基于擴(kuò)散模型和雙向長(zhǎng)短期記憶網(wǎng)絡(luò)的鋰電池SOH估計(jì)

摘 要：【目的】鋰電池健康狀態(tài)（state of health， SOH）的精確預(yù)測(cè)評(píng)估可以提高電池設(shè)備的安全性，降低故障的發(fā)生率。針對(duì)數(shù)據(jù)驅(qū)動(dòng)方法在模型訓(xùn)練過(guò)程中需要大量標(biāo)簽樣本數(shù)據(jù)的問(wèn)題，提出了一種新的基于擴(kuò)散模型和雙向長(zhǎng)短期記憶網(wǎng)絡(luò)的鋰電池SOH估計(jì)方法。【方法】首先，建立電池充電時(shí)間、電壓和溫度三者間的長(zhǎng)期依賴(lài)關(guān)系云圖；其次，設(shè)計(jì)一個(gè)時(shí)空信息捕捉模塊，將該模塊捕獲的長(zhǎng)期依賴(lài)信息作為擴(kuò)散模型的生成條件，賦予擴(kuò)散模型電池SOH數(shù)據(jù)生成能力；最后，利用雙向長(zhǎng)短期記憶網(wǎng)絡(luò)（Bi-LSTM）對(duì)部分由原始數(shù)據(jù)和生成數(shù)據(jù)混合而成的電池?cái)?shù)據(jù)集進(jìn)行訓(xùn)練，并利用剩余的原始數(shù)據(jù)作為測(cè)試集對(duì)所提方法進(jìn)行驗(yàn)證。【結(jié)果】驗(yàn)證結(jié)果表明，該方法不僅可以減少收集電池?cái)?shù)據(jù)類(lèi)型的周期和成本，而且能夠有效預(yù)測(cè)電池SOH。【結(jié)論】該方法在電池SOH估計(jì)上具備良好的精度，可進(jìn)一步探索其他電池?cái)?shù)據(jù)集組合，優(yōu)化模型結(jié)構(gòu)，提高電池管理系統(tǒng)。

關(guān)鍵詞：電池健康狀態(tài)；數(shù)據(jù)驅(qū)動(dòng)；時(shí)空信息；擴(kuò)散模型；雙向長(zhǎng)短期記憶網(wǎng)絡(luò)

中圖分類(lèi)號(hào)：TP391 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1003-5168（2024）19-0005-07

DOI：10.19968/j.cnki.hnkj.1003-5168.2024.19.001

SOH Estimation of Li-Battery Based on Diffusion Model and Bi-LSTM

KE Huan

（School of Statistics， University of International Business and Economics， Beijing 100029， China）

Abstract：[Purposes] Accurate predictive assessment of the state of health （SOH） of lithium batteries can improve the safety of battery devices and reduce the risk of failure. To solve the problem that the data-driven method requires a large amount of label sample data in the process of model training， a new battery SOH estimation method is proposed. [Methods] Firstly， the long-term dependence of battery charging time， voltage and temperature was established. Then， a spatiotemporal perception module is designed， and the long-term dependent information captured by the module is used as the generation condition of diffusion model， and the SOH data generation capability is given to the battery of diffusion model. Lastly， bidirectional long short-term memory （Bi-LSTM） network is used to train part of the original and generated hybrid battery data set， and the remaining raw data is used as a test set to verify the method. [Findings]The verification results show that this method can effectively predict SOH while reducing the cycle and cost of collecting battery data types. [Conclusions] This method has a good accuracy in SOH estimation， and can further explore other battery data set combinations， optimize the model structure， and improve the battery management system.

Keywords： SOH of battery; data-driven; spatiotemporal information；diffusion model; Bi-LSTM

0 引言

鋰離子電池循環(huán)次數(shù)的增加和工況環(huán)境的多變會(huì)加速電池老化，導(dǎo)致電池可用容量不斷衰減和電池健康狀態(tài)（state of health， SOH）持續(xù)惡化。因此，在電池使用過(guò)程中準(zhǔn)確估計(jì)SOH對(duì)于電池長(zhǎng)期、安全、穩(wěn)定的使用至關(guān)重要［1］。

