基于注意力增強(qiáng)Uniformer的鋰電池剩余使用壽命預(yù)測

主題詞：鋰電池剩余使用壽命預(yù)測數(shù)據(jù)驅(qū)動(dòng)統(tǒng)一變形器注意力引導(dǎo)機(jī)制坐標(biāo)注意力中圖分類號(hào)：TM912 文獻(xiàn)標(biāo)志碼：A DOI：10.19620/j.cnki.1000-3703.20240396

Remaining Useful Life Prediction of Lithium Battery Based on Attention Enhancement Uniformer

LiaoLiefa2，LiuYingbao1，ZhanYumin1 （1.SchoolofInformationEngineering，Jiangxi UniversityofScienceandTechnology，Ganzhou34ooo;2.Jiangxi Moder Polytechnic College，Nanchang 330095）

【Abstract】To address the isse of dynamic changes in data and limited aging data inthe Remaining Useful Life （RUL） predictionof lithium-ion bateries，thispaperproposes theRUL predictionmodelof AttentionEnhancementUniformer （AEUniformer）torealizecomprehensiveinformationperceptionbyintegratingtheadvantagesofConvolutionalNeuralNetwork （CNN）andSelf-Atention Mechanism through Uniformer.Attention Guiding Mechanism （AGM）and CoordAttentionare designedtorealize powerfulfeature extraction.ExperimentalresultsshowthatAEUniformercanachieveacurateand fastRUL prediction withonlyasingle agingcycle，andthe MAPE prediction errorsofthe datasets are2.7%and 6.16%，respectively， demonstrating the accuracy of the method.

KeyWords：Lithium-ion battery，Remaining Useful Life （RUL），Data-driven，Uniformer. AttentionGuidingMechanism （AGM），CoordAttention

【引用格式】廖列法，劉映寶，占玉敏.基于注意力增強(qiáng)Uniformer的鋰電池剩余使用壽命預(yù)測[J].汽車技術(shù)，2025（6）：36-44.LIAOLF，LIUYB，ZHANYM.Remaining UsefulLifePredictionofLithium BatteryBasedonAttentionEnhancementUniformer[J].Automobile Technology，2025（6）： 36-44.

1前言

鋰電池因其高能量密度、長循環(huán)壽命和低自放電率等特點(diǎn)而被廣泛應(yīng)用于儲(chǔ)能和供電領(lǐng)域[。然而，隨著使用時(shí)間的增加，電化學(xué)反應(yīng)會(huì)導(dǎo)致電池內(nèi)部成分的不斷變化。此外，電流倍增器、溫度和放電深度等許多因素也會(huì)加速電池性能下降3，降低電池的使用壽命和安全性，因此精確、穩(wěn)定地監(jiān)測電池的健康狀態(tài)具有重要意義[4]。剩余使用壽命（RemainingUsefulLife，RUL）為電池的容量衰減至失效閾值（通常為標(biāo)稱容量的80% ）之前剩余的充放電周期次數(shù)，是衡量電池健康狀態(tài)的重要指標(biāo)之一。

數(shù)據(jù)驅(qū)動(dòng)方法可以在不考慮內(nèi)部電化學(xué)系統(tǒng)反應(yīng)和失效機(jī)制的情況下從大量歷史數(shù)據(jù)中學(xué)習(xí)電池退化規(guī)律，以此分析鋰電池壽命特征參數(shù)與RUL之間的關(guān)系[]。Severson等使用結(jié)合線性模型和ElasticNet正則化的機(jī)器學(xué)習(xí)方法預(yù)測電池的早期壽命，使用前100個(gè)周期數(shù)據(jù)的預(yù)測誤差為 9.1% 。Fei等人利用參數(shù)化注意力和周期性注意力，探討由各種循環(huán)次數(shù)和參數(shù)組成的輸入數(shù)據(jù)對(duì)模型性能的影響，改善對(duì)老化信息中關(guān)鍵特征的研究。

雖然深度神經(jīng)網(wǎng)絡(luò)可以從原始數(shù)據(jù)中自動(dòng)提取復(fù)雜的隱藏特征，但現(xiàn)有方法仍存在一些局限性：首先，預(yù)測RUL往往面臨數(shù)據(jù)的動(dòng)態(tài)變化、老化數(shù)據(jù)有限的問題，且通常輸人信號(hào)為長時(shí)間序列信號(hào)；其次，可用的電池?cái)?shù)據(jù)通常較為有限；最后，模型的泛化性和擴(kuò)展性較弱，許多研究的驗(yàn)證是基于使用相同工作條件的少量電池?cái)?shù)據(jù)，對(duì)于訓(xùn)練場景之外和個(gè)性化的操作條件的預(yù)測精度明顯降低。針對(duì)上述問題，提出注意力增強(qiáng)統(tǒng)一變形器（Attention EnhancementUniformer，AEUniformer）。本文首先設(shè)計(jì)注意力引導(dǎo)機(jī)制（AttentionGuidingMechanism，AGM）和坐標(biāo)注意力（CoordAttention）改進(jìn)Uniformer，無縫集成卷積和自注意力機(jī)制，解決鋰電池退化信息的局部冗余和全局依賴關(guān)系問題，實(shí)現(xiàn)更好的特征提取和更全面的建模；其次開發(fā)深度學(xué)習(xí)驅(qū)動(dòng)的預(yù)測框架，僅需要電池老化階段1個(gè)循環(huán)的數(shù)據(jù)就可以實(shí)現(xiàn)電池RUL快速準(zhǔn)確的預(yù)測；最后在兩個(gè)不同充放電配置的數(shù)據(jù)集上進(jìn)行試驗(yàn)驗(yàn)證，證明了所提框架對(duì)多場景的電池壽命預(yù)測具有較好的泛化能力，而且能夠直接擴(kuò)展至其他的預(yù)測任務(wù)。

