基于多特征分组门控融合的锂离子电池健康状态估计方法
《Journal of Energy Storage》:Multi-feature group-wise gated fusion for state-of-health estimation of lithium-ion batteries
【字体:
大
中
小
】
时间:2026年07月04日
来源:Journal of Energy Storage 10.7
编辑推荐:
张子烨|王文豪|刘晓静|郑向祥|王茂旭|徐良天津工业大学电气工程与自动化学院,天津市新能源电力变换、传输与智能控制重点实验室,中国天津300384摘要对于电动汽车而言,准确估算锂离子电池的健康状态对于确保其安全运行和实现可靠的寿命管理至关重要。目前许多基于数据的健康状态估算方法仍
张子烨|王文豪|刘晓静|郑向祥|王茂旭|徐良天津工业大学电气工程与自动化学院,天津市新能源电力变换、传输与智能控制重点实验室,中国天津300384摘要对于电动汽车而言,准确估算锂离子电池的健康状态对于确保其安全运行和实现可靠的寿命管理至关重要。目前许多基于数据的健康状态估算方法仍依赖单一特征,而多源特征在不同电池单元及老化阶段往往表现出灵敏度不一致且易受噪声干扰,从而导致融合结果不稳定,泛化能力有限。本文提出一种门控特征融合与长短期记忆网络相结合的方法,该方法从增量容量曲线、差分热伏安曲线以及放电等电压降时间中提取互补的健康指标。该算法通过分组门控机制自适应地权重整合不同特征组,同时抑制冗余和噪声信息,从而获得更具区分度的融合表征。随后,利用滑动窗口长短期记忆网络来建模老化过程的时间依赖性,并进行健康状态估算。通过留一法交叉验证,该算法在西安交通大学数据集上的平均均方根误差、平均绝对误差以及平均绝对百分比误差分别为0.5455%、0.4116%和0.4450%,在牛津大学数据集上的相应数值为0.6505%、0.5490%和0.6641%。该方法提升了健康状态估算的精度与稳定性,有助于实现更可靠的电动汽车电池管理系统,进而保障锂离子电池系统的安全高效运行。引言锂离子电池广泛应用于电动汽车和能量存储系统中,其性能衰退会直接影响系统的安全性、可靠性及经济性,因此准确估算电池健康状态极为重要[1][2]。目前,锂离子电池健康状态估算方法主要分为两类:基于模型的方法和基于数据的方法。基于模型的方法通过物理、电化学或数学模型描述电池老化行为来估算健康状态。由于结构简单、计算成本较低,等效电路模型被广泛使用。在基于等效电路模型的方法中,陈等人利用欧姆内阻与容量之间的内在关系进行健康状态估算[3];张等人则开发了一种基于在线参数识别的框架,用于同时估算电池的荷电状态、功率状态以及健康状态[4]。电化学模型则通过描述锂离子扩散、电荷转移、电解质传输及副反应等内部过程,提供更强的机理可解释性。刘等人采用简化的伪二维模型来估算荷电状态和健康状态[5];李等人则将化学和机械老化机理纳入单粒子模型中,用以描述容量衰减现象[6]。经验老化模型和随机老化模型则通过拟合老化规律或随机老化轨迹来表征容量衰退过程。王等人提出了一个具有多个隐态的非线性漂移布朗运动模型,用于预测电池的剩余使用寿命[7]。这些研究表明,基于模型的方法具有良好的可解释性,能够将可测量的信号与老化机理联系起来。然而,这类方法的性能通常取决于模型结构、参数识别精度以及对老化机理的先验假设。在复杂的运行条件、不同的电池化学体系以及电池单元间的差异下,保持模型的精确性与泛化能力仍然是一项挑战。基于数据的方法因无需构建复杂的物理模型,可直接从测量数据中学习非线性老化模式,因而越来越受到关注。这类方法通常依赖于有效的健康指标和非线性映射模型。例如,左等人提取了与故障相关的特征用于健康状态估算[8];孙等人则引入了注意力机制与差分温度特征相结合的方式,以增强对老化过程的表征能力[9]。传统的机器学习方法,如支持向量回归、高斯过程回归以及集成学习,也被广泛用于基于特征的健康状态估算。