中國儲能網(wǎng)訊：
基于AED-CEEMD-Transformer的鋰離子電池健康狀態(tài)估計
作者：陳銳 1 丁凱 1祖連興 1許青松 1王宗標 1羅大思 1蘇敬江 1胡圣 1毛冀龍 2
單位：1. 長園深瑞能源技術(shù)有限公司；2.強電磁工程與新技術(shù)國家重點實驗室 (華中科技大學)
引用：陳銳, 丁凱, 祖連興, 等. 基于AED-CEEMD-Transformer的鋰離子電池健康狀態(tài)估計[J]. 儲能科學與技術(shù), 2023, 12(10): 3242-3253.
DOI：10.19799/j.cnki.2095-4239.2023.0440
摘 要 鋰電池健康狀態(tài)(state of health，SOH)的精確預測評估對電池設備安全穩(wěn)定運行極為重要，通過對SOH的快速準確預測，可以提高電池設備的安全性并降低出現(xiàn)故障的風險。針對難以精確預測鋰離子電池SOH的問題，本文采用電池容量作為SOH的指標，提出一種利用平均歐幾里得距離(average euclidean distance，AED)和互補集合經(jīng)驗模態(tài)分解(complementary ensemble empirical mode decomposition，CEEMD)方法建立基于Transformer網(wǎng)絡結(jié)構(gòu)的鋰離子電池健康狀態(tài)估計算法。首先，我們利用AED評估電池數(shù)據(jù)庫中的電池與待預測電池初期循環(huán)容量之間的相似度，并選出具有相似容量退化趨勢的電池作為訓練集以提高模型的訓練速度，然后利用CEEMD方法將電池容量曲線分解為容量再生部分以及退化趨勢部分，將各個分量分別使用Transformer網(wǎng)絡來建立鋰電池退化模型，進而得到鋰離子電池的SOH預測結(jié)果。本文使用分別來自斯坦福大學與馬里蘭大學的兩個具有不同充放電策略與不同測試環(huán)境下的鋰離子電池數(shù)據(jù)集來驗證了所提出的電池預測算法的準確性。本文所提模型的均方根誤差均能控制在4%以內(nèi)，具有較好的精確性，并通過與基于LSTM、RNN、GRU的常用鋰離子電池健康狀態(tài)估計算法結(jié)果的比較，驗證了所提出估計方法的優(yōu)越性。
關鍵詞 鋰離子電池；Transformer網(wǎng)絡；電池健康狀態(tài)；平均歐幾里得距離；聯(lián)合互補集合經(jīng)驗模態(tài)分解
在雙碳目標的背景下，國家大力扶持新能源，電池儲能因其能量密度高、污染低、使用壽命長的特性而得到了迅速發(fā)展。在基于電池的能源系統(tǒng)中，電池系統(tǒng)的健康狀態(tài)(state of health，SOH)是一個非常重要的監(jiān)控值。電池的SOH預測指的是依照電池的歷史運行數(shù)據(jù)預測接下來一段時間內(nèi)的電池健康狀態(tài)并給出壽命終點(end of life，EOL)預警。EOL指的是電池到達一個瀕臨不穩(wěn)定的狀態(tài)，一般來說，當電池達到EOL時，電池容量會迅速退化，影響設備的工作效率。因此，準確預測SOH有助于優(yōu)化設備的使用，甚至避免事故發(fā)生。
然而，鋰電池復雜的內(nèi)部化學結(jié)構(gòu)和不同的工作環(huán)境導致鋰電池的降解過程相當復雜。因此，很難準確預測鋰電池的SOH。目前，SOH預測研究按照預測模型的不同可以分為以下兩類；①基于物理模型的方法?；谖锢砟Ｐ偷姆椒ɑ陔姵氐奈锢砘瘜W現(xiàn)象并進行建模。該方法在熟悉電池內(nèi)部反應的基礎上能夠提供電池退化的物理解釋。其主要方法主要包括等效電路模型，電化學模型和經(jīng)驗退化模型，但是由于電池內(nèi)部的化學相互作用較多，很難從單一的反應推斷全局，考慮所有的化學反應又不切實際。同時，模型的建立依賴于電池的內(nèi)部參數(shù)，而內(nèi)部參數(shù)在外部很難觀測到，這也進一步影響到了該方法的實用性。②數(shù)據(jù)驅(qū)動的方法。