基于CNN-BILSTM深度学习模型的跨工况锂电池SOC估计.pdf

中国新技术新产品2024 NO.1（上）-4-高 新 技 术锂离子电池是电动汽车、可再生能源等领域中重要的能量存储设备，具有广泛的应用前景和巨大的潜力。在电池管理系统中，准确估计和控制电池的电荷状态（SOC）是一项关键任务。为了研究电池 SOC，笔者需要考虑不同工况下的变化情况，其中包括典型的 FUDS 工况和 DST 工况。在 FUDS工况下，电池 SOC 的准确估计对实现电池能量管理和优化控制至关重要。由于FUDS工况具有周期性和动态特点，因此准确估计电池 SOC 成为一项难题。为了解决这一问题，可以通过合理建模和引入适当的状态估计算法来提高SOC的估计精度和准确性。在 DST 工况下的电池 SOC 研究主要关注电池在高动态负载下的性能变化。高功率放电过程会对电池的寿命和安全性造成一定的影响。因此，深入研究电池 SOC 在这种工况下的变化规律，对优化电池管理策略、延长电池使用寿命以及保证电池在高功率需求下的可靠性具有重要意义。建立并迁移 SOC 预测模型对锂电池的研究具有重要意义。模型可以提供准确的状态估计和寿命预测、优化电池管理策略、提高安全性和稳定性并缩短产品的开发周期。该研究不仅有助于锂电池的应用和发展，还可以为相关领域的研究提供支持和指导1-3。1 研究方法1.1 归一化处理归一化是一种常见的数据预处理技术，它对数据进行线性变换，将其映射到特定的范围内。该技术的目的是消除不同特征之间的量纲差异，使数据在同一量纲下进行比较和分析，从而增强模型训练的效果。常用的数据归一化方法包括最小-最大缩放和标准化，具体的计算过程如公式（1）所示。xxxxxiiiiiiminmaxmin,?15（1）式中：xi为 4 项指标标准化处理后的数据；x1，x2，x3，x4分别为锂电池的温度、电流、电压和 SOC 原始数据。1.2 CNN 神经网络构建CNN（Convolutional Neural Network，CNN）的核心思想是通过卷积层和池化层提取输入数据的局部特征，并通过全连接层进行整体信息的分类或回归。CNN的基本结构如图 1 所示。CNN 通过卷积层、激活函数、池化层和全连接层的组合，能够有效地提取输入数据的局部特征及整体信息，在图像处理等任务中表现优异，对具有网格状结构的数据具有良好的适应性和表达能力。1.3 BILSTM 的构建BILSTM（Bidirectional Long Short-Term Memory）指双向长短期记忆网络，是一种常用于处理序列数据的循环神经网络变体。与传统的单向 RNN（Recurrent Neural Networks）相比，BILSTM 具有双向性，可同时考虑过去和未来的信息，从而更好地捕捉序列数据中的上下文关系。BILSTM 在每个时间步上，前向 LSTM 接收当前时间步的输入和前一个时间步的隐藏状态，并生成当前时间步的隐藏状态。后向 LSTM 接收当前时间步的输入和后一个时间步的隐藏状态，并生成当前时间步的隐藏状态。BILSTM通过前向和后向的信息流动，能够充分利用序列数据的全基于CNN-BILSTM深度学习模型的跨工况锂电池SOC估计雷文博1，2耿灿欣1，2邹晔1，2姚忠冉1，2周礼缘1（1.无锡职业技术学院汽车与交通学院，江苏 无锡 214121；2.江苏省新能源汽车节能与电池安全工程研究中心，江苏 无锡 214121）摘 要：为提高新能源汽车锂电池跨工况下 SOC（State of Charge，SOC）的预测精度以提升其运行可靠性，针对不同工况下的锂电池特征，笔者提出了一种深度学习预测模型。该模型基于卷积神经网络（CNN）和双向长短期记忆网络（BILSTM），对跨工况锂电池 SOC 进行估计。笔者采集了锂电池在不同工况下的温度、电流、电压和 SOC 等数据。