基于集成機器學(xué)習(xí)模型的鋰離子電池健康狀態(tài)預(yù)測

摘要：文章提出了一種基于TCNTransformer集成模型的鋰離子電池健康狀態(tài)（State of Health， SOH）預(yù)測方法。該方法結(jié)合時間卷積網(wǎng)絡(luò)（Temporal Convolutional Network，TCN）捕捉時間序列局部特征和長期依賴的優(yōu)勢與Transformer自注意力機制建模全局關(guān)系的能力，提高預(yù)測精度。文章通過電池循環(huán)老化實驗，提取充放電過程中的電壓和容量增量等特征，優(yōu)化輸入數(shù)據(jù)并構(gòu)建TCNTransformer模型進行預(yù)測。實驗結(jié)果顯示，該模型較傳統(tǒng)單一模型性能更優(yōu)，能準(zhǔn)確反映電池健康狀態(tài)變化趨勢。

關(guān)鍵詞：鋰離子電池；電池健康狀態(tài)；時間卷積網(wǎng)絡(luò)；Transformer模型

中圖分類號：TM912文獻標(biāo)志碼：A

0引言

鋰離子電池由于有著高能量和功率密度，被廣泛應(yīng)用于多種設(shè)備與行業(yè)，尤其是在新能源汽車行業(yè)中。然而，隨著使用年限的增加，鋰離子電池的性能會出現(xiàn)不可逆的衰減，性能的下降會導(dǎo)致容量衰減，功率下降，甚至引發(fā)電池漏液、局部短路和熱失控等安全問題。準(zhǔn)確地預(yù)測鋰電池的健康狀態(tài)是保證電池管理系統(tǒng)安全性和可靠性的關(guān)鍵。

SOH是電池當(dāng)前容量與額定容量之比，通常被作為評估電池老化程度的量化標(biāo)準(zhǔn)。SOH定義為電池當(dāng)前狀態(tài)的容量與電池初始狀態(tài)下容量的比值。

1實驗

11電池

本文選用以力神18650電池為研究對象。該電池直徑182 mm，高度65 mm，正極材料是磷酸鐵鋰（LiFePO4，LFP），負(fù)極材料是石墨（C）。

12循環(huán)測試

本實驗準(zhǔn)備了多節(jié)電池進行循環(huán)老化實驗。由電池的參數(shù)可知，電池的充電截止電壓是365 V，電池的放電截止電壓是20 V。因此，電池的老化循環(huán)流程主要包括2個部分：第一部分是放電部分，以1C（16 A）的速率對電池進行恒流放電，至電池電壓到20 V且放電電流小于30 mA時結(jié)束，之后靜置30 min，等待電池的熱平衡和電化學(xué)平衡恢復(fù)以確保實驗的安全性和數(shù)據(jù)的可靠性；第二部分是充電部分，以1C的速率對電池進行恒流充電，至電池電壓到365 V且充電電流小于30 mA時結(jié)束，靜置30 min，以此循環(huán)，一天循環(huán)8次，共進行22周。

2方法分析

21特征選擇

為了提高模型對SOH預(yù)測的準(zhǔn)確性和魯棒性，本研究對原始特征數(shù)據(jù)進行了全面的特征選擇和優(yōu)化，最終選用充電電壓數(shù)據(jù)、容量增量數(shù)據(jù)和容量增量與電壓變化比值作為SOH預(yù)測的輸入特征。

22模型結(jié)構(gòu)

本文使用TCN網(wǎng)絡(luò)與Transformer結(jié)合的方式構(gòu)建網(wǎng)絡(luò)模型，用于預(yù)測電池的健康狀態(tài)（見圖1）。該模型使用電池隨訓(xùn)練循環(huán)數(shù)老化的充放電特征數(shù)據(jù)作為輸入，使用TCN網(wǎng)絡(luò)，利用因果卷積和空洞卷積處理數(shù)據(jù)，提取序列中的局部特征和長期依賴信息，通過引入Transformer模型，使Transformer中的多頭注意力機制關(guān)注數(shù)據(jù)中的不同部分，挖掘數(shù)據(jù)中的重要信息。

221TCN模型

TCN是由Bai S等提出，專門用于序列建模的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，旨在解決傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)在訓(xùn)練效率和長程依賴捕捉上的局限性［7］。該網(wǎng)絡(luò)的核心是因果卷積層。因果卷積通過限制卷積核，只能對當(dāng)前時間步及以前的輸入進行操作，保證了輸出的時間序列在因果關(guān)系上的合理性。

F（s）=（x*（df））=∑（k-1）（i=0）f（i）·xs-d·i（2）

式（2）中，x代表一維序列輸入，f是卷積核，k是卷積核的大小，d是膨脹因子，s-d·i表示序列卷積前進的方向。當(dāng)d=1時，擴張卷積則會簡化為常規(guī)的卷積；當(dāng)d越大時，整體網(wǎng)絡(luò)的感受野也越大。

