首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 电力系统论文 > 基于贝叶斯优化LSTM的锂电池健康状态评估方法

基于贝叶斯优化LSTM的锂电池健康状态评估方法

2024-06-06 167 上传者：管理员

摘要：锂电池的健康状态(State of Health, SoH)是电池管理系统的主要指标之一，为了提升锂电池SoH评估的精确性，将能够解决人为经验调参困难的贝叶斯优化(Bayesian Optimization, BO)算法和具有长期记忆能力的长短期记忆(Long Short-Term Memory, LSTM)神经网络组合起来，形成一种新的BO-LSTM神经网络。选取美国国家航空航天局(NASA)的公开锂离子电池数据集进行验证，结果显示，相比于单个的BP神经网络模型和单个的LSTM神经网络模型，BO-LSTM神经网络对评估锂电池SoH的精确率更高，其中在B0005电池上分别提高了14.3%和15.3%,在B0006电池上分别提高了23.8%和20.5%。这表明在评估锂电池SoH时，基于贝叶斯优化的LSTM神经网络具有更好的效果，在实际应用中有着更高的价值。

关键词：
健康状态
评估
贝叶斯优化算法
锂电池
长短期记忆神经网络
加入收藏

锂离子电池在新能源汽车、电子数码产品以及航空航天等领域得到广泛应用。与其他电池相比，它具有使用寿命长、适应高低温能力强以及存储方便等优势。然而，随着使用次数的增加，锂电池的健康状态(State of Health, SoH)会逐渐降低，进而缩短其使用寿命。当SoH下降到一定程度时，可能会影响设备的正常运行，进而引发经济损失和安全事故等问题。因此，在实际应用中，为确保锂电池在各个领域使用期间的安全稳定性，需要及时对其SoH进行评估[1]。

目前，评估锂电池的SoH主要有两大类方法：基于模型的方法和基于数据驱动的方法[2]。基于模型的方法需要对电池内部的化学和物理特性进行深入分析，然后构建经验模型、电化学模型或等效电路模型。通过运用极大似然法、多变量系统法以及卡尔曼滤波法等参数辨识算法，对锂电池的SoH进行估计。而基于数据驱动的方法则主要依赖于支持向量机、人工神经网络以及高斯过程回归等技术，来实现对SoH的评估[3]。何锋等[4]通过建立二阶RC等效电路模型，采用双扩展卡尔曼滤波法对锂电池组SoH进行评估研究，由于外界因素的干扰，模型建立的精度容易受到影响，泛化能力不够强。焦自权等[5]通过贝叶斯理论对电池老化数据建立模型，优化辨识的锂电池老化模型的参数，最后用改进的粒子滤波算法对电池SoH进行评估，但构建模型的精确度会对改进的算法产生影响。采取基于数据驱动的方法对锂电池的SoH进行评估，无需过多考虑构建模型的精度，同时具备更高的可操作性和适用性。这种方法解决了一些复杂的非线性系统建模难题，避免了深入分析电池内部的化学反应机理。只需从电池的循环充放电老化数据中提取特征因子，来挖掘与健康状态之间的联系。因此，基于数据驱动的方法逐渐成为研究锂电池SoH的主流方法。

1、贝叶斯优化LSTM模型的构建

1.1 贝叶斯优化

超参数的选择和评估在机器学习中是一个重要的问题，其数值对最终的评估效果产生影响。为了训练出效果良好的算法模型并避免过拟合问题，需要对长短期记忆(Long Short-Term Memory, LSTM)神经网络进行调参。由于人为调参效果有限，而贝叶斯优化(Bayesian Optimization, BO)算法不要求知道目标函数的具体表达式，是一种高效的全局优化算法，因而非常适合对LSTM神经网络进行超参数寻优。于是，选择使用BO算法对LSTM神经网络的超参数进行调参。与网格搜索和随机搜索相比，BO算法可以在相对较少的迭代次数下获得较好的优化效果[6]。定义BO的目标如式(1)所示。

xmin=argminx∈Xf(x) (1)

式中：xmin为最终优化的超参数， f(x)为待优化的目标函数。

BO算法的框架主要包括了概率代理模型和采集函数两个核心部分，其中概率代理模型包括先验概率模型和观测模型，而采集函数则由后验概率分布构成。通过最大化采集函数，寻找下一个最有“潜力”的评估点。经过有限次数的迭代，最终找到最优超参数。算法1是BO框架的伪代码。