然后，构建了 CNN-BILSTM 深度学习模型，并在联邦城市运行工况（Federal Urban Driving Schedule，FUDS）工况下进行训练测试。将该方法应用于动态应力测试工况（Dynamic Stress Test，DST）下，进行跨工况 SOC 估计。试验结果表明，本文提出的 CNN-BILSTM 模型能够有效预测锂电池的 SOC 值，在跨工况下也显示出良好的预测性能和较强的泛化能力。关键词：深度学习；CNN；BILSTM；跨工况；锂电池 SOC 中图分类号 U46文献标志码：A基金项目：江苏省高等学校基础科学（自然科学）研究面上项目“多层异质界面 PEO 基固态电解质设计及离子传输机制研究”（项目编号：23KJB430038）；无锡职业技术学院科研创新团队建设项目“新能源动力电池开发与应用研究”（项目编号：XJ2023000301）；无锡职业技术学院自然科学类科研课题项目“全固态锂电池复合电解质的制备及性能研究”（项目编号：BT2023-06）。中国新技术新产品2024 NO.1（上）-5-高 新 技 术局信息。其结构如图 2 所示，其中 Xt为当前时刻输入的序列信息，yt为当前时刻对应的输出。1.4 构建工况迁移预测模型本文选取的4个参数分别为锂电池每30 s阶段的历史温度、历史电流、历史电压和历史 SOC。经过分析发现，锂电池的 SOC 与温度、电流和电压有很强的关联，即温度、电流和电压是锂电池 SOC 的主要影响因素。因此，将锂电池的温度、电流和电压与 SOC 进行关联，构建 CNN-BILSTM 模型。将该模型在 FUDS 工况下进行训练，CNN 对输入数据进行高效的特征提取和降维，有助于提高 SOC 预测的准确性。然后，BILSTM 在 CNN 提取的特征基础上进行序列建模，BILSTM 能够更好地捕捉序列数据中的时间相关性和长期依赖关系。通过双向 LSTM 的结构，BILSTM 能够同时考虑过去和未来的信息，从而更全面地理解和预测锂电池SOC 的变化趋势。首先，输入 FUDS 工况下的历史温度、电流、电压和SOC 数据进行训练。训练完成后，将模型迁移至 DST 工况。其次，将 DST 工况下的历史温度、电流、电压和 SOC数据作为输入，验证锂电池 SOC 的训练效果。最后，观察模型迁移后的效果4-6。在搭建模型的过程中，使用时间滑动窗口对 2 个工况下的锂电池历史温度、电流、电压和 SOC 进行处理，将数据集转换为时间序列数据，提高数据的研究意义。工况迁移预测模型的搭建流程如图 3 所示。此外，为了评估模型的训练效果，本文进行了误差分析。采用以下误差参数评价指标：平均绝对百分比误差MAPE、平均绝对误差 MAE 和均方根误差 RMSE。这些指标用于验证模型的性能。以下是误差指标的计算公式。平均绝对百分比误差如公式（2）所示。MAPEmyyyiiiim?11（2）平均绝对误差如公式（3）所示。MAEmyyiiim?11（3）均方根误差如公式（4）所示。RMSEmyyiiim?121（4）式中：m 为样本的数量；yi为真实值；yi为预测值；i 为真实值和预测值的样本编号。2 结果分析2.1 CNN-BILSTM 模型在 FUDS 工况下对 SOC 训练结果的分析在 MATLAB 软件中，对 FUDS 工况下的锂电池温度、电注：Xt为该时刻输入的序列信息；Xt+1为下一时刻输入的序列信息；Xt-1为上一时刻输入的序列信息；yt为当前时刻对应的输出；yt+1为下一个时刻对应的输出；yt-1为上一个时刻对应的输出。图 2 BILSTM 结构示意图输出层双向层输入层yt-1xt-1xtyt+1xt+1ytLSTMLSTMLSTMLSTMLSTMLSTM图 1 卷积神经网络结构示意输入输出输入层卷积层输出层池化层全连接层中国新技术新产品2024 NO.1（上）-6-高 新 技 术流、电压和 SOC 原始数据进行时间滑动窗口处理，并采用了特征归一化方法，以保证所有数据都处于相同的量级。