《Batteries》:A Hybrid Transformer Network Optimized by Kalman Filter for State of Health Prediction on Lithium-Ion Battery
编辑推荐:
健康状态(SOH)是评估锂离子电池(LIBs)高效可靠运行的关键指标,虽然无法直接测量。在整个LIB生命周期中实现精确的SOH预测仍是一项重大挑战,这主要是由于严重的信号波动和复杂的退化机制。本文介绍了一种基于Transformer的新型混合架构用于SOH预测
健康状态(SOH)是评估锂离子电池(LIBs)高效可靠运行的关键指标,虽然无法直接测量。在整个LIB生命周期中实现精确的SOH预测仍是一项重大挑战,这主要是由于严重的信号波动和复杂的退化机制。本文介绍了一种基于Transformer的新型混合架构用于SOH预测,称为KF–SAMformer–GRU,该架构集成了卡尔曼滤波器(KF)优化器、锐度感知最小化Transformer(SAMformer)模型和多层门控循环单元(GRU)。为了克服多变量长期预测的挑战,研究人员创新性地引入SAMformer来提取稳健的特征指标,通过锐度感知最小化主动缓解数据分布偏移。此外,研究人员首次引入可逆实例归一化(RevIN)来处理多源数据集中的非平稳性,有效消除不确定性并显著提升泛化能力。作为补充,研究人员独特地采用KF机制融合多维特征,在降低计算开销的同时加速训练。最后,多层GRU精确优化了SOH指标与预测值之间的映射。在NASA和CALCE数据集上的实验验证了该方法的优越性,实现了0.01的平均绝对百分比误差(MAPE)、0.91%的均方根误差(RMSE)和0.99的决定系数(R2)。值得注意的是,该方法准确捕捉了电池容量再生等现象,在波峰和波谷处表现出卓越性能,同时保持了高计算效率。
**论文解读:基于卡尔曼滤波优化的混合Transformer网络用于锂离子电池健康状态预测**
**研究背景与问题**
锂离子电池(Lithium-ion batteries,LIBs)因其高能量密度、低自放电率和长循环寿命而被广泛应用于各个领域。在服役过程中,LIBs表现出由阳极、阴极和隔膜的物理化学演变主导的非均匀老化行为,这进一步决定了其健康状态(State of Health,SOH)轨迹。SOH定义为当前容量与初始容量之比,是评估LIBs高效可靠运行的关键指标。然而,SOH无法直接测量,且受温度、充放电倍率、放电深度等多种因素影响,SOH曲线在整个寿命周期中表现出高度非线性行为。此外,容量再生现象(即充放电循环过程中内部电化学反应部分恢复电池容量,导致下一周期容量迅速上升)也严重影响了SOH预测的准确性和稳定性。因此,高精度SOH预测已成为锂离子电池领域的研究热点。
目前,SOH预测方法主要分为基于模型的方法、数据驱动方法和混合融合方法。基于模型的方法(如经验模型、等效电路模型ECM、电化学模型EM)依赖物理和数学建模,但存在模型复杂、参数辨识性差等问题。数据驱动方法(如高斯过程回归GPR、支持向量机SVM、人工神经网络ANN、循环神经网络RNN及其变体LSTM、GRU)通过建立电池SOH与关键运行变量之间的隐式统计关联,在短期和长期健康预测中取得显著进展,但面临数据需求量大、对输入特征质量敏感等问题。Transformer模型通过注意力机制有效捕获长期时间依赖,但其预测性能高度依赖于输入健康特征质量和系统复杂度。混合融合方法通过集成多种技术互补优势,如CNN-LSTM、Bi-GRU-Transformer等,但现有混合模型在完全捕捉电池退化固有的复杂非线性和时变动态方面仍存在局限。针对上述问题,研究人员提出了一种创新的混合神经网络KF–SAMformer–GRU,旨在提高SOH预测的准确性和鲁棒性,尤其是在处理信号波动、数据分布偏移和容量再生现象时。
**主要关键技术方法**
研究人员采用以下关键技术方法开展研究:
1. **数据预处理**:对原始多源时序数据(电压、电流、内阻、充放电容量)进行min-max归一化,并添加高斯白噪声,利用自编码器进行数据重构,以保留有用信息、减少异常值波动。
2. **KF-SAMformer特征提取**:引入锐度感知最小化Transformer(SAMformer),结合可逆实例归一化(RevIN)处理多源数据集中的非平稳性,并利用卡尔曼滤波器(KF)进行噪声抑制和多维特征融合。
