基于豪斯多夫梯度更新算法的分数阶长短期记忆网络,用于锂离子电池健康状态估计

《Journal of Energy Storage》:Fractional-order long short-term memory network with Hausdorff gradient updating algorithm for state of health estimations of lithium-ion batteries

【字体: 大 中 小 】 时间:2026年06月15日 来源:Journal of Energy Storage 9.8

编辑推荐:

  普仁|闫莉|陈阳权 中国山东大学控制科学与工程学院,济南,250061 摘要 长短期记忆网络因其能够处理时间序列中间隔较长的关键事件,而非常适合用于电池健康状态估算。然而,如何在高精度与低计算负荷之间取得平衡仍是一个挑战。为此,本文提出了一种基于霍夫德导数优化后的梯度更新算法的改

  普仁|闫莉|陈阳权 中国山东大学控制科学与工程学院,济南,250061 摘要 长短期记忆网络因其能够处理时间序列中间隔较长的关键事件,而非常适合用于电池健康状态估算。然而,如何在高精度与低计算负荷之间取得平衡仍是一个挑战。为此,本文提出了一种基于霍夫德导数优化后的梯度更新算法的改进型LSTM网络。首先,引入具有分数阶特性的改进霍夫德导数,以增强LSTM网络中的梯度更新能力,帮助网络避免陷入局部最优解。其次,采用梯度自适应调整方法,动态调节历史梯度对当前参数更新的影响。最后,利用基于梯度信息的自适应阶数调整方法确定最佳分数阶数。通过使用改进霍夫德导数优化分数阶梯度更新公式,LSTM网络的电池健康状态估算精度得到提升。在不同训练集规模和分数阶范围下的验证实验表明,与传统LSTM算法的最大精度相比,所提方法平均精度提升了54.92%,且计算负荷仅略有增加。引言 在正常使用过程中,锂离子电池会因循环次数及外部环境等因素而不可避免地发生老化[1]、[2]、[3]。电池健康状态作为描述老化程度的重要参数,反映了电池相对于新电池的当前储能和供电能力[4],可用当前可用容量与电池初始容量的比值来表示[5]。目前,全球已有大量研究致力于锂离子电池健康状态估算技术的发展[6],这些方法可分为三类:直接测量法、基于模型的方法以及数据驱动方法。直接测量法是通过检测反映电池老化程度的特征参数,如电池容量和内阻,来评估电池健康状态[8]、[9],其优点在于实现简单,且适用于不同类型的电池[10],但不适合在线估算,且需要高精度的测量设备。电池等效模型则用于描述诸如扩散和迁移等内部过程[11]、[12],基于模型的健康状态估算方法需要建立能够体现电池内部动态特性或电化学反应机制的状态方程[13],其优势在于具有较高的可解释性,能够真实反映电池的运行状态[14],但为保证精度,所建立的模型往往较为复杂,计算成本也较高,尤其是电化学模型。随着人工智能技术的快速发展[15]、[16],数据驱动的健康状态估算方法越来越被广泛应用,已成为锂离子电池状态估算的主流方法[17]。这类方法无需像基于模型的方法那样考虑复杂的内部反应机制[18],而是通过学习老化数据(如电流、电压)与电池健康状态之间的复杂非线性关系,建立高效的映射模型[19],相较于直接测量法和基于模型的方法,数据驱动方法具有更强的泛化能力、更高的估算精度等优点。作为数据驱动方法的典型代表,神经网络算法模拟了生物神经系统的基本结构[20]、[21]、[22],它由输入层、隐藏层和输出层组成,每一层都包含多个神经元[23],具有并行处理、自我学习和非线性映射等优势。目前已有许多此类算法被开发出来[24]、[25],其中LSTM的应用最为广泛。LSTM是一种具有强大非线性拟合能力的循环神经网络[26]、[27],通过引入门控机制,LSTM网络能够捕捉过去数据与未来数据之间的关联,从而具备记忆功能[28]、[29],其结构包括输入门、遗忘门、输出门和记忆单元[30]。在网络内部,梯度更新算法会计算损失函数对每个模型参数的梯度,并利用这些梯度来更新参数[31],这有助于LSTM更好地捕捉时间序列数据中的模式,对于确保精确的老化建模起着关键作用[32]。不过需要注意的是,原有的参数更新过程仅考虑当前的梯度值[33],如果当前梯度不准确或存在噪声,就可能导致后续更新出现不稳定和较大波动[34]。为解决这一问题,通过引入分数阶概念,考虑过去梯度的累积效应[35],可以更好地避免因当前梯度不准确而导致的参数振荡[36],从而提高稳定性。