基于CSA-BiLSTM的儲(chǔ)能電池壽命預(yù)測(cè)

董志國(guó) 徐全海 馬志剛

（1.國(guó)家能源集團(tuán)青海電力有限公司，青海 西寧 810001；2.國(guó)家能源集團(tuán)海西光伏發(fā)電有限公司，青海 海西 817000）

提出“雙碳”目標(biāo)以后，國(guó)家對(duì)環(huán)保問(wèn)題采取了相應(yīng)的措施，大力發(fā)展新能源、減少化石能源的占比成為了“雙碳”背景下的熱門話題。儲(chǔ)能電池作為新能源儲(chǔ)能場(chǎng)站的“心臟”，準(zhǔn)確地對(duì)儲(chǔ)能電池健康進(jìn)行估算尤為重要。

1 SOH定義與獲取方法

鋰離子電池具有能量密度高、自放電率低、循環(huán)性能好以及無(wú)記憶效應(yīng)等優(yōu)點(diǎn)[1]，是儲(chǔ)能電站的心臟。電池健康狀態(tài)（State Of Health，SOH）表示電池性能和容量隨著時(shí)間和使用情況的變化而變化的程度。當(dāng)電池的SOH降至70%左右時(shí)，就需要及時(shí)更換電池，以保障用電設(shè)備安全、穩(wěn)定地運(yùn)行。目前，鋰離子電池SOH獲取方法主要分為直接測(cè)量法[2]、基于模型的方法[3]和數(shù)據(jù)驅(qū)動(dòng)方法[4]?；跀?shù)據(jù)驅(qū)動(dòng)方法的鋰離子電池SOH估算方法考慮電池老化過(guò)程是典型的非線性過(guò)程，因此通過(guò)鋰離子電池老化測(cè)試獲得表征電池老化的特征參數(shù)，就可以估算電池SOH，這種方法不需要考慮電池老化的機(jī)理和內(nèi)部電池的化學(xué)反應(yīng)。目前，最常用的就是基于數(shù)據(jù)驅(qū)動(dòng)方法預(yù)測(cè)儲(chǔ)能電池的SOH。

SOH的定義有很多，最常見(jiàn)的定義方法是從容量的角度定義，如公式（1）所示。

式中：Caged為鋰離子電池當(dāng)前的容量；Crated為鋰離子電池出廠時(shí)的容量。

在實(shí)際情況中，由于難以直接測(cè)量鋰離子電池的容量，因此該文從容量的角度重新定義電池的SOH，并以電池的最大放電量來(lái)代替電池容量重新定義電池的SOH，如公式（2）所示。

式中：Qmax為目前電池最大放電量；Crated為鋰離子電池出廠時(shí)的容量。

這種定義方式更符合儲(chǔ)能器件的使用方式。

2 預(yù)測(cè)模型

2.1 BiLSTM神經(jīng)網(wǎng)絡(luò)

雙向長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)屬于循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN），Bi代表雙向（Bidirectional），LSTM代表長(zhǎng)短期記憶（Long Short-Term Memory）。在傳統(tǒng)的RNN中，信息僅在一個(gè)方向上流動(dòng)，即從前向后或從后向前。而BiLSTM包括2個(gè)LSTM層，一個(gè)正向（從前到后）和一個(gè)反向（從后到前），2個(gè)層的輸出在每個(gè)時(shí)間步驟上進(jìn)行拼接或合并，形成最終的輸出，其原理示意圖如圖1所示。

圖1 BiLSTM原理示意圖

其中，LSTM由遺忘門、輸入門和輸出門組成，如公式（3）所示。

式中：Ct為單元狀態(tài)；ft為遺忘門，決定下一個(gè)單元狀態(tài)Ct-1中哪些內(nèi)容進(jìn)入下一個(gè)單元狀態(tài)；為臨時(shí)單元狀態(tài)；it為輸入門，決定中哪些內(nèi)容參與Ct的更新；Ot為輸出門，作用在Ct上，得到當(dāng)前階段的隱藏層輸出ht；W和b分別為對(duì)應(yīng)門的權(quán)重和偏置；Wc為臨時(shí)單元狀態(tài)的權(quán)值矩陣；bc為臨時(shí)單元狀態(tài)的偏置；xt為當(dāng)前時(shí)刻輸入的信息；xi為輸入臨時(shí)單元門的信息；σ（·）為Sigmoid函數(shù)，在門的構(gòu)成中常采用Sigmoid函數(shù)；tanh為雙曲正切函數(shù)，在單元狀態(tài)更新中常采用tanh。

