基于Res-LSTM網(wǎng)絡(luò)的多元化電池剩余容量實(shí)時(shí)預(yù)測(cè)

陳 果，黃祺堯，張志宏

（1.國(guó)網(wǎng)陜西省電力公司信息通信公司，陜西西安 710065；2.廈門大學(xué)信息學(xué)院，福建廈門 361005）

0 引言

隨著社會(huì)經(jīng)濟(jì)的快速發(fā)展，新能源汽車和大規(guī)模儲(chǔ)能的相關(guān)技術(shù)迎來井噴式發(fā)展[1]。大規(guī)模電池儲(chǔ)能系統(tǒng)（Energy Storage System，ESS）由于其安全清潔、能量密度高、成本低、循環(huán)壽命長(zhǎng)、響應(yīng)速度快等特點(diǎn)，已廣泛應(yīng)用于各種工業(yè)、商業(yè)和居民場(chǎng)景中[2]。在不間斷電源系統(tǒng)和儲(chǔ)能系統(tǒng)中，蓄電池組是重要的儲(chǔ)能設(shè)備，與電源系統(tǒng)的可靠運(yùn)行密切相關(guān)。目前，市面主流的動(dòng)力電池分為鉛酸電池及鋰電池。過充過放和電池老化等現(xiàn)象會(huì)加劇電池的老化，電池健康度下降，從而影響儲(chǔ)能系統(tǒng)的正常供電[3]。電池單體的差異性導(dǎo)致了大規(guī)模電池成組中的萊比錫最小因子效應(yīng)，極大損害了電池儲(chǔ)能系統(tǒng)的循環(huán)壽命、安全性、可靠性和有效容量[4]。

目前在工業(yè)應(yīng)用上沒有可以用于在線檢測(cè)電池實(shí)時(shí)剩余容量的方法，單體電池實(shí)時(shí)剩余容量的精準(zhǔn)預(yù)測(cè)可以方便工作人員實(shí)時(shí)監(jiān)控電池組中各電池的健康狀態(tài)，能耗情況，提前采取安全性、經(jīng)濟(jì)性措施，是具有經(jīng)濟(jì)效益、安全效益與節(jié)能環(huán)保效益的重要研究方向。

在線監(jiān)測(cè)電池實(shí)時(shí)剩余容量問題的研究，目前存在諸多難點(diǎn)，需要考慮：兼容多樣化放電場(chǎng)景；兼容多樣化健康度電池；電池剩余容量預(yù)測(cè)的實(shí)時(shí)性問題。國(guó)內(nèi)外研究集中于觀測(cè)累計(jì)較長(zhǎng)時(shí)間的電池放電數(shù)據(jù)進(jìn)行特征工程處理，或者使用電池放電前的充電過程曲線進(jìn)行容量預(yù)測(cè)。在實(shí)際放電場(chǎng)景中很難獲得該電池的充電過程數(shù)據(jù)，而較長(zhǎng)放電時(shí)間才能進(jìn)行預(yù)測(cè)也無法滿足工業(yè)需求。難點(diǎn)是如何以較短的觀測(cè)時(shí)間得到準(zhǔn)確的預(yù)測(cè)結(jié)果；傳感器信號(hào)處理問題。實(shí)際工況中電池放電的傳感器數(shù)據(jù)存在大量的噪聲和測(cè)量誤差，采樣間隔不一等問題。如何通過特征構(gòu)造進(jìn)行數(shù)據(jù)清洗，使得模型基于良好的數(shù)據(jù)學(xué)習(xí)到真實(shí)物理規(guī)律，是需要重點(diǎn)考慮的問題之一。

文獻(xiàn)[5]以最小二乘支持向量機(jī)算法為主體，采用自適應(yīng)粒子群算法對(duì)支持向量機(jī)的核函數(shù)進(jìn)行優(yōu)化，估算電池剩余容量（State of Charge，SOC）。文獻(xiàn)[6-8]通過建立等效電路模型，使用改良濾波算法進(jìn)行估計(jì)。

