基于CNN-BiLSTM-AT混合模型的新能源汽車鋰離子電池健康狀態預測

摘要：快速準確的健康狀態預測能夠提高新能源汽車鋰離子電池的長期使用安全性和可靠性，可為電池管理系統的優化提供可靠的數據支持。結合卷積神經網絡（CNN）、雙向長短期記憶網絡（BiLSTM）和注意力機制（AT）技術，提出并驗證了CNN-BiLSTM-AT混合模型的預測有效性。以三元鋰電池和磷酸鐵鋰電池為例，將CNN-BiLSTM-AT模型與其他6種預測模型進行對比。結果表明：CNN-BiLSTM-AT模型在多種電池類型和不同循環次數下均表現出色，具有最低的均方根誤差和平均絕對誤差，且決定系數R2接近1，顯著優于其他模型。

關鍵詞：鋰離子電池；健康狀態預測；CNN-BiLSTM-AT模型；電池管理

0 前言

近年來，隨著科技的飛速發展，鋰離子電池因其具有高能量密度、高功率密度、長壽命、高標稱電壓和低成本等優點，被廣泛應用于新能源汽車領域。新能源汽車鋰離子電池作為供電系統的關鍵組件，其健康狀態（SOH）成為重要的安全指標。在循環充放電過程中，電池會經歷不可逆反應，如正極材料衰退、電解質氧化分解等，導致SOH逐漸下降，直至退役。在電池的持續使用過程中，電池易出現故障，影響供電系統的正常運行，甚至會引發安全事故。因此，快速準確地預測電池的健康狀況能夠顯著提高其長期使用的安全性。

1 混合模型技術

隨著深度學習技術的發展，深度學習網絡逐漸被應用于新能源汽車鋰離子電池健康預測領域。卷積神經網絡（CNN）可以從數據中提取深層特征，當將其應用于新能源汽車鋰離子電池的充放電數據分析時，CNN能夠有效預測電池的健康狀態特征，提高預測模型的穩定性[1]。雙向長短期記憶神經網絡（BiLSTM）可以從2個方向分析新能源汽車鋰離子電池的充放電數據特征，從而充分利用這些數據信息，使預測模型具備更強的數據提取、分析和泛化能力[2]。注意力機制（AT）能夠根據輸入特征對輸出的影響，對輸入序列進行建模，并將其與輸出序列的值進行關聯，通過訓練模型學習如何選擇性地關注輸入數據，從而為更相關的輸入向量賦予更高的權重[3]。

2 試驗驗證

在本次試驗中，采用CNN-BiLSTM-AT混合模型及其他6種常見的預測模型對新能源汽車鋰離子電池的健康狀態進行預測對比，分析CNNBiLSTM-AT混合模型在鋰離子電池SOH預測中的優勢。選擇三元鋰電池和磷酸鐵鋰電池進行SOH的預測對比。三元鋰電池具有能量密度高、續航長等優點，適用于長途駕駛場景；磷酸鐵鋰電池的安全性高、壽命長，適用于高安全性需求場景[4]。預測這2種電池的健康狀態，可評估模型在不同電池上的適用性和精度，為優化電池管理系統提供數據支持。

2. 1 參數設置

采集鋰離子電池充放電過程中的參數數據，將其作為輸入數據，充電過程的參數數據包括環境溫度、充電電流、充電溫度、充電電壓、電池測量電壓和電池測量電流，放電過程的參數數據包括電池容量、電池測量電壓、放電溫度、電池測量電流、放電電流和放電電壓[5]。對參數數據進行數據預處理，將數據劃分為訓練集和測試集。CNN-BiLSTMAT混合模型與其他預測模型的參數設置見表1。

2. 2 試驗數據

評判預測模型的準確性采用均方根誤差（RMSE）δRMSE、平均絕對誤差（MAE）δMAE和決定系數R2 這3種誤差測量方式，作為評價預測模型準確性的標準。

以三元鋰電池和磷酸鐵鋰電池為例，CNNBiLSTM-AT混合模型與其他預測模型的誤差數據對比見表2。

2. 3 試驗結果

通過試驗驗證，在不同循環次數下CNNBiLSTM-AT混合模型對三元鋰電池和磷酸鐵鋰電池的SOH預測表現出色。鋰離子電池的健康狀態值SSOH，i為：

根據鋰離子電池健康狀態的評價標準，預測該鋰離子電池的健康狀態，其設定為：

以三元鋰電池和磷酸鐵鋰電池為例的鋰離子電池循環次數點為預測點，預測結果見表3。其中，失效閾值為0.70。

由表3可知，采用三元鋰電池時，當循環次數為800，SOH預測值范圍為0.89～0.95，電池健康狀態為健康；當循環次數為1 200，SOH預測值范圍為0.82～0.89，電池狀態仍為健康；當循環次數為1 600，SOH預測值范圍為0.74～0.84，電池保持健康狀態；當循環次數為2 000，SOH預測值范圍為0.66～0.75，電池狀態接近退役；當循環次數為2 400，SOH預測值范圍為0.60～0.70，電池開始進入退役狀態；當循環次數為2 800，SOH預測值范圍為0.55～0.68，電池完全進入退役狀態。CNNBiLSTM-AT混合模型在不同循環次數下對三元鋰電池的SOH預測表現優越，其預測值與實際值高度接近。

采用磷酸鐵鋰電池時，當循環次數為2 000，SOH預測值范圍為0.90～0.97，電池健康狀態為健康；當循環次數為2 400，SOH預測值范圍為0.84～ 0.91，電池狀態依然健康；當循環次數為2 800，SOH預測值范圍為0.78～0.87，電池仍然保持健康狀態；當循環次數為3 200，SOH預測值范圍為0.73～0.85，電池狀態接近退役；當循環次數為 3 600，SOH預測值范圍為0.68～0.81，電池開始進入退役狀態；當循環次數為4 000，SOH預測值范圍為0.64～0.79，電池完全進入退役狀態；當循環次數為4 400，SOH預測值范圍為0.60～0.72，電池持續退化；當循環次數為4 800，SOH預測值范圍為0.58～0.69，電池進一步退化；當循環次數為5 200，SOH預測值范圍為0.54～0.67，電池進入完全退役狀態。CNN-BiLSTM-AT混合模型在不同循環次數下對磷酸鐵鋰電池的SOH預測表現優越，其預測值與實際值高度接近。

3 結語

與其他模型相比，CNN-BiLSTM-AT混合模型具有更強的時序分析能力，能夠從新能源汽車鋰離子電池的多維數據中挖掘與其健康狀態相關性高的健康因子，準確預測鋰離子電池的健康狀態。綜合多個模型的評價標準，CNN-BiLSTM-AT混合模型具有更高的預測精度和魯棒性。

參 考 文 獻

[1] 劉俊.新能源汽車鋰離子動力電池安全性分析[J].時代汽車，2024（11）：94-96.

[2] 周少杰.新型電極材料在新能源汽車鋰離子電池中的性能研究[J].產業創新研究，2024（8）：40-42.

[3] 孫俊東，劉喜，佘長超，等.基于IFA-CNN的新能源礦卡鋰離子電池健康狀態估算[J].煤炭工程，2023，55（增刊1）：162-168.

[4] 朱利琦.基于機器學習方法的鋰離子電池健康狀態在線預測[D].福州：福州大學，2020.

[5] 王惠民.基于退化特征提取和機器學習算法的鋰離子電池健康狀態估算[D].南寧：廣西大學，2020.