一种用于锂离子电池健康状态和剩余使用寿命的多任务定向学习框架

《Tsinghua Science and Technology》：A Multitask Targeted Learning Framework for Lithium-Ion Battery State-of-Health and Remaining Useful Life

针对锂离子电池健康状态（SOH）和剩余寿命（RUL）预测中特征提取不足及长时序建模能力弱的问题，提出融合多尺度卷积神经网络（CNN）、改进扩展LSTM和双流注意力模块的多任务目标学习框架，结合Hyperopt优化算法，实验表明该方法较传统及现有方法平均RMSE降低111.3%和33.0%。

　　

摘要：

准确预测锂离子电池的健康状态（SOH）和剩余使用寿命（RUL）对于确保电动汽车（EVs）的安全高效运行以及最小化相关风险至关重要。然而，当前的深度学习方法在选择性提取特征和建模这两个参数的时间依赖性方面存在局限性。此外，大多数现有方法依赖于传统的循环神经网络（NNs），这些网络在长期时间序列建模方面存在固有的缺陷。为了解决这些问题，本文提出了一种多任务目标学习框架，用于SOH和RUL的预测，该框架整合了多种NNs，包括多尺度特征提取模块（FEM）、改进的扩展LSTM和双流注意力模块（DSAM）。首先，设计了一个带有多尺度卷积NNs（CNNs）的FEM，以捕捉电池详细的局部衰退模式。其次，采用改进的扩展LSTM网络来增强模型保留长期时间信息的能力，从而改进时间关系建模。在此基础上，引入了DSAM——它结合了极化注意力（polarized attention）和稀疏注意力（sparse attention），通过为重要特征分配更高的权重来分别关注与SOH和RUL相关的关键信息。最后，通过双任务层实现了多对二的映射。为了优化模型性能并减少手动调整超参数的需要，使用了Hyperopt优化算法。在电池老化数据集上的广泛比较实验表明，与传统方法和最先进方法相比，所提出的方法将SOH和RUL预测的平均RMSE分别降低了111.3%和33.0%。代码将在以下链接公开提供：https://github.com/wch1121/Joint-prediction-of-SOH-and-RUL

引言

随着电动汽车（EVs）的快速发展，由于其高能量密度和低自放电率，锂离子电池得到了广泛应用[1]。然而，随着充放电次数的增加，电池性能不可避免地会下降，从而带来潜在的安全隐患[2]。为了确保动力电池的安全稳定运行，准确评估其状态至关重要。电池管理系统（BMS）中使用了各种指标来评估电池健康状况[3]。其中，健康状态（SOH）和剩余使用寿命（RUL）是最关键的性能指标。准确预测SOH和RUL对于优化电池管理策略和确保运行安全至关重要[4]。SOH通常表示为，其中表示电池的当前容量，表示其额定容量。RUL通常定义为，其中表示电池达到使用寿命终止（EOL）的总循环次数，表示已经完成的循环次数。