一种基于数据的框架,用于利用高斯过程卡尔曼滤波和基于补丁的时间序列变换器联合估计锂离子电池的荷电状态和健康状态
《Journal of Energy Storage》:A data-driven framework for joint estimation of state of charge and state of health in lithium-ion batteries using Gaussian process Kalman filtering and patch-based time series transformers
【字体:
大
中
小
】
时间:2026年09月22日
来源:Journal of Energy Storage 10.7
编辑推荐:
• 提出了一种结合GPKalman、OSELM、PatchTST和AOA的联合SOC–SOH估算方法。
• 提出了一种混合GPKalman-OSELM SOC估算器。
• PatchTST通过分块和通道分离技术用于SOC–SOH估算。
• 通过Singer映射改进了A
• 提出了一种结合GPKalman、OSELM、PatchTST和AOA的联合SOC–SOH估算方法。
• 提出了一种混合GPKalman-OSELM SOC估算器。
• PatchTST通过分块和通道分离技术用于SOC–SOH估算。
• 通过Singer映射改进了AOA算法,以优化PatchTST的超参数调整。
**引言**
由于技术的快速发展和经济的持续增长,全球能源消费持续激增。然而,对煤炭和石油等传统化石燃料的过度依赖——这些资源既有限又对环境有害——给可持续发展带来了严峻挑战[1]、[2]。为此,寻找清洁和可再生能源替代品变得越来越紧迫。在各种新兴技术中,锂离子电池因其高能量效率而受到广泛关注,并成为向低碳能源系统转型的关键组成部分。锂离子电池具有高能量密度、长循环寿命和快速充放电性能,现已广泛应用于电动汽车、便携式电子产品和固定式储能系统[3]。尽管应用广泛,但安全管理与性能优化仍然是其持续使用的关键。评估电池性能的两个关键指标是健康状态(SOH)和充电状态(SOC)。SOH是评估电池剩余使用寿命的重要依据,而SOC反映了当前的充电水平。准确预测SOH和实时监测SOC对于有效管理电池、延长使用寿命和提高整体系统效率至关重要。为了确保锂离子电池的安全高效运行,先进的电池管理系统必须能够同时准确监测多种内部状态。传统上,SOC和SOH是独立估算的。然而,在实际的电化学过程中,这两种内部状态是高度耦合的;SOC的动态变化持续影响电池的退化机制,而SOH则严格限制了充电估算的最大容量。因此,联合估算的概念成为了一个重要的技术前沿。联合估算涉及在统一的算法框架内同时或顺序预测多个相互关联的电池状态。通过显式捕捉不同状态之间的物理和数学耦合,联合估算有效克服了独立估算方法中普遍存在的累积误差问题,从而显著提高了电池管理系统的整体可靠性和准确性。
目前,SOC估算方法大致可分为两类:实验方法和基于模型的方法。实验方法包括放电法[4]、开路电压(OCV)法[5]和安时积分法(AHI)[6]。放电法常用于SOC校准和维护,但存在两个主要缺点:耗时较长(通常为8–24小时),影响测试效率;且无法支持实时监测,仅适用于离线场景。OCV法通过建立OCV和SOC之间的非线性映射来估算SOC。AHI法则通过积分电流随时间的变化来计算SOC。由于其高计算效率(微秒级响应)和能够在多种工作条件下支持实时监测,该方法特别适用于嵌入式系统。Zhang等人[7]通过结合预测容量、安时积分和校正因子提高了SOC估算的准确性。
基于模型的方法通过构建基于锂离子电池电化学机制和工作原理的等效模型来间接估算SOC。这些方法主要包括电化学模型[8]和等效电路模型(ECM)[9]。电化学模型基于多孔电极理论和浓溶液理论,使用质量传输、电荷守恒和电化学反应动力学等耦合方程。ECM则使用RLC网络拓扑来模拟电池极化和松弛效应,通常建立在基尔霍夫电压定律和质量守恒的基础上。Du等人[10]开发了一种电化学-热模型,并指出了在电化学建模中获取电解质浓度数据的挑战。Li等人[11]提出了一种带有额外电容器的新型ECM结构来估算SOH。虽然ECM的计算开销较低,但由于电池老化和环境温度变化,其准确性可能下降。
