李遠(yuǎn)博　王海瑞　葉鑫　朱貴富

摘 要 針對(duì)鋰離子電池難以在線測(cè)量直接健康因子（容量、內(nèi)阻）進(jìn)行剩余使用壽命（RUL）預(yù)測(cè)的現(xiàn)狀，提出基于并行CNN-Self attention與LSTM組合的鋰電池RUL間接預(yù)測(cè)方法。首先基于鋰離子電池放電循環(huán)數(shù)據(jù)，利用灰度關(guān)聯(lián)分析篩選出能夠高度體現(xiàn)電池容量衰減的間接健康因子；然后分別對(duì)間接健康因子使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行特征提取和自注意力機(jī)制（Self attention）調(diào)整特征權(quán)重得到對(duì)應(yīng)的特征矩陣；最后融合特征矩陣，并使用長(zhǎng)短期記憶（LSTM）網(wǎng)絡(luò)進(jìn)行鋰電池RUL預(yù)測(cè)。使用NASA鋰離子電池?cái)?shù)據(jù)集進(jìn)行實(shí)驗(yàn)，結(jié)果表明：與傳統(tǒng)的CNN、LSTM和CNN-LSTM模型相比，并行CNN-Self attention & LSTM模型所得到的容量衰減曲線更接近實(shí)際容量衰減曲線，誤差波動(dòng)范圍更小，在RMSE、MAE和R2系數(shù)3種評(píng)價(jià)指標(biāo)上表現(xiàn)更優(yōu)。

關(guān)鍵詞 鋰離子電池 剩余使用壽命 卷積神經(jīng)網(wǎng)絡(luò) 自注意力機(jī)制 長(zhǎng)短期記憶網(wǎng)絡(luò) 間接健康因子

中圖分類(lèi)號(hào) TM912? ?文獻(xiàn)標(biāo)識(shí)碼 A? ?文章編號(hào) 1000-3932（2023）04-0486-08

鋰離子電池因其高能量密度、高穩(wěn)定性、使用壽命長(zhǎng)且價(jià)格適中等優(yōu)點(diǎn)成為移動(dòng)通訊設(shè)備、新能源交通工具、航空航天等眾多領(lǐng)域的主要電源［1］。隨著鋰離子電池充放電循環(huán)次數(shù)的增加和工作環(huán)境的影響，電池剩余使用壽命（Remaining Useful Life，RUL）會(huì)出現(xiàn)不同程度的衰減。一般情況下，電池容量衰減至70%～80%或內(nèi)阻增大100%時(shí)需要進(jìn)行電池更換［2］。不能及時(shí)準(zhǔn)確地對(duì)電池RUL做出判斷，可能會(huì)導(dǎo)致設(shè)備無(wú)法正常運(yùn)行且引發(fā)安全問(wèn)題。因此，能夠及時(shí)有效地進(jìn)行鋰電池RUL預(yù)測(cè)，對(duì)保障系統(tǒng)正常運(yùn)行和預(yù)防危險(xiǎn)事故發(fā)生具有重要的實(shí)際意義。

鋰離子電池的RUL預(yù)測(cè)過(guò)程一般包括健康因子（Health Indicator，HI）構(gòu)建和RUL預(yù)測(cè)兩個(gè)階段［3］。容量和內(nèi)阻被作為直接HI來(lái)體現(xiàn)電池的健康狀態(tài)［4］，然而容量和內(nèi)阻數(shù)據(jù)難以實(shí)現(xiàn)直接在線獲取，因此基于充放電過(guò)程易于測(cè)量的數(shù)據(jù)（電流、電壓、溫度等）提取出能夠反映電池健康狀態(tài)的間接HI受到越來(lái)越多研究者的關(guān)注。文獻(xiàn)［5］選取恒壓充電時(shí)間作為間接HI對(duì)電池健康狀態(tài)進(jìn)行估計(jì)。文獻(xiàn)［6］使用灰色關(guān)聯(lián)分析在不同的等充電電流差時(shí)間間隔中找出最優(yōu)間接HI進(jìn)行電池健康估計(jì)。文獻(xiàn)［7］以放電循環(huán)數(shù)據(jù)的平均放電電壓為間接HI，采用相關(guān)向量機(jī)實(shí)現(xiàn)了電池RUL預(yù)測(cè)。過(guò)往研究表明，使用不同的間接HI會(huì)直接影響到電池RUL預(yù)測(cè)模型的精準(zhǔn)度，因此篩選出合適的間接HI是必要的。

