中國儲能網(wǎng)訊：
摘 要 鋰離子電池長期充放電循環(huán)周期后會出現(xiàn)容量退化，性能下降，對儲能系統(tǒng)構(gòu)成潛在的危害。為此，本工作提出了考慮能量和溫度特征的鋰離子電池早期壽命預測混合模型，用以解決當前研究中對溫度和能量特征以及深度學習提取出的特征重要性研究不足的問題。首先，為了充分挖掘溫度數(shù)據(jù)中的有效信息，利用電壓、電流和溫度數(shù)據(jù)間接計算提取電池的容量、能量和溫度信號能量曲線，選取前100個周期的曲線數(shù)據(jù)構(gòu)建對應的二維特征。其次，針對卷積神經(jīng)網(wǎng)絡無法對所提取特征圖進行篩選的問題，提出了一種基于卷積神經(jīng)網(wǎng)絡和卷積塊注意力機制的特征提取架構(gòu)，利用注意力機制識別各特征圖的重要程度，進而實現(xiàn)從特征到早期壽命的映射。在MIT鋰離子電池退化數(shù)據(jù)集上展開實驗，對所提出的特征和方法進行效果驗證。研究結(jié)果表明，相較于基礎的卷積神經(jīng)網(wǎng)絡，所提出的混合模型取得了更優(yōu)的預測效果，平均均方根誤差為97.43。此外，對比一系列不同特征作為輸入的實驗可以發(fā)現(xiàn)所提出的溫度信號能量特征性能較好，同時多特征融合技術(shù)能夠?qū)崿F(xiàn)更優(yōu)的預測性能。最后，在更少周期數(shù)據(jù)應用的場景下，模型至少需要70個周期的數(shù)據(jù)才能保持較好的預測性能和較高的穩(wěn)定性。
關鍵詞 鋰離子電池；早期壽命預測；深度學習；溫度特征；能量特征
鋰離子電池已然成為全球綠色能源中的一項重要技術(shù)，其具備充電速度快、能量密度高、壽命周期長、環(huán)境友好以及充放電性能良好等特點，在新能源動力汽車、電力儲能系統(tǒng)等相關產(chǎn)品中得到了大量的實際應用。然而，對于鋰離子電池而言，隨著充放電次數(shù)的增加，它的可用容量會逐漸下降，性能也會隨之顯著下滑，對系統(tǒng)構(gòu)成潛在的危害。因此，實現(xiàn)對電池壽命的有效預測對于保障電池安全管理和電池儲能系統(tǒng)設計與優(yōu)化至關重要。
目前，研究者關于電池壽命終止的標準基本上都來自于IEEE標準，該標準統(tǒng)一將電池實際容量與最初容量比值降低至80%時定義為電池壽命終止。在實際情況下，鋰離子電池具有很長的壽命周期，獲取全壽命周期內(nèi)的數(shù)據(jù)需要很長的時間跨度?；诖?，研究者開展了大量有關電池早期壽命預測的相關研究。具體來說，電池的早期壽命預測是指利用和分析電池前數(shù)個周期的數(shù)據(jù)所表征出的信息來實現(xiàn)對電池壽命終止的預測。實際上電池在前幾個周期內(nèi)所表現(xiàn)出的容量退化是微乎其微的，這使得電池的早期壽命預測極具挑戰(zhàn)性。
有效的電池健康特征能夠充分反映電池退化過程中的內(nèi)外部狀態(tài)與電池健康壽命之間的潛在聯(lián)系，有助于利用電池早期少量的數(shù)據(jù)預測電池的壽命。目前電池的健康特征根據(jù)提取方式的不同主要可以分為基于可觀測變量直接提取的特征和基于計算變量間接提取的特征。基于可觀測變量直接提取的特征包括利用電池工作過程中的各項可觀測指標數(shù)據(jù)如電流、電壓、溫度、內(nèi)阻等直接提取相關特征。Braco等提取了不同電壓范圍內(nèi)的電池充電容量數(shù)據(jù)作為健康特征，利用Pearson相關系數(shù)進行特征選擇。