基于集成機器學習模型的鋰離子電池健康狀態預測

摘要：文章提出了一種基于TCNTransformer集成模型的鋰離子電池健康狀態（State of Health， SOH）預測方法。該方法結合時間卷積網絡（Temporal Convolutional Network，TCN）捕捉時間序列局部特征和長期依賴的優勢與Transformer自注意力機制建模全局關系的能力，提高預測精度。文章通過電池循環老化實驗，提取充放電過程中的電壓和容量增量等特征，優化輸入數據并構建TCNTransformer模型進行預測。實驗結果顯示，該模型較傳統單一模型性能更優，能準確反映電池健康狀態變化趨勢。

關鍵詞：鋰離子電池；電池健康狀態；時間卷積網絡；Transformer模型

中圖分類號：TM912文獻標志碼：A

0引言

鋰離子電池由于有著高能量和功率密度，被廣泛應用于多種設備與行業，尤其是在新能源汽車行業中。然而，隨著使用年限的增加，鋰離子電池的性能會出現不可逆的衰減，性能的下降會導致容量衰減，功率下降，甚至引發電池漏液、局部短路和熱失控等安全問題。準確地預測鋰電池的健康狀態是保證電池管理系統安全性和可靠性的關鍵。

SOH是電池當前容量與額定容量之比，通常被作為評估電池老化程度的量化標準。SOH定義為電池當前狀態的容量與電池初始狀態下容量的比值。

1實驗

11電池

本文選用以力神18650電池為研究對象。該電池直徑182 mm，高度65 mm，正極材料是磷酸鐵鋰（LiFePO4，LFP），負極材料是石墨（C）。

12循環測試

本實驗準備了多節電池進行循環老化實驗。由電池的參數可知，電池的充電截止電壓是365 V，電池的放電截止電壓是20 V。因此，電池的老化循環流程主要包括2個部分：第一部分是放電部分，以1C（16 A）的速率對電池進行恒流放電，至電池電壓到20 V且放電電流小于30 mA時結束，之后靜置30 min，等待電池的熱平衡和電化學平衡恢復以確保實驗的安全性和數據的可靠性；第二部分是充電部分，以1C的速率對電池進行恒流充電，至電池電壓到365 V且充電電流小于30 mA時結束，靜置30 min，以此循環，一天循環8次，共進行22周。

2方法分析

21特征選擇

為了提高模型對SOH預測的準確性和魯棒性，本研究對原始特征數據進行了全面的特征選擇和優化，最終選用充電電壓數據、容量增量數據和容量增量與電壓變化比值作為SOH預測的輸入特征。

22模型結構

本文使用TCN網絡與Transformer結合的方式構建網絡模型，用于預測電池的健康狀態（見圖1）。該模型使用電池隨訓練循環數老化的充放電特征數據作為輸入，使用TCN網絡，利用因果卷積和空洞卷積處理數據，提取序列中的局部特征和長期依賴信息，通過引入Transformer模型，使Transformer中的多頭注意力機制關注數據中的不同部分，挖掘數據中的重要信息。

221TCN模型

TCN是由Bai S等提出，專門用于序列建模的卷積神經網絡架構，旨在解決傳統循環神經網絡在訓練效率和長程依賴捕捉上的局限性［7］。該網絡的核心是因果卷積層。因果卷積通過限制卷積核，只能對當前時間步及以前的輸入進行操作，保證了輸出的時間序列在因果關系上的合理性。

F（s）=（x*（df））=∑（k-1）（i=0）f（i）·xs-d·i（2）

式（2）中，x代表一維序列輸入，f是卷積核，k是卷積核的大小，d是膨脹因子，s-d·i表示序列卷積前進的方向。當d=1時，擴張卷積則會簡化為常規的卷積；當d越大時，整體網絡的感受野也越大。

222Transformer模型

Transformer是一種用于序列到序列類型任務的深度學習模型架構［8］。該架構的核心思想是通過自注意力機制使模型能夠關注輸入序列中各個位置之間的關系，并行處理數據。

注意力機制是Transformer模型的核心部分。它允許每個位置的輸入向量對序列中的其他位置進行加權求和，從而捕獲各個位置之間的關系。注意力機制公式如式（3）所示。

除了注意力機制之外，Transformer還有編碼器和解碼器2部分。編碼器的功能是提取序列的全局特征；解碼器的功能是基于編碼器的輸出和已生成的序列逐步生成目標序列。

23評價指標

本文采用平均絕對誤差（MAE）、均方誤差（MSE）和可決系數（R2）作為評價指標對模型進行綜合評估。公式如下：

3實驗結果分析

31SOH估計結果

本實驗共搭建了3個模型對數據進行驗證，分別是TCN、RNN和TCNTransformer。本實驗使用多個電池的循環老化數據作為訓練集，保留2個電池數據作為測試集進行預測實驗。實驗輸入特征數據為30×3的序列數據，輸出為單個結果。訓練迭代次數為200次，學習率為0003，dropout為01。電池早期性能穩定且數據序列較短，因此，本研究的SOH預測主要集中在電池壽命的后半段。

從圖2和圖3可以看出，3種模型對電池健康狀態隨充放電周期的變化趨勢都有一定程度的擬合能力。預測結果與真實值的整體趨勢基本一致，表明這3種模型都能捕捉到電池健康狀態的總體變化規律，但不同模型的表現效果區別也很大。

TCN模型在整個測試中，效果比較一般，在預測前期（300～500次循環）預測效果相對較好，但是后期表現比較差，最后100個循環中預測效果快速惡化，預測值與真實值差距很大并且預測曲線很不穩定。這可能是TCN的卷積結構雖然擅長處理時間序列數據，但建模能力相對不足，導致對衰退過程的預測精度下降。