現(xiàn)有的鋰離子電池RUL預(yù)測(cè)方法主要分為機(jī)理模型法和數(shù)據(jù)驅(qū)動(dòng)法［8］。機(jī)理模型法根據(jù)電化學(xué)機(jī)理創(chuàng)建電池的壽命退化模型，可以較好地反映電池的電化學(xué)特性，但是此類(lèi)方法依靠建立模型的準(zhǔn)確性，且計(jì)算過(guò)程和模型參數(shù)識(shí)別都較為復(fù)雜［9，10］。數(shù)據(jù)驅(qū)動(dòng)法不需要考慮鋰電池的電化學(xué)反應(yīng)和退化機(jī)制，可以直接從鋰電池充放電循環(huán)的監(jiān)測(cè)數(shù)據(jù)中分析和挖掘出電池性能變化規(guī)律，進(jìn)而實(shí)現(xiàn)鋰電池的RUL預(yù)測(cè)，相對(duì)于機(jī)理模型法有更廣的實(shí)用性［11］。

在眾多的數(shù)據(jù)驅(qū)動(dòng)方法中，神經(jīng)網(wǎng)絡(luò)因其強(qiáng)大的非線性逼近能力，近年來(lái)已在鋰電池的RUL預(yù)測(cè)領(lǐng)域受到了廣泛關(guān)注。文獻(xiàn)［12］使用一維卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）提取電壓、電流、溫度曲線中的共有特征信息，進(jìn)行鋰電池容量預(yù)測(cè)。文獻(xiàn)［13］使用長(zhǎng)短期記憶（Long Short-Term Memory，LSTM）神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)鋰電池容量退化之間潛在的長(zhǎng)期依賴關(guān)系，并結(jié)合dropout技術(shù)防止過(guò)擬合，實(shí)現(xiàn)了鋰電池的RUL預(yù)測(cè)。文獻(xiàn)［14］基于電壓、電流、溫度參數(shù)創(chuàng)建多通道，結(jié)合LSTM處理時(shí)序趨勢(shì)問(wèn)題，實(shí)現(xiàn)鋰電池荷電狀態(tài)預(yù)測(cè)。文獻(xiàn)［15］通過(guò)一維CNN提取電池?cái)?shù)據(jù)的深層特征，使用LSTM保存歷史輸入信息，建立CNN和LSTM融合的電池荷電狀態(tài)預(yù)測(cè)方法。

上述方法分別使用CNN、LSTM和CNN-LSTM分析鋰離子電池?cái)?shù)據(jù)并進(jìn)行相關(guān)預(yù)測(cè)。筆者結(jié)合以上方法的優(yōu)勢(shì)，構(gòu)建并行CNN-Self attention & LSTM模型來(lái)進(jìn)行鋰離子電池RUL預(yù)測(cè)。首先基于鋰離子電池放電循環(huán)過(guò)程提取出易于測(cè)量的電壓、溫度和時(shí)間等數(shù)據(jù)，使用灰度關(guān)聯(lián)分析篩選出放電電壓谷值時(shí)間和放電溫度峰值時(shí)間兩個(gè)能夠高度體現(xiàn)電池容量衰減的間接HI；然后分別對(duì)間接HI用CNN挖掘數(shù)據(jù)的深層特征并結(jié)合自注意力機(jī)制（Self attention）調(diào)整特征的權(quán)重；隨即融合通過(guò)兩種間接HI提取出的特征矩陣，最后利用LSTM網(wǎng)絡(luò)分析特征序列，實(shí)現(xiàn)鋰電池RUL預(yù)測(cè)。通過(guò)NASA鋰離子電池?cái)?shù)據(jù)集，與傳統(tǒng)的CNN、LSTM和CNN-LSTM模型對(duì)比驗(yàn)證，結(jié)果表明：所提并行CNN-Self attention & LSTM模型預(yù)測(cè)的準(zhǔn)確性更高、誤差波動(dòng)范圍更小。

