基于注意力機(jī)制的GRA-EMD-BILSTM鋰電池性能衰退趨勢(shì)預(yù)測(cè)

羅 鵬，劉美俊，俞 輝，陳 霞，魏 憲

(1.廈門理工學(xué)院電氣工程與自動(dòng)化學(xué)院，福建廈門 361024；2.中國福建光電信息科學(xué)與技術(shù)創(chuàng)新實(shí)驗(yàn)室(閩都創(chuàng)新實(shí)驗(yàn)室)，福建福州 350108；3.中國科學(xué)院福建物質(zhì)結(jié)構(gòu)研究所，福建福州 350002)

車載鋰電池作為純電動(dòng)汽車(BEV)最關(guān)鍵的動(dòng)力來源，決定了BEV 的整體性能、生產(chǎn)成本和收益。近年來，不斷報(bào)道的有關(guān)BEV 電池系統(tǒng)故障所造成的事故讓消費(fèi)者對(duì)BEV的安全感到擔(dān)憂。由于BEV 的鋰電池組性能衰退是不可逆的，對(duì)鋰電池性能衰退趨勢(shì)的預(yù)測(cè)工作可以幫助行車人員通過調(diào)整駕駛習(xí)慣延長電池組性能，并能有效地避免電池性能衰退造成的電池組故障，保障行車人員的生命和財(cái)產(chǎn)安全。

在早期，數(shù)據(jù)預(yù)測(cè)模型的構(gòu)建通常使用線性回歸、自回歸移動(dòng)平均模型等傳統(tǒng)回歸方法，但這類方法要求數(shù)據(jù)是穩(wěn)定的，且對(duì)于存在非線性關(guān)系的數(shù)據(jù)預(yù)測(cè)效果較差。90 年代，深度學(xué)習(xí)這類模仿人腦神經(jīng)的網(wǎng)絡(luò)框架被運(yùn)用到了各個(gè)領(lǐng)域，在預(yù)測(cè)和識(shí)別方面取得了不少成果[1]，相比傳統(tǒng)方法，深度學(xué)習(xí)對(duì)于網(wǎng)絡(luò)參數(shù)擬合能力有很大的提升，且對(duì)象越復(fù)雜，優(yōu)勢(shì)越明顯。但單一的算法訓(xùn)練過程容易出現(xiàn)梯度消失、爆炸的情況，且容易受到數(shù)據(jù)噪聲的影響，此類情況會(huì)降低網(wǎng)絡(luò)的預(yù)測(cè)精度。本文針對(duì)單一算法易出現(xiàn)的問題，提出了一種基于注意力機(jī)制的灰色關(guān)聯(lián)分析法(GRA)-經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)-雙向長短期記憶網(wǎng)絡(luò)(BILSTM)預(yù)測(cè)模型，并在開源和非開源數(shù)據(jù)集上驗(yàn)證了該模型的性能。

1 關(guān)鍵特征選取

電池性能沒有具體的參數(shù)，傳統(tǒng)的方法是用電池容量[2]或電池內(nèi)阻[3]表征電池性能，但電池容量無法在線獲取，是一種典型的實(shí)驗(yàn)室測(cè)量方法，電池內(nèi)阻通過傳感器采集，采樣精度受傳感器的限制，且采樣過程耗時(shí)耗力，因此這兩種參數(shù)不宜表征實(shí)車的電池性能。電池組性能的衰退受外界復(fù)雜環(huán)境和駕駛習(xí)慣的影響，所以對(duì)實(shí)際電動(dòng)汽車在行駛過程的參數(shù)變化進(jìn)行分析并選取合適的參數(shù)表征電池性能的工作非常重要。

BEV 電池組通過多個(gè)單體電池串并聯(lián)構(gòu)成，各單體電池出廠時(shí)內(nèi)部參數(shù)已出現(xiàn)細(xì)微差距，因此，充放電時(shí)間越長，各單體電池極值電壓差異越大，一致性也越差，從長里程下觀察電池包數(shù)據(jù)，單體電池壓差是一項(xiàng)重要的參數(shù)，且該參數(shù)容易在實(shí)際車輛中獲取。研究發(fā)現(xiàn)鋰電池壓差增大會(huì)加劇電池容量的衰減[4-5]，而電池容量是表征電池壽命的參數(shù)，因此，鋰電池單體電池壓差的變化與電池壽命具有強(qiáng)相關(guān)性，此外，壓差過大帶來的不一致性極大地影響了電池組的性能，具體表現(xiàn)為整車充不滿電、行駛里程縮短等情況。

