锂离子电池剩余使用寿命预测的混合型神经网络架构

《Journal of Energy Storage》:A hybrid neural network architecture for lithium-ion battery remaining useful life prediction

【字体: 大 中 小 】 时间:2026年04月02日 来源:Journal of Energy Storage 9.8

编辑推荐:

  准确预测锂离子动力电池剩余使用寿命(Remaining Useful Life, RUL)对电池储能系统的可靠性评估至关重要。本文提出一种新颖的RUL预测框架,由混合神经网络模型与端到端散布熵增强自适应小波变换(Dispersion Entropy-enhan

  
准确预测锂离子动力电池剩余使用寿命(Remaining Useful Life, RUL)对电池储能系统的可靠性评估至关重要。本文提出一种新颖的RUL预测框架,由混合神经网络模型与端到端散布熵增强自适应小波变换(Dispersion Entropy-enhanced Adaptive Wavelet Transform, DEiAWT)方法组成。研究人员通过皮尔逊(Pearson)与斯皮尔曼(Spearman)相关系数分析,从容量、电压及电压变化率构建了寿命特征。采用自适应小波–散布熵融合(Adaptive Wavelet-Dispersion Entropy Fusion)方法抑制噪声影响,将时频分析与信息熵相结合以处理非平稳非周期信号。Mamba2捕获寿命特征内的长距离依赖关系,坐标注意力(Coordinate Attention, CA)增强的专家混合(Mixture-of-Experts, MoE)网络模型(MoCAE)提取多维耦合寿命信息,并与卷积神经网络(Convolutional Neural Network, CNN)结合以补充局部一致性。研究人员采用基于牛顿公式与黄金分割机制的改进思维创新策略(Thinking Innovation Strategy, TIS)算法获取所提模型的最优关键参数。自适应带宽核密度估计(Adaptive Bandwidth Kernel Density Estimation, ABKDE)通过区间量化与概率密度评估对预测不确定性进行量化。在三个数据集共九只电池上的RUL预测结果表明,所提方法具有更优的预测精度与鲁棒性,可为电池系统提供更有效的风险决策支持。
论文解读:A hybrid neural network architecture for lithium-ion battery remaining useful life prediction(发表于 Journal of Energy Storage)
锂离子动力电池(Lithium-Ion Battery, LIB)因其高能量密度、长循环寿命和低自放电率,已成为电动汽车(Electric Vehicle, EV)及大规模储能系统(Energy Storage System, ESS)的核心部件。随着全球能源转型加速,对LIB可靠性、安全性及经济性的要求日益严格。然而在长期循环过程中LIB性能不可避免发生衰减,容量与功率逐渐退化,严重时可引发热失控(Thermal Runaway)等安全事故。剩余使用寿命(Remaining Useful Life, RUL)——定义为电池从当前循环至容量衰减至失效阈值(通常为额定容量的70%~80%,即End of Life, EOL)所能经历的充放电循环数——是表征电池老化与可靠性的关键指标,其准确预测对预防突发故障、实施视情维护(Predictive Maintenance)、保障系统安全及提升电池全生命周期价值具有重要意义。
现有RUL预测方法主要分为基于模型的方法、数据驱动方法及混合方法。基于模型方法(经验模型、电化学模型、等效电路模型Equivalent Circuit Model, ECM结合粒子滤波Particle Filter, PF或无迹卡尔曼滤波Unscented Kalman Filter, UKF等)虽具物理可解释性,但精度高度依赖模型精度且在复杂工况下适应性有限。传统数据驱动方法(支持向量回归Support Vector Regression, SVR、相关向量机Relevance Vector Machine, RVM、高斯过程回归Gaussian Process Regression, GPR及CNN、LSTM、GRU、Transformer等深度学习模型)无需复杂机理建模,但存在以下不足:(1)CNN/RNN类模型难以捕捉长程依赖且易梯度消失/爆炸,Transformer自注意力机制随序列长度呈平方复杂度;(2)经验模态分解Empirical Mode Decomposition, EMD易模式混叠,变分模态分解Variational Mode Decomposition, VMD参数敏感且边界不稳定,集合经验模态分解Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN计算量大,固定小波基与傅里叶变换缺乏自适应性;(3)电池退化具多阶段、多机理耦合特征(初期SEI膜生长、中期活性材料损失、后期析锂等),单一网络难以同时捕捉多尺度多模式退化特性。为此,研究人员开展本研究,提出基于Mamba2–MoCAE–CNN架构与多尺度自适应小波–散布熵特征融合的LIB RUL预测新框架,并在CALCE、MIT及HUST三个数据集上验证其精度与泛化能力。
主要关键技术方法:
