基于改进LSTM算法的锂电池SOC估计.pdf

计算机与现代化JISUANJI YU XIANDAIHUA2023年第8期总第336期文章编号：1006-2475（2023）08-0025-06收稿日期：2022-10-11；修回日期：2022-10-27基金项目：国家自然科学基金资助项目（61971253）作者简介：潘思源（1997），男，山东济南人，硕士研究生，研究方向：电力电子与电气传动，E-mail：；张伟（1975），男，重庆开县人，副教授，博士，研究方向:工业智能控制。0引言锂电池（Li-ion Battery）具有能量密度高，安全可靠等特点，被广泛应用于新能源汽车领域1。然而，随着新能源汽车产业的蓬勃发展，锂电池所带来的诸多问题也引起了大量关注2-3。其中，解决锂电池使用过程中过充、过放问题，以及为电池管理系统（Battery Management System，BMS）提供有效的数据支持尤为重要。解决该问题的核心在于实时、精确的估计锂电池荷电状态（State of Charge，SOC）。锂电池SOC定义为电池剩余容量与额定容量的比值，反映了当前锂电池的剩余电量4。可由于电池充放电过程中可直接测量的信息较少，使得SOC的准确估计变得困难。目前电池SOC估计方法主要分为2类：1）基于电池内部特性建模，通过开路电压法、安时积分法或者卡尔曼滤波算法进行SOC估计；2）从电池的外部特性出发，通过大数据训练得到电池电压、电流与SOC之间的非线性关系，主要有支持向量机、神经网络等方法。目前，He等人5基于人工神经网络建模方法估计锂电池 SOC 并通过 UKF 方法减小误差。Deng 等人6通过研究电池的放电机理，建立精确的电化学模型，采用 EKF 完成了模型参数辨识与 SOC 估计。Zheng等人7通过建立OCV-SOC曲线获得开路电压与电池SOC的关系，通过拟合曲线的方法估计SOC。巫春玲等人8提出了一种可以对系统噪声进行不断更新和修正的自适应滤波算法，可以在UKF基础上进一步提高估计的准确度。于智龙等人9在SOC估计时考虑老化因素并加以修正。李泓沛等人10和贾先屹等人11主要通过建立锂电池二阶RC模型，采用无迹卡尔曼滤波算法估计电池SOC，该方法依赖于锂电池建模的精度。朱元富等人12建立了基于 Bi-基于改进LSTM算法的锂电池SOC估计潘思源，张伟（青岛科技大学自动化与电子工程学院，山东 青岛 266100）摘要：针对锂电池荷电状态（State of charge，SOC）估计精度低的问题，提出一种基于改进的LSTM算法建立神经网络模型方法，得到电压和电流输入与SOC输出之间的映射关系。并通过拓展卡尔曼滤波器滤除输出估计值的噪声，增强了模型的稳定性。在神经网络模型建模过程中采用改进的粒子群算法对神经元个数、学习率、步长等超参数进行优化，进一步提高了锂电池SOC的估计效率和准确性。最后，采用马里兰大学CALCE数据集中的DST工况数据进行模型训练，使用FUDS、US06工况数据集，对改进的LSTM算法与CNN-LSTM、GRU以及CatBoost等算法进行对比实验。实验结果表明改进后的LSTM算法估计模型具有较高的稳定度与准确性，验证了改进方案的可行性。关键词：锂电池；SOC估计；LSTM；粒子群优化；EKF滤波器中图分类号：TM912.9文献标识码：ADOI：10.3969/j.issn.1006-2475.2023.08.005SOC Estimation of Lithium Battery Based on Improved LSTMPAN Si-yuan，ZHANG Wei（SchoolofAutomationandElectronicEngineering，QingdaoUniversityofScienceandTechnology，Qingdao266100，China）Absrtact:Aiming at the low accuracy of the state of charge（SOC）estimation of lithium batteries，a neural network model basedon improved LSTM algorithm is proposed to obtain the mapping relationship between voltage and current input and SOC output.By extending the Kalman