基于离散傅里叶变换-离散小波变换增强型Mamba模型的多温度电池状态转移估计算法

《Journal of Energy Storage》:A multi-temperature battery state transfer estimation method based on discrete Fourier transform-discrete wavelet transform enhanced Mamba model

【字体: 大 中 小 】 时间:2026年01月12日 来源:Journal of Energy Storage 10.7

编辑推荐:

  张凯毅|王行竹 中国湖南衡阳421001,华南大学资源环境与安全工程学院 摘要 环境温度变化引起的化学反应速率和内阻的显著差异,会大幅增加电池状态评估的预测误差。为提高不同温度条件下的估算精度,本研究提出了一种基于参数迁移学习的Mamba模型,用于同时估算电池的充电状态(SOC)

  张凯毅|王行竹 中国湖南衡阳421001,华南大学资源环境与安全工程学院 摘要 环境温度变化引起的化学反应速率和内阻的显著差异,会大幅增加电池状态评估的预测误差。为提高不同温度条件下的估算精度,本研究提出了一种基于参数迁移学习的Mamba模型,用于同时估算电池的充电状态(SOC)和能量状态(SOE)。在锂离子电池使用过程中,电池通常处于动态工作状态,电压、电流等信号具有非平稳特性,仅依靠传统时域方法很难有效提取关键特征。本文采用离散傅里叶变换(DFT)和离散小波变换(DWT)来提取电压、电流和温度的全局及局部频域特征,丰富电池的特征信息,提升模型对动态工作条件的建模能力。Mamba模型由于其独特的状态空间模型结构,既具备长序列建模能力,又能对电池的瞬态行为保持一定敏感性,因此非常适合在锂离子电池的动态工作条件下进行SOC和SOE估算。在25℃环境下,通过四种标准驾驶循环将Mamba架构与传统模型进行比较,结果表明其在联合状态估算方面更具优势。消融实验也证实,DFT和DWT能够提升模型对动态工作条件的适应能力。为使模型能够适应环境温度变化带来的影响,首先在25℃下的多种驾驶场景中对模型进行预训练,使其学习到电池的共同状态特征,然后再通过参数微调以适应不同的温度(-20℃、-10℃、0℃和10℃),从而降低温度变化导致的模型性能下降。实验验证表明,将该Mamba模型从25℃转移到四种不同温度下的多种驾驶循环中是有效的。所提出的方法在SOC估算中的平均绝对误差为2.856%,均方根误差为3.666%,而在SOE预测中的相应数值分别为2.808%和3.602%。这些结果证明了该模型通过有效的参数适配,能够在不同的温度梯度下保持较高的估算精度。引言 随着对传统化石能源需求的不断增加,环境问题日益严重[1][2]。以电化学储能为核心的清洁能源系统已成为向可持续能源过渡过程中的关键组成部分[3][4]。在各种储能技术中,锂离子电池因其出色的功率密度、长寿命和高效率,已成为清洁能源设备中最重要的储能装置[5][6]。在基于锂离子电池的储能系统中,准确监测电池状态对于确保安全和高效运行至关重要[7][8]。充电状态(SOC)和能量状态(SOE)是电池管理系统中的两个核心指标,直接反映了电池的可用容量以及可输出的能量[9]。然而,由于这些参数无法通过传统传感器直接测量,因此准确估算SOC和SOE对于提升锂离子电池的性能和延长其使用寿命具有重要意义。尤其是在不同的工作条件(如温度变化)下,精确估算SOC和SOE是充分发挥锂离子电池潜力、实现其最大价值的关键问题。充电状态(SOC)反映的是电池当前剩余的电量,准确估算SOC有助于电池管理系统避免过充或深度放电等危险操作,从而延长电池寿命[10][11]。而能量状态(SOE)则表示电池当前可释放的剩余能量,对于优化能量分配以及评估电池完成任务的能力至关重要[12]。SOC和SOE的估算方法主要可分为基于模型的方法和数据驱动的方法。