基于Bi-LSTM-Dropout的蓄電池剩余使用壽命預測方法

黃曉智 張華明 黃藝航 許志杰

本文引用格式：黃曉智，張華明，黃藝航，等.基于Bi-LSTM-Dropout的蓄電池剩余使用壽命預測方法[J].自動化與信息工程， 2024，45（1）：42-46;60.

HUANG Xiaozhi， ZHANG Huaming， HUANG Yihang， et al. Prediction method of battery remaining useful life based on Bi-LSTM-dropout[J]. Automation & Information Engineering， 2024，45（1）：42-46;60.

摘要：蓄電池剩余使用壽命預測對能源的安全性和可持續發展至關重要。該文提出一種蓄電池剩余使用壽命的預測方法，利用蓄電池的歷史運行數據和充放電周期，構建Bi-LSTM-Dropout網絡模型。利用Bi-LSTM提取時間序列中蓄電池長期依賴的特征，采用Dropout優化算法降低Bi-LSTM網絡模型的復雜度，提高模型的泛化能力。實驗結果表明，該方法在測試集上的準確率達96.2%，實現了蓄電池剩余使用壽命的精確預測。

關鍵詞：蓄電池；剩余使用壽命預測；Bi-LSTM；Dropout優化算法

中圖分類號：TM912? ? ? ? ? ?文獻標志碼：A? ? ? ? ? ?文章編號：1674-2605（2024）01-0007-06

DOI：10.3969/j.issn.1674-2605.2024.01.007

Prediction Method of Battery Remaining Useful Life? ? ? ? ? ? ? ? ? ?Based on Bi-LSTM-Dropout

HUANG Xiaozhi1? ZHANG Huaming2? HUANG Yihang1? XU Zhijie1

（1.School of Electromechanical Engineering， Guangdong University of Technology， Guangzhou 510006， China

2.School of Advanced Manufacturing Guangdong University of Technology， Jieyang 522000， China）

Abstract： The prediction of the remaining useful life of battery is crucial for the safety and sustainable development of energy. This article proposes a prediction method for the remaining useful life of battery， using historical operating data and charging and discharging cycles of battery to construct a Bi-LSTM-Dropout network model. Using Bi-LSTM to extract long-term dependent features of battery in time series， using Dropout optimization algorithm to reduce the complexity of Bi LSTM network model and improve its generalization ability. The experimental results show that the accuracy of this method on the test set reaches 96.2%， achieving accurate prediction of the remaining useful life of the battery.

Keywords： battery; remaining useful life; Bi-LSTM; dropout optimization algorithm

0 引言

蓄電池組作為變電站直流電源系統的關鍵設備，在交流電源發生斷電時，能為重要負載設備提供不間斷的直流供電保障[1]。目前，變電站的通信用蓄電池每年都要進行充放電核容和激活，需要耗費2人3日的工作量[2]。且僅依賴人工使用放電儀表進行核容，無法準確地掌握蓄電池的健康情況[3]。

近年來，國內外學者對蓄電池剩余使用壽命（re-

maining useful life， RUL）預測進行了大量的研究，主要方法包括基于物理模型法和基于數據驅動法[4]?；谖锢砟Ｐ头ㄍㄟ^研究電池的內部狀態，結合相關算法預測電池RUL[5]。文獻[6]利用簡化的電化學模型和雙非線性濾波器，結合電池的荷電狀態（state of charge， SOC）和健康狀態（state of health， SOH）估計算法，實現電池RUL的預測。文獻[7]基于固體電解質界面副反應建立電化學-熱耦合模型，能有效地模擬固體

