基于LSTM和注意力机制的锂电池荷电状况预测*

张 菁 吴尚青

(1池州职业技术学院 安徽池州 247100；2 江西省机场集团公司九江机场分公司 江西九江 332000)

锂离子电池的优势有自放电率低、一定空间下存储能量高、使用时间长、循环次数多，是电子产品、电动汽车乃至航天产品中必不可少的一部分。然而，电池的性能会依据电池充电和放电数量的递增而逐渐恶化[1-2]。电池性能的降低会严重影响各类产品的使用寿命、有时会造成一定的经济损失、严重时甚至会发生灾难。而荷电状况是评价电池性能的关键指标，所以，特别须要对电池荷电状况进行监控，并对其可靠性进行评估，以获得准确的电池容量估算[3-4]。为了跟踪电池的劣化情况，选择逐渐减小的容量作为劣化性能的指标。

常用的电池荷电状况监控与预测方法主要分为数学模型算法和数据驱动算法[5]。基于数学模型的算法主要是依据基础的数学模型去捕捉电池衰减信息，如Liu等人通过引入粒子滤波(particle filter，PF)算法去估算电池健康状况[6]。Sun等人使用无损卡尔曼滤波(unscented kalman filter，UKF)预测电池荷电状况[7]。Hu等人应用粒子滤波与核平滑来分析可能的电池剩余使用的时长[8]。Su等人提出的一种基于交互多模型的粒子滤波(interacting multiple model particle filter，IMMPF)方法能够融合各种容量的锂离子电池[9]。Hussein 等人将人工神经网络方法应用于电动汽车的荷电状况评估之中[10]。数学模型方法能较好的对电池容量衰减状况进行预测，但这类方法较为复杂，且对电池的类型依赖度较高。

有时数学模型方法由于缺乏对电池衰减状况的理解，可能无法为复杂系统建立数学模型。相比之下，当有足够的历史数据时，可以使用数据驱动方法来解决此类问题。数据驱动方法是从性能数据中提取特征，例如依据电流、电压、容量和阻抗特征来预测电池的健康状况[11-14]。此类方法不仅高度依赖于原本数据的数量，而且还依赖于原本数据的质量。近几年随着机器学习技术的发展，越来越多学者开始将神经网络方法(convolutional neural network，CNN)应用在电池荷电状况评估中。由于循环神经网络可以表示电池老化的内部信息，Liu等人提出一种自适应的循环神经网络用于预测锂离子电池的剩余使用寿命[15]。但循环神经网络经过多层传播后梯度会存在消失的问题，为此Yoon等人提出基于长短记忆的循环神经网络，该方法能够长时间有效的存储和更新关键信息。文章则在LSTM算法的基础上引入注意力(Attention)方法，能够专注于电池数据中的关键信息。实验表面，文章方法对锂电池荷电状况预测结果比无损卡尔曼滤波和LSTM预测效果更佳。

1基础理论

1.1锂电池荷电状况

电池的荷电状况直接反映了电池的好坏程度和可持续供电能力。对荷电状况进行监控，能有效的提高电动产品的使用体验。高精度的荷电状况估算不仅提供了电池剩余有效能量的信息，还能对电池的可靠性进行估计。设计锂电池荷电状况时，需要考虑电池完全充电状况下的初始容量Q0和电池使用之后或者长时间未使用后的剩下的容量QT，其中SOC为电池的荷电状况，如式(1)所示。

(1)

在实际应用中SOC预测算法种类多样且有着较大的区别，但整体预测系统都离不开图1的结构。电池单元通常是串联或并联，并且包含至少两个输入端。系统首先通过模数转换器(analog to digital converter，ADC)把感测电阻中的电压、温度和电流数据变成数字信息，然后通过微控制器或者微处理器来评估整体的荷电状况。荷电状况预测系统里还需要两个存储单元，一个是只读的存储器(read only memory，ROM)，另一个是随机存取的存储器(random access memory，RAM)。基本数据存储在ROM中，如放电量与充放电效率等。历史数据存储在RAM中，例如充电或者放电循环次数，各个参数对荷电状况的预测准确性都有影响。如果荷电状况预测是基于电流积分法的，则还需要对荷电状况进行校准，因为电流测量的不确定性会导致误差随时间逐渐累积[16]。

图1 SOC预测系统

1.2 CNN特征提取

CNN就是学者们受猫视觉神经元启发下提出的特定连接方法，主要负责识别物体的拓扑结构。CNN中的卷积层能有效的捕捉目标对象的特征信息，在卷积层后加入池化层还可以减少整体计算量。与传统的全连接多层感知器网络相比，CNN神经元的连接稀疏且权值固定，能够以很高的计算效率处理较大的输入。

常用的一维CNN如图2所示，它是由一维卷积层和一维最大池化层组成，然后使用一维上采样层和两层一维卷积层。通过卷积层提取数据集主要特征，为防止过拟合加入池化层，降低特征维度同时又可以保留特征信息。池化层减少了数据维度，使用上采样层放大特征维度。

图2 一维卷积网络

1.3 LSTM网络

(2)

ft=σ(Wf·X+bf)

(3)

it=σ(Wi·X+bi)

(4)

ot=σ(Wo·X+bo)

(5)

ct=ft⊙ct-1+it⊙tanh(Wc·X+bc)

(6)

ht=ot⊙tanh(ct)

(7)

