编辑推荐：
推荐阅读！本文提出了一种基于深度学习的电动汽车（EV）电池健康状态（SOH）预测框架（EEMB-HiFA）。通过创新的两级模式分解（TSMD）方法提取有效模式，结合多分支网络与分层融合注意力机制，实现跨多车辆和任务的精确预测，为 EV 电池管理提供关键技术支持。
### 研究背景
电动汽车（EV）在全球汽车市场增长迅猛，锂离子电池（LIBs）作为其动力源至关重要。电池健康状态（SOH）是衡量 LIBs 性能的关键指标，准确预测 SOH 对优化 EV 性能、确保安全可靠运行意义重大。然而，EV 电池组数据存在噪声和复杂性，传统基于实验室数据的 SOH 估计方法难以适用。本研究旨在开发一种综合深度学习框架，解决这些挑战，实现更有效的数据驱动的 EV 电池组 SOH 预测。
研究方法
- 问题公式化：在车载电池管理系统（BMS）中，实时测量电池组的电压（Vi）、电流（Ii）、荷电状态（SOCi）等数据。研究目的是构建从 LIBs 原始参数到 SOH 的非线性映射f(?)，并将原始数据重组为多分支输入结构，包括电池组和电池单元级别的外生输入以及内生输入。
- 数据描述与可视化：研究使用了来自七个电动公交车的现场数据集，包含 1200 多万行原始数据，采样频率为 0.1Hz。数据涵盖 95 个属性，重点关注与电池运行相关的属性。通过自动化深度学习方法对原始数据进行特征工程，并对充电过程中的数据进行处理和可视化，展示电池性能的相关特征。
- TSMD 识别 SOH 降解模式：由于直接计算的 SOH 值存在噪声，提出两级模式分解（TSMD）方法。该方法先采用变分模态分解（VMD）降低振荡幅度，再应用经验模态分解（EMD）获取精确的降解模式。通过与其他方法对比，TSMD 在提取 SOH 降解模式方面表现更优。
- 特征提取：开发内生外生多分支网络（EEMB）进行特征工程，包括基于电池组的时间卷积网络（TCN）分支、基于电池组的 LeNet5 分支、基于电池单元的卷积神经网络（CNN）分支和基于历史 SOH 的长短期记忆网络（LSTM）分支。通过消融实验评估各分支和 EEMB 结构在电池 SOH 预测中的有效性。
- 特征融合与选择：设计分层融合注意力机制（HiFA），自动融合和选择潜在特征，提高特征与目标标签的相关性。通过消融研究验证 HiFA 机制的性能，结果表明其能有效提高预测准确性和稳定性。
- 预测与对比：使用四层多层感知器（MLP）网络进行 SOH 预测，并与六个基准模型对比。结果显示，EEMB-HiFA 在所有任务中均显著优于基准模型，展示了其在处理现场数据和预测 SOH 方面的优越性。
研究结果
- 预测性能：EEMB-HiFA 在预测任务中表现出色，能够可靠地追踪不同 EV 的电池降解模式。例如在任务 1 中，对三个测试 EV 的预测结果显示，训练模型能有效捕捉降解模式，证明其在监测 EV 电池老化方面的有效性和适应性。
- 基准对比：与包括极端梯度提升（XGBoost）、支持向量回归（SVR）等在内的六个基准模型相比，EEMB-HiFA 在均方误差（MSE）、均方根误差（RMSE）和平均绝对误差（MAE）等指标上有近一个数量级的提升，展示了其卓越的性能和稳健性。
研究讨论
本研究提出的 EEMB-HiFA 框架在处理嘈杂现场数据和实现准确、自适应的实时 SOH 预测方面取得显著进展。该框架具有高准确性、强适应性和快速推理等优点，为车载应用提供了广阔潜力。然而，研究也存在局限性，如数据来源相对单一、SOH 计算方法存在误差等。未来研究将聚焦于收集更多多样化的数据，开发更先进的方法提高预测准确性，并在更多类型的 EV 数据集上验证模型的适应性。
