基于GRU的锂电池组健康状态预测研究

曹广华, 赵中林, 许昀昊

(东北石油大学 电气信息工程学院, 黑龙江 大庆 163318)

0 引 言

近年来, 新能源汽车逐渐兴起, 锂电池因其具有寿命长、 污染低、 成本低廉等优点被作为常用的动力来源。由于锂电池在反复充放电过程中其性能和容量都会发生衰退[1], 当下降到一定阈值时将会更加明显。因此, 对电池组的健康状态进行准确预测是电池组稳定运行的重要保障[2]。目前, 国内外提出的电池健康状态预测方法主要可分为两类： 基于模型法和数据驱动法[3]。

基于模型的方法主要有电化学分析法和等效电路模型(ECM: Equivalent Circuit Model)分析法[4]。电化学分析法是依据物质的电化学基本性质、原理以及变化, 并结合滤波器或观测器进行定性处理和分析的方法[5]。徐超等[6]利用观测得到的SOH(State Of Health)指标进行模型的映射, 使用萤火虫优化和粒子滤波相结合建立退化状态转移方程, 通过测量方程描述指标与SOH之间的映射关系, 预测锂电池组的SOH。相比之下, 等效电路模型分析法将复杂的机理进行等效变换, 使其保持相同的作用。由于后者结构相对简单, 因而得到了广泛应用[7]。任璞等[8]对锂电池组构建二阶RC等效电路模型, 从内阻和容量方面分析SOH的变化趋势, 构建离散状态空间方程, 通过参数辨识, 导入拟合方程, 评估锂电池组的健康状态。由于不同的模型结构会影响预测指标的精度, 因此, 等效电路模型法的适应性较差。基于数据驱动的方法, 根据锂电池内部的化学反应演变[9], 不需要考虑其内部化学反应机理, 根据测量数据即可预测锂电池组的SOH, 成为当前研究锂电池SOH预测的热点技术。王宇胜等[10]使用长短期记忆网络(LSTM: Long Short-Term Memory)捕捉容量和电压数据随时间变化的依赖关系, 与支持向量回归(SVR: Support Vector Regression)相结合算法对锂电池组的SOH进行估计, 得到了较好的预测精度。

在以往的研究中, 电池组的指标是预测锂电池SOH时广泛被选取的指标, 而通常电池组是由多个单体电池通过串联和并联等方式连接的。笔者通过研究单体电池间的相互作用对电池组的影响, 同时将环境温度作为输入辅助预测锂电池的SOH, 从而改善电池组的SOH预测精度。在不同连接结构下, 使用深度学习门控循环单元挖掘每个充电周期下单体电池之间的相互关系, 保留SOH数据随时间变化特征进行预测。预测结果与只使用电池组指标预测结果进行对比, 通过数据曲线描述退化过程, 同时使用相对误差分析SOH预测精度, 证明其可行性。

1 锂电池的健康参数

锂电池的荷电状态(SOC: State Of Charge)[11]是电池均衡工作的重要依据。由于锂电池SOC是非线性的, 通常使用安时积分法[12], 根据时间、 电流和温度等外部特征, 通过对时间和电流进行积分, 计算流入和流出电池的总电量, 通过电量表示容量, 进而估算锂电池的SOH。电池的当前容量Q可表示为

(1)

其中I为放电电流,K为常数,K=ktη,kt为温度修正系数,η为充放电效率指数。可见, 在每个周期序列, 电池温度和环境温度对容量有很大影响, 使用相关温度辅助预测SOH有重要意义。在周期性的充放电过程中, 电池额定容量会降低。这里取锂电池衰减容量阈值为额定容量的80%,使用电池容量损失L表达电池的SOH,Q0为初始容量, 则电池的SOH表示为

(2)

2 基于门控循环单元的预测模型

在深度学习中, 通常使用循环神经网络(RNN：Recurrent Neural Networks)[13]处理序列问题。RNN如图1所示, 输入x0向量到A中, RNN会更新状态向量h0,同时将此刻的状态信息h0与第2个输入x1输入到A中, 这样h1包含了第1个和第2个输出的信息。参数A只有一个, A随机初始化, 用训练数据学习A, 将A优化成最佳值。总体来说, RNN当前的输入是由上一个状态和当前输入决定的, 这就使网络拥有了记忆功能。RNN在训练过程遵循梯度下降原则, 拟合真实值和预测值之间的差值, 从而达到最优损失值。

