基于深度學(xué)習(xí)的數(shù)據(jù)中心VRLA電池健康狀態(tài)估計(jì)

陳志鵬，左信，宋東力

(1.中國(guó)石油大學(xué)(北京) 信息科學(xué)與工程學(xué)院自動(dòng)化系，北京 102249；2.長(zhǎng)安通信科技有限責(zé)任公司，北京 100029)

作為新基建的數(shù)字底座，數(shù)據(jù)中心產(chǎn)業(yè)近年來擴(kuò)張迅速，2020 年國(guó)內(nèi)的市場(chǎng)規(guī)模超千億。VRLA 電池因其良好的安全性能和價(jià)格優(yōu)勢(shì)在數(shù)據(jù)中心行業(yè)得到廣泛的應(yīng)用。SOH表征電池的老化程度和存儲(chǔ)電量的能力，在數(shù)值上等于滿電荷狀態(tài)下的電池容量與標(biāo)稱容量的比值。SOH偏低的電池，特別是失效的電池，在放電過程中端電壓下降速度加快，導(dǎo)致整組電池提前退出運(yùn)行；并且容易發(fā)生結(jié)構(gòu)鼓脹、漏液導(dǎo)致接地短路，引發(fā)安全生產(chǎn)事件。數(shù)據(jù)中心運(yùn)營(yíng)管理中，SOH低于80%的電池應(yīng)該及時(shí)更換。公認(rèn)的VRLA 電池SOH測(cè)量方法為全容量核對(duì)性放電測(cè)試[1]。雖然該方法可以較準(zhǔn)確的獲取電池的當(dāng)前健康狀態(tài)，但存在著難以接受的問題：長(zhǎng)達(dá)10 h 的大電流放電不僅浪費(fèi)電力資源，也增加維護(hù)人力成本；深度放電容易導(dǎo)致活性物質(zhì)脫落，造成電池不可逆的性能下降；更重要的是，深度放電無(wú)法保證電池系統(tǒng)足夠的線上容量，存在運(yùn)行風(fēng)險(xiǎn)。因此，針對(duì)數(shù)據(jù)中心VRLA電池的實(shí)際運(yùn)行工況，建立快捷、精準(zhǔn)的SOH估計(jì)模型，是電池工程師及研究人員孜孜以求的目標(biāo)。

受到運(yùn)行工況的限制，VRLA 電池的SOH無(wú)法通過機(jī)理模型和等效電路模型直接獲取，而經(jīng)驗(yàn)?zāi)Ｐ妥鳛橐环N開環(huán)模型[2-3]，估計(jì)精度較差，因此研究人員多采用數(shù)據(jù)驅(qū)動(dòng)的方法構(gòu)建SOH估計(jì)黑箱模型[4]。數(shù)據(jù)驅(qū)動(dòng)建模使用統(tǒng)計(jì)理論或機(jī)器學(xué)習(xí)技術(shù)直接從觀測(cè)數(shù)據(jù)中推導(dǎo)出數(shù)學(xué)模型，忽略電池的物理模型，僅依賴訓(xùn)練數(shù)據(jù)獲取模型參數(shù)[5]。隨著算法和計(jì)算能力的迅速發(fā)展，越來越多的技術(shù)應(yīng)用在SOH估計(jì)中，包括貝葉斯[6]等概率統(tǒng)計(jì)方法，支持向量回歸[7]等經(jīng)典機(jī)器學(xué)習(xí)方法以及BP 神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)和其他人工智能方法[8]。

