一种结合变分模态分解与优化长短期记忆网络的框架,用于基于多维特征估算锂离子电池的健康状态

《JOURNAL OF POWER SOURCES》:A hybrid variational mode decomposition and optimized long short-term memory framework for Lithium-Ion battery state-of-health estimation with multidimensional features

【字体: 大 中 小 】 时间:2026年07月30日 来源:JOURNAL OF POWER SOURCES 8.4

编辑推荐:

  摘要:精确的电池健康状态估算 merupakan核心要求,对于构建可靠的锂离子电池管理系统而言至关重要。本文提出了一种混合框架,整合了多维特征工程、自适应信号分解以及自动超参数优化技术。首先,从电流、电压、温度和增量容量等维度提取8个健康特征,再通过限制在训练集上的皮尔逊分析筛选

  摘要:精确的电池健康状态估算 merupakan核心要求,对于构建可靠的锂离子电池管理系统而言至关重要。本文提出了一种混合框架,整合了多维特征工程、自适应信号分解以及自动超参数优化技术。首先,从电流、电压、温度和增量容量等维度提取8个健康特征,再通过限制在训练集上的皮尔逊分析筛选出4个与电池健康状态高度相关的特征,以避免信息泄露。随后运用变分模态分解技术将特征序列分解为多尺度固有模态函数,从而区分长期退化趋势与测量噪声,接着通过主成分分析消除各分量间的冗余信息并保留关键特征。此外还引入了蜣螂优化器来自动调整长短期记忆网络的超参数,包括学习率、各层神经元数量以及丢弃率,以此避免手动调参带来的性能波动。在NASA PCoE和CALCE数据集上的验证结果表明,所提出的VMD-PCA-DBO-LSTM框架相比基准模型可使均方根误差降低30.5%,最小均方根误差分别达到0.0029和0.0159,最大R2值分别为0.9927和0.9953。值得注意的是,即便仅使用50%的训练数据,该模型仍能保持稳定性能,这证明了其在数据量有限的实际情况中具备良好的实用性。

引言:随着锂离子电池在电动汽车及电网储能领域的大规模应用,精确的电池健康状态估算已成为电池管理系统不可或缺的功能,其作用在于保障系统运行安全并延长电池使用寿命[1][2]。电池健康状态是指电池实际可用容量与额定容量之间的比值,它反映了由于锂离子损失、电极极化以及副反应等因素导致的电池累积退化程度[3][4]。当电池健康状态降至80%以下时,电池性能会显著下降,安全风险也会随之增加,因此精确的电池健康状态估算对于实现智能电池管理决策至关重要[5]。

电池健康状态估算方法大致可分为基于机理的方法和基于数据的方法两类[6][7]。基于机理的方法,如电化学模型和等效电路模型,是通过物理机制和电路类比来描述电池退化过程的[8][9]。尽管电化学模型能够深入揭示电池内部的电化学老化过程,但由于参数辨识复杂且计算成本高昂,其实际应用受到限制[10]。而等效电路模型虽然计算效率更高,更适合在线应用,但其精度却严重依赖于模型结构、参数标定以及运行条件[11]。因此,当面对非线性退化行为以及不同的老化条件时,基于机理的方法在适应性和扩展性方面存在明显局限。

基于数据的方法则提供了一种替代方案,它无需依赖复杂的电化学模型,可直接从电池运行数据中学习退化规律[12][13]。目前,基于机器学习的电池状态/健康状态估算方法,包括浅层神经网络、深度学习、支持向量机以及高斯过程回归等,已有多种相关研究,其中人工神经网络被证实是用于非线性电池健康状态建模的有效工具[14][15]。早期的研究主要依赖机器学习和概率模型,比如前馈神经网络、支持向量回归以及高斯过程回归等[16][17][18][19]。这类方法在数据量较少的情况下表现良好,但由于特征需要人工设计,且难以捕捉复杂的时序依赖关系,存在一定局限性。为克服这些缺陷,越来越多的研究开始采用深度学习技术[20][21]。卷积神经网络、门控循环单元、长短期记忆网络以及基于Transformer的模型等架构,能够自动从电池的序列数据中提取高级时序特征[22][23][24]。尤其是长短期记忆网络,在模拟电池退化过程中的长期依赖关系方面表现出较强能力[25][26]。近期的一些研究还通过优化辅助学习、抗噪声特征提取以及混合建模策略进一步提升了模型性能。例如,Wang等人[27]将贝叶斯优化与双长短期记忆网络相结合,提高了预测精度;Wang等人[28]则提出了自适应抗噪声长短期记忆网络框架,用于更可靠的电池性能预测。此外,还有研究证明,结合电化学与热学特征有助于在复杂运行条件下更准确地描述电池退化过程[29]。

