CN114487890A - 一种改进长短期记忆神经网络的锂电池健康状态估计方法 - Google Patents

Abstract

本发明公开了一种改进长短期记忆神经网络的锂电池健康状态估计方法。其步骤为：获取锂电池实验数据集；根据容量计算电池实际的健康状态，提取若干个能够表征电池健康状态的老化特征并对特征数据进行标准化处理；初始化相关参数并建立改进的长短期记忆神经网络模型，确定网络中需要优化的参数；对改进的长短期记忆神经网络估计模型进行训练；将训练得到的最优参数值作为长短期记忆神经网络模型中对应的值来进行锂离子电池健康状态的估计。本发明能够有效提高锂离子电池健康状态的估计精度。

Description

一种改进长短期记忆神经网络的锂电池健康状态估计方法

技术领域

本发明涉及锂离子电池技术领域，具体涉及一种改进长短期记忆神经网络的锂离子电池健康状态估计方法。

背景技术

现如今，锂离子电池由于其高能量密度、长循环寿命、低环境污染等显著优点被广泛地用作各种类型装置的动力来源，其中包括电动汽车、便携式设备、航天器等。然而，电池的性能会随着不断的充放电循环而下降，对于很多装置来说，当电池的容量下降到额定容量的80％以下时，就需要对该电池进行及时更换，否则可能会导致严重的安全事故。电池的容量变化与健康状态具有很强的相关性，因此，知道电池当前的健康状态是很有必要的。

锂离子电池健康状态的估计方法有很多，总结起来可以分为三大类：直接测量法，基于模型的方法，以及基于数据驱动的方法。直接测量的方法是通过设计相关的实验来得到电池的健康状态，该类方法测试时间过长，设备成本较高，不适合实际的工程应用，更适合在实验室研究中使用。基于模型的方法通常需要建立电池的电化学模型或者等效电路模型，然后在此基础上采用先进的估计算法来跟踪老化因子的下降，常用的估计方法包括滑模观测器、H无穷滤波、粒子滤波等。该类方法的缺点是估计的准确度容易受到噪声和实际工作条件的影响。由于对电池的物理模型依赖较少，基于数据驱动的健康状态估计方法吸引了不少研究者的关注。该类方法主要是基于历史监测数据，采用机器学习算法描述锂离子电池在充电或者放电过程中测得的电压、电流等数据与健康状态之间的映射关系。长短期记忆神经网络(Long Short-term Memory，LSTM))作为其中一种常用的方法来进行健康状态的估计，虽然取得了很好的估计效果，但也存在一定问题，即相应的网络模型关键超参数通常很难确定，这些参数的选择大多需要根据研究者的经验，这在一定程度上就降低了模型的估计效果。

发明内容

为了解决现有技术存在的上述问题，本发明提供了一种改进长短期记忆神经网络的锂电池健康状态估计方法。本发明能够明显提高估计准确度，具有很高的实际应用价值。

本发明采用的技术方案是：一种改进长短期记忆神经网络的锂电池健康状态估计方法，包括以下步骤：

步骤1、按照给定的参数设置对各电池进行充放电实验，获取锂离子电池实验数据集；

步骤2、根据容量计算电池实际的健康状态，提取四个能够表征电池健康状态的老化特征，并对特征数据进行标准化处理；

步骤3、初始化参数并建立改进的长短期记忆神经网络模型，确定长短期记忆神经网络中需要优化的参数，并采用粒子群算法进行优化；

步骤4、对改进的长短期记忆神经网络估计模型进行训练：将标准化后的特征数据作为神经网络模型的输入，电池实际的健康状态作为网络模型的输出，将网络模型输出值的平均绝对误差作为粒子群优化算法中粒子的适应度值。