LSTM 作為一種典型的時(shí)間序列建模方法，對(duì)高維度、多變量、強(qiáng)耦合、非線性的時(shí)序數(shù)據(jù)具有強(qiáng)適應(yīng)性[9]；時(shí)空注意力機(jī)制模擬人類大腦思維機(jī)制，對(duì)輸入數(shù)據(jù)的特征和時(shí)間序列重新分配注意力權(quán)重，在提升模型收斂速度、估計(jì)精度[10]的同時(shí)增加黑箱模型的物理可解釋性。因此，本文提出基于時(shí)空注意力和LSTM 網(wǎng)絡(luò)的STA-LSTM 模型，并結(jié)合數(shù)據(jù)中心VRLA 電池定期放電維護(hù)的特點(diǎn)，利用動(dòng)力環(huán)境監(jiān)控系統(tǒng)中存儲(chǔ)的放電電壓、內(nèi)阻、溫度數(shù)據(jù)實(shí)現(xiàn)模型訓(xùn)練。對(duì)比研究表明，本文所提出的STA-LSTM 模型是一種物理可解釋的數(shù)據(jù)驅(qū)動(dòng)估計(jì)模型，估計(jì)精度優(yōu)于LSTM、空間注意力LSTM(Spatio Attention LSTM,SA-LSTM)及時(shí)間注意力LSTM(Temporal Attention LSTM,TA-LSTM)模型。

1 數(shù)據(jù)中心VRLA 電池運(yùn)行工況分析

與電動(dòng)車輛、電動(dòng)工具及手機(jī)等設(shè)備用電池運(yùn)行工況不同，VRLA 電池作為數(shù)據(jù)中心電力系統(tǒng)的備用電源，大部分時(shí)間浮充運(yùn)行，由市電向負(fù)荷側(cè)供電；在市電異常情況下，電池放電承擔(dān)電力供應(yīng)任務(wù)。因此，VRLA 電池的SOH受到浮充日歷時(shí)長(zhǎng)和不確定性循環(huán)放電過程的綜合影響。

(1)長(zhǎng)期浮充運(yùn)行。VRLA 電池充滿電后仍會(huì)接受系統(tǒng)的小電流恒壓充電，此時(shí)的電壓稱為浮充電壓，以抵消電池的自放電過程。電池在生產(chǎn)過程中因生產(chǎn)工藝限制，板柵不同部位的合金成分不盡相同，結(jié)構(gòu)分布也有不同，造成不同單體間的浮充電壓有微小差別。

(2)不確定性的循環(huán)放電過程。當(dāng)外市電供電異常，VRLA 電池通過不間斷電源系統(tǒng)切換電路向負(fù)荷側(cè)供電，以保障業(yè)務(wù)連續(xù)性。不同單體間的電化學(xué)性能差別會(huì)在充放電循環(huán)過程中不斷放大，使得同組電池不同單體間的SOH出現(xiàn)差異。

根據(jù)《電力系統(tǒng)用蓄電池直流電源裝置運(yùn)行與維護(hù)技術(shù)規(guī)程》[11]中的規(guī)定，投入運(yùn)行的VRLA 電池組，每隔2～3 年進(jìn)行一次全核對(duì)性放電試驗(yàn)，運(yùn)行6 年以后的蓄電池，應(yīng)每年做一次全核對(duì)性放電試驗(yàn)。為保障電池組的應(yīng)急電能儲(chǔ)備和供電可持續(xù)性，數(shù)據(jù)中心往往定期組織放電深度為50%～80%的老化測(cè)試代替全核對(duì)性放電試驗(yàn)，定性檢測(cè)電池老化程度，及時(shí)更換SOH低于80%的電池。本文使用電池老化測(cè)試產(chǎn)生的恒流放電數(shù)據(jù)開展SOH估計(jì)研究，用電池最大可用容量來表征SOH。

2 STA-LSTM 模型算法相關(guān)理論

2.1 LSTM 網(wǎng)絡(luò)

LSTM 是循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural networks,RNN)一種改進(jìn)網(wǎng)絡(luò)。LSTM 改進(jìn)了RNN 的不足，在記憶單元中采用“遺忘”控制，避免梯度傳播中出現(xiàn)梯度彌散和梯度爆炸的問題，保證估計(jì)的精度。LSTM 結(jié)構(gòu)圖如圖1 所示。