2.2 變色龍優(yōu)化算法

變色龍算法（Chameleon Swarm Algorithm，CSA）是一種模擬變色龍尋找食物時(shí)的動(dòng)態(tài)行為的優(yōu)化算法。CSA算法具有以下特點(diǎn)：1）它具有強(qiáng)大的尋優(yōu)能力，能夠在搜索空間中找到最優(yōu)解，其模擬變色龍對(duì)環(huán)境變化的適應(yīng)能力，使算法能夠快速收斂到較好的解。2）CSA算法的收斂速度較快，能夠在較短的時(shí)間內(nèi)找到較優(yōu)解，可以提高算法的效率。3）CSA算法具有較高的精度，能夠找到接近最優(yōu)解的解決方案。綜上所述，變色龍算法是一種性能較高的優(yōu)化算法。該算法在尋優(yōu)能力、收斂速度和精度方面表現(xiàn)出色，可以對(duì)多種優(yōu)化問(wèn)題進(jìn)行求解。算法原理分為以下4個(gè)步驟：1）初始化。在搜索范圍內(nèi)隨機(jī)初始化。2）搜索獵物。變色龍搜索獵物的方式如公式（4）所示。3）變色龍眼睛旋轉(zhuǎn)。模擬變色龍眼睛旋轉(zhuǎn)定位獵物時(shí)的位置更新，如公式（5）所示。4）捕獲獵物。將變色龍舌頭捕獲獵物時(shí)速度定義為公式（6）。

式中：yti,j、分別為變色龍i在j維空間第t、第t+1次迭代時(shí)的位置；Gtj為變色龍?jiān)趈維空間第t次迭代時(shí)最優(yōu)個(gè)體的位置；Pti，j為目前變色龍i在j維空間從開始到第t次迭代這段時(shí)間中最優(yōu)個(gè)體的位置；uj、lj分別為變色龍搜尋獵物空間維度的上限、下限；lbj為變色龍搜尋獵物空間的一個(gè)隨機(jī)維度；μ為搜索能力控制參數(shù)；sgn（rand-0.5）為變色龍的旋轉(zhuǎn)方向，一般取±1，代表向前或者向后選擇；r為[0，1]的隨機(jī)數(shù)；p1、p2為變色龍尋找獵物能力的2個(gè)參數(shù)；Pp為變色龍對(duì)獵物的感知概率，當(dāng)ri≥Pp時(shí)，變色龍會(huì)在空間中改變自己的位置，以更好地尋找獵物，當(dāng)ri＜Pp時(shí)，變色龍會(huì)改變方向搜尋獵物。

式中：c1、c2為常數(shù)，通過(guò)控制G、P來(lái)影響變色龍彈舌速度，一般取經(jīng)驗(yàn)值c1=c2=1.75；w為線性減小的慣性權(quán)重。

在捕獲獵物階段，CSA算法速度的更新方式與粒子群中粒子飛行速度的更新方式很像，但是其可以合理地控制彈舌速度。

CSA算法與鯨魚優(yōu)化算法、海鷗優(yōu)化算法的螺旋操作的區(qū)別是它用到了坐標(biāo)轉(zhuǎn)換法，得到的結(jié)果更準(zhǔn)確。

2.3 CSA-BiLSTM優(yōu)化預(yù)測(cè)模型

該文提出的CSA-BiLSTM優(yōu)化預(yù)測(cè)模型流程如圖2所示。

圖2 CSA-BiLSTM模型流程圖

在該模型中，BiLSTM神經(jīng)網(wǎng)絡(luò)模型是訓(xùn)練數(shù)據(jù)的載體，學(xué)習(xí)輸入數(shù)據(jù)的序列特征。同時(shí)，CSA算法作為BiLSTM神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化的載體，可以優(yōu)化BiLSTM神經(jīng)網(wǎng)絡(luò)的參數(shù)，以提高模型的預(yù)測(cè)性能。該優(yōu)化預(yù)測(cè)模型能夠綜合利用變色龍算法的搜索能力和BiLSTM神經(jīng)網(wǎng)絡(luò)的序列建模能力，使模型能夠準(zhǔn)確地預(yù)測(cè)目標(biāo)變量，并且具有較快的收斂速度和較高的預(yù)測(cè)精度。該模型在預(yù)測(cè)問(wèn)題中具有潛在的應(yīng)用價(jià)值。

