MSWaveFuser：一种多尺度小波特征融合网络，用于锂离子电池健康状态评估

《Journal of Energy Storage》：MSWaveFuser: A multi-scale wavelet feature fusion network for the state-of-health estimation of Lithium batteries

锂离子电池健康状态估计方法研究，提出多尺度波let特征融合网络MSWaveFuser，通过MLAF模块实现不同时间分辨率特征自适应融合，WHP-Mixer结合时频分析技术处理电池多变量特征，MSCBlock模块提取局部与全局特征。在NASA和西安交大数据集验证，R2均超0.99。

　　锂离子电池因其体积小、能量密度高、自放电率低、循环寿命长以及相对环保等优势，广泛应用于电动汽车、智能设备、航空器等众多领域。随着电池使用频率的增加，其状态健康度（State of Health, SOH）的准确估计变得尤为重要，这不仅关系到电池的安全性，也影响着整个系统的性能表现。然而，目前的SOH估计方法在多尺度特征建模和时频信息融合方面仍存在一定的不足。为了克服这些局限性，本文提出了一种多尺度小波特征融合网络（MSWaveFuser），旨在提升电池状态健康度估计的准确性和可靠性。

SOH是衡量电池当前容量与额定容量之间比例的重要指标，通常用于判断电池是否已经老化并需要更换。当电池的SOH下降至80%或70%以下时，通常认为其性能已经受到影响，必须进行及时维护或更换。虽然电池容量是评估其性能的关键参数，但直接测量电池容量需要复杂的实验设备和条件，因此通常通过电压、电流、内阻等可获取的数据进行间接推断。这种间接推断的方式使得在复杂多变的条件下进行电池健康状态的估计成为一个重大挑战。

目前，电池SOH估计方法可以分为实验分析方法和间接估计方法。实验分析方法通常基于测量值进行数学计算，以估算电池的健康状态。例如，一些研究者通过改进开路电压和负载电压来补偿库仑损失，从而提高估计精度。然而，这类方法往往需要深度放电校准，这会加速电池的老化。相比之下，间接估计方法更关注于建立数学模型，通过物理或化学原理来推断电池的健康状态。例如，一些研究者结合自适应卡尔曼滤波和Thevenin等效电路模型，以解决模型对噪声的敏感性和初始误差的累积问题。然而，这些方法往往依赖于电池材料和化学结构的详细参数，且需要丰富的专业知识和经验。

近年来，随着人工智能技术的发展，基于数据驱动的SOH估计方法逐渐受到关注。这类方法具有较高的适应性和精度，且只需要对电池老化的基本原理有一定的了解。传统的机器学习方法，如线性回归、支持向量机、相关向量机和高斯过程回归等，已经被广泛应用于SOH估计。然而，这些方法在提取电池健康特征时，往往忽略了电池在充放电过程中全球动态特性对SOH的影响。随着深度学习技术的兴起，电压、电流和温度的变化可以被视为时间序列，而不仅仅是静态特征。例如，一些研究者将电压、电流和温度的变化曲线作为输入特征，利用卷积神经网络（CNN）进行SOH估计。尽管CNN在特征提取方面表现出色，但其在处理时间序列数据时存在一定的局限性。

为了解决这一问题，一些研究者引入了循环神经网络（RNN）及其变体，如双向门控循环单元（BiGRU），以处理序列数据。这些方法能够同时处理正向和反向序列，从而捕捉更完整的上下文信息。然而，当输入序列过长或过短时，可能导致冗余特征过多或关键特征不足的问题。为了解决这一瓶颈，Transformer模型引入了革命性的注意力机制，能够有效处理长序列数据，并被广泛应用于SOH估计。一些研究者结合CNN和Transformer，解决了局部特征与全局特征之间的协作问题。然而，也有研究指出，在某些常见基准测试中，简单的线性模型可能与Transformer及其变体表现相当，从而对Transformer在时间序列中的应用提出了质疑。

此外，一些研究者通过阻断时间序列并使用子序列块作为Transformer的输入，以解决时间序列在Transformer中的语义表示问题。另一些研究者则通过对时间序列进行下采样，提取不同尺度下的粗粒度和细粒度特征，进一步提升估计精度。然而，仅通过时间域分析，难以识别时间序列中隐藏的频率域成分。为此，一些研究者引入了频率域分析，通过傅里叶变换将特征序列从时间域转换为频率域，并结合DenseNet等特征提取网络，以提供频率域信息在SOH估计中的典型应用。然而，傅里叶变换可能会导致时间域信息的丢失，因为其无法确定特定频率域成分在时间序列中的具体位置。

