CN115656824A

CN115656824A - 基于cnn-lstm模型的锂电池核电状态预测方法

Info

Publication number: CN115656824A
Application number: CN202211069491.6A
Authority: CN
Inventors: 王巍; 丁辉; 赵汝法; 夏旭; 刘斌政; 稅绍林; 张涛洪; 袁军
Original assignee: Chongqing University of Post and Telecommunications
Current assignee: Chongqing University of Post and Telecommunications
Priority date: 2022-09-02
Filing date: 2022-09-02
Publication date: 2023-01-31

Abstract

本发明请求保护一种基于CNN‑LSTM模型的锂电池核电状态预测方法。该方法主要数据集准备、模型训练以及模型测试三个阶段组成。数据集准备阶段选取适用于该研究的数据集，对该数据集进行分析、预处理和分割；模型训练阶段探索并确定采用CNN‑LSTM模型，对模型训练结果进行误差分析、层级和超参数优化后保存最优模型；模型测试阶段验证模型是否能有效预测锂电池核电状态。本发明利用电池电流、电压、温度三个参数对电池核电状态进行预测；预测模型主要由1D‑CNN和LSTM构成，它们分别用于提取电池数据中的空间和时间特征，最后通过全连接层整合运算得预测值。本发明克服传统锂电池核电状态预测方法误差大、过度依赖电池模型的问题，具备高预测精度、收敛速度快等优点。

Description

基于CNN-LSTM模型的锂电池核电状态预测方法

技术领域

本发明属于锂电池技术领域，特别涉及一种基于CNN-LSTM模型的锂电池核电状态预测方法。

背景技术

能源危机和环境污染的问题日益严重，锂电池由于具有能量密度大、循环寿命长且随发展逐渐增大的可存储容量等优点，逐渐受到了以新能源汽车为主的行业的青睐。当前频发的新能源汽车自燃事件往往和锂电池工作状态的错误评估有关，为了保证锂电池能在各领域中得到安全且高效的使用，就需要用到有效的电池管理系统对其进行检测与控制。其中电池核电状态(SOC)作为判断锂电池当前工作状态的重要参数，对其进行在线实时且精准的预测可以更好的观察到电池当前工作状态，保证电池在安全的条件下进行高效的使用，进而达到可及时预防安全事故的目的。

由于锂电池在使用过程中是一个复杂的电化学反应过程，且受应用环境、老化等因素的影响，故实现快速且精确的电池核电状态估计具有很大挑战性。当前常用的锂电池核电状态预测方法可分为等效电路模型法和数据驱动法。等效电路模型法具有难以建立适用于各种工况的电池等效电路、模型参数辨识难度大、运算量大等缺陷。数据驱动法则具备无需考虑锂电池复杂的电化学特性和建立复杂的电路模型；且随着锂电池的大量应用，越来越多与锂电池状态预测相关研究的开展，并公布大量实验相关开源数据集，解决了数据驱动法对数据需求量大的问题。因此本专利提出一种基于CNN-LSTM神经网络模型的锂电池核电状态预测方法，实现了锂电池核电状态的快速且精确预测。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种基于CNN-LSTM模型的锂电池核电状态预测方法。本发明的技术方案如下：

一种基于CNN-LSTM模型的锂电池核电状态预测方法，其包括：数据集准备阶段、模型训练阶段和模型验证阶段，其中，

数据准备阶段用于选择并分析适用的数据集，并对该数据集进行预处理，最后将其分割为模型训练与验证所需的数据集。

模型训练阶段用于得到一个基于CNN-LSTM组合模型的锂电池核电状态预测模块，具体包括：

CNN-LSTM组合模型由两层卷积层、一层最大池化层、一层LSTM网络层、一层全连接层和一层输出层组成，模型训练过程中锂电池数据先经过两个卷积层运算，提取锂电池数据中的空间特征；卷积层运算结果经过最大池化层，进行数据降采样，减少运算量；经降采样后的数据输入LSTM网络层，提取数据中的时序特性，且在每次运算过程中对部分重要特征进行记忆，用于后续运算；最后将LSTM输出结果输入至全连接层对数据进行特征整合，并经过运算后输出预测值。

