基于數據預處理和集成機器學習的鋰離子電池剩余使用壽命預測

羅 杰, 王海瑞, 朱貴富

1.昆明理工大學 信息工程與自動化學院, 云南 昆明 650504;2.昆明理工大學 信息化建設管理中心, 云南 昆明 650504

“碳中和、碳峰值”已成為全球共識,電池儲能系統迅速發展。鋰離子電池作為一種清潔能源具有循環壽命長,充電速度快,環保低碳等優點,被廣泛應用于電力系統領域、儲能領域等。而鋰離子電池在工作過程中內部反應復雜多變,當電池的剩余使用壽命(Remaining Useful Life,RUL)達到失效閾值時,若繼續使用可能會引發安全事故。如三星Note7電池爆炸、中國南方航空公司CZ3539航班乘客使用鋰離子電池移動電源起火,以及特斯拉發生的起火事件等。鋰離子電池的老化是導致這些鋰離子電池出現故障的原因之一[1-2]。因此,準確的預測鋰離子電池剩余使用壽命,并且及時進行維護管理對于減少經濟損失和避免安全事故發生具有重要的意義[3-5]。

近年來,鋰離子電池剩余使用壽命預測方法主要可以分為基于模型方法和基于數據驅動方法[6-7]?；谀Ｐ偷姆椒ㄖ饕ㄟ^構造電池內部的動態結構,結合算法實現RUL預測。陳劍等[8]提出一種混合濾波算法(EKF-SVSF)在線實時估計電池容量。GAO Yizhao等[9]提出基于增強型降解電化學模型和雙非線性濾波器的鋰離子電池SOH估算方法,該方法在實驗過程中充分考慮到鋰離子活性材料退化、內阻增加等本身退化因素,不足之處是未考慮溫度影響。這類方法容易受到環境因干擾,魯棒性差?；跀祿寗臃椒ú恍枰治鲭姵貎炔康膹碗s結構,通過提取電池相關的健康特征,利用機器學習算法建立預測模型,具有較高的靈活性和適用性。但預測精度容易受到數據質量的影響,例如電池容量的局部再生現象會對預測結果產生干擾。于是,ZHOU Yapeng等[10]將鋰離子電池數據用經驗模態分解(Empirical Mode Decomposition,EMD)算法分解為模態分量和殘差序列后用差分自回歸移動平均(Autoregressive Integrated Moving Average,ARIMA)模型建模分析從而預測剩余壽命。但傳統的EMD算法存在模態混疊問題,針對于此問題,史永勝等[11]提出了一種基于自適應噪聲完全集成的經驗模態分解(Complete Ensemble Empiri-cal Mode Decomposition with Adaptive Noise,CEEMDAN)算法,將鋰離子電池容量劃分為主退化趨勢和多個局部退化趨勢兩個部分,然后用長短期記憶網絡(Long Short-Term Memory,LSTM)模型分別對分量建模預測,最后對預測結果集成。黃凱等[12]在數據預處理上通過自適應雙指數模型平滑方法(Adaptive Bi-exponential Model Smooth,ABMS)解決容量再生問題,然后通過CEEMDAN分解處理數據。上述研究中僅使用單一的預測模型,泛化性能不足。于是,胡天中等[13]提出一種多尺度深度神經網絡預測模型,劉征宇等[14]提出了一種將經驗模態分解與門控循環單元(Gated Recurrent Unit,GRU)模型和差分自回歸移動平均模型(ARIMA)相融合的鋰離子電池壽命預測方法,具有良好的預測精度和穩定性,ZHOU Danhua等[15]提出基于時域卷積網絡(Temporal Convolutional Network,TCN)的鋰離子電池壽命預測,與傳統的循環神經網絡(RNN)模型相比,該網絡結構具有捕捉局部再生現象的能力。劉麗等[16]提出一種將TCN與多頭注意力機制(Multi-Head Attention,MHA)融合的剩余壽命預測方法,突出重要信息,通過加權特征提高預測能力。