文獻(xiàn)[9-10]使用堆疊長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）。文獻(xiàn)[11]使用堆疊BiLSTM 對(duì)電池剩余容量預(yù)測(cè)問題進(jìn)行研究。文獻(xiàn)[12]基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）和LSTM 復(fù)合模型，從時(shí)空提取輸入數(shù)據(jù)的特征。文獻(xiàn)[13]采用二階RC 模型和一階斯特林插值濾波算法對(duì)SOC 進(jìn)行估計(jì)。文獻(xiàn)[14-15]結(jié)合卡爾曼濾波相，提出基于自適應(yīng)擴(kuò)展卡爾曼濾波法的模型來估算電池SOC。文獻(xiàn)[16-17]提出向量自回歸滑動(dòng)平均模型（Vector Auto Regressive Moving Average，VARMA）和LSTM 結(jié)合的算法，與傳統(tǒng)時(shí)間序列預(yù)測(cè)模型相結(jié)合，預(yù)測(cè)鋰離子電池電壓和SOC。文獻(xiàn)[18]提出在原有LSTM 基礎(chǔ)上增加2 個(gè)門控單元，通過增強(qiáng)LSTM 內(nèi)部輸入和輸出的交互，提高模型對(duì)于SOC 的預(yù)測(cè)能力。文獻(xiàn)[19-20]提出了一種基于粒子群優(yōu)化算法的LSTM 網(wǎng)絡(luò)PSO-LSTM，通過粒子群算法對(duì)LSTM 網(wǎng)絡(luò)關(guān)鍵參數(shù)進(jìn)行優(yōu)化，增強(qiáng)模型對(duì)SOC 的預(yù)測(cè)能力。文獻(xiàn)[21]將LSTM 網(wǎng)絡(luò)與遷移學(xué)習(xí)相結(jié)合，使訓(xùn)練樣本較多的源數(shù)據(jù)信息可以被用來預(yù)測(cè)其他訓(xùn)練數(shù)據(jù)較少的電池SOC。

本文重點(diǎn)研究如何滿足多種健康度電池在多倍率放電場(chǎng)景的電池剩余容量實(shí)時(shí)預(yù)測(cè)問題。提出基于Res-LSTM 網(wǎng)絡(luò)的剩余容量預(yù)測(cè)。

1 電池相關(guān)概念

1.1 電池健康度

電池健康度（State of Health，SOH）表示蓄電池實(shí)際容量、性能狀態(tài)等與新電池的性能差異情況，一般按照等級(jí)進(jìn)行分類，通常和電池壽命相關(guān)。定義為電池額定容量與實(shí)際容量的比值，概括為健康度標(biāo)簽，如實(shí)際SOH 數(shù)值（用SOH表示）在60%～80%的電池，通常評(píng)價(jià)其電池健康狀態(tài)為良好。SOH計(jì)算公式為：

式中：C0為電池的額定容量；Ct為電池經(jīng)過完全放電所放出的實(shí)際容量。

1.2 電池剩余容量

電池剩余容量即荷電狀態(tài)，反映電池的剩余容量，定義為剩余容量占電池額定容量的比值，其取值范圍為0%～100%。SOC 數(shù)值（用SOC表示）為0%時(shí)表示電池完全放電，SOC為100%時(shí)表示電池達(dá)到滿充狀態(tài)。SOC計(jì)算公式為：

式中：Cn為電池的當(dāng)前剩余實(shí)際容量。

隨著電池的老化，1 組電池所能放出的實(shí)際最大電荷量不斷減小，即滿充狀態(tài)時(shí)所擁有的電荷量在電池不斷的老化過程中越來越少。剩余電荷受到多種因素影響，并不能完全釋放，不同型號(hào)的電池可釋放的電荷量不同。

1.3 放電倍率

放電倍率衡量電池放電的快慢，指電池在一定時(shí)間內(nèi)累計(jì)放電到額定容量所用的電流值，通常用于描述電池的放電場(chǎng)景。其計(jì)算公式為：

式中：rate為放電倍率；I為放電電流。

2 基于安時(shí)殘差連接的長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)Res-LSTM

SOC 預(yù)測(cè)通過電池監(jiān)控采集系統(tǒng)，采集電池多倍率實(shí)時(shí)放電過程中的傳感數(shù)據(jù)，如電壓、電流等。根據(jù)對(duì)電池和電池組可獲得的各項(xiàng)外在的物理特性指標(biāo)，通過數(shù)學(xué)建模、大數(shù)據(jù)分析和總結(jié)，獲得電池組、電池單體的健康度指標(biāo)，并預(yù)測(cè)在當(dāng)前工況下，電池組或電池單體剩余的放電容量。

