電動汽車用電池健康狀態(tài)估算與預測

電動汽車用電池健康狀態(tài)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(jié)能減排和綠色環(huán)保具有深遠的影響。當前對于電池健康狀態(tài)預測估算的主流方法分為：基于模型的方法和基于數(shù)據(jù)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(shù)估算問題，例如：文獻當前傳統(tǒng)神經(jīng)網(wǎng)絡算法在處理時間間隔較長的大量電池數(shù)據(jù)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(jīng)網(wǎng)絡（LongShortTermMemorynetworks,LSTM）進行電池健康狀態(tài)估計，結果表明，長短期記憶神經(jīng)網(wǎng)絡估算電池健康狀態(tài)的誤差小于5%，證明預測模型的有效性1實驗過程和參數(shù)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(shù)據(jù)。圖1所示為鋰離子電池循環(huán)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(tǒng)，用于控制電池溫度的溫箱以及用于數(shù)據(jù)監(jiān)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(xù)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(shù)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(shù)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(shù)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(tài)。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(shù)據(jù)，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(shù)據(jù)進行電池健康狀態(tài)的估算。隨著電池循環(huán)充放電實驗的進行，電池的健康狀態(tài)會發(fā)生變化，同時會在電池放電過程中表現(xiàn)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(jīng)網(wǎng)絡算法2.1標準長短期記憶神經(jīng)網(wǎng)絡長短期記憶神經(jīng)網(wǎng)絡是遞歸神經(jīng)網(wǎng)絡的優(yōu)化之后的特殊形式。在傳統(tǒng)遞歸神經(jīng)網(wǎng)絡的梯度反向傳播階段中，神經(jīng)網(wǎng)絡的梯度信號的變化會受到與神經(jīng)元相關聯(lián)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(jīng)網(wǎng)絡模型的學習過程以及結果。傳統(tǒng)遞歸神經(jīng)網(wǎng)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(jīng)網(wǎng)絡可以很好地解決此問題。相比傳統(tǒng)遞歸神經(jīng)網(wǎng)絡，長短期記憶神經(jīng)網(wǎng)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(guī)則，進入長短期記憶神經(jīng)網(wǎng)絡中的信息會由該規(guī)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(jīng)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(tài)會在時間步長變化時保持恒定。圖3為標準的LSTM神經(jīng)網(wǎng)絡結構圖。網(wǎng)絡模型首先決定將部分信息從cell狀態(tài)中丟棄。在LSTM神經(jīng)網(wǎng)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(jīng)網(wǎng)絡確定將保留在cell狀態(tài)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(wǎng)絡確定由C式中怱：婭W2.2模型學習訓練速度對于傳統(tǒng)神經(jīng)網(wǎng)絡模型的學習過程來說，傳統(tǒng)的優(yōu)化算法將網(wǎng)絡的學習率設置為固定的常數(shù)，或者根據(jù)學習訓練的次數(shù)調節(jié)學習率。傳統(tǒng)優(yōu)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(jīng)網(wǎng)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(yōu)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(yōu)化算法為AdaGrad算法、RMSProp算法及Adam算法。AdaGrad算法廣泛應用于神經(jīng)網(wǎng)絡模型參數(shù)的學習率，將每個學習率對應的參數(shù)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(shù)的模型的最大梯度的參數(shù)對應的學習率會快速下降，相反小梯度的參數(shù)對應的學習率下降程度較小。AdaGrad算法優(yōu)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(yōu)化為梯度指數(shù)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(yōu)秀。算法優(yōu)化策略通常如式（6）所示：式中：WAdam算法將梯度指數(shù)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(tài)（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(huán)充放電實驗所得到的放電實驗數(shù)據(jù)的前2/3部分用來長短期記憶神經(jīng)網(wǎng)絡的學習訓練過程，并建立預測模型。剩余部分數(shù)據(jù)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(wěn)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(yōu)化方法的長短期記憶神經(jīng)網(wǎng)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(yōu)化的LSTM算法的結果較為優(yōu)秀，均方根誤差都在2%左右，其中RMSProp優(yōu)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(yōu)化的平均絕對誤差（MSE）最低，為0.7%。綜上，RMSProp優(yōu)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(shù)據(jù)的預測學習領域大放異彩。結合鋰離子電池實驗數(shù)據(jù)的繁多大量的特性，本文中將LSTM方法與電池健康狀態(tài)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(shù)據(jù)后，選擇放電過程數(shù)據(jù)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(yōu)化，以實現(xiàn)更加準確的SOH估計。與傳統(tǒng)電池健康狀