-
锂离子电池老化实验周期较长,目前公开的老化实验数据集比较少,主要为NASA随机老化数据集(NASA-Randomized Battery Usage Data Set)和牛津大学电池老化数据集(Oxford Battery Degradation Dataset)。表1给出了两个数据集的参数对比。
表 1 锂离子电池老化数据集对比
Table 1. Comparison of the Li-ion battery degradation dataset
Name NASA-Randomized Battery Usage Data Set Oxford Battery Degradation Dataset Manufacturer LG Chem Kokam Form factor 18650 Pouch Voltage 4.2 V 4.2 V Capacity 2.1 Ah 0.74 Ah Q range 2.1→0.80 Ah 0.74→0.43 Ah Samples 842 519 Battery number 28 8 Cycling 7 groups each with different regime All cells cycled with same regime NASA锂离子电池随机数据集[18]所使用的电池为LG Chem 18650锂离子电池,其额定容量为2.1 Ah,常规工作电压范围为3.2~4.2 V。测试平台则包括可编程直流电源、恒温箱、传感器、数据记录仪、电化学阻抗谱测试仪等。该数据集均是在随机测试工况下获取,共对28块相同的锂离子电池进行测试,并根据不同实验工况将测试电池分为7组。按照测试工况进行测试后的锂离子电池会进行定容测试,所采集的数据包括锂离子电池充放电过程中的电压、电流、温度等。而牛津大学电池老化数据集[19]测试所采用的锂离子电池为Kokam公司所生产的钴酸锂离子电池,其额定容量为740 mAh,在40 ℃恒定环境温度下,通过使用ARTEMIS市区行驶工况对8块测试锂离子电池重复进行2C (1.48 A)恒定电流放电并重新充电,反复循环以达到加速老化的目的,记录数据主要为充放电过程中的电压、电流、温度等。
通过对两个数据集进行分析,可以发现,电池的容量随着电池的使用逐渐衰减。而每次电池循环充电过程电压曲线因充电方式为固定的恒流-恒压方式而相对稳定,且随着锂离子电池的老化存在规律性的变化。如图1所示,给出了两个电池老化数据集中充电电压随SOH变化曲线图,其中电池寿命衰减由黄色→绿色→蓝色的渐变色表示,左边每条曲线代表不同老化程度时电池的恒压恒流充电电压变化,右边图代表了电池在使用过程中老化程度随着时间或者循环次数变化的曲线。由图1中可以发现,当电池使用时间短,SOH较大(曲线黄色部分),充电电压上升至截止电压较缓慢,电池温度较高,这符合电池越新则内部化学反应时间较长、容量较大的实质。而当电池使用过一段时间,SOH减小后(曲线蓝色部分),则呈现出完全相反的现象,充电电压迅速上升至截止电压。因此,电池充电过程中的电压变化曲线(简称为充电电压数据)和SOH有较强的规律,可以作为用于估计SOH的输入量。
-
由于充电电压数据是随时间变化的一维时序数据,为了挖掘出一维电压数据中的时序特征和SOH之间的映射规律,文中提出了一种基于门控循环神经网络的锂电池SOH估计方法。
GRU-RNN是RNN的一种改进形式。简单来说,RNN的神经元的某些输出可以作为其输入再次传输至神经元中,可以保留并利用历史信息,这对于处理时序问题非常有效。
如图2所示,它由输入层
${\bf{X}}$ 、隐藏层${\bf{H}}$ 和输出层${\bf{Y}}$ 组成,和常规神经网络相比,多了一个保留历史信息的延时器。$W,U,V$ 分别是是输入层、输出层和上一时刻隐藏层到本时刻隐藏层权值矩阵。那么,在$t$ 时刻,隐藏层状态${h_t}$ 由当前输入${{{x}}_t}$ 和之前隐藏层状态${{{h}}_{t - 1}}$ 同时决定。$$ {h_t} = {\bf{\varphi}} \left( {U {h_{t{\rm{ - }}1}} + W {x_t} + b} \right)$$ (1) $${y_t} = V{h_t}$$ (2) 式中:
${\bf{\varphi}} \left( \bullet \right)$ 为激励函数;$b$ 为偏置。尽管RNN在解决许多时序预测问题上取得了较好的效果,但是在误差反向传播过程中,长时间序列和复杂的隐藏层可能会引发梯度爆炸或梯度消失。为了在解决RNN的长期依赖性的问题,同时降低对计算开销和存储空间的需求并提高收敛速度,GRU-RNN被提出。其主要是引入络引入门机制来控制信息传递的路径。其中,更新门决定了前一时刻状态对当前时刻状态的影响程度,重置门决定了当前输入与前一时刻状态的结合程度。
由图3可以得出GRU-RNN获得隐藏层输出
${h_t}$ 的计算公式为:$${{\textit{z}}_t} = \sigma \left( {{w_{\textit{z}}} \cdot \left[ {{h_{t - 1}},{x_t}} \right]{\rm{ + }}{b_{\textit{z}}}} \right)$$ (3) $${f_t} = \sigma \left( {{w_r} \cdot \left[ {{h_{t - 1}},{x_t}} \right]{\rm{ + }}{b_r}} \right)$$ (4) $${\tilde h_t} = \tanh \left( {{w_{\tilde h}} \cdot \left[ {{f_t} \odot {h_{t - 1}},{x_t}} \right] + {b_{\tilde h}}} \right)$$ (5) $${h_t} = \left( {1 - {{\textit{z}}_t}} \right) \odot {\rm{ }}{h_{t - 1}} + {{\textit{z}}_t} \odot {\tilde h_t}$$ (6) 式中:
