准确估计锂离子电池的state of health（SOH）对于提高电池系统的可靠性和安全性至关重要。然而，目前针对大容量锂离子储能电池的SOH估计方法仍面临诸如估计精度不理想等问题。因此，本文提出了一种通过结合temporal convolutional network和提取多健康特征来估计state of health的方法。粒子群优化算法为了准确描述大容量储能电池的加速老化机制，从电池数据中提取了各种健康特征，如时间特征、能量特征、容量特征和增量容量特征。采用grey correlation analysis方法评估健康特征与SOH之间的相关性。为了克服神经网络模型超参数选择困难的问题，提出了一种particle swarm optimization算法和学习率调度器，以正确获取超参数并实现对电池SOH的准确估计。为了克服神经网络模型超参数选择困难的问题，并动态调整学习率以满足模型在不同训练阶段的学习需求，提出了一种particle swarm optimization算法和学习率调度器，以正确获取超参数并实现对电池SOH的准确估计。实验结果表明，该方法的mean absolute error和root mean square error均在2%以内，具有较高的SOH精度和鲁棒性。模型、一种粒子群优化算法和学习率调度器被提出，以正确获取超参数并实现电池SOH的准确估计。为了克服神经网络模型选择超参数的困难，并动态调整学习率以满足模型在不同训练阶段的学习需求，提出了一种粒子群优化算法和学习率调度器，以正确获取超参数并实现电池SOH的准确估计。实验结果表明，平均绝对误差和

