融合自注意力机制与门控循环...宽工况锂离子电池SOC估计_管鸿盛.pdf

第 12 卷 第 7 期2023 年 7 月Vol.12 No.7Jul.2023储能科学与技术Energy Storage Science and Technology融合自注意力机制与门控循环单元网络的宽工况锂离子电池SOC估计管鸿盛，钱诚，徐炳辉，孙博，任羿（北京航空航天大学可靠性与系统工程学院，北京 100191）摘要：准确估计宽工况条件下的锂离子电池荷电状态(SOC)对于电动汽车的运行安全性和可靠性至关重要，是电池管理系统最重要的任务之一。本工作充分利用门控循环单元(GRU)神经网络短时处理能力与注意力机制(SAM)长时序特征提取能力，提出了一种融合SAM与GRU的神经网络模型学习锂离子电池可测参数(电压、电流)与其SOC的非线性映射关系，实现了高精度的SOC估计，从而解决锂离子电池SOC的长序列相关特征难以有效表征问题。通过北京公交动态应力测试(BBDST)数据的验证表明，与传统GRU网络相比，本文提出的SAM-GRU神经网络模型对于不同放电倍率、环境温度以及放电倍率-环境温度混合工况下工作的锂离子电池均取得了更准确的SOC估计，估计精度提升分别不小于26%、25%和11%。关键词：锂离子电池；荷电状态；自注意力机制；门控循环单元神经网络doi：10.19799/ki.2095-4239.2023.0292 中图分类号：TM 912 文献标志码：A 文章编号：2095-4239（2023）07-2229-09SAM-GRU-based fusion neural network for SOC estimation in lithium-ion batteries under a wide range of operating conditionsGUAN Hongsheng,QIAN Cheng,XU Binghui,SUN Bo,REN Yi(School of Reliability and Systems Engineering,Beihang University,Beijing 100191,China)Abstract:Accurate estimation of the state of charge(SOC)of lithium-ion batteries under a wide range of operating conditions is crucial for ensuring the operational safety and reliability of electric vehicles;therefore,estimating SOC is one of the most important tasks of battery management systems.In this study,a fusion neural network model combining Self-Attention Mechanism(SAM)and Gated Recurrent Unit(GRU)is proposed to capture the long-term nonlinear mapping relationship between the measurable parameters(voltage and current)and SOC of lithium-ion batteries.This SAM-GRU neural network model makes full use of the short-time processing capability of GRU and the long-time sequence feature-extraction capability of SAM.Additionally,this model simplifies the effective characterization of the long-sequence-related features of SOC.Based on the results of the Beijing Bus Dynamic Stress Test,the proposed SAM-GRU neural network model yields more accurate SOC estimates than the traditional GRU neural network under different discharge rates,environmental temperatures,储能锂离子电池系统关键技术专刊收稿日期：2023-04-28；修改稿日期：2023-05-23。基金项目：国家自然科学基金项目（52075028）。第一作者：管鸿盛（1997），男，硕士研究生，研究方向为锂离子电池状态估计，E-mail：；通讯作者：钱诚，副研究员，研究方向为锂离子电池可靠性，Email：。引用本文：管鸿盛,钱诚,徐炳辉,等.融合自注意力机制与门控循环单元网络的宽工况锂离子电池SOC估计J.储能科学与技术,2023,12(7):2229-2237.Citation：GUAN Hongsheng,QIAN Cheng,XU Binghui,et al.SAM-GRU-based fusion neural network for SOC estimation in lithium-ion batteries under a wide range of operating conditionsJ.Energy Storage Science and Technology,2023,12(7):2229-2237.2023 年第 12 卷储能科学与技术and combinations of both.Specifically,the improvements in accuracy are no less than 26%,25%,and 11%,respectively.Keywords:lithium-ion battery;state of charge;self-attentive mechanism;gated recurrent unit neural network近年来，电池技术的蓬勃发展推动着电动汽车行业迅速崛起。