锂离子电池健康状态鲁棒预测

原创于 2026-06-08 10:55:32 发布 · 181 阅读

本内容遵循CC 4.0 BY-SA版权协议

标签

锂离子电池作为电化学储能的核心载体，其健康状态（State of Health, SOH）的准确预测对电池管理系统（BMS）的运维决策、梯次利用筛选及安全预警具有至关重要的意义。然而，电池退化过程受充放电倍率、环境温度、循环工况等多因素耦合影响，呈现出高度非线性和长程时序依赖性，传统基于机理模型或单一浅层学习的方法难以在复杂工况下保持稳健的预测性能。

针对上述挑战，本研究基于西安交通大学（XJTU）公开锂离子电池退化数据集，构建了一种融合多尺度卷积神经网络（Multi-Scale CNN）、双向门控循环单元（Bi-GRU）、多头自注意力机制（Multi-Head Self-Attention）与监督对比学习（Supervised Contrastive Learning, SupCon）的深度时序预测框架。具体而言，模型首先通过并行的 k=3/5/7 三尺度一维卷积核对原始充放电特征进行多粒度局部模式提取，经批归一化和最大池化后拼接为高维特征表示；随后输入双向 GRU 层捕捉电池退化序列的前向与后向长程依赖关系；在此基础上引入 4 头自注意力机制，自适应地为不同循环时间步分配差异化权重，使模型聚焦于容量拐点、内阻突增等关键退化事件；最后，区别于传统仅依赖均方误差（MSE）损失进行回归拟合的范式，本研究创新性地将 SOH 连续值离散化为 10 个健康分箱，构建监督对比学习分支，通过 Pull 同类（相近退化阶段）嵌入、Push 异类（不同退化阶段）嵌入的策略，显著增强了特征表征的类内紧凑性与类间可分性。