與其他的模型效果相比，RNN模型在整個測試過程中的預測效果最差，預測曲線的穩定性也很低。這可能是RNN網絡對長時間依賴的序列處理能力比較差，信息會在多個時間步中逐漸丟失，導致對SOH預測準確度比較低。

TCNTransformer的表現最好，優于TCN模型和RNN模型，預測曲線的波動性比TCN模型和RNN模型更低，表現更穩定。該模型基于TCN模型，融合了Transformer模型，加入的注意力機制可以更好地捕捉到數據中關鍵的長期依賴和特征，結合TCN的結構增強了局部特征的捕捉能力。因此，TCNTransformer在擬合整體趨勢和減少誤差方面有較大的優勢。RNN、TCN和TCNTransformer模型對1號電池和2號電池的SOH預測如圖2和圖3所示。

從表1中可以看出，在電池1的實驗數據中，TCNTransformer的預測精度最高，其MSE和MAE分別為155×10-5和000376，R2達到了0991，表明該模型可以精確地捕捉電池健康狀態的變化趨勢。RNN和TCN模型的性能顯著低于前者，但是預測的效果仍然不錯，R2分別為089和091。

在電池2的實驗數據中，TCNTransformer再次展現了優秀的預測性能，其MSE和MAE分別為821×10-6和000216，證明了該模型在不同數據集上的泛用性很強。RNN和TCN表現相對普通，R2分別為090和091。

無論是電池1還是電池2，TCNTransformer始終表現最優。在3個指標上來看，TCNTransformer模型都是最優，其中在2個電池的實驗數據上R2都接近1，表明該模型對數據的擬合程度很高，可以有效地使用該模型對電池健康狀態進行預測。RNN與TCN模型對數據的擬合程度相對較低，表現相對較差。

32結果分析

實驗結果表明，TCNTransformer的實驗數據在各個指標均優于其他模型，可決系數R2接近1，能穩定精準地預測電池退化過程。其MSE和MAE誤差極小，捕捉電池健康狀態的細微變化，準確還原電池SOH變化趨勢。

該模型優秀的預測效果可以歸因于3個原因：第一，TCN可以有效地捕捉時序數據的長期依賴關系，電池SOH隨著時間逐漸變化，TCN通過擴張卷積解構，能夠在不受梯度消失問題限制的情況下，捕捉到這些長時間跨度的依賴關系。第二，注意力機制可以自動聚焦重要特征，能夠使模型在每個時間步或數據點上自動分配不同的權重，從而聚焦于對預測結果影響較大的數據片段，提高模型對有效數據的關注力度，更好地捕捉電池健康狀態的變化趨勢。第三，局部與全局特征提取的結合，TCN提取局部短期特征，Transformer在局部特征的基礎上，進一步對全局上下文進行建模。這種分工使得模型既能關注短期動態變化，又能捕捉長期趨勢，適合電池SOH的復雜時序建模。

4結語

本文提出了一種新的TCNTransformer神經網絡模型。該模型將TCN與Transformer進行融合，為電池健康狀態的估計提供了一種新的方法。研究通過實驗驗證了模型的有效性，使用不同的鋰離子電池的老化數據對電池的SOH進行了估計。在SOH估計實驗中，研究模型在多個參數方面顯著優于其他模型，表明該模型能夠精確擬合電池健康狀態變化趨勢，捕捉電池退化數據的有效特征。此外，TCNTransformer通過自注意力機制，能夠自動聚焦于電池健康狀態預測中最關鍵的時間點和特征，使模型能夠靈活地應對不同電池類型和工作條件下的變化。這些優勢可以讓TCNTransformer不僅能提供準確的SOH估計，還能為電池管理系統提供有效的決策支持，幫助優化電池的使用和維護策略。

參考文獻

［1］楊強，張琦，楊玉明.基于機器學習的鋰離子電池壽命預測算法研究［J］.無線互聯科技，2024（11）：101-103.

［2］李家晨，朱成杰.基于BiLSTM神經網絡的鋰電池SOH快速估計研究［J］.無線互聯科技，2022（20）：146-148.

［3］李超然，肖飛，樊亞翔，等.基于深度學習的鋰離子電池SOC和SOH聯合估算［J］.中國電機工程學報，2021（2）：681-692.

［4］LI X，YUAN C，WANG Z，et al.Lithium battery stateofhealth estimation and remaining useful lifetime prediction based on nonparametric aging model and particle filter algorithm［J］.Etransportation，2022，11：100156.

［5］OBREGON J，HAN Y R，HO C W，et al.Convolutional autoencoderbased SOH estimation of lithiumion batteries using electrochemical impedance spectroscopy［J］.Journal of Energy Storage，2023，60：106680.

［6］LI Y，TU L，ZHANG C.A stateofhealth estimation method for lithium batteries based on incremental energy analysis and bayesian transformer［J］.Journal of Electrical and Computer Engineering，2024（1）：5822106.

［7］HEWAGE P，BEHERA A，TROVATI M，et al.Temporal convolutional neural （TCN） network for an effective weather forecasting using timeseries data from the local weather station［J］.Soft Computing，2020，24：16453-16482.

［8］VASWANI A，SHAZEER N，PARMAR N，et al.Attention is all you need［C］//Advances in Neural Information Processing Systems 30，December，4-9，2017，Long Beach，California.Neural Information Processing Systems Foundation，Inc.（NeurIPS）2017：5998-6008.

（編輯王雪芬）