NEC锂电池产品分类
NEC锂电池面向电动汽车锂离子电池容量估计的时频-统计多性向特征融合方法
发布时间：2026-04-18 11:03:54 点击： 次
动力电池健康状态（SOH）的准确估算对于电动汽车（EVs）的续航里程、安全性和使用寿命的可靠评估至关重要。由于SOH通常被定义为当前容量与额定容量的比值，精确的容量估算为SOH评估提供了实用方法。然而，现有方法多依赖单一类型特征（如微观时序信号或宏观统计指标），这限制了其捕获互补退化信息的能力。为解决这一问题，本研究提出了一种基于真实电动汽车数据的时频-统计多域特征融合框架用于电池容量估计。时域特征通过卷积神经网络-长短期记忆（CNN-LSTM）模块从电压电流序列中提取，而时频特征则通过多级小波分解（MLWD）获取。此外，描述电池使用模式的统计特征通过CNN进行处理。这些特征通过注意力机制进行融合，并用于预测电池容量。对184组退役电动汽车电池数据的实验表明，所提出的时频-统计特征融合方法优于基线方法。该方法有效克服了基于单一特征的容量估计的局限性，为电池老化评估提供了有前景的解决方案。
引言
目前，锂离子电池（LIBs）的健康状态（SOH）评估方法主要可分为三类：直接测量法、基于模型的方法和数据驱动方法[9][10]。直接测量法（如安时积分法）通过累计充放电电流随时间的变化来估算容量衰减。虽然该方法原理直观且具备实时性，但存在累积误差缺陷，需要精确的初始容量值，并对电流传感器精度敏感[11]。
基于模型的方法通过建立电池的数学表征来推断健康状态(SOH)。常见方法包括电化学模型(EM)和等效电路模型(ECM)。电化学模型通过耦合微分方程模拟内部反应，能以高保真度捕捉电池动态特性。然而其复杂性和高昂的计算需求阻碍了车载估计的实际应用[12][13]。相比之下，等效电路模型采用由电阻、电容和电压源等基本电路元件组成的简化网络来表征电池行为。与电化学模型(EMs)相比，等效电路模型(ECMs)具有计算复杂度较低、计算效率较高的优势，因而被广泛应用于电池实时管理系统[4][14][15]。在基于ECM的框架中，健康状态(SOH)估计通常通过采用滤波器或观测器跟踪特定模型参数（如内阻或容量）来实现，常用方法包括扩展卡尔曼滤波器(EKF)[16]、平方根无迹卡尔曼滤波器(SR-UKF)[17]、双扩展卡尔曼滤波器(DEKF)[18]以及粒子滤波器(PF)[19]。尽管成效显著，ECM方法在参数可靠辨识方面仍面临挑战，且往往难以精确捕捉电池在整个生命周期中复杂的退化机制[20]。
近年来，数据驱动方法因其无需掌握电池的限制级电化学知识而受到广泛关注。这类方法通过算法直接从数据中学习老化模式。目前已有多种数据驱动方法被应用于健康状态（SOH）预测，包括支持向量机（SVM）[21]、随机森林（RF）[22]、高斯过程回归（GPR）[23]以及深度学习[24]。其中，循环神经网络（RNNs）凭借其固有处理序列数据时序依赖性的能力，在荷电状态（SOC）和健康状态（SOH）估计领域得到广泛应用[25]。长短期记忆（LSTM）网络克服了标准循环神经网络的梯度消失问题，能够捕捉时间序列数据中的长期依赖关系。因此，众多SOH估算方法采用LSTM或其变体[26][27][28]。例如，文献[26]将传感器测量的电压和电流作为LSTM输入进行SOH估算，并在CALCE数据集[29]的六个电池单元上验证了模型。%% 文献[27]提取健康指标（HI）——如充放电过程中特定电压平台的持续时间，并应用经灰狼算法优化的LSTM对NASA电池数据[30]进行SOH预测。文献[28]提出AST-LSTM网络，采用电压、电流、温度和时间作为输入，在十二个NASA电池单元上展现出更高的精度。