3 方法驗(yàn)證

為了驗(yàn)證該文提出的方法的有效性，采用牛津電池老化數(shù)據(jù)集[5]對(duì)該方法進(jìn)行應(yīng)用，數(shù)據(jù)集采用的電池為鈷酸鋰離子電池，電池額定容量為740 mA·h。在電池完全放電后再重新進(jìn)行充電，定義1次完整的充放電過(guò)程是1次循環(huán)。在100次循環(huán)之后再進(jìn)行1次容量標(biāo)定。通過(guò)多次循環(huán)充電/放電來(lái)達(dá)到使電池老化的目的，當(dāng)電池容量為70%左右時(shí)，停止循環(huán)試驗(yàn)。值得注意的是，每次循環(huán)中記錄的電壓、溫度以及電池容量變化曲線都只對(duì)應(yīng)1個(gè)SOH。因?yàn)槭呛懔鞒潆?，所以電流不適合作為輸入?yún)?shù)，選取充電時(shí)刻電池的平均電壓和平均溫度作為輸入?yún)?shù)，并輸出電池最大放電量。選取部分?jǐn)?shù)據(jù)見(jiàn)表1。

表1 部分?jǐn)?shù)據(jù)

該試驗(yàn)網(wǎng)絡(luò)搭建和數(shù)據(jù)處理工具均采用matlab2021a。神經(jīng)網(wǎng)絡(luò)模型參數(shù)設(shè)置見(jiàn)表2。

表2 神經(jīng)網(wǎng)絡(luò)模型參數(shù)初設(shè)置

將電池SOH參考值與CSA-BiLSTM、BiLSTM預(yù)測(cè)值進(jìn)行對(duì)比并展示部分對(duì)比結(jié)果，如圖3所示。

圖3 部分優(yōu)化前后SOH預(yù)測(cè)值與真實(shí)值對(duì)比

由圖3可知，隨著循環(huán)次數(shù)增加，電池SOH整體上呈下降的趨勢(shì)，但是在放電的過(guò)程中，電池SOH會(huì)出現(xiàn)忽高忽低的現(xiàn)象。其原因是在充放電過(guò)程中，會(huì)出現(xiàn)2種容量損失，即可逆容量損失和不可逆容量損失?？赡嫒萘繐p失是指能量損失，可以在充電過(guò)程中重新獲得，這部分損失通常與電池內(nèi)部的化學(xué)反應(yīng)有統(tǒng)計(jì)學(xué)意義。不可逆容量損失是指由電解質(zhì)與電池正負(fù)極之間的化學(xué)作用引起的能量損失，這種損失導(dǎo)致電池正負(fù)極容量不平衡，無(wú)法恢復(fù)。還有一種情況就是可能存在數(shù)據(jù)丟失和錯(cuò)誤記錄的情況。

優(yōu)化后儲(chǔ)能電池SOH在實(shí)際的參考值上下波動(dòng)，與未優(yōu)化前相比，更接近真實(shí)參考值。

為了便于直觀地觀測(cè)優(yōu)化前后的效果，計(jì)算優(yōu)化前后相對(duì)誤差曲線，結(jié)果如圖4所示。由圖4可知，優(yōu)化前相對(duì)誤差主要分布在[-2.5%，2%]，優(yōu)化后相對(duì)誤差主要分布在[-1%，1%]。結(jié)果表示，優(yōu)化后的相對(duì)誤差較小。

圖4 SOH相對(duì)誤差曲線比較

為了便于比較優(yōu)化模型前、后的效果，采用平均絕對(duì)誤差MAE、均方根誤差RMSE來(lái)進(jìn)行評(píng)價(jià)[6]，如公式（7）所示。

式中：yi為第i次預(yù)測(cè)最大放電量；為第i次真實(shí)最大放電量；n為總的循環(huán)次數(shù)。

根據(jù)該文定義的SOH計(jì)算優(yōu)化前、后電池SOH的MAE和RMSE，計(jì)算結(jié)果見(jiàn)表3。

表3 不同算法誤差結(jié)果

計(jì)算結(jié)果表明，經(jīng)過(guò)CSA優(yōu)化后BiLSTM神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果的相對(duì)誤差、平均絕對(duì)誤差以及均方根誤差均比優(yōu)化前的預(yù)測(cè)誤差小，整體的預(yù)測(cè)效果更好。

4 結(jié)語(yǔ)

該文以一種雙向長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)為框架，采用變色龍優(yōu)化算法優(yōu)化的CSA-BiLSTM預(yù)測(cè)模型對(duì)儲(chǔ)能鋰離子電池的SOH進(jìn)行預(yù)測(cè)，使用牛津電池老化數(shù)據(jù)集進(jìn)行驗(yàn)證并對(duì)比優(yōu)化前、后的SOH誤差。結(jié)果顯示，優(yōu)化后的預(yù)測(cè)結(jié)果的準(zhǔn)確性、魯棒性較高。