欢迎光临HAWKER英国霍克蓄电池（中国）营销总部
服务热线：15313702523

首页 > 霍克蓄电池-官网

一种用于电力HAWKER蓄电池健康状态预测的双任务互指导残差注意力方法

随着电动汽车（EVs）行业的快速发展，确保动力锂电池的安全和可靠运行已成为电池管理系统（BMS）中的核心问题[1]。EV系统的安全运行依赖于对组件性能退化的准确感知和预测。作为EVs的关键部件，动力锂电池的退化趋势难以直接监测，因此其风险通常隐藏且突然[[2], [3], [4]]。在使用过程中，反复的充放电循环导致电池内参与电化学反应的活性材料逐渐耗尽甚至丢失[[5], [6], [7]]，从而加速电池的退化。动力锂电池的健康状态（SOH）主要指的是性能退化的程度。这通常是由于在运行过程中容量下降和内阻增加等因素引起的[[8], [9], [10]]。因此，准确的动力电池SOH预测可以提前识别潜在故障，为BMS提供风险警告和热管理决策，从而降低安全事件的发生概率[[11], [12], [13]]。近年来，物联网（IoV）的出现和大数据平台的发展使得使用从车辆BMS收集的大量真实数据来预测SOH成为可能[14]。降低安全事件发生的概率[[11], [12], [13]]。近年来，物联网（IoV）的出现和大数据平台的发展使得利用从车辆BMS中收集的大量真实数据来预测SOH成为可能[14]。降低安全事件发生的概率[[11], [12], [13]]。近年来，物联网（IoV）的出现和大数据平台的发展使得利用从车辆BMS中收集的大量实际数据来预测SOH成为可能[14]。
动力锂电池健康状态（SOH）预测涉及估计电池的未来健康状态和退化，包括容量衰减、电阻演变和其他与性能相关的指标 [15,16]。现有方法可以大致分为基于模型的方法和数据驱动的方法 [17]。基于模型的方法主要包括半经验模型和经验模型，这些模型通过明确制定退化因素和健康指标之间的关系来描述电池的老化。半经验模型通常通过插值、曲线拟合或简化的电化学公式引入循环次数、温度和工作时间等变量 [18,19]。尽管这些模型具有可解释性和计算效率，但它们的性能在很大程度上依赖于参数识别和先验假设。由于电池退化具有非线性、时变性和阶段依赖性，半经验模型往往难以捕捉到粒度细腻的衰老动力学，特别是在复杂的现实世界运行条件下（OCs）。经验模型依赖于从实验观察和退化机制的先验知识中得出的统计公式。虽然在捕捉整体退化趋势方面有效，但在运行条件显著不同的异质使用场景中，其适用性有限，因为OCs在不同车辆和用户之间存在很大差异 [20]。经验模型依赖于从实验观察和退化机制的先验知识中得出的统计公式。虽然在捕捉整体退化趋势方面有效，但在OC在不同车辆和用户之间变化显著的异质使用场景中，其适用性有限 [20]。经验模型依赖于从实验观察和退化机制的先验知识中得出的统计公式。虽然在捕捉整体退化趋势方面有效，但在OC在不同车辆和用户之间变化显著的异质使用场景中，其适用性有限 [20]。
随着车载传感和基于云的电池数据的可用性增加，深度学习（DL）方法已成为电池SOH预测的主要范式[21,22]。数据驱动的方法避免了对电化学机制的显式建模，而是直接从历史数据中学习退化模式。已经应用了广泛的DL架构，包括经验模态分解（EMD）[23]，循环神经网络（RNNs）[24]及其变体模型，如长短期记忆（LSTM）[25]，双向门控循环单元（BiGRU）[26]和卷积神经网络（CNNs）[27]是常用的DL方法。最近，引入了基于注意力的架构[10]和Transformers[28]，以增强特征选择和长期时间建模。注意力机制通过突出重要的时间段或特征维度来改进表示学习。然而，大多数现有的基于注意力的方法集中于同一任务或同一特征内部的关系，缺乏明确的机制来建模不同健康指标之间的交互。因此，它们在捕捉容量衰减和内阻增长之间的复杂且不对称的耦合方面能力有限。这种耦合既不是静态的也不是对称的，而传统的多任务或基于注意力的模型依赖于隐含的交互，无法充分捕捉这一点。大多数现有的基于注意力的方法都关注于任务内或特征内关系，缺乏明确的机制来建模不同健康指标之间的交互。因此，它们在捕捉容量衰减和内阻增长之间的复杂且不对称的耦合方面能力有限。这种耦合既不是静态的也不是对称的，而传统的多任务或基于注意力的模型依赖于隐含的交互，无法充分捕捉这一点。大多数现有的基于注意力的方法都关注于任务内或特征内关系，缺乏明确的机制来建模不同健康指标之间的交互。因此，它们在捕捉容量衰减和内阻增长之间的复杂且不对称的耦合方面能力有限。这种耦合既不是静态的也不是对称的，而传统的多任务或基于注意力的模型依赖于隐含的交互，无法充分捕捉这一点。
