基于CNN-CBAM-LSTM的退役锂离子电池最大剩余容量快速估算方法 李艾青(Aqing Li)、 崔鹏浩(Penghao Cui)、 曹一飞(Yifei Cao)、 周鹏(Peng Zhou)、 杨磊(Lei Yang)、 边国臣(Guochen Bian) 邵振东(Zhendong Shao)

《Batteries》:Rapid Estimation for the Maximum Remaining Capacity of Retired Lithium-Ion Batteries Based on CNN-CBAM-LSTM Aqing Li, Penghao Cui, Yifei Cao, Peng Zhou, Lei Yang, Guochen Bian and Zhendong Shao

【字体: 大 中 小 】 时间:2026年04月21日 来源:Batteries 4.8

编辑推荐:

  **摘要** 随着退役锂离子电池(RLB)数量的持续增加,准确估计其最大剩余容量(MRC)已成为快速分类和二次利用的关键挑战。传统的检测方法通常效率低下,且难以扩展到大规模应用。为了解决这些问题,本文提出了一种基于混合卷积神经网络(CNN)、卷积块注意力模块(CBAM)和长短

  **摘要**
随着退役锂离子电池(RLB)数量的持续增加,准确估计其最大剩余容量(MRC)已成为快速分类和二次利用的关键挑战。传统的检测方法通常效率低下,且难以扩展到大规模应用。为了解决这些问题,本文提出了一种基于混合卷积神经网络(CNN)、卷积块注意力模块(CBAM)和长短期记忆(LSTM)架构的快速MRC估算方法。该方法仅从初始30分钟的充电阶段提取关键的电压和容量特征,整合了工厂和实验室的数据。具体来说,CNN捕获局部时间模式,LSTM模拟长期依赖性,而CBAM则自适应地突出关键特性。实验结果表明,该方法显著优于传统方法,测试R2值为98.05%,平均绝对百分比误差(MAPE)为1.60%。这些结果凸显了所提出框架的优越性能,展示了其在高吞吐量电池分类和大规模健康监测系统中的巨大潜力。

**1. 引言**
新型能源车辆的全球快速采用导致了退役锂离子电池(RLB)数量的急剧增加,这使得高效准确地评估其最大剩余容量(MRC)成为可持续回收和梯级利用的关键挑战。2023年中国退役动力电池的总量已超过40 GWh,并在2025年超过了100 GWh。电池通常在容量下降到标称值的80%以下时被退役,但它们通常仍保留足够的MRC以用于二次应用。因此,准确的MRC估算对于最大化资源效率至关重要。然而,当前的行业标准需要进行完整的充放电循环测试,每个电池需要长达10小时,这不适合大规模筛查。此外,主流的MRC估算方法主要依赖于新电池的稳定、长期数据,无法解决退役电池群体复杂且高度异质的MRC分布问题。

现有的估算技术在这一点上有显著局限。基于模型的方法,如电化学阻抗谱(EIS),虽然精度高,但需要专用仪器和严格的实验室条件[1,2]。增量容量(IC)分析更易获取,但对测量噪声和操作变化非常敏感,限制了其在实际分类场景中的鲁棒性[3,4]。数据驱动的机器学习方法减少了对物理模型的依赖,但通常需要人工设计的特征和广泛的全生命周期训练数据[5]。最近的深度学习进展,特别是卷积神经网络(CNN),能够从部分充电数据中自动提取特征[6,7],并将其与长短期记忆(LSTM)网络结合使用,提高了时间建模能力[8]。注意力机制,如卷积块注意力模块(CBAM),进一步增强了模型对输入数据关键部分的关注[9]。

随着CNN和LSTM架构的发展,最新的序列到序列学习技术引入了自注意力机制和基于Transformer的模型用于电池健康预测。例如,Ardakani等人[10]开发了一种动态NARX Transformer,利用多循环数据进行长期健康状况(SOH)估算,表现出捕获长期依赖性的能力。类似地,Hou等人[11]提出了一个受物理信息约束的改进版Transformer模型,用于联合预测SOH和剩余使用寿命,而Zhang等人[12]结合多特征提取和改进的Transformer进行多步健康预测。此外,为了满足工业梯级利用的高吞吐量需求,越来越多的研究倾向于使用部分充电数据而不是完整循环数据。Chen等人[13]提出了一个自注意力知识领域适应网络,能够在浅循环条件下准确估算电池健康状态,展示了注意力机制在从未标记的部分充电曲线中提取退化特征方面的有效性。

尽管有这些有前景的发展,但通用的Transformer模型在应用于短固定长度轨迹时往往引入了显著的计算开销和参数冗余。这种高算法复杂性限制了它们在资源有限、需要快速推理的实时工业分类系统中的直接应用[14]。因此,开发一种轻量级但高度敏感的混合网络,既能实现先进的特征提取能力,又能保证计算效率,对于大规模退役电池的筛查来说是一个迫切的需求。