基于模型的估算方法是通过建立电池的物理和化学模型来模拟其在实际工作条件下的性能,通常还会结合滤波算法来优化模型参数,从而实现SOC和SOE的准确估算。例如,王等人提出了一种结合粒子群优化与自适应平方根体积卡尔曼滤波(ASRCKF)的方法,用于识别并优化二阶等效电路模型中的参数,该方法已在不同温度、工作条件及初始SOC值下得到了性能验证[13]。此外,王等人还研究了一种改进的粒子群优化算法,结合立方卡尔曼粒子滤波(CPF),能够更准确地更新二阶RC等效电路模型参数,使得该算法在大规模储能锂离子电池上的SOC跟踪性能十分优异[14]。彭等人设计了自适应无迹卡尔曼滤波器以及多改进PBP等效电路参数识别方法,有效解决了电池单体一致性带来的影响,在不同条件下SOC估算的最小均方根误差为1.12%,最小平均绝对误差为1.08%[15]。张等人提出的截断奇异值分解CPF方法用于更新锂离子电池戴维南等效模型中的参数,证明了该算法在较宽温度范围内的强大SOC估算性能[16]。在能量状态估算方面,基于模型的方法同样会构建电池的能量模型并结合滤波算法。李等人探索了适用于串联锂离子电池组能量状态估算的自适应立方卡尔曼滤波器,提升了估算精度[17]。熊等人设计了一种双尺度粒子滤波方法,用于减少复杂噪声对电池模型的影响,使得该算法能够在不同类型和温度的电池上实现能量状态估算[18]。张等人则应用三阶扩展卡尔曼滤波算法,同时预测电池的最大可用能量和能量状态[19]。随着图形处理单元等硬件技术的发展,数据驱动的SOC估算方法因无需依赖精确的电池模型而受到广泛关注。李等人提出了一种基于卷积神经网络与长短期记忆网络混合结构的光伏储能系统SOC估算方案,通过在全天运行数据上的验证,表明CNN-LSTM在SOC估算方面具有较好的准确性[20]。此外,李等人还在CNN-LSTM模型中引入了多头注意力机制,以提取更深层次的特征信息,进一步验证了该方法在不同温度和工作条件下的有效性[21]。由于LSTM处理长序列的能力有限,易等人采用了去噪稳态Inception网络变换器模型,该模型不仅提高了SOC估算的准确性,还增强了模型的泛化能力。在不同类型的电池上的实验结果表明,该模型在SOC估算方面表现优异,且具有很强的泛化能力[22]。在能量状态估算方面,刘等人最初设计了简单的BP网络,用于在不同温度下估算能量状态[23]。在后续研究中,阮等人提出了一种改进的Informer-LSTM模型,该模型已在不同磁场强度和充放电率下的多项实验中得到验证,证明了其在复杂条件下的能量状态估算能力。不过,该模型结构复杂,训练时间较长,且对大量高质量数据的依赖性较高[24]。上述方法大多仅专注于单独估算SOC或SOE,无法全面反映锂离子电池的实际状态。为了更全面地了解电池状态,联合估算SOC和SOE逐渐成为研究的重点。基于模型的联合估算方法仍是这一领域的重要研究方向,例如贾等人提出的新型遗传边缘粒子滤波方法[25]、杨等人设计的模糊控制体积卡尔曼滤波方法[26],以及朱等人开发的有限记忆Sage Husa-cubic卡尔曼算法,这些方法都能有效降低噪声干扰,实现不同温度条件下的准确SOC和SOE估算[27]。然而,这些方法依赖于高度精确的电池模型,且难以适应不同类型电池的内部特性。为克服基于模型方法的局限性,人们开始越来越多地探索数据驱动的联合SOC-SOE估算方法。马等人验证了LSTM模型在不同条件下的可靠性[28],不过LSTM模型参数众多,且无法提取逆时间信息。吴等人提出了一种改进的CNN-BiGRU模型,该模型通过在学习放电过程中的逆时间信息,提升了SOC-SOE估算的精度和稳定性[29]。张等人则设计了高斯数据增强版的TimesNet模型,用于实现准确的联合估算[30]。尽管这些数据驱动的SOC-SOE联合估算方法已取得一定成果,但它们仍存在一些问题,比如对标记数据的依赖性强,以及温度适应性较差。在实际应用中,通过传统测量方法很难获得SOC和SOE的标记数据,这可能导致模型性能下降。