首页 > 霍克蓄电池-官网

通过优化Transformer处理锂离子EnerSys蓄电池容量再生效应以实现准确的SOH估计

摘要

锂离子电池容量衰减过程中的非线性变化和局部波动使得健康状态（SOH）表征变得复杂。本研究提出了一种结合完全集成经验模态分解与自适应噪声（CEEMDAN）、改进麻雀搜索算法（ISSA）和Transformer的多尺度容量重构方法。CEEMDAN将历史容量序列分解为模态分量和残差；ISSA用于选择Transformer超参数，网络则根据健康指标估计这些分量以重构容量。对来自NASA和CALCE的八个电池在4、24和43 °C标称环境温度下的记录，采用全局容量分解和时间序列分割方法进行了回顾性评估。在包含全部四个指标的原始实验中，所提方法的SOH均方根误差（RMSE）值达到0.00310–0.00946。补充实验独立重新选择了完整指标组和双指标组的超参数，并进行了三次配对重复拟合。移除HI3和HI4指标导致所有八个电池的平均RMSE和平均绝对误差（MAE）均有所增加；B0005电池的平均RMSE从0.001627增加到0.0031010，CS2_35电池的平均RMSE从0.002030增加到0.070238。这些结果表明，容量相关输入对重构精度具有显著影响，且超参数重新选择带来的收益因电池而异。参数敏感性分析进一步量化了分解设置对SOH重构误差和离线计算成本的影响。031010 for B0005 and from 0.002030 to 0.070238 for CS2_35. 这些结果表明，容量相关输入对重构精度具有显著影响，且超参数重新选择带来的收益因电池而异。参数敏感性分析进一步量化了分解设置对SOH重构误差和离线计算成本的影响。本研究表征了多尺度历史容量重建的性能及其对输入信息的依赖性，为指标选择、分解设置及后续时间验证提供了实验依据。

