基于BiLSTM 神经网络的锂电池SOH快速估计研究

李家晨,朱成杰

(安徽理工大学,安徽 淮南 232000)

0 引言

锂离子电池以能量密度高、重量轻、使用寿命长、自放电率低以及高低温适应性强等优点,已经成为包括电动汽车数码产品等各个领域的主流选择,但仍面临诸多亟待解决的问题,锂电池随着老化会出现容量损耗、电阻增大、电压衰减等问题,给后续的充电和使用带来一定的困难。 锂离子电池的故障可能会导致整个系统的瘫痪,带来严重危害与重大经济损失,甚至危及人身安全。 电池健康状态(SOH)[1]反映的是当前电池储存电量的能力,数据表现为当前容量与额定容量之比,是量化锂电池退役标准的重要指标,一般认为锂电池容量低于80%时[2],应及时予以更换。

目前电池SOH 估计方法可大致分为基于模型的方法[3]、基于增量容量分析[4]的方法以及基于数据驱动的方法3 类。 基于模型的方法通常需要构建电化学模型或者等效模型,通过最小二乘法、卡尔曼滤波等方法辨识参数实现SOH 估计。 颜湘武等[5]建立了Thevenin二阶电路等效模型,应用卡尔曼滤波算法,对SOC 与内阻进行估算,进而估算SOH,该方法依赖模型精度并且具有局限性。 林名强等[6]在增量容量的基础上引入了表面温度作为参数数据,采用皮尔逊分析法提取新的健康因子,提高了精度,但温度传感器精度有限,易受周围环境影响,对适用场景有一定要求。 基于数据驱动算法跳过模型建立,直接提取锂电池各项数据中的非线性关系,应用简单并且具有较高的普适性,越来越为研究人员所重视。

1 BiLSTM 神经网络

循环神经网络(Recurrent Neural Network,RNN)可以有效学习非线性数据特征,但不具备长期记忆能力,在序列很长时,无法有效获得前向序列的记忆信息,并且存在初始参数较大时会导致梯度爆炸的问题。 为解决上述问题,长短期记忆神经网络(Long Short-Term Memory,LSTM)提出了门机制并引入细胞状态[7],在隐藏层中添加记忆单元,来存储时间序列的数据。 同时通过控制输入门、遗忘门、输出门来达到信息在隐藏层不同单元之间的传输,并且决定先前信息和当前信息的记忆和遗忘程度。 BiLSTM 是在LSTM 基础上搭建的一种前向与后向的组合结构,可以对输入数据序列进行双向分析,提高预测精度。 LSTM 单元结构如图1所示。

图1 LSTM 单元结构

该模型中xt为t时刻输入数据,Ct为t时刻记忆单元状态,Ht为隐藏层状态,遗忘门ft,输入门it以及输出门ot,遗忘门会对信息进行筛选,剔除不需要的信息,公式如下:

W,U为权重矩阵,b为偏置权值,σ 为sigmoid 激活函数。

BiLSTM 神经网络模型结构如图2 所示。

图2 BiLSTM 神经网络模型结构

2 数据及参数设置

模型采用Adam 优化器,该优化器结构明了,计算高效,对内存需求量低,能有效适应稀疏梯度并缓解梯度震荡的问题。 本文采用平均绝对误差(Mean Absolute Error,MAE)和均方根误差(Root Mean Square Error,RMSE)作为评价指标,对模型精确度进行验证。 相关公式如下:

输入数据来源为美国国家航空航天局所提供的18650 编号B0005 锂电池的充放电数据,该电池额定容量为2.0 Ah,恒流模式下对电池进行充放电实验,直至容量下降30%时,停止实验。 本文采用与容量相关性较高且相对易于监测的电压、电流为健康因子,首先对电池电压、电流、电容异常数据进行剔除,处理过所得数据169 组,取前80%作为训练集,后20%为测试集。用训练样本训练模型,并用测试集对模型进行验证,将模型输出的结果与真实值相比较,验证预测结果。 作为对照,以同样条件构建常规LSTM 神经网络模型进行训练,并将预测结果同BiLSTM 预测结果进行比较。

3 实验结果分析

实验相关环境,CPU 为英特尔Core i5-10300H,频率2.50 GHz,操作系统Windows 1 064 位,编程软件Python3.9,两个模型的预测结果与真实值相比较如图3 所示,预测误差对比如图4 所示。

图3 两个模型预测值与实际值对比

图4 误差对比

由图3—4 可知,随着循环次数的增加,电容并不呈线性下降趋势,而会出现反常的电容再生现象,并且预测误差明显增大。 预测值整体偏向大于实际值,其中BiLSTM 模型预测效果整体优于LSTM 模型。 两种模型的平均绝对误差和均方根误差如表1 所示。

表1 两种网络模型SOH 预测结果评价指标

由表可知,BiLSTM 模型相较于LSTM 模型,MAE降低了11.7%,RMSE 同样降低了11.7%。 很明显,BiLSTM 模型具有更高的精度,可以完成锂电池的SOH快速估计。

4 结语

精准预测锂电池的SOH,对锂电池的安全运行以及回收利用具有重要意义,本文构建BiLSTM 神经网络模型,该网络模型可对输入数据序列进行双向分析,提高了SOH 预测精度,同时采用LSTM 神经网络模型进行比较。 预测结果表明,该模型精度较高可有效完成对SOH 快速估计。 但本文只采用了NASA 所提供一种型号锂电池数据,数据来源较为单一,不具备普适性,并且在锂电池出现容量再生情况时,预测误差明显增大。 后续可以对其他型号以及不同环境下锂电池的数据进行测试,也可以对输入数据先进行预处理,降低计算量,提高模型训练效率。