filter to filter the noise of the output estimate，the stability of the model is enhanced.In the process ofneural network modeling，the improved particle swarm optimization algorithm is used to optimize the number of neurons，learning rate，step size and other super parameters，which further improves the efficiency and accuracy of lithium battery SOC estimation.Finally，the DST condition data in the university of Maryland CALCE dataset is used for model training，and the FUDS andUS06 condition data-sets are used for comparative experiments on the improved LSTM algorithm，CNN-LSTM、GRU algorithmand CatBoost algorithm.The experimental results show that the improved LSTM estimation model has high stability and accuracy，which verifies the feasibility of the improved scheme.Key words:lithium battery；SOC estimation；LSTM；particle swarm optimization；EKF filter计算机与现代化2023年第8期LSTM的 SOC估计方法，但超参数通过实验选取，调节过程存在人为干预的局限性，参数寻优过程可以进一步优化。郭天滋13与张帅涛等人14提出了一种CNN-LSTM的融合算法估计电池SOC，但神经网络在拟合训练集的过程中存在一定的随机性，估计模型的稳定性不足。针对以上问题，本文对LSTM算法主要进行了如下改进：1）对 LSTM 输出的 SOC估计值进行拓展卡尔曼滤波，以滤除输出值的噪声，解决估计曲线波动过大的问题，增强了LSTM模型的稳定性和SOC估计输出曲线的平滑度。2）通过改进粒子群算法（IPSO）对 LSTM 模型神经元个数、学习率、训练步长等超参数进行优化，以降低估计的均方根误差，增加模型估计的准确度。最后，采用 CALCE 数据集中环境温度 25 下DST工况数据为训练集，以环境温度25 下的FUDS、US06工况数据为测试集带入优化模型进行测试，并与机器学习GRU、BiLSTM、CNN-LSTM算法和集成学习CatBoost算法进行对比，验证了本文方法能够有效提高LSTM模型的稳定性和SOC估计的准确性。1改进的LSTM模型估计方法1.1LSTM神经网络结构长短期记忆神经网络（Long Short Term Memorynetworks，LSTM）是具有保存信息或遗忘信息功能的循环神经网络，其核心在于细胞状态以及“门”结构，可以有效地避免传统循环神经网络所产生的梯度爆炸和梯度消失问题15-16。在处理锂电池SOC估计的问题中，可以充分利用充放电工况过程中的历史信息，并应用于下一时刻SOC的估计。LSTM通过记忆单元的传递，将上一时刻的信息进行处理并传递给下一时刻的记忆单元，单个记忆单元的结构如图1所示。图1LSTM记忆单元结构图1中每一个记忆单元（Memory Cell）含有3种“门”结构，包括遗忘门（forget gate）、输入门（inputgate）和输出门（output gate）17。在信息传递过程中，首先通过遗忘门经由sigmoid函数决定遗忘信息ft，如公式（1）所示：ft=(Wf ht-1，xt+bf)（1）再通过输入门分别经sigmoid和tanh函数决定储存信息，如公式（2）公式（3）所示：it=(Wi ht-1，xt+bi)（2）Ct=tanh(Wc ht-1，xt+bc)（3）至此，记忆单元之间信息的传递体现在结构图上方的水平线上，被称为细胞状态（cell state），是由t-1时刻的细胞状态Ct-1与遗忘门中的信息逐点相乘再与通过输入门的信息相加得到t时刻的细胞状态Ct，如公式（4）所示：Ct=ft Ct-1+it C（4）最后通过输出门更新细胞隐藏状态ht，计算公式如公式（5）公式（6）所示：ot=(Wo ht-1，xt+bo)（5）ht=ot tanh(Ct)（6）其中，Wf，i，c，o为各阶段的权重，bf，i，c，o为每一项的偏置量。