基于多维健康特征与MDRSN-BiGRU-AM的一步超前锂离子电池容量跟踪

《Sustainability》：One-Step-Ahead Lithium-Ion Battery Capacity Tracking Using Multidimensional Health Features and MDRSN-BiGRU-AM

　　

摘要

精确的循环级电池容量跟踪能够支持基于状态的电池管理，但必须将其与健康状态（SOH）估计以及前瞻性长时程剩余使用寿命预测区分开来。本研究构建了一个有界的一步预测任务，即仅使用从已完成循环中提取的健康信息来估计目标循环 t 时的容量，其中已完成的循环范围从 ????? 到 ???1。本研究基于电压、电流及时域充放电信号构建了四个间接特征。通过对八节电池进行皮尔逊相关分析及特征级消融实验，发现在恒电流协议下，恒流放电时间是与容量相关的主要代理指标，而其余充电相关和电压相关特征提供较小的补充增益。研究采用MDRSN-BiGRU-AM模型，并结合时间序列内的单细胞跟踪、受控的M1–M4架构消融实验、多次固定种子重复运行及敏感性分析进行评估。完整的M4模型在CALCE数据集上的平均RMSE为0.0075 Ah，在NASA数据集上为0.0116 Ah，相较于架构消融实验中的M1（BiGRU）模型，分别降低了17.6%和15.9%。这些结果支持在所评估的实验室协议条件下进行有界的一步容量跟踪。然而，模型对先前未见过的电池的泛化能力、与完全指定的传统基线方法相比的性能、局部容量增加区间以及变现场条件的适应性尚未得到验证，仍属未解决问题。终止寿命（EOL）阈值仅作为描述性视觉参考使用，未对任何环境或经济效益进行量化。