基于CNN-Bi-LSTM的锂离子电池健康状态估算.pdf
《基于CNN-Bi-LSTM的锂离子电池健康状态估算.pdf》由会员分享,可在线阅读,更多相关《基于CNN-Bi-LSTM的锂离子电池健康状态估算.pdf(7页珍藏版)》请在咨信网上搜索。
1、SHANDONG ELECTRIC POWER山东电力技术第50卷(总第311期)2023年第10期DOI:10.20097/ki.issn1007-9904.2023.10.009基于CNN-Bi-LSTM的锂离子电池健康状态估算李凯,胡丽,宋婷婷(国网山东省电力公司潍坊供电公司,山东潍坊261014)摘要:锂离子电池健康状态(state of health,SOH)是电池管理系统的重要参数。精确的SOH估算可以提供故障和老化更换预警,保证储能电站的安全稳定运行。选取充电平均电流、放电平均电压与放电平均温度作为输入特征,结合卷积神经网络(convolutional neural networ
2、ks,CNN)和双向长短期记忆网络(bi-directional long short-term memory,Bi-LSTM),提出基于CNN-Bi-LSTM的锂离子电池SOH在线估算方法。该方法通过CNN自动提取输入网格数据的空间特征,输入数据获取方便,无须储存大量数据。继而利用Bi-LSTM充分挖掘电池老化过程中的时序特征,最终实现精确SOH估算。美国国家航空航天局(national aeronautics and space administration,NASA)电池老化数据集上的测试结果表明,所提方法估算SOH的平均绝对误差与均方根误差分别低于1.07和1.32,精度优于Bi-LS
3、TM和CNN-LSTM两种方法。关键词:锂离子电池;健康状态;卷积神经网络;长短期记忆神经网络中图分类号:TM912文献标识码:A文章编号:1007-9904(2023)10-0066-07Health State Estimation of Lithium-ion BatteriesBased on CNN-Bi-LSTMLI Kai,HU Li,SONG Tingting(State Grid Weifang Power Supply Company,Weifang 261014,China)Abstract:The state of health(SOH)of a lithium-ion
4、 battery is an important parameter to the battery management system.Theaccurate SOH estimation can early provide the warning of failure and the aging replacement to ensure the safe and stableoperation of the energy storage system.The average charging current,average discharging voltage and average d
5、ischargingtemperature were selected as the input characteristics.By combining convolutional neural networks(CNN)and bi-directional longshort-term memory(Bi-LSTM),an online estimation method of the lithium-ion battery SOH based on CNN-Bi-LSTM wasproposed.This method automatically extracts the spatial
6、 features of the input grid data through CNN,making it easy to obtain inputdata without the need to store a large amount of data.The Bi-LSTM was used to fully explore the timing characteristics during thebattery aging process,and the accurate SOH estimation was achieved.The test results on National
7、Aeronautics and SpaceAdministration(NASA)battery aging data set show that the mean absolute error and the root mean square error of the proposedmethod for SOH estimation are lower than 1.07 and 1.32 respectively.The SOH accuracy of CNN-Bi-LSTM is better than that ofBi-LSTM and CNN-LSTM.Keywords:lith
