利用自适应门控双注意力单元神经维纳过程对锂离子电池退化状态进行预测

《Neurocomputing》：State of Health Prediction of Lithium-Ion Battery Degradation Using Adaptive Gated Dual Attention Unit Neural Wiener Process

锂离子电池退化过程受多因素影响，呈现二阶段随机特性，包括阶段性变化点和短期波动。现有模型多忽略这两点，导致预测偏差。本文提出AGDAU-Wiener模型，结合EM算法参数估计、自适应双注意力机制捕捉历史状态与变化点，构建分段非线性Wiener过程，实现多步SOH预测，在CALCE和NASA数据集上验证优于传统方法，兼具物理可解释性与稀疏特征适应性。

　　

陈毅|尹爱军|乔照辉|魏一博|陈成松

中国重庆大学机械与车辆工程学院机械传动国家重点实验室，重庆400044

摘要

锂离子电池的性能退化受到多种不确定因素的影响；其容量衰减可以被视为一个两阶段随机过程，在此过程中观察到变化点和暂时性的容量恢复。尽管现有的退化模型能够捕捉到这一过程的非线性特征，但它们往往忽略了两阶段随机性的影响，特别是变化点和短期波动。为了解决这些局限性，本文提出了一种电池退化框架，该框架将变化点动态与神经网络的非线性建模能力和维纳随机过程相结合。引入了一种自适应门控双注意力单元（AGDAU）-神经维纳模型，以增强对历史隐藏状态的关注，从而有效应对两阶段退化过程中的变化点和短期波动。首先，使用期望最大化算法估计随机过程的参数，准确描述整个电池循环中的退化情况。接下来，建立基于AGDAU的退化模型，并自适应更新漂移系数。最后，推导出容量退化轨迹的转移概率密度函数，以实现电池健康状态的预测。通过对两个电池数据集进行单步和多步预测实验，所提出的AGDAU-维纳过程表现出比传统维纳过程更优越的性能，并且具有神经网络方法所缺乏的物理可解释性，为锂离子电池的健康状态预测提供了有效的解决方案。

引言

由于锂离子电池出色的性能，它们被广泛应用于电动汽车、便携式电子设备、储能系统等领域[1]。然而，频繁发生的电池火灾和爆炸事件引发了人们对电池健康管理的高度关注。准确预测电池的健康状态（SOH）及其退化轨迹对于确保电池的安全可靠运行至关重要。根据IEEE标准[2]，当SOH降至70-80%以下时，电池被视为已退化，应停止使用。因此，SOH预测有助于跟踪电池随时间的变化情况，指导锂离子电池的安全高效运行。然而，电池退化的路径依赖性和其固有的复杂退化行为给准确的健康建模和预测带来了重大挑战。

电池退化是一个受多种因素影响的复杂过程，包括充放电循环、温度和放电深度[3]。这些因素会引起内部化学和物理变化，最终导致容量衰减[4]。现有的退化预测方法通常分为两类：基于物理的模型和数据驱动的模型[5]、[6]。在这些方法中，数据驱动的方法由于无需详细了解内部电化学机制就能表现良好，已成为电池寿命预测的主流[7]、[8]。

早期的数据驱动方法——如支持向量机、相关向量机[9]和高斯过程回归[10]——由于核假设的刚性，在SOH预测方面的准确性有限。随着深度学习的进步，各种神经架构被应用于电池健康建模，包括时间卷积网络[11]、概率神经网络[12]和埃尔曼神经网络[13]。循环和基于注意力的模型，如GRU[14]、Transformer[15]和Informer[16]，进一步改进了时间特征提取。在此基础上，Xu等人[17]将物理老化模型与LSTM序列到序列网络集成，Yal??n等人[18]使用CNN重建老化轨迹，Zhao等人[19]采用双向LSTM进行老化轨迹匹配。然而，大多数基于神经网络的方法忽略了电池退化的内在随机性，并且缺乏足够的物理可解释性。

大多数现有方法也专注于单步SOH预测，而实际的电池管理需要长期预测。为了解决这个问题，最近多步SOH预测受到了关注。Zhang等人[20]提出了一个改进的Transformer框架，使用多个高分辨率特征进行准确的长期预测，而Huang等人[21]引入了一个结合特征分解和注意力机制的多模态时空融合模型来捕捉长期退化行为。然而，这些方法依赖于丰富的高质量特征，这与车载BMS环境中典型的稀疏测量和随机退化模式形成对比。因此，这些模型在特征稀疏的情况下仍然缺乏可解释性，性能较差。