Widodo等則是利用了電池在放電過程中的電壓數(shù)據(jù)提取樣品熵從而構(gòu)建了向量機模型的輸入特征。Severson等基于電池放電容量和電壓數(shù)據(jù)，統(tǒng)計容量差值的多項特征，包括均值、方差等，并在彈性網(wǎng)絡中驗證特征對于早期壽命預測的有效性。在此基礎上，F(xiàn)ei等從充電過程、放電過程、容量、溫度以及電池內(nèi)阻數(shù)據(jù)中分析了多組特征，并通過彈性網(wǎng)絡等六種機器學習方法實現(xiàn)對電池早期壽命的準確預測。Yang等利用充放電曲線數(shù)據(jù)關系提取了電池充電時恒壓和恒流下的持續(xù)時間，以及利用恒定電流進行充電時的膝點斜率和結(jié)束充電時的斜率共4個健康特征，這些健康特征從不同方面反映了電池的退化情況，而后通過灰色關系分析了特征與健康狀態(tài)之間的關聯(lián)程度。由于直接提取的特征往往是電池可觀測數(shù)據(jù)的統(tǒng)計特征，缺乏了對數(shù)據(jù)深層關系的進一步挖掘，因此越來越多的研究開始計算變量間接提取電池特征，其中大部分是基于增量分析和差值分析進行特征提取的，這些特征首先用于估計電池的健康狀態(tài)，而后通過進一步的計算預測電池的壽命。Zhang等通過容量增量方法分析電池充電容量相對于電池電壓的變化率，并進一步捕捉曲線中隱含的特征，包括峰高、峰面積以及峰值位置等，并驗證了這些特征能夠反映電池的老化進程。Zhou等關注容量增量曲線中的區(qū)域面積特征，利用機理分析和電池老化相關特征對所提出的特征進行識別和驗證。Deng等將部分充電數(shù)據(jù)中提取到的不同電壓區(qū)間的容量增量序列的平均值和標準偏差作為電池健康特征。Lyu等將容量增量曲線融合到充電容量數(shù)據(jù)中提取電池的老化特征。
然而，間接計算提取的方法大多集中在電壓和電流直接計算的容量增量曲線上，對于電池充放電周期能量和溫度的間接計算特征提取研究相對較少，大部分應用于電池早期壽命預測的溫度特征是直接利用溫度數(shù)據(jù)或其統(tǒng)計數(shù)據(jù)，如均值、最大值等，這種特征大多以一種附加特征的形式出現(xiàn)，用于輔助模型綜合考慮電池的熱效應。在實際工作中，由于內(nèi)部的化學反應，電池不斷向外散發(fā)熱量，其表面溫度會因為能量的增加而升高，進一步改變電池內(nèi)部的鋰離子遷移速率，從而對電池的老化進程造成影響。因此進一步研究和挖掘電池的表面溫度和能量規(guī)律有助于開發(fā)更多高相關性的特征。
目前關于早期壽命預測的方法主要是數(shù)據(jù)驅(qū)動方法?；跀?shù)據(jù)驅(qū)動的方法是直接利用電池在充放電循環(huán)中的可觀測指標數(shù)據(jù)，如電壓、電流、溫度等等，去研究和分析電池的壽命退化規(guī)律，從而避免了對電池內(nèi)部復雜結(jié)構(gòu)機理的深入研究。Paulson等充分挖掘了電壓和電流與時間的函數(shù)關系，并利用Pearson相關性和基于特征重要性選擇策略中實現(xiàn)對相關性較強的有效健康特征進行選擇，進而構(gòu)造多周期特征，同時研究對比了包括神經(jīng)網(wǎng)絡在內(nèi)的多種機器學習模型的早期壽命預測性能。Yang等從電壓、容量和溫度數(shù)據(jù)中提取相關特征，進而利用梯度提升回歸樹模型對電池壽命進行預測。