與基于模型的方法相比，數(shù)據(jù)驅(qū)動的方法既不考慮電池的內(nèi)部反應，也不分析電池失效的原因，而是將電池系統(tǒng)視作黑盒，從電池的歷史數(shù)據(jù)中發(fā)現(xiàn)并學習電池的退化規(guī)律進行預測。因此，數(shù)據(jù)驅(qū)動方法被廣泛應用于鋰離子電池SOH預測中，包括神經(jīng)網(wǎng)絡、支持向量機(SVM)、高斯過程回歸(GPR)、相關向量機(RVM)等。其中基于神經(jīng)網(wǎng)絡方法的電池壽命預測是當前的學術(shù)熱點問題。為了實現(xiàn)更穩(wěn)健的SOH預測，文獻[11]使用深度神經(jīng)網(wǎng)絡來估計電池的充電曲線并由此計算電池的SOH。文獻[12]結(jié)合卷積神經(jīng)網(wǎng)絡與雙向長短期記憶網(wǎng)絡用于電池的RUL預測。文獻[13]使用長短期記憶網(wǎng)絡與自回歸嵌套序列模型聚合信道和周期信息來對健康狀態(tài)預測。文獻[14]綜合殘差神經(jīng)網(wǎng)絡和雙向長短期記憶網(wǎng)絡的并加入注意力機制來對電池進行預測。通常，這些方法基于電池在較長時間內(nèi)退化的信息來預測SOH，但是基于RNN結(jié)構(gòu)的神經(jīng)網(wǎng)絡不可避免地會陷入長期依賴性問題，較長時間段內(nèi)的退化信息會影響其預測的性能?；谧⒁饬Y(jié)構(gòu)的Transformer模型則最近被提出用于序列建模，并正在逐步探索其他用途，包括機器翻譯、音樂生成等。Transformer網(wǎng)絡模型通過使用自注意機制完全拋棄了傳統(tǒng)的水平方向的RNN傳播，通過連續(xù)疊加自注意層僅在垂直方向傳播。這樣，每一層的計算都可以并行執(zhí)行，并且可以通過GPU來加速。
電池容量再生是估計SOH需要考慮的一個因素。容量再生表現(xiàn)為電池下一次循環(huán)可用容量的突然增加，其特點是短暫且迅速。容量再生增加了容量預測的不確定性。因此，在預測電池壽命時，需要考慮到電池容量再生對于預測的精度影響，針對此種現(xiàn)象，文獻[18]利用EMD分解進而建立基于高斯過程回歸的鋰離子電池SOH預測模型。文獻[19]使用EMD分解之后得到的各個子序列建立自回歸移動平均(ARMA)模型。而基于EMD改進的互補集合經(jīng)驗模態(tài)分解(complementary ensemble empirical mode decomposition，CEEMD)在電池健康狀態(tài)預測中也有應用，相較于EMD能實現(xiàn)更為準確的預測精度。
本文設計了一種基于AED-CEEMD-Transformer的網(wǎng)絡模型。首先，平均歐幾里得距離(average euclidean distance，AED)被用于從歷史測試數(shù)據(jù)庫中挖掘與目標電池最相似的測試數(shù)據(jù)，然后補充待預測電池的短期測試數(shù)據(jù)來作為訓練集。最后，通過應用互補集合經(jīng)驗模態(tài)分解(CEEMD)技術(shù)，將原始SOH數(shù)據(jù)序列分解成具有不同頻率的幾個分量和一個殘差。前者包含關于容量再生的信息，后者包含關于壽命退化趨勢的信息。為了解決長期依賴的問題，采用Transformer模型分別對壽命退化部分和容量恢復部分進行預測。最后，將這兩個預測組合起來，以獲得最終的容量預測輸出。為了驗證所提出方法的有效性，我們將所提網(wǎng)絡模型所獲得的結(jié)果與常用的幾種神經(jīng)網(wǎng)絡模型得到的結(jié)果進行了比較以驗證方法的有效性。
1 網(wǎng)絡模型
1.1 數(shù)據(jù)的標準化
為了減少輸入數(shù)據(jù)分布變化對神經(jīng)網(wǎng)絡的影響，必須對數(shù)據(jù)進行歸一化。設x={x1，x2…xn}表示長度為n的容量輸入序列，使其映射為(0,1]：
其中C0表示額定容量。
1.2 基于AED的遷移性測量
