基于BP神经网络的锂电池剩余寿命预测

王钟毅，姬晓，左思

（1.长安大学汽车学院，陕西 西安 710000；2.辽宁工业大学汽车与交通工程学院，辽宁 锦州 121000）

前言

锂离子电池因其工作电压高、比能大、无记忆效应、循环寿命长以及自放电率小等优点已被广泛应用于生活中的很多领域[1]。然而锂离子电池在充放电过程中受到内外界环境和不规范操作的影响，造成其逐渐老化，最终导致系统性能的下降与故障率的上升。因此，为了保证系统的可靠性与安全性，需要对锂离子电池的健康状态进行估计及预测，从而为工作人员维修决策及保养计划提供指导。

1 BP神经网络

BP神经网络是一种多层前馈神经网络，该网络的特点是信号前向传递，误差反向传播。在前向传递中，输入信号从输入层经隐含层逐层处理，直至输出层。每一层神经元状态只影响下一层神经元状态。如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使BP神经网络预测输出不断逼近期望输出[2]。BP网络的拓扑结构如图1所示：

图1 BP神经网络括扑结构图

其中，X1，X2，...，Xn是 BP 神经网络的输入值，Y1，Y2，...，Y m是BP神经网络的预测ωij和ωjk是BP神经网络的权重。

具体步骤如下：

（1）初始化，确定结点个数，随即给定各个权值与阈值；

（2）由给定的输入计算出实际输出与隐含层神经元的输出；

（3）计算实际值与期望值的误差，求出输出层的误差与隐含层的误差；

（4）根据得到的误差更新节点间的权值；

（5）重复步骤（3）-（4）计算损失函数，直到损失函数小于事先给定的阈值或迭代次数用完为止。

2 剩余寿命预测

2.1 数据来源

本文使用的数据为 NASA锂离子电池循环寿命实验数据，该实验中有四个锂离子电池（5号，6号，7号和18号）在室温下经过3种不同的操作（充电，放电和阻抗）。以1.5A的恒定电流（CC）模式进行充电，直到电池电压达到4.2V，然后以恒定电压（CV）模式继续充电，直到充电电流降至20mA。以2A的恒定电流（CC）进行放电，直到电池5，6，7和18的电池电压分别降至2.7V，2.5V，2.2V和2.5V。阻抗测量是通过从0.1Hz到5kHz的电化学阻抗谱（EIS）频率扫描进行的。重复的充电和放电循环会导致电池加速老化，而阻抗测量则可以深入了解随着老化的进行而变化的内部电池参数。当电池达到寿命终止（EOL）标准时即终止实验，该标准是额定容量（从2Ahr降至1.6Ahr）下降了20%。该数据集可用于预测剩余电荷（对于给定的放电周期）和剩余使用寿命（RUL）。其循环寿命图像如图2所示：

图2 锂离子电池循环寿命图像

从图中可以看出，动力电池容量衰减轨迹通常分为两个阶段：阶段1为非线性容量迅速衰减段；阶段2为容量近似衰减段。两个阶段的分界点在80-100次循环间。阶段1中动力电池容量经历了较快的衰减过程，其主要原因是动力电池负极SEI膜形成的过程中消耗了内部的活性物质。阶段2中动力电池SEI膜已经完全形成，此时容量相对稳定且衰减速率降低，从而产生了近似线性的容量衰减轨迹。

2.2 循环寿命预测

以#5锂离子电池循环寿命试验数据进行寿命预测，以前50%的数据进行训练，以后50%的数据进行预测，得到的图像如图3所示。

从图中可以看出，锂离子电池寿命终止循环次数为 73次，而神经网络预测得到的结果为75次，相对误差为0.027，误差在允许范围内。结果表明利用 BP神经网络对锂离子电池循环寿命进行预测可以得到较为精确的结果。

图3 BP神经网络预测图

3 结论

对锂离子电池进行有效的剩余寿命预测不仅可以提高系统的可靠性和可维护性，而且还有利于预防系统故障发生带来的灾难损失。本文采用 BP神经网络对锂离子电池循环寿命进行预测，结果表明 BP神经网络在锂离子电池寿命预测方面精度较高，为锂离子电池寿命研究提供一个方法。但是由于电池是高度非线性系统，对精确度和稳定性的要求越来越高，且 BP神经网络算法也在许多缺陷，后续需要对算法进行进一步的改进，已达到实车使用的效果。