Zhang等利用線性和非線性變換技術(shù)將放電容量、放電電流、端電壓、內(nèi)阻等數(shù)據(jù)映射到特征空間中，而后構(gòu)建一般回歸神經(jīng)網(wǎng)絡實現(xiàn)利用早期循環(huán)周期數(shù)據(jù)對電池壽命進行預測。近年來，深度學習方法憑借其強大的特征自動提取能力和預測能力，在電池早期壽命預測方面得到了大量應用。Saxena等利用前100個循環(huán)周期的容量-電壓數(shù)據(jù)構(gòu)造二維數(shù)據(jù)，而后應用卷積神經(jīng)網(wǎng)絡實現(xiàn)特征的自動提取和壽命預測。Yang針對實際應用問題，搭建了一種混合卷積神經(jīng)網(wǎng)絡的電池壽命早期預測模型，這個模型能夠分別利用三維卷積核和二維卷積核兩個模塊自動捕獲數(shù)據(jù)中不同維度上的抽象復雜特征，同時融合充電電壓、電流以及溫度數(shù)據(jù)。Zhang等利用長短期記憶循環(huán)神經(jīng)網(wǎng)絡來處理電池容量退化序列數(shù)據(jù)中的規(guī)律，對處于相異溫度和相異電流速率下的電池進行準確的壽命預測。Jiang等針對電池早期壽命預測任務中的數(shù)據(jù)分布不同，提出了一種柔和并行神經(jīng)網(wǎng)絡，利用三維卷積網(wǎng)絡提取電池壽命衰退的特征，并結(jié)合Inception模塊提高模型對不同數(shù)據(jù)尺度的適用性，提高了早期壽命預測的準確性。
然而，雖然目前已有大量的研究開展了深度學習和電池早期壽命預測的研究，但是大多數(shù)文獻對深度學習所提取的特征采用的做法是完全保留，而沒有考慮一部分低效特征信息對模型帶來的負面影響。為了實現(xiàn)更加準確的早期壽命預測，深度學習所提取的特征應當給予一定的權(quán)重，篩選出重要性和貢獻程度更高的特征，從而提高模型整體的預測性能。這種做法在很多研究領域都有所應用，如Li等利用對比注意力模塊評估每個局部特征的重要性，通過對特征進行加權(quán)來獲取特征間的協(xié)作關系。Niu等提出了整體注意力網(wǎng)絡用以充分考慮卷積層間的相關性，自適應地表征層次特征，以選擇捕獲更多有效信息特征。在圖像識別領域，Wang等和Jiang等分別在手勢識別和面部表情識別中嵌入了卷積塊注意力機制，用以加強對特征的捕獲能力，提高手勢識別的精度?？偠灾?，注意力機制已被證明了可以在整個特征圖之間有效地交換信息，通道注意力機制能夠有效地保留每層中具有豐富信息的特征，而空間注意力機制能夠很好地考慮特征圖的位置信息，處理遠距離的空間連接問題，為特征的提取提供更高的穩(wěn)定性。這兩個模塊的串行連接能夠逐步聚焦于局部特征，從而強化圖像中的重要信息。
基于上述分析，為了進一步分析研究電池放電溫度數(shù)據(jù)中更深層次的信息，本工作利用電池放電過程中的溫度、電壓、電流數(shù)據(jù)計算了電池在周期內(nèi)的容量-電壓、能量-電壓和溫度信號能量-電壓曲線，而后利用樣條插值進行多個周期內(nèi)的數(shù)據(jù)采樣，構(gòu)建3組二維圖形特征。本工作融合了AlexNet卷積神經(jīng)網(wǎng)絡和卷積塊注意力機制(convolutional block attention module, CBAM)，搭建了早期壽命預測混合模型，利用CBAM獲取每個特征圖的權(quán)重系數(shù)，然后再與特征圖進行加權(quán)重構(gòu)，從而避免了一些無關特征對模型性能的影響。最后本工作在麻省理工學院(MIT)提供的鋰離子電池退化公開數(shù)據(jù)集驗證所提出特征和混合模型的有效性。實驗結(jié)果表明，所提出的溫度信號能量表現(xiàn)出不錯的性能，能夠有效提高模型的預測準確度，加入了注意力機制的混合模型的早期壽命預測具有更高的精度。
