基于并行CNN-Self attention & LSTM的锂电池RUL间接预测

李远博　王海瑞　叶鑫　朱贵富

摘 要 针对锂离子电池难以在线测量直接健康因子（容量、内阻）进行剩余使用寿命（RUL）预测的现状，提出基于并行CNN-Self attention与LSTM组合的锂电池RUL间接预测方法。首先基于锂离子电池放电循环数据，利用灰度关联分析筛选出能够高度体现电池容量衰减的间接健康因子；然后分别对间接健康因子使用卷积神经网络（CNN）进行特征提取和自注意力机制（Self attention）调整特征权重得到对应的特征矩阵；最后融合特征矩阵，并使用长短期记忆（LSTM）网络进行锂电池RUL预测。使用NASA锂离子电池数据集进行实验，结果表明：与传统的CNN、LSTM和CNN-LSTM模型相比，并行CNN-Self attention & LSTM模型所得到的容量衰减曲线更接近实际容量衰减曲线，误差波动范围更小，在RMSE、MAE和R2系数3种评价指标上表现更优。

关键词 锂离子电池 剩余使用寿命 卷积神经网络 自注意力机制 长短期记忆网络 间接健康因子

中图分类号 TM912   文献标识码 A   文章编号 1000-3932（2023）04-0486-08

锂离子电池因其高能量密度、高稳定性、使用寿命长且价格适中等优点成为移动通讯设备、新能源交通工具、航空航天等众多领域的主要电源［1］。随着锂离子电池充放电循环次数的增加和工作环境的影响，电池剩余使用壽命（Remaining Useful Life，RUL）会出现不同程度的衰减。一般情况下，电池容量衰减至70%～80%或内阻增大100%时需要进行电池更换［2］。不能及时准确地对电池RUL做出判断，可能会导致设备无法正常运行且引发安全问题。因此，能够及时有效地进行锂电池RUL预测，对保障系统正常运行和预防危险事故发生具有重要的实际意义。

锂离子电池的RUL预测过程一般包括健康因子（Health Indicator，HI）构建和RUL预测两个阶段［3］。容量和内阻被作为直接HI来体现电池的健康状态［4］，然而容量和内阻数据难以实现直接在线获取，因此基于充放电过程易于测量的数据（电流、电压、温度等）提取出能够反映电池健康状态的间接HI受到越来越多研究者的关注。文献［5］选取恒压充电时间作为间接HI对电池健康状态进行估计。文献［6］使用灰色关联分析在不同的等充电电流差时间间隔中找出最优间接HI进行电池健康估计。文献［7］以放电循环数据的平均放电电压为间接HI，采用相关向量机实现了电池RUL预测。过往研究表明，使用不同的间接HI会直接影响到电池RUL预测模型的精准度，因此筛选出合适的间接HI是必要的。

现有的锂离子电池RUL预测方法主要分为机理模型法和数据驱动法［8］。机理模型法根据电化学机理创建电池的寿命退化模型，可以较好地反映电池的电化学特性，但是此类方法依靠建立模型的准确性，且计算过程和模型参数识别都较为复杂［9，10］。数据驱动法不需要考虑锂电池的电化学反应和退化机制，可以直接从锂电池充放电循环的监测数据中分析和挖掘出电池性能变化规律，进而实现锂电池的RUL预测，相对于机理模型法有更广的实用性［11］。

在众多的数据驱动方法中，神经网络因其强大的非线性逼近能力，近年来已在锂电池的RUL预测领域受到了广泛关注。文献［12］使用一维卷积神经网络（Convolutional Neural Network，CNN）提取电压、电流、温度曲线中的共有特征信息，进行锂电池容量预测。文献［13］使用长短期记忆（Long Short-Term Memory，LSTM）神经网络学习锂电池容量退化之间潜在的长期依赖关系，并结合dropout技术防止过拟合，实现了锂电池的RUL预测。文献［14］基于电压、电流、温度参数创建多通道，结合LSTM处理时序趋势问题，实现锂电池荷电状态预测。文献［15］通过一维CNN提取电池数据的深层特征，使用LSTM保存历史输入信息，建立CNN和LSTM融合的电池荷电状态预测方法。

