基于改进TimesNet与健康因子动态提取的锂离子电池健康状态高精度估算法

本文提出创新框架Ster-PEATNet，通过自适应电压敏感窗口（AVW）动态捕捉增量容量分析（ICA）曲线特征，结合改进的TimesNet时序网络（引入低频掩膜与加权频选机制），实现锂离子电池健康状态（SOH）的多尺度耦合建模。实验显示该方法在XJUT和CALCE数据集上MAE<0.8%、R2>0.98，显著优于现有模型，为复杂工况下的电池管理系统（BMS）提供高鲁棒性解决方案。

　　

Highlight亮点

本研究突破性地开发了Ster-PEATNet框架，通过三大创新点解决电池健康监测难题：

1. 1.

   特征工程：针对传统固定电压区间划分导致的特征漂移问题，提出自适应电压敏感窗口（Adaptive voltage-sensitive window, AVW）技术。该技术像"化学雷达"一样动态追踪增量容量（IC）曲线的峰值（反映电极相变临界点）和谷值（体现锂离子扩散动力学转折点），结合改进的μ-Relief算法筛选高相关性健康因子（HIs），确保特征物理敏感性和时变鲁棒性。

2. 2.

   网络架构：基于TimesNet进行"神经-电化学"协同优化：

   • •

     低频噪声过滤：像"降噪耳机"般屏蔽与老化无关的高频干扰

   • •

     加权频选机制：动态聚焦电极相变高频信号和容量衰减低频趋势

   • •

     稀疏注意力：以"狙击镜"精度捕捉关键退化事件，降低计算复杂度

   • •

     自适应融合层：通过可学习参数β智能平衡主干网络与时序特征预测

3. 3.

   实战表现：在XJUT和CALCE数据集测试中，该方法展现出"全天候作战能力"——无论恒流恒压（CC-CV）充电还是多变工况，MAE和RMSE始终低于0.8%，R²稳定超过0.98，显著超越LSTM、GRU等传统模型。

Implementation of SOH estimation实施方法

如图7所示，该电池SOH监测系统如同"电化学体检中心"：

1. 1.

   数据预处理：采集充放电曲线后，通过ICA计算得到"电池心电图"——IC曲线

2. 2.

   特征提取：从IC曲线中筛选出8个健康指标（HIs），经μ-Relief算法精选5个核心特征

3. 3.

   模型训练：采用改进TimesNet构建"退化趋势预测引擎"，通过频域-时域联合分析实现多周期退化模式解耦

Experiment using XJUT-batch1 data实验验证

在XJUT-batch1数据集测试中（图12），该方法对4组电池样本（a-d）均展现出"毫米级"预测精度：

• •

  容量衰减轨迹预测误差带宽度<1.5%

• •

  突降容量拐点捕捉准确率提升40%

• •

  循环稳定性测试中R²达0.991，证明其"老中医"般的退化规律把握能力

Conclusion结论

该研究如同为BMS系统装上"电化学CT扫描仪"：通过AVW窗口实现电压区间智能分区，结合Ster-PEATNet的频域-时域"双通道分析"，显著提升了对不同老化阶段多尺度耦合特征的解析能力，为电动汽车"电池健康管家"提供了新一代AI解决方案。