基于卷積-雙向長短期記憶網絡的電池SOC預測

陳繼斌，李雯雯，孫彥璽，許 靜，張 單

(鄭州輕工業大學建筑環境工程學院，河南鄭州 451002)

鋰離子電池由于高能量密度、高功率密度等優點，已逐漸成為主要電源之一。然而電池在反復充放電時會退化，需要電池管理系統監控電池健康狀態，防止電池過充電和過放電，以確保電池在安全范圍內運行。荷電狀態(State of Charge，SOC)是電池管理系統中的關鍵狀態之一，它反映了在一個充放電循環中電池的剩余電量。目前不能直接測量蓄電池的SOC，只能根據電流、電壓、內阻和其他可測量的變量來估計。SOC估計的方法有安時積分法、開路電壓法、卡爾曼濾波法和神經網絡法等。

安時積分法十分依賴電流傳感器的精度，誤差會隨著時間而不斷增大[1]。開路電壓法需要將電池靜置很長一段時間，所以無法適用于使用中的電池[2]。卡爾曼濾波法需要提前建立復雜的數學模型[3]。神經網絡法無需對電池內部結構進行分析，只需建立好深度學習模型，使用大量數據對其訓練即可獲得較為準確的SOC預測結果，目前應用頗為廣泛。

近年來，深度學習在預測和識別方面取得了不少成果，對于提升預測和識別的精度有著良好表現。深度學習方法也越來越多的應用到了SOC的預測中，如卷積神經網絡(Convolutional Neural Network，CNN)[4]、長短期記憶神經網絡(Long Short-Term Memory，LSTM)[5]和雙向長短期記憶神經網絡(Bi-directional Long Short-Term Memory，BiLSTM)[6]。面對復雜的預測問題，單一網絡結構的深度學習方法往往難以平衡訓練時間和精度。由于神經元節點具有獨特的循環結構，多層LSTM 網絡存在訓練時間過長的問題。同時，提取深層抽象特征的能力也略弱于卷積神經網絡。本文提出了一種基于卷積神經網絡與雙向長短期記憶神經網絡(CNNBiLSTM)的SOC預測方法，結合了兩種網絡的優勢，對比實驗顯示，新方法的預測網絡精度有明顯提高。

1 模型設計

1.1 卷積神經網絡

CNN 是一種前饋神經網絡，其模型結構主要包括輸入層、卷積層、池化層、全連接層和輸出層[7]，具體結構如圖1 所示。給定一個數據集D，它包含一個樣本和一個SOC標簽每 個 樣 本 由n個 用表示的特征組成。

圖1 卷積神經網絡結構

CNN 的輸入是樣本xi,xi∈Rn×d，其中n是特征數，d是向量維數。卷積運算主要完成特征提取。輸入濾波器特征由一組濾波器提取：

式中：ω 是卷積核；g是卷積核的大小；xi:i+g-1是一個由i到i+g-1個特征組成的向量；b是一個偏置項。卷積層之后，特征矩陣為J，J=｛c1,c2,…,cn-g+1｝。

對于池化層，對卷積層后得到的局部特征矩陣C進行下采樣，得到局部值的最優解。這里使用MaxPooling 功能，如公式(2)所示：

因為BiLSTM 輸入必須是一個序列化的結構，池化會中斷序列結構J，所以需要添加一個完全連接的層，將池化層之后的Mi個向量連接到一個向量Q中。采用新的連續高階窗口Q作為BiLSTM 的輸入。

1.2 雙向長短期記憶神經網絡

LSTM 是循環神經網絡(Recurrent Neural Network，RNN)的一個變體，它有一個記憶單元，記憶單元包括遺忘、記憶和輸出。遺忘門ft、記憶門it和輸出門ot是根據控制最后時刻的隱藏狀態ht-1和當前輸入xt來計算的，能夠保留重要信息，遺忘不重要信息，消除遞歸神經網絡的梯度爆炸或梯度消失問題。其結構如圖2 所示，計算公式如下：

圖2 LSTM模型的網絡結構

式中：Wf、Uf、Wi、Ui、Wc、Uc、Wo、Uo是權重矩陣；bf、bi、bc、bo是偏差向量；Ct和Ct-1是當前和最后一個記憶狀態；tanh 和logistic都是激活函數。

BiLSTM 是前向LSTM 和后向LSTM 的組合。如果在時間t時正向LSTM 輸出的隱藏狀態記錄為a，反向LSTM 輸出的隱藏狀態為b，則BiLSTM 輸出的隱藏狀態為：

1.3 CNN-BiLSTM 網絡

本文在研究現有神經網絡模型的基礎上，提出了一種基于CNN-BiLSTM 網絡的鋰電池SOC預測方法。其總體思路是首先將歸一化后的數據作為CNN 網絡的輸入，通過卷積網絡進行特征提取，然后引入BiLSTM 網絡進行特征的長期依賴性學習，再加入一個全連接層來預測SOC，通過設置dropout 參數來防止過度擬合。模型結構如圖3 所示。

圖3 CNN-BiLSTM網絡模型結構

2 實驗設置

2.1 數據預處理

為了驗證模型的有效性，本文采用的實驗數據集是來自馬里蘭大學CALCE 電池研究小組K2 鋰電池測試數據[8]，在2.6 A 下對蓄電池進行恒流充電，充電至電壓為4.2 V，再恒壓放電至電流＜0.08 A，休息2 min 并測量電阻，再休息1 min，以此得到電池的各項參數。數據集共有16 241 個采樣文件，包括訓練集和測試集兩部分。訓練集包含14 000 個樣本，測試集包含2 741 個樣本，選取電池的電壓、電流和內阻作為特征，每個樣本對應于該時間點電池的電壓、電流、內阻和SOC值。具體參數如圖4、圖5 所示。

