基于季节 - 趋势 - 局部加权回归散点平滑分块嵌入与级联通道多层感知机的锂离子电池健康状态估计

《Journal of Energy Storage》：Lithium-ion battery state of health estimation via seasonal-trend-loess patch embedding and cascaded channel multilayer perceptron

　　

# 摘要

随着电池在储能领域日益关键，准确的状态健康度（SOH）估计对于安全运行和能效至关重要。现有模型往往难以精确预测SOH，因为它们无法捕捉各种特征模式中截然不同的特性和依赖性。其复杂的结构和有限的泛化能力仍然阻碍了实际应用中的估计性能。为应对这些挑战，本文提出了一种全新的全多层感知机（MLP）模型，集成了季节性-趋势-LOWESS（STL）分块嵌入和级联通道MLP模块，称为STLPatchMLP。具体来说，STL分块嵌入模块利用季节性和趋势分解来捕捉季节-趋势特性，随后应用多尺度分块嵌入来获取时间依赖性。此外，本文提出了一种新颖的级联通道多层感知机（MLP）模块，以有效利用通道内和跨通道的交互作用，该模块整合了时间和语义特征来表征容量退化模式。这些改进可以恢复高频细节并捕捉跨变量交互，有效降低了结构复杂度并提升了模型泛化能力。在四个公开电池数据集上的实验表明，我们的模型在不同充放电协议下均适用，即使在不同的训练集比例下也是如此。实验结果表明，我们的方法在SOH估计方面显著优于近期对比方法，在大多数数据集上的指标低于0.6%，尽管在复杂工作条件（训练集比例为40%）下仍存在挑战，同时计算成本更低。

# 引言

锂离子电池（LIBs）因其高能量密度、低自放电率和环境兼容性[1]，被广泛应用于各种储能应用。然而，随着反复循环、温度波动和老化效应的影响，其性能不可避免地退化，增加了安全事故的风险[2]、[3]。作为电池可靠性的关键指标，状态健康度（SOH）反映了退化水平，并通过估计和趋势分析促进电池管理[4]。因此，开发准确的SOH估计对于实际应用中的电池管理至关重要[5]。

一般来说，基于容量的SOH[6]定义为SOH=Cnow/C0，其中Cnow和C0分别指当前容量和初始容量。由于内部反应和工作条件的复杂性，SOH无法直接测量，通常从电压、电流和温度等外部测量中推断得出[5]、[7]。已有大量算法被开发用于SOH估计，它们大致分为两类：基于模型的方法和基于数据的方法。

基于模型的方法通过构建源自电化学原理的物理和数学模型来估计电池退化。它们通过构建代表性模型来估计SOH，例如经验模型[8]、电化学模型（EM）[9]和等效电路模型（ECM）[10]、[11]、[12]，随后识别相应的参数。这些模型通常与滤波技术或观测器[13]、[14]、[15]、[16]进一步集成，以实现递归状态估计和SOH预测。这些基于模型的方法具有强大的物理可解释性和坚实的理论基础，使其非常适合研究各种电池系统的退化机制。尽管在SOH预测方面取得了显著进展，但上述方法通常存在模型复杂度过高和参数精度较低的问题，尤其是在实际场景中[17]。

近年来，数据驱动方法出现激增，这些方法使用机器学习来提取电池SOH与关键运行数据（如电压、电流和温度）之间的统计相关性。早期的机器学习方法在SOH估计中取得了显著进展，包括支持向量机（SVM）[18]、高斯过程回归（GPR）[19]和人工神经网络（ANNs）[20]。虽然在某些情况下有效，但这些模型在泛化能力、数据规模敏感性或高计算成本方面存在局限性。为提升SOH估计技术，提出了健康特征（HFs）来分析运行数据并提取关键特性。作为关键特性，差分电压（DV）和增量容量（IC）分析已被广泛用于HFs提取。IC曲线作为电池健康的指示器[21]、[22]，其峰值高度和位置对电化学过程高度敏感。电压曲线被重构以推导DV和IC特征[23]，并在滤波方法中应用了参数调整过程以增强HFs质量。利用表面温度变化，Feng等人[24]采用指数模型获取HFs用于在线估计。尽管在HFs提取方面取得了显著进步，但这些模型未能考虑多样的电池退化趋势，特别是高频细节。因此，增强HFs提取至关重要，需要进一步研究。

