汽车技术

数据集	电池数量 /个	电池寿命 /周期	充电条件	放电条件
MIT	124	150-2 300	个性化	4C
HZUST	77	1 100-2 700	5C-1C-C/20	个性化

数据集	电池数量 /个	电池寿命 /周期	充电条件	放电条件
MIT	124	150-2 300	个性化	4C
HZUST	77	1 100-2 700	5C-1C-C/20	个性化

参数组合	MAE/周期	RMSE/周期	$R 2$
√					42.719 5	49.897 6	0.941 0
	√				35.327 5	44.623 3	0.953 0
		√			52.100 3	63.637 6	0.908 4
			√		36.088 9	47.700 1	0.942 4
				√	189.328 4	236.135 9	-0.427 8
√	√				38.742 4	46.452 6	0.946 7
√	√			√	28.761 4	35.5441 1	0.965 9
√	√	√			27.953 4	35.120 9	0.972 5
√	√	√	√		23.423 9	29.127 5	0.979 1
√	√	√	√	√	20.406 71 （最佳）	25.576 83 （最佳）	0.983 37 （最佳）

参数组合	MAE/周期	RMSE/周期	$R 2$
√					42.719 5	49.897 6	0.941 0
	√				35.327 5	44.623 3	0.953 0
		√			52.100 3	63.637 6	0.908 4
			√		36.088 9	47.700 1	0.942 4
				√	189.328 4	236.135 9	-0.427 8
√	√				38.742 4	46.452 6	0.946 7
√	√			√	28.761 4	35.5441 1	0.965 9
√	√	√			27.953 4	35.120 9	0.972 5
√	√	√	√		23.423 9	29.127 5	0.979 1
√	√	√	√	√	20.406 71 （最佳）	25.576 83 （最佳）	0.983 37 （最佳）

噪声特征	MAE/周期	RMSE/周期	$R 2$
	20.406 7	25.576 8	0.983 3
T	22.956 2	29.120 4	0.978 6
Q	27.052 5	34.632 5	0.969 2
T、Q	21.073 6	25.647 4	0.982 8

噪声特征	MAE/周期	RMSE/周期	$R 2$
	20.406 7	25.576 8	0.983 3
T	22.956 2	29.120 4	0.978 6
Q	27.052 5	34.632 5	0.969 2
T、Q	21.073 6	25.647 4	0.982 8

模型	参数量/个	MAE/周期	RMSE/周期	$R 2$
Uniformer	1 156 545	35.182 5	42.664 5	0.948 6
AGM+Uniformer	1 158 177	25.293 9	31.006 7	0.975 3
CoordAttention+ Uniformer	1 158 673	29.895 3	33.927 5	0.970 2
AEUniformer	1 160 305	20.406 7	25.576 8	0.983 4

模型	参数量/个	MAE/周期	RMSE/周期	$R 2$
Uniformer	1 156 545	35.182 5	42.664 5	0.948 6
AGM+Uniformer	1 158 177	25.293 9	31.006 7	0.975 3
CoordAttention+ Uniformer	1 158 673	29.895 3	33.927 5	0.970 2
AEUniformer	1 160 305	20.406 7	25.576 8	0.983 4

模型	周期数 /个	训练参数量 /个	MAE /周期	MAPE /%	RMSE /周期
Elastic Net	100			10.7	214.00
Dilated CNN	4	2 393 468	65	19.7
GBRT	1		54.93	7.0	64.45
TLPH	1	7 366 445	47.67	12.02	73.35
AEUniformer	1	1 160 305	20.41	2.70	25.58

模型	周期数 /个	训练参数量 /个	MAE /周期	MAPE /%	RMSE /周期
Elastic Net	100			10.7	214.00
Dilated CNN	4	2 393 468	65	19.7
GBRT	1		54.93	7.0	64.45
TLPH	1	7 366 445	47.67	12.02	73.35
AEUniformer	1	1 160 305	20.41	2.70	25.58

模型	周期数/个	MAPE/%	RMSE/周期	$R 2$
CNN-LSTM-TL	30	8.72	186	0.804
Elastic Net	30	8.84	192	0.795
AEUniformer	5	6.164	52.964	0.913

模型	周期数/个	MAPE/%	RMSE/周期	$R 2$
CNN-LSTM-TL	30	8.72	186	0.804
Elastic Net	30	8.84	192	0.795
AEUniformer	5	6.164	52.964	0.913

