基于SAM-BiGRU网络的锂电池RUL预测
时间：2023-04-21 14:40:05 来源：千叶帆 本文已影响人
朱梦雨，陈富安
(河南工业大学电气工程学院，河南郑州 450001)
随着电池技术的不断发展，凭借循环寿命长、比能量高等优点，锂离子电池正逐步取代传统的铅酸蓄电池，在生产生活中得到迅速普及[1]。锂电池的荷电状态（state of charge，SOC)和健康状态(state of health，SOH)作为评估锂电池状态的两个重要指标，对其研究已比较成熟[2-5]，而对锂电池剩余使用寿命(remaining useful life，RUL)的预测研究尚在发展阶段。准确预测锂电池的RUL，对储能设备的精准管理和降低设备维护成本等有很高应用价值。
当前对锂电池RUL的预测方法主要分为两种[6]。一是基于模型驱动的方法。该方法又分为电化学模型、等效电路模型和退化经验模型。ASHWIN等[7]提出了一种伪二维(pseudo two dimensions,P2D)电化学模型，研究发现对流换热系数和孔隙率的变化对固体电解质界面层的增长和电池容量有显著影响，以此来预测锂电池RUL。孙冬等[8]基于锂电池一阶戴维南等效电路，提出了多模型数据融合技术的预测方法。YANG等[9]建立了两项对数模型来捕捉锂电池的降解趋势，通过对电池退化数据的拟合，基于贝叶斯模型进行锂电池RUL预测，实验证明该模型优于现有的退化经验模型。利用模型驱动的方法在研究中往往需要花费大量时间建立锂电池的准确模型，而且模型的泛化性能普遍比较差，导致基于模型驱动的方法应用不是非常广泛。
二是基于数据驱动的方法，该方法只需从表征锂电池外部特性的历史数据中挖掘容量变化的规律，而不用了解锂电池内部变化的化学机理，具有较强的实用性[10]。近些年随着深度学习算法的发展进步，传统的循环神经网络(recurrent neural network，RNN)作为一种适合处理时间序列的模型，经过长时间的发展，衍生了一系列的变体，比较典型的就是长短期记忆(long short-term memory,LSTM)神经网络和门控循环单元(gated recurrent unit,GRU)神经网络，两者都很好地缓解了RNN 网络在学习过程中容易出现的梯度消失或梯度爆炸等问题[11]。ZHANG等[12]利用LSTM 网络研究了锂电池容量退化过程中的长期依赖关系，利用多个锂电池在两种不同温度下的实验数据建模，该方法能够独立于离线训练数据对锂电池的RUL进行预测。而GRU 网络作为LSTM 网络的变体，其对LSTM 网络进行了优化，减少了参数，模型训练速度提高。
具体到锂电池剩余使用寿命预测的问题上，建立模型时需要考虑到未来时序数据的反馈以获得更深层次的信息，采用双向门控循环单元(bi-directional gated recurrent Unit，BiGRU)神经网络，其对强调顺序的数据表达能力更强，并可以利用得到的反馈信息对模型进行修正；
对于锂电池容量衰减过程中长时间预测时的中早期输入信息易丢失的问题，引入自注意力机制(self-attention mechanism，SAM)来对重要信息进行捕捉，使模型能够根据不同时期的输入信号对于输出结果的贡献大小分配不同的关注度。综上所述，本文提出一种基于SAM-BiGRU 网络的锂电池剩余使用寿命预测方法。
1.1 自注意力机制
BAHDANAU[13]首先提出了注意力机制，后经多位学者对其改进，延伸出多个变种，如自注意力机制和多头注意力机制等[14]。自注意力机制本质是在输入信息上计算概率分布，得到不同输入信息对应当前任务的权重分布，再根据不同权重对当前输入信息进行加权，从而实现对任务相关性较高的信息赋予更高的权重。在时间序列分析方面，可以用于从时间序列中捕获到关键时间点的信息，以提高神经网络的效率。自注意力机制结构和计算流程见图1。
图1 自注意力机制结构和计算流程
q、k、v不同时刻求解见式(1)～(3)，其中W q、W k、W v为网络训练参数。
