基于Bi-LSTM-Dropout的蓄电池剩余使用寿命预测方法

黄晓智 张华明 黄艺航 许志杰

本文引用格式：黄晓智，张华明，黄艺航，等.基于Bi-LSTM-Dropout的蓄电池剩余使用寿命预测方法[J].自动化与信息工程， 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：蓄电池剩余使用寿命预测对能源的安全性和可持续发展至关重要。该文提出一种蓄电池剩余使用寿命的预测方法，利用蓄电池的历史运行数据和充放电周期，构建Bi-LSTM-Dropout网络模型。利用Bi-LSTM提取时间序列中蓄电池长期依赖的特征，采用Dropout优化算法降低Bi-LSTM网络模型的复杂度，提高模型的泛化能力。实验结果表明，该方法在测试集上的准确率达96.2%，实现了蓄电池剩余使用寿命的精确预测。

关键词：蓄电池；剩余使用寿命预测；Bi-LSTM；Dropout优化算法

中图分类号：TM912           文献标志码：A           文章编号：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

蓄電池组作为变电站直流电源系统的关键设备，在交流电源发生断电时，能为重要负载设备提供不间断的直流供电保障[1]。目前，变电站的通信用蓄电池每年都要进行充放电核容和激活，需要耗费2人3日的工作量[2]。且仅依赖人工使用放电仪表进行核容，无法准确地掌握蓄电池的健康情况[3]。

近年来，国内外学者对蓄电池剩余使用寿命（re-

maining useful life， RUL）预测进行了大量的研究，主要方法包括基于物理模型法和基于数据驱动法[4]。基于物理模型法通过研究电池的内部状态，结合相关算法预测电池RUL[5]。文献[6]利用简化的电化学模型和双非线性滤波器，结合电池的荷电状态（state of charge， SOC）和健康状态（state of health， SOH）估计算法，实现电池RUL的预测。文献[7]基于固体电解质界面副反应建立电化学-热耦合模型，能有效地模拟固体

电解质界面副反应对锂电池容量衰减的影响。但基于物理模型法预测蓄电池RUL存在建模过程复杂、成本高等问题。基于数据驱动法通过蓄电池的历史运行数据来学习规律，以适应不同条件的电池工况，能够快速、准确地预测蓄电池RUL。基于数据驱动法主要包括深度学习、支持向量机和机器学习等方法。QU[8]等利用长短时记忆网络和注意力机制建模，同时引入粒子群优化算法，对锂电池RUL进行预测，SOH进行监测，该模型的均方根误差为3.62%，实现了锂电池RUL的准确预测。REN等[9]结合卷积神经网络和长短时记忆网络来预测锂电池RUL，采集锂电池实际运行数据进行训练，预测结果的均方根误差为4.80%。但基于数据驱动法存在数据样本较少的问题，导致模型容易出现过拟合现象，降低网络模型性能。

本文采用基于数据驱动法来预测蓄电池RUL，提出一种融合双向长短时记忆（bi-directional long short-term memory， Bi-LSTM）网络与Dropout优化算法的蓄电池RUL预测方法。通过蓄电池历史运行数据和充放电周期，建立Bi-LSTM-Dropout网络模型，利用Bi-LSTM提取时间序列中蓄电池长期依赖的特征，同时引入Dropout优化算法提高Bi-LSTM网络模型的泛化能力，实现蓄电池RUL的精确预测。

1 模型原理

1.1 Bi-LSTM网络

Bi-LSTM网络包含2个LSTM单元：一个LSTM单元按时间序列的正向顺序处理输入数据；另一个LSTM单元按时间序列的逆序处理输入数据。Bi-LSTM网络结构如图1所示。

这种双向处理数据的方式使Bi-LSTM网络能够同时利用过去和未来的数据，提高了对长时间序列数据的学习能力[10]。

LSTM单元主要由遗忘门、记忆门和输出门组成，结构图如图2所示。通过这些门的配合，LSTM能选择性地遗忘历史信息、保留输入信息，输出需要的信息[11]。

1.2 Dropout优化算法

Bi-LSTM网络随着网络层数增加，网络结构也更加复杂。此外，变电站蓄电池组长期处于浮充状态，运行周期长，可获得的蓄电池样本数据较少[12]，导致Bi-LSTM网络模型易产生过拟合现象。为此，本文引入Dropout优化算法，提升Bi-LSTM网络模型的泛化性能。Dropout优化算法示意图如图3所示。

