基于多时间尺度建模自动特征提取和通道注意力机制的锂离子电池健康状态估计

  浩博电池网讯：

  摘 要 准确估计锂离子电池(lithium-ion battery，LIB)的健康状态(state of health，SOH)对于确保储能电站的安全稳定运行至关重要。然而，现有的数据驱动方法通常依赖手工特征提取，并且特征的时间尺度比较单一，很难进行高效且精确的电池健康状态评估。为了解决这些问题，提出了一种基于多时间尺度建模自动特征提取和通道注意力机制的健康状态估计模型。该模型首先将充电过程信息输入多个并行的膨胀卷积模块(dilation convolution module，DCM)，从不同时间尺度进行自动特征提取，获得丰富且全面的特征表示。随后，不同尺度的特征通过融合后结合门控循环单元(gated recurrent unit，GRU)提取时间序列的长期依赖关系。模型进一步融入通道注意力机制(efficient channel attention，ECA)，对历史信息进行相关性动态权重分配，关注显著特征。最后，在两个公开数据集上验证了本方法的优越性，并与其他常用深度学习模型进行了比较。结果表明，本模型具有较高的SOH估计精度和良好的迁移性，两个数据集上的均方根误差分别仅为0.0110和0.0095，在跨数据集的迁移实验中均方误差仅为0.0092。

  关键词 锂离子电池；健康状态；卷积神经网络；注意力机制；时间序列

  全球积极推进“双碳”目标的背景下，对稳定高效储能系统的需求不断上升。锂离子电池(lithium-ion battery，LIB)以其高能量密度、长效循环寿命和低自放电特性已成为多种应用中首选的储能解决方案。但是，随着使用年限的增长，锂离子电池性能会逐渐衰退。尤其是当电池容量和功率出现显著下降时，可能引发故障甚至造成火灾或交通安全事故。因此，精确评估电池的健康状态(state of health，SOH)对于保障储能系统的安全和稳定运行尤为重要。

  为了提升对电池SOH的估计准确性，业界提出了多种模型方法，主要包括电化学模型、等效电路模型及数据驱动方法。电化学模型通过构建描述电池内部化学反应的详细机理模型，解释电池老化过程。然而，这类模型往往涉及复杂的方程和高度耦合的参数，计算复杂度较高，更适用于基础电化学研究中。等效电路模型则基于电池充放电过程中表现出的关键特征参数(如容量、内阻和循环次数等)，通过合适的算法构建这些参数与电池SOH之间的数学关联性。虽然这种方法在理论上能够提供较高的预测准确性，但实际表现严重依赖于所用模型的准确性和假设的合理性。除此之外，由于模型依赖的是对电池物理化学属性的先验认知，并容易受到各种环境和操作条件的干扰，使得它们在预测不同老化状态下的电池SOH时常常存在局限性，进而影响其在实际应用场景中的广泛使用。

  基于数据驱动的方法，尤其是在近年来迅猛发展的深度学习领域，通过整合海量数据，能够通过集成大量的数据来尽可能避免引入复杂的电化学机制，表现出良好的预测性能。因此，这一技术在能源存储系统中受到了广泛关注。数据驱动的方法通常是分析LIB数据，提取与SOH相关的健康指标(health indicators，HI)。例如，王琛等基于增量容量分析法，从充电过程中提取容量增量曲线的各项特征如峰值高度、峰值电压及峰面积作为表征电池老化的健康指标，并通过Pearson系数验证了这些健康特征与SOH之间的相关性。Jia等利用改进的麻雀搜索算法(improved sparrow search algorithm，ISSA)优化深度极端学习机(deep extreme learning machine，DELM)，从随机局部放电电压和电流数据中提取关键HI，并将其输入到DELM中，以预测随机负载条件下LIB的SOH。Zhu等从充满电后的松弛过程电压曲线中提取了6个统计特征，并采用XGBoost、弹性网和支持向量回归模型估算涵盖130个LiNiCoAl和LiNiCoMn商用电池的3个数据集的电池容量。Lin等通过对电压、温度与增量容量曲线等多个数据源进行分析，提取了影响电池老化进程的七个关键HI作为输入。该研究采用多模型融合策略以增强模型整体性能，公开数据集上的验证结果显示，此方法能够实现较高的SOH估算精度。