为了解决这一关键需求,本文提出了一种新型MRC估算框架,仅需要电池充电的前30分钟数据。

**2. 方法论**
**2.1. 数据获取**
现有的公共数据集主要用于实验室环境中新电池的老化测试,如NASA PCoE数据集、Oxford电池退化数据集以及各种CALCE和EV-aging数据集[15,16],这些数据集广泛用于电池建模和预测。这些数据集提供了有价值的循环寿命、松弛和EIS测量结果,但它们很少涵盖具有复杂首次使用历史的退役动力电池的大规模异质群体。然而,这些数据集缺乏退役电池的实际多样性,这通常会导致快速工业检测时预测精度下降[17,18]。本文使用的样本全部来自工厂回收的退役锂离子电池。通过工厂和实验室的联合实验,收集了1648块相同类型退役电池的充放电循环数据,循环测试步骤如图1所示。

**图1. 退役锂离子电池的充放电设置和测试程序示意图**
需要注意的是,为了最小化环境温度波动对电池极化的影响,所有充放电测试都在空调环境中的专业电池测试设备上进行[19]。每种电池的真实MRC是通过在3.5 A的恒定电流(CC)放电步骤下测量总放电容量来确定的。锂离子电池的基本信息见表1。

**表1. 退役锂离子电池的参数**

**图2. 退役锂离子电池的充放电数据分布在三个最大剩余容量区间(70–80%、80–90%和90–100%)中的分布**
这些区间内的数据特征有显著差异。在90–100%区间,样本最丰富,电压-容量分布密集且清晰,由于退化程度较轻,与新鲜电池非常相似,因此模型预测的误差较小。80–90%区间的数据分布均匀,曲线形状稳定,反映了良好的容量保持性和一致性,为建模中等容量电池提供了可靠的参考。相比之下,70–80%区间作为梯级利用的关键阈值,由于现场收集的样本有限,数据原本稀疏且分散。为解决这一差距,引入了实验室多通道测试数据来补充该区间,显著增加了样本密度,从而在整个70–100% MRC范围内形成了更平衡的数据集,为提出的MRC预测模型的训练和验证提供了有力支持,特别是在低MRC范围内。

**2.2. 退役锂离子电池的特性分析**
在锂离子电池的生命周期中,MRC的下降直接反映了性能的退化。随着MRC的减少,描述电池性能和稳定性的参数不仅在数值上发生变化,而且在具有相同标称MRC的电池之间也表现出更大的分散。在实验测试中,CC充电/放电持续时间以及施加的电流直接指示了可用容量。随着老化,电压平台区域的容量变化率显著变化:内部极化的增加、活性材料的损失导致平台起始电压的降低以及平台持续时间的缩短共同降低了容量变化率。这些动态与IC和dQ/dV曲线的演变密切相关,这些曲线被广泛用作基于IC的分析方法中的退化指标。

**图3. 不同MRC范围内电池的dQ/dV曲线比较**
随着MRC的下降,容量变化率和电压平台内的特征峰值都发生了明显的变化。高MRC的电池显示出平滑、集中的dQ/dV峰值,反映了均匀的电化学反应和低极化。在中低MRC水平,曲线变得波动,反应活性降低且极化增加。进一步退化到严重老化阶段会导致峰值扭曲和非线性跳跃,表明活性材料损失严重和界面阻抗升高。因此,dQ/dV峰值位置和大小的变化为表征和预测电池MRC提供了关键线索。

**图4a,b 分别展示了全电压和部分电压条件下的充电过程**
全电压充电循环显示出清晰的dQ/dV-V峰值及其在整个曲线上的独特特征。随着MRC的下降,有效充电电流明显变化:低MRC电池的有效电流较低,曲线扭曲较大;而高MRC电池的有效电流较高且更稳定,反映了更好的充电性能和电流承载能力。

**图4. (a) 完整CC-CV的容量-电压曲线;(b) 完整CC-CV的dQ/dV-V曲线;(c) 部分CC-CV的容量-电压曲线;(d) 部分CC-CV的dQ/dV-V曲线**
**图4c,d 显示了高MRC和低MRC电池的容量增量(dQ/dV)随电压的变化**
对于高MRC电池,容量增量曲线相对平滑,表明充电过程稳定且电化学一致性良好。相比之下,低MRC电池的dQ/dV曲线变得更加陡峭和不规则,反映了充电过程的不稳定性和增加的异质性。尽管完整的充电曲线包含了所有的IC峰值,但在充电过程的某些部分就已经可以看到许多峰值特征。这一观察表明,可以使用部分充电曲线进行模型训练和预测,从而有效提取MRC评估所需的关键特征,同时避免了与完整循环曲线相关的计算和数据处理负担。