为了提高SOH估算的准确性,人们探索了多种方法,这些方法可分为三类:基于电化学模型的方法、基于ECM的方法和数据驱动的方法。
- **基于电化学模型的方法**通过模拟内部物理化学反应来估算电池老化机制。代表性模型包括单粒子模型(SPM)[12]、伪二维(P2D)模型[13]和简化P2D模型[14]。例如,P2D模型可以视为单输入单输出系统,使用十个耦合的非线性微分方程来描述不同充放电条件下的各种内部现象[15]。Xu等人[16]提出了一种简化的电化学模型,结合无迹卡尔曼滤波器来估算内部锂含量,但由于电池复杂的动力学特性,这类模型往往受到获取内部状态困难的限制。
- **基于ECM的方法**使用常见的电气组件来模拟电池行为。广泛使用的ECM包括内阻模型[17]、一阶RC模型[18]、二阶RC模型[19]、新一代车辆合作(PNGV)模型[20]和广义非线性(GNL)模型[21]。内阻模型的特点是电压源与电阻器串联,易于识别,但在高放电速率下精度较低。二阶RC模型增加了两个并联的RC分支以考虑电化学和浓度极化效应。通过识别内阻的变化,ECM可以使用适当的算法来估算SOH。
- **数据驱动的方法**依赖机器学习来捕捉电池退化的复杂非线性特性,突破了传统物理模型的局限。Peng等人[22]提出了一种结合核密度估计的MIC-BOA-TiDE融合框架,用于锂离子电池的点预测和概率剩余使用寿命预测,整合了健康特征选择、超参数优化和不确定性量化以改进RUL预测。Wu等人[23]应用了CNN-LSTM-KAN混合模型来提取空间和序列特征,增强了预测的鲁棒性。He等人[24]提出了一种基于非平稳Transformer的锂离子电池SOH预测新模型,结合了健康因素和树结构Parzen估算器进行超参数优化。该模型展示了将高级Transformer架构与健康因素集成和超参数优化相结合的潜力。Ge等人[25]开发的Bat Algorithm-ELM(BA-ELM)模型表现出提升的SOH估算性能。Zhang等人[26]提出了一种进化堆叠集成学习范式,结合了随机向量功能链接和活动状态跟踪LSTM神经网络,实现了高精度SOH预测。Sun等人[27]提出了一个使用多特征融合和XGBoost的SOH预测框架,其准确性优于基准模型。此外,鉴于SOC和SOH之间的内在物理耦合,近期研究越来越多地转向联合估算框架,而不是单独估算。例如,Zhang等人[28]提出了一种使用多深度专家网络的同步联合估算框架,强调了电池老化和充电容量之间的复杂相互作用。类似地,Shi等人[29]开发了一种异构深度学习算法融合架构,同时输出SOC和SOH,证明联合建模可以提高整体鲁棒性。然而,现有的联合估算方法通常依赖于传统架构,这些架构难以有效捕捉超长期时间依赖性和高度动态现实世界条件下的深度非线性物理耦合。此外,这些联合模型所需的复杂超参数优化往往容易陷入局部最优。最近,先进的深度学习架构越来越多地应用于锂离子电池状态估算。Zhang等人[30]提出了一种基于TimesNet的框架,结合高斯数据增强和误差校正进行SOC和SOE估算,展示了高级时间序列建模架构在电池状态估算中的潜力。Liu等人[31]开发了一种结合CNN-LSTM-Attention-FVIM算法和多种健康特征融合的锂离子电池SOH估算方法,表明时间特征提取、注意力机制和健康指标融合可以有效改善退化建模。这些研究表明,深度时间序列模型在电池状态估算中具有强大潜力;然而,许多现有方法仍然专注于单独估算SOC/SOE或SOH,而SOC和SOH之间的物理耦合尚未充分探索。
PatchTST是一种基于Transformer的时间序列模型,它将长输入序列分割成块以提取全局和局部时间依赖性,从而提高建模效率和预测准确性。其关键优势包括强大的可扩展性、多尺度特征表示和有效的长期依赖性捕捉。此外,分块机制降低了计算复杂度,使其在处理长序列时比传统Transformer更高效。然而,PatchTST也存在一些局限性,如对超参数调整的敏感性、对噪声和异常值的脆弱性,以及在面对多样化和噪声较大的工作条件时的潜在不稳定。尽管有这些进步,数据驱动方法在泛化、跨条件鲁棒性和解释性方面仍面临挑战。尽管基于Transformer的模型在电池状态估算中表现出强大潜力,但将PatchTST应用于基于SOC的SOH估算(尤其是结合长期真实世界EV数据的情况)的研究仍然不足。这促使我们提出了一个结合了鲁棒SOC估算、基于SOC的退化建模和优化超参数调整的框架。
