基于双重注意力机制的电池SOH估计和RUL预测编解码模型.pdfVIP

第 47 卷 第 6 期 2023 年 3 月 25 日 Vol . 47 No . 6 Mar . 25 ,2023 DOI ： 10. 7500/AEPS20220615007 基于双重注意力机制的电池 SOH 估计和 RUL 预测编解码模型 戴俊彦，夏明超，陈奇芳 （北京交通大学电气工程学院，北京市 100044 ） 摘要 ：锂电池的健康状态(SOH)和剩余使用寿命(RUL)精确评估对电池安全稳定运行极为重要，而 现有预测模型内部运行机制透明性低，导致评估可靠性较差。文中提出一种基于双重注意力机制 的双向长短期记忆网络编解码模型进行SOH 估计和RUL 预测。编码侧的特征注意力机制和解码 侧的时序注意力机制不仅通过动态分配特征和时序信息的权重提升了模型预测精度，还通过可视 化权重的方法实现了模型可解释性。最后，利用NASA 和CALCE 公开的电池数据集进行实验测 试，验证了所提方法具有较高的精度和可靠性。 关键词 ：锂电池；长短期记忆网络；注意力机制；健康状态；剩余使用寿命 0 引言 过分析电池性能测试数据得出外部特性与电池容量 ［6 ］ 衰退的关系 。其中 ，人工神经网络 （artificial 锂电池因其高能量密度、高输出电压、易于管理 neural network ，ANN ）因其自组织和自学习能力强 等优点，被广泛应用于电动汽车、家用电器、储能系 ［1 ］ 的特点，在电池SOH 估计和RUL 预测中被广泛应 统等领域 。随着电池循环充放电次数增加，电池 ［7 ］ 用 。 文 献 ［8 ］提 出 基 于 卷 积 神 经 网 络 两端电极发生的化学反应会导致电池产生不可逆的 ［2 ］ （convolutional neural network ，CNN ）的方法预测锂 老化，不及时更换电池会引起巨大的安全风险 。 电池容量，CNN 中的卷积核可以实现局部权值共享 电池管理系统（battery management system ，BMS ） 以及逐层挖掘相邻数据间的共性规律，适用于锂电 可实现电池早期故障检测，并预测电池的退化进程 池的老化特征。由于电池历史数据具有时序性，文 给出风险预警，以便执行电池维护和更换工作，对于 ［3 ］ 献［9 ］提出的长短期记忆（long short-term memory ， 提升系统可靠性、降低运行成本具有重要价值 。 LSTM ）网络相比于CNN 能更好地学习容量序列中 精确的电池健康状态（state of health ，SOH ）估计以 的长期依赖信息，将其应用于电池SOH 估计的效果 及剩余使用寿命（remaining useful life ，RUL ）预测是 较好，提高了预测的准确性和鲁棒性。文献［10 ］提 BMS 中两个重要的环节。因此，高精度且可靠的电 出的双向长短期记忆（bi-directional long short