圖1 LSTM 結(jié)構(gòu)圖

LSTM 模型是由多個(gè)細(xì)胞單元組成，每個(gè)細(xì)胞單元相較于RNN 引入單元狀態(tài)和三個(gè)門結(jié)構(gòu)：輸入門、遺忘門和輸出門。各個(gè)門結(jié)構(gòu)的更新公式如下：

輸入門：

遺忘門：

式中：ft為t時(shí)刻的遺忘門輸出；Wf和bf分別為遺忘門的權(quán)重和偏置。

輸出門：

式中：ot為t時(shí)刻的輸出門輸出；Wo和bo分別為輸出門的權(quán)重和偏置。

長(zhǎng)記憶：

式中：Ct為t時(shí)刻的網(wǎng)絡(luò)單元狀態(tài)，又稱長(zhǎng)記憶。

短記憶：

式中：ht為t時(shí)刻的網(wǎng)絡(luò)輸出，又稱短記憶。

LSTM 網(wǎng)絡(luò)中，輸入門的作用是向網(wǎng)絡(luò)單元狀態(tài)中添加有用的信息，過濾無(wú)用的信息。it相當(dāng)于輸入門的控制閥門，輸入有用信息時(shí)，it值取1，將t時(shí)刻網(wǎng)絡(luò)輸入xt和t-1 時(shí)刻網(wǎng)絡(luò)輸出ht-1的加權(quán)求和計(jì)入網(wǎng)絡(luò)單元狀態(tài)Ct中；輸入無(wú)用信息時(shí)，it值取0，則Ct值僅與t-1 時(shí)刻的Ct-1值有關(guān)。

遺忘門的作用是遺忘信息。ft相當(dāng)于遺忘門的控制閥門，ft值取1 時(shí)，t-1 時(shí)刻的網(wǎng)絡(luò)單元狀態(tài)Ct-1全部計(jì)入Ct中；ft值取0 時(shí)，Ct值僅與t時(shí)刻的當(dāng)前輸入單元狀態(tài)值有關(guān)。

輸出門的作用是控制信息輸出，ot相當(dāng)于輸出門的控制閥門：ot值取1 時(shí)，t時(shí)刻的網(wǎng)絡(luò)單元狀態(tài)Ct的全部計(jì)入網(wǎng)絡(luò)輸出ht；ot值取0 時(shí)，則不輸出。

2.2 時(shí)空注意力機(jī)制

圖2 時(shí)空注意力機(jī)制框架圖

首先，為特征分配空間注意力權(quán)重，也稱特征注意力權(quán)重。如圖2 所示，xt為網(wǎng)絡(luò)輸入t時(shí)刻的特征向量，如式(7)，式中m為特征數(shù)。輸入的特征向量經(jīng)過單層神經(jīng)元網(wǎng)絡(luò)線性變換、Sigmoid 激活函數(shù)處理、歸一化后得到空間注意力權(quán)重向量αt，如式(8)，式中為t時(shí)刻第m特征的空間注意力權(quán)重值。網(wǎng)絡(luò)輸入在時(shí)間步上共享空間注意力權(quán)重，將注意力權(quán)重與對(duì)應(yīng)的特征相乘，得到新的特征向量x′，如式(9)：

接著，為時(shí)間步序列分配時(shí)間注意力權(quán)重。如圖2 所示，X為網(wǎng)絡(luò)輸入矩陣，如式(10)。經(jīng)過單層神經(jīng)元網(wǎng)絡(luò)線性變換、Relu 激活函數(shù)處理、歸一化后得到時(shí)間注意力權(quán)重β，如式(11)，式中βk為k時(shí)刻的時(shí)間注意力權(quán)重值。網(wǎng)絡(luò)輸入的多特征共享時(shí)間注意力權(quán)重，將注意力權(quán)重與對(duì)應(yīng)的時(shí)間序列相乘，得到新的輸入狀態(tài)XT，如式(12)：