因此,結合上述的優勢,本論文提出了一種將CEEMDAN、TCN-MHA、ARIMA模型相結合的方法進行鋰離子電池剩余使用壽命預測。利用CEEMDAN將鋰離子電池容量信號分解為波動數據和主趨勢兩部分,解決容量再生干擾問題,結合TCN-MHA和ARIMA的模型特點,分別對波動數據和主趨勢構建預測模型,最后將預測結果集成。通過NASA鋰離子電池的四組實驗數據對該方法進行分析驗證。

1 預測模型及方法

1.1 自適應噪聲完全集成的經驗模態分解(CEEMDAN)算法

CEEMDAN算法是一種改進的EEMD算法,它結合了自適應噪聲的處理,將非線性或非平穩信號分解成一組本征模態函數(EMD),引入參考噪聲和自適應噪聲,提高了信噪比和分解的準確性,并將噪聲與信號分離解決噪聲污染問題。CEEMDAN算法具有較好的時頻局部化特性和自適應噪聲處理、模態數確定、無模態混疊等優點。具體實現步驟如下:

(1)

2) 計算鋰離子電池分解的第一個唯一的余量信號:

(2)

3)Ek表示經過EMD處理后得到第k個模態分量,進行i次實驗,每次實驗中,對信號R1(t)+ε1E1(ω(i)(t))進行分解,得到第2個模態分量以及第二個余量信號:

(3)

(4)

4) 對于k(k=3,4,5,…,K)階段,重復步驟3)計算方法,通過EMD算法對信號分解,計算第k+1個模態分量:

(5)

5) 當余量序列極值點數小于或等于兩個,分解終止,最終信號被分解為

(6)

1.2 時間卷積網絡(TCN)

圖1 TCN擴張因果卷積結構

本章節所提出時域卷積網絡(TCN)就是融合循環神經網絡(RNN)和卷積神經網絡(CNN)優點于一體的網絡模型。采用1-D FCN的結構,便于分析數據時序的特征[16]。該結構由擴張因果卷積和殘差連接組組成,如圖1所示。

擴張因果卷積中的因果卷積具有特殊的堆疊結構,擁有強大的時序序列處理能力,在處理時序數據時,任意時刻的輸出僅由當前時刻及之前的輸入所決定,沒有未來的數據進行參與計算,前后數據保持因果特性,整體網絡結構具有單一性。

擴張因果卷積中的擴張卷積又名空洞卷積,如圖1所示為3層擴張因果卷積層組成,卷積核大小K為2,擴張因子D為1、2、4。擴張因子在標準的卷積特征圖中注入了指定尺寸的空洞允許卷積核對信息進行間隔采樣。通過增加擴張卷積的深度,獲得更大的感受野[17],接受更多的時序詳細信息。最后,TCN引入殘差機制,使網絡跨層傳遞信息,解決網絡層數過多而造成的梯度消失與梯度下降的問題。

1.3 ARIMA預測殘差

ARIMA模型又稱差分自回歸移動平均模型,是一類在時間序列數據中捕獲一組不同標準時間結構的模型,非季節性模型可表示為ARIMA(p,d,q),p、d、q分別為模型的階數。ARIMA模型包含移動平均模型(MA)、自回歸模型(AR)、自回歸移動平均模型(ARMA)三種形式。本模型在針對非線性平穩時間序列有良好預測方法,本文用于對鋰離子電池分解后的平滑殘差信號建模。建模思想如下:

1) 平穩化處理。判斷分解后的鋰離子電池殘差信號是否平穩,如果數據不是平穩的,需要進行進行差分運算d次。

2) 模型識別。通過分析自相關函數(ACF)和偏自相關函數(PACF)為目標序列定階。

3) 參數估計。通過觀察赤池信息準則(AIC)和貝葉斯信息準則(BIC)的大小來選擇已識別出的ARIMA模型的最佳階數。公式如下:

AIC=-2lnA+2d,

(7)

