郜周琪　巨永鋒　陳麗容　陳金平

摘 要 基于數(shù)據(jù)驅(qū)動(dòng)的思想，從電池歷史數(shù)據(jù)中提取能反映電池衰退趨勢的特征參數(shù)，并分析參數(shù)與電池壽命的相關(guān)性，完成特征參數(shù)的選取。其次基于選取的特征參數(shù)，對其進(jìn)行數(shù)據(jù)預(yù)處理，得到最終的特征數(shù)據(jù)。最后基于時(shí)序預(yù)測的思想，建立長短期記憶神經(jīng)網(wǎng)絡(luò)的鋰電池剩余使用壽命預(yù)測模型，從而實(shí)現(xiàn)電池剩余使用壽命的預(yù)測。研究結(jié)果表明：與傳統(tǒng)的支持向量回歸方法相比，基于長短期記憶神經(jīng)網(wǎng)絡(luò)的方法有效提高了預(yù)測準(zhǔn)確性。

關(guān)鍵詞 鋰離子電池 剩余使用壽命 數(shù)據(jù)驅(qū)動(dòng) 特征參數(shù) 長短期記憶神經(jīng)網(wǎng)絡(luò)

中圖分類號 TP202? ?文獻(xiàn)標(biāo)識(shí)碼 A? ?文章編號 1000?3932（2023）02?0231?08

鋰離子電池有著工作電壓高、比能量高、循環(huán)壽命長、自放電率低及環(huán)境友好等優(yōu)點(diǎn)［1］，已成為電池商品化應(yīng)用的熱點(diǎn)。然而，鋰電池在使用過程中易受外界因素的影響而老化，最終導(dǎo)致電池實(shí)用性和安全性降低，因此準(zhǔn)確預(yù)測電池的剩余使用壽命（Remaining Useful Life，RUL）極其重要。目前，RUL預(yù)測方法主要有基于模型的方法和基于數(shù)據(jù)驅(qū)動(dòng)的方法兩類［2］。基于數(shù)據(jù)驅(qū)動(dòng)的方法在電池RUL預(yù)測領(lǐng)域應(yīng)用更為廣泛，其核心思想在于對容量衰減軌跡和歷史數(shù)據(jù)的分析處理。

濾波預(yù)測法是較為常用的一種RUL預(yù)測方法［3］。在鋰電池的RUL預(yù)測方面，王帥等基于粒子濾波方法，改進(jìn)已有的鋰電池容量經(jīng)驗(yàn)指數(shù)衰退模型，降低了狀態(tài)方程參數(shù)估計(jì)的個(gè)數(shù)［4］。哈爾濱工業(yè)大學(xué)的周建寶基于RVM算法，通過識(shí)別鋰電池退化狀態(tài)，提高鋰離子電池RUL預(yù)測精度與預(yù)測能力，并借助FPGA技術(shù)實(shí)現(xiàn)RUL預(yù)測的嵌入式計(jì)算［5］。肖遷等選取電池健康因子構(gòu)建了基于Light GBM的RUL預(yù)測模型，并采用一種兼具自適應(yīng)性和魯棒性的損失函數(shù)（ARLF）對其改進(jìn)，降低了數(shù)據(jù)離群值對預(yù)測精度的影響［6］。王瀛洲等采用蟻獅優(yōu)化算法優(yōu)化支持向量回歸模型的核參數(shù)，從而提出一種ALO-SVR方法應(yīng)用于RUL預(yù)測，有效提高了預(yù)測精度［7］。筆者結(jié)合現(xiàn)有研究成果，使用多個(gè)反映電池衰退趨勢的特征參數(shù)，設(shè)計(jì)基于LSTM的鋰電池RUL預(yù)測模型，實(shí)現(xiàn)了對電池RUL較為準(zhǔn)確的預(yù)測。

1 電池特征參數(shù)選取

1.1 鋰電池壽命退化過程分析

筆者采用NASA的鋰電池?cái)?shù)據(jù)作為基礎(chǔ)數(shù)據(jù)，對其中的5號、6號、7號和18號電池在室溫（24 ℃）下采用3種運(yùn)行模式記錄數(shù)據(jù)，提取電池?cái)?shù)據(jù)中的容量值，得到容量隨充放電循環(huán)周期的變化曲線，如圖1所示。

