电动汽车用电池健康状态估算与预测

电动汽车用电池健康状态估算与预测

0模型估算方法随着世界各国新汽车排放标准的颁布和实施，纯电动汽车对节能减排和绿色环保具有深远的影响。当前对于电池健康状态预测估算的主流方法分为：基于模型的方法和基于数据的方法。基于电路或电化学模型的方法是将电池SOH估计问题视为模型参数估算问题，例如：文献当前传统神经网络算法在处理时间间隔较长的大量电池数据时存在不足，影响电池SOH的预测准确程度。本文采用长短期记忆神经网络（LongShortTermMemorynetworks,LSTM）进行电池健康状态估计，结果表明，长短期记忆神经网络估算电池健康状态的误差小于5%，证明预测模型的有效性1实验过程和参数本文实验中所使用的电池为18650号锂离子电池，在不同的运行工况下，模拟得出电池在室温（24℃）条件下正常工作的数据。图1所示为锂离子电池循环充放电实验测试所用的设备。主要包括用于电池充放电的ArbinBT-5HC测试系统，用于控制电池温度的温箱以及用于数据监控和储存的台式计算机。在一个电池充放电周期内，电池测试过程主要包括电池充电过程、电池放电过程和静置过程。电池充电过程可分为恒流充电和恒压充电两部分。恒流模式在2.55A下运行，直到电池端口电压达到4.2V，然后在4.2V的恒定电压下继续运行，直到充电电流下降到0.051A。所有实验电池均在相同的充电过程中运行。充电完成后，电池实验进入放电阶段。放电过程在5.1A的恒定电流下进行，直到端口电压等于截止电压2.5V，具体电池实验参数标准如表1所示。随着电池使用寿命的衰减和老化，电池内部器件的参数会产生对应的变化，会对电池外部信号造成相应的影响。在电池工作过程中，内部参数很难被直接测量和采集得到。研究中，一般运用可以测量的电池外部信号来估计电池健康状态。电池充放电过程中，外部信号会有相应的变化，因而可以使用此部分的实验数据，完成电池SOH的估算工作。本研究基于实验的恒流放电过程数据进行电池健康状态的估算。随着电池循环充放电实验的进行，电池的健康状态会发生变化，同时会在电池放电过程中表现出来。电池在不同老化程度下放电时间和放出电量存在差异。随着电池使用寿命的降低和老化程度的增长，放电时间会明显降低。由图2可以看出，放电容量也有一定程度的下降。2长短距离记忆神经网络算法2.1标准长短期记忆神经网络长短期记忆神经网络是递归神经网络的优化之后的特殊形式。在传统递归神经网络的梯度反向传播阶段中，神经网络的梯度信号的变化会受到与神经元相关联的权重矩阵的影响，这也就意味着，转换矩阵中权重的变化会直接影响到神经网络模型的学习过程以及结果。传统递归神经网络模型中存在因反向传播误差引起的梯度爆炸或者梯度消失问题。如果转换矩阵中的权重过大，导致梯度信号太大而过学习的问题，通常被称为梯度爆炸；如果转换矩阵中权重过小，则梯度信号会太小，从而模型学习过程会变得特别漫长甚至直接停止，即为梯度消失。之后多方面的应用都能够证明，长短期记忆神经网络可以很好地解决此问题。相比传统递归神经网络，长短期记忆神经网络在算法中加入了一个判断信息有用与否的“处理器”，这个处理器作用的结构被称为cell。每个cell中都存在输入门限、输出门限和遗忘门限的结构。每个cell中都会预先设置学习规则，进入长短期记忆神经网络中的信息会由该规则来判断是否有用。另外，每个cell中都存在与其自身相连接的神经元，这个自回归连接权重会保持在1.0，从而保证在没有任何外部干扰的情况下，cell的状态会在时间步长变化时保持恒定。图3为标准的LSTM神经网络结构图。网络模型首先决定将部分信息从cell状态中丢弃。在LSTM神经网络结构中，丢弃何种信息由遗忘门限所决定。遗忘门限读取h式中：x接下来，神经网络确定将保留在cell状态中的信息。此决定过程由2部分构成。第1步，输入门限决定更新的部分；第2步，由tanh层建立的全新的待选量C式中：W最后，网络确定由C式中怱：娅W2.2模型学习训练速度对于传统神经网络模型的学习过程来说，传统的优化算法将网络的学习率设置为固定的常数，或者根据学习训练的次数调节学习率。传统优化算法在很大程度上忽视了学习率其他变化的可能性。对于神经网络模型来说，学习率对模型性能和预测结果存在显著的影响，通常会采取自适应学习率优化算法更新学习率，从而加快模型的学习训练速度。本文中采用的自适应学习率优化算法为AdaGrad算法、RMSProp算法及Adam算法。AdaGrad算法广泛应用于神经网络模型参数的学习率，将每个学习率对应的参数反比于其所有梯度的过往历史平均值总和的平方根进行缩放。具有代价函数的模型的最大梯度的参数对应的学习率会快速下降，相反小梯度的参数对应的学习率下降程度较小。AdaGrad算法优化策略通常如式（5）所示：式中：i——第i分类；t——第t次迭代；WRMSProp算法将梯度累计优化为梯度指数加权的移动平均，从而使得模型的学习训练在非凸条件设定下效果更加优秀。算法优化策略通常如式（6）所示：式中：WAdam算法将梯度指数加权的估算与动量进行合并。因缺少修正因子，RMSProp在模型学习训练开始时的二阶矩估算的偏置很高。而Adam算法加入修正因子，对学习训练开始时的一阶矩和非中心二阶矩的估算进行修正。算法策略通常如式（7）所示：式中：m3预测结果对比当前，资料文献对于电池健康状态（StateofHealth,SOH）定义主要从剩余电量或者内阻的角度。本文中，选择电池剩余电量定义电池SOH，定义式如式（8）所示:式中：C在本文中，电池循环充放电实验所得到的放电实验数据的前2/3部分用来长短期记忆神经网络的学习训练过程，并建立预测模型。剩余部分数据与结果进行对比，以测试预测算法准确性。为了确定预测算法结果与实验结果之间的误差以及稳定性，本文选择均方误差（MeanSquaredError,MSE）和均方根误差（RootMeanSquaredError,RMSE）定义模型预测结果误差，表达式如式（9）所示：]]]MSE=3种优化方法的长短期记忆神经网络的预测结果拟合效果和误差如图4—图6，预测结果误差计算如表2所示。由图4—图6和表2可知，3种优化的LSTM算法的结果较为优秀，均方根误差都在2%左右，其中RMSProp优化的均方根误（RMSE）最低，为1.4%。平均绝对误差都在1.5%左右，其中，RMSProp优化的平均绝对误差（MSE）最低，为0.7%。综上，RMSProp优化的LSTM算法的效果最为理想。4基于lstm算法的soh估计当前深度学习在大数据的预测学习领域大放异彩。结合锂离子电池实验数据的繁多大量的特性，本文中将LSTM方法与电池健康状态估算相结合，提出了一种考虑实际放电过程的新型SOH估计方法。在详细分析锂离子电池实验数据后，选择放电过程数据提取的特征向量作为估算模型输入。然后，引入LSTM算法，对模型学习训练过程加以优化，以实现更加准确的SOH估计。与传统电池健康状