然而,当前基于数据方法的电池健康状态估算研究仍面临若干挑战。首先,单一的健康状态指标往往无法全面反映控制电池退化的电化学、热学以及动力学等多重耦合机制,因此仍需通过构建多维特征来提升对电池退化过程的表征能力[30][31][32]。其次,测量噪声、容量再生现象以及非平稳的退化行为都可能掩盖电池的真正老化趋势,使得在复杂退化条件下,单纯的健康状态指标缺乏稳定性[33][34]。第三,深度学习模型对超参数配置较为敏感,其在不同类型的电池数据集以及不同训练/测试数据比例下的稳健性与泛化能力仍有待进一步验证[13][35]。尽管近期已有研究探索了多特征融合、电化学-热学耦合以及优化辅助框架等方法[27][29][31],但整个建模流程的可靠性却尚未得到足够重视。尤其需要注意的是,如果特征筛选、基于分解的特征增强、降维处理或超参数优化等工作与测试数据混在一起进行,就可能导致性能评估结果过于乐观。因此,仍然需要一种能够在数据量有限且涉及不同数据集的情况下,具备抗泄漏能力、抗噪声特性,并经过系统验证的电池健康状态估算框架。

为解决上述问题,本研究提出了一种基于VMD-PCA-DBO-LSTM的锂离子电池健康状态估算框架,该框架注重构建稳定的算法流程,而非单纯提高模型复杂性。首先,从电流、电压、温度以及增量容量等参数中提取多维健康特征,从不同的运行视角全面描述电池的退化过程[36]。接着在训练集内通过基于皮尔逊的相关性分析,筛选出具有代表性的退化相关特征。然后运用变分模态分解技术将选定的特征序列分解为多尺度分量,从而区分长期退化趋势与短期的波动及噪声干扰[37][38],随后通过主成分分析消除分解后产生的冗余分量,保留关键的电池老化信息[39]。最后引入蜣螂优化器来自动优化长短期记忆网络的关键超参数,降低模型对手动调参的依赖程度[40]。在整个框架中,特征筛选、VMD参数确定、PCA拟合以及基于DBO的超参数优化工作均仅在训练集上进行,而独立的测试集则专门用于最终的性能评估。本研究的主要贡献如下:首先,建立了完全隔离在训练集内的电池健康状态估算流程,所有特征相关性分析、VMD参数确定、PCA拟合以及超参数优化工作都在训练集内完成,测试集仅用于最终性能评估;其次,提出了多维多尺度的电池退化表征策略,通过从电流、电压、温度和增量容量等参数中提取特征,从不同角度描述电池老化过程,再利用变分模态分解区分长期退化趋势与短期波动,最后通过主成分分析保留关键信息;最后,对该框架在数据量充足和有限两种条件下了进行了系统性评估,通过在NASA和CALCE数据集上的实验,以及与其他模型的对比、优化器对比和消融实验,证明了该框架在面对不同类型的电池退化模式时具备较强的稳健性,均方根误差可降低30.5%。

本文的其余结构如下:第2节介绍数据集与特征提取方法;第3节阐述理论背景与模型架构;第4节详细说明所提出的VMD-PCA-DBO-LSTM框架;第5节展示并分析实验结果;最后第6节对全文进行总结。
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