Dropout优化算法在网络训练过程中，按丢弃概率屏蔽部分神经元的输出，减少模型的复杂度，避免陷入局部最优解，从而防止模型过拟合。

定义神经元i在第t时刻的连接强度计算公式为

（1）

式中：为神经元i与神经元j的权重，为神经元j在第t次迭代的激活状态，激活状态更新公式为

（2）

式中：为丢弃概率，x为神经元输入，为概率阈值。

当大于概率阈值时，该神经元在本次迭代中不激活，否则该神经元以输入x/（1-）作为激活状态。

2 Bi-LSTM-Dropout网络模型

2.1 模型结构

Bi-LSTM-Dropout网络模型采用基于序列模型端到端的架构，主要由输入层、隐藏层、全连接层和输出层组成，结构如图4所示。

第一层为输入层，以蓄电池历史使用数据和充放电周期为输入序列，输入维度为input_size，表示每个时间步的输入特征维度。

第二层由4层Bi-LSTM-Dropout层组成，利用该网络层对第一层的输入序列分别进行前向和后向的特征提取，得到前向和后向LSTM的特征输出，包括蓄电池的电压、电流、温度、充放电周期等数据。将两个方向LSTM学习到的特征表示进行拼接，融合前向、后向的上下文信息。在每层Bi-LSTM之间引入

Dropout，按照丟弃概率使网络层中一些神经元的输出为0，防止模型过拟合。

第三层为全连接层，其将Bi-LSTM-Dropout层的神经元输出连接到本层的每个神经元，作为回归分类器，用于预测连续的蓄电池RUL。

最后一层为输出层，输出经过全连接层处理后的蓄电池RUL预测值，其维度为1。

2.2 网络建模过程

Bi-LSTM-Dropout网络模型建模过程如图5所示。

Bi-LSTM-Dropout网络模型建模步骤如下：

1） 获取数据样本，在公开数据集（NASA锂电池数据集）中提取蓄电池的历史运行数据（包括充放电的电压、电流和温度）和充放电周期等数据；

2） 划分数据集，将获取的数据划分为训练集和测试集；

3） 训练Bi-LSTM-Dropout网络模型，通过调整模型参数，使模型对训练集数据的拟合度不断提高，从而减小训练集的损失函数值；设置Dropout丢弃概率，丢弃部分神经元，减小过拟合现象；

4） 调整模型参数：通过损失函数、准确率等判断Bi-LSTM-Dropout网络模型的性能是否达到最优，如果是则进入下一步，否则更新Bi-LSTM-Dropout网络模型中的神经元状态和参数，重新训练模型；

5） 模型预测效果：通过均方根误差、平均绝对误差和准确率在测试集上对Bi-LSTM-Dropout网络模型效果进行测试，评估模型的预测能力。

通过循环迭代训练、调参等步骤，可获得性能最优的Bi-LSTM-Dropout的网络模型。

3 实验结果与分析

3.1 实验数据

本文实验数据主要来自NASA Ames Prognostics数据中心的锂电池数据集，选择数据集中的B0005、B0006、B0007和B0018号4个锂电池作为研究对象。在室温24 ℃下测量锂电池的充放电的电压、电流、温度等数据。当锂电池的剩余容量降至额定容量的70%时，定义该锂电池达到失效阈值。将该数据集前95个循环次数的数据作为训练集，其余循环次数数据作为测试集，用该数据集验证Bi-LSTM-Dropout网络模型预测锂电池RUL的效果。

B0005、B0006、B0007和B0018号锂电池的容量变化趋势如图6所示。

锂电池历史运行数据（包括充放电的电压、电流和温度）和充放电周期（循环次数）作为Bi-LSTM-Dropout网络模型的输入，锂电池实际容量作为模型输出。

3.2 实验平台及参数设置

实验平台配置如下：操作系统为Window 11专业版，处理器为intel i7-12700KF，独立显卡为RTX 3080 12 GB图形处理器，内存为64 GB DDR5 3600 MHz，算力为29.77 TFLOPS。在Jupyter notebook中基于TensorFlow框架构建Bi-LSTM-Dropout网络模型，并进行模型训练。Bi-LSTM-Dropout网络模型参数设置如表1所示。