模型验证阶段，用于验证训练阶段所得模型的预测能力。

进一步的，所述在数据预处理过程中的去除数据集中的异常点，由于电池的满充容量会随充放电次数的增加而逐渐减小，但数据中存在某些异常下降或上升过大的数据，这些数据直接输入网络进行运算会导致模型在识别数据特征时出错，故需将该部分数据认作异常点而去除，而去除的方法可表示为：

以充放电周期数为序，每个充放电周期的电池满充容量为x_i，对全部充放电周期的所有x_i数据求和后求其均值u，在通过求得的平均值来计算整个电池使用生涯满充容量的方差α，最后通过均值和均方根误差找出所有数据中的最大 Max和最小Min范围。若存在该范围以外数据则去除该周期数据点。而数据中还存在部分异常波动较小的数据，这是由于外部因素如温度、设备电压和电流波动影响而出现的点，这种点是一种伪异常点，不用去除。反而可通过模型学习这种波动带来的变化，从而更好的模拟外部因素变化时锂电池核电状态状态的变化。

进一步的，所述在数据预处理过程中的归一化处理，由于温度数据与锂电池电压、电流数值差异较大，会导致模型训练不收敛或者收敛慢的情况，因此需对其数据进行归一化处理，降低数据之间的差异。具体归一化处理方法为：

上式中x表示每中特征数据值，以温度为例，Minx和Maxx分别表示数据集中温度的最小值和最大值，y则为归一化后的温度数值。通过刚方式可将参数的数值限制在(0,1)之间，可以极大节省训练时间和难度。完成数据预处理后按照4:1的比例将数据集划分为训练集和测试集。

进一步的，所述在数据预处理过程中的数据排列，将训练集数据按照电池电压、电流、温度、核电状态以时间为序排列成二维表格形式，测试集数据则只放入电池电压、电流和温度三种参数。即组合成模型训练和模型验证的数据输入形式。

进一步的，所述模型搭建过程中，由于锂电池数据是一种时间序列数据，因此选用适用于时序数据的卷积神经网络1D-CNN，且1D-CNN具有训练快、可并行运算等优势；长短期记忆神经网络LSTM因其具有记忆功能，解决了传统RNN 易于梯度爆炸和梯度消失的问题，因此常用于时序数据处理，可以很好的提取电池数据中的时序特性，且提取过程中保存部分重要特征，参与下次运算达到更为精确的预测性能。

进一步的，所述模型训练中引入RMSE和模型收敛速度作为模型预测性能评判标准，利用已划分好的训练集对搭建好的模型进行训练，且在训练过程中以均方根误差RMSE与训练开始至收敛的训练次数作为模型评判标准。其中均方根误差运算方式为：

RMSE的运算方式，是通过计算训练过程中的预测结果x_t和数据集的真实值y_t之间的误差。因此可以通过该误差值来判断模型预测能力。而模型收敛速度则可以看出模型是否能在短时间内贴近训练集中的真实值。

进一步的，模型进行优化设计过程中主要优化手段有超参数优化与模型层级优化。超参数优化主要是查看模型训练过程中的收敛曲线，在训练不收敛时降低学习率、在收敛过慢时以0.0001位间隔缓慢上调学习率直至模型稳定收敛、在收敛过快时可降低训练次数；模型层级优化主要是平衡收敛时长与预测误差，通过在不影响预测误差的情况下减少全连接层和卷积层的层数达到减少运算资源消耗和降低运算时长的目的。对通过以上两种优化手段后得到的最优模型进行保存。

进一步的，模型验证阶段将提前划分好的测试集输入已训练好的模型中，通过查看运算时长和预测误差，当存在测试集上表现很差时代表网络已经过拟合，此时需增大训练数据输入量或者减少网络层数，以增加输入模型特征或者降低模型复杂度。而当模型在测试集上表现的测试能力贴近训练集表现能力时，表示该模型已具备精准且快速的预测能力。经过以上流程最终实现一个浅层的神经网络模型即可对锂电池核电状态进行快速有效的预测。

