一种基于AST-LSTM神经网络的锂电池SOH估计与RUL预测方法与流程

本发明属于锂电池phm领域，涉及一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法。

背景技术：

作为一种轻量化、高密度的能量存储与供给装置，锂电池是众多复杂电驱系统(如航天器、电动汽车、便携式电子设备)的关键使能部件。锂电池安全稳定的运行工作，影响着其应用领域中各种设备的可靠运行。因此，针对锂电池预测与健康管理(prognosticandhealthmanagement，phm)的研究，一直是学术和工程领域的关注焦点。锂电池phm主要涉及在一定充放电周期内，对soh的实时估计，对rul的实时预测和其他电池参数的监测。对soh的估计和对rul的预测，主要针对锂电池的使用寿命问题，以确定锂电池因容量不足，需要更换的最佳时间，进而延长锂电池的使用寿命。在实际的锂电池phm中，rul经常伴随着soh一起使用，且soh作为rul的基础，其估计的准确率直接影响rul预测的准确率。在众多的电池phm研究中，电池容量长期以来一直是电池soh的确定指标，当锂电池容量下降到额定容量的20％-30％时，锂电池需要进行更换。

目前，对于锂电池soh估计和rul预测的方法大致可分为：电化学模型、等效电路模型和数据驱动方法。电池电化学模型利用电热力学和锂离子运动来建立矩阵方程，可以细致的描述电池内部电化学反应，但这些方法通常具有多个复杂参数，这限制了其在实践中的应用。等效电池模型使用多种电路元件来模拟电池特性，该方法结构简单，模型参数较少，但缺乏实际的物理意义。数据驱动方法使用大量历史数据建立输入输出映射关系，但模型准确度和精确度取决于训练数据和方法。在锂电池的实际应用中，电池容量并不能直接测量获得，传感器只能采集放电端电压，放电电流和放电温度等时间序列数据。因此，数据驱动方法相较于其他方法更为适应电池工作环境。

基于上述方法的缺陷，本发明提出了一种新的主动状态追踪长短时记忆(activestatestrackinglong-short-termmemory，ast-lstm)神经网络模型来解决锂电池soh估计和rul预测问题。

技术实现要素：

有鉴于此，本发明的目的在于提供一种基于ast-lstm神经网络的在线锂电池soh估计与rul预测方法，来进行锂电池的状态估计和使用寿命管理。

为达到上述目的，本发明提供如下技术方案：

一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法，包括soh估计模型和rul预测模型。在所提的方法中，首先将输入门和遗忘门通过固定连接连接起来，同时确定要遗忘的旧信息和要添加的新信息。然后将新的输入数据与之前的单元状态进行融合和更新，筛选出有利于soh估计和rul预测的信息。最后，在输出门电路中加入一个来自记忆单元状态的窥视孔连接，学习保护记忆单元状态不受不必要的误差信号的影响。在soh估计和rul预测过程中，分别建立了具有多对一映射和一对一映射结构的lstm神经网络，有效地学习了锂离子电池参数序列的长-短期依赖关系。具体而言，所述soh估计模型包括动力电池容量与动力电池充放电时电压、电流，温度，时间之间的对应的关系。通过待检测电池的充放电电压，电流，温度，时间得到电池容量，进行soh估计。然后，将得到的容量值实时导入到rul预测模型，实现rul的多步预测。具体包括以下步骤：

s1：数据采集：在充放电周期内，测试并收集锂电池放电端电压、电流、温度数据和对应的电池容量数据；

s2：构建深度ast-lstm神经网络模型，包括建立ast-lstm神经元和ast-lstm反向传播算法；

s3：基于ast-lstm神经网络模型的锂电池soh估计；

s4：基于ast-lstm神经网络模型的锂电池rul预测。

进一步，步骤s2中，所述建立ast-lstm神经元具体包括：

1)遗忘门与输入门的固定耦合：遗忘门和输入门通过固定连接“1-”进行耦合，从遗忘门输出到候选单元状态，数学表达式为：

it＝(1-ft)⊙σ(ct-1⊙pi)

其中，是遗忘门激活向量，ft是遗忘门输出向量，it是输入门输出向量，ct-1是t-1时刻记忆单元状态，σ是sigmoid函数，⊙表示按元素乘，是t时刻网络的输入向量，m表示输入维度，是t-1时刻n个ast-lstm单元的输出状态，和分别是遗忘门的输入权重矩阵、门控权重矩阵和偏置矩阵，pi是窥视孔状态矩阵；

