基于电化学特征图像编码的深度残差学习用于电池健康状态估算

《Journal of Energy Storage》：Deep residual learning for battery state-of-health estimation using image encoding of electrochemical features

　　黄思睿|刘亚新|李冠儒|孙莉中国南京东南大学能源与环境学院，邮编211189

摘要
准确估算锂离子电池的健康状态对于确保其安全运行和寿命管理至关重要。现有的健康状态数据表示方法通常是低维的，通过将时间序列的电化学信号转化为向量特征，从而导致信息丢失，并且难以捕捉复杂的退化行为。为了解决这一局限，本文引入RGB编码来表示充电过程中的电化学信息，包括恒流阶段和恒压阶段。在恒流阶段，电压、容量和差分容量分别映射到R、G和B通道；在恒压阶段，电流、容量和差分容量也以类似方式编码。通过将这些具有物理意义的信号转化为统一的RGB表示形式，该方法能够将退化特征转化为具有时间结构的模式，并使三种信号之间的跨通道相互作用更加明显。基于这种高维信息载体，RGB图像被输入到深度卷积神经网络中用于特征学习与健康状态估算，其中采用resnet-18来提取与退化相关的特征并估算每个循环的健康状态。该框架在包含31块镍钴锰酸锂电池和69块磷酸铁锂电池的两个公开数据集上进行了验证。该方法仅依靠充电数据就能实现准确的健康状态估算，平均绝对百分比误差低于1%，证明了仅基于充电数据估算的可行性，以及RGB作为电化学数据表示方法在电池健康评估中的有效性。

引言
随着新能源汽车和大规模储能系统的快速发展，锂离子电池因其高能量密度、长循环寿命以及良好的倍率性能而被广泛用于电力和储能领域[1]、[2]。在长时间的充放电循环过程中，由于活性物质损失、电解质分解以及副反应等因素，这些电池会出现容量下降和内阻增大的现象，进而影响其安全性和可靠性[3]、[4]、[5]。因此，准确估算电池的健康状态对于电池寿命管理、能量调度优化以及确保运行安全具有重要的工程意义[6]。然而，由于电池内部退化机制十分复杂，健康状态只能通过间接方式估算，这就使得准确估算成为电池管理系统中的关键任务[7]。为了解决在长期循环过程中直接测量电池容量衰减和性能退化的难题，本文提出了一种基于充电阶段数据的健康状态估算方法。该方法通过构建多特征融合模型来生成RGB图像表示，进而设计基于resnet-18的深度学习估算框架。该框架能够准确估算各种类型电池的健康状态，并且能够在不同的工作条件下实现通用性。

目前，健康状态估算方法大致可分为两类：基于模型的方法和机器学习方法[8]。基于模型的方法主要包括等效电路模型、电化学阻抗谱分析以及电化学模型[9]、[10]。这些方法通过构建物理或电化学模型来描述电池的退化过程，从而把握电池的内部机制。基于等效电路模型的方法将锂离子电池视为等效电路，通过构建具有物理意义的模型，并结合负载电流、端电压以及可选的温度和老化效应，来实现健康状态的估算。由于结构简单且计算效率高，将等效电路模型与卡尔曼滤波器等状态观测器相结合的估算框架在工程实践中得到了广泛应用[11]、[12]。电化学模型则用于描述电池内的离子扩散、电荷传输以及电化学动力学过程。相关研究通常通过追踪微观参数的变化，如活性物质损失和锂库存损失，来对电池老化进行内在表征[13]、[14]。对于基于电化学阻抗谱模型的方法，研究重点在于从复杂的阻抗谱中提取对老化敏感且能抵抗环境干扰的参数[15]、[16]。不过，尽管基于模型的方法在机理解释方面具有优势，但在捕捉复杂退化行为以及在不同工作条件下实现通用性方面仍存在局限[17]。

近年来，随着机器学习和深度学习的进步，越来越多的研究将这类技术应用于电池健康状态估算领域[18]、[19]。与此同时，锌空气电池和锌离子电池等新兴储能系统也受到了越来越多的关注。然而，这些电池复杂的电化学行为以及多阶段的反应过程，进一步提升了对精确电池状态监测和寿命管理的需求[20]、[21]。在特征工程方面，相关研究已经提取出了多种健康指标，如时间特征、能量特征和容量差分特征，并结合相关性分析和特征选择方法，来加强这些特征与健康状态之间的关联[22]、[23]。此外，还有一些研究通过引入基于机理的特征，如电压重建和最佳充电窗口选择，进一步提升特征表示能力和模型稳定性[24]、[25]。对于金属空气电池系统，氧还原/析出反应以及氧化还原介质的引入会引发更为复杂的电化学动力学行为，这就对特征表示能力和退化信息提取提出了更高的要求[26]、[27]。在模型架构方面，随着深度学习的进步，基于循环神经网络和长短期记忆网络的时序建模方法被广泛用于描述电池退化的动态演变过程。在此基础上，结合卷积神经网络和循环神经网络的混合模型能够同时对局部特征和时间特征进行建模。此外，注意力机制的引入进一步提升了模型提取关键退化相关信息的能力[28]、[29]、[30]。另外，为了解决传统神经网络在处理长序列时的局限性，一些研究提出了基于新型时间架构的方法，以提高模型捕捉长期依赖关系的能力[31]、[32]。另一方面，为了提高模型的可解释性和通用性，近年来逐渐出现了结合电化学机理的方法[33]。通过将退化机理约束纳入神经网络训练过程，这些方法实现了机理与数据的协同整合，从而在不同类型的电池以及复杂的工作条件下得到更稳定的健康状态估算结果[34]、[35]、[36]。然而，现有研究普遍表明，当前的方法在很大程度上依赖于人工设计的特征或低维向量表示，这限制了它们充分捕捉多变量电化学信号之间的耦合关系和时间动态特性。因此，如何在准确描述复杂退化机理的同时提升模型的通用性，仍然是一个挑战。