本发明的优点及有益效果如下：

1、本发明方法提供一种基于数据方差和均值的异常点去除方法，对数据集中出现异常偏大的数据进行剔除。同时保留偏移量较小伪异常点，这是因为当测量环境存在温度、设备供给电压和电流出现波动时，导致测量值出现不符合变化规律的数据。通过保留这种特性，在模型训练过程中会学习到环境和设备波动带来的影响特性。

2、本发明提供一种基于1D-CNN、LSTM和FC三种网络结构的组合模型对锂电池核电状态进行在线预测。充分利用卷积神经网络可提取数据中的空间特性与分类特性；LSTM网络具备提取时序数据中的时间特性，且可对数据中的重要特性进行记忆的特点；通过FC模型组合并输出最终预测值。通过三种模型的组和，构建一个锂电池核电状态的精准预测模型。

3、本发明采用马里兰大学锂电池数据集CALCE中的CS2系列开源数据集进行训练与验证，从该数据集中提取出锂电池每个充放电周期的电压、电流、温度、容量等参数，将电压、电流、温度三个参数作为预测锂电池核电状态的特征参数，将数据集中前80％的数据作为模型训练集，后20％作为测试集。网络模型参数包含：隐藏层节点32，初始化学习率0.01，优化器Adam，训练次数50，激活函数卷积层和全连接层采用Relu、LSTM采用Tanh。模型最终在训练过程中20个训练周期即可稳定收敛，在测试集上表现为预测均方根误差0.0185，平均绝对误差0.0486，平均估计耗时为0.8s。实现了高速且精准的锂电池核电状态预测模型。

附图说明

图1为本发明实现CNN-LSTM组合模型预测锂电池核电状态的整体方案流程图。

图2为本发明的CNN-LSTM组合模型实现结构图。

图3为本发明的数据集异常点去除前后对比图。

图4为本发明模型训练收敛效果图。

图5为本发明的模型在测试集上的预测值与真实值对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本发明解决上述技术问题的技术方案是：

本申请实例为一种基于CNN-LSTM组合模型的锂电池核电状态预测方法。

实施例

如图1所示，基于CNN-LSTM组合模型的锂电池核电状态预测方法实现主要分为三个阶段：数据集准备阶段、模型训练阶段以及模型测试阶段。数据准备阶段用于选择并分析适用的数据集，并对该数据集进行预处理，最后将其分割为模型训练与验证所需的数据集；模型训练阶段用于得到一个基于 CNN-LSTM组合模型的锂电池核电状态预测模块，并经过模型优化得到一个预测精度高速度快的模型；模型验证阶段，用于验证训练阶段所得模型的预测能力。

如图2所示，为CNN-LSTM组合模型实现结构图，该组合模型主要由一个数据输入层、两层1D-CNN、一层最大池化层、一层LSTM网络、一层全连接层以及一个输出层组成。其中数据输入层大小为3*5；第一层卷积所采用卷积核大小为3*2，卷积核个数为32，故该层输出大小为4*32；第二层卷积所用卷积核大小为2*32，卷积核个数为32，故该层输出大小为3*32；最大池化层采用3 选1的方式，即对比经过同一卷积核运算的3个输出数据，选择其中最大的一个进行保留，故其输出为1*32；LSTM网络设置为32个单元，由于LSTM网络中涉及输入门、遗忘门、记忆门以及输出门四种门运算，意味着是平常32个神经元的全连接层运算量的四倍，考虑到运算量的消耗和运算时间之间的平衡选用一层LSTM即可，故该层的数据输出为32个；全连接层设置32个神经元，整合前期网络所提取特征数据，最后通过一个输出神经元输出预测值。