圖4 部分數據電壓和電流

圖5 部分數據內阻和SOC值

首先對樣本數字字段進行數據標準化。數據標準化過程將消除指標之間的維度影響，解決數據指標之間的不可比較性，使指標保持在同一數量級，適合于綜合比較評價。將數據全部標準化到[0,1]的范圍內，經過特征縮放后，梯度下降過程更加簡單，收斂速度更快。數據標準化公式如下：

式中：xi是樣本在i時刻的監測數據，min(xi)和max(xi)分別是樣本所有時刻數據的最小值和最大值；Z是歸一化后的值。

2.2 實驗過程

基于CNN-BiLSTM 的鋰電池SOC預測過程如圖6 所示。在訓練階段，對原始的數據集數據進行預處理，然后將預處理后的訓練集樣本放入模型中進行訓練。CNN 用于提取預處理后訓練樣本的局部特征，BiLSTM 用于理解特征樣本對正向和反向的長期依賴性，以便進行深度學習。最后，利用測試集對訓練好的模型進行測試，得出預測誤差和結果。

圖6 鋰電池SOC預測框架圖

接下來設定實驗的評價指標來反映模型的性能，并對模型的結果進行評價。評價模型性能的指標有多種，本文使用的評估指標是均方根誤差(RMSE)和平均絕對誤差(MAE)。RMSE和MAE用于測量估計值和實際值之間的誤差，RMSE和MAE的值越小，偏差越小。RMSE和MAE公式如下：

式中：yi是真實SOC值；是預測SOC值。

將預處理后的數據輸入模型進行訓練。通過多次實驗，最終選取卷積神經網絡的卷積核個數為15，大小為[2,1]，移動步長為[1,1]，最大池化大小為[3,1]。激活函數選擇修正線性單元(Rectified Linear Unit，ReLU)函數。雙向長、短期記憶網絡的隱藏層數為3，節點數分別設為50、20 和100。初始學習率設為0.001，訓練輪數epoch 為20，Dropout 參數均設置為0.1。全連接層的激活函數為ReLU，設置模型的優化器為適應性矩估計(Adaptive Moment Estimation，Adam)函數來更新模型的權重與偏置，損失函數使用均方誤差。

3 實驗結果與分析

為了驗證該算法的優越性，通過Matlab 軟件同時進行了四組對比實驗，分別采用GRU 模型、LSTM 模型、BiLSTM 模型和CNN-LSTM 模型進行訓練和預測。數據處理和訓練過程的參數設置與所提預測網絡類似，這里不再贅述。最后，各模型的預測誤差如表1 所示。從結果可以看出，相比于其他模型，本文提出的模型效果最好，預測誤差最小。

表1 不同模型預測算法的比較 %

圖7 顯示了不同模型前5 輪訓練在訓練集上的損失函數曲線，以便我們更直觀、清晰地了解本文所提出模型的預測情況。從曲線可以看出，相比于其他模型，CNN-BiLSTM 模型所需的訓練時間相對較短，模型損失函數收斂得非常快，并且穩定在一個相當低的值，取得了很好的效果。

圖7 不同模型的損失函數部分曲線

圖8 顯示了SOC循環過程中的預測結果。從圖8 中可以看出，GRU、LSTM、BiLSTM 由于不能提取高級特征，其預測值與實際SOC值相差較大。相比之下，CNN-LSTM 網絡和所提出的CNN-BiLSTM 網絡預測的SOC更加平滑和準確。總體看來，所提出的CNN-BiLSTM 網絡和CNN-LSTM 網絡都產生了令人滿意的結果，其中CNN-BiLSTM 網絡更好一些。

圖8 不同模型SOC預測的比較

實驗結果基本符合預期，LSTM 的記憶門和遺忘門使得它在時間序列預測問題上有更好的表現；GRU 作為LSTM 的一種變體，結構更加簡單，也可以解決時間依賴問題，效果略好于LSTM；BiLSTM 分別從正向和反向提取信息，取得了比LSTM 更好的預測效果；CNN-LSTM 結合了CNN 和LSTM 兩者的優點，具有更快的訓練速度和更好的效果。最后，從圖中可以明顯看出，本文介紹的基于CNN-BiLSTM 的SOC預測網絡預測效果最好，能夠進一步提高預測精度。

4 結論

本文提出了一種基于CNN-BiLSTM 網絡的鋰電池SOC預測方法。通過CNN 提取出鋰電池數據中的高級特征，然后利用BiLSTM 解決單個CNN 不能考慮前、后時間特征的問題，同時避免了簡單RNN 引起的梯度爆炸或梯度消失等問題。CNN-BiLSTM 模型的RMSE和MAE值分別為21.704 0 和18.746 4，進一步提高了精度。通過對比實驗結果證明，CNNBiLSTM 預測網絡模型相比于GRU、LSTM、BiLSTM 和CNNLSTM 具有更高的精確性和有效性。然而，CNN 網絡在聯合網絡中的深度還不夠。如何利用更深層次的CNN 網絡來提高預測精度將是下一步工作的目標。