基于IPSO-Elman的鋰電池剩余壽命預測

劉子英 錢超 朱琛磊

摘 ?要： 針對傳統埃爾曼（Elman）神經網絡在預測過程中初始權值和閾值隨機性選取，易陷入局部極小化問題，為提高鋰電池剩余壽命的預測精度，提出一種基于自適應權重的改進粒子群（IPSO）?埃爾曼（Elman）神經網絡預測鋰電池剩余壽命的方法。針對鋰電池測量數據中伴隨的噪聲，利用高斯去噪，削弱數據中的噪聲影響，提取原始數據;再利用IPSO全局搜索的能力對Elman神經網絡的初始參數進行優化;最后基于美國國家航空航天局（NASA）提供的鋰電池測量數據，對提出的方法進行有效性驗證，并與常規的BP，Elman算法進行對比。預測結果表明，IPSO?Elman預測誤差在不同訓練樣本下都小于BP，Elman算法，表現出較強的適應能力。

關鍵詞： 鋰電池; 剩余壽命預測; IPSO?Elman; 預測建模; 高斯去噪; 參數優化

中圖分類號： TN606?34; TM912 ? ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ? ? ?文章編號： 1004?373X（2020）12?0100?06

Abstract： The random selection of initial weights and thresholds in the prediction process of traditional Elman neural network is easy to fall into the problem of local minimization. A method of lithium battery remaining life prediction based on IPSO（improved particle swarm optimization）?Elman neural network is proposed to increase the prediction accuracy of the remaining life of the lithium battery. In allusion to the concomitant noise in the lithium battery measurement data， Gaussian is used to reduce the noise and the impact of noise in data， and extract the original data; the initial parameter of the Elman neural network is optimized by using the IPSO global search capability; and then the effectiveness of the proposed method is verified based on the lithium battery measurement data provided by NASA （national aeronautics and space administration）， and compared with conventional BP and Elman algorithms. The prediction results show the prediction error of IPSO?Elman is smaller than that of BP and Elman algorithms under different training samples， which shows a stronger adaptability.

Keywords： lithium battery; remaining life prediction; IPSO?Elman; predictive modeling; Gaussian de?noising; parameter optimization

0 ?引 ?言

鋰電池具有體積小、能量密度高、續航時間長等優點，被廣泛應用于移動電子設備、電動汽車、電力系統的儲能上。鋰電池的續航時間長于鎳鎘電池，使用時的安全等級高于氫電池，現已成為電池行業的主流研究方向。然而，鋰電池會隨著使用過程中不斷的充放電，內部發生復雜的物化反應，導致電池性能下降，直到失效。因此對鋰電池的健康狀態（State of Health，SOH）和剩余使用壽命（Remaining Useful Life，RUL）的預測成為當前國內外的研究熱點[1?4]。

常見的電池RUL的預測方法有兩種：一種是基于模型的方法，即通過建立物理?數學模型來表示鋰電池性能退化過程，如Bloom等人建立的溫度、時間的Arrhenius模型[5]，李哲等人建立的充放電倍率和截止電壓的鋰電池老化耦合模型[6]，還有卡爾曼濾波（Kalman Filtering，KF）[7?8]模型、粒子濾波（Partical Filtering，PF）[9]模型等。由于鋰電池內部正負極和電解液的副反應[10]、電池內部粒子濃度的變化[11]，以及SEI膜的變化[12]，導致模型參數不好設計，且易受外界因素干擾，因此建立一個能夠準確表征鋰電池RUL且普遍適用的物理?數學模型并不易于實現。另一種是數據驅動的方法，其不需要了解鋰電池內部的復雜生化反應，只需監測外部數據，通過機器學習分析數據來達到預測效果，因其靈活性與普適性，在鋰電池的壽命預測方面運用得更為廣泛。如姜媛媛等人利用等壓降放電時間，基于極限學習機（Extreme Learning Machine，ELM）的方法[13]，間接對鋰電池的RUL進行預測，其預測精度依賴于等壓降放電時間與鋰電池容量退化間的相關性，預測精度為5%左右。張朝龍等人采用多核相關向量機（Multiple Kernel Relevance Vector Machine，MKRVM）的方法對鋰電池的RUL進行預測，但在訓練過程中易忽略有用信息，導致泛化性能不佳[14]。謝文強利用遺傳算法（Genetic Algorithm，GA）優化后的BP神經網絡確定了放電電流和放電電壓與鋰電池RUL的關系，但并未考慮GA算法的早熟問題和模型在不同樣本下的預測穩定性[15]。張金國等人利用平均影響值（Mean Impact Value，MIV）篩選BP神經網絡的輸入參數的方法，建立鋰電池的RUL預測模型[16]，討論充放電總電壓、電池內阻、單體一致性對鋰電池容量退化的影響，采用電池內阻作為單一變量輸入，預測誤差超過5%。BP神經網絡屬于靜態的網絡，而鋰電池的容量退化過程屬于動態過程，將BP神經網絡用來預測鋰電池的RUL時，往往預測的精度并不理想。與BP神經網絡相比，Elman神經網絡多了具有記憶功能的關聯層，將上一時刻和這一時刻的狀態一起作為狀態的反饋輸入，使預測系統具有適應性和時變性，能更精確預測鋰電池的容量退化過程。然而Elman神經網絡和BP神經網絡一樣，在小樣本條件下，易陷入局部極小化的問題。另外，如果Elman神經網絡的初始閾值和權值設置的不合適，那么將不易于收斂，達不到理想預測精度。粒子群算法（Particle Swarm Optimization，PSO）具有收斂速度快、尋優精度高的特點，將PSO算法和Elman神經網絡相結合，可以克服Elman神經網絡的不足。