图1 循环神经网络示意图 图2 GRU模型结构图

在反向传播过程中, RNN会出现梯度消失现象, 并且无法解决网络长依赖的问题[14]。假如时间序列很长, 标准RNN很难将前面的信息传递到最后, 可能会漏掉开始时最重要的信息。RNN的另一种变体----门控循环单元(GRU： Gated Recurrent Unit)[15]的出现很好地解决了上述问题。其使用门控机制控制输入信息和记忆信息, 并在当前时间状态下给出预测信息。GRU通过两个门控制神经网络的输出, 能长时间保存时间序列信息, 不会随时间推移和预测结果不同而被丢弃。GRU模型如图2所示。

GRU两个门分别是重置门和更新门, 表达式如下

rt=σ(Wr·[ht-1,xt]+br)

(3)

zt=σ(Wz·[ht-1,xt]+br)

(4)

其中xt为当前时刻输入,ht-1为上一时刻的隐藏状态,σ为Sigmoid激活函数,W为当前权重矩阵,br为偏置参数。Sigmoid激活函数将重置门和更新门的值域转换为(0,1)区间内。候选隐藏状态

ht1=tanh(W·[rtht-1,xt]+bn)

(5)

其中tanh为激活函数,W为当前的权重矩阵,bn为偏置参数。重置门rt和上一个隐藏状态按元素乘积, 如果rt为0, 则上一个隐藏状态被丢弃, 仅使用当前的输入。

如果rt=1, 上一时刻的隐含状态将被保留同时作为输入。最后通过tanh激活函数将值域转换为(-1,1)区间范围内。最后隐藏状态

ht=(1-zt)ht-1+ztht1

(6)

更新门zt控制过去隐藏状态和当前候选隐藏状态信息的组合, 当zt=1时, 当前隐藏状态被丢弃, 过去的隐藏状态通过时间的保存传递到当前时刻。因此门控循环机制很好地解决了梯度消失现象, 同时能更好地捕捉时间序列数据中间隔较大的相互依存关系。所以选用GRU模型挖掘电池单体间复杂的相互关系, 同时经过dropout层降低网络复杂度, 最后使用全连接层将维度变换, 保存有用的信息, 构建出完整的预测模型。基于GRU的锂电池组健康状态预测模型如图3所示。

图3 基于GRU的锂电池组健康状态预测模型示意图

3 实验与分析

3.1 实验数据(退化信息)获取

针对不同的连接结构, 在串联、并联电池连接下, 采用18650型锂离子电池, 采集350个周期下充放电运行数据。18650锂离子电池容量大, 寿命长, 稳定性好, 普遍作为电动汽车、电子产品等产品动力能源。数据的采集使用新威电池检测系统与计算机相连接。在室温下, 采集每个周期下电池组的充放电状态下的容量数据, 同时采集电池的实时温度作为电池SOH预测指标。为模拟真实环境, 使用传感器采集周围环境温度对电池的影响。以单体电池串联预测为例, 前5行数据处理后的SOH指标数值如表1所示。

表1 SOH预测指标

3.2 模型的输入与输出

该实验仿真处理基于CPU(Inter core i5-10400 2.9GHz)、 GPU(NVIDIA GeForce RTX2060 6GByte)、 Windows操作系统和Anaconda下Jupyter Notebook环境。通过电池组指标进行预测时, 使用周期序列和环境温度序列作为输入, GRU模型进行训练和超参数调整, 输出电池组的SOH预测数据。使用单体电池进行预测时, 第1个单体电池SOH数据使用周期序列和电池温度序列作为输入, 用神经网络表示内部交互关系, 输出为第1个单体电池SOH数据。第2个单体电池预测方法同样如此, 在350个周期下, 将训练集、 验证集、 测试集按7 ∶2 ∶1的比例划分, 数据正则化操作后, 训练集维度为(245,1,2), 验证集维度为(70,1,2), 测试集维度为(35,1,2), 经模型训练、 参数调整后, 输出得到第1个单体电池及其SOH数据, 将周期序列和环境温度序列同时作为输入, 辅助预测电池组SOH, 经过GRU模型训练和参数调整后, 得到电池组的预测数据。同时进行交叉验证, 每次预测后, 将训练集和验证集重新划分, 得到新的电池组预测数据。基于单体电池的电池组SOH 预测流程图如图4所示。

