基于BP神經網絡的鋰電池剩余壽命預測

王鐘毅，姬曉，左思

（1.長安大學汽車學院，陜西 西安 710000；2.遼寧工業(yè)大學汽車與交通工程學院，遼寧 錦州 121000）

前言

鋰離子電池因其工作電壓高、比能大、無記憶效應、循環(huán)壽命長以及自放電率小等優(yōu)點已被廣泛應用于生活中的很多領域[1]。然而鋰離子電池在充放電過程中受到內外界環(huán)境和不規(guī)范操作的影響，造成其逐漸老化，最終導致系統性能的下降與故障率的上升。因此，為了保證系統的可靠性與安全性，需要對鋰離子電池的健康狀態(tài)進行估計及預測，從而為工作人員維修決策及保養(yǎng)計劃提供指導。

1 BP神經網絡

BP神經網絡是一種多層前饋神經網絡，該網絡的特點是信號前向傳遞，誤差反向傳播。在前向傳遞中，輸入信號從輸入層經隱含層逐層處理，直至輸出層。每一層神經元狀態(tài)只影響下一層神經元狀態(tài)。如果輸出層得不到期望輸出，則轉入反向傳播，根據預測誤差調整網絡權值和閾值，從而使BP神經網絡預測輸出不斷逼近期望輸出[2]。BP網絡的拓撲結構如圖1所示：

圖1 BP神經網絡括撲結構圖

其中，X1，X2，...，Xn是 BP 神經網絡的輸入值，Y1，Y2，...，Y m是BP神經網絡的預測ωij和ωjk是BP神經網絡的權重。

具體步驟如下：

（1）初始化，確定結點個數，隨即給定各個權值與閾值；

（2）由給定的輸入計算出實際輸出與隱含層神經元的輸出；

（3）計算實際值與期望值的誤差，求出輸出層的誤差與隱含層的誤差；

（4）根據得到的誤差更新節(jié)點間的權值；

（5）重復步驟（3）-（4）計算損失函數，直到損失函數小于事先給定的閾值或迭代次數用完為止。

2 剩余壽命預測

2.1 數據來源

本文使用的數據為 NASA鋰離子電池循環(huán)壽命實驗數據，該實驗中有四個鋰離子電池（5號，6號，7號和18號）在室溫下經過3種不同的操作（充電，放電和阻抗）。以1.5A的恒定電流（CC）模式進行充電，直到電池電壓達到4.2V，然后以恒定電壓（CV）模式繼續(xù)充電，直到充電電流降至20mA。以2A的恒定電流（CC）進行放電，直到電池5，6，7和18的電池電壓分別降至2.7V，2.5V，2.2V和2.5V。阻抗測量是通過從0.1Hz到5kHz的電化學阻抗譜（EIS）頻率掃描進行的。重復的充電和放電循環(huán)會導致電池加速老化，而阻抗測量則可以深入了解隨著老化的進行而變化的內部電池參數。當電池達到壽命終止（EOL）標準時即終止實驗，該標準是額定容量（從2Ahr降至1.6Ahr）下降了20%。該數據集可用于預測剩余電荷（對于給定的放電周期）和剩余使用壽命（RUL）。其循環(huán)壽命圖像如圖2所示：

圖2 鋰離子電池循環(huán)壽命圖像

從圖中可以看出，動力電池容量衰減軌跡通常分為兩個階段：階段1為非線性容量迅速衰減段；階段2為容量近似衰減段。兩個階段的分界點在80-100次循環(huán)間。階段1中動力電池容量經歷了較快的衰減過程，其主要原因是動力電池負極SEI膜形成的過程中消耗了內部的活性物質。階段2中動力電池SEI膜已經完全形成，此時容量相對穩(wěn)定且衰減速率降低，從而產生了近似線性的容量衰減軌跡。

2.2 循環(huán)壽命預測

以#5鋰離子電池循環(huán)壽命試驗數據進行壽命預測，以前50%的數據進行訓練，以后50%的數據進行預測，得到的圖像如圖3所示。

從圖中可以看出，鋰離子電池壽命終止循環(huán)次數為 73次，而神經網絡預測得到的結果為75次，相對誤差為0.027，誤差在允許范圍內。結果表明利用 BP神經網絡對鋰離子電池循環(huán)壽命進行預測可以得到較為精確的結果。

圖3 BP神經網絡預測圖

3 結論

對鋰離子電池進行有效的剩余壽命預測不僅可以提高系統的可靠性和可維護性，而且還有利于預防系統故障發(fā)生帶來的災難損失。本文采用 BP神經網絡對鋰離子電池循環(huán)壽命進行預測，結果表明 BP神經網絡在鋰離子電池壽命預測方面精度較高，為鋰離子電池壽命研究提供一個方法。但是由于電池是高度非線性系統，對精確度和穩(wěn)定性的要求越來越高，且 BP神經網絡算法也在許多缺陷，后續(xù)需要對算法進行進一步的改進，已達到實車使用的效果。