2注意力增強(qiáng)Uniformer

注意力增強(qiáng)Uniformer整體流程如圖1所示，具體架構(gòu)如圖2所示。塊嵌人（PatchEmbedding）模塊是對(duì)原始數(shù)據(jù)曲線進(jìn)行降維和去噪，減少整體的計(jì)算復(fù)雜度，并由Uniformer塊（Uniformerblock）進(jìn)行淺層和深層退化特征的融合，以解決數(shù)據(jù)中局部信息冗余和全局依賴問題，建立全面的信息感知能力，其中4個(gè)Uniformerblock的Transformer層數(shù)分別是3、4、8、3；注意力引導(dǎo)機(jī)制（包括維度變換層和模塊殘差注意力），可以彌補(bǔ)PatchEmbedding下采樣過程造成的信息損失并增強(qiáng)層之間注意力的信息流動(dòng)；坐標(biāo)注意力為輸入的低、高級(jí)特征自適應(yīng)分配不同權(quán)重，增強(qiáng)關(guān)鍵信息并去除無用噪聲，進(jìn)一步提高模型的特征提取能力。

2.1塊嵌入模塊

為了充分學(xué)習(xí)不同充放電階段的特征表示，塊嵌入模塊使用核大小和步長相等的卷積操作對(duì)輸入 X 進(jìn)行下采樣，通過降低Uniformerblock的輸入序列長度以降低模型的計(jì)算復(fù)雜度，具體公式如下：

P=R（N（T（F（C（X）））））

式中： N 為輸入 X 經(jīng)過卷積之后的塊（patch）數(shù)量， P₁，P₂ 分別為卷積核和步長的大小， H，W 分別為輸入 X 的高度、寬度， c 為卷積操作， F 為將patch在第二維展平，π 為第一維和第二維的轉(zhuǎn)置操作， N 為層歸一化（LayerNormalization，LN）， R 為將二維向量重新轉(zhuǎn)變?yōu)槿S張量結(jié)構(gòu)的轉(zhuǎn)置歸一化操作， P 為Patch Embedding的輸出。

PatchEmbedding可以捕捉不同時(shí)間的退化特征之間的關(guān)系，超越了傳統(tǒng)循環(huán)神經(jīng)網(wǎng)絡(luò)的能力。

2.2 Uniformer塊

Uniformerblock能夠?qū)崿F(xiàn)聚合退化特征的局部上下文信息以濾除特征的突然變化，同時(shí)能夠捕獲全局的依賴關(guān)系。每個(gè)Uniformerblock主要由3部分組成，如圖1c所示，包含動(dòng)態(tài)位置編碼（DynamicPositionEmbedding，DPE）多頭關(guān)系聚合器（Multi-HeadRelationAggregator，MHRA）及前饋層（FeedforwardNeuralNetwork，F(xiàn)FN）。公式如下：

X=U_DPE（X_in）+X_in

Y=U_MHRA（N（X））+X

Z=U_FFN（N（Y））+Y

式中： X_in 為Uniformerblock的輸入； N 為層歸一化；U_DPE 、 U_?MHRA U_FFN 分別為DPE、MHRA、FFN 操作，在Uniformerblock中分別將DPE、MHRA、FFN的輸出 X，Y， Z 傳入至下一層。

2.2.1 動(dòng)態(tài)位置編碼

位置信息是Transformer學(xué)習(xí)數(shù)據(jù)表征的重要因素。為了提高靈活性，使用深度卷積（DepthWiseConvolution，DWC）進(jìn)行局部建模，DWC不僅能夠動(dòng)態(tài)適應(yīng)任意的輸入形狀，讓模型隱式編碼位置信息，而且是輕量級(jí)的卷積操作，可以有效地降低計(jì)算量和參數(shù)量，提高模型的推理速度和運(yùn)行效率，進(jìn)而實(shí)現(xiàn)計(jì)算精度和速度之間的平衡。由此可以讓AEUniformer靈活處理不同輸入分辨率，提升識(shí)別性能，計(jì)算公式如下：

