据储能界了解到，
摘 要 锂离子电池长期充放电循环周期后会出现容量退化，性能下降，对储能系统构成潜在的危害。为此，本工作提出了考虑能量和温度特征的锂离子电池早期寿命预测混合模型，用以解决当前研究中对温度和能量特征以及深度学习提取出的特征重要性研究不足的问题。首先，为了充分挖掘温度数据中的有效信息，利用电压、电流和温度数据间接计算提取电池的容量、能量和温度信号能量曲线，选取前100个周期的曲线数据构建对应的二维特征。其次，针对卷积神经网络无法对所提取特征图进行筛选的问题，提出了一种基于卷积神经网络和卷积块注意力机制的特征提取架构，利用注意力机制识别各特征图的重要程度，进而实现从特征到早期寿命的映射。在MIT锂离子电池退化数据集上展开实验，对所提出的特征和方法进行效果验证。研究结果表明，相较于基础的卷积神经网络，所提出的混合模型取得了更优的预测效果，平均均方根误差为97.43。此外，对比一系列不同特征作为输入的实验可以发现所提出的温度信号能量特征性能较好，同时多特征融合技术能够实现更优的预测性能。最后，在更少周期数据应用的场景下，模型至少需要70个周期的数据才能保持较好的预测性能和较高的稳定性。
关键词 锂离子电池；早期寿命预测；深度学习；温度特征；能量特征
锂离子电池已然成为全球绿色能源中的一项重要技术，其具备充电速度快、能量密度高、寿命周期长、环境友好以及充放电性能良好等特点，在新能源动力汽车、电力储能系统等相关产品中得到了大量的实际应用。然而，对于锂离子电池而言，随着充放电次数的增加，它的可用容量会逐渐下降，性能也会随之显著下滑，对系统构成潜在的危害。因此，实现对电池寿命的有效预测对于保障电池安全管理和电池储能系统设计与优化至关重要。
目前，研究者关于电池寿命终止的标准基本上都来自于IEEE标准，该标准统一将电池实际容量与最初容量比值降低至80%时定义为电池寿命终止。在实际情况下，锂离子电池具有很长的寿命周期，获取全寿命周期内的数据需要很长的时间跨度。基于此，研究者开展了大量有关电池早期寿命预测的相关研究。具体来说，电池的早期寿命预测是指利用和分析电池前数个周期的数据所表征出的信息来实现对电池寿命终止的预测。实际上电池在前几个周期内所表现出的容量退化是微乎其微的，这使得电池的早期寿命预测极具挑战性。
有效的电池健康特征能够充分反映电池退化过程中的内外部状态与电池健康寿命之间的潜在联系，有助于利用电池早期少量的数据预测电池的寿命。目前电池的健康特征根据提取方式的不同主要可以分为基于可观测变量直接提取的特征和基于计算变量间接提取的特征。基于可观测变量直接提取的特征包括利用电池工作过程中的各项可观测指标数据如电流、电压、温度、内阻等直接提取相关特征。Braco等提取了不同电压范围内的电池充电容量数据作为健康特征，利用Pearson相关系数进行特征选择。Widodo等则是利用了电池在放电过程中的电压数据提取样品熵从而构建了向量机模型的输入特征。Severson等基于电池放电容量和电压数据，统计容量差值的多项特征，包括均值、方差等，并在弹性网络中验证特征对于早期寿命预测的有效性。在此基础上，Fei等从充电过程、放电过程、容量、温度以及电池内阻数据中分析了多组特征，并通过弹性网络等六种机器学习方法实现对电池早期寿命的准确预测。Yang等利用充放电曲线数据关系提取了电池充电时恒压和恒流下的持续时间，以及利用恒定电流进行充电时的膝点斜率和结束充电时的斜率共4个健康特征，这些健康特征从不同方面反映了电池的退化情况，而后通过灰色关系分析了特征与健康状态之间的关联程度。由于直接提取的特征往往是电池可观测数据的统计特征，缺乏了对数据深层关系的进一步挖掘，因此越来越多的研究开始计算变量间接提取电池特征，其中大部分是基于增量分析和差值分析进行特征提取的，这些特征首先用于估计电池的健康状态，而后通过进一步的计算预测电池的寿命。Zhang等通过容量增量方法分析电池充电容量相对于电池电压的变化率，并进一步捕捉曲线中隐含的特征，包括峰高、峰面积以及峰值位置等，并验证了这些特征能够反映电池的老化进程。Zhou等关注容量增量曲线中的区域面积特征，利用机理分析和电池老化相关特征对所提出的特征进行识别和验证。Deng等将部分充电数据中提取到的不同电压区间的容量增量序列的平均值和标准偏差作为电池健康特征。Lyu等将容量增量曲线融合到充电容量数据中提取电池的老化特征。
