基于TCN编码的锂离子电池SOH估计方法_周航.pdf

第 50 卷 第 4 期2 0 2 3 年 4 月Vol.50，No.4Apr.2 0 2 3湖 南 大 学 学 报（自 然 科 学 版）Journal of Hunan University（Natural Sciences）基于TCN编码的锂离子电池SOH估计方法周航 1，程泽 2，弓清瑞 2，刘旭 2（1.天津大学建筑设计规划研究总院有限公司，天津 300073；2.天津大学 电气自动化与信息工程学院，天津 300072）摘 要：为了能够准确可靠地估计锂离子电池的健康状态（State of Health，SOH），提出一种基于时序卷积网络（Temporal Convolutional Network，TCN）的数据驱动模型来建立电池充电曲线与SOH之间的映射关系.TCN是一种由多层因果卷积组成的神经网络，它能够对电池充电曲线上的采样点序列进行编码，通过编码得到的编码向量会更易于与SOH建立映射关系.实验结果表明所提基于TCN的SOH估计模型具有较高的估计精度，对不同种类的电池也有良好的适应能力.关键词：锂离子电池；充电曲线；健康状态；时序卷积网络；神经网络中图分类号：TM912.1 文献标志码：ASOH Estimation Method of Lithium-ion Battery Based on TCN EncodingZHOU Hang1，CHENG Ze2，GONG Qingrui2，LIU Xu2（1.Tianjin University Research Institute of Architectural Design and Urban Planning Co.，Ltd，Tianjin 300073，China；2.School of Electrical and Information Engineering，Tianjin University，Tianjin 300072，China）Abstract：The state of health（SOH）of a lithium-ion battery reflects the aging degree of Lithium-ion the battery.When the battery is charged in constant current-constant voltage mode，the charging curves with different aging degrees are also different.Based on this fact，this paper proposes a data-driven model based on a temporal convolutional network（TCN）to establish the mapping relationship between the charging curve and SOH.TCN is a novel neural network composed of multi-layer causal convolution，which can encode the sequence of sampling points on the charging curve.The experiment proves that the encoding vector is easier to establish the mapping relationship with SOH.The experimental results show that the proposed SOH estimation model has high estimation accuracy andgood adaptability to different types of batteries.Key words：lithium-ion batteries；charge curves；state of health（SOH）；temporal convolutional network（TCN）；neural networks锂离子电池是一种较为清洁的储能装置，有体积小、成本低、能量密度高、循环寿命长等优点，在民用电子、电动汽车、建筑电气等领域都有着广泛应用1.电池的健康状态（State of Health，SOH）直接反 收稿日期：2022-08-13基金项目：国家自然科学基金资助项目（61873180），National Natural Science Foundation of China（61873180）作者简介：周航（1984），男，天津人，天津大学建筑设计规划研究总院有限公司高级工程师 通信联系人，E-mail：文章编号：1674-2974（2023）04-0185-08DOI：10.16339/ki.hdxbzkb.2023228湖南大学学报（自然科学版）2023 年映了电池的老化程度 2，是电池使用过程中风险预警和维护所需要的重要参数，对保证电池长期稳定运行有着重要指导意义.电池的老化是一个复杂的电化学过程，电池的SOH会随着循环次数的增加发生非线性变化.并且SOH不能通过传感器直接测得，只能利用电池的外部可测变量进行估算3.目前，SOH的估计方法主要有直接测量法、基于模型的方法与数据驱动方法.直接测量法是通过测量与电池老化状态直接相关的参数如电池的容量、内阻等，以此来实现对电池SOH的评估.这类方法是一种离线的方法，对传感器精度要求较高，同时有耗时长或准确度差的缺点，在实际应用中十分受限.基于模型的方法中的模型根据建模原理可以分为电化学模型、等效电路模型和经验衰退模型.电化学模型是使用一系列偏微分方程来描述电池的老化机理，如基于多孔电极理论搭建的准二维多孔电极模型4.这类模型结构复杂，计算量较大，难以应用到SOH的在线估计当中.