摘要：快速準(zhǔn)確的健康狀態(tài)預(yù)測(cè)能夠提高新能源汽車鋰離子電池的長(zhǎng)期使用安全性和可靠性，可為電池管理系統(tǒng)的優(yōu)化提供可靠的數(shù)據(jù)支持。結(jié)合卷積神經(jīng)網(wǎng)絡(luò)（CNN）、雙向長(zhǎng)短期記憶網(wǎng)絡(luò)（BiLSTM）和注意力機(jī)制（AT）技術(shù)，提出并驗(yàn)證了CNN-BiLSTM-AT混合模型的預(yù)測(cè)有效性。以三元鋰電池和磷酸鐵鋰電池為例，將CNN-BiLSTM-AT模型與其他6種預(yù)測(cè)模型進(jìn)行對(duì)比。結(jié)果表明：CNN-BiLSTM-AT模型在多種電池類型和不同循環(huán)次數(shù)下均表現(xiàn)出色，具有最低的均方根誤差和平均絕對(duì)誤差，且決定系數(shù)R2接近1，顯著優(yōu)于其他模型。

關(guān)鍵詞：鋰離子電池；健康狀態(tài)預(yù)測(cè)；CNN-BiLSTM-AT模型；電池管理

0 前言

近年來，隨著科技的飛速發(fā)展，鋰離子電池因其具有高能量密度、高功率密度、長(zhǎng)壽命、高標(biāo)稱電壓和低成本等優(yōu)點(diǎn)，被廣泛應(yīng)用于新能源汽車領(lǐng)域。新能源汽車鋰離子電池作為供電系統(tǒng)的關(guān)鍵組件，其健康狀態(tài)（SOH）成為重要的安全指標(biāo)。在循環(huán)充放電過程中，電池會(huì)經(jīng)歷不可逆反應(yīng)，如正極材料衰退、電解質(zhì)氧化分解等，導(dǎo)致SOH逐漸下降，直至退役。在電池的持續(xù)使用過程中，電池易出現(xiàn)故障，影響供電系統(tǒng)的正常運(yùn)行，甚至?xí)l(fā)安全事故。因此，快速準(zhǔn)確地預(yù)測(cè)電池的健康狀況能夠顯著提高其長(zhǎng)期使用的安全性。

1 混合模型技術(shù)

隨著深度學(xué)習(xí)技術(shù)的發(fā)展，深度學(xué)習(xí)網(wǎng)絡(luò)逐漸被應(yīng)用于新能源汽車鋰離子電池健康預(yù)測(cè)領(lǐng)域。卷積神經(jīng)網(wǎng)絡(luò)（CNN）可以從數(shù)據(jù)中提取深層特征，當(dāng)將其應(yīng)用于新能源汽車鋰離子電池的充放電數(shù)據(jù)分析時(shí)，CNN能夠有效預(yù)測(cè)電池的健康狀態(tài)特征，提高預(yù)測(cè)模型的穩(wěn)定性[1]。雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)（BiLSTM）可以從2個(gè)方向分析新能源汽車鋰離子電池的充放電數(shù)據(jù)特征，從而充分利用這些數(shù)據(jù)信息，使預(yù)測(cè)模型具備更強(qiáng)的數(shù)據(jù)提取、分析和泛化能力[2]。注意力機(jī)制（AT）能夠根據(jù)輸入特征對(duì)輸出的影響，對(duì)輸入序列進(jìn)行建模，并將其與輸出序列的值進(jìn)行關(guān)聯(lián)，通過訓(xùn)練模型學(xué)習(xí)如何選擇性地關(guān)注輸入數(shù)據(jù)，從而為更相關(guān)的輸入向量賦予更高的權(quán)重[3]。