給定電池平臺中具有相同陰極材料系統(tǒng)的電池，它們的容量數(shù)據(jù)存在一定的相似性。遷移性測量用于測量目標電池和電池平臺中的其他電池之間的容量退化曲線的相似性。選擇作為參考電池的電池與目標待預測電池相較于其他電池應該最相似，并且具有最高的可轉(zhuǎn)移性，這意味著目標電池和參考電池的曲線不僅應該彼此接近，而且應該具有相似的趨勢。選取更好的參考電池的容量數(shù)據(jù)可以減少訓練集數(shù)量并減少訓練時間。
通常，遷移性測量是基于相似性測量方法設計的，該方法可以從許多電池中迅速找到最適合目標電池的參考電池，已經(jīng)有學者提出了各種相似性測量方法，包括馬氏距離(Mahalanobis distance)以及歐幾里得距離(Euclidean distance)等。本文使用平均歐幾里得距離(Average Euclidean distance，AED)測量方法來評估電池平臺下多種電池之間的曲線距離和趨勢相似性。
歐幾里得距離是一種幾何距離測量，由歐幾里得空間中兩點之間的距離導出。作為計算距離的自然度量，它有多種應用。通過歐幾里得距離測量的兩個電池SOH變化趨勢的相似性可以定義如下：
在模型訓練之前，使用公式(3)計算目標電池和電池平臺的歷史數(shù)據(jù)庫中的每個電池之間的所有AED，并按升序排列，以選擇距離最小的電池作為參考電池。由于結(jié)合了歐幾里得距離和平均計算操作過程，通過曲線接近度和趨勢一致性可以容易地選擇與目標電池具有更好曲線接近度和趨勢一致性的參考電池。通過使用所選取的參考電池來訓練模型，避免了用整個電池數(shù)據(jù)庫來訓練模型，減少了模型的訓練量，同時也減少了訓練時間，提高運算效率。
1.3 互補集合經(jīng)驗模態(tài)分解CEEMD
互補集合經(jīng)驗模態(tài)分解(complementary ensemble empirical mode decomposition，CEEMD)是在經(jīng)驗模態(tài)分解(empirical mode decomposition，EMD)的基礎上改進而來。EMD是一種經(jīng)典的具有處理非線性和非平穩(wěn)數(shù)據(jù)的方法。該方法基于瞬時頻率和本征函數(shù)(intrinsic mode function，IMF)的概念，假設一個時間序列中同時存在許多不同的模態(tài)，通過篩選過程將模態(tài)提取并逐步分解為有限個獨立的固有模態(tài)函數(shù)分量和平滑趨勢分量。由于EMD的實現(xiàn)依賴于信號自身的時域特征而沒有預定義的基函數(shù)，因此它的實現(xiàn)簡單且具有自適應性。
然而，EMD方法的局部特性可能在一個模態(tài)中產(chǎn)生尺度非常不同的震蕩，或者在不同模態(tài)中產(chǎn)生尺度相似的震蕩，具有“模式混合”的缺點，為了解決這個問題，有學者提出了一種名為集合經(jīng)驗模式分解(ensemble empirical mode decomposition，EEMD)的噪聲輔助數(shù)據(jù)分析方法，其中真實分量是集合試驗的平均值，每個試驗都是添加白噪聲數(shù)據(jù)的EMD結(jié)果。然而，隨著平均次數(shù)的增加，EEMD方法的實現(xiàn)變得耗時，此外，添加白噪聲的幅值和迭代次數(shù)依靠人為的經(jīng)驗設置，而不是自適應添加，設置不當時，平均次數(shù)一般在幾百次，非常耗時。文獻[22]提出了CEEMD方法，該方法在每個分解階段的殘差中加入正負成對的自適應輔助白噪聲，克服了重構(gòu)誤差大、分解完備性差的問題，同時減少了平均次數(shù)到幾十次，可以以較低的計算成本提供更好的分解結(jié)果。
1.4 TRANSFORMER網(wǎng)絡模型
