基于多目标深度学习的多变量特征解耦图约束域适应方法在锂离子电池剩余使用寿命预测中的应用
《Journal of Energy Storage》:Multivariate feature-disentangled graph-enforced domain adaptation with multi-objective deep learning for remaining useful life prediction of lithium-ion batteries
【字体:
大
中
小
】
时间:2026年07月06日
来源:Journal of Energy Storage 10.7
编辑推荐:
Md Shoaib Akhter Rafi|Md. Kamrul Hasan孟加拉国工程技术大学电气与电子工程系,达卡,1205,孟加拉国
摘要
准确估算锂离子电池的剩余使用寿命是确保下一代储能系统可靠性、安全性及成本效益的关键,但由于电池退化过程具有复杂的非线性特征,这一任务
Md Shoaib Akhter Rafi|Md. Kamrul Hasan孟加拉国工程技术大学电气与电子工程系,达卡,1205,孟加拉国
摘要
准确估算锂离子电池的剩余使用寿命是确保下一代储能系统可靠性、安全性及成本效益的关键,但由于电池退化过程具有复杂的非线性特征,这一任务依然极具挑战性。目前用于电池剩余寿命预测的方法存在三方面固有缺陷:其一,现有模型往往将宏观健康状态轨迹与短期传感器数据分开处理,未能体现二者之间的互补性;其二,传感器数据与健康状态相关的特征演化速度不同,导致潜在空间结构失衡且不连贯;其三,不同化学成分的电池其特征分布存在差异,限制了方法的通用性。为解决这些问题,我们提出了一种基于多变量特征解耦与图结构约束的多目标深度学习框架,用于电池剩余寿命预测。该框架的核心SHER-Net模型将健康状态特征与高频传感器数据相结合,从而同时捕捉长期与短期动态变化。基于图的结构一致性学习机制能够在训练阶段实现结构对齐,有效避免模式内及模式间偏差,且无需额外推理开销。此外,该框架还采用了双流解耦融合网络与基于分割嵌入的域适应策略,将潜在空间划分为与领域无关的部分和特定于领域的部分,从而消除负面迁移效应及过度对齐问题。最后,多目标损失函数可同步优化预测精度、结构一致性与特征解耦效果,完成整个适配流程。在多个公开及私有数据集上的测试表明,该框架的性能始终优于现有最先进方法,标准化均方根误差仅为1.10%–3.33%,为具备高通用性、低推理成本且精准度高的电池预测方法建立了新的基准。
引言
锂离子电池因其高能量密度、长循环寿命及高效率,被广泛应用于电动汽车、便携式电子设备以及大规模储能系统中[1]、[2]。尽管具有这些优势,但由于复杂的电化学退化机制,电池性能会随时间逐渐下降,这引发了关于其可靠性、安全性以及维护成本的担忧[3]。因此,准确估算锂离子电池的剩余使用寿命已成为电池管理系统中的重要组成部分,它能够指示电池在达到使用寿命终点之前还能继续使用的时长。通常,当电池的健康状态降至初始状态的80%时,即视为达到使用寿命终点[4]。准确的剩余寿命估算有助于制定合理的维护计划、更换方案以及保障运行安全。然而,电池退化过程具有非线性特征且受使用条件影响,这使得这项任务尤为困难,因此人们致力于开发结合物理原理与数据驱动学习的先进方法,以深入理解电池的老化机制。
目前用于估算锂离子电池剩余寿命的方法大致可分为基于模型的方法与数据驱动方法两类。基于模型的方法依靠电化学模型或简化的经验公式来描述电池退化过程[5]。虽然电化学模型具有可解释性,但其参数识别较为复杂,且在不同实际工况下的泛化能力有限[6]、[7]。而诸如等效电路模型或曲线拟合技术之类的经验模型虽然易于实现,但难以捕捉动态使用条件下的非线性退化现象[8]。
