一种用于锂离子电池健康状态估计的 TeLU 增强深度学习方法

《Electric Power Systems Research》：A TeLU-enhanced deep learning approach for state-of-health estimation of lithium-ion batteries

　　

•通过 FFRLS 提取可靠的 SOH 伪标签，以减轻真实电动汽车数据噪声。
•融合时域统计特征和基于 DWT 的时频特征进行 SOH 跟踪。
•在 SOH 建模中首创使用 TeLU 激活函数，以解决噪声引起的梯度振荡问题。
•使用鲁棒的确定性扰动方法量化特征可解释性。

引言

电动汽车（EVs）以电池为动力源，由于其减少污染物排放和化石燃料消耗的巨大潜力，已成为汽车业的主流趋势 [1]。随着能源安全问题和环境保护问题日益突出，发展新型环保节能产业变得愈发迫切 [2]。锂离子电池（LIBs）因其优越的能量密度 [3]、延长的循环寿命、环境兼容性以及卓越的操作稳定性 [4] 而在电动汽车中得到了广泛应用。人工智能（AI）的最新进展将电池研究从状态估计扩展到了材料和器件开发，通过主动学习和自动化实验加速了电极和电解质的筛选 [5]。与此同时，数字化的电化学电源整合了建模、传感和云端管理，凸显了可靠的 SOH 估计作为材料创新与现场部署之间的纽带 [3]。

锂离子电池固有的非线性时变特性使其运行状态容易受到多种内部和外部因素耦合影响 [6]。在长期的充放电循环和恶劣的运行条件下，锂离子电池表现出性能退化，表现为电动汽车续航里程衰减和输出功率特性恶化 [7]。作为量化电池耐用性和退化水平的关键指标，准确的 SOH 评估要求电池管理系统（BMS）实现对锂离子电池运行参数的实时监控和状态预测 [8]。作为 BMS 的关键算法模块，SOH 估计对于确保电池系统运行安全和提高生命周期经济效率具有重要的工程意义 [9], [10]。

准确的 SOH 估计通常需要一种基于传感器可测运行参数的间接估计方法，包括电流、电压和温度 [11]。主要的 SOH 预测方法可分为三类范式：直接测试方法、基于模型的方法和基于数据的技术 [12]。直接测量方法涉及设计多种实验协议来研究电池老化机制，随后进行统计分析以提取电池参数，从而实现 SOH 估计。这包括安时积分法 [13] 和电化学阻抗谱测试 [14] 等方法。然而，由于对环境控制和仪器精度有严格的实验要求，这些方法在车载 SOH 预测中的适用性有限，导致相关研究相对较少。

基于模型的预测方法通过构建电池模型来模拟外部电气特性从而估计 SOH，基于参数识别的方法主要采用两种成熟的模型框架：基于物理的电化学模型 [15] 和等效电路模型 [16]。这些基于模型的状态估计算法包括卡尔曼滤波 [17] 及其变体算法等。最近的研究通过结合状态空间建模 [18]、自适应参数识别 [19] 和基于序列的架构 [20] 来扩展这些框架，以增强时间鲁棒性和多状态估计能力。虽然此类方法在捕捉短期充放电动态方面表现出色，但其在长期老化跟踪方面的有效性仍然有限。这种局限性主要源于对精确参数识别、模型保真度以及在高度变化的真实运行条件下鲁棒性的依赖 [21]。

在人工智能进步的推动下，将电池视为黑盒系统且不需要内部退化机制显式知识的基于数据的方法 [22] 在 SOH 估计领域得到了广泛应用 [23]。这些方法通过实时运行数据和历史退化模式，算法化地建立了老化敏感特征与 SOH 之间的直接映射关系，用于电池状态评估 [24]。

基于特征工程的方法主要可分为两类：第一类依赖于提取与容量退化或内阻演化强相关的手工指示器，如统计描述符 [25]、点特征 [26]、增量容量特征 [27] 以及源自特定充电阶段的健康指标 [28]。这些方法在受控条件下表现出高估计精度，且其性能通常对特征选择策略和运行条件敏感。第二类直接将充电和放电期间的电池时序信号——包括电压 [29]、电流 [30]、温度和容量序列——作为输入到深度学习模型中，进行端到端的 SOH 估计 [31]。通过利用深度架构的表示学习能力，这些方法有效地减少了人工特征设计，并在实际应用中实现了更好的鲁棒性 [32]。除了纯粹的基于模型和数据驱动的方法外，越来越多的关注被投入到模型 - 数据融合和联合 SOC/SOH 估计中。文献 [33] 结合 SVD-AUPF 与 CNN-BiLSTM 来估计动态条件下的 SOC 和容量。文献 [34] 集成了基于 EKF 的 SOC 跟踪与恒流/恒压容量比模型，用于快速 SOH 估计。文献 [35] 开发了一种偏差补偿 DEKF，估计不同 SOC 区域的 SOC、容量和电压偏差，改善了 varying 温度和老化条件下的联合 SOC/SOH 估计。尽管这些类别有效，但它们很大程度上忽略了频域信息，而频域信息包含反映内部电化学反应动力学变化的本质退化相关动态。缺乏系统的时频特征建模限制了电池动态响应特性的利用，从而制约了模型精度和泛化能力。

