基于改進型LSTM-RNN 的鋰離子電池SOH 估計系統(tǒng)

吳起行

（浙江機電職業(yè)技術學院自動化學院，浙江杭州，310053）

近年來，動力電池技術已是制約新能源汽車技術發(fā)展的關鍵因素之一。在鋰電池實際應用中，存在老化效應，其容量會逐漸衰減。電池在t 時刻的健康度SOHt，是指此時電池實際容量Qcap_t與額定容量Qcap_rated的比值[1]，由式（1）表示，是表述動力電池老化程度的重要指標：

鋰離子電池的SOH 值變化，受所處的環(huán)境溫度，放電深度，充放電方式等諸多因素影響，而準確估計SOH 有助于避免電池突然故障帶來的不便或致命事故。目前，國內外許多學者提出了各種鋰電池的SOH 估計方法。上海交通大學的華寅等人以鋰電池的Thevenin 等效電路模型為基礎，采用雙非線性估計濾波法來精確地跟蹤和估計鋰電池內阻和SOH[2]。Mario Cacciato 等人提出一種基于PI 控制器的實時SOC 和SOH 估計模型，大大壓縮了計算量[3]。Ho-Ta Lin 等人提出一種概率神經網絡來估計鋰鈷電池的SOH值，可通過擴大訓練數(shù)據集來降低SOH 平均估計誤差[4]。然而，前2 種方法進行SOH 估計的基礎都是電池模型，當電池的電化學特性發(fā)生變化時，估計誤差隨之擴大。概率神經網絡法的樣本數(shù)據的種類多、測試過程繁瑣，因此實用性有限。針對以上方法的缺陷，本文提出一種基于改進型LSTM-RNN 的鋰電池SOH 估計算法，通過采集某放電深度下電池的端電壓、放電電流及電池溫度直接對磷酸鐵鋰電池的SOH 值進行估計，估計結果不依賴電池模型，訓練簡單，并保證較高的準確度。

1 鋰電池SOH 估計方法

■1.1 改進型LSTM-RNN 網絡模型

LSTM-RNN 網絡是循環(huán)神經網絡（RNN）的一種改進模型。自2014 年以來，RNN 網絡在機器學習領域取得了顯著的成就[5]。但當有效信息間隔時間較遠時，RNN 網絡反向傳播過程將產生梯度消失或爆炸現(xiàn)象。經典LSTM-RNN網絡正是為解決該問題而提出的[6]。

經典LSTM-RNN 網絡將RNN 網絡隱層節(jié)點內部結構改造為由三個乘法門和一個記憶核 組成的神經元，這3 個乘法門分別為：輸入門、遺忘門和輸出門 。百度研究院在2015 與2017 年先后發(fā)布的第2 代與第3 代Deep Speech系統(tǒng)中，都用到了LSTM-RNN 網絡結構[7,8]。但是，經典LSTM-RNN 網絡需要訓練的網絡參數(shù)很多，計算資源需求也較大。

現(xiàn)對經典LSTM-RNN 網絡模型進行改進，取消輸入門，將新信息輸入量由1-來調節(jié)，并為遺忘門 和輸出門 增加窺視孔，在保證網絡參數(shù)數(shù)目不變的情況下，提升估計準確度。經典型與改進后的LSTM-RNN 網絡隱層節(jié)點內部結構分別如圖1(a)和(b)所示，圖1(b)中各部分的變換關系符合式（2）：

圖1

其中ut為輸入層的輸出量，ht為隱層的輸出量，輸出層的輸出量yt與ht間是線性變換的關系，W 為權重參數(shù)矩陣，例如，Wui為輸入層到t 時刻隱層節(jié)點輸入門的權重矩陣，Whf為t-1 時刻隱層輸出到t 時刻隱層節(jié)點遺忘門的權重矩陣，而Wout為全連接輸出層的權重矩陣，而b 為網絡中的各項偏置量。

■1.2 基于改進型LSTM-RNN 的鋰電池SOH 估計系統(tǒng)

目前，關于鋰電池SOC 值估計的眾多研究[9-10]已表明，鋰電池當前剩余電量Qrmn_t可通過測量電池的端電壓Vt、充放電電流It與電池溫度Tt等因素來進行估計。現(xiàn)設電池當前實際放電量與額定容量之比為標準放電深度DODt，由式（3）表示，其中Idisc為恒定放電電流，tdisc為放電時間，tend_t為當前放電回合的放電終止時間，SOHt為電池當前健康度：

