摘要 - 锂离子电池运行过程中准确的健康状态（SOH）估算至关重要，有助于确保最佳性能、延长电池寿命以及预防意外故障或安全隐患。本文提出一种存储和性能优化的深度学习方法，利用恒流条件下部分充电曲线的原始传感器数据预测锂离子电池基于容量的SOH。该模型结合1维卷积神经网络和长短期记忆神经网络，将部分充电曲线的时间、电压和增量容量作为时间序列进行处理。通过在不同老化场景下交叉验证，整体平均绝对误差（MAE）为0.418%，均方根误差（RMSE）为0.531%，表明该模型在实际应用中不同使用和环境条件下对锂离子电池SOH估计较为准确。
1.简介
为减少温室气体排放和应对气候变化，可再生能源系统和交通运输部门的电气化迅速发展，锂离子电池（LIBs）在这两个领域得到广泛应用，用于储存可再生能源的多余能量以及作为电动汽车的牵引电池。 LIBs会随时间发生退化，健康状态（SOH）是评估其退化的常用指标，通常基于内阻或相对于初始值的剩余容量表示为百分比。准确估计SOH对确保电池系统性能、延长寿命和预防故障至关重要，但由于非线性退化及其复杂机制和相互作用，在线SOH估计具有挑战性。 本文评算LIBs的SOH方法包括库仑计数、增量容量分析（ICA）、差分电压分析和电化学阻抗光谱等，还可分为基于模型和数据驱动两类方法。基于模型的算法依赖参数化电池模型，数据驱动方法可映射输入输出数据，但现有方法存在局限，如未考虑不同老化场景。 构建包含11种不同老化场景的数据集，提出一种基于1维卷积神经网络（1 - D CNN）和两个长短期记忆（LSTM）层的存储优化且计算复杂度低的深度神经网络（DNN），用于处理恒流条件下部分充电曲线的原始传感器数据（时间、电压、增量容量）来预测LIBs的SOH，并验证模型对不同老化机制的鲁棒性。2.数据集
数据集介绍
数据来源：使用来自22个Bexel INR18650 - 2600电池的老化数据，正极为锂镍锰钴氧化物（NMC），负极为碳（C）。![]()
表1.电池规格
老化场景设置：设计了11种不同的老化场景，包括不同的循环策略和日历老化，每个场景应用于两个电池。 ![]()
表2.老化情况
![]()
图1.数据集中包含的所有电池的容量衰减：（a）在等效完整周期内循环老化电池的SOH。（b） 在几天内，日历老化电池的SOH。
实验过程
测试频率：对循环老化的电池每50个等效全循环进行一次表征测试，对日历老化的电池每30天进行一次测试。
测试环境及设备：在35°C的恒温环境下，使用Neware CT - 4008 - 5V6A电池测试系统进行测量和循环。
测试步骤：测试分为三个阶段，包括恒流充电至截止电压后恒压充电、恒流放电测定容量后恒压放电、恒流充电获取完整充电曲线。
电池老化情况：所有循环电池老化至标称容量的75%，部分电池在实验中出现故障或异常老化，相关数据仍保留在数据集中。
特征选择与数据预处理
输入特征：模型使用恒流条件下部分充电曲线的时间、电压和增量容量（IC）作为输入特征，以5秒的采样率作为时间序列数据传递给模型。 IC曲线处理：考虑实际应用，采用表征测试中未经过滤的恒流充电曲线原始数据处理IC曲线，将IC公式中的电荷Q替换为时间t进行简化，且仅使用3.7V - 4.0V电压窗口内的部分充电曲线作为输入特征。 数据预处理：对所选特征的时间序列数据进行零填充和最小 - 最大归一化处理，然后将数据随机划分为训练集（80%）、验证集（10%）和测试集（10%）。![]()
图2.随着时间的推移，不同SOH的全充电曲线和提取特征：（a）表征试验期间捕获的全充电特性曲线。（b） 提取部分充电曲线。（c） 导出的IC曲线。
3.模式结构
模型概述：提出一种结合1 - D CNN和LSTM神经网络的深度学习模型，用于基于部分充电曲线的时间序列数据预测LIBs的容量。1 - D CNN层用于从原始输入数据中提取额外特征，LSTM层用于捕捉时间序列数据中的长期依赖关系。 1 - 维卷积神经网络（1 - D CNN）
卷积操作：1 - D CNN层通过对输入序列应用一组可学习的滤波器进行卷积操作，每个滤波器由一个内核组成，按特定步长和宽度在输入序列上滑动，输出是一个新序列，每个元素是内核覆盖的输入元素的加权和。 激活函数：卷积操作后，对输出序列的每个元素应用非线性激活函数ReLU，引入非线性以捕捉更复杂的数据模式。 输出通道：1 - D CNN层使用的滤波器数量决定输出通道数，可视为捕捉输入序列不同方面的不同特征图，每个滤波器有自己的可学习权重，在训练过程中调整。 长短期记忆神经网络（LSTM）