在RNN結(jié)構(gòu)中，受鏈式結(jié)構(gòu)影響，每一個隱狀態(tài)都依賴于前一步的隱狀態(tài)，必須從前向后必須逐個計算，每次只增加單個步長，這帶來了長期依賴性問題，為了避免這一問題，伴隨著深度學習方法的發(fā)展，使用基于Transformer網(wǎng)絡模型來進行序列的預測逐漸受到了學者們的關注，Transformer網(wǎng)絡模型首次被提出是應用于自然語言的處理，隨后拓展到了計算機視覺等相關的領域。與傳統(tǒng)的RNN網(wǎng)絡模型不同，Transformer模型沒有必須從前向后逐個計算這樣的約束，輸入序列可以被并行處理，由此獲得了更快的訓練速度。同時，Transformer模型也具備了更強的長期依賴建模能力，更適用于處理長序列相關任務，能解決類RNN模型面對長序列時無法完全消除梯度消失和梯度爆炸的問題。在時間序列上下文依賴方面，Transformer可以同時建模長期依賴和短期依賴。
1.4.1 注意力機制
注意力機制通過學習輸入元素的相關性，使得神經(jīng)網(wǎng)絡架構(gòu)能夠自動權(quán)衡任意輸入的局部相關性，并在執(zhí)行序列處理計算時考慮這種權(quán)重。其核心思想是計算輸入序列的權(quán)重分布，為更相關的元素分配更大的權(quán)值。簡而言之，注意力機制是將一組鍵(Key)、值(Value)向量對和查詢(Query)向量經(jīng)過計算后得到相應的輸出(Output)。
1.4.2 自注意力機制
1.4.3 位置編碼
Transformer模型依靠其精巧的自注意力并行結(jié)構(gòu)，可以進行并行計算并解決了長期依賴性問題，獲得了遠超同規(guī)模LSTM模型的訓練速度，但是由于并行計算結(jié)構(gòu)，也帶來了上下文關系注入問題。對于Transformer模型而言，序列的順序關系無法進行直接獲取，自注意力模塊在計算注意力分布時只能給出輸出向量和輸入向量之間的權(quán)重關系，而不能給出位置信息，因此，需要引入位置編碼矩陣P。
如公式(9)所示，PE為二維矩陣，維度跟輸入矩陣的維度一樣，2i表示偶數(shù)位置，2i+1表示奇數(shù)位置，pos表示數(shù)據(jù)點在整個序列中的位置，其特征維度為dm。
1.4.4 損失函數(shù)
在神經(jīng)網(wǎng)絡中的訓練階段，數(shù)據(jù)集的某個批次輸入模型之后得到輸出，即當前模型的預測值，為了提高模型的預測精度，需要利用損失函數(shù)的反向傳播來更新調(diào)整模型的參數(shù)，其中，損失函數(shù)用來計算得到預測值與真實值之間的損失值。經(jīng)過模型的更新迭代，損失值會越來越小，小于給定的值或者訓練的代數(shù)達到終點之后，停止訓練。本文采用的損失函數(shù)如公式(10)所示。
1.5 評判標準
為了具現(xiàn)模型進行SOH估計的科學性和精確性，使用均方根誤差和平均絕對百分比誤差指標組合進行比較。
均方根誤差(root mean squared error，RMSE)作為模型對電池SOH估計的評價指標，如公式(11)所示。
平均絕對百分比誤差(mean absolute percent error，MAPE)：在標準操作條件下，鋰離子電池實際容量的預測值與實際容量的真實值之間的誤差的絕對值，作為真實值的百分比。
1.6 預測流程
本文所提出的SOH預測的流程如圖1所示，其主要步驟如下：
圖 1 整體預測方法框架
（1）準備階段：根據(jù)待預預測電池前n個循環(huán)的容量數(shù)據(jù)，對比電池數(shù)據(jù)庫中其他電池前n個循環(huán)的歷史容量數(shù)據(jù)，使用AED方法遍歷數(shù)據(jù)庫尋得AED得分最高的電池組，他們具有和待預測電池相近的容量變化趨勢。將電池組的容量數(shù)據(jù)和待預測電池的容量數(shù)據(jù)依圖2劃分為訓練集以及測試集。
圖2 數(shù)據(jù)劃分流程
（2）訓練階段：將訓練集標準化之后，進行CEEMD分解，成N個IMF分量以及一個殘值，然后將每條分量分別進行Transformer網(wǎng)絡建模，得到每個分量所對應的神經(jīng)網(wǎng)絡模型。
（3）預測階段：將測試集標準化之后輸入模型，得到所預測的第n個循環(huán)的SOH值，并更新輸入量，繼續(xù)預測第n+1個循環(huán)的SOH值，依次循環(huán)直到達到電池的壽命終點。
（4）評價階段：將預測的SOH值和真實的SOH值之間進行評價指標的計算，作為所提出模型的性能的評價指標。