1 理論背景

1.1 灰度關(guān)聯(lián)分析

灰度關(guān)聯(lián)分析根據(jù)不同因素之間發(fā)展趨勢(shì)的相似或相異程度來(lái)評(píng)價(jià)各因素之間的關(guān)聯(lián)程度強(qiáng)弱。為判斷筆者所選間接HI是否能夠高度體現(xiàn)鋰離子電池壽命衰減，使用灰度關(guān)聯(lián)分析對(duì)間接HI與容量之間的關(guān)聯(lián)性強(qiáng)弱進(jìn)行判斷。具體步驟如下。

1.2 卷積神經(jīng)網(wǎng)絡(luò)

根據(jù)卷積運(yùn)算維度的不同，可將CNN分為一維CNN、二維CNN和三維CNN。一維CNN常用于處理序列數(shù)據(jù)，二維CNN常用于計(jì)算機(jī)視覺(jué)和圖像處理領(lǐng)域，三維CNN常用于3D圖像和視頻處理領(lǐng)域。

本研究使用一維CNN對(duì)鋰離子電池序列數(shù)據(jù)進(jìn)行深層特征挖掘處理，其結(jié)構(gòu)如圖1所示，主要由一維卷積層、一維池化層和全連接層組成。卷積層通過(guò)卷積核對(duì)輸入數(shù)據(jù)進(jìn)行卷積運(yùn)算，得到更高層、更抽象的特征，卷積層中的權(quán)值共享極大減少了卷積層的網(wǎng)絡(luò)參數(shù)，并能在一定程度上避免過(guò)擬合現(xiàn)象的發(fā)生；池化層對(duì)數(shù)據(jù)進(jìn)行壓縮選擇，去除冗余信息，減少運(yùn)算量；全連接層則將池化層的輸出進(jìn)行整合。

1.3 自注意力機(jī)制

注意力機(jī)制通過(guò)對(duì)特征信息賦予不同的權(quán)重，突出重要特征。自注意力機(jī)制是注意力機(jī)制的變體，減少了對(duì)外部信息的依賴，更擅長(zhǎng)捕捉特征的內(nèi)部相關(guān)性。

1.4 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)

2 RUL預(yù)測(cè)方法和評(píng)價(jià)指標(biāo)

2.1 RUL預(yù)測(cè)方法

筆者提出的基于并行CNN-Self attention & LSTM的鋰電池RUL間接預(yù)測(cè)方法流程如圖3所示。

具體步驟如下：

a. 提取鋰離子電池放電循環(huán)過(guò)程中易于測(cè)量的數(shù)據(jù)，使用灰度關(guān)聯(lián)分析篩選出兩個(gè)能夠高度體現(xiàn)電池壽命衰退的間接HI（放電電壓谷值時(shí)間和放電溫度峰值時(shí)間）。

b. 將間接HI和容量以循環(huán)周期T為預(yù)測(cè)起點(diǎn)，劃分訓(xùn)練集和測(cè)試集。

c. 采用CNN提取間接HI深層特征并結(jié)合自注意力機(jī)制調(diào)整特征權(quán)重，得到兩個(gè)間接HI對(duì)應(yīng)的特征矩陣。

d. 融合上一步得到的特征矩陣作為L(zhǎng)STM網(wǎng)絡(luò)的輸入。

e. 使用LSTM網(wǎng)絡(luò)進(jìn)行鋰離子電池RUL預(yù)測(cè)。

2.2 模型參數(shù)

2.3 評(píng)價(jià)指標(biāo)

