基于双向长短期记忆网络含间接健康指标的锂电池SOH估计.pdfVIP

第48卷第4期2024年2月25日电力系统自动化Vol.48No.4Feb.25,2024

DOI:10.7500/AEPS20230627011AutomationofElectricPowerSystems

基于双向长短期记忆网络含间接健康指标的锂电池SOH估

方斯顿，刘龙真，孔赖强，牛涛，陈冠宏，廖瑞金

（输配电装备及系统安全与新技术国家重点实验室（重庆大学），重庆市400044）

摘要：快速准确地对锂离子电池进行全寿命周期的健康状态(SOH)估计有助于提高储能设备的安

全可靠性。提出一种基于间接健康指标(IHI)和鲸鱼优化算法（WOA)优化的双向长短期记忆

(BiLSTM)网络相结合的锂电池SOH估计模型，该模型考虑了未来状态对当前SOH的影响。首

先，对锂电池恒流恒压（CC-CV)充放电过程进行分析，提取出多个随充放电循环动态变化的电压、

电流、温度的时间特征作为IHI,并加入放电负载电压下降时间这一指标；然后，通过相关性分析，

从各IHI中筛选出和容量关联度高的IHI作为输入特征；最后，建立基于WOA优化的BiLSTM网

络的电池SOH估计模型，并利用美国国家航天航空局锂电池数据集对2个不同工况下的电池SOH

进行估计。结果表明，所提方法可有效提高SOH的估计精度。

关键词：健康状态；锂离子电池；间接健康指标；鲸鱼优化算法；双向长短期记忆网络

引言的估计精度和泛化能力[7]

输人特征的提取作为基于数据驱动方法的重要

锂离子电池因其能量密度大、自放电率低、无污

环节，文献[8]从全寿命周期的电池放电电压和温度

染等优点被广泛应用于电动汽车（electricvehicle，

曲线中，提取平均放电电压和温度作为健康指标对

EV）、全电船舶、航空航天等众多领域l。在日常使

SOH进行估计。除了上述健康指标外，文献[9]基

用过程中，电池不断进行循环充放电会导致自身结

于深度循环网络的方法，从充放电曲线中提取恒流

构变化，影响电池外部环境，同时会出现容量衰减和

充电电流区间时间、恒压充电电压区间时间等多个

内阻增大的现象[2],导致性能下降，最终影响电池工

健康指标对电池SOH进行估计。文献[10]采用支

作的安全可靠性。

现有锂离子电池健康状态（stateofhealth，持向量回归（supportvectorregression，SVR）的方

法，将等压降放电时间这一健康指标作为模型输入

SOH)估计方法主要包括基于模型的估计方法和基

来实现SOH估计。

于数据驱动的估计方法[3]。基于模型的估计方法是

通过一系列代数和微分方程的数学方法构建描述锂目前，深度学习（deeplearning,DL)技术也被广

泛应用于电池的SOH估计之中。文献[11]将电池

离子电池老化行为的模型，结合滤波类算法及其衍

的外特征参数电压与温度作为模型输人，使用粒子

生算法对电池老化参数进行估计以实现SOH估

计(4-5]。根据模型机理不同，基于模型的方法可分为群优化（particleswarmoptimization,PSO)算法优化

电化学模型和等效电路模型。电化学模型根据电池反向传播（backpropagation，BP）