混合模糊信息粒化和時間序列密集編碼器的鋰離子電池剩余壽命區間預測方法

摘 要： 鋰離子電池的剩余使用壽命（remaining useful life，RUL）是電池健康狀態的關鍵指標，對其進行預測具有重要的現實意義。該工作將模糊信息粒化（fuzzy information granulation，FIG）技術與時間序列密集編碼器模型（timeseriesdense encoder，TiDE）相結合，提出了一種對鋰離子電池的RUL 進行區間預測的模型。首先將鋰離子電池容量退化時間序列通過FIG 技術轉化為粒子序列信息，以此得到模糊信息粒子的上下界序列。其次，分別對上下界序列使用TiDE 模型進行訓練預測，從而得到區間預測的結果。實驗結果表明，與基于支持向量回歸（support vectorregression，SVR）和長短期記憶網絡（long short term memory network，LSTM）的區間預測模型以及不使用狐貍優化算法（fox-inspired optimization algorithm，FOA）優化的TiDE 模型相比，該工作提出的基于FIG 技術結合TiDE 模型與FOA 的區間預測方法在鋰離子電池RUL 預測性能上具有更高的可靠性。

關鍵詞： 鋰離子電池; 剩余使用壽命; 區間預測; 時間序列密集編碼器

中圖分類號： TB9; TM912 文獻標志碼： A 文章編號： 1674–5124（2024）09–0029–08

0 引 言

鋰離子電池作為儲能裝置，以其能量密度高、安全性能好、結構質量輕和循環壽命長等優點，被廣泛應用于航空航天、電動汽車、移動終端和儲能設備等諸多系統當中[1]。隨著鋰離子電池應用的普及，作為電池管理系統關鍵內容的剩余使用壽命（remaining useful life，RUL）預測技術對于保障使能系統的安全高效運行具有重要意義。

國內外學者在這一領域已經提出了多種方法，整體可以分類為機理驅動模型、數據驅動模型和混合模型[2]。機理驅動模型主要包含電化學模型和等效電路模型。Li[3] 等提出了一種基于電化學模型的方法，基于鋰電池內部的電化學反應機理，通過建立物理模型來估計鋰電池的狀態。Lai[4] 等提出了一種基于等效電路模型的方法，該方法依照工作系統輸入輸出來構建數學模型，對電池狀態相關參數進行推算。機理驅動模型雖然提供了深入理解系統內部工作原理的能力，但是其建模難度較大，且往往針對特定類型電池進行建模，因此該方法具有一定的局限性。數據驅動模型主要包含統計學方法和機器學習方法。在統計學方法領域，李小虎 [5] 等提出了基于卡爾曼濾波的方法，陳萬[6] 等提出了基于粒子濾波的方法，Xu[7] 等提出了基于維納過程的方法，Zhao[8] 等提出了基于高斯過程回歸的方法，這些方法是基于數據分析和統計建模技術來預測電池的當前健康狀態，但是需要基于特定假設進行建模，且對數據質量要求較高。在機器學習方法領域，Song[9] 及Wang [10] 等提出了基于核函數的向量機方法，趙沁峰[11] 等提出了基于廣義回歸神經網絡的方法，Ungurean[12] 等提出了基于深度神經網絡的方法。這些方法從電池的歷史數據和實時監測數據中學習電池性能退化的模式，以此來預測電池的當前健康狀態。其中，深度神經網絡在高效處理大數據、捕捉復雜非線性關系和自行提取數據特征等方面表現出強大的靈活性和適應性，相較于依賴物理信息的模型具有顯著的優勢。混合模型是將機理驅動模型和數據驅動模型通過多種方式進行疊加，利用融合方法對鋰電池健康狀態進行估計。Shi[13] 等提出了一種基于機理模型和數據驅動相結合的方法，該方法雖然結合了其他兩種方法的優點，但算法復雜度較高。

由上可知，基于數據驅動的機器學習模型尤其是深度學習模型在電池狀態預測方面具有較大的應用前景。然而，當前的深度學習方法大多是對關鍵指標進行數值型預測，未能充分考慮時間序列退化過程中的不確定性特征和具有長期依賴關系的局部波動性特征，這導致這些模型在預測具有該特征的時間序列時往往表現乏力。

針對上述問題，本文在當前研究的基礎上，通過將模糊信息粒化 （fuzzy information granulation，FIG） 技術與為有效捕捉和處理時間序列長期依賴關系而設計的時間序列密集編碼器（time-seriesdense encoder，TiDE） 相結合，同時使用狐貍優化算法 （fox-inspired optimization algorithm， FOA） 對模型進行優化， 從而提出了一種針對鋰離子電池RUL 進行區間預測的FIG-FOA+TiDE 模型。該模型對電池容量退化數據進行FIG 處理，以此實現區間預測，在一定程度上解決了預測的不確定性問題。其次，利用經過FOA 優化的TiDE 模型進行預測，緩解了局部波動數據難預測的問題。最后，使用NASA 的電池數據集驗證了該模型的可靠性和預測精度。

1 鋰電池退化過程描述與問題分析

1.1 過程描述

鋰離子電池的性能隨著電池充放電循環次數的增加會不可避免地產生因其理化性質的衰弱而導致的退化效應。具體來說，鋰離子電池的性能受到充放電倍率、荷電狀態以及工作環境等諸多因素的共同影響，這會導致鋰離子電池內部的理化性質受到不可逆的損傷，使鋰離子電池的性能發生退化。當性能退化到某一閾值時，其故障率會大幅增加。電池故障的出現會直接導致其所在系統的整體故障，發生難以預計的事故。