基于数据增强与容量恢复识别的双重驱动电池寿命预测
《Particuology》:Dual-driven battery life prediction based on data augmentation and capacity recovery identification
【字体:
大
中
小
】
时间:2026年08月28日
来源:Particuology 4.7
编辑推荐:
•提出了一种锂离子电池剩余使用寿命(RUL)预测框架。•融入了容量恢复(CR)动态识别与数据增强技术。•解决了容量波动与小样本场景下的预测难题。•提升了RUL预测的准确性与鲁棒性。
**引言**
锂离子电池已成为电动汽车(EV)的主流储能解决方案(Hu等,2024;Rit
•提出了一种锂离子电池剩余使用寿命(RUL)预测框架。•融入了容量恢复(CR)动态识别与数据增强技术。•解决了容量波动与小样本场景下的预测难题。•提升了RUL预测的准确性与鲁棒性。
**引言**
锂离子电池已成为电动汽车(EV)的主流储能解决方案(Hu等,2024;Ritchie,2001;Zhang, Qiao等,2022)。然而,在长期循环过程中,锂离子电池内部会发生一系列副反应。这些副反应的累积可能引发热失控,导致火灾或爆炸等严重安全事故(Deng等,2023;Li等,2023;Ma等,2021)。准确预测锂离子电池的RUL是保障电池系统安全运行的关键技术(Jiang等,2025;Sharma & Bora,2022;Yang等,2024)。目前,锂离子电池的RUL预测主要可分为两大类。第一类是基于物理模型的建模方法,该方法从第一性原理出发构建机理模型,以描述容量退化趋势并预测RUL(Guo等,2022;Ruiz等,2025;Waag等,2013)。虽然此类模型能提供相对准确的预测,但也存在一些局限性:(i)涉及大量参数,难以在整个电池生命周期内进行标定(Wang等,2020;Zhang, Liu等,2022);(ii)包含高度复杂的偏微分方程,需要较大的计算开销(Jiang等,2025;Sulzer等,2021)。此类方法受到显著局限性的制约,难以满足日益增长的电池寿命预测实际需求(Zhao等,2024)。
第二类是基于数据驱动的方法,已被广泛应用于锂离子电池的RUL预测(Lin等,2023;Wu等,2023)。该方法的一个显著优势在于其灵活性和实用性。它无需构建复杂的物理模型,也无需考虑电池内部复杂的电化学过程(Chen, Zhang等,2026;Severson等,2019)。取而代之的是,通过处理历史循环数据并提取信息性特征,建立输入与输出之间的映射关系,以表征非线性的容量退化模式(Li等,2019;Samanta等,2021)。然而,传统机器学习方法通常依赖专家知识进行特征工程,需要人工选择与容量相关的特征。该过程耗时费力且容易引入主观偏差,导致特征表征次优,最终阻碍模型的预测性能(Domingos,2012;Guyon & Elisseeff,2003)。
与需要耗人力且高度主观的人工特征工程的传统机器学习方法不同,深度学习架构具有从原始循环数据中自主提取抽象表征的内在能力,从而揭示潜在的退化模式(Zhang & Li,2022)。循环神经网络(RNN)及其高级变体——长短期记忆网络(LSTM)和门控循环单元(GRU)——被广泛用于锂离子电池的RUL预测,因为它们擅长捕捉复杂的时序依赖关系(Jia等,2024;Tang等,2022)。与LSTM相比,GRU架构通过简化门控机制显著降低了模型复杂度和计算开销。关键的是,它在简化结构的同时保留了建模长期容量退化趋势的稳健能力;因此,本研究将GRU指定为核心预测模型。
在实际应用场景中,电池运行数据天然分布在海量边缘终端上,这不断加剧了集中式数据收集的难度和成本。尽管联邦学习等分布式范式已被用于缓解数据碎片化问题(Yang等,2025),但单个电池在早期循环阶段时间序列数据的稀缺仍然是阻碍实际模型部署的关键瓶颈。为从根本上缓解这种时间数据稀缺问题,大量研究致力于针对电池循环早期阶段的数据增强与预测策略。近年来,深度生成架构——尤其是生成对抗网络(GAN)及其时序变体——已被广泛用于合成电池老化轨迹(Seol等,2024;Sifat等,2026)。然而,这些纯数据驱动模型存在几个严重缺陷,包括计算开销过大、数据稀缺场景下训练动态不稳定,以及生成的容量轨迹缺乏物理合理性。另一方面,传统的时序数据增强策略通过将早期序列映射到完整的、已有的退化至失效(RTF)数据集上来合成未来的运行曲线(Kim等,2020)。然而,该方法的效力依赖于一个严格的事先假设:目标电池的退化模式必须与外部数据库中存储的基准样本严格一致。这一先决条件使该方法在具有独特局部容量波动的多样化实际工况下失效。这凸显了开发完全不依赖外部数据集的自适应数据增强策略的迫切需求。