模型	预测位置/周期	MAE/周期	MAPE/%	RMSE/周期
Elastic Net	100		10.7	214.0
GBRT	100	77.0	11.0	118.0
MSTSPF	100	45.0	6.40	67.0
AEUniformer	1	29.3	3.9	40.5

模型	预测位置/周期	MAE/周期	MAPE/%	RMSE/周期
Elastic Net	100		10.7	214.0
GBRT	100	77.0	11.0	118.0
MSTSPF	100	45.0	6.40	67.0
AEUniformer	1	29.3	3.9	40.5

基于注意力增强Uniformer的锂电池剩余使用寿命预测^*

PDF下载

廖列法 ¹^,² , 刘映宝 ¹ , 占玉敏 ¹

汽车技术 | 2025,(6): 36-44

收起

汽车技术 | 2025, (6): 36-44

基于注意力增强Uniformer的锂电池剩余使用寿命预测^*

全屏

廖列法¹^,², 刘映宝¹, 占玉敏¹

作者信息

¹ 江西理工大学信息工程学院，赣州 341000

² 江西现代职业技术学院，南昌 330095

通讯作者:

刘映宝（2001—），硕士研究生，研究方向为锂离子电池的剩余使用寿命预测，1875623857@qq.com。

Remaining Useful Life Prediction of Lithium Battery Based on Attention Enhancement Uniformer

Liefa Liao¹^,², Yingbao Liu¹, Yumin Zhan¹

Affiliations

¹ School of Information Engineering, Jiangxi University of Science and Technology, Ganzhou 341000

² Jiangxi Modern Polytechnic College, Nanchang 330095

出版时间: 2025-06-24 doi: 10.19620/j.cnki.1000-3703.20240396

文章导航

摘要

收起

针对锂离子电池的剩余使用寿命（RUL）预测时常面临数据的动态变化和老化数据有限的问题，提出注意力增强Uniformer（AEUniformer）的RUL预测模型，通过Uniformer整合卷积神经网络（CNN）和自注意力机制的优势实现全面的信息感知；设计注意力引导机制（AGM）和CoordAttention实现强大的特征提取。试验结果表明， AEUniformer可以实现仅需单个老化周期的准确快速的RUL预测，数据集的平均绝对百分比误差分别为2.7%和6.16%，证明了该方法的准确性。

关键词

锂电池 / 剩余使用寿命预测 / 数据驱动 / 统一变形器 / 注意力引导机制 / 坐标注意力

Abstract

收起

To address the issue of dynamic changes in data and limited aging data in the Remaining Useful Life (RUL) prediction of lithium-ion batteries, this paper proposes the RUL prediction model of Attention Enhancement Uniformer (AEUniformer) to realize comprehensive information perception by integrating the advantages of Convolutional Neural Network (CNN) and Self-Attention Mechanism through Uniformer. Attention Guiding Mechanism (AGM) and CoordAttention are designed to realize powerful feature extraction. Experimental results show that AEUniformer can achieve accurate and fast RUL prediction with only a single aging cycle, and the MAPE prediction errors of the 2 datasets are 2.7% and 6.16%, respectively, demonstrating the accuracy of the method.

Key words

Lithium-ion battery / Remaining Useful Life (RUL) / Data-driven / Uniformer / Attention Guiding Mechanism (AGM) / CoordAttention

引用本文

廖列法, 刘映宝, 占玉敏. 基于注意力增强Uniformer的锂电池剩余使用寿命预测^*. 汽车技术, 2025 , (6) : 36 -44 . DOI: 10.19620/j.cnki.1000-3703.20240396

Liefa Liao, Yingbao Liu, Yumin Zhan. Remaining Useful Life Prediction of Lithium Battery Based on Attention Enhancement Uniformer[J]. Automobile Technology, 2025 , (6) : 36 -44 . DOI: 10.19620/j.cnki.1000-3703.20240396

正文

收起

1 前言

收起

锂电池因其高能量密度、长循环寿命和低自放电率等特点而被广泛应用于储能和供电领域^[1]。然而，随着使用时间的增加，电化学反应会导致电池内部成分的不断变化^[2]。此外，电流倍增器、温度和放电深度等许多因素也会加速电池性能下降^[3]，降低电池的使用寿命和安全性，因此精确、稳定地监测电池的健康状态具有重要意义^[4]。剩余使用寿命（Remaining Useful Life，RUL）为电池的容量衰减至失效阈值（通常为标称容量的80%）之前剩余的充放电周期次数，是衡量电池健康状态的重要指标之一。