對(duì)電池SOH的預(yù)測(cè)通常分為模型驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)兩大類(lèi)方法［2］。模型驅(qū)動(dòng)方法主要包括使用電化學(xué)模型（electrochemical model， EM）和等效電路模型（equivalent circuit model， ECM）。EM使用電化學(xué)方程來(lái)描述電池充放電過(guò)程中涉及的反應(yīng)，根據(jù)電化學(xué)原理著重研究電池材料內(nèi)在的老化機(jī)理。然而，由于電化學(xué)反應(yīng)過(guò)程復(fù)雜，很難用確定的方程來(lái)準(zhǔn)確描述電池的整個(gè)內(nèi)部變化情況。ECM是將電池轉(zhuǎn)化為若干電氣元件組成的電路，通過(guò)確定的數(shù)學(xué)方程來(lái)模擬電池的充放電行為。但電池內(nèi)部狀態(tài)與電路模型假設(shè)之間存在差異，因此會(huì)存在ECM估計(jì)電池SOH準(zhǔn)確度不足的問(wèn)題［3］。相比之下，使用長(zhǎng)短信息網(wǎng)絡(luò)（LSTM）［4］、門(mén)控循環(huán)神經(jīng)網(wǎng)絡(luò)（GRU）［5］、卷積神經(jīng)網(wǎng)絡(luò)（CNN）［6］等典型的數(shù)據(jù)驅(qū)動(dòng)方法進(jìn)行有監(jiān)督的電池SOH預(yù)測(cè)時(shí)，不用考慮電池內(nèi)部復(fù)雜的電化學(xué)反應(yīng)機(jī)理，僅需基于多層網(wǎng)絡(luò)結(jié)構(gòu)的傳遞和反饋的學(xué)習(xí)機(jī)制，以損失函數(shù)獲得最優(yōu)解為目標(biāo)調(diào)整網(wǎng)絡(luò)權(quán)重，從電池標(biāo)簽數(shù)據(jù)中學(xué)習(xí)電池監(jiān)測(cè)數(shù)據(jù)（電壓變化、溫差變化等）與容量衰退之間內(nèi)在的多維映射關(guān)系，即可獲取電池的SOH。然而，通過(guò)損失函數(shù)調(diào)整訓(xùn)練網(wǎng)絡(luò)權(quán)值后確定的關(guān)系模型，并不能反映訓(xùn)練數(shù)據(jù)本身的特征，也不能反映電池的整個(gè)工作場(chǎng)景，并且關(guān)系模型質(zhì)量依賴(lài)于所提供訓(xùn)練的數(shù)據(jù)的質(zhì)量和規(guī)模。同時(shí)，受傳感器所處環(huán)境的干擾、信息傳輸?shù)漠惒叫约半姵毓芾硐到y(tǒng)（BMS）計(jì)算的累積誤差等影響，測(cè)試數(shù)據(jù)往往含有較高的噪聲，這對(duì)電池SOH特征數(shù)據(jù)的提取及預(yù)測(cè)網(wǎng)絡(luò)的訓(xùn)練會(huì)造成較大的影響。

針對(duì)上述問(wèn)題，一些研究人員將深度生成模型用于電池SOH的狀態(tài)估計(jì)及預(yù)測(cè)中。例如，生成對(duì)抗網(wǎng)絡(luò)（generative adversarial network， GAN）或變分自編碼器（variational autoencoders， VAE），均可生成令人滿(mǎn)意的電池狀態(tài)數(shù)據(jù)集。Kim等［7］使用信息最大化GAN網(wǎng)絡(luò)從電化學(xué)阻抗譜數(shù)據(jù)中提取潛在變量，建立了一種完全無(wú)監(jiān)督的鋰電池容量估計(jì)方法。He等［8］提出了一種動(dòng)態(tài)變分自編碼器方法，通過(guò)對(duì)電池充電原始數(shù)據(jù)中部分維數(shù)信息異常點(diǎn)的檢測(cè)，實(shí)現(xiàn)對(duì)電池故障的判斷。Ardeshiri等［9］開(kāi)發(fā)了一種新的基于最小二乘法GAN網(wǎng)絡(luò)的預(yù)測(cè)架構(gòu)，以GRU作為鋰電池循環(huán)壽命預(yù)測(cè)生成器，多層感知器作為判別器，從電池?cái)?shù)據(jù)的時(shí)域特征中獲取較高的預(yù)測(cè)精度。