然而，间接计算提取的方法大多集中在电压和电流直接计算的容量增量曲线上，对于电池充放电周期能量和温度的间接计算特征提取研究相对较少，大部分应用于电池早期寿命预测的温度特征是直接利用温度数据或其统计数据，如均值、最大值等，这种特征大多以一种附加特征的形式出现，用于辅助模型综合考虑电池的热效应。在实际工作中，由于内部的化学反应，电池不断向外散发热量，其表面温度会因为能量的增加而升高，进一步改变电池内部的锂离子迁移速率，从而对电池的老化进程造成影响。因此进一步研究和挖掘电池的表面温度和能量规律有助于开发更多高相关性的特征。
目前关于早期寿命预测的方法主要是数据驱动方法。基于数据驱动的方法是直接利用电池在充放电循环中的可观测指标数据，如电压、电流、温度等等，去研究和分析电池的寿命退化规律，从而避免了对电池内部复杂结构机理的深入研究。Paulson等充分挖掘了电压和电流与时间的函数关系，并利用Pearson相关性和基于特征重要性选择策略中实现对相关性较强的有效健康特征进行选择，进而构造多周期特征，同时研究对比了包括神经网络在内的多种机器学习模型的早期寿命预测性能。Yang等从电压、容量和温度数据中提取相关特征，进而利用梯度提升回归树模型对电池寿命进行预测。Zhang等利用线性和非线性变换技术将放电容量、放电电流、端电压、内阻等数据映射到特征空间中，而后构建一般回归神经网络实现利用早期循环周期数据对电池寿命进行预测。近年来，深度学习方法凭借其强大的特征自动提取能力和预测能力，在电池早期寿命预测方面得到了大量应用。Saxena等利用前100个循环周期的容量-电压数据构造二维数据，而后应用卷积神经网络实现特征的自动提取和寿命预测。Yang针对实际应用问题，搭建了一种混合卷积神经网络的电池寿命早期预测模型，这个模型能够分别利用三维卷积核和二维卷积核两个模块自动捕获数据中不同维度上的抽象复杂特征，同时融合充电电压、电流以及温度数据。Zhang等利用长短期记忆循环神经网络来处理电池容量退化序列数据中的规律，对处于相异温度和相异电流速率下的电池进行准确的寿命预测。Jiang等针对电池早期寿命预测任务中的数据分布不同，提出了一种柔和并行神经网络，利用三维卷积网络提取电池寿命衰退的特征，并结合Inception模块提高模型对不同数据尺度的适用性，提高了早期寿命预测的准确性。
然而，虽然目前已有大量的研究开展了深度学习和电池早期寿命预测的研究，但是大多数文献对深度学习所提取的特征采用的做法是完全保留，而没有考虑一部分低效特征信息对模型带来的负面影响。为了实现更加准确的早期寿命预测，深度学习所提取的特征应当给予一定的权重，筛选出重要性和贡献程度更高的特征，从而提高模型整体的预测性能。这种做法在很多研究领域都有所应用，如Li等利用对比注意力模块评估每个局部特征的重要性，通过对特征进行加权来获取特征间的协作关系。Niu等提出了整体注意力网络用以充分考虑卷积层间的相关性，自适应地表征层次特征，以选择捕获更多有效信息特征。在图像识别领域，Wang等和Jiang等分别在手势识别和面部表情识别中嵌入了卷积块注意力机制，用以加强对特征的捕获能力，提高手势识别的精度。总而言之，注意力机制已被证明了可以在整个特征图之间有效地交换信息，通道注意力机制能够有效地保留每层中具有丰富信息的特征，而空间注意力机制能够很好地考虑特征图的位置信息，处理远距离的空间连接问题，为特征的提取提供更高的稳定性。这两个模块的串行连接能够逐步聚焦于局部特征，从而强化图像中的重要信息。
