基于数据驱动的锂电池剩余使用寿命预测

郜周琪　巨永锋　陈丽容　陈金平

摘 要 基于数据驱动的思想，从电池历史数据中提取能反映电池衰退趋势的特征参数，并分析参数与电池寿命的相关性，完成特征参数的选取。其次基于选取的特征参数，对其进行数据预处理，得到最终的特征数据。最后基于时序预测的思想，建立长短期记忆神经网络的锂电池剩余使用寿命预测模型，从而实现电池剩余使用寿命的预测。研究结果表明：与传统的支持向量回归方法相比，基于长短期记忆神经网络的方法有效提高了预测准确性。

关键词 锂离子电池 剩余使用寿命 数据驱动 特征参数 长短期记忆神经网络

中图分类号 TP202   文献标识码 A   文章编号 1000?3932（2023）02?0231?08

锂离子电池有着工作电压高、比能量高、循环寿命长、自放电率低及环境友好等优点［1］，已成为电池商品化应用的热点。然而，锂电池在使用过程中易受外界因素的影响而老化，最终导致电池实用性和安全性降低，因此准确预测电池的剩余使用寿命（Remaining Useful Life，RUL）极其重要。目前，RUL预测方法主要有基于模型的方法和基于数据驱动的方法两类［2］。基于数据驱动的方法在电池RUL预测领域应用更为广泛，其核心思想在于对容量衰减轨迹和历史数据的分析处理。

滤波预测法是较为常用的一种RUL预测方法［3］。在锂电池的RUL预测方面，王帅等基于粒子滤波方法，改进已有的锂电池容量经验指数衰退模型，降低了状态方程参数估计的个数［4］。哈尔滨工业大学的周建宝基于RVM算法，通过识别锂电池退化状态，提高锂离子电池RUL预测精度与预测能力，并借助FPGA技术实现RUL预测的嵌入式计算［5］。肖迁等选取电池健康因子构建了基于Light GBM的RUL预测模型，并采用一种兼具自适应性和鲁棒性的损失函数（ARLF）对其改进，降低了数据离群值对预测精度的影响［6］。王瀛洲等采用蚁狮优化算法优化支持向量回归模型的核参数，从而提出一种ALO-SVR方法应用于RUL预测，有效提高了预测精度［7］。笔者结合现有研究成果，使用多个反映电池衰退趋势的特征参数，设计基于LSTM的锂电池RUL预测模型，实现了对电池RUL较为准确的预测。

1 电池特征参数选取

1.1 锂电池寿命退化过程分析

笔者采用NASA的锂电池数据作为基础数据，对其中的5号、6号、7号和18号电池在室温（24 ℃）下采用3种运行模式记录数据，提取电池数据中的容量值，得到容量随充放电循环周期的变化曲线，如图1所示。

以5号电池数据为例，对其放电和充电电压数据进行处理。从第40次充放电周期开始，每隔30次循环提取一次数据，直到第160次循环，将这些数据放到一个图中进行对比，如图2所示。

分析图1可知，电池容量随着充放电循环周期的变化有一定波动，但大体是下降趋势。由于电池间本身特性和工作环境存在一定差异，因此电池容量的衰减速率和初始容量有所不同。分析图2可知，电池的充放电电压随着电池充放电周期有一定的变化趋势。随着充放电周期次数的增大，电池放电到最低点所用时间和充电到最高点所用时间都呈现出减少趋势。综合分析，可以初步判断电池容量与电池的充放电电压存在某种关系。

1.2 特征参数计算

特征参数提取是从目标数据中提取能反映目标某种特征的参数，用来反映目标的变化与特性。为了避免使用单个参数产生较大误差，拟提取多个参数：等时放电电压差、等时充电电压差、放电电压均方根、放电电压衰减率、等压降放电时间和等压升充电时间。

均方根RMS_V可以反映样本的离散程度，具体到这里表示样本的变化趋势，其计算式如下：

其中，X、Y分别为两个变量的样本值；X、Y分别为两个变量的样本均值。|ρ|的值越接近于1说明线性相关程度越大。使用SPSS软件对5号和6号电池参数与容量进行皮尔逊系数计算，结果见表1。

由表1中皮尔逊系数的值，选择等时放电电压差、等压降放电时间、等压升充电时间和等时充电电压差作为反映电池寿命衰退的特征参数，应用到后面模型的训练中。5号电池的4个特征参数值如图3所示。2 LSTM神经网络的基本原理LSTM神经网络［8］是循环神经网络（RNN）的一种，设计灵感来自于计算机的逻辑门，由于其拥有出色的非线性时序数据建模能力，在时序数据预测任务中具有较高的预测精度。

LSTM网络引入了记忆元，用于记录附加的信息。为了控制记忆元，LSTM网络引入了遗忘门、输入门和输出门，这种设计能够通过专用机制决定什么时候记忆或忽略隐状态中的输入。LSTM网络基本单元的结构如图4所示。

假设有h个隐藏单元，批量为n，输入数为d。因此，输入X∈R，前一时间步的隐状态H∈R。则时间步t的门被定义为：输入门I∈R，遗忘门F∈R，输出门O∈R，计算式如下：