1 電池數(shù)據(jù)特征提取
1.1 數(shù)據(jù)集介紹
本研究使用來自麻省理工學院(MIT)提供的鋰離子電池退化公開數(shù)據(jù)集，記錄了A123系統(tǒng)公司制作的124個磷酸鐵鋰電池在30 ℃恒溫箱中充放電過程中的各項指標數(shù)據(jù)。圖1(a)為MIT數(shù)據(jù)集中所有124個電池樣本的電池實際容量隨著電池充放電次數(shù)的增加而降低至電池初始標稱容量的80%的曲線。圖1(b)為所有電池樣本的壽命分布統(tǒng)計，可以發(fā)現(xiàn)大部分電池的壽命主要集中在400~1000個循環(huán)內(nèi)。
圖1 MIT數(shù)據(jù)集描述 (a) 所有鋰離子電池樣本的電池容量衰減曲線；(b) 電池數(shù)據(jù)集的壽命分布情況；(c)，(d) 兩個不同充電策略電池的電壓與電流在一個周期內(nèi)的變化曲線
該數(shù)據(jù)集提供了124個電池樣本在充放電過程中的多項指標，如電流、電壓、溫度、放電容量等。由于不同電池在第一階段的充電過程中采用了不同電流和電壓的充電策略，如圖1(c)～(d)，難以形成統(tǒng)一的數(shù)據(jù)樣本獲取區(qū)間，因此本工作使用電池放電過程中的數(shù)據(jù)對電池壽命進行研究。圖2為在全壽命周期內(nèi)的放電電壓和溫度隨時間的變化曲線及演變規(guī)律。圖中顯示，單個周期內(nèi)，電壓呈現(xiàn)出先加速而后減速下降，至3.0 V左右時加速降低，而溫度則在整個周期內(nèi)隨著放電的進行逐漸增大。
圖2 電池在全壽命循環(huán)周期內(nèi)放電過程的 (a) 電壓曲線和 (b) 溫度曲線變化趨勢
在數(shù)據(jù)預處理過程中，3類電池預測數(shù)據(jù)需要進行處理。首先是刪除43號電池，因為該電池壽命很短，根據(jù)MIT電池數(shù)據(jù)集描述該電池的壽命退化有可能是內(nèi)部原因而非自然退化。其次刪除第4、27、42、54、58、61、62、112號電池，根據(jù)MIT電池數(shù)據(jù)集實驗記錄這些電池在實驗過程中的熱電偶意外脫落，所采集到的溫度數(shù)據(jù)并非電池的實際溫度數(shù)據(jù)。同樣進一步刪除了第48、49、89和90號電池，因為這些電池溫度數(shù)據(jù)采集過程中熱電偶兩兩切換，所獲取到的溫度數(shù)據(jù)與電池并不匹配。
1.2 數(shù)據(jù)分析和特征提取
在充電過程的數(shù)據(jù)中，電池實際的不同充電策略會影響電池的電流、電壓與溫度等數(shù)據(jù)，因此在本工作將從放電過程數(shù)據(jù)中提取特征，以提高實用性。此外，在特征提取過程中，采用了在特定電壓范圍內(nèi)均勻采樣的做法。這是因為在實際工作條件下，電池有效容量并非恒定，若以時間作為采樣點則會使得不同周期間所提取的數(shù)據(jù)長度不一致，以電壓為采樣點則能夠很好地保持數(shù)據(jù)的規(guī)整，方便后續(xù)模型對數(shù)據(jù)的利用。本工作所提取的特征包括容量圖形特征、能量圖形特征和溫度圖形特征。
1.2.1 容量圖形特征