算法1:BO

1) for i=1,2,3,…;

2) 优化采集函数找到下一个评估点：Xi=arg maxU(X|T1:i-1);

3) 对目标函数值进行评估：yi=f(Xi)+εt;

4) 更新数据集：T1:i={T1:i-1,(Xi,yi)};

5) 结束。

由算法1的流程可知，优化LSTM神经网络超参数的步骤如下：

1) 以均方根误差为优化目标，并且将优化超参数的参数范围输入模型中；

2) 利用BO算法对隐藏单元和初始学习率进行迭代更新；

3) 以迭代更新的最终结果为超参数的取值输入LSTM神经网络中。

1.2 LSTM神经网络

LSTM神经网络是一种在循环神经网络(Recurrent Neural Network, RNN)基础上发展而来的特殊循环神经网络。它主要解决了传统RNN不具备长时记忆能力以及存在的梯度消失和梯度爆炸问题。LSTM在RNN的基础上增加了一个单元状态，通过“门”结构来控制单元状态。这个“门”结构由遗忘门、输入门、输出门构成，这3个门可以有选择地丢弃或者保留输入和输出的信息[7]。LSTM的结构单元如图1所示。

图1 LSTM结构单元

在LSTM中，Xt为t时刻输入的数据，同时包含了记忆单元状态Ct和隐藏层状态Ht。代表遗忘门的ft会有选择地丢弃或保留上一层的一些信息，其公式如式(2)所示。

ft=σ(Ufht-1+Wfxt+bf) (2)

式中：σ为sigmoid激活函数，sigmoid(x)=1/(1+e-x),它将函数值控制在(0,1)的范围内，以决定保留多少信息；Uf和Wf为遗忘门的权重矩阵；ht-1是t-1时刻的存储信息；xt和bf则分别为当前时刻的输入和偏置量。

输入门对输入的信息进行筛选，它作用于单元状态Ct,通过当前时刻状态输入xt,以及sigmoid激活函数结合前一时刻的状态输入ht-1,经过计算得到it,如式(3)式(5)所示。

it=σ(Wi[ht-1,xt]+bi) (3)

式中：Wi和Wc为输入门的权重矩阵；bi和bc为输入门的偏置量；

为候选状态，由tanh层构成。

输出门主要用来决定Ct中有哪些信息会变成当前状态的输出Ht,如式(6)、式(7)所示。

Ot=σ(Uoht-1+Woxt+bo) (6)

Ht=Ot·tanh(Ct) (7)

式中：Ot为输出门的值；U0和W0为权重矩阵；b0为偏置量，Ht由Ot和经过tanh激活函数变化后的Ct相乘而得。

1.3 BO-LSTM

在传统的LSTM神经网络中，超参数的取值对模型性能有很大影响，但人工调参很难得到最优解。因此，本文加入了BO来迭代出最优超参数。在利用LSTM神经网络评估锂电池SoH的基础上，通过BO来提高评估的精确度。主要的优化超参数是NumOfUnits和IntialLearnRate, 约束条件如表1所示。

表1 超参数约束范围

组合后的BO-LSTM模型由数据预处理、模型训练、BO和模型预测4个部分组成[8]。首先，对原始数据进行预处理，提取充放电循环中的电池容量数据，并计算得出锂电池的SoH数据。然后，将处理后的数据前70%划分为训练集，后30%作为测试集。将训练集输入LSTM神经网络中，并通过BO来寻找模型的最优超参数。同时，将找到的最优超参数反馈给LSTM。最后，将测试集输入优化后的模型进行预测。BO-LSTM模型流程图如图2所示。

图2 BO-LSTM模型流程图

2、实验分析

2.1 数据处理

采用美国国家航空航天局(NASA)公开的锂离子电池数据集，并选取了代号为B0005和B0006的18650锂电池充放电数据作为输入数据。在电池循环充放电的情况下，最大可用容量会逐渐减小。图3展示了这两组锂电池的容量退化情况。

图3 B0005和B0006锂电池容量退化曲线图

随着电池循环充放电次数的增加，发现电池的容量并不是呈线性下降的趋势，而是会出现容量再生现象。这是因为锂电池在休息期时会出现锂离子再生的现象，这会对电池的SoH评估产生影响[9]。电池的额定容量为2.0 Ah, 试验在室温24 ℃的工作环境下进行。电池的充放电试验在恒流的模式下进行，若电池容量从额定容量下降到1.4 Ah, 则认为电池的寿命终止。将处理过的放电容量以及对应的周期数作为输入数据，共有168组容量数据。将前70%作为训练集，后30%作为测试集。训练集用来对模型进行训练，测试集则是用来进行验证。最后比较预测值和真实值之间的误差。