電解質界面副反應對鋰電池容量衰減的影響。但基于物理模型法預測蓄電池RUL存在建模過程復雜、成本高等問題?；跀祿寗臃ㄍㄟ^蓄電池的歷史運行數據來學習規律，以適應不同條件的電池工況，能夠快速、準確地預測蓄電池RUL?；跀祿寗臃ㄖ饕ㄉ疃葘W習、支持向量機和機器學習等方法。QU[8]等利用長短時記憶網絡和注意力機制建模，同時引入粒子群優化算法，對鋰電池RUL進行預測，SOH進行監測，該模型的均方根誤差為3.62%，實現了鋰電池RUL的準確預測。REN等[9]結合卷積神經網絡和長短時記憶網絡來預測鋰電池RUL，采集鋰電池實際運行數據進行訓練，預測結果的均方根誤差為4.80%。但基于數據驅動法存在數據樣本較少的問題，導致模型容易出現過擬合現象，降低網絡模型性能。

本文采用基于數據驅動法來預測蓄電池RUL，提出一種融合雙向長短時記憶（bi-directional long short-term memory， Bi-LSTM）網絡與Dropout優化算法的蓄電池RUL預測方法。通過蓄電池歷史運行數據和充放電周期，建立Bi-LSTM-Dropout網絡模型，利用Bi-LSTM提取時間序列中蓄電池長期依賴的特征，同時引入Dropout優化算法提高Bi-LSTM網絡模型的泛化能力，實現蓄電池RUL的精確預測。

1 模型原理

1.1 Bi-LSTM網絡

Bi-LSTM網絡包含2個LSTM單元：一個LSTM單元按時間序列的正向順序處理輸入數據；另一個LSTM單元按時間序列的逆序處理輸入數據。Bi-LSTM網絡結構如圖1所示。

這種雙向處理數據的方式使Bi-LSTM網絡能夠同時利用過去和未來的數據，提高了對長時間序列數據的學習能力[10]。

LSTM單元主要由遺忘門、記憶門和輸出門組成，結構圖如圖2所示。通過這些門的配合，LSTM能選擇性地遺忘歷史信息、保留輸入信息，輸出需要的信息[11]。

1.2 Dropout優化算法

Bi-LSTM網絡隨著網絡層數增加，網絡結構也更加復雜。此外，變電站蓄電池組長期處于浮充狀態，運行周期長，可獲得的蓄電池樣本數據較少[12]，導致Bi-LSTM網絡模型易產生過擬合現象。為此，本文引入Dropout優化算法，提升Bi-LSTM網絡模型的泛化性能。Dropout優化算法示意圖如圖3所示。

Dropout優化算法在網絡訓練過程中，按丟棄概率屏蔽部分神經元的輸出，減少模型的復雜度，避免陷入局部最優解，從而防止模型過擬合。

定義神經元i在第t時刻的連接強度計算公式為

（1）

式中：為神經元i與神經元j的權重，為神經元j在第t次迭代的激活狀態，激活狀態更新公式為

（2）

式中：為丟棄概率，x為神經元輸入，為概率閾值。

當大于概率閾值時，該神經元在本次迭代中不激活，否則該神經元以輸入x/（1-）作為激活狀態。

2 Bi-LSTM-Dropout網絡模型

2.1 模型結構

Bi-LSTM-Dropout網絡模型采用基于序列模型端到端的架構，主要由輸入層、隱藏層、全連接層和輸出層組成，結構如圖4所示。

第一層為輸入層，以蓄電池歷史使用數據和充放電周期為輸入序列，輸入維度為input_size，表示每個時間步的輸入特征維度。

第二層由4層Bi-LSTM-Dropout層組成，利用該網絡層對第一層的輸入序列分別進行前向和后向的特征提取，得到前向和后向LSTM的特征輸出，包括蓄電池的電壓、電流、溫度、充放電周期等數據。將兩個方向LSTM學習到的特征表示進行拼接，融合前向、后向的上下文信息。在每層Bi-LSTM之間引入

