一种用于高频动态条件下电池容量预测的时频融合方法

《JOURNAL OF POWER SOURCES》：A time-frequency fusion method for battery capacity prediction under high-frequency dynamic conditions

　　高凯|廖云汉|胡林|陈斌|李恒|杜荣华|石星宇|哈菲兹·穆罕默德·阿里中国长沙理工大学机械与车辆工程学院，长沙410114摘要准确预测电池容量对于确保系统可靠性至关重要。然而，传统依赖时域特征的容量预测方法在诸如车对网（V2G）这类高频动态运行场景中表现不佳，因为功率波动会掩盖电池的退化趋势。为解决这一难题，本研究提出了一种时频融合方法。通过自适应融合多尺度时间动态与解耦的频率趋势，我们构建了全面的特征表示。此外，还采用了逆向变换器（iTransformer）来捕捉这些特征之间的全局依赖关系，从而有效将退化趋势与复杂的动态干扰分离开来。实验结果表明，所提出的方法在实验室基准测试（NASA/CALCE）上优于传统模型，并且在存在噪声干扰的实际车辆数据上也能展现出更优异的性能。此外，在高频动态条件下，该方法的稳定性也更强。引言锂离子电池因其高能量密度和长循环寿命，成为电动汽车和电网系统的主要储能方式[1]、[2]。然而，循环使用过程中电池容量的下降不仅会降低行驶里程，还会引发包括热失控在内的安全风险[3]、[4]。在高频动态运行条件下，这一问题更为突出，比如快速充电、双向电网交互以及频繁进行再生制动的激烈驾驶方式。其中，车对网（V2G）所带来的挑战最为严峻：频繁的双向功率反转以及直接与电网相连，使得电池要承受高频纹波、负载切换脉冲以及测量噪声的共同影响[5]。与常规驾驶模式不同，这些操作要求电池频繁响应外部调度指令或极端负载需求，从而导致其每日功率吞吐量和负载波动远远超过正常使用水平[6]。这类动态运行条件会加速电池老化，并引入电流纹波和瞬态功率脉冲等高频干扰。当这些干扰与测量噪声叠加时，就会掩盖低频的容量退化趋势。因此，在如此随机且充满噪声的条件下实现可靠的容量预测，对于有效的电池管理和能源调度而言至关重要[7]。数据驱动方法已成为电池健康管理的主流解决方案，这主要是因为与基于物理模型的方法相比，它们无需考虑复杂的物理参数。虽然电化学模型能够提供机制上的见解[8]、[9]，但由于其计算复杂度高且依赖于精确的参数识别，因此不太适合用于电池管理系统（BMS）的应用中[10]、[11]。相反，传统的机器学习算法往往受限于较浅的架构，无法有效捕捉高度非线性的老化动态，从而限制了预测精度[12]、[13]。更关键的是，将数据驱动模型应用于实际场景时，还会面临数据质量这一根本性障碍。与基于完整充放电周期的实验室基准数据不同，由于用户行为的随机性，实际数据通常由不连续的片段组成[14]。尽管安时积分仍然是重建电池容量的主要方法[15]，但其准确性直接取决于BMS的电量状态（SOC）估算精度[16]、[17]。在积分过程中，固有的SOC估算误差会不断累积，使得重建的容量序列被噪声污染。这就形成了一个“噪声标签”现象，即退化趋势被随机噪声所掩盖，从而增加了提取有效老化特征的难度。在上述挑战在高频动态条件下会进一步加剧。首先，此类操作中的随机用户行为和频繁的功率波动会破坏传统特征提取所需的稳定运行条件[18]。在这种条件下，那些依赖标准恒流充电曲线或差分分析的传统方法往往会放大传感器噪声，进而掩盖真实的老化特征。更为严重的是，引入辅助的多变量特征还会增加额外的不确定性。有研究指出，BMS的异步采样机制加上高频波动会导致电压和电流之间存在显著的同步误差[19]、[20]。同样，频繁循环带来的焦耳热也会使电池内部温度偏离外部传感器的读数，从而削弱温度信号的有效性[21]。因此，在这种条件下引入这些辅助信号，更有可能传播错误而非提供有用信息[22]。实际上，即便是在那些为高频动态条件而采用辅助特征的研究中，也往往需要精心挑选电流相对平稳的准稳态数据段，才能确保输入数据的可靠性[23]。此外，在高频动态条件下，本身就带有噪声的容量序列还会与外部动态干扰紧密耦合。这就带来了一个挑战：如何有效地将低频的退化趋势与高频干扰分离开来。为捕捉锂离子电池的非线性老化动态，研究重点已转向结合局部和全局特征提取的混合模型架构[24]、[25]。门控循环单元（GRU）可以通过可学习的门控机制捕捉序列数据中的长期依赖关系[26]、[27]。作为卷积神经网络（CNN）的时间扩展形式[28]、[29]，时间卷积网络（TCN）可以通过因果扩散卷积捕捉多尺度时间特征[30]、[31]，而Transformer则通过自注意力机制捕捉序列中的全局依赖关系[32]、[33]。最近，为了利用额外的健康指标，人们设计了逆向变换器（iTransformer），它通过反转注意力机制来捕捉不同特征维度之间的相关性[34]、[35]。