由表1可知：输入层节点数5表示输入的时间步数；隐藏层包含4层Bi-LSTM和1个全连接层，其中Bi-LSTM节点数为650个，全连接层节点数为50个；输出层输出锂电池的实际容量，节点数为1个；设置学习率为0.001，迭代次数为500次（epoch=500），批大小为25；为防止过拟合，Dropout的丢弃概率为0.3；选择Adam优化器来调整模型参数。

3.3 实验结果分析

本实验选取均方根误差（root mean square error， RMSE）、平均绝对误差（mean absolute error， MAE）和准确率（accuracy，ACC）作为评价指标。其中，RMSE反映电池预测RUL与真实RUL偏差的程度；MAE反映电池预测RUL与真实RUL差值的平均值；ACC反映模型正确预测电池RUL样本数量占总样本数量的比例。RMSE和MAE的值越小，表示预测精度越高；ACC越高，则表示与真实值越接近。计算公式为

（3）

（4）

式中：为样本i的实际RUL， 为样本i的预测RUL，n为样本总数。

（5）

式中：TP为正确预测电池RUL的正样本数量，TN为正确预测电池RUL的负样本数量，S为总样本数。

为验证Bi-LSTM-Dropout网络模型预测锂电池RUL的效果，利用RNN、LSTM、Bi-LSTM网络模型在测试集上进行对比实验，实验结果如表2所示。

由表2可知：Bi-LSTM-Dropout网络模型的RMSE和MAE值最小，且准确率最高；相对于Bi-LSTM网络模型，RMSE从4.8%下降到2.9%；相对于LSTM网络模型，准确率提高了2.5%。

RNN、LSTM、Bi-LSTM、Bi-LSTM-Dropout 4种网络模型在B0006号锂电池测试集上的预测效果如图7所示。

由图7可知，Bi-LSTM-Dropout网络模型的拟合效果最好。

4 结论

本文提出一种基于Bi-LSTM-Dropout的蓄电池RUL预测方法。通过提取蓄电池历史运行数据的特征，构建Bi-LSTM模型，并采用Dropout算法进行模型优化，能够有效提高蓄电池RUL预测的精度。实验结果表明，相比LSTM网络模型，本文提出的Bi-LSTM-Dropout网络模型可以降低RUL预测的RMSE和MAE，在测试集上的准确率达96.2%。该方法基于数据驱动的方法实现蓄电池使用寿命的预测，可辅助电站蓄电池的状态监测和运行维护。

参考文献

[1] 刘灏，黎明，向青海.直流系统蓄电池组全生命周期智能管理系统研究与实施[J].电气技术与经济，2023（10）：399-403.

[2] 谭子毅，刘忠祥.一种蓄电池组自动开路测试技术[J].电世界，2020，61（11）：40-41.

[3] 汪昌元，罗群，徐晓峰.一种铅酸蓄电池剩余容量的预测方法[J].广西电力，2020，43（4）：60-62.

[4] 蔡明扬，赵春宇，孛爱.基于组合脉冲放电法的电池容量估计算法[J].中国新通信，2022，24（16）：53-58.

[5] 罗杰，王海瑞，朱贵富.基于数据预处理和集成机器学习的锂离子电池剩余使用寿命预测[J].陕西理工大学学报（自然科学版），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] 田建辉，张成，韩兴本，等.基于电化学-热耦合模型的锂离子电池容量衰减研究[J].现代机械，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] 刘建伟，王园方，罗雄麟.深度记忆网络研究进展[J].计算机学报，2021，44（8）：1549-1589.

[11] 孫玉树，李宏川，王波，等.电池储能系统SOC神经网络融合估计方法[J].湖南大学学报（自然科学版），2023，50（10）：31-40.

[12] 舒征宇，翟二杰，李镇翰，等.基于Dropout优化算法和LSTM的铅酸蓄电池容量预测[J].电源学报，2023，21（5）：173-181.

作者简介：

黄晓智，男，1999年生，在读研究生，主要研究方向：智能测控。

张华明，男，1984年生，硕士研究生，高级工程师，硕士研究生导师，主要研究方向：智能测控。E-mail： inventor-1010@163.com

黄艺航，男，1999年生，在读研究生，主要研究方向：智能测控。

许志杰，男，1999年生，在读研究生，主要研究方向：智能测控。