（204號(hào) U_npc（X_in）=D_DWC（X_in）=（X_in×W_depth）×W_point （20 （6）式中： W_depth 是長、寬、通道數(shù)分別為 K，K，C 的卷積核，針對(duì)每個(gè)輸入通道獨(dú)立進(jìn)行空間特征提取； W_point 是長、寬、通道數(shù)分別為 1、1、C 的卷積核，用于通道間的線性組合，以此混合通道信息； D_pwc 為DWC操作。

2.2.2 多頭關(guān)系聚合器

關(guān)系聚合器（RelationAggregator，RA）通過在淺層（前兩層）和深層（后兩層）的Uniformerblock分別設(shè)計(jì)局部和全局的令牌（token）相關(guān)性，實(shí)現(xiàn)高效的表示學(xué)習(xí)。統(tǒng)一的MHRA以多分支的方式學(xué)習(xí)特征關(guān)系，公式如下：

R_n（X）=A_nV_n（X）

U_MHRA（X）=S（R₁（X）;R₂（X）;…R_n（X））U

式中： ：R_n（?） 為輸入矩陣 X 的第 n 個(gè)RA，每個(gè)RA由token的上、下文的線性編碼 V_n 和相關(guān)性 A_n（ε） 組成； U 為集成 n 個(gè)RA的可學(xué)習(xí)參數(shù)矩陣； s 為將所有RA的參數(shù)矩陣堆疊，最后得到多頭關(guān)系聚合器的輸出UMHRA°

在淺層中，MHRA使用卷積風(fēng)格的可學(xué)習(xí)參數(shù)矩陣捕獲局部token相關(guān)性，通過局部區(qū)域的上、下文聚合極大減少計(jì)算冗余。在深層中則繼承自注意力風(fēng)格，通過token相似度的比較學(xué)習(xí)全局的token相關(guān)性，自適應(yīng)地構(gòu)建整個(gè)循環(huán)周期的遠(yuǎn)程依賴，捕獲電池使用模式的復(fù)雜性和時(shí)間依賴性。通過逐步分層地堆疊局部和全局的Uniformerblock，可以靈活地整合它們的協(xié)作能力，以充分利用不同尺度的退化特征，實(shí)現(xiàn)更準(zhǔn)確的預(yù)測。局部和全局的相關(guān)性公式如下：

式中 ：A_n^local 為淺層中局部的token相關(guān)性計(jì)算結(jié)果， A_n^global 為深層中全局的token相關(guān)性計(jì)算結(jié)果， 為當(dāng)前位置 i 的局部鄰域， X_i 為當(dāng)前 token，X_j 為當(dāng)前 token 的任何相鄰 token，a_n 為自適應(yīng)的可學(xué)習(xí)參數(shù)， （i-j） 為 token 之間的相對(duì)位置， Q_n 及 K_n 為線性變換。

2.3 注意力引導(dǎo)機(jī)制

為了增強(qiáng)相鄰AEUniformer層之間特征級(jí)別的信息流以提高特征多樣性，提出模塊殘差注意力（BlockResidualAttention，BRA），如圖1c所示。采用一種新的殘差連接引導(dǎo)注意力在同一層高效傳播，學(xué)習(xí)提取新特征表示，同時(shí)考慮之前提取的特征表示。為了避免傳播積累的特征表示所占比重過大導(dǎo)致模型難以學(xué)習(xí)到深層表示，設(shè)計(jì)一個(gè)可學(xué)習(xí)的加權(quán)特征（WeightedFeature，WF）函數(shù)，平衡聚合過程中從前一個(gè)MHRA傳輸?shù)疆?dāng)前MHRA的殘差注意力，公式如下：

（20號(hào) i=1 其他

式中：i為第i層Uniformerblock模塊； WF 為加權(quán)特征融合函數(shù)； α 為可學(xué)習(xí)的權(quán)重參數(shù)； L_i 為第 i 層Uniformerblock中MHRA的最終輸出，當(dāng) i=0 時(shí)，當(dāng)前的MHRA正常正向傳播，反之則與上一層中的MHRA輸出進(jìn)行加權(quán)融合，以此來傳播前一層的特征之間聚合信息的注意力。

2.4 坐標(biāo)注意力

輸入的三維張量結(jié)構(gòu) X 包括特征參數(shù)、充放電階段、老化周期數(shù)信息，這些因素對(duì)電池RUL預(yù)測的貢獻(xiàn)各異，而標(biāo)準(zhǔn)卷積和自注意力機(jī)制難以學(xué)習(xí)到作為通道的電池參數(shù)關(guān)系8]，因此，在淺層和深層Uniformerblock之間引入CoordAttention。如圖3所示，該機(jī)制能夠?qū)⒀h(huán)階段和老化周期信息嵌入到特征參數(shù)注意力中，其主要方式是將參數(shù)注意力分解為兩個(gè)沿著循環(huán)階段和老化周期方向聚合特征的一維特征編碼過程，由此可以沿著循環(huán)階段方向保留精確的位置信息，還可以沿著老化周期方向捕獲長程依賴，隨后將生成的特征圖分別編碼，形成一個(gè)對(duì)方向感知且對(duì)位置敏感的特征圖，二者可以互補(bǔ)地應(yīng)用到輸人特征圖來增強(qiáng)對(duì)感興趣目標(biāo)的表示。