BIC=-2lnA+dlnT,

(8)

其中,A是時間序列的似然函數,d是估計參數的數量,T為鋰離子電池分解后的殘差長度。

4) 殘差檢驗。用訓練好的模型對鋰離子電池分解后的殘差信號進行白噪聲檢驗,若經過檢驗顯示殘差為白噪聲,說明模型對數據的信息提取比較充分。

1.4 鋰離子電池RUL預測方法框架

本文采取鋰離子電池容量作為健康因子,針對于鋰離子電池出現的容量再生、噪聲干擾現象進行數據預處理后,分析數據特征,根據不同模型優勢建模預測,提高鋰離子電池剩余壽命預測精度。鋰離子電池RUL預測方法框架如圖2所示,具體步驟如下:

1)利用式(1)—(6)對鋰離子電池容量退化序列進行CEEMDAN分解,得到3個表征局部波動和容量再生現象的IMF分量和一個表征整體退化趨勢的殘差R序列。

2)將模態函數和殘差信號按照各50%比列劃分訓練集和測試集。

3)分別利用TCN-MHA模型和ARIMA模型對IMF分量和殘差R序列建模,得到預測的IMF分量和殘差R序列。

4)將各個模型的IMF預測分量和殘差預測序列進行疊加,得到鋰離子電池剩余壽命的預測結果。

2 實驗和結果分析

2.1 數據集介紹分析

本文使用的鋰離子電池數據來自NASA PCoE研究中心在美國愛達荷州國家實驗室測試NASA鋰離子電池數據(https://www.nasa.gov)。研究選擇B5、B6、B7、B18號電池,額定容量為2 Ah,在室溫24 ℃下進行充放電過程。在充電方面采用標準充電方式,電池以恒定電流1.5 A進行恒流充電,并設定了最大截止電壓為4.2 V。當電池電壓達到最大截止電壓時,轉為恒壓充電,直至充電電流下降到20 mA時,充電過程結束。在放電方面,采用恒定電流2 A進行放電。NASA PCoE電池實驗以電池容量退化至額定容量的70%作為電池壽命結束的標準。鋰離子電池容量變化曲線如圖3所示。

圖3 NASA電池容量退化曲線

2.2 CEEMDAN數據預處理

由圖3可以看出,電池容量存在容量再生等隨機波動現象。為了減少噪聲問題對容量數據的干擾,以電池B5為例,采用CEEMDAN對信號進行分解,得到3個模態分量(IMF1、IMF2、IMF3)和1個殘差信號(R)(圖4)?？梢钥闯?IMF的復雜程度隨著級數增加而不斷降低,表示了鋰離子電池的真實退化趨勢。分解后的殘差信號平滑穩定,呈現下降趨勢,相比于原始信號反映了電池容量退化序列的主趨勢,這將降低鋰離子電池容量再生對預測結果的影響,進一步提高預測模型的預測性能。

圖4 電池B5容量數據及分解結果

2.3 基于TCN-MHA預測模型

TCN網絡層如圖5所示,由4個卷積模塊組成。隨著網絡參數更新,每層的輸入分布也發生變化。為了適應這種變化,在膨脹因果卷積之后添加了參數歸一化操作,以確保網絡的穩定性和收斂性。為了提高模型對數據的擬合能力,TCN網絡采用RELU激活函數。RELU激活函數通過去除負數部分并保留正數部分,使網絡能夠學習非線性關系,從而更好地適應復雜的數據模式。

本文選取4頭自注意力機制,鍵向量為16,點積型注意力機制(Dot-product Attention,DPA)實現,用Concat層拼接多頭自注意力輸出矩陣,經過由兩個Dense層組成全連接層降維,輸出預測信息,結構如圖6所示。以B6電池為例,模態分量(IMF1、IMF2、IMF3)預測結果如圖7所示,TCN-MHA方法可以有效捕捉電池容量的各個模態分量局部波動特征,預測曲線較好貼合真實曲線,表明TCN-MHA具有較好非線性映射能力。

