融合电化学阻抗与容量增量曲线特征的锂电池健康状态算法研究

张兴红, 徐 翊,巩泽浩

(重庆理工大学 两江国际学院, 重庆 401135)

近年来,为减少碳排放,应对气候变化和能源短缺问题,全球能源系统正逐步发生改变。伴随着可再生能源的需求增长,化石燃料的利用率逐年下降[1]。电动汽车的迅速发展可有效缓解能源危机和环境问题。在这些问题中,如何预测电池健康状态是电池管理系统中至关重要且具有挑战性的问题。一个准确的电池健康状态估计值可以帮助用户正确判断电池的老化水平,是否应更换电池以避免意外的容量衰减[2-4]。

目前,电池健康状态的预测方法大致分为机理分析法和数据驱动法。其中,机理分析法是建立电池退化现象的数学模型,分析电池容量衰减与其他因素之间的相关性。然而,电化学阻抗谱因频谱的高维性很难找到与退化相关的定量特征[5],容量增量分析法仍需采用适当的滤波减少测量噪声[6]的影响。数据驱动法是对电池进行实时、非侵入性测量,并使用深度学习将这些测量与电池健康状况联系起来,而无需建立物理机制。但是,健康指标的高非线性匹配能力在很大程度上取决于老化数据,这不可避免地需要大量的时间和经济成本[7-9]。因此,提取与健康机制相关的有效特征和选择合适的深度学习算法是有效估计电池健康状态的关键。

为提升锂电池健康状态的预测精度,本文结合机理分析法和数据驱动法,融合电化学阻抗谱和容量增量曲线特征,构建电池健康状态特征数据集。根据锂离子电池数据与健康状态的强相关性,建立预测电池健康状态的CNN-TLSTM模型,并利用量子粒子群算法优化设计模型参数,从而解决传统模型在参数选择上的困难以及容易陷入局部最优的问题,实现锂电池健康状态的准确估计。

本研究提出了一种预估SOH的QPSO-CNN-TLSTM模型。首先,从锂离子电池数据集中提取可反映电池容量退化的间接健康特征,如电压、电流、时间、阻抗等。其次,对数据进行处理、特征融合、分割数据集。然后,利用CNN层的卷积和池化操作提取两方面特征,从而构建CNN-TLSTM混合模型,并在模型训练过程中使用量子粒子群优化算法确定模型的超参数,得出最佳模型。最后,将测试集传递给训练好的模型进行预测,从而得到SOH预测结果。所提方法的整体方案设计见图1。

图1 整体方案设计图

1.1 健康特征

为提取更有效的锂电池健康特征,提高预测的准确率,本文将结合电化学阻抗与容量增量曲线的方法,重构电池数据集。

1.1.1电化学阻抗

基于频域的EIS是向电化学系统施加不同频率的小振幅交流电势波,测量正弦波频率产生的交流电势与电流信号的变化比率。电池的阻抗可根据以下方程(1)得到:

(1)

式中:Z为电池阻抗;ΔI为频率为f的正弦电流;产生交流电势ΔV和相位角φ。

EIS可多角度观察电池的老化状态,反映电池内部材料特性、界面现象和电化学反应等有关信息,这是预测电池SOH的有效手段。因此,考虑到电化学阻抗与电池劣化之间的强相关性,选择固定频率对应的实部和虚部测量值表示电池容量劣化的特征[10]。

1.1.2容量增量曲线

容量增量分析法[11-12]的基本思路是以固定电压间隔δV取代dV,计算每δV电压变化区间内电池Q的变化δQ来代替dQ,进而用δQ/δV代替dQ/dV,即电压区间以δV进行划分。其中,δV趋于0时,式(2)如下:

(2)

根据充电容量与电压之间的关系式(3),可得:

(3)

因此,容量增量变化量曲线公式(4)为:

(4)

式中:I、t和V分别为放电阶段的电流、时间和电压。因曲线非常嘈杂,需要采用过滤方法来获得更平滑的曲线。本文使用小波变换和Savitzky-Golay去噪法。为避免求容量增量曲线时,因dV过小而出现曲线的异常值,因此需构造电压差为0.001 V的序列并在曲线的基础上通过样条抽值法获得电压序列所对应的电池容量[13]。改进后的容量增量曲线公式(5)如下:

