基于并行CNN-Self attention & LSTM的鋰電池RUL間接預測

李遠博　王海瑞　葉鑫　朱貴富

摘 要 針對鋰離子電池難以在線測量直接健康因子（容量、內阻）進行剩余使用壽命（RUL）預測的現狀，提出基于并行CNN-Self attention與LSTM組合的鋰電池RUL間接預測方法。首先基于鋰離子電池放電循環數據，利用灰度關聯分析篩選出能夠高度體現電池容量衰減的間接健康因子；然后分別對間接健康因子使用卷積神經網絡（CNN）進行特征提取和自注意力機制（Self attention）調整特征權重得到對應的特征矩陣；最后融合特征矩陣，并使用長短期記憶（LSTM）網絡進行鋰電池RUL預測。使用NASA鋰離子電池數據集進行實驗，結果表明：與傳統的CNN、LSTM和CNN-LSTM模型相比，并行CNN-Self attention & LSTM模型所得到的容量衰減曲線更接近實際容量衰減曲線，誤差波動范圍更小，在RMSE、MAE和R2系數3種評價指標上表現更優。

關鍵詞 鋰離子電池 剩余使用壽命 卷積神經網絡 自注意力機制 長短期記憶網絡 間接健康因子

中圖分類號 TM912? ?文獻標識碼 A? ?文章編號 1000-3932（2023）04-0486-08

鋰離子電池因其高能量密度、高穩定性、使用壽命長且價格適中等優點成為移動通訊設備、新能源交通工具、航空航天等眾多領域的主要電源［1］。隨著鋰離子電池充放電循環次數的增加和工作環境的影響，電池剩余使用壽命（Remaining Useful Life，RUL）會出現不同程度的衰減。一般情況下，電池容量衰減至70%～80%或內阻增大100%時需要進行電池更換［2］。不能及時準確地對電池RUL做出判斷，可能會導致設備無法正常運行且引發安全問題。因此，能夠及時有效地進行鋰電池RUL預測，對保障系統正常運行和預防危險事故發生具有重要的實際意義。

鋰離子電池的RUL預測過程一般包括健康因子（Health Indicator，HI）構建和RUL預測兩個階段［3］。容量和內阻被作為直接HI來體現電池的健康狀態［4］，然而容量和內阻數據難以實現直接在線獲取，因此基于充放電過程易于測量的數據（電流、電壓、溫度等）提取出能夠反映電池健康狀態的間接HI受到越來越多研究者的關注。文獻［5］選取恒壓充電時間作為間接HI對電池健康狀態進行估計。文獻［6］使用灰色關聯分析在不同的等充電電流差時間間隔中找出最優間接HI進行電池健康估計。文獻［7］以放電循環數據的平均放電電壓為間接HI，采用相關向量機實現了電池RUL預測。過往研究表明，使用不同的間接HI會直接影響到電池RUL預測模型的精準度，因此篩選出合適的間接HI是必要的。

現有的鋰離子電池RUL預測方法主要分為機理模型法和數據驅動法［8］。機理模型法根據電化學機理創建電池的壽命退化模型，可以較好地反映電池的電化學特性，但是此類方法依靠建立模型的準確性，且計算過程和模型參數識別都較為復雜［9，10］。數據驅動法不需要考慮鋰電池的電化學反應和退化機制，可以直接從鋰電池充放電循環的監測數據中分析和挖掘出電池性能變化規律，進而實現鋰電池的RUL預測，相對于機理模型法有更廣的實用性［11］。

在眾多的數據驅動方法中，神經網絡因其強大的非線性逼近能力，近年來已在鋰電池的RUL預測領域受到了廣泛關注。文獻［12］使用一維卷積神經網絡（Convolutional Neural Network，CNN）提取電壓、電流、溫度曲線中的共有特征信息，進行鋰電池容量預測。文獻［13］使用長短期記憶（Long Short-Term Memory，LSTM）神經網絡學習鋰電池容量退化之間潛在的長期依賴關系，并結合dropout技術防止過擬合，實現了鋰電池的RUL預測。文獻［14］基于電壓、電流、溫度參數創建多通道，結合LSTM處理時序趨勢問題，實現鋰電池荷電狀態預測。文獻［15］通過一維CNN提取電池數據的深層特征，使用LSTM保存歷史輸入信息，建立CNN和LSTM融合的電池荷電狀態預測方法。