以5號電池?cái)?shù)據(jù)為例，對其放電和充電電壓數(shù)據(jù)進(jìn)行處理。從第40次充放電周期開始，每隔30次循環(huán)提取一次數(shù)據(jù)，直到第160次循環(huán)，將這些數(shù)據(jù)放到一個(gè)圖中進(jìn)行對比，如圖2所示。

分析圖1可知，電池容量隨著充放電循環(huán)周期的變化有一定波動(dòng)，但大體是下降趨勢。由于電池間本身特性和工作環(huán)境存在一定差異，因此電池容量的衰減速率和初始容量有所不同。分析圖2可知，電池的充放電電壓隨著電池充放電周期有一定的變化趨勢。隨著充放電周期次數(shù)的增大，電池放電到最低點(diǎn)所用時(shí)間和充電到最高點(diǎn)所用時(shí)間都呈現(xiàn)出減少趨勢。綜合分析，可以初步判斷電池容量與電池的充放電電壓存在某種關(guān)系。

1.2 特征參數(shù)計(jì)算

特征參數(shù)提取是從目標(biāo)數(shù)據(jù)中提取能反映目標(biāo)某種特征的參數(shù)，用來反映目標(biāo)的變化與特性。為了避免使用單個(gè)參數(shù)產(chǎn)生較大誤差，擬提取多個(gè)參數(shù)：等時(shí)放電電壓差、等時(shí)充電電壓差、放電電壓均方根、放電電壓衰減率、等壓降放電時(shí)間和等壓升充電時(shí)間。

均方根RMS_V可以反映樣本的離散程度，具體到這里表示樣本的變化趨勢，其計(jì)算式如下：

其中，X、Y分別為兩個(gè)變量的樣本值；X、Y分別為兩個(gè)變量的樣本均值。|ρ|的值越接近于1說明線性相關(guān)程度越大。使用SPSS軟件對5號和6號電池參數(shù)與容量進(jìn)行皮爾遜系數(shù)計(jì)算，結(jié)果見表1。

由表1中皮爾遜系數(shù)的值，選擇等時(shí)放電電壓差、等壓降放電時(shí)間、等壓升充電時(shí)間和等時(shí)充電電壓差作為反映電池壽命衰退的特征參數(shù)，應(yīng)用到后面模型的訓(xùn)練中。5號電池的4個(gè)特征參數(shù)值如圖3所示。2 LSTM神經(jīng)網(wǎng)絡(luò)的基本原理LSTM神經(jīng)網(wǎng)絡(luò)［8］是循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的一種，設(shè)計(jì)靈感來自于計(jì)算機(jī)的邏輯門，由于其擁有出色的非線性時(shí)序數(shù)據(jù)建模能力，在時(shí)序數(shù)據(jù)預(yù)測任務(wù)中具有較高的預(yù)測精度。

LSTM網(wǎng)絡(luò)引入了記憶元，用于記錄附加的信息。為了控制記憶元，LSTM網(wǎng)絡(luò)引入了遺忘門、輸入門和輸出門，這種設(shè)計(jì)能夠通過專用機(jī)制決定什么時(shí)候記憶或忽略隱狀態(tài)中的輸入。LSTM網(wǎng)絡(luò)基本單元的結(jié)構(gòu)如圖4所示。

假設(shè)有h個(gè)隱藏單元，批量為n，輸入數(shù)為d。因此，輸入X∈R，前一時(shí)間步的隱狀態(tài)H∈R。則時(shí)間步t的門被定義為：輸入門I∈R，遺忘門F∈R，輸出門O∈R，計(jì)算式如下：

其中，y為歸一化后的值；x為序列中一個(gè)原始數(shù)據(jù)；x和x分別為序列的最大值和最小值。

3.1.2 網(wǎng)絡(luò)設(shè)計(jì)

特征數(shù)據(jù)處理后，將其合并為數(shù)據(jù)集輸入網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，通過LSTM網(wǎng)絡(luò)對輸入的多維特征數(shù)據(jù)進(jìn)行處理，可提取到電池特征參數(shù)數(shù)據(jù)的時(shí)序特征信息，然后經(jīng)過全連接層，得到預(yù)測值，完成正向傳播。預(yù)測模型結(jié)構(gòu)如圖5所示。

