中國儲能網(wǎng)訊：
摘要 準確預測鋰離子電池的溫度是電池管理系統(tǒng)的關(guān)鍵技術(shù)。針對鋰離子電池的動態(tài)以及時序依賴特性，構(gòu)建了一種深度神經(jīng)網(wǎng)絡用于鋰離子電池的溫度預測。該模型可以提取數(shù)據(jù)的潛在高維特征并適當降維以減少模型復雜度，同時通過長短期記憶單元層捕獲溫度的長期依賴關(guān)系。此外，通過鋰離子電池的開路電壓、端電壓以及電流實時計算產(chǎn)熱率，從而為深度神經(jīng)網(wǎng)絡提供額外的物理信息輸入。結(jié)果表明，該方法相比于其他方法具有更好的溫度預測性能。
1 電池實驗
本文所采用的電池數(shù)據(jù)來自加拿大麥克馬斯特大學，電池型號是三星的INR21700-30T，正極材料為LiNiMnCoO2，屬于三元鋰電池，額定容量為3 A·h，放電截止電壓為2.5 V。原始數(shù)據(jù)集中的采樣頻率為10 Hz，包括0.05 C（0.15 A）的開路電壓（open circuit voltage，OCV）數(shù)據(jù)、駕駛循環(huán)數(shù)據(jù)以及脈沖放電數(shù)據(jù)。每個數(shù)據(jù)集中都包括電壓、電流、電荷量、能量、電池溫度、環(huán)境溫度數(shù)據(jù)。為了和其他文獻一致，并結(jié)合實際工業(yè)應用的采樣周期，通過時間向量將所有的數(shù)據(jù)重采樣到1 Hz，而且通過額定容量將電荷量換算為SOC。除此之外，溫度數(shù)據(jù)通常存在較大的噪聲，可能對DNN的訓練產(chǎn)生干擾，所以對電池溫度數(shù)據(jù)進行了窗口值為30的高斯加權(quán)平均濾波的預處理。
本文采用了環(huán)境溫度為25 ℃時的開路電壓實驗數(shù)據(jù)以及駕駛循環(huán)數(shù)據(jù)。前者用于計算產(chǎn)熱率，后者用于訓練、驗證以及測試溫度預測模型。OCV曲線是通過向電池施加0.05 C的電流，以端電壓近似于OCV而得到的。近似的原因是電流足夠小，所以電池的極化效應可以忽略不計。通過實驗數(shù)據(jù)得到的關(guān)系式為
式中：UO為OCV；S為SOC。其R2=0.9924，代表具有良好的擬合精度。
駕駛循環(huán)數(shù)據(jù)首先包括4個典型的駕駛工況，描述了不同的加速、減速、怠速等駕駛循環(huán)特性，分別是城市駕駛循環(huán)（urban dynamometer driving schedule，UDDS）、公路燃油經(jīng)濟性實驗（highway fuel economy test，HWFET）、洛杉磯92駕駛循環(huán)（Los Angeles 92 driving cycle，LA92）、US06補充FTP駕駛循環(huán)（US06 supplemental FTP driving schedule，US06），然后四者隨機混合組成了8個駕駛循環(huán)數(shù)據(jù)。以US06為例，處理后的數(shù)據(jù)如圖1所示。
圖1 US06的電壓、電流、SOC、溫度曲線
Fig.1 Voltage, current, SOC, and temperature curves for US06
2 電池溫度預測模型
本文提出的溫度預測框架如圖2所示，包括產(chǎn)熱模型以及深度神經(jīng)網(wǎng)絡。產(chǎn)熱模型可以為鋰離子電池溫度預測提供額外物理信息輸入；深度神經(jīng)網(wǎng)絡則學習鋰離子電池溫度的動態(tài)非線性特性，具有可提取高維特征、減少模型參數(shù)、描述時序依賴的特點。
