霍克锂电池基于贝叶斯优化与时间注意力机制增强的深度神经网络用于锂离子电池健康状态的精准可靠评估
摘要
电池容量退化趋势可间接反映其健康状态，而准确的健康状态（SOH）估计能降低故障风险并确保稳定运行。然而，传统模型有限的特征学习能力与超参数的随机组合常导致较大估计误差。为此，本研究提出一种融合贝叶斯优化（BO）与时间注意力（TA）机制的深度神经网络（DNN），旨在实现锂离子电池精准可靠的SOH估计。首先，基于恒流充电阶段提取电池的直接老化特征，并采用主成分分析（PCA）方法进行特征融合。随后构建老化特征与容量之间的映射模型，该模型通过引入时间注意力（TA）机制增强深度神经网络（DNN）的特征学习能力（Ability），同时利用贝叶斯优化（BO）确定关键超参数的最优组合。最终完成12组不同工况下的单体电池实验及7组多性向（Multi）电池容量估算实验。所提模型的估计性能采用平均绝对误差（MAE）等指标进行评估。实验结果表明，在单体电池实验中，BO-TADNN模型的容量估计误差控制在±3%以内，其稳定性较DNN提升约70%。此外，在多体电池实验中，BO-TADNN在所有评价指标上均取得最佳性能，这为未来电池管理系统的应用提供了理论基础。
引言
凭借低自放电率和优异的电荷保持能力，锂离子电池被广泛应用于新能源领域，为缓解环境污染和传统能源枯竭问题做出了有效贡献（Ushak等，2024；Wu等，2024）。随着锂离子电池性能的下降，新能源系统的安全性和可靠性会相应降低（Corrigan，2022）。健康状态（SOH）可通过容量衰减过程间接反映，这有助于操作人员及时管理和维护电池，从而提升其应用安全性（Wang等，2025a；Wu等，2022）。因此，准确估算SOH对于设计安全可靠的电池管理系统具有重要意义。
SOH估计方法通常可分为基于模型的参数辨识和数据驱动方法（Chen等，2024）。基于模型的参数辨识指根据电池运行模型构建特征参数与容量之间的非线性关系（Miao等，2025）。根据建模原理，这些方法可进一步分为等效电路模型和电化学模型（Huang等，2025；Sun等，2025）。等效电路模型（ECM）利用电阻等基本电气元件模拟电池的工作特性（Chen et al., 2023）。Hu等学者对比总结了包括零状态迟滞模型在内的12种常用等效电路模型，通过在相同电池数据集与同等测试条件下评估各模型的复杂度与精度，论证了各模型的应用价值（Hu et al., 2012）。基于现有ECM框架，Maria团队提出了一种适用于钛酸锂电池建模的参数估计方法。通过在35个非均匀荷电状态（SOC）区间应用等效电路模型，研究者将估算误差从Rint模型的0.17%降低至双极化模型的0.03%（Maria等，2023）。此外，粒子滤波、卡尔曼滤波及其改进算法可用于更新等效电路模型参数，从而间接反映电池的健康状态与老化特征（Hong等，2023；Yang等，2022）。电化学模型(EM)基于化学反应的偏微分方程构建相应数学模型，从而实现电池参数辨识(Wang et al., 2024)。固体电解质界面膜形成与沉积层生长等化学反应与电池老化密切相关(Li et al., 2023)。Liu等人基于老化机制开发了简化EM模型，实现了SOH的快速评估(Liu et al., 2024)。Doyle等人则针对电池负极、聚合物及充放电过程建立了EM模型(Doyle et al., 1993)。Wu等人设计了用于SOH与荷电状态联合估计的单颗粒模型，在各种工况下SOC估计误差最大值不超过0.08(Wu et al., 2022)。
由于等效电路模型(ECM)和电化学模型(EM)的构建过程相对复杂，数据驱动方法逐渐兴起并发展。数据驱动方法无需预先了解电池内部老化机制，而是通过历史数据训练来估算健康状态(SOH)，可分为机器学习方法、智能优化方法和统计数据分析方法(Chen et al., 2024; Gao et al., 2024)。Chen等学者从电池充放电曲线中提取能量信号等健康指标，并采用基于径向基函数的支持向量机实现SOH估算。但该方法存在老化信息有限的不足(Chen et al., 2018)。Mawonou等研究人员则结合电动汽车充电与行驶过程中的速度、温度和充电功率等老化指标，运用随机森林算法进行电池老化预测(Mawonou et al., 2021)。智能优化算法能够动态调整机器学习模型中的关键参数，从而提升其泛化能力（Zhang et al., 2022）。Zhang等学者采用最小二乘法实现滑动窗口内的容量更新，运用粒子滤波处理电流漂移噪声，并利用遗传算法进行SOH辨识（Zhang et al., 2018）。Chang研究团队通过遗传算法优化小波神经网络的尺度因子等初始参数（Chang et al., 2021）。与此同时，基于概率论原理的统计数据分析方法也被广泛应用于电池健康状态（SOH）评估（Liu et al., 2024）。Wang等学者通过量化分析健康指标与SOH之间的相关性，采用复合核函数构建高斯过程回归模型。在美国宇航局电池数据集上的实验表明，该方法平均绝对误差（MAE）仅为1.7%，均方根误差（RMSE）达2.41%，验证了其泛化能力与鲁棒性（Wang et al., 2022）。近期，早期退化预测与多特征学习领域受到广泛关注。Josephin等研究者证实，集成学习模型仅需利用前100次循环提取的特征即可准确预测电池寿命，凸显了特征工程在早期老化场景中的关键作用（Josephin J.S. et al., 2025）。此外，Sonthalia等提出了一种基于深度学习的多特征融合框架，结合贝叶斯优化进行超参数调优，实现了高精度的健康状态（SOH）估计与提升的泛化性能（Sonthalia等人，2025年）。近期多项研究将先进特征提取方法与深度学习模型相结合用于锂离子电池健康状态估计。例如，Zhang等.提出了一种基于部分充电段的灵活SOH估计方法，该方法通过提取单位SOC增量能量（IES）特征，并结合双向LSTM降维网络，提升了非完整充电条件下的时序建模能力与鲁棒性（Zhang et al., 2024）。从模型-数据融合视角出发，Chen等学者开发了综合SOH估计框架，将分数阶RC等效电路模型与改进版视觉变换器（ViT）相融合，利用实测电池数据与模型参数作为健康特征，以提升估计精度与全年龄泛化性能（Chen et al., 2024）。此外，Bao等研究人员.提出了一种融合卷积神经网络(CNNs)、变体长短期记忆网络(VLSTM)和维度注意力机制的混合深度神经网络，通过自适应加权多性向特征实现更有效的健康状态(SOH)退化表征(Bao et al., 2023)。
上述SOH估计方法为本研究奠定了理论基础，但传统数据驱动方法的特征学习能力有限，且超参数组合方式会影响SOH估计结果。为此，本研究引入改进的深度神经网络（DNN），旨在实现不同工况电池的精确可靠SOH估计。该模型首先在恒流充电阶段提取直接老化特征，继而通过主成分分析（PCA）获得融合特征。随后，采用时序注意力机制（Temporal Attention, TA）增强深度神经网络的特征学习能力，并利用贝叶斯优化（Bayesian Optimization, BO）确定超参数的最优组合。最终通过单电池与多电池在不同工况下的容量估计实验验证BO-TADNN模型的估算性能，并分析其对应的健康状态。