式中：q、k、v分别为查询向量、键向量和值向量，由输入序列X=(x1,x2,…,xt)通过线性映射所得。
以输入向量x1为例，首先分别计算x1与x1，x2，…，xt的相关性并用α表示，称为attention score，通常采用点积运算的方式，然后通过softmax 函数进行归一化处理得到注意力分布α′，如式(4)～(5)所示。
最后通过加权求和，对注意力进行汇总得到向量x1所对应的输出，如式(6)所示。
1.2 BiGRU 网络
GRU 网络对LSTM 网络进行了优化，只有两个门控结构。一是更新门zt，其数值大小决定从历史状态中保留多少信息到当前状态；
二是重置门rt，其数值大小决定对前一时刻状态信息的遗忘程度，从而控制信息的流动以确保重要时序数据传递下去。GRU 网络单元结构见图2。
图2 GRU 网络单元结构
从图2 可以看出，以t时刻输入向量xt与t-1 时刻隐藏层状态ht-1为输入，通过sigmoid 激活函数σ计算rt和zt，计算公式见式(7)～(8)。
式中：W、U分别表示相对应的权重矩阵；
b为偏置向量；
⊗为Hadamard 乘积，即对应元素相乘。
上述网络仅单向考虑了输入序列的关联，在前后关联性强的数据上有局限性。所以本文采用双向门控循环单元(BiGRU)神经网络。图3 是BiGRU 网络结构。该结构可以综合考虑锂电池历史时刻和未来时刻的容量信息，提升模型效率，使得预测过程更加全面。
图3 BiGRU网络结构
该网络通过式(11)和(12)独立计算前向传播和反向传播的隐藏层状态，最后通过式(13)拼接两个方向上的输出。
1.3 模型整体结构
锂电池的容量衰退是一种时序问题，本文通过自注意力机制充分捕捉长距离序列数据关键时间点的特征并分配权重，并利用BiGRU 神经网络有效地获取长序列数据的历史和未来信息，两者可以形成有效补充。通过自注意力机制和BiGRU 网络相结合，构建SAM-BiGRU 模型。SAM-BiGRU模型框架见图4。
图4 SAM-BiGRU模型框架
首先，对锂电池的容量序列x1～xt进行线性变换及划分，作为自注意力机制的输入。然后，将其输入到自注意力模型，各部分经过点积运算后进行输出，将输出结果进行拼接处理，得到输入信息的权重分配。最后，将注意力输出结果作为BiGRU 网络的输入，利用BiGRU 网络对时间序列数据的处理能力对锂电池剩余容量进行预测。
2.1 数据集
本文所用数据集为美国马里兰大学先进生命周期工程研究中心(CALCE)锂电池实验数据，采用电池编号CS2 系列钴酸锂(LiCoO2)电池中的35、36、37 号三只电池的数据。锂电池额定容量为1.1 Ah，均以标准恒流恒压协议进行充放电，充电电流1C，直到电压达到4.2 V，然后4.2 V 恒压充电，直到充电电流降至0.05 A 以下停止。放电为恒流放电，电流1C，截止电压为2.7 V。实验均在室温条件(25 ℃)下进行。当电池测试容量低于额定容量的70%时，可判断电池失效，本文实验中锂电池失效阈值为0.77 Ah。图5 为循环中电池容量衰减曲线。
图5 锂电池容量衰减曲线
表1 为三只锂电池循环数据，其中有效循环次数是指到达失效阈值时锂电池完成的充放电循环次数。
表1 锂电池循环数据
2.2 结果及分析
为体现本文所提SAM-BiGRU 模型的预测优势，选取LSTM 模型和BiGRU 模型进行对比实验。同时为方便对比，使用三只锂电池有效循环次数的前50%作为训练数据，其中CS35、CS36 号电池采用前320 次循环作为训练集，CS37 号电池采用前350 次循环作为训练集，均以剩余循环次数作为测试集。
实验结果见图6～图11。可以看出，相比于LSTM 和BiGRU 模型，SAM-BiGRU 预测曲线更接近容量衰退的真实值，拟合度更高。
图6 CS35号锂电池预测结果
图7 CS35号锂电池预测误差
图8 CS36号锂电池预测结果
图9 CS36号锂电池预测误差
图10 CS37号锂电池预测结果
图11 CS37号锂电池预测误差
为有效评估模型的准确性，本文选择均方根误差(RMSE)和平均绝对百分比误差(MAPE)两个评价指标。二者计算公式见式(14)～(15)。