2 試驗(yàn)驗(yàn)證

在本次試驗(yàn)中，采用CNN-BiLSTM-AT混合模型及其他6種常見的預(yù)測(cè)模型對(duì)新能源汽車鋰離子電池的健康狀態(tài)進(jìn)行預(yù)測(cè)對(duì)比，分析CNNBiLSTM-AT混合模型在鋰離子電池SOH預(yù)測(cè)中的優(yōu)勢(shì)。選擇三元鋰電池和磷酸鐵鋰電池進(jìn)行SOH的預(yù)測(cè)對(duì)比。三元鋰電池具有能量密度高、續(xù)航長(zhǎng)等優(yōu)點(diǎn)，適用于長(zhǎng)途駕駛場(chǎng)景；磷酸鐵鋰電池的安全性高、壽命長(zhǎng)，適用于高安全性需求場(chǎng)景[4]。預(yù)測(cè)這2種電池的健康狀態(tài)，可評(píng)估模型在不同電池上的適用性和精度，為優(yōu)化電池管理系統(tǒng)提供數(shù)據(jù)支持。

2. 1 參數(shù)設(shè)置

采集鋰離子電池充放電過程中的參數(shù)數(shù)據(jù)，將其作為輸入數(shù)據(jù)，充電過程的參數(shù)數(shù)據(jù)包括環(huán)境溫度、充電電流、充電溫度、充電電壓、電池測(cè)量電壓和電池測(cè)量電流，放電過程的參數(shù)數(shù)據(jù)包括電池容量、電池測(cè)量電壓、放電溫度、電池測(cè)量電流、放電電流和放電電壓[5]。對(duì)參數(shù)數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，將數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集。CNN-BiLSTMAT混合模型與其他預(yù)測(cè)模型的參數(shù)設(shè)置見表1。

2. 2 試驗(yàn)數(shù)據(jù)

評(píng)判預(yù)測(cè)模型的準(zhǔn)確性采用均方根誤差（RMSE）δRMSE、平均絕對(duì)誤差（MAE）δMAE和決定系數(shù)R2 這3種誤差測(cè)量方式，作為評(píng)價(jià)預(yù)測(cè)模型準(zhǔn)確性的標(biāo)準(zhǔn)。

以三元鋰電池和磷酸鐵鋰電池為例，CNNBiLSTM-AT混合模型與其他預(yù)測(cè)模型的誤差數(shù)據(jù)對(duì)比見表2。

2. 3 試驗(yàn)結(jié)果

通過試驗(yàn)驗(yàn)證，在不同循環(huán)次數(shù)下CNNBiLSTM-AT混合模型對(duì)三元鋰電池和磷酸鐵鋰電池的SOH預(yù)測(cè)表現(xiàn)出色。鋰離子電池的健康狀態(tài)值SSOH，i為：

根據(jù)鋰離子電池健康狀態(tài)的評(píng)價(jià)標(biāo)準(zhǔn)，預(yù)測(cè)該鋰離子電池的健康狀態(tài)，其設(shè)定為：

以三元鋰電池和磷酸鐵鋰電池為例的鋰離子電池循環(huán)次數(shù)點(diǎn)為預(yù)測(cè)點(diǎn)，預(yù)測(cè)結(jié)果見表3。其中，失效閾值為0.70。

由表3可知，采用三元鋰電池時(shí)，當(dāng)循環(huán)次數(shù)為800，SOH預(yù)測(cè)值范圍為0.89～0.95，電池健康狀態(tài)為健康；當(dāng)循環(huán)次數(shù)為1 200，SOH預(yù)測(cè)值范圍為0.82～0.89，電池狀態(tài)仍為健康；當(dāng)循環(huán)次數(shù)為1 600，SOH預(yù)測(cè)值范圍為0.74～0.84，電池保持健康狀態(tài)；當(dāng)循環(huán)次數(shù)為2 000，SOH預(yù)測(cè)值范圍為0.66～0.75，電池狀態(tài)接近退役；當(dāng)循環(huán)次數(shù)為2 400，SOH預(yù)測(cè)值范圍為0.60～0.70，電池開始進(jìn)入退役狀態(tài)；當(dāng)循環(huán)次數(shù)為2 800，SOH預(yù)測(cè)值范圍為0.55～0.68，電池完全進(jìn)入退役狀態(tài)。CNNBiLSTM-AT混合模型在不同循環(huán)次數(shù)下對(duì)三元鋰電池的SOH預(yù)測(cè)表現(xiàn)優(yōu)越，其預(yù)測(cè)值與實(shí)際值高度接近。