基于上述分析，为了进一步分析研究电池放电温度数据中更深层次的信息，本工作利用电池放电过程中的温度、电压、电流数据计算了电池在周期内的容量-电压、能量-电压和温度信号能量-电压曲线，而后利用样条插值进行多个周期内的数据采样，构建3组二维图形特征。本工作融合了AlexNet卷积神经网络和卷积块注意力机制(convolutional block attention module, CBAM)，搭建了早期寿命预测混合模型，利用CBAM获取每个特征图的权重系数，然后再与特征图进行加权重构，从而避免了一些无关特征对模型性能的影响。最后本工作在麻省理工学院(MIT)提供的锂离子电池退化公开数据集验证所提出特征和混合模型的有效性。实验结果表明，所提出的温度信号能量表现出不错的性能，能够有效提高模型的预测准确度，加入了注意力机制的混合模型的早期寿命预测具有更高的精度。
1 电池数据特征提取
1.1 数据集介绍
本研究使用来自麻省理工学院(MIT)提供的锂离子电池退化公开数据集，记录了A123系统公司制作的124个磷酸铁锂电池在30 ℃恒温箱中充放电过程中的各项指标数据。图1(a)为MIT数据集中所有124个电池样本的电池实际容量随着电池充放电次数的增加而降低至电池初始标称容量的80%的曲线。图1(b)为所有电池样本的寿命分布统计，可以发现大部分电池的寿命主要集中在400~1000个循环内。
图1 MIT数据集描述 (a) 所有锂离子电池样本的电池容量衰减曲线；(b) 电池数据集的寿命分布情况；(c)，(d) 两个不同充电策略电池的电压与电流在一个周期内的变化曲线
该数据集提供了124个电池样本在充放电过程中的多项指标，如电流、电压、温度、放电容量等。由于不同电池在第一阶段的充电过程中采用了不同电流和电压的充电策略，如图1(c)～(d)，难以形成统一的数据样本获取区间，因此本工作使用电池放电过程中的数据对电池寿命进行研究。图2为在全寿命周期内的放电电压和温度随时间的变化曲线及演变规律。图中显示，单个周期内，电压呈现出先加速而后减速下降，至3.0 V左右时加速降低，而温度则在整个周期内随着放电的进行逐渐增大。
图2 电池在全寿命循环周期内放电过程的 (a) 电压曲线和 (b) 温度曲线变化趋势
在数据预处理过程中，3类电池预测数据需要进行处理。首先是删除43号电池，因为该电池寿命很短，根据MIT电池数据集描述该电池的寿命退化有可能是内部原因而非自然退化。其次删除第4、27、42、54、58、61、62、112号电池，根据MIT电池数据集实验记录这些电池在实验过程中的热电偶意外脱落，所采集到的温度数据并非电池的实际温度数据。同样进一步删除了第48、49、89和90号电池，因为这些电池温度数据采集过程中热电偶两两切换，所获取到的温度数据与电池并不匹配。
1.2 数据分析和特征提取
在充电过程的数据中，电池实际的不同充电策略会影响电池的电流、电压与温度等数据，因此在本工作将从放电过程数据中提取特征，以提高实用性。此外，在特征提取过程中，采用了在特定电压范围内均匀采样的做法。这是因为在实际工作条件下，电池有效容量并非恒定，若以时间作为采样点则会使得不同周期间所提取的数据长度不一致，以电压为采样点则能够很好地保持数据的规整，方便后续模型对数据的利用。本工作所提取的特征包括容量图形特征、能量图形特征和温度图形特征。
1.2.1 容量图形特征
经典的容量计算算法采用安时积分法，即通过电池在放电过程中的电流在一个循环时间段上的积分获取电池在该循环的容量数据，如式(1)所示：