本文研究如何滿足多種健康度電池在多倍率放電場(chǎng)景的SOC 實(shí)時(shí)預(yù)測(cè)問題，提出基于安時(shí)殘差連接的長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)Res-LSTM 網(wǎng)絡(luò)的剩余容量預(yù)測(cè)，主要工作內(nèi)容為：（1）提出了獲取高質(zhì)量電池傳感信號(hào)數(shù)據(jù)，并且兼容多種采樣間隔，同時(shí)減少測(cè)量誤差的特征工程方案；（2）分析電池實(shí)時(shí)預(yù)測(cè)領(lǐng)域的特點(diǎn)，針對(duì)性地提出了改進(jìn)Res-LSTM 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型；（3）提供了一套完整的電池SOC 實(shí)時(shí)在線預(yù)測(cè)的解決方案。

本文采用的電池為：電池品牌KELONG 6-GFM-100 型號(hào)電池，電池標(biāo)準(zhǔn)電壓為12 V，電池額定容量為100AH；電池品牌光宇6-GFM-100 型號(hào)電池，電池標(biāo)準(zhǔn)電壓為12 V，電池額定容量為100 AH。本文設(shè)定電池截止電壓為10.9 V，即電壓降至10.9 V以下時(shí)，放電停止。

2.1 多通道傳感數(shù)據(jù)特征變換

對(duì)于實(shí)際場(chǎng)景下不同型號(hào)電池傳感器信號(hào)存在不同采樣間隔的情況，采用線性插值法對(duì)各健康度電池?cái)?shù)據(jù)集進(jìn)行下采樣，使所有數(shù)據(jù)都處于同一采樣分布上。

2.1.1 特征選擇

利用皮爾遜相關(guān)性分析，選取相關(guān)性高的特征組合作為聚類向量，評(píng)估聚類效果，選擇最終的特征組合方式。當(dāng)相關(guān)系數(shù)為0 時(shí)，X和Y變量無線性相關(guān)性；X，Y變量正相關(guān)性越大，相關(guān)系數(shù)趨向于1；X，Y變量負(fù)相關(guān)性越大，相關(guān)系數(shù)趨向于-1，即：

式中：ρxy為皮爾遜系數(shù)；D表示方差。

本文對(duì)海量電池放電周期的數(shù)據(jù)進(jìn)行皮爾遜相關(guān)性分析。對(duì)多倍率多電池健康度的放電特征與SOC 進(jìn)行分析；對(duì)單一放電周期的放電特征與SOC 進(jìn)行分析。分析結(jié)果如圖1 和圖2 所示。

圖1 多倍率多周期的皮爾遜相關(guān)分析結(jié)果Fig.1 Multirate and multiperiod Pearson correlation analysis results

圖2 單周期的皮爾遜相關(guān)分析結(jié)果Fig.2 Single cycle Pearson correlation analysis results

在多倍率多種健康度的電池放電特征中，電壓保持了79.56%的線性相關(guān)性，說明在多樣化的電池放電過程中，電壓特征V具有較高的泛化能力，并且可以反映放電物理規(guī)律。其余特征累計(jì)放電量Q，電流I，電阻R，溫度T，倍率C依次遞減。盡管累計(jì)放電量在電池放電過程中與剩余電量呈理論相關(guān)性，在多健康度電池的總體計(jì)算下，在向量空間并沒有表現(xiàn)出明顯線性相關(guān)優(yōu)勢(shì)，這是由于在同一組電池放電過程中，累計(jì)放電量Q在同一時(shí)刻的理論值相同，而各個(gè)單體電池由于健康度不同，剩余電量不同，影響了累計(jì)放電量的線性相關(guān)程度。

同時(shí)，電阻R由于實(shí)際觀測(cè)中對(duì)于傳感器精度要求較高，正常工業(yè)場(chǎng)景觀測(cè)誤差較大。為了模型的普適性，選擇電池放電電壓V、電流I、截至當(dāng)前時(shí)刻的累計(jì)放電量Q、放電場(chǎng)景溫度T4 個(gè)特征指標(biāo)。

