基于牛顿能量调节优化器与多周期Transformer的锂离子电池健康状态高精度估计

《Energies》：NERO Transformer: Energy Regulated Newton Optimization for Lithium Ion Battery State of Health Estimation

　　**摘要**准确的锂离子电池健康状态（SOH）估计需要有效的时序退化建模和可靠的超参数优化。本研究提出了NERO-Transformer，一个将牛顿能量调节优化器（NERO）与多周期Transformer相结合的综合框架，用于高精度SOH估计。十二项充电衍生的健康指标被组织成20周期序列，以捕获退化演化和时间依赖性。NERO融合了动态能量调节、自适应算子选择和基于牛顿的精炼，以协调全局探索和局部开发，同时优化Transformer的学习率、注意力头配置和L2正则化系数。所提出的优化策略通过机制消融、16个基准函数和与九个代表性优化器的比较进行系统评估。在四个CALCE电池上的实验结果表明，NERO-Transformer分别达到了0.994、0.901、0.951和0.931的R2值，平均R2为0.944。相应的MAPE值范围为0.25%至0.27%，展现了较高的相对估计精度。在四个NASA电池上的进一步评估将实验评估扩展到额外的电池数据集。与Transformer、LSTM、BiLSTM、GRU和高斯过程回归的模型级比较为该框架的预测能力提供了补充证据。此外，重复运行分析通过经验百分位范围刻画了周期级预测的一致性。结果表明，将能量调节优化与时序注意力建模相结合是有效的，为准确可靠的锂离子电池健康评估提供了一种有前景的方法。