基于改进型LSTM-RNN 的锂离子电池SOH 估计系统

吴起行

（浙江机电职业技术学院自动化学院，浙江杭州，310053）

近年来，动力电池技术已是制约新能源汽车技术发展的关键因素之一。在锂电池实际应用中，存在老化效应，其容量会逐渐衰减。电池在t 时刻的健康度SOHt，是指此时电池实际容量Qcap_t与额定容量Qcap_rated的比值[1]，由式（1）表示，是表述动力电池老化程度的重要指标：

锂离子电池的SOH 值变化，受所处的环境温度，放电深度，充放电方式等诸多因素影响，而准确估计SOH 有助于避免电池突然故障带来的不便或致命事故。目前，国内外许多学者提出了各种锂电池的SOH 估计方法。上海交通大学的华寅等人以锂电池的Thevenin 等效电路模型为基础，采用双非线性估计滤波法来精确地跟踪和估计锂电池内阻和SOH[2]。Mario Cacciato 等人提出一种基于PI 控制器的实时SOC 和SOH 估计模型，大大压缩了计算量[3]。Ho-Ta Lin 等人提出一种概率神经网络来估计锂钴电池的SOH值，可通过扩大训练数据集来降低SOH 平均估计误差[4]。然而，前2 种方法进行SOH 估计的基础都是电池模型，当电池的电化学特性发生变化时，估计误差随之扩大。概率神经网络法的样本数据的种类多、测试过程繁琐，因此实用性有限。针对以上方法的缺陷，本文提出一种基于改进型LSTM-RNN 的锂电池SOH 估计算法，通过采集某放电深度下电池的端电压、放电电流及电池温度直接对磷酸铁锂电池的SOH 值进行估计，估计结果不依赖电池模型，训练简单，并保证较高的准确度。

1 锂电池SOH 估计方法

■1.1 改进型LSTM-RNN 网络模型

LSTM-RNN 网络是循环神经网络（RNN）的一种改进模型。自2014 年以来，RNN 网络在机器学习领域取得了显著的成就[5]。但当有效信息间隔时间较远时，RNN 网络反向传播过程将产生梯度消失或爆炸现象。经典LSTM-RNN网络正是为解决该问题而提出的[6]。

经典LSTM-RNN 网络将RNN 网络隐层节点内部结构改造为由三个乘法门和一个记忆核 组成的神经元，这3 个乘法门分别为：输入门、遗忘门和输出门 。百度研究院在2015 与2017 年先后发布的第2 代与第3 代Deep Speech系统中，都用到了LSTM-RNN 网络结构[7,8]。但是，经典LSTM-RNN 网络需要训练的网络参数很多，计算资源需求也较大。

现对经典LSTM-RNN 网络模型进行改进，取消输入门，将新信息输入量由1-来调节，并为遗忘门 和输出门 增加窥视孔，在保证网络参数数目不变的情况下，提升估计准确度。经典型与改进后的LSTM-RNN 网络隐层节点内部结构分别如图1(a)和(b)所示，图1(b)中各部分的变换关系符合式（2）：

图1

其中ut为输入层的输出量，ht为隐层的输出量，输出层的输出量yt与ht间是线性变换的关系，W 为权重参数矩阵，例如，Wui为输入层到t 时刻隐层节点输入门的权重矩阵，Whf为t-1 时刻隐层输出到t 时刻隐层节点遗忘门的权重矩阵，而Wout为全连接输出层的权重矩阵，而b 为网络中的各项偏置量。

■1.2 基于改进型LSTM-RNN 的锂电池SOH 估计系统

目前，关于锂电池SOC 值估计的众多研究[9-10]已表明，锂电池当前剩余电量Qrmn_t可通过测量电池的端电压Vt、充放电电流It与电池温度Tt等因素来进行估计。现设电池当前实际放电量与额定容量之比为标准放电深度DODt，由式（3）表示，其中Idisc为恒定放电电流，tdisc为放电时间，tend_t为当前放电回合的放电终止时间，SOHt为电池当前健康度：