要在特征維度和時(shí)間步上同時(shí)分配注意力，如式(13)～(14)：

3 STA-LSTM 模型的實(shí)現(xiàn)

本文選取電池核對(duì)性放電過程中的單體電壓、內(nèi)阻、溫度3 個(gè)特征的時(shí)序數(shù)據(jù)作為STA-LSTM 模型的輸入，電池的容量值作為模型的輸出。圖3 為STA-LSTM 模型的框架圖，hk為k時(shí)刻的網(wǎng)絡(luò)輸出，為模型對(duì)SOH的估計(jì)輸出。

STA-LSTM 模型中，需要訓(xùn)練3 組參數(shù)，參見圖3 中紅色虛框，分別為時(shí)空注意力的權(quán)重矩陣和偏置項(xiàng)、LSTM 網(wǎng)絡(luò)權(quán)重矩陣和偏置項(xiàng)以及輸出全連接網(wǎng)絡(luò)權(quán)重矩陣和偏置項(xiàng)。模型采用反向傳播算法進(jìn)行訓(xùn)練，選擇Adam 算法作為權(quán)重更新的優(yōu)化算法，具體算法流程如下：

圖3 STA-LSTM模型框架圖

(1)初始化模型訓(xùn)練參數(shù)；

(2)前向傳播，依次計(jì)算每個(gè)輸入特征和時(shí)序的空間和時(shí)間注意力權(quán)重、生成新的輸入信息、LSTM 網(wǎng)絡(luò)輸出、模型的估計(jì)輸出；

陳攣性半面痙攣以一側(cè)面肌不自主的陣發(fā)性運(yùn)動(dòng)為特征。典型癥狀是由眼輪匝肌偶發(fā)輕度痙攣開始，向下逐漸波及該側(cè)面部全部肌肉，甚至頸闊肌，但額肌很少受累。該病發(fā)生原因及機(jī)制尚不清楚。關(guān)于其病因目前傾向于面神經(jīng)顱內(nèi)段，特別是面神經(jīng)出腦干區(qū)（RootExitZone，REZ）受到血管壓迫所致。1977年Jannetta提出顯微血管壓迫理論（MicrovascularCompression，MVC），并采用顯微血管減壓術(shù)（MicrovascularDecompression，MVD）治療半面痙攣。許多研究證實(shí)，對(duì)陳攣性半面痙攣進(jìn)行輸液加針灸治療，可獲得相當(dāng)好的治療效果。

(3)計(jì)算模型的損失函數(shù)，選取的損失函數(shù)為均方誤差(mean square error,MSE)；

(4)誤差反向傳播，更新參數(shù)梯度。

4 模型應(yīng)用分析

本文將提出的STA-LSTM 模型與LSTM、SA-LSTM、TALSTM 模型進(jìn)行應(yīng)用精度對(duì)比，具體應(yīng)用過程如下。

4.1 數(shù)據(jù)集描述

本文選取的樣本數(shù)據(jù)來源于A 級(jí)數(shù)據(jù)中心，配套的動(dòng)力環(huán)境監(jiān)控系統(tǒng)可在線記錄電池的運(yùn)行數(shù)據(jù)。選取的樣本電池1 981 節(jié)，標(biāo)稱容量200 Ah，電壓等級(jí)12 V。選取的樣本混合了兩種品牌，雙登電池1 300 節(jié)，圣陽(yáng)電池681 節(jié)；混合了不同的運(yùn)行年限，3 年期電池681 節(jié)、4 年期電池650 節(jié)、5 年期電池650節(jié)。

研究中，為獲取電池最大可用容量的真實(shí)值，將老化測(cè)試的放電深度調(diào)整為100%，即全容量核對(duì)性測(cè)試，放電倍率設(shè)為0.1C，得到1 981 節(jié)電池的最大可用容量的真實(shí)值以及10 h 左右的放電時(shí)序數(shù)據(jù)，主要的特征有電壓、電流、電池溫度、內(nèi)阻、運(yùn)行年限、環(huán)境溫度和濕度、標(biāo)稱容量等。選取前5 h 的放電數(shù)據(jù)作為本文研究用的樣本數(shù)據(jù)，放電時(shí)間記為00:00～05:00，數(shù)據(jù)采集間隔為5 min，并對(duì)1 981 個(gè)樣本數(shù)據(jù)按照8∶2 比例劃分了訓(xùn)練集和測(cè)試集。需要說明的是，數(shù)據(jù)中心動(dòng)力環(huán)境監(jiān)控系統(tǒng)為減輕內(nèi)阻測(cè)量過程小電流放電對(duì)電池壽命的影響，設(shè)置的電池內(nèi)阻值采集周期較長(zhǎng)，實(shí)驗(yàn)用的電池內(nèi)阻值為固定值，可認(rèn)為是滿電荷狀態(tài)下的內(nèi)阻值。

