一种用于可解释且可泛化健康状态估计的退化感知双向长短期记忆网络

《Journal of Energy Storage》:A degradation-aware bidirectional long short-term memory network for explainable and generalizable state-of-health estimation

【字体: 大 中 小 】 时间:2026年09月30日 来源:Journal of Energy Storage 10.7

编辑推荐:

   •17维退化感知特征提供具有物理可解释性的SOH输入 •紧凑的47,169参数BiLSTM在5折交叉验证下达到R2=0.9993 •留一电池交叉验证评估展现了强大的跨电池泛化能力 •MC Dropout提供预测不确定性估计 •SHAP和LIME提供一致的解释性分析 引言 锂

  

•17维退化感知特征提供具有物理可解释性的SOH输入
•紧凑的47,169参数BiLSTM在5折交叉验证下达到R2=0.9993
•留一电池交叉验证评估展现了强大的跨电池泛化能力
•MC Dropout提供预测不确定性估计
•SHAP和LIME提供一致的解释性分析

引言
锂离子电池为电动汽车、电网储能、消费电子产品以及不断扩展的安全关键系统提供动力[1]。通过复杂的电化学反应机制——包括固体电解质界面生长、锂沉积和活性材料损失——其容量会随时间发生不可逆衰减,其宏观表现即为健康状态(SOH)下降,通常定义为当前可用容量与标称容量之比[2]。因此,可靠的在线SOH估计对于电池管理系统、保修决策、二次利用评估以及运行安全至关重要。

传统的SOH估计方法依赖于等效电路模型或电化学模型,这些方法具有物理基础,但需要仔细的参数识别且对运行条件敏感。数据驱动方法如高斯过程、随机森林以及近年来兴起的深度循环网络则绕过了显式物理建模,能够利用丰富的传感器数据流[3]。在循环神经网络架构中,长短期记忆网络(LSTM)及其双向变体(BiLSTM)尤其引人注目,因为它们能够在保留长期退化历史的同时,从中等规模的标注数据中进行训练[4]。

两个反复出现的担忧限制了深度学习SOH估计器在工业界的采用。首先,跨未见电池的泛化能力很少通过严格的协议进行验证;许多报告的准确率来自随机划分,导致测试电池的循环数据泄漏到训练中。其次,深度模型具有不透明性:没有额外工具,操作员无法判断预测结果反映的是真实的退化信号还是虚假的相关性。这两个问题都紧迫,因为错误或无法解释的SOH估计会导致安全裕度不足或过于保守的维护计划。

贡献。本文通过单一紧凑的框架解决了这两个问题。其主要贡献如下:
(1) 退化感知特征集。除六个原始传感器通道外,我们设计了十一个特征,捕获时间滞后、短期滚动统计量、退化率、指数平滑和归一化老化阶段。
(2) 在鲁棒目标下训练的紧凑BiLSTM估计器。所提出的架构使用单个双向LSTM层(64个单元)、批归一化、l2正则化密集层和Huber损失。
(3) 多协议评估。在5折交叉验证、对全部八个电池的逐电池测试以及留一电池交叉验证(LOBO)下报告性能,后者通过测试未参与训练的电池来评估跨电池泛化能力。
(4) 预测不确定性估计。使用蒙特卡洛dropout在 Gaussian近似下估计不确定性并为每个预测的SOH轨迹构建名义不确定性区间。
(5) 跨方法可解释性分析。使用SHAP和LIME对模型进行解释,并比较它们的归因分布以评估两种方法在强调特征组方面的一致性。

从实际部署角度看,所提出的框架可以作为基于软件的SOH估计模块集成到电池管理系统(BMS)中。BMS可以处理电池测量数据以构建所需的退化感知输入并提供给训练好的BiLSTM估计器。所得到的SOH估计可辅以MC Dropout不确定性估计和特征级解释,用于监控和事后分析。

本文其余部分组织如下。第2节回顾相关工作并将本研究定位在现有方法框架下。第3节介绍所提出的框架,包括其主要组件和工作流程。第4节描述数据集、实验设置、特征工程、训练协议和评估指标。第5节呈现并讨论实验结果,包括预测性能、跨电池泛化、不确定性量化、可解释性分析、基线比较和消融研究。第6节讨论主要发现、局限性和实际意义。最后,第7节总结全文并展望未来研究方向。

相关工作
锂离子电池的精确SOH估计仍然是一个关键的研究问题,已有多种方法被提出以解决非线性退化、时间分布偏移和计算效率等问题。Sheikhani等人[5]引入了一种基于直方图应力特征和SHAP值的深度学习SOH预测方法,表明当配合精细的特征工程时,支持向量回归等轻量级模型可以匹敌深度网络。Guirguis等人...

框架概述
所提出的框架如图1所示,围绕四个关键特性构建:可信性、退化感知、可解释性和泛化能力。每个特性通过端到端流水线中的专门阶段来应对。这些特性并非被当作独立的附加组件处理,而是被集成到一个连贯的工作流中,每个阶段的输出作为下一阶段的输入。这种设计使所得的估计器能够联合验证其...

NASA电池数据集
所提出的框架在公开的NASA艾姆斯预测卓越中心锂离子电池数据集[24]上进行评估,该数据集是SOH估计文献中广泛使用的基准。本研究考虑了八个电池单元:B05、B07、B18、B33、B34、B46、B47和B48。这些电池表现出异质的退化轨迹和不同的观测循环范围,为评估群体内性能和跨电池泛化能力提供了合适的环境。对于每个...

实验结果
本节呈现所提出框架的评估结果,包括三种评估协议下的性能、预测不确定性、基线比较、消融分析和可解释性评估。

讨论
第5节呈现的结果为所提出的退化感知BiLSTM框架在SOH估计的互补维度上的有效性提供了证据。特别地,评估考察了跨电池的预测性能、在未见电池上的表现、预测不确定性以及通过互补可解释性方法分析模型预测背后的信息。本节综合了这些发现,并讨论了其对潜在...

结论
本文提出了一个面向可解释和泛化电池SOH估计的退化感知框架。该框架在统一流水线中结合了工程化退化特征、紧凑BiLSTM估计器、MC Dropout不确定性估计、SHAP和LIME解释以及互补的评估协议。除了SOH估计外,该框架还提供预测不确定性和特征级归因,支持更透明的模型预测解释。

作者贡献声明
Safa Ben Atitallah:撰写原稿、验证、方法学、概念化。Imen Jarraya:撰写原稿、验证、形式化分析、概念化。Maha Driss:撰写原稿、验证、方法学、概念化。Wadii Boulila:审阅与编辑、监督、调查。

利益冲突声明
作者声明他们没有任何已知的财务利益或个人关系可能影响本文所报告的工作。

致谢
作者感谢阿卜杜勒阿齐兹国王大学对这项研究的支持。

Safa Ben Atitallah|Imen Jarraya|Maha Driss|Wadii Boulila
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