中的新增數(shù)據(jù)每30 個充放電循環(huán)對模型進行增量更新。

電池簇A-III的健康狀態(tài)估計結(jié)果如圖5所示。 從圖中可見，該模型能在一定程度上對儲能鋰離子電池簇的健康狀態(tài)進行估計。 注意力機制LSTM模型估計結(jié)果的RMSE為2.13%，MAE為1.71%，與普通LSTM模型相比精度更高，證明該模型在實際儲能鋰離子電池簇的健康狀態(tài)估計中，具有一定的有效性。

圖5 電池簇SOH估計結(jié)果

表5 電池簇SOH估計結(jié)果

4 結(jié) 論

本文提出了一種注意力機制的儲能鋰離子電池健康狀態(tài)估計方法，詳細介紹了該算法的原理、模型的網(wǎng)絡(luò)設(shè)計及特征工程過程，并通過對斯坦福電池數(shù)據(jù)集及實際儲能鋰離子電池的數(shù)據(jù)對模型進行驗證。 實驗結(jié)果表明，本文提出的學(xué)習模型在斯坦福數(shù)電池數(shù)據(jù)集電池單體和實際儲能鋰離子電池簇的健康狀態(tài)估計中實現(xiàn)了MAE分別小于0.314%和1.71%的估計效果，相比于傳統(tǒng)的LSTM模型具有更高的估計精度。 由于本文所進行的健康狀態(tài)估計均采用歷史數(shù)據(jù)，在本地模擬實時輸入進行，下一步工作考慮將該算法部署在儲能鋰離子電池的實際工程中的數(shù)據(jù)流中，在線分析實現(xiàn)儲能鋰離子電池實時健康狀態(tài)估計。