《Journal of Energy Storage》：Capacity estimation of lithium-ion batteries based on automatic feature extraction and diffusion model
编辑推荐：
高效电池容量估计方法研究：提出ER-GBiLSTM框架融合扩散数据增强与图神经网络
徐海涛|徐江涛|高杰|王伟|杜金松
中国科学院沈阳自动化研究所，中国沈阳，110016
摘要
准确的电池容量估计对于确保锂离子电池的安全可靠运行至关重要。然而，从高维数据（如电化学阻抗谱（EIS）中有效提取老化特征以及克服老化数据稀缺的限制仍是当前研究中的主要挑战。为了解决这些问题，本文提出了一种名为ER-GBiLSTM的新型电池容量估计框架。首先，提出了一种结合通道注意力机制和残差结构的特征提取器，以从高维EIS数据中自适应地提取与电池老化高度相关的特征。此外，为了缓解数据稀缺和循环测试成本高的问题，我们创新性地引入了一种扩散模型进行数据增强，有效地扩展了训练数据集的多样性和规模。最后，通过将图神经网络与双向长短期记忆网络相结合，所提出的模型能够准确捕捉电池老化过程中的时空依赖性，实现高精度的容量估计。在公共EIS数据集上的实验验证证明了该模型的有效性和优越性。
引言
由于锂离子电池具有高能量密度、长寿命和低自放电率等优点，它们被广泛应用于电动汽车和储能系统中[1]。然而，锂离子电池在使用和储存过程中不可避免地会老化，这可能导致系统可靠性下降。因此，实时监测电池的健康状态（SOH）对于电池的安全可靠运行以及后期的合理维护和更换至关重要。电池的SOH无法直接测量，通常通过内阻和容量来量化[2]。在这两个指标中，容量更能反映用户的关注点——续航里程[3]。因此，已经提出了许多准确估计电池容量的方法，这些方法可以分为基于模型的方法和基于数据的方法。
基于模型的方法主要包括电化学模型和等效电路模型。电化学模型使用复杂的偏微分方程来描述电池的退化机制[4]。熊等人[5]提出了一种新的电化学模型，并确定了五个表征电池老化状态的参数用于SOH估计。毕等人[6]开发了一种高保真的物理电化学模型，以实现电池的在线SOH估计。尽管电化学模型能够更好地表示电池老化机制，但其开发通常需要大量的计算资源。相比之下，等效电路模型相对简单，使用电气元件形成电路模型来模拟电池系统的动态特性[7]。这些模型通常与自适应滤波算法结合使用，以实现准确的电池容量估计。然而，这些模型的简单结构使得难以描述电池复杂的老化过程[8]，并且在不同条件下的参数识别也存在挑战。
近年来，随着人工智能技术的发展，基于数据的方法受到了研究人员的广泛关注。这些方法不需要预先了解电池复杂的老化机制，仅基于电池运行数据即可实现准确的容量估计[9]。高斯过程回归（GPR）[10]、支持向量机（SVM）[11]、随机森林（RF）[12]、卷积神经网络（CNN）[13]和长短期记忆网络（LSTM）[14]等方法已成功应用于电池容量估计。这些方法的性能在很大程度上取决于预测模型和数据特征的选择。通常，车载电池采用恒流恒压（CC-CV）模式充电，这比动态放电条件更稳定[8]。因此，充电过程中的电流、电压和温度等直接测量数据是表示电池老化特性的首选特征。徐等人[15]使用分段电流、电压、温度和充电容量数据作为输入，并提出了使用图增强LSTM进行电池容量估计的方法。沈等人[16]使用充电过程中的电流、电压和充电容量数据作为输入，并应用深度卷积神经网络进行在线电池容量估计。李等人[17]直接将充电数据转换为三维图像作为模型输入，并利用剪枝后的卷积神经网络进行电池容量估计。然而，上述大多数研究都集中在相对稳定的充电条件下估计电池容量，而实际应用中的电池运行曲线更加随机和动态。这对现有的特征选择和提取方法提出了重大挑战。
