基于IndyLSTM的鋰電池充電剩余時間預測

杜京義 劉 鑫 柳慶莉 王佳程

(西安科技大學電氣與控制工程學院 陜西 西安 710054)

0 引 言

鋰電池由于具備循環使用壽命長、無記憶效應、能量密度高、自放電率低和高性價比等優勢,已被廣泛應用于工業、日常生活等領域[1]。充電剩余時間作為鋰電池荷電狀態(State of Charge，SOC)的重要參數，反映了鋰電池充電狀態與時間的關系[2]。充電剩余時間的準確預測能夠有效發現和避免鋰電池過充等不安全行為，為鋰電池的穩定性提供保障。

文獻[3]提出了一種基于三段式的支持向量回歸(SVR)模型來預測鋰電池的充電剩余時間，根據三段式模型分別建立不同的預測模型，但是各個模型的決定參數單一，易受復雜充電環境的影響。文獻[4]針對鋰電池的充電時間受充電溫度的影響，設計了鋰電池在不同溫度下充電、同一溫度下放電的實驗。通過有理數逼近的擬合方法建立不同溫度下的標準充電的經驗模型，根據充電溫度可以預測鋰電池的充電時間。但模型對數據特征的依賴性較強，泛化性較弱。文獻[5]基于擴展卡爾曼濾波-高斯過程回歸(EKF-GPR)并利用日常片段數據可以在有限的誤差范圍內對電池的實時全充時間進行預測，但是對模型的精度要求較高。文獻[6]將信息粒化(IG)和支持向量回歸模型相結合預測鋰電池充電剩余時間，通過信息粒化降低樣本輸入規模，并運用重新組合的樣本對訓練預測模型。但是在樣本有限的情況下表示復雜函數的能力有限。文獻[7]提出一種基于自回歸集成滑動平均模型(ARIMA)和粒子濾波(PF)融合預測框架,對鋰電池剩余使用壽命預測，較好地突出了電池數據隨著時間序列的變化規律，但是在預測中不能較好地表達數據的非線性相關性。

針對上述方法的不足，為了滿足充電剩余時間預測對準確性和穩定性的要求，本文提出基于IndyLSTM的鋰電池充電剩余時間預測方法。該方法可以挖掘數據之間的內在關系，自動提取有效特征，并建立高維度特征預測模型；同時引入忘記門、輸入門、輸出門，使得自循環的權重是變化的，不同時刻的積分尺度可以動態改變，從而具有長短期記憶功能。實驗結果表明：在鋰電池充電剩余時間預測中，相較于常規的LSTM和SVR模型，IndyLSTM模型預測效果更好，證明了該預測方法的可行性和有效性。

1 IndyLSTM神經網絡

原始的神經網絡是層與層之間的神經元相互連接，層內神經元不連接[8]。其構造的是點與點之間的映射，因此無法學習到序列數據之間存在的內在聯系，不能有效地解決序列數據問題[9-10]。LSTM是長短期記憶網絡，通過引入相應的“門”結構，獲得了可以長期記憶歷史重要數據的功能，并且解決了在梯度反向傳播過程中容易產生梯度消失的問題，能更好地處理序列相關數據[11-12]。IndyLSTM是LSTM的變體，不同之處在于:其中隱藏層內的各個單元時間步上互不相連，循環權重不再是全矩陣，而是對角矩陣[13]。即每個IndyLSTM單元的輸出和細胞狀態僅取決于輸入及其自身的輸出和細胞狀態，而不是輸入以及層中所有單元的輸出和細胞狀態。并且每個IndyLSTM單元的參數數量與隱藏層節點數量呈線性關系，而常規的LSTM則為二次方，從而可能導致更小和更快的模型。但是IndyLSTM在每個參數的精確度和總體精度方面，始終優于常規的LSTM。

