基于LSTM的電池組工作狀態預測

李軒誼，趙慧勇

（湖北汽車工業學院 汽車工程學院，湖北 十堰 442002）

電壓、電流和SOC［1］是檢測電池正常工作狀態的關鍵技術參數，駕駛員行為影響車載電池的狀態，造成有關參數波動。為提高電動汽車運行的安全性，準確監測車載動力電池的運行狀態，結合駕駛行為進行多參數的電池組工作狀態預測尤為重要［2-3］。目前對電池系統的預測主要采用模型或數據驅動的方法［4-5］?；谀Ｐ偷姆椒ㄒ子诮忉尯投ㄐ苑治?，通常很難根據環境改變電池模型，模型的準確性會降低。數據驅動技術則更加優化電池的建模過程，可以完全基于數據本身所包含的信息進行分析。近年來機器學習逐步發展，Tobar 等［6］提出的自適應多輸入核濾波器表明，在電池電壓演變方面，加入外部變量可以提高預測性能。對于電流引起的過熱現象，Hong等［7］提出了基于熵的方法來預測電動汽車電池系統的熱量釋放。支持向量機［8］和前饋神經網絡（FNN）［9］等機器學習方法用于SOC 預測。Hong 等［10］通過調研實際駕駛情況，提出了新的電壓故障診斷與預警方法，但只考慮了1個影響因素，單一的監測指標難以全面反映電池組工作狀態的變化［11］。為此，文中通過考慮駕駛員行為對電池工作狀態的影響，定義了多參數LSTM預測模型，并驗證了模型的優越性。

1 模型結構

1.1 LSTM長短期記憶神經網絡

LSTM是循環神經網絡RNN的變體形式，［12］采用遺忘門、輸入門和輸出門處理由于長期依賴導致梯度消失和梯度爆炸的現象，在時間序列預測領域有著廣闊的應用。網絡結構如圖1所示，遺忘門用于決定上一時刻的單元狀態有多少保留到當前狀態；輸入門處理并傳遞輸入數據，單元狀態從Ct-1更新到Ct；輸出門最終生成輸出并更新隱藏狀態ht-1。

圖1 LSTM模型的網絡結構

式中：xt為t時刻神經元輸入向量；ht為神經元輸出向量；Ct-1為（t-1）時刻神經元狀態；ft、it、gt和ot分別為內部激活變量；σ和tanh是可將輸入壓縮到-1～1的激活函數；W為權重矩陣；b為偏移向量。

1.2 Adam優化器

優化器是決定模型編譯效果的重要組件之一，目前常用Adam［13］，將動量和自適應學習率結合起來，代替梯度下降，有效更新網絡權重［14］。調整偏移后，每次迭代學習率都固定在一定范圍內，參數相對平衡，網絡參數θ（權重和偏置）的更新原理為

式中：st和wt分別為梯度的一次指數衰減均值和二次指數衰減均值；s?t、w?t為偏置矯正；ε、η、μ和v為超參數，分別為0.1、0.001、0.9 和0.999。梯度估計為不同參數產生明確的動態學習率約束。

1.3 LSTM多參數預測模型

基于LSTM 預測實際駕駛過程中電池組的工作狀態時，使用Adam優化器的訓練過程是梯度下降的迭代過程，每次訓練輸入的樣本數量以及預測結果的大小都會影響模型的預期性能。另外，對電池組中單參數進行狀態監測會使預測精度受到訓練參數特征的限制。因此需要對電池組多個參數進行同步監測，對采集到的數據采用滑動窗口的方法加以分析。把每次錄入的數據劃分為1個窗口，隨著時間的推移，窗口中不斷舍棄舊數據同時納入新數據，進而實時更新網絡結構，避免因多參數輸入導致網絡擁塞。如圖2所示，將輸入數據劃分為訓練集和驗證集，每次抓取的訓練樣本數量為1個窗口大小，時間步長表示每次訓練的時間序列長度。如滑動窗口大小為64，時間步長為20，預測大小為1，則表示第1次訓練選用前64個時刻的輸入數據進行訓練，每次給模型20 個連續時間序列的數據。用1～20時刻的歷史數據預測第21時刻，用2～21時刻的歷史數據預測第22時刻，以此類推；第2次訓練則輸入第65時刻到第128時刻的數據，用65～84 個時刻的歷史數據預測第85 個時刻……直到訓練集中最后1次訓練用最后1組時間序列的歷史數據預測出下一時刻的數據。

圖2 滑動窗口進行LSTM預測方法

2 駕駛行為對電池組工作狀態影響

2.1 基于汽車動力學模型

構建車輛縱向動力學模型，分析車輛驅動行駛時的受力情況?？紤]駕駛行為對電池組工作狀態的影響，對加速度、電機轉速、車輪半徑等參數之間的相關性進行分析。車輛加速度與電池系統的功率關系為

式中：a為車輛加速度；T電機為電機轉矩；I為電流；K為電機轉矩系數；T車輪為車輪轉矩，i為電機對于車輪的角傳動比；F為車輛驅動力；m為整車重量；R為輪胎半徑。忽略其他車載用電設備的電功率變化對電池系統參數的影響，可得到電池系統與整車行駛狀況的關系。

2.2 考慮駕駛行為的電池預測模型

利用駕駛行為與電池組工作狀態之間的映射關系，與駕駛行為和電池有關的參數作為學習指標，最終確立LSTM模型的11個參數，依次為電壓、電流、SOC、車速、車輛狀態、充電狀態、里程、溫度、內阻、擋位和加速度。在LSTM的基礎上建立基于實車運行數據采樣下的多參數預測模型，利用損失函數檢測前向傳播結束時模型的預測值f（x）與真實值yi之間的偏離。均方誤差MSE 用于評價電池組工作狀態預測的準確性，代表真實值和預測值差平方的期望值。通常情況下MSE 越小，說明預測模型對實測數據的評價越精確。

