加窗 LSTM 網絡的動力電池 SOC 預測優化算法

李泓沛 劉桂雄

摘要：動力電池荷電狀態（stateof charge， SOC）的實時預估對提高電動汽車電池利用率、優化電動汽車性能意義重大。該文提出一種可學習電池諸多干擾因素的加窗 LSTM 網絡動力電池 SOC 預測算法，首先構建加窗 LSTM 網絡的動力電池 SOC 預測算法，由動力電池電流、電壓、溫度結合歷史數據實時預測動力電池 SOC;其次，分析并提出加窗 LSTM 網絡優化超參數為 LSTM 網絡的窗口大小、cell 數量、全連接層激活函數，試驗證明，優化 LSTM 網絡能實時預測動力電池 SOC，在不同充放電、路譜工況下的動力電池 SOC 預測最大誤差均不超過2.20%。

關鍵詞：動力電池;荷電狀態;長短期記憶;超參數優化

中圖分類號： TH89文獻標志碼： A文章編號：1674–5124（2021）12–0087–05

SOC prediction optimization algorithm for power battery based on LSTM network with window function

LI Hongpei，LIU Guixiong

（School of Mechanical and Automotive Engineering， South ChinaUniversity of Technology， Guangzhou 510640， China）

Abstract： Real-time estimation of the state of sharge （SOC） of the power battery is of great significance for improving battery utilization and optimizing the performance of electric vehicles. Firstly， a long short term memory （LSTM） network with window function based SOC prediction algorithm is proposed， to predict the SOC of the power battery in real time by combining the power battery current， voltage and temperature with the historicaldata. Analysisof the LSTM network with windowfunctionindicates that the windowsize， number of cells， and full connection layer activation function mode are hyperparameters that are more relevant toinput/outputfor the LSTM network with windowfunction，and itsoptimizationalgorithmis proposed. Experiments showed that the optimized LSTM network with window function could predict the SOC of the power cell in real time， and the maximum error of the SOC prediction was less than 2.20% under different charging， discharging， and driving conditions.

Keywords： power lithium battery; state of charge; long short term memory; hyper-parameter optimization

0引言

動力電池荷電狀態（state of charge， SOC）是指動力電池剩余容量與最大可用容量之比[1]，它是關系到電動汽車電池利用率、優化電動汽車性能的重要參數，其難以直接測量，受充放電速率、電池狀態諸多因素影響，SOC 準確實時預估電池領域研究熱點。目前動力電池荷電狀態的實時估計方法，主要包括安時積分法[2]、開路電壓法[3]、等效電路模型[4-10]、深度學習模型[11-14]等。安時積分法易受到電流傳感器噪聲影響，積分計算產生累計誤差[2];開路電壓法需將電池較長時間靜置達到穩定，不利于實現實時測量[3];時域等效電路模型需用濾波方法[4]對電池內部參數建模、辨識，采用自適應卡爾曼濾波[5-7]、粒子濾波[8-9]與機器學習結合算法[10]實現 SOC 預測，但在電流變化較大動態工況下易產生發散[11]。深度學習模型應用非?；钴S，如麥克馬斯特大學 E. Chemali將長短時記憶（long short termmemory， LSTM）網絡[12]應用于 SOC 估計，以電流、電壓、環境溫度預測動力電池 SOC，對在階躍變化環境溫度下松下18650電池單體的預測精度最大測量誤差為2.6%[13];香港城市大學提出一種結合卷積神經網絡（convolutional neural network， CNN）與 LSTM 網絡的鋰離子電池 SOC 估算方法，在多組樣品測試中最大均方根誤差不超過2.0%[14];文獻[15]提出一種鋰離子電池 SOC 估算方法，將 LSTM 門控循環單元與 CNN 相結合，實現考慮電池健康狀態的 SOC 估算[15]。LSTM 網絡特點是可智能提取到電池諸多干擾因素，并根據輸入不斷更新，結合電壓、電流、溫度等輸入數據實現 SOC 預測，以上研究沒有討論 LSTM 網絡超參數對 SOC 預測精度影響。