近年來(lái)，隨著GAN和VAE的發(fā)展，擴(kuò)散模型作為一種高效的新型深度生成模型在圖像合成、視頻生成、語(yǔ)音生成等領(lǐng)域得到了廣泛的應(yīng)用，并取得了令人矚目的成果［10-12］。擴(kuò)散模型旨在對(duì)先驗(yàn)數(shù)據(jù)逐步添加不同強(qiáng)度的高斯噪聲，使其變?yōu)殡S機(jī)噪聲，隨后通過(guò)逆向去噪算法，逐步修正上述的轉(zhuǎn)換，以便重建出與先驗(yàn)概率數(shù)據(jù)具有相同分布的全新樣本［13-14］。本研究基于擴(kuò)散模型的上述過(guò)程，提出了基于擴(kuò)散模型和雙向長(zhǎng)短期記憶網(wǎng)絡(luò)的電池SOH估計(jì)方法。首先，從電池?cái)?shù)據(jù)集中選取電池充電時(shí)間、電壓和溫度數(shù)據(jù)建立三維關(guān)系云圖并進(jìn)行時(shí)空信息搜尋，獲取關(guān)系云圖分布特征；其次，使用擴(kuò)散模型的正向加噪和逆向重構(gòu)策略，生成新的電池樣本數(shù)據(jù)；最后，將部分原始電池?cái)?shù)據(jù)與生成的樣本數(shù)據(jù)進(jìn)行混合，作為Bi-LSTM的訓(xùn)練數(shù)據(jù)，固化電池充電時(shí)間、電壓和溫度與電池容量衰減之間的關(guān)系模型，在保障電池SOH估計(jì)準(zhǔn)確性的同時(shí)，降低電池標(biāo)簽樣本數(shù)據(jù)的獲取周期和成本。

1 方法

1.1 擴(kuò)散模型

擴(kuò)散模型主要包括前向加噪和逆向去噪兩個(gè)過(guò)程，具體如圖1所示。其主要思想是通過(guò)兩條馬爾可夫鏈實(shí)現(xiàn)前向加噪和逆向去噪操作。在前向過(guò)程中，對(duì)原始數(shù)據(jù)[x0]不斷添加不同強(qiáng)度的高斯噪聲[z]，逐步破壞原始數(shù)據(jù)[x0]的結(jié)構(gòu)，使其變成一個(gè)隨機(jī)噪聲，再經(jīng)過(guò)逆向去噪過(guò)程，逐步生成新的數(shù)據(jù)結(jié)構(gòu)。

1.1.1 前向過(guò)程。通過(guò)馬爾可夫鏈的相轉(zhuǎn)移概率逐步添加高斯噪聲到原始數(shù)據(jù)[x0]中，得到一個(gè)含有噪聲的數(shù)據(jù)[xT]。其中，t時(shí)刻的數(shù)據(jù)[xt]分布為t-1時(shí)刻的數(shù)據(jù)[xt?1]的分貝加上高斯分布噪聲，具體見(jiàn)式（1）。

[xt=atxt?1+1?atZ] （1）

式中：[t∈1，T；at]為t時(shí)刻衰減值；[Z]為t時(shí)刻高斯噪聲。

重復(fù)迭代后，可由初始狀態(tài)[x0]得出任意時(shí)刻t的數(shù)據(jù)[xt]分布，具體見(jiàn)式（2）。

[xt=atx0+1?atZ] （2）

式中：[at]為t時(shí)刻噪聲的衰減值階乘。

1.1.2 逆向過(guò)程。通過(guò)神經(jīng)網(wǎng)絡(luò)訓(xùn)練從標(biāo)準(zhǔn)正態(tài)分布的噪聲數(shù)據(jù)[xT]中恢復(fù)原始數(shù)據(jù)[x0]，根據(jù)貝葉斯概率估計(jì)可以得到式（3）。

[qxt?1xt=qxtxt?1q（xt?1）q（xt）] （3）

[qxt?1xt]為給定數(shù)據(jù)[xt]時(shí)數(shù)據(jù)[xt?1]的概率分布。[q（xt?1）]無(wú)法直接求取，可依據(jù)馬爾可夫鏈性質(zhì)，用條件概率分布[qxt?1xt，x0]近似得到，具體見(jiàn)式（4）。

[qxt?1xt，x0=qxtxt?1，x0q（xt?1x0）q（xtx0）] （4）

其中[qxt?1x0～Nat?1x0，1?at?1qxtx0～Natx0，1?atqxtxt?1，x0～ Natxt?1，1?at]