通過對(duì)獲取的實(shí)車電池包數(shù)據(jù)分析，隨著運(yùn)行里程的增加，電池內(nèi)阻和電池組壓差逐漸增大，呈正相關(guān)關(guān)系。內(nèi)阻是電池健康狀態(tài)(SOH)的重要參數(shù)，通過公式計(jì)算發(fā)現(xiàn)內(nèi)阻增大會(huì)導(dǎo)致SOH的降低，SOH越低，電池性能越低，因此，內(nèi)阻與電池性能呈反相關(guān)，由壓差和內(nèi)阻的關(guān)系推出壓差與電池性能呈反相關(guān)，壓差越大，電池性能越低。將單體電池壓差視為關(guān)鍵特征，用于表征鋰電池的性能，通過提前獲取鋰電池的終身運(yùn)行數(shù)據(jù)，計(jì)算故障情況（電池容量小于80%）時(shí)的壓差并設(shè)定故障閾值，壓差的預(yù)測(cè)可在線幫助車主知曉車輛工況，提前給車主預(yù)警。綜上所述，預(yù)測(cè)未來壓差的增長趨勢(shì)等同于預(yù)測(cè)鋰電池性能衰退趨勢(shì)。

2 模型設(shè)計(jì)

2.1 融合注意機(jī)制的BILSTM

非開源數(shù)據(jù)采樣間隔短，變化幅度大，為了能夠準(zhǔn)確捕捉數(shù)據(jù)前后特征的序列信息，采用BILSTM 作為基本網(wǎng)絡(luò)框架[6]，此外，該網(wǎng)絡(luò)還可以避免長序列在訓(xùn)練過程出現(xiàn)梯度消失或爆炸的情況，BILSTM 模型結(jié)構(gòu)如圖1 所示。

圖1 BILSTM基本結(jié)構(gòu)圖

BILSTM 的神經(jīng)元內(nèi)部與LSTM[7]相同，包含三個(gè)門控模塊，分別是遺忘門、記憶門和輸出門。X表示的是t時(shí)刻的輸入，C表示細(xì)胞狀態(tài)，H表示隱層狀態(tài)。網(wǎng)絡(luò)的輸入包括經(jīng)過處理后得到的壓差分量和影響壓差變化的關(guān)聯(lián)特征，壓差分量依然保留了壓差的時(shí)序信息，且受前向關(guān)聯(lián)特征的影響。BILSTM 的神經(jīng)元可以通過遺忘門、記憶門對(duì)細(xì)胞狀態(tài)選擇性地遺忘和記憶新信息，將這些有用的信息保存下來并傳遞給后續(xù)的神經(jīng)元。信息的遺忘、記憶、輸出是由上個(gè)時(shí)刻H和當(dāng)前X通過神經(jīng)元的內(nèi)部權(quán)重計(jì)算得到的遺忘權(quán)重、記憶權(quán)重、輸出權(quán)重控制。通過LSTM 神經(jīng)元的三個(gè)門，能夠有效抓取隱藏在關(guān)聯(lián)特征與壓差分量中的特征信息和時(shí)序信息。相比LSTM，BILSTM 可以編碼從后到前的信息，提高獲取隱藏信息的能力。

輸入信息經(jīng)BILSTM 神經(jīng)元的處理后，得到的結(jié)果如式(1)～(2)所示，輸出y是將Ht進(jìn)行Softmax 處理。

式中：W0為輸出權(quán)重；Wi為記憶權(quán)重；Wf為遺忘權(quán)重。

本文在BILSTM 網(wǎng)絡(luò)框架中添加了注意力機(jī)制，根據(jù)結(jié)果與該點(diǎn)的誤差大小合理分配權(quán)值，以此取代神經(jīng)元隨機(jī)分配權(quán)值的方式。融合注意力機(jī)制的BILSTM 模型如圖2所示。