图4 单体电池SOH预测流程图

3.3 超参数解决办法

模型训练过程中, 需要对超参数进行优化, 选用relu激活函数, 其计算简单, 收敛速度快。在回归问题中, 使用均方误差(MSE: Mean Squared Error)损失函数求解模型, MSE公式为

(7)

标准的梯度下降算法计算步骤较多, 上下波动很大, 速度慢, 无法使用大的学习率。Adam优化算法运行速度快于标准梯度下降算法, 通过参数在某一方向震荡幅度调整该方向的学习率和梯度下降的步长, 进而降低震荡幅度, 寻找到梯度下降方向的最优值。同时在训练过程中, 使用dropout算法将隐藏层神经单元按照指定的概率随机丢弃, 降低了网络的复杂程度, 使模型训练更快。

3.4 预测指标分析

在串联和并联结构下, 分析单体电池和电池组容量序列数据同充放电周期之间的关系。单体电池和电池组容量随充放电周期的平滑散点图如图5、 图6所示。从图5，图6可以看出, 容量和充放电周期之间呈线性关系。其中相关系数大于0.96, 说明两者间存在强相关性。在一定次数的充放电周期条件后, 串联和并联连接下锂电池的容量都会产生衰退, 即曲线呈现出负相关性。

图5 串联电池容量和周期的关系

图6 并联电池容量和周期的关系

3.5 预测结果分析

取10次交叉验证后30个周期SOH的最优预测曲线, 如图7所示。在串联和并联的连接结构下, 分别使用GRU模型和常用的LSTM模型进行预测, 可以看出两种模型下单体电池指标和电池组指标预测曲线均高于原始实验数据, 说明模型给出较好的预测寿命。图7中原始实验数据出现了一定的波动, 使用电池组指标进行SOH预测的曲线相对平坦, 无法描述电池组的动态衰退过程, 使用单体电池预测方法能很好地表达出电池组的动态衰退信息。串联结构下使用LSTM模型进行预测时, 单体电池预测曲线在第345和348个数据点出现异常波动,在并联结构下出现同样的情况。GRU模型很好地跟随了这些波动, 因此选用GRU模型预测结果更为精确。

图7 SOH预测

为进一步比较串联和并联下单体电池和电池组SOH预测结果的准确性, 使用相对误差(Relative Error)更能体现出测量结果的可信度。相对误差Er表示如下

(8)

其中y′为SOH预测数据,y为原始数据, 在串联和并联方式下, GRU模型预测的相对误差曲线如图8所示。

图8 相对误差曲线

从图8可以看出, 在串联和并联方式下, 因为电池组中单体电池之间的相互作用影响, 使用电池组指标预测的误差均高于用电池单体指标预测的误差。说明单体电池指标预测更加符合原始数据, 预测稳定性更高。其中串联方式下使用单体电池指标预测的最大相对误差为0.87%, 与文献[17]相比, 最大相对误差降低了0.15%, 得到了更高的准确度。

4 结 语

笔者使用数据驱动的方法, 采用神经网络表达单体电池内部交互关系, 使用GRU模型挖掘每个周期序列下单体电池之间的相互影响预测SOH。结果表明, 在串联和并联的连接结构下, 使用单体电池指标预测效果好于使用电池组指标预测效果, 其相对误差较小, 预测曲线更接近实际实验数据, 很好地体现出了单体电池之间复杂的相互影响, 证明了预测方法的有效性。本研究在已有的研究锂电池SOH实时监测方法下, 为更合理地选取电池预测指标提供了新思路。同时在其它新型电池SOH预测的适用性上还需进一步研究验证。