李等人提出了基于堆叠集成与稀疏高斯过程回归的组合方法[10];李等人则采用优化后的支持向量回归进行健康状态估算[11]。为进一步提升特征表征能力,人们还将信号分解与优化策略与基于支持向量回归的模型相结合[12]。随着深度学习的发展,循环神经网络和卷积神经网络被用来建模时间上的老化依赖关系以及局部的非线性模式。典型的应用包括基于温度预测的门控循环单元估算方法[13]、基于量子卷积神经网络的自动特征融合方法[14],以及结合变分模态分解、排列熵以及改进后的蜣螂优化器的时序卷积网络[15]。近期,自注意力域适应、基于Transformer的建模方法以及物理信息神经网络也被用于提升跨条件泛化能力、长期依赖关系建模能力以及模型的物理一致性[16][17]。尽管这些方法提升了健康状态估算的性能,但其精度和稳定性仍高度依赖于所提取健康指标的质量以及训练数据的代表性。当老化特征不完整、存在冗余或易受噪声影响时,学习到的表征结果可能会变得不稳定,从而限制了健康状态估算在不同电池单元及不同运行条件下的可靠性。从方法论的角度来看,虽然基于模型的方法能够提供机理层面的洞察,但由于其对精确参数识别的高度依赖,使得其在复杂动态环境中的实时应用受到限制。相反,基于数据的方法则避免了这些数学上的复杂性,具备强大的非线性拟合能力,因此非常适合用于实际的电池管理系统。因此,本研究从方法论上将其归类为基于数据的方法。不过,本研究并不主张一味追求越来越复杂的黑箱网络架构,而是认为当前基于数据的方法存在的根本瓶颈在于输入特征的有效构建与利用。为克服由噪声或冗余特征带来的不稳定问题,有必要将方法论的重点转向多维度特征提取与自适应融合机制。因此,对于基于特征的基于数据的健康状态估算而言,构建有效的健康指标至关重要,因为所提取的特征直接决定了电池老化过程的表征方式。现有的健康指标通常是从充电电压曲线、放电电压曲线、电流波形、温度响应、增量容量曲线、差分热伏安曲线以及恒流或恒压充电阶段中提取的。与增量容量相关的特征被广泛用于描述电化学老化行为。例如,徐等人从增量容量曲线中提取峰值特征,并利用Transformer模型进行健康状态估算[18];差分热伏安特征则通过描述老化过程中的温度响应变化,提供了另一种分析视角。吴等人提出利用差分热伏安技术来追踪锂离子电池的老化过程,表明温度-电压信息可用于描述电池老化行为[19]。此外,邹等人还基于等电压区间放电时间、增量容量曲线以及差分热伏安特征,开发了一种多特征协同健康状态估算方法[20]。这些研究表明,不同的健康指标可以从不同的物理或运行角度描述电池老化过程。然而,单一类型的健康指标通常只能捕捉到部分老化信息。由于电池老化是一个非线性且多尺度的过程,不同的健康指标在不同老化阶段可能表现出不同的灵敏度、稳定性以及抗噪声能力。因此,依赖有限或单一来源的特征可能会限制健康状态估算模型的表征能力和稳定性。为提升对电池老化过程的表征能力,人们越来越多地研究多源健康指标融合方法。与单一来源特征相比,多源健康指标能够整合来自电压、电流、温度、容量相关曲线以及动态响应区域的信息,从而从互补的角度描述电池老化过程。卢等人提出了一种基于特征融合的卷积神经网络,利用部分电压曲线来展示神经网络从局部电压段中提取老化信息的潜力[21];陈等人则开发了一种基于注意力的多特征融合框架,以提高健康状态估算的稳定性和可解释性[22]。此外,还有基于相关性分析和优化分析的特征选择方法,用于在健康状态建模之前去除冗余信息。例如,戴等人采用多元相关性分析来进行特征筛选[23];王等人则在支持向量回归估算之前,采用改进的鲸鱼优化算法进行特征选择[24]。这些研究表明,多源融合能够丰富对电池老化过程的表征,但现有的大多数方法仍依赖于特征拼接、特征筛选或隐式的神经网络映射机制。这类方法虽能在一定程度上提升特征利用率,但可能无法明确调控不同特征组在电池老化过程中的贡献程度。