為了驗(yàn)證了對(duì)累計(jì)放電量相關(guān)性情況的假設(shè)，進(jìn)一步對(duì)單一周期內(nèi)放電過程的特征皮爾遜相關(guān)性分析，Q的線性相關(guān)性在單周期內(nèi)符合理論分析值，為100%。電流由于在恒流放電工況下單周期內(nèi)各電池電流值相等，較全體數(shù)據(jù)分析大幅下降。單一電池放電特性有助于進(jìn)一步對(duì)海量多工況電池的放電規(guī)律進(jìn)一步掌握。因此，對(duì)在全體中線性相關(guān)較低，同時(shí)在單次放電中占據(jù)高線性相關(guān)的特征累計(jì)放電量Q給予特殊關(guān)注。

2.1.2 特征構(gòu)造

由于電池?cái)?shù)據(jù)中存在不同倍率訓(xùn)練數(shù)據(jù)分布不同的情況，為了進(jìn)一步提取出用于區(qū)分不同工況下電池放電情況的特征，實(shí)驗(yàn)進(jìn)一步對(duì)傳感器觀測(cè)特征電壓、電流、溫度進(jìn)行變換，將其轉(zhuǎn)變?yōu)橄鄬?duì)于對(duì)應(yīng)特征初始狀況的變化量。構(gòu)造特征放大了不同工況下電池放電情況的區(qū)別，使模型易于進(jìn)一步捕捉不同倍率下電池放電變化規(guī)律，降低觀測(cè)特征初始值帶來的影響，增強(qiáng)模型的泛化能力。

由于存在浮充電壓的情況，即在放電初始時(shí)，部分電池電壓呈現(xiàn)波動(dòng)上升的變化趨勢(shì)。為了減小這種較短時(shí)間的上升趨勢(shì)對(duì)電池SOC 預(yù)測(cè)帶來的影響，在變化量特征構(gòu)建算法的基礎(chǔ)上，選擇第1 個(gè)放電時(shí)間窗口內(nèi)對(duì)應(yīng)特征的最大值作為初始狀態(tài)，使模型的輸入特征數(shù)據(jù)均為相同的符號(hào)，加快模型收斂的速度，提高模型對(duì)真實(shí)規(guī)律的擬合。

2.2 基于安時(shí)積分法的改進(jìn)Res-LSTM網(wǎng)絡(luò)

對(duì)SOC 預(yù)測(cè)建模為時(shí)間序列預(yù)測(cè)任務(wù)，即觀測(cè)一段歷史時(shí)間的放電特征，輸出當(dāng)前時(shí)刻SOC 預(yù)測(cè)值。對(duì)時(shí)間序列相關(guān)的預(yù)測(cè)通常采用循環(huán)神經(jīng)網(wǎng)絡(luò)，如果輸入序列過長(zhǎng)，序列開頭的信息會(huì)隨著循環(huán)傳遞逐漸減少消失，導(dǎo)致預(yù)測(cè)任務(wù)所需的長(zhǎng)期依賴的信息被遺忘。LSTM 作為一種改進(jìn)后的循環(huán)神經(jīng)網(wǎng)絡(luò)，在循環(huán)神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，LSTM 加入了門控技術(shù)與記憶細(xì)胞狀態(tài)，對(duì)循環(huán)神經(jīng)網(wǎng)絡(luò)的隱層進(jìn)行改進(jìn)，克服了循環(huán)神經(jīng)網(wǎng)絡(luò)無法記憶長(zhǎng)期依賴的問題。解決了其在處理長(zhǎng)序列數(shù)據(jù)時(shí)容易陷入梯度消失或梯度爆炸問題，具有更有效的長(zhǎng)期預(yù)測(cè)能力[22-23]。

在電池放電領(lǐng)域中，安時(shí)積分法[24-25]作為經(jīng)典的SOC 預(yù)測(cè)方法，在估算電池的放電時(shí)刻真實(shí)容量的基礎(chǔ)上，通過實(shí)時(shí)計(jì)算初始時(shí)刻至當(dāng)前時(shí)刻的時(shí)間內(nèi)放電電流對(duì)時(shí)間t的積分，得到累計(jì)放電量。通過計(jì)算真實(shí)容量估計(jì)值和當(dāng)前累計(jì)放電量之差，得到電池實(shí)時(shí)放電剩余容量，如式（5）所示。

