融合CNN与Transformer的锂离子电池健康状态估计

摘要

准确估计锂离子电池的健康状态(state of health, SOH)对保证电池的安全使用具有十分重要的意义。为了提高SOH估计精度，提出了一种融合卷积神经网络(convolutional neural network, CNN)和Transformer的锂离子电池SOH估计方法。首先，分析了牛津实验室测试得到的锂离子电池充放电循环数据，提取了部分等间隔电压对应的充电时间序列作为表征电池老化的健康特征，并利用Pearson相关系数法定量分析了健康特征与SOH直接的相关性。然后，将具有局部特征提取能力的CNN与具有自注意力全局特征提取能力的Transformer相结合进行SOH估计。为了进一步提高估算精度，采用贝叶斯优化算法对CNN-Transformer全局超参数进行寻优，得到最优模型参数组合，提高了模型计算速度和SOH估算精度。在8个电池中进行交叉验证，结果表明：所提出的方法可以保证SOH估算最大误差、均方根误差和平均绝对误差分别小于1.5%、0.75%、0.63%。并将提出的方法与4种传统深度学习算法进行比较分析，发现该方法具有更好的估算精度和泛化能力。

关键词

锂离子电池 / 健康状态 / 贝叶斯优化 / 卷积神经网络 / 充电时间