圖2 融合注意力機(jī)制的BILSTM結(jié)構(gòu)圖

注意力機(jī)制可以通過合理分配權(quán)重的方式，對(duì)BILSTM提取的時(shí)序特征給予足夠的關(guān)注，忽略不重要的信息。具體地，計(jì)算神經(jīng)元內(nèi)部隱含層hi'和前面的隨機(jī)初始化的四個(gè)隱含層hi的相似度ei，如式(3)所示，下一步，使用Softmax 函數(shù)計(jì)算出注意力權(quán)重，得到注意力權(quán)重W后，與神經(jīng)元的輸出加權(quán)整合，通過全連接層映射，得到預(yù)測(cè)值。Softmax 公式如式(4)所示。

2.2 基于注意力機(jī)制的GRA-EMD-BILSTM 網(wǎng)絡(luò)

開源/非開源數(shù)據(jù)中能反映車況信息的參數(shù)有總電流、總電壓、電荷狀態(tài)(SOC)、溫度等參數(shù)，這些特征反映了汽車的外界環(huán)境和駕駛行為，但無法判斷它們與壓差是否存在關(guān)聯(lián)，若關(guān)聯(lián)度較差被做為冗余特征輸入到網(wǎng)絡(luò)中，會(huì)降低模型的預(yù)測(cè)精度，因此，采用GRA 計(jì)算上述參數(shù)與壓差的關(guān)聯(lián)度，篩選出非冗余特征。表1 為關(guān)聯(lián)度分析表，選取關(guān)聯(lián)度大于0.6 的參數(shù)，并視為與壓差關(guān)聯(lián)度較高的關(guān)聯(lián)特征。

表1 關(guān)聯(lián)度分析

式中：ρ為分辨系數(shù)，取0.5。

盡管BILSTM 能夠捕捉壓差序列的非線性和時(shí)序性，但是對(duì)于這類變化頻率高的序列，非平穩(wěn)部分會(huì)導(dǎo)致預(yù)測(cè)精度下降，因此，本文采用EMD 將壓差序列分解成多個(gè)平穩(wěn)的、多尺度的分量[8]，相比傅里葉變化和小波變化，EMD 具有更好的信噪比。壓差序列V(t)經(jīng)EMD 分解，得到多個(gè)固有模態(tài)函數(shù)(IMF)和殘余信號(hào)Res，如式(6)所示：

融合注意力機(jī)制的GRA-EMD-BILSTM 模型流程圖如圖3 所示。壓差序列經(jīng)過EMD 分解后得到多個(gè)分量，在構(gòu)造特征工程中，將這些分量作為目標(biāo)標(biāo)簽，結(jié)合與之相對(duì)應(yīng)的GRA 篩選后的關(guān)聯(lián)特征一同輸入到BILSTM 網(wǎng)絡(luò)中，在網(wǎng)絡(luò)的輸出部分引入注意力機(jī)制，經(jīng)全連接層擬合后得到每個(gè)分量的預(yù)測(cè)值，將各分量的預(yù)測(cè)值疊加即為最終預(yù)測(cè)結(jié)果。

圖3 模型流程圖

3 實(shí)驗(yàn)驗(yàn)證

3.1 數(shù)據(jù)集預(yù)處理

本文使用了開源/非開源數(shù)據(jù)集驗(yàn)證提出的算法的預(yù)測(cè)精度。開源數(shù)據(jù)為上海市新能源汽車公共數(shù)據(jù)采集與監(jiān)測(cè)研究中心提供的完整電池包數(shù)據(jù)，因此數(shù)據(jù)預(yù)處理階段只需要進(jìn)行歸一化處理，消除各參數(shù)量綱之間的差異，歸一化如式(7)所示：

式中：x表示樣本數(shù)據(jù)；xmax表示樣本數(shù)據(jù)的最大值；xmin表示樣本數(shù)據(jù)的最小值。

非開源數(shù)據(jù)源于某品牌投放至市場(chǎng)中的純電動(dòng)汽車電池管理系統(tǒng)采集的電池實(shí)時(shí)數(shù)據(jù)。實(shí)際數(shù)據(jù)的多個(gè)參數(shù)與駕駛行為有很大的關(guān)系，駕駛行為的變化會(huì)導(dǎo)致參數(shù)產(chǎn)生突變，因此，收集的實(shí)際數(shù)據(jù)相比開源數(shù)據(jù)，變化頻率更高，幅度更大，這些非線性的變化更能考驗(yàn)網(wǎng)絡(luò)的特征提取和時(shí)序分析能力。

