研究背景

隨著“十四五”綱要將“資源環(huán)境”改為“綠色生態(tài)”，節(jié)能減排規(guī)劃正式落地。鋰離子電池提供了一種有前途的化石燃料替代方案。鋰離子電池具有充電快、能量密度高、成本低、使用壽命長(zhǎng)等優(yōu)點(diǎn)，目前已廣泛應(yīng)用于電動(dòng)汽車(chē)、無(wú)人機(jī)、個(gè)人移動(dòng)設(shè)備、便攜式儀器、智能電網(wǎng)儲(chǔ)能設(shè)備等。

鋰離子電池的荷電狀態(tài)（SOC）估計(jì)、剩余電量確定，不僅會(huì)顯著影響其動(dòng)力系統(tǒng)的性能，例如電動(dòng)汽車(chē)的駕駛范圍，而且對(duì)于評(píng)估鋰離子電池的健康狀況和確保鋰離子電池動(dòng)力系統(tǒng)的安全性同樣很重要。由于鋰離子在極端動(dòng)態(tài)運(yùn)行時(shí)，具有非線性和時(shí)變特性，因此準(zhǔn)確估計(jì)SOC是一個(gè)必須解決的關(guān)鍵問(wèn)題。

論文所解決的問(wèn)題及意義

鋰離子電池作為一個(gè)動(dòng)態(tài)系統(tǒng)，對(duì)前后時(shí)間具有依賴(lài)性，本文提出基于Adam優(yōu)化與Dropout正則化的LSTM模型對(duì)鋰離子電池的荷電狀態(tài)進(jìn)行估計(jì)。LSTM旨在通過(guò)學(xué)習(xí)噪聲和動(dòng)態(tài)模型來(lái)解決非高斯噪聲下的非線性時(shí)變系統(tǒng)預(yù)測(cè)問(wèn)題。

LSTM能夠捕獲電池序列數(shù)據(jù)的前后時(shí)間依賴(lài)性，找出鋰離子電池可觀變量與SOC值的非線性映射關(guān)系，并利用深度學(xué)習(xí)技術(shù)來(lái)學(xué)習(xí)鋰離子電池的非線性動(dòng)態(tài)特征，利用NASA PCoE研究中心鋰離子電池測(cè)試數(shù)據(jù)集評(píng)估該方法的性能。

圖1 LSTM單元結(jié)構(gòu)

論文方法及創(chuàng)新點(diǎn)

本文以電壓、電流和鋰電池溫度作為輸入?yún)?shù)，輸出值為SOC，搭建LSTM進(jìn)行性能對(duì)比。在LSTM基礎(chǔ)上添加Dropout正則化，以增強(qiáng)模型的泛化能力。在模型訓(xùn)練階段，使用Adam優(yōu)化器以不同的學(xué)習(xí)率優(yōu)化交叉熵。多層長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)荷電狀態(tài)估計(jì)模型如圖2所示。

圖2 多層長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)荷電狀態(tài)估計(jì)模型

利用Adam優(yōu)化算法與Dropout正則化建立多層LSTM荷電狀態(tài)估計(jì)模型，訓(xùn)練過(guò)程如圖3所示。本文實(shí)驗(yàn)通過(guò)比較LSTM使用Adam優(yōu)化算法和使用SGD優(yōu)化算法的MAE與RMSE來(lái)驗(yàn)證所提方法的有效性。在本文的應(yīng)用場(chǎng)景中，選擇RMSE和MAE來(lái)進(jìn)行綜合評(píng)估，誤差值越小表示模型預(yù)測(cè)性能越好。

圖3 LSTM模型訓(xùn)練過(guò)程

結(jié)論

本文提出一種使用Adam優(yōu)化算法與LSTM相結(jié)合的鋰離子電池SOC估計(jì)方法，該方法避免了由于鋰離子電池材料不同而建立復(fù)雜的物理化學(xué)模型的過(guò)程。運(yùn)用本文所述方法建立容量預(yù)測(cè)模型，經(jīng)實(shí)驗(yàn)對(duì)比分析，得出以下結(jié)論：

1）采用Adam優(yōu)化算法作為優(yōu)化器，有利于模型快速找到全局最小點(diǎn)，降低數(shù)據(jù)初期對(duì)模型的影響，增強(qiáng)模型的準(zhǔn)確度與收斂速度。

2）預(yù)測(cè)結(jié)果的平均絕對(duì)誤差均值低于2%、方均根誤差均值低于1%。同時(shí)模型具有較好的泛化能力。

3）相比于SGD優(yōu)化算法的LSTM模型，本文所提模型在不同老化程度、不同初始容量的鋰離子電池中都可以得到較為準(zhǔn)確的預(yù)測(cè)結(jié)果，擬合精度更高，模型預(yù)測(cè)性能更好。

本文編自2022年第4期《電氣技術(shù)》，論文第一作者為潘錦業(yè)，1997年生，碩士研究生，研究方向?yàn)榭刂乒こ?。本課題得到了2020年遼寧省教育廳科學(xué)研究項(xiàng)目“列控系統(tǒng)故障診斷和預(yù)警機(jī)制的研究”、2021遼寧省自然科學(xué)基金面上項(xiàng)目“高速列車(chē)無(wú)線健康管理通信系統(tǒng)關(guān)鍵技術(shù)研究”的支持。

引用本文

潘錦業(yè), 王苗苗, 闞威, 高永峰. 基于Adam優(yōu)化算法和長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的鋰離子電池荷電狀態(tài)估計(jì)方法[J]. 電氣技術(shù), 2022, 23(4): 25-30. PAN Jinye, WANG Miaomiao, KAN Wei, GAO Yongfeng. State of charge estimation of lithium-ion battery based on Adam optimization algorithm and long short-term memory neural network. Electrical Engineering, 2022, 23(4): 25-30.