采用磷酸鐵鋰電池時(shí)，當(dāng)循環(huán)次數(shù)為2 000，SOH預(yù)測(cè)值范圍為0.90～0.97，電池健康狀態(tài)為健康；當(dāng)循環(huán)次數(shù)為2 400，SOH預(yù)測(cè)值范圍為0.84～ 0.91，電池狀態(tài)依然健康；當(dāng)循環(huán)次數(shù)為2 800，SOH預(yù)測(cè)值范圍為0.78～0.87，電池仍然保持健康狀態(tài)；當(dāng)循環(huán)次數(shù)為3 200，SOH預(yù)測(cè)值范圍為0.73～0.85，電池狀態(tài)接近退役；當(dāng)循環(huán)次數(shù)為 3 600，SOH預(yù)測(cè)值范圍為0.68～0.81，電池開始進(jìn)入退役狀態(tài)；當(dāng)循環(huán)次數(shù)為4 000，SOH預(yù)測(cè)值范圍為0.64～0.79，電池完全進(jìn)入退役狀態(tài)；當(dāng)循環(huán)次數(shù)為4 400，SOH預(yù)測(cè)值范圍為0.60～0.72，電池持續(xù)退化；當(dāng)循環(huán)次數(shù)為4 800，SOH預(yù)測(cè)值范圍為0.58～0.69，電池進(jìn)一步退化；當(dāng)循環(huán)次數(shù)為5 200，SOH預(yù)測(cè)值范圍為0.54～0.67，電池進(jìn)入完全退役狀態(tài)。CNN-BiLSTM-AT混合模型在不同循環(huán)次數(shù)下對(duì)磷酸鐵鋰電池的SOH預(yù)測(cè)表現(xiàn)優(yōu)越，其預(yù)測(cè)值與實(shí)際值高度接近。

3 結(jié)語(yǔ)

與其他模型相比，CNN-BiLSTM-AT混合模型具有更強(qiáng)的時(shí)序分析能力，能夠從新能源汽車鋰離子電池的多維數(shù)據(jù)中挖掘與其健康狀態(tài)相關(guān)性高的健康因子，準(zhǔn)確預(yù)測(cè)鋰離子電池的健康狀態(tài)。綜合多個(gè)模型的評(píng)價(jià)標(biāo)準(zhǔn)，CNN-BiLSTM-AT混合模型具有更高的預(yù)測(cè)精度和魯棒性。

參 考 文 獻(xiàn)

[1] 劉俊.新能源汽車鋰離子動(dòng)力電池安全性分析[J].時(shí)代汽車，2024（11）：94-96.

[2] 周少杰.新型電極材料在新能源汽車鋰離子電池中的性能研究[J].產(chǎn)業(yè)創(chuàng)新研究，2024（8）：40-42.

[3] 孫俊東，劉喜，佘長(zhǎng)超，等.基于IFA-CNN的新能源礦卡鋰離子電池健康狀態(tài)估算[J].煤炭工程，2023，55（增刊1）：162-168.

[4] 朱利琦.基于機(jī)器學(xué)習(xí)方法的鋰離子電池健康狀態(tài)在線預(yù)測(cè)[D].福州：福州大學(xué)，2020.

[5] 王惠民.基于退化特征提取和機(jī)器學(xué)習(xí)算法的鋰離子電池健康狀態(tài)估算[D].南寧：廣西大學(xué)，2020.