中國儲能網訊：近年來，隨著新能源汽車和儲能電站的快速發(fā)展，動力電池和儲能電池成為推動新能源汽車及電化學儲能電站發(fā)展的關鍵。對電池電量的監(jiān)控是其發(fā)展的難點。電荷狀態(tài)（State of Charge，SOC）直接反映了電池的剩余電量狀況，根據廣泛采用的美國先進電池聯(lián)合會（USABC）的定義，SOC即電池在特定放電倍率下，剩余電量與相同條件下額定容量的比值。SOC是電池管理系統(tǒng)（BMS）中的重要參數之一，其準確預測對于確保電池穩(wěn)定工作、制定電池均衡策略及智能充電等具有重要意義。SOC的準確預測能夠有效防止電池因過充、過放造成的損壞，延長電池使用壽命，提高能量利用效率，并降低使用成本。
長安儲能研究院在之前的文章中詳細地介紹了鋰電池SOC預測的各種方法。本院張斌教授認為在眾多SOC預測方法中，神經網絡模型是未來的重要發(fā)展方向。本文將對該模型中的FCN和1D-CNN模型做出重點介紹。
一、Rate-Optimized Deep Fully Convolutional Network[1]
FCN通常用于計算機視覺任務，但也適用于處理時間數據。在FCN中，卷積操作應用于時間軸上的一維核，稱為時間卷積。本研究使用的FCN是通過將多個時間卷積層堆疊在一起構建的。FCN架構如下圖所示，輸入為電池電壓Vk、電流Ik和溫度Tk。通過在時間維度上滑動每個核，對矩陣執(zhí)行四個后續(xù)的時間卷積。每個卷積層之后是一個批處理歸一化層和激活層。本研究使用了Mish激活函數，已證明其可以改善卷積網絡的結果，并為模型提供強大的正則化效果以減少過擬合。為了輸出SOC，通過一個上限為1.0的整流線性單元（ReLU）處理GAP層產生的張量。
圖1 FCN架構圖
實驗結果表明，該模型優(yōu)于傳統(tǒng)的深度學習模型，如LSTM、GRU和CNN。學習率的優(yōu)化可以改善估計誤差和泛化能力。
二、1D Convolutional Neural Networks and Transfer Learning[2]
將電池電量狀態(tài)估計問題建模為時間序列分析問題。將時間步長k處的SoC表示為觀察到的電池參數的函數，即直到時間步長k處測量到的電流、電壓和電池溫度。對SoC進行建模：
式中，φk = [Vk;Ik;Tk] T, k = 1,...,tend，其中Vk, Ik和Tk是在時間步長k處測量的電壓、電流和溫度值，tend是最后的時間步長，f是從特征空間到標簽空間的非線性映射。
對于方程（1）中定義的函數模型，根據k的值，需要改變數據驅動估計器的輸入大小或維度，這可能會導致訓練過程中的困難。其次，隨著k值的增加，CNN模型的容量將必須增加，以確保它從數據中捕獲相關特征，從而使其計算負擔沉重?？紤]到這些，將第k個時間步長的SoC建模為觀察到的電池參數的函數，范圍從k到k?tw + 1時間步長，即考慮固定范圍的歷史數據作為輸入來估計當前SoC值。修改后的SoC模型：
利用這個模型，制定了一個優(yōu)化問題，其解決方案將提供從特征空間（由時變觀察到的電池參數組成）到標簽空間（由SoC組成）的最優(yōu)映射。下圖展示了基于CNN的SoC Estimator的訓練過程。
圖2 CNN的SoC Estimator訓練流程
長安儲能研究院認為，電池數據是一種連續(xù)的時間序列數據，因此循環(huán)神經網絡（Recurrent Neural Networks，RNN）由于其記憶性，更適合處理這類數據。而LSTM（長短期記憶）網絡是RNN的一種變體，它利用存儲單元而不是普通的隱藏節(jié)點，避免了在多個時間步后出現(xiàn)梯度消失或爆炸的問題，從而克服了傳統(tǒng)RNN訓練中的困難。因此，可以采用結合注意力機制的CNN-LSTM網絡，這種網絡不僅能夠提取電池數據的時間序列關系，還能捕捉維度之間的空間特征關系。注意力機制能夠為關鍵時間步分配更多權重，減少次要信息的干擾，從而實現(xiàn)更好的擬合效果。
三、小結
長安儲能研究院認為，神經網絡模型雖然需要大量數據集作為基礎，且容易受各種因素的影響，但經過充分訓練后依舊可以得到較高的精確度。
得益于長安綠電的慷慨資金支持，長安儲能研究院將持續(xù)努力探索更多儲能科技解決方案，并密切關注全球儲能市場的最新動態(tài)，確保儲能技術能夠及時地迭代與更新，為全球能源的可持續(xù)發(fā)展做出重要貢獻。
