一種基于注意力機制的CNN-LSTM鋰電池健康狀態估算

楚 瀛，陳一凡，米 陽

(上海電力大學電氣工程學院，上海 200082)

車載鋰電池作為新能源電動汽車的唯一動力來源，電池健康狀態(SOH)是評價電池穩定安全運行的重要指標。電池SOH的準確估計有助于電池管理系統(BMS)對電池性能的檢測與監控，對于保障電動汽車的安全運行有重大的意義。

對于車載鋰電池SOH的估算研究主要可以分為模型化方法和數據驅動法[1]。模型化方法即事先建立能夠表征電池退化性能的電池模型，常運用卡爾曼濾波、遞推最小二乘法(RLS)等自適應方法進行模型參數的表征。文獻[2]建立了鋰離子電池等效電路模型，通過改進的反向傳播神經網絡(BP)對模型參數進行辨識，最終預測SOH結果。然而，僅通過單一的等效電池模型對電池參數進行表征難以涵蓋電池復雜的充放電情況。

隨著機器學習的廣泛運用，基于數據驅動的估算方法逐漸受到研究者青睞。這類算法無需建立電池模型，注重數據源的質量與數量。文獻[3]通過灰色關聯度方法選取了等壓降放電時間作為健康因子進行模型訓練，估計SOH，僅用少量特征因子便較好地完成了SOH估計，但是稀少的數據特征不能完備地涵蓋SOH復雜的耦合情況。

隨著近年來深度學習領域在理論上的突破以及TensorFlow、Keras 和Pytorch 等深度學習框架的普及，深度學習的應用場景不斷擴展。常用的深度學習模型有卷積神經網絡(CNN)、循環神經網絡(RNN)和長短期記憶網絡(LSTM)等。該類算法以模型本身的特點自動挖掘數據特征，直接建立輸入-輸出的非線性映射模型。文獻[4]采用了一維CNN 實現了SOH的估算，驗證了CNN 應對網格化數據出色的特征提取能力，但是僅表征了單個充電循環內輸入整體與SOH的映射關系，忽略了SOH本身作為時序數據的特征。

綜上所述，本文選用深度學習模型作為主要架構，提出了一種基于注意力機制的CNN-LSTM 鋰電池SOH估算方法。該方法融合了CNN 對網格化數據強大的特征提取能力以及LSTM 對時序數據的記憶能力，既挖掘了輸入序列橫向的時序特征，又捕獲了SOH縱向時間序列的關聯性，且僅需要單個采樣周期內電壓、電流、溫度的采樣序列即可獲得較高的估算精度。最終基于注意力機制，融合了不同視野域下輸出的結果，確保了特征提取的全面性，從而提高精度。

1 SOH 估算數據

1.1 SOH 定義

目前SOH的定義主要體現在容量、電量、內阻、循環次數和峰值功率等幾個方面。文獻[5]驗證了基于充電容量進行SOH估算的可行性，同時考慮到電池容量易于從數據中進行提取，本文采取電池充電容量的角度定義SOH，公式如下所示：

式中：Cnew-max是電池標稱充電容量，其值為140 Ah；Caged-max是實際電池充電容量，可通過充電電流與時間積分計算獲得。

1.2 輸入數據選取

采用上海市電動汽車公共數據采集與監測研究中心提供的車輛行駛工況數據，車輛動力源為三元鋰電池，通過BMS 系統采集了上海市2019～2020 年25 輛純電電動汽車180 天的電池充放電數據以及電池性能數據。為了驗證模型的泛化能力，選取了24 號與25 號，14 號與20 號車輛數據為對照組進行測試。

電池SOH在多個充放電循環后會呈現衰退的特點。由式(1)可知，電池容量的減小意味著在相同充電倍率情況下充電時間的縮短。圖1 為不同循環次數下充電電壓變化曲線。整車輸出電壓在不同充放電循環次數下，充電電壓上升速率不同。由此可見，充電電壓序列與電池SOH有強相關性。

圖1 不同循環次數下充電電壓變化曲線

深度學習模型需要大量的數據輸入進行訓練，較多的輸入量會增加對計算能力和數據存儲能力的需求，而較少的輸入數據又不足以提取完整的特征信息。由于SOH既由整車電流序列積分計算獲得，又受環境溫度的影響極大[6]。因此同時截取相同時段的電壓、電流以及溫度數據作為數據輸入，增加輸入樣本的多樣性，以便于提取更完備的特征信息。