3試驗(yàn)

3.1數(shù)據(jù)處理

為了評(píng)估不同工況下的電池RUL預(yù)測準(zhǔn)確性，本研究選取目前可獲取的、規(guī)模最大的不同充電策略和放電策略的老化數(shù)據(jù)集進(jìn)行試驗(yàn)，分別來自麻省理工大學(xué)（MassachusettsInstituteofTechnology，MIT）和華中科技大學(xué)（Huazhong University of Science and Technology，HZUST），如表1所示。MIT數(shù)據(jù)集中的電池多采用兩步恒流快速充電策略，而HZUST數(shù)據(jù)集中的電池則采用不同的多級(jí)放電策略。兩個(gè)數(shù)據(jù)集均在恒定 30^°C 的實(shí)驗(yàn)室中進(jìn)行循環(huán)試驗(yàn)。電池容量衰減軌跡如圖4所示。

MIT數(shù)據(jù)集存在采樣不穩(wěn)定、測試提前停止、溫度記錄失敗等問題，需要對(duì)數(shù)據(jù)進(jìn)行清洗。首先刪除極端壽命的電池以及異常電池，然后從原始電池?cái)?shù)據(jù)中提取電壓 V_? 電流 I_? 溫度 T， 容量 Q 和充放電時(shí)間 χ_t 作為輸入特征，使用絕對(duì)中位差將異常值替換為兩端的線性插值，采用Savitzky-Golay濾波器進(jìn)行平滑去噪。清洗過后的特征變化曲線如圖5所示，發(fā)現(xiàn)不同的充電策略對(duì)電池的電壓曲線影響顯著；隨著循環(huán)次數(shù)的增加，不同電池的初始溫度存在差異，但增長趨勢相似；此外，較大的充電電流和較長的快速充電時(shí)間均可導(dǎo)致電池容量的快速衰減。由于HZUST數(shù)據(jù)集未記錄溫度，選擇其余4個(gè)特征作為模型輸入。

為了整合單個(gè)周期數(shù)據(jù)中包含的多維信息，使用滑動(dòng)窗口將5個(gè)特征參數(shù)整合為一個(gè)三維的輸入張量X∈R^C×H×W ，其中 分別對(duì)應(yīng)電池參數(shù)、循環(huán)階段、老化周期，如圖1a所示。使用線性插值將MIT數(shù)據(jù)集的周期數(shù)據(jù)重采樣為定長的500個(gè)數(shù)據(jù)點(diǎn)。對(duì)于HZUST數(shù)據(jù)集，由于實(shí)際應(yīng)用中難以收集個(gè)性化的放電特征曲線，因此選擇充電階段的數(shù)據(jù)作為輸入并重采樣為100個(gè)數(shù)據(jù)點(diǎn)。對(duì)特征做歸一化處理保持輸人數(shù)據(jù)的穩(wěn)定性和一致性。歸一化公式如下。

式中： x_max，x_min 分別為輸入向量 的最大值、最小值。

MIT數(shù)據(jù)集分為92個(gè)電池的訓(xùn)練集和23個(gè)電池的測試集。HZUST數(shù)據(jù)集分為55個(gè)電池的訓(xùn)練集和22個(gè)電池的測試集。

3.2評(píng)價(jià)指標(biāo)

使用平均絕對(duì)誤差（MeanAbsoluteError，MAE）平均絕對(duì)百分比誤差（MeanAbsolutePercentError，MAPE）均方根誤差（RootMeanSquareError，RMSE）和決定系數(shù) R² 作為評(píng)價(jià)指標(biāo)。計(jì)算公式如下：

式中： E_MAE?E_MAPE?E_RMSE?E_R² 分別為MAE、MAPE、RMSE、R² 的計(jì)算結(jié)果， 為RUL的預(yù)測值， .y. 為真實(shí)值， 為真實(shí)值的平均值， n 為樣本的總長度。

3.3特征選擇實(shí)驗(yàn)

為了評(píng)估各個(gè)電池參數(shù)對(duì)RUL預(yù)測的影響，基于原始電池參數(shù)，即 V，I，T，Q，t 構(gòu)建多種參數(shù)組合作為模型的輸入。對(duì)比結(jié)果如表2所示。