本文研究加窗 LSTM 網絡的動力電池 SOC 預測優化算法，以電壓、電流、溫度作為輸入，分析并優化 LSTM 網絡中與輸入、輸出 SOC 較相關的超參數，進一步提高網絡的 SOC 預測準確性。

1加窗 LSTM 網絡的動力電池 SOC 預測優化算法

1.1加窗 LSTM 網絡的動力電池 SOC 預測算法圖1為加窗 LSTM 網絡的動力電池 SOC 預測

算法架構圖。與經典 LSTM 網絡不同，本文提出加窗 LSTM 網絡，在輸入層增加大小為λ矩形窗[16]，使輸出到循環網絡層除了第 k 次輸入向量xk，還有λ–1個歷史特征向量{xk?1、xk?2、···、xk?λ+1}。

加窗 LSTM 網絡的輸入為電壓、電流、溫度，輸出為動力電池 SOC。設第 k 次測量得動力電池的電壓Uk、電流Ik，、溫度 Tk，作為輸入向量xk，輸入至加窗 LSTM 網絡，加窗輸入層整合特征向量xk及λ–1個歷史特征向量 x，在循環網絡層中融合歷史 SOC 預測值，再通過全連接層，計算出動力電池 SOC 預測值 SOCk+1作為輸出。

加窗 LSTM 網絡的動力電池 SOC 預測模型主要包括加窗輸入層、循環網絡層、全連接層、輸出層構成。

在加窗輸入層，設第 k 次測得動力電池的電壓Uk、電流Ik，、溫度 Tk，輸入xk =[ Uk， Ik， Tk]T，具有大小為λ矩形窗的加窗輸入層輸出為：

{xk?λ+1 ， xk?λ+2 ， ··· ， xk}

循環網絡層由多個 cell 單元構成，用循環網絡層 cell 單元數ncell控制。圖2為 SOC 預測 LSTM網絡 cell 單元的結構示意圖，cell 單元使用門（gate）將輸入信息映射到[0，1]，通過控制輸入輸出幅度，實現記憶狀態的刪除與添加。主要由遺忘門、輸入門、輸出門構成，遺忘門控制上一輪記憶狀態與新輸入幅度，輸入門控制本輪記憶狀態的存儲幅度，輸出門控制本輪記憶狀態的輸出幅度。cell 單元是一個3輸入、2輸出結構，輸出為記憶狀態Ck、特征向量yk，輸入為xk、上一輪的記憶狀態Ck?1與特征向量yk?1。設遺忘門運算 f（xk ，yk?1）、輸入門運算 g（xk ，yk?1）、輸出門運算O（xk ，yk?1），則記憶狀態Ck、特征向量yk分別為：

遺忘門、輸入門、輸出門對輸入x 權值分別為Wfx、Wgx、Wox，對記憶狀態Ck權值分別為Wfc、Wgc、Woc，偏置分別為 bf、bg、bo。則分別為：

其中 sigmoid 函數fsigmoid（x）=1＼（1+ e?x）;雙曲正切函數ftanh（x）=（ex ? e?x）＼（ex + e?x）。

在全連接層，每一個節點都與循環網絡層所有輸出節點相連，以變換循環網絡層提取到特征，節點數目與ncell一致。

輸出層計算得到 SOC 預測值;設動力電池SOC 實際值SOCk_gt，LSTM 網絡輸出的 SOC 預測值SOCk（i），SOC 點數為Nsample，則其損失函數 LSOC 為：

加窗輸入層的窗口大小λ直接影響輸入選用歷史特征向量數量為λ–1個;循環網絡層 cell 單元數ncell決定循環網絡層記憶狀態Ck數量，以及 LSTM 網絡用于預測SOCk（i）的特征向量維度（1×ncell）;全連接層激活函數則決定 LSTM 網絡輸出特征向量的非線性模式，均是與輸入、輸出較相關超參數。這些超參數設置不當，將會對影響 LSTM 網絡的 SOC 預測準確性。

