基于CNN-BILSTM深度学习模型的跨工况锂电池SOC估计

雷文博 耿灿欣 邹 晔 姚忠冉 周礼缘

（1.无锡职业技术学院汽车与交通学院，江苏 无锡 214121；2.江苏省新能源汽车节能与电池安全工程研究中心，江苏 无锡 214121）

锂离子电池是电动汽车、可再生能源等领域中重要的能量存储设备，具有广泛的应用前景和巨大的潜力。在电池管理系统中，准确估计和控制电池的电荷状态（SOC）是一项关键任务。

为了研究电池SOC，笔者需要考虑不同工况下的变化情况，其中包括典型的FUDS 工况和DST 工况。在FUDS工况下，电池SOC 的准确估计对实现电池能量管理和优化控制至关重要。由于FUDS 工况具有周期性和动态特点，因此准确估计电池SOC 成为一项难题。为了解决这一问题，可以通过合理建模和引入适当的状态估计算法来提高SOC的估计精度和准确性。在DST 工况下的电池SOC 研究主要关注电池在高动态负载下的性能变化。高功率放电过程会对电池的寿命和安全性造成一定的影响。因此，深入研究电池SOC 在这种工况下的变化规律，对优化电池管理策略、延长电池使用寿命以及保证电池在高功率需求下的可靠性具有重要意义。

建立并迁移SOC 预测模型对锂电池的研究具有重要意义。模型可以提供准确的状态估计和寿命预测、优化电池管理策略、提高安全性和稳定性并缩短产品的开发周期。该研究不仅有助于锂电池的应用和发展，还可以为相关领域的研究提供支持和指导[1-3]。

1 研究方法

1.1 归一化处理

归一化是一种常见的数据预处理技术，它对数据进行线性变换，将其映射到特定的范围内。该技术的目的是消除不同特征之间的量纲差异，使数据在同一量纲下进行比较和分析，从而增强模型训练的效果。常用的数据归一化方法包括最小-最大缩放和标准化，具体的计算过程如公式（1）所示。

1.2 CNN 神经网络构建

CNN（Convolutional Neural Network，CNN）的核心思想是通过卷积层和池化层提取输入数据的局部特征，并通过全连接层进行整体信息的分类或回归。CNN 的基本结构如图1所示。

CNN 通过卷积层、激活函数、池化层和全连接层的组合，能够有效地提取输入数据的局部特征及整体信息，在图像处理等任务中表现优异，对具有网格状结构的数据具有良好的适应性和表达能力。

1.3 BILSTM 的构建

BILSTM（Bidirectional Long Short-Term Memory）指双向长短期记忆网络，是一种常用于处理序列数据的循环神经网络变体。与传统的单向RNN（Recurrent Neural Networks）相比，BILSTM 具有双向性，可同时考虑过去和未来的信息，从而更好地捕捉序列数据中的上下文关系。

BILSTM 在每个时间步上，前向LSTM 接收当前时间步的输入和前一个时间步的隐藏状态，并生成当前时间步的隐藏状态。后向LSTM 接收当前时间步的输入和后一个时间步的隐藏状态，并生成当前时间步的隐藏状态。BILSTM通过前向和后向的信息流动，能够充分利用序列数据的全局信息。其结构如图2所示，其中Xt为当前时刻输入的序列信息，yt为当前时刻对应的输出。

图2 BILSTM 结构示意图

1.4 构建工况迁移预测模型

本文选取的4个参数分别为锂电池每30 s阶段的历史温度、历史电流、历史电压和历史SOC。经过分析发现，锂电池的SOC 与温度、电流和电压有很强的关联，即温度、电流和电压是锂电池SOC 的主要影响因素。因此，将锂电池的温度、电流和电压与SOC 进行关联，构建CNNBILSTM 模型。

将该模型在FUDS 工况下进行训练，CNN 对输入数据进行高效的特征提取和降维，有助于提高SOC 预测的准确性。然后，BILSTM 在CNN 提取的特征基础上进行序列建模，BILSTM 能够更好地捕捉序列数据中的时间相关性和长期依赖关系。通过双向LSTM 的结构，BILSTM 能够同时考虑过去和未来的信息，从而更全面地理解和预测锂电池SOC 的变化趋势。

首先，输入FUDS 工况下的历史温度、电流、电压和SOC 数据进行训练。训练完成后，将模型迁移至DST 工况。其次，将DST 工况下的历史温度、电流、电压和SOC数据作为输入，验证锂电池SOC 的训练效果。最后，观察模型迁移后的效果[4-6]。

在搭建模型的过程中，使用时间滑动窗口对2 个工况下的锂电池历史温度、电流、电压和SOC 进行处理，将数据集转换为时间序列数据，提高数据的研究意义。工况迁移预测模型的搭建流程如图3所示。

