電動汽車用電池健康狀態估算與預測

0模型估算方法隨著世界各國新汽車排放標準的頒布和實施，純電動汽車對節能減排和綠色環保具有深遠的影響。當前對于電池健康狀態預測估算的主流方法分為：基于模型的方法和基于數據的方法。基于電路或電化學模型的方法是將電池SOH估計問題視為模型參數估算問題，例如：文獻當前傳統神經網絡算法在處理時間間隔較長的大量電池數據時存在不足，影響電池SOH的預測準確程度。本文采用長短期記憶神經網絡（LongShortTermMemorynetworks,LSTM）進行電池健康狀態估計，結果表明，長短期記憶神經網絡估算電池健康狀態的誤差小于5%，證明預測模型的有效性1實驗過程和參數本文實驗中所使用的電池為18650號鋰離子電池，在不同的運行工況下，模擬得出電池在室溫（24℃）條件下正常工作的數據。圖1所示為鋰離子電池循環充放電實驗測試所用的設備。主要包括用于電池充放電的ArbinBT-5HC測試系統，用于控制電池溫度的溫箱以及用于數據監控和儲存的臺式計算機。在一個電池充放電周期內，電池測試過程主要包括電池充電過程、電池放電過程和靜置過程。電池充電過程可分為恒流充電和恒壓充電兩部分。恒流模式在2.55A下運行，直到電池端口電壓達到4.2V，然后在4.2V的恒定電壓下繼續運行，直到充電電流下降到0.051A。所有實驗電池均在相同的充電過程中運行。充電完成后，電池實驗進入放電階段。放電過程在5.1A的恒定電流下進行，直到端口電壓等于截止電壓2.5V，具體電池實驗參數標準如表1所示。隨著電池使用壽命的衰減和老化，電池內部器件的參數會產生對應的變化，會對電池外部信號造成相應的影響。在電池工作過程中，內部參數很難被直接測量和采集得到。研究中，一般運用可以測量的電池外部信號來估計電池健康狀態。電池充放電過程中，外部信號會有相應的變化，因而可以使用此部分的實驗數據，完成電池SOH的估算工作。本研究基于實驗的恒流放電過程數據進行電池健康狀態的估算。隨著電池循環充放電實驗的進行，電池的健康狀態會發生變化，同時會在電池放電過程中表現出來。電池在不同老化程度下放電時間和放出電量存在差異。隨著電池使用壽命的降低和老化程度的增長，放電時間會明顯降低。由圖2可以看出，放電容量也有一定程度的下降。2長短距離記憶神經網絡算法2.1標準長短期記憶神經網絡長短期記憶神經網絡是遞歸神經網絡的優化之后的特殊形式。在傳統遞歸神經網絡的梯度反向傳播階段中，神經網絡的梯度信號的變化會受到與神經元相關聯的權重矩陣的影響，這也就意味著，轉換矩陣中權重的變化會直接影響到神經網絡模型的學習過程以及結果。傳統遞歸神經網絡模型中存在因反向傳播誤差引起的梯度爆炸或者梯度消失問題。如果轉換矩陣中的權重過大，導致梯度信號太大而過學習的問題，通常被稱為梯度爆炸；如果轉換矩陣中權重過小，則梯度信號會太小，從而模型學習過程會變得特別漫長甚至直接停止，即為梯度消失。之后多方面的應用都能夠證明，長短期記憶神經網絡可以很好地解決此問題。相比傳統遞歸神經網絡，長短期記憶神經網絡在算法中加入了一個判斷信息有用與否的“處理器”，這個處理器作用的結構被稱為cell。每個cell中都存在輸入門限、輸出門限和遺忘門限的結構。每個cell中都會預先設置學習規則，進入長短期記憶神經網絡中的信息會由該規則來判斷是否有用。另外，每個cell中都存在與其自身相連接的神經元，這個自回歸連接權重會保持在1.0，從而保證在沒有任何外部干擾的情況下，cell的狀態會在時間步長變化時保持恒定。圖3為標準的LSTM神經網絡結構圖。網絡模型首先決定將部分信息從cell狀態中丟棄。在LSTM神經網絡結構中，丟棄何種信息由遺忘門限所決定。遺忘門限讀取h式中：x接下來，神經網絡確定將保留在cell狀態中的信息。此決定過程由2部分構成。第1步，輸入門限決定更新的部分；第2步，由tanh層建立的全新的待選量C式中：W最后，網絡確定由C式中怱：婭W2.2模型學習訓練速度對于傳統神經網絡模型的學習過程來說，傳統的優化算法將網絡的學習率設置為固定的常數，或者根據學習訓練的次數調節學習率。傳統優化算法在很大程度上忽視了學習率其他變化的可能性。對于神經網絡模型來說，學習率對模型性能和預測結果存在顯著的影響，通常會采取自適應學習率優化算法更新學習率，從而加快模型的學習訓練速度。本文中采用的自適應學習率優化算法為AdaGrad算法、RMSProp算法及Adam算法。AdaGrad算法廣泛應用于神經網絡模型參數的學習率，將每個學習率對應的參數反比于其所有梯度的過往歷史平均值總和的平方根進行縮放。具有代價函數的模型的最大梯度的參數對應的學習率會快速下降，相反小梯度的參數對應的學習率下降程度較小。AdaGrad算法優化策略通常如式（5）所示：式中：i——第i分類；t——第t次迭代；WRMSProp算法將梯度累計優化為梯度指數加權的移動平均，從而使得模型的學習訓練在非凸條件設定下效果更加優秀。算法優化策略通常如式（6）所示：式中：WAdam算法將梯度指數加權的估算與動量進行合并。因缺少修正因子，RMSProp在模型學習訓練開始時的二階矩估算的偏置很高。而Adam算法加入修正因子，對學習訓練開始時的一階矩和非中心二階矩的估算進行修正。算法策略通常如式（7）所示：式中：m3預測結果對比當前，資料文獻對于電池健康狀態（StateofHealth,SOH）定義主要從剩余電量或者內阻的角度。本文中，選擇電池剩余電量定義電池SOH，定義式如式（8）所示:式中：C在本文中，電池循環充放電實驗所得到的放電實驗數據的前2/3部分用來長短期記憶神經網絡的學習訓練過程，并建立預測模型。剩余部分數據與結果進行對比，以測試預測算法準確性。為了確定預測算法結果與實驗結果之間的誤差以及穩定性，本文選擇均方誤差（MeanSquaredError,MSE）和均方根誤差（RootMeanSquaredError,RMSE）定義模型預測結果誤差，表達式如式（9）所示：]]]MSE=3種優化方法的長短期記憶神經網絡的預測結果擬合效果和誤差如圖4—圖6，預測結果誤差計算如表2所示。由圖4—圖6和表2可知，3種優化的LSTM算法的結果較為優秀，均方根誤差都在2%左右，其中RMSProp優化的均方根誤（RMSE）最低，為1.4%。平均絕對誤差都在1.5%左右，其中，RMSProp優化的平均絕對誤差（MSE）最低，為0.7%。綜上，RMSProp優化的LSTM算法的效果最為理想。4基于lstm算法的soh估計當前深度學習在大數據的預測學習領域大放異彩。結合鋰離子電池實驗數據的繁多大量的特性，本文中將LSTM方法與電池健康狀態估算相結合，提出了一種考慮實際放電過程的新型SOH估計方法。在詳細分析鋰離子電池實驗數據后，選擇放電過程數據提取的特征向量作為估算模型輸入。然后，引入LSTM算法，對模型學習訓練過程加以優化，以實現更加準確的SOH估計。與傳統電池健康狀