基于CSA-BiLSTM的储能电池寿命预测

董志国 徐全海 马志刚

（1.国家能源集团青海电力有限公司，青海 西宁 810001；2.国家能源集团海西光伏发电有限公司，青海 海西 817000）

提出“双碳”目标以后，国家对环保问题采取了相应的措施，大力发展新能源、减少化石能源的占比成为了“双碳”背景下的热门话题。储能电池作为新能源储能场站的“心脏”，准确地对储能电池健康进行估算尤为重要。

1 SOH定义与获取方法

锂离子电池具有能量密度高、自放电率低、循环性能好以及无记忆效应等优点[1]，是储能电站的心脏。电池健康状态（State Of Health，SOH）表示电池性能和容量随着时间和使用情况的变化而变化的程度。当电池的SOH降至70%左右时，就需要及时更换电池，以保障用电设备安全、稳定地运行。目前，锂离子电池SOH获取方法主要分为直接测量法[2]、基于模型的方法[3]和数据驱动方法[4]。基于数据驱动方法的锂离子电池SOH估算方法考虑电池老化过程是典型的非线性过程，因此通过锂离子电池老化测试获得表征电池老化的特征参数，就可以估算电池SOH，这种方法不需要考虑电池老化的机理和内部电池的化学反应。目前，最常用的就是基于数据驱动方法预测储能电池的SOH。

SOH的定义有很多，最常见的定义方法是从容量的角度定义，如公式（1）所示。

式中：Caged为锂离子电池当前的容量；Crated为锂离子电池出厂时的容量。

在实际情况中，由于难以直接测量锂离子电池的容量，因此该文从容量的角度重新定义电池的SOH，并以电池的最大放电量来代替电池容量重新定义电池的SOH，如公式（2）所示。

式中：Qmax为目前电池最大放电量；Crated为锂离子电池出厂时的容量。

这种定义方式更符合储能器件的使用方式。

2 预测模型

2.1 BiLSTM神经网络

双向长短时记忆神经网络属于循环神经网络（Recurrent Neural Network，RNN），Bi代表双向（Bidirectional），LSTM代表长短期记忆（Long Short-Term Memory）。在传统的RNN中，信息仅在一个方向上流动，即从前向后或从后向前。而BiLSTM包括2个LSTM层，一个正向（从前到后）和一个反向（从后到前），2个层的输出在每个时间步骤上进行拼接或合并，形成最终的输出，其原理示意图如图1所示。

图1 BiLSTM原理示意图

其中，LSTM由遗忘门、输入门和输出门组成，如公式（3）所示。

式中：Ct为单元状态；ft为遗忘门，决定下一个单元状态Ct-1中哪些内容进入下一个单元状态；为临时单元状态；it为输入门，决定中哪些内容参与Ct的更新；Ot为输出门，作用在Ct上，得到当前阶段的隐藏层输出ht；W和b分别为对应门的权重和偏置；Wc为临时单元状态的权值矩阵；bc为临时单元状态的偏置；xt为当前时刻输入的信息；xi为输入临时单元门的信息；σ（·）为Sigmoid函数，在门的构成中常采用Sigmoid函数；tanh为双曲正切函数，在单元状态更新中常采用tanh。

2.2 变色龙优化算法

变色龙算法（Chameleon Swarm Algorithm，CSA）是一种模拟变色龙寻找食物时的动态行为的优化算法。CSA算法具有以下特点：1）它具有强大的寻优能力，能够在搜索空间中找到最优解，其模拟变色龙对环境变化的适应能力，使算法能够快速收敛到较好的解。2）CSA算法的收敛速度较快，能够在较短的时间内找到较优解，可以提高算法的效率。3）CSA算法具有较高的精度，能够找到接近最优解的解决方案。综上所述，变色龙算法是一种性能较高的优化算法。该算法在寻优能力、收敛速度和精度方面表现出色，可以对多种优化问题进行求解。算法原理分为以下4个步骤：1）初始化。在搜索范围内随机初始化。2）搜索猎物。变色龙搜索猎物的方式如公式（4）所示。3）变色龙眼睛旋转。模拟变色龙眼睛旋转定位猎物时的位置更新，如公式（5）所示。4）捕获猎物。将变色龙舌头捕获猎物时速度定义为公式（6）。