3 實(shí)驗(yàn)與分析

3.1 健康因子提取

本次預(yù)測(cè)實(shí)驗(yàn)的數(shù)據(jù)來(lái)源于NASA鋰離子電池?cái)?shù)據(jù)集，選取一組4個(gè)18650型號(hào)的鋰離子電池（B5、B6、B7、B18）作為研究對(duì)象。

數(shù)據(jù)集通過(guò)室溫條件下對(duì)鋰離子電池進(jìn)行循環(huán)充放電實(shí)驗(yàn)獲得。充電過(guò)程：以1.5 A恒定電流充電，當(dāng)電壓達(dá)到4.2 V后，轉(zhuǎn)為4.2 V恒定電壓充電，直到電流降至20 mA。放電過(guò)程：以2.0 A恒定電流放電，直到B5、B6、B7和B18的電壓分別降至2.7、2.5、2.2、2.5 V。

本次實(shí)驗(yàn)所選4個(gè)電池在循環(huán)充放電過(guò)程中容量衰減曲線如圖4所示。

通常，容量和內(nèi)阻被作為直接HI來(lái)反映鋰離子RUL。但是在電池實(shí)際使用過(guò)程中，容量和內(nèi)阻測(cè)量過(guò)程復(fù)雜，難以在線直接測(cè)量。因此，從循環(huán)充放電過(guò)程易于測(cè)量的指標(biāo)中提取出能夠高度反映電池壽命衰減的間接HI是有必要的。放電時(shí)間、電壓和溫度的變化易于實(shí)時(shí)監(jiān)測(cè)和獲取，對(duì)B5號(hào)鋰離子電池在不同放電循環(huán)下的放電時(shí)間、電壓和溫度變化進(jìn)行分析。如圖5所示，對(duì)比發(fā)現(xiàn)電池在不同循環(huán)過(guò)程中放電截止時(shí)間、達(dá)到最低電壓和最高溫度的時(shí)間隨著充放電循環(huán)的進(jìn)行而減少，這一趨勢(shì)與電池容量整體衰減趨勢(shì)吻合。因此，初步選擇放電截止時(shí)間、放電電壓谷值時(shí)間和放電溫度峰值時(shí)間作為間接HI。

3種間接HI與電池容量之間的灰度關(guān)聯(lián)分析結(jié)果見(jiàn)表1，關(guān)聯(lián)度r值在0.0～0.2表示因素之間關(guān)

聯(lián)程度非常弱或沒(méi)有關(guān)聯(lián)，在0.8～1.0表示因素之間關(guān)聯(lián)程度非常強(qiáng)。在4個(gè)鋰離子電池中，放電電壓谷值時(shí)間、放電溫度峰值時(shí)間與電池容量的灰度關(guān)聯(lián)值均大于0.8，因此，最終選擇放電電壓谷值時(shí)間和放電溫度峰值時(shí)間作為鋰離子電池RUL預(yù)測(cè)的間接HI。

3.2 RUL預(yù)測(cè)

為驗(yàn)證所提模型在鋰離子電池RUL預(yù)測(cè)中的效果，使用CNN、LSTM和CNN-LSTM3種深度學(xué)習(xí)模型與筆者所提模型進(jìn)行對(duì)比驗(yàn)證。將放電電壓谷值時(shí)間和放電溫度峰值時(shí)間兩個(gè)間接HI作為模型輸入，電池容量作為模型輸出，鋰電池的前50%循環(huán)周期數(shù)據(jù)作為訓(xùn)練集。采用4種模型對(duì)鋰離子電池進(jìn)行RUL預(yù)測(cè)，預(yù)測(cè)結(jié)果如圖6所示，測(cè)試集中電池容量預(yù)測(cè)值和實(shí)際值間的絕對(duì)誤差如圖7所示。