圖2 溫度預測框架
Fig.2 The framework of temperature prediction
2.1 產(chǎn)熱模型
電池溫度的變化依賴于熱量的產(chǎn)生，熱量的生成速率對溫度有重要的影響。從第一性原理而言，電池內(nèi)部的發(fā)熱是復雜的化學過程，包括不可逆熱量、可逆熱量、熵變熱量等多個類型。目前廣泛使用的產(chǎn)熱模型為
2.2 深度神經(jīng)網(wǎng)絡
電池的溫度具有典型的時間序列特性，每一個采樣點的溫度值與之前時刻的溫度存在依賴關(guān)系。從電池的理論熱模型的結(jié)構(gòu)而言，其結(jié)構(gòu)滿足一階馬爾科夫假設，可證明其具有典型的回歸關(guān)系。但是一般的前饋神經(jīng)網(wǎng)絡并不具有時間上的依賴關(guān)系，從而無法較好地描述鋰離子電池的溫度特性。而且一般的淺層神經(jīng)網(wǎng)絡并不能提取數(shù)據(jù)中潛在的高維特征，其預測精度受到限制。為解決上述問題，本文構(gòu)建了一個深度神經(jīng)網(wǎng)絡用于鋰離子電池溫度預測。
首先是提取高維特征的1 D卷積層，由16個卷積核組成，圖3為其中的一個單元。卷積核的本質(zhì)是點積運算，每次掃描可以提取3個樣本的特征，依賴于16個卷積核的設置，可以獲得不同的高維特征。移動步長為1是為了避免稀疏特征從而丟失一些細節(jié)信息。然后經(jīng)過最大池化層，進一步壓縮卷積層提取的信息，池大小為3，意味著選擇3個窗口內(nèi)卷積輸出的最大值。池化層在保留主要信息的同時減少數(shù)據(jù)維度，從而減小模型參數(shù)量。然后是描述長期依賴關(guān)系的LSTM層，具有32個LSTM單元。由于是回歸任務，最后是輸出為1的全連接層。其中在1 D卷積層和LSTM層后均添加了RELU激活函數(shù)，以增加非線性描述能力。
圖3 1 D卷積層的單元
Fig.3 The unit of 1 D convolution layer
LSTM來源于循環(huán)神經(jīng)網(wǎng)絡，解決了循環(huán)神經(jīng)網(wǎng)絡可能出現(xiàn)梯度爆炸或者梯度消失的問題。圖4為LSTM單元的內(nèi)部結(jié)構(gòu)，LSTM單元通過輸入門、遺忘門、輸出門3個門控制信息的傳遞。
圖4 LSTM單元結(jié)構(gòu)
Fig.4 The structure of LSTM unit
LSTM的前向計算式為
式中：t表示第t個采樣點；i、f、o、c分別為輸入門、遺忘門、輸出門、記憶單元；x、h分別為單元的輸入和輸出向量；Wxi、Whi，Wxf、Whf，Wxc、Whc，Wxo、Who分別輸入門、遺忘門、輸出門、記憶單元與輸入、輸出向量的變換權(quán)重矩陣；bi、bf、bc、bo分別為輸入門、遺忘門、輸出門、記憶單元的偏置向量；σ、tanh分別為兩個常見的非線性激活函數(shù)；⊙表示矩陣對應元素的相乘。
圖4中的輸入門控制當前時刻的候選狀態(tài)有多少信息需要保存，遺忘門控制上一個時刻的內(nèi)部狀態(tài)需要遺忘多少信息，輸出門控制當前時刻的內(nèi)部狀態(tài)有多少信息需要輸出給外部狀態(tài)。從圖4的結(jié)構(gòu)可以發(fā)現(xiàn)，LSTM通過細胞狀態(tài)、隱藏狀態(tài)的傳遞，從而使其獲得了描述長期依賴關(guān)系的能力。
2.3 DNN的訓練
電池的荷電狀態(tài)在具有真實初值以及電流傳感器足夠精確的情況下，可以通過如下的安時積分公式計算得到，即
式中：Cb為電池的最大可用容量。
