李泓沛 刘桂雄

摘要：动力电池荷电状态（stateof charge， SOC）的实时预估对提高电动汽车电池利用率、优化电动汽车性能意义重大。该文提出一种可学习电池诸多干扰因素的加窗 LSTM 网络动力电池 SOC 预测算法，首先构建加窗 LSTM 网络的动力电池 SOC 预测算法，由动力电池电流、电压、温度结合历史数据实时预测动力电池 SOC;其次，分析并提出加窗 LSTM 网络优化超参数为 LSTM 网络的窗口大小、cell 数量、全连接层激活函数，试验证明，优化 LSTM 网络能实时预测动力电池 SOC，在不同充放电、路谱工况下的动力电池 SOC 预测最大误差均不超过2.20%。

关键词：动力电池;荷电状态;长短期记忆;超参数优化

中图分类号： TH89文献标志码： A文章编号：1674–5124（2021）12–0087–05

SOC prediction optimization algorithm for power battery based on LSTM network with window function

LI Hongpei，LIU Guixiong

（School of Mechanical and Automotive Engineering， South ChinaUniversity of Technology， Guangzhou 510640， China）

Abstract： Real-time estimation of the state of sharge （SOC） of the power battery is of great significance for improving battery utilization and optimizing the performance of electric vehicles. Firstly， a long short term memory （LSTM） network with window function based SOC prediction algorithm is proposed， to predict the SOC of the power battery in real time by combining the power battery current， voltage and temperature with the historicaldata. Analysisof the LSTM network with windowfunctionindicates that the windowsize， number of cells， and full connection layer activation function mode are hyperparameters that are more relevant toinput/outputfor the LSTM network with windowfunction，and itsoptimizationalgorithmis proposed. Experiments showed that the optimized LSTM network with window function could predict the SOC of the power cell in real time， and the maximum error of the SOC prediction was less than 2.20% under different charging， discharging， and driving conditions.

Keywords： power lithium battery; state of charge; long short term memory; hyper-parameter optimization

0引言

動力电池荷电状态（state of charge， SOC）是指动力电池剩余容量与最大可用容量之比[1]，它是关系到电动汽车电池利用率、优化电动汽车性能的重要参数，其难以直接测量，受充放电速率、电池状态诸多因素影响，SOC 准确实时预估电池领域研究热点。目前动力电池荷电状态的实时估计方法，主要包括安时积分法[2]、开路电压法[3]、等效电路模型[4-10]、深度学习模型[11-14]等。安时积分法易受到电流传感器噪声影响，积分计算产生累计误差[2];开路电压法需将电池较长时间静置达到稳定，不利于实现实时测量[3];时域等效电路模型需用滤波方法[4]对电池内部参数建模、辨识，采用自适应卡尔曼滤波[5-7]、粒子滤波[8-9]与机器学习结合算法[10]实现 SOC 预测，但在电流变化较大动态工况下易产生发散[11]。深度学习模型应用非常活跃，如麦克马斯特大学 E. Chemali将长短时记忆（long short termmemory， LSTM）网络[12]应用于 SOC 估计，以电流、电压、环境温度预测动力电池 SOC，对在阶跃变化环境温度下松下18650电池单体的预测精度最大测量误差为2.6%[13];香港城市大学提出一种结合卷积神经网络（convolutional neural network， CNN）与 LSTM 网络的锂离子电池 SOC 估算方法，在多组样品测试中最大均方根误差不超过2.0%[14];文献[15]提出一种锂离子电池 SOC 估算方法，将 LSTM 门控循环单元与 CNN 相结合，实现考虑电池健康状态的 SOC 估算[15]。LSTM 网络特点是可智能提取到电池诸多干扰因素，并根据输入不断更新，结合电压、电流、温度等输入数据实现 SOC 预测，以上研究没有讨论 LSTM 网络超参数对 SOC 预测精度影响。

本文研究加窗 LSTM 网络的动力电池 SOC 预测优化算法，以电压、电流、温度作为输入，分析并优化 LSTM 网络中与输入、输出 SOC 较相关的超参数，进一步提高网络的 SOC 预测准确性。

1加窗 LSTM 网络的动力电池 SOC 预测优化算法

1.1加窗 LSTM 网络的动力电池 SOC 预测算法图1为加窗 LSTM 网络的动力电池 SOC 预测

算法架构图。与经典 LSTM 网络不同，本文提出加窗 LSTM 网络，在输入层增加大小为λ矩形窗[16]，使输出到循环网络层除了第 k 次输入向量xk，还有λ–1个历史特征向量{xk?1、xk?2、···、xk?λ+1}。

加窗 LSTM 网络的输入为电压、电流、温度，输出为动力电池 SOC。设第 k 次测量得动力电池的电压Uk、电流Ik，、温度 Tk，作为输入向量xk，输入至加窗 LSTM 网络，加窗输入层整合特征向量xk及λ–1个历史特征向量 x，在循环网络层中融合历史 SOC 预测值，再通过全连接层，计算出动力电池 SOC 预测值 SOCk+1作为输出。