上述方法分别使用CNN、LSTM和CNN-LSTM分析锂离子电池数据并进行相关预测。笔者结合以上方法的优势，构建并行CNN-Self attention & LSTM模型来进行锂离子电池RUL预测。首先基于锂离子电池放电循环过程提取出易于测量的电压、温度和时间等数据，使用灰度关联分析筛选出放电电压谷值时间和放电温度峰值时间两个能够高度体现电池容量衰减的间接HI；然后分别对间接HI用CNN挖掘数据的深层特征并结合自注意力机制（Self attention）调整特征的权重；随即融合通过两种间接HI提取出的特征矩阵，最后利用LSTM网络分析特征序列，实现锂电池RUL预测。通过NASA锂离子电池数据集，与传统的CNN、LSTM和CNN-LSTM模型对比验证，结果表明：所提并行CNN-Self attention & LSTM模型预测的准确性更高、误差波动范围更小。

1 理论背景

1.1 灰度关联分析

灰度关联分析根据不同因素之间发展趋势的相似或相异程度来评价各因素之间的关联程度强弱。为判断笔者所选间接HI是否能够高度体现锂离子电池寿命衰减，使用灰度关联分析对间接HI与容量之间的关联性强弱进行判断。具体步骤如下。

1.2 卷积神经网络

根据卷积运算维度的不同，可将CNN分为一维CNN、二维CNN和三维CNN。一维CNN常用于处理序列数据，二维CNN常用于计算机视觉和图像处理领域，三维CNN常用于3D图像和视频处理领域。

本研究使用一维CNN对锂离子电池序列数据进行深层特征挖掘处理，其结构如图1所示，主要由一维卷积层、一维池化层和全连接层组成。卷积层通过卷积核对输入数据进行卷积运算，得到更高层、更抽象的特征，卷积层中的权值共享极大减少了卷积层的网络参数，并能在一定程度上避免过拟合现象的发生；池化层对数据进行压缩选择，去除冗余信息，减少运算量；全连接层则将池化层的输出进行整合。

1.3 自注意力机制

注意力机制通过对特征信息赋予不同的权重，突出重要特征。自注意力机制是注意力机制的变体，减少了对外部信息的依赖，更擅长捕捉特征的内部相关性。

1.4 长短期记忆神经网络

2 RUL预测方法和评价指标

2.1 RUL预测方法

笔者提出的基于并行CNN-Self attention & LSTM的锂电池RUL间接预测方法流程如图3所示。

具体步骤如下：

a. 提取锂离子电池放电循环过程中易于测量的数据，使用灰度关联分析筛选出两个能够高度体现电池寿命衰退的间接HI（放电电压谷值时间和放电温度峰值时间）。

b. 将间接HI和容量以循环周期T为预测起点，划分训练集和测试集。

c. 采用CNN提取间接HI深层特征并结合自注意力机制调整特征权重，得到两个间接HI对应的特征矩阵。

d. 融合上一步得到的特征矩阵作为LSTM网络的输入。

e. 使用LSTM网络进行锂离子电池RUL预测。

2.2 模型参数

2.3 评价指标

3 实验与分析

3.1 健康因子提取

本次预测实验的数据来源于NASA锂离子电池数据集，选取一组4个18650型号的锂离子电池（B5、B6、B7、B18）作为研究对象。

数据集通过室温条件下对锂离子电池进行循环充放电实验获得。充电过程：以1.5 A恒定电流充电，当电压达到4.2 V后，转为4.2 V恒定电压充电，直到电流降至20 mA。放电过程：以2.0 A恒定电流放电，直到B5、B6、B7和B18的电压分别降至2.7、2.5、2.2、2.5 V。

