- 頭條大連交通大學科研團隊在準確估計鋰電池荷電狀態研究上取得新進展2022-07-28 作者：潘錦業、王苗苗 等 | 來源：《電氣技術》 | 點擊率：導語鋰離子電池是電動汽車、無人機及電力電子設備的儲能系統組件，對其進行準確的荷電狀態（SOC）估計對于正確決策、安全控制和維護具有重要意義。針對鋰離子電池SOC估計問題，大連交通大學自動化與電氣工程學院的研究人員潘錦業、王苗苗 等，在2022年第4期《電氣技術》上撰文，采用長短期記憶（LSTM）神經網絡搭建鋰離子電池SOC估計模型，將電池電壓、電流、溫度作為輸入，建立多層LSTM預測模型，采用Adam優化算法與Dropout正則化方法完成LSTM模型的訓練。 測試結果表明，在模型訓練過程中加入Adam優化算法與Dropout正則化方法，使模型對實驗數據集的非線性和初始荷電狀態的不確定性具有魯棒性。
研究背景
隨著“十四五”綱要將“資源環境”改為“綠色生態”，節能減排規劃正式落地。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、使用壽命長等優點，目前已廣泛應用于電動汽車、無人機、個人移動設備、便攜式儀器、智能電網儲能設備等。
鋰離子電池的荷電狀態（SOC）估計、剩余電量確定，不僅會顯著影響其動力系統的性能，例如電動汽車的駕駛范圍，而且對于評估鋰離子電池的健康狀況和確保鋰離子電池動力系統的安全性同樣很重要。由于鋰離子在極端動態運行時，具有非線性和時變特性，因此準確估計SOC是一個必須解決的關鍵問題。
論文所解決的問題及意義
鋰離子電池作為一個動態系統，對前后時間具有依賴性，本文提出基于Adam優化與Dropout正則化的LSTM模型對鋰離子電池的荷電狀態進行估計。LSTM旨在通過學習噪聲和動態模型來解決非高斯噪聲下的非線性時變系統預測問題。
LSTM能夠捕獲電池序列數據的前后時間依賴性，找出鋰離子電池可觀變量與SOC值的非線性映射關系，并利用深度學習技術來學習鋰離子電池的非線性動態特征，利用NASA PCoE研究中心鋰離子電池測試數據集評估該方法的性能。
圖1 LSTM單元結構
論文方法及創新點
本文以電壓、電流和鋰電池溫度作為輸入參數，輸出值為SOC，搭建LSTM進行性能對比。在LSTM基礎上添加Dropout正則化，以增強模型的泛化能力。在模型訓練階段，使用Adam優化器以不同的學習率優化交叉熵。多層長短期記憶神經網絡荷電狀態估計模型如圖2所示。
圖2 多層長短期記憶神經網絡荷電狀態估計模型
利用Adam優化算法與Dropout正則化建立多層LSTM荷電狀態估計模型，訓練過程如圖3所示。本文實驗通過比較LSTM使用Adam優化算法和使用SGD優化算法的MAE與RMSE來驗證所提方法的有效性。在本文的應用場景中，選擇RMSE和MAE來進行綜合評估，誤差值越小表示模型預測性能越好。
圖3 LSTM模型訓練過程
結論
本文提出一種使用Adam優化算法與LSTM相結合的鋰離子電池SOC估計方法，該方法避免了由于鋰離子電池材料不同而建立復雜的物理化學模型的過程。運用本文所述方法建立容量預測模型，經實驗對比分析，得出以下結論：
1）采用Adam優化算法作為優化器，有利于模型快速找到全局最小點，降低數據初期對模型的影響，增強模型的準確度與收斂速度。
2）預測結果的平均絕對誤差均值低于2%、方均根誤差均值低于1%。同時模型具有較好的泛化能力。
3）相比于SGD優化算法的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確的預測結果，擬合精度更高，模型預測性能更好。
本文編自2022年第4期《電氣技術》，論文第一作者為潘錦業，1997年生，碩士研究生，研究方向為控制工程。本課題得到了2020年遼寧省教育廳科學研究項目“列控系統故障診斷和預警機制的研究”、2021遼寧省自然科學基金面上項目“高速列車無線健康管理通信系統關鍵技術研究”的支持。
引用本文
潘錦業, 王苗苗, 闞威, 高永峰. 基于Adam優化算法和長短期記憶神經網絡的鋰離子電池荷電狀態估計方法[J]. 電氣技術, 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.