觀察預(yù)測結(jié)果可以發(fā)現(xiàn)，考慮全部的電池參數(shù)能夠?qū)崿F(xiàn)最佳的預(yù)測性能，其中 R² 達(dá)到最高值為0.983，MAE和RMSE也分別達(dá)到最優(yōu)值，證明了本方法的準(zhǔn)確性和有效性。盡管單獨(dú)使用特征 V，I，T，Q 作為輸入會(huì)導(dǎo)致相對(duì)較大的誤差，但其對(duì)數(shù)據(jù)量的要求卻大幅降低，且僅使用單個(gè)周期的情況下，該模型仍然能夠達(dá)到可接受的性能水平[]，MAE和RMSE分別為40個(gè)和50個(gè)周期左右，這也從側(cè)面證明了該模型的魯棒性；而單獨(dú)將t作為輸人的預(yù)測效果較差，說明單獨(dú)的t并不能體現(xiàn)電池的退化趨勢，需要和其他參數(shù)一同組合輸入；

組合V和I作為輸入的結(jié)果沒有明顯的提升，說明V和I包含較多相同的信息，因?yàn)槌浞烹娺^程中1的激勵(lì)會(huì)直接導(dǎo)致V產(chǎn)生相同的趨勢變化；組合特征 V，I，t 作為輸入可達(dá)到較好的預(yù)測結(jié)果，3個(gè)評(píng)價(jià)指標(biāo)分別為28個(gè)周期、35個(gè)周期和0.966，在添加體現(xiàn)內(nèi)阻變化的T或者表征健康狀態(tài)的 Q 之后預(yù)測結(jié)果大幅提升，說明溫度和容量都能夠反映電池的退化趨勢，可以和電流、電壓互補(bǔ)。由此說明，單周期數(shù)據(jù)已經(jīng)包含足夠的退化信息，能夠高精度地預(yù)測基本的電池特性。

在實(shí)際應(yīng)用中，受限于傳感器測量精度、環(huán)境干擾等客觀因素，溫度T和容量 Q 往往難以達(dá)到理想的精準(zhǔn)度。為了準(zhǔn)確地評(píng)估測量誤差對(duì)RUL預(yù)測模型的影響，引入噪聲模擬現(xiàn)實(shí)場景中的測量不確定性。具體而言，分別對(duì)T和Q的測量數(shù)據(jù)中單獨(dú)添加標(biāo)準(zhǔn)差為0.1的高斯噪聲，以及對(duì)T和 Q 同時(shí)添加標(biāo)準(zhǔn)差為0.1的高斯噪聲。通過該方式量化噪聲對(duì)預(yù)測模型性能的影響，從而評(píng)估預(yù)測模型在真實(shí)應(yīng)用環(huán)境中的魯棒性。試驗(yàn)結(jié)果如表3所示。

當(dāng)僅在特征 T 中引入噪聲后，預(yù)測結(jié)果呈現(xiàn)輕微下降，MAE、RMSE 、R² 分別由20個(gè)周期、25個(gè)周期、0.983降至22個(gè)周期、29個(gè)周期、0.978，這表明盡管存在測量誤差，但模型仍能維持較高的預(yù)測性能。當(dāng)僅在Q中添加相同高斯噪聲后，預(yù)測性能下降幅度更大，但相比于 的組合而言，其預(yù)測效果依舊更優(yōu)。相比于T，特征 Q 的噪聲對(duì)模型性能的影響更為顯著，這是由于特征Q對(duì)RUL預(yù)測的重要性更高，其噪聲對(duì)模型特征的擾動(dòng)更強(qiáng)。而同時(shí)在TQ特征中添加噪聲時(shí)，預(yù)測的效果相對(duì)最佳， R² 低于0.001，這歸因于噪聲的疊加效應(yīng)，模型對(duì)多特征噪聲具有特定的魯棒性，能夠通過數(shù)據(jù)之間內(nèi)在的復(fù)雜關(guān)系來削弱噪聲的影響。這充分表明AEUniformer在實(shí)際應(yīng)用中具有較強(qiáng)的魯棒性，能夠有效應(yīng)對(duì)測量誤差和噪聲干擾，從而在真實(shí)應(yīng)用環(huán)境中依然能夠保持較高的預(yù)測準(zhǔn)確性。

3.4消融試驗(yàn)

為了觀察AGM、CoordAttention模塊的實(shí)際貢獻(xiàn)，構(gòu)建4個(gè)獨(dú)立的網(wǎng)絡(luò)模型，分別是Uniformer、 AGM+ Uniformer、CoordAttention+Uniformer 和 AEUniformer。

