用于电动出行电池健康状况评估的混合卷积神经网络-变换器-长短期记忆网络框架

《Journal of Energy Storage》：Hybrid convolutional neural network–transformer–long short-term memory framework for health estimation of electric mobility battery

　　普拉尚特·库马尔|普林斯|金亨洙|阿南达·尚卡尔·哈蒂
韩国大田市伍松大学人工智能与大数据系，邮编34606

摘要
由于追求可持续性并减少环境影响，电动出行方式得到了快速发展。锂离子电池是大多数电动出行交通工具的动力来源，其高效、可靠且安全的运行对于推动电动出行系统的普及至关重要。准确评估这些电池的健康状态对于确保电动出行系统的良好性能极为重要。为实现高效的健康状态估算，本文提出了一种混合卷积神经网络-变换器长短期记忆网络模型，用于精准估算电池健康状态。该模型能够捕捉序列数据中的前后时间依赖关系，这对于模拟电池随时间的退化过程非常重要。研究使用了大量数据集来开发和验证该模型。实验结果表明，该模型显著降低了预测误差，使得平均绝对误差和均方根误差均处于较低水平。这些结果证明了该模型在电池健康状态估算方面的有效性，为电动出行电池的有效健康管理提供了切实可行的解决方案。

引言
对可持续交通系统的需求推动了人们对电动出行方式的关注度上升。而电动出行系统的主要能源——锂离子电池，则是这一变革的核心。锂离子电池较高的能量密度使其能够在更轻的重量下储存更多能量，相比铅酸电池或镍氢电池等传统电池更具优势，这也是它们越来越受欢迎的原因[1]。全球范围内锂离子电池的使用量正在以惊人的速度增长，并且这一趋势在未来几年还将持续。尽管锂离子电池的普及速度极快，但其在长期使用过程中仍面临诸多挑战。与其它机器类似，锂离子电池的电极和隔膜等组件也会出现不同程度的退化。这些退化现象会导致电池的容量和功率下降，从而威胁到电池的安全性。此外，由于充放电循环、温度变化以及制造工艺差异等复杂电化学过程的影响，锂离子电池的性能也会随时间下降。准确评估电池的健康状态是一项至关重要的指标，它反映了电池的剩余容量及整体退化程度。这一指标对于优化电池管理、保障安全以及预测电池的剩余使用寿命具有重要意义。电池的健康状态可以通过使用时间或内部电阻的增加来定义。虽然这些参数很容易测量，但电池退化也与容量损失密切相关。准确的容量估算对于电池管理任务，如续航里程预测和寿命预估，具有非常重要意义。电池健康状态可定义为当前容量与初始容量之间的比值[2]。然而，要准确估算容量，需要依据特定协议进行完整的充放电测试，而这在实际应用中并不现实。目前，电池健康状态估算算法可分为三类：实验方法、基于模型的方法以及数据驱动方法[3]。实验方法包括库仑计数法、开路电压法等；基于模型的方法则利用阻抗、容量等指标来表征电池健康状态。传统的电池健康状态估算方法，无论是实验测量法还是基于模型的方法，往往因为依赖于大量的标注数据及物理模型，在可扩展性和实际应用性方面存在局限[4]。近年来，数据驱动方法得到了发展，其机制相对基于模型的方法更为简单[5]。这类方法利用常规监测的参数以及历史收集的数据，如电压、电流、温度等，来模拟电池外部参数之间的复杂关系[6]。Stroe和Schaltz[7]提出了一种基于增量容量分析技术的锂离子电池健康状态估算方法。他们利用11个月的日历老化数据，将电池的容量衰减与四个关键指标联系起来，进而在不同老化条件下估算电池健康状态。徐等人[8]提出了一种基于小波分析的相对电池健康状态估算方法，用于估算电池组中串联连接的锂离子电池单元的健康状态差异。刘和徐[9]则提出了一种基于能量型健康指标的锂离子电池在线健康状态估算方法，这些指标是从放电过程中提取的，包含了电压序列和放电速率信息。谭等人[10]开发了一种基于等效内阻的锂离子电池实时健康状态估算方法，他们通过支持向量回归建立了等效内阻向量与电池健康状态之间的关系。田等人[11]提出了一种基于温差分析的锂离子电池健康状态估算方法，他们分析了充电过程中的温差，并利用支持向量回归建立了其与电池健康状态之间的关联。王等人[12]提出了一种基于增量容量分析技术的锂离子电池健康状态估算方法，该方法将充电电压划分为多个微区间，通过增量容量曲线的峰值分布确定最优区间，再根据该区间内的充电容量来计算电池健康状态。唐等人[13]提出了一种数据驱动的电池健康状态估算方法，他们从部分充电电压数据中提取健康指标，并结合高斯过程回归模型进行估算。多年来，支持向量机、支持向量回归、随机森林等机器学习模型已被广泛用于电池容量退化监测[14]。近年来，基于神经网络的方法也得到了广泛应用。与传统的前馈神经网络相比，循环神经网络由于其固有的结构特性，能够更有效地处理时间序列数据[15]。深度学习的最新进展为解决这一问题提供了新的思路，它借助数据驱动方法无需依赖复杂的领域专业知识即可捕捉电池退化的复杂模式[16]。这些数据驱动方法能够处理原始的运行数据，如电压和电流曲线，从而识别电池使用与老化之间的细微关联[17]。近期研究表明，深度学习框架在解决跨领域问题方面表现优异，即针对某一类型电池训练的模型只需少量标注数据即可泛化应用于其他类型的电池[16]。孙等人[18]提出了一种基于可测量的充电曲线数据中的健康特征、一维卷积神经网络进行特征整合，以及XGBoost算法进行电池健康状态估算的锂离子电池健康状态估算策略。唐等人[19]提出了一种基于CNN-Bi门控循环单元模型并结合注意力机制的深度学习电池健康状态估算策略，该模型还通过开普勒优化算法进行了优化。王等人[20]提出了一种基于温度相关的扩展卡尔曼滤波器与深度学习的锂离子电池健康状态及电量估算方法。黄等人[21]则提出了一种基于注意力机制以及卷积神经网络-长短期记忆网络组合模型的锂离子电池健康状态估算方法。基于机器学习方法的传统方法，如支持向量回归、随机森林等，过度依赖人工设计的特征，缺乏学习复杂退化模式的能力，因此往往难以在不同电池或使用场景之间实现良好的泛化效果。浅层前馈神经网络无法捕捉电池寿命中的时间依赖性，也无法把握对准确估算电池健康状态至关重要的长期趋势和序列行为。此外，单独的长短期记忆网络虽然能够处理序列数据，但在处理长距离依赖关系方面存在不足，且无法识别不同周期之间的全局模式或关联。变换器在捕捉长距离关联方面表现较好，但它们不像卷积神经网络那样具备提取局部特征的能力，尤其是在处理噪声较大或原始的传感器数据时。卷积神经网络虽然能够有效提取局部特征，但却无法捕捉对模拟电池在充放电循环中的退化过程至关重要的时间序列依赖性。为克服现有电池健康状态估算方法的局限性，如人工特征工程、时间建模不足、鲁棒性差、计算效率低以及无法处理多模态或噪声数据等问题，本文提出了新的模型。尽管以往已有研究报道过结合卷积神经网络、变换器及循环网络的混合深度学习架构，但本研究的贡献在于针对电池健康状态估算任务对这些架构进行了针对性的整合。与传统的CNN-LSTM或基于注意力的模型不同，所提出的框架将人工设计的退化特征与基于互信息的特征选择方法相结合，形成了CNN-变换器-长短期记忆网络架构。这种架构结合了卷积神经网络、变换器及长短期记忆网络的优点，为电池健康状态估算提供了一种高效、灵活且精确的解决方案。因此，本文旨在通过结合卷积神经网络、变换器及双向长短期记忆网络这三种强大技术，构建一种CNNT-LSTM模型，从而为电动出行系统中的锂离子电池开发出有效的健康状态估算策略。这三种组件在实现高效电池健康状态估算过程中都发挥着重要作用：卷积神经网络有助于捕捉局部的电化学特征，变换器有助于捕捉长周期的依赖关系，而长短期记忆网络则有助于捕捉电池退化的时间动态变化。相较于单一方法的模型，这种复合方法在实际应用中能够实现更高效的电池健康状态估算。本研究的主要贡献如下：(1) 由于采用了融合式结构，该模型能够有效捕捉电池退化的空间、时间及上下文特征，从而实现更高效的特征学习。(2) 通过充分利用三种不同类型模型的优势，提升了电池健康状态估算的精度。(3) 该模型具有较强的鲁棒性，能够在不同的工作条件下有效应对多种退化行为。(4) 其模块化架构便于根据不同数据集进行调整和优化。(5) 能够帮助人们了解电池的短期及长期退化趋势。

