基于卷积稀疏Transformer的锂离子电池不确定性感知多步容量轨迹预测

《Journal of Energy Storage》：Uncertainty-aware multi-step capacity trajectory forecasting for lithium-ion energy storage batteries using a convolution-based sparse Transformer

　　

摘要

锂离子电池健康预测支持容量管理、维护规划和安全裕度评估。本研究针对一种受限观测场景，其中历史容量是唯一输入，因为电压、电流、温度、阻抗和运行概况记录可能在不同数据源之间不可用或不兼容。从单一标量轨迹预测未来容量，需要保持近期退化连续性，同时访问远程历史状态，并直接从局部容量演化构建注意力匹配变量。我们提出了基于卷积的稀疏Transformer（CoST），一个仅基于容量的预测框架。头内融合的局部-固定步长注意力模式使每个注意力头在点级分辨率下拥有一个连续的近邻窗口和等间距的远程历史位置，这与将局部和步长模式分配给不同头或通过指定的全局令牌路由长程访问的稀疏注意力设计形成对比。CoST框架将此融合连接性与用于Query/Key生成的共享卷积以及分位数轨迹头相结合，输出0.1、0.5和0.9条件分位数，从而得到中位数轨迹和经验预测区间。在CALCE、HUST和MIT数据集上，将CoST与十个模型在12、24和48个循环的预测地平线上进行比较。CoST在比较模型中取得了最低的RMSE（0.04%–1.56%），参数量为1.63万–1.98万；其10%–90%区间相对于名义0.80水平的经验覆盖率为0.824–0.993，归一化宽度为0.004–0.055。

引言

锂离子电池广泛用于电动汽车、电网级储能和消费电子领域，其中电池管理系统需要可靠的健康预测来进行容量管理、维护调度和安全裕度评估[1]、[2]、[3]。随着电芯老化，其可用容量在耦合的循环和运行条件下呈非线性下降。因此，预测未来容量轨迹既能支持剩余使用寿命（RUL）评估，也能预判未来运行区间内可用容量的演化。

电压、电流、温度、阻抗和运行概况可以丰富电池退化的描述，但这些变量在历史记录、公开数据集和部署系统之间可能不完整、不可用或不兼容[4]、[5]。历史容量在此类记录中具有更一致的定义，并直接反映可用电荷的演化。这些条件促成了受限观测场景的设定，其中容量是唯一输入，模型必须从单一标量轨迹推断未来退化。在此场景中，连续观测包含局部斜率变化、短期波动和类似再生的行为，而拐点和更长期的状态转变将当前状态与更远处的观测历史联系起来。在更广泛的能源系统层面，近期研究考察了财政治理如何影响企业能源效率和清洁技术采用[6]。本研究提供了更广泛的能源系统背景，其范围与电池健康预测和Transformer架构不同。

电池健康预测方法可大致分为基于模型的、基于数据和混合方法。基于模型的方法使用电化学、等效电路或随机退化公式来描述状态演化，而基于数据的方法从历史观测中学习非线性退化模式[7]、[8]。混合方法结合物理先验、滤波、工程化指标或学习表示。近期电池研究已构建了使用基于容量的输入、单变量容量序列、跨域容量建模和长地平线容量预测的预测方法[9]、[10]、[11]。基于单变量时间序列输入的多步SOH预测也已被研究[12]。这些进展确立了仅容量轨迹建模作为电池诊断的一个实际相关分支。在本工作中，未来容量轨迹预测是主要任务，RUL则作为阈值穿越诊断，在预测轨迹达到预定义寿命终止水平时获得[13]。

长上下文时间序列预测研究逐步重组了局部和远程时间信息的访问方式。标准Transformer通过自注意力建立全局令牌交互[14]。LogSparse/LogTrans将近邻连接与对数间距的远程位置相结合，并引入Q/K卷积路径用于时间序列预测[15]。Informer使用ProbSparse注意力和注意力蒸馏来优先处理长输入序列中的主导交互[16]。Pyraformer构建多分辨率表示并通过金字塔内尺度和跨尺度路径连接它们[17]。FEDformer将季节-趋势分解与频率增强操作结合以表示全局时间结构[18]。ETSformer用指数平滑启发的模块替代传统自注意力，以建模水平、增长和季节分量[19]。PatchTST将连续子序列转换为补丁令牌并在生成的补丁序列上应用注意力[20]。Non-stationary Transformer引入序列平稳化和去平稳注意力，以在变化的数据分布下保持可区分的时间依赖关系[21]。这些方法使用对数链接、查询选择、层次路径、频率表示、基于平滑的分解、分块或非平稳适应性来建模长历史。然而，一个问题仍然存在：单个注意力头并不保证同时获得连续的近邻窗口和原始点级分辨率下等间距的远程容量状态。