研究人员选用马里兰大学CALCE、MIT及华中科技大学(HUST)锂离子动力电池全生命周期循环数据集。经Pearson与Spearman相关系数分析从容量、端电压及电压变化率构造寿命特征。提出端到端散布熵增强自适应小波变换(DEiAWT),将小波分解/重构滤波器参数化为可训练变量并通过反向传播优化,基于散布熵与能量因子联合加权滤除高频细节系数中噪声同时保留退化波动信息。构建Mamba2–MoCAE–CNN混合网络:Mamba2(结构化状态空间模型State Space Model, SSM之改进版,具输入依赖选择性机制与线性复杂度)捕获长程时序依赖;坐标注意力增强的专家混合网络(MoCAE)动态激活不同专家子网络以学习多模式退化特征;一维CNN补充局部一致性。采用引入牛顿细化与黄金分割自适应调整的改进思维创新策略(Improved Thinking Innovation Strategy, ITIS)算法寻优超参数。以自适应带宽核密度估计(ABKDE)给出预测区间与概率密度以量化不确定性。评价指标含均方误差Mean Squared Error, MSE、均方根误差Root Mean Squared Error, RMSE、平均绝对误差Mean Absolute Error, MAE、平均绝对百分比误差Mean Absolute Percentage Error, MAPE、决定系数R2及绝对误差Absolute Error, AE。
Datasets(数据集)
研究人员选用CALCE(CS2系列电池,标准充放电流程)、MIT(商用18650电池,快充–恒流放电协议)及HUST(高倍率循环老化电池)三个公开数据集,涵盖不同电池体系、充放电制度及老化特性,用以全面评估模型跨工况泛化能力。
RUL prediction method(RUL预测方法)
研究人员首先通过Pearson相关系数(PCC)与Spearman相关系数(SCC)筛选与容量退化强相关的电压及电压变化率特征,与容量序列共同构成多维寿命特征向量。对特征序列施加DEiAWT:先进行可学习参数化的自适应小波变换(Adaptive Wavelet Transform)得到各层近似与细节系数,再依各高频细节系数之散布熵(Dispersion Entropy, DE,衡量信号复杂度/规律性)与能量占比计算联合权重,低于阈值者视为噪声抑制,保留含有效老化信息之分量并小波重构,获得降噪且保形之寿命特征序列。将处理后序列输入Mamba2–MoCAE–CNN:Mamba2块以线性时间复杂度建模全周期长程依赖;MoCAE块在门控网络中嵌入坐标注意力(Coordinate Attention, CA,分别沿水平/垂直方向池化以编码位置与通道间关系)作为路由器,依输入动态分配各专家(Expert,前馈子网络)权重以捕获早期SEI生长、中期活性物质损失、后期析锂等不同主导退化模式之特征;末端CNN卷积层强化相邻循环间局部连续退化趋势。整个网络以ITIS算法(改进TIS,融合牛顿迭代细搜索与黄金分割比自适应步长调节)全局寻优学习率、Mamba2状态维数、MoE专家数等关键超参。预测输出经ABKDE拟合残差分布,给出RUL点估计及置信区间。实验表明该混合方法较单一CNN/LSTM/Transformer及传统VMD–LSTM等基线模型在三个数据集上RMSE、MAE、MAPE均更低,且ABKDE区间覆盖概率更符合实际,证明方法具更高精度与鲁棒性。
Evaluation metrics(评价指标)
研究人员采用MSE = (1/N)Σ(yi? ?i)2、RMSE = √[(1/N)Σ(yi? ?i)2]、MAE = (1/N)Σ|yi? ?i|、MAPE = (1/N)Σ|(yi? ?i)/yi|×100%、R2及AE = |yi? ?i|综合评估预测性能。
Conclusion(结论——译自原文结论段)
准确预测锂离子动力电池剩余使用寿命对保障电池系统安全与实施视情维护至关重要。本研究提出并验证了一种由Mamba2–MoCAE–CNN模型与DEiAWT方法构成的新型混合数据驱动RUL预测框架。研究人员利用Pearson与Spearman相关系数分析构建了基于容量、电压及电压变化率的RUL预测特征;通过自适应小波–散布熵融合方法实现噪声抑制;Mamba2模块高效捕获退化序列中的长程依赖,坐标注意力增强的专家混合(MoCAE)网络动态学习多模式寿命特征,CNN补充局部一致性;采用融合牛顿公式与黄金分割机制的改进思维创新策略(ITIS)算法优化模型关键超参数;利用自适应带宽核密度估计(ABKDE)量化预测不确定性。在CALCE、MIT及HUST三个数据集九只电池上的结果表明,所提方法相比现有对照方法表现出更优的预测精度与鲁棒性,可为电池系统提供更有效的风险决策支持。
讨论总结
论文指出,传统RNN/CNN难以建模长序列依赖,Transformer计算开销大,既有信号分解方法或缺乏自适应性或参数敏感,单一深度模型无法兼顾电池多阶段多机理退化特征。研究人员创新性引入具线性复杂度的Mamba2替代Transformer自注意力捕获全寿命周期长程依赖,设计坐标注意力引导的MoE(MoCAE)以动态匹配不同阶段主导老化模式,辅以CNN强化局部趋势,并结合可端到端训练的DEiAWT自适应小波–散布熵联合降噪,ITIS智能调参及ABKDE不确定性量化,系统性提升了LIB RUL预测精度、鲁棒性及可解释性。研究局限未详述,未来研究方向包括进一步拓展至多温度多工况及实车运行数据验证,以及探索更深层物理信息与数据驱动融合建模。
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