数据驱动方法可以在不考虑内部电化学系统反应和失效机制的情况下从大量历史数据中学习电池退化规律，以此分析锂电池寿命特征参数与RUL之间的关系^[5]。Severson等^[6]使用结合线性模型和Elastic Net正则化的机器学习方法预测电池的早期寿命，使用前100个周期数据的预测误差为9.1%。Fei等人^[7]利用参数化注意力和周期性注意力，探讨由各种循环次数和参数组成的输入数据对模型性能的影响，改善对老化信息中关键特征的研究。

虽然深度神经网络可以从原始数据中自动提取复杂的隐藏特征，但现有方法仍存在一些局限性：首先，预测RUL往往面临数据的动态变化、老化数据有限的问题，且通常输入信号为长时间序列信号；其次，可用的电池数据通常较为有限；最后，模型的泛化性和扩展性较弱，许多研究的验证是基于使用相同工作条件的少量电池数据，对于训练场景之外和个性化的操作条件的预测精度明显降低。针对上述问题，提出注意力增强统一变形器（Attention Enhancement Uniformer，AEUniformer）。本文首先设计注意力引导机制（Attention Guiding Mechanism，AGM）和坐标注意力（CoordAttention）改进Uniformer，无缝集成卷积和自注意力机制，解决锂电池退化信息的局部冗余和全局依赖关系问题，实现更好的特征提取和更全面的建模；其次开发深度学习驱动的预测框架，仅需要电池老化阶段1个循环的数据就可以实现电池RUL快速准确的预测；最后在两个不同充放电配置的数据集上进行试验验证，证明了所提框架对多场景的电池寿命预测具有较好的泛化能力，而且能够直接扩展至其他的预测任务。

2 注意力增强Uniformer

收起

注意力增强Uniformer整体流程如图1所示，具体架构如图2所示。块嵌入（Patch Embedding）模块是对原始数据曲线进行降维和去噪，减少整体的计算复杂度，并由Uniformer块（Uniformer block）进行浅层和深层退化特征的融合，以解决数据中局部信息冗余和全局依赖问题，建立全面的信息感知能力，其中4个Uniformer block的Transformer层数分别是3、4、8、3；注意力引导机制（包括维度变换层和模块残差注意力），可以弥补Patch Embedding下采样过程造成的信息损失并增强层之间注意力的信息流动；坐标注意力为输入的低、高级特征自适应分配不同权重，增强关键信息并去除无用噪声，进一步提高模型的特征提取能力。

2.1 块嵌入模块

为了充分学习不同充放电阶段的特征表示，块嵌入模块使用核大小和步长相等的卷积操作对输入

X

进行下采样，通过降低Uniformer block的输入序列长度以降低模型的计算复杂度，具体公式如下：

（1）

N = (H ∕ P 1) × (W ∕ P 2)

（2）

P = R (N (T (F (C (X)))))

式中：N为输入X经过卷积之后的块（patch）数量，

P 1

、

P 2

分别为卷积核和步长的大小，H、W分别为输入X的高度、宽度，C()为卷积操作，F()为将patch在第二维展平，T()为第一维和第二维的转置操作，N()为层归一化（Layer Normalization，LN），R()为将二维向量重新转变为三维张量结构的转置归一化操作，P为Patch Embedding的输出。

Patch Embedding可以捕捉不同时间的退化特征之间的关系，超越了传统循环神经网络的能力。

2.2 Uniformer块

Uniformer block能够实现聚合退化特征的局部上下文信息以滤除特征的突然变化，同时能够捕获全局的依赖关系。每个Uniformer block主要由3部分组成，如图1c所示，包含动态位置编码（Dynamic Position Embedding，DPE）、多头关系聚合器（Multi-Head Relation Aggregator，MHRA）及前馈层（Feedforward Neural Network，FFN）。公式如下：

（3）

X = U D P E (X i n) + X i n

（4）

Y = U M H R A (N (X)) + X

（5）

Z = U F F N (N (Y)) + Y

式中：X_in为Uniformer block的输入；N()为层归一化；U_DPE、U_MHRA、U_FFN分别为DPE、MHRA、FFN操作，在Uniformer block中分别将DPE、MHRA、FFN的输出X、Y、Z传入至下一层。

2.2.1 动态位置编码

位置信息是Transformer学习数据表征的重要因素。为了提高灵活性，使用深度卷积（DepthWise Convolution， DWC）进行局部建模，DWC不仅能够动态适应任意的输入形状，让模型隐式编码位置信息，而且是轻量级的卷积操作，可以有效地降低计算量和参数量，提高模型的推理速度和运行效率，进而实现计算精度和速度之间的平衡。由此可以让AEUniformer灵活处理不同输入分辨率，提升识别性能，计算公式如下：

