基于數據驅動的鋰電池剩余使用壽命預測

郜周琪　巨永鋒　陳麗容　陳金平

摘 要 基于數據驅動的思想，從電池歷史數據中提取能反映電池衰退趨勢的特征參數，并分析參數與電池壽命的相關性，完成特征參數的選取。其次基于選取的特征參數，對其進行數據預處理，得到最終的特征數據。最后基于時序預測的思想，建立長短期記憶神經網絡的鋰電池剩余使用壽命預測模型，從而實現電池剩余使用壽命的預測。研究結果表明：與傳統的支持向量回歸方法相比，基于長短期記憶神經網絡的方法有效提高了預測準確性。

關鍵詞 鋰離子電池 剩余使用壽命 數據驅動 特征參數 長短期記憶神經網絡

中圖分類號 TP202? ?文獻標識碼 A? ?文章編號 1000?3932（2023）02?0231?08

鋰離子電池有著工作電壓高、比能量高、循環壽命長、自放電率低及環境友好等優點［1］，已成為電池商品化應用的熱點。然而，鋰電池在使用過程中易受外界因素的影響而老化，最終導致電池實用性和安全性降低，因此準確預測電池的剩余使用壽命（Remaining Useful Life，RUL）極其重要。目前，RUL預測方法主要有基于模型的方法和基于數據驅動的方法兩類［2］。基于數據驅動的方法在電池RUL預測領域應用更為廣泛，其核心思想在于對容量衰減軌跡和歷史數據的分析處理。

濾波預測法是較為常用的一種RUL預測方法［3］。在鋰電池的RUL預測方面，王帥等基于粒子濾波方法，改進已有的鋰電池容量經驗指數衰退模型，降低了狀態方程參數估計的個數［4］。哈爾濱工業大學的周建寶基于RVM算法，通過識別鋰電池退化狀態，提高鋰離子電池RUL預測精度與預測能力，并借助FPGA技術實現RUL預測的嵌入式計算［5］。肖遷等選取電池健康因子構建了基于Light GBM的RUL預測模型，并采用一種兼具自適應性和魯棒性的損失函數（ARLF）對其改進，降低了數據離群值對預測精度的影響［6］。王瀛洲等采用蟻獅優化算法優化支持向量回歸模型的核參數，從而提出一種ALO-SVR方法應用于RUL預測，有效提高了預測精度［7］。筆者結合現有研究成果，使用多個反映電池衰退趨勢的特征參數，設計基于LSTM的鋰電池RUL預測模型，實現了對電池RUL較為準確的預測。

1 電池特征參數選取

1.1 鋰電池壽命退化過程分析

筆者采用NASA的鋰電池數據作為基礎數據，對其中的5號、6號、7號和18號電池在室溫（24 ℃）下采用3種運行模式記錄數據，提取電池數據中的容量值，得到容量隨充放電循環周期的變化曲線，如圖1所示。

以5號電池數據為例，對其放電和充電電壓數據進行處理。從第40次充放電周期開始，每隔30次循環提取一次數據，直到第160次循環，將這些數據放到一個圖中進行對比，如圖2所示。

分析圖1可知，電池容量隨著充放電循環周期的變化有一定波動，但大體是下降趨勢。由于電池間本身特性和工作環境存在一定差異，因此電池容量的衰減速率和初始容量有所不同。分析圖2可知，電池的充放電電壓隨著電池充放電周期有一定的變化趨勢。隨著充放電周期次數的增大，電池放電到最低點所用時間和充電到最高點所用時間都呈現出減少趨勢。綜合分析，可以初步判斷電池容量與電池的充放電電壓存在某種關系。

1.2 特征參數計算

特征參數提取是從目標數據中提取能反映目標某種特征的參數，用來反映目標的變化與特性。為了避免使用單個參數產生較大誤差，擬提取多個參數：等時放電電壓差、等時充電電壓差、放電電壓均方根、放電電壓衰減率、等壓降放電時間和等壓升充電時間。