现有的锂电池核电状态方法，主要是基于锂电池化学反应来建立锂电池等效电路模型，由于不同工况下锂电池化学反应会呈现不同的状态，因此很难建立起一种适用于所有情况下的等效模型，且由于其模型参数推导复杂以及后续运算量大等问题成为了该方法的研究难点。而当前基于数据驱动法，大多数应用在锂电池状态预测领域的还仅限于采用较为简单的人工神经网络或BP神经网络进行，以上模型存在学习能力不足的问题。因此引入学习特征能力强的CNN 以及具备记忆能力的LSTM可以极大地改善以上不足之处，且随着AI技术的兴起，神经网络的开发难度逐渐降低，进而降低了它的研究门槛，将其运用在锂电池核电状态预测上可以避免进行复杂的等效模型建立和参数推导。因此实现了采用基于CNN和LSTM为主要网络的锂电池核电状态精准预测模型。

如图3所示，为数据集异常点去除前后对比图，图3(a)为异常点去除前数据，图3(b)为异常点去除后数据。通过上述公式(1)，利用整个数据集中电池容量的方差和均值，去除整个锂电池使用生涯中的异常波动数据而保存因外部因素波动引起的伪异常点。

如图4所示，为模型训练过程中误差收敛图，从图中可以看出模型训练误差随训练次数的增加而降低，并在训练次数为25次左右误差达到稳定状态，即模型完成收敛。由此可以看出该模型可以在较短的时间内学习到锂电池数据的变化规律，且这也代表所选取用于预测锂电池核电状态的特征参数与锂电池核电状态之间存在极高的相关性。

如图5所示，为模型在测试集上的表现图，随机在测试集中选取一个放电周期的锂电池数据，将其输入保存的最佳模型中进行核电状态的预测。通过分别拟合输入周期对应的核电状态真实值以及模型预测值的曲线，进行对比可以看出该模型具有精确能力。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims

1.一种基于CNN-LSTM模型的锂电池核电状态预测方法，其特征在于，该方法包括以下步骤：

S1：对现有开源锂电池数据集进行筛选，选择适用于锂电池核电状态预测的数据集；

S2：查看并分析数据集中电池充放电容量与各特征之间的关系，确定采用电池当前电压、电流和温度作为核电状态预测的特征参数；

S3：对选取的特征数据集进行数据预处理和数据分割，依据所选特征将数据集划分为训练集和测试集；

S4：构建CNN、LSTM与FC的组合模型，其中数据流向为锂电池数据输入CNN，运算结果输入LSTM，最后通过FC整合并输出核电状态预测值；

S5：将上述训练集对搭建的模型进行训练，在训练过程中依据模型训练收敛速度和预测误差作为模型评估标准；

S6：通过收敛速度与预测误差对模型进行层级优化和超参数优化，并保存最优模型；

S7：把验证集数据输入保存模型中进行模型预测性能评估。

2.根据权利要求1所述的一种基于CNN-LSTM模型的锂电池核电状态预测方法，其特征在于：所述步骤S1中，数据集的选择要适用于锂电池核电状预测，最终选择马里兰大学锂电池数据集CALCE中的CS2系列数据集，该数据集测试内容包含在室温(25℃)环境条件下，对CS2系列锂电池进行充放电，直至电池达到寿命终止，即电池最大容量降低至额定容量的30％，其中充电方式以恒流模式将电池充电至两端电压达4.2V，后以恒压模式充电至电流小于20mA；放电时以恒流模式进行，放电至电池两端电压到2.7V。且该数据集有包括电池端电压、电流、环境温度以及电池核电状态等17个参数可供选择使用，因此满足研究所需。

3.根据权利要求1所述的一种基于CNN-LSTM模型的锂电池核电状态预测方法，其特征在于：所述步骤S2中，数据集的分析过程中，通过将数据集中的元素与锂电池核电状态进行绘图，查看各元素与锂电池核电状态之间的相关性。经对比后发现锂电池当前端电压、端电流以及环境温度更适用于锂电池核电状态预测，尤其是电池端电压与电池核电状态呈现正相关特性。因此选其作为锂电池核电状态的预测参数。