除早期循环数据稀缺带来的挑战之外,在实际工况下锂离子电池的长期容量退化轨迹很少遵循严格单调下降趋势。具体而言,电池在静置或空闲期间复杂的电化学动力学可触发一种异常的瞬时容量恢复,通常被称为容量恢复(CR)效应(Keil,2017;Zhang等,2024)。从机理角度分析,电池松弛过程促进了固态电解质界面(SEI)的形态重构与均质化,从而降低了内部阻抗(Chen, Zhang等,2026;Zhang等,2024)。同时,SEI的部分溶解可重新建立与最初孤立的"死锂"的电连接,使其重新参与后续的电化学反应(Keil,2017;Liu等,2021)。虽然这些耦合效应导致了表观放电容量的瞬时恢复,但这并不意味着电池固有健康状态(SOH)的根本性恢复。在数据驱动建模的语境下,CR现象引起的局部非单调波动严重扭曲了内在的长期退化轨迹。这些突然的伪特征会干扰深度学习模型的参数优化过程,阻碍真实退化动力学的提取。因此,模型被迫学习错误的容量演化模式,最终导致RUL预测精度急剧下降。
针对CR现象已开展了大量深入研究,可大致归纳为两大研究范式。第一种范式将CR仅仅视为异常噪声。因此,Ma等(2020)提出的堆叠去噪自编码器(SDA)、Chen等(2021)开发的经验模态分解(EMD)以及Zhang等(2021)提出的基于规则的滤波等技术已被用于滤除这些波动。然而,这种不加区分地去噪往往会过度平滑电池退化曲线,从而丢弃CR过程中嵌入的关键SOH信息。相反,第二种范式采用显式建模策略。包括Ren等(2018)提出的混合自编码器网络、Wang等(2019)开发的分段指数模型以及Deng等(2021)引入的粒子滤波器等方法,均展示了拟合和捕捉CR动态演化模式的能力。然而,这些方法严重依赖先验经验知识和复杂的潜变量假设。此外,其准静态建模框架缺乏自适应的定量特征提取机制,使其无法有效表征不同电池之间的动态异质性。
为解决上述研究局限,本研究提出了一种新型的双驱动RUL预测框架。该框架并未将早期循环数据稀缺和CR视为孤立挑战,而是建立了一个协调的闭环系统,以同时应对这两大约束。该框架的整体工作流程如图1所示。本研究的主要贡献总结如下:
(1)**CR的自适应准在线识别与检测:** 该方法无需先验领域知识。仅利用历史容量时间序列数据,所提方法可自主识别并滤除CR现象引起的伪特征。因此,为后续预测建模建立了高保真的数据基础。
(2)**定量校正与鲁棒性增强:** 通过对单个电池层面CR区间的定量分析,所提框架动态重新校准其预测输出。这种自适应重新校准机制有效抑制了伪特征引起的干扰,从而显著增强了模型对局部异常波动的鲁棒性。
(3)**早期循环数据增强:** 提出了一种将线性映射与残差自举重采样相结合的新型数据增强策略。仅利用早期循环数据,该方法可合成高保真的老化退化轨迹。该方法不依赖外部先验信息,可大幅扩充训练数据集,从而有效缓解有限样本场景下固有的数据稀缺问题。
**数据获取**
本研究使用的电池数据集来源于NASA艾姆斯研究中心预测卓越中心(PCoE)的公开数据集(Yang等,2018)。从该数据集中选取了B5、B6、B7和B18四个电池,并分别指定为Cell1至Cell4(即Cell1对应B5,Cell2对应B6,Cell3对应B7,Cell4对应B18),以简化符号表述。图2(a)展示了所选电池的原始容量衰减曲线。
**所提模型**
电池的渐进式退化本质上是一个时间序列问题。通过沿时间维度共享权重,RNN能有效捕捉序列数据中连续时间步之间的依赖性(如图5(a)所示)。具体而言,对于每个时间步,所提网络的隐藏状态不仅取决于当前输入x_t,还取决于前一时间步的隐藏状态h_{t-1}(参见公式(17)、(18))。w_xh、w_hh和w_ho分别表示来自……的权重
**结果与讨论**
在本实验部分,通过将来自电池的增强数据与所提模型架构相结合,对模型进行训练和优化。训练完成后,进一步在原始电池数据集上单独验证模型性能。为定量评估模型性能,采用平均绝对误差(MAE)和平均绝对百分比误差(MAPE)作为核心评估指标,其具体计算公式如下。
**结论**
在间歇性运行条件下,松弛期引起的CR现象严重损害了电池RUL的准确估计。为解决这一关键限制,本研究提出了一种CR的准在线识别方法。该方法实现了每块电池CR区间的准确识别,并促进了不同电池间个体差异的定量表征。该方法动态捕捉CR区间。
**作者贡献声明(CRediT)**
刘忠阳:撰写——原稿,方法论,调查研究,形式分析,数据整理,概念构思。
王雨坤:方法论,调查研究。
陈金秀:方法论,调查研究。
孟金昊:撰写——审阅与编辑,概念构思。
龚龙:撰写——审阅与编辑,概念构思。
**利益冲突声明**
作者声明,他们没有已知的可能影响本论文所报告工作的竞争性财务利益或个人关系。
**致谢**
本工作受国家自然科学基金(项目编号:22379121、22579139)和中央高校基本科研业务费专项资金支持。本文中的数值计算已在合肥先进计算中心完成。作者感谢在本稿语言润色中使用AI辅助。所有科学内容、数据解释和核心逻辑均由作者独立开发。
刘忠阳 | 王雨坤 | 陈金秀 | 孟金昊 | 龚龙
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