${x_t}$ 、${h_{t - 1}}$ 、${{\textit{z}}_t}$ 、${f_t}$ 分别为GRU-RNN隐藏层节点的输入、输出、更新门输出以及重置门输出,输入${x_t}$ 和前一时刻隐藏层输出${h_{t - 1}}$ 共同决定过程量${\tilde h_t}$ ;$w$ 和$b$ 分别为训练所获得的权重参数和偏置参数;$ \odot $ 表示矩阵对应位置元素相乘;$\sigma $ 和tanh分别代表sigmoid函数和双曲正切函数。然后,通过公式(2)即可获得输出${y_t}$ 。基于GRU-RNN的锂离子电池SOH估计流程如图4所示。其主要步骤包括:
步骤1:获取训练数据。将锂离子电池充满,然后进行恒流放电,直至电压下降至截止电压,利用安时积分法记录该放电过程中的电量,即为容量作为训练GRU-RNN的输出;将电池静置一段时间后对电池进行恒流-恒压满充操作,记录该充电过程中的电压测量量作为训练GRU-RNN的输入;
步骤2:搭建GRU-RNN网络并设置网络参数。构建网络结构并选择合适的激活函数、目标函数、优化算法和评价函数;设置卷积神经网络采样间隔、训练迭代次数、学习率等超参数,并初始化网络权值和偏置量;
步骤3:训练GRU-RNN网络。通过优化算法实现网络权值和偏置量等参数的学习,直至目标函数满足要求。
步骤4:实现锂离子电池SOH估计。将锂离子电池恒流−恒压满充过程中所采集的电压到输入训练好的网络并输出容量估计值,将该估计值与恒流满放过程中记录的容量通过评价函数进行分析,从而评价方法的性能。
-
为了验证文中所提出的锂离子电池SOH估计方法的有效性,此节在NASA锂离子电池随机老化数据集和牛津大学电池老化数据集上进行了实验,并将实验结果与常见的SOH估计方法进行了对比。
-
此实验基于CPU (Intel Core i7-6700 HQ 2.6 GHz)、GPU (NVIDIA GeForce GTX 1050Ti 4 GB)、RAM内存(16 GB)、Linux操作系统和Keras环境(以Tensorflow为后端)等软硬件实施。实验所采用的GRU-RNN由一个输入层、一个隐藏层、一个全连接层和一个输出层组成。原始的充电电压数据都被转换到固定的维度256维,GRU隐藏层节点设置为256,然后连接了一个64节点的全连接层。以预测值和实测值的平均绝对误差(Mean Absolute Error,MAE)为目标函数,并采用Adam方法进行优化网络权值,其学习率设置为0.0001,一阶动量衰减系数为0.9,二阶动量衰减系数为0.999,最小批量为128,迭代次数设置为10000。样本数据都被归一化到[−1, 1]的范围内。为了对锂离子电池SOH估计方法的性能进行定量描述,采用平均绝对值误差(Mean Absolute Error,MAE)和最大误差(Max Error,MAX)作为性能评价函数。
$$ {\rm{MAE = }}\frac{1}{N}\sum\limits_{n = 1}^N {\left| {{\kappa _n} - \kappa _n^{'}} \right|} $$ (7) $$ {\rm{MAX = }}\max \left( {\left| {{\kappa _n} - \kappa _n^{'}} \right|} \right) $$ (8) 式中:
$n$ 代表充电曲线,总共有$N$ 个充电电压—SOH数据对;${\kappa _n}$ 和${\kappa '_n}$ 分别表示估算值和实际值。 -
NASA锂离子电池随机老化数据集包含了7个不同的测试组共28块锂离子电池的测试数据。文中实验选取了16号(25 ℃、低倍率)、20号(25 ℃、高倍率)、24号(40 ℃、低倍率)、28号(40 ℃、高倍率)电池作为测试样本,并将剩下的24块锂离子电池测试数据作为训练样本。对比方法包括常见的机器学习算法支持矢量回归(Support Vector Regression, SVR)[5]和高斯过程回归(Gaussian Process Regression, GPR)[6],采用一维充电电压直接作为特征量进行训练SVR和GPR,SVR和GPR所使用的核函数分别为poly核函数和Matern核函数。实验结果如图5所示,定量结果如表2所示。
图 5 NASA随机老化数据集SOH估计结果示例
Figure 5. Examples of Li-ion battery SOH estimation for NASA-Randomized Battery Usage Data Set
表 2 NASA随机老化数据集电池SOH估计结果
Table 2. Performance evaluation results of SOH estimation for NASA-Randomized Battery Usage Data Set
Battery number SVR GPR GRU-RNN MAE MAX MAE MAX MAE MAX #16 3.92% 9.64% 2.34% 9.13% 2.36% 4.79% #20 2.53% 5.99% 1.12% 4.47% 2.63% 5.62% #24 2.16% 17.18% 1.93% 7.03% 1.44% 2.39% #28 2.46% 3.45% 1.76% 4.93% 0.74% 2.30% Overall 2.76% 17.64% 2.17% 9.13% 1.40% 5.62% 图5给出了电池RW 16#,20#,24#和28#的SOH估计结果和误差。对于所有四个测试电池,这三种方法的SOH估计曲线与实测SOH曲线比较接近。其中,玫红色曲线(GRU-RNN)在三种方法中实现了最小的估计误差。表2列出了MAE和MAX形式的定量结果。通过对表2中的结果进行简单计算,SVR (绿色曲线)、GPR (黑色曲线)以及GRU-RNN的SOH估计结果MAE和MAX的全局量分别为2.76%,2.17%,1.40%和16.64%,9.13%,5.12%。显然,GRU-RNN的估计性能超过对比的两种方法。另外,所提出的方法的另一个优点是对电池放电条件没有特殊要求,仅仅采用恒流恒压充电数据就取得获得了较好的结果。
接下来,在牛津大学老化数据集上进行了实验验证。与NASA随机老化数据集相比,牛津大学老化数据集的放电工况要简单得多,在40 ℃以1C的电流恒流放电。把Cell 4#和Cell8#作为测试集,其余6个电池数据作为训练集。类似于NASA随机老化数据集,该数据集的估计结果如图6和表3所示。