图3(a)为电池在其整个寿命内的每一个周期的放电容量-电压曲线。而后通过样条插值法在特定电压区间设置等距的电压采样点获取对应的电池放电容量数据。在电池前100个周期放电过程中电压区间[2.2 V, 3.4 V]内设置100个采样点，得到放电容量-电压张量特征，如图3(b)所示，后文简称F1。
图3 (a) 电池在其全寿命周期内的放电容量-电压曲线；(b) 放电容量-电压二维特征
1.2.2 能量图形特征
从图3(a)中可以看出，随着充放电周期的递增，如果电池从初始电压放电至同一电压，电池实际可放出的容量是降低的，即曲线表现出整体向下偏移的现象，因此该曲线与电压横轴所围成的面积也会逐渐减少，反映了电池实际可放出能量随着充放电周期递增而不断减少。因此，用能量定义来描述该区域面积，如式(2)所示，积分时间从初始时刻到电池截止放电时间内依次取值，获取到与时间对应的能量序列数据，如图4(a)所示。在实际应用中，能量相较于容量来说是一个更加全面的物理量，它能够考虑电池在放电过程中的电压变化，在不同放电速率下也可以反映电池能够提供的功率。
图4 (a) 电池在其全寿命周期内的能量-电压曲线；(b) 能量-电压二维特征
通过样条插值法在同样的电压区间设置等距的电压采样点获取对应的能量数据，如图4(b)所示，后文简称F2。
1.2.3 温度图形特征
温度是反映电池放热效应和电池退化的一个有效观测参数。图5描述了在电压维度上，放电温度曲线在整个寿命周期内的演变趋势。从单个周期上看，随着放电电压升高，温度先缓慢下降，在3.0 V左右加速下降，随后在3.2 V左右下降速度减慢。从周期演变上看，整体温度曲线先上移后下移。
图5 放电温度曲线在整个寿命周期内的演变趋势
通常情况下，一个信号的强弱可以通过该信号的平方在时间上的累积得到，该信号的强度本质上可定义为信号的能量，可以用式(3)表示：
图6(a)展示了电池在其全寿命周期内的温度信号能量曲线。通过样条插值法在同样的电压区间设置等距的电压采样点获取对应的能量数据，如图6(b)所示，后文简称F3。
图6 (a) 电池在其全寿命周期内的温度信号能量-电压曲线；(b) 温度信号能量-电压二维特征
2 基于卷积神经网络和注意力机制的混合预测模型
2.1 卷积神经网络架构
卷积神经网络是一种通过在深度方向上堆叠不同网络层来实现特征自动提取和特征映射的深度前馈式网络，具有卷积层稀疏连接、卷积核权重共享以及下采样的特性。一般来说，卷积神经网络最重要的核心层有卷积层、池化下采样层以及全连接层，这些不同层在架构中承担独特的功能职责。
首先，卷积层是最为重要的基本单元，用以实现对特征的提取。卷积核是在卷积层中执行卷积操作的基本结构，也是卷积层的参数，不同卷积核中的参数是不同的，用以捕捉不同表征信息。卷积操作如图7(a)和式(5)所示：
图7 (a) 卷积操作；(b) 平均池化
卷积核在特征图上规律性滑动对输入数据进行卷积计算，这种共享卷积核的方式称为权重共享，这种权重共享方法能够显著减少参数大小，提升模型的运行效率。在卷积层之后，通常会连接到一个激活层来增强网络的非线性表达。常见的激活函数有饱和激活函数Sigmoid和非饱和激活函数ReLU，分别如式(6)和(7)所示：
2.2 注意力机制
注意力机制是一种允许神经网络在训练过程中自适应地关注输入及特征图中具有重要信息的区域，抑制无效特征信息向深层网络传递的模块，能够增强模型对有效特征信息的捕获能力和效果。本工作选择了具有双重注意力，自适应能力较强的轻量化CBAM为特征配置权重。
CBAM的主要组成部分和重要结构在图8中进行细致展示。两种注意力机制均是通过输入和各自网络模块计算得到注意力权重，如式(9)和(10)所示。
图8 (a) 通道注意力机制；(b) 空间注意力机制
2.3 混合模型架构