式中：q為t時(shí)刻電流傳感器觀測(cè)值；SOC0為電池真實(shí)容量值。

安時(shí)法的計(jì)量存在累計(jì)誤差，即隨著使用時(shí)間的增加，安時(shí)法所得到的結(jié)果誤差會(huì)增大，無法自適應(yīng)修正。神經(jīng)網(wǎng)絡(luò)多層的非線性變換會(huì)影響Q對(duì)最終預(yù)測(cè)結(jié)果的表達(dá)能力，借用Res-Net 網(wǎng)絡(luò)殘差層思想，取該累計(jì)放電量原始信號(hào)，單獨(dú)設(shè)置跳躍鏈接，跳過LSTM 單元層變換，加和作用于LSTM隱層輸出結(jié)果，最終SOC 的預(yù)測(cè)帶來加和的線性影響，更加符合電池放電的真實(shí)物理規(guī)律。

本文方法對(duì)累計(jì)放電量特征Q進(jìn)行單獨(dú)線性層建模，為進(jìn)一步提升累計(jì)放電量特征的表達(dá)能力，對(duì)觀測(cè)時(shí)間內(nèi)累計(jì)放電量Q的N個(gè)連續(xù)原始采樣信號(hào)，本文N取30，設(shè)置線性注意力權(quán)重網(wǎng)絡(luò)，在系統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)圖3 中作為Res-LSTM 模型的右通道網(wǎng)絡(luò)。經(jīng)過sigmoid 函數(shù)歸一化，將2 部分通道聚合得到最終的SOC 預(yù)測(cè)值。

圖3 Res-LSTM結(jié)構(gòu)示意圖Fig.3 Res-LSTM structure chart

3 模型實(shí)驗(yàn)驗(yàn)證

3.1 模型訓(xùn)練

依據(jù)所提特征工程與模型設(shè)計(jì)方案，在需要進(jìn)行電池健康度預(yù)測(cè)的工業(yè)場(chǎng)景中，通過既定流程將所提算法模型應(yīng)用到工業(yè)在線監(jiān)測(cè)系統(tǒng)。具體流程為：首先開啟UPS 并進(jìn)行充放電測(cè)試；其次采用電池監(jiān)控系統(tǒng)進(jìn)行特征采集；然后進(jìn)行算法模型的訓(xùn)練；最后將算法模型應(yīng)用到電池狀態(tài)實(shí)時(shí)監(jiān)控系統(tǒng)中。

UPS 是一種不間斷電源，能夠提供更加穩(wěn)定的放電，也是當(dāng)今儲(chǔ)能設(shè)施中大規(guī)模存在的設(shè)備[26-27]，本文選擇UPS 作為放電數(shù)據(jù)的采集源。

利用UPS 進(jìn)行充放電測(cè)試。在特征采集方面，采用WiseBMS2000 電池監(jiān)控系統(tǒng)，在放電過程約35 s 時(shí)，對(duì)電池組的單體電池電壓、單體電池溫度、單體電池內(nèi)阻、單體電池容量、放電電流數(shù)據(jù)進(jìn)行采集記錄。通過圖4 流程完成算法模型訓(xùn)練。

圖4 電池SOC預(yù)測(cè)模型訓(xùn)練流程圖Fig.4 Training flow chart of battery SOC prediction model

3.2 數(shù)據(jù)集

1）數(shù)據(jù)集實(shí)驗(yàn)環(huán)境。實(shí)驗(yàn)溫度：25 ℃；實(shí)驗(yàn)濕度：65%；UPS 設(shè)備型號(hào)：KR3360；UPS 設(shè)備功率：60 kW；UPS 設(shè)備輸入/輸出：三相輸入、三相輸出；直流電壓：348 V；電池?cái)?shù)量：29PCS；采集目標(biāo)：?jiǎn)误w電池電壓、溫度、內(nèi)阻、容量、放電電流；采集監(jiān)控軟件：WiseBMS2000。

2）電池放電實(shí)驗(yàn)步驟。首先開啟UPS 并將后備電池接入U(xiǎn)PS；利用UPS 的348 V 直流對(duì)電池進(jìn)行充電操作；當(dāng)充電電流小等于0.02C（2 A）且時(shí)間大于30 min 則認(rèn)定電池進(jìn)入浮充狀態(tài)；接入三相阻性負(fù)載，電池組放電電流有3 種，分別對(duì)應(yīng)0.3C，0.6C，0.9C；斷開市電開始電池放電；放電至電池截止電壓（單體電池10.9 V），電池空開斷開；最終結(jié)束一輪放電。