IndyLSTM單元內部結構如圖1所示，IndyLSTM單元的“門”結構是通過Sigmoid激活函數和逐點乘法操作實現的，ft為忘記門、it為輸入門、ot為輸出門。每一個IndyLSTM單元有三個輸入:上一時刻的輸出ht-1、上一時刻的細胞狀態ct-1和當前時刻的輸入xt；兩個輸出：當前時刻的輸出值ht和細胞狀態ct。IndyLSTM的核心思想是引入了細胞狀態連接，細胞狀態用來存放想要記憶的信息，同時引入“門”結構用來控制信息的更新與輸出。

圖1 IndyLSTM單元內部結構

IndyLSTM單元內部傳輸方式如下:

(1) 通過忘記門決定從細胞狀態中舍棄或保留哪些信息。其接收ht-1和xt，輸出一個0～1之間的數值與上一時刻的細胞狀態ct-1相乘(1表示完全保留之前的信息，0則表示完全舍棄之前的信息)。

ft=δg(Wfxt+uf?ht-1+bf)

(1)

it=δg(Wixt+ui?ht-1+bi)

(2)

(3)

(4)

(4) 通過輸出門和細胞狀態確定當前時刻需要輸出的信息。

ot=δg(Woxt+uo?ht-1+bo)

(5)

ht=ot?δh(ct)

(6)

式(1)-式(6)中:δg為Sigmoid激活函數;δc、δh為tanh激活函數;W*和u*為權重;b*為偏置;?為Hadamard積。

2 充電剩余時間預測方法

2.1 IndyLSTM預測框架

本文以鋰電池電壓Bv、鋰電池電流Bi、鋰電池溫度Bt、充電電壓Cv、充電電流Ci作為模型輸入預測充電剩余時間。構建的IndyLSTM預測框架如圖2所示。

2.2 IndyLSTM預測模型搭建

IndyLSTM預測模型搭建過程具體如下：

(1) 數據集劃分：在模型開始訓練之前，為了保證測試數據的獨立性需要將數據劃分成訓練集和測試集。本文采用美國國家航空航天(NASA)的鋰電池充電過程公開數據作為數據集，數據樣本有3 815個，隨機選取315個樣本作為測試集數據，其余樣本作為訓練集數據。

(2) 數據預處理：不同屬性的數據往往具有不同的量綱，如果量綱差距過大會影響模型學習的結果。為了提高模型的泛化能力，消除不同屬性間的量綱影響，使用數據標準化確保數據處于一個合理的分布范圍內。本文首先對訓練集數據進行標準化處理并保存標準化參數，然后使用保存的標準化參數對測試集數據進行處理。標準化后的數據服從標準正態分布：

(7)

(3) 訓練IndyLSTM模型：將預處理后的訓練數據輸入到IndyLSTM模型，訓練預測模型。在訓練過程中，一般以損失函數作為網絡模型對訓練數據擬合能力的衡量標準[8]。本文使用均方誤差(MSE)作為模型每次訓練的損失函數，然后采用Adam算法進行模型權重的優化更新，使預測結果向優化目標靠近。多次迭代直至訓練得到滿足誤差要求的IndyLSTM預測模型。

本文使用TensorFlow深度學習框架搭建預測模型。該模型采用雙層IndyLSTM循環網絡預測充電剩余時間，每層12個隱層節點。輸入維度與輸入數據的特征屬性相同設置為5，輸出維度設置為1。損失函數選擇回歸預測常用的均方誤差(MSE)，Adam作為模型的優化算法。為了增強模型的泛化能力采用小批量訓練，每次輸入60個樣本數據，將其中20個樣本數據作為1個小序列，迭代300次，學習率設置為0.005。模型訓練完成之后預測充電剩余時間，根據預測數據與真實數據計算均方根誤差(RMSE)和平均絕對誤差百分比(MAPE)，以此評價模型的預測結果。其中MSE、RMSE和RMSE的計算公式分別為：

(8)

(9)

(10)

3 實驗與分析

3.1 數據集與實驗平臺

本文數據來源于美國國家航空航天(NASA)的鋰電池充電過程公開數據集。其充電過程分為兩個階段：首先，在1.5 A的恒流(CC)模式下進行充電，直到電池電壓達到4.2 V，然后以恒定電壓(CV)模式繼續充電，直到充電電流降至20 mA時停止充電。鋰電池充電過程公開數據如圖3所示，可以看出鋰電池充電過程是非線性的。