图文摘要

引言

由于具有高能量密度、高功率密度、长寿命以及无记忆效应等优势，Lithium-ion batteries 已在新能源汽车和储能电站领域得到广泛应用[1,2]。然而，电池衰减是一个复杂的电化学过程，涉及多种副反应，包括固体电解质界面形成、电解液氧化、盐分解、颗粒破碎以及活性物质溶解[3,4]。在使用过程中，大容量储能电池面临诸多安全问题；作为电化学储能系统的关键部件，其容量衰减可能导致系统故障。为了确保电池和储能系统的安全性，防止潜在危险并保证可靠高效的运行，准确且及时地估计电池的State of Health (SOH) 至关重要[5,6]。
SOH是衡量电池健康状态的指标，定义为每个循环的最大可用容量与额定容量的比值[7]。当电池充满电时的容量衰减至初始容量的70%至80%时，通常被认为已失效。随着人工智能、大数据分析及其他智能工具的发展，电池健康评估方法日益多样化，主要包括基于模型的方法和数据驱动的方法[8]。
基于模型的方法主要包括Equivalent Circuit Models (ECM) [9] 和Electrochemical Models (EM) [10]，它们具有更高的物理可解释性和精度。然而，这些模型通常需要先验知识和经验的辅助支持来进行定量推理。先验知识不足会导致模型性能下降，且难以获取适用于不同工况的精确机理模型 [11]。
相比之下，数据驱动方法对电池物理退化机制的知识或信息需求较少。它们能有效地从历史监测数据中提取更具代表性的信息，深入探索电池健康特征与SOH之间复杂的映射关系[12]。其中，传统的机器学习技术包括Gaussian Process Regression (GPR)[13]、Support Vector Machine (SVM)[14]、Relevant Vector Machine (RVM)[15]和Decision Tree (DT)。利用这些方法已开展了大量关于SOH的研究。
例如，Zhang等[16]采用基于梯度提升决策树（GBDT）框架的模型从原始电池指标中筛选有效特征，实现了对电池健康状态的准确评估。Jia等[17]从锂离子电池的充放电曲线中提取了多个健康特征，并将其与高斯回归相结合用于短期SOH预测。Yang等[18]将RVM改进为多核RVM，并利用粒子群优化算法来优化参数，从而提高了电池SOH估计的准确性。虽然这些方法避开了分析电池内部复杂化学过程的需求，但在算法可靠性和鲁棒性方面仍有提升空间，凸显出亟待改进的必要性。
随着深度学习的发展，神经网络已成为预测电池SOH的一种重要且高效的方法。常用的神经网络包括Back Propagation Neural Networks（BPNN）[19]、Convolutional Neural Networks（CNN）[20]、Recurrent Neural Networks（RNN）及其变体网络[21]。例如，Wen等人[22]提取了健康特征，如增量容量曲线峰值对应的电压、峰值左侧的斜率以及峰值本身，建立了这些健康特征与温度之间的关系。随后他们使用BPNN预测不同温度下锂离子电池的SOH，实现了1.16%的平均预测误差。Park等人[23]利用小波变换对电池数据进行预处理，以提取与电池电压和温度相关的非线性特征，然后将其与CNN和LSTM结合用于SOH估计。Yayan等人[24]采用堆叠式Bidirectional Long Short-Term Memory（Bi-LSTM）网络来估计锂离子电池的SOH，并发现Bi-LSTM比LSTM具有更高的特征提取效率。
尽管RNN及其变体在序列建模方面表现出色，但它们仍存在梯度消失和梯度爆炸等缺陷，同时还面临训练效率低下以及难以实现满意加速效果的问题[25]。为此，Bai等人[26]于2018年引入了专门为解决序列建模问题而设计的Temporal Convolutional Network（TCN）模型。与RNN模型相比，TCN具备更长的记忆能力，更适合处理涉及长序列的任务。Zhang等人[27]选取了与容量衰减高度相关的温度变化率作为TCN的输入，并将SOH作为输出，据此建立了一个TCN模型。Zhou等人[28]提出了一种基于TCN的锂离子电池SOH监测模型框架。该模型采用了因果卷积和空洞卷积技术，增强了模型捕捉局部容量恢复现象的能力。
然而，传统的神经网络超参数调优主要依赖手动配置，这不仅效率低下，而且容易陷入局部最优，从而阻碍了SOH估计的优化效率和准确性。为了解决这一问题，研究人员探索了自动化的超参数优化方法，其中Particle Swarm Optimization（PSO）算法作为一种高效的全局优化技术，已被应用于多个领域。PSO算法模拟鸟群觅食的自然行为，通过群体中粒子间的合作与竞争来寻找最优解。每个粒子代表一组超参数配置，它们在搜索空间中迭代更新自身的位置和速度，以逼近全局最优的超参数组合。与手动调整以及传统的grid search、random search等方法相比，PSO算法具有更快的收敛速度和更强的全局搜索能力，能够有效避免陷入局部最优解，从而提高模型优化的效率和SOH估计的准确性。
例如，Chen等人[35]使用PSO算法优化Least Squares Support Vector Regression（LSSVR）模型，通过PSO搜索LSSVR的最优超参数，并结合一种新的电池健康指数构建了电池SOH评估模型，实现了对电池SOH的准确估计。Wang等人[36]提出了一种基于特征重要性排序策略和PSO优化的Generalized Regression Neural Network（GRNN）的电池SOH估计方法，其中PSO算法用于调整GRNN的参数以提高模型的预测性能。Wu等人[37]提出了一种基于Principal Component Analysis（PCA）的PSO-BPNN用于估计锂离子动力电池的SOH。采用PCA来降低系统输入维度，使用PSO优化BPNN的权重，并将优化后的BPNN应用于准确估计SOH。
因此，本研究提出了一种基于多健康特征提取的改进TCN模型。该研究的主要创新点如下：（1）不同于依赖公开数据集的主流趋势，本研究采用了通过实验室测量获得的大容量储能电池加速老化数据；（2）为了准确描述大容量储能电池的加速老化过程，从电池充放电数据中提取了11个健康特征，并将其分为四类：时间特征、能量特征、容量特征和增量容量特征；（3）利用Particle Swarm Optimization（PSO）算法和学习率调度器来确定TCN的最佳超参数，从而构建了改进的PSO-TCN模型；（4）通过将改进的PSO-TCN模型应用于其他锂离子电池系统，验证了其适用性和泛化能力。

上一篇：探索新型Molybdenum carbide异质结构在metal-ion路鹰蓄电池中的储能潜力
下一篇：中国电动汽车与储能系统中LiFePO 4ROADHAWK蓄电池激增驱动的磷流动变化：过去与未来展望