锂电池健康状态估计（一）

锂离子电池SOC和SOH

SOC指荷电状态，也叫剩余电量，代表的是电池使用一段时间或长期搁置不用后的剩余容量与其完全充电状态的容量的比值，常用百分数表示。其取值范围为0~1，当SOC=0时表示电池放电完全，当SOC=1时表示电池完全充满。锂离子电池SOC不能直接测量，只能通过电池端电压、充放电电流及内阻等参数来估算其大小。而这些参数还会受到电池老化、环境温度变化及汽车行驶状态等多种不确定因素的影响，因此准确的SOC估计已成为电动汽车发展中亟待解决的问题。

SOH是指蓄电池容量、健康度、性能状态，简单的说是电池使用一段时间后性能参数与标称参数的比值，新出厂电池为100%，完全报废为0%。是电池从满充状态下以一定的倍率放电到截止电压所放出的容量与其所对应的标称容量的比值，简单的理解为电池的极限容量大小。电池的内阻与SOH存在一定的关系。SOH越低，锂离子电池内阻越大，通过检测电压、电流、温度等数据，间接计算出电池的内阻值，然后根据SOH与电池内阻的关系计算求得SOH。但是电池的内阻在SOH变化范围不大时变化不明显，而当电池老化严重时电阻值的变化较大，因而该方法在SOH变化较小时，测量的误差会较大。

SOH估算方法

目前，SOH的估算方法主要有两类：实验分析法与基于模型的方法。

已有估算方法：

基于模型的方法根据所选估计算法的不同，又分为自适应状态估计算法和基于数据的方法。

通常自适应算法需要构建电化学模型或者等效模型，借助数值滤波器辨识模型参数，完成SOH的估算，如粒子滤波器、卡尔曼滤波器、滑膜观测器等。

尽管这些方法可以较好的表征电池物理和化学的变化，但需附加闭环控制与反馈，估算结果太过依靠模型的精度与鲁棒性。

基于数据的方法因无需构建预测对象的物理模型，更加的灵活实用。这类方法只依赖于历史的老化数据，通过特定的学习算法提取历史数据中的关键老化信息，建立与电池SOH之间的非线性映射关系。

常用的算法包括极限学习机(Extreme Learning Machine, ELM)、高斯过程回归(Gaussian Process Regression, GPR)、 长短期记忆网络(LSTM)等。

基于BiGRU的锂离子电池SOH估计方法

参考论文：基于注意力改进的BiGRU的锂离子电池健康状态估计——史永胜、王凡等

该文提出一种基于注意力改进双向门控循环单元（BiGRU）的锂离子电池SOH估计方法。首先提取电池充放电曲线中的电压、电流与阻抗等参数，通过自编码器（AE）对其降维，提取特征并减少数据间的冗余性。其次，引入注意力机制（AM）对输入变量分配权重，突出对SOH估计起到关键作用的特征量。最后，利用BiGRU学习输入变量与容量之间的映射关系，捕获容量衰减下的长期依赖性。

模型构成：

1、自编码器神经网络

该网络通过实施反向传播算法，将输入重构到输出中，并保留其绝大部分特征。通常自编码器包含三个部分：编码器、隐含层、解码器。

利用自编码器能够表征非线性变化等特点，处理电池衰减过程中的电压、电流、阻抗等非线性数据，降低空间维数，去除数据间的冗余性，利用更少的特征量尽可能完整的描述数据信息，同时降低网络计算量，提升整体效率。

2、注意力机制

深度学习中的注意力机制源自对人脑注意力的模拟，其核心思想为在信息处理能力有限的前提下，

人脑会对重要的信息分配更多的注意力，模型中体现为 AM 通过概率分配的方式，赋予输入特征不同的权重，突出对结果影响较大的输入，忽略无关的信息，在不对模型的计算和存储带来压力的基础上帮助模型提升精度。本文通过 AM 赋予 BiGRU 的输入不同的权重，放大与电池容量退化趋势相关性的输入特征。注意力机制的结构如图：

3、GRU与BiGRU网络模型

循环神经网络是一种适合处理时间序列的模型，但在训练过程中容易产生梯度消失或梯度爆炸的问题，难以捕捉数据的长期依赖关系。因此，衍生出了两种改进型RNN，即LSTM与GRU。GRU作为目前常用的门控循环神经网络，是LSTM的简化版，它相较于LSTM训练参数较少，利用更新门代替了LSTM的输入门与遗忘门，其结构如图3所示。图中xt表示t时刻的输入，ht表示t时刻的输出，rt表示重置门，zt表示更新门。更新门确定历史信息的保留情况，重置门负责历史信息与当前输入信息的组合方式。

4、模型整体结构

模型中各层含义如下：

（1）输入层：提取锂离子电池充放电曲线中能表征容量退化的健康因子，并对数据进行预处理，输入到SOH估计模型中。

（2）Autoencoder层：将输入层输入的数据压缩降维，提取主要特征，减少数据间的冗余性。

（3）Attention层：引入Attention机制放在Autoencoder层与BiGRU层之间，通过概率分布法赋予输入特征不同的权重，使 BiGRU网络能够更好地学习其映射关系。

（4）BiGRU层：通过单个GRU单元对信息进行判断，保存重要的信息，遗忘不重要的信息；通过前向与反向的GRU单元学习历史与未来时刻对当前信息的影响。

（5）全连接层：通过全连接层的非线性变化，提取特征之间的关联，映射到输出空间。

数据集描述：

本次实验共提取了六组健康因子，分别为内阻，电压变化率，测试时间，放电能量，放电深度和放电循环中的末端电压值。

为了判断所选的健康因子与锂离子电池容量退化的相关性，分别计算其与容量的Pearson相关系数。Pearson相关性分析法常用来检测两组向量之间的相关性，又称积距相关系数，取值为-1到1之间，绝对值越大，两者之间的相关性越强。

评价指标：

RRMSE和MMAE分别反映了模型误差平方的期望值与精确度，数值越小，模型性能越强；R2表示模型拟合的优度，其值越大，表示模型拟合的越好。

小结：

该方法首先对选取的6组健康因子通过自编码器神经网络降维，提取电池退化状态的主要特征，接着引入注意力机制，对输入维度概率分配权重，突出对SOH估算贡献大的序列，最后利用BiGRU捕捉电池衰减过程中的全局信息。