(5)

式中:k表示当前容量状态,k+1为上一容量状态。

1.2 预测模型

为获得高效智能的锂电池健康状态评估结果,本节将开发CNN-TLSTM混合驱动模型,具体介绍如下。

1.2.1卷积神经网络

在神经网络的预测中,卷积神经网络[14]是一种具有良好特征提取性能的深度学习模型,可有效解决人工神经网络在特征提取上的不足。其层次结构主要由输入层、卷积层、池化层、全连接层和输出层组成,CNN提取数据特征的结果直接影响预测值的精度。本文使用一维CNN处理序列数据,采用卷积运算提取电池健康特征。

1.2.2长短期记忆网络及TLSTM模型

长短期记忆网络[14]是一种特殊的循环神经网络,它通过向隐藏层添加存储单元控制时间序列数据的存储信息。随着训练时间和网络层数的增加,LSTM使用门控制记忆过程,这在很大程度上解决了长序列训练过程中的梯度消失和梯度爆炸问题。LSTM网络结构如图2所示。

图2 长短期记忆网络结构图

TLSTM[15]是本文提出的一种改进LSTM模型内部结构的新模型。TLSTM的设计是为了防止LSTM中输入门的输出值过拟合。TLSTM在LSTM的输入门之后引入1-tanh函数,以改变输入门的输出值取值范围,以确保尽可能地保留输入数据的重要特征。TLSTM的结构如图3所示。当使用sigmoid函数激活LSTM的输入门时,接近0的输出值被丢弃,接近1的输出值被完全保留并传输。输入门的输出范围为[0,1]。当引入1-tanh函数时,接近1的输出值将变为接近0.25,接近0的输出值将变为1,接近0到1中间的输出值在两侧均变为0.5。该门的输出值范围变为[0.25,1]。因此,将数据转换为更明显的时间间隔有助于捕获序列数据之间的相关性。TLSTM的计算公式(6)如下:

(6)

式中:σ为sigmoid激活函数,其输出值范围为[0,1],0表示“不传递信息”,1表示“传递所有信息”;Wf、Wi、Wo和Wc分别为遗忘门、输入门、输出门、候选单元的输入权值;bf、bi、bo和bc为上述所对应的偏置权值;t表示当前时间状态;t-1为前一时间状态;x表示输入;h表示输出;C为单元状态;C′为更新后的单元状态。

图3 TLSTM网络结构

TLSTM的计算过程如下:首先,将前一个TLSTM单元的输出数据和当前时刻的输入数据送入遗忘门、输入门、输出门和候选存储单元,得到相应的输出值。其次,根据输入门的输出值,使用1-tanh函数变换其输出值。然后,根据遗忘门的输出值、输入门变换的输出值、候选存储单元状态和先前存储单元状态,计算当前存储单元状态。最后,基于当前存储单元状态和输出门的输出值计算TLSTM的输出值。

1.2.3CNN-TLSTM混合驱动模型

为更好地预测电池SOH,本文构建了CNN-TLSTM预测模型。CNN-TLSTM混合网络结构如图4所示。具体实现过程为:首先,在数据输入处传递预处理后的电池数据集。其次,根据电化学阻抗和容量增量曲线特征划分为2个CNN层并行运行。其中,卷积层是用来提取输入数据的特征,归一化层是加快模型的收敛过程,提高网络的泛化能力,激活函数是将网络结构非线性化,提升网络的拟合能力,池化层是降低卷积层特征提取的维数。然后,将CNN层中特征融合后数据集的维度转换为TLSTM层的维度,在TLSTM层进行序列预测,利用全连接层“分类器”的功能整合特征。最后,在输出层输出TLSTM层的输出值,完成对电池健康状态的预测。

图4 CNN-TLSTM混合网络结构

1.3 量子粒子群优化算法

在算法中,需要在训练网络模型前人为设定调优参数,因预测模型的网络结构受这些参数所控制,不同参数的模型预测效果也不同[16-17]。因此,选择合适的网络参数尤为重要。