所以在訓練階段，由于具有完整的離線數(shù)據(jù)，本文的DNN訓練是一個監(jiān)督學習任務。ADAM算法可以自適應調(diào)整每個參數(shù)的學習率，如今已成為深度學習領(lǐng)域中最常用的訓練算法。本文同樣通過ADAM訓練溫度預測模型，輸入為電壓、電流、SOC、產(chǎn)熱率，輸出為溫度。值得注意的是，由于是恒定的環(huán)境溫度，所以并沒有將環(huán)境溫度作為輸入特征。為了避免輸入數(shù)據(jù)的數(shù)量級不一致導致DNN收斂慢的問題，輸入層中對輸入特征進行了[–1,1]的歸一化，以提高訓練速度，加速收斂。具體計算式為
式中：xnorm為歸一化后的值；xmax、xmin分別為輸入特征的最大值和最小值。
本文將25 ℃時的12個工況劃分為訓練集、驗證集、測試集。由于8個混合驅(qū)動循環(huán)數(shù)據(jù)是UDDS、HWFET、LA92、US06的隨機組合，所以將混合驅(qū)動1~6作為訓練集，可以更好地學習多種動態(tài)工況下電池的溫度變化?；旌向?qū)動7~8作為驗證集，通過對其精度的檢驗以獲得最佳訓練模型。然后在UDDS、HWFET、LA92、US06 4種驅(qū)動循環(huán)上進行測試，檢驗模型的精度及泛化能力。
3 結(jié)果和討論
通過均方根誤差（root mean square error，RMSE）、平均絕對誤差（mean absolute error，MAE）、最大絕對誤差（maximum absolute error，MAXE）進行描述定量描述電池溫度預測的誤差，計算式分別為
式中：T為溫度的真實值；圖片為預測值；N為采樣點個數(shù)。
3.1 溫度預測結(jié)果
圖5給出了針對4種不同駕駛驅(qū)動循環(huán)的結(jié)果。由圖5可以發(fā)現(xiàn)，產(chǎn)熱率的一些局部峰值與溫度曲線的局部峰值具有明顯的對應關(guān)系。這說明產(chǎn)熱率與鋰離子電池的溫度變化具有相關(guān)性，對溫度的升高有不可忽視的作用。其中US06的產(chǎn)熱率相對較大，對應其溫度曲線，在整個階段US06溫升的幅度是最大的。
圖5 4種不同駕駛驅(qū)動循環(huán)的結(jié)果
Fig.5 The result of four different driving cycles
從溫度預測結(jié)果而言，4種駕駛驅(qū)動循環(huán)均能較好地與真實溫度吻合，具有較高的精度。其中HWFET的精度最高，US06的精度相對最差。這是因為HWFET的溫升幅度較小，而且波動性也較??；US06的溫升幅度最大，超過8 ℃。所以DNN在US06上取得相對差一些的預測結(jié)果是合理的。同時可以發(fā)現(xiàn)LA92、UDDS兩種駕駛驅(qū)動循環(huán)時的溫度波動性更大，所以溫度預測在其快速變化的階段誤差相對增大。但是4個駕駛驅(qū)動循環(huán)的最大絕對誤差不超過1.52 ℃，仍然說明具有較好的溫度預測精度。
表1給出了4種駕駛驅(qū)動循環(huán)的不同誤差指標。如同前文溫度預測曲線的分析，各個指標中，HWFET取得了最好的結(jié)果，這與其較小的溫升幅度、波動性是密不可分的?？傮w而言，具有產(chǎn)熱率輸入的DNN實現(xiàn)了對該電池溫度動態(tài)非線性特性的捕捉，獲得了較好的溫度預測結(jié)果。而且各個指標處于同一量級，這說明本文方法對于不同駕駛驅(qū)動循環(huán)具有一定的泛化能力，且不需要來自溫度傳感器的輸入，這不同于以往的一些研究，在實際應用具有更為廣闊的應用前景。因為現(xiàn)實中的電池組可能有成千上萬個電池單體，但是據(jù)報道，安裝了電池溫度傳感器的電池單體約占所有單體的10%，每個單體安裝溫度傳感器是不現(xiàn)實的。