步骤5、将训练得到的最优参数值作为长短期记忆神经网络模型中对应的值来进行锂离子电池健康状态的估计。

所述步骤2中锂离子电池健康状态的计算公式如下：

上式中，C_current为锂电池的当前容量，C₀为锂电池的额定容量。

所述步骤2需要采用灰色关联度分析法定量论证提取的各老化特征与电池健康状态的相关性。具体计算过程是：

首先，对于给定的数据集，确定比较序列X＝{x_i(t)}和参考序列Y＝{SOH_t，t＝1，2，...n}，其中x_i(t)表示提取的各特征，n表示序列的长度；

其次，对各序列进行标准化处理，这里采用min-max法，计算公式如下：

计算出灰色关联系数：

上式中，μ是分辨系数，其取值范围为(0，1)，这里取0.5。

求出灰色关联度为：

所述步骤3中需要初始化的参数包括粒子群优化算法中的种群大小、迭代次数、粒子的初始位置和速度等，以及长短期记忆神经网络中的初始权重和偏差，以及网络层数，这里取网络层数为3。

所述步骤3中长短期记忆神经网络模型中表示信息流动的数学公式如下：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)；

i_t＝σ(W_i·[h_t-1,x_t]+b_i)；

C_t′＝tanh(W_c·[h_t-1,x_t]+b_c)；

C_t＝f_t*C_t-1+i_t*C_t′；

o_t＝σ(W_o·[h_t-1,x_t]+b_o)；

h_t＝o_t*tanh(C_t)；

上式中，f_t，i_t，o_t分别为遗忘门、输入门和输出门在第t时刻的输出，σ表示sigmoid函数，W_f，W_i，W_o分别为遗忘门、输入门和输出门对应的权重，b_f，b_i，b_o分别是遗忘门、输入门和输出门对应的偏差，x_t为t时刻的输入，h_t-1为t-1时刻的输出。

所述步骤3中是通过粒子群优化算法对各层神经元的个数进行寻优，具体为：

步骤3.1、将长短期记忆神经网络模型输出的平均绝对误差作为粒子的适应度值，根据每个粒子的初始位置计算初始适应度值并确定初始的个体最优位置和全局最优位置；

步骤3.2、对每个粒子的位置和速度进行更新，并根据新的位置计算新的适应度值，还需更新粒子的个体最优位置和全局最优位置；

步骤3.3、当迭代次数达到最大或者平均绝对误差的值达到最小，此时的最优粒子的值即为长短期记忆神经网络中需要优化参数的最优值；

所述步骤5是用步骤4得到的最优网络参数值对锂离子电池的健康状态进行估计。

本发明的有益效果：本发明通过引入粒子群优化算法，能够避免长短期记忆神经网络中的一些关键超参数过度依赖研究者的主观调参经验，可以对参数进行自动调优，从而进一步提高锂离子电池健康状态的估计精度。

附图说明

图1为本发明提出的估计方法流程图；

图2为本发明中长短期记忆神经网络的内部结构图；

图3为本发明中粒子群优化算法的流程图；

图4为本发明方法中提供的采用本发明算法与其它三种算法对B0005电池进行估计的结果图；

图5为本发明方法中提供的采用本发明算法与其它三种算法对B0007电池进行估计的结果图。

图4和图5中曲线1代表电池健康状态实际值，曲线2采用的是BP神经网络算法，曲线3采用的是支持向量回归算法，曲线4采用的是本发明提出的基于改进长短期记忆神经网络的算法。

具体实施方式

下面结合附图和具体实施方式对本发明进行进一步地说明。

如图1所示，一种基于改进长短期记忆神经网络的锂离子电池健康状态的估计方法，包括以下步骤：

步骤1、按照给定的参数设置对各电池进行充放电实验，获取锂离子电池实验数据集：数据集包括充电过程中的时间、电流、电压、电池温度、放电过程中的时间、电流、电压、容量等数据；电池充放电实验方案为首先进行1.5A的恒流充电直到电池的电压达到4.2V，然后恒压充电直到电流降至20mA，最后进行2A的恒流放电直到达到电池对应的下限截止电压。整个充放电实验是在室温下进行的。

步骤2、根据容量计算电池实际的健康状态，提取四个能够表征电池健康状态的老化特征并对特征数据进行标准化处理：恒流充电时间、放电持续时间、电池温度峰值、电池增量容量曲线峰值横纵坐标；