加窗 LSTM 网络的动力电池 SOC 预测模型主要包括加窗输入层、循环网络层、全连接层、输出层构成。

在加窗输入层，设第 k 次测得动力电池的电压Uk、电流Ik，、温度 Tk，输入xk =[ Uk， Ik， Tk]T，具有大小为λ矩形窗的加窗输入层输出为：

{xk?λ+1 ， xk?λ+2 ， ··· ， xk}

循环网络层由多个 cell 单元构成，用循环网络层 cell 单元数ncell控制。图2为 SOC 预测 LSTM网络 cell 单元的结构示意图，cell 单元使用门（gate）将输入信息映射到[0，1]，通过控制输入输出幅度，实现记忆状态的删除与添加。主要由遗忘门、输入门、输出门构成，遗忘门控制上一轮记忆状态与新输入幅度，输入门控制本轮记忆状态的存储幅度，输出门控制本轮记忆状态的输出幅度。cell 单元是一个3输入、2输出结构，输出为记忆状态Ck、特征向量yk，输入为xk、上一轮的记忆状态Ck?1与特征向量yk?1。设遗忘门运算 f（xk ，yk?1）、输入门运算 g（xk ，yk?1）、输出门运算O（xk ，yk?1），则记忆状态Ck、特征向量yk分别为：

遗忘门、输入门、输出门对输入x 权值分别为Wfx、Wgx、Wox，对记忆状态Ck权值分别为Wfc、Wgc、Woc，偏置分别为 bf、bg、bo。则分别为：

其中 sigmoid 函数fsigmoid（x）=1＼（1+ e?x）;双曲正切函数ftanh（x）=（ex ? e?x）＼（ex + e?x）。

在全连接层，每一个节点都与循环网络层所有输出节点相连，以变换循环网络层提取到特征，节点数目与ncell一致。

输出层计算得到 SOC 预测值;设动力电池SOC 实际值SOCk_gt，LSTM 网络输出的 SOC 预测值SOCk（i），SOC 点数为Nsample，则其损失函数 LSOC 为：

加窗输入层的窗口大小λ直接影响输入选用历史特征向量数量为λ–1个;循环网络层 cell 单元数ncell决定循环网络层记忆状态Ck数量，以及 LSTM 网络用于预测SOCk（i）的特征向量维度（1×ncell）;全连接层激活函数则决定 LSTM 网络输出特征向量的非线性模式，均是与输入、输出较相关超参数。这些超参数设置不当，将会对影响 LSTM 网络的 SOC 预测准确性。

1.2加窗 LSTM 网络优化方法

加窗 LSTM 网络的动力电池 SOC 预测优化算法步骤包括：超参数配置设计、加窗 LSTM 网络训练、输出使 SOC 預测损失最小的优化网络。

超参数配置设计表1为加窗 LSTM 网络优化超参数及取值，输入层窗口大小λ、循环网络层cell 单元数ncell、全连接层激活方式分别决定 LSTM 网络输入向量xk数量、记忆单元数量、非线性模式，均是较关键超参数。共能形成75种超参数配置。

加窗 LSTM 网络训练从表1中选择超参数配置，构建出对应的动力电池 SOC 估算 LSTM 网络。图3为加窗 LSTM 网络的动力电池 SOC 估算算法训练流程，采用Nadam优化器[17]，在学习率lr=0.002、β1=0.9、β2=0.999、ε=10–8、进度衰减为0.004条件下，训练500个 Epochs。记录完成训练时，网络在测试集上的损失LSOC，输出在测试集上的损失 LSOC最小的 LSTM 网络。

2试验验证

本文采用某品牌纯电动汽车动力电池模组进行试验。图4为试验装置示意图。试验电池充放电设备选用德国迪卡龙 EVT-IGBT，上位机搭载有 NVIDIA GeForce RTX 2080Ti GPU 加速 LSTM 网络。表2为德国迪卡龙 EVT-IGBT 电池充放电设备参数表。

使用电池充放电设备的电源模块恒流供电、负载模块模拟功率消耗，温湿度试验箱控制环境温度、湿度，在动力电池包上进行试验。试验过程中，可测得动力电池模组温度 Tk，电池组的端电压Uk、电流Ik、SOC 实际值SOCk_gt由电池充放电设备采集，经 CAN 总线传输至上位机中记录，采样频率为2.5 Hz，并进行最近邻插值降采样到1Hz。

在75组超参数配置中，均按照图3流程训练500Epochs，使测试 LSOC 最小的超参数配置为：输入层窗口大小λ=60、循环网络层 cell 单元数ncell=500、全连接层激活方式为 linear。其对应网络结构即为本文方法优化设计得到的优化 LSTM 网络，图5为优化 LSTM 网络 LSOC-迭代次数曲线。

使用本文优化加窗 LSTM 网络预测恒定电流充放电、靜置以及路谱工况循环下动力电池 SOC，表3为优化前后 LSTM 结构的指标比较表，表中指标为均方根误差（root mean square error， RMSE）、均方误差（mean square error， MSE）、平均绝对误差（mean absolute error， MAE）。

