霍克锂电池试验成果剖析

试验成果剖析

Python代码运用Anaconda 3.0发行版完成。运用Keras库构建深度学习模型，如LSTM、WNN、CNN和WBILSTM，后端选用TensorFlow 2.0。表1供给了不同层参数的摘要。图10展现了运用于三个NASA电池包（B0018、B0030和B0056）的电池SOH猜测模型的比较剖析。对不同的ML模型（包括根据聚类的CNN-WNN-WBILSTM-AM结构，选用各种优化技能（Adagrad、RMSProp））的SOH退化与放电循环进行绘制。在一切三个子图中，跟着放电循环的添加，SOH出现下降趋势，标明电池老化。数据集B0030在前几个周期中与B0018和B0056比较SOH下降不太明显，标明其具有不同的老化特性。实在SOH值由实线标明，作为参考，而根据聚类的模型（k-means、根据噪声的运用密度聚类[DBSCAN]和FCM）与实在值表现出良好的契合性。其间，带有RMSProp的FCM-CNN-WNN-WBILSTM-AM好像在一切数据会集供给了与实践SOH最接近的拟合。在一些模型中可以调查到细微动摇，特别是在某些SOH退化更忽然的周期范围内。Adagrad优化的模型在前期退化阶段显示出细微差错，而根据RMSProp的模型遵循了g

所提出模型的最佳超参数

模块	参数	值	描绘
FCM	艾普西隆		保证精度并削减聚类差错
	最大迭代次数		保证收敛所需的满足迭代次数
卷积神经网络	内核巨细（第一层）		平衡感触野和杂乱度
	过滤器（第1层）		高效提取明显特征
	池化巨细（第一层）		削减维度并避免过拟合
	核巨细（第二层）		坚持特征提取的一致性
	过滤器（第二层）		捕获更杂乱的空间特征
	池化尺寸（第二层）		坚持降维处理
	内核巨细（第3层）		进一步细化特征提取
	过滤器（第3层）		增强深度特征标明
	池化尺寸（第3层）		保证有效下采样
	正则化掩码		经过正则化避免过拟合
WNN	激活	莫雷小波	改进时刻序列特征提取
	单位		在100到750之间的最佳功能
双向长短期回忆网络	单位		有效捕捉长期依赖关系
	激活	莫雷小波	增强序列形式识别
注意力机制	注意力单元		杰出要害时刻步骤
	激活	softmax（softmax函数）	赋予不同时刻步不同的重要性
优化	损失函数	均匀肯定差错	鲁棒性好且可解释
	优化器	RMSprop	在训练过程中安稳梯度更新
	评价目标	精度、均匀肯定差错	盯梢模型功能和过错削减情况

在测试的办法中，根据FCM的CNN-WNN-WBILSTM-AM模型结合RMSProp好像在不同电池数据会集具有最强的鲁棒性。图11展现了运用于四个CALCE电池的多个SOH猜测模型的比较评价，说明了每个模型的猜测值如何与连续放电循环中的丈量SOH对齐。值得注意的是，FCM-CNN-WNN-WBILSTM-AM办法在广泛的周期范围内表现出稳健的功能，其猜测值与丈量SOH密切匹配，差错极小。其他办法显示出不同程度的猜测差错，标明它们相对无法捕捉到电池退化动态的悉数杂乱性。

图10.

对三个NASA电池包在放电循环中的电池状态健康（SOH）猜测模型进行比较剖析：(a) B0018，(b) B0030，和(c) B0056。

图11.

对四个CALCE电池在放电周期中的SOH猜测模型进行比较评价：(a) CS2-35，(b) CS2-36，(c) CS2-37，和(d) CS2-38。

将含糊聚类整合到SOH猜测结构中的一个要害优势在于FCM算法可以习惯数据点在多个簇中的部分从属度。与传统的硬聚类办法（k-means或DBSCAN）不同，这些办法强制每个数据点只属于一个簇，而FCM经过分配一个反映电池退化过程中经常调查到的不确定或过渡性质的从属度来体现这一特点。这种特性关于SOH建模特别有价值，其间单元级改变、丈量噪声和环境动摇或许会产生含糊的操作状态。经过运用从属函数，FCM更好地捕捉了容量衰减和内阻增加的改变，然后可以在下游神经网络训练之前更精确地对特征空间进行区分。因此，与依赖于严厉类别分配的传统聚类办法比较，所得到的SOH估计受益于鸿沟区域或重叠区域的增强鉴别才能，然后进步了鲁棒性和猜测精确性。