本次实验所选4个电池在循环充放电过程中容量衰减曲线如图4所示。

通常，容量和内阻被作为直接HI来反映锂离子RUL。但是在电池实际使用过程中，容量和内阻测量过程复杂，难以在线直接测量。因此，从循环充放电过程易于测量的指标中提取出能够高度反映电池寿命衰减的间接HI是有必要的。放电时间、电压和温度的变化易于实时监测和获取，对B5号锂离子电池在不同放电循环下的放电时间、电压和温度变化进行分析。如图5所示，对比发现电池在不同循环过程中放电截止时间、达到最低电压和最高温度的时间随着充放电循环的进行而减少，这一趋势与电池容量整体衰减趋势吻合。因此，初步选择放电截止时间、放电电压谷值时间和放电温度峰值时间作为间接HI。

3种间接HI与电池容量之间的灰度关联分析结果见表1，关联度r值在0.0～0.2表示因素之间关

联程度非常弱或没有关联，在0.8～1.0表示因素之间关联程度非常强。在4个锂离子电池中，放电电压谷值时间、放电温度峰值时间与电池容量的灰度关联值均大于0.8，因此，最终选择放电电压谷值时间和放电温度峰值时间作为锂离子电池RUL预测的间接HI。

3.2 RUL预测

为验证所提模型在锂离子电池RUL预测中的效果，使用CNN、LSTM和CNN-LSTM3种深度学习模型与笔者所提模型进行对比验证。将放电电压谷值时间和放电温度峰值时间两个间接HI作为模型输入，电池容量作为模型输出，锂电池的前50%循环周期数据作为训练集。采用4种模型对锂离子电池进行RUL预测，预测结果如图6所示，测试集中电池容量预测值和实际值间的绝对误差如图7所示。

通过圖6、7的分析对比可知，相对于CNN、LSTM和CNN-LSTM，采用笔者模型得到的RUL预测曲线更贴近真实的锂电池容量衰减曲线，并且预测误差曲线波动范围更小、更稳定，表明该模型对锂离子电池RUL预测具有更优的追踪效果。

为进一步评估各模型的RUL预测性能，采用RMSE、MAE和R2系数3种评价指标进行对比分析，结果见表2，可以看出，笔者模型的3种评价指标的表现均优于CNN、LSTM和CNN-LSTM。以B5号电池为例，笔者模型相比于CNN、LSTM和CNN-LSTM，RMSE分别降低了49.7%、46.5%、36.4%；MAE分别降低了61.0%、58.5%、43.7%；R2系数分别提高了13.7%、11.3%、6.4%。通过对比可知，笔者模型对锂电池RUL预测具有更优秀的预测表现。

4 结束语

提出一种基于并行CNN-Self attention & LSTM组合模型的锂离子电池RUL间接预测方法，通过分析锂离子电池放电循环数据提取电压、温度和时间数据，并结合灰度关联分析筛选出与锂离子电池寿命高度相关的间接HI。随后，使用并行CNN-Self attention & LSTM组合模型进行锂离子电池RUL预测，并分析对比传统的CNN、LSTM和CNN-LSTM模型的预测效果。基于NASA数据集进行验证，结论如下：

a. 通过灰度关联分析筛选出放电电压谷值时间和放电温度峰值时间两个与锂离子电池寿命高度相关的间接HI，解决了电池直接HI（容量、内阻）难以直接在线测量且测量代价高的问题。

b. 并行CNN-Self attention & LSTM组合模型所得到的容量衰减曲线更接近实际容量衰减曲线，误差波动范围更小，在RMSE、MAE和R2系数3种评价指标上表现更优。

参 考 文 献

［1］   ZACHARY BOSIRE OMARIBA，ZHANG L J，SUN D B.Review on Health Management System for Lithium-Ion Batteries of Electric Vehicles［J］.Electronics，2018，7（5）：72-97.

［2］   GOEBEL K，SAHA B，SAXENA A，et al.Prognostics in Battery Health Management［J］.IEEE Instrumentation & Measurement Magazine，2008，11（4）：33-40.

［3］   尹雙艳，吴美熹，李汉智，等.一种基于间接健康因子的锂离子电池剩余使用寿命预测方法［J］.航天器环境工程，2021，38（6）：648-654.

