基于SDAE-Transformer-ECA网络的锂电池剩余使用寿命预测.pdf
《基于SDAE-Transformer-ECA网络的锂电池剩余使用寿命预测.pdf》由会员分享,可在线阅读,更多相关《基于SDAE-Transformer-ECA网络的锂电池剩余使用寿命预测.pdf(10页珍藏版)》请在咨信网上搜索。
1、第 12 卷 第 10 期2023 年 10 月Vol.12 No.10Oct.2023储能科学与技术Energy Storage Science and Technology基于SDAE-Transformer-ECA网络的锂电池剩余使用寿命预测宋兴海1,张小乾1,梁惠施2,史梓男2,李棉刚2,周奎2,贡晓旭2(1西南科技大学,四川 绵阳 621010;2清华四川能源互联网研究院,四川 成都 610213)摘要:锂离子电池剩余使用寿命(remaining useful life,RUL)的准确预测对于提高电池使用寿命、降低异常事故的概率,起着至关重要的作用。本文结合堆叠噪声自编码器(stac
2、ked denoising auto encoder,SDAE)和变压器(transformer)的优势,提出了一种结合高效通道注意力(efficient channel attention,ECA)的 SDAE-Transformer-ECA的锂离子电池RUL预测网络。首先,针对电池在使用过程中存在的容量再生现象和数据集采集误差等噪声污染,利用SDAE对输入数据进行重构去噪、提取特征。然后,通过Transformer网络对重构数据进行序列信息的捕获。最后,结合ECA网络对捕获信息进行跨通道整合和交互,从而实现锂离子电池的RUL的预测。本文先基于美国马里兰大学先进生命周期工程中心(Center
3、 for Advanced Life Cycle Engineering,CALCE)提供的电池容量数据集进行实验验证,实验证明本文模型的各项误差都较低,具有较高的准确性,且与次优算法Bi-LSTM相比,平均RE相对降低了62.67%,平均MAE相对降低了40.68%,平均RMSE相对降低了34.33%。再使用美国航空航天局(National Aeronautics and Space Administration,NASA)提供的B0007号电池容量数据集进行泛化性验证,实验得到的RE、MAE和RMSE结果分别是1.98%、3.12%和4.16%,与RNN、LSTM、GRU和Bi-LSTM等
4、现有算法相比,本文模型预测准确性更高,证明了该模型的泛化性。关键词:锂离子电池;SDAE;Transformer;注意力机制;剩余使用寿命预测doi:10.19799/ki.2095-4239.2023.0369 中图分类号:TM 912 文献标志码:A 文章编号:2095-4239(2023)10-3181-10Predicting the remaining service life of lithium batteries based on the SDAE-transformer-ECA networkSONG Xinghai 1,ZHANG Xiaoqian1,LIANG Huish
5、i 2,SHI Zinan2,LI Miangang2,ZHOU Kui 2,GONG Xiaoxu 2(1Southwest University of Science and Technology,Mianyang 621010,Sichuan,China;2Tsinghua Sichuan Energy Internet Research Institute,Chengdu 610213,Sichuan,China)Abstract:The accurate prediction of the remaining useful life(RUL)of lithium-ion batter
6、ies plays a crucial role in improving the battery life and reducing the probability of accidents.This study combines the advantages of a stacked denoising autoencoder(SDAE)and a transformer to propose a lithium-ion battery RUL prediction network that combines the SDAE,transformer,and efficient chann
7、el attention(ECA).Considering the noise pollution brought about by the capacity regeneration phenomenon and the dataset acquisition error during battery usage,the SDAE is used to reconstruct and denoise the input data and extract the 储能测试与评价收稿日期:2023-05-29;修改稿日期:2023-06-05。基金项目:国家自然科学基金面上项目(62102331
8、);四川省自然科学基金项目(2022NSFSC0839)。第一作者:宋兴海(1998),男,硕士研究生,主要研究方向电池安全管理、机器学习,E-mail:;通信作者:梁惠施,高级工程师,主要研究方向为光伏运检、储能安全,E-mail:lianghuishitinghua-eiri.org。引用本文:宋兴海,张小乾,梁惠施,等.基于SDAE-Transformer-ECA网络的锂电池剩余使用寿命预测J.储能科学与技术,2023,12(10):3181-3190.Citation:SONG Xinghai,ZHANG Xiaoqian,LIANG Huishi,et al.Predicting t