則電池當前健康度可由式（4）表示：

因此，SOH 的衰變過程，可被視為與在某標準放電深度下電池端電壓Vt、放電電流It與電池溫度Tt這3 個主要因素相關的一個長期時間序列。現(xiàn)對電池做壽命循環(huán)測試，每隔2 次壽命循環(huán)測試，做1 次容量測試，測量鋰電池在25%標準放電深度下的Vt、It與Tt數(shù)據作為LSTM-RNN 網絡的輸入量ut=[Vt,It,Tt]，以及鋰電池當前健康度作為輸出量yt=SOHt，網絡隱層節(jié)點總數(shù)n=100。

系統(tǒng)估計功能為：首先在25℃恒溫下，用10 只電池完成訓練數(shù)據采集和網絡訓練，并另取1 只電池來驗證25℃恒溫下，網絡對電池SOH 值的估計效果。

算法框架如圖2 所示，編程基于Python3.5-tensorflow平臺。

圖2 基于改進型LSTM-RNN 的鋰電池SOH 估計算法框架

■1.3 網絡訓練

1.3.1 訓練數(shù)據集的組成與分割

設單只電池測得的訓練數(shù)據集Strain_25℃={Sk,k=1,2,…p}，其中數(shù)據子集Sk={ski,i=1,2,…nk}為第k 次容量測試得到的所有電池數(shù)據，數(shù)據ski=[uki,SOHk]。1 個訓練周期由1 次前向傳播和1 次反向傳播組成，每個數(shù)據子集執(zhí)行1 次訓練周期，每個周期結束后更新各權重參數(shù)矩陣和偏置量。

1.3.2 Adam 優(yōu)化算法

Adam 優(yōu)化算法由Diederik Kingma 等人在2015 年提出[11]，計算高效，適用于含大規(guī)模數(shù)據和參數(shù)優(yōu)化問題。

以θ 表示網絡參數(shù)，以k 表示周期序號，則參數(shù)更新依據式（5）進行，直至參數(shù)收斂到極值：

其中，L 為SOH 估計值與測量值間的差距，SOHt＊為當前健康度估計值，N 為時間序列總長度，m 為梯度的一階矩估計，v 為梯度的二階矩估計，m 與v 為其修正值，衰減系數(shù)β1設為0.9，β2設為0.999，訓練步長α 設為10-4，常數(shù)項ε 設為10-8。各權重參數(shù)矩陣和偏置量的初始值由一種期望值為0，標準差為0.05的正態(tài)分布隨機數(shù)發(fā)生器給定，隱層初始輸出量h0由健康度初始值SOH0=100%反向推算得到。

2 實驗測試

實驗測試使用A123 公司的磷酸鐵鋰電池APR18650M1A。電池溫度通過貼在電池表面的K 型熱電偶來測量。樣機組成如圖3 所示。

圖3 系統(tǒng)樣機組成示意圖

■2.1 電池訓練數(shù)據測量及驗證測試

恒溫25℃電池訓練數(shù)據測量時，在每次容量測試的0.5C 恒流放電過程中，每隔0.05h，也即DODt從0%開始每增加2.5%，就對各只電池數(shù)據做1 次測量，并記錄放電終止時間tend_t。

做驗證測試的步驟基本不變，但在每次容量測試中，除記錄放電終止時間外，只測量1 個隨機放電時間點處的電池數(shù)據，考慮電池放電末期數(shù)據不穩(wěn)定，該時間點限制在恒流放電開始后0～1.3h 內。壽命循環(huán)測試執(zhí)行至電池當前容量衰減為80%額定容量為止。

■2.2 估計結果分析

恒溫25℃電池驗證測試的SOH 測量值與估計值曲線如圖4 所示。

圖4 恒溫25℃電池驗證測試的SOH 測量值與估計值曲線

從圖4 中，我們可以看出，恒溫25℃電池驗證測試的SOH 估計值曲線與測量值曲線的變化趨勢基本相同，且兩者之間的誤差基本維持在±2%以內。這證明了該算法在減少所需訓練的網絡參數(shù)，仍能保證很高的準確性。

3 結論

本文設計制作了一種基于改進型LSTM-RNN 的鋰電池SOH 估計系統(tǒng)，在簡化LSTM-RNN 網絡的訓練過程的同時，不依賴電池模型參數(shù)，就實現(xiàn)對鋰電池SOH 值的準確預測。磷酸鐵鋰電池循環(huán)壽命測試的實驗結果表明，該估計系統(tǒng)在恒溫25℃環(huán)境下能夠準確地預測磷酸鐵鋰電池的SOH 值。