其中锂离子电池健康状态的计算公式如下：

上式中，C_current为锂电池的当前容量，C₀为锂电池的额定容量。

此外需要采用灰色关联度分析法定量论证提取的各老化特征与电池健康状态的相关性，以此证明所选特征的有效性。具体计算过程是：

首先，对于给定的数据集，确定比较序列X＝{x_i(t)}和参考序列Y＝{SOH_t，t＝1，2，...n}，其中x_i(t)表示提取的各特征，n表示序列的长度。

其次，对各序列进行标准化处理，这里采用min-max法，计算公式如下：

然后，计算出灰色关联系数：

上式中，μ是分辨系数，其取值范围为(0，1)，这里取0.5。

最后，求出灰色关联度为：

步骤3、初始化相关参数并建立改进的长短期记忆神经网络模型，确定长短期记忆神经网络中需要优化的参数：第一层网络的神经元个数，第二层网络的神经元个数，第三层网络的神经元个数；

初始化相关参数包括初始化粒子群优化算法中的种群大小、迭代次数、粒子的初始位置和速度等，以及长短期记忆神经网络中的初始权重和偏差，以及网络层数，这里取网络层数为3；

如图2所示，长短期记忆神经网络模型中表示信息流动的数学公式如下：

f_t＝σ(W_f·[h_t-1，x_t]+b_f)；

i_t＝σ(W_i·[h_t-1，x_t]+b_i)；

C_t′＝tanh(W_c·[h_t-1，x_t]+b_c)；

C_t＝f_t*C_t-1+i_t*C_t′；

o_t＝σ(W_o·[h_t-1，x_t]+b_o)；

h_t＝o_t*tanh(C_t)；

上式中，f_t，i_t，o_t分别为遗忘门、输入门和输出门在第t时刻的输出，σ表示sigmoid函数，W_f，W_i，W_o分别为遗忘门、输入门和输出门对应的权重，b_f，b_i，b_o分别是遗忘门、输入门和输出门对应的偏差，x_t为t时刻的输入，h_t-1为t-1时刻的输出。

如图3所示，通过粒子群优化算法对各层神经元的个数进行寻优，具体步骤为：

步骤3.1、将长短期记忆神经网络模型输出的平均绝对误差作为粒子的适应度值，根据每个粒子的初始位置计算初始适应度值并确定初始的个体最优位置和全局最优位置；

步骤3.2、对每个粒子的位置和速度进行更新，并根据新的位置计算新的适应度值，还需更新粒子的个体最优位置和全局最优位置；

粒子的速度和位置的更新公式为：

上式中，

表示第i个粒子在第t次迭代时的速度，

表示第i个粒子在第t次迭代时的位置，ω表示惯性权重，

表示粒子过去的最优位置，

表示整个粒子群的最优位置，c₁和c₂表示学习因子，r₁和r₂表示0到1之间的随机数。其中，c₁和c₂都设为1.5，ω设为0.8。

步骤3.3、当迭代次数达到最大或者平均绝对误差的值达到最小，此时的最优粒子的值即为长短期记忆神经网络中需要优化的参数的最优值；

步骤4、对改进的长短期记忆神经网络估计模型的训练：将标准化后的特征数据作为神经网络模型的输入，电池实际的健康状态作为网络模型的输出，将网络模型的输出值的平均绝对误差作为粒子群优化算法中粒子的适应度值。

步骤5、将训练得到的最优参数值作为长短期记忆神经网络模型中对应的值来进行锂离子电池健康状态的估计。

为了验证本发明的有效性与优越性，将本发明提出的算法与支持向量回归(Support Vector Regression，SVR)、BP神经网络两种算法的估计效果进行比较。图4和图5分别是这三种算法在NASA循环老化实验数据集上的B0005和B0007电池上的估计效果，说明本发明能够有效地估计出锂离子电池的健康状态，并且相比于其它两种算法并有更高的估计精度。

Claims (6)