表1 4種駕駛驅(qū)動循環(huán)的誤差指標
Table 1 Error indicators for four driving drive cycles
3.2 對比實驗
為了進一步說明本文方法的有效性，與目前已報道文獻中的一些方法進行了對比。其中有來自文獻[18]的門控循環(huán)單元（gated recurrent unit，GRU）神經(jīng)網(wǎng)絡、來自文獻[25]的反向傳播（back propagation，BP）神經(jīng)網(wǎng)絡。為了公平比較，采用了與本文的DNN相同的32個單元數(shù)，輸入特征完全相同。此外，通過無產(chǎn)熱率輸入的DNN證明了產(chǎn)熱率輸入的有效性。以HWFET為例，圖6給出了對比結(jié)果及其誤差。
圖6 與不同方法的對比結(jié)果
Fig.6 Comparison with different methods
由圖6可知，本文的DNN獲得了最好的精度，BP的預測結(jié)果最差，而且預測的波動性很大。這意味著BP這種淺層神經(jīng)網(wǎng)絡難以捕捉溫度的動態(tài)非線性特性，而GRU以及本文構(gòu)建的DNN相對而言可以很好地捕捉這種特性。同時依賴于卷積、池化、LSTM的設置，DNN可以發(fā)揮出相較于GRU更好的性能。此外，注意到GRU的Ema低至0.0387 ℃，原因在于它使用了來自上一時刻的溫度輸入。這也就說明了無傳感器的鋰離子電池溫度預測會具有更大的誤差，這是由于輸入特征所導致的。所以本文訓練的GRU顯示了0.14的Ema，這是合理的現(xiàn)象。這同時再次體現(xiàn)了本文方法在無傳感器溫度預測領(lǐng)域廣闊的應用前景，可以不受溫度傳感器的限制。此外，對于無產(chǎn)熱率作為額外輸入的DNN，其溫度預測誤差相對增大。這有效說明了將產(chǎn)熱率作為額外輸入的必要性。依賴于從原始數(shù)據(jù)中提取的與溫度相關(guān)的先驗物理信息，從而可以增強溫度預測的精度。表2給出了HWFET的各個誤差指標，DNN法除Emax略大于GRU以外，其余誤差指標均最小。本文提出的結(jié)合產(chǎn)熱率輸入的DNN獲得了最好的精度。
表2 不同方法誤差對比（HWFET）
Table 2 Errors of different methods (HWFET)
4 結(jié)論
本文結(jié)合電池的產(chǎn)熱模型，提出了一種結(jié)合物理信息與DNN的溫度預測方法。通過三星21700 -30T電池在25 ℃時的多個工況，驗證了本文提出方法的有效性。主要結(jié)論如下。
1）鋰離子電池的產(chǎn)熱率與電池溫升的峰值存在明顯聯(lián)系，準確計算產(chǎn)熱率并作為DNN的額外輸入對預測鋰離子電池溫度有顯著作用。
2）HWFET、LA92、UDDS、US06駕駛驅(qū)動循環(huán)時的測試結(jié)果的RMSE、MAE、MAX平均為0.22、0.17、1.36，具有良好的精度。
3）相比于GRU以及BP，本文所提方法的RMSE、MAE、MAX均具有顯著下降。
雖然本文方法實現(xiàn)了鋰離子電池在無溫度傳感器條件下的溫度預測，但實際應用中可能存在的復雜工況條件，如不同環(huán)境溫度、充放電倍率情況下的電池溫度預測問題還缺乏深入的討論，未來的工作將致力于更為復雜情況下的研究。
注：本文內(nèi)容呈現(xiàn)略有調(diào)整，如需要請查看原文。
