《Energy Strategy Reviews》：Attention-based deep learning framework for battery charge, health, and lifetime estimation in lithium-ion batteries for electric vehicles
编辑推荐：
• 用于电动汽车锂离子电池状态预测的混合仿真数据方法。
• 基于注意力的LSTM模型可高精度联合估计SOC、SOH和RUL。
• 仿真松下NCR18650BD数据集与NASA验证确保了模型鲁棒性。
• 在SOC、SOH和RUL上分别实现了0.0091、0.00
• 用于电动汽车锂离子电池状态预测的混合仿真数据方法。
• 基于注意力的LSTM模型可高精度联合估计SOC、SOH和RUL。
• 仿真松下NCR18650BD数据集与NASA验证确保了模型鲁棒性。
• 在SOC、SOH和RUL上分别实现了0.0091、0.00127和0.00123的均方根误差（RMSE）。
• 融合了基于物理的建模与深度学习，以实现可扩展的预测性电池管理系统（BMS）。
**论文解读：基于LSTM-Attention-LSTM的锂离子电池多状态统一估计框架**
**1. 研究背景与问题**
传统燃油汽车的排放污染是全球关注的环境问题，可再生能源与电动汽车（EV）的发展已成为重要趋势。锂离子电池凭借高能量密度、低自放电率等优势，在电动汽车领域得到广泛应用，其长期可持续性依赖于有效的全生命周期管理。电池管理系统（BMS）需要准确估计电池的核心状态，包括荷电状态（State of Charge, SOC）、健康状态（State of Health, SOH）和剩余寿命（Remaining Useful Life, RUL），以优化充电策略、延缓老化、保障安全并延长电池寿命。然而，现有研究大多针对单一状态分别建立独立的模型和评估流程，缺乏一个统一的、可同时估计SOC、SOH和RUL的框架。同时，多数研究单纯依赖公开实验数据集，较少结合物理仿真，难以系统性地生成覆盖全生命周期的退化数据。此外，将注意力机制显式融入LSTM网络用于三状态联合估计的研究仍相对不足。为此，研究人员构建了一个混合仿真与数据驱动相结合的框架，旨在统一的建模与评估流程中实现SOC、SOH和RUL的高精度预测。该论文发表在《Energy Strategy Reviews》。
**2. 主要研究内容**
研究人员在MATLAB/Simulink 2024b环境中利用Simscape库建立了Panasonic NCR18650BD锂离子电池的热-电耦合物理模型。采用加速退化策略（缩放因子21倍）压缩电池老化时间轴，在6小时仿真时长内生成约10个充放电循环的数据集，涵盖从初始状态（BOL）到寿命终止（EOL）的退化轨迹。数据集共包含21,601个样本，记录电压、电流、温度、真实SOC、真实SOH和真实容量。随后，在Python中开发了基于编码器-自注意力-解码器结构的LSTM-Attention-LSTM网络，以相同的数据预处理、网络架构和训练配置分别估计SOC、SOH和RUL。研究人员还采用NASA电池老化数据集中的B0005电池作为独立实验数据来源，对框架的适用性和鲁棒性进行了验证。
**3. 关键技术方法**
研究中采用的主要技术方法包括：（1）基于Simscape的电池热-电物理建模，实现了模型在环的充放电及退化行为仿真；同时采用库仑计数（CC）和无迹卡尔曼滤波（UKF）进行SOC估计，作为模型驱动方法的对比基线。（2）采用滑动时间窗口构造时序序列，其中SOC输入序列长度为40，SOH和RUL长度为10；使用Min-Max归一化统一尺度，并按80%训练/20%测试划分数据集。（3）开发并对比了多种LSTM变体，包括LSTM-NIG、LSTM-NOG、LSTM-NFG、LSTM-NIA、LSTM-NOA和LSTM-CIFG，以分析各门控组件的影响。（4）构建了LSTM-Attention-LSTM模型，在编码器和解码器之间引入单头缩放点积自注意力机制，并使用全局平均池化生成上下文向量。（5）模型采用Adam优化器和MSE损失函数训练50个epoch，评估指标包括MAE、MSE、RMSE和R2。实验数据来源为仿真数据集和NASA B0005电池数据集。