式中：Qi为锂电池的实际容量值；
为锂电池的预测容量值；
n为样本数。
均方根误差和平均绝对百分比误差值越小代表模型性能越好，从均方根误差和平均绝对百分比误差的角度展示了本文所提方法的优势，数据见表2。
表2 不同模型对比结果
使用LSTM 模型对三只锂电池预测的RMSE和MAPE均高于4%，模型预测效果较差。BiGRU 模型优化了LSTM 模型的“门”结构并引入了双向记忆机制，因此其预测误差相较于LSTM 模型有明显减小。本文提出的SAM-BiGRU 模型通过引入自注意力机制对输入信息分配权重，减少无关信息对预测结果的影响，因而对预测精度有进一步提升，SAMBiGRU 模型对CS35 号电池的预测上两组数值均不超过1.5%，对CS36 和CS37 号电池预测上两组数值最大值均不超过2%，相较于LSTM 模型和BiGRU 模型，其精度有较大提高。这说明该模型的RUL预测性能最好。
表3 展示了锂电池RUL预测模型的参数选择。表3 中，当所有模型网络前置参数均相同的情况下，可以看出本文所提方法的优势。其中，BiGRU 和SAM-BiGRU 考虑了双向时序，线性映射层输入数据长度为LSTM 的两倍。
表3 锂电池RUL 预测模型参数
2.3 RUL 预测
通过容量衰减到额定容量的70%作为锂电池的失效阈值，从而预测锂电池达到失效阈值时的剩余循环次数，本文使用RULAE和RULRE来衡量RUL预测精度，如式(16)和(17)所示：
式中：RULAE为锂电池RUL预测的绝对误差(Absolute Error)；
RULRE为锂电池RUL预测的相对误差(Relative Error)；
Ctr和Cpre分别代表锂电池到达失效阈值时的实际剩余循环次数和预测剩余循环次数。锂电池的RUL预测误差见表4。
表4 三种模型锂电池RUL 预测
从表4 可以看出，使用LSTM 模型对三只锂电池预测的相对误差分别为18.75%、22.46%和20%，RUL的预测结果较差，虽然BiGRU 模型结果相较于LSTM 模型稍好，但精度仍然不足，而本文所提出的SAM-BiGRU 模型对三组锂电池RUL预测的相对误差分别为0.94%、1.27%和2.22%，预测精度较高，没有出现较大的波动。
本文建立了一种基于自注意力机制的双向门控循环单元网络模型SAM-BiGRU，通过自注意力机制捕捉到锂电池容量历史信息中的关键时间点并为其分配权重，综合考虑锂电池历史时刻和未来时刻的容量信息，提高了预测的精度。使用CALCE 锂电池数据集的CS2 系列35、36、37 号锂电池数据验证所提方法的实用性，实验结果表明，所提方法在35、36号锂电池上的预测误差均在1.5%以内，37 号锂电池预测误差为2.22%，预测精度较高。
下一步将考虑以锂电池容量衰退数据为关键因子，建立锂电池的物理模型与之相结合，同时考虑锂电池的容量再生效应，建立更为准确的锂电池RUL预测模型。
猜你喜欢锂电池注意力容量让注意力“飞”回来小雪花·成长指南(2022年1期)2022-04-09水瓶的容量发明与创新·小学生(2020年4期)2020-08-14IQ下午茶，给脑容量加点料学生天地(2017年19期)2017-11-06“扬眼”APP:让注意力“变现”传媒评论(2017年3期)2017-06-13A Beautiful Way Of Looking At Things第二课堂(课外活动版)(2016年2期)2016-10-21小桶装水发明与创新·小学生(2016年4期)2016-08-04充电电池到底该怎么带?——话说锂电池百科探秘·航空航天(2015年3期)2015-12-01一种多采样率EKF的锂电池SOC估计电源技术(2015年7期)2015-08-22改进等效容量法在含风电配网线损计算中的应用电测与仪表(2014年1期)2014-04-04锂电池百篇论文点评(2014.6.1—2014.7.31)储能科学与技术(2014年5期)2014-02-27 相关热词搜索：锂电池，预测，网络，