图 6 牛津大学电池老化数据集SOH估计结果示例
Figure 6. Examples of Li-ion battery SOH estimation for Oxford Battery Degradation Database
表 3 牛津大学电池老化数据集电池SOH估计结果
Table 3. Performance evaluation results of SOH estimation for Oxford Battery Degradation Dataset
Battery number SVR GPR GRU-RNN MAE MAX MAE MAX MAE MAX 4# 4.02% 11.35% 2.23% 3.43% 1.10% 1.87% 8# 4.83% 9.73% 2.76% 5.19% 1.32% 1.25% Overall 4.51% 11.35% 2.49% 5.19% 1.25% 2.34% 可以观察到,对于三种方法,MAE均小于5%时,可以准确估计SOH。详细来说,GPR方法对4#电池实现了4.02%的MAE和11.35%的MAX,对于单元8#实现了4.83%的MAE和9.73%的MAX。GPR方法的估计结果显示出与真实SOH曲线相似的趋势,但最大振荡超过5%的MAX。与NASA随机老化数据集的实验结果相似,文中提出GRU-RNN的性能优于其他两种方法。具体来说,GRU-RNN对于4#实现了1.10%的MAE和1.87%的MAX,对于单元8#实现了1.32%的MAE和2.34%的MAX。很明显地,与NASA随机老化数据集相比,提出的方法在牛津大学老化数据集上通常具有更高的估计准确性。这主要是因为牛津大学数据集在恒定电流下重复进行充电和放电,老化状态比较稳定。
State of health estimation for lithium-ion batteries using recurrent neural networks with gated recurrent unit
-
摘要: 锂离子电池健康状态(State of Health,SOH)描述了电池当前老化程度,对于提前对电池的故障及失控做出预警避免电池的不安全行为具有重要意义。其估计难点在于难以确定数量合适、相关性高的估计输入以及设计合适的估计算法。通过对现有电池老化数据集的研究发现,电池充电过程中电压曲线数据相对稳定,且随着电池的老化出现规律性变化。因此,文中直接采用充电过程中电压数据作为估计SOH的输入,并在数据驱动的框架下,提出了一种基于门控循环神经网络(Recurrent Neural Networks with Gated Recurrent Unit, GRU-RNN)的锂电池SOH估计方法。该方法能够挖掘出一维电压数据中的时序特征和SOH之间的映射规律。在两个公开的电池老化数据集上的实验结果表明,提出的方法达到了1.25%的均方绝对误差和低于5.62%的最大误差,在估计精度上达到现有技术发展水平。Abstract: As one of the key state parameters of the battery, state of health (SOH) represents the degrees of battery degradation, which is very significant for predicting of battery failure and avoiding unsafe behavior of the battery. The difficulty is to determine the appropriate and high correlation input, and design an appropriate estimation algorithm. Through the study of existing battery aging datasets, it is found that the voltage data during charging is relatively stable, which are regular changes with the aging of lithium-ion batteries. Therefore, the voltage data in the charging process were used as the input for estimating SOH, and under the framework of data-driving, an SOH method based on Recurrent Neural Networks with Gated Recurrent Unit (GRU-RNN) was introduced, which could establish the mapping relations between the time series features of one-dimensional voltage data and SOH. The experimental results on two public battery aging datasets show that the proposed method achieves a mean absolute error of 1.25% and a maximum error of less than 5.62%, which is higher than the existing SOH estimation methods in estimation accuracy.
-
Key words:
- lithium-ion battery /
- state of health /
- gated recurrent unit /
- recurrent neural networks /
- deep learning
-
表 1 锂离子电池老化数据集对比
Table 1. Comparison of the Li-ion battery degradation dataset