本工作应用的基础网络模型为AlexNet，为了延后特征融合阶段，将输入的三通道拆分，分别对三组输入进行并行特征提取。三个通道的所有特征图在深度方向上堆叠实现特征融合，随后合并后的特征图依次经过通道注意力模块和空间注意力模型进行权重赋值，而后经过2个卷积层进一步提取特征，最后接入4个全连接层，将所提取出的抽象特征表达到标签空间。图9展示了本工作所提出的基于混合模型的电池早期寿命预测架构。
图9 本工作所提出的混合模型的网络架构
2.4 实验设计
图10描述了本工作总体的实验流程。首先从MIT锂离子电池数据集中提取电池在放电过程中的放电电流、电压和温度数据，计算并构造与容量、能量和温度相关的特征。而后在特定电压区间内设置等距电压采样点进行样条插值，获取各特征基于电压的特征数据。随后将电池前100个充放电周期的特征数据并联构建二维张量数据。最后将单个或多个特征在深度上堆叠构造三维张量数据作为模型的输入进行训练和测试。
图10 实验流程图
本工作将111个电池样本随机划分训练集和测试集，训练集包含了80个电池，而余下的31个电池则归于测试集中。重复数据集划分操作三次，分别进行实验，目的是降低偶然误差和数据分布不均导致对实验结果和最终结论的影响。最后，模型预测性能的定量表示为三次随机重复实验结果的平均值。本研究实验使用均方根误差(root mean square error, RMSE)和相关系数(图片)两个指标来评估模型的预测寿命与电池的实际寿命之间的数值差异，从而反映模型性能。
3 实验结果与分析
3.1 混合模型的实验结果对比
混合模型选择容量图形特征(F1)、能量图形特征(F2)和温度图形特征(F3)分别作为三条并行通道的单特征输入，在各自经过三个卷积层进行特征初步提取后进行特征融合。而原始AlexNet网络的输入则是所提取的3组特征在深度方向上堆叠得到的三维张量特征数据，并在网络的首个卷积层进行特征融合。记录混合模型和AlexNet网络在测试集上的预测结果并计算均值如表1所示。原始网络模型与集成注意力机制的混合模型的平均RMSE分别为98.73和97.43。从实验结果上看，对比未添加注意力机制的原网络模型，集成了注意力机制的混合模型取得了更优的早期寿命预测性能，能够充分利用多组特征的数据，更好地捕获电池寿命信息。图11展示了两个模型在第一组实验中所有电池的预测寿命和真实观测寿命对比。
表1 AlexNet和AlexNet+CBAM混合模型的预测结果
图11 AlexNet和AlexNet+CBAM混合模型的预测性能对比
3.2 不同特征的性能对比
在本节特征性能对比中，AlexNet作为寿命预测模型进行实验，通过对比实验来研究各特征的性能差异。同时，为了综合利用多组特征所具备的信息，本节还将所提取的3组特征在深度方向上堆叠得到三维张量特征数据，并在网络的首个卷积层进行特征融合。基于3组特征设计了四组不同特征输入的实验，特征输入分别为：①F1+F1+F1；②F2+F2+F2；③F3+F3+F3；④F1+F2+F3，其中①～③为单一特征复制2次并在深度方向上堆叠构建三维张量数据，④为多特征输入。实验结果如表2所示，单独使用F1效果最优，平均RMSE为113.64，图片达到了0.8954，这是因为电池退化过程中表现最明显的就是电池容量的衰减。此外特征F3也表现出不错的性能，平均RMSE为116.07，图片为0.8858，与电池的容量衰减表现出较强的相关性，可能原因是电池在正常的充放电过程中会发热，温度会随着电池内部汇集的热量而升高，而电池能够释放的热量与电池的实际可用容量息息相关，因此电池温度数据能够很好地反映电池的退化信息，可以将其视为电池早期寿命预测的关键有效特征。与单独使用任意一种特征相比，三组特征同时作为输入能够有效地提高模型的预测能力，平均RMSE降低至98.73，而图片则达到了0.9213，这说明了多特征融合使得模型能够从容量、能量和温度数据中有效捕获并综合更多特征信息。图12则展示了在重复实验组1中分别利用单一特征和多特征进行训练的网络模型在测试集上的电池寿命预测结果对比。