圖3 電池充電過程公開數據

模型訓練采用Google開放的Colaboratory平臺完成。該平臺向開發者提供了免費的Tesla K80 GPU使用，不用做任何配置，完全運行在云端。在模型訓練的過程中，首先將鋰電池充電過程公開數據集劃分為訓練集和測試集，并將其標準化至[-1，1]區間，以消除不同屬性數據之間的量綱影響；然后將訓練集輸入到模型中開始訓練，模型訓練完成之后開始預測；最后將預測數據和測試集中的真實數據進行對比分析從而調節整個網絡模型的參數，直至得到滿足誤差要求的預測模型。

3.2 實驗結果

為了驗證該模型的可行性和有效性，采用常規的LSTM模型和支持向量回歸模型SVR作為對比參考。首先，在給定的訓練集上，訓練IndyLSTM、LSTM和SVR模型；然后，將訓練好的模型應用在測試集上獲取測試結果并比較其性能。圖4-圖6分別給出了IndyLSTM、LSTM和SVR模型預測數據和真實數據的對比圖。其中IndyLSTM和LSTM模型采用相同的深度、寬度和超參數，SVR模型采用徑向基函數作為核函數，并使用交叉驗證的方式尋找核函數的寬帶系數g和誤差懲罰因子C，最優參數g=1，C=2 500。

圖4 IndyLSTM模型預測數據和真實數據的對比圖

圖5 LSTM模型預測數據和真實數據的對比圖

圖6 SVR模型預測數據和真實數據的對比圖

在IndyLSTM模型的每一層中，其參數數量和節點個數為線性關系而常規的LSTM則為二次方，此特性使模型更小更快，并且不太容易過度擬合。從圖4和圖5可直觀看出,當模型的深度和寬度相同時，IndyLSTM模型相較于LSTM模型，其預測數據和真實數據擬合效果更好，沒有出現明顯的偏差，而LSTM模型在拐點處與真實數據有較大偏差。實驗結果證明在預測鋰電池充電剩余時間中IndyLSTM模型的預測效果優于LSTM模型。SVR模型的預測結果如圖6所示，其預測數據和真實數據的趨勢大致相同，但是在拐點處預測數據與真實數據也存在一定的偏差。對比來看，IndyLSTM模型可以通過多種非線性運算自動提取數據的有效特征，相較于SVR模型可以表現出比較好的預測效果。

為了更好地體現三種模型對比的結果，本文采用均方根誤差(RMSE)和平均絕對誤差百分比(MAPE)作為各個模型的評價指標，指標越小，模型預測效果越好。三種模型的評價指標如表1所示。可以看出IndyLSTM模型的均方根誤差和平均絕對誤差百分比要明顯小于LSTM和SVR模型的均方根誤差和平均絕對誤差百分比，其中IndyLSTM模型相較于LSTM和SVR模型預測結果的均方根誤差分別降低了40.803%和46.345%，平均絕對誤差百分比分別降低了7.633和5.670百分點,進一步證明了IndyLSTM模型在鋰電池充電剩余時間預測中優于常規的LSTM和SVR模型。從均方根誤差和平均絕對誤差百分比評估的整體效果可以看出，IndyLSTM模型可以充分利用鋰電池充電過程的相關數據進行充電剩余時間預測，其預測效果更加準確和穩定。

表1 三種模型的評價指標

4 結 語

本文提出一種基于IndyLSTM的鋰電池充電剩余時間預測方法，該方法可以自動挖掘數據間的關系，從而構建一個最優的預測模型；同時引入忘記門、輸入門、輸出門，使其具有長短期記憶功能，解決了梯度消失的問題。采用美國國家航空航天(NASA)的鋰電池充電過程公開數據進行訓練并測試。實驗結果表明:在實驗條件盡量保持一致的情況下,IndyLSTM模型相比于常規的LSTM和SVR模型在準確性和穩定性方面有了較高的提升，為預測鋰電池充電剩余時間提供了新的方法。