經(jīng)典的容量計算算法采用安時積分法，即通過電池在放電過程中的電流在一個循環(huán)時間段上的積分獲取電池在該循環(huán)的容量數(shù)據(jù)，如式(1)所示：
圖3(a)為電池在其整個壽命內(nèi)的每一個周期的放電容量-電壓曲線。而后通過樣條插值法在特定電壓區(qū)間設置等距的電壓采樣點獲取對應的電池放電容量數(shù)據(jù)。在電池前100個周期放電過程中電壓區(qū)間[2.2 V, 3.4 V]內(nèi)設置100個采樣點，得到放電容量-電壓張量特征，如圖3(b)所示，后文簡稱F1。
圖3 (a) 電池在其全壽命周期內(nèi)的放電容量-電壓曲線；(b) 放電容量-電壓二維特征
1.2.2 能量圖形特征
從圖3(a)中可以看出，隨著充放電周期的遞增，如果電池從初始電壓放電至同一電壓，電池實際可放出的容量是降低的，即曲線表現(xiàn)出整體向下偏移的現(xiàn)象，因此該曲線與電壓橫軸所圍成的面積也會逐漸減少，反映了電池實際可放出能量隨著充放電周期遞增而不斷減少。因此，用能量定義來描述該區(qū)域面積，如式(2)所示，積分時間從初始時刻到電池截止放電時間內(nèi)依次取值，獲取到與時間對應的能量序列數(shù)據(jù)，如圖4(a)所示。在實際應用中，能量相較于容量來說是一個更加全面的物理量，它能夠考慮電池在放電過程中的電壓變化，在不同放電速率下也可以反映電池能夠提供的功率。
圖4 (a) 電池在其全壽命周期內(nèi)的能量-電壓曲線；(b) 能量-電壓二維特征
通過樣條插值法在同樣的電壓區(qū)間設置等距的電壓采樣點獲取對應的能量數(shù)據(jù)，如圖4(b)所示，后文簡稱F2。
1.2.3 溫度圖形特征
溫度是反映電池放熱效應和電池退化的一個有效觀測參數(shù)。圖5描述了在電壓維度上，放電溫度曲線在整個壽命周期內(nèi)的演變趨勢。從單個周期上看，隨著放電電壓升高，溫度先緩慢下降，在3.0 V左右加速下降，隨后在3.2 V左右下降速度減慢。從周期演變上看，整體溫度曲線先上移后下移。
圖5 放電溫度曲線在整個壽命周期內(nèi)的演變趨勢
通常情況下，一個信號的強弱可以通過該信號的平方在時間上的累積得到，該信號的強度本質(zhì)上可定義為信號的能量，可以用式(3)表示：
圖6(a)展示了電池在其全壽命周期內(nèi)的溫度信號能量曲線。通過樣條插值法在同樣的電壓區(qū)間設置等距的電壓采樣點獲取對應的能量數(shù)據(jù)，如圖6(b)所示，后文簡稱F3。
圖6 (a) 電池在其全壽命周期內(nèi)的溫度信號能量-電壓曲線；(b) 溫度信號能量-電壓二維特征
2 基于卷積神經(jīng)網(wǎng)絡和注意力機制的混合預測模型
2.1 卷積神經(jīng)網(wǎng)絡架構(gòu)
卷積神經(jīng)網(wǎng)絡是一種通過在深度方向上堆疊不同網(wǎng)絡層來實現(xiàn)特征自動提取和特征映射的深度前饋式網(wǎng)絡，具有卷積層稀疏連接、卷積核權(quán)重共享以及下采樣的特性。一般來說，卷積神經(jīng)網(wǎng)絡最重要的核心層有卷積層、池化下采樣層以及全連接層，這些不同層在架構(gòu)中承擔獨特的功能職責。
首先，卷積層是最為重要的基本單元，用以實現(xiàn)對特征的提取。卷積核是在卷積層中執(zhí)行卷積操作的基本結(jié)構(gòu)，也是卷積層的參數(shù)，不同卷積核中的參數(shù)是不同的，用以捕捉不同表征信息。卷積操作如圖7(a)和式(5)所示：
圖7 (a) 卷積操作；(b) 平均池化
