多周期交互网络(MPINet)：基于周期-频率交互模块的锂电池健康状态(SOH)长时序精准预测新框架

本文提出多周期交互网络(MPINet)，创新性采用周期-频率交互(PFIN)模块，通过多层感知机(MLP)架构有效捕捉时间序列中重叠的多周期模式（如日/周/季节性周期），在锂电池健康状态(SOH)估计任务中实现了长期预测精度与计算效率的双重突破，为复杂时序预测提供了新范式。

　　

Highlight

我们的方法在锂电池健康状态(SOH)估计中展现出卓越的预测性能，其核心创新在于能够显式建模电池退化数据中固有的多周期模式。

Introduction

时序预测是能源系统、金融、气象和交通等众多领域的基础任务。这些领域中存在一个核心但尚未被充分探索的挑战——多周期模式的存在。这些模式以不同长度（如日周期、周周期、季节性周期）的重叠时间周期为特征，极大地增加了建模的复杂性，因为它们同时嵌入了短期依赖关系和长程时间相关性，这常常超出了传统预测模型的表征能力。

深度学习已成为捕捉非线性和高维时间动态的主导范式。卷积神经网络(CNN)、循环神经网络(RNN)、Transformer和多层感知机(MLP)等架构在各种预测任务中取得了显著成功。然而，大多数现有方法以统一的方式处理时间依赖性，要么是局部的，要么是全局的，而没有显式建模多个共存的周期成分。因此，在未来的动态不仅由近期观测值塑造，而且还由先前周期中结构对齐的点所塑造的场景中，它们的性能常常会下降。

为了应对这些局限性，我们引入了多周期交互网络(MPINet)，这是一种新颖的基于MLP的架构，旨在捕捉多个周期成分中的短程依赖关系和跨周期交互。MPINet的核心创新是周期频率交互(PFIN)模块，它能动态识别并隔离相关的周期结构，同时促进不同频带之间的交互。这种设计使模型能够联合学习局部依赖关系和跨周期对齐，从而在时间信息丰富的数据集中提升预测性能。

我们在锂离子电池健康状态(SOH)估计的背景下评估MPINet，这是一个具有代表性且高影响力的应用。锂离子电池广泛应用于便携式电子产品、电动汽车(EV)和电网级储能系统。由重复的充放电循环以及环境压力源引起的电池退化会导致容量衰减和内阻增加。准确的SOH估计对于确保电池管理系统(BMS)的安全性、效率和寿命至关重要。传统的估计方法，包括基于模型和基于实验的方法，通常依赖于特定领域的专业知识或昂贵的设备。相比之下，数据驱动方法利用可测量的信号（如电压、电流和温度），但仍然受到电池退化固有的多周期性质的挑战。这使得SOH预测成为评估先进时间序列模型的理想基准。

通过在真实世界电池数据集上进行大量实验，我们表明MPINet在预测精度和计算效率方面 consistently 优于最先进的基线模型。虽然SOH估计是主要应用，但MPINet被设计为一个通用预测框架，可以轻松扩展到多周期模式起关键作用的不同领域。

Results and discussion

在本节中，我们进行了大量实验来评估所提出方法的性能和效率。此外，我们还进行了消融研究和分析，以进一步揭示所提出方法的有效性。

Conclusion

在这项工作中，我们提出了MPINet，一个轻量级的基于MLP的框架，它通过周期-频率交互模块捕捉多周期动态。通过将信号重组为周期-频率网格，MPINet无需注意力机制即可学习周期一致的关系，在锂离子电池SOH预测中实现了最先进的准确性和效率。尽管前景广阔，该框架仍面临计算开销、不规则循环下的鲁棒性以及对足够（历史）数据的依赖等挑战。