均方根RMS_V可以反映樣本的離散程度，具體到這里表示樣本的變化趨勢，其計算式如下：

其中，X、Y分別為兩個變量的樣本值；X、Y分別為兩個變量的樣本均值。|ρ|的值越接近于1說明線性相關程度越大。使用SPSS軟件對5號和6號電池參數與容量進行皮爾遜系數計算，結果見表1。

由表1中皮爾遜系數的值，選擇等時放電電壓差、等壓降放電時間、等壓升充電時間和等時充電電壓差作為反映電池壽命衰退的特征參數，應用到后面模型的訓練中。5號電池的4個特征參數值如圖3所示。2 LSTM神經網絡的基本原理LSTM神經網絡［8］是循環神經網絡（RNN）的一種，設計靈感來自于計算機的邏輯門，由于其擁有出色的非線性時序數據建模能力，在時序數據預測任務中具有較高的預測精度。

LSTM網絡引入了記憶元，用于記錄附加的信息。為了控制記憶元，LSTM網絡引入了遺忘門、輸入門和輸出門，這種設計能夠通過專用機制決定什么時候記憶或忽略隱狀態中的輸入。LSTM網絡基本單元的結構如圖4所示。

假設有h個隱藏單元，批量為n，輸入數為d。因此，輸入X∈R，前一時間步的隱狀態H∈R。則時間步t的門被定義為：輸入門I∈R，遺忘門F∈R，輸出門O∈R，計算式如下：

其中，y為歸一化后的值；x為序列中一個原始數據；x和x分別為序列的最大值和最小值。

3.1.2 網絡設計

特征數據處理后，將其合并為數據集輸入網絡模型進行訓練，通過LSTM網絡對輸入的多維特征數據進行處理，可提取到電池特征參數數據的時序特征信息，然后經過全連接層，得到預測值，完成正向傳播。預測模型結構如圖5所示。

3.1.3 預測評價標準

為了評估預測模型的有效性，需要采用統一的評估標準對預測結果進行評價，筆者采用的評估標準為平均絕對誤差（MAE）和均方根誤差（RMSE）。MAE和RMSE指標可以對預測值相較于真實值的偏離程度進行計算，得到的值越小，說明預測模型的精度越高。其計算式如下：

其中，m為數據總數；l表示第i時刻的真實值；[l][^]表示模型在第i時刻的預測值。

3.2 實驗結果分析

電池的主要功能是提供電能，因此可以將電池容量作為電池剩余使用壽命的表征參數。綜合上文的各種方法，構建出完整的預測網絡模型流程框圖，如圖6所示。

依據圖6進行實驗，實驗基于Pytorch深度學習框架搭建預測網絡模型。將原始電池數據提取的特征參數作為模型的輸入，將電池的容量作為剩余使用壽命預測標簽進行訓練，并通過調節網絡參數來提升模型的預測精度。為了使預測結果較為客觀準確，將4個電池數據中的3個作為訓練集，其余一個作為測試集進行預測，應用筆者提出的預測模型獲得的預測結果如圖7所示。

從圖7中可以看出，4個電池的剩余使用壽命預測值與實際值之間誤差較小，擬合度較好。相較于實際值，預測值曲線更為平滑，這說明預測值在一定程度上忽視了測量誤差導致的突變峰值，反映了電池的真實變化趨勢，這也與選取特征參數與剩余壽命的相關性較好有關。

為了驗證筆者所提方法的有效性，將其與支持向量回歸（SVR）方法對比。SVR是支持向量機在回歸任務中的應用，其在單調性較強的預測任務中表現較好。在保持相同的訓練策略前提下應用SVR對電池的RUL進行預測，實驗結果如圖8所示。