1.3 數據分析

不同充電循環下的SOH值對應一組不同的充電電壓、電流、溫度時間序列，即一次充電過程中的電壓、電流、溫度均是隨時間變化的一維時序數列且對應一個SOH值。

設SOH序列集合為H={SOHk，k∈[1,m]}，電壓、電流、溫度的全過程量集合為，令E為k取任意值時的一個集合，n為電壓、電流、溫度數據采樣點的數量。兩者為相關聯的非同軸向時序序列，在此將E定義為橫向時序序列，H定義為縱向時序序列。

2 模型結構及其估算步驟

2.1 卷積神經網絡原理

使用CNN 提取橫向時序序列中的關鍵特征。卷積層是CNN 的核心，不同于一般的全連接神經網絡，CNN 采用滑動窗口的方法使用復數個可學習的濾波器對網格數據進行局部運算，并且對整體數據共享濾波器權值。在鋰離子電池SOH估算中，一次恒流-恒壓充電過程中的電壓、電流、溫度曲線均是隨時間變化的一維時序數據，且對應一個共同的SOH估算值。本文選用CNN為橫向時序序列E(k)的特征提取手段。

為了更高效提取橫向序列特征，特此設計高度為1，長度為length的卷積核。如圖2 所示，將卷積核的高度設為1，不會破壞數據縱向的數據特點，僅關注輸入序列橫向的局部關聯性。

圖2 卷積特征提取范例

使用該卷積核的優勢主要為：輸入數據為連續時序數據，連續數據的局部存在著一定的相關性，長條形的卷積核更善于提取局部信息的特征且能夠確保連續數據特征提取的完整性；因局部信息具有較大的相關性，所以該區域范圍內的神經元權值近似相同，卷積核具有權值共享的性質，能夠大大縮減網絡所需要學習的參數數量，降低模型所占的內存量和計算量。

2.2 長短期記憶網絡原理

LSTM 是一種特殊的RNN，在時間序列預測領域有很好的應用。如圖3 所示，總共有三種邏輯門結構，即遺忘門、更新門、輸出門。這種邏輯門設計使得由LSTM 單元組成的網絡具有長時記憶能力。

圖3 LSTM 單元結構

假設xt=E*(t)為LSTM 單元的一個輸入數據點，具體計算方式如下所示：

(1)使用遺忘門決定前一個細胞狀態Ct－1的信息量在當前單元狀態Ct中的保留程度：

式中：Wf為遺忘門的權重矩陣；ht－1為t－1 時刻的輸出值，同時也是隱層狀態值；xt為t時刻的輸入值；bf為遺忘門的偏置項；σ 為sigmoid 激活函數。

(2)更新門用于選擇新增信息的保留程度：

式中：Ot為t時刻輸出門的輸出值。Ct通過tanh 函數縮放后與Ot相乘，即得到t時刻隱藏狀態ht的值，將其作為輸出值輸出。

2.3 CNN-LSTM

綜合CNN 在局部特征提取的優勢以及LSTM 在序列數據上的記憶性，CNN 與LSTM 相結合處理鋰離子電池電壓、電流、溫度曲線與SOH之間的映射關系。

CNN-LSTM 流程如圖4 所示。E(k)為1.3 節中劃定的原始輸入數據，分別為一次恒流-恒壓充電過程中的電壓、電流、溫度曲線，通過設計的CNN 進行橫向特征提取。E*(k)為對E(k)進行卷積操作后的新特征圖，相比原來的輸入數據，其橫向特征點從p變為p*(p＞p*)，直觀上體現了原本的橫向數據經過卷積操作后，減少了冗余信息，實現了數據降維。將特征圖E*(k)以滑動窗口的方式，切分為LSTM 的輸入數據，其中t為時間跨度，s為樣本數量。使用LSTM 能夠深度挖掘縱向時間序列的關聯特征，最終完成SOH估計。至此，通過CNN 和LSTM 分別挖掘了橫向縱向兩個維度上的時間序列特征，確保了特征提取的全面性。

圖4 CNN-LSTM 流程

2.4 注意力機制

模型中的注意力機制能夠通過結果與該點的誤差大小調整其權重的大小，控制其對結果的影響程度。本文的注意力機制如圖5 所示。首先重復上述CNN-LSTM 過程，設計多個CNN 卷積核進行多SOH估計。將多個SOH估計值作為注意力機制的輸入，通過全連接層和Softmax 函數計算注意力權值，在各SOH估計值加權整合后輸出SOH的最終估計值。Softmax 函數如式(8)所示：

圖5 注意力機制

注意力機制除了能夠加權計算更優的輸出外，還可以根據其訓練完成后的注意力權值從各個估計模塊中篩選較為優異的CNN-LSTM 子估計模塊，借此能夠得出其中較優的用于特征提取的卷積尺寸。

