霍克锂电池运用FCN-CNN-WNN-WBILSTM-AM的SOH估量算法流程

运用FCN-CNN-WNN-WBILSTM-AM的SOH估量算法流程

4.1 经历数据

用于估量SOH的办法论选用了从美国国家航空航天局（NASA）[26]获取的不同数据集，涵盖了两个不同的电池组，每个电池组都处于特定的操作条件下。为了保证在练习和测验阶段的一致性，第一组包含电池B0005、B0006和B0007。这些锂离子电池在安稳的室温24°C下进行了充电、放电和阻抗测验。电池B0018在相同的温度条件下运行，专门用于测验。为了进一步进步模型的可靠性，在模型开发进程中加入了额定的四块锂离子电池B0029、B0031和B0032用于练习，以及B0030用于测验。第二组电池在升高的大气温度43°C下工作。来自同一数据集的别的四块锂离子电池（B0053、B0054、B0055和B0056）被并入剖析中。这些电池在显著较低的温度4°C下进行了测验，放电进程在固定的电流负载2A下进行。具体来说，电池B0055的截止电压设定为2.5V，电池B0056的截止电压设定为2.7V。

图6展现了NASA数据会集不同环境温度（24°C、43°C和4°C）下锂离子电池的容量退化趋势，以放电循环次数为函数。此外，该图还包含了来自先进电池生命周期工程中心（CALCE）的电池CS2-35、CS2-36、CS2-37和CS2-38[27]的数据，供给了更广泛的退化形式视角。在测验进程中，电池被恒压充电至4.2 V，并坚持到电流降至20 mA。然后开端放电阶段，以恒定电流2 A进行放电，直到电池电压达到2.6 V的截止水平。子图(a)至(d)对应不同的试验条件和数据集，提醒了与SOH猜测相关的关键见地：

图6.

NASA电池数据集在不同温度下的容量退化：(a) 24°C；(b) 43°C；(c) 4°C；以及(d) CALCE电池，以放电循环次数为函数制作。

4.1.1 温度对降解速率的影响

在较高的温度（例如43°C，子图b）下，降解遵从相对线性且安稳的下降趋势。相比之下，在较低的温度（例如4°C，子图d）下，降解趋势变得愈加突然，尤其是在后期循环中，急剧的下降表明晰加快的老化机制。

4.1.2 容量自康复现象

图中杰出显现的区域展现了循环进程中暂时性容量康复的实例。这种现象在退化趋势中引入了非线性，传统的线性SOH猜测模型或许难以精确捕捉。将这种效应归入猜测模型中，能够进步它们在不同条件下估算电池寿命的可靠性。

图7展现了NASA B18电池的间接表征参数及其在规范恒压-恒流（CC-CV）充电/放电进程中的循环功能数据，为SOH猜测供给了关键见地。子图(a)显现了不同周期充电进程中电压-时刻响应，提醒了跟着循环的进行，电压渠道延伸，表明内部电阻添加和充电承受才能下降，这是电池退化的关键指标。子图(b)描绘了放电电压随时刻的改变，显现了电压逐步下降和放电曲线的改变，这表明晰容量损失和极化加剧，这些都是SOH估量的重要要素。子图(c)进一步杰出了电压-时刻放电曲线，证明晰跟着循环次数的添加，曲线之间的差异越来越大，表明晰老化效应，如锂沉积、电解液退化和电极资料损失。子图(d)具体描述了充电/放电进程，重点是CC和CV阶段，其间初始充电等关键充电参数得以展现。

图7.

(a–c) 美国宇航局B18电池的间接表征参数和（d）在规范CC-CV充电/放电进程中的循环功能数据。

电压（X1）、恒流充电容量（X2）、恒压充电容量（X3）以及终究充电电压（X4）在循环中改变。跟着电池的退化，恒流阶段缩短，恒压阶段延伸，终究充电电压下降，这表明晰容量的损失和内阻的增长。这些充电/放电曲线、电压衰减和恒流-恒压转化中的趋势作为SOH建模的重要猜测特征。根据深度学习的SOH猜测能够利用这些参数来进步估量精度，而特征提取技能，如剖析电压下降速率、充电承受改变和恒流-恒压相位偏移，能够进一步进步神经网络和混合SOH估量模型中的猜测才能。

4.2. 数据预处理

为了保证更精确的比较，数据集在规范化的范围内进行了归一化处理。在本研究中，数据集运用最小-最大归一化办法被重新缩放到0-1的范围内，如下所述：

    
(18)

 其间 \(Min(x)\) 和 \(Max(x)\) 别离表明数据会集的最小值和最大值。

4.3. 模型参数的优化

优化FCM-CNN-WNN-WBILSTM-AM模型的参数涉及微调各种组件，包含卷积层、LSTM层、躲藏单元数量、学习率和正则化率。这个迭代进程旨在确认最有效的配置，进步模型捕捉空间和时刻特征的才能。在时刻序列猜测中，找到这些要素之间的适当平衡对于完成高精度和鲁棒的功能至关重要。

4.4 模型练习

模型练习标志着从理论规划到机器学习实际评价的过渡。图8展现了运用先进的混合模型（集成FMC、CNN、WNN、WBILSTM和AM）猜测锂离子电池SOH的进程，其架构在图9中进一步具体阐明。该结构旨在从时刻序列电池数据中提取有意义的特色，并进步SOH估量的精确性。这一进程从特征提取开端，计算电压和温度的统计参数（最小值、最大值、平均值和规范差）。然后通过FMC聚类模型（FCM 1和FCM 2）处理这些特征，以分配类别索引C1和C2，代表不同的电池运行条件。还集成了其他特征，如时刻、电流改变和电流巨细，以供给更全面的数据集。下一阶段涉及数据预处理，包含归一化和将数据集分割为练习集和测验集。运用练习集构建、初始化和练习猜测模型，迭代优化其参数。特征提取管道选用CNN层来提取空间形式，随后选用WNN层进行时刻序列去噪，这有助于减少信号噪声并进步数据质量。随后，WBILSTM层捕获电池退化进程中的时刻依赖性，有效地建模长期SOH趋势。AM进一步细化了特征表明

图8.

运用FCM-CNN-WNN-WBILSTM-Attention模型猜测SOH的进程。

图9.

提出的模型架构