卷積核在特征圖上規(guī)律性滑動對輸入數(shù)據(jù)進行卷積計算，這種共享卷積核的方式稱為權(quán)重共享，這種權(quán)重共享方法能夠顯著減少參數(shù)大小，提升模型的運行效率。在卷積層之后，通常會連接到一個激活層來增強網(wǎng)絡的非線性表達。常見的激活函數(shù)有飽和激活函數(shù)Sigmoid和非飽和激活函數(shù)ReLU，分別如式(6)和(7)所示：
2.2 注意力機制
注意力機制是一種允許神經(jīng)網(wǎng)絡在訓練過程中自適應地關注輸入及特征圖中具有重要信息的區(qū)域，抑制無效特征信息向深層網(wǎng)絡傳遞的模塊，能夠增強模型對有效特征信息的捕獲能力和效果。本工作選擇了具有雙重注意力，自適應能力較強的輕量化CBAM為特征配置權(quán)重。
CBAM的主要組成部分和重要結(jié)構(gòu)在圖8中進行細致展示。兩種注意力機制均是通過輸入和各自網(wǎng)絡模塊計算得到注意力權(quán)重，如式(9)和(10)所示。
圖8 (a) 通道注意力機制；(b) 空間注意力機制
2.3 混合模型架構(gòu)
本工作應用的基礎網(wǎng)絡模型為AlexNet，為了延后特征融合階段，將輸入的三通道拆分，分別對三組輸入進行并行特征提取。三個通道的所有特征圖在深度方向上堆疊實現(xiàn)特征融合，隨后合并后的特征圖依次經(jīng)過通道注意力模塊和空間注意力模型進行權(quán)重賦值，而后經(jīng)過2個卷積層進一步提取特征，最后接入4個全連接層，將所提取出的抽象特征表達到標簽空間。圖9展示了本工作所提出的基于混合模型的電池早期壽命預測架構(gòu)。
圖9 本工作所提出的混合模型的網(wǎng)絡架構(gòu)
2.4 實驗設計
圖10描述了本工作總體的實驗流程。首先從MIT鋰離子電池數(shù)據(jù)集中提取電池在放電過程中的放電電流、電壓和溫度數(shù)據(jù)，計算并構(gòu)造與容量、能量和溫度相關的特征。而后在特定電壓區(qū)間內(nèi)設置等距電壓采樣點進行樣條插值，獲取各特征基于電壓的特征數(shù)據(jù)。隨后將電池前100個充放電周期的特征數(shù)據(jù)并聯(lián)構(gòu)建二維張量數(shù)據(jù)。最后將單個或多個特征在深度上堆疊構(gòu)造三維張量數(shù)據(jù)作為模型的輸入進行訓練和測試。
圖10 實驗流程圖
本工作將111個電池樣本隨機劃分訓練集和測試集，訓練集包含了80個電池，而余下的31個電池則歸于測試集中。重復數(shù)據(jù)集劃分操作三次，分別進行實驗，目的是降低偶然誤差和數(shù)據(jù)分布不均導致對實驗結(jié)果和最終結(jié)論的影響。最后，模型預測性能的定量表示為三次隨機重復實驗結(jié)果的平均值。本研究實驗使用均方根誤差(root mean square error, RMSE)和相關系數(shù)(圖片)兩個指標來評估模型的預測壽命與電池的實際壽命之間的數(shù)值差異，從而反映模型性能。
3 實驗結(jié)果與分析
3.1 混合模型的實驗結(jié)果對比