与常用的电流、电压和温度等数据相比，电化学阻抗谱（EIS）包含了关于材料性质、界面现象和电化学反应的丰富信息，这些信息可用于追踪电池老化[18]。张等人[19]通过使用整个EIS谱作为高斯回归模型的输入，实现了准确的电池容量估计。金等人[20]提出使用信息最大化生成对抗网络从EIS数据中可靠地提取特征，并通过高斯回归进行电池容量估计。琼斯等人[21]引入了一种结合EIS测量和概率机器学习的方法来估计电池容量。李等人[22]提出了一种结合部分频率电化学阻抗谱数据和机器学习的容量估计方法。夏等人[23]利用阻抗谱的优化特征，基于改进的支持向量回归（SVR）建立了高效的SOH估计算法。张等人[24]提出了一种结合RF和CNN的方法，使用等效电路模型和EIS数据的奈奎斯特图。徐等人[25]提出了CNN-Attention-BiLSTM模型，该模型可以直接使用原始EIS数据作为输入实现准确的容量估计。Giazitzis等人[26]对不同的基于数据的方法进行了比较分析，发现CNN-GRU模型取得了最佳的估计性能。然而，EIS数据的高维度显著限制了其实际应用。目前，大多数现有方法依赖于等效电路模型来解释EIS谱[27]，但这些模型在完全捕捉电池长期使用过程中的复杂退化机制方面的有效性仍有待验证。因此，如何从高维EIS数据中有效提取电池老化特征以进行电池容量估计是一个需要解决的关键问题。
此外，大多数现有方法基于传统的机器学习模型进行电池容量预测。虽然这些模型已被证明可以提供相当准确的估计，但它们的性能在很大程度上取决于训练数据集的大小。因此，如何增强现有数据并开发更准确的机器学习模型是当前面临的主要挑战。为了解决上述问题，本文提出了一种名为ER-GBiLSTM的新型框架用于电池容量估计，该框架利用扩散模型进行数据增强，并且无需额外的特征处理即可从高维数据中自动提取特征。本文的主要贡献总结如下：
- (1)
提出了一种结合图神经网络（GNN）和双向长短期记忆网络（BiLSTM）的深度学习模型。该模型能够有效地从提取的特征图中学习关键信息，捕捉容量退化的非线性特性和时间关系，从而实现准确的电池容量估计。实验结果表明，该模型在电池容量估计任务中表现优异。
- (2)
提出了一种基于残差结构和通道注意力机制的新模块，用于从高维数据中自动提取特征。高效的通道注意力（ECA）模块可以动态调整不同特征通道的重要性，更准确地捕捉高维空间中的通道依赖性。残差结构可以防止深度网络中的梯度消失问题。该模块可以以较低的计算开销从电池数据中自动提取有用特征。
- (3)
本文提出使用扩散模型生成虚拟样本来增强公共电池数据，有效缓解了训练数据不足的问题，并提高了模型的泛化能力。
本文的其余部分组织如下。第2节详细介绍了所提出的特征选择算法、扩散模型和深度学习模型。第3节介绍了实验数据集和具体实现细节。第4节分析和讨论了实验结果。最后，第5节总结了本文。
部分摘录
方法论
所提出的电池容量估计方法的框架如图1所示，包括四个步骤。在数据预处理阶段，从公共数据集中提取原始数据，并生成相应的训练集和测试集。在数据增强阶段，使用扩散模型生成虚拟样本以补充现有数据集。在模型训练阶段和模型评估阶段，使用增强后的数据集来训练模型，并进行测试
数据集和实现细节
本节详细介绍了EIS数据集。然后提供了模型训练的具体参数，并定义了评估模型性能的基本指标。
结果与讨论
第3节中介绍的第二组电池用于验证所提出方法的性能。所提出模型的具体参数总结在表2中。使用的具体软件和硬件配置如下：Intel(R) Core (TM) i7–8750、24G内存、NVIDIA GeForce GTX 1060、Pytorch-GPU 2.4.1。
结论
本文提出了一种新颖且全面的锂离子电池容量估计框架，并在公共EIS数据集上验证了其有效性。所提出方法的主要结论如下：
(1)为了克服传统特征提取方法的局限性，我们引入了一种创新的自动特征提取器。通过将通道注意力机制与残差结构协同集成，这种提取器超越了标准CNN。其新颖性在于
CRediT作者贡献声明
徐海涛：撰写——原始草稿、验证、软件、方法论、概念化。徐江涛：撰写——审稿与编辑、软件、方法论。高杰：监督、资源。王伟：监督、资源。杜金松：监督、资源、项目管理、资金获取。
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所述的工作。
致谢
本工作得到了SIA基础研究项目(2023JC2K10)的支持。