1.2加窗 LSTM 網絡優化方法

加窗 LSTM 網絡的動力電池 SOC 預測優化算法步驟包括：超參數配置設計、加窗 LSTM 網絡訓練、輸出使 SOC 預測損失最小的優化網絡。

超參數配置設計表1為加窗 LSTM 網絡優化超參數及取值，輸入層窗口大小λ、循環網絡層cell 單元數ncell、全連接層激活方式分別決定 LSTM 網絡輸入向量xk數量、記憶單元數量、非線性模式，均是較關鍵超參數。共能形成75種超參數配置。

加窗 LSTM 網絡訓練從表1中選擇超參數配置，構建出對應的動力電池 SOC 估算 LSTM 網絡。圖3為加窗 LSTM 網絡的動力電池 SOC 估算算法訓練流程，采用Nadam優化器[17]，在學習率lr=0.002、β1=0.9、β2=0.999、ε=10–8、進度衰減為0.004條件下，訓練500個 Epochs。記錄完成訓練時，網絡在測試集上的損失LSOC，輸出在測試集上的損失 LSOC最小的 LSTM 網絡。

2試驗驗證

本文采用某品牌純電動汽車動力電池模組進行試驗。圖4為試驗裝置示意圖。試驗電池充放電設備選用德國迪卡龍 EVT-IGBT，上位機搭載有 NVIDIA GeForce RTX 2080Ti GPU 加速 LSTM 網絡。表2為德國迪卡龍 EVT-IGBT 電池充放電設備參數表。

使用電池充放電設備的電源模塊恒流供電、負載模塊模擬功率消耗，溫濕度試驗箱控制環境溫度、濕度，在動力電池包上進行試驗。試驗過程中，可測得動力電池模組溫度 Tk，電池組的端電壓Uk、電流Ik、SOC 實際值SOCk_gt由電池充放電設備采集，經 CAN 總線傳輸至上位機中記錄，采樣頻率為2.5 Hz，并進行最近鄰插值降采樣到1Hz。

在75組超參數配置中，均按照圖3流程訓練500Epochs，使測試 LSOC 最小的超參數配置為：輸入層窗口大小λ=60、循環網絡層 cell 單元數ncell=500、全連接層激活方式為 linear。其對應網絡結構即為本文方法優化設計得到的優化 LSTM 網絡，圖5為優化 LSTM 網絡 LSOC-迭代次數曲線。

使用本文優化加窗 LSTM 網絡預測恒定電流充放電、靜置以及路譜工況循環下動力電池 SOC，表3為優化前后 LSTM 結構的指標比較表，表中指標為均方根誤差（root mean square error， RMSE）、均方誤差（mean square error， MSE）、平均絕對誤差（mean absolute error， MAE）。

圖6為優化 LSTM 網絡的動力電池 SOC 預測值，圖7為優化前后 LSTM 網絡預測動力電池 SOC 誤差曲線?？梢钥闯觯簝灮?LSTM 網絡對在動力電池恒電流充放電工況下 SOC 預測誤差不超過0.31%，路譜工況下 SOC 預測誤差不超過2.20%;優化設計后，LSTM 網絡 SOC 預測最大誤差由4.13%降低為2.20%。

3結束語

本文提出一種基于加窗 LSTM 網絡的動力電池 SOC 預測優化算法，主要工作包括：

1）構建加窗 LSTM 網絡的動力電池 SOC 預測算法，提出加窗輸入層結構，使其能輸出λ–1個歷史特征向量{xk?1 ， xk?1 ， ··· ， xk?λ+1}，用于預測動力電池 SOC。

2）圍繞輸入層窗口大小、循環網絡層 cell 數量、全連接層激活方式等輸入/輸出較相關超參數，設計了75種超參數配置，優化出使測試集上 SOC 預測準確率最高的加窗 LSTM 網絡，實現動力電池 SOC 預測優化。

3）構建平臺進行充放電、路譜工況下的動力電池 SOC 預測試驗，結果證明優化加窗 LSTM 網絡能實時預測動力電池 SOC，使最大誤差由4.13%降低為2.20%。

加窗 LSTM 網絡的動力電池 SOC 預測算法較好地滿足動力電池動態工況下測試實時性、精度需求，下一步將研究其與測試系統的集成協同關鍵技術。

參考文獻

[1]尤森檳， 程志江， 柴萬騰， 等.動力電池狀態估計及均衡電路的研究[J].電池， 2020， 50（3）：271-275.