實(shí)際數(shù)據(jù)會(huì)因電池管理系統(tǒng)的異常導(dǎo)致上傳的電池?cái)?shù)據(jù)存在離散的空值，數(shù)據(jù)的不均衡會(huì)導(dǎo)致預(yù)測(cè)模型無法正常訓(xùn)練。由于采樣間隔為10 s，相鄰值差異較小，本文采用均值插補(bǔ)法，取空值上下值的平均值進(jìn)行空值插補(bǔ)。

3.2 實(shí)驗(yàn)環(huán)境與設(shè)置

本文實(shí)驗(yàn)環(huán)境：操作系統(tǒng)Linux；顯卡型號(hào)NVIDIA GEFORCE RTX2080Ti；深度學(xué)習(xí)框架Tensorflow2.91；編程語言Python3.7。

為了驗(yàn)證本文提出的方法的優(yōu)勢(shì)，設(shè)置了5 組對(duì)比實(shí)驗(yàn)，將提出的模型與GRA-EMD-BILSTM 模型、EMD-BILSTM模型、BILSTM 模型、LSTM 模型以及BP 模型做對(duì)比，評(píng)價(jià)模型的指標(biāo)采用均方根誤差(RMSE)、平均絕對(duì)誤差(MAE)和平均絕對(duì)百分誤差(MAPE)，評(píng)價(jià)指標(biāo)如式(8)～(10)所示：

式中：yi表示壓差預(yù)測(cè)值；xi表示壓差實(shí)際值；N表示樣本的數(shù)量。

為了保證實(shí)驗(yàn)的公平性，各網(wǎng)絡(luò)的參數(shù)均統(tǒng)一：丟失層為0.5，傳遞的訓(xùn)練參數(shù)為126，訓(xùn)練次數(shù)為200，優(yōu)化器為適應(yīng)性矩估計(jì)(Adam)，神經(jīng)元個(gè)數(shù)為16，并且在訓(xùn)練過程中，利用回調(diào)函數(shù)保存最好的模型，利用該模型進(jìn)行后續(xù)的預(yù)測(cè)工作。將數(shù)據(jù)集的前80%作為訓(xùn)練集，后20%作為測(cè)試集。

3.3 實(shí)驗(yàn)結(jié)果與分析

經(jīng)GRA 分析，得到的各特征序列與壓差序列的關(guān)聯(lián)度如表2 所示。

由表2 可知，開源數(shù)據(jù)中，除速度、總電流外，關(guān)聯(lián)度均小于0.6，屬于失調(diào)狀態(tài)，因此將速度和總電流作為網(wǎng)絡(luò)的輸入；對(duì)于非開源數(shù)據(jù)，將總電流、行駛里程、速度這三類關(guān)聯(lián)度大于0.6 的參數(shù)作為網(wǎng)絡(luò)的輸入。

對(duì)初始信號(hào)V(t)進(jìn)行EMD，分解結(jié)果如圖4 所示，從高頻到低頻，V(t)被分解成10 個(gè)IMF和一個(gè)Res，經(jīng)EMD 分解的多個(gè)分量，由上到下，IMF逐漸從非平穩(wěn)趨于平穩(wěn)，且各IMF的變化較為一致。

利用不同模型預(yù)測(cè)壓差，各預(yù)測(cè)曲線和實(shí)際壓差可視化圖如圖5～6 所示，圖5 為開源數(shù)據(jù)集對(duì)比圖，圖6 為非開源數(shù)據(jù)集對(duì)比圖。由于數(shù)據(jù)較多，基于原始圖片，繪制了三個(gè)局部放大子模塊A、B、C。