为了提高可解释性和结合物理知识，已经探索了用于电池SOH预测的物理信息神经网络（PINNs）[29]。通过将 governing方程、退化约束或电化学先验嵌入到训练过程中，PINNs旨在结合物理一致性与数据驱动的灵活性。尽管PINNs在受控实验室条件下展示了改进的可解释性和减少的数据依赖性[30]，但在实际电池监测中的应用仍然具有挑战性。为在各种不确定条件下运行的商用电池准确制定可处理且可靠的物理约束是不简单的，不完整的或不准确的物理知识可能会引入系统性偏差。此外，PINNs通常需要在数据驱动的损失项和物理约束之间仔细平衡，这限制了它们在大规模电动汽车车队应用中的鲁棒性和可扩展性。另一条研究路线专注于事后的可解释性技术，例如Shapley Additive Explanations (SHAP) [31]，用于分析数据驱动模型中的特征贡献。然而，SHAP假设特征贡献是可加的，这通常与电池退化机制的强耦合和协同作用的性质不一致。因此，基于SHAP的解释可能无法区分电池特征中的高阶交互，导致含糊的物理见解。例如Shapley加性解释（SHAP）[31]，用于分析数据驱动模型中的特征贡献。然而，SHAP假设特征贡献是加性的，这通常与电池退化机制的强耦合和协同作用的性质不一致。因此，基于SHAP的解释可能无法区分电池特征中的高阶交互，导致物理见解不明确。例如Shapley加性解释（SHAP）[31]，用于分析数据驱动模型中的特征贡献。然而，SHAP假设特征贡献是加性的，这通常与电池退化机制的强耦合和协同作用的性质不一致。因此，基于SHAP的解释可能无法区分电池特征中的高阶交互，导致物理见解不明确。
尽管取得了显著进展，大多数现有的SOH预测研究都集中于单一的健康指标，通常是容量SOH，而将内阻视为独立变量或辅助变量 [31]。在实际的BMS应用中，容量和内阻是物理上不同的、互补的指标，共同表征电池的健康状况 [32]。容量反映了电池储存和释放电能的能力，而内阻反映了电能传输的效率以及电池充放电过程中的热损失水平。这些指标分别从能量和功率的角度描述电池的退化，并且对于安全评估和运行决策都至关重要。因此，单独预测一个指标无法全面评估电池的退化状态。即使采用多任务学习，任务间的交互通常也是通过共享特征提取器和独立的任务特定头隐式处理的 [26]。在电池的实际运行中，其容量衰减和内阻增加往往同时发生 [33]。将容量SOH和内阻SOH视为两个独立的预测任务，忽略了它们之间的内在物理联系。这可能导致模型无法充分利用数据集中的“互信息”，这种互信息反映了常见的退化模式，限制了预测任务的准确性和鲁棒性。在极端情况下，内阻可能在容量之前异常变化，成为退化的早期预警信号 [34]。因此，依赖单一的预测指标可能会导致SOH评估的失真或延迟。此外，现有的电池SOH预测研究主要依赖于在受控条件下进行实验室实验的公开数据集。虽然这些数据集有助于模型开发，但在电池系统配置和OCs方面，它们与现实世界的电动汽车应用有显著差异。实际的电动汽车动力锂电池通常是大规模的串并联系统，其退化行为受到使用模式和环境因素的严重影响。这些模式在加速老化实验中难以再现。因此，实验室条件下开发的模型往往对现场场景表现出有限的泛化能力。依赖单一的预测指标可能导致SOH评估失真或延迟。此外，现有的电池SOH预测研究主要依赖于在受控条件下进行的实验室实验的公开数据集。虽然这些数据集促进了模型的开发，但在电池系统配置和OCs方面，它们与现实世界的电动汽车应用有显著差异。实际的电动汽车动力蓄电池通常是大规模的串并联系统，其退化行为受到高度可变的使用模式和环境因素的影响。这些模式在加速老化实验中难以再现。因此，实验室条件下开发的模型往往对现场场景表现出有限的泛化能力。依赖单一的预测指标可能导致SOH评估失真或延迟。此外，现有的电池SOH预测研究主要依赖于在受控条件下进行的实验室实验的公开数据集。虽然这些数据集促进了模型的开发，但在电池系统配置和OCs方面，它们与现实世界的电动汽车应用有显著差异。实际的电动汽车动力蓄电池通常是大规模的串并联系统，其退化行为受到高度可变的使用模式和环境因素的影响。这些模式在加速老化实验中难以再现。因此，实验室条件下开发的模型往往对现场场景表现出有限的泛化能力。现有的电池SOH预测研究主要依赖于在受控条件下进行实验室实验所获得的公共数据集。虽然这些数据集有助于模型开发，但在电池系统配置和OCs方面，它们与现实世界的电动汽车应用有显著差异。实际的电动汽车动力锂电池通常是大规模的串并联系统，其退化行为受到高度可变的使用模式和环境因素的影响。这些模式在加速老化实验中难以再现。因此，在实验室条件下开发的模型往往对现场场景表现出有限的泛化能力。现有的电池SOH预测研究主要依赖于在受控条件下进行实验室实验所获得的公共数据集。虽然这些数据集有助于模型开发，但在电池系统配置和OCs方面，它们与现实世界的电动汽车应用有显著差异。