Dropout，按照丟棄概率使網絡層中一些神經元的輸出為0，防止模型過擬合。

第三層為全連接層，其將Bi-LSTM-Dropout層的神經元輸出連接到本層的每個神經元，作為回歸分類器，用于預測連續的蓄電池RUL。

最后一層為輸出層，輸出經過全連接層處理后的蓄電池RUL預測值，其維度為1。

2.2 網絡建模過程

Bi-LSTM-Dropout網絡模型建模過程如圖5所示。

Bi-LSTM-Dropout網絡模型建模步驟如下：

1） 獲取數據樣本，在公開數據集（NASA鋰電池數據集）中提取蓄電池的歷史運行數據（包括充放電的電壓、電流和溫度）和充放電周期等數據；

2） 劃分數據集，將獲取的數據劃分為訓練集和測試集；

3） 訓練Bi-LSTM-Dropout網絡模型，通過調整模型參數，使模型對訓練集數據的擬合度不斷提高，從而減小訓練集的損失函數值；設置Dropout丟棄概率，丟棄部分神經元，減小過擬合現象；

4） 調整模型參數：通過損失函數、準確率等判斷Bi-LSTM-Dropout網絡模型的性能是否達到最優，如果是則進入下一步，否則更新Bi-LSTM-Dropout網絡模型中的神經元狀態和參數，重新訓練模型；

5） 模型預測效果：通過均方根誤差、平均絕對誤差和準確率在測試集上對Bi-LSTM-Dropout網絡模型效果進行測試，評估模型的預測能力。

通過循環迭代訓練、調參等步驟，可獲得性能最優的Bi-LSTM-Dropout的網絡模型。

3 實驗結果與分析

3.1 實驗數據

本文實驗數據主要來自NASA Ames Prognostics數據中心的鋰電池數據集，選擇數據集中的B0005、B0006、B0007和B0018號4個鋰電池作為研究對象。在室溫24 ℃下測量鋰電池的充放電的電壓、電流、溫度等數據。當鋰電池的剩余容量降至額定容量的70%時，定義該鋰電池達到失效閾值。將該數據集前95個循環次數的數據作為訓練集，其余循環次數數據作為測試集，用該數據集驗證Bi-LSTM-Dropout網絡模型預測鋰電池RUL的效果。

B0005、B0006、B0007和B0018號鋰電池的容量變化趨勢如圖6所示。

鋰電池歷史運行數據（包括充放電的電壓、電流和溫度）和充放電周期（循環次數）作為Bi-LSTM-Dropout網絡模型的輸入，鋰電池實際容量作為模型輸出。

3.2 實驗平臺及參數設置

實驗平臺配置如下：操作系統為Window 11專業版，處理器為intel i7-12700KF，獨立顯卡為RTX 3080 12 GB圖形處理器，內存為64 GB DDR5 3600 MHz，算力為29.77 TFLOPS。在Jupyter notebook中基于TensorFlow框架構建Bi-LSTM-Dropout網絡模型，并進行模型訓練。Bi-LSTM-Dropout網絡模型參數設置如表1所示。

由表1可知：輸入層節點數5表示輸入的時間步數；隱藏層包含4層Bi-LSTM和1個全連接層，其中Bi-LSTM節點數為650個，全連接層節點數為50個；輸出層輸出鋰電池的實際容量，節點數為1個；設置學習率為0.001，迭代次數為500次（epoch=500），批大小為25；為防止過擬合，Dropout的丟棄概率為0.3；選擇Adam優化器來調整模型參數。

3.3 實驗結果分析

本實驗選取均方根誤差（root mean square error， RMSE）、平均絕對誤差（mean absolute error， MAE）和準確率（accuracy，ACC）作為評價指標。其中，RMSE反映電池預測RUL與真實RUL偏差的程度；MAE反映電池預測RUL與真實RUL差值的平均值；ACC反映模型正確預測電池RUL樣本數量占總樣本數量的比例。RMSE和MAE的值越小，表示預測精度越高；ACC越高，則表示與真實值越接近。計算公式為

