锂离子电池剩余使用寿命预测：一种特征加权和双注意力网络

《Journal of Energy Storage》：Remaining useful life prediction of lithium-ion batteries: A feature weighting and dual attention network

　　

**摘要**

准确预测锂离子电池的剩余使用寿命（RUL）对于维持系统性能以及防止多个应用中的灾难性故障至关重要。在本研究中，我们提出了一种特征加权与双重注意力网络（FWDANet），以提高RUL预测的精度。首先，特征加权网络从嵌入的多变量特征中选择并加权重要变量。然后，双重注意力网络分层计算不同时间步的重要性，并捕获各种特征之间的交互作用。最后，应用输出层融合上述信息进行容量预测。FWDANet采用了一种优化架构，能够从多变量特征中有效提取有用信息，同时准确建模锂离子电池的退化模式。所提出的网络使用CALCE和NASA锂离子电池数据集进行了验证。实验结果表明，FWDANet在两个数据集的单步预测上优于近期的先进网络，突显了其在RUL预测上更高的准确性。

**章节片段：门控残差网络**

门控残差网络（GRN）是一种神经网络模块，设计用于通过一系列变换、门控机制和残差连接来处理输入[27]。GRN由输入变换、非线性处理、使用门控线性单元（GLU）的门控机制[28]，以及带有层归一化的残差连接组成。GRN的结构如图1所示，描述如下。GRN接收主输入x：

GRN(x) = LayerNorm(x + GLU(h1))
h1 = W1·h2 + b1

**数据集描述**

为验证所提出方法的通用性，本研究使用两个公开数据集：马里兰大学锂离子电池数据集（CALCE）和NASA商用锂电池数据集。这些数据集提供了循环老化实验中电压和电流的详细记录。CALCE数据集包含四个锂电池组（标称容量：1.14 Ah），标记为CS2-35、CS2-36、CS2-37和CS2-38，使用恒流（CC）和恒压（CV）协议进行充电。类似地，四个……

**结论**

本文提出了一种特征加权与双重注意力网络，称为FWDANet。具体而言，FWDANet采用FWNet根据特征对RUL预测的贡献分配不同的权重，有效利用多变量信息的互补优势，同时抑制无关变量的影响。此外，DANet通过其双重注意力机制捕获时间步和特征之间的长期依赖关系。FWDANet融合了这些特性……

**CRediT作者贡献声明**

肖茂东：撰写——初稿，可视化，验证，软件，方法论，调查研究，形式化分析。
秦宏宇：软件，方法论，调查研究。
余佳祥：可视化，形式化分析。
李浩洋：可视化，验证。
王磊：撰写——审阅与编辑，监督，资源，项目管理，概念构思。

**利益冲突声明**

作者声明，他们没有已知的竞争性经济利益或个人关系，这些可能影响本文所报告的工作。

肖茂东 | 秦宏宇 | 余佳祥 | 李浩洋 | 王磊

北京航空航天大学自动化科学与电气工程学院，中国北京，100191