4.2 數(shù)據(jù)預(yù)處理

動(dòng)力環(huán)境監(jiān)控系統(tǒng)采集到的數(shù)據(jù)存在數(shù)據(jù)異常及數(shù)據(jù)丟失的問題，我們使用均值插補(bǔ)的方法處理缺失值和低級(jí)異常值，直接刪除復(fù)雜異常值。由于輸入特征具有不同的量綱，使用Z-score 進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化處理，處理后的數(shù)據(jù)服從均值為0，方差為1 的正態(tài)分布。

4.3 特征提取

本文采用人工定性分析和貢獻(xiàn)度量化分析的方法進(jìn)行特征提取。數(shù)據(jù)中心的電池室配備有精密空調(diào)，環(huán)境溫濕度可以被控制在很窄的數(shù)值區(qū)間內(nèi)，波動(dòng)很小，因此剔除環(huán)境溫濕度特征；標(biāo)稱容量等設(shè)計(jì)參數(shù)與電池老化程度沒有關(guān)系，也不予考慮。這樣，人工定性分析后保留的特征有5 個(gè)，分別為電壓、電池溫度、電流、電池內(nèi)阻、運(yùn)行年限。采用Bagging 的集成模型對(duì)電池參數(shù)進(jìn)行貢獻(xiàn)度量化分析，得到特征的貢獻(xiàn)度分布，如圖4 所示；篩選出貢獻(xiàn)度不為0 的特征，對(duì)LSTM 模型使用不同特征組合的數(shù)據(jù)進(jìn)行訓(xùn)練，損失誤差如圖4 所示。

圖4(a)中，特征編號(hào)依次表示為電壓、電池溫度、電流、電池內(nèi)阻、運(yùn)行年限；圖4(b)中，特征組合編號(hào)依次表示為電壓、電池溫度和內(nèi)阻3 特征組合，電壓和內(nèi)阻2 特征組合，電壓和電池溫度2 特征組合，單電壓特征。可以看出，電壓特征對(duì)SOH的影響最大，溫度和內(nèi)阻影響較小，但確實(shí)對(duì)SOH估計(jì)產(chǎn)生了影響，而電流和運(yùn)行年限無(wú)影響；選擇電壓、電池溫度和內(nèi)阻3 個(gè)特征作為模型輸入時(shí)，LSTM 模型取得估計(jì)效果最好。本文最終確定的模型特征為電壓、電池溫度和內(nèi)阻。

圖4 特征貢獻(xiàn)度分析

4.4 模型訓(xùn)練

在Win10 系統(tǒng)，Python3.7 環(huán)境下構(gòu)建SOH估計(jì)模型，STA-LSTM 模型的參數(shù)設(shè)置見表1，LSTM、SA-LSTM、TALSTM 模型的參數(shù)設(shè)置與STA-LSTM 模型保持一致。

表1 STA-LSTM 模型的參數(shù)設(shè)置

此外，SA-LSTM、TA-LSTM、STA-LSTM 模型中，權(quán)重生成網(wǎng)絡(luò)的激活函數(shù)分別選擇Sigmoid、Relu 和Sigmoid-Relu，在該激活函數(shù)下模型取得最優(yōu)效果。各模型訓(xùn)練過程中在測(cè)試集上的損失變化曲線如圖5 所示。