3）數(shù)據(jù)缺失值處理。缺失值處理主要針對(duì)原始內(nèi)阻傳感器數(shù)據(jù)，通過對(duì)數(shù)據(jù)的初步觀察發(fā)現(xiàn)部分電池的電阻值缺失，采用刪除法棄用該部分電池。

4）數(shù)據(jù)異常值處理。數(shù)據(jù)的異常值代表該數(shù)值顯著性偏離所屬樣本的其余觀測(cè)值，在樣本中需要進(jìn)行剔除。在采集數(shù)據(jù)中存在初始時(shí)刻前幾個(gè)電壓采樣點(diǎn)仍處于充電時(shí)的浮充狀態(tài)電壓值，偏離正常放電的平穩(wěn)電壓值，進(jìn)行剔除。

5）數(shù)據(jù)集劃分。在實(shí)驗(yàn)數(shù)據(jù)集的基礎(chǔ)上，對(duì)各倍率各健康度的電池完整放電過程，構(gòu)造多倍率放電測(cè)試樣本集，同時(shí)在訓(xùn)練集中進(jìn)一步劃分訓(xùn)練與驗(yàn)證。

圖5 為鉛酸電池?cái)?shù)據(jù)集中0.3C，0.6C，0.9C 3 種倍率下放電電池健康度分布，圖例分別對(duì)應(yīng)電池從健康到損壞的程度。

圖5 各健康度電池分布圖Fig.5 Distribution diagram of battery with different SOH

挑選其中70%的電池的完整放電過程作為模型的訓(xùn)練集，選擇剩下的30%電池作為模型最終多場(chǎng)景放電多健康度電池放電的測(cè)試效果數(shù)據(jù)集。

3.3 實(shí)驗(yàn)平臺(tái)配置及評(píng)價(jià)指標(biāo)

本文實(shí)驗(yàn)使用的開發(fā)平臺(tái)為L(zhǎng)inux 內(nèi)核，深度學(xué)習(xí)框架選用Keras 2.3.0，GPU 依賴庫為CUDA 10.0 cuDNN 7.6.1，python 版 本 為3.6.0，GPU 為NVIDIA-TITAN-Xp 20G。

使用回歸任務(wù)中常用的平均絕對(duì)百分比誤差（Mean Absolute Percentage Error，MAPE）作為模型的評(píng)價(jià)指標(biāo)，同時(shí)避免剩余電量趨近于0 時(shí)計(jì)算指標(biāo)產(chǎn)生精度爆炸問題，將分母由每個(gè)樣本的SOC 預(yù)測(cè)值替換為該電池實(shí)際容量，修正后的EMAP為：

式中：yi為第i個(gè)樣本的真實(shí)值；n為樣本數(shù)量。

為了方便量化模型能力，采用EMAP為100%作為模型的準(zhǔn)確率指標(biāo)。

3.4 模型訓(xùn)練

訓(xùn)練至模型收斂，定義模型迭代忍耐度為在10個(gè)epoch 內(nèi)，驗(yàn)證集MAPE 指標(biāo)在0.01%的精度范圍下，沒有效果提升時(shí)結(jié)束訓(xùn)練。

模型基線與本文提出模型的訓(xùn)練參數(shù)設(shè)置如表1 所示。

表1 訓(xùn)練參數(shù)設(shè)置Table 1 Training parameter setting

3.5 實(shí)驗(yàn)結(jié)果與分析

3.5.1 基線對(duì)比實(shí)驗(yàn)