表2 不同特征输入的性能结果
图12 以不同特征 (a) F1+F1+F1；(b) F2+F2+F2；(c) F3+F3+F3；(d) F1+F2+F3训练的电池早期寿命预测模型在第一组测试集上的预测情况
3.3 基于更少周期数据的电池早期寿命预测
一个能够基于少量周期数据即可实现对电池寿命进行预测的模型能够使得电池在老化的前期得到更好的规划与利用。因此本节实验中，尝试通过减少网络所需的周期数据来探索提高模型适用性的可能性。分别基于电池前100，90，80，70，60周期的数据展开实验。记录实验数据如表3所示。图13将各组实验结果进行了可视化对比。从各组实验的平均RMSE和图片上看，周期数据的减少导致模型预测性能和精度逐步降低，这表明了电池数据所提供的有效信息会随着周期的减少而减少。当所使用的周期数据不小于70时，平均RMSE小于150，平均图片大于0.8，模型的预测性能保持在能够接受的预测精度内。而当继续缩减周期数据至60个周期时，模型的性能发生了严重下滑。因此为了确保预测模型的可靠性，在利用本研究所选用特征的前提下，应考虑使用不少于70个周期的数据。
表3 基于不同周期数量的特征的性能结果
图13 基于不同周期数量的模型性能对比
3.4 注意力机制超参数研究
在空间注意力模块中，两类池化操作分别得到了空间注意力图，后续接入了一个仅包含一个卷积核的降维卷积层，该卷积层的作用是在保持输入的长度和高度一致的前提下将通道数降为1，同时利用卷积核的卷积操作融合相邻区域的特征信息，更好地提取区域信息，因此该卷积层中的卷积核尺寸参数值得研究。通过实验对比采用不同卷积核尺寸的卷积层对实验结果的影响，本次实验不考虑使用11的卷积核，因为该尺寸的卷积核本质上就是通道维度上的加权，没有考虑到从特征权重图内相邻像素的联系，因此对比实验的卷积核尺寸分别设置为：33、55和77。同样以三组特征分布作为混合模型的并行输入，在混合模型中进行训练和测试，具体对比实验结果如图14所示，从三种情况下的对比实验结果可以看出，选用较小尺寸的卷积核能够实现更好的预测结果，这意味着需要一个较小的感受野来捕获特征中更加重要的细节区域。因此在空间注意力模块中最终采用小核尺寸的卷积层计算权重。
图14 带有不同大小卷积核的空间注意力的实验对比
4 结 论
本工作研究了基于锂离子电池健康特征与深度学习的早期寿命预测方法，利用电池前100甚至更少周期的数据来达到在电池退化的早期就能够准确预测电池的寿命周期，所需的周期数据仅占电池全寿命周期的10%左右。首先针对当前对电池温度特征研究不足以及未考虑深度学习提取特征的重要性的问题，本工作基于电池放电过程中的电压、电流和温度数据，拓展研究了与电池能量与温度相关的特性，并以此提取了基于容量、能量和温度的二维图形特征，通过实验验证了所提出特征的有效性。同时通过在特征提取层间引入注意力机制对模型进行优化，提高了电池早期寿命预测的准确度。
对三组特征分析表明，单独利用处理后温度数据进行电池早期寿命预测也能较为准确。温度数据反映了电池在充放电过程中的放热量，而电池的实际可用容量决定了电池可释放的热量，因此，挖掘电池温度数据的特性有助于推动温度相关特征为电池寿命预测提供宝贵特征信息。此外通过特征融合技术将三组特征进行融合，实验结果表明充分利用多组特征有助于提高模型整体的预测性能。能够利用的特征输入越多，模型就能够从电池的放电数据中捕捉越多有效的寿命信息，预测性能就会越优异。添加的注意力机制的混合模型对比实验说明注意力模块能够根据输入特征图对模型的有效性为不同特征提供不同的权重系数，使得模型能够筛选学习对模型有益的特征信息，同时抑制无效信息的传递，从而提高模型的预测能力。此外本工作还进一步研究了基于更少周期的电池数据实现早期寿命预测以及探索了空间注意力模块中降维卷积层的卷积核尺寸大小对该模块特征权重分配及最终模型寿命预测的影
评论