**2.3. 数据预处理**
为了标准化神经网络的输入并提取热力学相关的特征,原本以30秒采样间隔记录的30分钟恒定电流充电数据被转换为31个离散的电压-容量(V-Q)对,采用了电压驱动的插值策略。这种方法不是依赖于等时间采样,而是将充电前30分钟内观察到的电压范围划分为30个等电压区间,得到31个固定的电压节点。然后使用数据插值准确估计每个电压节点对应的容量。这种基于电压的插值方法具有显著优势,直接解决了从低分辨率数据中捕获退化特征的挑战。首先,电池老化机制表现为在特定电位阈值处发生的电化学相变。通过将数据点固定在固定电压区间而不是时间上,提取的V-Q对自然与这些热力学电位对齐,从而保留了IC分析所需的核心信息。其次,每30秒采样的原始工业数据通常包含时间测量噪声。将数据插值到31个电压锚定点上,有效地起到了物理平滑滤波器的作用,消除了通常会扭曲dQ/dV峰值识别的高频波动。经验验证表明,这种31点电压驱动的序列达到了最佳平衡:它提供了足够的分辨率来捕捉充电曲线的宏观形态变化(反映极化增量和容量衰减),同时严格压缩输入维度,确保了大规模工业分类的超快秒级推理。

**3. 模型和方法**
模型的输入包括3.1 V–3.4 V部分电压窗口内的电压和容量数据。如图5所示,这些数据通过两个级联的一维卷积层进行处理,以实现分层特征抽象。第一个卷积层从电压-容量轨迹中提取局部模式,特别关注隐含反映MRC变化和潜在电化学行为的dQ/dV特征。由于容量增量随老化、极化和充电状态(SOC)条件而变化,因此在特征学习中给予了优先考虑[7]。电压特征捕捉了快速上升、准恒定平台和微小波动等局部变化,而与容量相关的特征则关注dQ/dV的动态演变,特别是峰值的形状和位置在MRC水平上的变化。dQ/dV的特征被赋予更高的权重,以便更准确地表示老化和极化引起的容量变化。

**图5. CNN的卷积特征提取和转换过程**
特征提取阶段之后,集成了一种CBAM[9]来精炼学习到的表示。如图6所示,CBAM沿着通道和空间维度顺序操作,以增强信息模式并抑制冗余或不相关的特征。渠道注意力动态地重新校准特征图,通过强调与MRC估计最相关的渠道;而空间注意力则聚合上下文信息,并捕捉序列中电压-容量数据的长距离依赖性。这种双重注意力机制使模型能够自适应地关注关键区域和特征通道,尤其是那些主导容量增加的特征,从而增强了与老化模式、极化效应和过渡区动态相关的更高阶模式的表示。这些精炼的特征提升了后续健康评估和容量估计的区分度和鲁棒性。图6展示了CBAM注意力模块的结构和特征转换过程。CBAM依次沿通道和空间维度推断注意力图,通过计算全局平均值和最大值池化,生成稳健的通道注意力权重,然后通过通道间池化操作得到空间注意力来补充这些权重。这种双重机制有效地突出了关键的退化特征,如容量增加峰值,同时抑制了无关的背景噪声。所提出的深度学习框架采用了CNN-LSTM-CBAM架构,从部分电压-容量数据重建完整的充电容量曲线并估计MRC。如图7所示,模型遵循一个结构化的三阶段流程:局部特征提取、时间依赖性建模和基于注意力的特征增强,共同实现了对电池充电行为的准确表征。图7显示了CNN-LSTM-CBAM混合模型的整体结构框架。该混合网络架构以从初始充电阶段采集的31对电压-容量(V-Q)数据作为输入,输出代表重建的完整充电曲线的56个容量点。模型由四个级联模块组成:一维卷积特征提取器、通道-空间注意力块、时间建模单元和回归层。首先,使用两层1D-CNN从输入序列中提取局部非线性特征,包括坡度变化和拐点,每层卷积后跟随批量归一化和ReLU激活函数。然后通过CBAM对特征进行精细化处理,CBAM依次应用通道注意力和空间注意力,以自适应地强调信息丰富的特征通道和显著的时间区域。接下来,将经过注意力加权的特征传递到两层LSTM网络中,以捕捉V-Q演变中的长距离时间依赖性,从而建模充电过程中的电化学动态。最后,LSTM的输出通过全连接层生成56点的容量曲线。在训练过程中,将预测曲线与实测的完整充电曲线进行比较以计算损失。