為了驗(yàn)證Res-LSTM 的優(yōu)越性，本文選擇SOC預(yù)測(cè)領(lǐng)域常用基線方法進(jìn)行對(duì)比。

線性回歸（Linear Regression，LR）是利用線性回歸方程的最小平方函數(shù)對(duì)一個(gè)或多個(gè)自變量和因變量之間關(guān)系進(jìn)行回歸分析。深度神經(jīng)網(wǎng)絡(luò)模型（Deep Neural Networks，DNN），分為3 層：隱藏層、輸入層、輸出層。將劃分好的特征連接，作為輸入層的輸入數(shù)據(jù)，通過3 層全連接神經(jīng)網(wǎng)絡(luò)在隱藏層中進(jìn)行隱藏特征提取，最后通過輸出層得到最終的預(yù)測(cè)結(jié)果。支持向量機(jī)（Support Vector Machine，SVM）采用支持向量回歸算法，設(shè)置高斯核函數(shù)進(jìn)行非線性轉(zhuǎn)化，使特征映射到更高維的特征空間中。在高維空間中，使訓(xùn)練集每一個(gè)樣本點(diǎn)盡可能靠近超平面，完成對(duì)數(shù)據(jù)的擬合。LSTM 方法是將原生LSTM 作為基線實(shí)驗(yàn)，使用與本模型相同大小的參數(shù)量、訓(xùn)練時(shí)間。

本文采用相同訓(xùn)練方式，輸入特征均為電壓、電壓變化量、電流變化量、累計(jì)放電量、溫度變化量，使用MAPE 指標(biāo)進(jìn)行評(píng)估。實(shí)驗(yàn)結(jié)果如表2 所示。

表2 各模型EMAP準(zhǔn)確率比較Table 2 EMAP comparison of different model %

在與多種方法的對(duì)比實(shí)驗(yàn)中，本文提出方法在數(shù)據(jù)集上準(zhǔn)確率提升近12%。

3.5.2 多倍率魯棒性測(cè)試

為了兼容多樣化的放電場(chǎng)景，本文對(duì)比了原LSTM 與Res-LSTM 的改進(jìn)模型效果，采用相同訓(xùn)練方式，輸入特征均為電壓、電壓變化量、電流變化量、累計(jì)放電量、溫度變化量。對(duì)各倍率電池測(cè)試集分別進(jìn)行了EMAP計(jì)算，結(jié)果如表3 所示。

表3 多倍率EMAP計(jì)算測(cè)試結(jié)果Table 3 Test results of multirate EMAP %

從表3 可知，本文提出的Res-LSTM 網(wǎng)絡(luò)模型在多倍率電池SOC 預(yù)測(cè)任務(wù)下修正EMAP準(zhǔn)確率遠(yuǎn)高于未經(jīng)調(diào)整的原LSTM 模型。

Res-LSTM 網(wǎng)絡(luò)模型在各倍率的預(yù)測(cè)上方差較小，整體準(zhǔn)確率分布較為集中，具有較好的多倍率工況下的泛化能力，而原LSTM 對(duì)各倍率數(shù)據(jù)的學(xué)習(xí)呈現(xiàn)出倍率越低，預(yù)測(cè)效果越差的情況，由于相同時(shí)間內(nèi)，倍率越高的放電場(chǎng)景下電池放電越多，傳感器信號(hào)特征變化越明顯，通過單獨(dú)的LSTM 結(jié)構(gòu)進(jìn)行信號(hào)捕捉可以很好地抓住特征變化，而對(duì)于低倍率較為平緩的特征變化預(yù)測(cè)較差，需要通過額外的信息進(jìn)行補(bǔ)充，而Res-LSTM 很好地利用了累計(jì)放電量對(duì)SOC 的線性影響，通過累計(jì)放電量殘差塊作為基石，使得LSTM 網(wǎng)絡(luò)的記憶細(xì)胞可以捕捉更細(xì)粒度的變化，達(dá)到泛化能力的提升。使用平均絕對(duì)值誤差（Mean Absolute Error，MAE）作為準(zhǔn)確率評(píng)價(jià)指標(biāo)，即：

對(duì)每個(gè)樣本的真實(shí)值和預(yù)測(cè)值相減取絕對(duì)值，計(jì)算n個(gè)樣本的平均誤差。

單個(gè)電池放電周期預(yù)測(cè)曲線，準(zhǔn)確率指標(biāo)為91%的完整放電循環(huán)電池SOC 預(yù)測(cè)曲線如圖6所示。