混合模型選擇容量圖形特征(F1)、能量圖形特征(F2)和溫度圖形特征(F3)分別作為三條并行通道的單特征輸入，在各自經(jīng)過三個卷積層進行特征初步提取后進行特征融合。而原始AlexNet網(wǎng)絡的輸入則是所提取的3組特征在深度方向上堆疊得到的三維張量特征數(shù)據(jù)，并在網(wǎng)絡的首個卷積層進行特征融合。記錄混合模型和AlexNet網(wǎng)絡在測試集上的預測結(jié)果并計算均值如表1所示。原始網(wǎng)絡模型與集成注意力機制的混合模型的平均RMSE分別為98.73和97.43。從實驗結(jié)果上看，對比未添加注意力機制的原網(wǎng)絡模型，集成了注意力機制的混合模型取得了更優(yōu)的早期壽命預測性能，能夠充分利用多組特征的數(shù)據(jù)，更好地捕獲電池壽命信息。圖11展示了兩個模型在第一組實驗中所有電池的預測壽命和真實觀測壽命對比。
表1 AlexNet和AlexNet+CBAM混合模型的預測結(jié)果
圖11 AlexNet和AlexNet+CBAM混合模型的預測性能對比
3.2 不同特征的性能對比
在本節(jié)特征性能對比中，AlexNet作為壽命預測模型進行實驗，通過對比實驗來研究各特征的性能差異。同時，為了綜合利用多組特征所具備的信息，本節(jié)還將所提取的3組特征在深度方向上堆疊得到三維張量特征數(shù)據(jù)，并在網(wǎng)絡的首個卷積層進行特征融合。基于3組特征設計了四組不同特征輸入的實驗，特征輸入分別為：①F1+F1+F1；②F2+F2+F2；③F3+F3+F3；④F1+F2+F3，其中①～③為單一特征復制2次并在深度方向上堆疊構(gòu)建三維張量數(shù)據(jù)，④為多特征輸入。實驗結(jié)果如表2所示，單獨使用F1效果最優(yōu)，平均RMSE為113.64，圖片達到了0.8954，這是因為電池退化過程中表現(xiàn)最明顯的就是電池容量的衰減。此外特征F3也表現(xiàn)出不錯的性能，平均RMSE為116.07，圖片為0.8858，與電池的容量衰減表現(xiàn)出較強的相關性，可能原因是電池在正常的充放電過程中會發(fā)熱，溫度會隨著電池內(nèi)部匯集的熱量而升高，而電池能夠釋放的熱量與電池的實際可用容量息息相關，因此電池溫度數(shù)據(jù)能夠很好地反映電池的退化信息，可以將其視為電池早期壽命預測的關鍵有效特征。與單獨使用任意一種特征相比，三組特征同時作為輸入能夠有效地提高模型的預測能力，平均RMSE降低至98.73，而圖片則達到了0.9213，這說明了多特征融合使得模型能夠從容量、能量和溫度數(shù)據(jù)中有效捕獲并綜合更多特征信息。圖12則展示了在重復實驗組1中分別利用單一特征和多特征進行訓練的網(wǎng)絡模型在測試集上的電池壽命預測結(jié)果對比。
表2 不同特征輸入的性能結(jié)果
圖12 以不同特征 (a) F1+F1+F1；(b) F2+F2+F2；(c) F3+F3+F3；(d) F1+F2+F3訓練的電池早期壽命預測模型在第一組測試集上的預測情況
3.3 基于更少周期數(shù)據(jù)的電池早期壽命預測
一個能夠基于少量周期數(shù)據(jù)即可實現(xiàn)對電池壽命進行預測的模型能夠使得電池在老化的前期得到更好的規(guī)劃與利用。因此本節(jié)實驗中，嘗試通過減少網(wǎng)絡所需的周期數(shù)據(jù)來探索提高模型適用性的可能性。分別基于電池前100，90，80，70，60周期的數(shù)據(jù)展開實驗。記錄實驗數(shù)據(jù)如表3所示。圖13將各組實驗結(jié)果進行了可視化對比。從各組實驗的平均RMSE和圖片上看，周期數(shù)據(jù)的減少導致模型預測性能和精度逐步降低，這表明了電池數(shù)據(jù)所提供的有效信息會隨著周期的減少而減少。當所使用的周期數(shù)據(jù)不小于70時，平均RMSE小于150，平均圖片大于0.8，模型的預測性能保持在能夠接受的預測精度內(nèi)。而當繼續(xù)縮減周期數(shù)據(jù)至60個周期時，模型的性能發(fā)生了嚴重下滑。因此為了確保預測模型的可靠性，在利用本研究所選用特征的前提下，應考慮使用不少于70個周期的數(shù)據(jù)。