  这些现有的数据驱动方法在SOH估计问题中确实可行，但也存在明显不足，即某些关键特征提取过程需依赖研究者对电池老化机制的深入了解，且需要进行大量的数学运算。此外，还需要找到合适的数据驱动模型来有效处理从电池循环数据中提取的健康特征。因此，如何在更少或不需先验知识和较低工作量的情况下提取出可以被适当的SOH估计模型处理的有效健康特征，是一个持续的挑战。一个可能的解决方案是利用机器学习算法的强大学习能力和非线性建模能力，自动从原始电池数据中提取特征。例如，李超然等将锂离子电池在恒流-恒压充电过程中的电压、电流、温度曲线直接作为输入，应用一维深度卷积神经网络(convolutional neural networks，CNN)来实现锂离子电池容量估算，进而获取SOH。然而，传统CNN的感受野有限，对长时间序列的学习依赖于更深层次的网络。Fu等采用了膨胀卷积网络来进行特征提取，通过调整扩孔数而不增加卷积核参数数量，以获得更长距离的信息特征，避免了在池化层输入信息丢失的问题。尽管如此，单一时间尺度的特征提取可能无法全面捕捉到电池老化的不同层次的信息，从而影响SOH估计的准确性与鲁棒性。

  此外，现有的深度学习模型往往忽略对输入特征的差异化关注，可能导致未能捕获关键特征或过多地纳入无关特征，从而影响模型的性能。作为一种创新的深度学习技术，注意力机制能够实现对特征的自动权重调整，有效提升模型的特征学习能力，因此受到广泛关注。毛百海等将自注意力机制(self-attention，SA)与循环神经网络RNN结合使用，优化了对内在关联性强的特征的重视程度，进而显著提升了SOH估计的预测准确性。Lin等在长短期记忆网络(long short-term memory，LSTM)模型中引入了一种局部注意力机制，通过一个固定窗口中心化地计算注意力权重，更加集中地关注时序信号中的关键局部特征。然而，这些方法主要集中于时序特征间的动态权重，忽略了特征通道之间的相互依赖性。

  因此，为了实现不同时间尺度的自动特征提取和特征融合，本文提出了一种新的基于MDCNN-GRU-ECA融合模型(multiscale dilated convolutional neural networks-gated recurrent unit-efficient channel attention，MDGE)的SOH估计方法。首先采用并行的多尺度膨胀卷积来更好地从电压、电流等原始电池数据中提取不同时间尺度的时序特征，并进行多尺度特征融合。然后通过GRU进一步捕捉序列数据中的时间依赖关系，并增强特征表达能力。再利用通道注意力机制显式地建模不同通道之间的依赖关系，从而提高模型的整体性能。为了验证所提出方法的有效性，通过两个公开数据集进行了验证，并与几种常用的深度学习模型进行了比较，结果显示MDGE网络具有更高的SOH估计精度。

  这里需要明确的是，本文中的“多尺度”特指建模中的时间尺度，即通过不同时间跨度的数据特征提取来提高模型的预测能力。这与传统物质科学研究中常用的多尺度概念(包括空间尺度，如从原子到宏观尺度的特征)有所不同。在电池健康状态估计中，时间尺度的多样性对于捕捉电池老化过程中的动态变化至关重要。

  1 数据集介绍

  1.1　NASA数据集

  本研究采用的首个电池测试数据集来源于美国国家航空航天局(National Aeronautics and Space Administration，NASA)艾姆斯卓越预测中心(Ames Prognostics Center of Excellence，PCoE)。该数据集包含同一电池型号、容量均为2 Ah的多个样本。研究中特别选取了4块电池的老化数据，编号分别为B0005、B0006、B0007和B0018。这些电池在1.5 A恒流(constant current，CC)模式下充电至电池电压达到4.2 V，随后转入恒压(constant voltage，CV)模式，直至充电电流减至20 mA。放电过程采用2 A的恒定电流进行，直到电池电压分别降至2.7 V、2.5 V、2.2 V及2.5 V。电池的可用容量通过此恒流放电过程获得。如图1(a)所示，电池的容量随着老化逐渐下降。当电池的容量衰减至额定值的70%(即1.4 Ah)时，被认定为达到了寿命终点(end of life，EOL)。图1(b)、(c)展示了电池在第1、50、100、150个循环期间的充电电流与电压图像，充电参数的变化揭示了电池老化过程中显著的规律性，该信息对识别电池老化信号具有重要价值。