受锂离子电池管理中分数阶导数应用案例的启发[37]、[38]、[39]、[40]、[41]、[42]、[43]、[44]、[45]、[46],作为分数阶导数一种特殊形式的霍夫德导数[47],可应用于LSTM的内部结构。将其引入梯度更新过程后,不仅能够提高参数更新的稳定性,还能增强LSTM网络的灵活性,进而提升电池老化模型的性能。因此,本文的主要贡献如下:(1)将改进霍夫德导数融入LSTM的梯度更新过程中,以抑制梯度振荡并避免陷入局部最优解;(2)采用基于梯度信息的概率型阶数自适应调整方法,在较低计算负荷下获得最优阶数范围;(3)在电池健康状态估算中,利用霍夫德梯度为LSTM网络提供支持,以在较低计算负荷增加的情况下提升估算精度。改进霍夫德导数 对于函数y=fx,本文提出了改进版的霍夫德导数定义,使其适用于x∈R?的情况,其表达式为(1):IDxαfx=1αdfxdx|x|1?α,其中α为阶数。设y=fu,u=gx,则复合函数为y=fgx,应用链式法则后,其改进霍夫德导数为(2):HDxαy=1αdfuduu=gxdgxdxx1?α,那么函数y=fx的改进霍夫德梯度可定义为(3):IDxαy=IDx1αy,IDx2αy,…,IDxNαyT∈RN,其中IDxαy为改进霍夫德偏导数。FOLSTM估算模型 将式2中的改进霍夫德导数用于更新FOLSTM模型,输入为健康状态特征向量xk=x1k,x2k,…,xNkT,通过LSTM网络后,输出的健康状态值为(4):SOHk=ωSOHkhsk+bSOHk,其中ωSOHk∈R1×N为输出层的权重向量,hsk∈RN×1为第i个隐藏层输入到输出层的值,bSOHk为输出层的偏置项。第k次迭代的损失函数Lk为(5):Lk=SOHk?SOHˉk2,其中SOHˉk为实测的健康状态值。一些符号说明 采用改进霍夫德导数的Adam算法 如图2所示,以权重为例,遗忘门等其他层的工作原理类似,主要流程如图1所示,相关参数如下。在图1中,第k次迭代时损失函数对权重和偏置的改进霍夫德导数为(21):AHDωax,n,likαωax,n,likL=1kAHDωax,阶数自适应调整 以权重为例,偏置的处理方式相同,采用基于梯度信息的自适应阶数调整方法来确定最优阶数,基于霍夫德导数和整数阶导数的参数调整比率分别为(28):Tαωax,n,likωax,n,lik=AHDωax,n,likαωax,n,likLkAHDωax,n,lik1Lk=|ωax,n,lik|1?αωax,n,likαωax,n,lik。不同阶数1?αωax,n,lik对应的Tαωax,n,lik曲线如图2所示。在图2中,Weight表示|ωax,n,lik|,T为Tαωa。数据集处理 在完成式2的改进霍夫德导数、式3的FOLSTM估算模型以及式4的采用改进霍夫德导数的Adam算法、式5的阶数自适应调整之后,选取了MIT数据集中的某块电池[48]来验证FOLSTM的性能,该电池的额定容量为1.1 Ah,额定电压为3.3 V,实验流程如下:首先以4C的电流给电池充电,直到电池的荷电状态达到80%,然后再以1C的恒定电流继续充电直至……FOLSTM的实验结果 本节研究了FOLSTM模型中不同分数间隔对电池健康状态估算的影响,同时验证了该模型在不同工作条件下选择合适分数间隔的适应性,算法的主要超参数设置见表2。(1) FOLSTM分数阶间隔的测试结果,所选的间隔分别为[1.0, 1.2]、[1.2, 1.4]、[1.4, 1.6]、[1.6, 1.8]和[1.8, 2.0],旨在探索合适的分数阶间隔范围。结论 为在较低计算负荷增加的情况下提高电池健康状态估算的精度,本文提出了一种带有分数阶梯度更新算法的改进型LSTM网络。为进一步提升该老化模型训练的精度,还在梯度更新算法中引入了具有分数阶特性的改进霍夫德导数。与原始模型相比,采用合适分数阶间隔的FOLSTM模型能够在不同的估算场景下有效预测电池健康状态。致谢 作者声明不存在任何可能影响本文工作的已知财务利益或个人关系。 acknowledgments 本研究部分得到了国家自然科学基金项目U22A20245、62473234、62403282的支持,同时也得到了中国博士后科学基金会2023M742070和GZC20231453项目的资助。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号