通過(guò)圖6、7的分析對(duì)比可知，相對(duì)于CNN、LSTM和CNN-LSTM，采用筆者模型得到的RUL預(yù)測(cè)曲線更貼近真實(shí)的鋰電池容量衰減曲線，并且預(yù)測(cè)誤差曲線波動(dòng)范圍更小、更穩(wěn)定，表明該模型對(duì)鋰離子電池RUL預(yù)測(cè)具有更優(yōu)的追蹤效果。

為進(jìn)一步評(píng)估各模型的RUL預(yù)測(cè)性能，采用RMSE、MAE和R2系數(shù)3種評(píng)價(jià)指標(biāo)進(jìn)行對(duì)比分析，結(jié)果見(jiàn)表2，可以看出，筆者模型的3種評(píng)價(jià)指標(biāo)的表現(xiàn)均優(yōu)于CNN、LSTM和CNN-LSTM。以B5號(hào)電池為例，筆者模型相比于CNN、LSTM和CNN-LSTM，RMSE分別降低了49.7%、46.5%、36.4%；MAE分別降低了61.0%、58.5%、43.7%；R2系數(shù)分別提高了13.7%、11.3%、6.4%。通過(guò)對(duì)比可知，筆者模型對(duì)鋰電池RUL預(yù)測(cè)具有更優(yōu)秀的預(yù)測(cè)表現(xiàn)。

4 結(jié)束語(yǔ)

提出一種基于并行CNN-Self attention & LSTM組合模型的鋰離子電池RUL間接預(yù)測(cè)方法，通過(guò)分析鋰離子電池放電循環(huán)數(shù)據(jù)提取電壓、溫度和時(shí)間數(shù)據(jù)，并結(jié)合灰度關(guān)聯(lián)分析篩選出與鋰離子電池壽命高度相關(guān)的間接HI。隨后，使用并行CNN-Self attention & LSTM組合模型進(jìn)行鋰離子電池RUL預(yù)測(cè)，并分析對(duì)比傳統(tǒng)的CNN、LSTM和CNN-LSTM模型的預(yù)測(cè)效果?；贜ASA數(shù)據(jù)集進(jìn)行驗(yàn)證，結(jié)論如下：

a. 通過(guò)灰度關(guān)聯(lián)分析篩選出放電電壓谷值時(shí)間和放電溫度峰值時(shí)間兩個(gè)與鋰離子電池壽命高度相關(guān)的間接HI，解決了電池直接HI（容量、內(nèi)阻）難以直接在線測(cè)量且測(cè)量代價(jià)高的問(wèn)題。

b. 并行CNN-Self attention & LSTM組合模型所得到的容量衰減曲線更接近實(shí)際容量衰減曲線，誤差波動(dòng)范圍更小，在RMSE、MAE和R2系數(shù)3種評(píng)價(jià)指標(biāo)上表現(xiàn)更優(yōu)。

參 考 文 獻(xiàn)

［1］? ?ZACHARY BOSIRE OMARIBA，ZHANG L J，SUN D B.Review on Health Management System for Lithium-Ion Batteries of Electric Vehicles［J］.Electronics，2018，7（5）：72-97.

［2］? ?GOEBEL K，SAHA B，SAXENA A，et al.Prognostics in Battery Health Management［J］.IEEE Instrumentation & Measurement Magazine，2008，11（4）：33-40.

［3］? ?尹雙艷，吳美熹，李漢智，等.一種基于間接健康因子的鋰離子電池剩余使用壽命預(yù)測(cè)方法［J］.航天器環(huán)境工程，2021，38（6）：648-654.

［4］? ?YANG D，ZHANG X，PAN R，et al.A novel Gaussian process regression model for state-of-health estimation of lithium-ion battery using charging curve［J］.Journal of Power Sources，2018，384：387-395.

［5］? YANG J F，XIA B，HUANG W X，et al.Online state-of-health estimation for lithium-ion batteries using constant-voltage charging current analysis［J］.Applied Energy，2018，212：1589-1600.

［6］? ?PAN W J，CHEN Q，ZHU M T，et al.A data-driven fuzzy information granulation approach for battery state of health forecasting［J］.Journal of Power Sources，2020，475：228716.