本文采用自適應權重的改進粒子群算法（Improved Particle Swarm Optimization，IPSO）優化Elman神經網絡的權值和閾值，建立IPSO?Elman神經網絡的鋰電池RUL的預測模型，數據仿真驗證了IPSO?Elman預測鋰電池壽命是切實可行的。

1 ?IPSO?Elman模型原理

1.1 ?Elman神經網絡

Elman神經網絡是一種動態的神經網絡，包括輸入層、隱含層、關聯層與輸出層四層結構。在傳統的BP神經網絡上添加延時算子的關聯層，讓系統具有動態記憶的功能。Elman神經網絡的輸入層用于信號傳輸，隱含層采用線性或非線性的模擬神經元。關聯層將此時刻與上一時刻的狀態作為反饋輸入，提高系統動態處理信息的能力，使網絡具有動態時變性。輸出層傳遞函數為線性函數，主要對單元線性加權。Elman神經網絡結構如圖1所示。

式中：[ωmax]和[ωmin]分別表示[ω]的最大值和最小值;[favg]和[fmin]分別表示當前時刻下微粒的平均目標值和最小目標值。慣性權重[ω]可以隨著目標值的改變而改變，當各微粒的目標值趨于一致，即局部最優時，此時[ω]將增大;當各微粒趨于分散時，此時[ω]將減小。同時對于[f]值優于[favg]值的微粒，因其對應[ω]較小，從而保留微粒;反之，對于[f]值差于[favg]值的微粒，因其對應[ω]較大，使得微粒向較好區域靠攏，這樣就達到了加快全局搜索的速度和局部搜索的精度的目的。

2 ?IPSO?Elman預測模型

IPSO?Elman預測流程圖如圖2所示，主要分兩個部分：左側為Elman神經網絡部分;右側為IPSO優化算法部分。本文采用非線性自適應慣性權重的改進IPSO算法用于優化Elman神經網絡。用IPSO算法的粒子表征Elman網絡的權值和閾值，以Elman網絡的訓練誤差作為IPSO算法的適應度評價值。比較適應度值，更新粒子的速度和位置，找出全局最優解作為Elman網絡的權值和閾值。

IPSO?Elman神經網絡算法步驟：

1） 建立Elman神經網絡拓撲結構，確定Elman網絡的輸入層、隱含層、關聯層和輸出層節點個數。

2） 對輸入數據進行去噪和歸一化處理。

3） 對IPSO算法種群粒子進行實數編碼，種群中每一個粒子的維度，對應Elman網絡的一個權值和閾值。設定粒子規模n之后，在邊界范圍內初始化各粒子，設定加速常數c1，c2;初始權值[ωmax，ωmin];最大迭代次數等參數。

4） 以式（4）作為適應度評價標準，第[i]個粒子如果比更新前位置更優，則更新粒子位置Pbest;粒子中最優的Pbest如果優于種群最優的Gbest，則更新Gbest。