2.5 模型設計與計算步驟

表1 為模型流程表。本文設計了4 個CNN-LSTM 模塊進行SOH初步估算并對其進行加權輸出。數據預處理階段，將輸入輸出數據進行歸一化處理。由于數據采樣間隔為10 s，分別采集15 個電壓、電流、溫度采樣序列作為數據輸入。模型每次輸入形為(5×3×15)的電壓、電流、溫度序列數據，通過模型運算后輸出形為(1,1)的SOH值。即使用前五個時間步的序列數據對此時的SOH進行估算。將輸入數據復制四份分別輸入卷積核大小為(1×2)、(1×4)、(1×6)、(1×8)的子模塊中，為了挖掘數據序列關聯性，卷積跨度設為1。LSTM 模塊分別接收時間跨度為5，輸入維度為42、36、30、24 的二維特征圖。通過上述各CNN-LSTM 子模塊的計算，分別得到4 個SOH的初步估計值。

表1 模型流程表

在注意力模塊處，為了獲得四個初步估計值整合得到最優的估算結果，將4 個SOH估計值率先通過全連接層，全連接層設定為4 輸入1 輸出結構，則能夠獲得其形為[1,4]的權重系數，將權重系數提出后送入Softmax 層，使權重之和歸化為1，最終加權輸出最終的SOH估計值。為了避免每個子模塊對數據輸出的初始貢獻不同，設定全連接層的初始權重參數為(0.25,0.25,0.25,0.25)，隨著訓練的進行，根據鏈式法則反向調整權重參數，具體方式如式(9)～(10)所示：

式中：error 為模型設定的MSE 損失函數值；wi為所在全連接層中的某一個參數；out 為輸出值；η 為學習率，此處設定為0.001。由鏈式法則能夠計算出全連接層中各個參數對整體誤差產生了多大的影響，最終根據式(10)更新參數。全連接層的參數更新完畢后由Softmax 層歸一化得出注意力權值，注意力權值的大小能夠體現某一個或幾個尺寸下的SOH子結構的輸出更好，對貢獻較低的輸出則會下降其權值。

3 SOH 估算結果

為了驗證提出的基于注意力機制的CNN-LSTM 鋰離子電池SOH估算方法的有效性，展示了基于上海市電動汽車公共數據采集與監測研究中心車輛行駛工況數據的估算結果。軟硬件有：CPU (intel Core i5-4590 3.3 GHz)、GPU (NVIDIA GeForce GTX 980Ti 4 GB)、RAM (16 GB)、Python 語言下的Pytorch 環境。

圖6～7 為各方法對鋰離子電池SOH估算的結果與誤差。本文估算方法良好地跟蹤了SOH參考值的退化趨勢，大部分數據點誤差保持在1.22%～0.95%以內。

各項評價指標如表2 所示，結合圖6～7 可知，3 種算法所建立的鋰離子電池SOH估算模型精度上有一定的差異。LSTM 算法考慮了SOH的時序聯系性，但是對于輸入數據的特征挖掘不夠透徹，該算法雖能夠跟蹤SOH的退化趨勢，然而單個SOH值的估算精度較差。CNN-LSTM 算法估算結果較優，在兩個測試集上的MAPE達到了1.41%和1.03%，能夠較為精確地跟蹤SOH退化趨勢，驗證了CNN 對序列數據較強的擬合能力，然而僅使用了單一尺寸的卷積核，故精度略低于本文方法。基于注意力機制的CNN-LSTM 算法在CNNLSTM 的基礎上加入了注意力權值對多個估算結果調控，融合了多個卷積尺寸下的估算結果。本文方法的誤差分布除個別數據點外，均低于其余方法，各項評價指標均優于其他方法。

圖6 20號、25號樣本估算結果

圖7 20號、25號樣本誤差分布

表2 評價指標表 %

4 結論

本文提出一種基于注意力機制的CNN-LSTM 電動汽車鋰離子電池SOH估算方法。將充電周期內的電壓、電流、溫度作為SOH估算方法的輸入，以SOH值作為輸出，直接估算鋰離子電池SOH值。基于上海市電動汽車公共數據采集與監測研究中心提供的車輛行駛工況數據的實驗結果表明，相比LSTM 神經網絡和CNN-LSTM 神經網絡，本文提出的方法估算精度更高。該方法結合了CNN 對網格化數據強大的特征提取能力以及LSTM 對時序數據的記憶能力，既挖掘了輸入序列橫向的時序特征，又捕獲了SOH縱向時間序列的關聯性，能夠更全面地挖掘數據特征，基于注意力機制，融合了多個CNN-LSTM 的估算結果，進行了有效且精確的估算。