为此，本研究提出了一种基于充电阶段数据构建RGB图像的方法。通过将电池电压或电流、容量以及差分容量特征分别映射到R、G和B通道，实现了多物理信息的集成表示。该方法将容量衰减、极化增强以及峰值偏移等退化现象转化为视觉纹理模式，从而使卷积神经网络能够有效提取与时间相关的退化特征。在此基础上，本研究开发了一种基于resnet-18的健康状态估算模型，用于从构建的RGB图像中提取特征，并估算每个循环对应的健康状态。通过在包含镍钴锰酸锂电池和磷酸铁锂电池的两个公开数据集上的实验验证，本研究探讨了RGB图像表示是否有助于健康状态估算模型在不同充电策略下的通用性，并评估了所提方法的准确性和通用性能。此外，为了证明所提方法的优越性，还采用了随机森林和长短期记忆模型作为基准方法，这些方法直接使用传统的低维特征数组作为输入，无需构建RGB图像表示，然后将结果与所提框架的结果进行比较。另外，为了进一步验证所提方法在充电不完整以及初始充电状态不同的条件下的适用性，还通过随机裁剪RGB图像来模拟部分充电场景，进行了消融实验。即便在充电不完整的条件下，所提方法依然能够实现出色的健康状态估算性能。实验结果表明，所提出的基于RGB图像的框架在电池健康状态估算方面既有效又具备通用性。

数据集片段
为了验证所提方法的可行性和通用性，本研究在四个不同数据集中的100块电池上进行了实验验证。数据集1、数据集2和数据集3都来自同一个公开数据集。这些电池的正极材料为LiNi0.5Co0.2Mn0.3O2，标称容量为2000 mAh，标称电压为3.6 V，充放电截止电压分别为4.2 V和2.5 V。所有实验均在室温下进行。

框架概述与流程图
所提方法的整体框架如图2所示，主要包括三个阶段：数据预处理、深度特征提取以及健康状态估算。与以往直接从电压、电流、容量和差分容量等数据序列中提取特征的方法不同，本研究提出了一种基于充电阶段数据构建RGB图像表示的方法。本研究分别对恒流阶段和恒压阶段的数据进行处理。

健康状态估算性能评估
为了进一步证明所提方法的优越性，本研究采用了随机森林和长短期记忆模型作为基准方法。随机森林是一种基于集成学习的机器学习算法，通过构建多个决策树并汇总它们的输出，从而提高预测精度和通用性能。长短期记忆网络是一种典型的循环神经网络架构，能够对序列数据中的时间依赖关系进行建模。对于这两种模型，原始数据……

RGB图像模型注意力权重的可视化分析
为了识别RGB图像中的重要区域，本研究在估算模型上应用了Grad-CAM技术来进行注意力可视化。Grad-CAM通过计算目标层中特征图的梯度权重，生成注意力热图，从而突出显示卷积神经网络在估算过程中关注的区域。在本研究中，利用经过训练的resnet-18网络对生成的RGB图像进行分析，最终选择卷积层的输出作为目标层。

结论
本研究提出了一种新的锂离子电池健康状态估算方法，该方法通过将电压、电流、容量和差分容量等多维充电过程特征编码为RGB图像表示，再利用resnet-18深度卷积神经网络进行回归分析。在包含镍钴锰酸锂电池和磷酸铁锂电池两种化学体系的两个公开数据集上的验证表明，所提方法的R2值接近1，平均绝对百分比误差低于1%，其性能优于随机森林模型。

CRediT作者贡献说明
黄思睿：撰写——初稿、方法论、研究实施。刘亚新：撰写——初稿、验证、方法论。李冠儒：撰写——初稿、指导、概念设计。孙莉：撰写——初稿、指导、资金获取、概念设计。

利益冲突声明
作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。

致谢
本研究得到了中国国家自然科学基金（NSFC）项目52276003的支持。