5） 判斷粒子適應度是否達到收斂條件或達到最大迭代次數，是，則IPSO優化結束;否，則返回步驟3）。

6） 將全局最優粒子映射為Elman網絡的權值、閾值，以此結果建立IPSO?Elman預測模型。

7） 輸出預測結果，算法結束。

3 ?仿真實驗與分析

3.1 ?數據預處理

為驗證本文提出的IPSO?Elman優化算法的有效性，采用美國國家航天局（NASA）愛達荷州實驗室（Idaho National Lab）鋰電池的實驗數據進行仿真驗證[17]。圖3為Battery#18號鋰電池容量退化的實驗數據，依據NASA研究中心提供的標準，鋰電池的容量下降至標稱容量的70%時，可認為鋰電池失效。由圖3可以看出，隨著鋰電池充放電的進行，鋰電池容量整體呈現下降的趨勢，但是在小部分周期內，鋰電池容量有短暫且快速地上升，原因可能為測量的誤差、電磁干擾和電池內不可預知的復雜物化反應等。對圖3數據進行高斯去噪，平滑處理，去噪后結果如圖4所示。

3.2 ?IPSO?Elman拓撲結構與相關參數

在Matlab仿真中，用newelm（）函數建立網絡，用premnnmx（）函數對數據歸一化處理。Elman神經網絡主要參數設置：隱層神經元傳遞函數設為tansig（）函數;網絡的訓練函數采用 trainbr（）函數;輸出層神經元傳遞函數設為線性函數purelin（）;隱層節點數采用湊試法，通過實驗比較，最終確定隱層節點數為12時，訓練誤差最小。因此Elman拓撲結構采用3?12?12?1的形式，即含有3個輸入層節點、12個隱層節點、12個關聯層節點、1個輸出節點的網絡結構。IPSO算法粒子維數D=12×3+12×1+12+1=61。設置c1=1.5，c2=2.5;r1，r2為（0，1）間的隨機數;[ωmax]=0.9，[ωmin]=0.4。訓練IPSO?Elman神經網絡時，設定算法最大訓練步數為1 000，訓練目標精度為0.001。

3.3 ?仿真結果與分析

NASA的battery#18號鋰電池總計132個充放電周期的容量退化數據，為避免網絡結構過于復雜，本文采取單步預測模式，數據可劃分：前99個樣本作為訓練集;后33個樣本作為測試集。以訓練集樣本為例，第1到第3個數據作為網絡輸入，對緊隨其后的第4個數據進行預測，然后將第2到第4個數據作為網絡輸入，對第5個數據進行預測，以此類推。IPSO?Elman網絡訓練數據學習結果如圖5所示，圖6是訓練數據與期望結果的殘差。由圖5、圖6可以看出，IPSO?Elman網絡對訓練數據的擬合度比較理想，輸出殘差不超過0.03，平均誤差為0.002 1。

為檢驗本文提出的IPSO?Elman神經網絡預測模型的先進性，將本文提出的IPSO?Elman模型與基本Elman神經網絡模型（各層的傳遞函數和拓撲結構均與IPSO?Elman神經網絡相同）、BP神經網絡模型（構建函數采用newff（）函數，網絡訓練函數采用levenberg?Marquardt（）函數，各層傳遞函數與Elman神經網絡相同）進行對比。預測結果和輸出結果殘差分別如圖7、圖8所示。

由圖7、圖8和表1可以看出，這三種方法都可較好地對測試集中33個鋰電池充放電周期的容量退化數據進行預測，輸出殘差都不超過0.03，滿足實際需求。其中BP神經網絡在三種預測模型中預測波動最大，預測效果較另外兩種方法稍差。IPSO?Elman預測誤差最小，MAE和RMSE分別為0.296%和0.327 5%，表明IPSO算法優化了Elman網絡權值參數，增強了Elman神經網絡的計算與泛化能力。為了更好比較IPSO?Elman預測模型在小樣本預測中的穩定性 ，從99個充放電周期的訓練樣本中等比例抽取66個、33個，同樣再對三種方法進行訓練，將訓練好的網絡模型對同樣的測試集進行電池容量退化數據預測，預測結果如圖9、圖10所示。輸出殘差如圖11、圖12所示。充放電周期時的預測誤差如表2所示。

從圖9～圖12和表2可以看出，隨著訓練樣本數量的減少，三種網絡預測鋰電池容量退化數據的精度都有所下降，其中BP神經網絡的預測誤差隨樣本數量的波動最大，IPSO?Elman網絡變化相對穩定，表現出較強的預測能力。對比預測結果，IPSO?Elman的平均絕對誤差、均方根誤差均小于傳統Elman神經網絡算法，預測精度最高。

