GLF-Former:面向电池剩余使用寿命预测的双注意力全局-局部融合框架

《Batteries》:GLF-Former: Dual-Attention Global–Local Fusion for Battery Remaining Useful Life Prediction

【字体: 大 中 小 】 时间:2026年08月29日 来源:Batteries 4.8

编辑推荐:

  准确预测锂离子电池的剩余使用寿命(RUL)对运行安全与预测性维护至关重要。然而,基于不完整退化轨迹进行准确RUL估计仍具挑战,原因包括可观测历史有限、容量退化非线性、局部波动以及长期预测中的误差累积。研究人员提出GLF-Former,一种基于Transform

  
准确预测锂离子电池的剩余使用寿命(RUL)对运行安全与预测性维护至关重要。然而,基于不完整退化轨迹进行准确RUL估计仍具挑战,原因包括可观测历史有限、容量退化非线性、局部波动以及长期预测中的误差累积。研究人员提出GLF-Former,一种基于Transformer的全局-局部双分支架构框架,用于电池容量与RUL预测。全局分支表征长期退化趋势,局部分支聚焦短期容量变化。进一步引入结构感知注意力(SAA)模块与对齐通道融合(ACF)模块,以增强全局-局部特征交互并自适应重标定融合后的退化表征。所提模型在CALCE、NASA和TJU公开数据集的代表性电芯上于多个预测起点下评估。在12个电芯起点设置中,GLF-Former容量预测MAE为0.0019–0.0068 Ah,RMSE为0.0026–0.0152 Ah,R2为0.9644–0.9997;对应平均绝对误差(AE)为0.4–1.1循环。结果表明,在所选评测设置下,尤其当可用退化历史有限时,GLF-Former具备有竞争力的容量预测与RUL估计性能。
研究背景方面,随着清洁能源与储能技术需求增长,锂离子电池广泛应用于电动汽车、便携电子与可再生能源系统。长期运行中电池容量衰减、性能下降与安全风脸上升,使剩余使用寿命(RUL)预测成为电池健康管理、维护规划与系统稳定运行的核心环节。现有方法分为特征工程法、深度序列学习法与长序列预测法三类:特征工程依赖人工健康指标,复杂工况下泛化受限;RNN/LSTM/CNN-RNN等可减少手工特征依赖,但长程退化一致性与细粒度局部波动难以兼顾;Transformer及其变体虽强化长程建模,但多数面向通用时间序列,对不完整轨迹下长期趋势与短期波动的平衡表示仍不足;物理信息神经网络(PINNs)受限于物理假设有效性。因此,在可观测历史有限时,协同表示长期退化倾向与短期局部变化、抑制递归预测误差传播,是本文研究的动机。
研究人员开展的研究为提出GLF-Former框架,在CALCE(CS2_35、CS2_36、CS2_37、CS2_38)、NASA(B0005、B0006、B0007、B0018)与TJU(CY25_1、CY25_2、CY25_3,三星INR18650-25R NCM-NCA正极)三个公开数据集上,以70%额定容量为寿命终止(EOL)阈值,设多个预测起点(SP)进行评测;结论是该方法在容量预测MAE 0.0019–0.0068 Ah、RMSE 0.0026–0.0152 Ah、R2 0.9644–0.9997及RUL绝对误差0.4–1.1循环下优于对照模型,尤其在有限历史场景具竞争力。论文发表于《Batteries》。
关键技术方法概括(不超250字):研究人员以循环级放电容量经库仑积分得容量序列,转为容量保持率并以min-max归一化;采用局部σ滤波(CALCE分40循环段2σ、TJU按电芯3σ多变量剔异常)清洗;滑动窗口构监督样本(CALCE/TJU窗长64、NASA窗长30,步长1,单步预测);模型含线性嵌入、全局分支(全序列时间轴SAA(结构感知注意力))+局部分支(分块patch内SAA)、对齐通道融合(ACF,基于ECA-Net思想做通道重标定)、Transformer编码器(多头自注意力+FFN+残差归一化)、线性预测头;损失用对称平均绝对百分比误差(SMAPE);推理自回归滚动至阈值穿越定RUL;每SP下10随机种子平均。
研究结果部分:
数据描述与预处理:研究人员在CALCE、NASA、TJU三数据集取代表性电芯,按电芯级留出测试(CALCE A=CS2_35、CALCE B=CS2_37、NASA=B0005、TJU=CY25_1),训练集内8:2分验证;EOL定义为容量低于70%额定(CALCE 0.77 Ah、NASA 1.4 Ah、TJU 1.75 Ah)。经容量保持率转换、min-max缩放、滑动窗口采样,建立不完整轨迹下多起点预测样本。
GLF-Former方法学:输入经线性嵌入得张量,全局分支以完整时序组织经SAA对循环位置重加权(平均+最大池化描述子、sigmoid独立重标、大残差系数保趋势),局部分支将序列分块、块内引入可学习token经SAA(平均池化、softmax竞争分配、小残差系数)提炼短程动态,两分支输出沿时间对齐后送ACF(拼接→平均/最大池化通道描述子→1D卷积+sigmoid→通道调制)得融合表征,进Transformer编码器与预测头输出下一循环容量比,递归至阈值定RUL。
实验设置与结果:在4测试芯×3起点共12设置下,GLF-Former容量预测MAE/RMSE/R2全域领先或并列领先(CALCE CS2_35 SP300 MAE 0.0059、RMSE 0.0129、R2 0.9962;TJU CY25_1 MAE 0.0019–0.0024 Ah;NASA B0005 SP90 R2 0.9644)。RUL估计AE:CALCE 0.8–1.1循环、NASA B0005 0.4–0.8循环、TJU 0.6–1.0循环,均最低或并列最低。起点敏感性上,GLF-Former各指标跨SP波动远小于基线,说明全局参考+局部邻域校正降低对单一分辨率的依赖。
消融研究:去局部分支平均MAE升29.2%、AE升70.6%(TJU SP400 AE由0.8升至3.0);去全局分支MAE升35.4%、AE升106.9%(TJU SP400 AE 3.4);去ACF模块MAE升21.6%、AE由0.85升至1.46;完整模型12设置平均MAE 0.00497、RMSE 0.00968、R2 0.99318、AE 0.85循环。证明双分支分离表示与对齐融合缺一不可。
讨论与结论翻译:研究人员指出,GLF-Former以Transformer基全局-局部双分支,全局分支捕长期退化演化,局部分支提邻步隐动态;SAA增强退化交互,ACF整合互补表示,结合多尺度提取与序列预测实现准确容量与阈值RUL估计。在CALCE、NASA、TJU多起点下取得低误差与跨观测长度一致性,证实该架构在基准内有效,但跨芯鲁棒性需更多条件验证。当前仅用循环级放电容量,实车BMS中可能需由部分电压电流估容量,在线估计误差会影响应用表现;未来将研跨芯跨条件评测、BMS可达信号、局部充放段、异质退化自适应预处理及与退化机制耦合的数据驱动法。
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