1.2拓展卡尔曼滤波器拓展卡尔曼滤波（Extended Kalman Filtering，EKF）是标准卡尔曼滤波在非线性情况下的拓展形式，是一种典型的滤波方法18-19，可以有效地滤除SOC曲线中含有的噪声。由于神经网络模型的输出为锂电池SOC与时间t的非线性函数关系，所以采用EKF基于泰勒级数展开并忽略高阶项的方法，以实现函数的线性化过程。最后通过求解状态转移矩阵和协方差矩阵对输出值进行滤波，得到一条平滑、稳定的SOC估计曲线。具体的滤波步骤如下：1）初始化前一时刻估计值、估计协方差、实际协方差、卡尔曼增益。2）将 LSTM 输出的 SOC预测值第一位作为滤波器的当前时刻实际值输入。3）计算当前时刻估计值，作为滤波输出，如公式（7）所示。xk=xk-1+Kk-1(xk-xk-1)（7）4）更新卡尔曼增益，如公式（8）所示。Kk=P2k-1P2k-1+P2k-1（8）5）更新下一时刻估计值和实际协方差，如公式（9）所示。Pk=1-Kk Pk-1（9）1.3改进的粒子群优化算法粒子群优化（Improved-Particle Swarm Optimization，IPSO）算法基本原理是通过种群中每个粒子之间的协作和信息共享来寻求最优解20-21。每个粒子可以视为整个搜索空间中的搜索个体，在每一次迭代过程中，不断计算个体最优解和全局最优解。空间中的粒子就以全局最优解的位置为依据对自身的速度和位置进行动态调整。并采用惯性权重随着迭代次数线性递减的方法，加快粒子群算法收敛速度，避免陷入局部最优解。利用IPSO算法对LSTM超参数优化步骤如下：1）初始化相关参数。2）计算粒子当前适应度。H Ht tH Ht tC Ct ttanhtanhC Ct-1t-1H Ht-1t-1X Xt t+tanhtanhftitotCt262023年第8期3）更新运动状态：若未满足终止条件，粒子将更新位置和速度，向全局最优位置移动。粒子的速度和位置需位于允许范围内，若超过则使用边界值代替。同时惯性权重以及学习因子逐渐递减，如公式（10）所示。w=wstart-(wstart-wend)d/maxgen（10）4）最优位置更新：将每个粒子当前适应度与全局最优适应度相比较，实现粒子最优位置和全局最优适应度的迭代寻优。5）当算法达到最大迭代次数或者适应度达到0.02以下时，达到终止条件，认为这一轮迭代中适应度最小的粒子位置为全局最优解。若未达到则返回步骤3继续迭代。1.4改进的LSTM算法本文在LSTM神经网络模型基础上，基于上述理论提出的改进方法如下：通过卡尔曼滤波方法增强估计模型的稳定性，并采用粒子群算法对LSTM超参数进行优化，进一步提高锂电池SOC估计的准确性。整体的改进模型框，如图2所示。图2模型改进框架1）将训练集中数据进行归一化处理，并且将数据格式转换为三维输入到LSTM输入层，通过公式（1）公式（4）得到的结果输入到全连接层中，经过遗忘率为0.5的Dropout层减小神经元之间的过度联系避免过拟合问题，通过公式（5）公式（6）输出的SOC估计值存放在EKF滤波器的输入中。2）将 LSTM 输出的 SOC预测值第一位作为滤波器当前时刻实际值输入X0=SOC 0，由初始化的滤波器参数计算X1按照公式（8）公式（9）计算卡尔曼增益与协方差矩阵并更新下一时刻估计值。3）将建立好的模型进行粒子群寻优：初始化粒子群相关参数，将验证集输出RMSE值作为适应度进行迭代寻优，直到满足条件停止迭代。将输出的最优超参数建立神经网络估计模型。根据测试集绘制锂电池SOC估计曲线，评估模型性能。改进算法的步骤如下：Step1 建立LSTM模型框架，分为输入层、全连接层、Dropout层和输出层。Step2 初始化EKF滤波器协方差、卡尔曼增益。Step3 将LSTM输出值输入EKF滤波器。Step4 计算下一时刻估计值，更新EKF参数。Step5 完成 LSTM-EKF 建立，并设置粒子个数N、最大迭代次数，初始化速度、位置以及惯性权重。Step6 将 粒 子 位 置 带 入 LSTM-EKF 模 型 以RMSE值为适应度进行迭代更新。