**4. 研究结果**
**4.1.1 SOC估计结果**
在SOC估计中，研究人员将所提出的LSTM-Attention-LSTM与CC、UKF以及多种LSTM变体进行了对比。结果表明，CC方法因存在漂移问题导致R2为负，UKF虽有所改善但精度仍然有限。LSTM-Attention-LSTM取得了最优性能，RMSE为0.009077，MAE为0.006737，R2达到0.997637，优于所有对比的LSTM变体，这验证了注意力机制能够有效聚焦充放电过程中的关键时间片段，提升SOC估计精度。
**4.1.2 SOH估计结果**
在SOH估计中，标准LSTM的RMSE为0.00907，而LSTM-NIG和LSTM-NFG因门控简化导致误差较大。LSTM-Attention-LSTM取得了最低的误差指标，MSE为0.000002，RMSE为0.001270，R2高达0.999765，明显优于所有LSTM变体。这一结果表明，注意力机制能够更好地捕捉SOH随时间退化的非线性特征，从而提高长期退化预测的精度和稳定性。
**4.1.3 RUL预测结果**
在RUL预测中，LSTM-Attention-LSTM同样表现最优，取得MSE 0.000002、RMSE 0.001231和R2 0.998880。相比之下，LSTM-CIFG误差最大，RMSE达到0.006818。注意力机制的引入使模型能够突出退化过程中的关键状态，减少重复时序信息的干扰，从而显著提升长期寿命预测的准确性和时间一致性。
**4.1.4 统计鲁棒性分析**
为了评估模型性能的稳定性，研究人员使用5个不同随机种子分别对SOC、SOH和RUL三个任务进行了独立训练与测试。结果显示，三个状态的MAE、RMSE和R2均具有较小的标准差，其中R2标准差低于0.001。这表明模型性能对随机权重初始化具有较高的稳定性，进一步验证了所提出框架的可重复性和可靠性。
**4.1.5 NASA电池老化数据集验证结果**
为检验框架在实验数据上的适用性，研究人员采用相同的架构和训练配置，在NASA B0005电池数据集上独立进行了验证。SOC、SOH和RUL的估计曲线与真实值趋势基本吻合，残差分析显示误差围绕零线均匀分布，未出现显著的系统性偏差。这说明所提出的LSTM-Attention-LSTM框架无需针对数据集调整结构或超参数，即可有效应用于实验测量的电池数据，具有一定的泛化能力。
**5. 讨论与结论**
讨论部分指出，注意力机制通过自适应重新加权时序段，使模型能够抑制冗余信息、聚焦局部关键片段，相比于直接修改LSTM门控结构，是一种更有效的时序特征选择策略。文献对比结果表明，该模型在SOC、SOH和RUL估计上的性能均优于2022至2025年间发表的多项现有方法。
研究结论为：本研究提出了一种混合仿真与数据驱动的方法，用于统一估计锂离子电池的SOC、SOH和RUL三个核心状态。研究人员通过在MATLAB Simulink 2024b中建立Panasonic NCR18650BD锂离子电池的物理模型，生成了具有代表性的充放电与退化数据集。随后，在Python中利用基于注意力增强的LSTM方法对数据进行了处理，以捕捉电池数据中的短期和长期时间依赖关系。该设计在SOC、SOH和RUL预测中分别获得了0.0091、0.00127和0.00123的RMSE，以及0.9976、0.9998和0.9989的R2，优于传统基于模型的方法和LSTM变体。在NASA电池老化数据集上的验证结果表明，该框架在实验数据上依然有效，为智能预测性BMS的发展提供了可扩展的技术途径。