輸人為5個(gè)電池參數(shù)特征組合而成的三維張量結(jié)構(gòu)，預(yù)測結(jié)果如表4和圖6所示。試驗(yàn)結(jié)果可以驗(yàn)證AEUniformer模型比基準(zhǔn)模型Uniformer具有更好的預(yù)測精度，評(píng)估指標(biāo)結(jié)果MAE、RMSE、 R² 分別為20個(gè)周期、25個(gè)周期、0.983，均達(dá)到最優(yōu)水平。而且所引入的額外參數(shù)量僅為Uniformer的 0.33% 。本文所設(shè)計(jì)的AGM、CoordAttention模塊對(duì)基準(zhǔn)模型的性能提升效果顯著。其中Uniformer的預(yù)測結(jié)果波動(dòng)最為劇烈，最大MAE為121個(gè)周期，最小MAE為12個(gè)周期，整體表現(xiàn)最差，且有7個(gè)電池的誤差高于40個(gè)周期，尤其是測試集中編號(hào)為16、22、23中的3個(gè)電池，這歸因于特殊循環(huán)條件和長壽命電池訓(xùn)練樣本的稀缺性，導(dǎo)致數(shù)據(jù)分布不平衡。AGM+Uniformer通過有效地加強(qiáng)模型自注意力機(jī)制的特征流動(dòng)，增強(qiáng)深層與淺層之間多尺度特征的全局維度交互，MAE下降近 35% ，RMSE下降近26% R² 提升近0.03；CoordAttention ⁺ Uniformer通過加強(qiáng)模型對(duì)參數(shù)、老化周期和循環(huán)階段的信息建模，對(duì)輸人特征圖中包含重要電池壽命信息的關(guān)鍵區(qū)域提取有價(jià)值的信息，MAE下降10個(gè)周期，RMSE下降9個(gè)周期， R² 提升近0.02。當(dāng)添加AGM或CoordAttention模塊后整體的MAE明顯下降，工況復(fù)雜、壽命長、誤差較大的電池的預(yù)測結(jié)果顯著提升，證明兩個(gè)模塊可以在不增加計(jì)算復(fù)雜度的情況下，降低信息損失并提高模型的特征提取能力，從而實(shí)現(xiàn)電池老化階段任何單個(gè)周期的RUL預(yù)測。

3.5對(duì)比試驗(yàn)

為了進(jìn)一步驗(yàn)證AEUniformer的精度和魯棒性，與先前先進(jìn)方法進(jìn)行比較，結(jié)果如表5所示。ElasticNet提取前100個(gè)周期的容量方差曲線和放電容量相關(guān)特征，沒有考慮到退化的時(shí)序信息，預(yù)測效果較差；膨脹卷積神經(jīng)網(wǎng)絡(luò)（DilatedCNN）方法[通過連接4個(gè)周期的老化數(shù)據(jù)獲得更高分辨率的輸入特征，使用DilatedCNN學(xué)習(xí)原始數(shù)據(jù)中的時(shí)間模式和電池參數(shù)之間的相關(guān)性，效果相比ElasticNet有所提升，但未實(shí)現(xiàn)老化信息的全局依賴；梯度提升回歸樹（GradientBoostingRegressionTree，GBRT）方法[12構(gòu)建并探索各種高成本高性能的特征，包括電壓、容量和溫度的相關(guān)特征，利用GBRT建立復(fù)雜的非線性電池動(dòng)態(tài)模型以實(shí)現(xiàn)有效的壽命預(yù)測；遷移學(xué)習(xí)并行混合方法（TransferLearningParallelHybrid，TLPH）[13]使用基于圖像的輸入和健康指標(biāo)的復(fù)雜特征工程組合來改進(jìn)現(xiàn)有的方法，但需要7366445個(gè)參數(shù)量實(shí)現(xiàn)MAE為47個(gè)周期的的預(yù)測結(jié)果，接近本文方法的7倍，而本文提出的模型從單個(gè)周期原始循環(huán)數(shù)據(jù)中獲取關(guān)鍵知識(shí)，而不依賴于高成本的手工特征，通過注意力增強(qiáng)機(jī)制更好地適應(yīng)不同場景下的數(shù)據(jù)復(fù)雜度和突然擾動(dòng)性，從有限的數(shù)據(jù)中高效地提取特征，最佳情況時(shí)可以實(shí)現(xiàn)MAE為20個(gè)周期和RMSE為25個(gè)周期，分別比現(xiàn)有模型降低 58%～70% 和61%～88% ，MAPE提升 8%～17% ，同時(shí)參數(shù)量減少2＼～6倍，實(shí)現(xiàn)了預(yù)測精度和成本的最佳平衡。