等效电路模型是使用电压源、电阻、电容等电路元件对电池的工作状态进行模拟，如RC等效电路模型.这类模型物理含义较为明确，有结构简单和计算量小的优点，通过与滤波算法相结合可以实现对电池SOH的在线估计.但是在复杂的运行工况下，获得模型参数的准确辨识值较为困难，从而导致该方法的可靠性和准确度受限.经验衰退模型是使用简单的函数来描述电池SOH的衰退过程，如双指数经验模型5.这类模型有着更为简单的结构和更小的计算量，但是对复杂的运行工况适应性较差，难以刻画电池的容量增生现象，准确度也较低.数据驱动方法不需要分析电池内部复杂的电化学机理，而是提取与电池老化密切相关的外部健康特征（Health Factor，HF）6-7，并通过机器学习算法建立HF与SOH之间的映射关系.数据驱动方法的关键步骤是HF的提取和机器学习算法的选择.根据所用机器学习算法的不同可以将数据驱动方法分为传统机器学习方法和深度学习方法两类.传统机器学习方法包括支持向量机8、高斯过程回归9等方法，这类方法对非线性关系的映射能力有限，因此在建立电池的SOH估计模型时，需要尽可能提取与电池老化程度相关性较高的HF.这类方法有着较为简单的算法结构，有训练速度快、计算量小的优势，但是这类方法适用性较差，一些HF的准确获取并不是那么容易，电池的运行工况往往并不满足HF的提取要求.深度学习方法10有很强的学习适应能力，在建立SOH估计模型时，可以适当放宽对电池HF的要求，如可以直接使用充放电曲线上的采样点作为HF.这类方法在一定程度上能够突破人脑的思维局限，与人工提取HF相比，能够避免有效信息的忽略.此外，电池的HF往往需要专业人员进行设计，而这类方法可以省去这一步骤.同时，简单直接的输入形式也使得深度学习方法在不同电池之间的通用能力更强.但是这类方法的模型结构较为复杂，会带来较大的计算量.近年来，在硬件设备高速发展的推动下，这一问题也将得到有效解决.由上述介绍可知，深度学习方法在锂离子电池SOH估计领域中表现出了很好的应用潜力.本文通过将一些新颖高效的深度学习方法本土化，提出一种基于时序卷积网络（Temporal Convolutional Network，TCN）11的数据驱动模型来建立电池充电电压曲线与SOH的映射关系.TCN是一种由多层因果卷积组成的神经网络，它能够对电压曲线上的采样点序列进行编码，实验证明通过编码得到的编码向量会更易于与SOH建立映射关系.本文在牛津电池数据集和 NASA电池数据集上进行了实验，实验结果表明：所提基于TCN的SOH估计模型具有较高的估计精度，对不同种类的电池也有良好的适应能力.1 SOH估计模型随着电池循环次数的增加，其老化程度会逐渐加剧，可用容量也会逐渐降低.因此，电池的SOH常从容量的角度进行定义，计算公式为：SOH=CnowCnorm 100%（1）式中：Cnow和Cnorm分别表示电池当前循环下的最大容量和出厂时的额定容量.此外，当使用恒流-恒压模式对电池进行充电时，电池的充电曲线也会随着老化而发生变化.基于这一事实，本文提出一种基于 TCN 的 SOH 估计模型，该模型能够利用TCN的时序特性实现对充电曲线上采样点序列的编码，进而建立充电曲线与电池SOH之间的可靠映射.本节主要对 TCN 的基本结构以及 SOH 估计模型的搭建进行介绍.1.1 时序卷积神经网络1.1.1 因果卷积因果卷积与普通卷积的计算过程类似，它们的186第 4 期周航等：基于TCN编码的锂离子电池SOH估计方法输出均是由卷积窗内数据与卷积核权重进行点乘后再相加得到的.卷积的计算过程如图1所示.图中输入序列的长度为4，卷积核大小设置为2，移动步长设置为1，零填充设置为1.在使用普通卷积对该输入序列进行处理后，可以得到一个长度为5的输出序列.可以看到输出序列的时序与输入序列并不是一一对应的.在使用因果卷积对该输入序列进行处理时，计算过程并不包括图1中虚线框内的部分，而是会输出一个长度为4的序列.可以看到因果卷积每一个时刻的输出值仅与该时刻及其之前时刻的输入值有关，并不会利用该时刻之后的输入信息.为了更加直观地展示因果卷积的特性，图 2展示了经过3次因果卷积计算的过程，可以看到随着卷积层的增加，卷积神经网络对应的感受野会逐渐增加，会与更加前面时刻的输入信息产生联系，但是始终保持着因果的特性.1.1.2 膨胀因果卷积通过增加因果卷积的层数，可以使神经网络模型具有更广的感受野.但是，随着卷积层数的增加，神经网络模型的复杂度也会显著增加，给模型的训练和计算带来很大的负担.为了能够在有限的卷积层数下尽可能地增加神经网络模型的感受野，本文使用膨胀因果卷积来处理序列数据，其计算过程如图3所示.从图3中可以看到相较于图2中的因果卷积，膨胀因果卷积可以有效地提高神经网络模型的感受野的增长效率.在图3中，卷积核大小均设置为2，卷积的移动步长均设置为1，设置卷积膨胀系数D与卷积层数n之间满足式（2）所示的函数关系.按照上述膨胀因果卷积的设置参数，神经网络模型的感受野（Receptive Filed，RF）与卷积层数n之间则会满足如式（3）所示的函数关系.在经过6层膨胀因果卷积计算后，神经网络模型的感受野达到了64，此时神经网络在第64个时刻输出信息包含了输入序列的全部信息，相当于对输入序列数据的信息进行了编码，称该时刻的输出为编码向量.D(n)=2n-1（2）RF(n)=2n（3）1.2 基于TCN的SOH估计模型本文建立了一种基于 TCN 的 SOH 估计模型.TCN是一种由多层因果卷积组成的神经网络，由1.1节可知，它可以对序列数据进行编码来得到编码向量，这一功能可以用来处理电池充电曲线上的采样点序列数据.在后续的实验中会证明相较于原始的电压采样点序列，编码向量会更易于与SOH建立映射关系.SOH估计模型的详细结构如图4所示，它的输入为充电曲线上的64个电压采样点，输出为当前循环下SOH的估计值.该模型主要由TCN网络和全连接层两部分组成，其中TCN网络由6个卷积模块组成，每个卷积模块