而且大多数方法都是在固定的环境温度下进行训练和测试的,未能充分考虑温度变化对估算性能的影响。为解决现有SOC和SOE估算方法在特征表示以及环境温度变化方面的局限性,本文将Mamba模型与DFT和DWT技术相结合,用于共同估算锂离子电池的SOC和SOE。DFT提供的全球频谱能量、DWT得到的局部频域特征,以及原始的时域序列被输入到Mamba模型中,形成了能够更全面反映锂离子电池动态工作状态的时频联合特征。通过先对模型进行预训练,使其在电池放电过程中深入学习通用特征,再针对不同的温度环境进行微调,该方法实现了在不同温度条件下的SOC和SOE联合估算。本文的主要贡献如下:(1)DFT用于提取全局频域特征,反映电池在工作过程中的稳态特性;DWT则用于提取局部时频特征,反映动态工作条件下电压和电流的波动情况,二者共同为电池的工作状态提供了更为全面的描述。(2)Mamba框架融合了状态空间模型和深度学习的优点,无需增加模型复杂性,即可通过动态参数化灵活调整状态转换规则,从而更好地捕捉外部特征、全球频域特征以及锂离子电池的局部细节特征,进而实现SOC和SOE的准确估算。(3)该方法首先利用深度学习预训练技术,让模型学习在特定环境温度下锂离子电池的运行特性,再通过迁移学习方法,让模型能够在不同的环境温度下估算SOC和SOE,从而证明了该方法在不同温度条件下的适应性。本文的其余部分结构如下:第2节介绍SOC-SOE联合估算的相关理论;第3节描述实验中使用的电池数据;第4节验证所提出的SOC和SOE联合估算方法在不同环境温度及车辆行驶条件下的性能;第5节对全文进行总结。方法论 用于SOC-SOE联合估算的Mamba模型整合了DFT和DWT技术(即Mamba-DFT-DWT),并结合了迁移学习框架,其结构如图1所示。在预训练阶段,Mamba模型会在室温条件(25℃)下,通过DFT和DWT处理频域特征,并结合时域数据信息,学习锂离子电池的电流、电压及电池表面温度,从而捕捉电池在运行过程中的状态特征。实验数据 基于迁移学习的电池SOC和SOE估算需要大量的测量数据来进行模型训练。在下面的实验中,我们使用了公开可用的松下18650PF锂离子电池数据集,来验证所提出的SOC-SOE联合估算方法[42]。该数据集包含了在不同温度条件(-20℃、-10℃、0℃、10℃、25℃)下,以0.1秒的采样频率采集的电流、电压和电池表面温度数据。对于每个模型参数与评估指标 在本研究中,我们基于Linux操作系统,使用PyTorch 2.0.0深度学习框架,构建了用于SOC-SOE联合估算的Mamba模型迁移学习方法。模型训练过程中采用了均方误差(MSE)损失函数以及Adam优化器,用来更新模型的权重和偏置值。表1列出了Mamba模型的参数设置。为评估Mamba模型在不同条件下的电池SOC与SOE联合估算性能,本研究探讨了基于Mamba模型的参数迁移学习方法在锂离子电池SOC-SOE联合估算中的应用。为验证Mamba模型在联合估算方面的准确性,我们在25℃的环境温度下,通过四种不同的驾驶循环,将其与CNN、LSTM、GRU以及CNN-GRU等先进预测模型进行了比较。此外,为评估参数迁移学习方法在适应环境温度变化方面的有效性,我们还将该方法与其他模型进行了对比。

作者贡献声明:Kaiyi Zhang负责写作——审稿与编辑、写作——初稿、方法论、研究设计、形式分析、数据整理及概念构建;Xingzhu Wang负责可视化、验证、监督、软件使用、资源协调、项目管理及方法论工作。

利益冲突声明:作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

致谢:本研究得到了湖南省教育厅科学研究项目的支持(项目编号:24C0793),对此我们表示衷心的感谢。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号