（6）

U D P E (X i n) = D D W C (X i n) = (X i n × W d e p t h) × W p o i n t

式中：W_depth是长、宽、通道数分别为K、K、C的卷积核，针对每个输入通道独立进行空间特征提取；W_point是长、宽、通道数分别为1、1、C的卷积核，用于通道间的线性组合，以此混合通道信息；D_DWC为DWC操作。

2.2.2 多头关系聚合器

关系聚合器（Relation Aggregator，RA）通过在浅层（前两层）和深层（后两层）的Uniformer block分别设计局部和全局的令牌（token）相关性，实现高效的表示学习。统一的MHRA以多分支的方式学习特征关系，公式如下：

（7）

R n (X) = A n V n (X)

（8）

U M H R A (X) = S (R 1 (X); R 2 (X); ⋯ R n (X)) U

式中：

R n ()

为输入矩阵X的第n个RA，每个RA由token的上、下文的线性编码

V n ()

和相关性

A n ()

组成；U为集成n个RA的可学习参数矩阵；S为将所有RA的参数矩阵堆叠，最后得到多头关系聚合器的输出U_MHRA。

在浅层中，MHRA使用卷积风格的可学习参数矩阵捕获局部token相关性，通过局部区域的上、下文聚合极大减少计算冗余。在深层中则继承自注意力风格，通过token相似度的比较学习全局的token相关性，自适应地构建整个循环周期的远程依赖，捕获电池使用模式的复杂性和时间依赖性。通过逐步分层地堆叠局部和全局的Uniformer block，可以灵活地整合它们的协作能力，以充分利用不同尺度的退化特征，实现更准确的预测。局部和全局的相关性公式如下：

（9）

A n l o c a l (X i, X j) = a n i - j, w h e r e j ∈ Ω i H × W

（10）

A n g l o b a l (X i, X j) = e Q n (X i) T K n (X j) ∑ j ∈ Ω H × W e Q n (X i) T K n (X j)

式中：

A n l o c a l

为浅层中局部的token相关性计算结果，

A n g l o b a l

为深层中全局的token相关性计算结果，Ω为当前位置i的局部邻域，

X i

为当前token，

X j

为当前token的任何相邻token，

a n

为自适应的可学习参数，

(i - j)

为token之间的相对位置，

Q n

及

K n

为线性变换。

2.3 注意力引导机制

为了增强相邻AEUniformer层之间特征级别的信息流以提高特征多样性，提出模块残差注意力（Block Residual Attention，BRA），如图1c所示。采用一种新的残差连接引导注意力在同一层高效传播，学习提取新特征表示，同时考虑之前提取的特征表示。为了避免传播积累的特征表示所占比重过大导致模型难以学习到深层表示，设计一个可学习的加权特征（Weighted Feature，WF）函数，平衡聚合过程中从前一个MHRA传输到当前MHRA的残差注意力，公式如下：

（11）

L i = U M H R A i i = 1 W F (U M H R A i, L i - 1) = α ⋅ U M H R A i + (1 - α) ⋅ L i - 1 其 他

式中：

i

为第

i

层Uniformer block模块；

W F ()

为加权特征融合函数；

α

为可学习的权重参数；L_i为第i层Uniformer block中MHRA的最终输出，当i=0时，当前的MHRA正常正向传播，反之则与上一层中的MHRA输出进行加权融合，以此来传播前一层的特征之间聚合信息的注意力。

2.4 坐标注意力

输入的三维张量结构

X

包括特征参数、充放电阶段、老化周期数信息，这些因素对电池RUL预测的贡献各异，而标准卷积和自注意力机制难以学习到作为通道的电池参数关系^[8]，因此，在浅层和深层Uniformer block之间引入CoordAttention。如图3所示，该机制能够将循环阶段和老化周期信息嵌入到特征参数注意力中，其主要方式是将参数注意力分解为两个沿着循环阶段和老化周期方向聚合特征的一维特征编码过程，由此可以沿着循环阶段方向保留精确的位置信息，还可以沿着老化周期方向捕获长程依赖，随后将生成的特征图分别编码，形成一个对方向感知且对位置敏感的特征图，二者可以互补地应用到输入特征图来增强对感兴趣目标的表示。

