物理引导的特征协同Transformer用于电池健康状态估计

《Energy》：Physics-guided feature synergy transformer for battery state of health estimation

　　

本文提出了PGFS-Former模型，用于锂离子电池（LIBs）鲁棒的SOH估计。PGFS-Former通过多头交叉注意力机制（MHCA）捕捉不同健康特征之间的协同交互作用。皮尔逊相关系数（PCC）被集成到特征融合模块中以初始化模型注意力权重。PGFS-Former通过四个实验电池数据集进行了验证。

引言

锂离子电池（LIBs）因其高能量密度、长循环寿命和环境友好性，已成为电动汽车（EVs）、便携式电子产品和电网级储能系统中占主导地位的储能技术[1], [2], [3]。其广泛应用对于减少碳排放和推动可持续能源系统转型至关重要。然而，由于复杂的电化学-热-力多场耦合作用[4], [5]，锂离子电池在反复充放电循环中不可避免地会发生性能退化。这种退化表现为容量衰减和阻抗增加，最终导致性能下降、使用寿命缩短以及潜在的安全隐患。健康状态（SOH）是衡量电池老化程度的关键性能指标，并用于确定最佳回收时间[6]。形式上，电池的SOH定义为其当前老化状态下的最大可用容量与初始标称容量之比，表示为：其中Q_current表示当前循环中获得的最大放电容量，Q_nominal表示电池的标称容量。

准确且鲁棒的SOH估计是高级电池管理系统（BMS）确保运行可靠性、优化维护计划并实现安全二次利用的前提[7], [8], [9], [10]。由于SOH无法通过传感器直接测量，研究人员已开发出多种基于电压、电流和温度等可测量参数的估计方法。锂离子电池SOH估计方法可分为实验法、模型法和数据驱动法[11], [12], [13], [14]。

实验法包括库仑计数法、安时积分法和电化学阻抗谱（EIS）法，可提供准确且具有物理基础的SOH估计[15]。这些方法通常需要在受控的实验室条件下，使用特定的充放电协议或复杂仪器，使其难以适用于真实系统在线应用。

模型法通常涉及建立数学模型，如等效电路模型、电化学模型和经验模型，以捕捉锂离子电池的老化机理和动态特性[16]。这些模型需要老化相关参数，需要通过滤波算法不断修正，并结合物理、化学和电气规格。Ma等人[17]建立了一个分数阶二阶模型，其参数通过自适应遗传算法进行辨识，利用无迹卡尔曼滤波器实现了荷电状态与SOH的联合估计。虽然模型法具有物理可解释性，但常常面临参数漂移、对传感器噪声敏感和计算复杂度高等问题，限制了其在嵌入式BMS中的实际应用。

相比之下，数据驱动方法通过学习历史循环数据与电池SOH之间的非线性映射关系，绕过了对显式物理建模的需求。包括支持向量回归（SVRs）[18]、随机森林（RFs）[19]、循环神经网络（RNNs）[20]、卷积神经网络（CNNs）[21]和长短期记忆网络（LSTMs）[22]在内的机器学习和深度学习模型已被广泛应用于电池SOH估计领域。由于其强大的非线性表示能力，深度学习模型通常比传统机器学习模型在SOH估计方面取得更好的性能。最近，物理信息神经网络（PINNs）被引入电池健康预测领域，以弥合纯数据驱动模型与退化机理建模之间的差距。E等人[23]开发了一种基于LSTM的PINN，用于预测超级电容器的退化轨迹和剩余使用寿命，证明了物理约束在有限数据条件下提高预测能力的潜力。基于PINN的方法依赖于预定义的退化方程或发现的动力学特性，当所选的物理形式不能完全表征不同化学体系和操作协议下异质老化行为时，其性能可能受到影响。然而，如何在不过度增加网络深度的情况下有效建模长距离依赖关系仍然具有挑战性。借助编码器-解码器架构，Transformer可以通过自注意力机制和位置编码来解决这一问题，实现序列的并行处理和长期时间依赖关系的有效表示。Ardakani等人[24]将带外生变量的非线性自回归（NARXs）输入引入Transformer，以整合多个循环的数据和之前的健康预测，实现长期SOH估计。Li等人[25]提出了一种BiLSTM-Transformer模型，并利用恒流（CC）充电阶段电压曲线的四个特征，实现了锂离子电池在快充过程中的有效SOH估计。

由于随机运行条件和用户特定的使用习惯，锂离子电池的退化模式复杂且高度可变，这些数据驱动模型可以捕获多种健康特征（HFs）以进行建模学习。这些特征需要与电池老化高度相关。在充放电循环过程中，放电行为主要受动态用户习惯和不同运行条件的影响，导致更大的随机性和不确定性。相比之下，充电行为不易受外部环境干扰，表现出高度一致性和可重复性。因此，恒流（CC）充电阶段的特征随着电池老化表现出卓越的稳定性和规律性。基于这些观察，提取了三个退化知知的、具有物理可解释性的健康特征，即CC充电时间、平均CC充电电压和增量容量（IC）曲线的峰值。这些健康特征中与老化相关的变化反映了充电行为的可观测变化，从而在特征构建层面引入了物理引导，以实现鲁棒且具有可解释性的SOH估计。

