基于機(jī)器學(xué)習(xí)的鋰離子電池壽命預(yù)測算法研究

楊強(qiáng) 張琦 楊玉明

摘要：針對反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)在預(yù)測鋰離子電池壽命方面易陷入局部最優(yōu)解的問題，文章提出了一種融合改進(jìn)型遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的鋰離子電池壽命預(yù)測方法。首先，選取自適應(yīng)交叉概率方法作為交叉步驟以動(dòng)態(tài)調(diào)整遺傳算法的交叉概率；其次，通過改進(jìn)型遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的參數(shù)；最后，將優(yōu)化過的參數(shù)帶入BP神經(jīng)網(wǎng)絡(luò)，有效提高了全局搜索能力。仿真實(shí)驗(yàn)結(jié)果顯示，該方法有效提高了鋰離子電池壽命預(yù)測的精度。

關(guān)鍵詞：鋰離子電池；壽命預(yù)測；機(jī)器學(xué)習(xí)

中圖分類號：TM912? 文獻(xiàn)標(biāo)志碼：A

0 引言

隨著電動(dòng)車的普及和便攜式電子設(shè)備性能的提升，加之太陽能、風(fēng)能等可再生能源在能源體系中占比的增長，鋰離子電池作為關(guān)鍵的能量存儲(chǔ)組件，其需求和應(yīng)用正在快速增長。電池的性能和使用壽命對這些設(shè)備的穩(wěn)定運(yùn)行至關(guān)重要。因此，研發(fā)一種精確的電池壽命預(yù)測技術(shù)顯得尤為關(guān)鍵。這樣的預(yù)測技術(shù)不僅使用戶和維護(hù)人員能夠預(yù)先安排電池的保養(yǎng)和更換，防止意外故障和安全隱患，還能提高電池的使用效率，延長使用壽命，減少資源消耗，并為電池的回收和再利用提供理論支持。開發(fā)高效的鋰離子電池壽命預(yù)測方法對于促進(jìn)可持續(xù)發(fā)展、提升能源效率和確保用戶安全具有重要的意義和深遠(yuǎn)的影響。

傳統(tǒng)的鋰離子電池壽命預(yù)測主要依賴于物理或經(jīng)驗(yàn)?zāi)Ｐ?，尤其是電化學(xué)模型，通過精確描述電池內(nèi)部的復(fù)雜化學(xué)反應(yīng)來模擬電池性能的變化。在構(gòu)建模型時(shí)，必須考慮電池的化學(xué)組成、電解質(zhì)、電極材料和微觀結(jié)構(gòu)等多種因素。模型詳細(xì)模擬了充放電過程中的離子遷移、擴(kuò)散和電荷傳輸?shù)汝P(guān)鍵電化學(xué)過程，這對電池的效率和穩(wěn)定性起著決定性作用。然而，模型的高計(jì)算成本、參數(shù)的不確定性、簡化的假設(shè)、動(dòng)態(tài)響應(yīng)的缺乏以及對實(shí)驗(yàn)數(shù)據(jù)的依賴性，都限制了其在實(shí)際應(yīng)用中的準(zhǔn)確性和有效性。

機(jī)器學(xué)習(xí)技術(shù)通過處理和分析大規(guī)模數(shù)據(jù)集來預(yù)測電池的使用壽命。聶灶金等［1］的研究通過結(jié)合期望分位數(shù)回歸和極限學(xué)習(xí)機(jī)制，并運(yùn)用BFGS算法對參數(shù)進(jìn)行優(yōu)化，從而有效提升了對鋰離子電池剩余使用年限的預(yù)測準(zhǔn)確性。侯小康等［2］使用多核相關(guān)向量機(jī)和變分模態(tài)分解技術(shù)降噪，并應(yīng)用貝葉斯優(yōu)化調(diào)整參數(shù)，增強(qiáng)了預(yù)測模型的性能。楊立新等［3］開發(fā)了XGBoost-LSTM模型，通過特征工程和網(wǎng)格搜索優(yōu)化，結(jié)合誤差倒數(shù)法，進(jìn)一步提升了RUL預(yù)測的準(zhǔn)確性。

為了解決BP神經(jīng)網(wǎng)絡(luò)易陷入局部最優(yōu)解的問題，本文通過改進(jìn)型的遺傳算法（Improved Genetic Algorithm，IGA）優(yōu)化BP網(wǎng)絡(luò)，提升了全局搜索能力，增強(qiáng)了泛化能力的同時(shí)提高了預(yù)測結(jié)果的精準(zhǔn)度，并通過實(shí)驗(yàn)確認(rèn)了該方法的有效性。