將式（4）展開(kāi)并化簡(jiǎn)可以得到式（5）。

[xt?1=11?atxt?at1?at?θxt，t+at1?at?11?at?， ?～N（0，1）] （5）

該逆向過(guò)程是逐步進(jìn)行的，經(jīng)過(guò)反復(fù)迭代后即可預(yù)測(cè)出原始數(shù)據(jù)[x0]。

1.2 時(shí)空信息捕捉模塊

循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）可以利用隱藏狀態(tài)模塊[?t]來(lái)表征歷史數(shù)據(jù)的高階表征，LSTM和GRU利用記憶門(mén)、遺忘門(mén)和輸出門(mén)學(xué)習(xí)遠(yuǎn)程依賴(lài)關(guān)系，捕獲更加重要信息，丟棄不重要信息。Shi等［15］利用LSTM和GRU對(duì)時(shí)間的把握能力，結(jié)合卷積來(lái)賦予隱藏狀態(tài)模塊[?t]對(duì)空間的把握能力，提出了ConvLSTM和ConvGRU，具體見(jiàn)式（6）。

[?t=fRNN（vn， vn?1，…， vn?i+1）] （6）

本研究使用該改進(jìn)模塊[?t]對(duì)由電池充電電壓、充電時(shí)間及溫度構(gòu)成的三維關(guān)系云圖進(jìn)行處理，捕獲三者之間的依賴(lài)關(guān)系，并將其作為擴(kuò)散模型的生成條件。

1.3 數(shù)據(jù)生成框架

本研究提出的基于擴(kuò)散模型的電池SOH生成方法流程如下。

第一步，利用部分原始的電池充電過(guò)程的充電時(shí)間、電壓變化及溫度變化構(gòu)成一個(gè)三維數(shù)據(jù)結(jié)構(gòu)[x0]，使用三層RNN結(jié)構(gòu)作為時(shí)空信息捕捉模塊，每層獲得一個(gè)高階特征。第一層RNN結(jié)構(gòu)用來(lái)捕捉充電時(shí)間與電壓的變化關(guān)系，第二層用來(lái)捕捉充電時(shí)間與電池溫度的變化關(guān)系，最深處的第三層用來(lái)捕捉充電電壓與電池溫度的變化關(guān)系。在RNN中使用了切片操作，切片的大小為p，原始的數(shù)據(jù)[x0∈Rm×n×k]，經(jīng)過(guò)切片后[x0∈Rm×p×p ，n/p ，k/p]， RNN捕獲到的高階特征[Ht∈R3， m， n/p， k/p]，其中m為充電時(shí)間采樣大小，n和k為電池充電電壓和溫度變化區(qū)域范圍大小。

第二步，將高階特征[Ht]在通道上變?yōu)閇p×p]維，即[H't∈R3， p×p ， n/p， k/p]，與加完噪聲的數(shù)據(jù)[xT∈R m×n×k]在最后兩個(gè)維度上保持一致，這個(gè)過(guò)程是再一次提取高階特征[H't]。將捕捉后的[H't]與初始數(shù)據(jù)捕捉的[Ht]進(jìn)行Kullback-Leibler（KL）散度對(duì)比，散度越小意味著兩個(gè)概率分布越接近，以此實(shí)現(xiàn)對(duì)生成數(shù)據(jù)可用性的判斷，作為目標(biāo)函數(shù)用于尋找最優(yōu)生成數(shù)據(jù)。KL散度定義見(jiàn)式（7）。

[DKLqxT?1xT， x0pθxT?1xT=Eq12ΣθμnxT， x0?μθ（xT， T）2+C] （7）

式中：[C]為與[θ]無(wú)關(guān)的常數(shù)。

1.4 電池SOH估計(jì)流程

健康狀態(tài)（State of Health，SOH）是衡量電池性能和剩余壽命的重要指標(biāo)，通常用于評(píng)估電池在使用過(guò)程中的健康狀況。SOH的定義涉及多個(gè)方面，包括容量保持率、內(nèi)阻增長(zhǎng)、充放電效率等。通常表示電池當(dāng)前狀態(tài)與其初始狀態(tài)的比值，以百分比的形式表示。通過(guò)獲取各循環(huán)周期下的鋰離子電池剩余容量數(shù)據(jù)，并利用式（8）可計(jì)算出各循環(huán)次數(shù)的電池SOH。

