一种鲁棒且计算高效的脉冲神经网络-双向长短期记忆网络混合架构，用于磷酸铁锂电池在快速充放电条件下的健康状态预测

《Journal of Energy Storage》：A robust and computationally efficient hybrid spiking Neural Network-Bidirectional Long Short-Term Memory architecture for State of Health prediction of Lithium Iron Phosphate batteries under fast charging and discharging

　　- 用于鲁棒SOH预测的混合SNN-BiLSTM架构。- 集成类脑脉冲编码以减少噪声。- 使用MIT-Stanford-Toyota电池数据集进行验证。- 计算高效的架构及其在实时BMS实施中的潜力。## 引言锂离子电池已成为现代储能系统的支柱，为从电动汽车到电网级可再生能源整合等各类应用提供动力。其广泛应用主要得益于其高能量密度、长循环寿命和可靠性能[1]。然而，锂离子电池因复杂的电化学、热学和机械过程而随时间逐渐退化。这种退化表现为容量衰减、内阻增加、电压极化增强和异常热行为，若未妥善监控，将对安全关键应用构成挑战[2]。准确预测健康状态具有挑战性，因为电池退化具有非线性和时间依赖特性[3]。在现实应用中，传感器噪声、测量不确定性和操作变异性进一步加剧了这一复杂性。因此，鲁棒的SOH预测对于确保高级电池管理系统的可靠性和寿命至关重要[4]。SOH预测方法传统上分为基于物理和数据驱动的方法[5]。基于物理的模型，如等效电路模型和基于滤波器的模型，用于电池管理系统中的状态估计。Gregory L. Plett奠定了现代电池管理系统状态预测的基本架构[6]。然而，这些方法面临一个根本性挑战：它们通常将电池测量视为孤立的数学信号。然而，电池是一个动态的电化学系统。虽然基于物理的模型提供了深入的物理见解，但它们通常计算量大，需要大量的参数标定[7]。这些因素限制了它们在实时部署中的适用性，尤其是在高级嵌入式电池管理系统中[8]。相比之下，由于数据驱动方法从高维历史数据中映射非线性退化轨迹的能力更强，它们逐渐取代了基于物理的模型[9]。历史上，经典机器学习框架，如支持向量回归和高斯过程回归，以及双向门控循环单元，提供了初步结果。然而，它们的性能从根本上受到对人工特征工程强烈依赖的限制[10]。此外，经典机器学习方法通常将充电周期视为独立样本，忽视了准确的SOH预测所必需的累积电化学记忆和时间依赖性。为克服这些架构限制，深度学习架构，特别是循环神经网络和长短期记忆网络，已被广泛采用。通过维持内部隐藏状态，这些模型有效地捕捉了电池生命周期中固有的时间依赖性[11]。因此，仍然存在对算法效率的迫切需求，以在嵌入式车辆控制器的严格能量和硬件限制下平衡预测深度[12]、[13]。为解决预测准确性和架构效率的挑战，本研究提出了一种新颖的混合脉冲神经网络架构，将类脑计算与双向时间建模相结合。新兴的类脑计算领域，包括脉冲神经网络[14]，通过离散的、事件驱动的脉冲事件而非连续浮点激活来处理信息[15]。它具有泄漏积分与放电机制。这种事件驱动范式实现了高水平的稀疏性，减少了计算开销和能耗。此外，脉冲神经网络的基于阈值的放电机制本质上提高了对噪声的鲁棒性，使其非常适合处理现实世界的传感器数据。然而，单独的脉冲神经网络在建模准确SOH预测所需的长期时间依赖方面能力有限[16]。本研究提出了一种混合脉冲神经网络架构，将类脑脉冲编码与双向时间建模相结合。具体来说，首先使用泄漏积分与放电机制将来自MIT-Stanford-Toyota磷酸铁锂电池数据集的一组17个健康指标[17]转换为稀疏的基于脉冲的表示。这种脉冲编码减少了冗余信息并增强了对测量噪声的鲁棒性。编码后的脉冲序列随后由双向长短期记忆网络处理，该网络捕捉退化过程中的双向时间依赖性。所提出的混合架构旨在弥合预测准确性和计算效率之间的差距。并通过将事件驱动的脉冲编码与双向时间建模相结合，该架构能够在保持低计算开销的同时实现准确的SOH预测，使其适合在嵌入式电池管理系统中进行实时部署。本研究的主要贡献如下：- 一种新颖的混合脉冲神经网络架构，将计算效率与双向时间建模的预测能力相结合。- 一种类脑特征编码策略，将连续电池信号转换为稀疏脉冲序列，提高噪声鲁棒性并减少计算冗余。- 一项全面的实验评估，证明所提出的架构在保持高度计算稀疏性的同时实现了高预测准确性，突出了其在实时低功耗电池管理系统应用中的适用性。本文其余部分组织如下：第2节回顾了电池SOH预测的相关工作。第3节描述了数据集和特征提取过程。第4节介绍了混合架构。第5节讨论了实验结果，第6节总结了论文并提出未来研究方向。## 章节片段### 相关工作SOH预测已从基于物理和经典机器学习方法逐步转向能够捕捉锂离子电池非线性老化的深度学习框架[13]、[18]。经典机器学习方法面临一个根本性挑战，因为它们倾向于将电池测量视为孤立的数学信号。它们忽视了电池并非静态电气元件，而是一个动态电化学系统的物理现实，其当前状态反映了其整个操作历史。通过忽略……### 方法论本节介绍了所提出的用于SOH预测的混合脉冲神经网络框架的架构设计。整体架构由三个主要部分组成：（i）输入特征表示，（ii）基于脉冲的编码层，以及（iii）基于双向长短期记忆网络的时间学习模块。随后使用专门的损失函数公式和训练策略对该架构框架进行优化，以确保准确的SOH预测。混合脉冲神经网络框架的集成流程如下：### 结果与讨论本节对用于SOH预测的脉冲神经网络架构进行了全面评估。根据训练性能、预测准确性、噪声鲁棒性和计算效率对模型进行评估。所有实验均使用定义的磷酸铁锂电池数据集进行，并将模型性能与几个基线模型进行了比较。训练和验证损失曲线显示低值和有限变化，如图3(a)和图3(b)所示。### 结论本研究提出了一种混合脉冲神经网络架构，以改善加速4C充放电条件下磷酸铁锂电池SOH预测中预测准确性和计算效率之间的平衡。通过将事件驱动的泄漏积分与放电脉冲编码与双向时间学习相结合，所提出的架构旨在捕捉非线性退化行为，同时减少推理期间的计算复杂性。脉冲神经网络前端生成稀疏的、事件驱动的……### 作者贡献声明**Shevil K. Mehta：** 撰写——原稿，可视化，软件，资源，项目管理，方法论，调查，形式分析，数据管理，概念化。**Heidi S. Nyg?rd：** 撰写——审阅与编辑，监督。**Jagath Sri Lal Senanayaka：** 撰写——审阅与编辑，监督。### 生成式人工智能使用声明在准备本工作期间，我使用了Google Gemini和ChatGPT来协助内容组织、语言和整体可读性，并确保符合期刊投稿指南。所有建议的内容均经我审阅和编辑，我对出版物的内容承担全部责任。### 利益冲突声明作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文所报告的工作。Shevil K. Mehta | Heidi S. Nyg?rd | Jagath Sri Lal Senanayaka