**总结**
如表1所示,每种SOH估算方法都有其独特的优势。鉴于数据驱动方法能够建模复杂的非线性关系且数据获取容易,它们特别适合联合SOC和SOH估算,从而进一步提高SOH预测的准确性。
根据上述文献综述,当前锂离子电池SOC和SOH预测研究领域存在以下不足:
1) 虽然近期研究开始探索联合估算,但许多研究仍将SOC和SOH视为松散相关的变量,或难以捕捉它们在超长时间序列中的深度非线性物理耦合。这种浅层耦合导致性能不佳,特别是在SOC直接影响电池退化机制和SOH影响实际能量输送能力的现实世界条件下。我们的框架引入了PatchTST来深入挖掘这些多变量耦合特征。
2) 基于模型的方法依赖于固定的物理假设,往往无法适应变化的工作条件,而许多数据驱动方法(如RNN、LSTM)对噪声敏感,缺乏鲁棒性,且难以在不同工作场景中泛化。
3) 尽管基于Transformer的模型在一般时间序列预测中取得了有希望的结果,但它们在SOC和SOH的联合估算应用方面尚未得到充分探索,这限制了为电池系统量身定制的强大序列建模技术的发展。
4) 基于Transformer和其他深度学习模型包含众多超参数。手动调整既费时又效率低下,而许多智能优化算法在高维设置中难以应对搜索空间爆炸和局部最优问题。
在复杂的能源时间序列预测任务中,智能优化算法通常与深度学习模型结合使用,以提高参数搜索效率和预测性能。Xiong等人[32]开发了一种通过改进的爬行动物搜索算法优化的ELM-BiLSTM模型用于风力预测。Suo等人[33]引入了一种改进的猩猩优化算法用于风速预测。这些研究表明,基于群体智能的优化可以有效提升深度学习模型在非线性时间序列预测任务中的性能,为在PatchTST超参数调整中应用改进的优化算法提供了方法论支持。
在选择本研究的机器学习方法时,我们选择了PatchTST,因为它能够通过其分块机制和通道独立的自注意力有效捕捉局部和全局时间依赖性,非常适合用于联合SOC和SOH等多变量时间序列预测任务。选择高斯过程卡尔曼滤波器(GPKalman)进行SOC估算,是因为它在处理电池动态中的非线性和不确定性方面表现出色。为了进一步提高SOC准确性,采用了在线顺序极限学习机(OSELM)进行残差误差校正,利用其快速的学习速度和良好的泛化能力。对于复杂的PatchTST模型的超参数优化,改进了算术优化算法(AOA),并结合Singer混沌映射以确保全局搜索的鲁棒性并避免局部最小值。为了进行比较评估,我们选择了常用的基准模型,如GRU、LSTM、CNN-LSTM和Transformer,因为它们代表了电池状态估算中广泛采用的架构,从而能够公平评估我们提出模型的准确性和鲁棒性。
为应对上述挑战,本文提出了一个结合PatchTST、GPKalman、OSELM和改进的AOA算法的联合估算框架。本研究的主要贡献和创新如下:
1) 提出了一种基于SOC的信息序列联合估算框架,用于锂离子电池状态估算。该框架首先通过GPKalman-OSELM构建一个可靠的电池剩余电量(SOC)轨迹,然后使用估计的SOC序列作为电池健康状态(SOH)估计的先验输入,从而反映了快速变化的SOC与缓慢演变的SOH之间的时间差异和物理耦合。进一步引入了PatchTST,通过其拼贴机制和通道无关的自注意力来捕捉长期的多变量依赖性。据我们所知,很少有研究利用长期真实世界电动汽车数据来探索PatchTST联合SOC-SOH估计。因此,本研究调查了PatchTST在锂离子电池联合状态估计中的适用性,并验证了其在实际运行条件下的有效性。
为了确保SOH估计的可靠性,引入了一种混合SOC估计器,将高斯过程卡尔曼滤波(GPKalman)与在线顺序极端学习机(OSELM)结合用于残差误差校正。这种架构在不确定和动态条件下有效减少了SOC估计误差。
开发了一种增强型算术优化算法(AOA),利用Singer混沌映射来提高全局搜索和收敛速度。这种优化策略有效地调整了拼贴长度、步长和Transformer深度,从而提高了模型性能和泛化能力。
提出了一种基于物理的顺序联合估计框架。与传统的并行方法不同,该架构利用GPKalman和OSELM估计的SOC时间序列作为PatchTST模型的显式先验输入来预测SOH。这种顺序设计捕捉了SOC动态对长期退化的影响。结果表明,这种方法在预测准确性和适应性方面都优于非联合基线方法。