关键词：
锂离子电池; 健康状态; 信号模态分解; Transformer

1. 引言

近年来，锂离子动力电池在多个维度取得了显著进展，关键里程碑包括能量指标的持续提升、电化学转换效率的深度优化，以及电池管理系统（BMS）控制逻辑的迭代升级。这些技术进步直接提升了车辆性能，有效应对了市场对高能量密度和极端安全标准的双重关注，同时显著延长了单次充电的续航里程。与此同时，宏观层面的政策激励也已全面释放：全球主要经济体利用财政和税收杠杆、更严格的碳减排配额以及完善的配套能源供应基础设施，建立了系统性的产业支持框架，从而推动了需求侧和供给侧的低碳转型[1,2].
此外，随着锂离子动力电池在新能源汽车中的广泛应用，有效评估其健康状态（SOH）已成为电池管理系统（BMS）中的一个主要研究领域[2,3]。随着电动汽车日益普及，对电池性能管理的要求不断提高；通过精确评估锂离子动力电池的SOH来确保电动汽车的安全性和使用寿命，已成为该行业面临的紧迫技术挑战。
BMS通常监控多个电池状态，以支持安全高效的运行。荷电状态估计是BMS的一项基本功能，因为它为能量调度和充电控制提供了基础[4]。能量状态估计进一步表征了实际运行条件下可用的能量[5]。功率状态估计是确定电池系统允许的功率输出或输入所必需的[6]。SOH反映了电池的退化情况，因此对于维护规划和寿命管理至关重要[7]。基于Transformer的多尺度SOH估计也被探索作为一种用于电池健康评估的数据驱动方法[8]。基于深度学习的电池状态估计已被确定为智能BMS开发的相关方向[9]。基于库仑计数的法对于电池状态监测仍然有用，但需要对累积误差和不确定性进行适当补偿[10].
模型驱动方法通过构建描述老化行为的数学模型来评估电池SOH。此类方法利用电池的物理化学机理或经验回归关系来建立数学表达式[11]。由于电池退化通常表现出高度非线性特征，模型性能取决于准确的参数估计，而这些参数可能随电池老化而变化。因此，开发稳健的老化模型需要集成迭代算法以动态更新参数。
模型驱动方法通常可分为机理模型、经验模型和等效电路模型[12].
SOH估计方法通常可分为模型驱动、数据驱动和混合方法。关于电池包SOH估计的综述总结了这些方法类别的优势和局限性[11]。使用混合循环和统计模型的长期SOH估计展示了结合不同建模策略的潜力[12]。当相关的物理约束和参数可用时，物理信息神经网络可以将电化学机制融入模型学习中[13]. 最近的一项综述强调了机理、经验和数据驱动的电池状态估计方法之间的权衡[14].
机理模型通过电化学反应和传输过程来描述电池行为。对SOH估计方法的综述指出，机理模型虽然具有物理可解释性，但往往需要难以识别的参数[15]。电池老化还受到多种因素的影响，包括化学成分、温度、电流倍率和运行历史[16]。等效电路模型利用电气元件简化电化学行为，并能提供计算高效的状态估计[17]。电化学阻抗谱已被用于将内部阻抗变化与电池SOH联系起来[18]。还将SOH与状态和参数估计相结合的动态电池模型也已开发出来[19].
另一方面，数据驱动方法侧重于绕过复杂的内部机理。相反，它们利用机器学习、统计分析和信号处理等技术，直接从海量的历史和实时运行数据中提取特征[20]。与传统模型驱动方法相比，数据驱动方法在处理高维、非线性数据方面具有强大的能力，使其更适合复杂多变的现实世界条件[21,22]。该方法主要分为统计分析方法和人工智能（AI）方法。
统计分析方法利用概率论揭示数据的内在模式，并量化退化过程中的不确定性。它们在处理系统随机性和小样本条件下推断总体特征方面展现出独特优势[23,24]。相反，人工智能方法利用复杂的计算模型来处理高度非线性的退化模式。从早期的支持向量机到现代深度学习网络，人工智能能够自动且高效地从多源数据中学习，以预测未来状态[25]。尽管AI方法功能强大，但仍面临过拟合敏感和缺乏可解释性等瓶颈[26]。最近，为了更有效地提取细粒度退化特征，人们开发了先进的深度学习架构。例如，由统计通道注意力增强的U型多尺度差分卷积网络，显著提高了局部退化敏感度和多尺度时间特征学习能力[27].
为了克服传统循环神经网络在处理长时序数据方面的不足，近年来基于自注意力机制的Transformer模型已逐渐成为主流[28,29]。当与自适应扩张时间卷积集成到并行加权框架中时，它们成功平衡了局部和全局依赖关系，从而提高了长期SOH预测的准确性[30]。此外，鉴于容量再生具有高度非线性和非平稳的特性，在提供确定性预测的同时，进行不确定性量化变得日益重要。目前已提出结合分位数回归和核密度估计的新型时间深度学习方法，以有效表征这种不确定性，为预测性维护和决策提供可靠的概率解释[31,32].
为了充分发挥模型驱动和数据驱动方法的各自优势，混合方法应运而生。此类方法的核心目标是通过多种算法的分阶段协作，克服单一模型评估的局限性[33,34]。随着研究的深入，混合策略正逐渐向更深层次的双向“物理-数据”融合演进，例如引入物理信息神经网络，或构建结合卡尔曼滤波与深度学习的闭环评估-修正结构[35，在应对多时间尺度变化方面表现出卓越性能。
健康指标构建是数据驱动SOH估计的核心。间接健康指标已与高斯过程模型结合用于估计SOH和剩余使用寿命[36]。无损健康指标与电池二次寿命评估尤为相关[37]。在线滤波方法已被提出，以改善测量干扰下退化相关特征的提取[38]。外部健康指标也已被用于电池诊断和寿命预测研究[39]。最近的一项综述总结了常用电池健康指标的特征、适用性和局限性[40]。然而，与容量高度相关的指标并不一定是SOH的独立预测因子。特别是在固定循环协议下，电流积分和完整的恒流放电持续时间可能与充电吞吐量或放电容量直接相关。
该框架使用在特定实验协议下收集的单体电池NASA和CALCE实验室循环数据集进行验证。实验涉及4、24和43 °C的标称环境温度；然而，由于不同温度组的电池和循环协议存在差异，因此并未建立跨温度的泛化能力。本研究同样未提供跨电池化学体系、容量、外形尺寸、制造商、模组或电池包的泛化证据。电池间不一致性、均衡控制、电池包拓扑结构、空间温度梯度以及电动汽车或储能系统动态负载特性均超出了当前验证的范围。因此，报告的结果不应被视为实时BMS部署的证据，也不应被视为直接适用于电动汽车和储能系统电池包。
本研究的主要贡献如下：

