为解决新能源汽车全生命周期内动力电池在复杂工况与不确定驾驶行为下健康状态(SOH)估计不准确的问题，本文提出一种融合时间序列与图像域特征的新型多模态并行架构——TCN-CNN-Transformer(TCT)。首先，针对实际数据噪声过高导致容量标签构建难度大的问题，采用萨维茨基-戈雷平滑滤波、卡尔曼差分滤波与自适应多项式(SGKA)协同框架，对安时积分法逆向计算获得的容量标签进行高保真重构。其次，通过皮尔逊与斯皮尔曼相关性方法比对筛选高关联度特征，从而提升分析可靠性。最终，利用TCT架构同时捕获一维时间序列数据中的长程依赖关系和二维图像数据中的空间纹理特征，通过跨域特征融合实现精确的SOH估算。实验结果表明，所提架构具有优异的准确性和稳定性。与CNN-BiLSTM-Attention（CBA）模型相比，平均绝对百分比误差降低31.04%，为实际车载动力电池健康状态评估提供了可靠高效的解决方案。

引言

锂离子电池（LIBs）因其高能量密度、长循环寿命和低自放电率等优势，被广泛应用于便携式电子设备、电动汽车（EVs）和储能系统领域[1]。然而受多种物理化学因素影响，LIBs会随时间老化，导致容量显著衰减和内阻增大[2]。在电池管理系统（BMS）中，准确及时地评估电池状态对确保合理使用和故障诊断至关重要[3][4]。具体而言，LIBs的健康状态（通常定义为当前容量与初始容量的比值）是评估电池运行状态、性能表现和退化程度的关键指标[5][6]。因此，SOH的精确估计对于学术研究和实际应用均具有重要意义[7][8]。
SOH估计方法通常分为两类：基于模型的方法和数据驱动的方法。在基于模型的方案中，电化学模型（EM）通过电极反应动力学描述电池内部老化机制，而等效电路模型（ECM）则通过参数辨识表征锂离子电池的电学特性[9][10]。尽管这些模型具有强物理可解释性，但其实际应用受限于计算资源与精度要求之间的Trade。另一方面，数据驱动方法利用强大的特征学习能力和非线性关系建模能力，从多元时间序列数据中提取潜在的健康特征。这种方法克服了传统方法（如电压、电流和温度）的局限性，并允许通过机器学习算法开发健康状态（SOH）估计模型。此类方法无需依赖电池的先验知识，展现出更优的工程适用性。众多机器学习模型已被用于健康状态（SOH）估计研究，这些模型在算法、可解释性、计算需求及数据处理能力方面展现出不同的适用性。目前大多数研究仍集中于实验室测试数据，即在精确受控的规律循环条件下测试电池性能，例如恒流充放电循环与控温环境下的完整充放电周期。以Huo等[11]为例，其采用贝叶斯网络进行SOH估计，该方法能够基于实际运行数据建立电池退化模型。Fan等[12]提出了一种混合神经网络(GRU-CNN)，利用电压、电流等数据进行健康状态(SOH)估计。高等人[13]采用分层特征耦合模块(HFCM)提取具有不同层次语义信息的特征，并利用长短期记忆(LSTM)神经网络学习健康指数(HI)与SOH之间的潜在数学关系。郑等人[14]基于实车数据提出MC-SCNN-LSTM网络进行SOH估计，该模型考虑了电池单体间的不一致性。Soo等[15]对实车数据进行了特征筛选，并将其输入CNN-Transformer网络以提高SOH预测精度。Fan等[16]开发了用于电池状态估计的多时间尺度深度学习框架，该框架通过融合多维车载传感器数据，在真实电动汽车行驶场景中实现了高精度估计结果，为基于实车运行数据构建数据驱动的SOH估计模型提供了有价值的参考。尽管现有模型在SOH预测中表现出良好性能，但仍需认识到其在充分建模电池单体间空间耦合关系与处理时间依赖性方面的局限性。为克服这些缺陷，本研究设计了一种能有效保持时间依赖性的模型。此外，新架构将充分利用电池内部电压不一致性的空间特征。
特征提取是SOH估算的关键步骤，选择合适且准确的特征会显著影响SOH估算的性能。Wang等[17]提出了一种基于物理信息的神经网络来准确估算电池SOH。Pozzato等[18]分析了实际电动汽车电池组数据并提取了三个性能指标，但未针对实际应用场景提供合适的SOH估算方法。Qi等[19]从两辆电动汽车中提取标记的容量与多重健康特征，基于容量与特征间的关联建立模型，采用CNN-BiGRU（双向门控循环单元）架构。然而这些研究仅采用传统一维特征作为输入，未充分考量多模态信息。Fu等[20]将二维图像作为特征输入，利用卷积神经网络（CNN）自动学习空间特征，该方法适用于分析以图像或矩阵形式呈现的周期性电池数据。Liu等[21]采用二维电压图表征电池内部电压一致性，并将其与一维时间序列数据融合作为输入，取得了良好效果。尽管这些研究通过多模态特征实现了优异的健康状态（SOH）预测性能，但均未能充分考虑时间序列数据中的长程依赖性以及电池固有的复杂非线性关系。因此，整合多模态特征对进一步提升SOH预测精度具有关键意义。
此外，构建真实容量标签是健康状态评估的另一关键环节。Wen等[22]提出了一种基于标准充放电测试的容量衰减计算方法。She等[23]采用增量容量分析（ICA）方法，通过求解增量容量峰值来确定当前最大可用容量。差分电压分析（DVA）[24]与差分热电压法（DTV）[25]同样被广泛研究，用于解析电池当前最大可用容量。在实际车辆应用中，由于充放电数据的随机性和无规律性，Huo等[26]采用基于电流计数与安时积分（Ah counting）的方法，通过累积实际电池使用数据并利用粒子群优化算法预测SOH，间接估算当前最大可用容量。Zhao等[27]则通过深度充电过程计算电池容量，并采用广义加性模型（GAM）描述容量衰减过程。然而，这些方法需要恒压恒流充电环境，且易受噪声干扰。因此，对充放电数据进行平滑处理并适配不同电池及使用环境，对于真实容量标签的重建至关重要。

上一篇：roadhawk蓄电池生物相容性电池：为可穿戴与植入式医疗设备的未来供能
下一篇：roadhawk蓄电池层状双氢氧化物纳米结构与杂化材料的协同设计及其在下一代可充电电池中的应用