[2]羅勇， 祁朋偉， 黃歡， 等.基于容量修正的安時積分 SOC 估算方法研究[J].汽車工程， 2020， 42（5）：681-687.

[3]申彩英， 左凱.基于開路電壓法的磷酸鐵鋰電池 SOC 估算研究[J].電源技術， 2019， 43（11）：1789-1791.

[4]陳雷， 張曉明， 檀杰， 邱江濤.基于卡爾曼濾波的旋轉彈藥彈體磁場校正方法[J].中國測試， 2019， 45（2）：48-53.

[5]謝永東， 何志剛， 陳棟， 等.自適應無跡卡爾曼濾波動力電池的 SOC 估計[J].北京交通大學學報， 2018， 42（2）：129-137.

[6]張周燦， 謝長君， 曹夏令， 等.基于改進自適應無跡卡爾曼濾波的鋰電池 SOC 估計[J].汽車技術， 2018（3）：10-15.

[7]范家鈺， 夏菁， 陳南， 等.基于修正協方差擴展卡爾曼濾波法的電動汽車鋰電池 SOC 在線估計（英文）[J]. Journal of Southeast University（English Edition）， 2020， 36（2）：128-137.

[8]何耀， 秦少勛， 劉新天， 等.基于分數階無跡粒子濾波的動力電池 SOC 估計[J].汽車技術， 2018（5）：6-11.

[9]孫葉寧， 魏艷君， 趙勇， 等.基于改進粒子濾波的 LiFePO_4電池二元 SOC 估算[J].燕山大學學報， 2019， 43（6）：511-517+524.

[10]李正國， 孟凡琨. SVM 和 Kalman 濾波大功率動力電池SOC 預估方法的研究[J].中國測試， 2013， 39（5）：92-95.

[11]沈佳妮， 賀益君， 馬紫峰.基于模型的鋰離子電池 SOC 及SOH 估計方法研究進展[J].化工學報， 2018， 69（1）：309-316.

[12] HOCHREITERS，SCHMIDHUBERJ. Longshort-termmemory[J]. Neural Computation， 1997，-.9（8）：17351780

[13] CHEMALI E， KOLLMEYER P J， PREINDL M， et al. Longshort-termmemorynetworksforaccuratestate-of-charge estimationofLi-ionbatteries[J]. IEEETransactionson Industrial Electronics， 2018， 65（8）：6730-6739.

[14] YANG F，SONG X， WANG D， et al. Combined CNN- LSTM network for state-of-charge estimation of lithium-ionbatte..ries[J]IEEEAccess，2019，PP（99）

[15]李超然， 肖飛， 樊亞翔， 等基于深度學習的鋰離子電池 SOC 和 SOH 聯合估算[J/OL].中國電機工程學報：1-13[2020-06-29]. http：//kns.cnki.net/kcms/detail/11.2107.TM.20200410.1144.037.html.

[16]陳硯圃， 張介秋.周期信號均值型參數的矩形卷積窗加權測量[J].探測與控制學報， 2020， 42（3）：51-56.

[17]劉桂雄， 黃堅， 劉思洋， 等.面向語義分割機器視覺的AutoML方法[J].激光雜志， 2019， 40（6）：1-9.

[18]明彤彤， 王凱， 田冬冬， 等.基于 LSTM 神經網絡的鋰離子電池荷電狀態估算[J].廣東電力， 2020， 33（3）：26-33.

（編輯：徐柳）