基于卷积注意力通道分解混合网络的状态健康估计方法，用于锂离子电池

《Reliability Engineering & System Safety》：Convolutional Attention Channel Factorization Mixing Network-based State of Health Estimation for Lithium-ion Batteries

锂离子电池健康状态估计方法，通过双分支卷积注意力模块自适应提取退化特征，结合通道分解混合模块消除冗余信息，提升估计精度和泛化能力，在三个不同数据集上验证有效。

　　

王成杰|吴军|雷玉萌|张红|莫华东

华中科技大学船舶与海洋工程学院，中国武汉，430074

摘要

准确估计锂离子电池（LIBs）的健康状态（SOH）对于确保其安全性和可靠性至关重要。然而，现有方法的性能常常受到监测数据中冗余信息的影响。为了解决这个问题，我们提出了一种基于卷积注意力通道分解混合网络（CACFMN）的新SOH估计方法。该方法包括一个特征提取模块、多个通道分解混合和时间处理（CFMTP）模块以及一个估计器模块。具体来说，建立了一个双分支卷积注意力模块，以自适应地从LIB的充电数据中捕获健康特征。此外，CFMTP模块旨在减少这些特征各通道之间的冗余。随后，开发了估计器模块来估计LIB的SOH。最后，使用三种采用不同材料和充放电策略的电池数据集对所提出的方法进行了验证。实验结果表明，设计的CFMTP模块有效地减少了通道间的冗余信息，从而提高了SOH估计的准确性和泛化能力。

引言

环境污染的加剧促进了清洁能源存储解决方案的探索和应用[1]。由于锂离子电池（LIBs）具有高能量密度、优异的功率性能、低自放电率和较长的使用寿命，它们被广泛用作交通运输领域的储能设备[[2]]、[3]]。然而，由于电化学组分的退化，LIB的衰老是不可避免的，这将导致储能系统出现严重故障[[4]]、[5]]。因此，准确的SOH估计对于确保LIB的安全性和可靠性至关重要[6]。

目前，LIB的SOH估计方法可以分为三种主要类型：基于测量的[7]、基于模型的[8]和数据驱动的方法[[9]]、[10]]。基于测量的方法直接利用实验设备获得的值来计算与LIB SOH相关的参数。当前的基于测量的方法包括库仑计数[11]和电化学阻抗谱[12]。例如，Lee等人提出了一种改进的库仑计数方法，考虑了LIB容量的变化[13]。基于机理实验的分析，Wang等人提出了一种自适应状态估计方法，该方法结合了简化的粒子无迹卡尔曼滤波器和输出电压跟踪策略[14]。尽管这些方法的计算复杂度较低，但它们的实际应用受到严格硬件要求的限制[15]。

基于模型的方法依赖于LIB的电化学机制和物理过程，利用数学模型来描述LIB的行为和退化过程[16]。这些方法通常需要全面了解LIB内部的参数和化学反应[17]。用于估计LIB SOH的基于模型的方法包括电化学模型[18]、经验模型[19]和等效电路模型[20]。例如，Deng等人[21]提出了一种适用于全固态LIB的模型，该模型是通过敏感性分析和参数状态的联合估计开发的。Li等人引入了一种基于改进的等效电路模型的电化学阻抗谱方法，以实现不同温度下LIB的精确SOH估计[22]。然而，基于模型的方法的一个显著限制是难以准确获得模型参数，这限制了它们在复杂操作条件下的适用性[[23]]、[24]]。

与基于模型的方法相比，数据驱动的方法不需要考虑LIB内部复杂的电化学过程。相反，它们通过利用大量的历史数据建立了SOH和可测量参数之间的直接映射关系，从而实现了LIB的快速和精确SOH估计[25]。作为一种典型的数据驱动方法，机器学习被应用于LIB的SOH估计。这些方法包括高斯过程回归（GPR）[26]、随机森林（RF）[27]、支持向量机（SVM）[28]和相关向量机（RVM）[29]。例如，Feng等人开发了一种基于物理的GPR模型，以实现LIB的准确SOH估计[30]。Lu等人构建了一个基于注意力机制和RF回归的SOH估计模型，成功地在各种LIB上提供了准确的估计[31]。此外，Lin等人采用了一种堆叠集成方法，结合了RVM技术，以实现LIB的灵活SOH估计[32]。这些方法相对简单，不需要高计算资源。然而，这些方法的性能在很大程度上取决于手动构建的健康指标的质量，从而导致它们的适应性有限[33]。