8、ium-ion battery;state of health;convolutional neural network;bi-directional long short-term memory0引言储能系统是电力系统向高比例新能源转型的重要支撑。锂离子电池具有能量密度高、使用寿命长和环境污染小等优点,被广泛应用于电网储能系统中1。为保证储能系统的安全性和可靠性,高效且稳定的电池管理系统至关重要。随着电池充放电循环次数的增加,电池内部会发生不可逆的老化,导致内阻增加、容量降低、输出特性下降等,进而影响电池的使用2。电池健康状态(state of health,SOH)是电池管理系统中的重要参
9、数,可反映电池的老化状态。SOH 的准确评估对实现电池安全监测和预测性维护具有重要意义。然而电池 SOH 无法直接监测 储能技术 基金项目:国网山东省电力公司科技项目“基于储能的低压配电台区优 化 设 计 与 新 能 源 多 维 度 协 同 调 控 技 术 研 究 及 应 用”(520604220003)。Science and Technology Project of State Grid Shandong Electric PowerCompany Optimization design of low-voltage distribution substationbased on ene
10、rgy storage and multi-dimensional collaborative controltechnology research and application of new energy(520604220003).66获取,因此,寻找精确的 SOH 估算方法成为研究人员的关注热点。SOH 估算方法通常分为两大类:基于模型的方法和基于数据驱动的方法3。基于模型的方法通过建立一个能够表征电池老化的等效模型并结合自适应算法实现 SOH 估算。文献 4 在二阶 RC 等效电路模型的基础上,应用无迹卡尔曼滤波估计欧姆内阻,并利用欧姆内阻和 SOH 的对应关系实现了 SOH估算。然
11、而,由于电池退化机制的复杂性,找到能准确反映电池老化的等效模型非常困难,而简单的等效模型会导致 SOH 估算不准确。考虑基于模型的 SOH 估算方法所面临的上述挑战,在拥有足够的电池老化数据时,基于数据驱动的 SOH 估算方法更受关注。该方法不需要建立电池模型,聚焦于电池老化数据本身的数量和质量5。此外,随着机器学习和云计算技术的快速发展,相比于传统机器学习,深度学习能够自动挖掘特征因子,预测精度高,对非线性系统的分析效果更优6。深度 学 习 常 用 的 神 经 网 络 模 型 有 卷 积 神 经 网 络(convolutional neural networks,CNN)、长短期记忆(lon
12、g short-term memory,LSTM)神经网络及注意力机制(attention mechanism,AM)神经网络等7。文献8 基于迁移学习建立了包含 LSTM 和全连接层的神经网络模型,实现了 SOH 精确估算,但是输入特征数据获取过程较为复杂。文献 9 建立了基于CNN 的神经网络模型,选取锂离子电池充电过程中的电压、电流和温度数据作为输入,利用 CNN 自动提取特征,完成 SOH 估算,但该方法未探究电池循环老化的时序相关性。文献 10 建立了基于 AM 的双 向 长 短 期 记 忆(bi-directional long short-termmemory,Bi-LSTM)网
13、络模型,以平均充放电数据及容量为输入特征,且充分考虑了老化序列数据的前后依赖联系,精确估算 SOH,但该方法对单次充放电循环的老化特征提取不够全面。综上所述,提出一种基于 CNN-Bi-LSTM 的锂离子电池 SOH 估算方法。该方法既具备强大的空间特征提取能力,又充分考虑了老化时序数据的前后关联,解决了空间和时间特征提取不充分的问题。该方法仅需要输入单个充放电采样周期内的平均电流、平均电压和平均温度数据即可高精度估算一次充放电循环后的 SOH。相比于其他基于深度学习的SOH 估算方法,该方法估计精度高且特征数据获取简单,具有更高的应用价值。1相关方法分析1.1卷积神经网络卷积神经网络11是一
14、种深度学习模型,常用于处理网格数据。卷积操作是通过在网格数据上滑动卷积核来实现的,每次卷积生成的输出值是卷积核所覆盖的输入值的加权和。卷积神经网络可拥有多个卷积核,具有局部感知和权值共享的特点。因此,卷积层可以捕获位移不变性特征,提高神经网络鲁棒性。CNN 特征提取过程如图 1 所示。图1CNN特征提取过程Fig.1 The process of CNN feature extraction由于卷积核的初始化是随机的,所以使用多个卷积核可以学习到不同的特征,这有利于深入挖掘输入特征之间的联系,充分提取局部信息的特征。同时,卷积核的权值共享性质能大大降低网络训练参数数量,减少模型训练的内存和缩短
15、时间成本。1.2LSTM循环神经网络LSTM12是一种改进的循环神经网络(recurrentneural network,RNN),被用于解决长时间序列预测中产生的梯度爆炸和梯度消失问题。LSTM 在 RNN基础上增加了三个门结构,传统 LSTM 单元结构13如图 2 所示,分别为遗忘门、更新门和输出门,使LSTM 具备选择性记忆能力,因此能够学习长时间的依赖关系。图 2 中Ct-1为第 t-1 次迭代的细胞状态向量,ht-1为 t-1 次迭代后的输出向量,xt为第 t 次迭代的输入向量,ft为第 t 次遗忘门输出向量,为sigmoid 函数,tanh 为 tanh 函数,it为第 t 次输入