AEUniformer在使用壽命分別近 500，800，1200 1600個(gè)周期的部分測試電池的預(yù)測結(jié)果如圖7所示。對(duì)于1600個(gè)周期的長壽命電池而言，單個(gè)周期的退化通常并不顯著，難以提供足夠的信息用于精準(zhǔn)預(yù)測，而AEUniformer能夠從局部和全局的時(shí)空視角提取序列特征信息，抗干擾能力強(qiáng)，其注意力引導(dǎo)機(jī)制和CoordAttention可以進(jìn)一步提升特征提取能力，使得電池整個(gè)生命周期的預(yù)測誤差均維持在較低水平。 99% 的低于1200個(gè)周期的中短壽命電池的預(yù)測誤差均小于40個(gè)周期，這充分證明了本文的方法和模型可以準(zhǔn)確地預(yù)測工況復(fù)雜的電池RUL，尤其在退化后期，隨著鋰電池運(yùn)行周期和工作時(shí)長的增加，退化特征不斷增強(qiáng)，模型的預(yù)測精度更高。這些結(jié)果充分證明所提方法在不同充電策略下對(duì)整個(gè)有效壽命范圍內(nèi)的RUL預(yù)測具有較高的精度和較強(qiáng)的魯棒性，針對(duì)不同運(yùn)行工況和壽命范圍的電池均有較好的預(yù)測結(jié)果，可為電池管理系統(tǒng)提供有效的健康保護(hù)參考依據(jù)。

3.6泛化試驗(yàn)

為了驗(yàn)證所提出模型的魯棒性和泛化性，使用放電策略個(gè)性化的HZUST數(shù)據(jù)集進(jìn)行試驗(yàn)驗(yàn)證，試驗(yàn)結(jié)果如表6所示。與深度遷移框架CNN-LSTM-TL及ElasticNet做對(duì)比，AEUniformer可以從充電數(shù)據(jù)中自動(dòng)提取有價(jià)值的特征，使用鋰電池任意老化階段的30個(gè)周期數(shù)據(jù)作為模型的輸人，實(shí)現(xiàn)了在任何充、放電周期下的實(shí)時(shí)個(gè)性化健康狀況預(yù)測，達(dá)到了MAPE為8.72% 和RMSE為186個(gè)周期的預(yù)測結(jié)果，3個(gè)評(píng)價(jià)指標(biāo)結(jié)果均優(yōu)于ElasticNet，而且無需復(fù)雜的特征工程。而本文提出的AEUniformer同樣不需要高性能的手工特征，僅使用最少的5個(gè)老化周期就可以實(shí)現(xiàn)RMSE為52個(gè)周期，同時(shí)MAPE和 R² 分別是 6.16% 和0.91的最優(yōu)預(yù)測結(jié)果，充分證明了本文所提模型的泛化性和魯棒性。

3.7早期壽命預(yù)測試驗(yàn)

以上試驗(yàn)結(jié)果表明，AEUniformer在使用任何老化階段的數(shù)據(jù)預(yù)測電池RUL任務(wù)中具有優(yōu)越性和實(shí)用性，與此同時(shí)，最新研究可以根據(jù)一定范圍內(nèi)的初始循環(huán)數(shù)據(jù)評(píng)估電池的總使用壽命，實(shí)現(xiàn)批量估計(jì)和電池壽命篩選，對(duì)于加速電池技術(shù)發(fā)展、降低生產(chǎn)和維護(hù)成本、提高系統(tǒng)的安全性至關(guān)重要。因此，本文設(shè)計(jì)早期電池壽命預(yù)測試驗(yàn)驗(yàn)證AEUniformer在實(shí)際應(yīng)用場景中的穩(wěn)定性和可靠性，與3種先進(jìn)方法進(jìn)行比較。ElasticNet方法根據(jù)電壓作為容量函數(shù)的曲線，從前100次循環(huán)的退化數(shù)據(jù)中提取包括直接、演變和統(tǒng)計(jì)方面的18個(gè)手工制作的特征，并輸入到ElasticNet中進(jìn)行早期電池壽命預(yù)測。GBRT方法構(gòu)建并探索各種特征，包括電壓、容量和溫度相關(guān)特征，研究關(guān)鍵的超參數(shù)以實(shí)現(xiàn)最佳的GBRT預(yù)測。多階段時(shí)間序列處理框架（Multi-StageTimeSeriesProcessingFramework，MSTSPF）方法[14針對(duì)周期內(nèi)的電壓、電流、溫度和跨周期的放電容量提出一種基于注意力機(jī)制的MSTSPF，采用交叉注意力機(jī)制對(duì)特征進(jìn)行融合，進(jìn)一步提高預(yù)測性能，試驗(yàn)結(jié)果如表7所示。

觀察試驗(yàn)結(jié)果發(fā)現(xiàn)對(duì)于電池的早期壽命預(yù)測任務(wù)，所提出的框架具有更高的預(yù)測精度和更早的預(yù)測點(diǎn)，而且僅需使用早期的第1個(gè)測試周期的退化數(shù)據(jù)。在測試集上實(shí)現(xiàn)了MAE為29個(gè)周期，與其他3個(gè)方法相比降低了 36%～63% ，RMSE為40個(gè)周期，與其他3個(gè)方法相比降低了 59%～82% ，MAPE降低了 40%～65% 。

