一种基于混合深度学习的框架,用于在数据缺失的情况下联合估计船舶电池的健康状况和剩余使用寿命
《Journal of Energy Storage》:Hybrid deep learning-based framework for joint state of health and remaining useful life estimation of shipboard batteries against missing data
【字体:
大
中
小
】
时间:2026年04月15日
来源:Journal of Energy Storage 9.8
编辑推荐:
锂离子电池SOH与RUL联合估计框架融合多数据集特征对齐、退化感知数据补全及高级时序建模,提出MATGAN重构缺失数据,TDCN-Mamba捕获多尺度时序依赖,滑动窗口与特征标准化支持跨场景训练,实验表明MAE降低58.4%-61.9%。
邱艳西|文淑丽|杨向国|赵强|耿鹏|李学文
武汉理工大学海洋与能源动力工程学院,中国武汉,430070
摘要
由于传感器故障和遥测数据不完整导致数据缺失,船舶锂离子电池的健康状态(SOH)和剩余使用寿命(RUL)的估计会受到影响。现有的数据驱动方法在数据缺失时无法捕捉到非线性退化行为。本研究提出了一个统一的框架,用于联合估计SOH和RUL,该框架整合了多个数据集的特征对齐、退化感知的数据补全和先进的时间建模技术。开发了一种具有单调性感知的时间序列生成对抗网络,可以在保留与退化相关的时间结构的同时重建不完整的电池序列。一种定制的可变形卷积网络结合了选择性状态空间的Mamba模块,能够捕捉多尺度的时间依赖性和长期退化趋势。统一的滑动窗口表示和特征标准化流程支持跨数据集训练,使该框架在动态负载和恒定电流放电条件下都能保持有效性。在公开可用的和实验数据集上,与没有生成增强方法相比,该框架显著提高了估计精度,SOH的平均绝对误差(MAE)降低了58.4%,RUL的MAE降低了61.9%。同时,该模型在估计性能和计算效率之间保持了良好的平衡,表明其在船舶电池管理系统中具有很强的应用潜力。
引言
全球交通运输部门占燃料燃烧导致的碳排放的24%,这是全球变暖和气候变化的原因之一[1]。船舶领域的电气化是应对气候变化、提高能源效率和确保可持续发展的关键优先事项[2]。政府和行业利益相关者正在推广电动船舶的应用,尤其是在短途海运和内河航行中。锂离子电池因其高能量密度、长循环寿命以及能够支持主推进系统和辅助动力系统而成为船舶能源存储的首选方案[3]。它们在电动和混合动力船舶中的应用显著增加,为传统的柴油动力来源提供了替代方案[4]。
电池是船舶电动推进的主要能源。与依赖机械能转换的传统燃油发动机不同,电池驱动系统使用电能[5]。电动船舶具有运行噪音更低、维护要求更低以及在排放控制区域(包括港口和码头)运行的能力等优势[6]。这些优势的实现取决于电池系统的性能、可靠性和寿命。
电池管理系统(BMS)监控电池的运行状态。传统的BMS策略依赖于基本的估计规则,如电压或温度阈值,这些规则无法充分反映电池退化机制的复杂性[7]。船舶运行使电池承受动态负载、频繁的充放电循环和变化的环境条件,这些因素会加速锂离子电池的退化,并影响电池系统的健康状态(SOH)和剩余使用寿命(RUL)[8]。SOH表示电池当前容量与其制造时的额定容量之比;由于化学反应、热效应和反复的充放电循环,它会随时间逐渐下降[9]。RUL表示电池在被认为不再适用之前可以进行的剩余循环次数[10]。准确估计RUL对于确定何时需要维护、更换或充电至关重要。
此外,锂离子电池在海洋环境中的应用面临与陆地场景不同的独特挑战[11]。与陆地上的电动汽车面临的挑战相比,这些独特挑战包括数据可用性有限和环境条件更为恶劣[12]。此外,海洋环境中经常遇到通信不规律的问题,如数据丢失、延迟和传感器间歇性可用。特殊的环境因素可能会加速电池老化,增加安全风险,并对BMS提出更高的要求。因此,准确估计SOH和RUL是一个紧迫的挑战[13]。
电动船舶的电池在长期运行过程中会经历复杂的过程[14]。准确估计其性能和寿命对于确保航行安全、优化能源管理和降低维护成本至关重要[15]。已经开发了多种方法来估计SOH和RUL,每种方法都有其独特的优势和挑战。这些方法通常分为传统的基于模型的方法和数据驱动的方法[16]。
传统方法基于经验模型、基于物理的模型、基于滤波器的方法和混合方法。经验模型依赖历史数据和趋势提取来预测未来性能;然而,它们的准确性受到数据可用性和质量的限制。基于物理的模型模拟电池的电化学行为,并提供关于退化机制的详细见解;然而,它们计算成本较高,需要大量的参数校准[17]。基于滤波器的方法,如卡尔曼滤波器(KF)和粒子滤波器(PF),通过不断用实时测量值更新估计值来估计电池状态[18]。KF在高斯噪声的线性系统中表现可靠,而PF可以处理非线性和非高斯特性,但计算成本显著更高。混合方法旨在结合经验模型、基于物理的模型和基于滤波器的模型的优势。然而,这些方法在准确性和泛化能力方面存在局限性,特别是在运行条件变化较大的实际应用中。