Name NASA-Randomized Battery Usage Data Set Oxford Battery Degradation Dataset Manufacturer LG Chem Kokam Form factor 18650 Pouch Voltage 4.2 V 4.2 V Capacity 2.1 Ah 0.74 Ah Q range 2.1→0.80 Ah 0.74→0.43 Ah Samples 842 519 Battery number 28 8 Cycling 7 groups each with different regime All cells cycled with same regime 表 2 NASA随机老化数据集电池SOH估计结果
Table 2. Performance evaluation results of SOH estimation for NASA-Randomized Battery Usage Data Set
Battery number SVR GPR GRU-RNN MAE MAX MAE MAX MAE MAX #16 3.92% 9.64% 2.34% 9.13% 2.36% 4.79% #20 2.53% 5.99% 1.12% 4.47% 2.63% 5.62% #24 2.16% 17.18% 1.93% 7.03% 1.44% 2.39% #28 2.46% 3.45% 1.76% 4.93% 0.74% 2.30% Overall 2.76% 17.64% 2.17% 9.13% 1.40% 5.62% 表 3 牛津大学电池老化数据集电池SOH估计结果
Table 3. Performance evaluation results of SOH estimation for Oxford Battery Degradation Dataset
Battery number SVR GPR GRU-RNN MAE MAX MAE MAX MAE MAX 4# 4.02% 11.35% 2.23% 3.43% 1.10% 1.87% 8# 4.83% 9.73% 2.76% 5.19% 1.32% 1.25% Overall 4.51% 11.35% 2.49% 5.19% 1.25% 2.34% -
[1] 印学浩, 宋宇晨, 刘旺, 等. 基于多时间尺度的锂离子电池状态联合估计[J]. 仪器仪表学报, 2018, 39(8): 119-123. Yin Xuehao, Song Yuchen, Liu Wang, et al. Multi-scale state joint estimation for lithium-ion battery [J]. Chinese Journal of Scientific Instrument, 2018, 39(8): 119-123. (in Chinese) [2] 王振新, 秦鹏, 康健强, 等. 基于衰退机理的三元锂离子电池SOH的诊断与估算[J]. 电子测量技术, 2020, 43(10): 7-13. Wang Zhenxin, Qin Peng, Kang Jianqiang, et al. SOH diagnosis and estimation for NCM lithium-ion batteries based on degradation mechanism [J]. Eletronic Measurement Technologu, 2020, 43(10): 7-13. (in Chinese) [3] Xiong R, Li L, Tian J. Towards a smarter battery management system: A critical review on battery state of health monitoring methods [J]. Journal of Power Sources, 2018, 405(30): 18-29. [4] 刘波, 许廷发, 李相民, 等. 自适应上下文感知相关滤波跟踪[J]. 中国光学, 2019, 12(2): 20191202.0265. doi: 10.3788/co.20191202.0265 Liu Bo, Xu Tingfa, Li Xiangmin, et al. Adaptive context aware correlation filter tracking [J]. Chinese Optics, 2019, 12(2): 20191202.0265. (in Chinese) doi: 10.3788/co.20191202.0265 [5] Andre D, Appel C, Soczka-Guth T. Advanced mathematical methods of SOC and SOH estimation for lithium-ion batteries [J]. Journal of Power Sources, 2013, 224: 20-27. doi: 10.1016/j.jpowsour.2012.10.001 [6] 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. doi: 10.1016/j.jpowsour.2018.03.015 [7] Chaoui H, Ibe-Ekeocha C C. State of charge and state of health estimation for lithium batteries using recurrent neural networks [J]. IEEE Transactions on Vehicular Technology, 2017, 66(10): 8773-8783. doi: 10.1109/TVT.2017.2715333 [8] Lin H T, Liang T J, Chen S M. Estimation of battery state of health using probabilistic neural network [J]. IEEE Transaction on Industry Information, 2013, 9: 679-685. doi: 10.1109/TII.2012.2222650 [9] Wu J, Wang Y, Zhang X, Chen Z. A novel state of health estimation method of Li-ion battery using group method of data handling[J]. Journal of Power Sources, 2016, 327: 457-464. [10] 杨楠, 南琳, 张丁一, 等. 