3 试验

收起

3.1 数据处理

为了评估不同工况下的电池RUL预测准确性，本研究选取目前可获取的、规模最大的不同充电策略和放电策略^[9]的老化数据集进行试验，分别来自麻省理工大学（Massachusetts Institute of Technology，MIT）和华中科技大学（Huazhong University of Science and Technology，HZUST），如表1所示。MIT数据集中的电池多采用两步恒流快速充电策略，而HZUST数据集中的电池则采用不同的多级放电策略。两个数据集均在恒定30 ℃的实验室中进行循环试验。电池容量衰减轨迹如图4所示。

MIT数据集存在采样不稳定、测试提前停止、温度记录失败等问题，需要对数据进行清洗。首先删除极端寿命的电池以及异常电池，然后从原始电池数据中提取电压V、电流I、温度T、容量Q和充放电时间t作为输入特征，使用绝对中位差将异常值替换为两端的线性插值，采用Savitzky-Golay滤波器进行平滑去噪。清洗过后的特征变化曲线如图5所示，发现不同的充电策略对电池的电压曲线影响显著；随着循环次数的增加，不同电池的初始温度存在差异，但增长趋势相似；此外，较大的充电电流和较长的快速充电时间均可导致电池容量的快速衰减。由于HZUST数据集未记录温度，选择其余4个特征作为模型输入。

为了整合单个周期数据中包含的多维信息，使用滑动窗口将5个特征参数整合为一个三维的输入张量

X ∈ R C × H × W

，其中C、H、W分别对应电池参数、循环阶段、老化周期，如图1a所示。使用线性插值将MIT数据集的周期数据重采样为定长的500个数据点。对于HZUST数据集，由于实际应用中难以收集个性化的放电特征曲线，因此选择充电阶段的数据作为输入并重采样为100个数据点。对特征做归一化处理保持输入数据的稳定性和一致性。归一化公式如下。

（12）

x' = x - x m i n x m a x - x m i n

式中：

x m a x

，

x m i n

分别为输入向量x的最大值、最小值。

MIT数据集分为92个电池的训练集和23个电池的测试集。HZUST数据集分为55个电池的训练集和22个电池的测试集。

3.2 评价指标

使用平均绝对误差（Mean Absolute Error，MAE)、平均绝对百分比误差（Mean Absolute Percent Error，MAPE）、均方根误差(Root Mean Square Error，RMSE)和决定系数

R 2

作为评价指标。计算公式如下：

（13）

E M A E = 1 n ∑ i = 1 n y^i - y i

（14）

E M A P E = 1 n ∑ i = 1 n y^i - y i y i

（15）

E R M S E = 1 n ∑ i = 1 n y^i - y i 2

（16）

E R 2 = 1 - ∑ i = 1 n y^i - y i 2 ∑ i = 1 n y i - y ¯ 2

式中：E_MAE、E_MAPE、E_RMSE、

E R 2

分别为MAE、MAPE、RMSE、R²的计算结果，

y^i

为RUL的预测值，

y i

为真实值，

y -

为真实值的平均值，n为样本的总长度。

3.3 特征选择实验

为了评估各个电池参数对RUL预测的影响，基于原始电池参数，即V、I、T、Q、t构建多种参数组合作为模型的输入。对比结果如表2所示。

观察预测结果可以发现，考虑全部的电池参数能够实现最佳的预测性能，其中

R 2

达到最高值为0.983，MAE和RMSE也分别达到最优值，证明了本方法的准确性和有效性。尽管单独使用特征V、I、T、Q作为输入会导致相对较大的误差，但其对数据量的要求却大幅降低，且仅使用单个周期的情况下，该模型仍然能够达到可接受的性能水平^[10]，MAE和RMSE分别为40个和50个周期左右，这也从侧面证明了该模型的鲁棒性；而单独将t作为输入的预测效果较差，说明单独的t并不能体现电池的退化趋势，需要和其他参数一同组合输入；组合V和I作为输入的结果没有明显的提升，说明V和I包含较多相同的信息，因为充放电过程中I的激励会直接导致V产生相同的趋势变化；组合特征V、I、t作为输入可达到较好的预测结果，3个评价指标分别为28个周期、35个周期和0.966，在添加体现内阻变化的T或者表征健康状态的Q之后预测结果大幅提升，说明温度和容量都能够反映电池的退化趋势，可以和电流、电压互补。由此说明，单周期数据已经包含足够的退化信息，能够高精度地预测基本的电池特性。