222Transformer模型

Transformer是一種用于序列到序列類型任務(wù)的深度學(xué)習(xí)模型架構(gòu)［8］。該架構(gòu)的核心思想是通過自注意力機制使模型能夠關(guān)注輸入序列中各個位置之間的關(guān)系，并行處理數(shù)據(jù)。

注意力機制是Transformer模型的核心部分。它允許每個位置的輸入向量對序列中的其他位置進行加權(quán)求和，從而捕獲各個位置之間的關(guān)系。注意力機制公式如式（3）所示。

除了注意力機制之外，Transformer還有編碼器和解碼器2部分。編碼器的功能是提取序列的全局特征；解碼器的功能是基于編碼器的輸出和已生成的序列逐步生成目標(biāo)序列。

23評價指標(biāo)

本文采用平均絕對誤差（MAE）、均方誤差（MSE）和可決系數(shù)（R2）作為評價指標(biāo)對模型進行綜合評估。公式如下：

3實驗結(jié)果分析

31SOH估計結(jié)果

本實驗共搭建了3個模型對數(shù)據(jù)進行驗證，分別是TCN、RNN和TCNTransformer。本實驗使用多個電池的循環(huán)老化數(shù)據(jù)作為訓(xùn)練集，保留2個電池數(shù)據(jù)作為測試集進行預(yù)測實驗。實驗輸入特征數(shù)據(jù)為30×3的序列數(shù)據(jù)，輸出為單個結(jié)果。訓(xùn)練迭代次數(shù)為200次，學(xué)習(xí)率為0003，dropout為01。電池早期性能穩(wěn)定且數(shù)據(jù)序列較短，因此，本研究的SOH預(yù)測主要集中在電池壽命的后半段。

從圖2和圖3可以看出，3種模型對電池健康狀態(tài)隨充放電周期的變化趨勢都有一定程度的擬合能力。預(yù)測結(jié)果與真實值的整體趨勢基本一致，表明這3種模型都能捕捉到電池健康狀態(tài)的總體變化規(guī)律，但不同模型的表現(xiàn)效果區(qū)別也很大。

TCN模型在整個測試中，效果比較一般，在預(yù)測前期（300～500次循環(huán)）預(yù)測效果相對較好，但是后期表現(xiàn)比較差，最后100個循環(huán)中預(yù)測效果快速惡化，預(yù)測值與真實值差距很大并且預(yù)測曲線很不穩(wěn)定。這可能是TCN的卷積結(jié)構(gòu)雖然擅長處理時間序列數(shù)據(jù)，但建模能力相對不足，導(dǎo)致對衰退過程的預(yù)測精度下降。

與其他的模型效果相比，RNN模型在整個測試過程中的預(yù)測效果最差，預(yù)測曲線的穩(wěn)定性也很低。這可能是RNN網(wǎng)絡(luò)對長時間依賴的序列處理能力比較差，信息會在多個時間步中逐漸丟失，導(dǎo)致對SOH預(yù)測準(zhǔn)確度比較低。

TCNTransformer的表現(xiàn)最好，優(yōu)于TCN模型和RNN模型，預(yù)測曲線的波動性比TCN模型和RNN模型更低，表現(xiàn)更穩(wěn)定。該模型基于TCN模型，融合了Transformer模型，加入的注意力機制可以更好地捕捉到數(shù)據(jù)中關(guān)鍵的長期依賴和特征，結(jié)合TCN的結(jié)構(gòu)增強了局部特征的捕捉能力。因此，TCNTransformer在擬合整體趨勢和減少誤差方面有較大的優(yōu)勢。RNN、TCN和TCNTransformer模型對1號電池和2號電池的SOH預(yù)測如圖2和圖3所示。

從表1中可以看出，在電池1的實驗數(shù)據(jù)中，TCNTransformer的預(yù)測精度最高，其MSE和MAE分別為155×10-5和000376，R2達到了0991，表明該模型可以精確地捕捉電池健康狀態(tài)的變化趨勢。RNN和TCN模型的性能顯著低于前者，但是預(yù)測的效果仍然不錯，R2分別為089和091。

在電池2的實驗數(shù)據(jù)中，TCNTransformer再次展現(xiàn)了優(yōu)秀的預(yù)測性能，其MSE和MAE分別為821×10-6和000216，證明了該模型在不同數(shù)據(jù)集上的泛用性很強。RNN和TCN表現(xiàn)相對普通，R2分別為090和091。

