中國(guó)儲(chǔ)能網(wǎng)訊：近年來(lái)，隨著新能源汽車和儲(chǔ)能電站的快速發(fā)展，動(dòng)力電池和儲(chǔ)能電池成為推動(dòng)新能源汽車及電化學(xué)儲(chǔ)能電站發(fā)展的關(guān)鍵。對(duì)電池電量的監(jiān)控是其發(fā)展的難點(diǎn)。電荷狀態(tài)（State of Charge，SOC）直接反映了電池的剩余電量狀況，根據(jù)廣泛采用的美國(guó)先進(jìn)電池聯(lián)合會(huì)（USABC）的定義，SOC即電池在特定放電倍率下，剩余電量與相同條件下額定容量的比值。SOC是電池管理系統(tǒng)（BMS）中的重要參數(shù)之一，其準(zhǔn)確預(yù)測(cè)對(duì)于確保電池穩(wěn)定工作、制定電池均衡策略及智能充電等具有重要意義。SOC的準(zhǔn)確預(yù)測(cè)能夠有效防止電池因過(guò)充、過(guò)放造成的損壞，延長(zhǎng)電池使用壽命，提高能量利用效率，并降低使用成本。
長(zhǎng)安儲(chǔ)能研究院在之前的文章中詳細(xì)地介紹了鋰電池SOC預(yù)測(cè)的各種方法。本院張斌教授認(rèn)為在眾多SOC預(yù)測(cè)方法中，神經(jīng)網(wǎng)絡(luò)模型是未來(lái)的重要發(fā)展方向。本文將對(duì)該模型中的FCN和1D-CNN模型做出重點(diǎn)介紹。
一、Rate-Optimized Deep Fully Convolutional Network[1]
FCN通常用于計(jì)算機(jī)視覺(jué)任務(wù)，但也適用于處理時(shí)間數(shù)據(jù)。在FCN中，卷積操作應(yīng)用于時(shí)間軸上的一維核，稱為時(shí)間卷積。本研究使用的FCN是通過(guò)將多個(gè)時(shí)間卷積層堆疊在一起構(gòu)建的。FCN架構(gòu)如下圖所示，輸入為電池電壓Vk、電流Ik和溫度Tk。通過(guò)在時(shí)間維度上滑動(dòng)每個(gè)核，對(duì)矩陣執(zhí)行四個(gè)后續(xù)的時(shí)間卷積。每個(gè)卷積層之后是一個(gè)批處理歸一化層和激活層。本研究使用了Mish激活函數(shù)，已證明其可以改善卷積網(wǎng)絡(luò)的結(jié)果，并為模型提供強(qiáng)大的正則化效果以減少過(guò)擬合。為了輸出SOC，通過(guò)一個(gè)上限為1.0的整流線性單元（ReLU）處理GAP層產(chǎn)生的張量。
圖1 FCN架構(gòu)圖
實(shí)驗(yàn)結(jié)果表明，該模型優(yōu)于傳統(tǒng)的深度學(xué)習(xí)模型，如LSTM、GRU和CNN。學(xué)習(xí)率的優(yōu)化可以改善估計(jì)誤差和泛化能力。
二、1D Convolutional Neural Networks and Transfer Learning[2]
將電池電量狀態(tài)估計(jì)問(wèn)題建模為時(shí)間序列分析問(wèn)題。將時(shí)間步長(zhǎng)k處的SoC表示為觀察到的電池參數(shù)的函數(shù)，即直到時(shí)間步長(zhǎng)k處測(cè)量到的電流、電壓和電池溫度。對(duì)SoC進(jìn)行建模：
式中，φk = [Vk;Ik;Tk] T, k = 1,...,tend，其中Vk, Ik和Tk是在時(shí)間步長(zhǎng)k處測(cè)量的電壓、電流和溫度值，tend是最后的時(shí)間步長(zhǎng)，f是從特征空間到標(biāo)簽空間的非線性映射。
對(duì)于方程（1）中定義的函數(shù)模型，根據(jù)k的值，需要改變數(shù)據(jù)驅(qū)動(dòng)估計(jì)器的輸入大小或維度，這可能會(huì)導(dǎo)致訓(xùn)練過(guò)程中的困難。其次，隨著k值的增加，CNN模型的容量將必須增加，以確保它從數(shù)據(jù)中捕獲相關(guān)特征，從而使其計(jì)算負(fù)擔(dān)沉重?？紤]到這些，將第k個(gè)時(shí)間步長(zhǎng)的SoC建模為觀察到的電池參數(shù)的函數(shù)，范圍從k到k?tw + 1時(shí)間步長(zhǎng)，即考慮固定范圍的歷史數(shù)據(jù)作為輸入來(lái)估計(jì)當(dāng)前SoC值。修改后的SoC模型：
利用這個(gè)模型，制定了一個(gè)優(yōu)化問(wèn)題，其解決方案將提供從特征空間（由時(shí)變觀察到的電池參數(shù)組成）到標(biāo)簽空間（由SoC組成）的最優(yōu)映射。下圖展示了基于CNN的SoC Estimator的訓(xùn)練過(guò)程。
圖2 CNN的SoC Estimator訓(xùn)練流程
長(zhǎng)安儲(chǔ)能研究院認(rèn)為，電池?cái)?shù)據(jù)是一種連續(xù)的時(shí)間序列數(shù)據(jù)，因此循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks，RNN）由于其記憶性，更適合處理這類數(shù)據(jù)。而LSTM（長(zhǎng)短期記憶）網(wǎng)絡(luò)是RNN的一種變體，它利用存儲(chǔ)單元而不是普通的隱藏節(jié)點(diǎn)，避免了在多個(gè)時(shí)間步后出現(xiàn)梯度消失或爆炸的問(wèn)題，從而克服了傳統(tǒng)RNN訓(xùn)練中的困難。因此，可以采用結(jié)合注意力機(jī)制的CNN-LSTM網(wǎng)絡(luò)，這種網(wǎng)絡(luò)不僅能夠提取電池?cái)?shù)據(jù)的時(shí)間序列關(guān)系，還能捕捉維度之間的空間特征關(guān)系。注意力機(jī)制能夠?yàn)殛P(guān)鍵時(shí)間步分配更多權(quán)重，減少次要信息的干擾，從而實(shí)現(xiàn)更好的擬合效果。
三、小結(jié)
長(zhǎng)安儲(chǔ)能研究院認(rèn)為，神經(jīng)網(wǎng)絡(luò)模型雖然需要大量數(shù)據(jù)集作為基礎(chǔ)，且容易受各種因素的影響，但經(jīng)過(guò)充分訓(xùn)練后依舊可以得到較高的精確度。
得益于長(zhǎng)安綠電的慷慨資金支持，長(zhǎng)安儲(chǔ)能研究院將持續(xù)努力探索更多儲(chǔ)能科技解決方案，并密切關(guān)注全球儲(chǔ)能市場(chǎng)的最新動(dòng)態(tài)，確保儲(chǔ)能技術(shù)能夠及時(shí)地迭代與更新，為全球能源的可持續(xù)發(fā)展做出重要貢獻(xiàn)。