锂离子电池因其充电快、电压高、能量密度高、寿命长等优点，已经成为电动汽车的主要能量来源1。电池管理系统(battery management system，BMS)主要承担电动汽车动力电池智能化管理与维护的任务，其稳定运行极度依赖电池工作状态的监测精度2。锂离子电池荷电状态(state of charge，SOC)被定义为电池剩余容量和总容量的比值，用于反映电动汽车的剩余里程，因此是BMS中最重要的参数之一3。准确的SOC估计可以防止过度充电和放电，延长电池的使用寿命，是电动汽车安全、有效行驶的前提4。然而，SOC无法通过传感器直接测量，只能基于电压、电流等可测参数间接估计。而这些参数会受到电池老化、环境温度变化及汽车行驶状态等多种不确定因素的影响，因此准确的SOC估计已成为电动汽车发展中急需解决的问题。深度学习方法能够在不需要电池工作原理知识或复杂数学模型的前提下自动学习可测量参数与SOC之间的非线性关系，逐渐在锂离子电池SOC估计领域得到越来越多的应用5-6。基于深度学习的SOC估计方法主要包括前馈神经网络(feedforward neural network，FNN)、卷积神经网络(convolutional neural network，CNN)、循环神经网络(recurrent neural network，RNN)等。例如，Zhang等7提出了一系列基于Levenberg-Marquardt算法的FNN智能SOC估计方法，在四个典型的驾驶循环数据上实现了高精度SOC估计。How等8开发了具有不同隐藏层数量的FNN模型用于SOC估计，并全面分析了隐藏层数量对估计精度的影响。Hannan等9提出了一种具有学习率优化策略的CNN方法，在变化温度下实现了SOC准确估计。Liu等10提出了一种基于CNN的SOC估计方法，实现了不同估计条件下的准确估计。Chen等11提出一种具有扩展输入和约束输出的RNN网络模型，有效缓解了RNN神经网络SOC输出波动性大的问题。Tian等12提出了一种基于CNN和RNN的融合神经网络SOC估计方法用于充电过程 SOC 的准确估计。与经典FNN和CNN相比，RNN及其变体长短期记忆(long short-term memory，LSTM)神经网络和门控循环单元(gated recurrent unit，GRU)神经网络具有时序记忆能力，能够较好地处理时间递归问题。相比LSTM，GRU具有结构简单和计算复杂度低等优势，在锂离子电池SOC估计中可以取得较为理想的效果。例如，Yang等13提出了基于GRU的SOC估计方法，并在两种电池的动态工况数据上验证了方法的有效性。Hannan等14提出了基于双层GRU模型的SOC估计方法，并在公开数据集上验证了其估计精度优于常规的 FNN 和 CNN 方法。朱元富等15提出了基于双向LSTM/GRU的锂离子电池SOC估计方法，在不同温度条件下实现了SOC的准确估计。然而，上述方法在超长序列特征提取方面仍存在一定局限。随着时间的不断延长，GRU难以捕捉到序列的长期相关性，并出现梯度消失问题，从而限制SOC估计性能。Vaswani等16在开发Transformer模型时，首次提出了自注意力机制(self-attention mechanism，SAM)模型。它是一种通过计算相关矩阵来捕捉远距离依赖的注意力操作。SAM直接计算输入序列的自相关性，具有提取长时序相关特征的优点，能够弥补GRU在捕捉序列长期相关性方面的缺陷。因此，针对宽工况条件下锂离子电池SOC的长序列相关特征难以有效表征这一问题，本工作将GRU短时处理能力与SAM长时序特征提取能力相结合，并通过建立锂离子电池电压、电流与SOC的非线性映射关系开展的SOC估计研究。本工作剩余部分的组织如下：第1节说明了融合SAM和GRU 的神经网络模型(SAM-GRU 模型)结构以及SOC估计流程；第2节介绍了用于SAM-GRU模型验证的锂离子电池试验方案和试验装置，并对收集的数据进行了简要分析；第3节在一定范围内放电倍率、环境温度以及放电倍率-环境温度混合工况下分别进行了案例验证，并对 SAM-GRU 模型和GRU 模型的 SOC 估计结果进行了比较；最后，2230第 7 期管鸿盛等：融合自注意力机制与门控循环单元网络的宽工况锂离子电池SOC估计第4节介绍了本工作得出的主要结论。1 SOC估计建模1.1自注意力机制自注意力机制(SAM)通过计算注意力分数表征数据与序列中其他数据的相关关系，可以有效捕获序列的自相关特征，结构如图1所示。SAM的数学表达式如式(1)所示。首先将输入向量X编码为三个新的向量，即查询(Q)、键(K)和值(V)。然后使用softmax函数计算查询向量和建向量的相似性，即注意力得分。最后将注意力得分向量与值向量相乘得到SAM的输出。|Q=X WqK=X WkV=X WvAttention()X=softmax()Q KTdK V(1)式中，X是锂离子电池电压、电流经过线性变换得到的多维向量，将其作为SAM的输入；Wq、Wk和Wv是权重；Q、K和V分别是查询、键和值；dK是键K的维数。softmax(P)函数计算公式如式(2)所示：|softmax=()P1，()P2，()Pl()Pi=exp()pit=1lexp()pt(2)式中，P=p1，p2，pl是softmax函数的输入向量。根据上述公式，可以看出SAM的输出是通过对比输入序列中的所有位置来计算的。而在锂离子电池实际使用过程中，用于SOC估计的输入序列时间跨