人工智能和大数据分析等先进技术的发展为数据驱动建模创造了新的机会[19]。数据驱动方法依赖于大量数据和强大的处理器,而不需要了解电池的复杂内部机制。机器学习算法,包括支持向量机、随机森林和神经网络,在估计电池SOH和RUL方面显示出比传统方法更高的潜力[20],[21]。通过分析历史数据,这些模型可以揭示电池性能和退化中的隐藏模式,从而实现更可靠的联合估计[22]。最近的研究进一步探索了交互式混合框架,将离线深度序列学习与在线基于模型的校正相结合,例如将BiLSTM与自注意力和无迹卡尔曼滤波相结合,以迭代改进电池RUL的估计[23]。其他混合方法将基于滤波器的估计器与深度卷积架构相结合,例如将UKF-PF混合估计器与具有注意力和多尺度跳跃连接的增强型卷积神经网络相结合,以改进非线性退化跟踪和特征提取[24]。此外,基于时间卷积和注意力机制的混合时间学习策略在复杂非线性序列预测中也表现出强大的能力,进一步证明了混合时间特征提取框架的有效性[25]。
尽管有这些优势,但模型训练需要高质量的数据集是一个主要挑战[26]。可用的数据通常有限、不完整或噪声较大,这可能会降低准确性[27]。常见的数据增强方法可以分为两大类:经典方法和高级方法。经典方法涉及简单的随机变换和数据组合。对于时间序列数据,可以通过时间线上的随机缩放、平移或插值生成新样本[28]。高级方法通常利用机器学习和神经网络技术[29]。尽管这些方法需要更多的计算资源和复杂的算法设计,但它们可以显著提高模型性能和泛化能力,特别是在高维度、复杂或不平衡的数据集上[30]。
本研究提出了一个统一的框架,用于在退化感知的数据补全方案下联合估计SOH和RUL。该框架减轻了数据缺失对估计性能的负面影响,并增强了时间学习能力,支持在各种条件下的稳定运行。主要贡献总结如下:
(1)将典型的时间序列生成对抗网络(TimeGAN)架构重构为具有单调性感知的时间序列生成对抗网络(MATGAN),该网络结合了多尺度时间对齐、退化感知的约束和单调性引导的潜在动态。这些增强使得生成器即使在数据缺失的情况下也能保持不可逆的老化趋势,并重建物理上连贯的电压-电流轨迹。
(2)通过定制的卷积架构增强了下游估计器,该架构通过可学习的膨胀偏移和多尺度特征融合扩展了感受野。通过集成受Mamba选择性状态机制启发的状态空间层,增强了长距离时间依赖性建模,从而形成了统一的定制可变形卷积神经网络(TDCN)-Mamba估计器。
(3)滑动窗口表示和特征标准化流程支持跨复杂电池数据集的联合训练,显示出对传感器数据中断的鲁棒性。
本文的其余部分组织如下:第2节介绍了联合估计模型的配置,第3节描述了电池数据集和特征预处理,第4节详细介绍了案例研究,第5节提出了结论。
方法论
在船舶能源存储系统中,缺失的测量值和碎片化的时间序列记录很常见,导致电池数据中的退化轨迹不连续和时间模式失真。这种数据不完整性给准确的SOH和RUL估计带来了挑战。大多数现有的数据驱动方法依赖于连续的观测和完整的特征序列来学习退化的演变。当这些假设被违反时,缺失的数据会干扰时间
电池数据集
电池数据集来自丰田研究所和麻省理工学院,以及模拟船舶运行条件的实验室实验。公开可用的数据集包括在30°C温度控制的腔室中循环的锂铁磷酸盐电池。本研究选择了标记为b3c0的电池进行详细分析。每个电池的标称容量为1.1 Ah,标称电压为3.3 V。
一艘全电动船舶
结果与讨论
本节对提出的MATGAN-TDCN-Mamba框架在不同放电条件和受控的缺失数据设置下的性能进行了全面评估。使用了四个数据集来表示动态负载放电曲线和CC循环行为。设计了两个互补的评估案例。首先,通过将MATGAN与代表性的基线(包括插值、统计插补等)进行比较,检验了数据补全阶段的有效性
结论
本研究提出了一个统一的框架,用于联合估计锂离子船舶电池的SOH和RUL,该框架结合了MATGAN来补全缺失数据,以及TDCN-Mamba估计器来进行先进的时间建模。该框架能够在动态运行条件下捕捉短期退化波动和长期时间依赖性,同时在不完整测量的情况下保持效率。
主要发现包括以下内容:(i) 一种退化感知的数据补全策略
CRediT作者贡献声明
邱艳西:撰写——原始草稿,验证,方法论,正式分析。文淑丽:撰写——审阅与编辑,监督,软件,资源。杨向国:监督,资源获取,正式分析。赵强:撰写——审阅与编辑,可视化,验证,调查。耿鹏:资源,正式分析,数据管理。李学文:撰写——原始草稿,软件,调查,概念化。
利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
致谢
本工作得到了中国自然科学基金的支持,授予编号为52177101的资助。
生物通微信公众号
生物通新浪微博
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