上述方法分別使用CNN、LSTM和CNN-LSTM分析鋰離子電池數據并進行相關預測。筆者結合以上方法的優勢，構建并行CNN-Self attention & LSTM模型來進行鋰離子電池RUL預測。首先基于鋰離子電池放電循環過程提取出易于測量的電壓、溫度和時間等數據，使用灰度關聯分析篩選出放電電壓谷值時間和放電溫度峰值時間兩個能夠高度體現電池容量衰減的間接HI；然后分別對間接HI用CNN挖掘數據的深層特征并結合自注意力機制（Self attention）調整特征的權重；隨即融合通過兩種間接HI提取出的特征矩陣，最后利用LSTM網絡分析特征序列，實現鋰電池RUL預測。通過NASA鋰離子電池數據集，與傳統的CNN、LSTM和CNN-LSTM模型對比驗證，結果表明：所提并行CNN-Self attention & LSTM模型預測的準確性更高、誤差波動范圍更小。

1 理論背景

1.1 灰度關聯分析

灰度關聯分析根據不同因素之間發展趨勢的相似或相異程度來評價各因素之間的關聯程度強弱。為判斷筆者所選間接HI是否能夠高度體現鋰離子電池壽命衰減，使用灰度關聯分析對間接HI與容量之間的關聯性強弱進行判斷。具體步驟如下。

1.2 卷積神經網絡

根據卷積運算維度的不同，可將CNN分為一維CNN、二維CNN和三維CNN。一維CNN常用于處理序列數據，二維CNN常用于計算機視覺和圖像處理領域，三維CNN常用于3D圖像和視頻處理領域。

本研究使用一維CNN對鋰離子電池序列數據進行深層特征挖掘處理，其結構如圖1所示，主要由一維卷積層、一維池化層和全連接層組成。卷積層通過卷積核對輸入數據進行卷積運算，得到更高層、更抽象的特征，卷積層中的權值共享極大減少了卷積層的網絡參數，并能在一定程度上避免過擬合現象的發生；池化層對數據進行壓縮選擇，去除冗余信息，減少運算量；全連接層則將池化層的輸出進行整合。

1.3 自注意力機制

注意力機制通過對特征信息賦予不同的權重，突出重要特征。自注意力機制是注意力機制的變體，減少了對外部信息的依賴，更擅長捕捉特征的內部相關性。

1.4 長短期記憶神經網絡

2 RUL預測方法和評價指標

2.1 RUL預測方法

筆者提出的基于并行CNN-Self attention & LSTM的鋰電池RUL間接預測方法流程如圖3所示。

具體步驟如下：

a. 提取鋰離子電池放電循環過程中易于測量的數據，使用灰度關聯分析篩選出兩個能夠高度體現電池壽命衰退的間接HI（放電電壓谷值時間和放電溫度峰值時間）。

b. 將間接HI和容量以循環周期T為預測起點，劃分訓練集和測試集。

c. 采用CNN提取間接HI深層特征并結合自注意力機制調整特征權重，得到兩個間接HI對應的特征矩陣。

d. 融合上一步得到的特征矩陣作為LSTM網絡的輸入。

e. 使用LSTM網絡進行鋰離子電池RUL預測。

2.2 模型參數

2.3 評價指標

3 實驗與分析

3.1 健康因子提取

本次預測實驗的數據來源于NASA鋰離子電池數據集，選取一組4個18650型號的鋰離子電池（B5、B6、B7、B18）作為研究對象。

數據集通過室溫條件下對鋰離子電池進行循環充放電實驗獲得。充電過程：以1.5 A恒定電流充電，當電壓達到4.2 V后，轉為4.2 V恒定電壓充電，直到電流降至20 mA。放電過程：以2.0 A恒定電流放電，直到B5、B6、B7和B18的電壓分別降至2.7、2.5、2.2、2.5 V。

