基于合成放电数据的NSGA?II优化CNN?QRLSTM?Attention框架用于锂离子电池早期循环寿命预测

《Results in Engineering》:NSGAII-optimized CNN-QRLSTM-Attention framework for early-cycle battery life prediction using synthetic discharge data

【字体: 大 中 小 】 时间:2026年05月19日 来源:Results in Engineering 7.9

编辑推荐:

  研究人员提出了一种集成卷积神经网络(CNN)、分位数回归长短期记忆网络(QRLSTM)与注意力机制的混合框架,并由非支配排序遗传算法II(NSGA?II)进行多目标优化,用于基于合成放电数据的锂离子电池早期循环寿命预测。该方法首先采用自适应质心Voronoi剖

  
研究人员提出了一种集成卷积神经网络(CNN)、分位数回归长短期记忆网络(QRLSTM)与注意力机制的混合框架,并由非支配排序遗传算法II(NSGA?II)进行多目标优化,用于基于合成放电数据的锂离子电池早期循环寿命预测。该方法首先采用自适应质心Voronoi剖分(CVT),将早期电压?容量曲线的空间几何特征转化为高保真点云数据,保留了传统标量特征无法捕捉的细微退化信息。随后,研究人员构建了CNN?QRLSTM?Attention网络,其中CNN提取局部空间特征,QRLSTM捕获长期时序依赖并实现概率预测的不确定性量化,挤压激励(SE)注意力机制动态加权关键特征以提升判别能力。NSGA?II自动优化15个网络超参数,同时兼顾预测精度与泛化性能,优于人工与网格搜索方法。在124个商用LFP/石墨电池的数据集验证中,该框架测试集均方根误差(RMSE)为65.9循环次数,平均绝对误差(MAE)为50.4循环次数,平均绝对百分比误差(MAPE)为6.8%,显著优于现有主流方法,在早期循环寿命预测任务中表现出更高的准确性与可靠性。
本研究针对电动汽车动力电池在研发与安全评估中的迫切需求,聚焦锂离子电池早期循环寿命预测的瓶颈问题。现有方法普遍依赖低维标量特征提取,难以全面保留早期退化过程中的空间几何信息,且在时空特征建模上往往分离处理,缺乏不确定性量化能力,同时超参数优化多依赖人工经验,限制了预测精度与泛化性。为此,研究人员提出并验证了基于合成放电数据的NSGA?II优化CNN?QRLSTM?Attention集成框架,在商用LFP/石墨电池数据集上实现了高精度早期寿命预测,成果发表于《Results in Engineering》。
关键技术方法方面,研究人员使用Severson等人公开的124个商用LFP/石墨电池循环老化数据集,采用自适应质心Voronoi剖分(CVT)生成高保真点云形式的合成放电数据,构建CNN?QRLSTM?Attention混合网络实现时空联合学习与不确定性量化,并通过NSGA?II完成15个超参数的多目标自动优化。
研究结果如下:
合成放电数据生成:CVT方法在曲线边界采用曲率自适应采样,内部点通过最大堆驱动的三角剖分迭代细分生成,经CVT迭代优化后,点集分布均匀性达99%,边界重建误差低于1%,保留了早期退化轨迹的几何特征。
超参数优化:NSGA?II在200种群规模下进行50代进化,获得帕累托最优解集,最终模型配置包括5层CNN(基础通道64,卷积核5×5)、SE注意力缩减比8、两层QRLSTM(隐藏单元192,丢弃率0.3)及优化的训练参数,RMSE与MAE随迭代下降,R2同步提升并在25代形成稳定帕累托前沿。
循环寿命预测:在多个测试集上,NCQAF框架的RMSE最低为65.9循环次数,MAPE为6.8%,MAE为50.4循环次数,优于CNN、LSTM、CNN?LSTM及CNN?LSTM?SA等方法,且相比XGBoost、MOGP、HDLA、ACCSE、EA?LSTM等主流模型误差显著降低。
在讨论与结论部分,研究人员指出,该框架通过CVT合成数据完整保留了早期退化的空间几何信息,CNN?QRLSTM?Attention实现时空联合建模与不确定性量化,NSGA?II多目标优化有效平衡精度与泛化,解决了传统方法的多个不足。该研究为电动汽车电池快速筛选、新材料研发和安全运维提供了完整技术方案,并可推广至其他时空耦合设备的寿命预测场景。未来工作将扩展至更多电池化学体系,融合实时运行数据,并在嵌入式系统中实现车载健康预测管理。
相关新闻
生物通微信公众号
微信
新浪微博

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