3. **多层GRU预测模块**:在KF-SAMformer底层设计三层堆叠门控循环单元(GRU),通过逐层处理时间依赖性,输出SOH预测值。
4. **锐度感知最小化(SAM)优化器**:替代传统SGD或Adam优化器,最小化训练损失与损失锐度之和,寻找损失景观中的平坦最小值,提升泛化能力,并采用余弦退火策略调整学习率。
**研究结果**
在NASA和CALCE(包括CS2和CX2)公开数据集上进行实验验证,这些数据集涵盖不同电池类型、温度条件(24°C、1°C、25°C、35°C、45°C、55°C)和老化轨迹。数据集按7:3比例划分为训练集和测试集。评估指标包括决定系数(R2)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)和平均绝对误差(MAE)。
**4.3 预测结果**
与CNN-LSTM、Bi-GRU-Transformer、传统Transformer、GRU等方法对比,所提出的KF–SAMformer–GRU方法在NASA数据集上达到平均RMSE和MAPE小于0.007,MAE为0.0051,R2大于0.99;在CALCE数据集上RMSE和MAPE小于1.03%,R2大于0.99。预测曲线显示,该方法与真实值高度一致,并能灵敏捕捉容量再生现象。
**4.4 消融实验**
为验证各模块贡献,在CALCE数据集上进行了消融实验。控制组包括:仅Transformer、仅GRU、KF-Transformer(无SAMformer和GRU)、SAMformer-GRU(无KF)以及所提出方法。结果表明,融合SAMformer和GRU的性能优于传统Transformer或GRU;KF对网络优化效果显著;所提出的混合网络获得最优性能。GRU层数消融实验显示,单层GRU性能最差,三层GRU达到最高精度,超过三层后性能下降(可能因过度特征抽象导致模型崩溃)。
**讨论与结论部分**
研究人员指出,所提出的KF–SAMformer–GRU混合神经网络有效捕捉了电池容量再生现象,预测了电池容量恢复。卡尔曼滤波器过滤噪声和冗余特征,锐度感知最小化优化的Transformer提升了特征提取效果和处理速度,多层GRU网络凭借优越的模式捕获能力输出SOH结果。在多种不同电池材料和退化状态的公共数据集上验证,模型达到MAPE为0.01,MAE为0.0051,RMSE为0.91%,R2为0.99,优于其他方法。消融实验证实了所提框架的合理性和GRU层数选择。尽管取得了优异的预测精度,但该模型在处理长序列电池数据时面临高计算复杂度和内存消耗问题。此外,当前研究依赖标准化公共数据集(如CALCE和NASA),这些数据在受控实验室条件下采集。未来研究将聚焦于算法轻量化和真实充放电条件下的SOH预测,推动该方法在电动汽车和电化学储能中的应用,最终目标是增强模型泛化能力,确保其无缝应用于实际电池管理系统。
**研究结论部分翻译**
针对SOH预测问题,研究人员提出了一种名为KF–SAMformer–GRU的混合神经网络,该网络能够捕捉电池容量再生现象并预测电池容量恢复。卡尔曼滤波器被引入以滤除噪声和冗余特征,锐度感知最小化优化的Transformer提升了特征提取效果和处理速度。然后使用多层GRU网络以优越的模式捕获能力输出SOH结果。所提出的方法在不同电池材料和退化状态的多种公共电池数据集上得到验证。结果表明,研究人员的模型实现了0.01的MAPE、0.0051的MAE、0.91%的RMSE和0.99的R2,优于其他方法。这表明,尽管面临电池数据分布偏移的挑战,研究人员的SOH预测方法仍能在保持优异稳定性的同时实现更高精度。消融实验证实了所提框架的合理性以及GRU层数的选择。KF–SAMformer–GRU的混合架构相比其他主流方法显著提高了预测精度,并且KF进一步优化了预测网络的训练过程。此外,三层GRU框架具有优越的模式捕获能力。尽管取得了优异的预测精度,研究人员的模型在处理长序列电池数据时面临高计算复杂度和内存消耗问题。尽管结果令人鼓舞,但本研究目前严重依赖于标准化公共数据集(如CALCE和NASA),这些数据是在受控实验室条件下采集的。未来研究将聚焦于算法轻量化和真实充放电条件下的SOH预测,推动该SOH预测方法在电动汽车和电化学储能中的应用。研究人员的最终目标是增强模型的泛化能力,确保其无缝应用于实际电池管理系统,在真实汽车场景中促进可靠的状态估计和健康监测。