表2中三个NASA电池（B0018、B0030和B0056）的成果突显了所提出的FCM-CNN-WNN-WBILSTM-AM模型的杰出功能，特别是当运用RMSprop和Adagrad优化时。

NASA电池猜测成果的功能比较

电池	模型	均匀肯定百分比差错	均匀肯定差错	均方根差错
B0018 (24°C)	长短期回忆网络
	双向长短期回忆网络
	卷积神经网络
	CNN-LSTM
	CNN-BiLSTM
	AM-CNN-LSTM
	AM-CNN-BiLSTM
	AM-CNN-WBILSTM
	k-means-CNN-WNN-WBILSTM-AM
	DBSCAN-CNN-WNN-WBILSTM-AM
	FCM-CNN-WNN-WBILSTM-AM (Adagrad)
	FCM-CNN-WNN-WBILSTM-AM (RMSprop)
B0030 (43°C)	长短期回忆网络
	双向长短期回忆网络
	卷积神经网络
	CNN-LSTM
	CNN-BiLSTM
	AM-CNN-LSTM
	AM-CNN-BiLSTM
	AM-CNN-WBILSTM
	k-means-CNN-WNN-WBILSTM-AM
	DBSCAN-CNN-WNN-WBILSTM-AM
	FCM-CNN-WNN-WBILSTM-AM (Adagrad)
	FCM-CNN-WNN-WBILSTM-AM (RMSprop)
B0056 (4°C)	长短期回忆网络
	双向长短期回忆网络
	卷积神经网络
	CNN-LSTM
	CNN-BiLSTM
	AM-CNN-LSTM
	AM-CNN-BiLSTM
	AM-CNN-WBILSTM
	k-means-CNN-WNN-WBILSTM-AM
	DBSCAN-CNN-WNN-WBILSTM-AM
	FCM-CNN-WNN-WBILSTM-AM (Adagrad)
	FCM-CNN-WNN-WBILSTM-AM (RMSprop)

关于电池B0018，FCM-CNN-WNN-WBILSTM-AM（RMSprop）模型与LSTM比较削减了97.3%的MAPE，从0.0560降低到0.0015，而且比根据聚类的最佳模型DBSCAN-CNN-WNN-WBILSTM-AM进步了85.8%，将MAPE从0.0106降低到0.0015。在MAE方面，与LSTM比较削减了96.9%，与DBSCAN比较削减了86.3%。RMSE相关于LSTM进步了97.4%，相关于DBSCAN进步了86.9%。关于电池B0030，FCM-CNN-WNN-WBILSTM-AM（RMSprop）模型与LSTM比较削减了94.8%的MAPE，与DBSCAN比较削减了86.7%。MAE从0.0253降低到0.0013，相关于LSTM进步了94.9%，相关于DBSCAN进步了87.1%。相同，RMSE的削减分别达到了93.5%和82.7%，证明了明显的差错最小化。关于电池B0056，MAPE从0.0403降低到0.0013，削减了96.8%，而MAE从0.0357降低到0.0012，削减了96.6%。RMSE被最小化至95.8%，从0.0382降低到0.0016。与DBSCAN比较，MAPE、MAE和RMSE的削减分别为87.5%、88.0%和83.5%。

表3中CALCE数据会集的CS2-38电池不同模型的功能比较标明，所提出的FCM-CNN-WNN-WBILSTM-AM模型取得了明显的改进，特别是当运用RMSprop和Adagrad优化时。

CALCE电池数据集猜测成果的功能比较

电池	模型	均匀肯定百分比差错	均匀肯定差错	均方根差错
CS2-38	长短期回忆网络
	双向长短期回忆网络
	卷积神经网络
	CNN-LSTM
	CNN-BiLSTM
	AM-CNN-LSTM
	AM-CNN-BiLSTM
	AM-CNN-WBILSTM
	k-means-CNN-WNN-WBILSTM-AM
	DBSCAN-CNN-WNN-WBILSTM-AM
	FCM-CNN-WNN-WBILSTM-AM (Adagrad)
	FCM-CNN-WNN-WBILSTM-AM (RMSprop)