1.一种改进长短期记忆神经网络的锂电池健康状态估计方法，其特征在于：包括以下步骤：

步骤1、按照给定的参数设置对各电池进行充放电实验，获取锂离子电池实验数据集；

步骤2、根据容量计算电池实际的健康状态，提取四个能够表征电池健康状态的老化特征，并对特征数据进行标准化处理；

步骤3、初始化参数并建立改进的长短期记忆神经网络模型，确定长短期记忆神经网络中需要优化的参数，并采用粒子群算法进行优化；

步骤4、对改进的长短期记忆神经网络估计模型进行训练：将标准化后的特征数据作为神经网络模型的输入，电池实际的健康状态作为网络模型的输出，将网络模型输出值的平均绝对误差作为粒子群优化算法中粒子的适应度值。

步骤5、将训练得到的最优参数值作为长短期记忆神经网络模型中对应的值来进行锂离子电池健康状态的估计。

2.根据权利要求1所述的改进长短期记忆神经网络的锂电池健康状态估计方法，其特征在于：所述步骤2中四个老化特征为：恒流充电时间、放电持续时间、电池温度峰值、电池增量容量曲线峰值横纵坐标。

3.根据权利要求1所述的改进长短期记忆神经网络的锂电池健康状态估计方法，其特征在于：所述步骤2中锂离子电池健康状态的计算公式如下：

上式中，C_current为锂电池的当前容量，C₀为锂电池的额定容量；

所述步骤2需要采用灰色关联度分析法定量论证提取的各老化特征与电池健康状态的相关性；具体计算过程是：

首先，对于给定的数据集，确定比较序列X＝{x_i(t)}和参考序列Y＝{SOH_t，t＝1，2，…n}，其中x_i(t)表示提取的特征，n表示序列的长度；

其次，对各序列进行标准化处理，采用min-max法，计算公式如下：

计算出灰色关联系数：

上式中，μ是分辨系数，其取值范围为(0,1)，这里取0.5；

计算灰色关联度为：

4.根据权利要求1所述的改进长短期记忆神经网络的锂电池健康状态估计方法，其特征在于：所述步骤3中长短期记忆神经网络中需要优化的参数为：第一层网络的神经元个数，第二层网络的神经元个数，第三层网络的神经元个数。

5.根据权利要求1所述的改进长短期记忆神经网络的锂电池健康状态估计方法，其特征在于：所述步骤3中长短期记忆神经网络模型中表示信息流动的数学公式如下：

f_t＝σ(W_f·[h_t-1,x_t]+b_f)；

i_t＝σ(W_i·[h_t-1,x_t]+b_i)；

C_t′＝tanh(W_c·[h_t-1,x_t]+b_c)；

C_t＝f_t*C_t-1+i_t*C_t′；

o_t＝σ(W_o·[h_t-1,x_t]+b_o)；

h_t＝o_t*tanh(C_t)；

上式中，f_t，i_t，o_t分别为遗忘门、输入门和输出门在第t时刻的输出，σ表示sigmoid函数，W_f，W_i，W_o分别为遗忘门、输入门和输出门对应的权重，b_f，b_i，b_o分别是遗忘门、输入门和输出门对应的偏差，x_t为t时刻的输入，h_t-1为t-1时刻的输出。

6.根据权利要求1所述的改进长短期记忆神经网络的锂电池健康状态估计方法，其特征在于：所述步骤3中是通过粒子群优化算法对各层神经元的个数进行寻优，具体为：

步骤3.1、将长短期记忆神经网络模型输出的平均绝对误差作为粒子的适应度值，根据每个粒子的初始位置计算初始适应度值并确定初始的个体最优位置和全局最优位置；

步骤3.2、对每个粒子的位置和速度进行更新，并根据新的位置计算新的适应度值，还需更新粒子的个体最优位置和全局最优位置；

步骤3.3、当迭代次数达到最大或者平均绝对误差的值达到最小，此时的最优粒子的值即为长短期记忆神经网络中需要优化的参数的最优值。

Images