TWNN-LSTM-GSTA:一种用于增强电池健康状态预测的新型混合深度学习架构

《Energy Reports》:TWNN-LSTM-GSTA: A novel hybrid deep learning architecture for enhanced battery state of health prediction

【字体: 大 中 小 】 时间:2026年07月09日 来源:Energy Reports 6.6

编辑推荐:

  准确估计电池健康状态(SOH)对锂离子电池的安全高效运行至关重要。然而,电池退化是一个非线性、非平稳且存在局部波动的过程,这使得传统模型难以同时捕捉长期退化趋势和短期动态变化。为解决这一问题,研究人员提出了一种混合SOH预测框架,该框架集成了可训练小波神经网络

  
准确估计电池健康状态(SOH)对锂离子电池的安全高效运行至关重要。然而,电池退化是一个非线性、非平稳且存在局部波动的过程,这使得传统模型难以同时捕捉长期退化趋势和短期动态变化。为解决这一问题,研究人员提出了一种混合SOH预测框架,该框架集成了可训练小波神经网络(TWNN)、循环神经网络(RNN)以及门控时空注意力(GSTA)机制。首先,联合使用皮尔逊相关系数(PCC)和灰色关联分析(GRA)来识别信息性健康指标。基于筛选结果,选择等压降持续时间、等流降持续时间和最大放电温度作为模型输入。然后,TWNN通过可训练小波滤波器提取多尺度退化特征,并引入Frobenius范数约束以保持滤波器的正交性。基于这些提取的特征,研究人员构建了一个长短期记忆(LSTM)架构来建模退化过程中的时间依赖性。此外,GSTA模块分别学习时间注意力和特征注意力,并通过可学习的门控机制自适应融合它们,以改进特征表示。在NASA电池数据集上的实验表明,所提方法实现了准确的SOH预测,即使在训练数据量减少时也能保持稳定性能。在具有动态电流轮廓的实验室磷酸铁锂电池数据集上的进一步验证表明,该模型在更复杂的运行条件下也具有潜力。尽管如此,该框架的计算复杂性及其在更广泛电池数据集上的泛化能力仍需进一步研究。
论文解读:TWNN-LSTM-GSTA混合架构用于增强锂离子电池健康状态预测

**研究背景与问题**
锂离子电池作为新能源汽车的核心部件,其性能退化直接影响车辆续航、充电效率、运行安全与使用寿命。然而,电池老化过程涉及固态电解质界面膜(SEI)生长、锂枝晶形成、电极材料结构退化等多种电化学与机械耦合机制,呈现出强烈的非线性、非平稳性以及局部波动特征。现有健康状态(SOH)预测方法主要分为两类:基于模型的方法(如等效电路模型、电化学模型、电化学阻抗谱)依赖物理描述,但计算复杂度高,且难以精确捕捉复杂动态老化行为;数据驱动方法(如传统机器学习与深度学习)虽能挖掘历史数据模式,但传统模型(如支持向量机、随机森林)在处理强非线性、长时依赖及多尺度退化特征时存在局限,易出现过拟合或预测精度下降问题。针对上述挑战,研究人员提出一种集成可训练小波神经网络(TWNN)、长短期记忆(LSTM)网络与门控时空注意力(GSTA)机制的混合预测框架,旨在同时捕捉电池退化的长期趋势、短期波动以及多频段信息,提升SOH预测的准确性与鲁棒性。该论文发表于《Energy Reports》。

**主要关键技术方法**
研究人员采用的关键技术方法包括:(1)可训练小波神经网络(TWNN):通过反向传播自适应学习小波滤波器,实现多尺度退化特征提取,并引入Frobenius范数约束保持滤波器正交性,避免退化为普通卷积滤波器;(2)长短期记忆(LSTM)网络:结合双向LSTM(BiLSTM)与第二层LSTM,建模退化过程的正向与反向时间依赖;(3)门控时空注意力(GSTA)模块:分别计算时间注意力和特征注意力,并通过可学习门控机制自适应融合,增强重要退化模式表征,抑制冗余信息;(4)特征选择:基于皮尔逊相关系数(PCC)与灰色关联分析(GRA),从8个候选健康指标中筛选出等压降持续时间(TEVD)、等流降持续时间(TECD)和最大放电温度(MATD)作为模型输入。样本来源包括NASA公开数据集(B0005、B0006、B0007、B0018四节电池)以及实验室自建磷酸铁锂(LFP)电池数据集(5节Lishen 18650电池,涵盖常规充放电与动态电流工况)。

**研究结果**

**3.5.1 模型比较**
在NASA数据集上,以70%训练集、30%测试集进行实验,与CNN-LSTM、Informer、Pi-LSTM三种基线模型对比。结果表明,TWNN-LSTM-GSTA在所有指标上均表现最优:在B0005电池上,均方误差(MSE)为0.00006,平均绝对误差(MAE)为0.0053,决定系数(R2)为97.2%;在B0006、B0007、B0018上,R2分别达到97.8%、95.4%、92.9%。在50%训练集条件下,所有模型性能下降,但TWNN-LSTM-GSTA仍保持最高R2(平均95.1%),且误差增幅最小,展现出更强的鲁棒性和小样本适应性。

**3.5.2 消融实验**
在B0005数据上,分别移除TWNN、GSTA模块以及将TWNN替换为固定小波基(db4)进行消融分析。结果表明:去除TWNN后,R2从95.8%降至74.8%;去除GSTA后,R2降至78.4%;使用固定小波基时,R2为87.5%,仍低于完整模型。证实了TWNN的自适应多尺度特征提取能力与GSTA的注意力增强机制均对性能具有显著贡献。

**3.5.3 实验室数据集验证**
在实验室LFP电池数据集上(5节电池,含0.5C、1C、2C恒流及动态电流工况),TWNN-LSTM-GSTA的R2值均高于0.96,其中Cell 1达到0.9979,动态工况下(Cell 2与Cell 4)也分别达到0.9837和0.9681。表明该模型在不同化学体系与复杂动态工况下均能保持稳定准确的SOH估计。

**讨论与结论**
讨论部分指出,TWNN-LSTM-GSTA的性能优势源于各组件的互补作用:TWNN提供自适应多尺度特征提取,LSTM层捕捉时间演化,GSTA模块增强关键时空依赖。该模型在不同退化轨迹的电池上均表现稳定,证明了其适应性。结论部分翻译如下:本研究提出了一种混合框架TWNN-LSTM-GSTA,用于锂离子电池SOH预测。通过集成可训练小波分解、时间序列建模和门控注意力,所提方法提供了一种结构化方法,用于捕捉多尺度退化信息和复杂时间依赖性。在NASA数据集上的实验结果表明,该模型实现了准确的预测性能,而在内部LFP数据集上的进一步验证表明其在更真实和动态运行条件下的适用性。消融结果进一步证实了TWNN和GSTA模块的贡献。尽管取得了这些结果,仍存在一些局限性。该框架的计算复杂性和在更广泛电池数据集上的泛化能力仍需进一步研究。未来工作将集中于引入迁移学习策略、优化注意力机制以及提高计算效率,以便在实际电池管理系统中部署。
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