2.2 评价指标

本文选择的评价指标是平均绝对误差EMAE和均方根误差ERMSE,它们的计算公式如式(8)、式(9)所示。

为预测值，RSoH_i为真实值，m为时序长度，i为充电次数。

2.3 结果分析

本文所用计算机的配置如下：CPU为AMD R7-5800H,GTX 1650 4GB独立显卡，64位Windows 10家庭版操作系统。编程软件为Matlab-R2020b。为了更直观地展示模型性能，将传统的BP神经网络、LSTM神经网络与BO-LSTM神经网络进行比较。对B0005锂电池进行预测，3个模型的预测值和真实值的对比结果如图4所示；对B0006锂电池进行SoH评估，3个模型的预测结果和真实值的对比结果如图5所示。

图4 B0005锂电池3个模型预测值与真实值对比图

图5 B0006锂电池3个模型预测值与真实值对比图

经过对B0005和B0006两组锂电池SoH的评估，从中可以看出，与传统的BP神经网络和LSTM神经网络相比，BO-LSTM神经网络对锂电池SoH的预测效果更佳[10]。

分别对3种模型预测值的平均绝对误差EMAE和均方根误差ERMSE进行计算，结果列于表2中。

表2 3种模型预测结果评价指标对比

由表2的对比结果可以看出，对于B0005锂电池的SoH评估，BO-LSTM神经网络比传统的BP神经网络精确率提高了14.3%,比基础的LSTM神经网络精确率提高了15.3%。对于B0006锂电池的健康状态估计，BO-LSTM神经网络比传统的BP神经网络精确率提高了23.8%,比基础的LSTM神经网络精确率提高了20.5%。这证明了所提出的模型在对锂电池SoH进行预测时的有效性。

3、结论

锂电池在日常生活中越来越常见，为了提高其可靠性，人们开始关注其健康状态(SoH)。为了能够提升对锂电池SoH评估的精确性，本文在基础长短期记忆(LSTM)神经网络的模型的基础上，加入了贝叶斯优化(BO)算法，对直接影响锂电池SoH预测结果的超参数进行了优化。从预测结果可以看出，基于BO-LSTM的预测精确率更高，拟合效果更好。然而，本次研究仅对一种型号的两组锂电池数据进行了预测，并且没有考虑温度等环境因素对试验的影响，因而研究结果不具备普遍性。下一步的研究计划主要是针对不同环境、不同型号以及不同容量等各种情况下的锂电池进行SoH的预测。

参考文献:

[1]张伟,王文.基于新健康指标的锂电池容量估计研究[J].电子测量技术,2020,43(2):10-15.

[2]张岸,杨春德.基于GAN-CNN-LSTM的锂电池SoH估计[J].电源技术,2021,45(7):902-906.

[3]陈秀秀,朱凯.基于CNN-LSTM和注意力机制的锂电池健康状态评估[J].工业控制计算机,2022,35(12):80-82.

[4]何锋,王文亮,蒋雪生,等.双扩展卡尔曼滤波法估计锂电池组SOC与SoH[J].农业装备与车辆工程,2021,59(7):37-40.

[5]焦自权,范兴明,张鑫,等.基于改进粒子滤波算法的锂电池状态跟踪与剩余使用寿命预测方法[J].电工技术学报,2020,35(18):3979-3993.

[6]李亚茹,张宇来,王佳晨.面向超参数估计的贝叶斯优化方法综述[J].计算机科学,2022,49(增刊1):86-92.

[7]楚灜,陈一凡,米阳.一种基于注意力机制的CNN-LSTM锂电池健康状态估算[J].电源技术,2022,46(6):634-637.

[8]邱凯旋,李佳.基于贝叶斯优化和长短期记忆神经网络(BO-LSTM)的短期电力负荷预测[J].电力学报,2022,37(5):367-373.

[9]王义,刘欣,高德欣.基于BiLSTM神经网络的锂电池SoH估计与RUL预测[J].电子测量技术,2021,44(20):1-5.

[10]谢文强.遗传算法优化BP网络的锂电池剩余容量预测[J].仪表技术,2019(1):35-37.

基金资助:国家自然科学基金项目(62003001);