4結(jié)束語

本文提出了一種用于鋰電池RUL預(yù)測的深度學(xué)習(xí)網(wǎng)絡(luò)，鑒于鋰電池退化信息存在局部冗余和全局依賴關(guān)系問題，該網(wǎng)絡(luò)只需要退化過程中任意一個(gè)循環(huán)周期的數(shù)據(jù)就可以實(shí)現(xiàn)準(zhǔn)確快速的預(yù)測。首先，將充放電過程的單個(gè)周期數(shù)據(jù)組合成三維張量的輸人結(jié)構(gòu)，利用卷積操作的歸納偏置原理有效降低充放電階段的局部信息冗余；其次，利用Transformer的自注意力捕獲長距離依賴關(guān)系。通過注意力引導(dǎo)機(jī)制增強(qiáng)注意力內(nèi)部的信息流動(dòng)并最小化局部空間信息損失，使用CoordAttention模塊對(duì)特征參數(shù)、充放電階段、老化周期信息進(jìn)行動(dòng)態(tài)加權(quán)，實(shí)現(xiàn)對(duì)特征關(guān)系的全面建模。通過不同充電策略和不同放電策略的數(shù)據(jù)集進(jìn)行驗(yàn)證，證明了AEUniformer具有更高的準(zhǔn)確性，更快和更早的預(yù)測，以及更好的泛化性，在加速鋰電池的設(shè)計(jì)優(yōu)化、在線診斷和回收領(lǐng)域具有強(qiáng)大的潛力。

參考文獻(xiàn)

[1] ZHANG S Z，ZHAI B Y，Guo X，et al.Synchronous EstimationofStateofHealthandRemainingUsefulLifetime forLithium-IonBatteryUsingtheIncremental Capacityand Artificial Neural Networks[J].Energy Storage，2O19，26.

[2]YANGXG，LENGYJ，ZHANGGS，etal.Modelingof Lithium Plating Induced Aging of Lithium-Ion Batteries： Transition From Linear To Nonlinear Aging[J].Power Sources，2017，360：28-40.

[3]ZHAOB，ZHANGWG，ZHANGYR，etal.Researchon the Remaining Useful Life Prediction Method for Lithium-Ion Batteries by Fusion of Feature Engineering and Deep Learning[J].Applied Energy，2024，358.

[4]段慧云，夏威，邵杰，等.基于充電健康因子優(yōu)化和數(shù)據(jù)驅(qū) 動(dòng)的鋰電池剩余使用壽命預(yù)測[J].汽車技術(shù)，2024（1）：20- 26. DUAN H Y，XIA W，SHAO J，et al.A Data-Driven RemainingUsefulLifePredictionApproachforLithium-Ion Batteries Based on ChargingHealth Feature Optimization[J]. Automobile Technology，2024（1）：20-26

[5] ZHANG C F，DONG M X，OTA K R.Enabling Computational Intelligence for Green Internet of Things： Data-Driven Adaptation in LPWA Networking[J]. IEEE Comput.Intell.Mag.2020，15（1）：32-43.

[6]SEVERSONKA，ATTIAPM，JIN N，et al.Data-Driven PredictionofBatteryCycleLifeBeforeCapacity Degradation[J]. Nature Energy，2019，4（5）： 383-391.

[7] ZHAO W J， DING W， ZHANG S J， et al. A Deep Learning Approach Incorporating Attention Mechanism and Transfer Learning for Lithium-Ion Battery Lifespan Prediction[J]. Journal of Energy Storage，2024，75.

[8] HOUQ B，ZHOU D，F(xiàn)ENG J.Coordinate Attention for Efficient Mobile Network Design[C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition.Nashville TN USA．Nashville，IEEE，2021： 13713-13722.

[9]MAGJ，XUS，JIANGB，etal.Real-Time Personalized Health Status Prediction of Lithium-Ion Battries Using DeepTransferLearning[J].Energyamp; Environmental Science，2022，15（10）： 4083-4094.

[10]HSUCW，XIONGR，CHEN NY，et al.Deep Neural Network Battery Life and Voltage Prediction by Using Data of One Cycle Only[J].Applied Energy，2022，306.

[11] HONG J， LEE DH， JEONG ER， et al. Towards the Swift Prediction of The Remaining Useful Life of Lithium-Ion Batteries with End-To-End Deep Learning[J]. Applied Energy，2020，278.

[12] YANG FF，WANG D，XUF，ETal. Lifespan Prediction of Lithium-IonBatteriesBased onVariousExtracted Features and Gradient Boosting Regression Tree Model[J]. Journal of Power Sources，2020，476.

[13] COUTURE J，LIN X K. Image-and Health Indicator-Based TransferLearningHybridizationforBatteryRUL Prediction[J].EngineeringApplicationsofArtificial Intelligence，2022， 114.

[14] GAO MX，F(xiàn)EI Z C，GUODX，et al.A Multi-Stage Time SeriesProcessingFrameworkBasedonAttention Mechanism for Early Life Prediction of Lithium-Ion Batteries[J].Journal of Energy Storage，2O24，84. （責(zé)任編輯 王一）

修改稿收到日期為2024年6月6日。