基于LSTM和EIS的锂电池健康状态估计*

刘家豪, 张宏伟, 袁永军

(1.河南理工大学 电气工程与自动化学院,河南 焦作454000；2.上海炙云新能源科技有限公司,上海 201800)

0 引 言

健康状态(state of health,SOH)作为电动汽车电池的重要性能参数之一,当该参数显示已经下降到不能满足正常需求时,需要及时使用新的锂电池对其进行更换,从而来确保电动汽车的使用安全[1]。目前,因为电化学阻抗谱具有无损测量的优势,被广泛应用于动力电池阻抗特性及电池状态估计等方面的研究,现有的基于交流阻抗对锂电池健康状态估计的方法是通过交流阻抗谱的实部和虚部共同估计锂离子电池的寿命,该方法需要测量锂电池不同寿命下一定频率范围的交流阻抗谱,然后建立交流阻抗谱实部和虚部与电池健康状态的关系,最后根据已建立的寿命估计关系对寿命未知的电池进行健康状态的估计。但是在实际应用中,由于接触电阻的存在,采集数据时往往会对实部欧姆阻抗产生一定的影响,从而降低电池寿命的估计精度。同时在电池健康状态的估计应用中,电池容量、荷电状态(state of charge,SOC)都是随使用时间变化的数据,而长短时记忆(long short term memory,LSTM)通过它特殊的网络结构可以把数据在时间尺度上联系起来,非常适合用于对长时间序列数据进行处理。

1 电池寿命相关定义分析

SOH的定义方式有很多,其中通过电池的容量来定义SOH最为常见。即指当前电池从完全充电状态以1 C倍率放电到截止电压时所放出的容量(Qaged)与动力电池额定容量(Qrated)的比值,可见SOH可以有效表征电池的老化状态,其定义表达式如下

在我国标准GBT31484—2015中,对于动力电池循环寿命老化测试时的终止寿命(end of life,EOL)有明确的定义：当锂电池从崭新到循环次数达到一定次数时,可用容量不得低于初始容量的80 %。这说明当动力电池从崭新到寿命终止时,SOH由100 %衰减到0 %[2]。为了能表现这个变化过程,将公式进行如下转换

(1)

2 电化学阻抗谱法

电化学阻抗谱技术是一种无损的参数测定方法,同时它的测量满足近似线性条件,所得的数据也满足线性理论,便于后期的分析处理。

2.1 电化学阻抗谱理论

当电池处在平衡状态时,对电池系统施加一个小振幅的正弦波电流(电压)信号,系统会产生一个同频率的正弦波电压(电流)信号,将计算得到的阻抗按频率大小排列,即为该系统的电化学阻抗谱[3]。图1完整描绘了0.01～10 000 Hz范围内的所有测定阻抗值。

图1 电化学阻抗谱Nyquist图

2.2 交流阻抗老化试验

为了能够得到准确的阻抗谱数据,首先需要确保仪器完好并且校准完毕,能够达到测量试验的要求。而后需要设置好测量过程中的试验参数,使其符合试验环境要求,以确保整个测量过程准确可靠。

在交流阻抗循环老化试验中,首先要对全新的锂电池进行初始容量测定,该实验所选取的磷酸铁锂电池的初始容量为8.9 Ah,然后对这块锂电池进行循环充放电试验直至电池寿命衰减到80 %以下[4]。在试验过程中,每对锂电池进行100次循环就要对它进行两个测试：1)容量测试,按照标准GBT 31486—2015中5.1.4节规定的容量测试方法对电池进行室温放电容量测试；2)对电池进行不同SOC下的EIS测试,以10 %SOC的间隔测量10 %～90 %SOC共计9个SOC点的EIS[5]。测量步骤如图2所示。

图2 交流阻抗老化试验流程图

由于在试验过程中交流阻抗的实部易受到引线电阻和接触电阻的影响,因此，仅考虑交流阻抗虚部随循环次数的变化关系,图3为50 %SOC下的关系。

图3 交流阻抗虚部随循环次数变化

分析图可知,在1 Hz处交流阻抗虚部Z″的模值随循环次数的增加呈现出规律性变化,虚部模值增幅相对于其他频率下的数据变化明显,并且在该频率下的扫频时间较短,在整个周期内SOC的变化可忽略不计。