除独立LSTM模型外，研究者还探索了混合网络架构以提升性能。例如，文献[31]级联卷积神经网络与长短期记忆网络(CNN-AST-LSTM)以捕捉传感器数据中的空间模式与长期时序特征，实现健康状态(SOH)与剩余使用寿命(RUL)的联合预测。文献[32]开发了集成CNN、双向LSTM(BiLSTM)、双向门控循环单元(BiGRU)及注意力机制(AM)的混合神经网络，采用恒流充电时间(CC)与恒压充电时间(CV)等健康指标作为输入。该混合模型在NASA与CALCE数据集上均表现出卓越的准确性。类似地，文献[33]提出基于电压、电流与温度时序数据的CNN-VLSTM-AM框架，并在三个公开数据集(NASA、CALCE与牛津)上完成验证。这些研究表明深度学习技术，特别是混合架构，当前代表了数据驱动型SOH估计的最前沿方法。
值得注意的是，上述大多数模型的开发和测试均基于实验室循环数据集。然而，在实际电动汽车运行中，电池会经历更为多样化和随机性的使用模式，包括极端温度波动、非规则充放电制度以及多样化的驾驶行为。这一差异促使部分研究者开始探索基于电动汽车实际运行数据的健康状态（SOH）估算方法。例如，文献[34]通过分析电动公交车（真实车队）的运行数据，提取了包括电池组最低/最高电压在内的八项统计健康指标（HIs），并将这些特征应用于机器学习模型中进行SOH评估。文献[35]提出N-CatBoost模型，通过分析五辆真实电动汽车的宏观统计特征（如行驶里程、电压变化范围及SOC变化范围）作为模型输入参数来实现SOH估算。
这些研究阐明了一个关键点：当前数据驱动的电池健康状态（SOH）模型通常采用两类输入特征：（1）反映电池瞬时动态行为的时间序列数据（电压、电流、温度等），以及（2）捕捉锂离子电池长期退化趋势的使用或性能聚合统计描述符（例如行驶里程、初始充电电压）。迄今为止基于真实车辆数据的研究方法严重依赖统计类特征，这很可能是因为车辆采集的连续传感器数据存在噪声且不规则。然而仅使用单一类型特征可能导致重要信息遗漏。仅观察高层级汇总指标的模型可能无法识别电压曲线中的早期细微征兆，而仅分析原始时间序列的模型则难以判断电池整体老化程度。这种局限性会对SOH估算的准确性和鲁棒性产生负面影响。此外，现有诸多模型（尤其是深度学习模型）仅在相对小规模数据集（通常为少量单体电池或车辆）上完成验证，这使其在不同条件下的泛化性与可靠性存疑[31][32][33]。因此，亟需设计一种更全面的特征Fusion框架，以同步捕获电池的微观动态模式与宏观退化信号。此类模型还需在广泛的实际工况下进行测试，以严格评估其适用性与鲁棒性。
Liu等[36]近期研究在此方向迈出重要一步，提出了一种多模态容量估算框架。该框架通过融合多种特征类型，相较单一特征模型显著提升了精度。然而，该体系未整合电池数据的频域视角，因而忽略了电压与电流时间序列中固有的有效频谱信息。在工业过程监控与音频处理等领域，研究者已证实时域特征与频域特征的融合能显著提升模型性能。例如，文献[37]将时域与频域信号整合至基于图的深度网络中，以提升关键工艺指标的预测精度。类似地，文献[38]通过双域音频建模与特征融合，实现了卓越的语音分离效果。在SOC估计领域，文献[39]提出一种迁移双流物理信息网络（TDSPIN），该网络联合提取时域与频域特征，证实频域信息能有效提升电池状态估计性能。这些成功应用为电池健康状态（SOH）估算研究提供了宝贵启示。现有成果表明，类似的时频融合方法可能有益于目前尚待深入探索的电池健康评估领域。当前大多数电池SOH模型主要集中于分析时间序列（长期充放电曲线），而对频域特征的开发利用极为有限。实际电池时序数据（电压、电流等）却蕴含丰富的频率信息——例如电压响应可能包含与内阻增长或锂沉积事件相关的特定振荡成分或噪声特征。因此，引入频域分析（如通过小波变换或傅里叶变换）可揭示原始时域信号中不明显的模式特征。有必要开发一种融合时域特征、频域特征以及传统统计指标的SOH估计框架，以更全面地表征电池老化特性。