9、he remaining service life of lithium batteries based on the SDAE-transformer-ECA networkJ.Energy Storage Science and Technology,2023,12(10):3181-3190.2023 年第 12 卷储能科学与技术features.The sequence information of the reconstructed data is then captured through the transformer network.Finally,the cross-chan
10、nel integration and interaction of the captured information are performed in combination with the ECA network to realize the RUL prediction of the lithium-ion batteries.This study uses the battery capacity dataset provided by the Center for Advanced Life Cycle Engineering at the University of Maryla
11、nd.The experimental results show that the proposed algorithm has low error and high accuracy.Compared with that for the suboptimal bi-directional long short-term memory(Bi-LSTM)algorithm,the average RE,mean absolute error(MAE),and root-mean-squared error(RMSE)for the proposed algorithm are relativel
12、y reduced by 62.67%,40.68%,and 34.33%,respectively.Using the B0007 battery capacity dataset provided by the National Aeronautics and Space Administration for generalization verification,the experimental results of the RE,MAE,and RMSE were found to be 1.98%,3.12%,and 4.16%,respectively.With that bein
13、g said,the prediction accuracy of the proposed algorithm is higher than that of existing algorithms,such as recurrent neural networks,LSTM,gated recurrent units,and Bi-LSTM.Thus,the generalization of the model is proven.Keywords:lithium-ion battery;SDAE;transformer;attention mechanism;remaining usef
14、ul life prediction锂离子电池(简称锂电池)以其能量密度高、功率大和自放电率低等优势而广泛应用于储能领域1-2。然而,锂离子电池在长时间使用中会发生性能和寿命的衰减,且成组电池中个别电芯性能的衰减极易导致严重安全隐患,这已成为锂电池安全性与可靠性的持续挑战。因此,准确预测锂电池剩余使用寿命(remaining useful life,RUL)3对完善电池管理策略,降低电池运行风险、提高电池运行稳定性具有重要的意义。在过去的几十年中,众多研究人员已经开发了许多方法和技术来预测锂电池的RUL,这些方法大致可分为基于模型的方法4和基于数据驱动的方法5。基于模型的方法是透过电池的内部机
15、理,来搭建锂电池退化模型6,然后进行优化求解的一类算法。如文献7提出了一种基于可在线实现的分数阶等效电路模型(fractional equivalent circuit model,FOECM)的RUL预测算法,但是这类等效电路算法模型复杂,且是基于特定的测试条件和电池构造的模型,因此适应性较差。文献8通过电化学模型研究锂电池的退化规律,来实现RUL的预测,但电化学模型参数难以估计,且模型受到多种因素的影响,例如电池状态和外部环境等。文献9构建了基于模型的无迹粒子滤波和最优组合策略结合的RUL预测方法,此类改进粒子滤波的算法一定程度上克服了粒子退化和粒子多样性匮乏等问题,但模型的建立和求解过程
16、存在大量的运算增加了模型的复杂度。总的来说,基于模型的算法存在参数难以估计、受多种因素影响以及模型过于复杂等问题,因此在实际工程应用中难以实现。相比之下,基于数据驱动的方法不需要考虑锂电池内部特性,它通过分析锂电池历史运行数据探究电池老化的内在规律10,从而实现锂电池RUL预测,因此更多学者用此类算法做研究。如文献11提出了一种以支持向量机(support vector machine,SVM)算法进行在线估计的RUL方法。文献12采用高斯过程回归(Gaussian process regression,GPR)和主成分分析(principal component analysis,PCA)结
17、合的方法实现了锂电池RUL预测。文献13针对核函数难以确定的问题,提出采用平方指数协方差函数和周期协方差函数的和作为GPR模型的协方差函数,进行了RUL预测。文献14针对网络训练时间长、模型调参困难以及预测结果不稳定等问题,利用相关向量机(relevance vector machine,RVM)实现了RUL预测,并通过量子粒子群对RVM进行了优化,保证了预测输出结果的稳定性。然而,这些传统的方法往往存在特征设计困难和泛化性不足等问题。随着软硬件设施的快速发展,深度学习算法靠着其处理复杂非线性关系的强大能力,3182第 10 期宋兴海等:基于SDAE-Transformer-ECA网络的锂电池