[SOH（i）=CiC0×100%] （8）

式中：[C0]和[Ci]分別為電池的初始容量和第[i]個(gè)循環(huán)周期的容量。

本研究結(jié)合擴(kuò)散模型和自回歸模型構(gòu)建一種多變量時(shí)間序列預(yù)測(cè)方法，其中多變量是代表電池退化趨勢(shì)的多維特征。多變量時(shí)間序列的未來(lái)時(shí)間步長(zhǎng)的條件概率模型，可通過(guò)時(shí)間序列中前一時(shí)刻的給定值和協(xié)變量來(lái)進(jìn)行學(xué)習(xí)，進(jìn)一步實(shí)現(xiàn)對(duì)電池壽命的預(yù)測(cè)，具體見(jiàn)式（9）。

[qxx0t0：Tx01：t0?1， c1：T=ΠTt=t0qx（x0tx01：t?1， c1：T）] （9）

式中：[c1：T]為協(xié)變量，表示電池壽命序列特征，假設(shè)在所有時(shí)間點(diǎn)上都是已知的；[x01：t?1]為多變量時(shí)間序列數(shù)據(jù)，是部分原始數(shù)據(jù)和生成的數(shù)據(jù)融合而成的。

BiLSTM是由兩個(gè)數(shù)據(jù)傳輸方向不同的LSTM組成的變體模型，可深入獲取當(dāng)前時(shí)間點(diǎn)前后時(shí)序信息的重要特征和相關(guān)性。本研究采用BiLSTM作為合適的自回歸模型構(gòu)建時(shí)間相關(guān)網(wǎng)絡(luò)，利用當(dāng)前輸出的過(guò)去和未來(lái)的雙向時(shí)間序列信息，深入挖掘整個(gè)時(shí)間序列的聯(lián)系，提高對(duì)時(shí)間序列長(zhǎng)期依賴(lài)特征的利用，具體見(jiàn)式（10）。

[?t=BiLSTMθ（x0t， Ct， ?t?1）] （10）

其中[θ]是與條件擴(kuò)散模型共享的網(wǎng)絡(luò)權(quán)值，[?0=0]，此時(shí)條件概率模型（式9）可進(jìn)一步簡(jiǎn)化為條件擴(kuò)散模型的形式，具體見(jiàn)式（11）。

[qxx0t0：Tx01：t0?1，c1：T=ΠTt=t0pθ（x0t?t?1）] （11）

將[xt?1]和[ct?1]作為輸入注入BiLSTM后生成[?t?1]，進(jìn)而用編碼的[?t]預(yù)測(cè)[xt]。算法流程如圖2所示。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)流程

使用公開(kāi)電池老化實(shí)驗(yàn)數(shù)據(jù)集來(lái)驗(yàn)證本研究所提方法對(duì)電池SOH預(yù)測(cè)的性能，所使用的原始數(shù)據(jù)集來(lái)自美國(guó)航空航天局（National Aeronautics and Space Administration， NASA）卓越測(cè)試中（PCoE），選取了其中B0005、B0006、B0007和B0018四組電池的老化數(shù)據(jù)。這四組電池均為同一種型號(hào)電池，均是在環(huán)境溫度為室溫24 °C的條件下進(jìn)行實(shí)驗(yàn)。四塊電池都在充電過(guò)程中以1.5 A的恒電流（CC）進(jìn)行充電，直到電池電壓達(dá)到4.2 V時(shí)再以恒壓模式（CV）繼續(xù)充電，直到充電電流降至20 mA。在放電階段采用2 A的恒定電流（CC）進(jìn)行放電，到四個(gè)電池的電壓分別降至2.7 V、2.5 V、2.2 V和2.5 V為完成一次充放電循環(huán)，最終電池容量下降到初始容量的80%時(shí)，即認(rèn)為電池壽命終結(jié)。

使用B0005、B0006和B0018三塊電池?cái)?shù)據(jù)用于訓(xùn)練，使用B0007電池?cái)?shù)據(jù)作為測(cè)試，這對(duì)于電池的全生命周期在線(xiàn)預(yù)測(cè)更佳實(shí)用。共進(jìn)行三組實(shí)驗(yàn)，以評(píng)價(jià)全原始數(shù)據(jù)生成的網(wǎng)絡(luò)模型與融合部分原始數(shù)據(jù)和生成數(shù)據(jù)所生成的網(wǎng)絡(luò)模型的性能指標(biāo)。