图6为优化 LSTM 网络的动力电池 SOC 预测值，图7为优化前后 LSTM 网络预测动力电池 SOC 误差曲线。可以看出：优化 LSTM 网络对在动力电池恒电流充放电工况下 SOC 预测误差不超过0.31%，路谱工况下 SOC 预测误差不超过2.20%;优化设计后，LSTM 网络 SOC 预测最大误差由4.13%降低为2.20%。

3结束语

本文提出一种基于加窗 LSTM 网络的动力电池 SOC 预测优化算法，主要工作包括：

1）构建加窗 LSTM 网络的动力电池 SOC 预测算法，提出加窗输入层结构，使其能输出λ–1个历史特征向量{xk?1 ， xk?1 ， ··· ， xk?λ+1}，用于预测动力电池 SOC。

2）围绕输入层窗口大小、循环网络层 cell 数量、全连接层激活方式等输入/输出较相关超参数，设计了75种超参数配置，优化出使测试集上 SOC 预测准确率最高的加窗 LSTM 网络，实现动力电池 SOC 预测优化。

3）构建平台进行充放电、路谱工况下的动力电池 SOC 预测试验，结果证明优化加窗 LSTM 网络能实时预测动力电池 SOC，使最大误差由4.13%降低为2.20%。

加窗 LSTM 网络的动力电池 SOC 预测算法较好地满足动力电池动态工况下测试实时性、精度需求，下一步将研究其与测试系统的集成协同关键技术。

参考文献

[1]尤森槟， 程志江， 柴万腾， 等.动力电池状态估计及均衡电路的研究[J].电池， 2020， 50（3）：271-275.

[2]罗勇， 祁朋伟， 黄欢， 等.基于容量修正的安时积分 SOC 估算方法研究[J].汽车工程， 2020， 42（5）：681-687.

[3]申彩英， 左凯.基于开路电压法的磷酸铁锂电池 SOC 估算研究[J].电源技术， 2019， 43（11）：1789-1791.

[4]陈雷， 张晓明， 檀杰， 邱江涛.基于卡尔曼滤波的旋转弹药弹体磁场校正方法[J].中国测试， 2019， 45（2）：48-53.

[5]谢永东， 何志刚， 陈栋， 等.自适应无迹卡尔曼滤波动力电池的 SOC 估计[J].北京交通大学学报， 2018， 42（2）：129-137.

[6]张周灿， 谢长君， 曹夏令， 等.基于改进自适应无迹卡尔曼滤波的锂电池 SOC 估计[J].汽车技术， 2018（3）：10-15.

[7]范家钰， 夏菁， 陈南， 等.基于修正协方差扩展卡尔曼滤波法的电动汽车锂电池 SOC 在线估计（英文）[J]. Journal of Southeast University（English Edition）， 2020， 36（2）：128-137.

[8]何耀， 秦少勋， 刘新天， 等.基于分数阶无迹粒子滤波的动力电池 SOC 估计[J].汽车技术， 2018（5）：6-11.

[9]孙叶宁， 魏艳君， 赵勇， 等.基于改进粒子滤波的 LiFePO_4电池二元 SOC 估算[J].燕山大学学报， 2019， 43（6）：511-517+524.

[10]李正国， 孟凡琨. SVM 和 Kalman 滤波大功率动力电池SOC 预估方法的研究[J].中国测试， 2013， 39（5）：92-95.

[11]沈佳妮， 贺益君， 马紫峰.基于模型的锂离子电池 SOC 及SOH 估计方法研究进展[J].化工学报， 2018， 69（1）：309-316.

[12] HOCHREITERS，SCHMIDHUBERJ. Longshort-termmemory[J]. Neural Computation， 1997，-.9（8）：17351780

[13] CHEMALI E， KOLLMEYER P J， PREINDL M， et al. Longshort-termmemorynetworksforaccuratestate-of-charge estimationofLi-ionbatteries[J]. IEEETransactionson Industrial Electronics， 2018， 65（8）：6730-6739.

[14] YANG F，SONG X， WANG D， et al. Combined CNN- LSTM network for state-of-charge estimation of lithium-ionbatte..ries[J]IEEEAccess，2019，PP（99）

[15]李超然， 肖飞， 樊亚翔， 等基于深度学习的锂离子电池 SOC 和 SOH 联合估算[J/OL].中国电机工程学报：1-13[2020-06-29]. http：//kns.cnki.net/kcms/detail/11.2107.TM.20200410.1144.037.html.

[16]陈砚圃， 张介秋.周期信号均值型参数的矩形卷积窗加权测量[J].探测与控制学报， 2020， 42（3）：51-56.

[17]刘桂雄， 黄坚， 刘思洋， 等.面向语义分割机器视觉的AutoML方法[J].激光杂志， 2019， 40（6）：1-9.

[18]明彤彤， 王凯， 田冬冬， 等.基于 LSTM 神经网络的锂离子电池荷电状态估算[J].广东电力， 2020， 33（3）：26-33.

（编辑：徐柳）