3.1.3 預(yù)測評價(jià)標(biāo)準(zhǔn)

為了評估預(yù)測模型的有效性，需要采用統(tǒng)一的評估標(biāo)準(zhǔn)對預(yù)測結(jié)果進(jìn)行評價(jià)，筆者采用的評估標(biāo)準(zhǔn)為平均絕對誤差（MAE）和均方根誤差（RMSE）。MAE和RMSE指標(biāo)可以對預(yù)測值相較于真實(shí)值的偏離程度進(jìn)行計(jì)算，得到的值越小，說明預(yù)測模型的精度越高。其計(jì)算式如下：

其中，m為數(shù)據(jù)總數(shù)；l表示第i時(shí)刻的真實(shí)值；[l][^]表示模型在第i時(shí)刻的預(yù)測值。

3.2 實(shí)驗(yàn)結(jié)果分析

電池的主要功能是提供電能，因此可以將電池容量作為電池剩余使用壽命的表征參數(shù)。綜合上文的各種方法，構(gòu)建出完整的預(yù)測網(wǎng)絡(luò)模型流程框圖，如圖6所示。

依據(jù)圖6進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)基于Pytorch深度學(xué)習(xí)框架搭建預(yù)測網(wǎng)絡(luò)模型。將原始電池?cái)?shù)據(jù)提取的特征參數(shù)作為模型的輸入，將電池的容量作為剩余使用壽命預(yù)測標(biāo)簽進(jìn)行訓(xùn)練，并通過調(diào)節(jié)網(wǎng)絡(luò)參數(shù)來提升模型的預(yù)測精度。為了使預(yù)測結(jié)果較為客觀準(zhǔn)確，將4個(gè)電池?cái)?shù)據(jù)中的3個(gè)作為訓(xùn)練集，其余一個(gè)作為測試集進(jìn)行預(yù)測，應(yīng)用筆者提出的預(yù)測模型獲得的預(yù)測結(jié)果如圖7所示。

從圖7中可以看出，4個(gè)電池的剩余使用壽命預(yù)測值與實(shí)際值之間誤差較小，擬合度較好。相較于實(shí)際值，預(yù)測值曲線更為平滑，這說明預(yù)測值在一定程度上忽視了測量誤差導(dǎo)致的突變峰值，反映了電池的真實(shí)變化趨勢，這也與選取特征參數(shù)與剩余壽命的相關(guān)性較好有關(guān)。

為了驗(yàn)證筆者所提方法的有效性，將其與支持向量回歸（SVR）方法對比。SVR是支持向量機(jī)在回歸任務(wù)中的應(yīng)用，其在單調(diào)性較強(qiáng)的預(yù)測任務(wù)中表現(xiàn)較好。在保持相同的訓(xùn)練策略前提下應(yīng)用SVR對電池的RUL進(jìn)行預(yù)測，實(shí)驗(yàn)結(jié)果如圖8所示。

由圖8可知，SVR大體預(yù)測出了實(shí)際值的變化趨勢，具有一定的準(zhǔn)確性。其在5號、6號電池上的預(yù)測較為穩(wěn)定，但是在7號、18號電池上的預(yù)測有較大誤差。從預(yù)測曲線來看，SVR相較于本文方法，其預(yù)測精度有所不足。

將兩種模型的實(shí)驗(yàn)結(jié)果進(jìn)行匯總整理，以MAE和RMSE為評價(jià)指標(biāo)進(jìn)行對比，對比結(jié)果見表2。

從表2的評價(jià)指標(biāo)結(jié)果可以看出，筆者采用的LSTM網(wǎng)絡(luò)模型具有較好的RUL預(yù)測效果，其在4個(gè)電池上的預(yù)測值與實(shí)際值的誤差都較小，而SVR模型在4個(gè)電池上的預(yù)測效果都比LSTM模型差。

綜上所述，基于多特征參數(shù)的LSTM剩余壽命預(yù)測模型具有較高的預(yù)測精度，且平滑穩(wěn)定性比較好，可得到比較準(zhǔn)確的電池剩余使用壽命。

