- 头条大连交通大学科研团队在准确估计锂电池荷电状态研究上取得新进展导语锂离子电池是电动汽车、无人机及电力电子设备的储能系统组件，对其进行准确的荷电状态（SOC）估计对于正确决策、安全控制和维护具有重要意义。针对锂离子电池SOC估计问题，大连交通大学自动化与电气工程学院的研究人员潘锦业、王苗苗 等，在2022年第4期《电气技术》上撰文，采用长短期记忆（LSTM）神经网络搭建锂离子电池SOC估计模型，将电池电压、电流、温度作为输入，建立多层LSTM预测模型，采用Adam优化算法与Dropout正则化方法完成LSTM模型的训练。 测试结果表明，在模型训练过程中加入Adam优化算法与Dropout正则化方法，使模型对实验数据集的非线性和初始荷电状态的不确定性具有鲁棒性。
研究背景
随着“十四五”纲要将“资源环境”改为“绿色生态”，节能减排规划正式落地。锂离子电池提供了一种有前途的化石燃料替代方案。锂离子电池具有充电快、能量密度高、成本低、使用寿命长等优点，目前已广泛应用于电动汽车、无人机、个人移动设备、便携式仪器、智能电网储能设备等。
锂离子电池的荷电状态（SOC）估计、剩余电量确定，不仅会显著影响其动力系统的性能，例如电动汽车的驾驶范围，而且对于评估锂离子电池的健康状况和确保锂离子电池动力系统的安全性同样很重要。由于锂离子在极端动态运行时，具有非线性和时变特性，因此准确估计SOC是一个必须解决的关键问题。
论文所解决的问题及意义
锂离子电池作为一个动态系统，对前后时间具有依赖性，本文提出基于Adam优化与Dropout正则化的LSTM模型对锂离子电池的荷电状态进行估计。LSTM旨在通过学习噪声和动态模型来解决非高斯噪声下的非线性时变系统预测问题。
LSTM能够捕获电池序列数据的前后时间依赖性，找出锂离子电池可观变量与SOC值的非线性映射关系，并利用深度学习技术来学习锂离子电池的非线性动态特征，利用NASA PCoE研究中心锂离子电池测试数据集评估该方法的性能。
图1 LSTM单元结构
论文方法及创新点
本文以电压、电流和锂电池温度作为输入参数，输出值为SOC，搭建LSTM进行性能对比。在LSTM基础上添加Dropout正则化，以增强模型的泛化能力。在模型训练阶段，使用Adam优化器以不同的学习率优化交叉熵。多层长短期记忆神经网络荷电状态估计模型如图2所示。
图2 多层长短期记忆神经网络荷电状态估计模型
利用Adam优化算法与Dropout正则化建立多层LSTM荷电状态估计模型，训练过程如图3所示。本文实验通过比较LSTM使用Adam优化算法和使用SGD优化算法的MAE与RMSE来验证所提方法的有效性。在本文的应用场景中，选择RMSE和MAE来进行综合评估，误差值越小表示模型预测性能越好。
图3 LSTM模型训练过程
结论
本文提出一种使用Adam优化算法与LSTM相结合的锂离子电池SOC估计方法，该方法避免了由于锂离子电池材料不同而建立复杂的物理化学模型的过程。运用本文所述方法建立容量预测模型，经实验对比分析，得出以下结论：
1）采用Adam优化算法作为优化器，有利于模型快速找到全局最小点，降低数据初期对模型的影响，增强模型的准确度与收敛速度。
2）预测结果的平均绝对误差均值低于2%、方均根误差均值低于1%。同时模型具有较好的泛化能力。
3）相比于SGD优化算法的LSTM模型，本文所提模型在不同老化程度、不同初始容量的锂离子电池中都可以得到较为准确的预测结果，拟合精度更高，模型预测性能更好。
本文编自2022年第4期《电气技术》，论文第一作者为潘锦业，1997年生，硕士研究生，研究方向为控制工程。本课题得到了2020年辽宁省教育厅科学研究项目“列控系统故障诊断和预警机制的研究”、2021辽宁省自然科学基金面上项目“高速列车无线健康管理通信系统关键技术研究”的支持。
引用本文
潘锦业, 王苗苗, 阚威, 高永峰. 基于Adam优化算法和长短期记忆神经网络的锂离子电池荷电状态估计方法[J]. 电气技术, 2022, 23(4): 25-30. PAN Jinye, WANG Miaomiao, KAN Wei, GAO Yongfeng. State of charge estimation of lithium-ion battery based on Adam optimization algorithm and long short-term memory neural network. Electrical Engineering, 2022, 23(4): 25-30.