［4］   YANG D，ZHANG X，PAN R，et al.A novel Gaussian process regression model for state-of-health estimation of lithium-ion battery using charging curve［J］.Journal of Power Sources，2018，384：387-395.

［5］  YANG J F，XIA B，HUANG W X，et al.Online state-of-health estimation for lithium-ion batteries using constant-voltage charging current analysis［J］.Applied Energy，2018，212：1589-1600.

［6］   PAN W J，CHEN Q，ZHU M T，et al.A data-driven fuzzy information granulation approach for battery state of health forecasting［J］.Journal of Power Sources，2020，475：228716.

［7］   ZHOU Y P，HUANG M H，CHEN Y P，et al.A novel health indicator for on-line lithium-ion batteries remaining useful life prediction［J］.Journal of Power Sources，2016，321：1-10.

［8］   LI X Y，ZHANG L，WANG Z P，et al.Remaining useful life prediction for lithium-ion batteries based on a hybrid model combining the long short-term memory and Elman neural networks［J］.Journal of Energy Storage，2019，21：510-518.

［9］   戴彦文，于艾清.基于健康特征参数的CNN-LSTM&GRU组合锂电池SOH估计［J］.储能科学与技术，2022，11（5）：1641-1649.

［10］   梁海峰，袁芃，高亚静.基于CNN-Bi-LSTM网络的锂离子电池剩余使用寿命预测［J］.电力自动化设备，2021，41（10）：213-219.

［11］   王冉，后麒麟，石如玉，等.基于变分模态分解与集成深度模型的锂电池剩余寿命预测方法［J］.仪器仪表学报，2021，42（4）：111-120.

［12］   李超然，肖飞，樊亚翔，等.基于卷积神经网络的锂离子电池SOH估算［J］.电工技术学报，2020，35（19）：4106-4119.

［13］   ZHANG Y Z，XIONG R，HE H W，et al.Long Short-Term Memory Recurrent Neural Network for Remaining Useful Life Prediction of Lithium-ion Batte-ries［J］.IEEE Transactions on Vehicular Technology，2018，67（7）：5696-5705.

［14］   CHOI Y，RYU S，PARK K，et al.Machine Learning-Based Lithium-Ion Battery Capacity Estimation Exploiting Multi-Channel Charging Profiles［J］.IEEE Access，2019，7：75143-75152.

［15］   倪水平，李慧芳.基于一维卷积神经网络与长短期记忆网络结合的电池荷电状态预测方法［J］.计算机应用，2021，41（5）：1514-1521.

（收稿日期：2022-10-17，修回日期：2023-01-10）

Indirect RUL Prediction of Lithium-ion Battery Based on

Parallel CNN-Self attention and LSTM

LI Yuan-boa， WANG Hai-ruia， YE Xina， ZHU Gui-fub

（a. Faculty of Information Engineering and Automation； b. Information Technology Construction

Management Center， Kunming University of Science and Technology）

Abstract   In view of the difficulties in online measuring direct health indicators （capacity and internal resistance） of lithium-ion batteries and predicting the remaining useful life（RUL）， an indirect RUL prediction method for lithium-ion batteries based on the combination of parallel CNN-Self attention and LSTM was proposed. Firstly， having the discharge cycle data of lithium-ion battery based to screen indirect health indicator that can highly reflect battery capacity attenuation are screened through the gray correlation analysis； then， having convolutional neural network（CNN） used to extract features of the indirect health indicator and the self attention mechanism used to adjust feature weights so as to obtain corresponding feature matrix； finally， having feature matrix fused and the long and short-term memory（LSTM） network adopted to perform RUL prediction of the lithium battery. The experiment using NASA lithium-ion battery data shows that， compared with traditional CNN， LSTM and CNN-LSTM models， the capacity attenuation curve obtained by the parallel CNN-Self attention and LSTM model in this paper becomes closer to actual capacity attenuation curve along with a smaller error fluctuation range. It performs better on the three evaluation indexes of RMSE， MAE and R2 coefficients.

Key words   lithium-ion battery， residual service life， CNN， self-attention mechanism， LSTM， indirect health indictor