本文共分为多个部分。第2节简要总结了有关电池健康状态估算的相关研究。第3节详细介绍了所提出的方法。第4节阐述了实验细节、结果分析及对比研究内容。最后，第5节对整个研究工作进行了总结。

相关研究
准确估算电池健康状态对于确保电动出行系统的整体安全性、可靠性及正常运行至关重要。随着电动汽车需求的不断增加，电池健康状态估算在全球范围内受到了高度重视。近期的发展趋势表明，研究方法正从传统的基于模型的方法向先进的、基于数据驱动及混合方法的方向发展，这些方法充分利用了机器学习及深度学习算法的优势。随着人工智能技术的进步，人们已经开发出了更为先进的电池健康状态估算方法。

所提出的方法
电池健康状态估算的第一步是数据收集。这通常涉及在电池的运行周期中记录电压、电流、温度以及充放电容量等性能参数。本研究使用了牛津电池数据集[28]，该数据集包含了电压、温度以及充放电数据，这些数据每100个驾驶周期记录一次，而驾驶周期则是按照城市阿特米乌斯驾驶工况设定的。此外，还使用了西安牛津电池数据集。为了评估所提出的模型，本研究采用了牛津电池数据集，该数据集包含了在牛津大学测试的八块小型锂离子软包电池的详细老化数据。实验在受控条件下进行，研究人员使用宾德热箱在40摄氏度恒定温度下对八块锂离子软包电池进行测试，以此模拟高温环境，从而加速电池老化过程。

结论
准确估算电动出行电池的健康状态对于确保整个系统的可靠性与安全性至关重要。本文提出了一种结合卷积神经网络、变换器及长短期记忆网络框架的混合方法，通过整合这三种框架的优势，提升了电池健康状态估算的精度。为评估该方法的性能，从数据集中提取了多种特征，并采用萨维茨基-戈莱滤波器进行预处理，以降低高频噪声的影响。