融合多项式特征扩展与CNN-Transformer模型的锂电池SOH估计

作     者：陈媛 章思源 蔡宇晶 黄小贺 刘炎忠 CHEN Yuan;ZHANG Siyuan;CAI Yujing;HUANG Xiaohe;LIU Yanzhong

作者机构：安徽大学人工智能学院安徽合肥230601 

出 版 物：《储能科学与技术》 (Energy Storage Science and Technology)

年 卷 期：2024年第13卷第9期

页      面：2995-3005页

核心收录：

学科分类：0808[工学-电气工程] 08[工学] 

基　　金：国家重点研发计划“智能电网技术与装备”专项(2023YFB2406900) 湖北省重点研发计划项目(2021BEA162) 

主　　题：锂离子电池 电池健康状态预测 主成分分析法 CNN-Transformer 增量容量分析 多项式特征 

摘      要：为了提高锂离子电池健康状态(state of health,SOH)估计的精确度,本研究结合卷积神经网络(convolutional neural networks,CNN)强大的局部特征提取能力和Transformer的序列处理能力,提出了基于多项式特征扩展的CNN-Transformer融合模型。该方法提取了与电池容量高度相关的增量容量(incremental capacity,IC)曲线峰值、IC曲线对应电压、面积及充电时间作为健康因子,然后将其进行多项式扩展,增加融合模型对输入特征的非线性处理能力。引入主成分分析法(principal component analysis,PCA)对特征空间进行降维,有利于捕获数据有效信息,减少模型训练时间。采用美国国家宇航局(National Aeronautics and Space Administration,NASA)数据集和马里兰大学数据集,通过加入多项式特征前后的CNN-Transformer模型对比、加入多项式特征的CNN-Transformer模型和单一模型算法对比,验证了加入多项式特征的CNN-Transformer融合算法的有效性和精确度,结果表明提出模型的SOH估计精度相较于未加入多项式特征的CNN-Transformer模型,对于B0005、B0006、B0007、B0018数据集分别提高了38.71%、50.28%、4.71%、17.58%。