式中：yti,j、分别为变色龙i在j维空间第t、第t+1次迭代时的位置；Gtj为变色龙在j维空间第t次迭代时最优个体的位置；Pti，j为目前变色龙i在j维空间从开始到第t次迭代这段时间中最优个体的位置；uj、lj分别为变色龙搜寻猎物空间维度的上限、下限；lbj为变色龙搜寻猎物空间的一个随机维度；μ为搜索能力控制参数；sgn（rand-0.5）为变色龙的旋转方向，一般取±1，代表向前或者向后选择；r为[0，1]的随机数；p1、p2为变色龙寻找猎物能力的2个参数；Pp为变色龙对猎物的感知概率，当ri≥Pp时，变色龙会在空间中改变自己的位置，以更好地寻找猎物，当ri＜Pp时，变色龙会改变方向搜寻猎物。

式中：c1、c2为常数，通过控制G、P来影响变色龙弹舌速度，一般取经验值c1=c2=1.75；w为线性减小的惯性权重。

在捕获猎物阶段，CSA算法速度的更新方式与粒子群中粒子飞行速度的更新方式很像，但是其可以合理地控制弹舌速度。

CSA算法与鲸鱼优化算法、海鸥优化算法的螺旋操作的区别是它用到了坐标转换法，得到的结果更准确。

2.3 CSA-BiLSTM优化预测模型

该文提出的CSA-BiLSTM优化预测模型流程如图2所示。

图2 CSA-BiLSTM模型流程图

在该模型中，BiLSTM神经网络模型是训练数据的载体，学习输入数据的序列特征。同时，CSA算法作为BiLSTM神经网络参数优化的载体，可以优化BiLSTM神经网络的参数，以提高模型的预测性能。该优化预测模型能够综合利用变色龙算法的搜索能力和BiLSTM神经网络的序列建模能力，使模型能够准确地预测目标变量，并且具有较快的收敛速度和较高的预测精度。该模型在预测问题中具有潜在的应用价值。

3 方法验证

为了验证该文提出的方法的有效性，采用牛津电池老化数据集[5]对该方法进行应用，数据集采用的电池为钴酸锂离子电池，电池额定容量为740 mA·h。在电池完全放电后再重新进行充电，定义1次完整的充放电过程是1次循环。在100次循环之后再进行1次容量标定。通过多次循环充电/放电来达到使电池老化的目的，当电池容量为70%左右时，停止循环试验。值得注意的是，每次循环中记录的电压、温度以及电池容量变化曲线都只对应1个SOH。因为是恒流充电，所以电流不适合作为输入参数，选取充电时刻电池的平均电压和平均温度作为输入参数，并输出电池最大放电量。选取部分数据见表1。

表1 部分数据

该试验网络搭建和数据处理工具均采用matlab2021a。神经网络模型参数设置见表2。

表2 神经网络模型参数初设置

将电池SOH参考值与CSA-BiLSTM、BiLSTM预测值进行对比并展示部分对比结果，如图3所示。

图3 部分优化前后SOH预测值与真实值对比

由图3可知，随着循环次数增加，电池SOH整体上呈下降的趋势，但是在放电的过程中，电池SOH会出现忽高忽低的现象。其原因是在充放电过程中，会出现2种容量损失，即可逆容量损失和不可逆容量损失。可逆容量损失是指能量损失，可以在充电过程中重新获得，这部分损失通常与电池内部的化学反应有统计学意义。不可逆容量损失是指由电解质与电池正负极之间的化学作用引起的能量损失，这种损失导致电池正负极容量不平衡，无法恢复。还有一种情况就是可能存在数据丢失和错误记录的情况。

优化后储能电池SOH在实际的参考值上下波动，与未优化前相比，更接近真实参考值。

为了便于直观地观测优化前后的效果，计算优化前后相对误差曲线，结果如图4所示。由图4可知，优化前相对误差主要分布在[-2.5%，2%]，优化后相对误差主要分布在[-1%，1%]。结果表示，优化后的相对误差较小。

图4 SOH相对误差曲线比较

为了便于比较优化模型前、后的效果，采用平均绝对误差MAE、均方根误差RMSE来进行评价[6]，如公式（7）所示。

式中：yi为第i次预测最大放电量；为第i次真实最大放电量；n为总的循环次数。

根据该文定义的SOH计算优化前、后电池SOH的MAE和RMSE，计算结果见表3。

表3 不同算法误差结果

计算结果表明，经过CSA优化后BiLSTM神经网络模型预测结果的相对误差、平均绝对误差以及均方根误差均比优化前的预测误差小，整体的预测效果更好。

4 结语

该文以一种双向长短时记忆神经网络为框架，采用变色龙优化算法优化的CSA-BiLSTM预测模型对储能锂离子电池的SOH进行预测，使用牛津电池老化数据集进行验证并对比优化前、后的SOH误差。结果显示，优化后的预测结果的准确性、鲁棒性较高。