圖5 各模型在測(cè)試集上的損失變化

4.5 結(jié)果與分析

模型的輸出數(shù)據(jù)經(jīng)反標(biāo)準(zhǔn)化后得到SOH的估計(jì)結(jié)果，圖6 為STA-LSTM 模型在測(cè)試集的前100 節(jié)電池的估計(jì)效果。圖7 為STA-LSTM 模型在測(cè)試集上的估計(jì)誤差百分比。

圖6 STA-LSTM模型在測(cè)試集上的估計(jì)效果

圖7 STA-LSTM模型在測(cè)試集上的估計(jì)誤差百分比

模型評(píng)價(jià)指標(biāo)為平均絕對(duì)百分比誤差(mean absolute percentage error,MAPE)，見式(15)。MAPE表征模型的估計(jì)精度，MAPE越大，代表著樣本的估計(jì)誤差越大，估計(jì)精度越差。各模型在測(cè)試集上的MAPE表現(xiàn)見表2。

表2 各模型在測(cè)試集上的表現(xiàn) %

式中：yi和分別為第i樣本的真實(shí)值和估計(jì)值，n為樣本數(shù)量。

為了解釋STA-LSTM 模型的物理意義，對(duì)STA-LSTM 模型的時(shí)空注意力權(quán)重進(jìn)行可視化，圖8 為STA-LSTM 模型在測(cè)試集第1～6 個(gè)數(shù)據(jù)上的時(shí)空注意力權(quán)重分布。經(jīng)統(tǒng)計(jì)，STA-LSTM 模型在電壓特征上分配了70%～80%的注意力權(quán)重；在1～37 個(gè)時(shí)間步(放電深度為30%的時(shí)間長(zhǎng)度)上僅分配了50%左右的注意力權(quán)重。

圖8 STA-LSTM模型在測(cè)試集的時(shí)空注意力權(quán)重分布

由表2 可知，注意力機(jī)制的引入，有效地提升模型的估算精度。STA-LSTM 模型取得最佳的估算精度，相較于傳統(tǒng)LSTM 模型，STA-LSTM 在測(cè)試集上估計(jì)誤差MAPE為0.43%，降低32.81%。

由圖5 可知，注意力機(jī)制的引入，有效地提升模型的收斂速度，STA-LSTM、SA-LSTM、TA-LSTM 模型相較于LSTM 模型，訓(xùn)練收斂速度加快。

數(shù)據(jù)中心VRLA 電池的容量核對(duì)性放電操作，常把電壓作為關(guān)鍵判斷指標(biāo)，且不同老化程度的非失效電池在放電初期的差異很小，與圖8 表現(xiàn)出的時(shí)空注意力權(quán)重分布情況是一致的，也說明了STA-LSTM 模型的物理合理性。

5 結(jié)論

本文結(jié)合數(shù)據(jù)中心VRLA 電池的運(yùn)行工況，提出基于深度學(xué)習(xí)的VRLA 電池健康狀態(tài)估計(jì)模型，一種結(jié)合時(shí)空注意力和LSTM 網(wǎng)絡(luò)的STA-LSTM 模型。在本文選取的測(cè)試集上的應(yīng)用結(jié)果表明：STA-LSTM 取得最佳估算精度，估計(jì)結(jié)果的平均絕對(duì)百分比誤差為0.43%；且注意力機(jī)制的引入，有效提升了模型的收斂速度，增加了模型的物理可解釋性。相較于全容量核對(duì)性測(cè)試，STA-LSTM 模型基于深度50%的放電數(shù)據(jù)完成SOH估計(jì)，能夠大幅降低估計(jì)過程中的電力資源消耗和維護(hù)成本投入，有效解決深度放電引發(fā)的活性物質(zhì)脫落及系統(tǒng)在線容量低的問題，且模型的估計(jì)精度滿足數(shù)據(jù)中心運(yùn)營(yíng)管理的需求。本文為數(shù)據(jù)中心VRLA 電池健康狀態(tài)的在線估計(jì)提供了很好的應(yīng)用模型，對(duì)于電池的容量和安全管理有著重要意義。