1 改進(jìn)型遺傳算法和BP神經(jīng)網(wǎng)絡(luò)

1.1 改進(jìn)型遺傳算法

遺傳算法模擬自然選擇，通過交叉和變異在解空間中尋找最優(yōu)解［4］。在交叉過程中，為克服單點(diǎn)交叉的局限性和多點(diǎn)交叉的過度收斂問題，本文采用自適應(yīng)交叉概率方法，根據(jù)種群表現(xiàn)動(dòng)態(tài)調(diào)整交叉率，以優(yōu)化搜索效率和算法性能。該方法可以在遺傳算法的迭代過程中根據(jù)種群的狀態(tài)動(dòng)態(tài)調(diào)整交叉概率，能夠有效提高算法的魯棒性和適應(yīng)性。

1.2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種采用多層前饋結(jié)構(gòu)的人工神經(jīng)網(wǎng)絡(luò)，使用梯度下降算法來完成監(jiān)督學(xué)習(xí)任務(wù)。網(wǎng)絡(luò)通過反向傳播機(jī)制來更新權(quán)重，旨在降低損失函數(shù)。這種網(wǎng)絡(luò)結(jié)構(gòu)由輸入層、若干隱藏層和輸出層組成［5］，如圖1所示。

算法流程如下：

（1）初始化。隨機(jī)初始化網(wǎng)絡(luò)中的權(quán)重和偏置。

（2）前向傳播。將輸入數(shù)據(jù)傳遞到網(wǎng)絡(luò)中，通過每一層的神經(jīng)元，直到計(jì)算出網(wǎng)絡(luò)的輸出。

對于隱藏層和輸出層的每個(gè)神經(jīng)元j：

zj=∑ni=1wij·xi+bj（1）

aj=σ（zj）（2）

其中，wij是連接輸入層和第j個(gè)神經(jīng)元的權(quán)重，xi是輸入數(shù)據(jù)，bj是第j個(gè)神經(jīng)元的偏置，aj是第j個(gè)神經(jīng)元的輸出，σ是激活函數(shù)。

（3）損失度量。通過損失函數(shù)評估模型預(yù)測值與真實(shí)標(biāo)簽之間的偏差大小。

（4）反向傳播過程。首先依據(jù)損失函數(shù)計(jì)算權(quán)重和偏置項(xiàng)對損失程度的貢獻(xiàn)率，即梯度。隨后，通過梯度下降算法對權(quán)重和偏置進(jìn)行優(yōu)化調(diào)整。

對于輸出層的每個(gè)神經(jīng)元j：

δj=Lzj（3）

對于隱藏層的每個(gè)神經(jīng)元j：

δj=∑kLzk·zkzj（4）

更新權(quán)重和偏置：

w（t+1）ij=w（t）ij-α·Lwij（5）

b（t+1）j=b（t）j-α·Lbj（6）

其中，δj是神經(jīng)元的誤差項(xiàng)（Error Term），L是損失函數(shù)，wij是連接輸入層和第j個(gè)神經(jīng)元的權(quán)重，bj是第j個(gè)神經(jīng)元的偏置，α是學(xué)習(xí)率。

（5）迭代過程。持續(xù)執(zhí)行前向傳播和反向傳播步驟，直至損失函數(shù)達(dá)到穩(wěn)定狀態(tài)或迭代次數(shù)達(dá)到預(yù)設(shè)的上限。

1.3 經(jīng)過改進(jìn)型遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)

經(jīng)過改進(jìn)型遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)（Improved Genetic Algorithm--Back Propagation，IGA-BP）由2個(gè)關(guān)鍵組成部分構(gòu)成，第一個(gè)是遺傳算法的改良版本，用于優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)；第二個(gè)則是BP神經(jīng)網(wǎng)絡(luò)，負(fù)責(zé)執(zhí)行預(yù)測任務(wù)。首先，通過改進(jìn)型遺傳算法中交叉、變異等操作選擇適應(yīng)度最優(yōu)的個(gè)體作為最終的優(yōu)化結(jié)果，對應(yīng)的權(quán)重和偏置代表了經(jīng)過優(yōu)化處理的BP神經(jīng)網(wǎng)絡(luò)的參數(shù)，然后將優(yōu)化后的參數(shù)帶入BP神經(jīng)網(wǎng)絡(luò)，進(jìn)行后續(xù)的訓(xùn)練及預(yù)測。

2 實(shí)驗(yàn)分析

2.1 數(shù)據(jù)集

受限于實(shí)驗(yàn)條件，本文采用馬里蘭大學(xué)提供的鋰電池老化（CACLE）數(shù)據(jù)集［6］來測試所提出算法的有效性。電池的容量衰減情況如圖2所示。