2)候选门的主动状态跟踪：以元素的方式将新的输入值和以前的单元状态相乘，以便从新的输入数据中筛选出更多有用的信息，数学表达式为：

ct＝ct-1⊙ft+it+zt

其中，是当前输入激活向量，zt是经tan函数激活后输出向量，ct是t时刻记忆单元状态，和分别是候选门的输入权重矩阵、门控权重矩阵和偏置矩阵；

3)输出门记忆单元状态的筛选：将窥视孔直接连接到输出门上，只保留关键的记忆单元状态，数学表达式为：

其中，和分别是输出门输入权重矩阵、门控权重矩阵、窥视孔状态矩阵和偏置矩阵；

4)ast-lstm单元隐藏状态输出，数学表达式为：

ht＝ot⊙tanh(ct)。

进一步，步骤s2中，所述ast-lstm反向传播算法具体包括：

1)误差沿时间反向传播到前一刻，在第l层的ast-lstm块内，计算为：

其中，δt表示上一层传递的误差向量，对应于e表示误差，但没有循环依赖关系；分别表示第l层中候选门、遗忘门和输出门在t时刻的门控权重矩阵；

2)反向传播中，t时刻输入的增量，计算为：

其中，分别表示第l层中候选门、遗忘门和输出门在t时刻的输入权重矩阵，误差项计算公式：

其中，计算公式为：

3)在l层t时刻，和计算公式为：

其中，表示任意的o表示输出门，z表示候选门，f表示遗忘门；

其中，f^l-1是第l-1层ast-lstm单元内的门控激活函数；

4)输入权重矩阵和门控权重矩阵更新规则，ast-lstm的更新规则为：

其中，ηδh和ηδx表示用于更新输入权值和门控权值的相应的学习率。

进一步，步骤s3中，基于ast-lstm神经网络的锂电池soh估计的拓扑结构有五层，包括一个输入层、三个ast-lstm隐含层和一个输出层。

进一步，步骤s3中，基于ast-lstm神经网络模型的锂电池soh估计，具体包括以下步骤：

s31：定义锂电池soh为：

其中，ci表示i个充放电周期的电池容量，c0表示电池初始容量；

s32：处理容量丢失；若出现容量丢失，将上一周期容量值赋予丢失周期；

s33：选择最佳输入；选择以电压、电压；温度、电压；温度、时间和电压、温度、时间、电流等四种输入方式分别作为网络输入，以计算根均方误差；选择根均方误差最小的作为输入；结果证明。电压，电流，时间，温度作为输入效果最好，相对应的容量作为输入标签；

s34：将采集相对应锂电池充放电电压、电流、温度和容量数据进行归一化处理；

其中，min表示样本数据最小值，max表示样本数据最大值；

s35：交叉验证选择网络超参数；将数据集按照6:1:3划分作为训练集、验证集和测试级；使用训练集和验证集进行10折交叉验证，计算网络损失平均值；当网络损失平均值小于设定的阈值时，结束验证，获得网络滑动窗口、批处理大小和学习率等超参数；

s36：训练模型；将数据集按照7:3划分，使用上一步得到的网络超参数和70％的数据对模型进行训练，并保存模型；

s37：使用30％数据集进行测试，并保存预测的电池容量值，计算电池soh。

进一步，步骤s4中，基于ast-lstm神经网络的锂电池rul预测拓扑结构为三层，包括一个输入层、一个ast-lstm隐含层和一个输出层。

进一步，步骤s4中，基于ast-lstm神经网络模型的锂电池rul预测，具体包括以下步骤：

s41：定义电池的寿命终止容量ceol为：

ceol＝c0×0.8

其中，c0表示电池初始容量；

s42：采集多个与soh估计同型号的电池的从初始容量到eol的容量值作为容量数据集；

s43：将容量数据集进行归一化处理，表达式为：

其中，ci表示i个充放电周期的电池容量；

s44：选择rul预测模型超参数；按7:2:1的划分，将容量数据集划分为训练集，测试级和验证集；然后使用训练集合验证集进行10折交叉验证，计算计算网络损失平均值；当损失平均值低于设定的阈值时，结束验证，获得rul预测模型神经元代价函数，正则化参数，隐含层神经元个数等超参数；

s45：训练模型：将容量数据集按照7:3划分，使用上一步得到的网络超参数和70％的训练集数据对模型进行训练，并保存模型；

s46：使用30％的测试数据集进行测试，证明模型有效性，并保存模型；

s47：将soh估计模型得到的容量值在线导致训练完成的rul预测模型；

s48：多步预测rul。

进一步，步骤s48中，多步预测rul具体包括：假设从soh估计模型获得初始容量c0到第i个周期的容量值ci，利用rul预测模型预测ci+1；然后使用初始容量c0到第i+1个周期的容量值ci+1，利用rul预测模型预测ci+2；以此类推，得到ceol；最后，依据充放电周期nt容量为ci，充放电周期neol容量为ceol，由以下公式得到电池rul；