16、门输出向量,at为第 t 次候选细胞状态向量,ot为第 t 次输出门输出向量,ht为第 t 次迭代的输出向量,Ct为第 t次迭代的细胞状态向量。李凯,等:基于CNN-Bi-LSTM的锂离子电池健康状态估算67山东电力技术第50卷(总第311期)2023年第10期图2LSTM单元结构Fig.2 LSTM cell structureLSTM 单元迭代的第一步是经过遗忘门遗忘掉部分长期记忆信息,激活函数采用的是 sigmoid 函数,其读取ht-1和xt,输出一个元素值均介于 0 到 1的向量ft。ft=(Wfht-1xt+bf)(1)式中:Wf为遗忘门的权重矩阵;bf为遗忘门的偏置项。当ft的元
17、素值为 1 时表示完全记忆,当元素值为 0 时表示完全遗忘。下一步,遗忘门的输出至更新门,更新门的作用是更新单元当前的长时记忆状态,通过sigmoid 函数来确定本次迭代保存的信息数量,并通过 tanh函数来建立一个候选细胞状态向量at。it=(Wiht-1xt+bi)at=tanh(WCht-1xt+bC)(2)式中:Wi和WC分别为输入门和候选细胞状态权重矩阵;bi和bC分别为输入门和候选细胞状态偏置项。因此可得到状态更新公式为Ct=ftCt-1+itat(3)式中:为阵列乘法,即向量各元素相乘。最后,由输出门结合更新后的长时记忆变量、上一次迭代的输出和本次迭代的输入得到本次迭代的输出,通
18、过 sigmoid 函数来确定本次迭代输出信息数量为ot=(Woht-1xt+bo)ht=ottanhCt(4)式中:Wo和bo分别为输出门的权重矩阵和偏置项。1.3Bi-LSTM循环神经网络Bi-LSTM14具有两个独立的 LSTM,两个 LSTM连接到同一个输出层。输入序列分别以正序和逆序输入两个 LSTM 神经网络进行特征提取,对提取的两个特征向量进行合并,合并结果为最终的 Bi-LSTM 输出。Bi-LSTM 不仅可以追溯电池老化过程的历史,还可以考虑未来的老化信息。结合上述LSTM 的原理,Bi-LSTM 向前迭代过程的 LSTM 单元输出状态表达式为ht=LSTM(xt ht-1)
19、(5)式中:xt为第 t 次向前迭代的输入向量;ht为第 t 次向前迭代的输出向量;LSTM为向前 LSTM 单元;ht-1为第 t-1 次向前迭代后的输出向量。Bi-LSTM 向后迭代过程的 LSTM 单元输出状态表达式为ht=LSTM(xt ht-1)(6)式中:xt为第 t 次向后迭代的输入向量;ht为第 t 次向后迭代的输出向量;LSTM为向后 LSTM 单元;ht-1为第 t-1 次向后迭代后的输出向量。向前和向后过程输出状态一一对应加权合并,得到 Bi-LSTM 的输出状态表达式为ht=wtht+vtht+bt(7)式中:wt为向前 LSTM 第 t 次迭代的输出权重矩阵;vt为向
20、后 LSTM 第 t 次迭代的输出权重矩阵;bt为 Bi-LSTM 第 t 次迭代的偏置向量。2基于CNN-Bi-LSTM的锂离子电池SOH估算将 CNN-Bi-LSTM 用于锂离子电池 SOH 估算,CNN 可设置多个卷积核而具备多次提取特征的能力,能够反复挖掘网格输入数据间的联系,从有限的输入数据中自动提取出 SOH 的强相关特征。锂离子电池随着充放电循环次数的增加而逐渐老化,该过程可认为是一个时间序列过程。Bi-LSTM 可以对 CNN处理过的老化序列数据进行二次挖掘,双向抓取序列特征,充分考虑 SOH 中隐含的时序联系。CNN-Bi-LSTM 模型分别从空间和时间两个维度上挖掘老化特征
21、,最终实现高精度 SOH 估算。此外,选取的输入特征为平均放电电压、平均放电温度和平均充电电流,这些特征具有监测难度低和数据处理简单的优点。该模型基本框架如图 3 所示,输入网格数据首先经过卷积层,该层作用是按时间方向自动提取输入网格数据的空间特征。为不破坏老化特征输入数据的时序相关性,选用一维卷积神经网络,设计卷积核宽度为 1,长度为输入特征数。卷积后会经过68图3CNN-Bi-LSTM神经网络模型基本框架Fig.3 The basic framework of the CNN-Bi-LSTM neuralnetwork modelFlatten 层,该层作用是对卷积后的多维数据结构进行降维
22、,转换为二维数据。之后的 Bi-LSTM 层会对经卷积特征增强后的时序老化数据进行二次特征提取,前后双向充分抓取老化序列数据的时序特征。所建立的 CNN-Bi-LSTM 神经网络共 12 层,可被划分为空间特征提取和时序特征提取两大部分,网络结构具体设置如表 1 所示。表1CNN-Bi-LSTM网络结构Table 1 The CNN-Bi-LSTM network structure层数第 1 层第 2 层第 3 层第 4 层第 5 层第 6 层第 7 层第 8、9 层第 10 层第 11 层第 12 层对应层输入层一维卷积层一维卷积层Flatten 层RepeatVector 层LSTM 层
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 CNN Bi LSTM 锂离子电池 健康 状态 估算
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。