量子粒子群算法[18-19]是针对量子计算的特点对传统粒子群进行改进,控制参数越少,收敛速度越快。该方法删除了粒子的运动方向属性并更新了粒子的位置,使其独立于先前的运动,从而增加粒子位置的随机性。粒子更新公式(7)如下:

(7)

式中:M表示粒子群的大小;Mbest表示平均的粒子历史最好位置;Pbesti表示当前迭代中的第i个粒子历史最好位置;gbest表示当前全局最优粒子;Pi用于第i个粒子位置的更新;xi表示第i个粒子的位置;α为创新参数,一般不大于1;φ和u为(0,1)上的均匀分布数值,取正、负的概率均为0.5。

本文利用QPSO算法修正网络结构的权值和阈值,以实现优化目标。优化过程包括:根据局部和全局最优值计算粒子的自适应性,然后为每个粒子选择评估和自适应标准,更新、计算并记录粒子当前的位置。当迭代完成或找到最佳位置,则满足终止条件,即可确定最佳参数。如果不满足上述要求,则重新返回之前的步骤进行再次迭代。最后,利用优化后的超参数建立最佳模型。

本文使用NASA PCoE提供的锂电池老化数据集[13], 将4种18650型(5、6、7、18号电池)锂离子电池在24 ℃的环境下重复充放电循环。充电过程分为恒流充电和恒压充电2种模式,即首先用1.5 A的恒定电流对电池充电,当电压到达4.2 V后按恒定电压对电池充电,直到电流下降至0.2 A。电池的放电过程是保持电流2 A不变,当4种电池电压从4.2 V分别降至2.7,2.5,2.2,2.5 A时终止放电。图5为4种型号电池健康状态描述图。

图5 4种型号电池健康状态描述图

目前研究较多的是根据电池剩余容量定义电池的健康状态[20-21],即当前时刻电池最大放电容量与额定满载容量的比率,定义公式(8)如下:

(8)

式中:SOH指电池健康状态;Qaged表示当前电池最大放电电量;Qrated表示电池标称容量。SOH越大,电池衰减越少,寿命越长。根据当前动力电池行业标准,当电池SOH下降到80%以下时,说明该电池处于不健康状态。本文针对NASA PCoE电池数据集对电池SOH进行预测,从而做出综合性评价。

2.1 参数设置

实验模型将量子粒子群优化算法的种群个体数设置为30,最大迭代次数为50, 同时选取CNN通道数、 EIS特征的CNN层数、IC特征的CNN层数、TLSTM隐藏层数、卷积核大小作为优化对象以减少人为主观因素的影响。电池数据集融合的驱动模型通过寻优后得到的最优参数如表1。

表1 CNN-TLSTM混合驱动模型最优参数

2.2 评价指标

为进一步衡量本文提出的融合特征的混合驱动模型性能,采用平均绝对误差(mean absolute error,MAE)、均方根误差(root mean square error,RMSE)和平均绝对百分比误差(mean absolute percentage error,MAPE)3种评判标准评估SOH预测结果。计算公式(9)如下:

(9)

2.3 对比实验

为了验证融合后的电池健康特征更具可靠性,本文建立了3组对比实验,分别为单独采用电化学阻抗谱、单独采用容量增量曲线以及融合2种方法所得的特征。表2是4种不同型号电池在不同健康特征下使用CNN-TLSTM模型的评价指标计算结果。

表2 不同健康特征各指标评价

由表2可知,以5号电池为例,本文所提的融合特征方法在MAE、RMSE、MAPE上相较于单独使用电化学阻抗谱分别降低了18%、16%、18%,较单独使用容量增量分析法分别降低了27%、25%、26%。图6为各健康特征下不同型号电池预测SOH结果曲线。由此知,使用相同模型时,将融合电化学阻抗和容量增量曲线的多维特征作为输入时,与单独作为输入相比,融合后的特征可以获得更好的预测效果。同时,与单个域的特征相比,从2种方法中共同提取的特征向量可以更好地跟踪锂离子电池的健康状态,从而提高预测SOH的准确性。