基于随机过程的方法因能够量化老化过程中的内在随机性，并提供比电化学模型更易处理的分析表达式而受到广泛关注。常见的随机建模方法包括维纳过程（WP）、伽马过程[22]和逆高斯过程[23]。其中，WP模型由于其效率和物理可解释性，已成为电池退化建模的广泛使用的工具。例如，Si等人[24]提出了一个基于非线性WP的容量退化模型，并通过卡尔曼滤波器实现参数更新。Tang等人[25]提出了一个在时变温度条件下的基于WP的退化模型，使用最大似然预测来获得模型参数。然而，在WP模型中参数预测具有挑战性，因为它假设Wiener增量是独立的，而退化数据是离散的，且漂移-SOH关系受到内在变异性的影响，导致SOH估计不准确。

为了解决这些挑战，最近的研究将神经网络与随机过程建模相结合，形成了神经-WP混合方法。Chen等人[26]引入了一种基于神经表示的WP模型，并通过元学习捕捉时间依赖性，预测在不同退化率下的剩余使用寿命。Long等人[27]提出了一个改进的Seq2Seq-WP模型，将漂移系数表示为退化状态的可学习函数。尽管这些方法克服了传统WP模型受马尔可夫假设限制的局限性，但现有的神经维纳模型仍然无法充分捕捉变化点及其对退化率关系的影响，从而降低了实际应用中的准确性和鲁棒性。

为了克服这些缺点，本文提出了一种电池退化框架，将神经网络的非线性建模能力与WP的随机性质相结合。引入了自适应门控双注意力单元（AGDAU）来更好地处理退化过程中的变化点和短期波动。所提出的模型首先使用期望最大化（EM）算法估计整个退化循环中的漂移和扩散参数。然后，开发了一个神经维纳模型来捕捉非线性退化行为，其中漂移系数被自适应更新，以模拟退化状态与退化率之间的复杂映射。最后，推导出更新后的非线性WP的漂移和扩散函数，完成了门控自适应神经维纳模型的构建。使用CALCE和NASA电池数据集证明了所提模型的有效性。本文的主要贡献如下：

1)

为了解决退化过程中的随机性和短期变化点波动，通过将Bi-GRU网络与自适应阈值调整机制相结合，构建了一个变化点识别模型。该模型能够自适应地识别变化点，优化变化点检测的准确性，为电池健康管理提供更准确的预测和决策支持。

2)

设计了一个自适应门控双注意力单元，用于动态捕获历史退化模式和检测到的变化点中的上下文相关信息。注意力门1调节当前输入和先前隐藏状态的影响，而注意力门2则自适应调整变化点周围区域的权重。漂移系数函数基于可用的历史观测值进行迭代更新，从而提高了神经维纳过程模型的学习能力和预测准确性。

3)

提出了一种结合变化点波动的两阶段神经WP退化模型。使用EM算法估计退化系数，同时考虑了两阶段退化行为的不确定性。然后应用神经网络对由变化点分隔的每个阶段进行建模，建立了漂移系数与退化状态之间更准确的映射，特别是在特征稀疏的情况下——克服了现有神经网络模型和传统WP方法的局限性。

本文的其余部分组织如下：第2节介绍基本理论，第3节详细描述所提出的模型，第4节展示实验结果，第5节总结本文。

部分摘录

基础知识

在实际工程应用中，锂离子电池的容量退化受到各种因素的影响，如操作条件、电池内部的副反应和环境条件。退化过程本质上是非线性的，通常表现出明显的变化点，将其分为两个阶段[28]。如图1所示，在变化点之前容量缓慢下降，之后显著加速，突出了不同的退化速率

方法论

对于非线性维纳退化模型，关键任务是准确估计两个退化阶段中的未知参数，以便更好地描述退化轨迹。为此，我们提出了一种电池退化框架，将神经网络的非线性建模能力与变化点感知和两阶段维纳过程（WP）相结合。自适应门控双注意力单元维纳过程（AGDAU-WP）模型的整体架构如图2所示。

电池数据集描述

为了评估所提出的AGDAU-WP的性能，本研究使用了两个锂离子电池数据集。

结论

本文提出了一种锂离子电池变化点退化模型，该模型结合了基于神经网络的非线性建模的变化点波动能力和WP的随机性。目的是考虑电池退化过程的随机性，实现更准确的电池退化轨迹预测，并提高预测过程的可解释性，特别是在电池特征有限的条件下。该模型估计

CRediT作者贡献声明

陈成松：撰写 – 审稿与编辑。魏一博：撰写 – 原稿。乔照辉：可视化。尹爱军：验证、监督。陈毅：资源、项目管理、方法论、研究调查、资金获取、正式分析、数据管理、概念化。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。

致谢

本工作得到了中国国家自然科学基金（编号52275518）和中国国家重点研发计划（编号2023YFB3406100）的支持。

陈毅分别于2016年在中国重庆大学获得机电一体化工程硕士学位，目前正在攻读博士学位。他的当前研究兴趣包括锂离子电池的健康状态评估和寿命预测、智能测试和仪器、无损测试和评估以及故障检测和诊断。