本文的數(shù)據(jù)劃分流程如圖2所示，其中，待預測電池的數(shù)據(jù)按照圖示劃分為訓練集以及測試集，電池組的數(shù)據(jù)全部劃分為訓練集。輸入層單次輸入數(shù)據(jù)量由滑動窗口L控制，L取為64。
2 仿真驗證
結(jié)合上文所提模型結(jié)構(gòu)，本文提出基于AED-CEEMD-Transformer的網(wǎng)絡模型：首先將待預測電池的容量數(shù)據(jù)按照一定的比例分為訓練集和測試集，根據(jù)測試集的容量數(shù)據(jù)，利用AED方法找出電池平臺中具有相似容量退化趨勢的電池數(shù)據(jù)與待預測電池的循環(huán)測試數(shù)據(jù)一起組成完整的訓練集，然后利用CEEMD方法將初始容量數(shù)據(jù)分解成容量再生部分以及退化趨勢部分，對這兩部分分別打包成訓練集并分別使用Transformer模型進行訓練，最后為了驗證模型的有效性，將測試集用于誤差驗證。
2.1 實驗結(jié)果分析
本文選取的電池數(shù)據(jù)庫來自于斯坦福大學，共選取由124個在快速充電條件下循環(huán)失效的商用鋰離子電池。這些鋰離子磷酸鹽(LFP)/石墨電池由A123 Systems(APR18650M1A)制造，在設置為48 ℃的恒溫室中循環(huán)。電池的標稱容量為1.1 Ah，標稱電壓為3.3 V。
電池集使用不同的充電策略：一步或兩步快速充電策略進行充電。之后電池以1C的速度進行恒流(CC)-恒壓(CV)充電，上限和下限截止電壓分別為3.6 V和2.0 V。充電階段結(jié)束之后所有電池以相同的4C的速率進行放電。
電池共有三個批次，本文分為A、B、C三組，三組電池循環(huán)實驗的時間不同。圖3(a)展示的是隨著循環(huán)次數(shù)的增加，電池的容量隨之下降的曲線圖，可以看出，在電池的循環(huán)壽命方面，有部分電池的容量迅速下降，有些下降則沒有那么明顯，不同電池之間的容量退化趨勢有很大的差異性，但是也可以看出，循環(huán)壽命相似的曲線之間往往趨勢也是相似的，這說明如果在預測目標電池的SOH時，找到一個退化趨勢與之相近的電池能起到很好的參考作用；在單一容量曲線方面，雖然容量總體呈下降趨勢，但是在小范圍內(nèi)有容量的恢復波動，這也是上文所說的容量再生現(xiàn)象。
圖3 電池容量退化曲線
圖3(b)給出的是三組電池的循環(huán)壽命的箱線圖，圖中，橙色的線是中位數(shù)，其余分別指上下四分位數(shù)，極值，圓圈表示的是異常值。三組電池之間表現(xiàn)了很明顯的壽命差異，尤其是B組電池的壽命明顯小于其他兩組，壽命分布于[300,600]區(qū)間，不及其余組別電池的一半，但是其電池之間有最強的相似性，分布區(qū)間很小。其余兩組電池壽命的分布差異則很大。
為了剝離出電池容量曲線中的容量再生部分以及退化趨勢，使用CEEMD方法對電池容量曲線進行分解得到多段本征函數(shù)以及殘值。為證明其有效性，圖4展示的是某一電池經(jīng)過CEEMD分解之后所得到的各個分量圖。經(jīng)過分解之后，有4個IMFs和一個殘值。IMF1、2、3都具有高頻率的波動，其相應地反映了高頻容量再生，IMF4的頻率波動相對較低。通常來說，多個IMF值一起顯示電池的容量再生現(xiàn)象，我們可以用IMFs來描述容量再生現(xiàn)象。殘值則與原始SOH值一起繪制在圖的最下方。為了定量分析原始的SOH值與殘值之間的相關性，本文使用皮爾遜相關性分析兩條曲線，其相關系數(shù)為0.9949，這意味著殘值足以準確描述電池的退化趨勢。
圖4 CEEMD分解圖
