增强注意力加权与优化特征的CNN框架用于锂离子电池健康状态估计

《Scientific Reports》：CNN framework enhanced with attention weighed and optimized features for state-of-health estimation of lithium-ion batteries

　　

摘要

准确估算锂离子电池健康状态 (SoH) 对于电池储能系统的安全性和可靠性以及剩余使用寿命至关重要。然而，非线性退化特性、容量衰减和工况变化阻碍了传统模型方法和深度学习方法的准确性。现有混合方法的主要缺点是缺乏对退化特征进行优先排序的能力，并且不能最优地优化参数，这导致电池在不同条件下运行时泛化能力较差。为了解决这些问题，提出了一种基于 CNN-AM-APO 的 SoH 估算混合框架。为了克服这些问题，提出了一种名为 CNN-AM-APO 的混合框架用于 SoH 估算。为了从电池放电信号中提取分层退化特征，提出的框架使用一维卷积神经网络来提取退化特征，并使用自适应通道注意力机制来强调退化敏感信息，同时抑制所有与退化无关的通道。添加了人工原生动物优化算法 (APO) 以执行自适应探索与开发，从而优化网络参数，稳定收敛并最小化预测误差。提出的框架在相似的预处理、训练和测试条件下，使用公开可用的锂离子电池退化数据集进行了测试。根据实验结果，提出的模型优于 CNN、CNN-LSTM、CNN-AM 和 CNN-LSTM-APO 模型，其 MSE 值为 0.000426，RMSE 值为 0.020639，MAE 值为 0.017381，MAPE 值为 0.023530，R2 值为 95.60%。结果表明，提出的框架可用于智能电池管理系统和锂离子电池健康实时监控，并且注意力引导的特征细化与通过 APO 进行参数优化的结合可以提高预测准确性、收敛稳定性和泛化能力。