《World Electric Vehicle Journal》:Comparative Study of Recurrent Neural Networks for Electric Vehicle Battery Health Assessment
Nagendra Kumar,
Krishanu Kundu and
Rajeev Kumar
编辑推荐:
电池健康状态(SoH)的精确评估对于确保能量存储系统的一致性能以进行维护至关重要。本研究比较了不同的深度学习方法以学习和预测电池复杂且非线性的动态特性。研究人员使用电池的序列退化数据开发并测试了用于预测SoH的模型。通过均方根误差(RMSE)、平均绝对误差(M
电池健康状态(SoH)的精确评估对于确保能量存储系统的一致性能以进行维护至关重要。本研究比较了不同的深度学习方法以学习和预测电池复杂且非线性的动态特性。研究人员使用电池的序列退化数据开发并测试了用于预测SoH的模型。通过均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R2)等指标以及定性分析评估了这些模型的有效性。实验结果表明,双向长短期记忆网络(BiLSTM)模型表现出优于其他模型。其RMSE最低(0.90),MAE最低(0.72),R2最高(0.99),突显了其增强的捕获长期时间依赖性的能力。所提出的模型使用NASA锂离子电池老化数据集(B0005)进行了验证,该数据集被广泛用作电池健康预测研究的基准。总体而言,研究结果表明,与单向模型相比,双向网络架构显著提高了SoH预测的准确性和一致性。
锂离子电池因高能量密度和长寿命被广泛用于电动汽车和储能系统,但其运行中会发生退化,导致容量损失和安全风险。准确估计电池健康状态(SoH)对安全运行与维护至关重要。现有方法包括等效电路模型(需精确标定内部参数)和数据驱动方法(利用电压、电流等数据学习退化行为)。文献综述显示,模型方法依赖电极化学参数,混合方法增加复杂度,而数据驱动方法更适用于实际电池管理系统(BMS),但多数深度学习研究仅关注单一模型或使用不同数据集,缺乏公平比较,且对精度与复杂度间的权衡关注不足。为此,研究人员开展了系统性比较研究,在相同预处理流程、输入特征和评估指标下,对比了四种递归神经网络架构:长短期记忆网络(LSTM)、双向长短期记忆网络(BiLSTM)、门控循环单元(GRU)和双向门控循环单元(BiGRU)。研究使用NASA锂离子电池老化数据集(B0005)作为基准,该数据集包含实验室条件下完整的充放电循环数据(电压、电流、温度、容量等)。研究结论表明,BiLSTM模型在预测精度和稳定性上显著优于其他模型,具有最低的均方根误差(RMSE=0.90)、最低的平均绝对误差(MAE=0.72)和最高的决定系数(R
2=0.99),其双向架构能有效捕获长期时间依赖性。该论文发表在《World Electric Vehicle Journal》,为电动汽车BMS中SoH的精准预测提供了可靠方案。
研究人员为开展研究采用了以下关键技术方法:1)**数据预处理**:使用公开的NASA B0005数据集,选取电压、电流和温度作为输入特征,采用Min-Max归一化将特征缩放到(0,1)范围,并通过滑动窗口(窗口长度40个循环)分割时间序列以捕捉退化模式。2)**深度学习模型构建**:分别构建LSTM、BiLSTM、GRU和BiGRU四种递归网络,每个模型均包含两层递归层(隐藏神经元数分别为128和64)、一个注意力层、一个64神经元全连接层以及SoH输出层。所有模型使用相同的超参数:Adam优化器(学习率0.0005)、批次大小64、训练轮数150、dropout率0.3。3)**性能评估指标**:采用RMSE、MAE和R
2量化预测误差和拟合优度,并进行5次独立重复实验计算均值和标准差以评估统计稳定性。
研究结果部分,研究人员通过多项分析得出以下结论:
**6.1 验证损失比较**:对比所有模型在训练过程中的验证均方误差(MSE)曲线。结果表明,所有模型在40轮后收敛至近零损失,但BiGRU初始阶段出现大幅尖峰,收敛不稳定。基于验证损失均值和标准差排序为GRU > BiLSTM > LSTM > BiGRU,其中BiLSTM表现出快速且稳定的收敛特性。
**6.2 真实 vs 预测SoH随循环变化**:绘制每个模型预测的SoH与真实SoH随电池循环次数的对比曲线。BiLSTM模型的MAE最低(0.71)、均值偏差μ=0.11、标准差σ=0.88,最接近真实退化轨迹;LSTM次之(MAE=0.78, μ=0.15, σ=0.97),GRU(MAE=0.96, μ=0.15, σ=1.2)和BiGRU(MAE=1.7, μ=0.28, σ=1.4)表现较差。结论:BiLSTM对电池退化行为的跟踪最为精准。
**6.3 残差误差分布**:分析预测值与真实值之间的残差分布直方图。所有模型的残差近似高斯分布且中心接近零,但BiLSTM的均值最接近零(μ=-0.11)、标准差最小(σ=0.88),误差分布最紧凑;BiGRU的σ最大(1.45),误差离散度最高。结论:BiLSTM的预测误差最小且最集中。
**6.4 真实 vs 预测SoH散点图**:查看预测值与真实值的散点分布与理想线(y=x)的偏离程度。BiLSTM的MAE=0.71,为最低值,且散点最紧密围绕理想线;BiGRU的MAE=1.7,偏离最大。结论:BiLSTM的预测与实际值相关性最强。
**6.5 绝对误差箱线图**:展示各模型绝对预测误差的箱线图。BiLSTM的MAE=0.71,标准差σ=0.52,最大误差仅2.3,箱体最紧凑;BiGRU的MAE=1.17,σ=0.89,最大误差5.2,出现较多离群点。结论:BiLSTM在误差范围和稳定性上均优于其他模型。
**6.6 绝对误差随样本变化**:观察绝对误差在整个测试样本上的波动情况。BiLSTM的MAE=0.71,σ=0.52,误差峰值最低(低水平),且无剧烈波动;BiGRU的误差峰值达很高水平(MAE=1.17, σ=0.89)。结论:BiLSTM预测一致性最强,随时间变化最稳定。
**6.7 总结讨论**:综合图3至图8,BiLSTM模型在验证损失收敛、真实SoH跟踪、残差集中度、散点相关性、误差箱体紧凑性以及样本误差稳定性方面均表现最佳,显示出优越的预测精度和稳健性。
**6.8 模型性能比较**:基于5次独立重复实验的统计结果,BiLSTM的平均RMSE=0.90,MAE=0.72,R
2=0.99,所有指标均最优。LSTM(RMSE=0.98, MAE=0.78, R
2=0.98)、GRU(RMSE=1.08, MAE=0.96, R
2=0.98)和BiGRU(RMSE=1.49, MAE=1.16, R
2=0.97)依次递减。模型复杂度方面,双向网络(BiLSTM、BiGRU)因需同时处理正反两个方向序列,计算成本高于单向网络(LSTM、GRU)。
讨论部分指出:BiLSTM的双向学习能力使其能有效捕获数据中的时间依赖性,从而在预测精度和稳定性上胜出;实际应用中可集成至BMS,利用实时电压、电流和温度数据估计SoH,检测异常退化并安排维护或更换。局限性在于本研究仅使用单一电池数据集(B0005)在受控实验室条件下进行,模型对不同电池类型和运行环境的泛化能力可能受限。未来工作应关注更先进的深度学习模型、在更大且多样的数据集(如B0006、B0007和真实电动汽车数据)下验证,以及探索迁移学习以提高实时预测的泛化性。
结论部分翻译:本研究探讨了深度学习模型预测电池健康状态(SoH)的性能。在相同条件下对LSTM、BiLSTM、GRU和BiGRU模型进行了比较分析。发现BiLSTM模型表现优越,预测误差最低(MAE=0.72,RMSE=0.90),R
2值高(0.99)。BiLSTM模型能够平滑学习并保持稳定性,验证损失曲线显示更稳定的收敛。实际和预测SoH值表明BiLSTM模型精确跟踪电池老化与退化。残差分布和散点图显示低散射和强相关性。因此,BiLSTM模型可作为估计电池健康状态的可靠模型。实际应用:可集成到电池管理系统(BMS),利用电压、电流、温度实时数据估计SoH,预测退化,检测异常老化,安排维护或更换。局限性:双向模型依赖训练时使用过去和未来信息;本研究仅使用特定数据集和控制条件,泛化性可能有限。未来工作:探索更深模型,在更大更多样数据集(如B0006, B0007和真实电动车数据)下验证,以及研究迁移学习以提高实时预测。