實(shí)驗(yàn)一：使用90%的原始數(shù)據(jù)，其余10%源自擴(kuò)散模型生成的數(shù)據(jù)，以此混合數(shù)據(jù)訓(xùn)練BiLSTM網(wǎng)絡(luò)，使用B0005電池?cái)?shù)據(jù)作為測(cè)試并與100%原始數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)作對(duì)比。

實(shí)驗(yàn)二：使用70%的原始數(shù)據(jù)，其余10%源自擴(kuò)散模型生成的數(shù)據(jù)，以此混合數(shù)據(jù)訓(xùn)練BiLSTM網(wǎng)絡(luò)，使用B0005電池?cái)?shù)據(jù)作為測(cè)試并與100%原始數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)作對(duì)比。

實(shí)驗(yàn)三：使用50%的原始數(shù)據(jù)，其余10%源自擴(kuò)散模型生成的數(shù)據(jù)，以此混合數(shù)據(jù)訓(xùn)練BiLSTM網(wǎng)絡(luò)，使用B0005電池?cái)?shù)據(jù)作為測(cè)試并與100%原始數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)作對(duì)比。

2.2 評(píng)判標(biāo)準(zhǔn)

本研究使用均方根誤差（Root Mean Squared Error， RMSE）作為模型對(duì)電池SOH估計(jì)的評(píng)價(jià)標(biāo)準(zhǔn)，具體計(jì)算過(guò)程見(jiàn)式（12）。

[RMSE=1Ni=1l（y?y）2] （12）

同時(shí)，使用平均絕對(duì)百分比誤差（Mean Absolute Percent Error， MAPE）作為電池實(shí)際容量的預(yù)測(cè)值與實(shí)際容量的真實(shí)值之間的百分比，具體計(jì)算過(guò)程見(jiàn)式（13）。

[MAPE=1Ni=1Ny?yy×100%] （13）

2.3 實(shí)驗(yàn)結(jié)果

本研究將使用NASA提供的電池?cái)?shù)據(jù)集，其中包括編號(hào)為B0005、B0006、B0007和B0018的四組電池容量數(shù)據(jù)，采用留一法進(jìn)行評(píng)估。這些數(shù)據(jù)集記錄了每個(gè)電池在不同循環(huán)次數(shù)下的容量數(shù)據(jù)，作為電池健康狀態(tài)（State of Health， SOH）預(yù)測(cè)的數(shù)據(jù)支撐，電池容量衰減曲線(xiàn)如圖3所示。根據(jù)電池容量顯示，將以B0007、B0006和B0018為訓(xùn)練集進(jìn)行訓(xùn)練，電池容量訓(xùn)練如圖4所示。由SOH定義（式8）可知，電池的SOH為無(wú)量綱變量，故圖3～圖5中橫坐標(biāo)代表電池循環(huán)次數(shù)，縱坐標(biāo)代表電池SOH狀態(tài)（取值為0～1）。

以B0005的數(shù)據(jù)分別做為訓(xùn)練集和數(shù)據(jù)集進(jìn)行三種方案的探討，分別為取B0005容量數(shù)據(jù)的前90%為訓(xùn)練集和10%為預(yù)測(cè)集（方案一）；前70%數(shù)據(jù)為訓(xùn)練集，30%數(shù)據(jù)為測(cè)試集（方案二）；前50%數(shù)據(jù)為訓(xùn)練集，50%數(shù)據(jù)為測(cè)試集（方案三）。SOH預(yù)測(cè)結(jié)果如圖5所示。

由圖5可知，當(dāng)選擇不同百分比的原信號(hào)數(shù)據(jù)作為測(cè)試對(duì)剩下部分信號(hào)做預(yù)測(cè)時(shí)，信號(hào)的重合度不同，即原始信號(hào)選取作為訓(xùn)練集部分的越多，其信號(hào)重合度也會(huì)越高，預(yù)測(cè)也會(huì)更準(zhǔn)確，信號(hào)的學(xué)習(xí)和泛化能力更好。

