基于SSA-SVR和LSTM相結(jié)合的混合模型預(yù)測(cè)鋰電池的剩余壽命

摘 要：鋰電池的SOH和RUL可以判斷電池管理系統(tǒng)故障的幾率。文章提出一種預(yù)測(cè)SOH和RUL的混合模型。首先利用改進(jìn)的帶有自適應(yīng)噪聲的互補(bǔ)集合經(jīng)驗(yàn)?zāi)B(tài)分解算法（ICEEMDAN）分解容量信號(hào)，然后分別利用SVR算法、LSTM對(duì)高頻、低頻信號(hào)進(jìn)行預(yù)測(cè)，同時(shí)引入SSA優(yōu)化SVR參數(shù)以提高精度，最后將各分量預(yù)測(cè)信號(hào)重組作為最終的預(yù)測(cè)結(jié)果。仿真結(jié)果表明，在不同數(shù)據(jù)集上各項(xiàng)預(yù)測(cè)評(píng)估指標(biāo)均小于1%，該混合預(yù)測(cè)模型具有穩(wěn)定性好、精度高和魯棒性強(qiáng)等優(yōu)點(diǎn)，適用于預(yù)測(cè)電池SOH和RUL。

關(guān)鍵詞：鋰電池 健康狀態(tài) 剩余使用壽命 麻雀優(yōu)化算法 長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)

1 緒論

鋰電池能量密度高、自放電率低和沒(méi)有記憶效應(yīng)，被廣泛應(yīng)用在電力輔助系統(tǒng)。但隨著充放電次數(shù)增加，電池性能會(huì)下降，因此預(yù)測(cè)SOH和RUL是電池監(jiān)控系統(tǒng)的一項(xiàng)主要任務(wù)[1]。目前的研究方法主要分為基于模型和數(shù)據(jù)驅(qū)動(dòng)兩大類方法。

基于模型的方法是利用經(jīng)驗(yàn)數(shù)學(xué)公式和粒子濾波來(lái)預(yù)測(cè)電池的SOH和RUL。Xing等人[3]將指數(shù)模型和多項(xiàng)式模型集成為一個(gè)退化模型，利用粒子濾波算法對(duì)模型參數(shù)進(jìn)行估算和調(diào)整來(lái)跟蹤電池老化的趨勢(shì)。Li 等人[2]提出了一個(gè)將混合高斯過(guò)程模型和粒子濾波算法結(jié)合在一起，在不確定的條件下對(duì)電池SOH進(jìn)行預(yù)測(cè)。但此算法隨著時(shí)間的增加會(huì)出現(xiàn)粒子退化現(xiàn)象，影響模型預(yù)測(cè)精度。

數(shù)據(jù)驅(qū)動(dòng)則無(wú)需固定模型。Zhao等[3]提出一種特征向量選擇和支持向量機(jī)組合模型的方法，但仍未能解決超參數(shù)尋優(yōu)的問(wèn)題。Patil等[4]通過(guò)記錄電壓和溫度的一些相關(guān)特征參數(shù)，提出了一種基于多級(jí)支持向量機(jī)的方法用于電池RUL的估算。利用深度學(xué)習(xí)技術(shù)如Ma et al.[5]采用假最近鄰法尋找輸入窗口的大小，然后再利用由兩個(gè)卷積神經(jīng)網(wǎng)絡(luò)層和一個(gè)LSTM層構(gòu)成的混合神經(jīng)網(wǎng)絡(luò)對(duì)RUL估算。

本文提出一種混合模型解決以上問(wèn)題。

2 相關(guān)技術(shù)及理論

2.1 麻雀優(yōu)化算法（SSA）

SSA算法源于麻雀覓食與反捕食行為，特點(diǎn)在于收斂快、精度高、穩(wěn)定性好，并成功應(yīng)用于實(shí)際工程。麻雀搜索算法用數(shù)學(xué)模型表示如下：

麻雀的位置可以用下面的矩陣表示：

式中，N是麻雀的數(shù)量，D為要優(yōu)化變量的維數(shù)。

追隨者的位置更新描述如下：

式中，XP是當(dāng)前探索者所占據(jù)的最優(yōu)位置；Xworst則表示整個(gè)麻雀種群中最差的位置；

2.2 支持向量回歸（SVR）

SVR是一種小樣本機(jī)器學(xué)習(xí)方法，該方法具有高效簡(jiǎn)單、魯棒性較強(qiáng)的特點(diǎn)。給定一組數(shù)據(jù)?={（x1， y1）， （x2， y2），…（xn， yn）}，其中xn∈?n，yn∈?n。將訓(xùn)練樣本從原始空間映射到更高維空間，在特征空間中，劃分超平面所對(duì)應(yīng)的回歸模型可表示為：