尽管相关性分析被广泛用于特征选择，但其作为可学习特征权重的统计初始化策略的潜力在当前SOH估计框架中仍未得到充分探索。此外，尽管现有工作[26], [27]强调了特征工程和融合的重要性，但特征之间的协同交互作用——可能包含关于潜在退化机理的关键信息——往往被忽视。电池退化是一个复杂的耦合过程，涉及多种电化学机理[28]。与标准自注意力机制不同，标准自注意力机制中的查询、键和值均由同一输入表示生成，而多头交叉注意力（MHCA）机制允许当前特征表示有选择地关注另一个源自具有物理意义的健康特征的潜在记忆表示。这一设计特别适合电池SOH估计，因为提取的健康特征反映了不同的但耦合的退化特性。通过建模不同投影特征表示之间的依赖关系，MHCA提供了比标准自注意力机制更明确的方式来捕捉退化相关变量之间的协同效应。Zhu等人[29]设计了一种具有MHCA机制的模型，用于学习不可观测的潜在市场状态表示。通过捕捉时间特征和截面特征之间的交互作用，这些表示得到丰富，展示了该模型在真实金融环境中的有效性和实用性。Xiao等人[30]提出了GCE-MCAT框架，集成了图对比嵌入与MHCA，以解决跨域推荐中的数据稀疏性和流行度偏差问题。通过优化嵌入均匀性和采用动态特征融合，该方法有效促进了双向知识迁移，显著提高了模型在长尾项目上的性能并增强了推荐的创新性。此类机制在电池健康预测中用于显式建模特征协同效应的应用尚未得到充分探索。

鉴于上述差距，本文提出了一种基于编码器-解码器架构和多特征融合策略的物理引导特征协同Transformer（PGFS-Former）的电池SOH估计方法。主要贡献如下：
1）开发了一种退化知知的健康特征构建策略。提取了三个具有物理可解释性的健康特征，包括CC充电时间、平均CC充电电压和IC曲线峰值，并对其进行系统分析以构建可解释的输入空间，在特征构建层面提供物理引导。
2）提出了一种数据驱动模型PGFS-Former，用于在不同运行条件和化学成分下实现锂离子电池的长期SOH估计。其中，PGFS-Former的编码器-解码器架构中采用MHCA来捕捉健康特征之间复杂的协同交互作用，在模型训练过程中动态整合健康特征，使模型能够学习更全面的锂离子电池退化模式。
3）设计了PGFS-Former中由皮尔逊相关系数（PCC）初始化的自适应特征融合模块，以整合多个健康特征。PCC算法用于计算每个特征与电池SOH之间的线性关联，以初始化可学习的特征权重，为优化提供具有统计信息性的起点，提高了PGFS-Former的可解释性。

本文其余部分组织如下。第2节介绍了所提出的PGFS-Former。第3节概述了本文使用的数据集和健康特征。实验和相关对比结果也将在第3节中给出。第4节总结了本文并讨论了未来研究方向。

方法

本节详细介绍了所提出的PGFS-Former，这是一个专门设计的Transformer框架，用于利用从CC充电阶段提取的物理可解释性健康特征实现锂离子电池鲁棒的SOH估计。其设计理念根植于将时间序列建模与源自退化相关充电行为的物理引导特征构建相结合。如图1所示，预处理后的健康特征首先通过PCC初始化的自适应特征融合模块进行整合，然后……

实验与结果

本节评估了所提出的PGFS-Former模型在SOH估计中的性能。我们首先简要概述本研究中使用的数据集，随后详细描述特征工程。然后进行了与若干基线模型的对比实验和消融研究，以验证PGFS-Former关键组件的有效性。所提出的PGFS-Former模型和所有基线算法均在Python 3.8环境中实现……

结论

本文提出了一种新颖且鲁棒的深度学习模型PGFS-Former，用于锂离子电池的准确SOH估计。PGFS-Former中的PCC初始化的自适应特征融合模块和MHCA使模型能够在整合多个特征进行电池SOH估计时有效捕捉健康特征之间的协同关系。此外，由PCC初始化的自适应特征融合模块旨在自适应地选择那些表现出更强统计相关性的与退化相关的健康特征……

CRediT作者贡献声明
赵德准：写作-审阅与编辑、监督、方法论、调查研究、形式化分析。张怀滨：写作-审阅与编辑、写作-原稿撰写、验证、软件、方法论、调查研究。崔伶俐：写作-审阅与编辑、监督、方法论、资金获取。朱风华：写作-审阅与编辑、监督、方法论、调查研究

数据可用性声明
数据将根据要求提供。

利益冲突声明
? 作者声明不存在任何已知的竞争性经济利益或个人关系可能影响本文报告的工作。

致谢
本工作得到了国家自然科学基金的资助（52475081）。

张怀滨 | 赵德准 | 朱风华 | 崔伶俐