数据驱动的预测方法则代表了与传统基于物理原理的方法相比的重大变革,它无需进行复杂的电化学建模,可直接从大量历史退化数据中提取出剩余寿命与相关特征的映射关系。这类数据驱动方法主要分为两种:一种是基于健康状态指标的估算方法,另一种则是直接基于电压、电流和温度数据的估算方法。基于健康状态指标的方法首先利用传感器数据来近似计算健康状态轨迹——这一指标与容量衰减、电阻增加等电化学退化机制有着直接的关联,之后再据此估算剩余寿命[9]。这种中间步骤不仅具有较高的可解释性,还能为电池健康状况提供基于物理原理的量化指标[4]。相反,直接基于电压、电流和温度数据的方法则跳过了这一中间抽象步骤,试图直接将原始传感器数据映射到剩余寿命上,更注重信息的保留而非物理层面的可解释性。
基于健康状态指标的剩余寿命估算方法一直在不断发展,旨在更全面地捕捉电池老化的复杂性。虽然高斯过程回归[9]、支持向量机[10]以及随机森林[11]等基础机器学习算法已经证明了这类方法的可行性,但它们难以完全模拟非线性的时间依赖关系。因此,深度学习因其能够自动提取复杂特征的优势而成为主流技术。卷积神经网络被用来从退化模式中提取短期特征[12],而长短期记忆网络则用于分析长期相关性[13]。后来,人们又发展出了混合架构,其中ConvLSTM模型成功整合了空间与时间维度上的学习能力[14]、[15]、[16],同时还引入了时间注意力机制,以便动态聚焦于关键的退化阶段[17]。尽管取得了这些进展,基于健康状态指标的方法仍然容易受到测量误差、突发波动以及噪声的影响,这些因素可能会掩盖细微的退化迹象,进而降低预测的准确性[4]、[19]。
为了解决将数据压缩为单一健康状态指标时可能出现的信息丢失问题,直接基于电压、电流和温度数据的方法利用原始放电数据,能够更细致地呈现电池的电化学动态特性[20]、[21]。由于能够完整保留电压、电流和温度数据的信息,这类方法在预测精度及概率置信度方面通常优于基于健康状态指标的方法[22]。不过,这种高精度也带来了相应的代价:直接基于电压、电流和温度数据的方法往往过于关注短期变化,可能无法完整呈现长时间运行过程中出现的整体退化趋势[20],同时也会失去健康状态指标所具有的物理可解释性。由此可见,若孤立地处理这两种数据类型,将会限制预测模型的泛化能力。因此,亟需一种能够整合这两种方法的统一框架,既能利用健康状态指标所反映的长期稳定性,又能发挥原始传感器数据的高灵敏度优势,从而实现精准且可靠的剩余寿命估算。
此外,要构建一个基于传感器数据与健康状态指标的综合性框架,并实现精准可靠的剩余寿命估算,还需解决两类不同的域差异问题:其一为特征层面的域差异,源于宏观健康状态指标与微观传感器数据之间的差异;其二为数据层面的域差异,由不同的外部运行条件所导致。要解决特征层面的域差异,就需要对这两种不同类型的数据之间的复杂交互关系进行精细建模。然而,传统的特征融合方法往往采用线性拼接或简单聚合的方式,无法捕捉不同数据类型之间的非线性、时空依赖关系,因此在这一方面表现不佳。相比之下,基于图神经网络的特征融合方法将传感器视为节点,将其之间的交互关系视为边,通过这种方式可以实现非线性的、考虑拓扑结构的消息传递,从而捕捉到简单拼接或平均方法所忽略的复杂时空依赖关系。通过明确约束节点间的关系及结构一致性[23],图神经网络已成为深度特征融合领域的强大工具。正是由于具备这种强制实现结构一致性的能力,越来越多的研究开始采用基于图神经网络的框架来进行剩余寿命估算[24]、[25]。例如,消息传递架构能够捕捉电池退化过程中的各种关联关系[26],而图卷积网络[27]以及图注意力网络[28]、[29]则能够建立不同特征类型之间的结构关联。此外,局部-全局关联图神经网络也被用于提取不同循环周期之间以及同一循环周期内的特征[30],同时还有自适应跨图融合策略作为补充[31]。不过,图神经网络在实际应用中往往会受到迭代构建图结构及计算邻接节点信息所带来的较高计算成本的限制[32]、[33],这会影响其在实时预测场景中的应用前景。因此,人们需要一种可分离式的图神经网络框架,即在训练阶段可以利用结构建模技术,而在实际应用时则能实现轻量级、高速度的推理。