圖5 TCN網絡模型圖6 MHA模型

圖7 電池B6 IMF分量預測結果

2.4 模型參數

TCN-MHA網絡模型能夠從復雜的時間序列中深度提取相關特征信息,具有較高的精準度。相關參數如表1所示。

表1 TCN-MHA網絡參數設置

ARIMA模型預測結果如圖8所示。殘差序列復雜程度低,序列相對平穩,適合ARIMA模型建模分析預測,模型中的參數(p、d、q)值如表2所示。

表2 ARIMA模型參數(p、d、q)

圖8 ARIMA預測殘差結果

2.5 預測結果

實驗環境:R7 3750H處理器,NVIDIA GTX 1650顯卡,16 GB RAM。Windows10操作系統、PyCharm2020.1、CUDA11.6.134、keras 2.9.0、PyTorch 1.8.0。

為驗證集成模型預測方法的性能,以電池B5、B6、B7、B18為例,選擇數據前50%作為訓練集,后50%作為測試集,進行多組對比仿真實驗。M1為未處理的容量數據對TCN建模,M2為未處理容量數據對CNN建模,M3為未處理容量數據對LSTM建模,M4為未處理的容量數據對ARIMA建模,M5為未處理的容量數據對TCN-MHA建模。M6為本文提出的CEEMDAN處理的容量數據對TCN-MHA-ARIMA的建模。圖9為5種方法在NASA數據集下的單次預測結果(分別對應B5、B6、B7、B18號鋰離子電池預測實驗結果)。

從圖9中可以看出本文提出預測模型(M6)可以有效的捕捉電池容量再生現象。預測精度高于TCN、CNN、LSTM、ARIMA、TCN-MHA方法,預測曲線較好擬合真實曲線。為進一步驗證所提出RUL預測方法的優越性,在相同條件下,采用下式作為評價指標:平均絕對誤差(Mean absolute error,MAE)和均方根誤差(Root mean squared error,RMSE):

(9)

(10)

其中,C′(X)為預測值,C(X)代表實際值,S為預測循環次數。將本文方法與其他預測模型進行對比,結果如表3所示。

(a) 電池B5 (b) 電池B6

(c) 電池B7 (d) 電池B18圖9 6種方法對各鋰離子電池的預測實驗結果

表3 測試評價指標對比 %

通過評價指標可以看出,單一的預測模型誤差較大。其中,TCN預測精度最高,改進后的M5方法預測精度有所上升。本文提出的方法M6整體效果最佳,B5、B6、B7、B18 RMSE分別為1.76%、1.83%、1.61%、1.59%,實驗誤差較小。4組電池的均方根誤差不超過1.85%,平均絕對誤差在1.25%以內。以B5、B6電池為例,本文方法RMSE比單一TCN模型降低0.36%、0.33%,MAE均降低0.84%,說明該集成模型具有穩定的預測性能以及良好的自適應性。

3 結論

本文提出了一種CEEMDAN算法與TCN-MHA、ARIMA模型組合的壽命預測模型對鋰離子電池的剩余壽命進行有效預測。主要結論有:

1)通過CEEMDAN算法可以將鋰離子電池的容量數據分解為不同特征的分量,整體效果相較于未進行數據預處理的單一模型有所增強,減少了鋰離子電池容量再生現象對剩余使用壽命預測的干擾,四組電池的預測曲線在失效閾值處擬合真實曲線,表明模型具有較好的準確性和穩定的預測效果。

2)根據模型特性和數據特點,分別采用TCA-MHA和ARIMA模型進行建模,通過NASA鋰離子電池數據進行實驗驗證,將各自模型的預測結果進行集成,并于單一模型進行對比試驗,預測效果均優于其他模型,解決了單一預測模型精度低、泛化能力差的問題。不足之處是CEEMDAN算法分解信號過程中,會增加訓練時間,后續將再此基礎上進行改進。