2.2 結(jié)果分析

為了驗(yàn)證IGA-BP算法的預(yù)測準(zhǔn)確性，本研究將其與BP算法、基于粒子群算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)（Particle Swarm Optimization-Back Propagation，PSO-BP）以及模擬退火算法優(yōu)化的神經(jīng)網(wǎng)絡(luò)（Simulated Annealing-Back Propagation，SA-BP）模型在相同的實(shí)驗(yàn)條件下進(jìn)行了比較分析。通過使用平均絕對誤差（Mean Absolute Error，MAE）和相對誤差（Relative Error，RE）這2個(gè)指標(biāo)來評價(jià)各模型的性能表現(xiàn)。實(shí)驗(yàn)數(shù)據(jù)和比較結(jié)果匯總?cè)绫?所示。

相較于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)，IGA-BP在MAE上減少了0.046，RE降低了34%；較PSO-BP在MAE上降低了0.005，RE減少了20%；較SA-BP在MAE上降低了0.030，RE降低了30%。這些數(shù)據(jù)表明，IGA-BP在預(yù)測準(zhǔn)確性上有顯著提升，且優(yōu)化方法是有效的。在這些算法中，IGA-BP展現(xiàn)了最高的準(zhǔn)確度，凸顯了遺傳算法的卓越性能。

3 結(jié)語

本研究提出了一種融合優(yōu)化遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的鋰離子電池壽命預(yù)測方法。通過自適應(yīng)交叉概率策略動(dòng)態(tài)調(diào)整遺傳算法，實(shí)現(xiàn)了對BP神經(jīng)網(wǎng)絡(luò) ?的有效優(yōu)化，提高了模型的收斂速度和泛化能力。實(shí)驗(yàn)結(jié)果表明，本文所提出的IGA-BP模型在誤差評價(jià)指標(biāo)上優(yōu)于傳統(tǒng)模型，為鋰電池壽命預(yù)測提供了新的機(jī)器學(xué)習(xí)途徑。

參考文獻(xiàn)

［1］聶灶金，何曉霞，吳傳菊.基于ER-ELM模型的鋰離子電池剩余使用壽命預(yù)測［EB/OL］.（2024-02-29）［2024-05-20］.https：//kns.cnki.net/kcms2/article/abstract？v=_Kb8wOrUs9tQFq_iTE93ZUD0W aGdDshkDlA1Q4tyQL3iRNfMjMFc5-2TNFV2EdZ6Wu9 r64erPi-9rZZau9mkPVDxZWAj4ZdJglSFEIq0mrICFDQ CCjjD9pqh41NV_xLAE7WY8hxGcyA=&uniplatform=NZKPT&language=CHS.

［2］侯小康，袁裕鵬，童亮.基于改進(jìn)相關(guān)向量機(jī)的鋰電池剩余使用壽命預(yù)測［J］.電源技術(shù)，2024（2）：289-298.

［3］楊立新，張孝遠(yuǎn).基于多健康特征融合的鋰離子電池剩余使用壽命預(yù)測［J］.武漢科技大學(xué)學(xué)報(bào)，2024（2）：137-143.

［4］張鵬.基于融合特征的鋰電池剩余壽命預(yù)測方法的研究［D］.南京：東南大學(xué)，2022.

［5］劉天舒.BP神經(jīng)網(wǎng)絡(luò)的改進(jìn)研究及應(yīng)用［D］.哈爾濱：東北農(nóng)業(yè)大學(xué)，2011.

［6］尹杰，劉博，孫國兵，等.基于遷移學(xué)習(xí)和降噪自編碼器-長短時(shí)間記憶的鋰離子電池剩余壽命預(yù)測［J］.電工技術(shù)學(xué)報(bào)，2024（1）：289-302.

（編輯 王雪芬）

Research on life prediction algorithm of Lithium-ion battery based on machine learning

YANG? Qiang， ZHANG? Qi， YANG? Yuming

（Xijing University， Xian 710123， China）

Abstract：? Aiming at the problem that Back Propagation （BP） neural network can easily fall into local optimal solution in predicting Lithium-ion battery life， this paper proposes a method combining improved genetic algorithm and BP neural network to predict Lithium-ion battery life. Firstly， the adaptive crossover probability method is selected as the crossover step to dynamically adjust the crossover probability of genetic algorithm， and then the parameters of BP neural network are optimized by IGA. Then the optimized parameters are brought into the BP neural network to effectively improve the global search capability. Finally， the simulation results show that the proposed method can effectively improve the accuracy of Lithium-ion battery life prediction.

Key words： Lithium-ion battery; life prediction; machine learning