4 結(jié)束語

筆者提出一種基于數(shù)據(jù)驅(qū)動(dòng)的RUL預(yù)測方法，從充放電電壓中提取多個(gè)能反映電池壽命的特征參數(shù)，對其進(jìn)行相關(guān)性評估選取合適的參數(shù)，并建立特征參數(shù)與電池RUL標(biāo)簽的LSTM預(yù)測模型，從而通過電池特征參數(shù)得到RUL的預(yù)測值，并給出了預(yù)測模型的評價(jià)標(biāo)準(zhǔn)。雖然所提方法取得了一定的效果，但在許多方面仍存在可以深入研究的地方。所應(yīng)用的LSTM模型較為基礎(chǔ)，可以將模型與其他先進(jìn)方法結(jié)合，例如可將注意力機(jī)制與該網(wǎng)絡(luò)結(jié)合，從而提高模型的預(yù)測性能。筆者所提方法采用的電池?cái)?shù)據(jù)僅為室溫環(huán)境下測得，且數(shù)據(jù)量較少，這可能會(huì)使模型的泛化能力不足，在預(yù)測其他電池的RUL時(shí)效果較差。

參 考 文 獻(xiàn)

［1］ 胡敏，王恒，陳琪.電動(dòng)汽車鋰離子動(dòng)力電池發(fā)展現(xiàn)狀及趨勢［J］.汽車實(shí)用技術(shù)，2020（9）：8-10.

［2］ 劉月峰，張公，張晨榮，等.鋰離子電池RUL預(yù)測方法綜述［J］.計(jì)算機(jī)工程，2020，46（4）：11-18.

［3］ 熊瑞.動(dòng)力電池管理系統(tǒng)核心算法［M］.北京：機(jī)械工業(yè)出版社，2018：177-198.

［4］ 王帥，韓偉，陳黎飛，等.基于粒子濾波的鋰離子電池剩余壽命預(yù)測［J］.電源技術(shù)，2020，44（3）：346-351.

［5］ 周建寶.基于RVM的鋰離子電池剩余壽命預(yù)測方法研究［D］.哈爾濱：哈爾濱工業(yè)大學(xué)，2013.

［6］ 肖遷，穆云飛，焦志鵬，等.基于改進(jìn)LightGBM的電動(dòng)汽車電池剩余使用壽命在線預(yù)測［J］.電工技術(shù)學(xué)報(bào)，2022，37（17）：4517-4527.

［7］ 王瀛洲，倪裕隆，鄭宇清，等.基于ALO?SVR的鋰離子電池剩余使用壽命預(yù)測［J］.中國電機(jī)工程學(xué)報(bào)，2021，41（4）：1445-1457.

［8］ 楊麗，吳雨茜，王俊麗，等.循環(huán)神經(jīng)網(wǎng)絡(luò)研究綜述［J］.計(jì)算機(jī)應(yīng)用，2018，38（S2）：1-6；26.

（收稿日期：2022-05-26，修回日期：2023-02-01）

Residual Life Prediction of Li?ion Batteries Based on Data Driving

GAO Zhou?qi1，2， JU Yong?feng1，2， CHEN Li?rong1， CHEN Jin?ping1

（1. School of Electronic and Control Engineering， Changan University；2. Xian Siyuan University）

Abstract? ?Based on the idea of data driving， having characteristic parameters which reflecting battery decline trend from the battery historical data extracted and the correlation between the parameters and the battery life analyzed as well as? the selection of characteristic parameters completed were implemented， including having the selected feature parameters based to preprocess the data so as to obtain the final feature

基金項(xiàng)目：陜西省自然科學(xué)基礎(chǔ)研究計(jì)劃項(xiàng)目（2020JM?255，2020JM?238）。

作者簡介：郜周琪（1998-），碩士研究生，從事電池健康狀態(tài)評估和剩余壽命預(yù)測的研究，1370161504@qq.com。

引用本文：郜周琪，巨永鋒，陳麗容，等.基于數(shù)據(jù)驅(qū)動(dòng)的鋰電池剩余使用壽命預(yù)測［J］.化工自動(dòng)化及儀表，2023，50（2）：231-237；261.