实际的电动汽车动力锂电池通常是大规模的串并联系统，其退化行为受到高度可变的使用模式和环境因素的影响。这些模式在加速老化实验中难以再现。因此，在实验室条件下开发的模型往往对现场场景表现出有限的泛化能力。在电池系统配置和OCs方面，它们与现实世界的电动汽车应用显著不同。实际的电动汽车动力锂电池通常是大规模的串并联系统，其退化行为受到高度可变的使用模式和环境因素的影响。这些模式在加速老化实验中难以再现。因此，在实验室条件下开发的模型往往对现场场景表现出有限的泛化能力。在电池系统配置和OCs方面，它们与现实世界的电动汽车应用显著不同。实际的电动汽车动力锂电池通常是大规模的串并联系统，其退化行为受到高度可变的使用模式和环境因素的影响。这些模式在加速老化实验中难以再现。因此，在实验室条件下开发的模型往往对现场场景表现出有限的泛化能力。在实验室条件下开发的模型通常在野外场景中表现出有限的泛化能力。在实验室条件下开发的模型通常在野外场景中表现出有限的泛化能力。
最近在电池预测方面的进展已经转向复杂的序列预测架构。例如，Exofeature-Aware Transformer (EFA-Transformer) [35] 利用通道和补丁级别的嵌入策略来捕获异构状态-特征依赖关系，显著提升了长期SOH预测。为了应对数据稀疏性和跨域偏移，样本高效迁移学习框架，如利用预训练大语言模型（LLMs） [36] 或时间-频率融合架构 [37]，在不同化学成分和OCs中展示了出色的适应性。对于涉及部分充电数据和安全关键约束的场景，Fourier-informed Long Short-Term Memory (FLSTM) [38] 框架将频谱物理和数据驱动排序结合起来。这种双时频表示在多个公开数据集上表现出色的估计鲁棒性，即使在充电段被严重截断或随机缺失的情况下也是如此。然而，尽管这些进展在外部特征工程或领域适应方面表现出色，它们通常将SOH视为单维度指标，从而忽略了多个退化指标之间的潜在非线性交互。这种疏忽忽视了实际动力锂电池中能量保持和导电完整性之间的内在耦合。因此，现有的特征感知或迁移学习方法无法捕捉内部多任务感知的协同效应，使得在复杂的真实环境中为动力锂电池提供全面和稳健的健康评估变得具有挑战性。
为了解决上述限制，本工作提出了一种新的双任务互指导残差注意力（DT-MGRA）方法，利用真实的电动汽车运行数据对电池容量和内阻的联合SOH预测进行建模。构建了反映内在和环境影响的电池健康特征，容量和内阻通过安时积分法和Thevenin等效电路[39]进行估计。采用了一种结合了一维卷积神经网络（1D-CNN）和双向门控循环单元（BiGRU）的共享权重时间编码器，以提取序列表示并为容量和电阻生成特定任务的特征。与具有简单特征共享的常规多任务学习不同，所提出的MGRA模块旨在更准确地建模容量SOH和内阻SOH预测任务之间的关系。具体来说，它允许两个任务的专用特征在训练过程中动态和选择性地引导和校准彼此。这使得模型不仅能够学习常见的退化模式，还能捕捉容量SOH和内阻SOH的独特变化模式，同时通过另一个的“视角”校正潜在的偏差。它利用了两个指标之间的相互参考，从而提高了联合预测的协同效应。此外，引入了多自我注意力（MSA）模块，通过深度特征融合来建模容量和内阻之间的非线性耦合。最后，设计了一种SOH融合策略来整合双任务预测，提高准确性和工程适用性。这项工作的主要贡献总结如下，
  • (1)
    开发了一种基于新型BiGRU的权重共享时间编码器。它可以捕获历史和未来的上下文信息，从而增强对电池容量和内阻动态耦合关系建模的能力。权重共享机制被提出用于在容量编码器和内阻编码器之间共享模型权重。
  • 输入：(2)
    提出了一种新颖的DT-MGRA方法，该方法在统一模型中同时考虑与容量和内阻两个SOH预测任务分支相关的特征。通过残差连接保留每个特征的退化信息。开发了一个MGRA模块，通过注意力级的相互引导明确编码跨任务退化交互，从而捕捉它们之间的非线性交叉依赖关系。它允许模型捕捉能量退化和功率损失动态。
  • 输入：(3)
    提出了一种用于容量和内阻SOH预测的融合策略，可以根据不同的现实场景进行调整。这有助于提供对动力锂电池SOH的全面且物理意义明确的反映。基于动力锂电池现场数据的实验表明，该融合策略在提高动力锂电池SOH预测准确性方面具有有效性。
上一个：基于液体热管理的314 Ah锂离子电池在不同外部加热功率下的热 runaway及其预防 下一个：圆柱形钠离子霍克蓄电池热失控和气体生成的加热机制控制

推荐新闻

新闻中心

联系我们

联系人：英国霍克蓄电池（中国）营销总部

手机：15313702523（微信同号）

E-mail：ukhawker@yeah.net