基于RNN的鋰電池健康預測

吳章玉，朱成杰，王鳴雁

(安徽理工大學 電氣與信息工程學院，安徽 淮南 232000)

1 引言

伴隨全球氣候變暖，污染加重的情況，節能減排越來越被社會所重視，電動汽車在這方面優勢較大，近年來也逐漸走進大眾的視野[1]。電動汽車在使用過程中的性能，將直接受到鋰電池健康狀態變化的影響。因此，對鋰電池健康狀態進行準確的預測是十分重要的[2]。目前，為得到鋰電池的SOH，人們提出了很多SOH預測方法，可以總結為如下3種[3]。

(1)通過直接測量的方法進行預測：該方法通過進行實驗的辦法直接測量關于鋰電池自身老化程度的量化指標，這一方法雖然簡單，但是對于實驗的環境要求較高。

(2)通過建立模型的方法進行預測：此方法則主要是根據電路或電化學機理先驗知識建立等效電路模型或者電化學模型。這類方法往往是基于其他參數結合觀測器或者濾波器等估計電池的 SOH，預測結果是否準確，和電池模型精度有很大關系，因為工作狀態和型號的不同，需不斷修正電池模型，擴展實現的難度較高。

(3)通過數據驅動的方法進行預測：使用數據驅動的方法，并不需要考慮模型的精確度，可通過外部參數來預測鋰電池的健康狀態，將內部看成是一個黑匣子。鋰電池在多次充放電后將逐步變差，其阻值將一直變大，同時容量也會不斷衰減，性能將出現惡化。本文運用循環神經網絡，用鋰電池的容量對鋰電池健康進預測。

2 電池健康估計

鋰電池容量常常被用來作為鋰電池SOH估算指標[4]。Cnow和C0分別為鋰電池當前可用容量和標稱容量，通過兩種容量的比值可求出鋰電池SOH。選用NASA提供的老化數據，為 18650鋰電池，編號為B0005的電池數據，標稱容量為2Ah，通過容量進行計算，選用訓練集為70%，測試集為30%，鋰電池壽命在其額定容量下降了30%時終止[5]。

3 循環神經網絡(RNN)

循環神經網絡的發展和運行，涉及到機器學習的原理,發展初始的優點[6]：可以在模型內部進行信息的相互傳遞與運用，能讓其不斷發展成為不同的樣本，而且還能將其泛化。若將單個的參數放在所有的時間點位置上，不能泛化沒見過的序列長度，也不能將統計的結果相互之間傳遞。因此，有用的信號出現在不同的地方，這種信息的相互傳遞是有效的。循環神經網絡擁有一個重要的部分即記憶單元，這是與平常全連接神經網絡的區別。該網絡可用于序列模式時的場景，將先后輸入聯系起來，其循環的隱藏層由此刻的輸入以及上一時刻的值共同決定。主要體現是，循環神經網絡會記錄當前傳進來的信號，將其進行處理計算作為當前的傳出信息，由此，隱藏層之內的各個節點彼此都有聯系[7]。循環神經網絡是經過前面的許多傳入信號同時決定隨后的傳出信號，在特殊時刻，傳出信號會被之后的傳入信號改變，這樣的傳出信號會更加精準(圖1)[8]。

圖1 RNN原理

隱藏層向外傳遞的信號是：

ht=f(Uht-1+Wxt+bh)

(1)

f()是循環神經網絡的激活函數，U是由輸入層到隱藏層的權重，W為記憶單元到隱藏層之間的權重，b為偏置項。在得到隱藏層的輸出后，神經網絡的傳出為：

yt=g(Vht+by)

(2)

g()為輸出層的激活函數，參數V是隱藏層到輸出層的參數矩陣。

RNN具有的有點是可以對有順序的數據進行運算，這滿足了有這一要求的條件。在普通的神經網絡中，倘若將信號的傳入傳出隔離開來，這樣的運行方法獲取的模型不會很理想，關于一些需求的處理就并不適合。比如要對一個句子隨后的詞進行預測，就需要對其前一詞組是什么有所了解，不然就不能順利且準確地進行預測[9]。RNN可以將其對應的所有元素進行相同的操作，因此被叫為遞歸，其傳出信號受之前的結果控制[10]。循環神經網絡的訓練方式十分的簡單，通過運用反向傳遞的方式來求出梯度，進而對參數進行更新。循環神經網絡也會有一定的缺陷，并且會長時間留存，也就是在運行時有梯度消失或者梯度爆炸的問題，這兩種在訓練過程中出現的問題是因在運行過程中求解和反向傳遞時，在任何時候均會進行增或者減的運行，在度過一定時長，會出現兩種情況：一種是收斂到零，另一種是變為無窮大，隨后運行過程不會再出現新參數，可以理解為在后面的運行將不會對參數引起變化。更生動的描述就是，隨著時間軸上每一個的間距變長的時候，當下的隱藏層就會丟掉與遠處之間的信息聯系[11]。

4 仿真實驗與分析

實驗是通過Python仿真實現，將鋰離子電池的容量作為輸入，用循環神經網絡，從第119組數據開始預測鋰電池的健康，見圖2。

圖2 RNN預測結果

預測誤差結果見圖3。

圖3 誤差

實驗預測數據是從第119組數據開始預估的，經過計算求解得出，預測結果的極限誤差不會大于0.02，在輸入波形的波峰處預測誤差較大，再由預測結果圖可看出，實驗預測結果，與真實值較貼近，能夠較好地預測出鋰電池的健康狀況。

5 結語

通過運用循環神經網絡對鋰電池進行預測，由預測的實驗結果可以知道，本次實驗針對鋰電池健康預測較為準確，但預測的誤差還可以減小，由于并未對溫度等環境因素進行考慮，本次研究只是對一種型號的鋰電池進行的預測，并不具有普遍性，還可以考慮對不同容量，不同使用情況和不同剩余壽命的鋰電池分別進行預測實驗，RNN的訓練過程會出現梯度爆炸和梯度消失的問題，這將會引起在梯度的傳輸性能下降。這些都將成為下一步的研究重心，對于鋰電池的研究，也將有助于電動汽車在綠色環保方面的發展。