结构特点：LSTM是一种循环神经网络，通过解决传统RNN的梯度消失和爆炸问题来学习顺序数据中的长期依赖关系。它在电池中引入记忆，通过内部的遗忘门、输入门和输出门控制信息的存储和检索。 工作原理：遗忘门控制从先前电池状态传递到当前电池状态的信息量，输入门决定新生成的记忆应添加到电池状态的量，输出门控制从当前电池状态传递到隐藏状态和输出的信息量，电池状态和隐藏状态根据相应公式更新。 ![]()
图3.一个LSTM电池的结构示意图
应用拓扑
处理流程：部分充电曲线的输入特征（时间、电压和IC）先由1 - D CNN层处理提取额外特征，然后通过一维最大池化层（1 - D MaxPooling）下采样减少计算负担和存储需求，再由两个LSTM层处理，最后通过一个包含单个节点和线性激活用语句错误: 此处似乎应该是“线性激活函数”的密集层输出预测的SOH。 ![]()
图4.应用的网络拓扑示意图，以及各层相应的输入和输出维数。
模型实现与训练
工具及设置：使用Keras（2.6.0）和TensorFlow（2.6.3）作为后端的Python（3.9.7）开源深度学习库实现和训练模型。采用“Adamax”优化器和均方误差（MSE）作为损失函数，对每个LSTM层应用Dropout进行正则化。 超参数优化：使用Optuna（2.010.0）优化模型和训练过程的选定超参数，表3列出了导致最高预测精度的超参数。![]()
表3.所应用的超参数。
4.结果和讨论
评估指标：采用简单绝对误差（AE）、平均绝对误差（MAE）和均方根误差（RMSE）评估训练模型的预测质量。AE衡量单个预测值与观测值的绝对差异，MAE是一组预测中所有AE的算术平均值，RMSE是预测值与观测值差异的二次平均值的平方根。MAE和RMSE定量衡量模型准确性，RMSE对异常值更敏感，指标值越低表示模型准确性越高。模型验证
数据集划分：将2.2节描述的数据集按80% - 10% - 10%随机划分为训练集、验证集和测试集，用于确定模型性能。 性能分析：图5(a)展示了基于电池6的数据测量和预测的SOH以及每个数据点的绝对误差，绝对误差随SOH降低有轻微倾斜但未超1%。图5(b)显示了各子集数据点测量和预测SOH的偏差，偏差在所有子集均匀分布，表明模型泛化能力强，但在SOH < 90%时偏差略有升高且异常值增多，各子集对应的指标见表4。 ![]()
图5.列车验证-测试分割的一般模型性能： (a)对6号电池的测量和预测SOH的比较，包括绝对预测误差。整个数据集的测量和预测SOH之间的(b)偏差。
![]()
表4.列车验证和测试分割的指标。
对老化场景的鲁棒性
交叉验证方法：采用交叉验证评估模型对不同老化机制的鲁棒性，将单个老化场景的数据作为测试集，其余场景数据用于训练模型，对表2中除日历老化电池（场景8 - 10视为一个场景）外的每个场景重复此过程。 结果分析：图6展示了交叉验证结果，图6(a)显示电池6测量和预测SOH的偏差，绝对误差略增但未超1%。图6(b)显示每次交叉验证迭代（场景）测试集测量和预测SOH的偏差，偏差在所有迭代均匀分布，表明模型对不同老化场景具有高鲁棒性，各场景对应的指标见表5。![]()
图6.在老化场景下进行交叉验证的模型性能： (a)对6号电池的测量和预测SOH的比较，包括绝对预测误差。(b)在每个老化情景下，测量的和预测的SOH之间的偏差。
![]()
表5.方案中的交叉验证指标。
5.总结
提出一种存储和性能优化的深度学习模型，利用恒流条件下部分充电曲线的时间、电压和增量容量（IC）的原始传感器数据时间序列预测基于容量的SOH。模型结合1 - D CNN提取额外特征提高预测准确性，两个连续的LSTM层捕捉多元时间序列中的长期依赖关系，1 - D MaxPooling层减少1 - D CNN输出时间序列的长度，降低计算负担和存储需求，适合现代电池管理系统中的小型嵌入式设备。
通过在不同老化场景下交叉验证，平均MAE为0.418%，RMSE为0.531%，在实际应用中不同使用和环境条件下对LIBs的SOH预测准确，使用更大的训练数据集有望提高预测准确性。