在实际应用中，受限于传感器测量精度、环境干扰等客观因素，温度T和容量Q往往难以达到理想的精准度。为了准确地评估测量误差对RUL预测模型的影响，引入噪声模拟现实场景中的测量不确定性。具体而言，分别对T和Q的测量数据中单独添加标准差为0.1的高斯噪声，以及对T和Q同时添加标准差为0.1的高斯噪声。通过该方式量化噪声对预测模型性能的影响，从而评估预测模型在真实应用环境中的鲁棒性。试验结果如表3所示。

当仅在特征T中引入噪声后，预测结果呈现轻微下降，MAE、RMSE、R²分别由20个周期、25个周期、0.983降至22个周期、29个周期、0.978，这表明尽管存在测量误差，但模型仍能维持较高的预测性能。当仅在Q中添加相同高斯噪声后，预测性能下降幅度更大，但相比于V、I、t的组合而言，其预测效果依旧更优。相比于T，特征Q的噪声对模型性能的影响更为显著，这是由于特征Q对RUL预测的重要性更高，其噪声对模型特征的扰动更强。而同时在T、Q特征中添加噪声时，预测的效果相对最佳，R²低于0.001，这归因于噪声的叠加效应，模型对多特征噪声具有特定的鲁棒性，能够通过数据之间内在的复杂关系来削弱噪声的影响。这充分表明AEUniformer在实际应用中具有较强的鲁棒性，能够有效应对测量误差和噪声干扰，从而在真实应用环境中依然能够保持较高的预测准确性。

3.4 消融试验

为了观察AGM、CoordAttention模块的实际贡献，构建4个独立的网络模型，分别是Uniformer、AGM+Uniformer、CoordAttention+Uniformer和AEUniformer。输入为5个电池参数特征组合而成的三维张量结构，预测结果如表4和图6所示。试验结果可以验证AEUniformer模型比基准模型Uniformer具有更好的预测精度，评估指标结果MAE、RMSE、

R 2

分别为20个周期、25个周期、0.983，均达到最优水平。而且所引入的额外参数量仅为Uniformer的0.33%。本文所设计的AGM、CoordAttention模块对基准模型的性能提升效果显著。其中Uniformer的预测结果波动最为剧烈，最大MAE为121个周期，最小MAE为12个周期，整体表现最差，且有7个电池的误差高于40个周期，尤其是测试集中编号为16、22、23中的3个电池，这归因于特殊循环条件和长寿命电池训练样本的稀缺性，导致数据分布不平衡。AGM+Uniformer通过有效地加强模型自注意力机制的特征流动，增强深层与浅层之间多尺度特征的全局维度交互，MAE下降近35%，RMSE下降近26%，

R 2

提升近0.03；CoordAttention+Uniformer通过加强模型对参数、老化周期和循环阶段的信息建模，对输入特征图中包含重要电池寿命信息的关键区域提取有价值的信息，MAE下降10个周期，RMSE下降9个周期，

R 2

提升近0.02。当添加AGM或CoordAttention模块后整体的MAE明显下降，工况复杂、寿命长、误差较大的电池的预测结果显著提升，证明两个模块可以在不增加计算复杂度的情况下，降低信息损失并提高模型的特征提取能力，从而实现电池老化阶段任何单个周期的RUL预测。

3.5 对比试验

为了进一步验证AEUniformer的精度和鲁棒性，与先前先进方法进行比较，结果如表5所示。Elastic Net提取前100个周期的容量方差曲线和放电容量相关特征，没有考虑到退化的时序信息，预测效果较差；膨胀卷积神经网络（Dilated CNN）方法^[11]通过连接4个周期的老化数据获得更高分辨率的输入特征，使用Dilated CNN学习原始数据中的时间模式和电池参数之间的相关性，效果相比Elastic Net有所提升，但未实现老化信息的全局依赖；梯度提升回归树（Gradient Boosting Regression Tree，GBRT）方法^[12]构建并探索各种高成本高性能的特征，包括电压、容量和温度的相关特征，利用GBRT建立复杂的非线性电池动态模型以实现有效的寿命预测；迁移学习并行混合方法（Transfer Learning Parallel Hybrid，TLPH）^[13]使用基于图像的输入和健康指标的复杂特征工程组合来改进现有的方法，但需要7 366 445个参数量实现MAE为47个周期的的预测结果，接近本文方法的7倍，而本文提出的模型从单个周期原始循环数据中获取关键知识，而不依赖于高成本的手工特征，通过注意力增强机制更好地适应不同场景下的数据复杂度和突然扰动性，从有限的数据中高效地提取特征，最佳情况时可以实现MAE为20个周期和RMSE为25个周期，分别比现有模型降低58%~70%和61%~88%，MAPE提升8%~17%，同时参数量减少2~6倍，实现了预测精度和成本的最佳平衡。