［7］? ?ZHOU Y P，HUANG M H，CHEN Y P，et al.A novel health indicator for on-line lithium-ion batteries remaining useful life prediction［J］.Journal of Power Sources，2016，321：1-10.

［8］? ?LI X Y，ZHANG L，WANG Z P，et al.Remaining useful life prediction for lithium-ion batteries based on a hybrid model combining the long short-term memory and Elman neural networks［J］.Journal of Energy Storage，2019，21：510-518.

［9］? ?戴彥文，于艾清.基于健康特征參數(shù)的CNN-LSTM&GRU組合鋰電池SOH估計(jì)［J］.儲(chǔ)能科學(xué)與技術(shù)，2022，11（5）：1641-1649.

［10］? ?梁海峰，袁芃，高亞靜.基于CNN-Bi-LSTM網(wǎng)絡(luò)的鋰離子電池剩余使用壽命預(yù)測(cè)［J］.電力自動(dòng)化設(shè)備，2021，41（10）：213-219.

［11］? ?王冉，后麒麟，石如玉，等.基于變分模態(tài)分解與集成深度模型的鋰電池剩余壽命預(yù)測(cè)方法［J］.儀器儀表學(xué)報(bào)，2021，42（4）：111-120.

［12］? ?李超然，肖飛，樊亞翔，等.基于卷積神經(jīng)網(wǎng)絡(luò)的鋰離子電池SOH估算［J］.電工技術(shù)學(xué)報(bào)，2020，35（19）：4106-4119.

［13］? ?ZHANG Y Z，XIONG R，HE H W，et al.Long Short-Term Memory Recurrent Neural Network for Remaining Useful Life Prediction of Lithium-ion Batte-ries［J］.IEEE Transactions on Vehicular Technology，2018，67（7）：5696-5705.

［14］? ?CHOI Y，RYU S，PARK K，et al.Machine Learning-Based Lithium-Ion Battery Capacity Estimation Exploiting Multi-Channel Charging Profiles［J］.IEEE Access，2019，7：75143-75152.

［15］? ?倪水平，李慧芳.基于一維卷積神經(jīng)網(wǎng)絡(luò)與長(zhǎng)短期記憶網(wǎng)絡(luò)結(jié)合的電池荷電狀態(tài)預(yù)測(cè)方法［J］.計(jì)算機(jī)應(yīng)用，2021，41（5）：1514-1521.

（收稿日期：2022-10-17，修回日期：2023-01-10）

Indirect RUL Prediction of Lithium-ion Battery Based on

Parallel CNN-Self attention and LSTM

LI Yuan-boa， WANG Hai-ruia， YE Xina， ZHU Gui-fub

（a. Faculty of Information Engineering and Automation； b. Information Technology Construction

Management Center， Kunming University of Science and Technology）

Abstract? ?In view of the difficulties in online measuring direct health indicators （capacity and internal resistance） of lithium-ion batteries and predicting the remaining useful life（RUL）， an indirect RUL prediction method for lithium-ion batteries based on the combination of parallel CNN-Self attention and LSTM was proposed. Firstly， having the discharge cycle data of lithium-ion battery based to screen indirect health indicator that can highly reflect battery capacity attenuation are screened through the gray correlation analysis； then， having convolutional neural network（CNN） used to extract features of the indirect health indicator and the self attention mechanism used to adjust feature weights so as to obtain corresponding feature matrix； finally， having feature matrix fused and the long and short-term memory（LSTM） network adopted to perform RUL prediction of the lithium battery. The experiment using NASA lithium-ion battery data shows that， compared with traditional CNN， LSTM and CNN-LSTM models， the capacity attenuation curve obtained by the parallel CNN-Self attention and LSTM model in this paper becomes closer to actual capacity attenuation curve along with a smaller error fluctuation range. It performs better on the three evaluation indexes of RMSE， MAE and R2 coefficients.

Key words? ?lithium-ion battery， residual service life， CNN， self-attention mechanism， LSTM， indirect health indictor