锂电池SOC-SOH联合估计的深度融合建模

《Mathematics》:Deep Fusion Modeling for Lithium Batteries SOC-SOH Joint Estimation

【字体: 大 中 小 】 时间:2026年07月12日 来源:Mathematics 2.3

编辑推荐:

  本文提出了一种基于自适应加权多通道LSTM-Transformer融合网络(MLTA-Net)的SOC-SOH联合估计方法。该方法构建了一个覆盖多级特征的电池健康因子集,可从多个维度表征电池老化趋势。MLTA-Net模型采用多通道并行架构,能够分析不同类型的电

  
本文提出了一种基于自适应加权多通道LSTM-Transformer融合网络(MLTA-Net)的SOC-SOH联合估计方法。该方法构建了一个覆盖多级特征的电池健康因子集,可从多个维度表征电池老化趋势。MLTA-Net模型采用多通道并行架构,能够分析不同类型的电池数据特性。短期时间依赖性由LSTM编码器捕获,全局运行特性通过Transformer多头自注意力机制分析。基于自适应加权融合层进行特征融合,可实现电池状态的高精度估计。在CATL-1和CATL-2数据集上的实验结果表明,所提出的MLTA-Net在SOH估计精度上表现出色,均方根误差(RMSE)分别为0.286和0.287,平均绝对误差(MAE)分别为0.151和0.162,平均绝对百分比误差(MAPE)分别为0.053和0.056,决定系数(R2)分别为0.997和0.997。与CNN-GRU、MLP-Attention、Transformer、MLP、RNN和SVR模型相比,所提方法具有更低的预测误差和更好的鲁棒性。
锂电池的荷电状态(SOC)和健康状态(SOH)是电池管理系统中的关键参数,其准确估计直接影响能量管理策略和运行安全性。现有研究多将SOC和SOH独立建模,忽略了二者之间的耦合关系:电池容量退化会直接影响SOC估计,而SOC估计误差的累积也会导致SOH预测偏差。尽管数据驱动方法取得显著进展,但传统方法如循环神经网络(RNN)存在梯度消失问题,长短期记忆网络(LSTM)和门控循环单元(GRU)在长序列处理中计算效率低且易丢失全局特征,Transformer虽能捕获全局依赖但缺乏局部时序建模能力。此外,大多数方法在复杂工况下精度和鲁棒性不足。为此,研究人员提出了一种基于自适应加权多通道LSTM-Transformer融合网络(MLTA-Net)的SOC-SOH联合估计方法,旨在利用多级健康因子和多模态特征融合,提升电池状态估计的精度和稳定性。该研究在《Mathematics》期刊发表,实验表明MLTA-Net在SOH和SOC估计任务中均优于六种典型对比模型,具有重要的理论价值和工程应用前景。

研究人员采用的关键技术方法包括:(1)多通道特征提取层,通过三个独立全连接层(FC1、FC2、FC3)将输入特征映射到不同特征空间,独立学习初始化特征、统计分布特征和动态老化特征;(2)双编码器结构,LSTM编码器捕获局部时序依赖,Transformer编码器通过多头自注意力机制建模全局长期退化特征;(3)自适应加权融合模块,通过三个独立Sigmoid层为每个通道分配可学习权重,动态增强关键特征并抑制冗余信息。样本来源为CATL-1和CATL-2两款额定容量280 Ah、额定电压3.2 V的磷酸铁锂电池,在25±5°C环境下进行深充放和脉冲充放实验,数据经MinMaxScaler归一化,并采用高斯噪声(1–3%强度)进行五倍数据增强。

**4.1 SOH估计性能评估**:研究人员在CATL-1和CATL-2数据集上,将MLTA-Net与CNN-GRU、MLP-Attention、Transformer、MLP、RNN和支持向量回归(SVR)六种模型进行对比。结果显示,MLTA-Net的均方根误差(RMSE)分别为0.286和0.287,平均绝对误差(MAE)分别为0.151和0.162,平均绝对百分比误差(MAPE)分别为0.053和0.056,决定系数(R2)均为0.997,误差分布更集中,中位数接近零,四分位距最小,异常值最少。消融实验进一步表明,移除LSTM编码器后RMSE增加40.9%,移除Transformer编码器后RMSE增加34.6%,验证了两种编码器互补设计的必要性。

**4.2 SOC估计性能评估**:研究人员在电池全生命周期(46–50、346–350、546–550循环)及脉冲条件下,对比了联合估计与单独估计策略。结果表明,联合估计在各循环阶段均显著降低预测误差,尤其在老化后期和SOC突变点附近,联合估计的误差更小、稳定性更高。在脉冲条件下,联合估计方法同样表现出更优的适应能力,而单独估计方法在SOC突变点附近产生较大偏差。

**总结讨论**:本文提出的MLTA-Net模型能够分析SOC与SOH之间的复杂非线性耦合关系,通过多通道特征提取、LSTM局部时序建模和Transformer全局依赖捕获,结合自适应加权融合,实现了电池状态的高精度估计。研究结论翻译如下:本文提出了一种用于锂电池SOC-SOH联合估计的MLTA-Net模型,能够分析锂电池中SOC与SOH之间的复杂非线性耦合关系。所提方法结合了多通道特征提取模块和多模态信息融合机制。通过LSTM编码器捕获短期时间依赖性,利用Transformer编码器的自注意力机制挖掘全局时序特征,因此锂电池的状态表征更加全面。通过实验对比,所提方法在预测误差、稳定性和计算效率方面表现出优越性能,实现了电池状态的高精度估计。尽管MLTA-Net取得了有前景的SOC-SOH联合估计性能,但仍存在若干局限性。首先,该模型主要针对磷酸铁锂电池进行验证,其向其他电池化学体系和不同制造批次的扩展性需进一步研究。其次,所提方法依赖于高质量的老化数据和提取的健康因子,因此不完整或含噪声的测量值可能影响估计精度。第三,虽然采用数据增强来提高鲁棒性,但仍需在更宽的温度范围、不同的负载曲线和实际车辆运行条件下进行进一步验证。这些问题将在未来工作中解决。从实际电池管理系统的角度来看,所提出的MLTA-Net为考虑老化的电池状态估计提供了数据驱动解决方案。通过联合考虑SOC和SOH,该方法可以减少容量退化对SOC估计的影响,并为能量管理、安全预警和维护调度提供更可靠的状态信息。因此,所提框架在电动汽车、储能系统和智能电池管理平台中具有潜在的应用价值。
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