其中，y为归一化后的值；x为序列中一个原始数据；x和x分别为序列的最大值和最小值。

3.1.2 網络设计

特征数据处理后，将其合并为数据集输入网络模型进行训练，通过LSTM网络对输入的多维特征数据进行处理，可提取到电池特征参数数据的时序特征信息，然后经过全连接层，得到预测值，完成正向传播。预测模型结构如图5所示。

3.1.3 预测评价标准

为了评估预测模型的有效性，需要采用统一的评估标准对预测结果进行评价，笔者采用的评估标准为平均绝对误差（MAE）和均方根误差（RMSE）。MAE和RMSE指标可以对预测值相较于真实值的偏离程度进行计算，得到的值越小，说明预测模型的精度越高。其计算式如下：

其中，m为数据总数；l表示第i时刻的真实值；[l][^]表示模型在第i时刻的预测值。

3.2 实验结果分析

电池的主要功能是提供电能，因此可以将电池容量作为电池剩余使用寿命的表征参数。综合上文的各种方法，构建出完整的预测网络模型流程框图，如图6所示。

依据图6进行实验，实验基于Pytorch深度学习框架搭建预测网络模型。将原始电池数据提取的特征参数作为模型的输入，将电池的容量作为剩余使用寿命预测标签进行训练，并通过调节网络参数来提升模型的预测精度。为了使预测结果较为客观准确，将4个电池数据中的3个作为训练集，其余一个作为测试集进行预测，应用笔者提出的预测模型获得的预测结果如图7所示。

从图7中可以看出，4个电池的剩余使用寿命预测值与实际值之间误差较小，拟合度较好。相较于实际值，预测值曲线更为平滑，这说明预测值在一定程度上忽视了测量误差导致的突变峰值，反映了电池的真实变化趋势，这也与选取特征参数与剩余寿命的相关性较好有关。

为了验证笔者所提方法的有效性，将其与支持向量回归（SVR）方法对比。SVR是支持向量机在回归任务中的应用，其在单调性较强的预测任务中表现较好。在保持相同的训练策略前提下应用SVR对电池的RUL进行预测，实验结果如图8所示。

由图8可知，SVR大体预测出了实际值的变化趋势，具有一定的准确性。其在5号、6号电池上的预测较为稳定，但是在7号、18号电池上的预測有较大误差。从预测曲线来看，SVR相较于本文方法，其预测精度有所不足。

将两种模型的实验结果进行汇总整理，以MAE和RMSE为评价指标进行对比，对比结果见表2。

从表2的评价指标结果可以看出，笔者采用的LSTM网络模型具有较好的RUL预测效果，其在4个电池上的预测值与实际值的误差都较小，而SVR模型在4个电池上的预测效果都比LSTM模型差。

综上所述，基于多特征参数的LSTM剩余寿命预测模型具有较高的预测精度，且平滑稳定性比较好，可得到比较准确的电池剩余使用寿命。

4 结束语

笔者提出一种基于数据驱动的RUL预测方法，从充放电电压中提取多个能反映电池寿命的特征参数，对其进行相关性评估选取合适的参数，并建立特征参数与电池RUL标签的LSTM预测模型，从而通过电池特征参数得到RUL的预测值，并给出了预测模型的评价标准。虽然所提方法取得了一定的效果，但在许多方面仍存在可以深入研究的地方。所应用的LSTM模型较为基础，可以将模型与其他先进方法结合，例如可将注意力机制与该网络结合，从而提高模型的预测性能。笔者所提方法采用的电池数据仅为室温环境下测得，且数据量较少，这可能会使模型的泛化能力不足，在预测其他电池的RUL时效果较差。

参 考 文 献

［1］ 胡敏，王恒，陈琪.电动汽车锂离子动力电池发展现状及趋势［J］.汽车实用技术，2020（9）：8-10.

［2］ 刘月峰，张公，张晨荣，等.锂离子电池RUL预测方法综述［J］.计算机工程，2020，46（4）：11-18.

［3］ 熊瑞.动力电池管理系统核心算法［M］.北京：机械工业出版社，2018：177-198.

［4］ 王帅，韩伟，陈黎飞，等.基于粒子滤波的锂离子电池剩余寿命预测［J］.电源技术，2020，44（3）：346-351.

［5］ 周建宝.基于RVM的锂离子电池剩余寿命预测方法研究［D］.哈尔滨：哈尔滨工业大学，2013.

［6］ 肖迁，穆云飞，焦志鹏，等.基于改进LightGBM的电动汽车电池剩余使用寿命在线预测［J］.电工技术学报，2022，37（17）：4517-4527.

［7］ 王瀛洲，倪裕隆，郑宇清，等.基于ALO?SVR的锂离子电池剩余使用寿命预测［J］.中国电机工程学报，2021，41（4）：1445-1457.

［8］ 杨丽，吴雨茜，王俊丽，等.循环神经网络研究综述［J］.计算机应用，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

基金项目：陕西省自然科学基础研究计划项目（2020JM?255，2020JM?238）。

作者简介：郜周琪（1998-），硕士研究生，从事电池健康状态评估和剩余寿命预测的研究，1370161504@qq.com。

引用本文：郜周琪，巨永锋，陈丽容，等.基于数据驱动的锂电池剩余使用寿命预测［J］.化工自动化及仪表，2023，50（2）：231-237；261.