SSB蓄电池结合小波变换与迁移学习的锂离子电池健康状态深度学习评估方法

2026-03-28 08:47:50

电池健康状态（SOH）的精确估计对确保电池系统安全稳定运行至关重要。然而，现有SOH估计方法侧重于局部特征提取，难以捕捉电池老化的全局特征。本文提出一种融合卷积神经网络（CNN）、小波变换、注意力机制与迁移学习（TL）的新方法，显著提升了CNN捕获电池老化模式全局特征的ability。所提出的方法利用小波变换从充电数据中提取多尺度信息，同时抑制噪声干扰。此外，该方法引入注意力机制以优化特征加权并聚焦关键退化模式。为进一步降低数据依赖性，本研究开发了一种TL策略：冻结预训练模型的特征提取层，微调全连接层，从而实现跨电池模型与工作条件的知识迁移。在XJTU和丰田-MIT-斯坦福数据集上的实验验证表明，所提模型相比4个基线模型具有显著性能优势。在数据集1上，HACNN相较基线模型分别将平均绝对误差（MAE）降低了38.4%、21.5%、36.8%和9.1%。尤为突出的是，TL策略仅使用10%目标数据集就实现了模型误差30%以上的降幅。本研究为数据稀缺场景下的健康状态（SOH）评估提供了高精度框架，对实际电池管理系统具有重要实用价值。

引言

锂离子电池（LiBs）凭借其高能量密度、长循环寿命和低自放电率等优势，被广泛应用于电动汽车[1]、无人机[2]、航空航天[3][4]等领域[5]。然而，LiBs在长期使用过程中不可避免地会出现老化现象，这不仅导致其容量和性能下降，还会带来安全隐患[6]。因此，在LiBs的实际应用中，评估性能衰退与可靠性至关重要。SOH作为电池性能评估的关键指标，能够量化当前健康状态并反映其相对于初始状态的退化程度。该指标对于保障电池安全稳定运行具有重要作用。
近年来，众多SOH估算方法推动了该领域的发展。这些方法旨在评估电池当前状态，为预测性维护与更换提供指导，从而提升系统可靠性与安全性。SOH估算方法主要分为两类：基于模型的方法和数据驱动的方法。
基于模型的方法通过构建依赖电池化学物理特性的数学模型来估算SOH。常用模型包括基于电化学的模型[7]和等效电路模型[8]。但确定这些模型参数通常高度依赖专家知识和经验值。
相比之下，数据驱动方法对专业电池理论知识的门槛要求较低，且无需深入考量电池内部复杂的动态特性。这类方法通过直接从历史数据中提取关键信息[9][10][11][12][13]即可实现有效的健康状态(SOH)估计。深度学习作为数据驱动方法的典型代表，能够从原始数据中自动提取复杂的隐藏特征，该技术已在众多领域获得显著成功并得到广泛应用。在电池健康管理领域，众多研究者已利用深度学习技术开展SOH估计研究，展现出显著潜力与有效性。例如，文献[14]采用深度学习实现了关键电池状态的端到端估计，通过部分充电数据同步估算最大容量与剩余容量，从而同时解决SOH与荷电状态（SOC）的估计问题。Huang等[15]提出了一种新型SOC-SOH联合估计框架（SSEF），该框架采用分段训练实现参数共享，有效考量SOC与SOH之间的内在耦合关系，促进两个变量的统一联合估计，显著提升计算效率。Zhou等[16]提出基于改进灰狼优化算法和深度极限学习机（DELM）的数据驱动型SOH与剩余使用寿命（RUL）预测方法。他们通过多尺度分析方法验证了电池老化状态，并提取出强关联的老化特征。值得注意的是，Fei等人[17]开发了一种采用扩张自注意力机制的双分支视觉变换器（BiViT-DSA），利用不完整充电过程中的部分充电信息。该模型能够同时从电池的多时间尺度老化动态中学习高层潜在特征，从而实现高精度的健康状态（SOH）估计。
尽管当前电池健康状态（SOH）估计方法已取得进展与成就，仍存在若干未解决的挑战：（1）深度学习技术虽能通过卷积运算从原始数据中提取复杂的隐含特征，但传统卷积神经网络通常仅聚焦输入数据的局部区域，导致其捕捉全局特征的能力相对薄弱。（2）SOH估计模型需要大量锂离子电池数据进行训练以确保性能，这要求在多样化工况下进行广泛测试，将产生显著的时间与人力成本。（3）当应用于新型电池模型时，SOH估计模型可能出现性能退化现象。这需要通过资源密集型的模型重训练与参数调整来适应新的SOH估计任务，从而导致时间与资源利用效率低下。
小波变换(WT)因其在信号分解与多频段特征提取方面的卓越能力，已被广泛应用于多个领域[18][19][20]。将WT与CNN相结合可增强CNN的特征提取能力，有效弥补CNN在全局特征提取方面的局限性。此外，迁移学习(TL)能够将相关任务中获得的知识迁移至新任务，仅需少量数据即可对目标模型进行微调[21][22][23]。相较于完全从零开始训练新模型，该策略不仅能提升训练效率，还可大幅降低对电池专属数据的需求，从而有效降低电池数据采集成本。
为提高电池健康状态(SOH)估计模型的性能，本研究提出一种名为HACNN的深度学习模型，该模型集成小波变换(WT)、卷积神经网络(CNN)和注意力机制，并采用迁移学习(TL)策略以降低模型对带标签目标域数据的依赖性。具体而言，本研究的主要贡献包括：(1)提出用于电池SOH估计的HACNN深度学习模型。通过将CNN与WT相结合，该模型利用小波变换捕捉多尺度信息并降低噪声的Ability。这种组合不仅增强了CNN的特征提取能力，还有效缓解了CNN在全局特征提取方面的局限性。此外，注意力机制的引入进一步提升了特征提取性能。(2) 为降低对大量电池测试数据的依赖，并减轻有限数据对模型性能的影响，本研究将TL策略应用于所提模型。TL通过将相关知识从关联任务迁移至新任务，使得模型能够以极少量数据对新任务进行微调。与从头训练新模型相比，该方法提升了训练效率，显著降低了电池数据需求，同时减少了数据获取成本。(3) 为验证所提模型的有效性，在两个公开数据集上进行了实验。结果表明，所提模型能够跨数据集实现精确的SOH估算。