利用新型多模态架构对真实车辆数据的SSB蓄电池健康状态估计

2026-07-21 20:30:34

为了解决新能源车在复杂运行条件和不确定驾驶行为下，电池在整个生命周期中健康状态（SOH）估计不准确的问题，本文提出了一种新型多模态并行架构——TCN-CNN-变换器（TCT），融合了时间序列和图像域特征。首先，为了解决由于现实数据中噪声较大而难以准确构建容量标签的问题，实施了协作的Savitzky-Golay平滑、卡尔曼差分滤波和自适应多项式（SGKA）框架，以高精度重建通过反计算安培小时积分获得的容量标签。其次，比较并运用皮尔逊和斯皮尔曼相关方法筛选高度相关的特征，从而提高分析的可靠性。最后，利用TCT架构同时捕捉一维时间序列数据中的长距离依赖关系和二维图像数据中的空间纹理，通过跨域特征融合实现准确的SOH估计。结果表明，所提架构实现了卓越的准确性和稳定性。与CNN-BiLSTM-Attention（CBA）模型相比，平均绝对百分比误差降低了31.04%，为现实世界汽车电池健康估计提供了可靠高效的解决方案。

简介

锂离子电池（LIB）因其高能量密度、长周期寿命和低自放电率，广泛应用于便携式电子设备、电动汽车（EV）和储能系统[1]。然而，LIBs由于各种物理和化学因素，往往会随着时间老化，导致显著的容量退化和内阻增加[2]。在电池管理系统（BMS）中，准确且及时地估算电池状态对于确保正确使用和故障诊断至关重要[3]， [4]。具体来说，LIB的健康状态，通常定义为电流容量与原始容量的比值，对于评估电池的工作状态、性能和劣化程度至关重要[5]， [6]。因此，准确估算 SOH 对学术研究和实际应用都非常重要 [7]、[8]。
SOH估计方法通常分为两类：基于模型的方法和数据驱动方法。在基于模型的方法中，电化学模型（EM）通过电极反应动力学描述电池内部的老化机制，而等效电路模型（ECM）则通过参数识别表示锂离子电池的电气特性[9]、[10]。尽管这些模型具有强大的物理可解释性，但其实际应用受限于计算资源和准确性要求之间的权衡。另一方面，数据驱动方法利用强大的特征学习能力和建模非线性关系的能力，从多变量时间序列数据中提取潜在健康特征。这种方法克服了传统方法（如电压、电流和温度）的局限，并允许利用机器学习算法开发SOH估计模型。这些方法不依赖于对电池的先验知识，展示了更好的工程适用性。许多机器学习模型已被用于SOH估计，其适用性因算法、可解释性、计算需求和数据处理能力而异。目前，大多数研究仍集中在实验室测试数据上，即电池在精确、受控且规律的循环条件下进行测试，例如在恒流和受控温度下的完整充放电循环。例如，Huo等人[11]应用贝叶斯网络估算SOH，可以基于真实世界数据建模电池劣化。Fan等人[12]提出了一种混合神经网络（GRU-CNN），利用电压和电流等数据进行SOH估计。Gao等人[13]使用分层特征耦合模块（HFCM）提取具有不同语义信息层次的特征，并利用长短期记忆（LSTM）神经网络研究健康指数（HI）与SOH之间的潜在数学关系。Zheng 等人[14]提出了一个MC-SCNN-LSTM网络，基于真实车辆数据估算 SOH，考虑电池单元间的不一致性。SO 等人[15] 对真实车辆数据进行了特征过滤，并将其输入 CNN-Transformer 网络，以提高 SOH 预测的准确性。Fan等人[16]开发了一个多时间尺度的深度学习电池状态估计框架，通过融合多维车载传感器数据，在真实电动汽车驾驶场景中实现了高精度估计结果，为基于真实车辆运行数据构建数据驱动的SOH估计模型提供了宝贵参考。承认现有模型在SOH预测中的良好表现，但也认识到它们在充分模拟电池单元间空间耦合关系和处理时间依赖性方面存在局限性。为了克服这些缺点，设计一个有效保留时间依赖关系的模型。此外，充分利用新架构内部电压不一致性的空间特征。
特征提取是SOH估计的关键步骤，选择合适且准确的特征显著影响SOH估计的性能。Wang 等人[17]提出了基于物理信息的神经网络，以准确估计电池的单层负荷（SOH）。Pozzato 等人[18]分析了现实世界的电动汽车电池组数据并提取了三个性能指标，但未能提供适用于现实场景的合适 SOH 估计方法。Qi等人[19]利用CNN-BiGRU（双向门控循环单元）从两辆电动车中提取了带标签的容量和多重健康特征，并基于容量与特征之间的关系建立了模型。然而，这些研究仅使用传统的一维特征作为输入，未充分考虑多模态信息。Fu 等人[20]使用二维图像作为特征输入，利用卷积神经网络（CNN）自动学习空间特征，适用于分析周期性电池数据（以图像或矩阵表示）。Liu等人[21]应用二维电压图表示电池内电压一致性，并结合一维时间序列数据作为输入，取得了良好效果。尽管这些研究通过多种模态特征实现了强大的SOH预测性能，但未能充分考虑时间序列数据中的长程依赖性以及电池固有的复杂非线性关系。因此，多模态特征的整合对于进一步提升SOH预测准确性变得至关重要。
此外，构建真实容量标签是健康估计的另一个关键方面。Wen等人[22]提出了一种基于标准电放电测试计算容量退化的方法。她等人[23]使用增量容量分析（ICA）方法，通过求解增量容量峰值，确定当前最大可用容量。差分电压分析（DVA）[24]和差分热伏安法（DTV）[25]也被广泛研究，用于分析电池当前的最大可用容量。在实际车辆应用中，由于充放电数据的随机性和不规则性，Huo等人[26]采用基于电流计数和安培小时积分（Ah计数）的方法，通过积累实际电池使用数据并利用粒子群优化预测SOH，间接估算当前最大可用容量。赵等人[27]计算了深度充电时的电池容量，并使用广义加法模型（GAM）描述容量衰减过程。然而，这些工艺需要恒定电压和电流的充电环境，且可能受到噪声影响。因此，平滑充放电数据并适应不同电池和使用环境对于重建真实容量标签非常重要。
基于上述分析，本研究提出了一种时间序列-图像双域耦合健康表示策略，以提升预测准确性，同时减轻最大可用容量估计中的误差放大。为提升容量标签的重建质量，引入了SGKA协作框架。此外，开发了TCT并行架构，解决传统卷积神经网络在捕捉长距离依赖性和提取局部特征方面的不足，从而实现高效的多模数据融合。论文其余部分结构如下：第二部分描述了真实车辆数据的获取和预处理，以确保数据质量。在第三节中，详细介绍基于TCT的SOH估计模型。第四部分呈现实验结果和比较分析。最后，在第五节，总结本文的结论。