AEUniformer在使用寿命分别近500、800、1 200、1 600个周期的部分测试电池的预测结果如图7所示。对于1 600个周期的长寿命电池而言，单个周期的退化通常并不显著，难以提供足够的信息用于精准预测，而AEUniformer能够从局部和全局的时空视角提取序列特征信息，抗干扰能力强，其注意力引导机制和CoordAttention可以进一步提升特征提取能力，使得电池整个生命周期的预测误差均维持在较低水平。99%的低于1 200个周期的中短寿命电池的预测误差均小于40个周期，这充分证明了本文的方法和模型可以准确地预测工况复杂的电池RUL，尤其在退化后期，随着锂电池运行周期和工作时长的增加，退化特征不断增强，模型的预测精度更高。这些结果充分证明所提方法在不同充电策略下对整个有效寿命范围内的RUL预测具有较高的精度和较强的鲁棒性，针对不同运行工况和寿命范围的电池均有较好的预测结果，可为电池管理系统提供有效的健康保护参考依据。

3.6 泛化试验

为了验证所提出模型的鲁棒性和泛化性，使用放电策略个性化的HZUST数据集进行试验验证，试验结果如表6所示。与深度迁移框架CNN-LSTM-TL及Elastic Net做对比，AEUniformer可以从充电数据中自动提取有价值的特征，使用锂电池任意老化阶段的30个周期数据作为模型的输入，实现了在任何充、放电周期下的实时个性化健康状况预测，达到了MAPE为8.72%和RMSE为186个周期的预测结果，3个评价指标结果均优于Elastic Net，而且无需复杂的特征工程。而本文提出的AEUniformer同样不需要高性能的手工特征，仅使用最少的5个老化周期就可以实现RMSE为52个周期，同时MAPE和

R 2

分别是6.16%和0.91的最优预测结果，充分证明了本文所提模型的泛化性和鲁棒性。

3.7 早期寿命预测试验

以上试验结果表明，AEUniformer在使用任何老化阶段的数据预测电池RUL任务中具有优越性和实用性，与此同时，最新研究可以根据一定范围内的初始循环数据评估电池的总使用寿命，实现批量估计和电池寿命筛选，对于加速电池技术发展、降低生产和维护成本、提高系统的安全性至关重要。因此，本文设计早期电池寿命预测试验验证AEUniformer在实际应用场景中的稳定性和可靠性，与3种先进方法进行比较。Elastic Net方法根据电压作为容量函数的曲线，从前100次循环的退化数据中提取包括直接、演变和统计方面的18个手工制作的特征，并输入到Elastic Net中进行早期电池寿命预测。GBRT方法构建并探索各种特征，包括电压、容量和温度相关特征，研究关键的超参数以实现最佳的GBRT预测。多阶段时间序列处理框架（Multi-Stage Time Series Processing Framework，MSTSPF）方法^[14]针对周期内的电压、电流、温度和跨周期的放电容量提出一种基于注意力机制的MSTSPF，采用交叉注意力机制对特征进行融合，进一步提高预测性能，试验结果如表7所示。

观察试验结果发现对于电池的早期寿命预测任务，所提出的框架具有更高的预测精度和更早的预测点，而且仅需使用早期的第1个测试周期的退化数据。在测试集上实现了MAE为29个周期，与其他3个方法相比降低了36%~63%，RMSE为40个周期，与其他3个方法相比降低了59%~82%，MAPE降低了40%~65%。

4 结束语

收起

基金

收起

*国家自然科学基金项目(71462018)
国家自然科学基金项目(71761018)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

[1]

ZHANG

S Z

, ZHAI

B Y

, Guo

, et al. Synchronous Estimation of State of Health and Remaining Useful Lifetime for Lithium-Ion Battery Using the Incremental Capacity and Artificial Neural Networks[J]. Energy Storage, 2019, 26.

[2]

YANG

X G

, LENG

Y J

, ZHANG

G S

, et al. Modeling of Lithium Plating Induced Aging of Lithium-Ion Batteries: Transition From Linear To Nonlinear Aging[J]. Power Sources, 2017, 360: 28-40.

[3]

ZHAO

, ZHANG

W G

, ZHANG

Y R

, et al. Research on the Remaining Useful Life Prediction Method for Lithium-Ion Batteries by Fusion of Feature Engineering and Deep Learning[J]. Applied Energy, 2024, 358.

