基于多时间尺度建模自动特征提取和通道注意力机制的锂离子电池健康状态估计

基于多时间尺度建模自动特征提取和通道注意力机制的锂离子电池健康状态估计准确估计锂离子电池(lithium-ion battery，LIB)的健康状态(state of health，SOH)对于确保储能电站的安全稳定运行至关重要。然而，现有的数据驱动方法通常依赖手工特征提取，并且特征的时间尺度比较单一，很难进行高效且精确的电池健康状态评估。为了解决这些问题，提出了一种基于多时间尺度建模自动特征提取和通道注意力机制的健康状态估计模型。该模型首先将充电过程信息输入多个并行的膨胀卷积模块(dilation convolution module，DCM)，从不同时间尺度进行自动特征提取，获得丰富且全面的特征表示。随后，不同尺度的特征通过融合后结合门控循环单元(gated recurrent unit，GRU)提取时间序列的长期依赖关系。模型进一步融入通道注意力机制(efficient channel attention，ECA)，对历史信息进行相关性动态权重分配，关注显著特征。最后，在两个公开数据集上验证了本方法的优越性，并与其他常用深度学习模型进行了比较。结果表明，本模型具有较高的SOH估计精度和良好的迁移性，两个数据集上的均方根误差分别仅为0.0110和0.0095，在跨数据集的迁移实验中均方误差仅为0.0092。

  关键词 锂离子电池；健康状态；卷积神经网络；注意力机制；时间序列

  全球积极推进“双碳”目标的背景下，对稳定高效储能系统的需求不断上升。锂离子电池(lithium-ion battery，LIB)以其高能量密度、长效循环寿命和低自放电特性已成为多种应用中首选的储能解决方案。但是，随着使用年限的增长，锂离子电池性能会逐渐衰退。尤其是当电池容量和功率出现显著下降时，可能引发故障甚至造成火灾或交通安全事故。因此，精确评估电池的健康状态(state of health，SOH)对于保障储能系统的安全和稳定运行尤为重要。

  为了提升对电池SOH的估计准确性，业界提出了多种模型方法，主要包括电化学模型、等效电路模型及数据驱动方法。电化学模型通过构建描述电池内部化学反应的详细机理模型，解释电池老化过程。然而，这类模型往往涉及复杂的方程和高度耦合的参数，计算复杂度较高，更适用于基础电化学研究中。等效电路模型则基于电池充放电过程中表现出的关键特征参数(如容量、内阻和循环次数等)，通过合适的算法构建这些参数与电池SOH之间的数学关联性。虽然这种方法在理论上能够提供较高的预测准确性，但实际表现严重依赖于所用模型的准确性和假设的合理性。除此之外，由于模型依赖的是对电池物理化学属性的先验认知，并容易受到各种环境和操作条件的干扰，使得它们在预测不同老化状态下的电池SOH时常常存在局限性，进而影响其在实际应用场景中的广泛使用。