其中it,ft,ot分别为输入门、遗忘门和输出门。Wi,Wf,Wo∈Rd×2d为权重矩阵；bi,bf,bo∈Rd是训练过程中需要学习的偏置，依次为输入门、忘记门和输出门的变换参数。σ为Softmax函数，tanh为双曲正切函数，⊙表示元素相乘。xt为LSTM单元输入，隐藏层的向量为ht。LSTM能够将遗忘的历史信息与当前信息关联起来，充分利用数据之间的关联性[17]。

2基于注意力LSTM的荷电状况预测

影响锂电池荷电状况的因素主要有电压I、温度T和电流V，文章将这三类因素作为模型的输入数据。使用CNN网络能够有效的提取数据的特征信息，但是却无法解决数据之间的关联性问题。因此，文章使用CNN提取特征信息然后引入LSTM算法来保留历史数据信息。但使用LSTM来保留训练过程中的历史信息时也会增加模型的复杂度，此时可以使用Attention机制对数据进行加权平均，该机制可以动态生成不同连接权重，能够有效的处理变长信息序列。最后使用Softmax函数输出预测的荷电状况，整体框架如图3所示。

图3 文章算法

图3中的H∈Rd×N是由LSTM算法内的隐藏层向量[h1,…,hN]组成的矩阵，其中d是隐藏层的大小，N是给定数据的长度。注意力的权重向量 α 与隐藏层的加权值为r，整个Attention方法可以用公式(8)来表示。

(8)

α=softmax(wTM)α∈RN

(9)

r=HαTr∈Rd

(10)

式(8)中的M为中间注意力表示，Wh∈Rd×d，Wk∈Rd×d为对应的映射参数；ka表示嵌入参数，eN为一维向量；⊗为外积操作。式(9)中α为权重向量，式(10)中r为隐藏层与Attention权重的加权表示。将上述公式进行整合得到式(11)结果。

h*=tanh(Wpr+WxhN)

(11)

其中Wp，Wx均为模型训练过程中的投影参数，h*就是输入数据的特征表示。使用Attention机制能够从很多的数据中捕获最关键的特征数据。

3实验结果与分析

3.1数据处理

文章使用由美国宇航局(NASA)提供的电池充放电数据集[18]。在室温下，通过充电、放电或阻抗这3种不同的运行模式对四种类型锂离子电池进行实验，电池编号分别为5、6、7和18。这些电池主要在三种温度下进行实验分别是24℃、4℃和43℃，主要考虑到低于常温24度和高于常温对电池荷电状态的影响。首先将同种类型电池在1.5A的恒流模式下进行充电，直到电池电压达到4.2V，然后继续在恒定电压模式下充电，直到充电电流降至20mA。还可以在恒电流为2A的水平下进行放电，直到编号为5、6、7和18的电池电压分别降至2.7V、2.5V、2.2V和2.5V。阻抗测量则是通过电化学阻抗谱频率从0.1Hz到5kHz开始扫描。重复的充放电循环导致电池加速老化，而阻抗测量则提供对电池内部参数的洞察，这些参数随电池老化而发生变化。当电池达到极限时，实验停止即额定容量下降30%。由于对电池荷电状态影响较大的主要有电压、温度和电流，文章将不考虑阻抗模式下的实验室数据。对数据进行整理后总共有815组数据，其中部分数据如表1所示。

表1 NASA数据集样例

获取的数据首先进行归一化处理，主要将数据控制在同一范围内避免部分较大的数据对结果的影响，归一化公式如12所示。

(12)

X为原始数据，min是某一维度数据的最小值，max是数据中的最大值，y是处理后的数据。

3.2预测结果对比

为验证文章算法预测结果好坏，选取具有代表性的UKF算法以及LSTM算法同文章算法进行对比。不同算法均在同一实验环境下，CPU为Intel Core i7-6700，频率3.4 GHz，编程环境python 3.7.0，操作系统Windows7 64位，8GB内存。文章算法将815组数据分为570组的训练集和245的测试集，使用训练样本训练模型，将模型输出的预测结果与真实的荷电状况作对比。为了更直观的对比三种算法预测结果，将电池不同放电周期T下的荷电状况进行对比，如图4-6所示。

图4 UKF算法下不同放电周期SOC值变化

从图4可以看出，在放电周期为0～20时，UKF算法预测结果与实际的SOC数据偏差较大，慢慢的预测结果开始接近真实的SOC数据，但是仍然会有部分数据与真实结果偏差较大的情况。从图5可以看出，LSTM也是开始的时候与真实数据偏离极大，但后期慢慢稳定并逐渐接近真实数据。从图6可以看出，文章算法整体上和原始数据都较为靠近，预测效果更佳。

图5 LSTM算法下不同放电周期SOC值变化

图6 文章算法下不同放电周期SOC值变化

4结论

锂电池的荷电状况可以反映电池的供电能力，对荷电状况准确的预测能够有效预防突发状况。文章在LSTM算法的基础上进行改进，依据荷电状况基本原理，将美国航天局电池数据集中的电流、电压和温度作为算法的输入。添加一维卷积神经网络算法能有效提取数据集的特征，同时为了降低LSTM算法计算复杂度，使用注意力机制提取数据的关键信息。通过与UKF算法、LSTM算法对比，文章算法在预测电池荷电状况性能上表现更佳且更加稳定。但文章并未研究其他电池数据集对算法的影响，选择不同类型的数据集继续研究将是下一步的工作。