卷积增强和面向电池的预测架构也推进了时间表示和预测输出。LogSparse/LogTrans使用因果卷积生成Query和Key，使局部上下文进入注意力匹配[15]。Mo等人用门控卷积单元增强Transformer编码器以进行RUL估计[22]。ConvTrans将卷积增强的时间建模与基于Transformer的预测器结合，用于锂离子电池在容量再生噪声和低维时间序列数据下的RUL预测[23]。时间卷积网络已被用于从部分负载概况估计电池SOH[24]。基于Non-stationary Transformer的电池健康模型纳入了健康因子建模和超参数优化以进行SOH预测[25]。基于容量的退化预测和半监督跨域容量预测进一步证明了直接对容量演化操作的架构的重要性[9]、[10]。置信度感知的分位数Transformer将时间表示与分位数输出结合用于电池退化预测[26]，而DAXP-Net将注意力增强和基于补丁的循环分支结合用于多步电池SOH预测[12]。这些进展促使在仅容量的多步预测模型中将Q/K卷积路径与提供局部连续性和均匀分布远程历史的注意力路径对齐。然而，注意力匹配变量通常从逐点输入、块或频率分量构建，在受限场景中缺乏局部信息，导致预测性能不佳。

为应对这些挑战，本文开发了基于卷积的稀疏Transformer（CoST），一种用于不确定性感知的多步容量轨迹预测的仅容量卷积-注意力架构。本文的主要贡献总结如下：

1. 我们为仅容量的多步轨迹预测设计了一种头内融合的局部-固定步长注意力模式。每个头在保持连续的近邻上下文的同时，纳入从观测历史中获取的等间距远程容量状态。

2. 我们开发了CoST，一个仅容量的卷积-注意力框架，集成了共享卷积Q/K生成、头内融合注意力模式和分位数轨迹头。共享卷积为注意力匹配构建局部容量演化，融合模式组织可用的历史位置，分位数头提供中位数轨迹和经验预测区间。

3. 我们构建了一个不确定性感知的轨迹预测框架，并在CALCE、HUST和MIT公开电池数据集上进行评估。评估涵盖轨迹误差、阈值穿越诊断、经验预测区间、计算测量和多个预测地平线下的组件变体。

本文的其余部分组织如下。第2节介绍所提出的方法。第3节介绍实验设置、结果和分析。第4节总结本文并讨论未来研究方向。

问题建模

考虑一个锂离子电池，其在循环i的测量放电容量记为$ c_i $。在本文考虑的受限观测场景下，可用输入是在N次观测到的充放电循环后收集的单变量容量序列$ \mathbf{c} = \{c_1, c_2, \ldots, c_N\} $。根据目标诊断用例定义容量阈值$ c_{th} $；电池在第一个循环$ n^* $达到相应的阈值穿越点，此时$ c_{n^*} \leq c_{th} $。在循环t的剩余使用寿命为...

实验设置

所提出的CoST模型在三个公开的锂离子电池老化数据集上评估多步容量轨迹预测：CALCE [30]、HUST [31]和MIT [32]。划分成员是确定性的。

- CALCE：来自CS2-35、CS2-36和CS2-37的窗口按固定顺序连接；前80%用于训练，最后20%用于验证；CS2-38是固定测试电池。
- HUST：55个开发电池中，前44个用于训练，最后11个用于验证；

结论与未来工作

本文针对受限观测条件下锂离子电池储能电池的多步容量轨迹预测，其中单变量容量序列是唯一输入，RUL作为阈值穿越诊断获得。CoST在仅容量直接预测器中将融合注意力与共享卷积Q/K生成相结合；分位数头提供中位数和区间输出。在CALCE、HUST和MIT上的实验将CoST与十个基准模型进行比较。

CRediT作者贡献声明

肖茂栋：可视化、验证、软件、方法论、形式分析、概念化。秦宏宇：写作 – 审阅与编辑、方法论、调查、形式分析。李浩洋：可视化、验证、软件、数据管理。余佳翔：验证、调查。肖越彤：写作 – 审阅与编辑、调查。王磊：写作 – 审阅与编辑、监督、项目管理、方法论。

生成式AI及AI辅助技术在稿件准备过程中的声明

在准备本工作过程中，作者使用AI辅助语言编辑。使用此工具后，作者根据需要审阅和编辑了内容，并对已发表文章的内容承担全部责任。

资金支持

本研究未获得公共、商业或非营利部门的任何特定资助机构的资助。

利益冲突声明

作者声明不存在已知的竞争性经济利益或个人关系，这些利益或关系可能影响本文所报告的工作。

肖茂栋 | 秦宏宇 | 李浩洋 | 余佳翔 | 肖越彤 | 王磊
北京航空航天大学自动化科学与电气工程学院，北京市海淀区学院路37号，100191，中华人民共和国