由圖8可知，SVR大體預測出了實際值的變化趨勢，具有一定的準確性。其在5號、6號電池上的預測較為穩定，但是在7號、18號電池上的預測有較大誤差。從預測曲線來看，SVR相較于本文方法，其預測精度有所不足。

將兩種模型的實驗結果進行匯總整理，以MAE和RMSE為評價指標進行對比，對比結果見表2。

從表2的評價指標結果可以看出，筆者采用的LSTM網絡模型具有較好的RUL預測效果，其在4個電池上的預測值與實際值的誤差都較小，而SVR模型在4個電池上的預測效果都比LSTM模型差。

綜上所述，基于多特征參數的LSTM剩余壽命預測模型具有較高的預測精度，且平滑穩定性比較好，可得到比較準確的電池剩余使用壽命。

4 結束語

筆者提出一種基于數據驅動的RUL預測方法，從充放電電壓中提取多個能反映電池壽命的特征參數，對其進行相關性評估選取合適的參數，并建立特征參數與電池RUL標簽的LSTM預測模型，從而通過電池特征參數得到RUL的預測值，并給出了預測模型的評價標準。雖然所提方法取得了一定的效果，但在許多方面仍存在可以深入研究的地方。所應用的LSTM模型較為基礎，可以將模型與其他先進方法結合，例如可將注意力機制與該網絡結合，從而提高模型的預測性能。筆者所提方法采用的電池數據僅為室溫環境下測得，且數據量較少，這可能會使模型的泛化能力不足，在預測其他電池的RUL時效果較差。

參 考 文 獻

［1］ 胡敏，王恒，陳琪.電動汽車鋰離子動力電池發展現狀及趨勢［J］.汽車實用技術，2020（9）：8-10.

［2］ 劉月峰，張公，張晨榮，等.鋰離子電池RUL預測方法綜述［J］.計算機工程，2020，46（4）：11-18.

［3］ 熊瑞.動力電池管理系統核心算法［M］.北京：機械工業出版社，2018：177-198.

［4］ 王帥，韓偉，陳黎飛，等.基于粒子濾波的鋰離子電池剩余壽命預測［J］.電源技術，2020，44（3）：346-351.

［5］ 周建寶.基于RVM的鋰離子電池剩余壽命預測方法研究［D］.哈爾濱：哈爾濱工業大學，2013.

［6］ 肖遷，穆云飛，焦志鵬，等.基于改進LightGBM的電動汽車電池剩余使用壽命在線預測［J］.電工技術學報，2022，37（17）：4517-4527.

［7］ 王瀛洲，倪裕隆，鄭宇清，等.基于ALO?SVR的鋰離子電池剩余使用壽命預測［J］.中國電機工程學報，2021，41（4）：1445-1457.

［8］ 楊麗，吳雨茜，王俊麗，等.循環神經網絡研究綜述［J］.計算機應用，2018，38（S2）：1-6；26.

（收稿日期：2022-05-26，修回日期：2023-02-01）

Residual Life Prediction of Li?ion Batteries Based on Data Driving

GAO Zhou?qi1，2， JU Yong?feng1，2， CHEN Li?rong1， CHEN Jin?ping1

（1. School of Electronic and Control Engineering， Changan University；2. Xian Siyuan University）

Abstract? ?Based on the idea of data driving， having characteristic parameters which reflecting battery decline trend from the battery historical data extracted and the correlation between the parameters and the battery life analyzed as well as? the selection of characteristic parameters completed were implemented， including having the selected feature parameters based to preprocess the data so as to obtain the final feature

基金項目：陜西省自然科學基礎研究計劃項目（2020JM?255，2020JM?238）。

作者簡介：郜周琪（1998-），碩士研究生，從事電池健康狀態評估和剩余壽命預測的研究，1370161504@qq.com。

引用本文：郜周琪，巨永鋒，陳麗容，等.基于數據驅動的鋰電池剩余使用壽命預測［J］.化工自動化及儀表，2023，50（2）：231-237；261.