由于深度学习方法强大的自动特征提取能力，它们在LIB的SOH估计领域显示出越来越大的优势[34]。目前，典型的深度学习方法包括卷积神经网络（CNN）[35]、长短期记忆（LSTM）神经网络[36]、门控循环单元（GRU）[37]、图神经网络（GNN）[38]和Transformer[39]。一个结合了一组深度神经网络和领域适应性的深度学习框架已被证明可以产生准确的SOH估计，确保大多数样本的绝对误差保持在3%以下[40]。Xu等人提出了一种基于领域适应的方法，通过结合迁移学习和CNN来实现个性化的SOH估计[41]。Kouhestani等人开发了一种创新的多物理、多尺度确定性数据驱动策略，显著提高了锂离子电池状态估计的准确性[42]。尽管数据驱动方法在估计LIB的SOH方面显示出显著的优势，但它们需要大量的高质量数据，这使得它们的性能容易受到数据质量的影响[43]。

在充电和放电过程中，电压、电流和温度的曲线如图1所示。电流、电压和温度的变化之间存在显著的相关性。这种相关性导致收集的数据中存在大量冗余信息，这对数据驱动方法的性能产生了不利影响。为了克服上述缺点，提出了卷积注意力通道分解混合网络（CACFMN）。具体来说，建立了一个双分支卷积注意力（DBCA）模块，以自适应地从LIB数据中捕获健康特征。每个分支主要包含一个Conv1d网络和一个高效的多头自注意力（EMSA）[44]。然后，特征通过通道分解混合和时间处理（CFMTP）模块进行处理，以减少冗余信息。最后，CFMTP处理后的特征被输入到预测器中，以估计LIB的SOH。本文的主要贡献总结如下。

• 1)
  提出了一种基于CACFMN的新方法来估计LIB的SOH。它不仅可以自适应地从LIB的充电数据中提取退化特征，还可以考虑这些数据中冗余信息的影响。
• 2)
  构建了一个DBCA模块来提取退化特征。该模块的每个分支使用Conv1d从LIB的充电数据中端到端提取退化特征。为了增强两个分支的特征学习，将EMSA集成到每个分支中。
• 3)
  CFMTP模块旨在减轻不同通道间冗余信息造成的干扰。该模块通过通道分解将输入分成多个子序列。然后，多层感知器处理这些子序列并将它们融合。分析结果证实，CFMTP模块有效地减少了冗余，提高了SOH估计的准确性。

本文的其余部分组织如下：第2节概述了所提出的CACFMN。第3节介绍了使用的数据集以及应用于这些数据集的SOH估计结果。第4节讨论了模型在消除冗余、计算复杂性和结构合理性方面的有效性。最后，第5节总结了从研究中得出的结论。

章节片段

方法论

本节介绍了CACFMN的架构。该节以基于CACFMN的提出的SOH估计方法的介绍结束。

案例研究

为了评估所提出方法的有效性，使用了来自MIT [47]、XJTU [48]和Oxford [49]的电池数据集进行SOH估计任务。实施了留一法将数据集划分为训练集和测试集。对于MIT和XJTU数据集，这种策略是分批应用的：在每批中，指定一个电池单元作为测试集，而同一批中的其余单元作为训练集。

冗余分析

为了验证所提出的CFMTP模块在消除信息冗余方面的能力，我们对模块处理前后特征表示进行了全面的相关性分析。首先，在进入CFMTP模块之前和之后，计算了电池数据不同通道之间的皮尔逊相关系数，得到相关矩阵$R_{\text{before}}$和$R_{\text{after}}$。随后，计算了差异矩阵$\Delta R=R_{\text{after}}?R_{\text{before}}$

结论

在本文中，提出了一种基于CACFMN的SOH估计方法。DBCA模块旨在自适应地从LIB的充电数据中提取特征。此外，CFMTP模块通过分解和混合通道数据来减轻冗余信息的影响。随后，将减少冗余的特征输入到估计器模块中进行SOH估计。在包括各种快速充电方式的三个不同数据集上进行了广泛的验证

CRediT作者贡献声明

王成杰：撰写——原始草稿、软件、方法论、数据整理。吴军：撰写——审稿与编辑、监督、项目管理、概念化。雷玉萌：可视化、验证、形式分析。张红：可视化、验证、数据整理。莫华东：验证、形式分析。