從圖6 可知，本文模型很好地?cái)M合了SOC真實(shí)放電曲線情況，且在預(yù)測(cè)末尾階段達(dá)到了接近0.5%的EMA誤差。但在放電開始階段對(duì)于電池的SOC預(yù)測(cè)效果較差，各對(duì)比方法均存在初期偏離較大的預(yù)測(cè)現(xiàn)象。原因分析為各健康度的電池在放電初期，電壓等特征均能滿足放電工況要求，部分健康度低的電池同時(shí)存在著容量再生現(xiàn)象，導(dǎo)致放電初期低健康度電池的放電表現(xiàn)和高健康度電池差異較小，對(duì)模型識(shí)別帶來干擾。而隨著放電的進(jìn)行，健康度不同的電池放電表現(xiàn)差異逐漸明顯，SOC 預(yù)測(cè)趨于準(zhǔn)確。

其次，電池均為浮充狀態(tài)后開始放電，放電初期的浮充電壓存在一定波動(dòng)帶來了采集誤差，即使模型特征進(jìn)行了去噪，依舊存在部分誤差干擾。因此，對(duì)于浮充后短時(shí)間放電情況下的電池SOC 預(yù)測(cè)今后具有較高價(jià)值的研究方向。

為了進(jìn)一步考察模型泛化能力，同時(shí)在光宇品牌電池放電的數(shù)據(jù)進(jìn)行SOC 預(yù)測(cè)評(píng)估，預(yù)測(cè)曲線如圖7 所示。模型的預(yù)測(cè)結(jié)果基本擬合了SOC的真實(shí)放電曲線，同時(shí)在放電過程中，SOC 預(yù)測(cè)結(jié)果準(zhǔn)確率不斷提升。

圖7 光宇品牌電池SOC 預(yù)測(cè)曲線對(duì)比圖Fig.7 SOC comparison of prediction curves with Guangyu brand battery

本文選取開始放電1 個(gè)放電窗口后的20 min預(yù)測(cè)結(jié)果進(jìn)行比較，預(yù)測(cè)結(jié)果如圖8 所示。放電時(shí)間越長(zhǎng)，預(yù)測(cè)值與真實(shí)值就越接近，SOC預(yù)測(cè)準(zhǔn)確率隨放電時(shí)間提升。

圖8 20 min預(yù)測(cè)曲線對(duì)比圖Fig.8 Comparison of prediction curves in 20 minutes

4 結(jié)語

電池的健康狀態(tài)直接關(guān)系到系統(tǒng)和設(shè)備的可靠安全運(yùn)行。通過數(shù)據(jù)驅(qū)動(dòng)的方式實(shí)時(shí)監(jiān)測(cè)電池的剩余容量判斷電池組的健康狀況，及時(shí)替換電池，維持供能穩(wěn)定，對(duì)儲(chǔ)能系統(tǒng)正常運(yùn)轉(zhuǎn)具有十分重要的意義。本文重點(diǎn)聚焦于如何滿足多種健康度電池在多倍率放電場(chǎng)景的SOC 實(shí)時(shí)預(yù)測(cè)問題。

1）提出了對(duì)于電池放電過程傳感器數(shù)據(jù)的高質(zhì)量特征工程方案，可以較好地適應(yīng)多種采樣間隔、多倍率工況、多種健康度電池的傳感器采集數(shù)據(jù)處理需求。

2）提出了一種Res-LSTM 網(wǎng)絡(luò)。相比于原LSTM 網(wǎng)絡(luò)，具有更好的多倍率泛化能力以及更高的預(yù)測(cè)準(zhǔn)確率。

3）提出了完整的電池SOC 實(shí)時(shí)預(yù)測(cè)的解決方案，達(dá)到在電池開始放電采集數(shù)據(jù)時(shí)長(zhǎng)350 s 后，以較高的準(zhǔn)確率實(shí)時(shí)預(yù)測(cè)當(dāng)前工況下電池剩余容量情況，具有很高的工業(yè)應(yīng)用價(jià)值。

未來隨著SOC 在線預(yù)測(cè)體系逐漸成熟后，提出今后的研究方向：（1）拓展模型應(yīng)用場(chǎng)景方面：多規(guī)格電池?cái)?shù)據(jù)兼容性和多種品牌電池兼容性。（2）預(yù)測(cè)時(shí)間壓縮方面：在準(zhǔn)確率下降可接受的范圍內(nèi)，進(jìn)一步壓縮模型所需觀測(cè)時(shí)間；進(jìn)一步兼容更高倍率，即更快速的放電工況。