三種方案具體的評(píng)判值見(jiàn)表1。

分析結(jié)果表明，通過(guò)混合數(shù)據(jù)的方法在降低電池狀態(tài)估計(jì)誤差方面具有顯著的效果。

3 結(jié)論

本研究提出了一種基于擴(kuò)散模型和雙向長(zhǎng)短期記憶網(wǎng)絡(luò)（Bi-LSTM）的鋰電池健康狀態(tài)（SOH）估計(jì)方法，旨在提高電池設(shè)備的安全性和降低故障風(fēng)險(xiǎn)。通過(guò)結(jié)合多組電池?cái)?shù)據(jù)進(jìn)行訓(xùn)練，根據(jù)時(shí)間序列信息，捕捉這些信息作為擴(kuò)散模型的生成條件，并利用部分?jǐn)?shù)據(jù)進(jìn)行模型優(yōu)化，可以顯著提升電池SOH預(yù)測(cè)模型的性能，從而生成新的電池SOH數(shù)據(jù)。之后利用Bi-LSTM對(duì)部分原始和生成混合的電池?cái)?shù)據(jù)集進(jìn)行訓(xùn)練，并驗(yàn)證該方法的有效性。驗(yàn)證結(jié)果表明，該方法在電池SOH估計(jì)上具備良好的精度。未來(lái)，可以進(jìn)一步探索其他電池?cái)?shù)據(jù)集的組合，優(yōu)化模型結(jié)構(gòu)，以提高電池管理系統(tǒng)的智能化水平。

參考文獻(xiàn)：

［1］劉大同，宋宇晨，武巍，等.鋰離子電池組健康狀態(tài)估計(jì)綜述［J］.儀器儀表學(xué)報(bào)， 2020，41（11）：1-18.

［2］ SUI X ， HE S ， VILSEN S B ，et al. A review of non-probabilistic machine learning-based state of health estimation techniques for lithium-ion battery［J］.Applied Energy， 2021， 300.

［3］陳銳，丁凱，祖連興，等.基于A(yíng)ED-CEEMD-Transformer的鋰離子電池健康狀態(tài)估計(jì)［J］.儲(chǔ)能科學(xué)與技術(shù)， 2023， 12（10）：3242-3253.

［4］ SINGH M ， BANSAL S ，VANDANA，et al.A genetic algorithm and rnn-lstm model for remaining battery capacity prediction［J］.Journal of Computing and Information Science in Engineering， 2022（4）：22.

［5］ ARDESHIRI R R ， MA C .Multivariate gated recurrent unit for battery remaining useful life prediction： a deep learning approach［J］.International Journal of Energy Research， 2021， 45（11）：16633-16648.

［6］SOHN S，BYUN H，LEE J H.Cnn-based online diagnosis of knee-point in li-ion battery capacity fade curve［J］.IFAC PapersOnLine，2022，55（7）：181-185.

［7］ KIM S，CHOI Y Y，CHOI J.Impedance-based capacity estimation for lithium-ion batteries using generative adversarial network［J］.Applied Energy，2022，308.

［8］ HE H ， ZHANG J ， WANG Y ，et al.Detecting electric vehicle battery failure via dynamic-vae［J］. arxiv，2022.

［9］ ARDESHIRI R R，RAZAVI-FAR R，LI T，et al.Gated recurrent unit least-squares generative adversarial network for battery cycle life prediction［J］.Measurement，2022，196.

［10］ CAO H， TAN C，GAO Z ，et al.A survey on generative diffusion models［J］.IEEE Transactions on Knowledge and Data Engineering，2023.

［11］林樂(lè)荃，李正坤，李瑞昆，等.擴(kuò)散模型在時(shí)間序列的應(yīng)用綜述（英文）［J］.Frontiers of Information Technology & Electronic Engineering，2024，25（1）：19-42.

［12］艾浩軍，曾維珂，陶荊杰，等.基于擴(kuò)散模型的室內(nèi)定位射頻指紋數(shù)據(jù)增強(qiáng)方法［J］.通信學(xué)報(bào)， 2023， 44（11）：201-212.

［13］方巍，袁眾，薛瓊瑩. 基于改進(jìn)擴(kuò)散模型的溫度預(yù)報(bào)［J］.中國(guó)科技論文，2024，19（2）：215-223.

［14］童煜鈞，王荷清，羅悅恒，等.基于擴(kuò)散模型數(shù)據(jù)增廣的域泛化方法［J］.智能科學(xué)與技術(shù)學(xué)報(bào)， 2023， 5（3）：380-388.

［15］SHI X J，CHEN Z R，WANG H，et al. Convolutional lstm network： a machine learning approach for precipitation nowcasting［J］.CoRR，2015.