FCM-CNN-WNN-WBILSTM-AM（RMSprop）模型比较LSTM在MAPE上削减了97.3%，从0.0452降低到0.0012。与之前表现最好的DBSCAN-CNN-WNN-WBILSTM-AM模型比较，MAPE降低了88.2%（从0.0102降至0.0012）。相同，在MAE方面，FCM-CNN-WNN-WBILSTM-AM（RMSprop）模型比较LSTM削减了97.2%，从0.0396降低到0.0011，而比较DBSCAN-CNN-WNN-WBILSTM-AM模型则降低了88.8%（从0.0098降至0.0011）。关于RMSE，FCM-CNN-WNN-WBILSTM-AM（RMSprop）模型比较LSTM削减了96.4%（从0.0418降至0.0015），比较DBSCAN-CNN-WNN-WBILSTM-AM（从0.0095降至0.0015）则进步了84.2%。这些成果清楚地标明，所提出的FCM-CNN-WNN-WBILSTM-AM（RMSprop）模型明显提升了SOH猜测的精确性，优于传统的LSTM、BiLSTM、CNN甚至先进的混合模型。FCM、CNN特征提取、WNN习惯性和WBILSTM时刻学习的组合供给了杰出的猜测功能，有效地削减了一切目标的差错。

MAPE、MAE和RMSE的一致性突显了所提出办法的可信度和鲁棒性。然而，这两个在不同温度下运转的电池模型功能略有不同，这标明温度改变或许会影响电池退化形式。这一调查标明，未来研究需要进步模型在不同操作条件下的鲁棒性。此外，虽然所提出的模型展现了最先进的功能，但它们的核算杂乱度或许比简单的模型高，因此需要在资源受限的电池办理体系（BMS）中进行优化以完成实时部署。还应该探究其他电池类型、化学性质和操作条件的泛化才能，以保证更广泛的运用。总之，所提出的混合模型，特别是FCM-CNN-WNN-WBILSTM-AM，在SOH估计方面取得了明显发展，有潜力进步电动汽车BMS的可靠性和安全性。未来的工作应会集在为实时运用优化这些模型，并进步它们对不同环境和操作条件的习惯性，然后支撑可持续电动出行解决方案的更广泛选用。

表4供给了FCM-CNN-WNN-WBILSTM-AM（RMSprop）模型与文献中报告的几个最先进的电池SOH估计办法的具体比较。例如，CNN-WNN-WLSTM模型[24]完成了0.0053的MAPE，而ELM[29]报告了0.0172的MAE。此外，比如ANN、GPR、支撑向量回归、集成梯度提升机以及LSTM[28]等办法产生了NASA Ames PCoE MAE为0.031，而含糊神经网络、CNN和LSTM[30]的组合产生了0.0203的MAPE。比较之下，FCM-CNN-WNN-WBILSTM-AM（RMSprop）模型完成了明显降低的差错目标，关于B0018电池在24°C时，MAPE为0.0015，MAE为0.0014，RMSE为0.0013。这代表了实质性的改进，与CNN-WNN-WLSTM[24]比较，MAPE降低了逾越70%，与ELM[29]比较，MAE降低了逾越90%。

与现有文献的比较

Ref. .	办法	评价目标
[ 24 ]	CNN-WNN-WLSTM	MAPE: 0.0053
[ 28 ]	人工神经网络、广义回归剖析、支撑向量回归、极点梯度提升机、长短期回忆模型	NASA艾姆斯中心 PCoE MAE：0.031
[ 29 ]	极限学习机	MAE: 0.0172
[ 30 ]	全衔接神经网络、卷积神经网络、长短期回忆网络	MAPE: 0.0203

FCM-CNN-WNN-WBILSTM-AM（RMSprop）在多个数据集和温度条件下的持续优异表现进一步稳固了其在SOH估计中的开创性发展位置。例如，即使在B0056电池在4°C的挑战性条件下，FCM-CNN-WNN-WBILSTM-AM（RMSprop）也完成了MAPE为0.0013，MAE为0.0012，RMSE为0.0016，这些目标比文献中报告的目标低几个数量级。这种明显的对比标明，FCM-CNN-WNN-WBILSTM-AM（RMSprop）不只逾越了传统和混合模型，而且为电池健康猜测的精确性和可靠性设定了新的基准。经过将FCM聚类与CNN-WNN-WBILSTM-AM架构集成并运用RMSprop优化，该模型可以更有效地捕捉杂乱的退化形式，使其成为电池办理体系中的一个变革性工具。