将处理后的数据输入模型中，并按照 8 2 的比例划分了训练集和测试集7-8。训练结果如图4所示。根据测试集的拟合结果可以看出，历史数据和预测数据具有高拟合度。通过建立的模型误差体系，对相关误差进行计算，计算结果见表 1。基于CNN-BILSTM 模型，在FUDS 工况下对SOC的训练结果误差为MAE=0.027 814、RMSE=7.248 961和MAPE=0.033 321，这些误差结果表明，模型的预测能力很好，每个预测值与真实值之间的百分比差异为 3.332 1%。MAPE值较低，说明模型的预测能力较强。2.2 模型迁移 DST 工况时 SOC 训练结果的分析CNN-BILSTM在FUDS工况下对SOC的学习效果表现出色，将训练好的模型迁移至 DST 工况，在 MATLAB 软件中，先对 DST 工况下的锂电池温度、电流、电压和 SOC原始数据进行时间滑动窗口处理，随后进行归一化处理，以保证所有数据处于相同的量级。随后，将之前在 FUDS工况下训练好的模型迁移至 DST 工况，并进一步评估其性能9-12，模型迁移后预测效果如图 5 所示。表 1 CNN-BILSTM 在 FUDS 工况下的误差分析平均绝对误差MAE/%平均绝对百分比误差MAPE/%均方根误差RMSE/%0.027 814 0.033 3217.248 96将在 FUDS 工况下训练完成后的模型迁移至 DST 工况对 SOC 进行预测，结果表明，在模型迁移后，在 DST 工况下的 SOC 训练集表现良好，真实值与预测值高度拟合。在测试集中，依旧表现良好。根据已建立的模型误差体系，对模型在迁移后的 SOC 预测结果误差分析见表 2。表 2 模型迁移后 SOC 预测结果的误差分析平均绝对误差MAE/%平均绝对百分比误差MAPE/%均方根误差RMSE/%0.062 4420.074 1223.690 450综上所述，当将在 FUDS 工况下训练完成的模型迁移至 DST 工况进行 SOC 预测时，结果表明，在模型迁移后，训练的结果依旧表现良好，模型的适用性很强，相关误差参数仍然偏小。2.3 工况迁移预测效果对比通过 CNN-BILSTM 模型在 FUDS 工况下进行训练，并将该模型迁移到 DST 工况进行 SOC 预测。试验结果如图 6所示，模型在 DST 工况下的预测效果仍然较好，指标误差较小。尽管在新工况下模型的适应性有所降低，但是仍满足锂电池SOC预测的实际需求。工况迁移预测的结果对比如图 6、图 7 所示。在 FUDS 工况下，CNN-LSTM 模型表现良好，根据误差结果，该模型能够准确预测锂电池 SOC。然而，当将模型迁移到 DST 工况时，误差指标发生了变化。在新工况下的误差结果为 MAE=0.022 442，RMSE=3.690 45，MAPE=0.014 122。与 FUDS 工况相比，误差指标有所改善，MAE 和 RMSE 变小并且 MAPE 下降了 2%，说明模型在 DST 工况下的预测更准确，2 种工况下的误差参数对比见表 3。表 3 FUDS 工况和模型迁移至 DST 工况的误差对比工况平均绝对误差MAE/%平均绝对百分比误差MAPE/%均方根误差RMSE/%联邦城市运行工况FUDS0.027 814 0.033 3217.248 96动态应力测试工况DST0.022 4420.014 1223.690 45迁移后的模型在DST工况下预测准确性较高。虽然误差指标相比原工况有所上升，但是仍能满足实际应用中的预测需求。