由于不同类型的健康指标具有不同的尺度、老化灵敏度以及抗噪声能力,固定的或可解释性较低的融合方式可能会引入冗余信息,或削弱有用的老化特征。因此,仍需要一种自适应融合策略,能够动态突出有价值的特征组,抑制噪声成分,从而提升健康状态估算的稳定性。为解决上述问题,本文提出了一种将门控特征融合与滑动窗口长短期记忆网络相结合的健康状态估算方法。该方法属于基于特征的基于数据的健康状态估算方法,但与传统的单一特征或直接融合方法不同,它引入了自适应门控机制用于多源健康指标的融合。首先,从循环测试数据中提取三种互补的健康指标,包括差分热伏安特征、增量容量分析结果以及放电等电压降时间。这些特征能够覆盖不同尺度及敏感区域的电池老化信息。随后,引入门控特征融合层,用于自适应地控制不同特征组的权重并实现特征融合。该层能够识别出每种特征类型对电池健康状态的贡献程度,同时抑制冗余信息与噪声,从而生成更具区分度的融合表征。最后,将融合后的特征输入到具有滑动时间窗的长短期记忆网络中,利用该网络对电池老化过程的时间依赖性进行分析,从而实现准确的健康状态估算。本研究的主要贡献如下:1)从差分热伏安曲线、增量容量曲线以及放电等电压降时间中提取多源健康指标,从而实现对电池老化过程的全面表征。2)提出了一种门控特征融合策略,用于多源特征组的融合,能够在抑制冗余与噪声的同时实现稳健的融合效果。3)提出了一种基于门控特征融合与长短期记忆网络的电池健康状态估算模型,该模型能够在不同电池单元之间实现更准确、更稳定的健康状态估算。章节片段健康状态健康状态通常定义为电池当前可用容量与初始额定容量之比:SOH=Ct/C0,其中Ct表示第t次循环时的可用容量,C0则表示初始额定容量。门控特征融合由于来自不同来源的健康指标对健康状态的影响程度不同,简单的特征拼接方式可能会掩盖各特征组的重要性,还会引入冗余信息与噪声。为此,本文引入了门控特征融合模块,用于学习各特征组的权重,并据此实现特征融合,从而得到更具区分度的表征结果。标准化数据集本研究使用了西安交通大学[17][26][27]和牛津大学[28]发布的两个公开锂离子电池老化数据集。这两个数据集的主要特点如表2所示,其容量衰减曲线则如图2所示。通常,当电池容量下降到初始值的80%以下时,即可视为电池达到使用寿命终点。在西安交通大学的数据集中,所研究的电池单元为18650型锂离子电池。单一特征与门控特征融合的比较为分析不同健康指标对健康状态估算性能的影响,并验证门控特征融合方法的有效性,本节在西安交通大学的数据集上对比了四种不同的输入方案,分别是仅使用差分热伏安特征、仅使用增量容量特征、仅使用放电等电压降时间特征,以及使用门控特征融合后的特征。所有对比实验均采用前述的留一法交叉验证方式,评估指标为均方根误差、平均绝对误差以及平均绝对百分比误差。健康状态估算曲线以及结论本文提出的门控特征融合与长短期记忆网络框架在两个公开电池老化数据集的留一法交叉验证中表现出了稳定的优势。在该方法的三次对比中,其均方根误差、平均绝对误差以及平均绝对百分比误差均更低,其性能优于BP网络、长短期记忆网络、门控循环单元网络以及时序卷积网络。同时,它的性能也优于单一来源的特征输入方式,以及经过简化的门控特征融合与多层感知器模型、标准长短期记忆网络版本。此外,该模型还能更一致地跟踪真实健康状态的变化趋势,误差幅度更小,波动也更少。CRediT作者贡献说明张子烨:撰写——原始稿件、软件工具、方法设计、数据整理。王文豪:软件工具、方法设计、数据整理。刘晓静:软件工具、数据整理。郑向祥:可视化处理、结果验证。王茂旭:形式化分析、概念设计。徐良:结果验证、项目监督、方法设计、实验研究。利益冲突声明我们声明自己与任何可能不当影响我们工作的个人或组织均不存在财务或个人关系。致谢本研究得到了国家自然科学基金(项目编号:61975151)的支持。
生物通微信公众号
生物通新浪微博
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