式中：yi為真實值；y?i為預測值；n為樣本點的個數。采用LSTM 模型進行電池組工作狀態預測的整體算法流程如圖3所示。

圖3 LSTM電池組工作狀態預測流程

3 實驗結果與分析

3.1 實驗環境及數據集

采用Windows11 系統，內存為16 G，處理器為酷 睿 i5-11400H，顯 卡 為 NVIDIA GeForce RTX3060，開發環境為python3.7，深度學習框架為PyTorch1.11.0。

實驗數據為北京億維新能源汽車大數據應用技術研究中心提供的某品牌10輛純電動乘用車的數據。為提高模型的準確性，對數據進行時間排序、單體電池電壓/溫度提取和異常數據清洗剔除等一系列預處理。采集數據的規格滿足GB/T32960的規定，其中電池單體數量為95個，溫度探頭數量為34個。

數據處理后得到的總樣本數為700 633，將原始數據集對訓練集、驗證集和測試集按照0.8∶0.15∶0.05 比例進行劃分。由于參數具有量綱差異，為降低極端數據產生的干擾，同時提升LSTM模型的計算速度，將輸入神經網絡的全部數據映射到同一尺度進行歸一化處理。映射方式為

式中：k為數據維度；Xmin和Xmax分別為數據的最小值和最大值。

3.2 各參數間的相關性分析

在LSTM模型的訓練過程中，對選用的11個參數同時訓練會增加過擬合的概率，因此建模之前進行相關性分析，挑選出最合適的輸入參數。為了判斷電池組狀態參數之間的關聯性，對選取的特征進行了皮爾遜相關性分析。皮爾遜相關系數用來度量2個變量間的相關程度，計算公式為

式中：cov為協方差；SX、SY為X和Y的標準差；E（X）、E（Y）為X和Y的期望值。相關系數取-1～1，1表示正線性相關，-1 表示負線性相關，0 表示無線性關系。相關系數絕對值越大，相關性越強。參數組成的相關系數矩陣見圖4。相關系數絕對值大于0.8時，一般認為有強相關性；0.3～0.8，認為有弱相關性；小于0.3，認為沒有相關性。由圖4可看出，SOC與電壓相互匹配；與電流匹配的參數為加速度、車輛狀態和充電狀態；與車速匹配的參數為車輛狀態。在分析了現有匹配參數的相關性后，只有7個輸入參數可用于訓練LSTM 模型，分別是電流、電壓、車輛狀態、充電狀態、SOC、加速度和車速。

圖4 相關系數矩陣圖

3.3 超參數的選擇與調試

訓練LSTM模型之前，需要設置和優化模型參數。首先設定所有可能的超參數，構成超參數取值的網格空間；然后初始化神經網絡的超參數取值，計算訓練樣本輸入神經網絡后的均方誤差。選取最優的超參數更新神經網絡，直至目標函數最小，神經網絡收斂，則訓練完成。神經網絡進行超參數優化的變化過程如圖5所示。由圖5a可以看出，經過訓練后，神經網絡在訓練集和驗證集上的損失函數不斷降低，20 次迭代后訓練集和驗證集的損失函數均停止降低，訓練效果較好，因此訓練迭代次數設定為20。由圖5b 可知，驗證集損失隨著批抓取的訓練樣本數量BS的增加呈現先減少后增大的趨勢，當BS 為64 時損失函數最小，且在迭代次數為20 時收斂速度基本穩定。以此類推，經過訓練后的各超參數取值如表1所示。

表1 LSTM模型訓練后的超參數

圖5 神經網絡超參數優化

3.4 實驗結果

根據選擇的超參數進行測試，得到不考慮駕駛行為和考慮駕駛行為狀態下的電池SOC、電流、電壓和車速預測結果，如圖6～7所示。電池組工作狀態參數預測的均方誤差如表2 所示。結果表明：LSTM 模型取得了較好的預測精度，考慮駕駛行為前后的電壓、SOC和車速均方誤差均小于2%，這些參數的穩態變化受駕駛行為影響較??；而電流在考慮駕駛行為的情況下比不考慮駕駛行為情況下的均方誤差由14.848%下降到3.192%，降低了超10%的誤差。說明在建立LSTM 電池組參數預測模型過程中，除了電池本身特性參數，駕駛行為對電池組工作狀態的影響也不容忽視。

表2 電池組工作狀態參數預測結果

圖6 不考慮駕駛行為前后的電池組工作狀態參數預測圖

圖7 考慮駕駛行為前后的電池組工作狀態參數預測圖

4 結論

結合LSTM與電池系統多參數，建立車輛動力學模型，考慮駕駛行為對電池的影響，建立包含多個特征參數在內的LSTM 模型對電池組工作狀態進行預測。添加Adam優化器的LSTM模型能快速找到最優解，有效降低過擬合和梯度爆炸。多參數預測更全面地反映電池組特征參數之間的相關性，增強模型的準確度和收斂速度?？紤]駕駛行為的LSTM 模型在預測電池組多參數方面表現更佳且更穩定。文中提出的方法能更好地適應實車運行的復雜工況，實現電池組工作狀態的精準預測。未來將對動力電池內部機理進行更深入的分析，同時考慮周圍環境溫度對電動汽車運行的潛在影響，不斷更新輸入數據，進一步提升模型的預測效果。