为捕捉SOH退化的时间累积特性，时序模型与提取的特征相结合以有效描绘容量趋势。循环神经网络（RNNs）因其固有的建模序列依赖性的能力，在SOH估计中被广泛用于特征提取[25]。为缓解梯度消失或爆炸问题，其改进变体如长短期记忆（LSTM）和门控循环单元（GRU）网络被广泛应用于电池状态估计。为自适应地捕捉电池退化动态，Wang等人[26]将GRU与时序卷积注意力（TCA）模块集成以改善特征提取。一种结合双向GRU（Bi-GRU）和双向时序卷积网络（Bi-TCN）的混合模型[27]被开发用于增强SOH预测准确度的时间特征。为更好地利用LSTM的序列学习能力，He等人[28]使用贝叶斯方法优化超参数，Wang等人[29]利用滑动窗口方法捕捉电池生命周期各阶段的局部退化动态。为提高对干扰的鲁棒性，Zhao等人[30]应用经验模态分解与时变滤波器提取多频率退化特征，并进一步由Bi-LSTM处理以在多样电池数据集上进行SOH估计。尽管RNN变体在SOH估计中表现良好，但其固有架构在处理长期时间数据时不可避免地损失早期序列依赖关系。为解决这些不足，基于Transformer的模型[31]、[32]、[33]采用注意力机制分配权重，有效缓解了长期时间依赖性问题。Luo等人[34]提出了一种先进的Transformer模型用于SOH估计，利用模型强大的序列建模能力来分析EIS提取的特征。利用一种新颖的可分离对数稀疏自注意力机制，Chen等人[35]优化了Transformer解码器以降低计算复杂度并提升估计性能。虽然Transformer及其变体能有效捕捉全局依赖性，但其性能仍然严重依赖于输入HFs和系统复杂度。为降低计算成本，Tian等人[36]提出了一种通用的物理信息神经网络（PINN）框架，采用双分支多层感知机（MLP）结构进行电池SOH估计。Zhou等人[37]开发了一种混合框架用于准确的电池SOH估计，利用MR-MLP进行多层次特征提取，并采用混合LSTM-Transformer模型解决短期测试条件问题。虽然基于MLP的模型对SOH估计高效，但它们难以有效提取退化特征，且计算成本限制了实际应用。此外，Feng等人[38]在CNN-LSTM架构中引入了跳跃连接，有效缓解了多层LSTM网络中的退化问题。Wang等人[39]提出了Ster-PEATNet，一种新颖的SOH估计框架，集成了自适应电压敏感窗口（AVW）用于动态健康指标提取，并采用改进的TimesNet架构增强多尺度时间模式识别以及在复杂工作条件下的鲁棒性。

当前SOH估计模型面临几个关键挑战：(1) 多种变化在原始序列中错综复杂地叠加，但很少有研究考虑各种电池特征模式中涉及的截然不同的特性。(2) 网络驱动的特征分析不足难以解耦容量衰减和再生的复杂规律。局部再生表现出多种波动，由随机干扰和嵌入高频信号中的外部扰动驱动。然而，很少有研究关注提取这种高频信息以揭示潜在的内部动态。(3) 现有方法在复杂结构方面表现有限，且在不同电池类型间泛化能力差，严重限制了其实际应用。为应对这些挑战和当前研究空白，本文提出了一种新颖的STLPatchMLP方法，通过将STL分块嵌入和级联通道MLP模块集成，用于锂离子电池的SOH估计。主要创新点和贡献如下：

(1) 为应对多尺度退化变化，提取了16个健康特征。STL模块将HFs分解为趋势和季节性成分，随后应用多尺度分块嵌入提取时间依赖关系。这种组合捕捉了多周期性特性并恢复了高频细节，这对于表征容量再生至关重要。

(2) 引入了一种新颖的级联通道MLP模块来分析特征，然后利用通道内和跨通道的交互作用。通道混合促进了时间和语义信息的整合，使容量衰减的复杂规律建模成为可能。

(3) STLPatchMLP是一个完全基于MLP的模型，通过简化网络结构验证了降低复杂度的潜力。多尺度特征提取和级联通道分析使模型能够捕捉多样的关联和跨变量交互，从而增强模型泛化能力。

(4) 我们在众多电池基准数据集上评估了所提方法，始终优于最先进的SOH估计方法。此外，大量的消融研究和不同训练比例下的对比实验验证了模型的鲁棒预测能力和泛化性能。

本文其余部分组织如下：第2节概述所提出的STLPatchMLP框架，包括所使用的电池数据集、特征构建和建模框架，以及相关的SOH估计策略。第3节展示了实验验证结果，并与相关对比研究进行了比较。第4节总结了总体发现和贡献。

# 方法

如图1所示，我们提出的框架包含三个主要阶段：数据集描述、特征构建和模型开发。选择四个代表性电池数据集用于SOH估计，详细信息包含在数据集描述阶段。在特征构建阶段，首先对电压和电流数据进行清洗和归一化以减少噪声，随后通过优化的特征提取生成16个适用于各种充放电协议的鲁棒特征。

# 实验设置

STLPatchMLP的整体结构和参数设置如图1所示。在训练过程中，我们的模型使用Adam优化器训练20个epoch，学习率为0.0001。考虑到不同的充电循环长度，为HUST、MIT、TJU和XJTU电池数据集设置了固定序列长度（seq_len）为96，每个数据集的批量大小为32。训练过程在配备Intel? Xeon(R)计算机CPU的GPU工作站上进行。

# 结论

随着对电池效率和可靠性需求的不断上升，准确的SOH预测对于确保最佳性能和安全性变得至关重要。在本研究中，我们通过结合STL分块嵌入和级联通道MLP模块，提出了一种新颖的STLPatchMLP用于锂离子电池SOH估计。为应对容量再生的干扰，引入了STL分块嵌入对HFs进行去噪，同时捕捉其季节-趋势模式和时间动态。该模块…

# CRediT作者贡献声明

黄玉峰：原创草稿撰写，监督，资源，项目管理，资金获取，概念化。毛怡鹏：可视化，验证，软件，方法论，调查，形式化分析。张恩辉：审阅与编辑，可视化，调查。李攀：审阅与编辑，方法论，调查，形式化分析。徐雷：可视化，验证，软件。

# 利益冲突声明

作者声明他们与其他个人或组织没有财务和个人关系，这些关系可能不当影响他们的工作，没有任何性质的专业或其他个人利益涉及任何产品、服务或公司，这些利益可能被解释为影响立场。

# 致谢

本工作得到辽宁省高校基本科研业务费（LJ212610143043）、国家自然科学基金（52577228）和辽宁省重点研发计划（2024JH2/102500077）的支持。

黄玉峰 | 毛怡鹏 | 张恩辉 | 李攀 | 徐雷
沈阳航空航天大学电子信息工程学院，沈阳，110136，中国