18、剩余使用寿命预测受到了各大领域的广泛关注。目前也有很多研究者采用此类算法进行电池RUL预测研究,主要关注网络构建、数据去噪和数据增强3个方面。网络构建方面,文献15利用循环神经网络(recurrent neural network,RNN),以容量老化数据作为输入,较好地对电池老化状态做出了预测,但是RNN本身存在过度拟合和梯度消失的劣势。文献16设计了长短期记忆递归神经网络(long short term memory recurrent neural network,LSTM-RNN)来构造明确面向容量的RUL预测器,该方法减小了RNN的梯度消失,缺点是该网络结构复杂且训练参数较多。文献1
19、7-18以门控卷积单元(gate recurrent unit,GRU)作为 RUL 预测的主干网络,使得模型在训练时间较短的情况下,仍能保持不错的精度,但此类网络能够储存的长期依赖性和记忆能力更弱。文献19设计了一种堆叠双向长短期记忆(bi-directional long short-term memory,Bi-LSTM)网络的SOH估计方法,该方法能够有效地适用于快速充电器,但由于Bi-LSTM需要在每个时刻保留原始序列和反向序列的全部信息,导致其计算量和存储复杂度大幅增加,不利于工程应用。数据降噪方面,一方面电池容量因其与电池寿命的强相关性,常常作为电池RUL预测中非常重要的一个特征
20、,另一方面,电池在充放电过程中大多存在容量恢复现象,该现象的直接影响是给容量数据的长周期下降趋势叠加了短周期上升的噪声,将严重影响将容量作为直接特征的电池RUL预测效果。考虑到该问题,目前已有一些文献通过分离、去除的特征选择方法进行了研究。如文献20通过小波分解将序列分解成波动部分和平滑下降部分来分别预测,取得了不错的RUL预测结果,但小波分解对数据信号的平滑性要求很高且参数选择敏感。文献21-22分别用经验模态分解(empirical mode decomposition,EMD)和集合经验模态分解(ensemble empirical mode decomposition,EEMD)对电池
21、数据去噪处理,这两种方法比小波分解适应性更强,但容易出现模态混叠现象。文献23使用变分模态分解(variational modal decomposition,VMD)对 RUL 进行预测能够有效避免模态混叠现象,并且对噪声的鲁棒性强,其缺点在于需要人工确定模态个数,寻优过程比较困难。数据增强方面,注意力机制可以通过加权考虑序列中的每个元素,从而使得序列中有用信息在训练过程不会丢失。该方法一定程度上缓解了序列长距离依赖性,因此一些文献也采用此类算法进行电池RUL预测研究。如文献24提出了一种具有注意力机制的Bi-LSTM模型,实现了RUL的在线预测。文献25提出了一种深度神经网络和双重注意力机
22、制的混合模型,通过注意力捕获电池容量再生现象,从而实现了RUL的预测。综上所述,找到一种匹配的注意力机制能够减少噪声对模型的影响,提升模型的效率和准确性。综上所述,尽管大多数现有的深度学习算法在锂电池 RUL 预测研究中都表现出了良好的性能,但它们仍存在以下两个主要问题。(1)因为数据的长期依赖性,导致网络容易出现梯度消失和梯度爆炸等问题,而且计算量和存储复杂度也会增加。(2)电池容量原始数据一般存在容量恢复现象和数据采集误差等噪声污染,这些噪声会严重影响数据驱动方法的性能。因此,本文提出了一种基于SDAE-Transformer-ECA的锂电池RUL预测网络,以实现提高锂电池RUL预测的准确
23、性。该工作的主要贡献如下:(1)采用变形器(Transformer)26网络来捕获序列数据之间的长期依赖性。Transformer利用自注意力机制使输入序列中的所有元素进行信息聚合,从而捕获数据的全局特征。它与 RNN、GRU 和LSTM算法相比,在处理长序列数据、建模全局信息需求和计算效率等方面更具优势。(2)针对容量数据存在的噪声干扰,利用堆叠去噪自编码器(stacked denoising auto encoder,SDAE)27对容量数据进行重构,使其在去噪的同时丰富数据的特征。SDAE是使用去噪准则来处理无监督目标,指导学习更高级表示特征的一种方法,其在特征提取、噪声处理、自适应性及
24、运算速度等方面均优于VMD。(3)在Transformer模型中嵌入高效通道注意力28(efficient channel attention,ECA),使模型可以更好地捕捉输入数据中的通道间关系,从而提高了模型的表示能力。本文采用美国马里兰大学先进生命周期工程中心(Center for Advanced Life Cycle Engineering,31832023 年第 12 卷储能科学与技术CALCE)和美国航空航天局(National Aeronautics and Space Administration,NASA)公开的两个公共电池容量数据集对所提模型的准确性和泛化性进行了验证,验
25、证结果表明本文模型的准确性和泛化性均优于RNN、LSTM、GRU和Bi-LSTM四种现有算法。1 基本理论1.1SDAE网络SDAE是堆叠自编码器的一种改进版本,在机器学习领域具有广泛的应用价值。它通过加入噪声的训练方式提高模型鲁棒性,从而有效避免了过拟合现象。同时,其本身是一个深层次的特征提取器,能够使模型更准确地学习到数据的抽象表示,从而提高模型的泛化性。因此本文使用SDAE网络对锂电池容量数据进行去噪和丰富特征。SDAE网络的具体结构如图1所示。该网络训练过程如下:第1步:根据式(1)对给定的原始的容量信号x进行噪声分布为qD(x|x)的加噪处理,得到加噪后的损坏信号x:x qD()x|
- 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 SDAE Transformer ECA 网络 锂电池 剩余 使用寿命 预测
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。