表3 基于不同周期數(shù)量的特征的性能結(jié)果
圖13 基于不同周期數(shù)量的模型性能對比
3.4 注意力機制超參數(shù)研究
在空間注意力模塊中，兩類池化操作分別得到了空間注意力圖，后續(xù)接入了一個僅包含一個卷積核的降維卷積層，該卷積層的作用是在保持輸入的長度和高度一致的前提下將通道數(shù)降為1，同時利用卷積核的卷積操作融合相鄰區(qū)域的特征信息，更好地提取區(qū)域信息，因此該卷積層中的卷積核尺寸參數(shù)值得研究。通過實驗對比采用不同卷積核尺寸的卷積層對實驗結(jié)果的影響，本次實驗不考慮使用1×1的卷積核，因為該尺寸的卷積核本質(zhì)上就是通道維度上的加權(quán)，沒有考慮到從特征權(quán)重圖內(nèi)相鄰像素的聯(lián)系，因此對比實驗的卷積核尺寸分別設置為：3×3、5×5和7×7。同樣以三組特征分布作為混合模型的并行輸入，在混合模型中進行訓練和測試，具體對比實驗結(jié)果如圖14所示，從三種情況下的對比實驗結(jié)果可以看出，選用較小尺寸的卷積核能夠?qū)崿F(xiàn)更好的預測結(jié)果，這意味著需要一個較小的感受野來捕獲特征中更加重要的細節(jié)區(qū)域。因此在空間注意力模塊中最終采用小核尺寸的卷積層計算權(quán)重。
圖14 帶有不同大小卷積核的空間注意力的實驗對比
4 結(jié) 論
本工作研究了基于鋰離子電池健康特征與深度學習的早期壽命預測方法，利用電池前100甚至更少周期的數(shù)據(jù)來達到在電池退化的早期就能夠準確預測電池的壽命周期，所需的周期數(shù)據(jù)僅占電池全壽命周期的10%左右。首先針對當前對電池溫度特征研究不足以及未考慮深度學習提取特征的重要性的問題，本工作基于電池放電過程中的電壓、電流和溫度數(shù)據(jù)，拓展研究了與電池能量與溫度相關的特性，并以此提取了基于容量、能量和溫度的二維圖形特征，通過實驗驗證了所提出特征的有效性。同時通過在特征提取層間引入注意力機制對模型進行優(yōu)化，提高了電池早期壽命預測的準確度。
對三組特征分析表明，單獨利用處理后溫度數(shù)據(jù)進行電池早期壽命預測也能較為準確。溫度數(shù)據(jù)反映了電池在充放電過程中的放熱量，而電池的實際可用容量決定了電池可釋放的熱量，因此，挖掘電池溫度數(shù)據(jù)的特性有助于推動溫度相關特征為電池壽命預測提供寶貴特征信息。此外通過特征融合技術(shù)將三組特征進行融合，實驗結(jié)果表明充分利用多組特征有助于提高模型整體的預測性能。能夠利用的特征輸入越多，模型就能夠從電池的放電數(shù)據(jù)中捕捉越多有效的壽命信息，預測性能就會越優(yōu)異。添加的注意力機制的混合模型對比實驗說明注意力模塊能夠根據(jù)輸入特征圖對模型的有效性為不同特征提供不同的權(quán)重系數(shù)，使得模型能夠篩選學習對模型有益的特征信息，同時抑制無效信息的傳遞，從而提高模型的預測能力。此外本工作還進一步研究了基于更少周期的電池數(shù)據(jù)實現(xiàn)早期壽命預測以及探索了空間注意力模塊中降維卷積層的卷積核尺寸大小對該模塊特征權(quán)重分配及最終模型壽命預測的影