除了特征间的交互作用之外,缩小数据层面的域差异对于确保模型在多种不同运行环境下的良好泛化能力也至关重要。在实际应用中,电池所承受的负载情况与温度条件往往变化很大,这就导致在特定条件下训练得到的模型,在面对未知的运行环境时性能会显著下降[34]、[35]。为了解决这一问题,人们提出了多种数据层面上的域适应策略,比如对抗学习[36]、差异最小化方法[37]以及基于重建的自编码器[34]等。然而,这些方法都存在一定的局限性:对抗学习可能会导致与任务相关的特征被抑制,而基于差异的方法则通常只追求全局分布的匹配,无法捕捉细微的、由具体条件决定的变化。尽管有一些基于双编码器的特征解耦框架试图将与领域无关的特征与特定于领域的特征分开[38],但这些框架的架构较为固定且相互独立,往往无法与主要的预测网络协同工作,从而导致集成上的瓶颈,限制了其在实际应用中的有效性。
针对现有研究中模型精度、计算效率与领域通用性之间的矛盾,本研究提出了一套全新的方法体系。为了充分利用不同数据流之间的互补优势,本研究提出了传感器与健康状态编码器驱动的剩余寿命预测网络SHER-Net,这是一种多路径框架,旨在整合多种不同的退化信号。与那些只能兼顾长期稳定性或短期响应能力的单模态方法不同,SHER-Net能够巧妙地融合健康状态指标与电压、电流、温度数据对应的特征,从而形成对电池退化过程的全面表征。更为重要的是,为了解决不同类型特征之间的对齐问题,同时避免出现传统图神经网络所带来的计算延迟,我们提出了基于图的结构一致性学习机制。这一监督机制在训练阶段起到了结构先验的作用,迫使健康状态特征与传感器特征在图结构中保持对齐。GECL机制不仅能实现传感器数据与健康状态相关特征之间的结构对齐,还能随着电池退化过程的推进,通过强化特征之间的结构一致性,抑制每种特征序列中因领域差异而产生的逐步偏离现象。GECL模块的一个关键创新之处在于,它能够充当一种临时的结构桥梁,在训练阶段弥补传感器数据与健康状态特征之间的信息缺口,而在推理阶段则会被移除。这种架构上的分离使得模型能够利用图消息传递技术带来的高效特征对齐能力,而不必承担其较高的计算成本。因此,GECL机制在性能上优于传统的图神经网络实现方式,既具备了图神经网络级别的预测精度,又具有更高的计算效率,能够实现快速、低延迟的推理。
为进一步提升模型在各种不同电池数据集上的适用性,我们采用了基于分割嵌入的域适应策略,以此克服传统域适应方法的局限性。该策略灵感来源于Wang等人的研究[38],他们通过双编码器架构将域适应过程与原始网络分离,而我们的SEDА策略则是在单个编码器内部实现特征的明确解耦,通过将潜在空间划分为相互补充的子空间来实现这一目标。这种设计将对于模型通用性至关重要的与领域无关的特征与特定于领域的特征分离开来,从而解决了传统统一对齐方法中存在的“负面迁移”问题。通过将这种解耦后的特征学习与GECL机制所提供的特征层面适配策略相结合,我们的框架最终形成了一种兼具强鲁棒性、高计算效率以及优异泛化能力的解决方案,能够适应各种不同的电池应用环境。
本研究的主要贡献可归纳为以下几点:
(i)提出了一种全新的互补型多路径编码器架构SHER-Net,该架构能够在统一的学习框架下同时建模长期的健康状态驱动型退化趋势与短期的传感器动态变化,从而避免了以往预测模型中存在的特征隔离问题。通过将宏观层面的老化趋势与微观层面的运行波动有机结合,SHER-Net能够构建出一个稳定且具有高度区分度的特征表示空间,在各种不同且未曾见过的工作条件下,其性能始终优于现有的单流及多流基准模型。
(ii)提出了一种全新的训练阶段结构域适应机制GECL,该机制能够在不带来传统图神经网络那种高昂推理成本的前提下,注入相关的结构化诱导偏见。与那些将拓扑结构与实际应用直接捆绑在一起的现有图融合方法不同,GECL仅在优化阶段将图拓扑结构作为一种监督手段,以此强制实现不同特征类型之间以及同一特征类型内部的结构一致性及特征连贯性,同时还能保持高效的实时推理能力,从而解决了长期以来特征表示能力与计算可行性之间的矛盾。