然而，通过文献综述和综合，发现现有研究仍存在某些局限性。首先，可用数据源可分为实验数据和真实运营数据。由于真实运营数据固有的大采样间隔、高度随机的充电/放电行为 [36] 以及显著的噪声干扰，只能获得粗粒度的充电/放电数据和有限的电池 SOH 信息。因此，许多基于实验室数据开发的 SOH 估计方法在真实运行条件下难以有效表现 [37]。其次，在实际电动汽车应用中，负载通常是不规则的，因为它们是根据车主的驾驶偏好产生的。大多数现有研究严重依赖于从受控良好的实验室数据中提取的特征，忽略了真实运营数据中存在的显著波动，这使得实车场景中的特征提取变得复杂 [38]。此外，从实际老化数据中获取准确的 SOH 标签具有挑战性，因为它需要在数据预处理阶段计算电池容量等 SOH 指标 [39]。这使得基于真实老化数据的 SOH 估计方法比依赖实验室老化数据的方法更难实施。

为了解决上述挑战，本文开发了一种专门针对真实车辆数据的特征提取框架，并提出了一种混合模型用于 SOH 估计。所提出方法的总体架构如图 1 所示。本文的主要贡献如下：

1. 高效的数据预处理：对于 SOH 标记，采用反向安时积分方法结合 FFRLS 来减轻真实数据波动的复杂性，实现充电段容量数据的有效提取。
2. 有效的特征提取：为解决复杂真实车辆数据、显著波动和特征提取困难带来的挑战，提取了一维时域统计特征并应用 DWT 获得时频域特征，从而增强特征丰富性。
3. 鲁棒且可解释的 SOH 估计框架：所提出的框架整合了双域特征，并引入 TeLU 作为关键使能组件。其阈值自适应激活特性显著增强了模型处理复杂实车数据的能力。这辅以基于注意力的特征融合机制和扰动驱动的可解释性模块，共同提高了 SOH 估计的准确性和透明度。

本文其余部分结构如下：第 2 节描述了真实车辆数据的类型和来源，以及对这些数据集应用的处理方法。第 3 节详细解释本研究中采用的方法。第 4 节验证和讨论所提出的方法。最后，第 5 节总结本文。

章节片段

描述与预处理

由于道路条件多样且驾驶行为不可预测，车辆电池的真实运行环境表现出高度的复杂性和可变性，这与受控的实验室测试条件显著不同 [40]。通过随机车辆选择过程，本研究系统地比较了真实数据特征与实验室测试结果，并通过多特征融合实现 SOH 估计。SOH 反映了电池当前最大...

提取电池健康指标

由于电动汽车运行环境的复杂性和不确定性，基于充电过程的特征提取是一个合适的解决方案。在实际车辆应用中，电池的充电 SOC 范围具有高度随机性，这使得有效的特征提取具有挑战性。本研究提出了一种基于时域和频域特征的双域特征提取方法，以促进后续精确估计。

评估指标

为验证所提出 SOH 估计框架的性能，用于模型运行的硬件包括 CPU: Intel(R) Core(TM) i5-14400F @ 2.50 GHz，RAM: 32.0 GB，以及 GPU: NVIDIA GeForce RTX 5060 8G。软件基础为 MATLAB 2022b。本任务模型的关键参数设置概述在表 5 和表 6 中。

为了评估模型的预测性能，采用了三种常用的误差指标——均方根误差（RMSE）、平均绝对误差（MAE），

结论

锂离子电池 SOH 的准确估计对于电动汽车中的有效电池管理和决策至关重要。为解决稀疏且嘈杂的真实运营数据带来的挑战，本研究提出了一种综合 SOH 估计框架，具有双域特征提取和 TeLU 增强混合网络。首先使用反向安时积分计算充电段容量，随后使用遗忘因子递归最小（二乘法）进行校正。

CRediT 作者贡献声明

吴牧遥：方法论、形式分析。刘鹏宇：写作 – 初稿、可视化、验证、软件、方法论、数据整理。包磊：写作 – 初稿、可视化。王立：写作 – 审核与编辑、资金获取。

利益冲突声明

作者声明没有已知的竞争财务利益或个人关系可能影响本文中报告的工作。

吴牧遥 | 刘鹏宇 | 包磊 | 王立