尤其是 MAE 和 RMSE 明显变小，表明模型对图 4 CNN-BILSTM 在 FUDS 工况下的结果分析0.760 0.758 0.756 0.754 0.752 0.750 0.748 0.746 0.744 0.742 0.74005001 0002 0001 5002 500预测值 实际值预测样本/个FUDS工况SOC值图 3 工况迁移下 SOC 模型的构建流程历史温度历史电流历史SOC历史电压时间滑动窗口归一化处理BILSTM提取特征模型迁移寻找时间序列CNN神经网络FUDS工况下的SOCDST工况下的SOC中国新技术新产品2024 NO.1（上）-7-高 新 技 术DST 工况下的 SOC 预测有更好的适应性。3 结论本文基于 CNN-BILSTM 模型，在 FUDS 工况下对锂电池 SOC 进行预测和训练，结果表明，在FUDS 工况下模型的表现良好。将训练好的模型迁移至 DST 工况进行验证，结果表明，CNN-BILSTM模型仍然能够保持较高的预测准确性。与FUDS工况相比，误差指标 MAE 和 RMSE 均变小，MAPE下降了 2%。这表明模型具备一定的泛化能力，能适应不同的工况并提供准确的锂电池 SOC 预测结果。但在使用该模型进行 SOC 预测的过程中，需要了解误差结果，并考虑误差范围内的可能性。通过进一步优化，可以提高模型的迁移性能并预测准确性，以满足更高精度的 SOC 预测需求。参考文献1 隋鑫，卢北虎，余帆.某锂电池模组不同工况放电性能研究 J.船电技术，2020，40（12）：59-64.2 任立向.循环工况对锂电池在不同压力下热失控特性的影响研究 D.德阳：中国民用航空飞行学院，2020.3 孙蕾，林歆悠.基于不同工况温升规律分析的锂电池组散热方案优化 J.机械设计与制造，2017（10）：55-59.4 寇志华，潘旭海，季豪.不同工况下锂电池热特性影响因素实验研究 J.电源技术，2017，41（6）：840-843.5 郭天滋.基于 CNN-LSTM 网络的锂动力电池SOC 估计 D.杭州：杭州电子科技大学，2021.6 张帅涛，蒋品群，宋树祥，等.基于注意力机制和 CNN-LSTM 融合模型的锂电池 SOC 预测 J/OL.电源学报，2023（9）：1-152023-09-21.http：/ 时浩婷.LSTM 神经网络在动力锂电池 SOC 估算方面的应用 D.济南：山东交通学院，2021.9 刘泽，张闯，齐磊，等.基于 CNN-BiLSTM 的锂电池剩余使用寿命概率密度预测 J.电源技术，2023，47（1）：57-61.10 朱振宇，高德欣.基于 CNN-BiLSTM 网络的锂离子电池健康状态检测方法 J.电子测量技术，2023，46（3）：128-133.11 庄依洁，刘景豪，李盈.基于 CNN-BiLSTM 的电力负荷中短期预测 J.数学建模及其应用，2022，11（4）：62-70.12 朱天航，吝毅，陈维刚.基于 CNN-BILSTM混合网络的锂离子电池荷电状态估计 J.信息技术与信息化，2022（8）：148-151.通信作者：姚忠冉（1991-），男，山东聊城人，博士研究生，主要研究方向为先进储能材料。电子邮箱：。图 6 模型在 FUDS 工况下 SOC 的结果 图 7 模型迁移至 DST 工况后 SOC 的结果图 5 模型迁移 DST 工况时 SOC 训练结果0.60.50.40.30.20.10-0.10.60.50.40.30.20.10-0.1DST工况SOC值DST工况SOC值FUDS工况SOC值2 00005001 0002 0001 5002 5004 0006 0008 00010 00012 000预测样本/个预测样本/个预测样本/个2 0004 0006 0008 00010 00012 0000.760 0.758 0.756 0.754 0.752 0.750 0.748 0.746 0.744 0.742 0.740预测值 实际值预测值 实际值预测值 实际值