[4]

段慧云, 夏威, 邵杰, 等. 基于充电健康因子优化和数据驱动的锂电池剩余使用寿命预测[J]. 汽车技术, 2024(1): 20-26.

DUAN

H Y

, XIA

, SHAO

, et al. A Data-Driven Remaining Useful Life Prediction Approach for Lithium-Ion Batteries Based on Charging Health Feature Optimization[J]. Automobile Technology, 2024(1): 20-26

[5]

ZHANG

C F

, DONG

M X

, OTA

K R

. Enabling Computational Intelligence for Green Internet of Things: Data-Driven Adaptation in LPWA Networking[J]. IEEE Comput. Intell. Mag. 2020, 15 (1): 32-43.

[6]

SEVERSON

K A

, ATTIA

P M

, JIN

, et al. Data-Driven Prediction of Battery Cycle Life Before Capacity Degradation[J]. Nature Energy, 2019, 4(5): 383-391.

[7]

ZHAO

W J

, DING

, ZHANG

S J

, et al. A Deep Learning Approach Incorporating Attention Mechanism and Transfer Learning for Lithium-Ion Battery Lifespan Prediction[J]. Journal of Energy Storage, 2024, 75.

[8]

HOU

Q B

, ZHOU

, FENG

. Coordinate Attention for Efficient Mobile Network Design[C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. Nashville TN USA. Nashville,IEEE, 2021: 13713-13722.

[9]

G J

, XU

, JIANG

, et al. Real-Time Personalized Health Status Prediction of Lithium-Ion Batteries Using Deep Transfer Learning[J]. Energy & Environmental Science, 2022, 15(10): 4083-4094.

[10]

HSU

C W

, XIONG

, CHEN

N Y

, et al. Deep Neural Network Battery Life and Voltage Prediction by Using Data of One Cycle Only[J]. Applied Energy, 2022, 306.

[11]

HONG

, LEE

D H

, JEONG

E R

, et al. Towards the Swift Prediction of The Remaining Useful Life of Lithium-Ion Batteries with End-To-End Deep Learning[J]. Applied Energy, 2020, 278.

[12]

YANG

F F

, WANG

, XU

, et al. Lifespan Prediction of Lithium-Ion Batteries Based on Various Extracted Features and Gradient Boosting Regression Tree Model[J]. Journal of Power Sources, 2020, 476.

[13]

COUTURE

, LIN

X K

. Image-and Health Indicator-Based Transfer Learning Hybridization for Battery RUL Prediction[J]. Engineering Applications of Artificial Intelligence, 2022, 114.

[14]

GAO

M X

, FEI

Z C

, GUO

D X

, et al. A Multi-Stage Time Series Processing Framework Based on Attention Mechanism for Early Life Prediction of Lithium-Ion Batteries[J]. Journal of Energy Storage, 2024, 84.

2025年第卷第6期

PDF下载

291

109

引用本文

BibTeX

文章信息

doi: 10.19620/j.cnki.1000-3703.20240396

首发时间：2025-11-12
出版时间：2025-06-24

补充材料

相关文章

文章信息

作者

出版历史

修回日期：2024-06-06

基金

*国家自然科学基金项目(71462018)

国家自然科学基金项目(71761018)

作者信息

¹ 江西理工大学信息工程学院，赣州 341000

² 江西现代职业技术学院，南昌 330095

通讯作者:

刘映宝（2001—），硕士研究生，研究方向为锂离子电池的剩余使用寿命预测，1875623857@qq.com。

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/qcjs/CN/10.19620/j.cnki.1000-3703.20240396

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

参数组合					MAE/周期	RMSE/周期	$R 2$
V/V	I/A	T/℃	Q/A·h	t/s	MAE/周期	RMSE/周期	$R 2$
√					42.719 5	49.897 6	0.941 0
	√				35.327 5	44.623 3	0.953 0
		√			52.100 3	63.637 6	0.908 4
			√		36.088 9	47.700 1	0.942 4
				√	189.328 4	236.135 9	-0.427 8
√	√				38.742 4	46.452 6	0.946 7
√	√			√	28.761 4	35.5441 1	0.965 9
√	√	√			27.953 4	35.120 9	0.972 5
√	√	√	√		23.423 9	29.127 5	0.979 1
√	√	√	√	√	20.406 71 （最佳）	25.576 83 （最佳）	0.983 37 （最佳）