Step7 满足终止条件后完成神经网络模型的建立。Step8 带入测试集测试模型性能。整体流程图，如图3所示。图3改进LSTM算法流程图2数据采集与模型建立2.1数据采集在电动汽车实际运行过程中，由于路况、环境的复杂多变，要求进行SOC估计时的训练数据尽可能覆盖真实的负载条件。本文中所使用的数据来源于马里兰大学高级生命工程中心（CALCE）数据集22-23。其中包括常温25 下动态压力测试工况（DynamicStress Test，DST）、联邦城市驾驶工况（FederalUrban Driving Schedule，FUDS）和高速公路驾驶工况（US06）的电池数据24-25。所用电池型号为18650磷酸铁锂电池，电池参数如表1所示。表1电池参数电池参数额定容量/mAh额定电压/V充电截止电压/V放电截止电压/V规格20003.64.22.5数据集包含整个充放电过程，电池从SOC为0时开始恒流充电，当充电电压达到截止电压时改为恒压充电以防止过充，当充电电流小于20 mA时视为充满26-27。随后以恒流1 A放电至SOC为80%后开始模拟工况充放电测试。本文主要选取锂电池在25时不同工况放电时的数据进行SOC估计，如图4所示。LSTMEKF滤波器粒子群优化改进LSTM模型锂电池SOC估计MaxMin归一化CALCE 数据集 LSTM模型EKF滤波器将第K代位置输入模型参数初始化设置是否满足终止条件返回第K代适应度最优估计模型Y粒子位置迭代更新N潘思源，等：基于改进LSTM算法的锂电池SOC估计27计算机与现代化2023年第8期由图4可以看出DST工况下的电流变化较为平稳，基本由不同长度、振幅的电流阶跃组成。因此，实验中以电压、电流为输入变量，SOC为输出变量构建数据集。选取 DST 工况数据作为训练集，US06 和FUDS工况数据作为测试集测。2.2数据预处理由于工况数据中各个输入变量的数量级相差很大，为了消除量纲的影响，且保留原有的数据结构，需要对数据进行MaxMin归一化处理，如公式（11）所示：x=x-xminxmax-xmin（11）得到输出结果后，需进行反归一化过程，使输出值具有实际意义。2.3评价指标在实验过程中，采取均方根误差（RMSE）和平均绝对误差（MAE）来评判神经网络的性能。其中，均方误差反映了模型的拟合程度；平均绝对误差反映了模型估计的准确性。RMSE和MAE的计算公式，如公式（12）和公式（13）所示：RMSE=1Nk=1N(socreal-socpre)2（12）MAE=1Nk=1N|socreal-socpre（13）式中，N为时间序列数据的长度，SOCreal为 SOC的实际值，SOCpre为SOC的估计值。2.4建立模型依据前文理论，本文在提高算法稳定性与准确性2个方面对LSTM模型进行改进，具体改进如下：1）在 LSTM估计模型输出后添加拓展卡尔曼滤波器，对 LSTM 输出的 SOC 估计值进行滤波。结合EKF起到滤除输出噪声、平滑SOC估计曲线的作用。2）按照8:2的比例将DST工况数据集划分为训练集和验证集，验证集用于粒子群算法进行超参数寻优。3）以 RMSE 值为适应度，采用粒子群算法对LSTM超参数（隐藏层神经元个数、学习步长、批次大小和学习率）进行优化，可以有效提高估计模型的准确度。4）用得到的最佳参数。完成神经网络模型建模。3实验结果与分析本文神经网络模型基于Windows 10系统，编程语言为Python3.7在TensorFlow框架下搭建完成。LSTM模型设置输入层神经元个数为2个；全连接层神经元个数为256个；输出层神经元个数为1个。特征输入为25 下DST工况电流和电压，输出值为工况过程中的SOC值。以FUDS工况数据为测试集，再添加EKF之前的预测效果，如图5所示。图5EKF处理前估计曲线可以看到，虽然LSTM估计的SOC大体趋势与真实值相似，但预测值存在大量噪声。并且在实验过程图4DST（上）、FUDS（中）、US06（下）工况DSTFUDSUS06（a）电流（b）电压（c）SOC 282023年第8期中发现LSTM模型拟合训练集时存在随机性的问题，不利于粒子群的寻优过程，因此在LSTM输出的基础上添加了拓展卡尔曼滤波器，效果如图6所示。图6EKF处理后估计曲线可以看到，SOC预测值的大量噪声被滤除，曲线也变得平滑，但估计精度依然不足。