中国储能网讯：近年来，随着新能源汽车和储能电站的快速发展，动力电池和储能电池成为推动新能源汽车及电化学储能电站发展的关键。对电池电量的监控是其发展的难点。电荷状态（State of Charge，SOC）直接反映了电池的剩余电量状况，根据广泛采用的美国先进电池联合会（USABC）的定义，SOC即电池在特定放电倍率下，剩余电量与相同条件下额定容量的比值。SOC是电池管理系统（BMS）中的重要参数之一，其准确预测对于确保电池稳定工作、制定电池均衡策略及智能充电等具有重要意义。SOC的准确预测能够有效防止电池因过充、过放造成的损坏，延长电池使用寿命，提高能量利用效率，并降低使用成本。

  长安储能研究院在之前的文章中详细地介绍了锂电池SOC预测的各种方法。本院张斌教授认为在众多SOC预测方法中，神经网络模型是未来的重要发展方向。本文将对该模型中的FCN和1D-CNN模型做出重点介绍。

  一、Rate-Optimized Deep Fully Convolutional Network[1]

  FCN通常用于计算机视觉任务，但也适用于处理时间数据。在FCN中，卷积操作应用于时间轴上的一维核，称为时间卷积。本研究使用的FCN是通过将多个时间卷积层堆叠在一起构建的。FCN架构如下图所示，输入为电池电压Vk、电流Ik和温度Tk。通过在时间维度上滑动每个核，对矩阵执行四个后续的时间卷积。每个卷积层之后是一个批处理归一化层和激活层。本研究使用了Mish激活函数，已证明其可以改善卷积网络的结果，并为模型提供强大的正则化效果以减少过拟合。为了输出SOC，通过一个上限为1.0的整流线性单元（ReLU）处理GAP层产生的张量。

  图1 FCN架构图

  实验结果表明，该模型优于传统的深度学习模型，如LSTM、GRU和CNN。学习率的优化可以改善估计误差和泛化能力。

  二、1D Convolutional Neural Networks and Transfer Learning[2]

  将电池电量状态估计问题建模为时间序列分析问题。将时间步长k处的SoC表示为观察到的电池参数的函数，即直到时间步长k处测量到的电流、电压和电池温度。对SoC进行建模：

  式中，φk = [Vk;Ik;Tk] T, k = 1,...,tend，其中Vk, Ik和Tk是在时间步长k处测量的电压、电流和温度值，tend是最后的时间步长，f是从特征空间到标签空间的非线性映射。

  对于方程（1）中定义的函数模型，根据k的值，需要改变数据驱动估计器的输入大小或维度，这可能会导致训练过程中的困难。其次，随着k值的增加，CNN模型的容量将必须增加，以确保它从数据中捕获相关特征，从而使其计算负担沉重。考虑到这些，将第k个时间步长的SoC建模为观察到的电池参数的函数，范围从k到k−tw + 1时间步长，即考虑固定范围的历史数据作为输入来估计当前SoC值。修改后的SoC模型：

  利用这个模型，制定了一个优化问题，其解决方案将提供从特征空间（由时变观察到的电池参数组成）到标签空间（由SoC组成）的最优映射。下图展示了基于CNN的SoC Estimator的训练过程。

  图2 CNN的SoC Estimator训练流程

  长安储能研究院认为，电池数据是一种连续的时间序列数据，因此循环神经网络（Recurrent Neural Networks，RNN）由于其记忆性，更适合处理这类数据。而LSTM（长短期记忆）网络是RNN的一种变体，它利用存储单元而不是普通的隐藏节点，避免了在多个时间步后出现梯度消失或爆炸的问题，从而克服了传统RNN训练中的困难。因此，可以采用结合注意力机制的CNN-LSTM网络，这种网络不仅能够提取电池数据的时间序列关系，还能捕捉维度之间的空间特征关系。注意力机制能够为关键时间步分配更多权重，减少次要信息的干扰，从而实现更好的拟合效果。

  三、小结

  长安储能研究院认为，神经网络模型虽然需要大量数据集作为基础，且容易受各种因素的影响，但经过充分训练后依旧可以得到较高的精确度。

  得益于长安绿电的慷慨资金支持，长安储能研究院将持续努力探索更多储能科技解决方案，并密切关注全球储能市场的最新动态，确保储能技术能够及时地迭代与更新，为全球能源的可持续发展做出重要贡献。