（3）

（4）

式中：為樣本i的實際RUL， 為樣本i的預測RUL，n為樣本總數。

（5）

式中：TP為正確預測電池RUL的正樣本數量，TN為正確預測電池RUL的負樣本數量，S為總樣本數。

為驗證Bi-LSTM-Dropout網絡模型預測鋰電池RUL的效果，利用RNN、LSTM、Bi-LSTM網絡模型在測試集上進行對比實驗，實驗結果如表2所示。

由表2可知：Bi-LSTM-Dropout網絡模型的RMSE和MAE值最小，且準確率最高；相對于Bi-LSTM網絡模型，RMSE從4.8%下降到2.9%；相對于LSTM網絡模型，準確率提高了2.5%。

RNN、LSTM、Bi-LSTM、Bi-LSTM-Dropout 4種網絡模型在B0006號鋰電池測試集上的預測效果如圖7所示。

由圖7可知，Bi-LSTM-Dropout網絡模型的擬合效果最好。

4 結論

本文提出一種基于Bi-LSTM-Dropout的蓄電池RUL預測方法。通過提取蓄電池歷史運行數據的特征，構建Bi-LSTM模型，并采用Dropout算法進行模型優化，能夠有效提高蓄電池RUL預測的精度。實驗結果表明，相比LSTM網絡模型，本文提出的Bi-LSTM-Dropout網絡模型可以降低RUL預測的RMSE和MAE，在測試集上的準確率達96.2%。該方法基于數據驅動的方法實現蓄電池使用壽命的預測，可輔助電站蓄電池的狀態監測和運行維護。

參考文獻

[1] 劉灝，黎明，向青海.直流系統蓄電池組全生命周期智能管理系統研究與實施[J].電氣技術與經濟，2023（10）：399-403.

[2] 譚子毅，劉忠祥.一種蓄電池組自動開路測試技術[J].電世界，2020，61（11）：40-41.

[3] 汪昌元，羅群，徐曉峰.一種鉛酸蓄電池剩余容量的預測方法[J].廣西電力，2020，43（4）：60-62.

[4] 蔡明揚，趙春宇，孛愛.基于組合脈沖放電法的電池容量估計算法[J].中國新通信，2022，24（16）：53-58.

[5] 羅杰，王海瑞，朱貴富.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[J].陜西理工大學學報（自然科學版），2023，39（6）：62-70.

[6] GAO Y， LIU K， ZHU C， et al. Co-estimation of state-of-charge and state-of-health for lithium-ion batteries using an enhanced electrochemical model[J]. IEEE Transactions on Industrial Electronics， 2021，69（3）：2684-2696.

[7] 田建輝，張成，韓興本，等.基于電化學-熱耦合模型的鋰離子電池容量衰減研究[J].現代機械，2023（5）：10-15.

[8] QU J， LIU F， MA Y， et al. A neural-network-based methodfor RUL prediction and SOH monitoring of lithium-ion battery[J]. IEEE Access， 2019，7：87178-87191.

[9] REN L， DONG J， WANG X， et al. A data-driven auto--CNN-LSTM prediction model for lithium-ion battery re-maining useful life[J]. IEEE Transactions on Industrial Infor-matics， 2020（99）：1-1.

[10] 劉建偉，王園方，羅雄麟.深度記憶網絡研究進展[J].計算機學報，2021，44（8）：1549-1589.

[11] 孫玉樹，李宏川，王波，等.電池儲能系統SOC神經網絡融合估計方法[J].湖南大學學報（自然科學版），2023，50（10）：31-40.

[12] 舒征宇，翟二杰，李鎮翰，等.基于Dropout優化算法和LSTM的鉛酸蓄電池容量預測[J].電源學報，2023，21（5）：173-181.

作者簡介：

黃曉智，男，1999年生，在讀研究生，主要研究方向：智能測控。

張華明，男，1984年生，碩士研究生，高級工程師，碩士研究生導師，主要研究方向：智能測控。E-mail： inventor-1010@163.com

黃藝航，男，1999年生，在讀研究生，主要研究方向：智能測控。

許志杰，男，1999年生，在讀研究生，主要研究方向：智能測控。