这是由于LSTM超参数选取所导致，因此将上述模型进行粒子群寻优，包括：隐藏层神经元个数（units）、学习率（lr）、训练步长（epoch）和训练批量（batch size），以 RMSE为适应度，寻找最优的超参数组合。设置种群数量为3、最大迭代次数为 5 次，惯性权重的变化范围为w0，4，12，为防止搜索空间和粒子速度过大导致陷入局部最优的问题，限制粒子搜索范围为：batch_size100，1000、units 100，400，epoch 50，500，lr 0.003，0.3。对应 4 个变量的最大速度限制为 Vmax 10，10，50，0.001，粒子寻优过程如图7所示：图7粒子群寻优过程由图7可见，在5次迭代后1、3号粒子的适应度小于0.02，2号粒子在3次迭代时适应度已经达到最低，但由于1号粒子适应度具有偏差，所以此时可能处于局部最优，所以继续迭代。在第5次迭代时，达到最大迭代次数，2、3 号粒子适应度均处于 0.02 以下，可认为此时为全局最优解。最佳超参数组合为：units=128，epoch=300，batch_size=800，lr=0.03。通过训练建立改进LSTM神经网络模型，下面将FUDS工况作为测试集带入该模型，并与普通 LSTM模型进行对比，验证改进模型的准确性和稳定性。SOC的整体预测结果，如图8所示。与改进前LSTM算法对比局部图，如图9所示。估计误差曲线如图10所示，可以看到基本误差在2%之间波动，说明改进后的LSTM模型有更高的估计精度。图8改进LSTM估计曲线图9改进前后估计曲线对比放大图图10改进LSTM估计误差曲线FUDS工况下SOC预测的评价指标，如表2所示。表2改进前后评价指标对比LSTM改进前改进后RMSE0.0390.017MAE0.0580.024估计速度/（ms/step）1315由局部放大图9和表2中评价指标可以看出，经过改进后的LSTM预测曲线变得更加稳定且平滑，在精确度方面较改进前的RMSE提高了56.4%，MAE提高了58.6%，虽然计算速度降低了15.4%但依旧满足实时SOC估计的需求。为验证改进方案的泛化能力，并进一步说明相较于其他算法的准确性。通过 US06工况的充放电数据，与神经网络算法BiLSTM、GRU、CNN-LSTM，集成学习算法CatBoost进行对比实验结果，如图11所示。局部放大图，如图12所示。以RMSE、MAE为评价指标的分析结果如表3所示。由结果可见，在估计精度方面，改进的 LSTM 算法较 GRU、BiLSTM、CNN-LSTM、CatBoost算法均有显著提升，均方根误差分别下降了/潘思源，等：基于改进LSTM算法的锂电池SOC估计29计算机与现代化2023年第8期50.2%、35.7%、65.5%、82.5%，证明比较其他算法，改进LSTM算法得到的估计曲线整体具有更好的精度。最大绝对误差分别下降了 61.6%、17.9%、76.7%、43.2%，证明改进 LSTM 算法具有最小的估计误差。进一步说明了本文改进算法的有效性。4结束语为了提高锂电池SOC估计的稳定性和准确性，本文提出一种基于神经网络模型 LSTM 的改进方法。主要通过拓展卡尔曼滤波器滤除SOC估计曲线的噪声以增加稳定性，并利用IPSO算法对LSTM超参数设置进行优化，以最优参数建立模型。最后运用CLACE 锂电池中 DST 工况数据集训练模型，并以FUDS、US06工况数据集进行验证。结果表明，相较于其他算法，本文提出的改进方案有效地提高了模型估计精度，增强了SOC估计曲线的稳定性和泛化能力。参考文献：1 周忠凯.锂离子动力电池多状态估计及退役分选方法研究 D.济南:山东大学，2020.2 许卓，李希超，贾隆舟，等.过充循环对锂离子电池容量衰减及安全性影响 J.储能科学与技术，2022，11（12）:3978-3986.3 姜研.梯次利用锂离子电池组全生命周期状态评估技术研究 D.北京:北京交通大学，2020.4程琳瑞，叶芯榕，程桂石，等.锂电池SOC算法的研究进展 J.