在随机负载和数据稀疏条件下，对二次使用电池的健康状态进行弹性估计：一种基于物理原理的连续时间微观-宏观架构

《JOURNAL OF POWER SOURCES》：Resilient state of health estimation for second-life batteries under stochastic loads and data sparsity: A physics-guided continuous-time micro-macro architecture

可靠状态健康估计对二手锂电池至关重要，但面临异质老化、随机负载和数据稀疏挑战。本文提出物理指导的微宏观架构，微观层闭合式连续时间神经网络处理不均匀采样和噪声，宏观层Transformer跟踪长期退化，在Oxford、NASA RW20等数据集上实现0.0809 Ah和0.0568 Ah的RMSE，解决随机负载发散问题，故障场景误差降低86%。

　　

刘月峰|杨宁|杨子宇

内蒙古科技大学数字与智能产业学院（网络科学与技术学院），中国内蒙古包头市阿丁街7号，邮编014010

摘要

对于二手锂离子电池（SL-LIBs）而言，可靠的健康状态（SOH）估计至关重要。然而，退役电池面临诸如非均匀老化、随机负载（例如随机游走）以及由于云通信故障导致的数据稀疏等挑战。在这样的条件下，离散时间模型（如Transformer）无法有效工作，因为它们无法捕捉到由于采样不均匀而产生的连续电化学松弛现象。为了解决这个问题，我们提出了一种物理引导的微宏观架构。一个封闭形式的连续时间（CfC）神经网络作为微观层面的编码器，它充当一个可学习的电化学滤波器，能够明确地模拟电压松弛动态，以处理不规则的时间步长（$\Delta t$）。它类似于等效电路模型（ECM）来过滤随机噪声。然后，宏观层面的Transformer汇总这些特征以跟踪长期退化情况。验证使用了Oxford、NASA RW20和PCoE数据集。该模型在随机负载下能够防止Transformer发散（均方根误差：0.0117 Ah），与插值方法相比，其在“隧道故障”场景下的误差减少了超过86%。这一框架为电池管理提供了一种稳健的连续时间解决方案。

章节摘录

缩写

见表1。

电池退化机制与数据分析

为了系统地评估所提出的方法，我们必须了解不同电池工作条件下的潜在物理挑战。

方法论

我们提出了一种分层架构，将快速电化学动态（微观层面）与缓慢的容量衰减（宏观层面）分开。这与最近在处理Transformer中的突发数据时提倡的“基于分解”的策略[47]、[48]是一致的。

数据划分

• •
  Oxford & NASA PCoE：我们使用标准的分割方式（Oxford数据集使用Cell 1；PCoE数据集使用B0005-07 Train/B0018 Test）。
• •
  NASA RW20：我们采用严格的8:2时间顺序分割。前80%的循环用于训练以重建老化路径，随后的20%循环用于测试预测能力。这种设置严格检验了模型在随机条件下的退化趋势外推能力。

基准测试

我们将该方法与包括GRU、LSTM（使用线性模型）在内的现有最佳基准进行比较

实验I：Oxford数据集（动态驾驶)

在Oxford数据集上的表现总结在表2中。所提出的方法取得了最低的均方根误差（RMSE：0.0809 Ah），比纯Transformer方法高出53.7%。这验证了连续时间建模比离散注意力机制更能捕捉城市驾驶中的高频动态（见图5）。

实验II：NASA RW20（随机游走）

这个实验突显了我们方法在高噪声环境中的独特优势。表3表明，在这些条件下，纯Transformer模型的表现明显较差

结论

本研究提出了一个针对二手电池的微宏观混合健康状态估计框架。通过将连续时间神经常微分方程（CfC）与Transformer相结合，该模型解决了近期文献中提到的非均匀老化和数据完整性问题。实验结果证实：1. 最佳性能：RMSE分别为0.0809 Ah（Oxford）和0.0568 Ah（NASA PCoE）。2. 随机鲁棒性：解决了随机游走场景下的Transformer发散问题（RW20）。3. 故障检测

CRediT作者贡献声明

刘月峰：撰写 – 审稿与编辑、监督、资源获取、资金申请。杨宁：撰写 – 审稿与编辑、初稿撰写、可视化、验证、软件开发、方法论设计。杨子宇：撰写 – 审稿与编辑、可视化、验证、监督。

利益冲突声明

作者声明以下可能被视为潜在利益冲突的财务利益/个人关系：刘月峰报告获得了中国奖学金委员会的财政支持；刘月峰还获得了国家自然科学基金和内蒙古自治区自然科学基金的财政支持。

致谢

本工作得到了中国奖学金委员会（项目编号：202408150080[2024]42）、国家自然科学基金（项目编号：62341604）、内蒙古自治区自然科学基金（项目编号：2022MS06008）、内蒙古自治区档案局（项目编号：2022-36、2023-17）、内蒙古自治区直属高校基本科研经费（项目编号：2024QNJS149）以及其他相关机构的支持