通过图4可知在(0.5～1.58)Hz频率段下的交流阻抗虚部值变化规律与1 Hz处相同,该频率段下的虚部值可作为电池寿命老化预测的输入参数。

图4 (0.5～1.58)Hz下虚部变化

3 LSTM网络原理

1997年Hochreiter S和Schmidhuber J提出了LSTM神经网络,LSTM作为循环神经网络(recurrent neural network,RNN)的一种特殊结构,通过引入遗忘门、输入门和输出门等重要结构来弥补RNN无法处理长期依赖问题的缺陷[6,7]。遗忘门通过割舍掉无用信息,以达到对有价值信息记忆的目的,输入门决定哪些新信息应该被加入,最后输出门根据当前的状态和现在的输入来控制哪些信息符合需要进行输出。图5所示为LSTM的具体结构。

图5 LSTM网络单元结构

图5中,Xt为t时刻的输入；ht-1为t-1时刻网络的输出；Ct-1为t-1时刻的网络长期状态输出；ft,it,ot分别为遗忘门、输入门、输出门,s为激活函数,Wf,Wi,Wc,Wo为各个状态的输入权重矩阵[8]。

4 基于LSTM的锂电池寿命预测模型建立

4.1 输入数据的选择

在锂电池寿命预测模型建立的过程中,如何选取合适的输入量来对神经网络进行训练,是要解决的至关重要的一步。基于电化学阻抗来对锂电池进行寿命预测的影响因素有很多,本文的输入为循环次数、频率、SOC、交流阻抗虚部,故输入节点为4。SOH作为预测模型的输出。部分数据如表1所示。

表1 LSTM网络模型部分输入参数

同时,为了使模型预测的结果更为准确,需要对数据进行归一化处理来消除因数值差异过大带来的影响,计算公式为

(2)

式中xmin为数据最小值,xmax为最大值。

4.2 激活函数的选择

对于LSTM网络来说,反向传播算法是训练LSTM最有效也是最常用的算法[9]。采用梯度下降算法,通过调节下降方向调整神经元之间的连接权重w和每个神经元本身的偏置b,公式为

(3)

式中C为代价,a为输出值,y为实际值,z为神经元的输入,x为样本。这里选用tanh函数和Sigmoid函数来解决梯度消失问题,Sigmoid函数通过输出0或1来决定更新或舍弃哪些信息。tanh层以新的输入为基础,创建出所有可能值的向量,再将它们相乘以更新这个新的记忆单元,最后将这个新的记忆添加载到旧记忆c(t-1)中得出c(t)。

4.3 预测效果估计

SOH预测准确率一般采用根均方误差(root mean square error,RMSE)来表示,RMSE能够反映出预测值与真实值的偏差程度,所得到的RMSE越小其估计效果越好[10]。RMSE计算公式为

(4)

式中n为预测验证数据个数,(i)为SOH预测值,p(i)为SOH实际值,Cap,i为输出序列最大值。

5 分析验证

通过交流阻抗实验共得到404组数据,其中,选取350组数据作为训练数据,剩下的54组数据作为测试集,经过仿真实验最终确定当最大训练次数为800次,梯度阈值为1,学习率为0.05时得到的SOH预测模型最为准确,它的真实值与预测值的对比如图6所示。

图6 SOH预测结果

通过图6中SOH的预测折线图可以看出,通过神经网络得到的SOH的估计值与实际值基本重合,RMSE仅为3.981 %,预测精度较为准确,可以作为SOH的预测方法。

6 结 论

本文先对锂电池进行循环老化试验和交流阻抗测试,根据获得的实验数据确定了在低频1 Hz处的虚部阻抗随电池老化的变化关系明显,最后采用LSTM神经网络对锂电池SOH进行预测。测试结果表明：本文方法对锂电池的SOH预测有较高的估计精度,并且方法不用再对整个交流阻抗进行测试,大大缩短了交流阻抗测试时间。