（3）

式中，f（x）表示輸出值，（x）是非線性映射函數(shù)，w為權(quán)重向量，b是可調(diào)因子。

2.3 長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（LSTM）

LSTM相比RNN結(jié)構(gòu)，LSTM引入了遺忘門It、輸入門Ft和輸出門Ot。長(zhǎng)短期記憶門的輸入均為當(dāng)前時(shí)間步輸入Xt與上一時(shí)間步隱藏狀態(tài)Ht-1，輸出由sigmoid函數(shù)的全連接層通過(guò)計(jì)算得到。三個(gè)門元素的值域均為[0，1]。假設(shè)隱藏單元的個(gè)數(shù)為h，給定時(shí)間步t的小批量輸入Xt∈?n×d（樣本數(shù)為n，輸入個(gè)數(shù)為d）和上一時(shí)間步隱藏狀態(tài)Ht-1∈?n×h。時(shí)間步t的輸入門It∈?n×h、遺忘門Ft∈?n×h和輸出門Ot∈?n×h的計(jì)算公式如下：

式中，σlstm（·）為sigmoid函數(shù)，Wxi、Wxf、Wxo∈?d×h和Whi、Whf、Who∈?h×h為權(quán)重參數(shù)，bi、bf、bo∈?h×h為偏差參數(shù)。

3 實(shí)驗(yàn)數(shù)據(jù)及預(yù)測(cè)詳細(xì)過(guò)程

3.1 實(shí)驗(yàn)數(shù)據(jù)

本文所用電池老化測(cè)試數(shù)據(jù)來(lái)自于美國(guó)宇航局的開源數(shù)據(jù)集。電池型號(hào)為18650 電池，額定容量為2Ah。

3.2 SOH和RUL的定義

SOH可以有效判斷電池是否達(dá)到壽命終止條件，本文應(yīng)用電池容量比來(lái)定義SOH。

式中，Cn表示第n次充放電循環(huán)中的電池實(shí)際容量；C0表示電池額定容量。

電池剩余壽命RUL可以用下式表示：

式中，RUL表示電池剩余循環(huán)次數(shù)，NEOL表示當(dāng)電池容量達(dá)到EOL閾值時(shí)的充放電循環(huán)次數(shù)，NECL表示當(dāng)前電池的電流充放電循環(huán)次數(shù)。

3.3 模型評(píng)價(jià)標(biāo)準(zhǔn)

為了評(píng)估模型預(yù)測(cè)電池容量的準(zhǔn)確性和穩(wěn)定性，本文使用以下幾種流行的度量指標(biāo)對(duì)模型進(jìn)行驗(yàn)證：平均絕對(duì)誤差（MAE）、均方根誤差（RMSE）和平均絕對(duì)百分比誤差（MAPE）。

式中，M為測(cè)試集中電池測(cè)試循環(huán)的總次數(shù)，yn*為第n次循環(huán)預(yù)測(cè)的電池容量，yn為第n次循環(huán)實(shí)際的電池容量。

對(duì)于電池RUL而言，本文使用相對(duì)誤差（RE）來(lái)評(píng)估模型的準(zhǔn)確性。

3.4 混合模型的完整預(yù)測(cè)流程

本文提出的預(yù)測(cè)流程步驟如圖2所示：

Step 1：利用ICEEMDAN信號(hào)分解算法將電池原始容量數(shù)據(jù)分解成若干個(gè)高頻信號(hào)（稱為固有模式函數(shù)IMFs）和一個(gè)低頻部分。

Step 2：利用SVR算法對(duì)分解后高頻信號(hào)進(jìn)行預(yù)測(cè)，利用LSTM算法對(duì)低頻信號(hào)進(jìn)行預(yù)測(cè)，為了尋找SVR的最佳懲罰系數(shù)c和核函數(shù)半徑g，引入SSA優(yōu)化算法對(duì)SVR算法的兩個(gè)參數(shù)進(jìn)行尋優(yōu)，以達(dá)到SVR算法的最佳預(yù)測(cè)性能。

Step 3：重構(gòu)每一個(gè)信號(hào)的預(yù)測(cè)結(jié)果，將其作為最終的容量預(yù)測(cè)結(jié)果。將指標(biāo)MAE、RMSE和MAPE用于評(píng)估電池SOH的預(yù)測(cè)性能，對(duì)電池RUL進(jìn)行計(jì)算和評(píng)估。

4 實(shí)驗(yàn)結(jié)果及分析

該實(shí)驗(yàn)主要是驗(yàn)證混合模型對(duì)衰減容量的預(yù)測(cè)性能。

實(shí)驗(yàn)1：該實(shí)驗(yàn)主要是對(duì)B0005號(hào)電池分解后的容量數(shù)據(jù)集進(jìn)行仿真測(cè)試。其輸入窗口d設(shè)置為3，將前80次循環(huán)的容量數(shù)據(jù)設(shè)定為訓(xùn)練集，剩余的容量數(shù)據(jù)設(shè)定為測(cè)試集。LSTM算法的初始學(xué)習(xí)率設(shè)為0.005，每125次循環(huán)之后學(xué)習(xí)率下降因子設(shè)為0.2，采用L2正則化方法進(jìn)行擬合，系數(shù)為0.001。在仿真實(shí)驗(yàn)過(guò)程中將SSA-SVR預(yù)測(cè)模型定義為模型A，將LSTM預(yù)測(cè)模型定義為模型B，同時(shí)引入仿真時(shí)間TS作為預(yù)測(cè)模型的評(píng)價(jià)標(biāo)準(zhǔn)。