(1): 采用基于CEEMDAN的多尺度表示法来分析历史电池容量轨迹。分解出的分量被解释为容量变化的统计表示，而非再生噪声与不可逆电化学退化的直接分离。
(2): 将基于Transformer的多输出容量分量回归与ISSA超参数搜索相结合，并采用独立内部验证来为完整指标组和双指标组选择网络参数。
(3): 使用NASA和CALCE单电池记录的回顾性比较，辅以匹配指标移除、独立超参数重选以及单因素CEEMDAN敏感性实验，以量化输入信息、参数设置和离线计算成本的影响。

本文其余部分安排如下。第2节介绍了CEEMDAN、基于SSA的超参数搜索程序以及Transformer架构。第3节描述了回顾性多尺度容量重构框架。第四节展示了在所述实验方案下的数据集和结果。第5节总结了研究结果、局限性以及未来工作的方向。

2. 方法论

2.1. 容量衰减信号分解原理

锂离子电池的容量轨迹是非线性和非平稳的时间序列。局部波动可能源于测量变异性、循环条件、静置期以及与容量恢复相关的效应。本研究并未将每种波动归因于单一的物理原因，而是采用自适应噪声完全集合经验模态分解来表征观测到的容量轨迹在多个时间尺度上的表现。CEEMDAN最初由Torres等人提出[41].
与传统的经验模态分解（EMD）相比，CEEMDAN构建了噪声辅助分解的集合，并从集合平均值中计算每个分量。该过程可以缓解模态混叠问题，并提供由本征模态函数（IMF）和残差趋势组成的重构结果。所得的IMF被解释为不同时间尺度上的统计分量。它们不被视为测量噪声、容量再生、固体电解质界面演变、锂库存损失、活性物质损失或其他单一退化机制的直接测量值。
CEEMDAN技术通常可分为两个阶段：在第一阶段，算法对原始信号并行执行EMD，并注入不同组别的白噪声，从而稳健地获得最终的一阶IMF通过对初始分解结果取平均来获得分量。这一步骤有效地消除了由单次添加随机噪声引起的不确定性。第二阶段递归运行；在每次迭代中，前一阶的残差被用作输入。通过添加与当前残差尺度相匹配的自适应白噪声，并重复“分解-平均”操作，后续分量如IMF和国际货币基金组织₂依次提取。这一迭代过程持续进行，直到残差变为单调函数，表明信号中所有可分解的振荡模式已被完全提取。IMF₃ are extracted in turn. This iterative process continues until the residual becomes a monotonic function, indicating that all decomposable oscillatory modes in the signal have been fully extracted.
具体步骤如下：

(1): 向信号中添加白噪声

设原始信号为C(n），并设ε为自适应可分解高斯白噪声的标准差，用于控制噪声的幅度。通过向原始信号C(n）中添加噪声，得到一个新信号，其中表示白噪声序列，k表示第k次添加的噪声。ℎ(

上一个：基于增强型滑翔蛇优化算法的混合可再生能源-热电联产微电网综合降解建模与基于藤Copula的随机优化研究（含EnerSys蓄电池与热能存储）下一个：返回列表

产品分类

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