圖5 開源數(shù)據(jù)預(yù)測(cè)結(jié)果

圖6 非開源數(shù)據(jù)預(yù)測(cè)結(jié)果

由圖5 可知，A 模塊震蕩較為劇烈，無法準(zhǔn)確判斷各模型的預(yù)測(cè)效果，B 模塊中可以明顯發(fā)現(xiàn)，當(dāng)壓差處于上升趨勢(shì)時(shí)，BP 神經(jīng)網(wǎng)絡(luò)與真實(shí)值偏離幅度非常大；C 模塊中當(dāng)震蕩幅度趨于平穩(wěn)時(shí)，LSTM 網(wǎng)絡(luò)的預(yù)測(cè)值與真實(shí)值相比，向下偏離。由圖6 可知，A 模塊中，BILSTM 網(wǎng)絡(luò)的預(yù)測(cè)值相比實(shí)際值向上偏離；B 模塊中，除BILSTM 外，EMD-BILSTM 也略微向上偏離；C 模塊無法看出模型的差異。如上分析，BP 模型、BILSTM 模型和LSTM 模型，由于算法單一，無法準(zhǔn)確提取變化特征，預(yù)測(cè)效果較差。在網(wǎng)絡(luò)中添加EMD 后，預(yù)測(cè)效果提高，但在圖6(c) B 模塊中，預(yù)測(cè)值與實(shí)際值仍存在一定的偏離，這是因?yàn)轭A(yù)測(cè)模型受到冗余信息的影響，相比之下，本文提出的方法與GRA-EMD-BILSTM 模型在開源數(shù)據(jù)集和非開源數(shù)據(jù)集都能跟蹤壓差的變化趨勢(shì)，可視化圖無法直觀判斷兩種模型的差異，需通過評(píng)價(jià)指標(biāo)才能判斷最優(yōu)算法。

通過模型評(píng)價(jià)指標(biāo)計(jì)算各模型的預(yù)測(cè)誤差，如表3 所示。由表3 可知，BP 神經(jīng)網(wǎng)絡(luò)、LSTM 神經(jīng)網(wǎng)絡(luò)的誤差較大，與圖反映的一致，相對(duì)于LSTM，BILSTM 誤差有所降低，證明本案例雙向提取特征的方法優(yōu)于單向提取特征，在BILSTM 中添加EMD 后，精度大幅度提升，說明EMD 可以通過分解關(guān)鍵特征，多分量預(yù)測(cè)的方法有效提高預(yù)測(cè)精度，通過GRA，去除冗余特征，預(yù)測(cè)精度也略微提升，最后在網(wǎng)絡(luò)的輸出階段添加注意力機(jī)制得到的誤差相比GRA-EMD-BILSTM 模型，誤差有所降低，RMSE、MAE和MAPE分別為1.423 2/0.971 9，0.920 6/0.628 0 和8.187 3/11.444 0。此外，本文還收集了各算法所消耗的時(shí)間，該時(shí)間包含預(yù)訓(xùn)練模型的建立時(shí)間。

表3 不同模型直接的誤差比較

綜上所述，相比其它算法，本文提出的方法在開源和非開源數(shù)據(jù)集上有著較高的預(yù)測(cè)精度，從消耗的時(shí)間上分析，此方法消耗的時(shí)間并不長，如果應(yīng)用于在線預(yù)測(cè)，在通過GRA 離線分析電池終身數(shù)據(jù)以確定關(guān)聯(lián)參數(shù)的前提下，加上預(yù)訓(xùn)練模型的建立時(shí)間，僅需每五分鐘傳入數(shù)據(jù)，即可在下個(gè)階段傳入數(shù)據(jù)之前，得到預(yù)測(cè)結(jié)果，因此，此方法可在線應(yīng)用于車輛工況預(yù)警。

4 結(jié)論

本文考慮了單一算法的缺陷，融合了多個(gè)方法，建立了GRA-EMD-BILSTM 模型，并加入了注意力機(jī)制，進(jìn)一步提高模型的預(yù)測(cè)精度，此外，除開源數(shù)據(jù)外，還收集了變化頻率更高的實(shí)際電動(dòng)汽車的電池?cái)?shù)據(jù)驗(yàn)證本文提出模型的性能，最后通過實(shí)驗(yàn)表明，使用BILSTM，并在網(wǎng)絡(luò)中添加EMD、GRA和注意力機(jī)制，模型性能有不同程度的提高，因此，本文提出的基于注意力機(jī)制的GRA-EMD-BILSTM 模型具有更優(yōu)的性能。