從圖4中可以發(fā)現(xiàn)，通過(guò)SSA-SVR五個(gè)模型得到的預(yù)測(cè)結(jié)果和相對(duì)誤差曲線基本上一致。LSTM算法的五個(gè)模型在每次仿真結(jié)束后得到的預(yù)測(cè)結(jié)果都穩(wěn)定在一個(gè)可控的范圍內(nèi)，評(píng)估指標(biāo)MAE和RMSE都在1%以內(nèi)。

實(shí)驗(yàn)2：為驗(yàn)證該算法最終的預(yù)測(cè)效果，現(xiàn)引入未加入ICEEMDAN信號(hào)分解算法的SSA-SVR和LSTM預(yù)測(cè)模型，以及加入信號(hào)分解算法的SSA-SVR和LSTM預(yù)測(cè)模型進(jìn)行對(duì)比。統(tǒng)計(jì)各種算法在不同窗口下的評(píng)估指標(biāo)，在三種不同的輸入窗口下，混合模型預(yù)測(cè)結(jié)果的各項(xiàng)評(píng)估指標(biāo)均小于其他模型，表明該混合算法相比于其他算法具有更高的估計(jì)精度。

實(shí)驗(yàn)3：為了進(jìn)一步驗(yàn)證所提出算法在預(yù)測(cè)性能上的魯棒性和有效性，采用兩種不同開始循環(huán)點(diǎn)實(shí)現(xiàn)四個(gè)編號(hào)電池的容量和RUL預(yù)測(cè)。以編號(hào)為6#的電池為例，當(dāng)開始的循環(huán)點(diǎn)為64和94兩種情況下的各項(xiàng)評(píng)估結(jié)果相差不大，說(shuō)明所提出的混合模型對(duì)不同循環(huán)時(shí)刻開始預(yù)測(cè)具有很強(qiáng)的魯棒性。實(shí)驗(yàn)統(tǒng)計(jì)結(jié)果顯示，所提出的混合模型的預(yù)測(cè)精度在不同的數(shù)據(jù)集上的各項(xiàng)評(píng)估指標(biāo)值都小于1%，這表明所提出的混合模型具備更好的精確性和魯棒性。

5 結(jié)論

本文提出一種ICEEMDAN-SSA-SVR-LSTM混合預(yù)測(cè)模型對(duì)NASA電池?cái)?shù)據(jù)集進(jìn)行壽命預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明相比于其他單一的算法，該混合算法在不同數(shù)據(jù)集上具有較高的預(yù)測(cè)精度，其各項(xiàng)預(yù)測(cè)評(píng)估指標(biāo)均小于1%。本文通過(guò)大量的仿真測(cè)試表明該混合預(yù)測(cè)模型具有穩(wěn)定性好、精度高和魯棒性強(qiáng)等優(yōu)點(diǎn)，可用于電池 SOH和RUL的預(yù)測(cè)。

參考文獻(xiàn)：

[1]C. Fleischer， W. Waag， H.-M. Heyn， and D. U. Sauer， "On-line adaptive battery impedance parameter and state estimation considering physical principles in reduced order equivalent circuit battery models part 2. Parameter and state estimation，" Journal of power sources， vol. 262， pp. 457-482， 2014， doi： 10.1016/j.jpowsour.2014.03.046.

[2]F. Li and J. Xu， "A new prognostics method for state of health estimation of lithium-ion batteries based on a mixture of Gaussiantx+JaoIRwVHyPAfqpWnknQ== process models and particle filter，" Microelectronics and reliability， vol. 55， no. 7， pp. 1035-1045， 2015， doi： 10.1016/j.microrel.2015.02.025.

[3]Q. Zhao， X. Qin， H. Zhao， and W. Feng， "A novel prediction method based on the support vector regression for the remaining useful life of lithium-ion batteries，" Microelectronics Reliability， vol. 85， pp. 99-108， 2018， doi： 10.1016/j.microrel.2018.04.007.

[4]M. A. Patil et al.， "A novel multistage Support Vector Machine based approach for Li ion battery remaining useful life estimation，" Applied energy， vol. 159， pp. 285-297， 2015， doi： 10.1016/j.apenergy.2015.08.119.

[5]G. Ma， Y. Zhang， C. Cheng， B. Zhou， P. Hu， and Y. Yuan， "Remaining useful life prediction of lithium-ion batteries based on false nearest neighbors and a hybrid neural network，" Applied energy， vol. 253， p. 113626， 2019， doi： 10.1016/j.apenergy.2019.113626.