4 ?結 ?語

本文提出一種IPSO?Elman網絡預測模型。將兼顧全局搜索和局部尋優的自適應權重的IPSO算法，應用于Elamn神經網絡的權值確定，增強了Elman神經網絡尋優能力。通過利用NASA的鋰電池容量退化數據，在不同訓練樣本下分別對BP，Elman和IPSO?Elman進行驗證。結果表明，本文所構建的IPSO?Elman網絡預測模型與BP神經網絡、Elman神經網絡相比，表現出更優的預測性能;同時，也可以為其他領域的預測研究工作提供借鑒。

注：本文通訊作者為錢超。

參考文獻

[1] HE W， WILLIARD N， OSTERMAN M， et al. Prognostics of lithium?ion batteries using extended Kalman filtering [C]// IMAPS Advanced Technology Workshop on High Reliability Microelectronics for Military Applications. Linthicum Heights： IMAPS， 2011： 17?19.

[2] XIAN W M， LONG B， LI M， et al. Prognostics of lithium?ion batteries based on the Verhulst model， particle swarm optimization and particle filter [J]. IEEE transactions on instrumentation and measurement， 2014， 63（1）： 2?17.

[3] MIAO Q， XIE L， CUI H J， et al. Remaining useful life prediction of lithium?ion battery with unscented particle filter technique [J]. Microelectronics reliability， 2013， 53（6）： 805?810.

[4] LIU D T， LUO Y， LIU J， et al. Lithium?ion battery remaining useful life estimation based on fusion nonlinear degradation AR model and RPF algorithm [J]. Neural computing and applications， 2014， 25（3）： 557?572.

[5] BLOOM I， COLE B W， SOHN J J， et al. An accelerated calendar and cycle life study of Li?ion cells [J]. Journal of power sources， 2001， 101： 238?247.

[6] LI Zhe， LU Languang， OUYANG Minggao， et al. Modelling the capacity degradation of LiFePO4/graphite batteries based on stress coupling analysis [J]. Journal of power sources， 2011， 196（22）： 9757?9766.

[7] LEE S， KIM J， LEE J， et al. State?of?charge and capacity estimation of lithium?ion battery using a new open?circuit voltage versus state?of?charge [J]. Journal of power sources， 2014， 185（2）： 1376?1373.

[8] 李紅巖，毛征，袁建建，等.一種基于算法融合的運動目標跟蹤算法[J].國外電子測量技術，2013，32（12）：36?40.

[9] XING Y J， EDEN W M， KWOK?LEUNG M T， et al. An ensemble model for predicting the remaining useful performance of lithium?ion batteries [J]. Microelectronics reliability， 2013， 53（6）： 811?820.

[10] DELACOURT C， SAFARI M. Life simulation of a graphite/LiFePO4 cell under cycling and storage [J]. Journal of the electrochemical society， 2012， 159（8）： 1283?1291.

[11] AGPURE S C， BHUSHAN B. Atomic force microscopy studies of aging mechanisms in lithium?ion batteries [M]// BHUSHAN Bharat， FUCHS Harald. Applied scanning probe methods XIII. Heidelberg： Springer， 2009： 203?233.

[12] PINSON M B， BAZANT M Z. Theory of SEI formation in rechargeable batteries： capacity fade， accelerated aging and lifetime prediction [J]. Journal of the electrochemical society， 2013， 160（2）： 243?250.

[13] 姜媛媛，劉柱，羅慧，等.鋰電池剩余壽命的ELM間接預測方法[J].電子測量與儀器學報，2016，30（2）：179?185.

[14] 張朝龍，何怡剛，袁莉芬.基于EEMD和MKRVM的鋰電池剩余壽命預測方法[J].電力系統及其自動化學報，2018，30（7）：38?44.

[15] 謝文強.遺傳算法優化BP網絡的鋰電池剩余容量預測[J].儀表技術，2019（1）：35?37.

[16] 張金國，王小君，朱潔，等.基于MIV的BP神經網絡磷酸鐵鋰電池壽命預測[J].電源技術，2016，40（1）：50?52.

[17] SAHA B， GOEBEL K， POLL S， et al. Prognostics methods for battery health monitoring using a Bayesian framework [J]. IEEE transactions on instrumentation and measurement， 2009， 58（2）： 291?296.