4. 结果
4.1 实验设置和超参数优化
为了充分利用所提出的CNN-LSTM-CBAM架构的表示能力并确保可重复性,采用了自动贝叶斯优化框架来探索超参数空间,最小化验证集上的Huber损失。训练过程中,最大迭代次数设定为2000次,并采用了提前停止策略,同时应用了动态学习率调度器。网络参数使用Adam优化器进行更新,批量大小为32。表2详细列出了预定义的搜索空间和算法识别的最优值。值得注意的是,自动搜索确定了精确的非整数最优值,表明了这一优化过程 achieving 的严格校准。这些基线的架构细节和最优超参数设置总结在表3中。
表2. 所提出模型的超参数搜索空间和最优值。
表3. 基线模型的架构和超参数设置。

4.2 模型性能评估
为了评估所提出的CNN-LSTM-CBAM模型,我们使用了一个结合实验室测量数据和工业容量分线数据的数据集。输入包括31个电压-容量特征点,输出是一个包含56个容量点的重建完整充电曲线。在相同的数据集划分和训练配置下,将模型性能与两个基线(CNN-CBAM和CNN-LSTM)进行比较。评估指标包括决定系数(R2)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)。表4总结了所提出模型和基线的性能指标。CNN-LSTM-CBAM模型的性能显著优于其他模型,实现了最高的测试R2(98.05%)和最低的测试MAPE(1.60%)。传统的机器学习方法(如SVR)难以捕捉复杂的非线性退化动态,而优化的Transformer基线表现出明显的参数冗余,并且在极短(31点)轨迹上缺乏必要的局部归纳偏差,导致测试MAPE为3.72%。图8展示了四个模型(CNN、CNN-CBAM、CNN-LSTM和CNN-LSTM-CBAM)在典型测试样本上的预测结果与真实值的逐点比较。显然,CNN-LSTM-CBAM模型的预测曲线与实际曲线最为吻合,偏差最小。相比之下,其他模型在电压平台区域附近表现出较大的局部误差,因为在该区域捕捉微妙的容量变化更具挑战性。CNN-LSTM-CBAM模型表现出最准确和稳定的性能。这些结果证实,通过结合LSTM的时间建模能力和CBAM的特征增强能力,所提出的CNN-LSTM-CBAM模型能够有效捕捉部分充电数据中的非线性退化行为和序列依赖性信息。这使得其在MRC预测方面的性能优于仅使用CNN和CNN-LSTM的架构,充分展示了注意力模块在增强特征提取和模型准确性方面的关键作用。总体而言,实验结果表明,所提出的模型不仅在训练数据上达到了高拟合精度,而且在未见过的测试数据上也保持了较低的预测误差。这种性能与文献中报告的其他基于深度学习的方法相当或更优,尤其是在仅使用部分充电数据进行预测的情况下。

5. 讨论
所提出的CNN-LSTM-CBAM框架为退役锂离子电池的快速SOH估计提供了一种高效的解决方案。该方法仅利用最初的30分钟充电数据,因此绕过了传统方法所需的耗时的完整充放电循环。模型在56.32秒内处理了所有256个样本,平均每个电池的全面评估时间约为7.25秒。这一超低的计算开销证实了其高吞吐量、实时分类的能力[20,21,22,23]。尽管所提出的模型取得了良好的结果,但仍存在一些需要进一步研究的局限性。目前,该模型仅在受控室温下的LFP电池上进行了实证验证。尽管该架构对细微的dQ/dV特征的敏感性表明其具有很强的适应性[24],但直接应用于其他化学成分或具有极端温度波动的环境可能会引入预测偏差[25]。未来的工作将集中在引入针对不同电池化学成分的领域适应[26,27]、用极端老化样本丰富数据集,并将环境温度作为显式输入特征,以构建一个完全温度补偿的健康评估框架。总之,所提出的框架成功弥合了快速筛选和精确预测之间的差距,为退役电池的工业再利用评估提供了可扩展且高效的工具。未来的工作将扩展化学成分的覆盖范围,丰富数据多样性,并探索多模态特征融合,以拓宽应用范围。

6. 结论
本文提出了一种基于混合CNN-LSTM-CBAM架构的快速MRC估计框架,用于退役锂离子电池。该方法通过仅需要初始充电阶段的部分电压-容量数据,解决了传统全充放电或专门实验室技术的低效率和长测试周期问题。该架构结合了卷积层进行空间特征提取、LSTM单元进行时间动态建模,以及CBAM注意力机制来关注具有区分性的曲线区间。实验结果表明,该模型在3.5 A的放电率下实现了平均相对误差低于2%的目标,同时将每个电池的检测时间从数小时缩短到30分钟内。这一显著的吞吐量提升突显了该方法在工业分类应用中的巨大潜力。所提出的方法为快速剩余容量评估提供了一个可扩展且可部署的解决方案,支持更智能的级联利用和准确评估二次寿命电池。未来的工作将扩展对不同电池化学成分的适用范围,通过极端老化样本丰富数据集,并纳入多模态物理指标,以进一步提高鲁棒性和泛化能力。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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