1、2023.6Vol.47No.6研 究 与 设 计收稿日期：2022-11-19基金项目：国家自然科学基金(82160787)作者简介：叶震(1996)，男，重庆市人，硕士研究生，主要研究方向为锂电池健康状态评估与预测技术。通信作者：李琨基于SE-SAE特征融合和BiLSTM的锂电池寿命预测叶震，李 琨，李梦男，高宏宇(昆明理工大学 信息工程与自动化学院，云南 昆明 650500)摘要：预测锂电池剩余使用寿命(RUL)时，针对电池外部特性参量电流、电压等单一的健康因子(HI)对电池退化特性无法完整覆盖的问题，提出一种结合通道注意力机制(SENet)和栈式自编码(SAE)进行特征融合并引入双向长
2、短期记忆(BiLSTM)实现锂电池RUL的预测方法。充分提取锂电池电压、电流等HI。利用SAE对多个锂电池HI特征进行特征融合，并结合SENet通道注意力机制，增加重要特征在提取过程中的表现能力。利用BiLSTM网络对融合HI进行训练预测。采用NASA和马里兰大学计算机辅助寿命周期工程中心(CALCE)锂电池数据集进行验证，训练预测数据均采用50%的比例划分，预测结果的均方根误差(RMSE)平均值达到0.017。关键词：SENet；栈式自编码；特征融合；双向长短期记忆网络；电池寿命预测中图分类号：TM 912文献标识码：A文章编号：1002-087 X(2023)06-0745-05DOI:1
3、0.3969/j.issn.1002-087X.2023.06.012Life prediction of lithium battery based on SE-SAE feature fusion andBiLSTMYE Zhen,LI Kun,LI Mengnan,GAO Hongyu(Faculty of Information Engineering and Automation,Kunming University of Technology,Kunming Yunnan 650500,China)Abstract:When predicting the remaining use
4、ful life(RUL)of lithium batteries,a prediction method combiningchannel attention mechanism(SENet)and the stacked auto encoder(SAE)for feature fusion and introducingdirectional long short-term memory(BiLSTM)was proposed to solve the problem that single health indicator(HI),such as current and voltage
5、,could not fully cover the degradation characteristics of batteries.HI was fully extracted,such as voltage and current of lithium batteries.SAE was used for feature fusion of multiple HI features of lithiumbattery,and SENet channel attention mechanism was used to enhance the expressive ability of im
6、portant features inthe extraction process.BiLSTM network was used to train and predict fusion HI.The validation was conducted byusing the lithium battery dataset of NASA and the computer-aided life cycle engineering(CALCE)of University ofMaryland.The training and prediction data were divided into 50
7、%proportions,and the average RMSE(root meansquare error)of the prediction results reaches 0.017.Key words:SENet;stacked auto encoder;feature fusion;directional long short-term memory network;battery lifeprediction锂电池是一种目前较为先进的储能电池，被广泛应用于各类电子器件之中。然而由于锂电池在长期的工作过程中，随着充放电循环次数的积累，其内部结构持续产生一系列的电化学反应，导致电池性
8、能退化，容量不可避免的衰减。如果在电池性能达到失效阈值前没有及时更换电池，将会导致电子设备无法正常运行并引起事故的发生。因此，准确预测锂电池剩余寿命，对电池状态有效监测和管理，避免设备发生故障具有重要意义1。电池容量退化特征量的选取是实现电池剩余使用寿命(RUL)准确预测的重要前提，其主要有电池静置压降2、等压降时间间隔3等健康因子(HI)。单一的锂电池HI对电池性能退化的表征能力各不相同，其各自在全局衰减和局部突变阶段存在着不同的特征信息，且无法保证HI对电池性能退化特征的完整覆盖。戴等4提出一种基于健康特征参数的锂电池健康状态(SOH)方法，选取与电池容量相关性较好的若干特征参数进行预测，
