锂离子电池健康状态评估的混合数据驱动模型：聚焦容量恢复现象

本文提出了一种针对锂离子电池容量恢复现象的混合数据驱动模型，通过卷积神经网络（CNN）特征提取、经验模态分解（EMD）数据分拆、支持向量回归（SVR）全局趋势评估及注意力机制局部波动分析四模块协同，显著提升了健康状态（SOH）预测精度。模型创新性引入ViT架构量化容量恢复的不确定性，并通过双损失策略增强特征多样性，为电池管理系统（BMS）的可靠性优化提供了新思路。

　　

Highlight

本研究构建了专注于电池容量恢复现象的混合模型，通过经验模态分解（EMD）从电池退化趋势中提取表征容量恢复的局部波动，并创新性地采用视觉变换器（ViT）架构评估局部波动，实现更精准的量化分析。

Problem description and the proposed model

本节阐述了研究问题并提出SOH评估的混合模型架构。模型通过CNN自动提取高区分度特征，EMD分解全局退化趋势与局部波动成分，分别由SVR和注意力机制模块处理，显著提升容量恢复场景下的评估鲁棒性。

Dataset and data preprocessing

采用NASA艾姆斯预测中心开源数据集，通过重采样和重构原始数据格式的预处理流程，有效降低计算负荷并抑制过拟合风险，增强模型兼容性。

Experiments and results

实验对比表明，本模型在SOH预测误差（RMSE<1.5%）和特征多样性指标上均优于传统神经网络。双损失策略使CNN提取的特征兼具高相关性（Pearson系数>0.9）和低冗余度。

Conclusion

针对容量恢复导致的评估难题，本模型通过EMD-ViT架构创新性解耦全局/局部退化模式，结合CNN双损失特征提取策略，为复杂工况下的电池健康管理提供了可解释性强的解决方案。

CRediT authorship contribution statement

作者贡献声明：林宇负责审阅与监督；周洛主导方法论与实验；严建海参与模型设计；何曙光负责基金支持与概念框架。

Declaration of competing interest

作者声明无潜在利益冲突。

Acknowledgments

感谢国家自然科学基金（72032005、72231005、72501183）和中英联合研究项目（72261147706）的资助支持。