图3 工况迁移下SOC 模型的构建流程

此外，为了评估模型的训练效果，本文进行了误差分析。采用以下误差参数评价指标：平均绝对百分比误差MAPE、平均绝对误差MAE和均方根误差RMSE。这些指标用于验证模型的性能。以下是误差指标的计算公式。

平均绝对百分比误差如公式（2）所示。

平均绝对误差如公式（3）所示。

均方根误差如公式（4）所示。

2 结果分析

2.1 CNN-BILSTM 模型在FUDS 工况下对SOC 训练结果的分析

在MATLAB 软件中，对FUDS 工况下的锂电池温度、电流、电压和SOC 原始数据进行时间滑动窗口处理，并采用了特征归一化方法，以保证所有数据都处于相同的量级。将处理后的数据输入模型中，并按照8 ∶2 的比例划分了训练集和测试集[7-8]。训练结果如图4所示。

根据测试集的拟合结果可以看出，历史数据和预测数据具有高拟合度。通过建立的模型误差体系，对相关误差进行计算，计算结果见表1。

表1 CNN-BILSTM 在FUDS 工况下的误差分析

基于CNN-BILSTM 模型，在FUDS 工况下对SOC的训练结果误差为MAE=0.027 814、RMSE=7.248 961 和MAPE=0.033 321，这些误差结果表明，模型的预测能力很好，每个预测值与真实值之间的百分比差异为3.332 1%。MAPE值较低，说明模型的预测能力较强。

2.2 模型迁移DST 工况时SOC 训练结果的分析

CNN-BILSTM 在FUDS 工况下对SOC 的学习效果表现出色，将训练好的模型迁移至DST 工况，在MATLAB 软件中，先对DST 工况下的锂电池温度、电流、电压和SOC原始数据进行时间滑动窗口处理，随后进行归一化处理，以保证所有数据处于相同的量级。随后，将之前在FUDS工况下训练好的模型迁移至DST 工况，并进一步评估其性能[9-12]，模型迁移后预测效果如图5所示。

图5 模型迁移DST 工况时SOC 训练结果

将在FUDS 工况下训练完成后的模型迁移至DST 工况对SOC 进行预测，结果表明，在模型迁移后，在DST 工况下的SOC 训练集表现良好，真实值与预测值高度拟合。在测试集中，依旧表现良好。根据已建立的模型误差体系，对模型在迁移后的SOC 预测结果误差分析见表2。

表2 模型迁移后SOC 预测结果的误差分析

综上所述，当将在FUDS 工况下训练完成的模型迁移至DST 工况进行SOC 预测时，结果表明，在模型迁移后，训练的结果依旧表现良好，模型的适用性很强，相关误差参数仍然偏小。

2.3 工况迁移预测效果对比

通过CNN-BILSTM 模型在FUDS 工况下进行训练，并将该模型迁移到DST 工况进行SOC 预测。试验结果如图6所示，模型在DST 工况下的预测效果仍然较好，指标误差较小。尽管在新工况下模型的适应性有所降低，但是仍满足锂电池SOC 预测的实际需求。工况迁移预测的结果对比如图6、图7所示。

图7 模型迁移至DST 工况后SOC 的结果

在FUDS 工况下，CNN-LSTM 模型表现良好，根据误差结果，该模型能够准确预测锂电池SOC。然而，当将模型迁移到DST 工况时，误差指标发生了变化。在新工况下的误差结果为MAE=0.022 442，RMSE=3.690 45，MAPE=0.014 122。与FUDS 工况相比，误差指标有所改善，MAE和RMSE变小并且MAPE下降了2%，说明模型在DST 工况下的预测更准确，2 种工况下的误差参数对比见表3。

表3 FUDS 工况和模型迁移至DST 工况的误差对比

迁移后的模型在DST 工况下预测准确性较高。虽然误差指标相比原工况有所上升，但是仍能满足实际应用中的预测需求。尤其是MAE和RMSE明显变小，表明模型对DST 工况下的SOC 预测有更好的适应性。

3 结论

本文基于CNN-BILSTM 模型，在FUDS 工况下对锂电池SOC 进行预测和训练，结果表明，在FUDS 工况下模型的表现良好。将训练好的模型迁移至DST 工况进行验证，结果表明，CNN-BILSTM模型仍然能够保持较高的预测准确性。与FUDS 工况相比，误差指标MAE和RMSE均变小，MAPE下降了2%。这表明模型具备一定的泛化能力，能适应不同的工况并提供准确的锂电池SOC 预测结果。但在使用该模型进行SOC 预测的过程中，需要了解误差结果，并考虑误差范围内的可能性。通过进一步优化，可以提高模型的迁移性能并预测准确性，以满足更高精度的SOC 预测需求。