抽取電池數(shù)據(jù)庫中A、B、C三組，每組別的前2個電池共6個電池進行驗證，并分別使用每個電池的前30%、50%、70%數(shù)據(jù)作為訓練集，為了驗證本文所提模型的預測能力，分配相同的訓練集，使用LSTM、RNN、GRU等網(wǎng)絡模型進行相同的壽命預測并對比分析，為了對比的嚴謹性，所有模型統(tǒng)一以MAE作為損失函數(shù)進行編譯，并采用Adam優(yōu)化器，學習率設置為0.001，epoch設置為500。輸入模型的容量向量均為64個循環(huán)長度。對比結(jié)果如圖5所示。圖中，每行為不同電池的預測結(jié)果，數(shù)據(jù)的比例按列區(qū)分，紅色的豎直虛線是預測的開始點。從圖中可以看出，本文所設計模型所預測的容量曲線與真實的容量曲線較為接近，并且所預測電池的循環(huán)壽命次數(shù)范圍分布從400到1000不等，證明在較大的壽命區(qū)間內(nèi)，我們所提方法均有效，有較強的適應性。而其他方法與真實值相比有較大的波動。
圖5 電池估計結(jié)果
為了具體展示多種方法之間的預測性能差異，我們還使用兩個預定義的指標來評估所提出的方法的預測性能，評估公式如式(10)、(11)所示，具體誤差值如表1所示。以電池A0為例，在30%訓練集時，RMSE、MAPE的誤差分別為4.59%和3.33%，小于LSTM、RNN、GRU三種方法的RMSE誤差：4.98%，5.13%以及5.33%。表中已經(jīng)把最小的值加粗顯示，可以看出，在不同的訓練集比例以及不同的電池下，我們所提方式均有較小的誤差數(shù)值，這證明，我們所提方法有較強的預測性能，并且不受訓練集比例以及電池種類的影響，在不同情況下均能實現(xiàn)壽命預測。也可以看出LSTM作為常用的預測模型的優(yōu)勢：比剩余的兩種方法的精度更高，但是LSTM是在基于RNN模型的基礎上進一步發(fā)展而導致其也具有長期依賴性的缺點，實際預測效果也表明了長期依賴性的負面影響。
表1 多種方法估計誤差指標對比
2.2 在其他電池數(shù)據(jù)庫的實驗結(jié)果
2.1節(jié)的電池數(shù)據(jù)庫中電池之間的差異來自于充電策略的不同，為了驗證本文所提方法應用在其他循環(huán)策略的電池數(shù)據(jù)庫上的有效性，使用馬里蘭大學先進生命周期工程中心(center for advanced life cycle engineering，CALCE)電池數(shù)據(jù)集中CS2_33、CS2_34、CS2_35、CS2_36、CS2_37、CS2_38(分別用CS1、CS2、CS3、CS4、CS5、CS6表示)共6個電池的充放電實驗數(shù)據(jù)作為模型的輸入數(shù)據(jù)。電池在放電策略上存在差異，并使用0.5 C恒定電流充電。
同上文一樣分別選取電池前30%、50%、70%數(shù)據(jù)作為訓練集進行預測，預測結(jié)果如圖6所示，由圖6可知，本文所提AED-CEEMD-Transformer網(wǎng)絡模型對來自CALCE電池數(shù)據(jù)庫的6種型號電池的SOH估計均有很好的預測效果。表2所示為本文模型在CALCE數(shù)據(jù)集測試的評價指標?？梢钥闯觯薈S1電池的RMSE較大，大于0.03之外，其余5種電池的RMSE和MAPE均較低，通過本文所提模型在CALCE電池數(shù)據(jù)集上的預測結(jié)果分析可知，在不同放電策略的數(shù)據(jù)集下，本文所提網(wǎng)絡模型有良好的預測精度，能實現(xiàn)多種放電策略之下的電池SOH估計預測。
圖6 CALCE電池估計結(jié)果
表2 CALCE電池估計誤差
3 結(jié)論
在本工作中，我們提出了一種基于AED-CEEMD-Transformer網(wǎng)絡模型的鋰離子電池SOH預測方法。該方法由三部分組成，其中AED用于從電池平臺中尋找與目標電池最為相似的參考電池，該步驟可以減少訓練集來加快預測效率；CEEMD用于將電池的容量曲線分解成容量再生曲線以及退化趨勢部分，增加預測精度；相較于常見的RNN、LSTM等神經(jīng)網(wǎng)絡模型，Transformer網(wǎng)絡模型擺脫了鏈式結(jié)構(gòu)，避免了長期依賴性等弊端，并且可以進行并行計算加快模型訓練進度。為了驗證所提出方法的有效性，我們使用了來自斯坦福大學的大型鋰離子電池數(shù)據(jù)集，其電池以不同的充電速率降解，以及斯里蘭卡大學的數(shù)據(jù)集，其電池以不同的放電速率降解。結(jié)果表明，與其他機器學習方法相比，該方法顯著提高了預測性能。