本次實驗所選4個電池在循環充放電過程中容量衰減曲線如圖4所示。

通常，容量和內阻被作為直接HI來反映鋰離子RUL。但是在電池實際使用過程中，容量和內阻測量過程復雜，難以在線直接測量。因此，從循環充放電過程易于測量的指標中提取出能夠高度反映電池壽命衰減的間接HI是有必要的。放電時間、電壓和溫度的變化易于實時監測和獲取，對B5號鋰離子電池在不同放電循環下的放電時間、電壓和溫度變化進行分析。如圖5所示，對比發現電池在不同循環過程中放電截止時間、達到最低電壓和最高溫度的時間隨著充放電循環的進行而減少，這一趨勢與電池容量整體衰減趨勢吻合。因此，初步選擇放電截止時間、放電電壓谷值時間和放電溫度峰值時間作為間接HI。

3種間接HI與電池容量之間的灰度關聯分析結果見表1，關聯度r值在0.0～0.2表示因素之間關

聯程度非常弱或沒有關聯，在0.8～1.0表示因素之間關聯程度非常強。在4個鋰離子電池中，放電電壓谷值時間、放電溫度峰值時間與電池容量的灰度關聯值均大于0.8，因此，最終選擇放電電壓谷值時間和放電溫度峰值時間作為鋰離子電池RUL預測的間接HI。

3.2 RUL預測

為驗證所提模型在鋰離子電池RUL預測中的效果，使用CNN、LSTM和CNN-LSTM3種深度學習模型與筆者所提模型進行對比驗證。將放電電壓谷值時間和放電溫度峰值時間兩個間接HI作為模型輸入，電池容量作為模型輸出，鋰電池的前50%循環周期數據作為訓練集。采用4種模型對鋰離子電池進行RUL預測，預測結果如圖6所示，測試集中電池容量預測值和實際值間的絕對誤差如圖7所示。

通過圖6、7的分析對比可知，相對于CNN、LSTM和CNN-LSTM，采用筆者模型得到的RUL預測曲線更貼近真實的鋰電池容量衰減曲線，并且預測誤差曲線波動范圍更小、更穩定，表明該模型對鋰離子電池RUL預測具有更優的追蹤效果。

為進一步評估各模型的RUL預測性能，采用RMSE、MAE和R2系數3種評價指標進行對比分析，結果見表2，可以看出，筆者模型的3種評價指標的表現均優于CNN、LSTM和CNN-LSTM。以B5號電池為例，筆者模型相比于CNN、LSTM和CNN-LSTM，RMSE分別降低了49.7%、46.5%、36.4%；MAE分別降低了61.0%、58.5%、43.7%；R2系數分別提高了13.7%、11.3%、6.4%。通過對比可知，筆者模型對鋰電池RUL預測具有更優秀的預測表現。

4 結束語

提出一種基于并行CNN-Self attention & LSTM組合模型的鋰離子電池RUL間接預測方法，通過分析鋰離子電池放電循環數據提取電壓、溫度和時間數據，并結合灰度關聯分析篩選出與鋰離子電池壽命高度相關的間接HI。隨后，使用并行CNN-Self attention & LSTM組合模型進行鋰離子電池RUL預測，并分析對比傳統的CNN、LSTM和CNN-LSTM模型的預測效果。基于NASA數據集進行驗證，結論如下：

a. 通過灰度關聯分析篩選出放電電壓谷值時間和放電溫度峰值時間兩個與鋰離子電池壽命高度相關的間接HI，解決了電池直接HI（容量、內阻）難以直接在線測量且測量代價高的問題。

b. 并行CNN-Self attention & LSTM組合模型所得到的容量衰減曲線更接近實際容量衰減曲線，誤差波動范圍更小，在RMSE、MAE和R2系數3種評價指標上表現更優。

參 考 文 獻

［1］? ?ZACHARY BOSIRE OMARIBA，ZHANG L J，SUN D B.Review on Health Management System for Lithium-Ion Batteries of Electric Vehicles［J］.Electronics，2018，7（5）：72-97.

［2］? ?GOEBEL K，SAHA B，SAXENA A，et al.Prognostics in Battery Health Management［J］.IEEE Instrumentation & Measurement Magazine，2008，11（4）：33-40.

［3］? ?尹雙艷，吳美熹，李漢智，等.一種基于間接健康因子的鋰離子電池剩余使用壽命預測方法［J］.航天器環境工程，2021，38（6）：648-654.