(iii)提出了一种全新的数据层面域适应机制SEDА,该机制能够明确地将特征表示分解为与领域无关的部分与特定于领域的部分,从而直接解决了以往以对齐为中心的方法中存在的负面迁移及过度对齐问题。通过将共享的退化语义与环境相关的变化结构化地分开,SEDА能够实现强大的跨领域泛化能力,显著提升模型在领域发生变化时的可靠性,其性能优于传统的整体式适应策略及对抗式适应策略。
(iv)在四个不同的公开数据集以及一个自主研发的私有数据集上进行了全面测试,结果充分证明了该框架出色的鲁棒性及泛化能力。这些广泛的验证结果表明,该模型在各种不同的电池化学成分及运行条件下都具有实际应用价值,其可靠性远远超过现有的各类开源模型库。
数据集简介
NASA电池退化数据集[39]由艾姆斯预测中心负责整理,其中包含了34节标称容量为2安时的锂离子电池的循环测试数据。这些电池是通过一款专门设计的电池测试设备进行测试的,测试直至电池容量下降到初始容量的12%、20%或30%为止。测试过程中还包括充电、放电以及阻抗测试等实验环节。充电过程采用恒流恒压模式,以1.5安的电流充电至4.2伏特,之后在4.2伏特下保持恒压直到电流不再变化。方法论如图2和图3所示,所提出的框架通过结合原始传感器数据与由电池健康状态驱动的退化特征,实现了可靠的电池剩余寿命预测。在锂离子电池的剩余寿命预测中,存在一个根本性的建模难题:仅依赖瞬时传感器信号(电压、电流和温度)的模型无法反映长期退化情况,因为这些信号的变动较为缓慢,因而难以体现电池老化的累积效应。相反,结果分析表5中的对比结果表明,不同剩余寿命预测框架在五种不同的跨领域配置下的性能表现,每种配置都代表了从多个源数据集向独立未知目标领域的迁移。NRMSE、MAE、MAPE和R2等指标共同体现了预测的精确度与泛化能力。总体而言,所提出的模型在各种情况下均优于现有的基准模型,展现出极强的抗领域差异能力。复杂性分析为全面评估该框架的计算可行性,表6对模型复杂度与推理延迟进行了对比分析,分析了其与几种最先进的基准模型的差异。需要指出的是,所提出的架构具有较高的计算开销,训练阶段的参数总数高达16.81百万个。与Wang等人[30]和Li等人[12]设计的轻量级模型相比,这种更高的参数量是出于刻意设计且必要的。消融研究表7中的消融研究全面评估了所提框架中各组成模块在两个不同目标领域——牛津大学测试集和NASA测试集——的电池剩余寿命估算中的作用。通过系统地引入各种架构组件及其对应的损失函数,该分析揭示了各个模块如何在不同的退化特征和数据条件下提升模型的泛化能力、表征学习能力以及跨领域适应性。关于可解释性的讨论尽管电池研究中的深度学习模型常因黑箱特性而受到批评,但通过分析它们依赖的输入特征以及这些特征所对应的物理退化现象,仍可对其所学到的电化学特性进行有意义的解释。虽然在这些非线性、数据驱动的框架中,无法通过物理上的封闭形式方程给出精确的分析解释[48],但仍然可以通过追溯模型结构来建立其可解释性。结论本研究解决了电池预测领域长期存在的 metodological缺陷,即未能同时利用长期健康趋势与瞬时传感器动态信息。以往的研究往往只关注单一类型的信号,从而导致要么缺乏长期稳定性,要么无法实现快速响应。我们通过SHER-Net模型弥合了这一差距,该模型策略性地整合了这两种互补的信号,从而构建出能够全面反映电池退化情况的稳健模型。致谢作者们衷心感谢孟加拉国Poly Cables Industries Limited以及位于达卡-1000的孟加拉国工程科技大学通过BUET基础研究基金所提供的部分资金支持。同时,作者们也对BUET87基金会为人工智能研究实验室提供的慷慨支持表示诚挚的感激,这些支持极大地提升了研究环境,拓展了本研究的范畴。
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