4.根据权利要求1所述的一种基于CNN-LSTM模型的锂电池核电状态预测方法，其特征在于：所述步骤S3中，对特征数据集进行数据预处理需三个步骤完成；

其一是去除数据集中的异常点，在数据预处理过程中的去除数据集中的异常点，由于电池的满充容量会随充放电次数的增加而逐渐减小，但数据中存在某些异常下降或上升过大的数据，这些数据直接输入网络进行运算会导致模型在识别数据特征时出错，故需将该部分数据认作异常点而去除，而去除的方法可表示为：

以充放电周期数为序，每个充放电周期的电池满充容量为x_i，对全部充放电周期的所有x_i数据求和后求其均值u，在通过求得的平均值来计算整个电池使用生涯满充容量的方差α，最后通过均值和均方根误差找出所有数据中的最大Max和最小Min范围。若存在该范围以外数据则去除该周期数据点。而数据中还存在部分异常波动较小的数据，这是由于外部因素如温度、设备电压和电流波动影响而出现的点，这种点是一种伪异常点，不用去除；反而可通过模型学习这种波动带来的变化，从而更好的模拟外部因素变化时锂电池核电状态状态的变化；

其二由于温度数据与锂电池电压、电流数值差异较大，会导致模型训练不收敛或者收敛慢的情况，因此需对其数据进行归一化处理，降低数据之间的差异。具体归一化处理方法为：

上式中x表示每中特征数据值，以温度为例，Minx和Maxx分别表示数据集中温度的最小值和最大值，y则为归一化后的温度数值。通过刚方式可将参数的数值限制在(0,1)之间，可以极大节省训练时间和难度。完成数据预处理后按照4:1的比例将数据集划分为训练集和测试集；

最后将训练集数据按照电池电压、电流、温度、核电状态以时间为序排列成二维表格形式，测试集数据则只放入电池电压、电流和温度三种参数。即组合成模型训练和模型验证的数据输入形式。

5.根据权利要求1所述的一种基于CNN-LSTM模型的锂电池核电状态预测方法，其特征在于：所述步骤S4中，构建CNN、LSTM和FC组合模型，对于组合模型的搭建；首先，锂电池数据以二维表格形式输入模型，故采用1D-CNN模型来提取数据集中的空间特征；其次锂电池数据是一种严格遵循时间变化而变化的时序数据，因此采用LSTM模型进行数据的时间特性；最后通过FC层对特征整合并输出模型预测值；从而得到整个锂电池核电状态预测方法的模型。

6.根据权利要求1所述的一种基于CNN-LSTM模型的锂电池核电状态预测方法，其特征在于：所述步骤S5中，利用已划分好的训练集对S4步骤中搭建好的模型进行训练，且在训练过程中以均方根误差RMSE与训练开始至收敛的训练次数作为模型评判标准。其中均方根误差运算方式为：

RMSE的运算方式，是通过计算训练过程中的预测结果x_t和数据集的真实值y_t之间的误差；因此可以通过该误差值来判断模型预测能力。而模型收敛速度则可以看出模型是否能在短时间内贴近训练集中的真实值。

7.根据权利要求1所述的一种基于CNN-LSTM模型的锂电池核电状态预测方法，其特征在于：所述步骤S6中，依据步骤S5训练结果，对模型进行优化设计。主要优化手段有超参数优化与模型层级优化。超参数优化主要是查看模型训练过程中的收敛曲线，在训练不收敛时降低学习率、在收敛过慢时以0.0001位间隔缓慢上调学习率直至模型稳定收敛、在收敛过快时可降低训练次数；模型层级优化主要是平衡收敛时长与预测误差，通过在不影响预测误差的情况下减少全连接层和卷积层的层数达到减少运算资源消耗和降低运算时长的目的；对通过以上两种优化手段后得到的最优模型进行保存。

8.根据权利要求1所述的一种基于CNN-LSTM模型的锂电池核电状态预测方法，其特征在于：所述步骤S7中，将提前划分好的测试集输入S6步骤中保存的最优模型中，验证模型是否具备好的预测性能，且根据验证结果对模型进行再次微调。