基于多维特征融合与优化长短期记忆神经网络的动力锂电池健康状态评估
《Journal of Energy Storage》:State of health estimation for lithium-ion batteries based on multidimensional feature fusion and optimized long short-term memory neural networks
【字体:
大
中
小
】
时间:2026年08月04日
来源:Journal of Energy Storage 10.7
编辑推荐:
摘要:准确的电池健康状态估计对电池管理系统而言至关重要,但纯数据驱动方法往往存在高维特征冗余问题,并且在训练样本有限时性能会严重下降。为解决这些难题,本文提出了一种强大的数据驱动型电池健康状态估计框架,该框架整合了多维热电时间特征融合技术以及经元启发式算法优化的长短期记忆网络。首
摘要:准确的电池健康状态估计对电池管理系统而言至关重要,但纯数据驱动方法往往存在高维特征冗余问题,并且在训练样本有限时性能会严重下降。为解决这些难题,本文提出了一种强大的数据驱动型电池健康状态估计框架,该框架整合了多维热电时间特征融合技术以及经元启发式算法优化的长短期记忆网络。首先,定义了增量容量曲线峰值间隔,以便在恒流放电条件下系统地提取11项健康指标,从而全面捕捉热电时间耦合的电池老化特性。随后,运用主成分分析进行特征融合和降维处理,以消除强烈的多重共线性,进而形成密集且具有代表性的特征空间。这些主成分会被输入到长短期记忆网络的时间序列预测模型中,该模型的超参数则通过遗传算法和蚁群优化算法进行全局优化,以提高预测精度和稳定性。该研究在NASA锂离子电池老化数据集上进行了验证,系统比较了不同增量容量间隔宽度及训练比例下该框架的性能。结果表明,所提出的框架在样本量较少的情况下仍具有出色的稳定性。即便训练数据集的比例仅为60%,经过蚁群优化后的模型相较于未优化的基线长短期记忆网络,其均方根误差和平均绝对误差分别降低了68.6%和71.9%。本研究为在早期实验室数据有限的条件下实现电池健康状况的稳定且高效预测提供了数据驱动型解决方案,也为未来在复杂实际场景中的应用奠定了基础。
引言:化石燃料的快速枯竭及其过度开采带来的严重环境问题,使得全球面临着紧迫的能源危机,这促使人们寻求清洁且可持续的能源解决方案[1]。锂离子电池已成为电动汽车、便携式电子设备以及其他可再生能源存储系统的核心能量来源[2]。随着充放电循环的不断累积,电池性能会逐渐下降,尤其是容量衰减问题,这不仅会影响电池的使用寿命,还会带来重大的安全风险[3]。因此,准确评估电池健康状态并预测其剩余可用容量,对于优化电池管理系统具有重要意义[4]。
锂离子电池的健康状态估计主要采用三种方法:直接测量法、基于模型的方法以及数据驱动法[5][6]。直接测量法通过电池测试系统检测与电池老化相关的参数,如容量和阻抗,再通过简单的函数映射得到电池健康状态值。这种方法优点在于简单且计算复杂度低,但需要大量的实验来分析电池老化特性,且稳定性较差。此外,由于受测量技术限制,其估计精度也较为有限,不适合用于实时健康状态估计[7]。
相比之下,基于模型的方法(如等效电路模型和基于滤波的方法)虽然能够在一定程度上描述电池行为,但也存在诸多局限性。基于自适应滤波的电池健康状态估计通常依赖于电池等效电路模型或电化学模型,其估计性能在很大程度上取决于模型的精确度以及参数识别的准确性。然而,这些方法在在线应用方面存在局限,且需要大量的参数识别工作,因此更适用于实验室研究。例如,Mu等人提出的双时间尺度卡尔曼滤波算法[8]计算复杂度高,依赖高质量的数据,难以满足实时处理的要求。此外,等效电路模型中的许多参数缺乏明确的物理化学意义,且在复杂工作条件下的精度也会下降。Hu和Qian[9]提出利用等效电路模型拟合电化学阻抗谱数据来估算锂离子电池的健康状态,但他们也指出,这类模型中的参数往往缺乏明确的物理化学意义,而且不同类型的电池内部反应机制差异较大,因此为某一种电池类型建立的数学关系很难推广到其他类型,这大大限制了等效电路模型方法的通用性。正是由于这些缺陷,研究人员开始转向数据驱动方法。数据驱动方法通过收集电压、电流和温度等数据,提取与电池健康状态变化密切相关的特征,并构建相应的估计模型。由于无需对复杂的电化学机制进行深入建模,这类方法具有更高的灵活性和稳定性,因此近年来受到了越来越多的关注。