假设电池充放电周期为n的时候电池到达eol，电池的rul在t时刻的计算公式为：

rul＝neol-nt

其中，nt表示t时刻充放电周期数，neol表示电池容量达到ceol时的充放电周期。

本发明的有益效果在于：相比于现有的技术，本发明能实现在线锂电池soh估计和rul预测。首先，本发明提出了一种ast-lstm神经网络，该网络具有主动状态跟踪的lstm单元和相应的学习算法，可以从输入数据中筛选出有用信息，并屏蔽错误信号。在输入方面，增加了输入信号的可用度。其次，利用多对一和一对一的映射体系结构，建立了ast-lstm的soh估计和rul预测框架。训练完成的soh模型和rul模型可以被所有ast-lstm单元共享，而不会相互干扰。一系列soh在线监控ast-lstm模型输出的多个值在线输入不断地馈送到rul模型中完成准确的多步预测。最后，通过对ast-lstm框架的输入进行分析，选择合适的输入参数，消除放电过程中的消极影响。计算放电过程中电流、电压、温度、时间和容量的相关系数，选择合适的参数及其组合作为ast-lstm神经网络的输入。然后，利用预筛选参数间的长、短期依赖关系对预测模型进行预训练，调整相应的超参数。本专利公开的方法仅需可直接测量的电压，电流，温度，时间等参数，即可估计锂电池soh，并根据soh预测rul，测量数据全面，测量过程简单，并且该方法误差小且估计和预测精度高。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为ast-lstm神经单元结构图；

图2为深度ast-lstm结构示意图；

图3为锂电池soh估计与rul预测框架。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

请参阅图1～图3，为一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法，包括以下步骤：

s1：采集数据。采集多个锂电池充放电周期内电压，电流，温度，时间和相对应容量，时间尺度为从初始容量c0到寿命终止容量ceol。

s2：构建深度ast-lstm模型。包括以下步骤：

s21：建立ast-lstm神经元，如图1所示，包括以下步骤：

1)遗忘门与输入门的固定耦合。遗忘门和输入门通过固定连接“1-”进行耦合，从遗忘门输出到候选单元状态。通过这种耦合来决定遗忘信息和添加新信息。具体来说，旧的信息只有在新值输入的地方才会被遗忘，而新信息只有在旧的信息被遗忘的时候才会被输入。数学表达式为：

it＝(1-ft)⊙σ(ct-1⊙pi)

其中，是遗忘门激活向量，ft是遗忘门输出向量，it是输入门输出向量，ct-1是t-1时刻记忆单元状态，σ是sigmoid函数，⊙表示按元素乘，是t时刻网络的输入向量，m表示输入维度，是t-1时刻n个ast-lstm单元的输出状态，和分别是遗忘门的输入权重矩阵、门控权重矩阵和偏置矩阵，pi是窥视孔状态矩阵；

2)候选门的主动状态跟踪：以元素的方式将新的输入值和以前的单元状态相乘，以便从新的输入数据中筛选出更多有用的信息。对于不利的输入，我们选择被动地接受较少的信息，甚至主动地放弃信息。这部分由候选门完成，数学表达式为：

ct＝ct-1⊙ft+it+zt

其中，是当前输入激活向量，zt是经tan函数激活后输出向量，ct是t时刻记忆单元状态，和分别是候选门的输入权重矩阵、门控权重矩阵和偏置矩阵；

3)输出门记忆单元状态的筛选：将窥视孔直接连接到输出门上，只保留关键的记忆单元状态，数学表达式为：

其中，和分别是输出门输入权重矩阵、门控权重矩阵、窥视孔状态矩阵和偏置矩阵；

4)ast-lstm单元隐藏状态输出，数学表达式为：

ht＝ot⊙tanh(ct)。

s22：ast-lstm学习算法。ast-lstm的网络结构如图2所示。ast-lstm采用沿时间的反向传播算法实现网络的学习。网络训练的目的在于更新每层中所有与门控连接的权重，使损失函数最小化。本实施例假设反向传播误差项源自损失函数对ast-lstm块输出的导数。ast-lstm反向传播算法过程如下：