基于深度学习的图像描述研究[J]. 红外与激光工程, 2018, 47(2): 0203002. doi: 10.3788/IRLA201847.0203002 Yang Nan, Nan Lin, Zhang Dingyi, et al. Depth estimation technique of sequence image based on deep learning [J]. Infrared and Laser Engineering, 2018, 47(2): 0203002. (in Chinese) doi: 10.3788/IRLA201847.0203002 [11] 周宏强, 黄玲玲, 王涌天. 深度学习算法及其在光学的应用[J]. 红外与激光工程, 2019, 48(12): 1226004. doi: 10.3788/IRLA201948.1226004 Zhou Hongqiang, Huang Lingling, Wang Yongtian. Deep learning algorithm and its application in optics [J]. Infrared and Laser Engineering, 2019, 48(12): 1226004. (in Chinese) doi: 10.3788/IRLA201948.1226004 [12] 范丽丽, 赵宏伟, 赵浩宇, 等. 基于深度卷积神经网络的目标检测研究综述[J]. 光学 精密工程, 2020, 28(5): 20202805.1152. doi: 10.3788/OPE.20202805.1152 Fan Lili, Zhao Hongwei, Zhao Haoyu, et al. Survey of target detection based on deep convolutional neural networks [J]. Optics and Precision Engineering, 2020, 28(5): 20202805.1152. (in Chinese) doi: 10.3788/OPE.20202805.1152 [13] 黄乐弘, 曹立华, 李宁. 深度学习的空间红外弱小目标状态感知方法[J]. 中国光学, 2020, 13(3): 2019-0120. doi: 10.3788/CO.2019-0120 Cao Lehong, Cao Lihua, Li Ning. A state perception method for infrared dim and small targets with deep learning [J]. Chinese Optics, 2020, 13(3): 2019-0120. (in Chinese) doi: 10.3788/CO.2019-0120 [14] 周旭峰, 王醒策, 武仲科, 等. 基于组合RNN网络的EMG信号手势识别[J]. 光学 精密工程, 2020, 28(2): 20202802.0424. doi: 10.3788/OPE.20202802.0424 Zhou Xufeng, Wang Xingce, Wu Zhongke, et al. Gesture recognition with EMG signals based on ensemble RNN [J]. Optics and Precision Engineering, 2020, 28(2): 20202802.0424. (in Chinese) doi: 10.3788/OPE.20202802.0424 [15] Li C, Xiao F, Fan Y. An approach to state of charge estimation of lithium-ion batteries based on recurrent neural networks with gated recurrent unit [J]. Energies, 2019, 12(9): 1592. doi: 10.3390/en12091592 [16] Jiao M, Wang D, Qiu J. A GRU-RNN based momentum optimized algorithm for SOC estimation [J]. Journal of Power Sources, 2020, 59(31): 228051. [17] Song Y, Li L, Peng Y, et al. Lithium-ion battery remaining useful life prediction based on GRU-RNN[C]//2018 12th International Conference on Reliability, 2018. [18] Bole B, Kulkarni C S, Daigle M. Adaptation of an electrochemistry-based Li-ion battery model to account for deterioration observed under randomized use[C]//Conference of the Prognostics & Health Management Society, 2014. [19] Birkl C R. Diagnosis and Prognosis of Degradation in Lithium-ion Batteries[D]. Oxford: University of Oxford, 2017.