图6 各健康特征下4种型号电池预测结果图

为了更好地表明CNN-TLSTM混合驱动模型在电池健康预测上具有良好的鲁棒性,模型输入为电化学阻抗谱和容量增量分析法相融合的健康特征,输出是SOH。采用5号电池进行训练,并将最终的SOH估算结果与其他模型进行比较。表3给出了5号电池使用不同模型预测电池SOH的评价指标计算结果。可以观察到,与其他模型相比,CNN-TLSTM混合动力驱动模型估计SOH的精度更高。

表3 不同模型各评价指标计算结果

为证明量子粒子群算法相较于传统粒子群算法的优势之处,本文将提出的QPSO-CNN-TLSTM模型与粒子群、无寻优算法进行对比实验。表4是5号电池使用不同优化算法预测电池SOH的评价指标计算结果。图7为各优化算法下5号电池预测结果图。以5号电池为例,QPSO算法的MAE、RMSE、MAPE相比于无寻优算法分别降低了69%、70%、70%,相比于粒子群算法分别降低了58%、53%、57%。实验证明,QPSO算法比无寻优、传统粒子群算法有更好的预测效果。因此,QPSO算法预测精度提升较为明显,可解决受局部最优影响的粒子群优化问题,获取更精确的参数,进而得到更好的预测结果。而对于无寻优算法模型,因人为主观选取参数导致误差较大,曲线波动明显。

表4 不同优化算法各评价指标计算结果

图7 各优化算法下5号电池预测结果图

2.4 消融实验

以5号电池数据集为例进行消融实验,以更深入研究本文所提出的模型。通过CNN-LSTM基础模型分析了该实验融合数据集的有效性,采用CNN-TLSTM模型预测SOH证明了其算法的可靠性,评估量子粒子群优化算法的性能证实了该优化算法的高预测精度。表5是5号电池消融实验预测电池SOH的评价指标计算结果。可以看出,在MAE、RMSE、MAPE上,CNN-TLSTM模型相对于CNN-LSTM模型分别降低了46%、28%、45%,QPSO-CNN-LSTM相比于CNN-LSTM分别降低了78%、68%、80%,QPSO-CNN-TLSTM相比于QPSO-CNN-LSTM分别降低了21%、31%、19%。图8为5号电池消融实验预测结果图。可以观察到,PSO-CNN-LSTM和 QPSO-CNN-TLSTM模型比CNN-LSTM、CNN-TLSTM模型预测的SOH曲线更加贴近于真实数据曲线。因此,该研究提出的算法相对于其他算法效果更加明显,精度更高。

表5 消融实验各评价指标计算结果

图8 5号电池消融实验预测结果图

1) 从时域和频域的角度,融合电化学阻抗和容量增量曲线的特征,获取电池健康状态的关键信息,可实现对SOH的准确预测。

2) 在同一数据集中,将提出的CNN-TLSTM模型与CNN-LSTM预测模型相比,本文模型更贴近实际值,预测误差波动较小。

3) 采用量子粒子群算法优化模型参数可以规避人工选取参数的不客观性,解决易陷入局部最优的传统粒子群算法问题,提高预测精确率。

未来将侧重于研究模型的鲁棒性,进一步开发预测锂离子电池剩余使用寿命、电池充电状态等的可靠性算法。

猜你喜欢容量粒子电池电池很冤今日农业(2022年14期)2022-09-15“一粒盐电池”军事文摘(2022年14期)2022-08-26把电池穿身上科学大众(2021年21期)2022-01-18穿在身上的电池小学科学(学生版)(2021年12期)2021-12-31基于粒子群优化的桥式起重机模糊PID控制测控技术(2018年10期)2018-11-25基于粒子群优化极点配置的空燃比输出反馈控制浙江工业大学学报(2017年5期)2018-01-222015年上半年我国风电新增并网容量916万千瓦风能(2015年8期)2015-02-272015年一季度我国风电新增并网容量470万千瓦风能(2015年5期)2015-02-27改进等效容量法在含风电配网线损计算中的应用电测与仪表(2014年1期)2014-04-04基于Matlab的α粒子的散射实验模拟物理与工程(2014年4期)2014-02-27

推荐访问:电化学 阻抗 增量