健康状态(SOH)评估本质上属于时间序列预测任务。当前时间序列预测领域的研究已进入以大型时间序列模型(LTSM)为主导的创新阶段，各类模型不断涌现并重塑技术前沿。例如文献[40]开发了名为Timer的LTSM框架，该模型采用包含10亿时间点的大规模数据集进行预训练，突破了传统方法需基于小规模数据集从头训练场景专用模型的局限。该方法在多样化时间序列数据上展现出优异性能。然而，此类预训练LTSM模型在SOH评估任务中的适用性、可迁移性及计算效率等关键问题仍有待进一步验证。
电池的健康状态（SOH）通常定义为当前最大容量Ccurrent与其额定容量的比值Crated: SOH=CcurrentCrated.由于给定电池的额定容量为恒定值，一旦获知当前容量即可直接推导出SOH。因此，本研究聚焦于通过运行数据预测电池容量，进而可推算出SOH并评估电池老化状态。
基于上述分析，本研究提出了一种用于锂离子电池容量估计的时频-统计多域特征融合框架。在长期循环过程中，电池退化既表现为缓慢的宏观变化（如内阻增加、数百次循环后的容量衰减），也表现为快速的微观动态（如每次充电时的电压瞬变、极化尖峰）。宏观统计特征捕捉整体使用条件和老化趋势，而微观时间序列特征保留了细粒度的动态响应，能够检测瞬态异常和早期退化信号。通过融合这两类信息，模型可实现更完整的电池健康状态表征。此外，通过引入时域信号的频域表征，该框架能够提取与电化学阻抗增长或周期性充电行为等现象相关的潜在频谱模式，进一步提升容量估计的鲁棒性和准确性。据我们所知，这是首个将限制级频域特征纳入数据驱动的电池容量估计模型的研究工作。所提方法在大量真实数据集上得到验证，并与最先进方法进行了性能对比。本研究的主要贡献可概括如下：
1. 本研究将电池信号的频域特征作为容量预测模型的关键输入。频域特征揭示了电压、电流等信号在不同频率分量上的能量分布，能够反映电化学过程的动态特性。与时域信号对噪声敏感的特性相比，频域特征能有效抑制充电过程中的高频噪声和操作波动，从而增强模型对电池老化特征的敏感性，提高容量估计的准确性和鲁棒性。
2. 本研究采用多域特征融合策略，通过将时域特征、基于多级小波分解（MLWD）获得的时频域特征以及使用过程中的重要统计指标作为容量模型的联合输入。这一综合性特征集充分利用了多样化信息来源，丰富了模型的特征空间，克服了单一域特征的局限性。此外，该框架还整合了注意力机制，以自动量化各隐含特征对容量估计的贡献度。通过自适应地为最具信息量的特征分配更高权重并抑制相关性较低的特征，注意力模块使模型能够聚焦于关键退化信号。这种方法克服了传统方法对所有输入同等处理的缺陷，能够检测出可能被忽视的微妙健康退化模式，从而进一步提升预测性能。
3. 本研究采用184辆真实电动汽车的电池数据验证了所提框架的有效性。实验中，15辆车辆数据用于模型训练，其余169辆用于测试，以严格评估泛化性能。结果表明，时频-统计融合模型在这批多样化车队中实现了高精度的容量估算。此外，我们将本方法与文献[40]最新提出的大型预训练时间序列模型进行了对比。所提出的任务专用模型不仅在我们的电池数据集上实现了更高的估算精度，其计算速度也优于通用的Timer模型。这一发现表明，在电池容量预测应用中，专注于特定领域的模型相较于通用大规模模型，能够在精度和效率两方面提供显著优势。
标签:
上一页：NEC锂电池二硫化钼纳米结构在下一代电池应用中的最新进展与前景
下一页：返回列表