目前,支持向量机、高斯过程回归以及长短期记忆网络等数据驱动算法已被广泛用于锂离子电池健康状态估计[10]。其中,长短期记忆网络因其能够有效捕捉长期依赖关系和非线性时间特性而备受重视[11]。然而,长短期记忆网络的预测精度和跨电池稳定性对其超参数配置极为敏感,而这些参数的传统设定方式往往依赖人工经验,存在较大的随机性。为克服这一局限,近期的一些研究开始探索结构改进和自动参数优化方法。例如,有研究提出将注意力机制与混合长短期记忆网络框架相结合,以便动态地为关键时间特征分配权重[12];还有研究开发了将长短期记忆网络与柯尔莫哥洛夫-阿诺德网络相结合的模型,以增强非线性特征提取能力[13]。为直接解决超参数调优问题,还有研究人员利用粒子群优化算法对堆叠式长短期记忆网络进行自适应配置,从而有效降低预测误差[14]。尽管在这些方法上取得了进展,但现有研究大多是在数据充足的情况下对模型结构进行改进。在实际工程应用中,如何在训练样本受限且电压范围不同的情况下,系统地评估超参数优化策略以确保模型的跨电池稳定性,仍是一个亟待解决的难题。为填补这一空白,本文提出了一种综合框架,该框架包括从增量容量曲线中提取多特征、通过主成分分析进行降维,以及基于遗传算法和蚁群优化算法对长短期记忆网络进行优化,以此在数据有限的条件下实现电池健康状态估计。
为了凸显本研究的创新点及其在实际应用中的优势,有必要将其与近期的一些代表性研究进行对比。Rout等人[15]对基本的热电特征(如电压、电流、温度)进行了标准化处理,并评估了包括长短期记忆网络在内的多种机器学习模型。然而,他们的特征提取较为基础,未能深入分析增量容量曲线中的老化机制,也未对小样本条件下的模型稳定性进行评估。Mu等人[16]则使用主成分分析和多维尺度分析进行特征降维,并在60%和70%的不同训练比例下评估了高斯过程回归和长短期记忆网络模型;但他们仅提取了五种基本的充放电特征,这些特征难以全面涵盖热电时间耦合的老化信息。此外,Peng等人[17]提出了一种IGWO-长短期记忆网络模型,该模型在50%到70%的训练数据比例下仍能实现较高的预测精度。不过,他们的方法过度依赖局部放电时间特征,未能有效整合热电耦合效应,也未能系统分析不同电压间隔宽度对特征提取稳定性的影响。
为表征锂离子电池老化过程中的热电时间耦合老化机制,本研究构建了一个涵盖热、电和时间三个维度的多维健康特征集。随后,运用主成分分析对这些特征进行融合并降维,旨在减少特征冗余,为后续分析提供更为稳定的特征基础。在此基础上,本文提出了一种基于经遗传算法和蚁群优化算法优化的长短期记忆网络的锂离子电池健康状态估计框架。该方法通过结合电池的热特性以及增量容量曲线中的峰值间隔特征,试图全面捕捉电池的老化过程,同时利用遗传算法和蚁群优化算法来优化长短期记忆网络的超参数。最后,为验证所提出框架的有效性,本研究在不同电压间隔宽度及训练比例的小样本条件下,系统评估了该模型的估计稳定性。
章节节选:锂离子电池健康特征提取在详细介绍特征提取流程之前,有必要先介绍本研究所使用的实验平台。为确保实验结果的可重复性,并明确所提出的元启发式优化长短期记忆网络框架的计算需求,所有的数据处理、模型训练和验证工作均在同一平台上完成。实验环境的详细规格,包括计算硬件及分析工具等,均已在文中说明。
长短期记忆神经网络的基础知识长短期记忆神经网络通过引入门控机制,包括遗忘门、输入门和输出门,显著提升了网络的记忆能力[27]。借助这些门控机制,长短期记忆网络能够有效地学习长期的时间依赖关系,同时避免传统循环神经网络所面临的梯度消失和梯度爆炸问题。
在长短期记忆网络中,遗忘门会接收上一个时间步的隐藏状态以及当前的输入信息...
基准评估:训练规模和电压间隔的影响本文采用了四种机器学习方法——长短期记忆网络、BP神经网络、高斯过程回归和支撑向量机——来构建锂离子电池健康状态估计模型。电池健康状态估计结果的均方根误差如图7所示。为在模型训练之前明确说明特征降维的必要性,表3展示了所有电池数据集及不同电压间隔下,前三个选定主成分的方差贡献率。如图所示,这些主成分的累计贡献率始终超过95%(具体数值范围为...)
结论:本文提出了一种基于遗传算法和蚁群优化算法优化的长短期记忆网络电池健康状态估计方法,该方法将增量容量曲线中的峰值间隔信息与热电时间耦合特征相结合。在峰值间隔范围内,该方法系统地提取了11项健康特征,包括峰值电压、峰值高度、峰值面积、左右斜率、峰值持续时间以及峰值温度。为解决多维特征之间的严重多重共线性问题,本文引入了主成分分析技术,以实现健康因素的融合处理...
CRediT作者贡献声明:钟善华:撰写——初稿;李志正:验证;刘倩:数据整理;朱晓青:资源提供;鞠星:撰写——审稿与编辑。
利益冲突声明:作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。
致谢:作者感谢中国国家自然科学基金(项目编号52476196)和北京市自然科学基金(L242074)的支持。
钟善华|李志正|刘倩|朱晓青|鞠星中国北方电力大学北京新能源储能技术实验室,北京,102206
生物通微信公众号
生物通新浪微博
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