智能领域泛化的退役电动汽车电池健康状态评估方法研究

《Journal of Energy Storage》：Intelligent domain-generalized second-life EV battery state-of-health estimation

本文提出了一种针对退役电动汽车电池（SLBs）的智能领域泛化健康状态（SOH）估计方法。该方法通过结合Kolmogorov-Arnold网络与Transformer架构建立端到端SOH估计框架，并引入小样本迁移学习（FSTL）策略，利用贝叶斯优化进行参数调优，以应对不完全充放电数据和不同SOH域间的领域偏移问题。实验验证表明，该方法仅需不完全充放电数据即可实现精准的SOH评估，为退役电池在真实工业场景下的安全可靠应用提供了有效解决方案。

　　

Highlight

本文提出了一种针对退役电动汽车电池（Second-life Batteries, SLBs）的智能领域泛化健康状态（State-of-Health, SOH）估计方法。该方法通过结合Kolmogorov-Arnold网络与Transformer架构建立端到端SOH估计框架，并引入小样本迁移学习（Few-Shot Transfer Learning, FSTL）策略，利用贝叶斯优化（Bayesian Optimization）进行参数调优，以应对不完全充放电数据和不同SOH域间的领域偏移（Domain Shift）问题。

Section snippets

Problem formulation

由于在首次应用阶段存在不同的使用历史和运行条件，退役电池（SLBs）的退化水平表现出显著差异。令 B = [B₁, B₂, …, B_N] 表示一组退役电池，其中每个电池 B_i 具有独特的退化状态 SOH_i。在实际场景中，退役电池经常在随机充放电条件下运行，导致产生不完整的充电数据。对于每个电池 B_i，我们收集一系列部分充电片段数据：X_i = [X_i⁽¹⁾, X_i⁽²⁾, …, X_i^(c)]，其中每个 X_i^(c) 代表一个充电片段。

Experimental studies

为了验证所提出的退役电池SOH估计方法的有效性，我们在两个不同的数据集上进行了全面的实验：UCSD-XJTU-Nissan数据集和IECON数据集。与动态放电过程相比，充电过程表现出更高的稳定性。电压、电流和时间被优先作为分析目标，因为它们是充电过程中最容易获取的测量参数，并且与SOH退化密切相关。因此，我们使用充电数据进行分析。

Conclusion

本文提出了一种针对退役电池（SLBs）的智能领域泛化SOH估计方法，以解决不完全数据和领域偏移下的SOH估计挑战。为了全面捕捉具有不完全充放电数据的退役电池的退化信息，我们建立了一个集成Kolmogorov-Arnold网络与Transformer架构的端到端SOH估计框架。此外，该框架结合了FSTL策略，以在不同SOH域之间对齐特征分布。