此外，研究人员还将这种多变量策略应用到了实际车辆数据中[36]。然而，这些模型的核心运算仍然局限于时域，因此它们无法在高频动态条件下将低频退化趋势与高频干扰分离开来。这一局限性促使人们开发出时频融合方法。为实现这种时频融合，研究重点自然转向了从频谱角度对退化趋势进行解耦的频域分析。最近的时序研究提供了宝贵的见解：例如，周等人研究表明，离散傅里叶变换（DFT）可以通过频带分解来提取全局特征，不过其固有的吉布斯现象会导致关键频带内的能量扩散[37]。金等人则尝试将时序信号转换为时频频谱图以实现二维特征提取，但他们设计中的固定卷积核可能会破坏退化趋势的时间连续性[38]。江等人提出了频率增强通道注意力机制（FECAM），该机制首次将离散余弦变换（DCT）引入频域特征提取中，从而有效减少了频谱泄漏现象[39]。李等人则进一步将FECAM作为核心频域提取工具用于锂离子电池的SOC估算，验证了联合时频建模的潜力[40]。最近，时频融合概念也被应用到利用实际车辆数据进行电池容量预测的工作中[41]。然而，在电池容量预测中实现时域特征与频域特征之间的有效结合仍然是一个极具挑战性的问题。本文并未将频域处理视为一个独立的步骤，而是提出了一种时频融合方法，该方法能够自适应地结合多尺度时间动态与解耦的频率趋势。这种自适应融合策略使得可以从单一的容量序列中全面提取老化特征。本研究的主要贡献如下：(1)通过结合实验室数据集（NASA/CALCE）与实际车辆数据，构建了一个验证基准。对于车辆数据，则是通过筛选和重构从原始充电数据中提取出每周的容量序列。随后，以车对网（V2G）作为参考场景，设计了一个动态干扰模拟框架。(2)为了解决低频退化趋势被高频动态干扰掩盖的问题，设计了时频协同机制。TCN负责提取多尺度时间动态，而FECAM则通过频谱门控来捕捉解耦的频率趋势。最后，iTransformer的逆向结构则用于捕捉这些特征之间的全局依赖关系。通过这种协同作用，模型能够有效将退化趋势与动态干扰分离开来。(3)在三种不同的场景下进行了全面评估。在实验室基准测试（NASA/CALCE）上，该模型能够有效处理包括容量恢复和非线性下降在内的复杂老化模式。在存在渐进式噪声的实际车辆数据上，其预测误差也保持在可接受范围内。尤其值得注意的是，在存在模拟动态干扰的车辆数据上，该模型展现出了更出色的稳定性。本文的其余部分结构如下：第2节介绍了数据构建和干扰模拟框架；第3节详细阐述了所提出的时频融合方法，包括问题定义和整体模型架构；第4节介绍了实验设置以及涵盖泛化分析、消融研究、实验室基准测试对比实验以及在模拟动态干扰条件下的稳定性验证的系统性评估结果；最后，第5节对本研究进行了总结，并指出了未来的研究方向。问题定义在高频动态条件下，电池容量序列通常表现为一种复合信号，其中低频的退化趋势与高频动态干扰相互耦合。因此，本研究采用以时频特征提取为中心的分析策略。核心问题可表述为：给定一个长度为L的历史容量观测序列{xt?L+1,…,xt}，目标是准确预测未来的H个容量值{xt+1,…,xt+H}。整体架构如2.1节所述，高频动态条件下的容量序列会受到时域混叠和频域干扰的共同影响，而传统的时域模型很难将低频退化趋势与高频干扰分离开来。为了解决这一问题，我们提出了TFIT这一时频融合模型，它能够对单个容量序列进行处理。TFIT的架构对应于“基线方法”部分所展示的整体框架的第二步。实验配置为了评估所提出的时频融合方法的效果，本研究将其与四种具有代表性的时域深度学习基线模型进行了比较：TCN，它通过扩散卷积来提取多尺度时间特征[30]、[31]；Transformer，它依靠自注意力机制来捕捉全局依赖关系[32]、[33]；TCN-GRU，它采用顺序级联架构，先通过TCN提取特征，然后再将其输入到双向GRU中。结论本研究提出了一种用于在高频动态条件下实现准确电池容量预测的时频融合方法。具体而言，TCN用于提取多尺度时间动态，而FECAM则通过频谱门控有效捕捉解耦的频率趋势。借助iTransformer的逆向结构，该模型能够捕捉这些提取出的特征之间的全局依赖关系，从而构建出反映电池老化的全面特征表示。CRediT作者贡献说明高凯：撰写——审阅与编辑、监督、资源提供、项目管理、研究实施、资金获取、概念构思。廖云汉：撰写——审阅与编辑、撰写——初稿、软件使用、项目管理、方法设计、形式分析、数据整理。胡林：撰写——初稿、项目管理。陈斌：监督、研究实施。李恒：资源提供、资金获取。杜荣华：监督、研究实施。石星宇：监督。利益冲突声明作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。致谢本研究得到了国家自然科学基金（U25A20380）、湖南省教育厅重点课题（25A0176）以及湖南省创新研究群体项目（2025JJ10006）的支持。