提出的模型在来自20辆电动汽车的长期充电数据集上进行了广泛评估。与几种基准模型(GRU、LSTM、CNN-LSTM、Transformer等)相比,所提出的方法在RMSE、MAE和R2等多个评估指标上表现出更高的性能,验证了其在实际应用中的有效性。
本文的组织结构如下:第2节详细介绍了本文采用的模型和算法,包括改进的算术优化算法(AOA)(结合Singer混沌映射)、高斯过程卡尔曼滤波(GPKalman)与在线顺序极端学习机(OSELM)结合用于SOC估计、用于联合SOC和SOH估计的PatchTST模型,以及包括数据集构建、模型训练、超参数优化和评估指标在内的整个实验流程。第3节总结了主要发现,并讨论了进一步改进所提出联合估计框架的性能和实际适用性的潜在研究方向。
算术优化算法概述
AOA是由Laith Abualigah等人在2021年提出的一种新颖的元启发式算法,灵感来源于四种基本算术运算。该算法采用基于数学函数的加速器来选择优化策略,将优化过程分为两个主要阶段:探索和利用。具体来说,乘法和除法运算用于全局探索,而加法和减法运算用于局部利用。
锂离子电池SOC和SOH联合估计的总体流程图
锂离子电池SOC和SOH联合估计的集成框架如图4所示。本文的整个实验程序如下:
步骤1:从20辆锂离子电池车辆的电池包电压、最大和最小电池电压以及最大和最小温度中构建训练和测试数据集。SOC标签来自车载电池管理系统(BMS)记录,并用作操作输入。
数据集描述和采集
本研究使用的锂离子电池数据集来自Deng等人的实验工作[41],他们监测了20辆配备相同电池系统的商用电动汽车。在超过29个月的时间内,系统地收集并分析了长期充电数据。每辆车辆都被分配了一个唯一的标识符,以便在整个研究过程中进行数据跟踪和管理。充电参数使用车载充电系统每8秒记录一次。
充电状态估计模型的比较分析
在本研究中,选择卡尔曼滤波(KF)、扩展卡尔曼滤波(EKF)、自适应卡尔曼滤波(AKF)和无迹卡尔曼滤波(UKF)作为基准模型进行比较。这些模型用于评估本节中提出的GPKalman方法的有效性。此外,还使用在线顺序极端学习机(OSELM)对GPKalman的估计结果进行误差校正。为了便于参考,表4提供了这些模型的缩写。
结论
本文首先介绍了PatchTST模型的原理和架构,该模型通过拼贴操作和通道独立性增强了传统的Transformer用于时间序列预测。随后,采用了改进的AOA来优化PatchTST模型的参数。在长期充电条件下对SOC和SOH的联合估计进行了评估。为了验证所提出模型的有效性,还评估了Transformer、Autoformer、TimesNet等模型的性能。
基于当前的研究成果,未来的工作可以朝以下方向开展:
(1) 算术优化算法的改进策略:可以从多个角度和维度进一步改进优化算法,旨在提高优化能力和效率,同时加强全局搜索和收敛性能。
(2) 使用不同锂离子电池数据集的探索:本研究使用了CRediT的数据。
作者贡献声明
Chenghao Sun:撰写-原始草稿,可视化,软件,概念化。
Tian Peng:撰写-审阅与编辑,监督,调查,概念化。
Yiwei Wang:撰写-审阅与编辑,可视化。
Chen Huang:撰写-审阅与编辑。
Muhammad Shahzad Nazir:撰写-审阅与编辑。
Chu Zhang:撰写-审阅与编辑,监督。
利益冲突声明
作者声明他们没有任何已知的竞争财务利益或可能影响本文工作的个人关系。
致谢
本工作得到了中国国家自然科学基金(NSFC)(编号62306123,编号62303191)、淮安市科技项目-前沿技术研发资助(HAG202410)、江苏省研究生研究与实践创新计划(SJCX25_2187)、淮陰理工学院研究生科技创新计划(HGYK202509)、江苏省高等学校自然科学基金(编号23KJD480001)的支持。
贡献作者
Chenghao Sun | Tian Peng | Yiwei Wang | Chen Huang | Muhammad Shahzad Nazir | Chu Zhang
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号