9、取得了较好的预测结果，但多种HI在锂电池容量退化曲线的局部突变中表现出不同的特性，相互冲突，对锂电池 RUL的准确预测具有一定的影响。庞等5提出一种基于主成分分析(PCA)和非线性自回归(NARX)神经网络的锂电池剩余寿命预测方法，利用PCA提取的特征向量进行寿命预测，但 PCA 只能执行线性变换，当复杂多维数据为非线性结构时，PCA无法全面提取出数据的本质特征。为解决以上问题，本文提出一种基于通道注意力机制-栈式自编码(SE-SAE)特征融合和双向长短期记忆(BiLSTM)的锂电池 RUL 预测方法。充分提取锂电池充、放电阶段的电压、电流变化等 HI，利用 SAE将 HI 特征融合，SAE
10、既能表征线性变换，也能表征非线性变换，可以更加完备地提取出电7452023.6Vol.47No.6研 究 与 设 计池的退化特征信息。同时，引入 SENet6单元，提升数据的重要特征在提取过程中的表现能力，最后将融合后的特征向量输入到BiLSTM，进行锂电池RUL预测。1 SE-SAE的特征融合方法1.1 SAE模型自动编码器(AE)由输入层、隐藏层和输出层网络构成7，是一类基于无监督的人工神经网络。其结构如图1所示。编码过程为输入层将n维向量x=x1,x2,.,xn传递给隐藏层，得到拥有深层特征表达的m维向量f=f1,f2,.,fm；解码过程为隐藏层将 m维特征向量传递至输出层，生成 n维向
11、量y=y1,y2,.,yn。其编码操作和解码操作可表示为：(1)式中：S为编码激活函数；W、b 为权重矩阵和偏置项；S 为解码激活函数。AE通过反向传播和梯度下降算法最小化重构误差，使得向量x与y尽可能相等，重构误差函数表示为：(2)当重构误差足够小时，可认为隐藏层向量 f 包含了原始输入向量x的全部信息特征，即达到了数据降维、特征融合的效果。SAE是由2个及以上AE堆叠而成的深度神经网络，其网络结构如图 2所示。f为 AE1隐藏层的输出，把 f作为 AE2的输入进行训练，得到更深层次的特征提取f。SAE 通过逐层编码训练，提取数据的深层次特征表达，在处理复杂、非线性的高维数据时，比只有单隐藏
12、层的AE具有更强的特征提取能力，能够对输入数据降维，自适应、深层次地进行特征提取。1.2 SENet-SAE模型SENet由Hu等8提出，它能够获取特征信息的重要程度，以此来增加重要特征在提取过程中的表现能力。其主要由3个基本操作过程构成，如图3所示。挤压过程：根据数据维度对输入每个通道的特征信息进行压缩。其主要步骤为：输入数据经全局平均池化(GAP)后，使得每个通道的特征信息被压缩为一个权重因子，该权重因子表征了对应特征通道上的全局信息响应。激励过程：使用两个全连接层(FC)结构以减少网络的复杂度和增强泛化能力。其主要步骤为：第一个 FC 起到降维的作用，然后利用 ReLu函数将降维后的权重
13、因子激活，如式(3)所示；第二个FC起到升维的作用，将权重因子恢复到原始的维度。设置两个 FC 层使网络具有更多的非线性，可以更好地拟合各通道数据特征复杂的相关性。(3)式中：q 为 FC 层中各神经元的系数；u、C 为权重因子及其维度；r为降维系数。权重重标：权重因子经 sigmoid 函数归一化后，按照通道顺序与最初的输入数据加权相乘，重新标定最初输入数据特征的重要程度，权重值越大，代表其重要程度越高。本文将 SENet单元嵌入 SAE中，提出 SE-SAE模型，其结构如图4所示。SENet 单元通过获取归一化后的特征信息，自适应生成相应的权重系数，利用该权重系数增强数据的重要特征，抑制对
14、当前任务作用较小的特征，从而强化了重要特征信息在提取过程中的表现能力。把权重重标后的特征信息输入SAE进行特征融合，使得SAE网络模型对各通道的特征信息更容易辨别，提升了运算效率。相较于单独的SAE网络，SE-SAE能够更加高效地提取出深层次的特征表达。2 BiLSTM模型引入 BiLSTM 用于锂电池寿命预测，BiLSTM 网络包含输入层、前向长短期记忆网络(LSTM)层、反向LSTM层、拼接层和输出层，其网络结构如图5所示。图1AE网络结构1122()()fS bW xySbW x|=+=+2111()2niiiyxn=-图2SAE网络结构图3SE单元结构()Crq uR图4SE-SAE模
15、型结构7462023.6Vol.47No.6研 究 与 设 计前向 LSTM 学习当前时间序列之前的信息，后向 LSTM学习当前时间序列之后的信息，然后拼接前、后两个方向学习到的特征9。BiLSTM的各个计算步骤如下：前向LSTM计算公式如式(4)所示：(4)后向LSTM计算公式如式(5)所示：(5)拼接层计算公式如式(6)所示：(6)式中：W为权重矩阵。BiLSTM 有效解决了 LSTM 只能保存过去信息这一问题，相对于传统LSTM学习到了更多的数据特征，更有利于时间序列预测。3 实验与流程分别使用NASA研究中心和马里兰大学计算机辅助寿命周期工程中心(CALCE)的锂电池退化状态监测数据对
16、本文所提方法进行验证。NASA 数据集中，选取额定容量为 2 Ah，编号为 B0005、B0006、B0007的 3组 18650 电池，对其在 24 环境温度下进行充放电操作。充电方式为：以 1.5 A电流持续充电，当电池电压达到4.2 V时，转为以4.2 V电压充电，当充电电流下降到20 mA时，充电操作结束。放电方式为：以2 A放电电流对电池进行持续放电，当B0005、B0006、B0007号电池电压分别降至2.7、2.5、2.2 V时结束放电操作。马里兰大学 CALCE电池数据集中，选取额定容量为 1.1Ah的锂电池，标号为CS_37、CS_38。电池在恒定温度下进行充放电操作。充电方式为：以恒定电流持续充电，当电池电压升至 4.2 V 后以恒定电压充电，充电电流降至 20 mA 时停止充电。放电方式为：以恒定电流进行放电，直到电池电压降到 2.7 V。重复上述充放电操作直到电池容量退化至失效阈值，当锂电池容量小于70%时，即设定该电池寿命终止。3.1 健康因子的选取从易测量的锂电池退化特征着手，充分提取锂电池充、放电阶段电压、电流等多方面外部特性参量作为衡量电池性能退化的HI