1)误差沿时间反向传播到前一刻，在第l层的ast-lstm块内，计算为：

其中，δt表示上一层传递的误差向量，对应于e表示误差，但没有循环依赖关系；分别表示第l层中候选门、遗忘门和输出门在t时刻的门控权重矩阵；

2)反向传播中，t时刻输入的增量，计算为：

其中，分别表示第l层中候选门、遗忘门和输出门在t时刻的输入权重矩阵，误差项计算公式：

其中，计算公式为：

3)根据以上的误差项，在l层t时刻，和计算公式为：

其中，表示任意的o表示输出门，z表示候选门，f表示遗忘门；

其中，f^l-1是第l-1层ast-lstm单元内的门控激活函数；

4)输入权重矩阵和门控权重矩阵更新规则，ast-lstm的更新规则为：

其中，ηδh和ηδx表示用于更新输入权值和门控权值的相应的学习率。

s3：基于ast-lstm神经网络模型的锂电池健康状态(state-of-health，soh)估计。基于ast-lstm神经网络的锂电池soh估计的拓扑结构有五层，包括一个输入层，三个ast-lstm隐含层和一个输出层。具体步骤为：

s31：定义锂电池soh为：

其中，ci表示i个充放电周期的电池容量，c0表示电池初始容量；

s32：处理容量丢失；若出现容量丢失，将上一周期容量值赋予丢失周期；

s33：选择最佳输入；选择以电压、电压；温度、电压；温度、时间和电压、温度、时间、电流等四种输入方式分别作为网络输入，以计算根均方误差；选择根均方误差最小的作为输入；结果证明。电压，电流，时间，温度作为输入效果最好，相对应的容量作为输入标签；

s34：将采集相对应锂电池充放电电压、电流、温度和容量数据进行归一化处理；

其中，min表示样本数据最小值，max表示样本数据最大值；

s35：交叉验证选择网络超参数；将数据集按照6:1:3划分作为训练集、验证集和测试级；使用训练集和验证集进行10折交叉验证，计算网络损失平均值；当网络损失平均值小于设定的阈值时，结束验证，获得网络滑动窗口、批处理大小和学习率等超参数；

s36：训练模型；将数据集按照7:3划分，使用上一步得到的网络超参数和70％的数据对模型进行训练，并保存模型；

s37：使用30％数据集进行测试，并保存预测的电池容量值，计算电池soh。

s4：基于ast-lstm神经网络模型的锂电池剩余使用寿命(remainingusefullife，rul)预测。基于ast-lstm神经网络的锂电池rul预测拓扑结构为三层，包括一个输入层、一个ast-lstm隐含层和一个输出层。具体步骤为：

s41：定义电池的寿命终止容量ceol为：

ceol＝c0×0.8

其中，c0表示电池初始容量；

s42：采集多个与soh估计同型号的电池的从初始容量到eol的容量值作为容量数据集；

s43：将容量数据集进行归一化处理，表达式为：

其中，ci表示i个充放电周期的电池容量；

s44：选择rul预测模型超参数；按7:2:1的划分，将容量数据集划分为训练集，测试级和验证集；然后使用训练集合验证集进行10折交叉验证，计算计算网络损失平均值；当损失平均值低于设定的阈值时，结束验证，获得rul预测模型神经元代价函数，正则化参数，隐含层神经元个数等超参数；

s45：训练模型：将容量数据集按照7:3划分，使用上一步得到的网络超参数和70％的训练集数据对模型进行训练，并保存模型；

s46：使用30％的测试数据集进行测试，证明模型有效性，并保存模型；

s47：将soh估计模型得到的容量值在线导致训练完成的rul预测模型；

s48：多步预测rul。假设从soh估计模型获得初始容量c0到第i个周期的容量值ci，利用rul预测模型预测ci+1；然后使用初始容量c0到第i+1个周期的容量值ci+1，利用rul预测模型预测ci+2；以此类推，得到ceol；最后，依据充放电周期nt容量为ci，充放电周期neol容量为ceol，由以下公式得到电池rul；

假设电池充放电周期为n的时候电池到达eol，电池的rul在t时刻的计算公式为：

rul＝neol-nt

其中，nt表示t时刻充放电周期数，neol表示电池容量达到ceol时的充放电周期。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。