近年来，一些研究者开始关注多尺度分析和时频分析技术在电池健康状态估计中的应用。例如，一些研究者提出了基于经验模态分解（Empirical Mode Decomposition, EMD）的框架，通过改进EMD来获取时频信息，并结合双通道网络进行学习，引入变分模态分解误差补偿机制以提升预测精度。另一些研究者则结合时频特征映射和时空神经网络，提出了一种数据驱动的SOH估计方法。他们利用连续小波变换生成时频特征映射图，并结合CNN、BiLSTM和注意力机制进行估计任务。这些先进的研究为本文的提出提供了重要的参考价值。

尽管已有大量关于电池SOH估计的研究，但仍然存在一些不足和挑战。本文提出了一种新的多尺度小波特征融合网络（MSWaveFuser），旨在解决这些挑战。本文的主要贡献包括以下几个方面：

首先，为了解决电池特征序列在退化过程中长期趋势与短期局部波动之间的平衡问题，本文设计了一种多级自适应融合模块（MLAF）。该模块通过下采样技术，从不同尺度重建特征序列，从而抑制冗余特征，增强有效特征。通过这种方式，模型能够更全面地捕捉电池退化过程中的关键信息。

其次，为了解决目前方法对电池特征序列的时间域或频率域信息考虑不足的问题，本文提出了小波分层块混合器（WHP-Mixer）模块。该模块利用小波变换的特性，将特征序列分解为不同频率的子序列分支，使得每个分支能够适应自身的时序模式，同时保留时间域信息，避免不同频率信息之间的混淆。通过多尺度块混合技术，该模块能够实现跨时间维度和变量通道的特征融合，从而更好地建模电池多维特征之间的耦合关系。最终，通过频率域重构，恢复原始信号，有效保留全频率信息，避免频率域信息的丢失。

第三，为了解决锂离子电池健康状态复杂演化模式的问题，本文设计了一种多尺度卷积块（MSCBlock）模块。该模块是一种针对时间序列数据的多尺度卷积结构，通过逐步扩展感受野，实现跨不同尺度的特征融合，从而实现对局部和全局特征的高效建模。

本文的结构如下。第二部分介绍了MSWaveFuser模型的方法和架构。第三部分介绍了实验设置，包括NASA电池数据集和Xi’an Jiaotong University（XJTU）电池数据集，并展示了MSWaveFuser与其他模型的比较结果，以验证模型的有效性。此外，通过消融研究和超参数敏感性分析，进一步验证了各个模块在健康状态估计中的关键作用。第四部分总结了本文的主要内容。

在数据构建方面，电池的充放电循环次数增加时，其电压、电流、温度和时间曲线也会随之变化，这是电池老化过程的直观体现。根据多项关于电池健康状态的研究，SOH值与电压、电流、温度和时间特征之间存在高度相关性。因此，通过分析这些特征的变化，可以有效评估电池的健康状态。例如，一些研究者指出，电池的电压变化曲线可以反映其退化过程中的关键信息，而这些信息在不同尺度下可能具有不同的表现形式。

在实验设置方面，本文的实验环境包括一个Intel i7-13700KF CPU、RTX 4060Ti GPU和Ubuntu 20.04操作系统。MSWaveFuser模型是基于PyTorch框架实现的。为了评估模型的有效性，本文使用了NASA和Xi’an Jiaotong University的电池数据集。为了全面评估所提出的方法，本文选取了十个具有代表性的对比模型，包括三种经典神经网络模型。这些模型的选取旨在提供一个全面的基准，以便更准确地评估MSWaveFuser的性能。

实验结果显示，MSWaveFuser在NASA数据集上的平均R2得分达到了0.9945，在Xi’an Jiaotong University数据集上的平均R2得分达到了0.996。这些结果表明，MSWaveFuser在电池健康状态估计方面具有较高的准确性。此外，通过消融研究和超参数敏感性分析，进一步验证了各个模块在健康状态估计中的关键作用。这些研究不仅证明了MSWaveFuser的有效性，也为未来的研究提供了重要的参考价值。

综上所述，本文提出的MSWaveFuser模型通过多级自适应融合、小波分层块混合和多尺度卷积块等模块，有效解决了电池健康状态估计中的多尺度特征建模和时频信息融合问题。实验结果表明，该模型在多个数据集上均表现出优异的性能，具有较高的应用价值。此外，本文的研究也为未来在电池健康监测和预测领域的进一步探索提供了新的思路和技术支持。