［4］? ?YANG D，ZHANG X，PAN R，et al.A novel Gaussian process regression model for state-of-health estimation of lithium-ion battery using charging curve［J］.Journal of Power Sources，2018，384：387-395.

［5］? YANG J F，XIA B，HUANG W X，et al.Online state-of-health estimation for lithium-ion batteries using constant-voltage charging current analysis［J］.Applied Energy，2018，212：1589-1600.

［6］? ?PAN W J，CHEN Q，ZHU M T，et al.A data-driven fuzzy information granulation approach for battery state of health forecasting［J］.Journal of Power Sources，2020，475：228716.

［7］? ?ZHOU Y P，HUANG M H，CHEN Y P，et al.A novel health indicator for on-line lithium-ion batteries remaining useful life prediction［J］.Journal of Power Sources，2016，321：1-10.

［8］? ?LI X Y，ZHANG L，WANG Z P，et al.Remaining useful life prediction for lithium-ion batteries based on a hybrid model combining the long short-term memory and Elman neural networks［J］.Journal of Energy Storage，2019，21：510-518.

［9］? ?戴彥文，于艾清.基于健康特征參數的CNN-LSTM&GRU組合鋰電池SOH估計［J］.儲能科學與技術，2022，11（5）：1641-1649.

［10］? ?梁海峰，袁芃，高亞靜.基于CNN-Bi-LSTM網絡的鋰離子電池剩余使用壽命預測［J］.電力自動化設備，2021，41（10）：213-219.

［11］? ?王冉，后麒麟，石如玉，等.基于變分模態分解與集成深度模型的鋰電池剩余壽命預測方法［J］.儀器儀表學報，2021，42（4）：111-120.

［12］? ?李超然，肖飛，樊亞翔，等.基于卷積神經網絡的鋰離子電池SOH估算［J］.電工技術學報，2020，35（19）：4106-4119.

［13］? ?ZHANG Y Z，XIONG R，HE H W，et al.Long Short-Term Memory Recurrent Neural Network for Remaining Useful Life Prediction of Lithium-ion Batte-ries［J］.IEEE Transactions on Vehicular Technology，2018，67（7）：5696-5705.

［14］? ?CHOI Y，RYU S，PARK K，et al.Machine Learning-Based Lithium-Ion Battery Capacity Estimation Exploiting Multi-Channel Charging Profiles［J］.IEEE Access，2019，7：75143-75152.

［15］? ?倪水平，李慧芳.基于一維卷積神經網絡與長短期記憶網絡結合的電池荷電狀態預測方法［J］.計算機應用，2021，41（5）：1514-1521.

（收稿日期：2022-10-17，修回日期：2023-01-10）

Indirect RUL Prediction of Lithium-ion Battery Based on

Parallel CNN-Self attention and LSTM

LI Yuan-boa， WANG Hai-ruia， YE Xina， ZHU Gui-fub

（a. Faculty of Information Engineering and Automation； b. Information Technology Construction

Management Center， Kunming University of Science and Technology）

Abstract? ?In view of the difficulties in online measuring direct health indicators （capacity and internal resistance） of lithium-ion batteries and predicting the remaining useful life（RUL）， an indirect RUL prediction method for lithium-ion batteries based on the combination of parallel CNN-Self attention and LSTM was proposed. Firstly， having the discharge cycle data of lithium-ion battery based to screen indirect health indicator that can highly reflect battery capacity attenuation are screened through the gray correlation analysis； then， having convolutional neural network（CNN） used to extract features of the indirect health indicator and the self attention mechanism used to adjust feature weights so as to obtain corresponding feature matrix； finally， having feature matrix fused and the long and short-term memory（LSTM） network adopted to perform RUL prediction of the lithium battery. The experiment using NASA lithium-ion battery data shows that， compared with traditional CNN， LSTM and CNN-LSTM models， the capacity attenuation curve obtained by the parallel CNN-Self attention and LSTM model in this paper becomes closer to actual capacity attenuation curve along with a smaller error fluctuation range. It performs better on the three evaluation indexes of RMSE， MAE and R2 coefficients.

Key words? ?lithium-ion battery， residual service life， CNN， self-attention mechanism， LSTM， indirect health indictor