则电池当前健康度可由式（4）表示：

因此，SOH 的衰变过程，可被视为与在某标准放电深度下电池端电压Vt、放电电流It与电池温度Tt这3 个主要因素相关的一个长期时间序列。现对电池做寿命循环测试，每隔2 次寿命循环测试，做1 次容量测试，测量锂电池在25%标准放电深度下的Vt、It与Tt数据作为LSTM-RNN 网络的输入量ut=[Vt,It,Tt]，以及锂电池当前健康度作为输出量yt=SOHt，网络隐层节点总数n=100。

系统估计功能为：首先在25℃恒温下，用10 只电池完成训练数据采集和网络训练，并另取1 只电池来验证25℃恒温下，网络对电池SOH 值的估计效果。

算法框架如图2 所示，编程基于Python3.5-tensorflow平台。

图2 基于改进型LSTM-RNN 的锂电池SOH 估计算法框架

■1.3 网络训练

1.3.1 训练数据集的组成与分割

设单只电池测得的训练数据集Strain_25℃={Sk,k=1,2,…p}，其中数据子集Sk={ski,i=1,2,…nk}为第k 次容量测试得到的所有电池数据，数据ski=[uki,SOHk]。1 个训练周期由1 次前向传播和1 次反向传播组成，每个数据子集执行1 次训练周期，每个周期结束后更新各权重参数矩阵和偏置量。

1.3.2 Adam 优化算法

Adam 优化算法由Diederik Kingma 等人在2015 年提出[11]，计算高效，适用于含大规模数据和参数优化问题。

以θ 表示网络参数，以k 表示周期序号，则参数更新依据式（5）进行，直至参数收敛到极值：

其中，L 为SOH 估计值与测量值间的差距，SOHt＊为当前健康度估计值，N 为时间序列总长度，m 为梯度的一阶矩估计，v 为梯度的二阶矩估计，m 与v 为其修正值，衰减系数β1设为0.9，β2设为0.999，训练步长α 设为10-4，常数项ε 设为10-8。各权重参数矩阵和偏置量的初始值由一种期望值为0，标准差为0.05的正态分布随机数发生器给定，隐层初始输出量h0由健康度初始值SOH0=100%反向推算得到。

2 实验测试

实验测试使用A123 公司的磷酸铁锂电池APR18650M1A。电池温度通过贴在电池表面的K 型热电偶来测量。样机组成如图3 所示。

图3 系统样机组成示意图

■2.1 电池训练数据测量及验证测试

恒温25℃电池训练数据测量时，在每次容量测试的0.5C 恒流放电过程中，每隔0.05h，也即DODt从0%开始每增加2.5%，就对各只电池数据做1 次测量，并记录放电终止时间tend_t。

做验证测试的步骤基本不变，但在每次容量测试中，除记录放电终止时间外，只测量1 个随机放电时间点处的电池数据，考虑电池放电末期数据不稳定，该时间点限制在恒流放电开始后0～1.3h 内。寿命循环测试执行至电池当前容量衰减为80%额定容量为止。

■2.2 估计结果分析

恒温25℃电池验证测试的SOH 测量值与估计值曲线如图4 所示。

图4 恒温25℃电池验证测试的SOH 测量值与估计值曲线

从图4 中，我们可以看出，恒温25℃电池验证测试的SOH 估计值曲线与测量值曲线的变化趋势基本相同，且两者之间的误差基本维持在±2%以内。这证明了该算法在减少所需训练的网络参数，仍能保证很高的准确性。

3 结论

本文设计制作了一种基于改进型LSTM-RNN 的锂电池SOH 估计系统，在简化LSTM-RNN 网络的训练过程的同时，不依赖电池模型参数，就实现对锂电池SOH 值的准确预测。磷酸铁锂电池循环寿命测试的实验结果表明，该估计系统在恒温25℃环境下能够准确地预测磷酸铁锂电池的SOH 值。