蓄电池，2021，58（5）:230-233.5 HE W，WILLIARD N，CHEN C C，et al.State of chargeestimation for Li-ion batteries using neural network modeling and unscented Kalman filter-based error cancellationJ.International Journal of Electrical Power&Energy Systems，2014，62:783-791.6 DENG M，MIN Q，YANG G，et al.Kalman filter estimation of lithium battery SOC based on model capacity updating J.Energy Engineering，2022，119（2）:739-754.7ZHENG F D，XING Y J，JIANG J C，et al.Influence ofdifferent open circuit voltage tests on state of charge onlineestimation for lithium-ion batteriesJ.Applied Energy，2016，183:513-525.8 巫春玲，程琰清，徐先峰，等.基于蒙特卡洛和SH-AUKF算法的锂电池 SOC 估计 J.电气工程学报，2022，17（3）:66-75.9 于智龙，李龙军，韦康.考虑老化的修正EKF算法估计锂电池SOC J.哈尔滨理工大学学报，2022，27（4）:125-132.10李泓沛，刘桂雄，邓威.基于LSTM+UKF融合的动力锂电池SOC估算方法 J.中国测试，2022，48（8）:22-28.11 贾先屹，王顺利，曹文，等.基于二阶 RC 等效和 SR-DUKF 的锂电池 SOC 估算研究 J/OL.电源学报:1-9（2022-06-20）2022-10-16.https:/ 朱元富，贺文武，李建兴，等.基于Bi-LSTM/Bi-GRU循环神经网络的锂电池 SOC 估计 J.储能科学与技术，2021，10（3）:1163-1176.13 郭天滋.基于 CNN-LSTM 网络的锂动力电池 SOC估计D.杭州:杭州电子科技大学，2021.14 张帅涛，蒋品群，宋树祥，夏海英.基于注意力机制和CNN-LSTM融合模型的锂电池SOC预测 J/OL.电源学报:1-15（2022-02-23）2022-10-16.https:/ 高博洋，刘广忱，张建伟，等.无迹卡尔曼滤波法估计锂离子电池的SOC J.电池，2021，51（3）:270-274.16 李超然，肖飞，樊亚翔，等.基于深度学习的锂离子电池SOC和SOH联合估算 J.中国电机工程学报，2021，41（2）:681-692.17 王海钰.基于IPSO-EKF融合算法的SOC估算研究 D.镇江:江苏大学，2021.18寇发荣，王甜甜，王思俊，等.基于参数分层辨识的RMA-UKF算法SOC估计 J.电池，2021，51（6）:553-557.19 XIONG R，WANG J，SHEN W X，et al.Estimation ofstate of charge and capacity for lithium-Ion batteries withmulti stage model fusion method J.Engineering，2021，7（10）:1469-1482.20 吴笑民.基于 IPSO-RLS 优化 RBF 神经网络动力电池SOC估算研究 D.武汉:湖北工业大学，2015.21 牛鑫强，田晶京，赵峰，等.不同环境温度下的锂离子电池SOC估计 J.电池，2021，51（4）:342-345.22肖斌.锂离子动力电池状态快速估计与检测研究 D.广州:华南理工大学，2020.23王义，刘欣，高德欣.基于BiLSTM神经网络的锂电池SOH估计与RUL预测 J.电子测量技术，2021，44（20）:1-5.24 谈发明，赵俊杰，李秋烨.基于简化滞回OCV模型的锂电池 SOC 自适应估计策略 J.中国电机工程学报，2021，41（2）:703-715.25 马梓程.基于贝叶斯优化的LSTM模型在动力电池SoC估算中的应用 D.镇江:江苏大学，2020.26 吴祎，王友仁.基于变分模态分解和高斯过程回归的锂离子电池剩余寿命预测方法 J.计算机与现代化，2020（2）:83-88.27 王萍，范凌峰，程泽.基于健康特征参数的锂离子电池SOH 和 RUL 联合估计方法 J.中国电机工程学报，2022，42（4）:1523-1534.图11各类算法对比图图12各类算法对比放大图表3各类算法评价指标算法GRUBiLSTMCNN-LSTMCatBoost改进LSTMRMSE0.02570.02320.02830.03720.0171MAE0.03960.02890.04330.03510.024530