图1 NASA电池数据集

  1.2　CACLE数据集

  本研究使用的第二个电池数据集来源于马里兰大学高级生命周期工程中心(Center for Advanced Life Cycle Engineering，CALCE)。本部分研究涉及4块钴酸锂电池(型号CS2)，编号为35、36、37和38，各电池容量为1.1 Ah，且均采用一致的充放电模式。具体操作中，电池以0.5C的倍率进行恒流充电至4.2 V，随后转入恒压充电直到充电电流降至0.05 A。在放电阶段，电池以1C的恒定电流放电至2.7 V截止电压。4块电池的容量伴随循环次数增加表现出衰减趋势，其变化曲线如图2(a)所示。当电池的可用容量下降至额定容量的70%时，被认为达到了寿命终点。此外，图2(b)展示了编号CS2_35的电池在某一充电循环中的电压与电流变化，而图2(c)则显示了不同循环中恒流充电阶段的电压趋势。观察结果表明，随着循环次数的增加，充电时间逐渐缩短，从而揭示了电池性能的逐步退化。

图2 CALCE电池数据集

  1.3　数据预处理

  SOH可以定义为：

  式中，C和Cnorm分别表示LIB的当前容量和标称容量。因此，由于Cnorm是LIB的一个常数特征，当前可用容量C足以代表SOH。考虑到实际放电过程受到用户行为和环境的影响，而充电过程通常遵循固定的协议。因此，通常利用充电过程测量信号来估计SOH。

  来自NASA数据集的4块电池在电池充电过程中共记录了约50000个数据点。然而，仅有950条曲线数据适用于电池SOH的估计。这一数量的数据点对于支持神经网络进行深入的参数学习显得不足。为了优化神经网络训练效果并在一定程度上减少测量噪声所引起的估计误差，本研究采用了数据增强策略。具体方法是，在NASA数据集原始数据中引入均值为0、幅度在1%～2%之间的高斯白噪声，通过该手段扩展样本容量至4750。相较之下，CACLE数据集的数据量已足够支持神经网络的参数学习，故未执行任何数据增强处理。

  此外，考虑到卷积神经网络通常对输入数据有特定长度的要求，对数据进行了重采样，使重采样后的数据长度统一为128。在将来自CACLE和NASA数据集的样本输入到神经网络模型之前，进行了必要的归一化处理，以确保数据在适当的数值范围内。归一化采用的最小-最大比例法可以表示为公式(2)：

  式中，Xnormal为归一化数据；Xraw为来自CALCE数据集和NASA数据集的原始数据；Xmin和Xmax分别为原始数据中的最小值和最大值。

  2 SOH估计网络模型

  2.1　膨胀因果卷积网络

  卷积神经网络CNN属于一类前馈神经网络，其主要由交替堆叠的卷积层、池化层和全连接层组成。在这种网络结构中，卷积层通过局部连接实现，使得低层神经元具备特定的感受野，从而能够高效自动提取局部特征。在传统的卷积神经网络设计中，为了整合更广泛的上下文信息并实现全局信息的融合，常常借助池化层或较大的卷积核来扩大感受野，但这样做往往会引起一定程度的信息损失。为了解决这一问题，开发了膨胀卷积神经网络(dilated CNN)，该技术在不改变特征图尺寸的前提下增大感受野，避免了信息丢失等副作用。

  在处理序列数据时，因果性是一个重要概念，指的是模型的输出只依赖于先前的输入，而非未来的输入。这一特性对于时间序列预测等应用场景至关重要。膨胀因果卷积(dilated causal convolution)技术结合了膨胀卷积和因果卷积的优点，专门用于处理序列数据，常见于时间序列分析与生成模型的应用中。该技术的核心在于同时扩大感受野且保持数据的时序因果性。

声明： 本网站所发布文章，均来自于互联网，不代表本站观点，如有侵权，请联系删除。