無論是電池1還是電池2，TCNTransformer始終表現(xiàn)最優(yōu)。在3個指標(biāo)上來看，TCNTransformer模型都是最優(yōu)，其中在2個電池的實驗數(shù)據(jù)上R2都接近1，表明該模型對數(shù)據(jù)的擬合程度很高，可以有效地使用該模型對電池健康狀態(tài)進行預(yù)測。RNN與TCN模型對數(shù)據(jù)的擬合程度相對較低，表現(xiàn)相對較差。

32結(jié)果分析

實驗結(jié)果表明，TCNTransformer的實驗數(shù)據(jù)在各個指標(biāo)均優(yōu)于其他模型，可決系數(shù)R2接近1，能穩(wěn)定精準(zhǔn)地預(yù)測電池退化過程。其MSE和MAE誤差極小，捕捉電池健康狀態(tài)的細(xì)微變化，準(zhǔn)確還原電池SOH變化趨勢。

該模型優(yōu)秀的預(yù)測效果可以歸因于3個原因：第一，TCN可以有效地捕捉時序數(shù)據(jù)的長期依賴關(guān)系，電池SOH隨著時間逐漸變化，TCN通過擴張卷積解構(gòu)，能夠在不受梯度消失問題限制的情況下，捕捉到這些長時間跨度的依賴關(guān)系。第二，注意力機制可以自動聚焦重要特征，能夠使模型在每個時間步或數(shù)據(jù)點上自動分配不同的權(quán)重，從而聚焦于對預(yù)測結(jié)果影響較大的數(shù)據(jù)片段，提高模型對有效數(shù)據(jù)的關(guān)注力度，更好地捕捉電池健康狀態(tài)的變化趨勢。第三，局部與全局特征提取的結(jié)合，TCN提取局部短期特征，Transformer在局部特征的基礎(chǔ)上，進一步對全局上下文進行建模。這種分工使得模型既能關(guān)注短期動態(tài)變化，又能捕捉長期趨勢，適合電池SOH的復(fù)雜時序建模。

4結(jié)語

本文提出了一種新的TCNTransformer神經(jīng)網(wǎng)絡(luò)模型。該模型將TCN與Transformer進行融合，為電池健康狀態(tài)的估計提供了一種新的方法。研究通過實驗驗證了模型的有效性，使用不同的鋰離子電池的老化數(shù)據(jù)對電池的SOH進行了估計。在SOH估計實驗中，研究模型在多個參數(shù)方面顯著優(yōu)于其他模型，表明該模型能夠精確擬合電池健康狀態(tài)變化趨勢，捕捉電池退化數(shù)據(jù)的有效特征。此外，TCNTransformer通過自注意力機制，能夠自動聚焦于電池健康狀態(tài)預(yù)測中最關(guān)鍵的時間點和特征，使模型能夠靈活地應(yīng)對不同電池類型和工作條件下的變化。這些優(yōu)勢可以讓TCNTransformer不僅能提供準(zhǔn)確的SOH估計，還能為電池管理系統(tǒng)提供有效的決策支持，幫助優(yōu)化電池的使用和維護策略。

參考文獻

［1］楊強，張琦，楊玉明.基于機器學(xué)習(xí)的鋰離子電池壽命預(yù)測算法研究［J］.無線互聯(lián)科技，2024（11）：101-103.

［2］李家晨，朱成杰.基于BiLSTM神經(jīng)網(wǎng)絡(luò)的鋰電池SOH快速估計研究［J］.無線互聯(lián)科技，2022（20）：146-148.

［3］李超然，肖飛，樊亞翔，等.基于深度學(xué)習(xí)的鋰離子電池SOC和SOH聯(lián)合估算［J］.中國電機工程學(xué)報，2021（2）：681-692.

［4］LI X，YUAN C，WANG Z，et al.Lithium battery stateofhealth estimation and remaining useful lifetime prediction based on nonparametric aging model and particle filter algorithm［J］.Etransportation，2022，11：100156.

［5］OBREGON J，HAN Y R，HO C W，et al.Convolutional autoencoderbased SOH estimation of lithiumion batteries using electrochemical impedance spectroscopy［J］.Journal of Energy Storage，2023，60：106680.

［6］LI Y，TU L，ZHANG C.A stateofhealth estimation method for lithium batteries based on incremental energy analysis and bayesian transformer［J］.Journal of Electrical and Computer Engineering，2024（1）：5822106.

［7］HEWAGE P，BEHERA A，TROVATI M，et al.Temporal convolutional neural （TCN） network for an effective weather forecasting using timeseries data from the local weather station［J］.Soft Computing，2020，24：16453-16482.

［8］VASWANI A，SHAZEER N，PARMAR N，et al.Attention is all you need［C］//Advances in Neural Information Processing Systems 30，December，4-9，2017，Long Beach，California.Neural Information Processing Systems Foundation，Inc.（NeurIPS）2017：5998-6008.

（編輯王雪芬）